會員分群完然後呢？用 AI 購買意圖模型（DCIU）與消費指數找出最可能下單的人｜91APP CDMP 數據中台

2026-08-28

把會員分群只是第一步，真正的難題是判斷該把資源放在誰身上。本文整理 91APP 新科技線上主題週的分享，說明購買意圖模型的運作方式、模型疊加運用，以及消費指數報表怎麼看。

影片重點摘要

標籤是靜態描述，搭配 AI 模型後可以預測誰會買、誰可能流失。
DCIU 購買意圖模型把會員從最容易購買到近期沒有意圖分成四群。
模型與名單之間可以疊加運用，條件越疊越精準。
消費指數報表用來找出高於品牌平均的標籤特徵。

從描述到預測，差別在哪裡？

分享中的說法是，標籤只先展現一個人身上帶有什麼特徵，而品牌真正需要的是預測。

升級之後可以做三件事：

持續開發更精準的新客。
預測接下來最容易回購的會員，搭配廣告投放與私域推播。
在雙十一、618 這類大檔期活動前，預測最容易購買的客群，集中資源溝通。

對零售品牌來說，第三項的實際意義最大。檔期預算有限，能不能把簡訊與推播集中在真正會下單的人身上，會直接影響活動的投報率。

購買意圖模型怎麼運作？

模型會收集每一位會員的資料，包含搜尋了什麼、瀏覽了什麼、有沒有加購物車或結帳、購買頻率、習慣買折扣品還是正價品。分享中提到，一個人身上可能有數百到數千種資料，透過梯度模型疊加，預測出哪些會員最容易購買。

DCIU 購買意圖模型把人分成從 D 到 U 四群，從最容易購買到近期沒有意圖。分群之後的資源配置方式並不相同：

最容易購買的一群：再結合發票資料、餐飲資料與興趣標籤，找出真正有消費力道、近期在關注什麼品項的客群，把資源集中在這裡。
沒有意圖的一群：不放棄，但改採低度關心。搭配他們身上的興趣標籤先做認知溝通，吸引他們有機會進站瞭解新品，創造購買場景。

這一段的判斷邏輯值得留意：沒有意圖不等於沒有價值，差別在於溝通的目的與成本。 對前者是催單，對後者是提醒你的存在。

需要說明的是，DCIU 是 91APP 內部的模型命名，並非產業通用術語，品牌在比較不同供應商時可留意各家的分群邏輯與命名差異。

模型可以怎麼疊加？

分享中特別提醒，模型名單不是只有單一操作，模型與模型、名單與名單之間可以疊加運用。

舉例來說，已知每個購買週期裡有人剛買、有人剛註冊、有人購買很久了，再疊上購買意圖模型，就能找出每個購買週期裡近期最容易購買的人，集中火力溝通。

這個做法的價值在於精準度。單看購買週期，你會對「三個月沒買的人」全體發送；疊加意圖模型之後，你只對「三個月沒買、但近期有購買訊號」的人發送，名單變小，成效卻可能更好。

消費指數報表怎麼看？

品牌會員身上的標籤提取出來之後，數量非常龐大。分享中提出的解法是建立消費指數：觀察帶有某個興趣標籤的人，購買指數是否高於全體會員的平均。

報表中設定了篩選機制，可以找出哪些標籤高於品牌平均數。這樣就能跳過一大堆落落長的標籤資料，快速知道要打新客或打舊客時該關注哪些標籤，並且放大操作。

找到高含金量的特徵之後，下一步就是去尋找跟他們更相似的客群。

預測模型的限制值得先知道

任何預測模型都建立在歷史資料上，因此有幾件事值得品牌事先理解。

第一，資料量不足時模型效果有限。新上線的品牌或會員數偏少的品牌，預測的準確度會受影響。

第二，模型會反映過去的行為模式，遇到市場劇烈變化時需要重新校準。

第三，模型輸出的是機率而非確定性。把它當成資源分配的排序依據，比當成保證更務實。

分享中也呈現了同樣的態度：模型的用途是幫助集中火力，而非取代判斷。

91APP 相關產品延伸

購買意圖模型與消費指數報表屬於 91APP CDMP 數據中台的範圍，可參考 91APP Marketing Cloud。

常見問題 FAQ

Q1：什麼是 DCIU 購買意圖模型？

DCIU 是把會員依購買意圖分成四群的預測模型，從最容易購買到近期沒有意圖。模型收集會員的搜尋、瀏覽、加購物車、結帳、購買頻率與折扣偏好等資料，透過梯度模型疊加預測。這是 91APP 內部的模型命名，並非產業通用名詞。

