作者：王駿瑋 David Ishayahu ・ 2026-06-24 ・ 10 分鐘
不是隨機推，是數據告訴你該推什麼。
推薦系統是移動商務裡最直接的數據科學應用。兩種主要方法：
看行為模式。A 客戶買了咖啡豆和手沖壺，B 客戶也買了咖啡豆， 系統就會推手沖壺給 B。不需要理解產品本身，只看「相似用戶買了什麼」。
看產品屬性。你買了淺焙的衣索比亞豆，系統會推其他淺焙、果香調的豆子。 這需要每個產品都有結構化的標籤，資料工程的投入不小。
實務上，多數平台用混合方法。冷啟動時用內容過濾，數據量夠了再加入協同過濾。 LINE 官方帳號的推播，不再需要一封訊息發給所有人。
RFM 是最經典的客戶分群方法。三個維度，就能把一整個客戶資料庫切成可行動的群組：
三個維度交叉，就會跑出不同的客戶畫像。 「高 R、高 F、高 M」是 VIP，給專屬優惠。 「低 R、曾經高 F」是正在流失的老客戶，該發喚醒訊息。 「高 R、低 F、低 M」是新客戶，推首購折扣。 每個群組的行銷策略完全不同。
「這個產品該賣 399 還是 450？」 傳統做法是猜。數據科學的做法是測。
同一個產品，A 組看到 399，B 組看到 450。 跑一週看轉換率和總營收。不用開會討論，數據直接給答案。 統計顯著性要到 95% 才能下結論。
用歷史銷售數據建立價格和銷量的關係模型。 價格提高 10% 銷量會掉多少？ 不同品項的彈性不同，必需品和衝動消費品的曲線完全不一樣。
動態定價不是「讓價格亂跳」。是根據庫存水位、季節因素、競品價格， 在合理範圍內找到最佳定價點。目標是最大化利潤，不是最大化銷量。
囤太多，資金卡住。缺貨了，客戶跑掉。 庫存管理的本質是預測問題，而預測就是數據科學的核心能力。
預測不可能 100% 準確。但從「老闆憑經驗叫貨」到「模型建議 + 人工微調」， 準確率的提升幅度因產業而異，但多數案例顯示可達 15% 到 30%。 這個差距換算成現金流，是非常可觀的數字。
台灣有超過 2,200 萬 LINE 活躍用戶（來源：LINE 官方 2025 年調查）。 LINE 官方帳號是移動商務最重要的觸及管道。 但「一封訊息發給全部好友」的時代已經結束了。
每個用戶的活躍時段不同。 機器學習模型可以從開信紀錄中找出每個人最可能點開訊息的時間點， 分批發送。根據產業實務，開信率從 15% 提升到 25% 以上是常見的改善幅度。
結合 RFM 分群和瀏覽紀錄， VIP 客戶收到的是新品預告， 流失客戶收到的是「我們想念你」的喚醒折扣。 同一個 LINE 帳號，不同人看到不同內容。
LINE 的 Messaging API 支持這種分眾推播。 技術門檻不高，關鍵是你有沒有把客戶數據整理好。 沒有乾淨的數據，再好的模型也沒用。 這就回到數據清洗的基本功。
這是多數人沒想到的應用場景。 移動商務平台握有完整的訂單數據、物流路徑、供應商資訊。 這些數據串起來，就是產品碳足跡的關鍵拼圖。
歐盟的 CBAM 碳關稅已經上路。 台灣 281 家企業今年要繳碳費。 消費者對碳排放的意識正在提升。 移動商務平台如果能在購買流程中嵌入碳排放數據， 合規是基本，品牌差異化才是真正的機會。
還沒確定方向？加入 LINE，每週收到數據科學 × 移動商務的實戰案例。
移動商務是電子商務的子集，特指透過手機、平板完成的商業活動。差異在於：移動商務有地理位置數據、推播通知能力、更碎片化的瀏覽行為，這些都是數據科學可以利用的獨特資料源。
RFM 把客戶依最近消費時間、消費頻率、消費金額分群。VIP 客戶推專屬優惠，即將流失的客戶推喚醒訊息，新客推首購折扣。不同群組的推播內容和時間點都不同。
核心技術包含：協同過濾和內容過濾（推薦系統）、時間序列預測（庫存和需求）、NLP（客服自動化）、A/B 測試框架（行銷優化）。Python 的 scikit-learn、Prophet、和 LightGBM 是常用工具。
每一筆訂單都有對應的物流碳排放，每一個產品都有生產階段的碳足跡。移動商務平台是串接這些數據的天然節點，可以在購買頁面顯示碳排資訊，讓消費者做出更有意識的選擇。
本內容僅供參考，不構成投資建議或法規遵循之保證。 文中提到的技術方法（推薦系統、RFM 分群、時間序列預測等）的實際效果取決於數據品質、業務場景和實施方式。 涉及碳排放計算之內容僅供參考，實際碳排放量應依據專業碳盤查機構之查證結果。 涉及社會影響力評估之內容僅供參考，影響力評估結果受方法論與數據來源影響。 具體的商業決策請結合實際情況評估。
