①
建立 Placement（版位）
定義 Offer 展示位置與渠道格式
▼
銀行三大觸點版位
App 首頁橫幅
Channel: Mobile
Format: JSON
動態渲染個人化產品卡片
Format: JSON
動態渲染個人化產品卡片
網銀登入後推薦
Channel: Web
Format: HTML
右側產品推薦欄
Format: HTML
右側產品推薦欄
理財電子報
Channel: Email
Format: HTML
每月推薦區塊
Format: HTML
每月推薦區塊
設計原則：三個版位共用同一套 Offer Library，確保同一位客戶在不同渠道看到一致且互不重複的 Offer 訊息，避免跨渠道推送衝突。
②
建立 Offer（個人化金融產品優惠）
內容呈現 + 資格條件 + Priority + Capping
▼
四大金融產品 Offer
信用卡申辦
消費回饋 3%
資格：無信用卡 + 信用評分 ≥ 680 + KYC 完成
Priority: 60
資格：無信用卡 + 信用評分 ≥ 680 + KYC 完成
Priority: 60
定存優惠利率
年利率 2.5%（3 個月期）
資格：活存 > 50 萬 + 近 30 日無定存
Priority: 50
資格：活存 > 50 萬 + 近 30 日無定存
Priority: 50
個人信貸
利率 4.8% 起
資格：薪資轉帳戶 + 年資 ≥ 2 年
Priority: 70
資格：薪資轉帳戶 + 年資 ≥ 2 年
Priority: 70
VIP 財富管理
理專一對一規劃
資格：AUM ≥ 300 萬 + 理專指派
Priority: 90
資格：AUM ≥ 300 萬 + 理專指派
Priority: 90
Capping 設定
Profile Cap
每位客戶每月最多 2 次
Total Cap
信用卡 Offer 每月上限 500 份
Fallback Offer
「探索我們的全方位金融服務」通用橫幅
③
建立 Decision Rules（資格規則）
Profile 屬性 / Audience / Context Data 三種類型
▼
信用卡資格規則（Profile 屬性型）
// 信用卡申辦資格驗證
kycStatus.equals("verified", false)
AND creditScore >= 680
AND noCreditCard = true
AND age >= 20
AND accountStatus.equals("active", false)
kycStatus.equals("verified", false)
AND creditScore >= 680
AND noCreditCard = true
AND age >= 20
AND accountStatus.equals("active", false)
VIP 財富管理資格規則（Dataset Lookup 型）
// 需啟用 Enable dataset lookup 讀取每日 AUM
aum >= 3000000
AND vipTier.in(["Platinum", "Diamond"])
AND wealthManagerAssigned = true
aum >= 3000000
AND vipTier.in(["Platinum", "Diamond"])
AND wealthManagerAssigned = true
Edge Decisioning 限制：Edge Profile 不儲存 Experience Events，因此包含行為歷史條件（如「近 30 日無定存記錄」）的 Rule 只能用於 Hub 模式，不可用於 Edge 即時決策。
④
建立 Collection（產品 Offer 集合）
依金融產品線分組，供 Selection Strategy 引用
▼
四大產品線 Collection
信用卡業務
3 個 Offer
標籤篩選：credit-card
標籤篩選：credit-card
存款利率優惠
4 個 Offer
標籤篩選：deposit
標籤篩選：deposit
貸款產品
3 個 Offer
標籤篩選：loan
標籤篩選：loan
VIP 財富管理
5 個 Offer
標籤篩選：wealth-vip
標籤篩選：wealth-vip
⑤
設定 Ranking Method（排序方法）
規則排序 / 公式排序 / AI 智慧排序
▼
三種排序方法對照
規則排序（Priority）
依 Offer 手動設定的優先值排序。簡單易控制，適合初期部署或緊急行銷活動。
公式排序（Formula）
以 PQL 公式結合 Profile 屬性、AUM、信用評分動態計算排名分數。
AI 智慧排序（AI Model）
訓練模型持續學習客戶偏好，自動最佳化 Offer 呈現順序。適合 VIP 高價值客群。
銀行 Ranking Formula 範例
// 策略 A：一般戶信用卡排序公式
score = offer.priority × (creditScore / 700)
+ (aum > 200000 ? 20 : 0)
// 策略 B：高餘額戶定存排序公式
score = offer.priority
+ (aum / 100000) × 15
+ (depositRate × 100)
// 策略 C：VIP 理專加權
finalScore = aiModel.score
+ (rmRecommended ? 30 : 0)
+ offer.priority
