AI個人化促銷會越做越賠？台灣 SME 先查 6 個破口

AI個人化促銷不是把優惠發得更準，而是先判斷誰該收到、能不能收到、折扣會不會傷毛利，以及哪一段必須由人核准。對台灣 SME 來說，最安全的起點不是讓 AI 直接產生三十組折扣文案，而是先把會員資料來源、拒收狀態、毛利底線、商品庫存、通路頻率與成效追蹤整理成一張檢查表。這樣 AI 才是在幫你縮短判斷時間，不是在把錯誤承諾、名單誤用和無利潤訂單放大。

AI個人化促銷先解決什麼問題？

個人化促銷的表面問題是「不同客人要看到不同優惠」，真正的營運問題是「不同客人的價值、意圖、權限與風險都不一樣」。剛買完的人收到更低折扣，會覺得被懲罰；已拒絕行銷的人被再次推播，會傷害信任；本來願意原價購買的 VIP 被訓練成等折扣，會傷毛利；資料來源不明的名單被丟進廣告受眾，會讓法遵與客服一起冒煙。

這就是為什麼 AI 在促銷裡最有價值的位置，不是取代老闆決定價格，而是整理資料、提示異常、比較版本、產出候選分群，讓負責人更快看見「這次活動哪些人適合加碼、哪些人只適合提醒、哪些人先不要碰」。

為什麼現在值得重看個人化促銷？

台灣官方與市場活動已經把 AI 行銷、個人化促銷和中小企業導入放在同一個語境裡。經濟部中小及新創企業署 2026 年與 Meta 舉辦 AI 行銷論壇時，新聞稿提到 AI 行銷應用、廣告創意自動優化、資料保護與使用風險管理；同年政府相關課程頁也以「AI驅動個人化促銷」作為訓練主題。這代表需求很明確：小團隊想用 AI 放大促銷效率，但不能只把它當成文案機。

國際行銷平台常用 RFM 或行為分群來做個人化。Braze 對 RFM 的說明把顧客依最近互動或購買、互動或購買頻率、累積消費價值分組，再用不同訊息與旅程承接。這個邏輯很適合 SME 借用，但要縮小成能落地的版本：先不用追求完美模型，先把「最近買過、常買、高客單、快流失、拒收、客訴中」這幾類分清楚。

6 個破口，先查完再讓 AI 發優惠

1. 毛利底線：優惠不能只看轉換率

請先把商品成本、包材、平台抽成、金流、物流、廣告、退貨與客服成本列成簡表，再要求 AI 依不同分群提出三種方案：不折扣但加價值、低折扣加門檻、會員專屬組合。每個方案都要顯示預估毛利風險，而不是只比較點擊率。若毛利率、退貨率或庫存週轉已經很緊，AI 應先提醒「不適合用折扣解決」，改用內容推薦、預購、加購或服務升級。

2. 個資與同意：能分群不代表能行銷

台灣個人資料保護法第 20 條要求非公務機關利用個人資料時，原則上應在蒐集特定目的的必要範圍內；若當事人拒絕接受行銷，應停止利用其個人資料行銷，首次行銷時也應提供拒絕方式。這對 SME 的意思很直白：LINE 好友、表單名單、門市會員、展場掃碼、抽獎名單和購買資料，不一定能被混在同一個促銷分群裡。

AI 可以協助檢查名單欄位是否有來源、時間、同意範圍、拒收狀態與最後更新日；但它不應替企業主決定「這個人能不能被行銷」。正式推送前，請把拒收、來源不明、敏感資料、未成年人、醫療或金融高風險資料放進人工確認或硬性排除規則。

3. 排除名單：先決定不要發給誰

多數團隊做個人化時只問「誰最可能買」，很少先問「誰不該收到」。建議至少排除六種人：已退訂或拒收者、來源不同意者、剛購買同品類者、正在客訴或退換貨者、資料欄位矛盾者、以及高價值但不適合折扣刺激的 VIP。AI 可以依訂單日、客服狀態、LINE 標籤、Email 狀態與 CRM 欄位產生候選清單，但解除排除必須留下原因。

4. 分群證據：不要讓 AI 用黑箱理由貼標籤

Google 的機器學習分群教學提醒，不同分群方法適合不同資料分布，部分方法對初始條件、異常值或高維度資料敏感。轉成行銷語言，就是不要讓 AI 只回你「這群人高潛力」。請要求每個分群附上可查證原因，例如最近 30 天瀏覽高單價商品、90 天內買過兩次、曾領券未用、客服狀態正常、未拒收行銷。分群理由越能被人檢查，促銷出錯時越能修正。

5. 通路節奏：LINE、Email、廣告受眾不是同一種打擾

LINE Developers 將 Messaging API 定位為能與使用者雙向溝通、提供個人化體驗的能力；Google Ads 政策也提醒使用個人化廣告或再行銷功能時，要檢視資料蒐集與使用政策。這些平台能力很有用，但都不是「有資料就可以一直推」。同一個客人可能適合 Email 教育內容，不適合 LINE 限時折扣；也可能適合廣告再提醒，不適合一對一訊息追打。

