加購推薦 AI 不是把每個顧客都塞進商品推薦清單。對台灣電商與中小企業來說，真正該先做的是補齊 5 個訊號：顧客剛買了什麼、什麼時候會需要補充或搭配、哪些商品有庫存與毛利、這個人能不能被行銷觸達、哪些情境必須排除。這 5 件事沒整理好，AI 只會把推銷速度變快，卻不一定讓客單價、回購率或顧客信任變好。
為什麼加購推薦 AI 常被顧客覺得煩？
因為很多店家把「推薦」理解成「多曝光商品」。但顧客剛完成付款時，心裡其實在確認三件事：我買對了嗎、什麼時候收到、還缺什麼才會更好用。Shopify 在 upsell email 的案例整理中也把重點放在時機、相關性與補足顧客需求，而不是只追求立即多賣一件商品。這表示 AI 加購要從顧客情境出發，不是從庫存壓力或毛利最高品項出發。
台灣中小企業更容易踩到一個問題：資料分散在官網訂單、LINE 官方帳號、Email 名單、門市 POS、客服對話裡。AI 若只拿到商品名稱，卻不知道顧客已買過、已退貨、已拒收行銷、或這項商品缺貨，就會做出看似聰明但很冒犯的推薦。
先分清楚：加購、交叉銷售、組合包不是同一件事
在啟用 AI 前，團隊要先把推薦目的講清楚。加購通常是讓顧客升級或多買同類商品；交叉銷售是推薦互補品；組合包則是把幾個商品包成更容易理解的方案；購後加購則發生在付款後、出貨前、到貨後或使用週期接近補貨時。SHOPLINE App Store 上的 AI 加購工具頁把商品頁、購物車、購後頁、感謝頁與 Email 都列為可能觸點，這也提醒店家：同一個推薦邏輯放在不同位置，顧客感受會完全不同。
| 推薦類型 | 適合情境 | AI 需要的訊號 | 常見風險 |
|---|---|---|---|
| 加購 | 同款升級、容量升級、延長服務 | 原商品、價差、顧客預算區間 | 讓顧客覺得剛買的版本不夠好 |
| 交叉銷售 | 配件、耗材、搭配品 | 商品相容性、使用場景、庫存 | 推薦不相干，像亂塞廣告 |
| 組合包 | 新手套組、禮盒、補貨組 | 常見搭配、毛利、物流限制 | 折扣侵蝕毛利或包入滯銷品 |
| 購後加購 | 付款後到出貨前、到貨後、補貨前 | 訂單時間、配送狀態、使用週期 | 太快推銷，蓋過訂單確認與客服資訊 |
5 個訊號沒補齊，先不要放大加購推薦 AI
1. 已購商品與用途，不只是 SKU
AI 至少要知道顧客買的是什麼、規格、數量、用途線索與是否首次購買。Google Analytics 4 的電商建議事件把 purchase、view_item、begin_checkout 等事件與 items 陣列連在一起，items 裡可以帶 item_id、item_name、item_category、price、quantity 等資訊。這些欄位不是為了好看，而是讓後續分析能知道哪一組推薦真的跟購買情境有關。
台灣電商可以先做一張「商品關聯表」：主商品、可搭配耗材、不可搭配品、替代品、升級品、使用後第幾天可提醒。這張表可以很簡單，用試算表也可以，但不能只交給模型猜。
2. 使用週期與出貨狀態
購後 10 分鐘、到貨當天、使用 7 天後、補貨前 3 天，都是不同心情。Klaviyo 的 upsell/cross-sell flow 說明把購後流程當成自動化場景，但流程能不能成立，取決於你是否知道顧客在哪個階段。保養品、食品、耗材、課程、B2B 零件的節奏都不同，不該用同一個推薦時間。
如果物流還沒出貨，訊息應該優先講訂單狀態與必要提醒；如果顧客剛客訴，應先排除推薦；如果商品需要教學，先給使用內容，再推配件，通常比立刻折扣更不突兀。
3. 庫存、毛利與售後成本
AI 可能會推薦最相關的商品，但不一定知道那個商品快缺貨、毛利太低、尺寸容易退貨，或客服成本很高。SHOPLINE 的工具頁把庫存同步與成效分析列為功能訊號，這對中小企業尤其重要：推薦不能只看點擊率，還要看實際可履約、可獲利、可服務。
建議在推薦清單中加三個欄位：可售庫存、最低毛利門檻、售後風險標記。凡是缺貨、低毛利、退貨率異常、或需要人工確認的品項，先不要放進自動推薦。
4. 同意狀態、退訂與觸達渠道
加購推薦如果透過 Email、簡訊、LINE 或再行銷名單觸達，就牽涉個資與行銷退場。個人資料保護委員會籌備處提供的個資法資料與法務部舊說明都指出，非公務機關以行銷目的利用個人資料時，當事人拒絕後應停止利用其個人資料行銷，首次行銷也應提供拒絕方式。本文不是法律意見，但實務上店家至少要能記錄：誰能收到行銷、誰已退訂、誰只同意訂單通知、誰不能進入廣告受眾。
