---
title: "MarTech 架構圖實戰解析：從資料源到推薦系統，一圖掌握資料驅動行銷"
slug: data-driven-marketing
url: https://irenexailab.com/posts/data-driven-marketing
published_at: 2025-04-04
modified_at: 2025-04-04
author: "Irene Chen "
category: "資料分析實戰案例"
tags: ["Martech", "CDP", "行銷應用", "推薦演算法", "資料市集"]
access: public_access
---

# MarTech 架構圖實戰解析：從資料源到推薦系統，一圖掌握資料驅動行銷

> 涵蓋資料來源、資料市集、推薦演算法到行銷應用，實務端 MarTech 架構分享。

By **Irene Chen ** - Halo Project 共同創辦人、資料分析講師 | 2025-04-04

今天想和大家分享我在資料職涯中所累積的行銷科技生態系實戰經驗。這個領域可以延伸的面向非常多，今天就以我職涯中最常實作的「分群」與「推薦系統」為主軸，畫出以下的架構圖，帶大家看看數據驅動行銷的基本架構。 以上這張簡易的架構圖，是我在多年實務經驗累積下，靠實務經驗整理出的邏輯圖。它陪我走過許多案場與提案，特別是在顧問公司面對不同產業的客戶時，成為我腦中最重要的參考地圖。以下我將從架構圖的最下層往上說明：一、資料來源（Data Source）▸ 初期階段大多數企業最早期掌握的資料，通常包括：訂單資料（Order）會員資料（Customer Profile）商品資料（Product Name & Description）這些資料已足以支撐基本的 CRM 分析，例如：哪些商品創造最高銷售額？哪些客戶為主要貢獻者？▸ 中後期階段隨著數位轉型推進，企業開始注意到用戶在網站或 APP 上留下的行為足跡（User Browsing Behavior）愈來愈重要。這些資料能幫助企業掌握從「認知 → 興趣 → 決策」的整體旅程。也正因為這些軌跡資料的累積，使得推薦系統得以蓬勃發展。當我們開始追蹤瀏覽、點擊、收藏等行為，演算法就能從中分析客戶的偏好，揭開「他們究竟喜歡什麼」的神秘面紗。此外，若能蒐集使用者對商品的主觀評價（User Rating），如星等或評論，則能進一步強化推薦模型的精準度。這類資料就如同我們在 Google Map 上給商家打分一樣，極具參考價值。 二、資料市集（Data Mart / CDP）當原始資料被收進資料倉儲後，接下來的重點是轉換成更有商業意義的資料模型。這就是「資料市集（Data Mart）」的角色。常見的像是：商品標籤客戶標籤這一層的資料結構能大幅提升系統運算效率，也更容易整合進 BI 工具中，幫助行銷團隊進行視覺化分析與決策。這裡也談一下 CDP（Customer Data Platform）：我個人經驗中，大多企業真正需要的其實是客戶標籤與分群能力。但市面上許多 CDP 廠商常會包山包海，包括資料整合、演算法、行銷自動化等功能，對很多中大型企業來說，這些功能早已分散建置或委外給其他工具，反而難以整合。回歸本質，做好客戶標籤，才是最實用的起點。 三、推薦系統（Recommendation Engine）推薦系統有非常多種演算法，以下分享我在職場上最常應用的幾種： (1) Top N 推薦（熱門/新品推薦）依據銷售數據排序，推薦熱銷商品，或配合新品推廣 KPI，在網站顯示「新品推薦」版位。這類演算法偏向 Rule-Based 規則式與基礎統計即可完成。 (2) 物品相似度推薦（Content Similarity）我經常用 Netflix 為例：第一次註冊時還沒有個人觀影紀錄，但系統會提供多元片單，讓用戶選擇偏好（這也是冷啟動的解法之一）。當我選了《全面啟動》，系統隨即推薦《隔離島》，這是根據演員相同、電影類型相近等特徵計算出來的推薦邏輯。 (3) 購物籃分析推薦（Basket Analysis）這類推薦基於「哪些商品經常一起被購買」的概念。例如：我曾在 Pinkoi 購買品酒課程，系統之後就推薦我咖啡製作體驗課，推測是因為這兩類課程常被相同用戶購買或瀏覽。 (4) 個人化推薦（Personalized Recommendation）這是目前最常見也最細緻的推薦方式，依據用戶的瀏覽與評分紀錄，提供個人化推薦，常見分為兩類：Item-based Collaborative Filtering：A 商品與 B 商品經常被同一位顧客購買，當你看了 A，系統會推薦 B。User-based Collaborative Filtering：當你與另一位用戶行為高度相似，系統會推薦對方買過或喜歡的商品給你。四、前端呈現 (Front-end)以電商為例，在電商平台中，推薦系統的結果會嵌入網站或 App 的多個關鍵版位，例如首頁、商品詳情頁、購物車頁、結帳頁、甚至是會員中心與活動頁。這些推薦版位的設計，不只是為了提升體驗，更是優化轉換率與提高客單價的關鍵工具。不同的頁面代表使用者處於不同的購物階段，因此推薦策略也應因地制宜：首頁：用戶多處於「探索」或「逛街」階段，適合放置「熱銷商品」、「新品推薦」、「為你精選」等 Top N 或個人化推薦，吸引用戶點擊進一步瀏覽，增加停留時間與轉換機會。商品詳情頁：此時使用者已展現明確興趣，是導入「相似商品推薦」或「看過此商品的人也看了…」的最佳位置，可延伸使用者的比較行為並刺激更多商品的曝光與點擊。購物車頁：此階段的推薦重點在於「加購」或「搭配商品推薦」，例如：「也許你會需要」、「常與此商品一起購買」，可有效提升加購率與客單價。結帳頁面：推薦內容需更克制，避免影響結帳流程，常見做法是搭配一些輕量推薦，例如「免運門檻再加購一項商品」的提示。推薦版位的設計與邏輯，不僅關乎演算法的準確度，更涉及 UX 設計、商業目標與客戶旅程的整體連動。透過針對不同頁面設計對應的推薦策略，才能真正發揮推薦系統在電商中的商業價值。 五、行銷工具 (Marketing Tools)除了網站上的推薦版位，推薦系統也會透過各種行銷工具觸及使用者，例如：Email 行銷APP Push廣告系統LINE 官方帳號推播這些工具要求精準投放，以避免名單廣發造成用戶疲勞。此時，若能結合前述的客戶標籤與分群結果，就能更精準設定 TA、提高轉換效率、降低成本。我也在架構圖中加入了 BI 報表的 icon，代表企業內部常用的商業分析工具（如 Excel、Google Sheet、Tableau、Power BI、Lokker Studio 等）。這些工具能讓行銷人員快速自助產出數據分析結果，支援策略判斷與向上報告的需求。這份架構並不是教科書裡的標準答案，而是我在實戰中一點一滴整理出來、陪我完成無數提案與專案的心法地圖。它也許無法涵蓋所有產業與情境，但在行銷科技領域裡，它確實幫助我快速釐清問題、有效推進方案。希望這篇文章能帶給你一些靈感，不論你是資料分析師、行銷人、產品經理，或是正在探索數據職涯的你，都能找到對自己有用的切入點。謝謝你閱讀完這篇文章，如果喜歡這篇文章，也歡迎加我的 IG : @irene.ds.life 跟我有更多討論。