商品組合包成效追蹤不能只看客單價，因為客單價變高不代表毛利變好，也不代表庫存更健康。台灣 SME 比較務實的做法，是讓 AI 每週整理 6 個欄位：來源與曝光、加入購物車、實際購買、商品收入或毛利代理值、退貨原因、下一步回訪名單。這 6 欄放在一起，才看得出商品組合包是值得放大、需要改價，還是只是把折扣發給本來就會買的人。
很多店家做商品組合包時，第一週看到「平均訂單金額提高」就想加大廣告。但如果同時發生退貨增加、客服問更多、低庫存品被拖光、單品原價訂單被吃掉，這個組合包就不是成長，而是把問題換成漂亮報表。AI 的價值不是替你宣布成功，而是把散落在 GA4、後台、POS、LINE、客服與庫存表裡的訊號整理成同一張判斷表。
商品組合包成效追蹤先看什麼
商品組合包本身是合理的行銷工具。Shopify 的 product bundling strategy 文章把 bundle 定義為兩個以上相關商品，通常搭配折扣，常見目的包含提高平均訂單價值、提供策展價值、清理舊庫存與增加商品能見度。來源可參考 Shopify Product bundles。
但「目的」和「成效」是兩件事。上線後要問的是：這一組是否帶來新的購買？是否改善庫存週轉？是否維持毛利？是否讓顧客更少退貨或更願意回購？如果答案只剩「客單價比較高」，就還不能判斷成功。
誰適合用這套追蹤方式
這套做法適合已經有商品組合包、節慶禮盒、新手包、多入組、加購套組或門市推薦組的台灣 SME。尤其適合保養品、食品、寵物用品、居家用品、課程教材、B2B 耗材與小型選品電商，因為這些商品常有重複購買、規格選擇、庫存週轉和客服說明問題。
不適合的情況也要說清楚：如果網站還沒有基本電商事件、商品成本沒有整理、庫存不是即時、退貨原因沒有記錄，就先不要急著讓 AI 評分哪個組合包最好。你可以先用手動表格追一週，把資料欄位補起來，再談自動化。
AI 先補 6 個追蹤欄位
1. 來源與曝光：組合包到底在哪裡被看到
第一欄不是銷售，而是來源。首頁、商品頁加購區、LINE 分眾、Email、廣告、門市 QR code、直播或社群貼文，帶來的顧客意圖不同。AI 可以把 UTM、活動名稱、LINE 標籤與商品頁位置整理成來源欄位，避免所有訂單都混在一起。
如果來源不清楚，你會不知道是組合本身有效，還是只是首頁流量比較大。這會讓下一次檔期錯估預算。
2. 加入購物車：看顧客有沒有接受搭配邏輯
Google Analytics 的建議事件中，線上銷售常用事件包含 add_to_cart、begin_checkout、purchase 等；電商報表也會使用商品層級資料來呈現加入購物車與購買。來源可參考 Google Analytics recommended events 與 GA4 Ecommerce purchases report。
加入購物車率低，通常代表組合概念不清楚、價格缺乏理由、商品搭配不自然，或頁面沒有回答規格與運送問題。AI 可以整理頁面問題、客服訊息與未結帳行為，幫你找出是搭配問題還是說明問題。
3. 實際購買：不要只看訂單數，要看組合占比
商品組合包如果只替代原本會買的單品訂單，成效就沒有想像中好。追蹤時要看三件事：組合包訂單占比、同期間單品訂單是否下滑、組合包是否帶來新客或沉睡客。
AI 可以把訂單分成「原本可能單買的人」「第一次購買的人」「回購客改買組合的人」。這比只看總營收更接近經營判斷。
4. 商品收入或毛利代理值：客單價高不等於賺更多
GA4 的電商購買報表會呈現商品收入等指標；Google 說明中也把商品收入定義為商品本身收入，不含稅與運送。來源可參考 GA4 Ecommerce purchases report。但台灣 SME 還要再補一層：商品收入不是毛利。若後台沒有毛利報表，至少先用成本、折扣、運費補貼、包材與付款成本做一個毛利代理欄位。
AI 可以每週列出「高營收但低毛利」的組合包，提醒老闆不要被漂亮營收騙走。
5. 退貨與客服原因：看問題是不是被組合包放大
Google 的電商指標說明把退款、商品層級退款金額等列入電商量測脈絡。來源可參考 Google Analytics ecommerce metrics。台灣 SME 更應該同步看客服原因：尺寸不合、誤會內容、效期太近、收件期待落差、運送條件不清楚，這些都可能讓組合包表面賣得好，實際增加售後成本。
