雅寶社區 · 頂客論壇 (AHPAL.COM)

🤖 AI 趨勢

一家冰店的 AI 口味推薦，老闆偷偷加了料

發表時間：2026 年 11 月 07 日 | 更新日期：2026 年 11 月 07 日 | 編輯：雅寶社區編輯團隊

老闆的煩惱：口味太多，客人選擇困難

問題出在二〇二二年。那年夏天特別熱，來客數創新高，但陳進川發現一件怪事：客單價沒漲，點單時間卻變長了。

「以前客人進來，三十秒就決定。現在很多人站在那邊看菜單看五分鐘，最後還是點八寶冰。」他說，「啊我就想，是不是我東西太多，害人家不知道怎麼選。」

這其實是個典型的「選擇超載」（choice overload）問題。十二種配料理論上可以組出上千種組合，對第一次來的客人來說，這不是自由，是負擔。而對老客人來說，問題剛好相反——他們太固定了，固定到從來沒試過其他東西，老闆少賺，客人也少了一種樂趣。

陳郁婷後來在接受我訪談時說了一句很精準的話：「我爸的店有兩個問題，一個是新客人的決策成本太高，一個是老客人的探索意願太低。這兩個問題，剛好都是推薦系統最擅長解的。」

於是，那個週末，她帶著筆電回家，開始了這場實驗。

二、AI 口味推薦系統是怎麼運作的？

先說清楚：這不是什麼高科技。整套系統的規模，大概比你家 Netflix 的推薦模組小上十萬倍。但它的架構邏輯，其實跟大平台的推薦系統是同一個思路，只是把每一個環節都縮小到「一間店養得起」的程度。

資料從哪裡來：點單紀錄、天氣、時間、客人的一句話

陳郁婷做的第一件事，不是寫模型，是整理資料。她從 POS 機匯出了過去兩年的交易紀錄，總共約四萬八千筆。每一筆長這樣：

時間戳記（幾月幾號幾點幾分）

品項組合（冰底＋配料＋糖度＋冰量）

金額

會員編號（店裡有做簡單的集點卡，約六成客人有編號）

然後她外接了兩組公開資料：一是中央氣象署的逐時氣溫與濕度，二是政府行政機關辦公日曆表（判斷平日、週末、連假）。

「我發現光這三組資料交叉，就可以講出很多故事，」她說，「比如氣溫超過 33 度的那天，檸檬類品項的銷量會跳 40%；下雨天的下午，熱紅豆湯圓（對，我們冬天有賣）會多賣三成；連假第二天，觀光客變多，八寶冰占比會拉高。」

還有一組資料，是她堅持要加的：「客人講的話」。她在平板加了一個語音備忘按鈕，老闆按一下、講一句，系統自動轉文字存檔。這批資料量不大，三個月只有兩百多筆，但價值極高，因為它記錄的是演算法看不見的東西——「她說她最近在吃素」、「他剛拔完牙」。

推薦模型的三層架構：協同過濾、內容特徵、情境感知

整套系統分成三層，用一個很樸素的加權方式組合起來。

第一層：協同過濾（Collaborative Filtering）。這是推薦系統的老祖宗，邏輯是「跟你口味相似的人，還喜歡什麼」。陳郁婷用的是最基礎的 item-based 版本：把每一種配料當成一個維度，算出「點了 A 的人，有多高的機率也點 B」。例如資料顯示，點粉粿的人有 62% 也會點粉圓，那就構成一個強關聯。這一層負責解決「新客人不知道怎麼配」的問題。

第二層：內容特徵（Content-based）。這一層比較細，它把每個品項拆成屬性向量：酸甜度、口感（軟／Q／脆）、溫度、飽足感、傳統感。然後計算「這位客人過去點過的品項，在屬性空間裡的重心在哪」。這一層的用途是避免推薦太無聊的東西——如果一個人過去兩年都點紅豆系列，系統不會再推薦紅豆，而是會推薦「屬性接近但品項不同」的東西，比如蜜花豆或大紅豆。

