個人化真正厲害的地方，不是更會推薦，而是會用實驗把資源放對地方

之前分享過一篇發表於2025年《國際行銷研究期刊》（International Journal of Research in Marketing）的論文〈個人化與精準投放：如何實驗、學習與優化〉（Personalization and targeting: how to experiment, learn & optimize）。這篇論文指出，個人化（Personalization）的核心邏輯，不是「猜這個人可能喜歡什麼」，而是「先定義問題、再做實驗、再從差異中學習，最後把資源放到真正值得的人身上」。

作者用一個稱為「測試與學習」（test and learn）的框架來說明這件事。整體流程分成四步：設計（Design）、測試（Test）、學習（Learn）、優化與評估（Optimize & Evaluate）。

資料來源：Lemmens, A., Roos, J. M. T., Gabel, S., Ascarza, E., Bruno, H. A., Gordon, B. R., Israeli, A., McDonnell Feit, E., Mela, C. F., & Netzer, O. (2025). Personalization and targeting: How to experiment, learn & optimize. International Journal of Research in Marketing. Advance online publication.
https://doi.org/10.1016/j.ijresmar.2025.07.004

第一步是設計（Design），也就是定義問題（Defining the problem）。

這一步最容易被低估，但其實最重要。因為很多企業一談個人化，馬上就跳到「要給什麼優惠？」或「要用哪一個模型？」，卻還沒先想清楚，這次到底要優化什麼？是點擊率、訂單量、毛利，還是留存？

該研究舉了一個例子：一家外送平台想透過發折價券提升收益。那麼，設計階段就不是只決定「要不要發券」，而是先定義清楚：折扣選項有哪些，例如：0%、5%、10%、15%；優惠要在多久內使用；評估指標是什麼；以及到底要看七天內扣掉折扣後的總毛利，還是只看顧客有沒有下單。這一步真正的重點，是先把問題定義對，後面的步驟才有價值。

第二步是測試（Test），也就是執行實驗（Running the experiment）。

企業不能只靠經驗判斷「這個優惠應該有效」，而是要真的做實驗。以外送平台的例子來說，該研究將顧客隨機分配到不同的折扣組，再觀察後續結果。甚至在正式實驗前，還先做「安慰劑測試」（placebo test）也就是A/A test，表面上分組，但其實每組拿到的優惠完全相同，以用來檢查隨機分派有無出錯。

論文也特別提醒，實驗不是丟出去就結束了，還要持續監測，避免其他促銷活動或推播干擾結果。

第三步是學習（Learn），也就是推論異質性處置效果（Inferring heterogeneous treatment effects）。

這句話聽起來很學術，但翻成白話，是指同一張折價券，對不同顧客的效果不同。論文裡提到一個例子，假設企業發現，有些顧客拿到10%折扣後，七天內真的多貢獻了毛利；但另一群顧客，即使拿到折扣，本來也會買，結果只是白白少賺；還有一群人，即使給了優惠，也完全沒反應。

該研究指出，企業真正該學的，不是「發券『平均』有沒有效」，而是「哪一種優惠券，對哪一種人才真的有效」。論文也提到，這種邏輯已經被用在很多情境。例如：許多研究發現，搜尋廣告對新客與低頻客更有效，不該一直投給忠誠老客；折扣對沉睡客戶比較有用；留存優惠也不該只鎖定那些「看起來快流失的人」，而應鎖定那些真的會因為干預而被挽回的人。

第四步是優化與評估（Optimize & Evaluate），也就是決定最佳個人化策略（Determining the optimal personalized policy）。

到了這一步，企業不能只停在「原來有些人對10%折扣反應較大」，而是要把前面的學習轉成真正可執行的規則。在外送平台的例子裡，如果某位顧客的資料顯示，拿10%折扣的增量毛利最大，那就給10%；如果給5%就夠，那就不要浪費到10%；如果根本不值得發，那最佳策略可能就是0%，也就是什麼都不給。

這其實顛覆許多人的直覺。因為很多人以為個人化就是「每個人都給一點不同的東西」，但該論文提醒我們，真正的個人化往往是：多數人其實什麼都不用給，而給少數人對的東西就好。

此外，企業還要進一步評估這套方法上線後到底有沒有效。評估方式有兩種：一是再做一次線上A/B測試（A/B test）；另一種是用歷史實驗資料做離線政策評估（offline policy evaluation）。而且整個驗證流程是一次次的循環。這次學到的資料與結果，會變成下一輪設計的新起點。

最後，該論文也指出，有些公司早就把這種循環做成企業文化。像Amazon會持續測試個人化促銷、定價與商品組合；Booking.com每年跑大量實驗，調整搜尋、網站設計、訊息與優惠；Google也把實驗平台內建進廣告系統。這些公司厲害的地方，不只是AI比別人強，而是它們早就把上面「設計 — 測試 — 學習 — 優化」四步驟，變成日常的管理節奏。

所以，個人化不只是一套推薦系統，更是一套決策系統；不是比誰更會猜，而是比誰更會實驗、誰更會從中學習，最後把對的資源，放到對的人身上。

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：Lemmens, A., Roos, J. M. T., Gabel, S., Ascarza, E., Bruno, H. A., Gordon, B. R., Israeli, A., McDonnell Feit, E., Mela, C. F., & Netzer, O. (2025). Personalization and targeting: How to experiment, learn & optimize. International Journal of Research in Marketing. Advance online publication. https://doi.org/10.1016/j.ijresmar.2025.07.004