score = offer.priority × (creditScore / 700)
+ (aum > 200000 ? 20 : 0)
// 策略 B：高餘額戶定存排序公式
score = offer.priority
+ (aum / 100000) × 15
+ (depositRate × 100)
// 策略 C：VIP 理專加權
finalScore = aiModel.score
+ (rmRecommended ? 30 : 0)
+ offer.priority
⑥
建立 Selection Strategy（選擇策略）
Collection + Eligibility + Ranking 整合，對應三大客群
▼
策略 A — 一般戶
Collection：信用卡 + 貸款
資格：信用評分 ≥ 680 + KYC
排序：信用評分加權公式
資格：信用評分 ≥ 680 + KYC
排序：信用評分加權公式
策略 B — 高餘額戶
Collection：定存 + 基金
資格：Audience 高餘額未定存
排序：AUM 加權公式
資格：Audience 高餘額未定存
排序：AUM 加權公式
策略 C — VIP 貴賓戶
Collection：VIP 財富管理
資格：AUM ≥ 300 萬 + 理專指派
排序：AI Model + 理專加權
資格：AUM ≥ 300 萬 + 理專指派
排序：AI Model + 理專加權
評估順序：Decision Policy 中策略 C → 策略 B → 策略 A 依序評估。每個 Profile 觸發最高匹配策略，返回 Top 3 Offer 給前端渲染。
⑦
建立 Decision Policy（決策政策）
整合所有策略，嵌入 Journey / Campaign
▼
Policy 名稱
全客群金融產品推薦
回傳 Offer 數
Top 3
策略序列
策略 C → 策略 B → 策略 A
Fallback
通用金融服務橫幅
嵌入渠道
App 首頁（Code-based Experience Campaign）
傳播延遲：Decision Policy 建立或修改後，最多需要 15 分鐘傳播至所有資料區域，加拿大地區最多 30 分鐘。
⑧
監控報表與 KPI
追蹤申辦轉換，與 CJA 整合業務成果歸因
▼
3,063
Total Items Delivered
↑ +18% vs. 上月
1,513
Total Impressions
↑ +12% vs. 上月
754
Total Clicks（CTR 49.8%）
↑ +9% vs. 上月
0.09
Fallback Rate
⚠ 建議診斷規則
關鍵診斷邏輯
Fallback Rate 偏高
代表 Eligibility Rules 過嚴，需放寬條件或補充 Offer 數量
CTR 偏低
檢視 Offer 內容呈現或 Priority 設定，可能需要 A/B 測試不同文案
申辦轉換追蹤
透過 CJA 整合，追蹤 Offer Click → 產品申辦完成的完整路徑
Experience League 參考文件
Selection Strategy 三客群設定
每個 Selection Strategy 整合 Collection、Eligibility Rules 與 Ranking Method，是可跨 Decision Policy 重複引用的策略單元。
策略 A — 一般戶
策略 B — 高餘額戶
策略 C — VIP 貴賓戶
A
一般戶金融產品推薦
信用卡申辦 + 個人信貸 ／ 信用評分加權公式排序
Collection
信用卡業務貸款產品
Eligibility Rule（PQL）
kycStatus.equals("verified", false)
AND creditScore >= 680
AND noCreditCard = true
AND age >= 20
AND accountStatus.equals("active", false)
AND creditScore >= 680
AND noCreditCard = true
AND age >= 20
AND accountStatus.equals("active", false)
Ranking Formula
score = offer.priority × (creditScore / 700)
+ (aum > 200000 ? 20 : 0)
+ (aum > 200000 ? 20 : 0)
信用評分越高，Offer 分數越高；活存超過 20 萬者額外加分，讓存款相關 Offer 排名提升。
適用渠道
App 首頁橫幅網銀登入後推薦
銀行業合規提醒：信用卡 Offer 須排除已持有該行信用卡的客戶（noCreditCard = true），避免違反重複核卡政策。KYC 驗證狀態（kycStatus）是所有金融產品 Offer 的必要前提條件。
B
高餘額戶資產成長推薦
定存優惠利率 + 基金推薦 ／ AUM 加權公式排序
Collection
存款利率優惠基金推薦
Eligibility（Audience + Decision Rule 混合）
// Audience（批次評估，每日更新）
高餘額未定存客群
活存 > 50 萬 AND 近 90 日無定存記錄
// Decision Rule（即時補充驗證）
accountStatus.equals("active")
AND kycStatus.equals("verified")
高餘額未定存客群
