查網站電商媒體電商數據榜單中心數據速報 工具箱小教室電商健檢比較清單對手對戰API關於
會員與回購

推薦行銷與老帶新機制設計:用一套系統讓滿意的顧客主動帶朋友來買

推薦行銷與老帶新機制設計:用一套系統讓滿意的顧客主動帶朋友來買|ECPRO 電商博士
字級
ChatGPT 摘要 Claude 摘要 Perplexity 摘要
林克威導讀

我後來才發現,顧客推薦朋友的真正動機,從來就不是我給的那點回饋金。

本文重點
  • 先分清楚:推薦行銷不等於聯盟行銷
  • 記住 GIVE-GET 框架:雙向獎勵是底層設計
  • 機制設計的四個關鍵零件
  • 用 NPS 找出你的天然推薦人
  • AI 怎麼幫你放大口碑的擴散效率
  • 破迷思,收重點

先講一個會顛覆你認知的事實:你的顧客願意把你推薦給朋友,最主要的動機,往往不是你給的那筆推薦獎勵金。心理學研究與大量電商實務都指向同一件事——人推薦一個產品,是因為推薦這個動作本身讓他有面子、顯得懂行、對朋友有幫助。獎勵金只是臨門一腳,不是啟動引擎。搞錯這件事,你的老帶新機制就會變成只吸引貪小便宜的人、帶進一堆低品質客的失敗設計。

這也是為什麼很多電商推「推薦送百元」卻幾乎沒人動。因為他們把推薦行銷當成折價券在發,卻沒去設計「讓顧客願意開口」的那個社交情境。這篇要把推薦行銷從隨緣的碰運氣,變成一套可以複製、可以量測、成本極低的獲客系統。

先分清楚:推薦行銷不等於聯盟行銷

很多人把這兩者混為一談,但它們的驅動力完全不同。聯盟行銷的推廣者是為了賺分潤,本質是一種按績效的兼職銷售;推薦行銷的推薦人是你的真實顧客,他推薦是基於使用體驗與人際信任,獎勵只是加分。這個差別決定了兩件事:第一,推薦行銷帶來的客品質更高,因為是朋友對朋友的真實背書;第二,推薦行銷的獎勵不能設計得太像賺錢,一旦顧客覺得「你在利用我賺你的錢」,人際信任反而被破壞。

用一個實際情境說明。某台灣手作烘焙電商,原本只在包裹裡放「介紹朋友送折價券」的小卡,一個月帶不到五筆推薦單。後來他們改成雙向設計、並選在顧客收到商品、體驗最好的那一刻用 LINE 推播邀請推薦,同時把獎勵包裝成「送朋友一份見面禮」而非「幫我拉客給你錢」,三個月後每月推薦單成長到六十多筆,其中新客的回購率還比廣告客高出近兩成。推薦客不只便宜,還更黏。

記住 GIVE-GET 框架:雙向獎勵是底層設計

設計推薦機制,記住一個核心框架就好:GIVE-GET,雙向獎勵。GIVE 是推薦人送給朋友的好處(例如新朋友首購折一百五十元),GET 是推薦人自己拿到的回饋(例如朋友完成首購後,推薦人得到一張折價券或購物金)。

為什麼一定要雙向?因為單向只獎勵推薦人,會讓推薦這件事變得很自私,顧客不好意思開口;單向只獎勵新朋友,推薦人又缺乏動力。雙向獎勵讓推薦人在朋友面前是個「帶好康來的人」,同時自己也有回饋,社交面子與實質利益兼顧,開口的心理門檻才會降到最低。設計時還要注意,GIVE 的部分(給新朋友的)通常要比 GET(給推薦人的)更有吸引力一點,因為要克服的是「新客願不願意第一次下單」這個最難的門檻。

機制設計的四個關鍵零件

一套能運轉的老帶新機制,要組好四個零件:

  • 觸發時機。這是最被低估的一環。不要在顧客剛下單、還沒體驗商品時就叫他推薦,那時他根本不知道好不好。最佳時機是「爽點時刻」——收到商品後三到七天、給出五星好評的當下、或第二次回購時。這些時刻顧客的滿意度最高,推薦意願最強。
  • 獎勵形式。優先用購物金或折價券而非現金,一來成本較低(購物金會綁定下次消費),二來現金太像交易、會傷害人際信任的純度。
  • 推薦通路。要讓分享越簡單越好。提供一鍵複製的專屬連結、可直接轉傳到 LINE 的圖文卡片、專屬折扣碼三選一,減少任何摩擦。
  • 防濫用機制。設定新朋友必須是「真新客」(用手機或 Email 判斷從未消費過)、獎勵要在朋友完成首購並過了退貨期後才發放、設定單一推薦人的每月獎勵上限,避免有人開分身自己推自己。

用 NPS 找出你的天然推薦人

不是每個顧客都適合被邀請推薦,對品牌無感甚至有點不滿的人,你叫他推薦只會反效果。這裡有個好用的工具:NPS(淨推薦值)。做法很簡單,在顧客體驗後問一句「你有多願意把我們推薦給朋友,零到十分?」給九到十分的是推薦者,這群人才是你該重點邀請的天然推薦人;給七到八分是中立者,可以溫和邀請;六分以下是有疑慮者,這時該做的不是邀他推薦,而是了解他哪裡不滿意、把體驗補起來。

