商品推薦系統怎麼佈局？從首頁、商品頁到購物車，位置對了轉換率才會動

作者｜瞻新資訊　張安邦執行長（台大醫工背景・十年以上IT服務公司創辦人）

很多電商網站其實已經裝了推薦系統，只是把它擺在頁面隨便一個角落，像跟人借位子一樣——首頁塞一排「熱門商品」交差，商品頁下方隨便帶幾張圖，購物車頁則完全沒有。這篇文章要講的不是推薦系統是什麼、怎麼運作（這部分先前已經有一篇更完整的技術原理說明），而是一個已經決定要做推薦系統的電商網站，接下來該怎麼把它真正放進網站的營運節奏裡。商品推薦系統要發揮效果，重點不在演算法多聰明，而在於推薦的位置、時機跟業務規則有沒有對齊——這句話會是整篇文章的主軸。

為什麼同一套推薦系統，擺對位置跟擺錯位置差很多

同一套推薦引擎，裝在不同版位上，讀者當下的心理狀態完全不一樣。首頁的讀者多半還在「隨便看看」，商品頁的讀者已經在「認真比較」，購物車的讀者則是「準備要付錢」。如果三個版位都推一樣的東西、用一樣的邏輯，等於用同一句話回答三個不同的問題，讀者當然感覺不對勁。

業界常見的做法，會把三個版位拆成三套邏輯：首頁用「最近瀏覽」或熱門排行帶出探索感，商品頁用「跟這個商品相似或搭配」的邏輯幫助比較，購物車則用「其他人買了這個也會買」的邏輯做臨門一腳的加購建議。這三套邏輯背後對應的是不同的資料來源與不同的商業目的，不是同一個推薦模型換個位置貼上去就好。這也是很多網站推薦系統「有做但沒感覺」的原因——版位換了，邏輯卻沒跟著換。

版位	適合的推薦邏輯	主要目的
首頁	熱門商品或依瀏覽紀錄的個人化排序，新舊訪客區分處理	品牌探索、拉新與喚回熟客
商品頁	依商品相似度，互補品與替代品分開呈現	幫助比較、降低使用者流失到其他商品就不回來的機率
購物車／結帳頁	依購買關聯性，聚焦互補品，數量少而精	拉高客單價，但不能干擾結帳流程

首頁：陌生訪客看熱門，熟客才看個人化

首頁是所有訪客的第一站，但訪客的「資歷」差很多——第一次來的人，系統對他一無所知；常來的熟客，系統早就累積了瀏覽與購買紀錄。對第一次來的訪客，個人化推薦其實推不出什麼名堂，這時候讓他先看熱門商品或當季主打，反而比硬要「猜你喜歡」更實際；對已經有互動紀錄的熟客，首頁才該切換成依他過去瀏覽或購買行為排序的個人化區塊。

常見的情況是，很多電商網站的首頁只有一套邏輯，不管來的是誰都推一樣的東西——結果就是熟客覺得「怎麼都看過了」，新客又看到一堆跟自己無關的東西。首頁其實不是一個推薦版位，而是兩個推薦版位疊在一起，只是多數網站沒有把它們分開設計。

商品頁：互補品跟替代品要分開，不要擠在同一區

商品頁的推薦最容易踩的一個坑，是把「跟這個商品搭配著買」跟「不喜歡這個商品的話還有別的選擇」混在同一區，讀者分不清楚系統到底想幹嘛。國外的電商使用者體驗研究機構Baymard Institute針對商品頁的交叉銷售版面做過大規模測試，發現只有少數網站會把商品頁的推薦拆成兩個獨立區塊：一區專門建議「配件、耗材」這類補充商品，另一區才是「同類型的其他選擇」，兩者分開呈現，使用者一眼就知道自己在看哪一種建議。

把「搭配著買」跟「還有其他選擇」混在同一排，讀者要花額外力氣分辨系統的意圖，這種多餘的判斷成本，正是很多商品頁推薦沒發揮作用的原因。對商品項目本來就不算少的電商網站來說，把這兩區明確分開，其實不需要多複雜的技術，只是版面設計上的取捨問題。

