Treasure AI 推出 Personalization Studio 與點擊計費：解決 MarTech 兩大痛點

前言

身為數據與 CRM 顧問，我在協助台灣企業導入 CDP、BigQuery 以及 AI 自動化工具時，最常聽到行銷主管提出兩個深層痛點。

第一個痛點是「溝通與等待成本過高」：行銷團隊想在官網上架一個個人化活動，往往需要跨部門請資料工程師拉 Data Pipeline，再請前端網頁團隊設定 Event 追蹤與版面調整。等活動終於上線，最佳時機早已過去。

第二個痛點是「軟體收費與商業成效脫節」：企業每年支付龐大的 Email 傳送費用，但真正帶來互動與轉換的效益卻無法直接連動，甚至可能因為無差別大量群發而損害品牌形象。

在 2026 年的今天，當整體 MarTech 架構的核心重心逐漸向 AI 驅動應用與資料倉儲（Data Warehouse）轉移時，企業操作與落地數據的方式正面臨根本性洗牌。

Treasure AI 最新發表的產品與計費模式，正好直接撞擊了上述這兩大 MarTech 頑疾。這不只是一家 Vendor 的產品更新，更揭示了未來企業在建構 CRM 與個人化體驗時的必經之路。

發生了什麼：重點整理

在剛剛舉辦的 Agentic World 2026 大會上，Treasure AI 正式推出了面向行銷人員的「Personalization Studio」，並同時宣布了以顧客互動（Engagement）為核心的嶄新計費模式。

Personalization Studio 屬於 Treasure AI 旗下的 Agentic Experience Platform (AEP) 中 Personalization AI Suite 的一環。其最大賣點是提供無程式碼介面，讓行銷團隊能直接建置、上架與管理即時網站個人化體驗。

在技術架構上，該工具建立在統一的顧客數據基礎上，將批次 Profiles 數據（包含 Audiences、忠誠度狀態 Loyalty Status、歷史購買紀錄 Purchase History）與即時行為訊號（Real-time Behavioral Signals）進行結合，進而提供亞秒級（Sub-second）的個人化體驗。

Treasure AI 的 Chief Product Officer Rafa Flores 表示：「你無法直接坐在資料倉儲（Data Warehouse）裡做即時個人化，因為資料倉儲本身無法處理即時需求。」他強調，Personalization Studio 能讓行銷人員在 10 分鐘內建立完成一個個人化行銷活動。

除了產品升級，Treasure AI 也隨之推出了按互動計費（Engagement-based Pricing Model）的全新收費機制。將 Email 相關費用與顧客的實際行動（如點擊 Click）相連結，而非計算發送總件數。

Flores 指出，這種計費方式本質上是 Treasure AI 對其 AI 平台智慧能力的一場豪賭。既然平台能透過數據智慧帶來更高成效，廠商便敢於「下注在點擊率（Click-through Rate）上」。

這一趨勢並非孤例。隨著 AI 技術嵌入各大 MarTech 平台，軟體商正紛紛重塑定價機制。例如 HubSpot 近期在 EMEA 地區對新客戶推出了新定價，而 Salesforce 旗下的 Agentforce 也在發布後持續調整其價格策略。

為什麼重要：對數據、行銷與 CRM 團隊的影響

這場發布會對台灣企業的行銷、數據與 CRM 團隊而言，釋放了極為關鍵的架構性訊號。

首先是「技術依賴的解耦」。過往企業若為了網站個人化而額外購買獨立工具（Standalone Tools），往往需要建立專屬的資料整合、 Data Pipeline 與 Profile Stores。

這種碎片化的 Stack，導致行銷人員每次想更動內容或啟動新策略，都必須排單等待資料與網站工程團隊支援。Personalization Studio 的邏輯是將 Profile 底層統一，把操作權交還給前端行銷人員，大幅壓縮 Time-to-Market。

其次是正視「資料倉儲的天然邊界」。許多企業在建置雲端資料倉儲（如 BigQuery）後，常誤以為直接靠 SQL 就能搞定所有即時行銷。但資料倉儲的優勢在於深度批次分析，而非亞秒級的高併發即時回應。

Treasure AI 的做法展示了標準的現代數據架構：由資料倉儲或 CDP 託管靜態的 Audiences、Loyalty Status 與 Purchase History，前端則利用即時行為訊號快速比對，這才是實現亞秒級個人化的可行解法。

最後是「軟體計費邏輯的轉變」。過去按發送量計費的模式，容易誘導企業進行無差別的大量發信（Blast Messaging），反而造成 Stack 膨脹與噪音。

當收費轉為按點擊（Clicks）等互動行為計算時，企業與廠商的利益達成了一致——廠商必須確保 AI 模型的推薦足夠精準，激發點擊，企業才付費；這將倒逼行銷團隊從「衝量」轉向「追求高質量個人化互動」。

