核心結論
AI 可能讀到不完整或相互矛盾的客戶歷史，導致回覆對象、需求判斷或交接內容出錯。問題不一定是模型能力，而是輸入資料尚未建立可靠的客戶身分與更新流程。
執行摘要
核心觀察：經濟部中小及新創企業署的企業診斷，將營運流程、資訊系統、資料應用與人才能力一起盤點，而非只問要買哪個 AI 工具。[1] 客戶資料是最容易被忽略的起點：重複、缺漏或過期紀錄會讓推薦、回覆與業務交接指向錯的人。行動建議：先選一個客戶流程，定義身分欄位及資料責任人；用規則找出疑似重複，人工確認高風險合併，再以錯配率、完整率與處理時間驗收。
資料一亂，AI 會把錯誤送得更快
一家公司的業務、客服與報價表可能各有一份客戶名單。若同一人留下不同電話，系統可能把他當成兩個人；若只憑姓名合併，也可能把兩位同名客戶當成同一人。後續 AI 即使文字流暢，仍可能在回覆、提醒與交接時拿到錯的上下文。這是流程與資料問題，不能只靠換模型解決。
經濟部中小及新創企業署在 2026 年的企業診斷設計中，要求同時盤點營運流程、資訊系統、資料應用與人才能力，以辨識 AI 導入需求。[1] 對企業來說，最實際的第一步是選一個會碰到客戶資料的流程，畫出資料從表單、LINE、CRM 到報價或客服的流向，找出重複輸入和誰負責修正。
比對是候選，合併是決策
Microsoft 的銷售產品以相同電郵、電話，或姓名搭配公司與郵件網域的相似度，提示疑似重複潛在客戶，再由銷售人員比較處理。[2] 這提供一個設計原則：系統可以協助找候選，但不要讓相似度分數直接改寫正式客戶紀錄。共用總機、公司信箱、同名負責人，都可能讓簡單規則誤判。
Microsoft 的客戶資料整合文件進一步提醒，不要只用姓名判斷同一人；先在單一資料表去重、標準化輸入，再逐步增加匹配規則。模糊比對應結合至少一個精確條件，並觀察規則是否真的改善結果。[3] 穹境建議把候選分成可自動排除、需人工確認、禁止自動合併三類，並讓業務人員看得到原始紀錄與差異。
不用先建大平台，也要有人負責
可先做一張最小客戶資料表：公司識別、聯絡人識別、主要聯絡方式、資料來源、最後確認時間與負責人。英國政府資料品質框架把完整性、唯一性、一致性與時效性列為檢查面向，並建議依資料用途持續檢視，而不是清洗一次就算完成。[4] 對中小企業而言，這些欄位和檢查可以先放進既有 CRM 或工作表。
一項九個月、針對單一中小企業的原始案例研究顯示，資料治理的職責需要和平台能力、品質關卡及營運監測一起建立，光是指派資料擁有者仍不足以讓規則生效。[5] 因此要明訂：誰確認疑似重複、誰能合併、合併前保存哪個版本、發現錯誤後誰回復。此研究提供設計參考，不能當成所有企業的效果保證。
從一條客戶流程驗收 AI 價值
以『網站詢問進來後建立客戶紀錄』為例，先擷取一批已知結果的歷史紀錄，由業務確認哪些是同一家公司、同一位聯絡人或不同案件。再測試資料整理規則，記錄被錯誤合併、漏找重複、欄位缺失與人工修正的情形。通過後，AI 才能使用這份有來源與責任人的客戶脈絡，協助草擬回覆或準備後續動作。
Lead Measure 可看必填欄位完整率、疑似重複待處理量、人工確認時間與可追溯來源比例；Lag Measure 則看誤寄誤認事件、重複聯繫、從詢問到正確回覆的時間。這些是穹境建議的衡量方法，不是外部研究宣稱的固定成效。若 AI 幫忙寫得更快，卻把客戶認錯，就應先修資料入口與合併規則。
關鍵要點
選定一個場景：先從新客詢問、報價追蹤或客服回覆擇一，不要一次清洗全公司的資料。
定義客戶身分：確定公司、聯絡人與案件各自的唯一識別，以及名稱、電話、電郵變更時如何處理。
只標記疑似重複：同名未必同人；精確條件與模糊條件分開，合併前保留人工檢視。
留下來源與版本：每個關鍵欄位要知道來自哪個系統、何時更新、由誰確認，合併後仍能追溯與回復。
用結果驗收：追蹤疑似重複處理時間、錯誤合併、必填欄位完整率，以及客戶流程的實際改善。
參考來源
Enable duplicate lead detection
Microsoft Learn · 2026-04-30
https://learn.microsoft.com/en-us/dynamics365/sales/enable-duplicate-lead-detectionData unification best practices
Microsoft Learn · 2026-09-18
https://learn.microsoft.com/en-us/dynamics365/customer-insights/data/data-unification-best-practicesThe Government Data Quality Framework: guidance
英國 Government Data Quality Hub · 2020-12-03
https://www.gov.uk/government/publications/the-government-data-quality-framework/the-government-data-quality-framework-guidanceData Governance in the Lakehouse: a Case Study On the Co-Evolution of Platform Maturity and Governance Roles in Data-Intensive SMEs
HMD Praxis der Wirtschaftsinformatik 原始研究 · 2026-06-25
https://link.springer.com/article/10.1365/s40702-026-01292-x常見問題
Q：客戶資料重複會怎麼影響 AI？
A：AI 可能讀到不完整或相互矛盾的客戶歷史，導致回覆對象、需求判斷或交接內容出錯。問題不一定是模型能力，而是輸入資料尚未建立可靠的客戶身分與更新流程。
Q：同名客戶可以自動合併嗎？
A：不建議。姓名可能重複，應結合公司、聯絡方式、案件與來源等欄位比對；疑似相同只代表需要檢視。正式合併前應讓負責人查看差異，並保留可回復版本。
Q：中小企業沒有 CRM，也能先整理嗎？
A：可以。先在現有工作表或表單建立公司與聯絡人的識別欄位、來源、最後確認時間和負責人，從單一客戶流程開始。等規則與責任清楚，再決定是否搬進 CRM。
Q：資料清洗一次就可以導入 AI 嗎？
A：不夠。新客戶持續進來，電話與窗口也會變更。需要在資料入口設欄位檢查，定期處理疑似重複，記錄來源及異動，讓品質維護成為日常流程。
Q：怎麼知道客戶資料品質改善有用？
A：先量測必填欄位完整率、疑似重複處理時間與錯誤合併，再看重複聯繫、誤寄誤認和回覆時間是否改善。以同一條流程的前後表現比較，不只看清掉多少筆紀錄。
由穹境科技 AI 情報系統生成 · 2026-09-20 · 資料來源見上方參考列表