流量愈來愈貴,成長機會藏在哪?從 CDP、AI 到行銷自動化,重新理解顧客與商品

顧客比較得愈仔細,品牌能做的事情其實愈多。從留存、顧客資料平台(CDP)、商品推薦到站內搜尋,看懂這些工具如何配合真實購物情境,替行銷找到值得投入的方向。

顧客比較得愈仔細,品牌能做的事情其實愈多。從留存、顧客資料平台(CDP)、商品推薦到站內搜尋,了解這些工具如何配合真實購物情境,就能替行銷找到更多值得投入的方向。

顧客試穿外套並向前伸展雙臂,店員觀察袖口位置並準備另一件外套
顧客如何選購、有哪些疑問,值得和廣告預算一起放進行銷討論。

買一件日常穿的外套,你會怎麼選?

看到廣告時覺得好看,點進去看了價格,接著搜尋評價。有人說版型偏小,有人提醒騎車時袖口容易灌風。看完幾段影片,原本在意的顏色退到其次,開始想知道布料會不會悶、下雨時方不方便。

品牌眼前的工作,也跟著變多了:廣告要讓人注意,商品頁要回答疑問,門市要提供試穿,客服要了解買回去之後遇到的問題。每個地方都能影響顧客的選擇,也各自留下一些值得研究的資訊。

成長行銷、AI 與行銷自動化的討論,可以沿著這條線慢慢展開。從顧客取得成本,談到資料整合,再看企業對商品的理解,最後回到一個很實際的問題:哪些投入,能讓顧客更容易選到合適的商品,並且願意再次選擇這個品牌?

流量紅利的消逝:從 AARRR 轉向 RARRA,發生了哪些改變?

當同樣的廣告預算帶來較少新顧客,企業通常會調整受眾、素材和出價。再往生意的全貌看,還有一件值得追問的事:已經花錢吸引來的人,後來去哪了?

成長駭客常用的 AARRR,把成長分成獲客、啟用、留存、推薦與收益。啟用(Activation)是使用者第一次真正體驗到價值,例如完成第一次預約、使用服務解決一個問題。留存(Retention)則關心他是否持續使用、購買或互動。

RARRA 將同樣的五個面向重新排序:留存、啟用、推薦、收益,最後是獲客。這個做法出自競爭激烈的 App 成長討論,將「讓使用者願意留下」放在擴大獲客之前。1

用在品牌經營上,可以這樣理解:開發新客的同時,就把第一次購買之後的體驗納入計畫。商品是否符合期待、使用方式是否容易理解、遇到問題是否有人協助,會影響下一次購買的意願。當這些環節逐漸成熟,增加廣告投入才有更完整的服務可以支撐。

私域經營也因此包含線上與線下。實體活動邀請顧客加入會員,門市協助他找到尺寸,官網提供保養方式,都是延續互動的方法。咖啡店關心多久回訪一次,家具品牌則可觀察使用回饋、配件需求與親友推薦,留存的衡量方式應配合商品的購買週期。

至於流量成本,除了平台演算法,競價、受眾、季節和廣告素材都值得拆開分析。購買廣告版位時,也要留意版位來源與流量品質。

除了媒體端的變化,消費者做決定的方式,也讓品牌需要重新安排內容。從搜尋、開箱文章、YouTube 評比,到社團與朋友的建議,顧客會一邊探索、一邊縮小選擇;到了門市試穿,還可能帶著新問題回去查資料。

消費者在搜尋、評比、討論與體驗之間往返,逐步形成決策
每次比較都可能帶來新問題;內容、門市與客服,共同參與顧客的選擇。

對品牌而言,成交前的溝通變長了。從顧客的角度看,這些比較讓他更了解自己的需要。尺寸圖、使用照片、不同款式的差異,因而有了持續被閱讀的價值。品牌可以從反覆出現的詢問,找到值得長期補充的知識內容。

AI 如何改變消費體驗?從資料整合到分眾行銷

同樣看過外套的人,有的還在挑款式,有的只等尺寸到貨,有的已經買了、想知道怎麼清洗。依這些差異安排內容,就比一律寄出促銷訊息更有討論的空間。

要做到這種程度的分眾,資料從哪裡來、怎麼記錄、如何整合,是三件連在一起的工作。

  1. 資料獲取:了解站內與站外各留下哪些資訊

    官網搜尋、會員資料、門市交易、客服詢問,能幫品牌了解顧客如何接觸商品。這些由企業直接蒐集的資料,稱為第一方資料。合作夥伴依約提供的自有資料,常稱為第二方資料;由其他來源彙整的資料,則常歸為第三方資料。