活存 > 50 萬 AND 近 90 日無定存記錄
// Decision Rule（即時補充驗證）
accountStatus.equals("active")
AND kycStatus.equals("verified")
Audience 處理複雜行為分群（需回溯 90 日），Decision Rule 即時驗證帳戶狀態，兩者互補。
Ranking Formula（AUM 加權）
score = offer.priority
+ (aum / 100000) × 15
+ (depositRate × 100)
+ (aum / 100000) × 15
+ (depositRate × 100)
AUM 每增加 100 萬加 15 分；利率越高的定存方案越優先呈現，直接反映客戶資產規模。
Dataset Lookup
每日 AUM 快照 Dataset（最多可啟用 10 個 lookup datasets，每個 4GB）
適用渠道
理財電子報App 首頁橫幅
C
VIP 貴賓戶財富管理
財富管理 VIP 方案 ／ AI 智慧排序 + 理專加權
Collection
VIP 財富管理
Eligibility Rule（PQL）
aum >= 3000000
AND vipTier.in(["Platinum", "Diamond"])
AND kycStatus.equals("verified")
AND wealthManagerAssigned = true
AND vipTier.in(["Platinum", "Diamond"])
AND kycStatus.equals("verified")
AND wealthManagerAssigned = true
AI Model 設定
模型類型
Personalized Optimization
優化目標
Offer Click（產品諮詢點擊率）
訓練資料
過去 Offer 曝光、點擊、申辦 XDM Events
AI + 理專混合排序公式
finalScore = aiModel.score
+ (rmRecommended ? 30 : 0)
+ offer.priority
+ (rmRecommended ? 30 : 0)
+ offer.priority
理專手動推薦（rmRecommended = true）強制加 30 分，確保人工判斷不被 AI 完全覆蓋，維持關係管理的靈活性。
適用渠道
App 貴賓專區理專操作系統
AI Model 上線建議：需累積至少 500 次 Offer 曝光事件後訓練才有統計意義。初期建議先以公式排序上線蒐集資料，待資料量足夠後切換 AI Model，並持續監控訓練狀態與效能。
Ranking Method 三種排序方式比較
點選下方卡片展開各排序方式的詳細說明與銀行業適用建議。
①
規則排序
Priority Score
手動設定優先值
手動設定優先值
②
公式排序
Ranking Formula
PQL 動態計算
PQL 動態計算
③
AI 智慧排序
AI Model
機器學習自動排序
機器學習自動排序
規則排序（Priority Score）
運作方式
在建立 Offer 時手動為每個 Offer 指定一個數值（例如 1–100），多個 Offer 符合資格時，分數最高者優先呈現
銀行適用場景
緊急行銷活動、監管要求強制推送的特定方案、新產品上市初期
優點
設定簡單、結果可預測、行銷人員易於掌控
缺點
無法反映個別客戶差異，所有符合資格的客戶看到相同排序結果
銀行範例設定
財富管理 90 > 個人信貸 70 > 信用卡 60 > 定存 50
公式排序（Ranking Formula）
運作方式
以 PQL 語法撰寫公式，結合 Profile 屬性、Offer 屬性與即時情境資料（Context Data）動態計算每個 Offer 的排名分數
銀行適用場景
以 AUM、信用評分、利率水準等金融屬性動態排序；可整合每日更新的 Dataset（如 AUM 快照）
優點
能反映客戶個人狀況，邏輯透明可審計，滿足金融業合規要求
缺點
需要行銷或資料分析人員設計公式，無法自動學習新的行為模式
銀行公式範例
score = offer.priority × (creditScore / 700)
+ (aum / 100000) × 15
+ (aum / 100000) × 15
AI 智慧排序（AI Model）
運作方式
訓練完成的模型根據多個資料點（曝光、點擊、申辦事件）自動為每個 Profile 決定最優先呈現的 Offer
模型類型
Auto-optimization（最大化整體轉換率）/ Personalized optimization（最大化個別 Profile 轉換率）
銀行適用場景
VIP 財富管理客群（產品多元、偏好差異大）、長期經營的個人化推薦
優點
自動學習客戶偏好、無需手動維護排序邏輯、持續最佳化
缺點
需要足夠訓練資料（建議 ≥ 500 次曝光事件），冷啟動期效果有限
重要限制：AI Model 目前不支援 AJO 原生渠道（Email 設計器），僅支援 Decisioning 功能中的渠道。初期可先使用公式排序上線累積資料，再切換 AI Model。
報表監控與 KPI 解讀
AJO Decisioning 報表可直接在 Journey Optimizer 或 Customer Journey Analytics 中檢視。以下為銀行業場景的 KPI 模擬數據與診斷邏輯。
3,063
Total Items Delivered
↑ +18% vs. 上月