AI 推薦系統也要吃到這個狀態。否則模型雖然推得準，卻可能把已拒絕行銷的人放回訊息流程。
5. 排除規則與人工抽查
推薦最容易出錯的不是平均狀況，而是例外：退貨中、售後爭議、付款失敗、高單價客製品、醫療或敏感用途、庫存不穩、活動已結束。中小企業不需要一開始就做複雜模型，但一定要有排除規則。
可以每週抽查 20 筆 AI 推薦：是否跟原購買商品相關、是否有庫存、是否符合顧客階段、是否避開已退訂者、是否造成客服負擔。抽查結果要回到商品關聯表與流程規則，而不是只改 prompt。
推薦應該出現在哪裡？先選一個低風險觸點
不要第一天就同時開商品頁、購物車、感謝頁、Email、LINE、廣告再行銷。先選一個觸點，確認推薦邏輯能測量，再擴大。
| 觸點 | 適合做什麼 | 先看哪個指標 | 不適合情境 |
|---|---|---|---|
| 商品頁 | 搭配品、同系列比較 | 推薦點擊、加到購物車 | 商品資訊本來就不清楚 |
| 購物車 | 免運門檻、耗材、低價配件 | 加購率、結帳完成率 | 結帳流程已經很長 |
| 感謝頁 | 出貨前可追加的小配件 | 追加訂單、客服問題量 | 高客訴或需人工確認訂單 |
| 使用教學後的搭配推薦 | 點擊、回購、退訂 | 名單同意狀態不清楚 | |
| LINE | 補貨、到貨後提醒、會員專屬 | 封鎖率、回覆、兌換 | 推播頻率已偏高 |
7 天內怎麼試：先做小範圍推薦，不要全站自動化
第一天，挑 10 個最常賣的主商品，整理搭配品、不可搭配品、補貨週期與毛利門檻。第二天，補 GA4 或電商後台能追的 purchase、view_item、add_to_cart、coupon、items 欄位，先確定資料能回收。第三天，選一個觸點，例如感謝頁或購後 Email。第四天，寫 3 種推薦邏輯：補足使用、節省運費、延長保養。第五天，排除退貨中、客訴中、已退訂、缺貨品。第六天，人工檢查 20 筆推薦。第七天，再決定要不要讓 AI 擴充推薦組合。
這樣做的好處是，AI 不是直接接管銷售，而是先在一個可觀測、可回復、可修正的小流程裡學會你的商品邏輯。
誰適合這樣做？誰不適合？
適合的店家包括：SKU 已超過人工推薦負荷、已有穩定訂單量、商品有明確搭配或補貨週期、能追蹤購買與推薦成效、願意每週做人工抽查的台灣電商與品牌官網。
不適合的情境包括：商品資料很亂、庫存不準、退訂與同意狀態無法辨識、售後爭議偏高、或團隊只想用 AI 清庫存。這些情況應先修資料與服務流程，再談加購推薦 AI。
資料更新與來源
本文於 2026-07-26 更新。平台功能、隱私規範與電商事件設定會變動，實作前應再確認你的電商平台、Email/LINE 工具與法務顧問意見。本文主要參考 Shopify upsell email examples、Klaviyo upsell/cross-sell flow 說明、Google Analytics 4 recommended events、SHOPLINE App Store 的 AI 加購工具頁、個人資料保護委員會籌備處個資法資料與法務部關於拒絕行銷權利的說明。
結論：先讓推薦像服務，再讓 AI 放大
加購推薦 AI 的價值，不是讓每個版位都出現更多商品，而是讓顧客在合適的時間看到真正能補足需求的選項。台灣中小企業可以先用 5 個訊號把推薦做穩：購買情境、使用週期、庫存毛利、同意狀態、排除規則。這些基礎做好，AI 才是在放大服務；這些基礎沒做，AI 只是把不相關的推銷自動化。
FAQ
加購推薦 AI 一定要先串 CRM 嗎？
不一定。小店可以先用訂單資料、商品關聯表與 Email/LINE 名單狀態做小範圍測試；等推薦規則穩定後，再把結果回寫 CRM。
加購和交叉銷售差在哪裡？
加購多半是升級或多買同類商品；交叉銷售是推薦互補商品，例如買相機後推薦記憶卡。兩者需要的資料欄位不同。
AI 推薦商品可以直接用毛利最高的品項嗎？
不建議只看毛利。推薦品也要符合原商品、顧客階段、庫存、售後成本與同意狀態，否則短期客單價可能換來退訂或客訴。
購後多久適合推加購？
要看商品週期。可立即補齊的小配件可在感謝頁或出貨前提醒；需要使用體驗的商品，通常應先給教學，再在補貨或保養節點推薦。
台灣店家用 LINE 做加購推薦要注意什麼？
至少要確認顧客能否被行銷觸達、是否已封鎖或退訂、推播頻率是否過高，以及推薦是否與訂單服務訊息混在一起。