加購推薦要先回答一個問題：這個建議是否真的幫顧客完成原本想做的事。台灣電商使用 AI 做商品推薦時，不應只把熱門品、庫存品或高毛利品塞到商品頁和購物車，而要先定義主商品情境、互補商品、顯示位置、衡量事件、個資告知與人工審核規則。做對了，加購推薦可以提高客單價與回購線索；做錯了，會變成干擾、誤導優惠，甚至讓顧客覺得你只想硬推。
為什麼加購推薦不是推薦越多越好
很多電商看到「AI 商品推薦」就想一次放滿商品頁、購物車、結帳前、付款後、Email 和 LINE。問題是，顧客不是來幫你清庫存；他是在解決自己的需求。推薦區塊若和當下任務無關，會讓商品頁變亂、結帳變慢，還可能稀釋主商品的說服力。
Shopify 開發文件把 complementary products 定義為常和主商品一起購買、能搭配目前商品的產品，並建議預設顯示 2 到 3 個推薦品，同時說明缺貨、價格為 0、禮品卡與已在購物車中的商品不會被納入推薦。這提醒台灣電商：推薦不是越多越好，而是要控制數量、狀態與顧客理解成本。來源：Shopify complementary products 文件。
加購推薦上線前先檢查 6 件事
| 檢查項目 | 該問的問題 | AI 可以做什麼 | 人工要守的線 |
|---|---|---|---|
| 商品關聯 | 這個商品是否真的補足主商品用途？ | 從訂單、瀏覽、分類與客服問題整理候選組合 | 刪掉只因庫存壓力或毛利高而硬塞的品項 |
| 顧客階段 | 顧客是在比較、加入購物車、結帳，還是已收貨？ | 依行為階段產生不同推薦理由 | 不要在結帳最後一步突然塞太多選擇 |
| 顯示位置 | 商品頁、購物車、付款後、Email 哪裡最自然？ | 產出 A/B 測試假設與版位文案 | 保留主 CTA 清楚，不讓推薦搶走購買路徑 |
| 衡量事件 | 要看曝光、點擊、加入購物車、購買還是退款？ | 整理 GA4 事件命名與報表欄位 | 不要只看客單價，也要看轉換率、退貨與客訴 |
| 個資與同意 | 使用瀏覽、購買或會員資料時是否已告知用途？ | 協助把資料欄位分級、摘要成審核表 | 避免把可識別個資直接丟進不明 AI 工具 |
| 優惠揭露 | 折扣、組合價、限時條件是否說清楚？ | 檢查文案是否有誇大、模糊或遺漏條件 | 不使用假的倒數、假的熱賣與無法證明的最佳推薦 |
AI、人與平台規則怎麼分工
AI 最適合先做「候選」與「摘要」，不是直接決定誰一定會買什麼。小型電商可以先把過去 90 到 180 天訂單、商品分類、常見客服問題、退貨原因與庫存狀態整理成簡表，讓 AI 找出可能的互補關係，例如保養品主商品搭配補充耗材、服飾主商品搭配尺寸相關配件、家用品主商品搭配清潔或收納用品。
人要負責三件事：第一，判斷推薦是否符合顧客任務；第二，排除高退貨、高抱怨、缺貨或規格容易搞錯的商品；第三，確認文案沒有把「可能適合」說成「一定需要」。如果你的平台已有原生推薦 API 或 app，可以把 AI 當成審核助手，定期檢查推薦結果是否偏向同一類商品、是否把缺貨品推給顧客、是否讓低價配件搶掉主商品注意力。
GA4 要量的是推薦品質，不只是客單價
Google Analytics 的建議事件包含 view_item、view_item_list、select_item、add_to_cart、begin_checkout、purchase、view_promotion、select_promotion 等電子商務事件；開發文件也示範可用 item_list_id 與 item_list_name 標示 related_products 這類清單。來源：GA4 建議事件、Google Analytics 電子商務評估文件。
因此，加購推薦不要只問「客單價有沒有上升」。至少要同時看五個訊號：推薦區塊曝光後的點擊率、點擊後加入購物車率、加入後是否完成購買、主商品轉換率是否下降、含推薦商品的訂單是否有較高取消或退貨。若客單價上升但結帳完成率下降，可能代表推薦造成選擇負擔；若推薦點擊高但購買低，可能是文案吸引但商品不適合。
14 天測試流程：從 20 個商品開始
第 1 到 3 天：先挑商品，不先裝滿版位
挑 20 個流量高、毛利穩定、退貨率低、客服問題少的主商品。每個主商品先配 1 到 3 個候選加購品，理由要能用一句話說清楚，例如「補足耗材」、「保護主商品」、「解決安裝後第一個問題」、「讓第一次使用更完整」。如果理由說不出來，就先不要上。
第 4 到 7 天：用低干擾版位測試
