Page 90 - 36-1

Integrating Artificial Intelligence into Product Life Cycle Value and Activity Value Management: A Case Study
of P Channel Agent

競品資訊，均對模型建構之複雜性與解釋力造成限制。又，本研究在資料層級與可
得性方面仍存在限制。由於無法取得實際購買產品之消費者個體層級資料，研究僅
能以各通路所在地區之村里人口統計變數作為外部變數代理，進行 PLCV 與消費者
特徵之關聯分析。此限制導致迴歸模型解釋力偏低，惟此方法仍能反映出不同地區
消費結構對產品獲利力的影響趨勢。

2. 研究模型之限制
由於 PLCV 之實證模型在現有文獻中尚屬初探階段，本研究乃參考顧客終身價
值模型加以延伸應用。然而，在模型設計上，本研究採用部分簡化假設，例如假設
產品每年淨利為平均分配，未能納入市場競爭、消費行為變化與組合策略之非線性
影響，可能導致推估結果偏離實際。此外，本研究並未明確將產品在生命週期中所
處階段（導入、成長、成熟、衰退）納入分類辨識，導致相關策略推論多屬理論假設，
未能與實務運作緊密連結。

3. 樣本與變項設計之限制
本研究在樣本結構上亦有若干不足。於個案公司約 1,500 項商品中，自有品牌
與經銷產品僅佔 7%，樣本基數過小，限制了對不同商品型態（如代理、自有、經
銷等）進行分類比較與群體分析的可能性。此外，雖透過深度訪談蒐集了競爭強度、
內部行銷創新與組合策略等質性資訊，但未進一步轉化為實證模型中的可觀察變
項，亦可能限制對 PLCV 之因果推論與預測精度。
4. 制度性與系統性資料限制
由於個案公司在導入 AVM 系統前，尚未建立系統性成本歸屬機制，特別是在
顧客服務與產品管理成本的分攤上無法精確計算，致使本研究無法就導入前後之

PLCV 進行對照比較。此一限制不僅限制了本研究在檢驗制度變革效果上的能力，
也凸顯 AVM 系統在提升成本資訊透明度與決策價值評估上的關鍵角色，進一步強
化本研究對企業導入該系統之管理建議。
（二）未來研究方向
綜合上述研究限制，未來研究可從以下幾個主要面向進行延伸與深化。首先，
在資料層級方面，未來研究若能取得更細緻之個體層級消費者資料（如年齡、收入、
教育背景與實際購買行為），將有助於強化 AVM 與 PLCV 模型於個體決策支援與

精準分析上的應用價值；同時，亦可擴大樣本規模與商品類型覆蓋範圍，特別納入
更多自有品牌與經銷產品，以利比較不同產品類型於生命週期與價值創造模式上的
差異。
其次，在模型建構與變數設計方面，未來研究可引入更多外部環境與情境變數
（如產業競爭強度、市場趨勢與總體經濟指標），以建構更完整之因果關係架構，
並進一步提升模型之解釋力與實證適用性。此外，亦可結合具可解釋性的人工智慧

82