1,513
Total Impressions
↑ +12% vs. 上月
754
Total Clicks
↑ +9% vs. 上月
49.8%
Click-through Rate
↑ +3pp vs. 上月
9%
Fallback Rate
⚠ 目標 < 5%
187
申辦轉換（CJA）
↑ +24% vs. 上月
KPI 診斷框架
Fallback Rate 偏高（>10%）
代表 Eligibility Rules 過嚴，可能方向：
· 放寬信用評分門檻
· 增加 Collection 中的 Offer 數量
· 檢查 Capping 是否提前耗盡
· 放寬信用評分門檻
· 增加 Collection 中的 Offer 數量
· 檢查 Capping 是否提前耗盡
CTR 偏低（<20%）
Offer 呈現但無點擊，可能方向：
· 檢視 Offer 文案與視覺設計
· 執行 A/B 測試不同版本
· 評估 Ranking 是否呈現最相關 Offer
· 檢視 Offer 文案與視覺設計
· 執行 A/B 測試不同版本
· 評估 Ranking 是否呈現最相關 Offer
申辦轉換率低
點擊後未完成申辦，可能方向：
· 檢視申辦流程是否過於複雜
· 透過 CJA 分析 Drop-off 點
· 考慮搭配 Journey 進行後續追蹤
· 檢視申辦流程是否過於複雜
· 透過 CJA 分析 Drop-off 點
· 考慮搭配 Journey 進行後續追蹤
策略 C 觸發率偏低
VIP 策略未充分觸發，可能方向：
· 確認 AUM Dataset 更新頻率
· 檢視 wealthManagerAssigned 欄位資料品質
· 確認 VIP Profile 比例
· 確認 AUM Dataset 更新頻率
· 檢視 wealthManagerAssigned 欄位資料品質
· 確認 VIP Profile 比例
與 Customer Journey Analytics 整合
AJO Decisioning Events
Offer 曝光、點擊事件自動寫入 AEP 資料集
→
AEP 資料集
AJO Message Feedback / Email Tracking / Push Tracking
→
CJA Connection
自動建立 AJO Enabled Connection，標準化報表維度
↓
CJA 自訂報表
建立 Offer 點擊 → 產品申辦的完整轉換漏斗；跨渠道歸因分析；Strategy 效能比較（A vs B vs C）
系統架構與部署模式
AJO Offer Decisioning 支援 Hub（中央資料中心）與 Edge（全球邊緣網路）兩種部署模式，銀行業需依渠道特性選擇適合的架構。
兩種部署模式比較
Hub
Hub 模式
中央資料中心，完整 Profile
適合 Email / 客服中心
適合 Email / 客服中心
Edge
Edge 模式
全球邊緣節點，<250ms
適合 App / 網銀即時個人化
適合 App / 網銀即時個人化
Hub 適用場景（銀行）
· 每月理財電子報 Email 個人化
· 客服中心 Next Best Offer 建議
· 需要 Experience Events 的複雜規則
· 批次 Audience 分群的 Offer 推送
· 客服中心 Next Best Offer 建議
· 需要 Experience Events 的複雜規則
· 批次 Audience 分群的 Offer 推送
Edge 適用場景（銀行）
· App 首頁即時個人化橫幅
· 網銀登入後即時推薦
· Context Data（裝置類型、位置）觸發
· 需要 <250ms 響應的體驗
· 網銀登入後即時推薦
· Context Data（裝置類型、位置）觸發
· 需要 <250ms 響應的體驗
銀行 Offer Decisioning 整體架構
資料來源
CRM、核心銀行系統、行為事件 → AEP Real-Time Profile
→
Adobe Experience Platform
Real-Time Customer Profile + Identity Service + Dataset Lookup
↓
AJO Offer Library
Placements + Offers + Rules + Collections
→
Selection Strategies
策略 A / B / C + Ranking
→
Decision Policy
全客群金融推薦 Policy
↓
App / 網銀
Web SDK / Mobile SDK → Edge Network（<250ms）
|
Email / 客服
Decisioning API → Hub（完整 Profile）
↓
報表回饋
AJO Decisioning KPI → CJA 深度分析 → 優化 Rules & Ranking → 持續迭代
Guardrails 與限制
設定上限
Capping Rules 總數不超過 20,000；每個 Offer 最多 10 條 Capping 規則
API 回傳上限
每次 Decisioning API 請求最多回傳 30 個 Offers
Inbound 流量
峰值 5,000 inbound requests/sec；最多 500 個 active inbound actions
Dataset Lookup
每個 Org 最多 10 個 Lookup Datasets，每個 4GB Data Lake 儲存