服飾店會員個人化穿搭推薦與回購喚醒流程

🎯 這條流程解決什麼

服飾店最值錢的隱性資產，是那一份累積了好幾年的會員名單——誰穿 M 號、誰偏愛大地色、誰每季都會回來買洋裝。但絕大多數店家把這份金礦當成普通通訊錄用：每次上新品就無差別群發一封一模一樣的廣告，新客舊客、買過洋裝的和只買過配件的，全收到同一張圖。結果開信率低、轉換率更低，會員久而久之把店家訊息當成垃圾訊息直接略過，甚至封鎖退訂。

純人工要做到「一人一推薦」幾乎不可能。一間會員上千人的店，店主若要逐一翻每位會員的購買紀錄、回想她的尺寸與風格、再從上百件在庫新品裡挑出最對味的、配成整套、寫一段不尷尬的推薦訊息——一位會員光是這樣做就要十幾分鐘，一千位會員等於要花上百小時，根本是天方夜譚。所以實務上沒人這樣做，個人化淪為口號，會員經營停在「群發」的原始階段。

更可惜的是「沉睡會員」。每間店都有一批半年、一年沒回來的老客，她們其實只差一個對味的理由就會再上門，但沒人主動撈出這份名單、沒人替她們挑東西、沒人遞出那個剛剛好的折扣，於是這些原本的常客就這樣靜靜流失，等同把已經付過獲客成本的客戶白白丟掉。

導入後的改變

導入前，會員經營是「全店一封信、群發碰運氣」；導入後，是「一人一套穿搭、按週精準觸及」，連睡著的老客都被一個個喚醒。

以一間擁有約 1,500 名會員、每週推播一次的中型服飾店估算：

• 個人化推薦讓推播開信率從約 15% 提升到 30% 以上，點擊轉換率翻倍，因為會員收到的是「她的尺寸、她的色系、她會想穿的整套」。
• 過去要上百小時才能做完的逐人選品與寫文，現在交給流程自動完成，店主每週只需花約半小時審核名單與微調，等於用一個人力做出十個人力的會員關懷。
• 沉睡會員喚醒名單每月撈出一批久未回購的老客，搭配回娘家折扣，喚回率穩定維持，把已付獲客成本的客戶重新變現。
• 整體會員回購率明顯提升，把「一次性買完就走」的客逐步養成每季都回來的常客。

流程怎麼運作

對應 frontmatter 的四個節點，從建立輪廓到精準觸及一氣呵成：

1. 偏好彙整（🧬）：流程從會員資料庫與訂單試算表彙整每位會員的歷史資料——常買尺寸、慣穿風格（甜美／簡約／韓系／知性）、偏好色系、客單價與消費頻率，建立一份可被比對的「偏好輪廓」。每完成一筆新訂單，輪廓就即時更新，越買越準。

2. 選品配套（🎯）：AI 推薦模型拿著每位會員的偏好輪廓，從目前在庫的新品裡挑出最對味的單品，並進一步配成上下身整套穿搭，附上一句具體的搭配理由（例如「這件鬆餅針織配你常買的直筒褲，剛好延續你偏好的簡約感」），不只賣單品，而是賣一套解決方案。

3. 訊息生成（✍️）：AI 文案模型為每位會員生成口吻自然、像店員私訊般親切的個人化推薦訊息，帶上她的專屬商品連結與適用優惠，避免罐頭式的生硬廣告語。

4. 沉睡喚醒（💤）：流程另外撈出久未回購（如超過 90 天）的會員，獨立成喚醒名單，搭配「回娘家折扣」與新品預告，用更有誘因的方式主動喚回，把快流失的常客拉回來。

更多會員經營與個人化行銷的招式見 /recipes，整套自動觸及邏輯也可延伸成完整的 /automation 會員生命週期體系。

需要的工具與串接重點

• 會員資料庫 / 試算表：偏好輪廓的資料來源，是整條流程的地基。資料越乾淨（尺寸、風格標籤齊全），推薦就越準，建議結帳時就引導補齊風格偏好。
• AI 推薦模型：負責「比對偏好 × 在庫新品」的選品配套。可從規則式（標籤比對）起步，再進階到向量相似度推薦。
• AI 文案模型：把選品結果寫成自然口吻的個人化訊息。建議在提示詞裡固定品牌語氣與禁用誇大字眼，輸出更穩定。
• Line 官方帳號：台灣會員最主要的觸及通路，開信率遠高於 Email，適合做個人化推播與沉睡喚醒。
• n8n / Make：串接中樞。用「每週定時排程」觸發全體推薦、用「新訂單完成事件」即時更新偏好輪廓，兩條觸發並行。

串接注意點：庫存與優惠必須即時同步，避免推了已售完的單品或失效的折扣；建議推播前用 API 再查一次在庫與價格。整條流程可前接新品上架流程，讓新貨一到就進入推薦池。

常見錯誤與注意事項

• 個資合規是紅線：會員的消費紀錄、尺寸與聯絡方式都屬個人資料，蒐集與使用須取得會員同意並符合個資法，僅供內部推薦與關懷，不得外流或轉售。
• 頻率要設上限、退訂要立即停：推播訊息頻率請設上限避免擾客，會員一旦表達退訂須立即停止發送，這不只是禮貌，也是法規要求。
• AI 推薦與優惠須人工確認：AI 推薦僅為建議，實際優惠、庫存與價格請以系統人工確認後為準，避免推了缺貨或標錯價的商品引發客訴。
• 別讓自動化變成冷冰冰：個人化訊息若口吻太機械反而扣分，建議定期抽查文案，維持像真人店員的溫度。

台灣中小企業情境案例

台南一間走簡約韓系風的女裝店「衣日和」，會員約 1,200 人，過去店長小琪每次上新品就把同一張型錄圖群發到全體 LINE，開信寥寥無幾，她自己也覺得在打擾人。她很想針對每位客人推薦，但一個人顧店根本沒時間。

導入這條流程後，系統依每位會員的尺寸與風格自動配出整套穿搭、寫好親切的推薦訊息，每週自動推播。小琪每週只花半小時審一下名單就好。第一個月推播點擊率就翻了一倍多，會員回訊「你怎麼知道我正想找這種褲子」的反應變多。她特別愛沉睡喚醒功能——系統撈出一批半年沒來的老客，配上回娘家折扣，喚回了二十幾位，其中好幾位後來變回每月都來的常客。小琪說，「以前是亂槍打鳥，現在像每個客人都有專屬店員。」

延伸應用

這條流程可搭配 新品上架同步流程 讓到貨新品第一時間進入推薦池；或接續 換季促銷流程 把個人化推薦延伸到檔期行銷，依會員偏好客製檔期主打。再進一步，可加上「生日／會員週年」自動關懷、依購買生命週期推不同訊息（首購引導、回購誘因、VIP 專屬），或結合穿搭社群內容做更軟性的觸及。把這套輪廓資料沉澱下來，就是一座越用越聰明的會員行銷引擎。

💡 使用提醒：會員的消費紀錄、尺寸與聯絡方式屬個人資料，蒐集與使用須取得會員同意並符合個資法，僅供內部推薦與關懷，不得外流或轉售。推播訊息頻率請設上限避免擾客，會員若表達退訂須立即停止發送。AI 推薦僅為建議，實際優惠與庫存請以系統人工確認後為準。

流程圖

用到的工具

更多「零售商店」工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →