推薦獎勵防刷不是等活動被刷爆後再補條款，而是在上線前先問 5 件事：什麼才算有效新客、每筆獎勵最多能花多少、推薦人與被推薦人的個資和同意如何紀錄、推薦碼外流時怎麼停損、成交資料會不會寫回 GA4 或 CRM。AI 很適合協助檢查欄位、找出異常樣態、試算毛利上限與整理兌獎規則；但獎勵是否合理、個資利用是否合法、話術是否誤導，仍要由店主或行銷負責人決定。
為什麼這篇不再教你怎麼辦推薦活動
台灣中小企業做會員推薦、老客帶新客、朋友推薦優惠時，最常犯的錯不是不會寫文案，而是把推薦活動當成一張折扣券。折扣碼一發出去，店家才發現同一個人開多個帳號、推薦碼被貼到優惠券社團、老客互相推薦舊客、退貨後獎勵仍然發出，最後看起來名單變多，毛利卻被吃掉。
這篇文章的重點是推薦獎勵防刷。它不是法律意見，也不是保證零作弊的系統設計，而是一套上線前的行銷稽核清單：用 AI 幫你把欄位、規則、成本與追蹤缺口先攤開，讓推薦活動變成可以小規模測試的成長流程，而不是一次性的撒錢活動。
標竿頁面的共通公式與缺口
我檢查的查詢族群包括「推薦獎勵防刷」、「會員推薦獎勵」、「referral fraud prevention」與「referral program audit」。AgentAI 的推薦計畫文章贏在完整：它用毛利、LTV、雙向誘因、分享文案、歸因與防刷規則串起整套流程，並用台灣 SME 情境解釋 AI 能協助的地方。impact.com 的防詐頁面則很明確：推薦獎勵應綁在有營收意義的轉換目標，並在退貨或審核期後才發放。ReferralCandy 的稽核與說明文件補上漏斗數據、雙向誘因、首次購買、清楚自我推薦與優惠券網站外流等操作訊號。
這些頁面的弱點，是多半站在工具或完整教學角度。台灣 SME 真正需要的是更窄的發車前檢查：如果老闆明天就想上線推薦碼，今天要先擋哪 5 個破口？本文的策略，就是把標竿頁面的系統化優點，轉成台灣商家能用試算表、LINE、GA4、CRM 與人工審核做到的最低限度。
破口一：把註冊當成交，獎勵太早發
推薦活動最危險的設定，是只要被推薦人註冊、加 LINE、填表或領券，就立刻發獎勵。這會讓推薦人有動機製造低品質名單，而不是帶來真正會消費的新客。impact.com 的防詐建議也提醒，轉換目標最好鼓勵被推薦人實際體驗產品、購買或訂閱，並在退貨或獎勵審核期結束後才發放獎勵。
台灣 SME 可以先把有效推薦改成三層門檻：第一，被推薦人必須是新客；第二，完成實際付款或到店核銷；第三，超過退貨、取消、退款或審核期。AI 可以協助檢查訂單、電話、Email、LINE UID、付款方式與地址是否重複，但不要讓 AI 自動判定所有可疑名單都是詐欺。小店常有家人共用電話、公司同地址、同事一起購買的情況，仍要留人工覆核。
破口二：沒有用毛利與回購估算獎勵上限
推薦獎勵不是越大越好。對毛利薄、回購低、退貨高的生意來說，雙向折扣可能把第一單毛利吃光；對高回購的餐飲、美業、課程或訂閱服務來說，適度獎勵可能仍然划算。關鍵不是猜一個漂亮金額，而是先用平均客單、毛利率、回購次數、退貨率與目前獲客成本估算上限。
你可以請 AI 先做三種情境試算：保守、一般、樂觀。每一種都要列出推薦人獎勵、被推薦人優惠、預估毛利、退款風險、獎勵發放時間與是否低於目前獲客成本。若 AI 的試算需要用到你沒有提供的數字，它應該標示「缺資料」，而不是自行假設。這一點對 GEO 也重要：答案引擎比較容易引用有條件、有來源、有界線的建議，而不是一句「推薦行銷很有效」。