    規劃時,先列出要改善的購物問題,再決定需要哪些資料。例如想提供到貨通知,需要商品、尺寸與聯絡方式;顧客同意接收什麼訊息,也要一起記錄。資料蒐集因此有明確用途,日後更新與管理也較有依據。

  2. 行為標註:讓不同團隊使用一致的定義

    標註(Tagging)是替事件或顧客狀態加上可供系統使用的標記。「已購買」看起來很簡單,實際上卻要確認是付款完成、商品出貨,還是整筆訂單已結束。

    以退貨為例,門市完成退款後,行銷名單也要更新。事件名稱、發生時間、商品編號與最新狀態,都應有共同規則;負責維護資料的人也要明確。否則每個部門各自記錄,後續收到的促銷訊息就容易和顧客實際經歷不一致。

  3. 資料整合:把同一位顧客的互動整理成可持續使用的紀錄

    顧客在官網看商品、到門市購買,再透過客服換尺寸,三段互動各自有用。透過會員編號等識別資訊連結紀錄,團隊就能了解前後經過,減少重複詢問,也方便安排後續服務。

    CDP 是支援這類工作的工具之一。資料整理好之後,可以透過 API 等連接方式,提供廣告、分析、客服或行銷自動化工具使用。

顧客拿著收據說明外套尺寸問題,店員參照平板安排換貨
會員、交易與客服紀錄一起整理,才看得出一次購買前後的完整經過。

資料收集與清洗完成後,行銷人員可以從以下三個方向設計應用:

  • 個人化與擬人化

    同樣在挑外套,有人準備穿去上班,有人想在週末出遊時穿。前者在意是否好搭配,後者想知道重量和收納方式。依照用途提供不同的商品介紹,是個人化最容易理解的起點。

    擬人化著重溝通感受。品牌可以像店員一樣提問、回應,把材質和收納尺寸轉成容易想像的使用說明。顧客讀完,知道這件衣服適合什麼場合、穿起來有哪些差異,親切的語氣也就有了實質內容。

  • 情境設計與推播自動化

    顧客喜歡的尺寸缺貨,可以讓他選擇接收到貨通知。商品補貨後,訊息附上尺寸、庫存與購買連結,顧客就能繼續原本的選購。

    規劃流程時,把等待到貨、已購買、取消通知等狀態一起考慮。行銷人員也可以想一想:這次聯絡能讓顧客少做哪件事?少查一次庫存、少打一次電話,都是服務可以改善的地方。

  • 創意自動化

    同一件外套,可以依通勤、旅行等用途製作不同內容。AI 協助整理規格、產生文案版本,編輯則檢查各版本是否回答了不同需求,以及商品資訊是否一致。

    新品上架或規格調整時,相關文案與圖片也要一起更新。把商品資料、素材版本和更新責任整理好,團隊才能長期使用這套做法,而不只是趕完這次活動。

行銷自動化的難題:流程愈細,離銷售現場有多遠?

分眾愈細,工作也跟著變細。每增加一種顧客情境,就多一些內容、商品條件與後續處理要安排。AI 能協助製作版本,長期的營運成本則包含更新、檢查、客服與各種例外狀況。

更值得注意的,是誰在定義這些流程。操作 CDP 的工程師、規劃活動的行銷人員,如果很少參與實體銷售,容易從系統現有的欄位出發;顧客在門市說出的理由,卻常常比欄位更具體。

想像有人試穿外套後沒有購買。系統記下「試穿、未成交」,行銷團隊據此安排折扣通知。但店員知道,他猶豫的原因是騎車時袖子會往上縮,想再試另一種版型。對這位顧客來說,一份袖長與活動空間的比較,比折扣更接近當下的需要。

這種落差會影響自動化的方向。沒有把銷售現場的理解納入設計,團隊便容易用能取得的資料,反覆處理不完全吻合的問題。投入愈多流程,維護成本愈高,服務卻沒有相應變細緻。

門市人員展示外套的袖身結構,同事在一旁記錄商品細節
把門市與客服聽到的購買理由,納入資料欄位和內容規劃。

可以從一種商品、幾個常見詢問開始,讓商品、門市、客服、行銷與工程一起討論:顧客用什麼話描述需求?我們需要補充哪些資訊?收到這種回應後,誰負責下一步?這份共同理解,會直接影響自動化流程的品質。

了解顧客,也要了解商品:推薦為什麼總是差了一點?