第三層：情境感知（Context-aware）。這一層最簡單也最有效，就是一堆 if-else 規則加上少量的統計權重：氣溫、時段、星期幾、是不是連假、客人是不是第一次來。例如「氣溫 > 33 度 且 時段為下午」→ 清爽類品項權重 ×1.5。

三層分數加權平均後，取前三名，再從中挑一個出來顯示。為什麼是「挑一個」而不是「列三個」？陳郁婷的解釋很務實：「列三個，客人又要選了，我又回到原點。給一個，他才會真的去試。」

為什麼「推薦」比「排行榜」更難

這裡值得停下來談一個觀念差異，因為很多小店導入 AI 時，第一步就搞錯了。

排行榜（ranking）是靜態的、群體的；推薦（recommendation）是動態的、個人的。

排行榜只需要統計「過去一個月銷量最高的五個品項」，任何人都做得出來，Excel 按一按就有。它解決的是「我不知道你們家什麼好吃」這個問題，適合貼在牆上給觀光客看。

但推薦要解決的是另一個問題：「在這一刻，對這個人，什麼最適合？」這需要三個條件同時成立：夠細的個人資料、夠即時的情境資料、還有一個敢給出「非主流答案」的機制。

難的地方在最後一項。陳郁婷說，她最早做的版本，「推薦結果永遠是八寶冰跟紅豆牛奶冰」——因為這兩個銷量最高，協同過濾的權重自然最大。「系統學得很保守，它學會了討好平均數，卻沒有學會服務個體。」

後來她做了兩件事：一是把「個人歷史偏離度」加入權重，鼓勵系統推薦跟客人習慣不同的東西；二是刻意壓低熱門品項的基礎分，讓冷門但有特色的組合有機會出頭。

「這其實就是推薦系統裡講的 exploration vs. exploitation 問題，」她說，「你要剝削已知的偏好，還是探索未知的可能。大平台會用 multi-armed bandit 去算，我這裡只有一間店，我就用最土的方法：把 20% 的推薦名額，強制留給冷門品項。」

這 20%，後來成了整間店最有意思的地方。

三、老闆偷偷加的「料」：AI 沒學會的那一味

系統上線第一週，陳進川的態度是「配合」。他照著平板念，客人也照著點，生意沒變差，但也沒變好。第二週，他開始不耐煩。

「有一天下午，一個小姐走進來，平板跳出來說『推薦：芒果青冰＋愛玉，清爽』。我看她一眼，她剛從外面走進來，滿頭汗，臉有點紅，手上還提著藥局的袋子。」他停了一下，「我就跟她說，小姐，妳是不是感冒？她說對啊，剛看完醫生。我就給她換成溫的紅豆湯加一點薑汁，跟她說這個先喝，冰的改天再吃。」

那是第一次「覆寫」。之後，覆寫變成常態。三個月下來，陳郁婷從後台抓資料，發現老闆手動改掉的推薦，占了總推薦次數的 31%。而在這些被改掉的案例裡，客人的滿意度（用事後回訪率與客單價估算）反而比未改動的組別高出不少。

她把這些覆寫紀錄一筆一筆抓出來看，發現老爸的「加料」不是隨機的，而是有很清楚的四種模式。

第一味：記憶——他記得你上次說過的話

AI 的記憶是結構化的：你點過什麼、什麼時候點、多少錢。但人的記憶是敘事性的：你上次說你兒子考上大學、你說你在戒糖、你說你家貓生病了。

陳進川會把這些事寫在一個小本子上（對，紙本），然後在推薦時用進去。有一次，一位常客走進來，系統推薦「芋圓＋煉乳」。陳進川看了一眼，說：「妳上次不是說妳先生在減肥，妳也跟著不吃甜的？我給妳換仙草蜜，加一點檸檬，不甜但是有味道。」

客人愣住，然後笑了。

這件事的成本幾乎是零，但它產生的效果，遠超過任何個人化演算法。因為它傳達的訊息不是「我知道你喜歡什麼」，而是「我記得你說過什麼」。

第二味：時機——同樣的推薦，說在不同時間點

AI 的推薦是「事件驅動」的：客人一靠近、一掃碼、一按下按鈕，系統就吐結果。但人的推薦是「關係驅動」的：有些話，現在不能說。

陳進川舉了個例子。有個高中男生，每次來都點全糖八寶冰。系統根據他的歷史，永遠推薦「加煉乳、加糖水」。但陳進川知道，這個男生最近在追一個女生，那個女生每次點無糖。所以他不會在男生一個人來的時候說什麼，但當兩人一起出現時，他會刻意把推薦改成「半糖」，然後補一句：「今天這個甜度剛好，兩個人都能吃。」

「這種事，電腦怎麼會知道？」他說，「電腦只知道你點什麼，不知道你為什麼點什麼。」

第三味：人情——演算法說 A，老闆偏要給你 B

這是最常被誤解的一味。很多人以為「人情味」就是對客人好、多送一匙。但陳進川的「加料」其實更接近一種策略性的不順從。

他會在幾種情況下刻意違反 AI 的建議：

客人看起來猶豫時：AI 推薦最安全的選項，他偏要推薦一個「有點風險但值得試」的，因為猶豫代表開放心態。

客人是熟客時：AI 根據歷史推薦「最像過去」的東西，他偏要推一個「不像但你會喜歡」的，因為熟客要的是新鮮感。

客人心情不好時：這個最玄。他說他看得出來，「有些人走進來，肩膀是塌的。」這種時候他不會照推薦走，而是給一個「小時候的味道」——通常是清冰加一點點糖水，什麼料都不加。「這種東西，不是為了好吃，是為了讓人想起以前。」

這三種判斷，本質上都是對「推薦目標」的重新定義。AI 的目標函數是「最大化點擊率」或「最大化滿意度」，但老闆的目標函數更複雜：有時候是「讓這個人今天過得好一點」，有時候是「讓他下次還想來」，有時候甚至只是「我想看他笑一下」。

第四味：留白——不推薦也是一種推薦

最後這一味，最難寫進程式裡。

陳進川有時候會完全不給建議。客人問「你們什麼好吃」，他會說：「你自己看，想吃什麼就點什麼。」

陳郁婷一開始不理解，覺得這是浪費了一個推薦機會。後來她懂了：推薦本身是一種介入，而介入有時候會剝奪體驗。

「有些人來吃冰，不是為了吃冰，是為了做一個決定。」她說，「你剝奪他做決定的權利，他反而不開心。尤其是一些年輕客人，他們來這裡就是想自己探索，你一直給建議，他會覺得被推銷。」

所以她在系統裡加了一個很反直覺的功能：「今天不想被推薦」的隱藏選項。按下去之後，平板會顯示一句話：「好，那你自己慢慢看。」然後就沒有然後了。

這個選項的使用率大約 8%，但使用者的事後回訪率，是全部組別裡最高的。

四、當 AI 推薦遇上「加料」：數據會說話嗎？

三週的 A/B 測試結果

為了驗證「加料」到底有沒有用，陳郁婷做了一個很土但很實在的實驗。她把營業時段切成兩組：單數小時（11 點、13 點、15 點…）為對照組，完全照 AI 推薦走，老闆不准改；雙數小時為實驗組，老闆可以自由覆寫。持續三週。

結果如下（以下為簡化後的關鍵指標）：

客單價：實驗組比對照組高 11%。原因不是賣更貴，而是被覆寫的客人比較願意加點第二樣（例如吃完冰再帶一杯冬瓜茶）。

冷門品項銷售占比：實驗組 27%，對照組 14%。老闆的覆寫明顯把客人推向 AI 不敢推的東西。

回訪率（14 天內）：實驗組 38%，對照組 29%。

「客訴」次數：實驗組 2 次，對照組 5 次。這裡的客訴包括「怎麼給我這個」之類的微抱怨。

陳郁婷特別強調，這個實驗的樣本很小、期間很短，不能當成嚴謹的研究結論。「但它至少告訴我一件事：人的覆寫不是雜訊，是訊號。」

客人回饋的兩種聲音

她也在店裡放了一個小箱子，讓客人寫意見。三個月收了六十幾張，內容大致分成兩派。

支持派多半年輕，覺得「這家店很酷」。「第一次看到冰店有 AI，而且推薦的真的蠻準的」、「我喜歡它會記得我上次點什麼」、「老闆改推薦的時候，會解釋為什麼，感覺被照顧」。