購物車與結帳頁：只推「順手就會買」的東西，數量少而精

購物車頁跟商品頁的推薦邏輯不一樣。讀者到了購物車，已經做完「要不要買」的決定，這時候適合推的是「順手一起買」的補充品，而不是「要不要考慮別的」的替代品——在購物車頁推替代品，等於在讀者已經決定的時候反過來讓他猶豫，容易讓他連原本要買的都一起放棄。

Baymard Institute另一份針對購物車頁交叉銷售的研究更直接指出一個常見問題：超過一半的桌面版電商網站，在購物車呈現的推薦商品要嘛完全不相關，要嘛只是根據「其他人也買了」這種粗略邏輯，缺乏真正貼合這位使用者當下購物情境的相關性。這份研究整理出幾個具體的改善方向：

• 推薦數量不要固定湊滿一整排，寧可只顯示真正高相關性的一兩件
• 購物車階段應優先推「補充商品」而非「替代選項」
• 用「根據您的瀏覽紀錄」這類清楚的標籤，讓使用者理解系統為什麼推薦這個
• 同一主題的商品可以分組呈現（例如以「換季必備」這類使用情境分組），而不是把不相關的熱門商品硬湊在一起
• 必要的配件或耗材（例如電池、安裝零件）應優先於一般性的加購建議，這類「用得到」的補充品比「可能會喜歡」的推薦更容易被接受

推薦策略要跟庫存、促銷檔期綁在一起，不能自己跑自己的

推薦系統常被當成一個「裝好就自己跑」的黑盒子，但實際上，一套推薦系統如果不跟庫存狀態、促銷檔期這些營運資訊掛勾，很容易推出讓人尷尬的結果——最常見的就是把已經缺貨的商品推薦出去，讀者點進去才發現買不到。

比較成熟的做法，是在推薦模型之上再疊一層「業務規則」：缺貨商品自動從推薦名單剔除、季末要出清的庫存給予推薦權重加成、促銷檔期主打的商品優先曝光。這一層規則不需要多複雜的技術，很多推薦系統本身就有讓經營者自訂規則的介面，重點是要有人真的去設定它，而不是假設系統會自己判斷。

這不是空泛的說法。以 Google Cloud 提供給企業使用的商用推薦系統服務為例，官方技術文件明確說明了這一層業務規則具體怎麼運作：經營者可以針對符合特定條件的商品（例如品牌、價格區間、是否促銷中）設定一個「加權或排除」的數值，讓這些商品在推薦結果裡排序往前推或直接排除，不需要重新訓練整個推薦模型；另外還有專門設計給「促銷中商品」使用的推薦模型，會優先把打折商品排進推薦名單，鼓勵使用者購買正在促銷的品項。這說明業務規則層並不是某家廠商的行銷術語，而是主流商用推薦系統服務裡的標準功能——換句話說，缺貨排除、促銷加權這類需求，技術上是有現成做法可以對應的，重點在於有沒有人真的去設定它。

台灣電商一年之中最大的幾個促銷檔期，像雙11、周年慶，流量結構跟平常很不一樣——雙11多半是全市場比價、吸引新客的流量檔，周年慶則偏向品牌自己經營熟客與會員的場子。推薦系統若在檔期期間仍然用平常那套「新舊訪客一視同仁」的邏輯，很容易錯過檔期最該做的事：對新客推熱門與檔期主打商品做轉換，對熟客推他過去感興趣但這次有折扣的商品做回購。這個判斷主要來自雙11與周年慶兩種檔期性質本來就不一樣的邏輯推導，不是套用某份特定研究的結論，實際成效仍會因產業與客群而有差異。實務上也不少見的是，檔期活動的行銷素材都準備好了，卻忘了同步調整推薦系統的權重設定，結果檔期主打商品沒有被推到該被推的人面前，行銷跟系統各做各的。

規則式 vs AI 推薦模型，中小電商該怎麼選

推薦系統背後常見的兩種做法邏輯不太一樣，各有各的適用情境：

	規則式推薦	AI推薦模型
運作方式	經營者自己設定「如果A則推薦B」的條件	依歷史資料自動學習使用者偏好與商品關聯
優點	直覺好懂、經營者掌控度高，可以直接對齊促銷與庫存策略	資料量夠大時，個人化精準度通常更好，能隨資料變化自動調整
缺點	規則不會自己學習，市場或商品變化了要有人回頭更新規則	需要足夠的資料量與技術資源才跑得動，決策邏輯較不透明
適合階段	商品數與流量還不大、剛起步的電商	商品數量夠多、使用者互動資料能持續累積的電商