6. 追蹤方式：個人化不是只看單次營收

活動上線前，至少先定義四個數字：分群人數、實際觸達、折扣使用、活動後毛利。若是回購型促銷，再加看 30 至 60 天後是否再次購買；若是喚回型活動，則要看拒收、封鎖、客訴或退貨是否上升。AI 可以幫你把每次活動整理成「分群、訊息、優惠、結果、學到什麼」五欄紀錄，讓下一次不是重新猜一次。

一張表：亂發折扣 vs. AI 促銷治理

小團隊 7 天落地流程

第 1 天：定義這次促銷的唯一目的

請只選一個主目的：清庫存、提高回購、提高客單、喚回沉睡客、推新品試用或提升門市來客。目的不同，AI 判斷的資料與排除條件也不同。不要一場活動同時想解決所有問題。

第 2 天：整理 AI 可讀的欄位

最少需要顧客代號、最後購買日、品類、消費金額、最近互動、通路同意、拒收狀態、客服狀態、最近一次促銷接觸。沒有欄位就先留空，不要讓 AI 猜。

第 3 天：讓 AI 產生候選分群與理由

請 AI 不只輸出名單，也輸出每一群的判斷理由、建議通路、不應使用的話術和需要人工確認的風險。這一步的目標是讓人能挑錯，而不是相信分數。

第 4 天：先審排除，再審優惠

先看拒收、剛購買、客訴、資料矛盾與 VIP 是否被正確排除或標記，再看優惠深度。這個順序很重要，因為名單錯了，再漂亮的文案都只是把錯誤包裝得更像真的。

第 5 天：產出三種訊息，不要只產出三種折扣

同一群人不一定都要折扣。可以測試內容型提醒、服務型加值、會員優先、組合推薦或小額門檻。折扣只是其中一種工具，不能變成所有個人化的終點。

第 6 天：低量測試與客服準備

先用小量名單或低預算測試，並準備客服回覆：為什麼收到、如何取消、優惠限制是什麼、是否能與其他活動合併。AI 可以整理 FAQ，但退款、補償與例外仍要人工決定。

第 7 天：回收結果，更新規則

活動後把分群、通路、文案版本、優惠、毛利、拒收、退貨與客訴寫回同一張表。下一次請 AI 先讀上一輪結果，再提出新建議，這才會形成可複製的 SME 行銷資產。

適合誰？不適合誰？

這套做法適合已經有 LINE 官方帳號、Email 名單、電商訂單、門市 POS、會員資料、CRM 或廣告再行銷資料的台灣 SME。資料不必很大，但要知道來源、用途與更新時間。食品、保健、生活選物、課程、餐飲、門市服務、B2B 耗材與回購型產品，都能先從一個小分群測試。

它不適合沒有任何同意紀錄、資料散落在私人手機、產品毛利不清、客訴流程未定，或產業涉及醫療、金融、未成年人、敏感個資與高風險承諾卻沒有專業審核的情境。這些情況應先補資料治理與法遵審查，再談 AI 自動化。

資料更新與來源

本文於 2026 年 9 月 21 日依公開官方文件、平台說明與可查詢的行銷 benchmark 整理。平台介面、廣告政策、API 欄位與法規解釋可能調整；正式投放前，請以實際使用平台、合約、隱私權告知與專業顧問意見為準。

• 台灣中小企業 AI 行銷導入與風險管理脈絡：經濟部中小及新創企業署新聞稿、AI驅動個人化促銷課程頁。
• RFM 與行為分群參考：Braze RFM segmentation guide。
• 分群方法限制參考：Google for Developers 分群演算法。
• 平台資料與個人化廣告政策：Google Ads policies、LINE Developers。
• 台灣個資行銷基本要求：個人資料保護法。

結論：真正成熟的個人化，是知道什麼時候不要打折

AI個人化促銷的價值，不是把優惠發給每個看起來有機會的人，而是讓 SME 更快看見資料、毛利、通路與信任之間的取捨。先守住毛利底線、個資同意、排除名單、分群證據、通路節奏與回收指標，再讓 AI 幫你產生候選方案。這樣做比較慢一點，但每一次促銷都會留下可檢查的決策紀錄，而不是只留下下一次更難收拾的折扣習慣。

FAQ

AI個人化促銷第一步要做什麼？

先定義活動目的與不可碰的限制，例如毛利底線、拒收名單、資料來源、庫存與客服狀態，再讓 AI 產生候選分群與訊息。

小公司沒有 CDP 也能做個人化促銷嗎？

可以先用 LINE 標籤、電商訂單、POS 匯出、Email 狀態和試算表做小分群；重點是欄位可追溯，不是工具一定要很大。

AI 可以自動決定誰收到折扣嗎？

不建議。AI 可以整理資料與提示風險，但折扣深度、可用名單、拒收處理、客訴例外與 VIP 策略仍應由負責人核准。

個人化促銷一定要用折扣嗎？

不一定。個人化也可以是內容提醒、會員優先、組合推薦、服務加值、預購通知或專屬客服；折扣只是其中一種手段。

怎麼判斷 AI 個人化促銷有沒有成功？

不要只看營收。至少同看分群觸達、折扣使用、毛利、拒收或封鎖、退貨、客訴，以及活動後是否帶來下一次回購。