以AI驅動客戶旅程地圖，實現精準營銷

FIND研究員：蕭國英

在數位時代，消費者行為日益複雜多變，企業若要脫穎而出，必須更深入地了解顧客，提供高度個人化的服務。人工智慧（AI）的崛起，為行銷領域帶來革命性的變革。透過AI，企業能夠更精準地分析大量數據，洞察顧客行為，並打造更貼近顧客需求的產品與服務。本文將探討AI在「客戶旅程地圖」上的應用，如何幫助企業提升顧客體驗，並實現更佳的商業績效。 

什麼是「客戶旅程地圖」(Customer Journey Maps, CJM)？

客戶旅程地圖，又稱使用者旅程地圖，是一種視覺化的工具，用來描繪品牌與顧客互動的整個過程。它將顧客從初次接觸品牌到成為忠實顧客的整個歷程，以圖像化的方式呈現出來，讓企業能夠更深入地了解顧客的想法、感受和行為，從而優化顧客體驗，提升顧客滿意度。客戶旅程地圖通常著重在兩方面：一個是觀察「顧客」與「品牌」之間的互動關係，偏向於行銷和業務領域；另一個則是強調「使用者」與「產品或服務」之間的互動關係，偏向於產品設計和使用者體驗設計領域。 

客戶旅程地圖的目的是什麼？

• 了解顧客需求： 透過地圖，企業可以清楚地看到顧客在不同階段的需求、痛點和期望。
• 改善顧客體驗： 找出客戶旅程中的問題和機會，針對性地提出改進方案，提升顧客滿意度。
• 優化行銷策略： 根據客戶旅程，設計更有效的行銷活動，提高轉換率。
• 提升產品或服務品質： 從顧客的角度出發，檢視產品或服務的設計是否符合顧客需求。
• 增強團隊合作： 將不同部門的觀點整合在一起，共同為提升顧客體驗而努力。

圖1：以CJM描述有讀誦困難的孩童每天所會接觸到的工具與技術 

圖片來源：https://www.behance.net/gallery/12142829/Customer-Journey-Map

產業界運用AI來強化產品研發與行銷推廣的實例很多，例如在電商領域，Amazon即是透過AI分析顧客的瀏覽歷史，推薦相關商品，並預測顧客的購買意願。在金融業，很多銀行利用AI打造智能客服，大幅提升服務效率。在醫療保健，Google DeepMind開發的AlphaFold，成功預測了幾乎所有已知蛋白質的結構，為藥物開發帶來新的可能性。在旅遊業，Booking.com就利用AI為用戶提供了個性化的住宿推薦。但是前述的運用，僅是強化了客戶旅程地圖中的某一個位置；我們相信這些大企業內部已建立起一個全面性的客戶旅程地圖，在經過詳細分析後，才決定對地圖上某些位置來依序進行調整。

圖2：電商平臺Shopify官網上的客戶旅程地圖 

圖片來源：https://www.shopify.com/enterprise/blog/customer-journey-map-ecommerce

客戶旅程地圖的製作步驟

客戶旅程地圖的形式沒有固定，尤其某些產業所要面對的複雜客群也常有各種交互影響的關聯性，所以畫出來的地圖也會相對複雜。但地圖在製作與使用的過程中，不管在哪個產業，它的步驟則是相當一致的，而且「視覺化」是製作客戶旅程地圖時一個很重要的核心，至少也要是表格化。製作客戶旅程地圖與使用它來提昇品質的流程一般如下：

1. 定義目標顧客： 確定要分析的顧客群體。這步驟也就是在定義目標客戶的「人物誌」(Persona)。
2. 列出所有接觸點： 找出顧客與品牌互動的所有可能觸點。
3. 繪製流程圖： 將客戶旅程分為不同的階段，並標註每個階段的接觸點和行為。
4. 分析顧客情緒： 根據顧客行為，推測其在每個階段的情緒。
5. 找出痛點和機會： 找出客戶旅程中的問題和可以改進的地方。
6. 制定改善方案： 根據痛點和機會，提出具體的改善方案。

圖3：已有線上軟體提供了相當多元的CJM模板 

圖片來源：https://www.edrawsoft.com/customer-journey-mapping-tool.html

如何把人工智慧運用在「客戶旅程地圖」？

在過往，因受限於資源與時間，企業所建立的客戶旅程地圖，其涵蓋面與精準度往往與實際情況會有一段落差；故而重點通常擺在「視覺化」並以此來跨部門進行議題的對焦。人工智慧（AI）的崛起，為傳統的客戶旅程地圖帶來了革新。透過AI，我們能更精準地分析大量數據，洞察顧客行為，並打造更個人化的顧客體驗。在建立「客戶旅程地圖」時，AI可以協助我們進行以下的應用：

1. 數據收集與分析

• 自動化數據收集： AI能從各種來源（如網站、APP、社群媒體、CRM）自動收集顧客數據，並進行初步的整理與分類。
• 行為分析： 透過機器學習，AI能分析顧客在網站上的瀏覽行為、點擊軌跡、停留時間等，找出潛在的興趣與需求。
• 情緒分析： AI可以分析顧客在社群媒體上對品牌或產品的評論，判別其情緒是正面、負面還是中性，以便及時回應。

1. 顧客分群與個性化

• 精準分群：AI能根據顧客的行為、興趣、購買歷史等，將顧客分為不同的細分市場，以便提供更精準的服務。
• 個性化推薦：AI可以根據顧客的偏好，推薦適合的產品或服務，提升顧客滿意度。
• 個性化內容：AI能生成個性化的內容，如產品介紹、行銷文案等，以吸引特定顧客群體。

