王大明跟 Da-Ming Wang 是同一個人嗎？用 LLM 打造 CRM 自動化資料清洗流水線

「王大明」、「Da-Ming Wang」、「wang.daming@gmail.com」——這三筆 CRM 紀錄是同一個人，還是三個客戶？傳統的字串比對規則答不出來，但 LLM 可以。這篇我會示範怎麼用 LLM 打造一條自動化的資料清洗流水線，從重複偵測做到格式標準化，把資料庫的垃圾山剷平。

那一刻，我心裡的 OS 通常是：「因為你們輸入資料的時候從來不看格式啊！」

但抱怨歸抱怨，技術債還是得還。過去我們處理 CRM 資料清洗，靠的是寫到手軟的 Regular Expressions (Regex) 和無止盡的 Excel VLOOKUP 地獄。但現在是 2025 年了，如果還在用 `if name == '台北市'` 這種寫法，真的會寫到懷疑人生。今天這篇文章，我要來聊聊如何利用 LLM (大型語言模型) 結合自動化工具，來解決這個困擾所有企業的千年難題：使用 LLM 自動處理重複或錯誤資料。

為什麼傳統的 CRM 資料清洗是場災難？

在進入 AI 實戰之前，我們先來看看傳統方法的死穴在哪裡。大多數企業的 CRM (不管是 HubSpot, Salesforce 還是自架的 WordPress 系統) 資料來源都很雜：

• 網站表單自動填入 (使用者手滑打錯字)
• 業務手動 Key-in (格式隨心所欲)
• 活動名單匯入 (Excel 欄位對不上)
• API 串接同步 (編碼問題)

這導致了幾個經典問題：

1. 語意重複無法識別：傳統程式碼認為「台積電」和「台灣積體電路製造股份有限公司」是兩個完全不同的實體，但人類（和 LLM）知道它們是一樣的。
2. 地址格式混亂：有人寫「110 台北市信義區」，有人寫「台北市信義區 110」，傳統腳本很難統一。
3. 拼音與錯別字：「John Smith」被誤打成「Jhon Smith」，Fuzzy Matching (模糊比對) 可以解決一部分，但誤判率很高。

LLM：資料清洗的降維打擊武器

這就是為什麼我們需要引入 LLM (Large Language Model)。LLM 最強大的能力在於「語意理解」與「推論」。對於 CRM 資料清洗 來說，LLM 就像是一個不知疲倦、且博學多聞的實習生，它能讀懂資料背後的「意圖」。

1. 利用 Vector Embeddings (向量嵌入) 抓出隱藏的重複項

這是目前最潮也最有效的做法。我們不直接比對文字，而是將客戶資料 (姓名、Email、公司名稱) 透過 OpenAI 的 `text-embedding-3-small` 模型轉換成一組「向量數字」。

在向量空間中，「AI 工程師」和「人工智慧開發者」的距離會非常近，即使它們字面上完全不同。透過計算 Cosine Similarity (餘弦相似度)，我們可以輕易抓出那些傳統腳本抓不到的重複客戶。

2. 使用 LLM 進行格式標準化 (Standardization)

這是 LLM 最擅長的。你可以給它一個髒亂的地址或公司名稱，要求它輸出標準格式。例如：

• Input: "北市信義路五段七號 101 大樓"
• Prompt: "請將上述地址標準化為台灣郵政格式，包含郵遞區號，並以 JSON 格式回傳。"
• Output: `{"zipcode": "110", "city": "台北市", "district": "信義區", "address": "信義路五段7號", "landmark": "台北101"}`

實戰教學：用 Python + OpenAI 打造清洗腳本

身為工程師，不秀點 Code 全身不對勁。雖然我們常推廣 n8n 這種 No-Code 工具 (這在自動化流程中超好用)，但對於批次處理大量歷史髒資料，Python 還是王者。

以下是一個簡單的概念驗證 (PoC)，展示如何使用 OpenAI API 來判斷兩筆 CRM 資料是否為同一人：

// 雖然這通常用 Python 跑，但為了照顧 WordPress 開發者，我用 PHP 示意 API 的呼叫邏輯

function check_duplicate_with_llm($record_a, $record_b) {
    $api_key = 'YOUR_OPENAI_API_KEY';
    $endpoint = 'https://api.openai.com/v1/chat/completions';

