搜尋使用者往往已經知道自己想解決什麼問題。當搜尋框無法理解同義詞、情境或限制條件，品牌失去的不只是一次搜尋，而是一位高意圖顧客繼續探索商品的機會。
一、「轉換率提升 43%」從哪裡來？
CXL 在 2019 年發布、2022 年更新的站內搜尋文章中，引用了一個已封存的歷史案例，指出「站內搜尋優化」曾帶來 43% 的轉換率提升。CXL 同一篇文章也整理了放大搜尋框、調整文案、改善結果與持續監測等不同做法。
因此，官網可以用這個案例說明「站內搜尋值得投資」，但不應把 43% 寫成 Cobinyiu 或 AI 搜尋的保證成效。
二、傳統搜尋的詞彙鴻溝
詞彙鴻溝（vocabulary gap）是指顧客與商品資料使用不同說法。顧客可能搜尋「香瓜」，商品名稱卻只有「哈密瓜」；或顧客描述「適合久站的上班皮鞋」，資料庫只記錄材質、鞋型與品類。
另一種更細微的落差，是同一組詞彙因順序與關係不同而代表不同商品。「襯衫式洋裝」是一種具有襯衫剪裁的洋裝，「洋裝用襯衫」卻可能是搭配洋裝的上衣。若系統只計算字詞是否出現，而沒有理解修飾關係，就可能回傳大量看似命中、實際不相關的結果。
傳統關鍵字搜尋並非毫無價值。當顧客輸入 SKU、品牌、型號或精確品名時，字面匹配通常非常有效。真正的問題是只靠字面匹配，難以處理同義詞、口語需求、拼字錯誤與多條件情境。
原稿中的「21% 使用者會因不滿意搜尋直接離開」沒有找到可信且可追溯的原始研究，因此本版移除，不再把它當作事實使用。
三、AI 搜尋如何運作？四個關鍵層次
- 查詢理解：辨識品牌、品類、用途、預算、顏色與排除條件，並處理同義詞、口語與拼字變體。
- 混合檢索：同時使用關鍵字搜尋的精準性與向量搜尋的語意召回，再合併候選結果。Google Cloud 的文件也將 hybrid search 說明為結合全文匹配與向量搜尋。
- 過濾與排序：依庫存、價格、上架狀態、適用對象與商業規則過濾，再用相關性、熱門度或模型重新排序。
- 結果呈現與學習：提供推薦理由、分類與商品，並記錄零結果、點擊、改寫查詢與轉換，作為後續優化依據。
不是每套 AI 搜尋都必須使用知識圖譜，也不是只要加入大型語言模型就會自動變準。實際架構會依商品數量、資料完整度、查詢類型與延遲需求選擇。
實務上，搜尋流程還會保留「硬條件」與「軟偏好」的差別。尺寸、價格上限、庫存與禁用成分通常不能被模型放寬；風格、用途或「看起來正式一點」則可以用相似度與排序處理。先把這兩類條件分開，才能避免系統為了語意相近而推薦一件根本買不到、尺寸不合或不符合限制的商品。
| 搜尋方式 | 優勢 | 盲點 |
|---|---|---|
| 關鍵字搜尋 | 型號、SKU、品牌與精確詞彙表現穩定。 | 容易漏掉同義詞與自然語言情境。 |
| 向量／語意搜尋 | 能找出意思或特徵相近的商品。 | 可能把語意相近但不符合硬條件的商品排進來。 |
| 混合搜尋 | 整合字面精準度與語意召回，再配合過濾與重排。 | 需要評估權重、資料品質與不同查詢類型。 |
四、從「顧客配合系統」到「系統理解顧客」
AI 搜尋的根本價值，不是宣稱能讀心，而是降低顧客學習品牌分類與官方品名的成本。顧客可以先用日常語言描述需求，系統再把問題轉成可檢索的商品屬性與條件。
五、如何驗證轉換率是否真的提升？
導入前先保留基準，並依裝置、品類、新舊顧客與查詢類型分組。若流量允許，可使用 A/B test；若流量較小，也可以分階段上線並比較同期間趨勢。
- 搜尋品質：零結果率、搜尋離開率、改寫查詢率與結果點擊率。
- 商品探索：搜尋後商品瀏覽、比較、收藏與加入購物車。
- 商業結果：搜尋後轉換率、每次搜尋營收與平均客單價。
- 風險指標：缺貨商品曝光、錯誤推薦、延遲與客服申訴。
成效報告應清楚寫明樣本期間、流量、比較組與同時進行的促銷活動。只有這樣，轉換率變化才有機會被合理歸因於搜尋改善。
結論：搜尋有潛力，數字要靠品牌自己驗證
43% 的歷史案例提醒我們：站內搜尋可能是高價值的優化入口；但 AI 搜尋能帶來多少提升，取決於商品資料、查詢分布、介面、排序與營運方式。可信的做法不是先承諾結果，而是先建立基準、用 PoC 驗證，再把有效策略逐步擴大。