1. 預測分析

• 預測顧客行為：AI可以預測顧客的下一次購買、退貨或流失的可能性，以便提前採取措施。
• 預測需求：AI能分析市場趨勢，預測未來顧客的需求，以便提前開發新產品或服務。
• 預測營銷效果：AI可以評估不同營銷策略的效果，幫助企業優化資源配置。

1. 聊天機器人與虛擬助理

• 即時互動：聊天機器人可以24小時為顧客提供即時服務，解答常見問題。
• 個性化服務：透過AI，聊天機器人能提供更個性化的服務，如推薦產品、處理訂單等。
• 收集反饋：聊天機器人可以收集顧客的反饋，幫助企業了解顧客需求。

1. 自動化行銷

• 觸發式行銷：AI可以根據顧客的行為，觸發相應的行銷活動，如購物車放棄提醒、生日祝福等。
• A/B測試：AI能自動化A/B測試，找出最佳的行銷策略。

1. 客戶旅程地圖的動態優化

• 實時調整：AI可以根據最新的數據，不斷調整客戶旅程地圖，確保其與實際情況保持一致。
• 自動化優化：AI能自動化優化客戶旅程中的各個接觸點，提升顧客體驗。

FIND研究員：謝沛宏

生成式AI提供製造業在工業4.0發展上無限的想像，諸如用在人型機器人上，可以解決缺工的問題；用在聊天機器人上，解決技術人員訓練的問題；用在可視化戰情室上，協助管理者決策問題。上述應用似乎都引起製造業高層的興趣，根據SAP、KPMG與IBM的報告顯示，近八成的製造業已經在探索生成式AI的用法。然而，根據生成式AI新創公司SoluLab的估算，一項基礎生成式AI應用發展專案，從構想到介面設計、應用開發、測試、維護，可能需要花費10到40萬美元之間。然而，對製造業而言，生成式AI到底是救星還是錢坑呢?

生成式AI適用於製造業工作流程

關於這個問題，資策會數位轉型研究院研究團隊近期與多家製造廠商進行訪談，可以從幾個面向來討論。首先，在適用的範圍上，製造業在生產製程本身需要高度的穩定性，使得生成式AI的特性並不適合用在如製程參數調整、良率分析與預測等類型的應用上。比較適合應用在營運、研發等工作流程上，其回收的價值較難直接對應企業策略目標。再者，由於發展生成式AI應用，在基礎設施就需要有足夠的投資，因此在企業體質上，本身資料整備度需要有一定的水平。因此，從現實層面來說，若非有一定規模、基礎設施良好，且業務分工完善的製造業，發展生成式AI必定付出相當大的代價。

生成式AI相當於傳統AI加值應用

而在幾個大型電子製造服務業者的訪談中得知，實際上，生成式AI比較類似傳統AI加值的應用。舉例來說，在電子產品的組裝上，EMS業者向來都有想使用AI了解組裝線的品質和效率的想法。事實上，即使傳統AI解決方案結合攝影機，判斷出在組裝線端有效率或品質的問題，卻礙於這些問題不一定是現場人員的專業知識得以判斷或權限可以處理的，因此無法立即被有效解決。不過，若將此類組裝效率問題的事後檢討及調整作法等相關資料，讓生成式AI學習，再與傳統AI的判斷相結合，現場員工就能夠根據先前的處理經驗，做第一線的處置，即可能有機會讓產線的運作效率提升。也就是說，生成式AI應用的定位，若是加值傳統AI的成果並賦能員工，就能夠提升其產生的價值。

圖1:傳統AI結合生成式AI在電子產品組裝線上的應用 

資料來源: 資策會數轉院，2024年10月

生成式AI對於製造業的價值並非絕對的「救星」或「錢坑」，而是取決於企業的現實條件與應用策略。以目前的發展趨勢與訪談結果來看，生成式AI的最大價值在於「輔助與加值」。它能夠透過強化傳統AI的效能，為製造業帶來新的應用可能性。但由於技術發展成本高昂，且需具備資料整備與基礎設施條件，對於缺乏資源的中小型企業來說，導入生成式AI仍是一項巨大挑戰。

因此，對大多數製造業來說，生成式AI並非「一勞永逸」的解決方案，而是一項需要謹慎評估與長期投入的工具。只有當技術能力與實際需求相匹配時，生成式AI才能真正為製造業帶來實質價值，而非成為無底的「錢坑」。 

封面圖片來源：Photo by Nahrizul Kadri on Unsplash

參考資料來源： 

1. How manufacturers can best use generative AI, https://www.sap.com/blogs/how-manufacturers-can-best-use-generative-ai, 2024.06.17
2. Thoughts on Generative AI in Manufacturing 4.0, https://mediacenter.ibm.com/media/Thoughts+on+Generative+AI+in+Manufacturing+4.0/1_z99oby47/98864272, 2024.10.15
3. How Much Does it Cost to Build a Generative AI in 2024, https://www.linkedin.com/pulse/how-much-does-cost-build-generative-ai-2024-solulab-imy4c/, 2024.09.23

AI協作型機器人：打造未來智慧製造的核心動力

FIND研究員：鄭怡仙、姜禮煌 隨著科技快速發展及全球勞動力市場變化，協作型機器人（Cobots）逐漸成為取代危險和繁重勞動的理想選擇。它不僅能夠執行人類無法長時間承受或涉及高風險的任務，還能與人類協同工作，共同創造更安全、高效率的工作環境。在智慧製造的背景下，AI協作型機器人應用正改變製造業的運作方式。 >

生成式AI風險與日俱增，促使AI風險管理成為新商機

FIND研究員：李啟榮 生成式人工智慧（Generative AI）在日漸普及化的同時，由於有很多來自不成熟使用者的良莠不齊資訊，有意無意地被灌輸進AI資料集（Dataset），造成AI有風險暴露的疑慮，甚至會造成一發不可收拾的後果。>