AI 影片能大量產出，成交卻發生在影片之後的承接頁、商品頁與結帳。要讓每支影片的成效算得出來，網站端的事件、參數與數據表要先接好，再談自動優化。本文整理這條閉環的架構、追蹤欄位、數據合併方式、分配流量的規則，以及自動化必須保留給人的兩個把關點，最後給出導入順序。影片端的角色與場景維持，見AI 影片的角色與場景一致性。
影片負責注意力，成交發生在網站與商品頁
創意對成效的影響很大。Nielsen，2017的文章指出，創意品質對品牌市場成效的貢獻，約等於觸及、目標受眾、時機與情境等其餘因素加總。Google 引用與 Kantar 合作的 Link AI 研究，遵循 ABCD（注意、品牌、連結、引導）的 YouTube 廣告，模型預測短期銷售可能性平均提升 30%、長期品牌貢獻提升 17%（Google 與 Kantar，2021）；這兩個數字是模型預測值，不是實測銷售。
影片形式也要配商品。Yang 等，2025分析 TikTok 上 564 支短影音與直播的銷售資料，短影音較適合可搜尋比價的商品，直播較適合需要體驗的商品，高價品尤其明顯。選形式之前，先判斷商品屬於哪一類。
平台內建的導購機制各自不同。YouTube 的商品標記讓長影片顯示購物按鈕、Shorts 顯示商品貼紙，單支內容最多標 60 項，時間點標記只限一分鐘以上的長影片（YouTube 說明：標記商品）；YouTube Shopping 聯盟計畫由 YouTube 處理聯盟連結、轉換追蹤與計費，商家在成交時付佣金，結帳仍在商家官網（Google Merchant Center 說明）。Google Ads 的 Demand Gen 把影片與圖片素材放進同一個活動，投放於 YouTube、Discover、Gmail 與 Display，Shorts 與串流前貼片的商品促銷素材需要 Merchant Center 商品資料（Google Ads 說明：Demand Gen）。
導購數字要看清楚來源。快手研究團隊在自家電商系統做線上 A/B 測試，生成式推薦使商品卡 GMV 增加 14.7%、短影音 GMV 增加 10.3%、直播增加 4.9%（Kuaishou 研究團隊，2026）；這是快手自家系統的結果，測試期間與流量比例未載明，不能直接套用到別的商家。影片之後的承接頁與追蹤，決定了成效能不能被算出來。
整體架構：產製、發佈、網站、數據四段
閉環分四段：內容產製、發佈管道、網站與商品頁、數據層。每段交接的資料不同：產製交給發佈的是帶素材 ID 的影片，發佈交給網站的是帶 utm 參數的連結，網站交給數據層的是電子商務事件與訂單，數據層回給產製的是每週的保留、改寫或停用決定。
內容產製
- 腳本與素材庫開場、商品鏡頭、字卡、行動呼籲分開存
- AI 影片生成角色與場景依參考圖
- 人工審片品牌、事實、法規
發佈管道
- YouTube影片、Shorts、商品標記
- InstagramReels
- TikTok
- Meta 廣告動態素材
網站與商品頁
- 落地頁與商品頁記下 utm、client_id、GCLID
- 結帳purchase 帶 transaction_id
數據層
- Google Analytics 4
- 伺服器端代碼管理轉送 Meta、TikTok、Google Ads
- BigQuery合併平台指標與網站轉換
回到產製每週依合併後的數據，決定下一批影片保留、改寫或停用哪些元件。
四段之中，只有網站與商品頁完全由自己掌握，整條鏈接不接得起來，取決於這一段的事件與參數。平台的觀看數據來自各平台的 API，網站的轉換來自自己的事件，兩邊要靠同一個素材 ID 才對得起來。
追蹤設計：每支影片都能回溯到訂單
第一步是替每個影片版本編一個素材 ID。連結一律帶 utm_source、utm_medium、utm_campaign（Google Analytics 說明：自訂網址），再把素材 ID 放進 utm_content。同一支影片剪出三個開場版本，就有三個 utm_content，之後才分得出哪個版本帶來訂單。
落地頁要把 utm 參數、GA4 的 client_id 與 Google Ads 的 GCLID 記下來，存在工作階段或結帳資料裡，下單時隨訂單一併送出。這三個值是日後把訂單接回影片的依據，漏存任何一個，伺服器端補送與離線轉換匯入就無從對起。
事件採 GA4 電子商務事件（Google，Measure ecommerce）。purchase 必填 transaction_id 與 items，填 value 時 currency 必填（Google，GA4 Events reference）。
| 事件 | 觸發時機 | 必帶欄位 | 送往 |
|---|---|---|---|
| view_item | 商品頁載入 | items；落地頁記下的 utm 與素材 ID | GA4、各廣告平台 |
| add_to_cart | 按下加入購物車 | items | GA4、各廣告平台 |
| begin_checkout | 進入結帳流程 | items | GA4、各廣告平台 |
| purchase | 訂單成立 | transaction_id、items；填 value 時必帶 currency | GA4、伺服器端轉送、離線匯入 |
只靠瀏覽器送事件，會漏掉被擋下的請求與第三方結帳回跳後的訂單。補法是伺服器端：server-side Google Tag Manager 在伺服器容器收集並轉送用戶行為（Google，Tag Manager Server-side），可作為單一轉送點。Meta Conversions API 讓伺服器端資料連到 Meta（Meta，Conversions API），與瀏覽器 Pixel 同時送時，以 event_name 加 event_id 判定重複並去重（Meta，重複事件處理）；TikTok Events API 提供同類的伺服器端連線（TikTok，Events API）。
Google Ads 端有兩個補強：增強型轉換提高轉換衡量的準確度（Google Ads 說明：增強型轉換），離線轉換匯入則以每次點擊的 GCLID 回傳成交（Google Ads 說明：離線轉換匯入）。伺服器端成交若沒有前端對應的事件，可用 GA4 Measurement Protocol 補送，並以 client_id 與前端互動串接（Google，Measurement Protocol）。
同意與個資要在上線前確認。Google 的 Consent Mode v2 在 ad_storage、analytics_storage 之外，新增 ad_user_data 與 ad_personalization 兩個參數（Google，Consent Mode）。台灣個資法第 20 條限制非公務機關在蒐集特定目的的必要範圍內利用個資，第 19 條列出同意為蒐集依據之一（個人資料保護法）；歐盟 ePrivacy 指令第 5(3) 條要求存取終端設備資訊前，先提供清楚完整的資訊（歐盟 ePrivacy 指令，2002）。以上是上線前的檢查項目，不是法律意見，適用範圍請由法務確認。
社群數據與網站轉換合併成一張表
影片在各平台的觀看數據，與網站的轉換事件，分別存在不同系統。要比較兩個版本，需要一張以素材 ID 與日期對齊的表，一列是「素材 × 日期」，欄位含觀看、保留、加購、訂單與營收。
平台指標（每日拉取）
- YouTube Analytics APIaverageViewPercentage、audienceWatchRatio
- Instagram 媒體洞察ig_reels_avg_watch_time、shares
- TikTok Display APIview_count、share_count
網站轉換
- GA4 匯出到 BigQuery每日完整匯出
- 電子商務事件view_item 到 purchase
素材成效表
- 一列：素材 × 日期觀看、保留、加購、訂單、營收
- 合併鍵utm_content＝素材 ID
合併鍵有兩個：素材 ID（網站端是 utm_content，平台端是上傳影片時登記的 ID）與日期。網站端用 GA4 的 BigQuery 匯出，每日完整匯出，也可串流當日資料（Google Analytics 說明：BigQuery Export）。平台端每日以 API 拉取，寫進同一個資料集。
| 來源 | 可取得的指標 | 用途 |
|---|---|---|
| YouTube Analytics API | views、averageViewPercentage、audienceWatchRatio、relativeRetentionPerformance | 看影片被看到多少、看到哪裡（Google，YouTube Analytics 指標） |
| Instagram media insights | reach、saved、shares、ig_reels_avg_watch_time | 看觸及、收藏、分享與 Reels 平均觀看時間（Meta，Instagram 媒體洞察） |
