8年耕耘前瞻零售大數據技術，91APP打造零售專屬GenAI

「早年說自己用AI打造零售數據應用，被當成是噱頭。直到AI紅了，才終於發現我們玩真的。」零售解決方案服務商91APP產品長李昆謀這句玩笑，道出他們多年來，默默鑽研前瞻零售大數據技術的孤單。

7、8年以來，91APP陸續發表會員生命周期模型NAPL、會員購買意圖分析模型DCIU、跨通路消費行為分析模型PAVO等統計和ML模型。

這些模型多年來吸引其他零售業者借鏡，尤其是NAPL模型受到業界大量討論與研究，甚至已經被部分零售業者視為顧客關係管理的圭臬。

生成式AI元年的2023年，他們快速以OpenAI的技術為基礎，推出多款零售應用。他們不滿足於使用ChatGPT等現成技術，更決定自行發展專屬臺灣零售業的技術。同年，發展出亞洲第一個零售業ChatGPT外掛，隨後利用RAG技術打造出專屬臺灣零售業的生成式AI平臺。

產品和IT人員了解彼此專業，才能快速開發有效技術解

李昆謀說，91APP很早就意識到，讓產品人員和IT了解彼此專業知識和需求，非常重要。

他們多年前合併開發及產品團隊，成為規模超過270人的產品研發處，由技術和產品主管擔任雙處長，讓技術與產品決策更加緊密結合。

他表示，兩名主管有各自專精的領域與責任，不過都了解產品與技術，因而能互相支援、密切合作。

不只主管，他們更會讓其他團隊成員接觸跨領域業務，使產品團隊能緊跟緊跟零售業者時下需求，並迅速用最新技術，開發出解決方案。

2016年，91APP開始進攻線上線下融合（OMO）零售市場，開始替大型零售業者客戶打造數位通路，這也成為他們後續重要核心業務。

李昆謀認為，開發開店平臺上的服務時，技術人員具備產品面的設計與商業知識，非常重要。這個時期，他們需要用技術解決的需求是，數位通路的顧客經營。

「大型零售商要求的不只是電商轉換率要高。他們在乎的是，怎麼做好熟客經營，怎麼從會員看到洞察。」對大型零售品牌而言，2成會員貢獻7至8成營收，會員族群如何分布？留存率多高？會員經營是否健康？回購狀況如何？怎樣算高貢獻度、高活躍度？都是大型零售業者想要知道的問題。

為了回答這些問題，91APP一腳踏入零售大數據技術領域。李昆謀會帶著資料科學家一同拜訪客戶，不只要做業務，更要從互動過程中，找到零售業的商務需求。

「當命題定義清楚，才容易開始尋找技術解。」例如，前20%貢獻度會員的數位足跡有什麼特徵？以1萬元消費額當作VIP會員，是否是正確的切分方法？有了命題，才容易開始思考，要用哪些數據，如何設計與開發產品。

這段期間，李昆謀更體會到，要用數據解決零售需求，不只需要分析數據的資料科學家，還需要有人負責建立自動化資料蒐集和彙整機制。接著，再將數據翻譯成商業語言，才能與產品設計接軌。於是，他們更開始擴大招募數據工程師與商業分析師，到原本數據科學家團隊中。

聚集這些人才後，他們開始從不同零售場景和需求切入，打造一系列數據的統計及ML模型，來開發產品，支援零售業者經營數位通路，並分析零售業者的會員行為。

這些模型包括PAVO和NAPL統計模型，以及DCIU機器學習模型。每一個模型，都是分別從零售業者會詢問的不同問題方向切入，來尋找會員經營最佳策略。例如，會員在不同通路消費，行為模式是否會改變？購物頻率、最近消費時間、金額，如何影響會員活躍度？哪些瀏覽頁面和購物時的行為，代表著高度購物意願？他們打造這些模型，嘗試用大數據回答問題。

多年來，不只91APP交叉利用這些模型，來替零售業者分析會員消費歷程與行為，作為進一步會員經營的參考，更有不少零售業者研究、效仿這些零售大數據做法。甚至有零售業CIO認為，這些模型，是會員經營必須進行的數據分析模式。