實務應用：台灣企業可以怎麼做

面對國際 MarTech 廠商的這波演進，台灣企業在規劃 CDP、CRM 與 AI 應用時，可以採取以下具體策略。

在零售電商領域，過往行銷團隊若要針對高卡別會員（Loyalty Status）進行即時限時優惠推播，通常需要工程團隊協助撰寫動態版面與邏輯。（推測）若採用結合批次 Profile 與即時行為的個人化工具，行銷人員可直接設定當該會員瀏覽特定品類超過特定次數時，在 10 分鐘內完成亞秒級動態 Banner 上架。

在金融保險（InsurTech）領域，顧客的投保紀錄與風險等級（Purchase History）屬於嚴格控管的批次資料。（推測）金融行銷人員可將這些靜態特徵作為底層標籤，當客戶在官網試算房貸或車險時，結合前端即時點擊訊號，即時呈現專屬的線上諮詢入口，無須每次動用 IT 團隊進行系統改版。

對於 B2B 或科技產業而言，避免 Tool Bloat（工具膨脹）是當務之急。引進新工具前，應檢視是否會造成全新的 Data Pipeline 負擔。

企業應優先打造可複用的 Prompt 框架、Prompt Logs 以及 Guardrails（安全圍欄），確保 AI 自動化生成內容時不會失控，並避免 AI 使用成本迅速失控。

行銷與 CRM 負責人應重新檢視現有的行銷自動化合約，尤其是 Email 傳送成本。在未來採購軟體時，可主動向 Vendor 提出按成效或互動（Engagement）計費的條款談判。

導入評估：成本、風險與限制

儘管無程式碼與點擊計費極具吸引力，企業在評估導入類似平台或機制時，仍需保持清醒的風險意識。

第一，工具膨脹與資料孤島風險。若企業在缺乏統一數據基底的情況下，冒然導入獨立個人化工具，只會重複產生 Data Pipeline 與 Profile Stores，讓技術團隊維護負擔更重。

第二，即時運算與架構成本。亞秒級個人化背後仰賴強大的即時引擎。若企業本身的資料品質不良，或是 API 傳遞延遲，即便是 Personalization Studio 也難以憑空發揮成效。

第三，按點擊計費的預算控制風險。雖然按點擊計費能確保 ROI，但若行銷活動出現異常高點擊卻缺乏最終轉換，行銷預算可能會快速消耗。因此必須建立完善的轉換追蹤與監控機制。

第四，AI 治理與 Guardrails 缺位。AI 自動化與即時推薦若沒有適當的權限管控與 Prompt Logs 記錄，可能會輸出不合合規要求或偏離品牌調性的個人化內容。

評估引進任何最新 AI 策略之前，決策者應要求團隊提供具體證據、實務經驗與可複用的效益成果，確保軟體解決的是真實經營痛點，而非僅僅是追逐科技熱點。

給決策者的行動清單

為了將這一趨勢轉化為企業內部的落地行動，我建議行銷、CRM 與數據負責人可以立即採取以下 4 個步驟：

• 盤點現有 MarTech Stack 的技術依賴度：審視行銷團隊上架一個個人化官網活動或修改內容時，是否仍需要排單等待 Data 與 Web 團隊支援；計算平均 Time-to-Market 時間。
• 重新劃分 Data Warehouse 與即時行銷的邊界：明確將 BigQuery 等資料倉儲定位為深度批次分析與 Profile 儲存中心，將亞秒級個人化推播交給專屬的即時 Decisioning 工具處理。
• 評估 Email 與溝通工具的計費結構：檢視目前行銷工具（如 Email / SMS）是按發送量還是按點擊互動計費，試算改用 Engagement-based 模式後的成本變化與 ROI 提升空間。
• 建立 AI 自動化與個人化的 Guardrails：在推動 AI 產生個人化體驗時，同步建立 Prompt Logs、內容複核機制與成本上限警告，防止 AI 使用成本迅速失控或產生合規風險。

建議追蹤的核心 KPI：

• 行銷活動上架時間（Time-to-Market）：從行銷概念提出到個人化活動上線的時間（目標縮短至分鐘級）。
• Email / 管道點擊率（CTR）與每點擊成本（Cost per Click / Engagement）：衡量個人化推薦智慧是否真正帶動顧客互動與預算效率。
• 數據與網頁團隊支援工時（Engineering Ticket Volume）：行銷團隊因個人化需求向技術團隊提出需求的 Ticket 數量降幅。

延伸閱讀

• A Seller Pain Point, Small Squad, and a Solution That Shipped in Weeks
• Trustworthy, Explainable, and Accountable: How to Give AI Autonomy Without Letting It Run Wild

傑森數據 Jason Analytics 協助企業以數據與 AI 驅動 CRM 與行銷成長。歡迎轉載（請註明出處）或洽詢顧問合作。

原始報導： Treasure AI takes on two martech headaches at once — MarTech.org