AI如何同時萃取商品顯性與隱性特徵，讓推薦更貼近消費意圖？

Question

Accepted Answer

顯性特徵先建立商品輪廓

AI在商品推薦上的第一步，是先把品牌、價格、製作方式、品類與上架狀態這些「看得見」的資訊整理成可運算的標籤。以全家線上與線下合計超過一萬種商品來看，若沒有這層結構化處理，乾拌麵、洗髮精、咖啡因洗髮精這類跨品類商品就很容易在系統中被錯置。顯性特徵的價值，在於先把商品從雜亂的貨架語言轉成清楚的分類語言，讓系統知道一包新上市乾拌麵屬於麵食、屬於新品、屬於哪個價位帶，也能對應到什麼樣的消費場景。

隱性特徵補足消費者真正的關注點

真正拉高推薦精準度的，往往不是品名本身，而是網路討論裡透露出的隱性訊號。像某位名人曾開箱、社群上有人留言想吃是為了瘦身，或在社群平台出現高頻關鍵字，這些都會讓同一包乾拌麵從單純的食品，變成「減重」「名人同款」「宵夜替代」等不同語境的商品。這類隱性特徵反映的是消費者為什麼想買，而不是商品是什麼，對零售通路而言，這正是判斷行銷切點的核心。一般而言，隱性標籤越完整，越能看出商品在市場上的真實角色。

雙重標籤讓推薦貼近購買意圖

當顯性與隱性特徵一起運作，推薦系統就不只是把商品送出去，而是把商品送到「對的人、對的時機」。全家與阿物科技合作導入ＡＩ行銷自動化後，系統上線第一週，會員平均停留時間成長了１３４０％，轉換率提升１３倍，半年內業績成長近９成，這代表標籤不只提升曝光，更直接影響點擊、停留與下單。從產業實務來看，這種做法等於把原本依賴人工經驗的推薦邏輯，改成由資料判讀消費意圖，讓新品更容易被看見，也更容易被買走。

面對第三方Cookie退場，資料標籤成為新基礎

數位廣告環境在２０２２年起走向第三方Cookie退場，過去仰賴跨站追蹤的投放模式逐步失效，零售品牌更需要靠自有會員資料與站內行為來理解顧客。全家累積超過１４００萬個數位會員，搭配ＯＭＯ虛實融合與Ｏｎｅ　ＩＤ整合，等於把線上瀏覽、線下取貨、跨店取貨等行為串成完整路徑。就市場慣例來看，這類一手資料加上ＡＩ標籤，會比單純看廣告點擊更能掌握顧客在何時、因何種動機接觸商品，推薦自然也更接近消費意圖。

從商品標籤走向零售生態池

黃士杰把這套能力視為更大規模的生態池基礎，因為１４００萬會員背後不只是流量，也是品牌商判斷賣多少、賣給誰、賣到哪的依據。當系統能同時辨識商品屬性與社群語境，便利商店就不再只是賣貨通路，而是能協助新品試水溫、估算需求、推播通知與門市到貨的數據平台。從全家「隨買跨店取」在２０２０年創造超過３０億業績，到線上營收半年成長９０％，都可看出，顯性與隱性特徵的整合，已經不是單一推薦功能，而是零售數位化競爭力的核心。

閱讀紀錄

隱藏 →

此記錄會在頁面關閉後消失

AI如何同時萃取商品顯性與隱性特徵，讓推薦更貼近消費意圖？

Loading

你覺得這篇文章有幫助嗎？

有幫助

沒幫助

回報問題

1

0

0

分享給好友