瀏覽意圖怎麼算才準？同一件商品重複看幾次，比看過沒看過更能預測加車，換品類則要重新校準

「瀏覽未購」是多數品牌再行銷名單的起點，也是名單被稀釋的起點。這篇用一家品牌匿名化後的會員商品瀏覽資料，把「看過沒看過」換成「看了幾次」，看意圖強度會差多少、在哪些品類會失效、名單要怎麼活著才不會變成騷擾。

多數商品頁瀏覽只是路過，值得追的是回頭看第二次的那群人

先講一組數字。我們把一家跨品類零售品牌連續 14 天的會員商品頁瀏覽攤開來看：約 4.6 萬名登入會員，留下約 22 萬筆「會員不重複商品瀏覽」（同一位會員看同一件商品，不論看幾次都算 1 筆），合計約 35 萬次瀏覽，分佈在約 2,700 件商品上。以下數字來自一家品牌匿名化後的資料，人數取整、比例保留一位小數。

這約 22 萬筆裡，73% 只看了 1 次。意思很直白：多數瀏覽是路過。剩下 27% 的組合，是會員回頭看了同一件商品第二次、第三次，甚至第五次以上。下面所有比例都以「會員 × 商品」組合為單位，同一位會員看了三件商品就算 3 筆，所以這些數字量的是組合，換成以人為單位會不一樣。行銷團隊常用的「瀏覽未購名單」把這兩群人裝在同一個袋子裡，用同一則訊息、同一筆預算去追。

問題出在「看過」這個判斷太粗。一位會員路過一件商品頁 1 次，跟另一位會員在 14 天內回來看同一件商品 5 次，在名單上長得一模一樣，但兩個人離結帳的距離差了一個量級。這篇要談的，是把「有沒有看過」換成「看了幾次」之後，判斷會準多少，以及這條規則為什麼不能直接搬到別的品類。

我們為什麼盯著「看了幾次」這個欄位

我們在 CDMP 裡的會員商品瀏覽行為資料前坐下來的時候，原本只是想確認一件事：加入購物車的人，之前到底在商品頁徘徊了多久。結果最先跳出來的是那個 73%。接著把剩下的 27% 依次數切開，加車比例一層一層往上爬，爬到最上面那層時，整個團隊安靜了幾秒。

讓我們擔心的不是數字太漂亮，是這個行為欄位一直躺在每個品牌的資料裡，卻很少被拿出來用。多數名單邏輯停在「看過沒看過」，因為它最容易設定。看了幾次、隔多久回來看，這些欄位都在，只是沒人把它們變成名單條件。

瀏覽意圖的強度：看過只是門票，看了幾次才是指標

本文說的瀏覽意圖受眾，指依「同一位會員短期內重複瀏覽同一件商品的次數」分層出來的名單。以「會員 × 商品」組合為分析單位，把 14 天內的瀏覽次數切成四層，再看每一層在同一觀察窗內出現加入購物車的比例，趨勢一路往上，沒有一層例外。要先講清楚：這是同期關聯，只有在瀏覽次數全部累計於首次加車之前時，才能解讀為預測；本文把它當成「排名單」的依據，不當成預言。

只出現 1 次瀏覽的會員商品組合中，3.3% 在觀察窗內出現加車，這是基準。看 2 次就翻三倍多到 10.4%。看 3 到 4 次接近兩成。看 5 次以上的那一層，33.8% 出現加車，是基準的約 10 倍；這一層裡出現購買的比例是 14.1%。若把瀏覽次數再往上細切，加車率最高的那一層達到基準的 14.7 倍。這兩個倍數要分開記：約 10 倍是「5 次以上」整層的數字，14.7 倍是細切後最頂端那一小層，樣本也最少，不確定性比整層高。

這張表帶出兩個判斷。

1. 二分法會稀釋最有價值的名單。把 2 次以上全部併成一包「回訪客」，加車率會被 2 次那層拉低；把 1 次以上全部叫「瀏覽未購」，分層差距會被 73% 的路過瀏覽淹沒。
2. 這是相關，還沒有到因果。看很多次的會員本來就更想買，加車率高是他們自己帶來的，還沒有任何訊息碰過他們。所以分層只證明「這群人比較想買」，證明不了「打了才買」。這條界線後面會再回來。

同樣看很多次，在服飾類是強訊號，在食品類幾乎不是

同一套次數分層，在高考慮期品類把最高層拉到基準的 14.7 倍，在低考慮期、高頻回購的品類只有 1.8 倍。上面那組數字來自這家品牌的主品類，屬於高考慮期商品，例如服飾：單價不低、要比款式和尺寸、買錯要退。回訪次數在這種品類特別會說話。我們把同一套切法套到另外兩種考慮期的品類上，拉開的倍數差很多。下表的「最高層」是細切後瀏覽次數最高的那一層，不等於前表的「5 次以上」整層；每個倍數都以同品類只看 1 次的加車率為分母。

