📊 Klaviyo 預測分數 $250/月太貴?用試算表做出 80% 準確度的平民版

為什麼台灣中小電商需要預測分數?

打開 Klaviyo 後台,你會看到三個讓行銷人眼睛發光的欄位:Expected CLV(預測終身價值)、Churn Risk(流失風險)、Predicted Next Order Date(預測下次下單日)。這三個分數背後是 ML 模型,告訴你「這個顧客接下來會花多少錢」「下週就要跑了」「再 12 天會回購」。聽起來像魔法,但用起來的代價是 Klaviyo Advanced 方案,起跳就 $250 美金/月——換算台幣 8,000 上下,而且這只是 Email + SMS 模組,要再加 Reviews、Subscriptions 都另外計算。

對台灣中小電商來說,這個價錢卡得很尷尬。月營收 50 萬以內的店,毛利大概就是 10-20 萬,光是行銷工具就花 5% 進去,老闆會問:「我不能用 Excel 自己算嗎?」答案是:可以,而且可以做到 80% 的準確度。

我幫一家月營收 30 萬的保健食品電商做過實驗——把 Klaviyo Expected CLV 跟我用試算表算的結果交叉比對:

• Top 10% 高 CLV 客群的命中率:Klaviyo 抓出 47 人,試算表抓出 51 人,重疊 41 人,命中率 82%
• 30 天內流失預警的命中率:Klaviyo 預警 18 人,試算表預警 22 人,重疊 15 人,命中率 83%
• 下次下單日預測誤差:Klaviyo 平均誤差 ±5.2 天,試算表平均誤差 ±7.1 天

差距存在,但對中小電商來說這 80% 的命中率已經足夠驅動 90% 的行動——你又不是要做精準到日的廣告投放,你只是要分群打 EDM、設自動化流程、看誰要再加碼挽留。同樣的事 Klaviyo 一個月 $250,試算表 $0,省下的錢拿去買廣告或進貨,ROI 高太多了。

更重要的是,你看得懂自己算的分數背後在做什麼。Klaviyo 給你一個數字,你只能信。Excel 公式拆開來看,你會懂客戶為什麼分這群、為什麼風險高、為什麼預測會買——這個理解力,長遠看比任何工具都值錢。

拆解 Klaviyo 預測分數的原理(其實不需要 ML)

Klaviyo 官方文件把預測分數講得很神秘,但去看他們的 Engineering Blog + 學術論文,你會發現核心邏輯不是深度學習,是統計模型。對中小電商來說,這代表你不用 Python、不用 TensorFlow,只要懂 RFM + 一點機率分布,Excel 就能跑。

Expected CLV 的本質:歷史消費 × 預期生存期

Klaviyo 的 Expected CLV 拆成兩個變數:

• 預期還會花多少錢(Future Spend):用「過去 N 次消費的平均金額」× 「預期還會買幾次」
• 預期生存期(Survival):用 Pareto/NBD 模型,根據「最後一次購買距今多久」推算「還在活躍的機率」

Pareto/NBD 聽起來很嚇人,但本質就是一句話:「最近有買 + 買得頻繁 = 接下來繼續買的機率高;很久沒買 + 本來就不常買 = 跑了」。這個直覺人人都有,只是學術界把它寫成公式。

Klaviyo 的 Expected CLV 約等於:

「平均客單 × 預期回購次數 × 仍活躍機率」

中小電商版的簡化公式:

「歷史平均客單 × 未來 12 個月預期訂單數 × (1 - 流失風險分數)」

實作上甚至可以更粗暴:過去 90 天有買 = 活躍(係數 1.0)、91-180 天 = 半活躍(係數 0.5)、180 天以上 = 流失(係數 0.1)。粗到不行,但跑出來的 Top 10% 客群跟 Klaviyo 的重疊度照樣 80%。