行銷科技(MarTech)投入很多心力描繪用戶輪廓:買過什麼、看過哪些頁面、多久回來一次。接著做推薦時,商品端卻可能只有名稱、價格、顏色和分類,兩邊的資訊深度並不相稱。

知道顧客每天騎車,還要知道外套的袖長、活動空間與防風設計,才能提出有用的比較。顧客資料愈細,商品知識不足的地方反而愈容易浮現。有時候重新檢查庫存,甚至會發現:這個需求一直存在,現有商品卻沒有合適的選項。

這裡有一個值得商品與行銷團隊一起思考的方向:顧客資料也能幫助企業發現,下一件商品應該補足什麼需求。 從推薦現有商品,走到調整商品介紹、採購與開發,資料的用途就更廣了。

以下三種應用,分別從購物情境、專業建議與溝通方式,說明如何加深對商品的理解。

  • 用商品陳列,讓顧客想像自己的生活

    想像逛一間居家用品店:檯燈、杯子和薄毯各自擺在不同部門,是一種逛法;把它們放進「睡前讀幾頁書」的角落,又是另一種感受。顧客看見燈光、座位和伸手拿杯子的距離,更容易想像家裡如何安排。

    這就是「貨架與情緒」值得延伸的方向。商品陳列能帶出放鬆、方便或期待,網站也能用照片、情境分類與搭配建議呈現。規劃時,除了商品彼此好不好看,還要考慮尺寸、使用方式與空間條件。

  • 穿搭顧問電商

    顧客想找「不會太正式的上班外套」,接著問幾句,就會發現每個人的意思不同:有人週五可以穿牛仔褲,有人常進冷氣房,有人每天騎車。這些資訊會影響版型、材質和搭配的建議。

    穿搭服務因此需要兩種知識一起工作:顧客的生活需求,以及衣服穿起來的效果。Stitch Fix 在 2016 年的技術文章中,介紹了演算法依結構化資料提出選項,再由造型師加入資料尚未涵蓋的情境判斷。4 這個分工提供了很好的觀察角度:專業人員平常如何比較商品,哪些知識值得逐步整理成資料?

  • FB DPA 與 Email:讓商品資訊配合不同溝通方式

    顧客看過一件外套後,品牌可以依商品瀏覽紀錄設計後續內容。商品目錄型動態廣告(DPA)負責廣告呈現;Meta 也提供商品目錄廣告的個人化應用。5 Email 則由寄信工具安排,適合補充尺寸、搭配或使用資訊。兩條流程可運用相關商品與行為資料,各自處理廣告投放和郵件寄送。

    以 Klaviyo 的瀏覽未購流程為例,工具可針對可識別訪客的商品瀏覽事件安排郵件,並用條件排除已購買的人。6 實際設計時,寄送名單要符合可聯絡條件,商品也要有庫存。商品資料若準備完整,就能減少每次人工挑選圖片、填寫品名與價格的工作。

CDP × 商品資料:讓顧客需求找到適合的選擇

顧客資料平台(CDP)與商品資料平台(Product Data Platform)的整合,可以從「人需要什麼」和「商品提供什麼」這兩份資訊開始規劃。實務上,商品資料也可能放在商品管理系統或既有電商後台,重點是整理出可供比較與使用的內容。

以外套為例,把「通勤騎車」直接對應到「戶外用品」分類,範圍仍然很大。進一步加入袖長、版型、收納方式和清洗條件,推薦理由才會具體。這些欄位的選擇,需要商品專業,也需要顧客實際使用後的回饋。

以捲尺查看外套袖長,並將摺好的另一件外套放入通勤背包
把顧客的日常用語,對應到可以比較的商品特性。
從顧客的話,整理出值得補充的商品資訊
顧客提出的需要 商品端應補充的資訊 能提供的協助
騎車時袖子容易往上縮 袖長、版型、活動時的穿著差異 比較尺寸與版型,安排試穿
放進背包,希望不占空間 重量、收納尺寸、折疊方式 看懂攜帶方式與適用場合
上班可以穿,下班也好搭配 材質、剪裁、穿搭照片 比較正式程度與搭配選擇

