AI 個性化推薦完整指南

三大推薦演算法

• 1. 協同過濾（Collaborative Filtering）：「跟你類似的人也喜歡 X」。優點精準、缺點需要大量資料
• 2. 內容推薦（Content-based）：「跟你看過的商品類似的 X」。優點冷啟動快、缺點易陷入「同類商品迴圈」
• 3. 混合推薦（Hybrid）：結合前兩者。現代電商多用此

加上深度學習可處理冷啟動與長尾商品，是 2026 年主流方案。

八大關鍵推薦版位

• 1. 首頁「為您推薦」：會員登入後第一眼看到的個性化內容
• 2. 商品頁「您可能也喜歡」：底部推薦類似商品
• 3. 商品頁「常一起購買」：提升加購率（如手機+殼）
• 4. 購物車頁「加價購」：湊免運
• 5. 結帳完成感謝頁：「下次回購這些」
• 6. 會員中心「為您推薦」：持續個性化
• 7. EDM 推薦商品：提升開信點擊率
• 8. 站內搜尋無結果頁：用相似度推薦替代品

推薦資料來源

建立推薦系統需要的資料：

• 瀏覽歷史（看過哪些商品）
• 購買歷史（買過什麼）
• 收藏/願望清單（想要的）
• 評論與評分（喜好強度）
• 停留時間（看多久代表興趣強）
• 會員基本資料（年齡、性別、地區）
• 商品 metadata（品類、價格、品牌、屬性）

冷啟動問題的解決

新會員/新商品的冷啟動四大方法：

• 1. 新會員推熱銷：沒個人資料時的合理選擇
• 2. 註冊時問偏好：「您對哪些品類感興趣？」收集初始資料
• 3. 行為快速建模：第一次瀏覽就追蹤點擊、停留時間
• 4. 新商品用內容類似推薦：給已喜歡相似商品的顧客

「常一起購買」的特殊推薦

「常一起購買」（Frequently Bought Together）是高效推薦版位。範例：手機 → 殼 + 保護貼；咖啡豆 → 濾紙；嬰兒車 → 安全帶。推薦時要：用「組合價」展示（比個別買便宜）；放在「加入購物車」按鈕附近；用 1-3 個搭配商品（太多選擇癱瘓）。實測可讓加購率提升 15-30%。

推薦的多樣性與新鮮度

純精準推薦會讓顧客「總是看到類似商品」感到膩。要刻意加入多樣性：80% 推薦類似商品（精準），20% 推薦驚喜商品（探索）；季節性調整推薦（夏天推涼感商品）；新品比例不要太低（讓顧客看到新東西）；避免推薦顧客已買過的（除非是耗材回購）。

效果評估與優化

關鍵指標：推薦點擊率（CTR，健康 5-15%）；推薦商品的轉換率；推薦帶動的客單價提升（vs 沒看推薦的顧客）；推薦多樣性；顧客滿意度。A/B 測試：有推薦版位 vs 沒推薦的轉換率差異，量化效益。每季調整演算法權重。

常見問題解答