積極投入GAI研究，生成式AI元年即推出臺灣零售專用AI

2022年底，ChatGPT橫空出世，打亂了91APP隔年的計畫。「當時2023年度計畫都快寫完，突然得大改。」李昆謀笑道。

為搶搭第一波浪潮，他們決定3個月內用生成式AI打造出零售應用。第一步，是利用OpenAI API，打造功能簡單，但能協助零售業者大規模處理基礎事務的功能。例如，生成商品文案、行銷訊息或Email等。

新功能一推出，大受零售業客戶的讚賞。但李昆謀的企圖不只如此，「單純呼叫技術龍頭的API，只是使用而非發展AI，說白點只是替OpenAI打工而已。」他認為：「本業是零售產業，就該在產業內，自己發展零售業專用AI。」

攝影／洪政偉

2023年6月，ChatGPT Plugin火紅。他設下目標時限，數據科學團隊必須在9月結束前，打造出一個用來服務零售業情境的外掛。

原本，資料科學家團隊還還有一系列傳統AI/ML技術的研發計畫。李昆謀一聲令下，他們緊急捨棄全部計畫，轉向研究生成式AI技術。「這些人被我逼著原地轉職，變成AI科學家團隊。」李昆謀開玩笑的說。

有了目標與時限，91APP數據團隊開始尋找產品開發方向。當時，李昆謀自己研究生成式AI應用時，嘗試過將新聞文章轉成嵌入向量（Embedding Vector），來比較關聯性和彙整資訊，以助自己快速吸收科技新知。他聯想，或許可以如法炮製，將零售商品特徵轉成向量，用於分群模型。

於是，他們初步實驗，用Embedding Model（嵌入模型）一次提取出比原本多出幾倍的數據維度，投入分群模型來嘗試。結果發現，其他技術維持原樣，光是數據維度更加豐富，就足以大幅提升了他們原有模型的準確度。

「數據量大幅提升導致模型效果飛躍性提升，很像當初OpenAI用前人未及的超大量Token訓練GPT模型，結果驚為天人一樣。」李昆謀評論。這個實驗大獲成功，也讓他們確定了用嵌入向量技術為基礎，來打造GPT外掛的技術方向可行。

接下來3個月，資料科學家團隊研究了數十篇論文，研究如何善用嵌入向量來找出高相關性資訊，讓ChatGPT用來生成零售問題的答案。

9月，他們推出名為一款用於購物推薦的ChatGPT外掛Jooii。這是GPT Store中，亞洲第一款電商類外掛，可以用來提供購物建議。例如，可建議指定送禮對象的禮盒，或是針對不同場合，來提供穿搭衣物的推薦。

年底，檢索增強生成（RAG，Retrieval-Augmented Generation）技術獲得業界更多關注時，李昆謀驚覺，這正是他們過往幾個月所做的事，更增強了他們對自家GAI技術方向的信心。於是，他們決定擴大投資，以這款外掛為基礎，打造出一整套零售業專屬的生成式AI系統。

借鏡經典ML做法搭配生成式AI，打造自家零售GAI平臺

如今的Jooii，是一套結合經典ML及生成式AI模型的零售業RAG平臺，串接了91APP不同電商系統和資料庫，結合多家指標性LLM，以及他們自行打造的「三塔模型」。

三塔模型是借鏡經典ML技術「雙塔模型」，打造而成的推薦用模型。傳統雙塔模型，是從兩個資料分類的特徵值捉對比較，挑選出高相似性項目，來支援推薦等目的。以零售業來說，常見做法是比對顧客特徵和商品特徵，再根據特徵值相似度，替顧客挑選出前幾名可能喜歡的商品。

91APP的三塔模型則是加入第三種資料分類「標籤」，收錄零售業用語標籤及商品產業別標籤等，描述情境的特徵值。李昆謀說明，就算是同一個詞彙，在不同的情境和脈絡下，模型推薦結果也應該不一樣。舉例來說，「巧克力」在食品產業指食物，但在服飾業多半是指顏色。將情境考慮進推薦過程後，模型面對瀏覽服飾商品的顧客，推薦結果就不會出現食品。