從這種對照表開始,團隊會更容易分辨哪些資料已經具備、哪些要請商品人員補充、哪些問題適合在服務過程中詢問顧客。之後再把這些資訊提供給搜尋、推薦與內容工具,應用才有共同的基礎。

線上與線下整合,讓每次互動延續前一次的理解

顧客在官網查過商品,到門市時還要從頭說一次需求;試穿後回家,又收到與試穿結果無關的推薦。這些小地方加在一起,會讓購物過程變得費力。

線上與線下資料整合,可以從一段完整的服務開始:顧客預約試穿時留下款式與尺寸,門市依約準備;顧客願意保留試穿紀錄時,記下比較結果,後續再提供對應的商品資訊。會員識別、資料使用範圍與更新時間,是這段流程需要共同安排的條件。

資生堂的 Beauty Key 提供了真實案例。供應商 Treasure Data 公開的品牌訪談中,Shiseido Interactive Beauty 團隊介紹了 OneID 如何整合多個會員服務及線上線下紀錄,再讓行銷人員建立分群、觀察顧客購買不同商品的歷程。7

值得注意的還有工作方式。訪談提到,原先行銷人員要請工程師抽取資料,看到結果後又提出新的條件,往返耗費時間。整合後讓行銷人員直接操作分群,資料才更容易進入日常規劃。

也就是說,資料整合的完成標準,可以一路看到前線的人是否用得上:門市能否準備合適商品、客服能否了解先前經過、行銷能否依最新狀態提供內容。資料庫裡多了欄位之後,顧客實際感受到哪些不同,才是值得持續觀察的成果。

從顧客需求與商品知識走向合適服務顧客需求與商品資訊交會,形成服務選項,再由回饋修正

理解人,也要理解商品

顧客的目的、行為與回饋,需要與商品的特性、適用條件和限制一起判斷,才能形成合適的推薦與服務;第一線和顧客回饋持續修正理解。

結合第一線回饋,持續校準推薦

資料、商品知識與服務條件一起運用,再用顧客回饋調整下一次的內容。

當 AI 愈了解偏好,人還能怎麼選?

精準推薦帶來方便,也值得保留一點探索的空間。顧客買過幾次素色衣服,偶爾想換個風格;替家人買過一件禮物,也希望之後的推薦回到自己的需要。人的偏好會隨場合、時間與生活狀態改變。

在這樣的購物體驗裡,可以從三個角度安排人與 AI 的互動:

  • 保留自己挑選的空間

    推薦結果旁放上分類、篩選和其他風格,讓顧客容易改變方向。看見熟悉的選項,也有機會逛到原先沒有想到的商品。

  • 讓顧客能補充或修改偏好

    提供「這次是替別人選購」「想換一種風格」等容易理解的選項,讓這次需要優先於過去的購買紀錄。這些回應也能幫助團隊了解,哪些標籤應該更新。

  • 安排適合的人與 AI 協作

    AI 協助整理候選商品,專業人員處理較細緻的比較與個別需要。顧客願意花多少時間自己逛、何時想找人討論,都可以保留選擇。

這些設計把顧客放回參與者的位置。推薦越細緻,越值得同時觀察選擇是否容易、資訊是否足夠,以及顧客能否自在地調整方向。

A/B 測試之前,值得多想一步的成功指標

假設品牌想改善外套商品頁,團隊提出兩個版本:一個強調限時折扣,另一個增加尺寸與穿著比較。該怎麼選?

如果只看點擊,折扣標語的吸引力會是討論焦點。把問題改成「顧客能否買到合適尺寸」,團隊就會開始觀察選購資訊、詢問原因與退換貨。成功指標一改,內容要做的工作也跟著改變。

這正是資料分析很容易忽略的一步:測試前,團隊已經用指標決定了什麼值得重視。指標只涵蓋入口,後續的購物感受和營運成本就容易被放到一旁。

依照想改善的成果,選擇一起觀察的資料
這次想改善的成果 主要觀察 一起注意的影響
更多人閱讀選購資訊 進入比較內容的比例 標題與內容是否相符
顧客選到合適尺寸 購買與退換貨原因 客服問題、試穿回饋
一次活動有合理收益 收入扣除相關成本後的結果 折扣、退貨、服務與維護成本

真正執行 A/B 測試時,再把分組方式、觀察期間與目標安排好。兩個版本若同時改了優惠和內容,比較的是整體方案;若想了解尺寸資訊的影響,就讓其他條件盡量一致。隨機分組與統計分析,則協助團隊判讀差異。8