保留派則多半是中老年人，他們的意見很一致：「不太喜歡機器幫我決定。」有一位阿伯寫得最傳神：「我來這裡四十年了，我要吃什麼我自己知道。電腦叫我吃芒果，我今天就想吃紅豆，不行嗎？」

陳進川對這張紙的反應很有意思。他沒有生氣，反而把它貼在櫃檯後面，然後跟女兒說：「妳看，這就是我為什麼要改。」

那些 AI 算不出來的數字

訪談最後，我問陳郁婷：「如果只能用一個指標，證明這套系統有用，你會選哪個？」

我以為她會說客單價或回訪率。她想了一下，說：「我爸跟客人講話的時間。」

「以前他大部分時間在刨冰、在收錢、在補料。系統上線之後，他多了一件事可以做：看平板跳出什麼，然後決定要不要推翻它。這個過程逼他去想『這個客人是誰』，也逼他多講一兩句話。」

「有一次我看到他在跟一個不認識的客人解釋：『這個電腦說你要吃芒果，但我覺得你今天應該吃鳳梨，因為你剛運動完，芒果太甜。』那個客人笑了，說『你怎麼知道我剛運動完』，我爸說『你穿球鞋啊。』」

「這種對話，」她說，「是我寫幾萬行程式都換不到的。」

五、AI 趨勢觀察：為什麼「人味」反而成為稀缺資源

從「個人化推薦」到「個人化對待」的落差

我們現在處在一個「個人化」被過度濫用的時代。電商說它懂你，結果推薦的是你上週搜過但沒買的東西；影音平台說它懂你，結果推來推去都是同一類片。這些系統的技術其實很強，但它們的「懂」，是統計意義上的懂：你跟某一群人相似，所以你可能也喜歡某個東西。

但人際之間的「懂」，是敘事意義上的懂：我知道你這個人最近怎麼了，所以我給你這個。

阿川冰店的例子之所以有趣，是因為它剛好站在這兩種「懂」的交界上。AI 負責統計層面的收斂（你喜歡什麼類型、什麼情境下偏好什麼），老闆負責敘事層面的補充（你今天發生了什麼事、你現在是什麼狀態）。兩者不是替代關係，而是接力關係。

這其實預告了一個很重要的趨勢：當 AI 把「標準化推薦」變成免費且普及的基礎設施之後，真正稀缺的，會是「非標準化的對待」。而這種對待，短期內很難被自動化，因為它依賴的是現場的觀察、即時的判斷、還有願意多花三十秒跟人講話的意願。

小型店家的 AI 導入策略：輕量、可解釋、可覆寫

如果你也是一間小店的經營者，阿川冰店的經驗有幾點值得參考。

第一，輕量優先。不要一開始就想做「會員 App」或「大數據平台」。陳郁婷的整套系統，跑在一台舊筆電上，資料庫是 SQLite，模型是最基礎的協同過濾，總開發成本接近零。關鍵不是技術多新，而是資料結構對不對——她花了八成時間在整理 POS 匯出的資料，只花兩成時間寫程式。

第二，可解釋優先。系統給的每一個推薦，都要能講出理由（「今天很熱」、「你上次點過類似的」、「這個跟你的習慣不同但值得試」）。不可解釋的推薦，老闆不敢用，客人也不信任。而可解釋的推薦，剛好也給了老闆一個「推翻它」的切入點。

第三，可覆寫優先。這是整篇文章最核心的建議：永遠保留人工覆寫的空間，並且把覆寫紀錄當成最重要的資料。因為覆寫的地方，就是 AI 還不夠懂的地方；而這些地方，往往就是你能提供差異化價值的地方。陳郁婷後來把覆寫紀錄做成一個報表，每週寄給爸爸，上面寫著「這週你改了 47 次，其中 12 次是因為客人身體不舒服，8 次是因為客人是熟客」。她說，這份報表比她寫過的任何模型都更有價值。