資料科學家團隊結合零售及數據科學領域的專業知識，產出2、3千種特徵維度，來輔助人與商品的配對。不過，細分上千種情境類數據，雖然能提升推薦精準度，卻帶來另一個挑戰。

李昆謀說明，標籤量太龐大、種類又多元，會導致計算時間過長，且雜訊過多。如此，實務上無法大量呼叫模型，來支援需要毫秒級反應速度的零售推薦情境。

於是，資料科學團隊重新聚焦數學面的技術研究，投資大量時間與算力，實驗如何降低三塔模型配對時檢索的維度數量，又不過度削弱推薦準度。

李昆謀表示，這是一個反覆試錯的過程。「有時花上三天計算，結果不行，就要全部重來。」最後，他們成功研發出一套降維演算法，能將三座塔的數千種數據維度統一降到512個維度，再進行相似度比較，且精準度與降維前幾乎相同。

現在，他們更開始打造專屬零售業的嵌入模型，期待相比通用型的嵌入模型，能產出更符合零售情境的嵌入向量，進一步提升模型推薦的精準度。未來，他們還計畫將Jooii發展成IaaS（Infrastructure a Service）產品，開放零售業客戶上傳自家訓練數據，來支援各自的GAI零售應用。

反覆用新技術解決相同零售需求，追求更高效率和更極致效果

回顧過去近十年自家研發的零售大數據應用，李昆謀反思，不斷追求最新技術、打造最新應用，都是聚焦相同的核心零售業需求，提出技術解。

「推薦、搜尋、貼標，放到不同地方就會有不同名字，但做的事情都一樣。」舉例來說，推薦功能用於商品頁是交叉銷售；放入eDM則是種個人化會員經營。

他們用自家研發的技術，投入近兩年零售業高度關注的RMN，也是一種善用推薦技術解決零售需求的例子。

他們利用生成式AI技術，根據商品、情境、顧客特徵，來支援廣告投放，以及尋找相似受眾。「不過，在RMN這個名詞熱門前，我們也早就有幫忙操作廣告的服務，只是方法跟形式不同。」他笑道。

李昆謀說明，一路走來，從最陽春的根據一口價來投放廣告、到代投即時競價廣告於外部平臺，或是最近更常見，結合多方數據來源，提供更多元行銷通路的投放，都是零售業經營數位行銷業務的不同形式。

「技術上，這些服務底層概念也都相同，就是用各種數據來推薦商品給顧客。」RMN只是將零售業幫供應商打廣告的定價和投放方法，變得更加系統化。不過，正是這個看似微小的改善，反映出他近十年來鑽研新技術所追求的價值。「讓技術解更有效率、更全面應用、達到更極致的效果。」

---

 CPO小檔案 

91APP產品長 李昆謀

學歷：臺灣大學資訊管理學士

經歷：15年前共同創立App製作服務公司宇軒數位擔任CEO，後帶領宇軒團隊加入91APP，擔任產品長12年至今。負責產品發展路線、系統架構，以及產品設計、行銷與定價。他也經營「零售的科學」部落格，分享零售IT知識及趨勢觀察

 公司檔案 

91APP

●地址：臺北市南港區八德路四段768巷5號6樓

●成立時間：2013年

●主要業務：為零售業提供OMO與D2C的數位零售解決方案及行銷解決方案，包括顧問、數位通路製作、系統整合、數據處理、廣告投放等

●員工數：600人

●年營收：16.19億元

●董事長：何英圻

 IT大事記 

●2013年：91APP成立

●2017年：陸續推出NAPL、DCIU、PAVO等模型，用於顧客消費行為分析

●2018年：推出「虛實融合（OMO）解決方案」

●2021年：股票掛牌上櫃

●2023年：開發零售生成式AI「jooii」，用於零售業者獲客、促進轉換和提升經營效率

●2024年：推出RMN 3.0服務，進軍臺灣數位廣告市場