回購名單不是把所有老客戶匯出後交給 AI 寫折扣文案，而是先確認資料能不能支持分群。台灣 SME 至少要先檢查 6 個欄位：最後購買日、購買次數、累積金額、購買品類、最近互動、行銷同意或拒收狀態。這 6 個欄位能把名單分成補貨提醒、加購推薦、VIP 預告、喚回測試與排除名單；如果欄位缺漏，AI 只會把錯誤資料整理得更像真的，最後傷毛利、打擾客戶，也讓業務和客服背鍋。
回購名單先做資料盤點，再談 AI 分群
許多中小企業已經有 POS、電商訂單、LINE 官方帳號、Email 名單或簡單 CRM，但資料常散在不同工具裡。老闆看到「AI 分群」會直覺想問：誰最可能再買？實務上要先問另一件事：這份回購名單有沒有足夠欄位，能讓人判斷誰不應該收到訊息。
國外常見的 RFM 文章會用最近購買、購買頻率、消費金額來判斷客戶價值。Shopify 的 RFM 介紹也把 recency、frequency、monetary 說明為分析最近一次購買、購買頻率與消費金額的顧客分群方法，並提醒不同工具的分數計算方式會不同。來源：Shopify RFM Analysis。但台灣 SME 不能只搬 RFM 分數，還要把通路同意、拒收、客服紀錄與商品週期放進流程。
6 個欄位，決定回購名單是不是能用
如果只能先整理一張表，請不要從姓名、電話、Email 開始，而是從決策欄位開始。下面這 6 個欄位足以支撐第一版 AI 分群，也能降低過度行銷的風險。
| 欄位 | 用來判斷什麼 | 缺漏時的風險 |
|---|---|---|
| 最後購買日 | 是否接近正常補貨或回訪時間 | 把正常等待週期誤判成流失 |
| 購買次數 | 一次性客戶、穩定回購或高頻客戶 | 對低意圖名單花太高成本 |
| 累積金額 | VIP、一般老客戶或低價試買客 | 用同一優惠對待不同價值客戶 |
| 購買品類 | 該提醒補貨、配件、升級或新系列 | 推薦不相關商品，讓客戶覺得被亂貼標籤 |
| 最近互動 | 是否仍點擊、瀏覽、回覆或開啟訊息 | 把已無互動的人塞進高頻推播 |
| 同意或拒收狀態 | 能不能用該通路行銷 | 打到退訂、封鎖或拒絕行銷的人 |
RFM、GA4 與 CRM 不要混成一個黑箱分數
RFM 適合回答「這位客戶和訂單紀錄的關係」。GA4 適合補上網站或 App 行為，例如瀏覽商品、加入購物車、購買事件和預測指標。CRM 則保留業務、客服、同意狀態與人工備註。這三者可以互補，但不應該被壓成一個看不懂的 AI 分數。
Google Analytics 的預測指標頁面說明，購買機率是最近 28 天活躍使用者在未來 7 天完成特定重要事件的機率，流失機率則是最近 7 天活躍使用者未來 7 天不再活躍的機率；頁面也列出模型需要足夠正負樣本、穩定品質，以及購買事件與 value、currency 等資料條件。來源：Google Analytics 預測指標。這代表小型網站如果交易量不夠，不能把 GA4 預測當成唯一回購名單來源。
GA4 的建議事件文件則列出 add_to_cart、purchase 等電商事件與參數。來源：Google Analytics recommended events。這些事件能協助判斷意圖，但仍要回到 CRM 檢查是否能用 Email、LINE、簡訊或廣告名單接觸。
把回購名單分成 5 種，不要只分高低分
第一版分群不用追求模型複雜，目標是讓團隊知道下一步要做什麼。下面的分法比「高分、低分」更容易轉成行動。
| 名單類型 | 條件範例 | 下一步 | 不要做 |
|---|---|---|---|
| 補貨提醒 | 接近品類平均回購週期，且曾多次購買 | 提醒補貨、尺寸、口味、保固或耗材 | 一開始就大折扣 |
| 加購推薦 | 近期購買主商品，但配件或相關服務未買 | 推薦搭配品、教學內容或使用情境 | 推薦與原購買品類無關的爆品 |
| VIP 預告 | 高金額、高頻率、近期仍互動 | 新品預覽、會員優先、少量限定 | 把 VIP 當清庫存名單 |
| 喚回測試 | 曾高頻或高金額，但最近購買與互動下降 | 小名單測試關懷、原因詢問、精準優惠 | 全通路連續追打 |
| 排除名單 | 退訂、拒收、客訴未結案、資料來源不明 | 停止促銷，自行或人工處理資料與服務問題 | 交給 AI 自動再行銷 |
AI 可以幫忙，但要限制任務
AI 最適合做三件事：整理欄位缺漏、把客戶分群轉成可讀摘要、為每一群產生不同訊息草稿。AI 不適合直接決定折扣、合法性、敏感資料處理、退訂名單是否可再用，或客訴是否已經解決。
如果你用的是外部 AI 工具，先用去識別化欄位測試，例如把姓名和電話移除，只留下客戶編號、品類、購買次數、最後購買距今天數、累積金額級距、互動狀態與同意狀態。需要人工判斷的欄位，要用「需客服確認」「需業務確認」「排除」這種狀態標籤，而不是讓模型自由猜。
通路選擇：先低干擾，再高即時
回購名單不一定要用最強勢的通路。近期有互動且需求接近補貨週期的人，可以用 LINE 或簡訊提醒；需要解釋產品差異的人，更適合 Email 或內容頁；高價服務與 B2B 名單通常需要業務或客服先接手。
Klaviyo 的公開網站把 B2C CRM 描述為整合客戶資料與通路，讓 Email、簡訊與推播能回應實際行為；這個方向可以參考，但台灣 SME 不必一開始就購買大型系統。來源：Klaviyo B2C CRM positioning。更務實的第一步，是讓各通路都讀同一張乾淨分群表。
7 天測試：先證明名單有價值
- 第 1 天：匯出最近 12 到 18 個月訂單，先依品類估算正常回購週期。
- 第 2 天：補齊最後購買日、購買次數、累積金額、品類、最近互動、同意或拒收狀態。
- 第 3 天：排除退訂、拒收、資料來源不明、客訴未結案與高風險名單。
- 第 4 天：把剩餘名單分成補貨、加購、VIP、喚回測試四群，每群抽小樣本。
- 第 5 天：請 AI 產生每群 2 版訊息草稿，由人檢查語氣、優惠、法規、庫存與客服風險。
- 第 6 天：小量發送並加上 UTM，讓不同名單、通路與訊息版本能被辨識。
- 第 7 天：看購買、回覆、退訂、封鎖、客服負擔與毛利，不只看開啟率或點擊率。
個資與拒絕行銷要先寫進欄位
台灣企業做回購名單，不能只看成效。個人資料保護法第 20 條規定，非公務機關利用個人資料行銷時，當事人表示拒絕接受行銷，應即停止利用其個人資料行銷；首次行銷時也應提供拒絕接受行銷的方式並支付所需費用。來源：全國法規資料庫個資法第 20 條。
實務上，回購名單應至少保留「資料來源」「可使用通路」「退訂或拒收日期」「最後更新日」「人工覆核狀態」。如果這些欄位不存在，先做資料清理，不要急著把名單交給 AI 或廣告平台。
這套方法適合誰？不適合誰？
適合已有訂單紀錄、會員資料、LINE 官方帳號、Email 或 CRM 的零售、電商、課程、醫美以外的一般生活服務、B2B 服務與訂閱型團隊。尤其適合廣告費上升、老客戶沒有系統化經營、每次活動都靠全站折扣的公司。
不適合名單來源不明、退訂資料混亂、敏感個資很多、客訴未處理、商品本身不具回購週期，或團隊只想用 AI 大量產生推銷訊息的情境。這些情況應先處理資料治理、客服與商品策略。
資料更新與來源
本文於 2026 年 9 月 10 日依公開可讀資料整理。平台事件、預測指標資格、CRM 功能、廣告名單政策與個資法施行細節可能更新，正式執行前請回到官方文件與自家後台確認。
- RFM 與分群基礎：Shopify RFM Analysis
- GA4 預測指標限制：Google Analytics 預測指標
- GA4 電商事件：Google Analytics recommended events
- B2C CRM 與通路整合參考：Klaviyo
- 台灣個資與拒絕行銷：個人資料保護法第 20 條
結論：先讓回購名單可信，再讓 AI 加速
回購名單的價值不在名單有多大，而在每個人為什麼應該被聯絡、該用哪個通路、需要什麼訊息，以及誰必須被排除。AI 可以讓分群、摘要與文案變快，但前提是欄位完整、同意狀態清楚、人工覆核存在。先用 7 天小測試找出真正會回來的族群，再擴大自動化，會比全名單折扣更適合台灣中小企業的毛利與信任。
FAQ
回購名單一定要用 RFM 分析嗎？
不一定。RFM 是好起點，但台灣 SME 還要加上購買品類、最近互動、同意或拒收狀態與客服紀錄，否則只看分數容易誤發訊息。
名單很小也能用 AI 分群嗎？
可以，但不要做複雜模型。先用規則分成補貨、加購、VIP、喚回測試與排除名單，再讓 AI 協助整理摘要和產生訊息草稿。
GA4 預測指標可以直接當回購名單嗎？
不建議直接使用。GA4 預測指標需要足夠資料和事件品質，小型網站常不符合條件；即使符合，也應與 CRM 同意狀態和訂單資料交叉檢查。
回購名單應該發折扣嗎？
只有當價格或時機是主要阻力時才適合。補貨提醒、加購推薦、VIP 預告和客服修復常比折扣更合適，也比較不會訓練老客戶等待降價。
回購名單要先排除哪些人？
先排除退訂、拒收、資料來源不明、客訴未結案、同意狀態不清楚，以及商品或服務已不適用的人。排除名單是 AI 分群前的必要安全欄位。