Churn Risk 的本質:購買間隔的標準差

Klaviyo 的流失風險分數,本質是看「這個顧客的購買間隔是否已經顯著超過他自己的常態」。

• 一個固定每 30 天買一次保健品的顧客,第 45 天還沒買就該緊張(超過 1.5 倍平均間隔)
• 一個一年買 2 次禮品的顧客,第 200 天沒回來才需要擔心

公式拆開來看就是:

「流失風險 = (距上次購買天數 - 平均購買間隔) / 購買間隔標準差」

這個分數越高,代表這個顧客「不正常地久沒回來了」。臨界值用 1.5 或 2,大致對應到 Klaviyo 的「Likely to Churn」標籤。

Predicted Next Order Date 的本質:平均間隔 + 趨勢

下次下單日預測更直觀:用過去 3-5 次的購買間隔平均,加上最近的趨勢調整。

• 過去 5 次間隔:32, 28, 30, 35, 31 天 → 平均 31.2 天
• 最後一次購買日:2026-05-20
• 預測下次下單:2026-05-20 + 31 天 = 2026-06-20

如果你想做進階版,可以加權後幾次的間隔(最近的權重高),或結合季節性(11 月雙 11 前會提早買)。但基礎版用平均間隔就有 75% 準確度,加權版可以拉到 80-85%——已經超越中小電商的實用需求。

關鍵心法:Klaviyo 賣的不是演算法的精準,而是「不用懂統計就能用」的方便。如果你願意花 30 分鐘理解原理,自己用試算表算,精準度差不到 5-10%,成本差 100%。

三類分數的完整 Excel/Google Sheet 公式

把上面的原理變成可以直接複製的公式。假設你的訂單資料在 Google Sheet 裡,欄位是:「customer_id」、「order_date」、「order_amount」。建議先做一個「客戶層級」的彙總表,每個 customer_id 一列,後面跑各種公式。

第一步:建立基礎彙總欄位

對每個 customer_id,先算出這 6 個基礎欄位(用 SUMIFS、COUNTIFS、AVERAGEIFS):

「」`

• 訂單數(F): =COUNTIFS(orders!A:A, A2)
• 累積消費(M): =SUMIFS(orders!C:C, orders!A:A, A2)
• 平均客單: =M / F
• 最後購買日: =MAXIFS(orders!B:B, orders!A:A, A2)
• 首次購買日: =MINIFS(orders!B:B, orders!A:A, A2)
• R(距今天數): =TODAY() - 最後購買日

「」`

第一次設好後,後面所有預測分數都是基於這 6 欄組合運算。

預測分數 1:Expected CLV(預期終身價值)

簡化版公式(適合 80% 場景):

「」`

活躍係數:

=IF(R<=90, 1.0,

IF(R<=180, 0.6,

IF(R<=365, 0.3, 0.1)))

預期未來 12 個月訂單數:

=IF(F=1, 0.5,

IF(F<=3, 1.5,

IF(F<=6, 3, MIN(F*0.5, 8))))

Expected CLV:

= 平均客單 × 預期未來訂單數 × 活躍係數

「」`

進階版用 BG/NBD 概念(Excel 也跑得動,但需要 LET 函數):

「」`

平均購買間隔 T = (最後購買日 - 首次購買日) / (F - 1) // 至少 2 次才能算

活躍機率 P = IF(F=1, 0.5, EXP(-R / (T*2))) // 越超過 2 倍間隔越低

CLV = 平均客單 × F × P × 1.5 // 1.5 是 12 個月預期係數

「」`

進階版的精準度約是簡化版的 1.2 倍,但要處理只買 1 次的新客 edge case(用 0.5 機率帶過)。

預測分數 2:Churn Risk(流失風險)

「」`

平均購買間隔 T:

=IF(F<=1, 999, (最後購買日 - 首次購買日) / (F - 1))

風險倍數:

=IF(F<=1, IF(R>30, 0.8, 0.3), // 只買一次的單獨判斷

R / T)

Churn Risk 分數(0-100):

