AI 商品推薦不用猜：一問一答問出客人的喜好、預算與風格，推得準還留下偏好數據

你知道昨天逛你官方帳號的那位客人，預算多少嗎？喜歡簡約還是華麗？是自用還是送禮？——不知道，因為瀏覽紀錄不會說話，廣告後台只給你點擊率，客人更不會主動填問卷。於是推薦全靠猜：猜錯了，丟一整排商品連結過去，換來已讀。其實客人願意告訴你，只要你用對方式問。這篇帶你看怎麼用一問一答，讓消費者在聊天室裡自己說出喜好、預算與風格——推薦當場變準，而每一次回答，都是一筆留在你後台的偏好數據。

一、推薦不準的真相：你在猜，客人在滑

1. 瀏覽數據看不到的三件事：不喜歡什麼、預算多少、買給誰
2. 一問一答的完整旅程：客人自己說，比演算法猜快多了

二、推薦準不準，靈魂在標籤

1. 三種標籤，三種任務
2. 懶得想標籤？讓 AI 幫你抓商品的靈魂關鍵字

三、四步設定，把導購請進聊天室

四、現在，就讓客人自己告訴你他要什麼

瀏覽數據看不到的三件事：不喜歡什麼、預算多少、買給誰

大品牌的「猜你喜歡」靠的是海量行為數據＋演算法團隊——用你點過什麼，去猜你要什麼。但就算猜得再好，行為數據天生有三個盲區：

1. 不喜歡什麼：客人點開又關掉，是嫌貴、嫌醜、還是不合場合？數據看不出來。
2. 預算多少：瀏覽紀錄不會寫「我最多花一千五」。
3. 買給誰：自用和送禮，逛的頁面可能一模一樣，要的商品天差地遠。

用比喻說：靠行為數據推薦像算命——從蛛絲馬跡推測你的心思；一問一答像問診——直接問你哪裡不舒服，三個問題就開對處方。

客人不是不肯說，是你從來沒問。 而中小品牌的優勢正在這裡：你不需要百萬級演算法去猜，聊天室裡問就有。

一問一答的完整旅程：客人自己說，比演算法猜快多了

AI 引擎推薦把「問診」流程搬進 LINE、Facebook、Instagram 的聊天視窗：

演算法猜一個月，不如客人親口說一句。一問一答推得準是當下的成交，累積下來的偏好數據是長期的資產。

AI 不會通靈，它靠標籤認識你的商品。MantaGO 的品項資料庫有三種標籤，各司其職：

品項標籤讓你找得到貨，Hashtag 讓客人有感覺，自動標籤讓 AI 推得準。 三層都貼好，推薦引擎才有料可比對。

懶得想標籤？讓 AI 幫你抓商品的靈魂關鍵字

不知道標籤怎麼下？點「#生成內容 Hashtag」，系統會分析商品資訊自動產出標籤（以灰色樣式與手動標籤區分），不滿意可以直接編輯調整；在品項管理頁還能一鍵對所有商品批次生成。連偏好問答都能用「AI 生成問題與答案」自動產出導向式問題與選項——等於標籤和問卷這兩件最花腦的事，AI 都先幫你打了草稿，你只負責審稿。

⚠️ 常見踩雷：Excel 匯入時「自動標籤、Hashtag、品項標籤」欄位可以先留空之後補，但標籤越完整、推薦越準——空著標籤上線，等於請了導購卻不讓他認識商品。另外，上線後看到 AI 把你設定的問題改寫成更口語的問法，這是正常現象：系統會依你的原意做語意優化，讓客人更願意答完。

完整操作有官方教學圖文（文末連結），這裡先看骨架，你會發現真的不需要技術背景：

第一步：基本設定。 設定進入／離開推薦流程的關鍵字與顯示內容，選擇 AI 模型與語言——模型影響生成內容的品質與語言理解，照預設走也能直接上線。

第二步：建立品項資料庫。 少量商品用「新增品項」逐筆輸入名稱、網址、描述、圖片；商品多就用「Excel 匯入」，先匯出模板、填好資料再上傳，批次上架一次搞定。標籤記得貼滿三層，或交給 #生成內容 Hashtag。

第三步：設計偏好調查。 最多三題導向式問題，每題配好選項；沒靈感就用 AI 生成問題與答案，再依品牌語氣微調。

第四步：推薦預覽。 勾選推薦卡要顯示的欄位（摘要、價格、優惠價、尺寸、品牌），沒填的欄位不會出現——上線前自己跑一次流程，確認體驗順暢。

✅ 上線前資料準備清單

1. 商品清單（名稱、網址、描述、圖片）已備齊，多品項用 Excel 模板
2. 三層標籤已貼滿（或已跑過 #生成內容 Hashtag 並審稿）
3. 偏好問答三題已設定，選項對得上商品標籤
4. 推薦預覽欄位已勾選，價格與優惠價為最新
5. 進入／離開關鍵字已設定，並已自己實測一輪

回到開頭那三個你答不出來的問題：客人的預算、喜好、買給誰。有 AI 引擎推薦的版本是——客人打出關鍵字，三題答完，這些答案全都有了：推薦清單當場命中，點「我有興趣」直接進商品頁；而你的後台，多了一筆他親口說出的偏好紀錄，下一次溝通不用再從零開始猜。

猜，是把行銷預算花在試錯上；問，是讓每一次對話都變成數據資產。 商品匯入、標籤生成、問卷設計，AI 都能代勞草稿，你花一個下午，就能讓聊天室開始替你問、替你推、替你記。