Shopify 對話式 AI 商品推薦

Shopify 顧客若說「我要適合乾燥氣候、無香精、40 美元以下的保濕品」，已提供比一長串缺少情境的瀏覽紀錄更有用的推薦資訊。

AI 店舖助理真正要做的，是把這些資訊整理成有憑有據的候選清單：

1. 找出顧客的硬性條件。
2. 移除無法符合條件的商品。
3. 依顧客明說的偏好與相關情境，排列有效選項。
4. 說明取捨，只問下一個可能改變選擇的問題。

本文適合負責設計 AI 店舖助理如何縮小商品選擇、說明原因的電商商品企劃、CX、對話設計、產品與隱私團隊。重點是這套對話決策流程，不是一般推薦元件或不透明的個人檔案分數。請搭配AI 商品推薦品質檢查工作表，用自家商品目錄測試。

先分清三類顧客情境

替商品排序前，先把每個訊號分成硬性條件、偏好或線索。

這項區分能避免一個常見問題：推薦熱門或高毛利商品，卻違反顧客明確提出的要求。

如果商品目錄無法可靠表示關鍵條件，應先修正來源，不要先改推薦提示詞。AI 商品推薦用 Shopify 商品目錄檢查表涵蓋商品、款式、市場與政策準備。

使用訊號優先順序，不靠單一黑箱分數

優先採用最直接、最新，而且與眼前決定最相關的證據。只有能改善決定時，才加入較間接的情境。

顧客目前明說的意圖，應優先於較舊或間接的行為。某件商品可能是替別人看、讀完細節後已放棄，或來自共用裝置。頁面瀏覽只能證明注意過，不代表偏好。

購物車情境在關係可查證時最有力。購物車裡有相機機身，可以合理追問相容鏡頭；卻不能成為連續推銷無關加購的理由。

為每種推薦任務定義最低必要資訊

購物任務不同，需要問的問題也不同。不要拿同一套問卷套用所有情況。

把高價值商品系列的最低輸入寫下來。這份清單會同時成為對話設計與測試規格。

只有答案可能改變選擇時才問

使用以下決策規則：

實用的停止規則是：每個選項都符合硬性條件，而且再問問題只會重排相近選項時，就該提出推薦。

問題太多，對話會像填表；太少，答案就像猜測。正確數量取決於商品決定，而不是一套通用腳本。

假設範例：縮小範圍、解釋，再微調

以下商品與回覆只供示意；不是百思購® 客戶成效，也不是對真實商品目錄的聲明。

顧客： 「我要放在小臥室的蠟燭。不喜歡甜味，預算要在 35 美元以下。」

不好的回答： 「最暢銷的香草蠟燭最適合你。」

考量決策條件的回答：

「建議先排除偏甜的美食調香。35 美元以下有兩款更合適：Cedar Rain 是木質調，擴香較柔和；Coastal Herb 更清新，草本香氣也更明顯。比較在意氣味含蓄，還是希望整個房間都有香氣？」

這段回覆做到：

• 遵守預算與排除香味。
• 提出精簡候選，而不是丟出整份商品目錄。
• 說清楚每個選項各自的理由。
• 只問剩下的一項取捨。

若沒有商品符合條件，就應該什麼都不推薦。「沒有合適商品」也是有效結果。

說明選擇，不揭露內部機制

顧客不需要評分公式，只需要自己能查證的理由。

使用這套回覆順序：

推薦→證據→取捨→可選的下一個問題

例如：

「你要的是外部尺寸最小的輕量包，所以 20 L Daypack 更接近需求。28 L 版本空間更大，但高度也更高。要優先考慮容量，還是方便攜帶？」

避免說「演算法認為你會喜歡」。這句話沒有證據，也可能讓普通的本次造訪情境，聽起來比實際情況更像在侵犯隱私。

在每個訊號層級設隱私護欄

為每個訊號記錄：推薦為什麼需要它、精確到什麼程度、相關性維持多久，以及顧客如何更正推論。較少資料就能完成任務時，就少用資料。

Shopify 的 Customer Privacy API向店面實作提供與使用者同意相關的資料處理權限。Shopify 的受保護顧客資料指南強調資料最小化、透明與安全。商家也應查看百思購® AI 店舖助理的隱私權政策、自家通知，以及市場與設定適用的要求。

實務界線包括：

• 不要把瀏覽行為說成顧客的既定事實。
• 不要突然揭露購買紀錄；先確認是否相關。
• 不要從微弱訊號推測健康、身分、財務或其他敏感特徵。
• 不要把原始個人細節搬進品質檢查工作表；請記錄決策模式。
• 無法取得同意、權限或可靠證據時，回到顧客在對話中明說的內容。

實用的個人化不需要顧客姓名或持久身分。設計良好的對話，可以從眼前說出的需求開始。

衡量轉換前先測試失敗模式

不要把轉換當成唯一品質檢查。推薦即使促成購買，仍可能不相容、造成誤解、不必要地侵犯隱私，或很可能導致退貨。

品質檢查要分成兩層。商品目錄證據檢查確認每項關鍵事實，都有目前有效的權威來源，而且套用到正確商品、款式、市場或政策範圍；Shopify 商品目錄檢查表負責這一層。推薦行為檢查則看商家可觀察的行為：助理是否保留條件、使用有依據的證據、選對款式、說明取捨、接受更正，並在沒有經驗證的符合商品時拒絕推薦。下列測試處理第二層。

請檢查成功、放棄、升級轉接、更正與不推薦案例中可觀察的輸出和行為。查看回答保留哪些條件、引用或轉述哪些商品事實、連到哪個商品與款式、要求什麼釐清，以及所說取捨是否符合證據。這些檢查不必假設能看見模型內部推理，也能揪出脆弱行為。

AI 商品推薦品質檢查工作表包含硬性條件、多輪記憶、款式範圍、透明解釋與安全不推薦等情境。請在評估營收影響前先完成這些測試。上線後衡量則依Shopify AI 店舖助理 ROI 指南的歸因注意事項進行。

百思購® AI 店舖助理的適用場景

百思購® AI 店舖助理頁面說明，商品引導會參考偏好、瀏覽行為、意圖、購物車情境與過往購買。技能頁則說明依顧客需求、購物車與商家即時商品目錄進行對話式推薦，以及加購推薦與搭配推薦技能。

這些公開說法足以支持運用相關商店與顧客情境縮小選項，卻不能證明存在跨商店身分圖譜、可無限制存取個人資料，或保證能讀取每個 Shopify 欄位。請確認自家商店可用資料，再據此設定回答界線。

把架構用在實務上

1. 選一個有明顯取捨的商品系列。
2. 完成推薦品質檢查工作表。
3. 測試符合條件的商品、不符合條件的組合、更正、追問與無符合商品案例。
4. 記錄每次通過或失敗、支持證據與修正負責人。
5. 錯誤答案若來自商品目錄，先修正證據，再調整說法。

樣本通過後，若準備使用百思購®，請從 Shopify App Store 安裝百思購®，再於上線前，在設定好的商店重跑工作表情境。目標不是讓每個回答都個人化，而是讓每次推薦都有用、有根據，也忠於顧客眼前的決定。