=MIN(100, MAX(0,

IF(F<=1,

IF(R<=30, 20, IF(R<=90, 60, 90)),

(風險倍數 - 1) × 50

)

))

「」`

分數對應行動:

• 0-30:健康活躍(不需介入)
• 31-60:輕度延遲(發優惠或關心提醒)
• 61-80:高風險(打挽留方案 + 客服主動聯繫)
• 81-100:已流失(納入贏回名單,3-6 個月一次活動)

預測分數 3:Predicted Next Order Date(預測下次下單日)

基礎版:

「」`

=IF(F<=1, "新客無法預測",

最後購買日 + 平均購買間隔 T)

「」`

加權版(最近購買間隔權重更高):

「」`

// 假設你抓出最近 5 次的間隔,放在欄位 G:K

加權間隔 = (G*1 + H*1.5 + I*2 + J*2.5 + K*3) / (1+1.5+2+2.5+3)

預測下次 = 最後購買日 + 加權間隔

「」`

季節性調整(電商旺季):

「」`

=IF(MONTH(預測下次) IN {10, 11, 12, 1},

預測下次 - 7, // 旺季提早 7 天

預測下次)

「」`

Bonus:綜合行動分數

把三個分數合成一個 0-100 的「行動優先級」:

「」`

行動優先級 = (Expected CLV 百分位 × 0.5)

+ ((100 - Churn Risk) × 0.3)

+ (預測 30 天內會買 ? 20 : 0)

「」`

排名前 20% 的客戶,就是這個月你要重點經營的對象。

---

把這套公式套上去,一份 5,000 筆訂單的 Excel 大概跑 3-5 秒,Google Sheet 慢一點(10-15 秒)。如果你嫌手動拉公式麻煩,可以直接用 預測式分數計算機,上傳 CSV 自動跑完,還會附行動建議。

各客群的行動劇本(怎麼用這些分數賺錢)

分數算出來只是第一步,重點是接下來怎麼行動。我把所有顧客用「Expected CLV × Churn Risk」切成 6 群,每群有對應的 SOP——這套劇本是我幫 Allen 的保健食品電商實際跑過,3 個月 LTV 提升 18% 的版本。

群 1:高 CLV + 低風險 = **VIP 加碼客**(占客戶數 5-10%,占營收 30-40%)

特徵:買得多、買得穩、最近還有買。

• 不要打折給他們——他們會買是因為信任產品,不是因為便宜
• 用「獨家」「搶先」「限量」訊息推新品
• LINE 1 對 1 私訊問近況、推訂閱方案(年訂閱省 15%)
• 邀請寫評論、加入 VIP 社團、推薦朋友拿雙方禮
• 每月活躍接觸 2-3 次,不要更多——VIP 最怕被當韭菜

群 2:高 CLV + 高風險 = **救回來身價高**(占客戶數 3-5%,但救回 ROI 最高)

特徵:過去花很多錢,最近卻沒回來——可能被競品搶走或產品讓他失望。

• 第一波(風險分 60-70):發「您喜歡的 OO 補貨提醒 + 8 折券」(暗示記得他)
• 第二波(風險分 70-80,沒反應):客服主動 LINE 私訊問「有什麼可以幫忙的嗎?最近有沒有遇到什麼狀況?」
• 第三波(風險分 80+,還沒反應):發「我們改良了 OO 配方,請您回來試試,免費送您一份體驗組」
• 救回 1 個 VIP 的成本 = 找 5 個新客的成本,這群要敢花錢

群 3:中 CLV + 低風險 = **養成中階客**(占客戶數 20-30%)

特徵:買過幾次,間隔穩定,但客單不高。

• 拉客單:組合包、滿額贈、買 2 送 1
• 拉頻次:訂閱制方案,綁定「每 30 天自動送一份」並送首月 9 折
• LINE 推播產品教學影片、使用心得,建立習慣而不是衝單筆
• 目標:讓中階客 6 個月內升到群 1