這個角度也能用在其他行銷工作。電子報想吸引的是點擊,還是有用的詢問?站內搜尋想增加的是搜尋次數,還是減少找到商品所花的時間?把成功的樣子想得具體一些,常會發現值得改進的地方就在原先報表之外。

成長駭客的工具應用:AI SEO、站內搜尋與服務自動化

資料和指標有了方向,挑工具就比較容易聚焦。以下幾種應用,都能從顧客的真實提問,找到可改善的工作。

  • AI SEO:把顧客的說法整理成好找的內容

    搜尋引擎優化(SEO)的一項基本工作,是讓內容與商品頁有清楚的分類和連結。企業習慣用部門、系列或型號管理商品,顧客卻可能搜尋「騎車防風外套」「容易收納的外套」。這些用語值得拿來檢查網站的分類與內容是否足夠。

    Google Search Console 可觀察搜尋字詞、曝光與點擊;Google Trends 用來看相對搜尋熱度的變化;Ubersuggest 等關鍵字工具則能提供延伸詞與搜尋量估算。再搭配站內搜尋、客服問答和商品回饋,團隊便能找到有實際需求的內容題目。

    AI 可協助整理這些字詞,提出情境分類與文章大綱。商品與內容人員再檢查:同組商品是否真的適合這種用途?頁面是否有足夠的比較資訊?分類、子分類與商品之間也要有可循的連結,這是 Google 官方文件強調的網站結構原則。9

  • AI 站內搜尋:協助找到商品,也協助逛出想法

    站內搜尋(Site Search)的設計,可以從兩種需求分開思考。知道型號的人希望快點找到;還在比較的人,需要更多線索。

    以「騎車時袖子不會縮上去的輕便外套」為例,只用「騎車」「外套」配對商品,很容易找出一整頁戶外服飾,選購的疑問卻還在。即使改由 Chatbot 接收完整問句,也需要把用途轉成可比較的商品條件:活動時袖子的覆蓋範圍、版型、重量與收納方式。缺少這些資訊,顧客找到了商品頁,依然難以決定是否購買。結構化的需求理解,就從這些具體條件開始,再讓搜尋結果呈現對應的比較資訊。

    1. 協助使用者找到商品

      搜尋型號、尺寸或材質時,提供直接且容易核對的結果。把常見錯字、同義詞與顧客的日常說法整理進搜尋規則,也能減少重複改字查詢的麻煩。沒有結果時,提供相近分類或可詢問的管道。

    2. 協助使用者逛起來

      面對「適合短程旅行的外套」這類需求,可以先呈現重量、收納與天候等比較方向,再提供容易調整的篩選條件。顧客會在比較中更了解自己的需要,商品照片與使用說明也能參與這個過程。

    AI 能協助理解較口語的需求,搜尋結果的品質則有賴完整的商品資訊與適當的排序。評估是否升級時,可以直接看無結果的搜尋、反覆改字的查詢,以及手機上調整條件是否方便;這些現象比固定的商品數量門檻更貼近網站的實際問題。

  • Call Bot 與商品組合:把服務安排得更完整

    語音機器人(Call Bot)適合研究預約確認、到店提醒等範圍明確的工作。顧客能修改時間,遇到特殊需求也有真人協助,流程就比較容易使用。規劃時一併考慮聯絡同意、通話時間與轉接安排。

    商品組合(Product Bundle)則可以圍繞一個用途設計,例如旅行時需要的衣物與收納配件。把搭配理由、尺寸相容性和各項價格呈現完整,讓顧客依需要選擇,也能從選購反應了解哪些商品知識需要補充。

獲客成本提高後,企業如何累積自己的成長方法?

工具選擇愈多,企業愈需要知道各項工具在自己的工作裡負責什麼。官網提供選購內容,會員系統保存互動,CDP 或既有整合方式供應資料,行銷自動化安排通知,門市與客服接著服務。整套流程值得一起規劃。

系統化整合:把一次做得好的服務,變成可以持續提供的做法

挑選工具時,帶著一段實際流程來比較,會比只看功能清單容易判斷:

  • 它協助的是哪些具體工作? 要取得哪些資料、產生哪些內容,再由誰使用?

  • 資料更新失敗或服務中斷時,如何處理? 誰會收到通知?顧客是否能改用其他方式完成需求?