| TikTok Display API | view_count、share_count、duration | 看觀看與分享，搭配影片長度（TikTok，Display API 影片物件） |
| GA4 BigQuery 匯出 | 每日完整匯出與當日串流 | 取得事件層級的轉換與訂單（Google Analytics 說明） |
各平台的指標名稱與口徑不同，不能直接相加。建議把平台指標原樣存入，另建一層對照，標明每個欄位的定義與取數日，避免之後有人把 Instagram 的平均觀看時間與 YouTube 的保留率當成同一件事。
決策：依轉換分配流量，點擊只當參考
分配流量的依據用轉換與營收，點擊只當參考。原因有三。YouTube 的排序目標從點擊率改為預期觀看時間，因為只看點擊率會推廣使用者看不完的誘餌影片（Covington 等，2016）；優化不完美的代理指標超過臨界點，實際目標的表現反而下降（Karwowski 等，2023）；推薦系統研究也把針對長期結果的優化列為開放問題，單看短期互動不夠（Stray 等，2022）。
分配演算法的選擇，核心差別在於邊試邊分配，或固定比例測完再決定。固定 A/B 適合變體少、樣本足、要得出明確結論的情況；bandit 則在測試期間就把流量逐步移向表現好的變體，適合素材多、內容池常換的情況。LinUCB 針對內容池不斷變動、傳統協同過濾不適用的新聞推薦，用情境式 bandit 邊試邊選（Li 等，2010）；Thompson sampling 在廣告與新聞推薦的實證中表現優於或不輸 UCB 等做法，作者主張列為標準比較基線（Chapelle 與 Li，2011）。傳統 A/B 一次只能優化頁面的一個面向，Amazon 用 bandit 同時優化多個元素的組合（Hill 等，2017），對應到影片就是開場、商品鏡頭、字卡與行動呼籲的組合。
平台也有內建的分配。Meta 的 asset_feed_spec 可放入多組圖片與文字，由系統自動測試並投放不同變體，即動態素材（Meta，Ad Creative 參考）；Performance Max 有素材報表，逐一列出活動使用的素材並可比較成效（Google Ads 說明：素材報表）。Meta 公布的轉換提升，例如相關影音素材 +13%（Meta Advantage+ Creative），以及類似商家平均單次成果成本降低 20%（Meta Advantage+ 銷售廣告活動），皆為平台自報，基準、期間與方法未載明，只當方向參考。
每一輪的判斷順序如下圖：先確認樣本量達到事先訂的下限，再看退訂、負評、退貨等護欄指標，最後比較轉換與營收。樣本不足就維持原分配；點擊高但轉換低，先檢查影片的承諾與商品頁是否一致，先不急著加流量。
- 收集一輪數據達到事先訂的最低樣本量
- 先看護欄指標退訂、負評、退貨
- 比較轉換與營收同一份素材成效表
- 樣本不足維持原分配，繼續收集
- 轉換領先且護欄正常加流量，元件回灌素材庫
- 點擊高、轉換低檢查影片承諾與商品頁是否一致
- 護欄觸發暫停並回退，交人工檢視
產製端：成效怎麼回到下一批影片
成效要能回到產製，影片得先拆成可替換的元件：開場、商品鏡頭、字卡、行動呼籲各自獨立存放。每週看合併後的數據，表現差的元件改寫或停用，表現好的回灌素材庫，下一批只重做需要換的部分。
文案端可由模型產生候選，但候選不等於結果。有研究以線上點擊回饋訓練廣告文案生成，同時指出模型生成的文案不保證點擊率高於人寫（Chen 等，2025）；也有研究以歷史 A/B 資料學習生成並排序素材改寫版本（Mishra 等，2020）。做法是候選一律進同一套實驗，用實際回饋比較。角色與場景在不同版本間要維持一致，做法見AI 影片的角色與場景一致性。
自動發佈與取數靠各平台 API：YouTube Data API 的 videos.insert 可程式化上傳影片並設定中繼資料（Google，videos.insert），YouTube Analytics API 提供即時查詢與自訂報表（Google，YouTube Analytics API）；Meta Marketing API 以 adcreatives 端點建立廣告素材物件，建立廣告時再帶入其 id（Meta，Marketing API：Ad Creative），成效由 Ads Insights API 回傳（Meta，Ads Insights API）。
歸因不等於增量