群 4:中 CLV + 高風險 = **拉一把看會不會留**(占客戶數 10-15%)

特徵:本來在養成,但開始不穩。

• 立刻打個人化提醒 + 中等優惠(7-8 折)
• 配套客服話術:「我們發現您已經 OO 天沒來了,需要協助嗎?」
• 觀察 30 天反應,沒回來就把預算轉到群 2(VIP 流失)

群 5:低 CLV + 低風險 = **新客觀察**(占客戶數 30-40%)

特徵:剛買沒多久,或一直小金額慢慢買。

• 不要打折拉訂單——會養成等折扣才買的習慣
• 用「教育型內容」建立信任:電子報、產品故事、創辦人理念
• 第 7、14、30 天三波 EDM 教使用方式
• 第 30 天問「滿意嗎?」(NPS 簡化版),滿意的問能不能寫評論,不滿意的客服處理
• 觀察 90 天,自動分流到群 3 或群 6

群 6:低 CLV + 高風險 = **不要花太多力氣**(占客戶數 15-25%)

特徵:可能是促銷活動拉來的低品質流量、或試一次就不喜歡的客戶。

• 排程式贏回 EDM,3-6 個月一波就好
• 不打電話、不私訊、不投廣告再行銷(ROI 不划算)
• 訊息走「品牌再認識」路線,不主打折扣
• 如果連續 12 個月都沒互動,從 EDM 名單裡刪除(也省你 Email 工具錢)

---

實際操作上,這 6 群的訊息頻次和內容完全不一樣。同樣一檔母親節活動,VIP 收到的是「為您保留了 5 組限量禮盒」,觀察新客收到的是「母親節必買 Top 3,還在猶豫的看這篇」——文案不一樣、預算不一樣、追蹤指標不一樣。

最常見的錯誤是把所有人塞同一支 EDM,然後抱怨 EDM 開信率 15%、轉換率 1%。分群之後光是 EDM 開信率就可以從 15% 拉到 30-40%,因為每群都收到他「真的相關」的內容。

多久重算一次?準確度會掉多少?

做完一次預測分數,很多人會問:「然後呢?永遠都用這份名單嗎?」當然不是,客戶行為一直在變,分數也要跟著動。

重算頻率建議

對中小電商來說,我會建議三層頻率:

• 核心 RFM 分群:每月 1 號重算一次——這是月初分群打 EDM 的基礎
• Churn Risk 高風險名單:每週一重算——讓高風險名單可以快速反應,不會等到月底才救
• VIP 名單 + 個別行動分數:每天自動跑(用 Apps Script 或 Power Automate)——讓客服每天上班就看到「今天該聯絡誰」

如果你還在手動跑 Excel,建議至少做到「月跑核心、週跑高風險」這兩層。每天跑沒做沒關係,但週跑沒做,救回 VIP 的窗口就會錯過。

準確度衰減曲線

我在 Allen 那邊跑了 6 個月的對照測試,記錄不同重算頻率下,預測分數對實際行為的命中率:

關鍵發現:

• 每週 vs 每天的差距很小(2-4%),所以小團隊不用追求每天重算,週跑就夠
• 每月 vs 每週的差距開始顯現(5-8%),特別是高風險名單,每月才跑會錯過救援黃金期
• 超過 90 天沒重算的分數,基本上就是垃圾——數字還在,但已經不反映現況

自動化排程(零成本版)

不想每週手動跑的話,有兩個免費方案:

方案 A:Google Sheet + Apps Script

「」`javascript

function weeklyRecalc() {

const sheet = SpreadsheetApp.getActiveSpreadsheet();

const ordersTab = sheet.getSheetByName('orders');

const scoresTab = sheet.getSheetByName('scores');

// 從訂單表抓最新資料

// 重新跑分數公式

// 把高風險名單匯出成 CSV 寄到客服信箱

GmailApp.sendEmail('[email protected]',

'本週高風險挽留名單',

「共 {highRiskCount} 位高風險客戶,請見附件」);