Q2：分群和預測差在哪裡？

分群描述會員過去的樣子，例如買過幾次、屬於哪個等級。預測則判斷接下來會發生什麼，例如誰最可能在近期下單、誰可能流失。分群回答「他是誰」，預測回答「該先找誰」。

Q3：標籤太多看不完，怎麼挑重點？

用消費指數篩選。觀察帶有某個標籤的會員，購買指數是否高於全體會員平均，只放大高於平均的那些標籤。這比逐一檢視所有標籤有效率得多。

資料來源

本文影片來源：91APP 新科技線上主題週〈CDMP 數據中台〉，講者 Lewis

影片逐字稿

從標籤到預測：用 AI 模型如何找出最可能購買與可能流失的會員

這些標籤我們還可以更深度來運用。我們怎麼深度運用？標籤只是先展現了一個人身上帶有怎樣的特徵，我們不是想要只看靜態的有沒有機會，搭配了AI的模型，更可以去協助品牌預測，會買的人是哪些人，哪些人是可能要流失的。那來跟大家介紹一下，剛剛就有提到標籤，我們讓它只是從原本的反應，描述它是一個怎麼樣態的輪廓，我們把它升級成預測，就讓品牌可以做哪三段呢？第一段剛剛講到的，不斷可以去開發更精準的新客；以及我想要去做回購的部分，可不可以去預測完，接下來最容易購買的回購是哪些會員，搭配的廣告投放，甚至是私域的推播；那甚至是近期像大家都會有一些大檔期的活動，不管是像三雙啦、618的部分，大家如果在做大檔的時候一定想說，可不可以趕快協助品牌預測接下來最容易購買的哪一群人是哪些人，那也可以透過像這樣的DCIU的一個購買意圖模型，圈選出來最容易購買客人，再去做所謂私域的溝通。

那模型非常的多元，像我們模型裡面，其實我們是不斷的在去協助品牌，我們去計算每一個會員，收集他的資料。我們收集了哪些非常的豐富，比如說可能透過使用者的行為，包含他在搜尋什麼東西、在看什麼樣的東西、在網站上有沒有做加購物車或結帳，甚至是他購買頻率，是不是常常也購買一些折扣性的商品或者是正價品。透過這些，可能有數千種、數百種，一個人就有身上這麼多的資料，我們就透過像這樣的梯度的模型，我們去預測出來，原來在這麼多規則裡面，我們去把它疊加出來，去預測出來哪一個會員、哪些會員，其實是最容易有購買的這些名單。圈選出來之後，可以讓品牌同樣的搭配了公域廣告上面的投放、私域上面精準的溝通，比如說APP、LINEOA啦、EDM、簡訊等等就可以更加的利用，讓品牌可以透過一個AI的模型，就可以找出更精準的客群。

購買意圖模型怎麼運作？DCIU 四種類型的分群與疊加運用

那不單單只是把會員去做所謂的預測分群，我們還可以結合更深的運用。比如說我們透過購買意圖模型，我們知道把人分成四群人，一路從D到U，最容易購買的到近期沒有意圖的。那把這些人分出來之後，我們還可以去分配，比如說知道最容易購買的人，我們還去結合了發票數據、餐飲數據、興趣標籤，找出真的更有消費力道，以及他們最近在關注什麼樣的品項上面的客群，去達到有消費力我們要更集中我們的子彈資源，去達到最容易購買那群人。

那沒有意圖的人，我們也不是這樣放棄了他，我們還是可以保持我們可以低度的去關心這些人，但是我們也不是亂槍打鳥，我們可能是搭配這群近期可能比較低頻、沒有進站的這些人，可以去搭配身上可能要有怎樣一些興趣標籤的特徵，可不可以先去做所謂awareness的部分，先去吸引我們這些無意圖的客戶有機會進站，可能瞭解我們現在又有什麼新品，才能去創造所謂的購買場景。所以透過這樣的購買意圖，我們不只是去做了預測接下來時間購買，我們還去搭配了所謂的第三方的這樣的資料，去達到消費力的一個分層。

模型疊加運用：購買週期 × 購買意圖找出高含金量客群

那模型名單千萬不是只有單一操作，說我只是知道哪些人最容易購買，哪些人可能是購買週期是什麼，其實模型跟模型、名單跟名單之間，它可以去疊加的運用，才可以善用的更精準。像剛剛提到，我如果知道我每一個不同的購買週期裡面，有的人可能是近期剛買，有的人是剛註冊，有的人購買了很久了，那我還可以去疊合了購買意圖模型，去找出來在每一個購買週期裡面，有沒有哪一些人是真的近期最容易購買，這群人我就可以集中火力去跟他們做溝通，去達到更加的一個轉化率效果。所以透過模型不只是單用，可以疊加起來複用，還可以把我們疊加起來的條件，呈現的更精準，去創造更好的效益。

消費指數報表：找出高於平均、真正精準的客群特徵

不單單只有模型，我們也要協助品牌，今天CDMP的數據中台，協助品牌去創造了很多的貼標籤資料運用之後，可以怎麼樣去做更友善的一個解讀呢？那透過我們簡報上面，其實可以跟大家分享，可以看到，說當我們今天協助品牌，幫助品牌把一個品牌裡面眾多會員身上標籤，都把它提取出來之後，我們來協助品牌怎樣去做更有效率的篩選。我們將品牌去創造了所謂的消費的指數，去創造說，今天我們可以觀察到，帶有怎樣一個興趣標籤的人，他們的購買指數，其實是可以比全部的會員來的更高的。

那我們就可以透過這樣的方式去知道說，原來我們現在會員裡面，帶有這樣特徵的人更容易帶單，那我們是不是可以把這樣的特徵，去找到跟他們更像的一些特徵。透過這樣的數據，我們可以去怎麼樣呢？選標籤。選標籤就可以透過我們報表裡面，就有設定這樣的機制，哪些標籤其實是高於整個品牌的平均數的，那透過這樣子就找到說，精準的客群原來身上帶有的特徵是什麼，那就可以幫我們判斷說，我們不是單單只是在看一大堆落落長的這些標籤資料，而是透過這樣一個報表，透過這樣一個數據的呈現方式，幫助品牌快速去知道，我們應該把我們想要打新客或打舊客，可以關注在哪一些標籤，去放大它的操作運用。