精準行銷的反直覺真相：不那麼極致，反而更聰明

這幾年，企業做行銷，已經不是只看「這個人買過沒有」這麼簡單。現在很多公司會用AI和機器學習，替每一位消費者算出一個「他有多大機率會買」的分數，再決定要不要投放廣告、發優惠券，或推促銷訊息。

表面上看，這好像很合理，畢竟越能找出真正可能會買的人，預算就越不浪費。可是，真正的問題在於，市場上不只只有我們一家公司在使用AI。這時，行銷就不只是「算得準不準」，而是「我們和對手是不是同時都瞄準同一群人」。

2026年一篇刊登於頂級行銷期刊《行銷科學》（Marketing Science）的論文《演算法投放中的精準率與召回率取捨》（Algorithmic Targeting and the Precision-Recall Trade-off），其研究的核心，就是判斷企業在競爭市場裡，如何在「精準率」（precision）與「召回率」（recall）之間做選擇。

「精準率」可以簡單理解成「打得準不準」，也就是我們瞄準的人裡面，有多少真的會買；「召回率」則像「抓得全不全」，也就是所有本來可能會買的人裡，我們抓到了多少。

企業若重視「精準率」，就會把廣告集中投給最有可能買的人；若重視「召回率」，就會把範圍放大，盡量不要漏掉潛在顧客。

該篇論文指出，在現代數位經濟中，企業手上有大量消費者資料，演算法輸出的通常不是簡單的yes或no，而是每個人的轉換機率分數。也因為如此，企業會碰到一種兩難：如果只打高機率客戶，會比較準，但也會漏掉一些本來可能有機會成交的人；如果想多抓一些人，就會把錢花在不少根本不會買的人身上。更麻煩的是，若兩家公司的模型很像，可能會同時盯上同一批高分客戶，最後彼此消耗。

在研究方法上，該研究採用賽局理論模型。模型裡有兩家競爭公司，並將消費者分成兩種：有興趣與沒興趣。企業本身不知道誰是哪一種，只能依靠演算法提供的機率分數來決定要不要投放。

模型還放進一個很重要的變數：兩家公司的預測結果可能有相關性，也就是說，兩家公司有可能因為使用相似的資料、類似的AI工具，最後看到差不多的高潛力客戶名單。研究想推演，在這種情況下，企業最適合採取什麼樣子的投放策略。

結論很直觀，一旦有競爭時，公司會更傾向高「精準率」、低「召回率」，也就是「少打一點，但打得更準」。

原因也很單純，如果兩家公司都去搶同一個可能下單的人，最後獲利會被稀釋，所以公司寧可把預算集中在最有把握的小範圍，也不要廣撒網。

但論文更有意思的地方在後面。它發現，當兩家公司的演算法越相似，企業不只會打得更少，甚至還可能故意把精準度稍微調低。

這聽起來很反直覺，因為一般人會以為模型越準越好。可是該篇文章指出，當大家都知道高機率客戶那邊已是一片紅海時，企業反而可能把目標移到一些中等機率、但競爭沒那麼激烈的人身上。換句話說，不是因為企業不想精準，而是因為「最精準的地方，往往也是競爭最激烈的地方」。

這對企業有幾個很實際的啟發。

1.不要把AI行銷理解成模型分數越高就一定越值得追。在競爭市場中，真正重要的不只是轉換機率，還包括這群人是不是大家都在搶。

2.企業應該更重視第一方資料與私有資料。因為如果大家都依賴公共資料、第三方平台工具，演算法就會越來越像，最後不只彼此撞單，還會一起把投放策略做窄，讓整體行銷效率下降。

3.管理者應重新定義「精準」這件事。真正高明的投放，不只是追逐90分以上的客戶，而是找到「自己最值得搶、但又不會和對手正面撞上的客戶」。有時候，60到80分的客戶反而比較有策略價值，因為那裡不是紅海。

4.政策制定者也要注意隱私法規的副作用。如果法規讓企業更難使用私有資料，只能依賴公共資料，企業的模型彼此之間就可能更加相似，最終導致大家的廣告既不夠精準，也不夠有效，連消費者接收到的有用資訊都可能變少。

總結來說，這篇論文提醒我們，AI行銷不是單純的技術問題，而是一場競爭下的策略問題。企業真正要思考的，不只是「誰最可能買」，而是「誰最值得我去打，而且不會讓我和對手打成一團」。所以，有時候，敢於不要那麼追求表面上的極致精準，反而才是更聰明的精準。

作者：羅凱揚（台科大企管系兼任助理教授）、鍾皓軒（臺灣行銷研究有限公司創辦人）

資料來源：Iyer, G., Yao, Y. (J.), & Zhong, Z. (Z.). (2026). Algorithmic targeting and the precision-recall tradeoff. Marketing Science. Advance online publication. https://doi.org/10.1287/mksc.2024.0930