Page 57 - 36-1

NTU Management Review Vol. 36 No. 1 Apr. 2026

研究使用數據分析理解顧客行為和優化產品策略的方法緊密相關。Bradlow, Gang-
war, Kopalle, and Voleti (2017) 則探討大數據和預測分析在零售業中的應用，特別是
在庫存管理和定價策略方面，為本研究使用 AVM 系統數據分析產品績效提供堅實
的理論支持。最後，Dekimpe (2020) 討論大數據分析如何徹底改變零售研究和實務
應用，特別強調數據驅動的個性化策略在零售中的應用。這與本研究使用數據分析

分析產品績效和顧客行為的方法高度相關，為如何利用數據優化通路代理商的行銷
策略提供新的視角。
在顧客終身價值 (Customer Lifetime Value; CLV) 的應用邏輯中，顧客價值被視
為企業資產，且須持續管理其取得、維繫與擴展階段 (Kumar and Reinartz, 2012)。
然而，過去文獻多集中於以顧客為主體，忽略了產品本身在市場上的生命週期對顧
客互動的影響。正如 Rust, Lemon, and Zeithaml (2001) 所言，顧客對產品價值的感
知隨時間、品牌再定位與市場更新而變動，企業若能同步掌握產品與顧客之間的關

係，將更有效實現「顧客價值最大化」的策略。
因此，本研究所提出之 PLCV 概念，即以 CLV 的邏輯為基礎，延伸至以產品
為評估主體，將整體顧客群在產品各階段所產生的淨現金流量加總後估算產品全生
命週期所帶來之價值。此概念不僅補足傳統 CLV 未將產品演進納入考量之缺口，
也與 Kumar and Reinartz (2012) 所提出之多階段顧客互動模型一致：當產品進入不
同階段時，對應的顧客行為亦需調整行銷資源配置策略。
本研究認為，CLV 中常用的推薦系統模型（如 Next Best Offer、升級推薦、產
品組合建議）在 PLCV 中亦具高度應用價值。當產品進入不同生命週期階段時，
可透過推薦系統向適當顧客推薦升級品、新品或替代品，延長其顧客關係並間接

延長產品貢獻期。此一邏輯係延伸自 Rust, Lemon, and Zeithaml (2004) 對顧客資產
(Customer Equity) 管理的建議，而本研究首次將其架構由「顧客管理導向」轉化為
「產品生命週期導向」，擴展其策略意涵與應用層次。
本研究所引述之部分文獻（如 Verhoef, Reinartz, and Krafft, 2010; Rust, Zeithaml,
and Lemon, 2000）確實多數建立於消費者層級之問卷資料與購買行為觀察，其分
析重點在於個體層次的決策傾向與品牌互動歷程，與本研究採用的「通路代理商實
際銷售資料」在資料型態與決策對象上確有明顯差異。前者為「微觀層次的態度
資料」(Micro-level Attitudinal Data)，後者則為「中觀層次的交易資料」(Meso-level

Transactional Data)。
然而，這兩類資料間仍存有可對應之理論關聯：消費者行為的總體趨勢最終
將透過銷售結果於通路層級反映 (Kumar and Reinartz, 2012)。基於此一理論觀點，
通路代理商的數據雖為加總後之行為結果，但仍可視為反映多數終端顧客對產品選
擇、組合接受度、價格敏感度等的集體展現。近年通路研究即指出，價值係透過顧

49