隱私與信任：小吃店的資料治理啟示

最後談一個比較嚴肅的問題：這樣做，會不會有隱私疑慮？

老實說，會。而且小吃店的資料治理，比大企業更難，因為它沒有法務、沒有資安團隊，卻握有非常細緻的個人資料（誰愛吃什麼、誰在減肥、誰剛看完醫生）。

陳郁婷的做法是三條線：

只用必要資料。不收集姓名、電話、地址，會員編號就是一個流水號。語音備忘只留文字，不留音檔，且三個月自動刪除。

不跨店使用。資料只存在店內那台筆電，不上雲端，不對外分享。

讓客人知道。平板上有一行小字：「本系統會記錄你的點單偏好，以提供建議。你可以隨時請老闆關閉。」

「我知道這聽起來很不專業，」她說，「但對一間小店來說，信任不是靠政策文件建立的，是靠老闆那張臉建立的。客人相信我爸，不是因為我們有隱私權政策，是因為他認識我爸二十年。」

六、給想嘗試的店家：五個實務建議

如果你讀到這裡，也想知道自己的店能不能做類似的事，以下是整理過的實務清單：

先整理資料，再談 AI。把你手上的 POS 紀錄、會員紀錄、甚至手寫帳本數位化。沒有乾淨的資料，任何模型都是空談。建議至少準備一年的交易紀錄，且欄位要一致。

從「一個問題」出發，不要從「一個技術」出發。先問自己：我店裡最讓客人困擾的決策是什麼？是不知道點什麼？是不知道份量？是不知道怎麼搭配？針對那一個問題做推薦，不要想一次解決所有事。

把「情境」當成第一批特徵。氣溫、時段、星期幾、天氣，這四組資料最容易取得、效果最直接、也最容易解釋。先做這個，再談個人化。

設計「覆寫」機制，並且記錄它。讓現場人員可以一鍵推翻建議，並簡單記錄原因（不舒服、熟客、心情不好）。這些紀錄是你最珍貴的訓練資料，也是你與連鎖店最大的差異。

保留「不推薦」的選項。不是每個人都想要被建議。給客人一個「我自己來」的按鈕，你會發現，尊重有時候比精準更有價值。

七、結語：最好的推薦，是有人記得你

採訪結束那天，我又去了一趟阿川冰店。下午四點，陽光斜斜照進巷子，店裡沒什麼人。陳進川坐在櫃檯後面，平板亮著，跳出一個推薦：「推薦：鳳梨冰＋粉條，酸甜清爽。」

他看了一眼，搖搖頭，對著剛走進來的客人說：「今天不要吃鳳梨啦，你上次說你胃不好，我給你用清冰加一點梅子，比較不刺激。」

客人愣了一下，然後笑了：「你怎麼記得？」

「我記得啊，」他說，「你上次帶你孫子來，你自己沒吃，看他吃。」

那一刻我突然懂了。這篇文章談的是 AI，是推薦系統，是資料治理，是數位轉型。但真正發生的，其實是一件很古老的事：一個人，記得另一個人。

AI 讓這件事變得更有效率——它記得四萬八千筆交易，記得氣溫與銷量的關係，記得某個客群在某個時段的偏好。但它記得的是模式，不是人。

而老闆偷偷加的那幾味料——記憶、時機、人情、留白——補上的，剛好就是那個缺口。

所以，如果你問我這家冰店的 AI 推薦成不成功，我會說：成功。但成功的關鍵，不在那台平板，不在那三層模型，也不在那四萬八千筆資料。

成功的關鍵，是那個每天下午會看一眼平板、然後決定「這個不對」的老闆。

他加的料，程式寫不出來。而這，可能才是 AI 時代裡，一間小店最值錢的東西。

（本文受訪者姓名與店家資訊經部分改寫，以保護當事人隱私。文中數據為訪談整理，仅代表個案經驗，不代表普遍結論。）

🏠 返回首頁