美業代理商導入 AI，為什麼常常用一陣子就沒人用了？

美業代理商提出的 AI 需求，幾乎都不是單一項目。問「想解決什麼」，答案通常是銷售、行銷、客服三塊都想做。

這個「都想做」本身沒有錯，因為代理商的日常確實同時橫跨這三件事。但如果照著三塊分別導入三套工具，結果多半是用一陣子就沒人用了。原因不在工具。

代理商的結構性難題：資料是斷開的

代理商在通路裡的位置很特殊：上游是品牌方，下游是門店、沙龍或美容師。而這條鏈上的資料，分屬三個不同的人：

• 品牌方掌握產品規格、成分、教育訓練素材與行銷規範
• 代理商掌握出貨紀錄與通路名單
• 門店掌握真正的客戶行為——誰買了什麼、多久回購、為什麼不回來

代理商是唯一需要對全鏈路負責、卻是唯一兩頭資料都不完整的角色。這是理解美業代理商數位轉型的起點。

放到三個需求上看，問題就具體了：

銷售預測需要門店的實際銷售資料，但門店沒有義務回傳，也常常沒有系統可以回傳。代理商手上只有自己的出貨數字，那反映的是通路庫存，不是終端需求。用出貨資料做需求預測，等於在預測自己的猜測。

行銷素材受品牌方規範限制。多數品牌對於成分描述、療效用語、視覺呈現都有明確規定，代理商不能自由產出。這一塊 AI 能加速的是「在規範內產出更多變體」，不是「自由創作」——如果導入時沒把規範餵給工具，產出的東西都不能用。

客服的問題多半集中在產品使用方式、成分疑慮與教育訓練，正確答案在品牌方手上。代理商自建的客服知識庫如果沒有跟品牌方的資料同步，就會出現「回答得很流暢但講錯」的狀況，而在美業，講錯成分是有風險的。

為什麼會停用

把上面三件事放在一起看，停用的原因就浮現了。它們不是三個獨立問題，而是同一個問題的三個面向：資料的所有權分散在不同人手上，而導入工具的人沒有權限去整合它。

常見的發展是：三塊各自導入一套工具，各自產出還可以的初步成果，但因為資料源頭沒打通，成效無法累積，也無法歸因。三到六個月後，沒有人能說清楚這套東西到底帶來什麼，續約時就停掉了。

比較務實的順序

一、先問資料在誰手上，再問要用什麼工具。如果關鍵資料在門店或品牌方手上而你拿不到，那個題目就先不要做，無論工具多好。

二、從代理商自己完全掌握的資料開始。出貨紀錄、詢價紀錄、客服對話紀錄——這些不需要跟任何人協調就能用。先在這裡做出可衡量的成果，之後才有籌碼去談資料交換。

三、指定一個人負責整條流程，不是負責一個工具。這是最關鍵、也最容易被跳過的一步。工具可以外包，流程的所有權不行。

先合併資料，還是先做 AI？

這是美妝通路最常問的問題，而答案通常讓人失望：兩件事要同時做，但順序不能顛倒。

完全等資料合併完再做 AI，會等到天荒地老——通路商的系統是十幾年累積的，POS、電商、LINE、實體門市各一套，全部整併是好幾年的工程。

但完全不處理就做 AI，結果是系統回答得頭頭是道，數字卻對不起來。在零售業，數字對不起來比沒有系統更糟，因為會有人拿去做決策。

務實的順序是：先選一個題目，只整併那個題目需要的資料。例如要做「這個客人適合推薦什麼」，就只把會員基本資料與購買紀錄對齊，暫時不碰庫存與物流。

一個容易忽略的資料品質問題

美妝品的品項資料特別容易亂：同一支口紅可能在 POS 叫「#12 玫瑰豆沙」、在電商叫「玫瑰豆沙色 3.5g」、在庫存系統叫料號「LP-0012」。

人看得出來是同一支，系統看不出來。做任何跨通路分析之前，品項對照表是必要的前置工作，而這件事沒有捷徑，需要人工核對。

常見問題

美妝通路做 AI，最大的障礙是什麼？

資料分散在多套互不相通的系統：POS、電商平台、LINE 官方帳號、實體門市各有一份，而同一項商品在各系統的名稱與編碼往往不一致。人看得出是同一支口紅，系統看不出來。因此任何跨通路分析之前，品項對照表是必要的前置工作，且需要人工核對，沒有捷徑。

該先整併資料還是先做 AI？

兩件事同時做，但順序不能顛倒。等資料全部整併完再做 AI，以通路商十幾年累積的系統來說要等好幾年；但完全不處理就做 AI，會出現系統回答流暢但數字對不起來的情況，而在零售業數字對不起來比沒有系統更糟。務實做法是先選定一個題目，只整併那個題目需要的資料。

從哪個題目開始最合適？

選資料來源最少、且結果可驗證的題目。例如「這位客人適合推薦什麼」只需要會員基本資料與購買紀錄對齊，暫時不必碰庫存與物流；而且推薦結果好不好，門市人員當下就能判斷。避免一開始就做需要串接四五個系統的題目。

出處與延伸依據

本文為賴家榮的顧問現場觀察，非編譯外電，不含實測統計數字。

資料品質作為 AI 系統可信度前提的框架性依據，可參考 NIST AI Risk Management Framework（AI 100-1，2023 年 1 月 26 日發布），該框架供自願採用。本站導讀見此篇。

延伸來源

以下為與本文論點相關、且經實際查閱確認的外部來源。標示為預印本者尚未經同儕審查，引用時請留意。

• NIST, "AI Risk Management Framework"（NIST AI 100-1，2023-01-26）：www.nist.gov
• Anthropic, "Economic Index report: Cadences"（2026-06-26）：www.anthropic.com