}

// 觸發器:每週一 09:00

「」`

方案 B:Power Automate(微軟 365 帳號)

如果你公司用 Microsoft 365,Power Automate 可以設「每週一觸發 → 跑 Excel 公式 → 寄信通知」,完全 0 程式碼,拖拉就完成。

重算時順便做的事

每次重算,不只是更新分數,還要做三件事:

1.記錄上週的命中率:上週標「30 天內會買」的客戶,有多少真的買了?準確度低於 70% 就要回頭調公式

2.比對群組變動:這週從「VIP」掉到「流失中」的有誰?馬上插入挽留流程

3.更新行動清單:把這週要聯絡的 Top 20 客戶,直接推給客服或業務(LINE 通知或 Slack 訊息)

有重算沒行動 = 等於沒重算。最常見的失敗是分數天天跑,但客服永遠沒看到名單,挽留訊息永遠沒發出去。

預估準確度與調整方法(怎麼讓分數越來越準)

第一次跑出來的分數可能準確度只有 70-75%,別灰心,這個系統會越跑越準——只要你有意識地調整。我整理出 4 個提升準確度的方法,從最簡單到進階。

方法 1:設立「對照組」量化準確度

每次跑完分數,把「預測 30 天內會買」的客戶名單存下來,30 天後回頭比對:

• 名單上有 100 人,實際有 75 人買 → 命中率 75%
• 名單外有 500 人,實際有 60 人買 → 漏掉率 60/(500+60) = 10.7%

這兩個數字記錄下來,第二個月、第三個月看趨勢。如果命中率一直在 75-85%,代表公式合理。如果掉到 60% 以下,就要回頭看是不是:

• 進了新品類(行為模式變了)
• 經歷大型促銷(打亂購買間隔)
• 流量來源改變(新客結構不同)

方法 2:依商品類型微調活躍係數

簡化版公式裡的「活躍係數」是通用值,但不同產業的客戶生命週期完全不同:

直覺很重要:快消品 60 天沒回來 = 不太妙;家具 180 天沒回來 = 完全正常。把你的產業套對表,準確度立刻提升 5-8%。

方法 3:加入「行為訊號」當權重

光看交易資料準確度有上限,加入「行為訊號」可以再衝 10%:

• EDM 開信:過去 30 天有開信的客戶,流失風險 -10 分
• 網站瀏覽:過去 7 天有進過網站(GA4 抓得到)的客戶,流失風險 -15 分
• LINE 點擊:過去 14 天有點過 LINE 推播的客戶,流失風險 -10 分
• 客服互動:過去 60 天有跟客服互動過的客戶,Expected CLV ×1.2
• 加入購物車未結帳:過去 3 天有加購物車的客戶,「30 天內會買」機率 +30%

這些訊號 GA4、LINE 官方帳號、Email 工具都看得到,把這些數字匯出來合併進 Excel,準確度可以從 80% 拉到 88-90%——接近 Klaviyo 水準。

方法 4:用「實際命中數據」做反向校準

跑 3-6 個月之後,你會累積大量「預測 vs 實際」的對照資料,可以用 Excel 的 LINEST 或 SLOPE 函數做簡單迴歸,找出「你家客戶實際的行為係數」。

例如:你發現實際的「90 天活躍係數」應該是 0.45 而不是 0.6(你家客戶比業界平均黏一些),就把公式裡的 0.6 改成 0.45。

這個動作每 6 個月做一次就好,校準完的準確度可以穩定在 85-90%,已經跟 Klaviyo 一樣或更準——因為你的公式是「你家客戶專屬版」,Klaviyo 是「全球客戶平均版」。

---

Allen 保健食品的實際案例

幫 Allen 跑這套流程的 3 個月變化:

• Month 1(第一次跑):準確度 73%,光是抓出 Top 20 高 CLV VIP 名單,做一波 LINE 1 對 1 推訂閱方案,8 人轉訂閱、月 MRR +18,000
• Month 2(調整活躍係數 + 加入 EDM 開信權重):準確度拉到 82%,救回 6 個 Churn Risk 90+ 的舊 VIP,單月貢獻 23,000
• Month 3(完整套上 6 群行動劇本 + 每週重算):準確度 85%,整體 LTV 從 NT$1,420 提升到 NT$1,680(+18.3%),EDM 開信率從 18% → 36%、轉換率從 0.8% → 2.1%

3 個月成本:Excel + Allen 自己花的時間,工具支出 0 元。如果他原本要付 Klaviyo Advanced,3 個月就是 $750 美金 ≈ NT$24,000,還沒算學習成本和接 API 的工程時間。

真正的差距不在工具,在你願不願意把資料當回事。

怎麼開始?從 0 到第一份名單的 3 個步驟

講了這麼多原理跟公式,實際上你只要做 3 件事就能在今天下班前跑出第一份高 CLV 名單。

步驟 1:把訂單資料匯出成 CSV(20 分鐘)

不管你是用 91APP、SHOPLINE、Shopify、蝦皮、momo、自架站,全部都能匯出訂單 CSV:

• 91APP / SHOPLINE:後台 → 訂單管理 → 匯出,選日期範圍(建議至少近 12 個月)
• Shopify:Orders → Export → 全選欄位
• 蝦皮 / momo:賣家中心 → 報表 → 訂單明細匯出
• 自架站:直接從 DB 撈 「orders」 表

只要 3 欄就夠:customer_id(或 email/手機)、order_date、order_amount。其他欄位有更好,沒有也不影響。

⚠️ 注意:統一發票號碼、收件人地址這些個資不要放在分析檔——一來 Excel 沒加密容易外洩,二來個資法規定「使用目的」要明確,做分析就只匯出分析必要的欄位。

步驟 2:套上預測分數公式(30 分鐘)

把 CSV 開在 Google Sheet,新增一個 「customers」 分頁,用 UNIQUE 函數先抓出所有客戶 ID:

「」`

=UNIQUE(orders!A:A)

「」`

然後對每個 customer_id 套上前面教的 6 個基礎欄位 + 3 個預測分數公式。第一次套會慢一點,但設好之後就是模板,以後每個月只要更新訂單分頁的資料,所有分數自動重算。

不想自己拉公式的話,用 預測式分數計算機 直接上傳 CSV,30 秒跑完 + 自動產出 6 群行動建議,連客服話術都幫你寫好。

步驟 3:今天就執行一個動作(30 分鐘)

別跑完分數就放著,今天下班前一定要做一件事:

• 最快的選項:抓出「Top 20 高 CLV」名單,LINE 1 對 1 發一句「謝謝您一直支持我們,有任何建議歡迎隨時跟我說 🙏」——這 20 通訊息會讓你看到誰是真的喜歡你的品牌
• 次快的選項:抓出「Churn Risk 80+」名單,寄一封挽留 EDM 附 8 折券
• 最有效的選項:抓出「30 天內預測會買」名單,發 LINE 推播提醒新品上架

這三個動作任何一個,只要 30 分鐘,通常能直接帶回 3-5 筆訂單——就是這個月你做這套系統的第一筆投資回報。

---

工具搭配建議

預測分數只是 CRM 系統的入口,真正的價值在後續行動。建議的 3 工具組合:

1.預測式分數計算機:每月跑一次,產 6 群名單 + 行動建議

2.會員 RFM 分群分析:對應 RFM 經典模型,適合做廣告受眾、Lookalike 種子

3.會員流失預警器:每週跑高風險名單,客服優先聯絡

三個工具串起來,等於是中小電商版的 Klaviyo + Bloomreach + Ometria,功能 80% 重合,成本 0 元。

不要把預算花在工具上,把預算花在能讓客戶感覺被重視的行動上——預測分數的真正價值,從來不是那個數字,而是讓你知道誰值得你花 30 分鐘私訊一句話。