三列讀下來，在這家品牌的三類資料裡，考慮期較長的品類，回訪分層拉出的倍數也較大。這是品類差異的線索，不能排除單價、促銷、庫存與會員組成等因素。食品類只看 1 次的組合就有 26.2% 出現加車，基準本來就高，看很多次也只能拉到 1.8 倍；買食品不需要考慮五次，會反覆回來看的，可能在等補貨、比價或反覆採買。這種品類校準時要把回購週期與庫存狀態一併納入，回購提醒多數都設在錯的時間點那篇談的補貨時機，在這裡比回訪次數重要。家用雜貨落在中間，回訪有參考價值，但門檻不能沿用服飾的。

Google 在 2019 年做的消費決策研究把觸發和購買之間那段路稱作「messy middle」，消費者在探索與評估兩種模式間反覆循環，直到做出決定。回訪次數可能留下反覆評估的行為痕跡，但不能完整測量消費者在探索與評估之間轉了幾圈。考慮期長的品類，這種痕跡比較多；考慮期短的品類幾乎沒有，倍數自然拉不開。

所以這條規則有一個前提：每進一個品類，先算那個品類自己的基準加車率（只看 1 次的會員裡有加入購物車的比例），再看分層拉開多少倍。直接把服飾的門檻搬到食品，會把一群只是在等補貨的人當成猶豫客追打。

挑首波實驗商品，看單品的重看率

品類校準決定門檻，單品層則決定從哪裡開始。我們算了每件商品的「重看率」：看過這件商品的會員裡，看了 2 次以上的比例。全表最高的是一款低單價的日用提袋，重看率 65.2%；一款褲裝 48.7%；一款小型手提包 38.8%。

首波可以優先考慮重看率高、名單量足、決策門檻低的商品，再以預估增額購買人數、單筆毛利、觸達成本與所需樣本數決定排序。那款日用提袋是這類候選：近三分之二看過的會員都回頭再看，猶豫的人多、決定的門檻低，樣本夠大，結果出得快。反過來，高單價又低重看率的商品，即使倍數高，也不該排在首波，樣本太小、週期太長。

窗口拉到 14 天，量翻倍，質沒變

7 天窗和 14 天窗各層的加車率幾乎一樣，名單量卻翻倍，所以窗口定 14 天。我們用同一份資料比了兩種窗長，最高層 33.7% 對 33.8%，其餘各層也只差零點幾個百分點。量翻倍、質不變。要說清楚一件事：這是同期換窗的對照，14 天窗包含了 7 天窗的那些人，兩個窗重疊，這不算獨立驗證，只能說明「拉長到 14 天沒有把分層差距稀釋掉」。

平台預設的名單期限通常比意圖存活的時間長很多。Google Ads 官方說明（2026 年 9 月查閱）寫明資料區隔預設成員期限 30 天、上限 540 天，那是「這個人還在名單裡」的期限，跟「這個人還想買」是兩回事。瀏覽意圖的半衰期以天計，窗口拉太長，名單裡會塞滿已經冷掉的人。

還有一個實務提醒。拉長窗口之前，先確認查詢工具的明細筆數上限。超過上限的查詢會被靜默截斷，報表看起來完整，其實少了一段資料，而且不會有任何錯誤訊息告訴你。我們是在對帳的時候才發現這件事。

瀏覽意圖為什麼要看次數：分層量到的是猶豫，說服要另外量

表象是加車率隨次數爬升。往下挖一層，機制是自選：會回來看第五次的人，是自己把自己排進高意圖名單的，訊息還沒碰過他。行為欄位更貼近會員當下的決策階段，量的是這個人正在做什麼；是否比人口統計標籤準，仍須另做比較。零售 CRM 要從記錄客戶走到預測購買意圖，第一步往往就是把這種行為欄位變成名單條件。

Google 自己也往這個方向走。當資源符合預測指標的資料門檻時，Google Analytics 4 的預測目標對象（2026 年 9 月查閱）可以建立「Likely 7-day purchasers」這類名單，用購買機率把人排序。差別在於那是模型算出來的分數，品牌看不到裡面的權重；瀏覽次數分層是一條看得見、算得出、每個品牌都能自己驗證的規則。兩者不衝突，透明的規則適合先用來建立團隊對「意圖」的手感。

再往下一層是底層的界線：分層證明「這群人比較想買」，證明不了「打了才買」。看 5 次以上的那一層有 14.1% 出現購買，其中有多少是訊息推的、多少是本來就會買的，光看名單看不出來。Baymard Institute 的購物車放棄率統計頁（本文查閱時最後更新於 2025 年 9 月）彙整 50 份研究，平均購物車放棄率為 70.22%；同頁另引其美國消費者調查，42% 的受訪者曾因「只是瀏覽、還沒準備買」而放棄購物車。前者說明棄車普遍，後者說明部分加車者尚未準備購買；兩者都沒有測量自然回購率，所以訊息帶來多少增額，仍只有一條路能回答：留一群人不打，拿投放組跟他們比。這件事放到行動建議那段講。

還有一個容易踩的坑，是把倍數當排序鍵。14.7 倍那一層人數最少，4.6 倍的中考慮期品類名單可能大得多。排序看預期帶客數，不看倍數這件事在廣告受眾上已經談過，放到瀏覽意圖名單一樣成立：倍數高但人數少的名單，實際能多帶的人可能輸給倍數中等但人數大的名單。倍數用來判斷「值不值得追」，人數決定「先追哪一群」。

名單要活著：資格每天重算，觸達窗先以 72 小時計

把分層邏輯算出來只是第一步，多數品牌卡在第二步：名單怎麼維持新鮮。常見做法是每兩週手動重貼一次名單，但重複瀏覽是以天計的行為，名單重貼的那一天，裡面已經有一大群人早就不想買了。本文先把會員符合資格後的 72 小時設為觸達與成效觀察窗；這是首波實驗參數，各品類通用的意圖半衰期要另外量。這也是 91APP CDMP 在這類名單上的分工方式：讓名單自己活著。

具體做法是滾動 14 天窗每日重算。每天用「過去 14 天內看同一件商品 5 次以上、尚未購買」重新產出一份高意圖受眾名單，新進來的人自動補進，冷掉或買了的人自動離開。自動更新只管一件事：誰有資格在名單裡。誰已經收過訊息、收過幾次，交給觸達標記管。兩件事分開，名單邏輯才不會越改越亂。

光有活的名單還不夠，精準的名單打太勤，會從「貼心提醒」變成「被盯上」。我們替這類名單設的排除與頻控規則有六條：

1. 全域 holdout：固定留一群符合資格的人不打，當對照組。
2. 已購者移出名單：買了就不再收到同一件商品的訊息。
3. 加入購物車後 24 小時緩衝：讓人自己走完結帳，不立刻追打。
4. 自有推播、LINE 與 Email 共用同一套會員頻控：每人每 7 天合計最多 1 則，所有名單線合計；廣告曝光另依平台的頻率上限設定。
5. 同一會員對同一商品最多觸達 2 波：達上限後移出該商品的觸達線。
6. 跨不同商品線連續 2 波沒點擊就延長全域冷卻期：只影響之後的其他商品，不重啟已達上限的原商品。

第 4 條最常被漏掉。Google Ads 對頻率上限的定義（2026 年 9 月查閱）是限制同一個人看到廣告的次數，可按日、週、月設，這管的是廣告曝光；品牌自己的推播、LINE 與 Email 要另外設，關鍵是「合計」兩個字。購物車提醒、新品通知、回購提醒各自設頻控，同一個人一週還是可能收到五則，名單越切越細、訊息反而越擠的分眾疲乏就是這樣來的。

觸達管道走 EngageOne（個人化行銷）接推播、LINE、Email，或把名單同步成廣告平台的自訂受眾，用購買意圖分層把再行銷池子縮到對的人。要補一句：瀏覽次數分層是單一行為的規則版；91APP CDMP 的 DCIU 購買意圖分群是多行為的模型版，它把瀏覽、收藏、加車、領券、進結帳頁等行為一起餵進去，預測未來 14 天的購買機率並分成四群。單一行為規則透明好驗，多行為模型覆蓋面廣，實務上可以先用規則版建立手感，再看模型版排出來的名單跟規則版差在哪。

先從一款低單價、重看率高的商品開始試

1. 先算自己的基準加車率：拉出每個品類「只看 1 次」的會員裡有加入購物車的比例，一個品類算一個數，這個數決定後面所有倍數的分母（預期效果：門檻不再憑感覺；建議週期：頭一週做完，之後每季重算一次）。
2. 用三層取代二分：把「瀏覽未購」拆成 2 次、3 到 4 次、5 次以上，先只打最上層（預期效果：名單縮小、每則訊息的命中率拉高；建議週期：頭一個月只跑最上層，穩定後再往下開一層）。
3. 挑首波實驗商品：重看率高、單價低、決策門檻低、名單夠大的單品優先，高單價低重看率的先放著（預期效果：兩到三週就看得到結果；建議週期：首波實驗商品跑滿兩個完整的 14 天窗）。
4. 名單滾動每日重算，套六條排除與頻控：自動更新管資格，觸達標記管發過沒，每人每 7 天合計最多 1 則（預期效果：名單永遠是新鮮的，退訂與封鎖不會跟著名單一起長；建議週期：上線第一天就套，別等出事再補）。
5. 留 holdout，用 72 小時窗比結果：以會員首次符合名單資格的時間當共同起點，在觸達前按會員隨機分派投放組與對照組，實驗期間固定組別，對照組排除本實驗所有管道的觸達；兩組都觀察接下來 72 小時內是否購買同一商品，購買率差距用來估計這次觸達的增額效果。對照組怎麼切、樣本要多大那篇談過，樣本太小的實驗跑完也沒有結論（預期效果：可以誠實回答「打了有沒有用」；建議週期：每一波都留，不只第一波）。

回頭看第二次的人，已經替你把名單排好了

回到開頭那個袋子。73% 路過的人和 27% 回頭的人被裝在同一個名單裡，是因為「看過」這個條件太好設。把袋子打開，按看了幾次重新排，名單就浮出來了；再按品類校準門檻，門檻就不會在食品區誤報；再讓名單每天自己更新、套上頻控，名單才不會變成騷擾。

那位站在同一件商品前面第五次的會員，已經用行為告訴你他在猶豫什麼。品牌要做的，是在他第五次回來的那 72 小時內出現一次，然後留一群人不打，好好算清楚這一次到底值多少。這件事不需要新的資料，會員商品瀏覽行為每個品牌都有；需要的只是把「看過」換成「看了幾次」，然後誠實地量。

品牌最常問的瀏覽意圖受眾問題

Q1：瀏覽意圖受眾是什麼，跟一般的瀏覽未購名單差在哪？ A1：瀏覽意圖受眾是依「同一位會員在一段時間內重複瀏覽同一件商品的次數」分層的名單，例如 14 天內看同一件商品 5 次以上且尚未購買。一般瀏覽未購名單只看「有沒有看過」，會把只看 1 次的路過瀏覽和看了 5 次以上的猶豫客混在一起；在一家跨品類零售品牌的匿名化資料裡，以會員與商品的組合計，前者出現加車的比例是 3.3%，後者是 33.8%。

Q2：瀏覽次數分層和購買意圖模型（例如 DCIU 或 GA4 的預測目標對象）有什麼不同？ A2：瀏覽次數分層是單一行為規則，門檻看得見、每個品牌都能自己算、自己驗證。購買意圖模型把瀏覽、收藏、加車、領券、進結帳頁等多個行為一起算成機率，覆蓋面廣，但權重在模型裡，品牌看不到。兩者不衝突，可以先用規則版建立團隊對意圖的判斷手感，再對照模型版排出來的名單。

Q3：小品牌會員數不多，也能做瀏覽意圖分層嗎？ A3：可以，但要先接受名單會很小。做法是先算自己的基準加車率，再看 2 次以上與 5 次以上兩層拉開多少倍；若 5 次以上的名單不足以達到事前設定的樣本需求，再評估合併為 3 次以上一層，或從重看率最高的那一款商品開始，把樣本集中在一個商品上，比分散到全站容易看出結果。

Q4：做了瀏覽意圖名單，多久看得到結果？ A4：以 14 天滾動窗加 72 小時觀察窗計算，首波實驗商品跑滿兩個完整的 14 天窗，可以拿到投放組與對照組購買率差距的首輪讀數；是否足以下結論，取決於基準購買率、預期增額與樣本數。若沒有留對照組，看到的只會是名單本身的加車率，那只是相關，離因果還有一步，不論跑多久都無法回答「訊息有沒有用」。

Q5：技術上需要準備什麼，工程團隊要另外開發嗎？ A5：需要三樣東西：能查到「會員 × 商品 × 瀏覽次數」的行為資料、能每日重算並輸出名單的排程、能接名單並記錄誰收過訊息的觸達工具。多數顧客數據平台配上個人化行銷工具就能組起來，不一定需要另外開發；真正要花心力的是各品類的門檻校準與六條頻控規則的設定，那是行銷團隊的工作，工程只負責把資料接通。

Q6：最常見的誤解或風險是什麼？ A6：最常見的誤解是把服飾類算出來的門檻直接搬到食品類，把等補貨的人當成猶豫客追打。再來是把「看 5 次以上的加車率是基準的 10 倍」講成「名單帶來 10 倍訂單」，前者是相關，後者要靠對照組才能說。風險最高的是每條名單線各設頻控卻不合計，同一個人一週收五則，精準就變成了騷擾。

延伸閱讀

1. 行銷自動化應用情境與範例：常態腳本如何讓品牌全年自動接住高意圖訊號
2. 會員再行銷怎麼做？把 CRM 分眾名單變成一檔精準回購活動
3. Email 自動化觸發信怎麼設？歡迎信、購物車、回購週期的腳本實戰

想知道自家品類的基準加車率落在哪裡、名單該切幾層、首波實驗商品該挑誰，可以找 91APP 的數據顧問團隊一起算。