    $prompt = "
    你是專業的 CRM 資料管理員。請判斷以下兩筆資料是否代表同一個客戶。
    回傳 JSON 格式：{'is_duplicate': boolean, 'reason': string, 'confidence_score': 0-100}

    資料 A: " . json_encode($record_a, JSON_UNESCAPED_UNICODE) . "
    資料 B: " . json_encode($record_b, JSON_UNESCAPED_UNICODE);

    $body = [
        'model' => 'gpt-4o-mini', // 使用 mini 版本較省錢
        'messages' => [
            ['role' => 'system', 'content' => 'Output only JSON.'],
            ['role' => 'user', 'content' => $prompt]
        ],
        'response_format' => ['type' => 'json_object']
    ];

    // 發送請求 (使用 wp_remote_post 是 WordPress 的標準做法)
    $response = wp_remote_post($endpoint, [
        'headers' => [
            'Content-Type' => 'application/json',
            'Authorization' => 'Bearer ' . $api_key
        ],
        'body' => json_encode($body),
        'timeout' => 30
    ]);

    if (is_wp_error($response)) {
        return false;
    }

    $body = json_decode(wp_remote_retrieve_body($response), true);
    return json_decode($body['choices'][0]['message']['content'], true);
}

// 測試資料
$client_1 = ['name' => 'Eric Chen', 'company' => 'Roamer Tech', 'email' => 'eric@roamer.com'];
$client_2 = ['name' => '陳埃瑞克', 'company' => '浪花科技', 'email' => 'eric.chen@roamer-tech.com'];

// 呼叫函式
$result = check_duplicate_with_llm($client_1, $client_2);

// 結果：LLM 能夠理解 Roamer Tech = 浪花科技，判定為高度疑似重複

自動化架構設計：別讓資料有機會變髒

清洗歷史資料只是「治標」，要「治本」就必須在資料進入 CRM 的入口處設下關卡。這就是我們常說的 Data Quality Firewall (資料品質防火牆)。

我建議的架構如下：

1. 輸入端 (WordPress 表單/Webhook)：當使用者提交表單時。
2. 中介層 (n8n / Middleware)：資料不要直接寫入 CRM。
   • 第一步：呼叫 LLM 進行格式標準化 (修正 Email、電話、地址)。
   • 第二步：呼叫 Vector DB 或 CRM API 查詢是否有相似度 > 90% 的現有聯絡人。
3. 決策層：
   • 如果是新客戶 -> 寫入 CRM。
   • 如果是重複客戶 -> 更新現有資料 (Update) 或標記為 Review。

隱私與資安：工程師的最後一道防線

在使用 LLM 處理 CRM 資料清洗 時，大家最擔心的就是資安問題。「Eric，把客戶名單傳給 OpenAI 真的安全嗎？」

這是個好問題。這裡有幾個實務建議：

• PII 去識別化：在傳送給 LLM 之前，可以將敏感個資 (如身分證字號、信用卡號) 進行 Hash 處理或遮罩，只讓 LLM 處理非敏感的結構化資料。
• 使用 Enterprise 協議：如果你使用的是 Azure OpenAI Service 或 OpenAI Enterprise，條款中通常會保證不會使用你的資料來訓練模型。
• Local LLM (地端模型)：如果資料真的極度敏感，可以考慮在公司內部伺服器跑 Llama 3 或 Mistral 模型，透過 Ollama 串接，這樣資料就完全不出內網，雖然維護成本較高，但最安全。

結論：資料是資產，髒資料是負債

導入 使用 LLM 自動處理重複或錯誤資料 的流程，初期看起來需要一點技術門檻，但長遠來看，它能節省業務團隊無數個小時的「找人」時間，更能讓你的行銷自動化不再因為錯誤的 Email 而寄送失敗。

不要讓你的 CRM 變成數位垃圾場。善用 AI，讓資料真正成為驅動業績的資產。

延伸閱讀

• 2026 台灣企業 AI Agent 導入指南：從 PoC 到 ROI 落地
• 拒絕資料孤島！資深工程師教你將 WordPress 會員資料「無縫同步」至企業 CRM 的終極實戰
• 客服不再崩潰！用 OpenAI Function Calling 打造能『查訂單』的 WordPress 智慧 Chatbot 實戰
• Excel 只是試算表不是資料庫！中小企業數位轉型：從 VLOOKUP 地獄到關聯式架構的重生之路