AI 適合把退貨文字與客服對話分群，但退款、補償、責任歸屬與公開回覆仍要由人確認。
6. 下一步回訪名單：決定要推薦補貨、升級或停止打擾
商品組合包成效追蹤最後要回到下一步。買新手包的人，可能需要補充品；買禮盒的人，可能只適合節慶提醒；買多入組後退貨的人，應該先進入排除名單，不要再被促銷追打。
若使用顧客資料做 LINE、Email 或廣告再行銷，必須注意個資與拒絕行銷流程。個人資料保護法對非公務機關利用個人資料行銷、當事人拒絕接受行銷等事項有規範。來源可參考 個人資料保護法。
用 7 天決定放大、修正或停掉
| 7 天訊號 | 可能代表 | 下一步 |
|---|---|---|
| 加購高、購買低 | 搭配有興趣，但價格、運送或信任卡住 | 補商品頁 FAQ、運送條件與比較理由 |
| 購買高、毛利低 | 折扣吃掉利潤或運費補貼過重 | 調整折扣、拆掉低毛利品、改成滿額贈 |
| 購買高、退貨高 | 顧客誤解內容、尺寸、效期或使用情境 | 修頁面說明、加例外條件，暫停投廣告 |
| 庫存瓶頸出現 | 某個元件限制整組出貨 | 降流量、替換元件、提高低庫存警戒 |
| 回購或補貨名單明確 | 組合包帶出後續需求 | 建立分眾回訪，不要全名單群發 |
Shopify Dev 的 bundles 文件提醒，商品組合會牽涉固定、多入、自由搭配類型，也會牽涉庫存、退貨、相容性和訂單呈現。來源可參考 Shopify bundle eligibility and considerations。所以 7 天檢查不要只交給行銷人，也要讓營運、客服與倉儲一起看。
常見誤判與修正方式
誤判一：把高客單價當成高毛利
修正方式是補成本欄位。沒有完整毛利系統也沒關係，至少先估單品成本、折扣、包材、運費補貼與付款成本。
誤判二：把清庫存當成品牌成功
如果組合包只是把慢動品便宜出掉，要標記成庫存活動，不要拿來推論新品策略或長期品牌需求。
誤判三：商品頁寫得比結帳頁漂亮
Google Merchant Center 的產品資料規格提醒，商品資料應準確且與著陸頁一致，錯誤、缺漏或前後衝突可能造成顯示問題。來源可參考 Google Merchant Center product data specification。台灣公平交易委員會的不實廣告資料頁也列出網路廣告與促銷廣告相關處理原則；商品組合包的價格、數量、期限與限制條件都應清楚一致。來源可參考 公平交易委員會不實廣告資料。
資料更新與來源
本文依 2026 年 10 月 8 日可查資料整理。主要來源包含 Shopify 商品組合包與束組限制文件、Google Analytics 電商購買報表與電商指標說明、Google Analytics 建議事件、Google Merchant Center 產品資料規格、個人資料保護法與公平交易委員會不實廣告資料頁。平台功能、報表欄位、廣告政策與台灣法規解釋可能更新，實作前請回到最新官方文件、自家後台與實際交易條件確認。
結論：組合包要追蹤的是決策，不只是報表
商品組合包成效追蹤的目的，不是做一張更漂亮的週報，而是讓團隊能在一週內做決定：放大、修正或停掉。AI 可以把來源、加購、購買、毛利、退貨與回訪名單整理得更快，但最後仍要由人判斷這組商品是否真的幫顧客省事、幫公司賺錢、幫庫存變健康。
當你不再只看客單價，商品組合包才會從「折扣活動」變成可累積的電商營運能力。
FAQ
商品組合包成效追蹤第一個要看什麼？
先看來源與加購，不要直接看銷售。來源能判斷是哪個通路帶來意圖，加購能判斷顧客是否接受這個搭配邏輯。
客單價提高就代表商品組合包成功嗎？
不一定。還要看毛利、退貨、庫存瓶頸、客服量與回購。如果客單價提高但折扣和運費吃掉毛利，就不算真正成功。
AI 可以怎麼幫忙追蹤套組成效？
AI 適合整理訂單、GA4 事件、LINE 標籤、客服原因與庫存資料，提出異常訊號；但折扣、退款、承諾與是否放大仍要由真人決定。
沒有完整 GA4 電商事件也能追蹤嗎？
可以先用手動表格追一週，把來源、加購或詢問、購買、毛利代理值、退貨原因與回訪名單補起來，再逐步導入標準事件。
商品組合包要追多久才知道有沒有用？
小流量可以先看 7 天方向，但不要只用一天判斷。若牽涉節慶、廣告學習期或補貨週期，至少比較同期間單品、套組和退貨資料。