素材成效表上的訂單，是歸因的結果，不等於廣告帶來的增量。GA4 的資料驅動歸因依帳戶自身資料分配各次互動的貢獻（Google Analytics 說明：歸因），分得的是功勞，不是因果；本來就會買的人，也會被算進去。
要回答「沒有這支影片，訂單會少多少」，需要實驗。Google Ads 的 Conversion Lift 衡量廣告帶來的增量轉換（Google Ads 說明：Conversion Lift）；地理實驗以區域為單位對照，由 Vaver 與 Koehler 提出（Vaver 與 Koehler，2011）。預算層級則可用開源的行銷組合模型，Google 的 Meridian（Google，Meridian）與 Meta 的 Robyn（Meta Marketing Science，Robyn）。這些方法需要足夠的轉換量與時間，建議每月或每季做一次，用來校正每日的自動分配。
自動化的邊界：兩個人工把關點
第一個把關點在上線前：審品牌、事實與法規。自動建立的素材一樣要過平台審核，Meta 的每則廣告在下單時依政策審核（Meta，廣告標準）；TikTok Symphony Creative Studio 匯出的影片會依廣告政策加上 AI 生成標籤，發布前須再經審核（TikTok Symphony Creative Studio 說明）。平台審核不取代自己的審片，價格、功效宣稱與商品事實要在自家流程先查過。
NIST AI RMF 1.0 的 MAP 3.5 要求定義、評估並記錄人工監督流程（NIST，AI RMF 1.0），可對應成發佈前的審核點，審核人、檢查項目與結果都要留紀錄。NIST AI 600-1 列出的生成式 AI 風險中，資訊完整性指大量產出未區分事實與意見的內容（NIST，AI 600-1，2024），自動產出越多，這一關越需要人。
AI 生成內容的揭露各平台要求不同。YouTube 要求揭露看起來真實的 AI 生成或竄改內容，例如生成未發生的逼真場景；奇幻或明顯非寫實的內容、美顏與調色、腳本發想不需揭露（YouTube 說明：揭露竄改或合成內容）。Meta 對影音圖片加「AI info」標籤，依據業界訊號偵測或使用者自行揭露（Meta Newsroom，2024），用 Meta 自家生成式 AI 創意工具製作或大幅編輯的廣告，會在「關於這則廣告」顯示「AI info」（Meta Newsroom，廣告透明度）。TikTok 要求標示逼真的 AI 生成內容，並以 C2PA Content Credentials 標示來自別平台的 AIGC（TikTok Newsroom，2024），2025 年 11 月更新後，對帶有 C2PA 憑證的上傳內容加隱形浮水印（TikTok Newsroom，2025）。
第二個把關點是每週檢視自動調整的結果，偏離預期就暫停並回退。系統每天取數與分配，團隊每週審片、每月驗證增量，分工如下圖。
導入順序
- 先接追蹤與同意。做法：素材 ID 與 utm_content 上線，purchase 帶 transaction_id 與 items，Consent Mode 參數與同意橫幅設定完成。完成的判準：隨機抽十筆訂單，能各自回溯到素材 ID，Pixel 與伺服器端事件以 event_id 去重後數量一致。
- 建素材成效表，人工每週判讀。做法：平台指標與 GA4 匯出每日寫入同一個資料集，以素材 ID 與日期合併。完成的判準：連續四週都能產出完整的「素材 × 日期」表，且團隊能依表說出下一週要保留或停用的元件。
- 規則化分配。做法：先訂最低樣本量、流量調整範圍與護欄指標，再用 bandit 或平台動態素材分配。完成的判準：規則寫成文件，護欄觸發時能暫停並回退，且至少回退演練過一次。
- 產製端自動產出候選，人審後上線。做法：只替換表現差的元件，候選進入同一套實驗。完成的判準：每個上線版本都有審核紀錄，含品牌、事實、法規與 AI 揭露檢查，且增量實驗每月或每季有結果可回頭校正。
不適合的情況
轉換量太少時，統計結果不穩，bandit 的分配可能被雜訊帶偏，這時先做追蹤與人工判讀，等量體夠了再規則化。商品資訊或價格常變、法規敏感的品類，自動產出要保留更多人工審核，審核頻率不能只依成效資料決定。
沒有自己的網站，或結帳在第三方平台、拿不到訂單資料時，轉換無法回到素材成效表，只能看平台內的指標，本文的歸因與增量做法大多用不上。
磨人可從影片產製、網站追蹤到資料串接一併規劃。影片產製的實例見動物保護宣導短片的專案做法；服務內容見 AI 影片製作，有需求請由聯絡磨人提出。