破口三：推薦人、被推薦人與同意欄位不清楚
推薦活動會處理姓名、電話、Email、LINE 帳號、訂單、推薦碼、消費紀錄與獎勵狀態，這些很容易碰到個人資料。台灣個人資料保護法對非公務機關蒐集或處理個資，要求有特定目的並符合條件；用個資行銷時，當事人拒絕接受行銷，應停止利用，首次行銷也要提供拒絕方式。這意味著推薦流程不能只寫「留下資料即可」。
最低限度的欄位應該包括：推薦人識別、被推薦人識別、取得來源、活動目的、同意狀態、拒絕行銷狀態、有效推薦判定、獎勵發放狀態與異常備註。AI 可以協助檢查缺欄、重複資料與不一致狀態，例如被推薦人已拒絕行銷卻仍被排入簡訊名單。但涉及個資法、抽獎、金流或跨境工具時，請找法務或合規顧問確認，不要把 AI 產生的條款直接貼上線。
破口四：推薦碼外流到優惠券網站或群組
推薦碼本來是給朋友的一對一邀請，但一旦被貼到公開社團、優惠券網站或大量轉傳，就會從口碑行銷變成折扣套利。ReferralCandy 的防詐說明提到，高短期推薦量可能來自真正高影響力的推薦人，也可能來自優惠碼外流，因此旗標應該是覆核提示，而不是直接定罪。這個觀念很適合台灣 SME：不要靠直覺罵客人作弊，要先定義可疑訊號。
可疑訊號包括：同一推薦碼短時間異常大量使用、同一付款方式或地址重複領取、被推薦人與推薦人資料高度相同、首購後立即退貨、只買最低門檻商品、來自非授權公開折扣頁。AI 可以每天產出異常清單，並把每筆標記成「要覆核」、「暫停發獎」、「可放行」三種狀態。公開條款則要清楚寫明：哪些分享方式允許、哪些來源不計入獎勵、何時保留審核與取消獎勵權利。
破口五：沒有把推薦成果寫回 GA4 或 CRM
如果推薦活動只存在試算表，行銷團隊很快會看不出它到底帶來哪種新客。Google Analytics 的官方建議事件中，lead generation 包含 generate_lead、qualify_lead、working_lead 與 close_convert_lead 等事件，可用於衡量線上與線下的潛在客戶流程。對推薦活動來說，至少要能分辨分享、點擊、領券、首次購買、合格新客、回購與獎勵發放。
不一定要一開始就做完整串接。小團隊可以先用 UTM、推薦碼、表單欄位與 CRM 標籤，讓每筆推薦至少留下來源。等活動證明有效，再把有效推薦寫回 GA4 或廣告平台。重點是不要只看「用了幾張券」。你真正要知道的是：推薦來的新客是否更容易成交、是否較少退貨、是否比較快回購，以及是否比廣告客更值得投資。
AI 可以幫忙的 7 天稽核流程
- 第 1 天：匯出既有會員、訂單、LINE 好友、推薦碼與優惠券規則，刪除不必要的敏感資料後再交給 AI 分析。
- 第 2 天：請 AI 列出推薦流程的欄位缺口，特別是新客判定、同意狀態、退款狀態與獎勵發放狀態。
- 第 3 天：用平均客單、毛利率、回購率與目前獲客成本，試算三種獎勵上限。
- 第 4 天：產出異常規則草案，例如自我推薦、同地址重複、短期大量兌換、退貨後領獎。
- 第 5 天：把規則改寫成顧客看得懂的活動辦法，並交由負責人檢查語氣是否清楚、不誤導。
- 第 6 天：建立試算表或 CRM 欄位，跑一個只給小名單的測試批次。
- 第 7 天：檢查有效推薦、可疑推薦、退貨、回購、客服問題與獎勵成本，再決定是否擴大。
推薦獎勵防刷檢查表
| 檢查點 | 容易出事的做法 | 上線前要補的規則 |
|---|---|---|
| 有效新客 | 註冊或加好友就算推薦成功 | 綁定首次有效消費，並排除既有客戶與自我推薦 |