  • 是否考量長期更新與維護? 商品改款、名單條件調整或人員交接後,誰負責持續維護?

例如先把「查詢尺寸、預約試穿、到店服務、取得比較資料」做成一段完整流程,再從實際詢問和維護工作調整。逐步累積之後,企業擁有的就不只是工具帳號,還包括商品知識、顧客理解,以及能持續提供的服務方法。

持續實驗新通路:從發生中的變化,找到值得投入的方向

新通路依然值得研究。LINE MINI App 可讓使用者在 LINE 裡開啟網頁應用,適合研究預約、會員與到店互動等流程。10 若使用服務訊息,要依 LINE 規範完成審核,內容以回應預約等使用者操作為用途;促銷則另行規劃合適的訊息管道。11

Medium 或其他內容平台,可以觀察目標讀者是否在那裡討論議題、哪些文章持續被搜尋,以及閱讀之後是否產生有用的互動。選一個擅長的主題,完成適合該平台的內容,再追蹤後續回應,比同時大量鋪文容易學到具體經驗。

這類探索可以留下三種紀錄:讀者的需求如何改變、平台提供了哪些新的接觸方式、團隊試做後得到哪些回饋。當條件逐漸改變,過去的小規模嘗試就能提供判斷依據,幫助企業掌握下一次機會。

回到流量成本的問題,品牌其實有不少工作可以主動累積:把常見疑問寫成內容、補足商品資訊、讓線上線下互動更順暢,並持續檢查指標是否符合想改善的成果。

這些工作也會反過來幫助獲客。越了解顧客在意什麼,越容易找到值得說的題目;越能提供完整的選購資訊,越有內容可以長期被搜尋與分享。成長因此有了連續性,每一次服務所學到的事,都能成為下一次內容與產品改進的養分。

從顧客理解到持續成長:五個經營重點

把顧客的需要、商品的特性與服務過程一起考慮,資料與工具才有明確的用途。從購買前的疑問到使用後的回饋,每一次互動都能幫助團隊改進內容、商品與服務。

留存:把第一次購買之後的體驗納入計畫

查看回訪、使用回饋與售後詢問,了解哪些資訊或服務能幫顧客繼續使用商品。衡量方式配合購買週期,讓新客與舊客的經營各有依據。

資料:整理同一位顧客互動前後的經過

從資料來源、事件定義和更新規則開始。用一個到貨通知或換貨流程,檢查名單、商品狀態與可聯絡條件是否一致,再規劃更細的分眾。

商品:補上讓人容易比較的知識

整理顧客常用的說法,請商品、門市與客服一起補充用途、尺寸和使用差異。這些內容可以同時提供給商品頁、搜尋、推薦與行銷工具。

指標:把顧客收穫與營運結果一起考慮

測試前決定想改善的成果,再選主要指標與需要注意的成本。除了點擊,也看看買後問題、退換貨與維護工作,幫團隊找到更完整的改進方向。

成長:用完整的小流程累積自己的方法

先完成一段可持續提供的服務,再嘗試新內容、新工具或新通路。保留嘗試條件與回饋,讓顧客理解、商品知識和團隊經驗持續累積。

一句話記住

當同樣的廣告預算帶來較少新顧客,更值得先讓已經買過的顧客願意留下;把顧客的需要、商品的特性與服務過程一起考慮,資料與工具才有明確的用途。

先完成一段可持續提供的服務,再嘗試新內容、新工具或新通路。

參考資料

  1. Phiture|AARRR 與 RARRA 的工作重點(2017) 返回引用 ↩
  2. CDP Institute|顧客資料平台的定義 返回引用 ↩
  3. Treasure Data|資生堂會員與資料整合案例 返回引用 ↩
更多參考資料(8)
  1. Amazon Ads|DSP 與廣告購買 返回引用 ↩
  2. Stitch Fix|資料與專業人員如何參與商品設計(2016) 返回引用 ↩
  3. Meta Blueprint|商品目錄廣告的個人化應用 返回引用 ↩
  4. Klaviyo|瀏覽未購的郵件流程 返回引用 ↩
  5. Optimizely|A/B 測試的設計與判讀 返回引用 ↩
  6. Google|電商網站的分類與連結結構 返回引用 ↩
  7. LINE|MINI App 功能介紹 返回引用 ↩
  8. LINE|服務訊息的用途與使用條件 返回引用 ↩