傾向模型（Propensity Model）
運用機器學習計算每位顧客做出特定行為（如購買、回購、流失、回應促銷）機率的預測模型。讓品牌能依機率高低排序顧客，把行銷資源優先投放在最可能轉換的對象上，提升投放效率與報酬。
傾向模型（Propensity Model） 是什麼？
傾向模型回答的是「這位顧客有多可能做某件事」。它把顧客的歷史行為與屬性資料餵進模型，輸出一個介於零到一的機率分數，例如購買傾向、流失傾向、回應促銷傾向，作為精準行動的依據。 有了傾向分數，行銷就能從「全部都發」變成「擇優而發」。例如只對購買傾向高的顧客投廣告省預算，或對流失傾向高的顧客優先挽回，讓有限預算發揮最大效益，也避免打擾低意願顧客。 建立傾向模型需要足夠的歷史標記資料與特徵工程，門檻比規則式分析高，換來的是更細緻的顧客排序能力。它是預測性分析在行銷場景的具體應用。
舉個例子
台灣一家電商針對週年慶檔期，用傾向模型算出每位會員的購買機率，只對高分群投放付費再行銷廣告與專屬簡訊，廣告花費降低的同時，整體投放報酬率反而提高。
林 林克威說
林克威把傾向模型當成「行銷預算的篩子」。預算有限時，與其全員轟炸，不如先算出誰最可能買、最可能走，把錢花在分數高的人身上。我提醒別被機率數字迷惑，模型再準也要搭配 A/B 測試驗證。資料量不足的中小電商，先用 RFM 規則頂著就好，硬上模型反而事倍功半。
免費諮詢
想讓你的品牌在台灣電商「有勝率」地長大？
不論是平台代營運、品牌代理落地，還是 AI × 電商流程優化，加 LINE 直接聊你的狀況，我會給你具體可執行的方向。
- 針對你的品牌與通路，給具體可執行的建議
- 不推銷、不綁約，先把問題聊清楚再說
- 三大媒體電商專欄作家，2016 年起深耕電商