| 獎勵成本 | 憑感覺送折扣或現金券 | 用毛利、回購、退貨率與 CAC 試算獎勵上限 |
| 個資同意 | 收電話與 LINE 後直接行銷 | 記錄蒐集目的、同意狀態與拒絕行銷方式 |
| 推薦碼外流 | 所有公開來源都照發獎 | 定義非授權來源、短期大量兌換與人工覆核規則 |
| 成效追蹤 | 只看兌換張數 | 追蹤分享、領券、首次消費、合格新客、回購與獎勵成本 |
適用與不適用情境
這套推薦獎勵防刷流程適合已經有會員、回購、LINE 名單、門市核銷、電商訂單或 CRM 紀錄的 SME，尤其是餐飲、美業、課程、地方服務、零售、電商與訂閱型服務。它也適合想小規模測試推薦活動，但還沒有預算導入完整推薦系統的團隊。
它不適合把推薦活動包裝成多層次招募、承諾不合理收入、要求推薦人持續拉人頭、或以正評換獎勵的做法。台灣公平交易委員會的多層次傳銷相關規範與 FTC 的背書、評論、推薦揭露指引都提醒：誘因、關係揭露與消費者理解很重要。一般 SME 做口碑推薦，也應避免讓顧客誤以為推薦內容完全沒有利益關係。
資料更新與來源
本文依 2026 年 10 月 8 日可查資料整理。主要來源包括：AgentAI 智庫推薦獎勵教學、impact.com referral fraud prevention 說明、ReferralCandy referral program audit、ReferralCandy automated fraud prevention mechanisms、全國法規資料庫個人資料保護法、Google Analytics recommended events、FTC Consumer Reviews and Testimonials Rule Q&A、FTC Endorsement Guides FAQ，以及 台灣公平交易委員會多層次傳銷相關法令列表。平台功能、法律解釋、廣告規範與個資實務會變動；正式上線前，仍應依產業、獎勵型態與資料使用方式重新確認。
結論：先擋套利，再談擴大
推薦獎勵防刷不是要把每位顧客都當成壞人，而是保護真正願意推薦你的老客、也保護你的毛利。先用 AI 把資料欄位、獎勵成本、異常訊號與活動辦法整理出來，再用小名單測試。當你能回答「這筆推薦是不是新客、是不是有效消費、成本有沒有超過上限、個資和同意有沒有紀錄、成果有沒有寫回追蹤系統」時，推薦活動才值得擴大。下一步很簡單：先拿最近 20 筆老客推薦或口頭介紹紀錄，照這 5 個破口檢查一次。
FAQ
推薦獎勵防刷一定要買推薦系統嗎？
不一定。小規模測試可以先用推薦碼、試算表、LINE 標籤與人工審核。等有效推薦、回購與獎勵成本證明划算，再導入自動化工具。
推薦人和被推薦人都送獎勵會不會太貴？
要先用毛利、回購率、退貨率與目前獲客成本試算。雙向獎勵可以提高動機，但總成本若超過可承受 CAC，就應降低金額或改成回購折抵。
AI 可以自動判斷推薦詐欺嗎？
AI 適合找異常樣態，例如重複電話、同地址、大量短期兌換或退貨後領獎；但判定是否作弊仍要人工覆核，避免誤傷家庭共用帳號或公司團購。
推薦碼被貼到優惠券網站怎麼辦？
活動辦法要先寫明非授權公開散布是否不計獎勵，並設定短期大量兌換、異常來源與人工暫停發獎流程。發現外流後，先停用該碼並覆核未發獎訂單。
推薦活動需要注意個資法嗎？
需要。推薦流程常會蒐集電話、Email、LINE 帳號、訂單與推薦關係。至少要記錄蒐集目的、同意狀態、拒絕行銷方式與資料保留規則，正式條款應由專業人士確認。