你看到的不是推薦，而是AI替你安排好的購物路線

過去的行銷，是先把顧客分成：男性、女性、年齡、地區……，再決定「這群人可能喜歡什麼」。

現在，企業可以整合消費者的購買紀錄、瀏覽行為、搜尋軌跡、App使用、社群活動與人口統計資料，建立更細緻的個人輪廓，再決定「這個人現在最可能對什麼有興趣」。

延續之前談到一篇發表在《大數據與認知運算》（Big Data and Cognitive Computing）中的文章〈數位行銷中消費者行為的大數據分析與AI：應用、合成資料與暗資料，以及未來方向〉（Big Data Analytics and AI for Consumer Behavior in Digital Marketing: Applications, Synthetic and Dark Data, and Future Directions）。裡面特別介紹AI如何透過個人化行銷（Personalized Marketing）與推薦系統（Recommender Systems）背後的技術，來改變消費者的搜尋與購買過程。

1.協同過濾（Collaborative Filtering）

第一種方法是「協同過濾」（Collaborative Filtering），其中常見的包括：基於使用者的協同過濾（User-based Collaborative Filtering）和基於物品的協同過濾（Item-based Collaborative Filtering）。

「基於使用者的協同過濾」其核心邏輯很簡單：跟你行為相似的人，喜歡的東西，你可能也會喜歡。系統會比較使用者的購買、點擊、評分與瀏覽紀錄，找出與你最相近的一群人，再把他們喜歡、但你還沒接觸過的商品推薦給你。這種方法能幫助消費者大海撈針時快速找到選項，但如果企業只鎖定過度相似的人，也可能讓推薦愈來愈單一，反而畫地自限。

「基於物品的協同過濾」這種方法不是找「跟你相似的人」，而是找「經常被一起購買或喜歡的商品」。例如：許多購買商品A的人，也同時購買商品B，系統就會認為兩者之間高度相關。當你購買或反覆瀏覽A時，便順勢推薦B。這種方式在電商中特別常見，可以直接帶動「交叉銷售」（多買相關商品）與「向上銷售」（買更好的版本），做到順水推舟。不過，如果只依賴過去共同購買紀錄，也可能限制消費者接觸到新產品的機會。

2.內容式過濾（Content-based Filtering）

「內容式過濾」不是找「和你相似的人」，而是找「跟你喜歡的東西相似的東西」。例如：你經常瀏覽白色、極簡、皮革休閒鞋，系統就會繼續推薦具有相似特徵的商品。

3.混合式推薦（Hybrid Recommender Systems）

把前兩種方法結合起來，截長補短。例如：新商品剛上市，還沒有足夠的購買紀錄，就先依商品特徵進行推薦；等累積到更多的使用者資料後，再加入其他顧客的行為判斷。

以上技術進展到現在，加入了深度學習（Deep Learning）（如：類神經協同過濾（Neural Collaborative Filtering，NCF）、遞迴式神經網路（Recurrent Neural Networks，RNNs））。AI不只看「你以前買過什麼」，還可以理解你最近點了什麼、先看什麼再看什麼、停留多久，甚至整合文字、圖片與一連串行為，動態調整下一個推薦。換句話說，推薦技術開始從「你過去喜歡什麼」，走向「你現在可能想要什麼」。

好的推薦，可以降低消費者大海撈針的時間，讓顧客更快找到適合的商品，也可能提高點擊、購買與持續使用平台的意願。

但推薦並不是「越多越好、越準越好」。如果AI一直重複推薦同一類商品，沒有跟上顧客最近的需求變化，就可能讓人覺得疲勞、無聊，甚至產生「你是不是一直在監視我？」的反感。

因此，該篇文章提到，好的推薦，除了準確（Accuracy），還要兼顧相關性（Relevance）與多樣性（Diversity），並注意隱私（Privacy）、自主感（Autonomy）與信任（Trust）。推薦得好，可以降低搜尋成本、提高滿意度；推薦過頭，反而可能讓顧客覺得被監控、被操控，最後適得其反。

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：Theodorakopoulos, L., Theodoropoulou, A., & Klavdianos, C. (2026). Big data analytics and AI for consumer behavior in digital marketing: Applications, synthetic and dark data, and future directions. Big Data and Cognitive Computing, 10(2), 46. https://doi.org/10.3390/bdcc10020046

【Vibe Coding：行銷數據分析學習圈】訂閱計畫（3 月預購，4 月起陸續上架更新）

•  15 堂 AI × 數據分析課程
•  36 小時系統化深度學習
•  128 則 AI 時代必學實戰案例

 課程詳情：https://aistudy.pse.is/vibe-coding-learning

為了回饋社群夥伴長期的支持，
 原價 19,999 元，特別加碼提供本群專屬折扣券 1,000 元： 讓你最低只要 3,999 元 就能完整加入學習圈！

折價券：8MwjovkB

金庸群折價券：bJDX0v7G

歡迎大家一起加入，一起在 AI 時代持續升級