先從商品頁靠近主商品資訊的推薦區、購物車內的 1 到 2 個加購品、或付款後 Email 的使用情境推薦開始。不要同時在所有版位上線，否則很難判斷是哪個位置有效。推薦文案要說明搭配理由，不要只寫「你可能也喜歡」。
第 8 到 14 天：看數據，也看客服
每天檢查推薦清單是否有缺貨、價格錯誤、優惠條件誤解與客服抱怨。14 天後再比較推薦曝光、點擊、加入購物車、購買、退款與客訴。若某個加購組合帶來訂單但也帶來尺寸、規格或到貨誤會，應先修商品說明，而不是繼續放大流量。
個資、AI 工具與優惠揭露要先說清楚
台灣個人資料保護法第 8 條規定，蒐集個人資料時原則上要告知蒐集目的、資料類別、利用期間、地區、對象、方式，以及當事人權利等事項。若加購推薦會使用會員購買紀錄、瀏覽紀錄、LINE 互動或客服紀錄，應確認隱私權政策與蒐集告知是否能涵蓋這些用途。來源：全國法規資料庫：個人資料保護法第 8 條。
若團隊用外部 AI 工具整理推薦規則，請先確認供應商資料政策與權限。OpenAI 的企業隱私頁面說明，ChatGPT Business、ChatGPT Enterprise 與 API Platform 的商業資料預設不會用於訓練模型，但不同工具與帳號方案的控制不同，實作前仍要回到實際服務條款與後台設定確認。來源：OpenAI Enterprise Privacy。
優惠文案也要保守。若加購組合有折扣、滿額、限時、會員限定或贈品條件，條件要在推薦區塊附近說清楚。不要用假的倒數、假的熱賣數字、沒有根據的「最多人一起買」、或把 AI 推薦包裝成客觀保證。對台灣市場來說，促銷與價格揭露最好保留審稿紀錄，尤其是 KOL、LINE 推播、廣告素材和商品頁文案同步使用時。
誰適合先做，誰不該急著做
這套做法適合已有自營官網或電商平台、每月有穩定訂單、商品之間存在明確搭配關係、且能修改商品頁或 Email 內容的台灣電商。保養品、服飾、寵物用品、居家收納、食品禮盒、3C 配件、課程教材與耗材型商品，通常比較容易從加購推薦開始。
如果你的商品數很少、主商品說明尚未清楚、庫存經常不準、退貨原因沒有整理、或網站尚未正確追蹤基本購買事件，先不要急著導入 AI 推薦。先把商品資料、庫存、規格、運送與退貨說明修好，否則 AI 只是把混亂更快推到顧客面前。
資料更新與限制
本文於 2026-06-08 依 Shopify complementary products 文件、Google Analytics 電子商務事件文件、個人資料保護法第 8 條、OpenAI 企業隱私頁面，以及 2026 年可查得的 Shopify/Klaviyo 產品推薦與 cross-sell benchmark 頁面整理。平台推薦 API、GA4 介面、AI 工具資料政策、廣告揭露要求與台灣法規解釋都可能調整；上線前應以你使用的平台後台、法律顧問與最新官方文件為準。
本文提供的是台灣中小電商的營運檢查流程，不保證任何加購推薦一定提高客單價、轉換率或利潤。若你的商品涉及醫療、保健、金融、兒童、安全或高風險宣稱，推薦邏輯與文案必須加入更嚴格的人工審核。
結論：先讓推薦有理由，再讓 AI 放大
加購推薦的核心不是把更多商品塞到顧客面前，而是把「這個搭配為什麼對你有用」說清楚。台灣電商可以從少量高信任商品開始，用 AI 整理候選組合與文案，但用人工守住商品關聯、優惠揭露、個資使用與顧客體驗。當推薦有理由、事件可衡量、問題可回收，AI 才能放大真正有用的加購，而不是放大干擾。
FAQ
加購推薦和交叉銷售有什麼不同？
加購推薦通常是在商品頁、購物車或付款後推薦互補商品；交叉銷售是更廣的概念，包含 Email、LINE、客服與售後流程中的相關商品建議。
AI 商品推薦一定要有很多訂單資料才可以做嗎？
不一定。訂單少時可以先用人工規則、商品分類、客服問題和使用情境建立候選組合，再用 AI 協助整理理由與審核清單；不要一開始就完全自動化。
加購推薦應該放在商品頁還是購物車？
若推薦品能補足主商品用途，商品頁通常較自然；若推薦品是耗材、配件或低決策成本商品，可以測試購物車。不要同時放滿所有版位，否則難以衡量。
怎麼判斷加購推薦是否有效？
除了客單價，也要看推薦曝光、點擊、加入購物車、完成購買、主商品轉換率、退貨與客訴。客單價上升但轉換率下降，可能不是好推薦。
使用會員資料做 AI 加購推薦要注意什麼？
先確認蒐集告知、隱私權政策、資料使用目的與工具資料政策。可識別個資不要直接丟進不明 AI 工具，推薦規則也要保留人工審核與修改紀錄。