多數成熟的電商推薦系統，其實不是規則式或AI模型二選一，而是把業務規則疊加在AI模型之上——AI負責抓出個人化排序的大方向，規則負責處理「缺貨不推」「檔期商品優先」這類必須被人為控制的商業邏輯。業務規則層通常以加權或排除的方式運作，例如把促銷中的商品排序往前推、把缺貨商品直接排除，而不是重新訓練整個推薦模型，這是國外主流雲端推薦系統服務普遍支援的做法。對商品數量還不算龐大的中小電商來說，先從幾條清楚的規則開始，比一開始就想導入複雜的AI模型更務實。

推薦系統對轉換率、客單價的實際影響有多少

推薦系統對業績的貢獻，國際上有幾份具公信力的研究可以參考。國際顧問公司麥肯錫（McKinsey）針對企業個人化投資的研究發現，個人化做得好的企業，平均能讓營收成長10%到15%，表現最好的甚至可以到25%，而這個效益不是只靠推薦系統一項技術，是整體個人化策略的綜合成果，推薦系統是其中很重要的一環。

Salesforce 針對橫跨15億全球購物者的電商大數據所做的《Shopping Index》報告則提供了更直接跟推薦系統相關的數字：有點擊過推薦商品的購物者大約只佔整體的7%，但這一小群人卻貢獻了整體營收的26%與訂單數的24%。換句話說，推薦系統影響到的雖然是少數會互動的使用者，但這群人的購買力遠高於平均值。

對客單價的影響，主要來自「交叉銷售」這個機制——讀者原本只打算買一件，因為看到搭配的相關商品，多買了一兩件，單筆訂單金額自然拉高。這跟「追加銷售」（推薦更貴的同類商品）是兩種不同的手法，交叉銷售在購物車與商品頁比較常見，追加銷售則多半出現在商品頁的比較區塊。想更完整掌握轉換率背後的數字怎麼讀，可以參考跳出率、停留時間到轉換漏斗的判讀方式，推薦系統只是影響轉換率的其中一個環節。

推薦不準的代價，比你想的大

多數討論推薦系統的文章只講好處，但推薦不準也是有代價的。根據Baymard Institute的購物車推薦研究，使用者對不相關的推薦反應相當直接——只要出現一次明顯不合理的推薦，使用者往往會對整組推薦內容失去信任，之後乾脆整排忽略，不會再逐一檢視。

常見會踩到的誤解，是以為「推薦的商品越多、版位越滿，效果越好」，實際上版位塞太滿反而稀釋掉真正相關的那幾個商品，也會拖慢頁面載入速度。推薦的核心價值從來不是「填滿版位」，而是「幫讀者做出比自己找還快的判斷」，多不等於好。

導入前的技術前提：你的系統串不串得起來

不管是要調整版位邏輯，還是要疊加業務規則，前提都是網站後台、商品資料庫、金流跟庫存資料串接這類基礎工程要先打穩，使用者行為資料也要能被串接起來、變成結構化的資料。很多企業一開始只想著「要加一個推薦功能讓網站更聰明」，卻沒有先盤點現有系統的商品資料是不是齊全、使用者的瀏覽與購買行為有沒有被完整記錄下來——沒有資料基礎，版位規劃跟業務規則都無從談起。

版位規劃跟業務規則設計，說到底也是一種系統整合的工作，需要先確認現有系統能不能串接，而不是先決定要推什麼商品。這跟評估系統整合商時要看的判斷標準是同一種思路——先確認基礎串不串得起來，再談要做什麼功能。很多客戶來談這類需求時，一開始都說不清楚自己的資料現況到底夠不夠支撐個人化推薦，這也是評估這類需求時，通常會先確認的第一步。至於推薦系統本身的運作原理、為什麼系統剛上線時常常不準，可以參考先前那篇推薦系統技術原理說明，這篇不重複展開。

如果你正在規劃電商網站的推薦系統版位與業務規則，想先確認現有系統的資料基礎夠不夠，瞻新資訊長期協助中小企業做網站與系統開發，可以先聊聊你目前的系統現況，一起看看下一步怎麼走比較實際。

FAQ