技術解說
龍雲數位 AI 商品推薦引擎：讓每台販賣機成為個人化零售助手
龍雲數位 OmniCore 的 AI 商品推薦引擎如何運作？協同過濾算法、場域特性分析、時段購買模式，讓每台 MCS 設備根據使用者行為自動優化商品展示順序。
約 2 分鐘閱讀 · 623 字
AI 商品推薦引擎：讓販賣機「懂你」
為什麼推薦系統很重要？
傳統販賣機的商品展示是固定的：按照類別或價格排列，跟誰使用無關。
AI 推薦引擎的目標是：根據使用情境，讓最有可能被購買的商品排在最前面。
OmniCore 推薦引擎的三個維度
維度一：場域特性
不同場域的消費者特性不同，推薦邏輯也不同：
| 場域類型 | 典型消費者特性 | 推薦邏輯 |
|---|---|---|
| 工廠廠區 | 體力勞動，需要高能量 | 能量飲料優先 |
| 辦公室 | 腦力勞動，需要提神 | 咖啡、茶飲優先 |
| 醫院 | 等候時間長 | 瓶裝水、零食優先 |
| 大學宿舍 | 年輕，消費頻率高 | 多元零食、飲料 |
維度二：時段模式
同一個場域，不同時間的需求也不同：
- 07:00-09:00：早餐補充（穀麥棒、咖啡）
- 10:00-12:00：中間補充（飲料）
- 13:00-14:00：午餐後（咖啡、甜食）
- 15:00-17:00：下午茶時段（零食、飲料）
- 18:00 以後：下班補充（晚餐代替品）
系統根據時段，動態調整首頁推薦商品。
維度三：協同過濾
基於「購買了 A 的人，通常也買 B」的邏輯：
「在這個場域，買了能量飲料的人有 65% 會同時買花生」→ 當某消費者選了能量飲料，系統推薦花生
這個邏輯與 Netflix 的「猜你喜歡」類似，但應用在實體零售場景。
個人化推薦（會員版）
對於已加入會員的消費者，系統可以進一步個人化：
- 購買歷史：記住你上次買了什麼
- 偏好商品：你的高頻購買商品
- 時段習慣：你通常什麼時間買、買什麼
當你靠近設備（透過手機 APP 或會員卡感應），設備可以直接展示你的「常購清單」。
推薦系統的 A/B 測試
OmniCore 支援推薦策略的 A/B 測試：
- 設定 A 組（傳統排列）和 B 組（AI 推薦排列）
- 比較兩組的銷售轉化率和客單價
- 統計顯著後，全面採用更好的策略
推薦引擎的持續學習
每一筆交易都是模型的「反饋」：
- 推薦了 A，消費者買了 A → 正向反饋
- 推薦了 A，消費者忽略並買了 B → 負向反饋（調整推薦邏輯）
模型每週更新一次，讓推薦準確率隨時間持續提升。