把邀請推薦的資源集中在高分族群,你的推薦機制轉換率會高很多。先讓顧客真的滿意,再談讓他推薦;順序顛倒,什麼機制都沒用。

AI 怎麼幫你放大口碑的擴散效率

推薦行銷最花人力的地方,是為不同顧客寫出打動人心的邀請訊息,以及從大量顧客互動裡判斷誰是高意願推薦人。這兩塊都能借力 AI 工具。

在邀請訊息端,可以用生成式 AI 文字工具產出多版本的推薦邀請話術做 A/B 測試。提示詞範例:「你是精通台灣消費者心理的行銷文案手。我想在顧客收到商品五天後,用 LINE 邀請他推薦朋友。品牌是主打天然食材的寵物零食。請寫三版邀請訊息,語氣分別是『溫暖感謝型』『幽默俏皮型』『理性利益型』,每版控制在五十字內,重點是讓顧客覺得推薦是在幫朋友、而不是幫我拉客。」

在推薦人辨識端,可以把顧客的評價文字、客服對話餵給 AI 情感分析工具,快速標出高滿意度、高互動的顧客名單優先邀請。但要誠實看待限制:AI 的情感判讀會誤判反話與台灣特有的口語,例如「不錯喔(略帶敷衍)」可能被判成正評;生成的邀請話術也可能太過油滑而顯得不真誠。所以 AI 的角色是「篩選候選、產出草稿」,最終名單與訊息語氣還是要人工過一遍,尤其品牌調性不能交給機器全權決定。

破迷思,收重點

迷思一:「推薦獎勵給越多,推薦的人越多。」錯。獎勵過高反而讓顧客覺得你在買他的人際關係,破壞信任的純度,帶進來的還多半是衝獎勵的低品質客。迷思二:「把推薦連結放在網站角落就好。」錯。推薦是要「主動在對的時機邀請」的,被動擺著沒人會用,觸發時機的設計比連結本身重要十倍。迷思三:「老帶新是免費的獲客。」不完全對,它成本低但不是零,你要投入獎勵成本、機制建置與持續優化,只是相對廣告便宜非常多。

把重點收成一句話與一組動作:推薦行銷的核心,是在顧客最滿意的那一刻,用雙向獎勵降低他開口的社交門檻。記住 GIVE-GET 框架,組好觸發時機、獎勵形式、分享通路、防濫用四個零件,用 NPS 鎖定天然推薦人,AI 拿來加速訊息產製與名單篩選但人工把關真誠度。做對了,你的每一位滿意顧客,都會變成一個持續幫你帶客的低成本獲客節點。

電商博士小教室

本文相關的 KPI 公式

轉換率CVR
轉換率 = 下單人數 ÷ 總訪客數 × 100%

每 100 個進站的人,最後有幾個真的下單。衡量網站「把流量變訂單」的能力。

回購率RPR
回購率 = 回購顧客數 ÷ 總顧客數 × 100%

有多少顧客回來再買第二次以上。回購是利潤的真正來源,比拉新客便宜得多。

獲客成本CAC
CAC = 行銷總花費 ÷ 新客數

平均花多少錢才換到一個新客戶。廣告越貴,這個數字越是生死線。

退貨率Return Rate
退貨率 = 退貨訂單數 ÷ 總出貨訂單數 × 100%

出貨後被退回的比例。高退貨率會吃掉毛利,還是商品/期待落差的警訊。

看完整電商 KPI 公式庫 →
ECPRO 數據觀察

用真實數據延伸這個主題

ECPRO 電商博士實測逾 10 萬個台灣電商網站。想用數據驗證本文觀點,延伸閱讀這幾份實測報告:

覺得有用?分享出去
LINE Facebook X Threads

常見問題

推薦行銷和聯盟行銷可以同時做嗎?

可以,而且建議並行,因為兩者驅動力不同、客群不重疊。推薦行銷靠的是真實顧客基於使用體驗的人際背書,帶來的新客品質高;聯盟行銷靠的是推廣者為分潤而做的按績效銷售,擴散規模大。實務上可以讓一般滿意顧客走推薦機制(雙向獎勵、購物金為主),讓有影響力、願意經營的推廣者走聯盟機制(現金分潤、階梯獎勵),兩條管道各司其職。

推薦獎勵該給現金還是購物金?

優先建議購物金或折價券。原因有二:第一,購物金會綁定顧客下一次回購,等於獎勵成本又轉化成回購動能,比直接給現金划算;第二,現金太像赤裸的交易,容易讓推薦這件事顯得像在買賣人際關係,反而傷害口碑推薦最珍貴的信任感。若一定要用現金激勵,比較適合放在聯盟行銷的推廣者端,而非一般顧客的推薦機制。

為什麼我推了老帶新活動卻幾乎沒人參加?

最常見的三個原因:一是觸發時機錯了,在顧客還沒體驗到商品好處時就邀請,他根本沒動力;二是只做單向獎勵,讓顧客覺得推薦很自私、不好意思開口;三是分享太麻煩,沒有一鍵複製連結或可直接轉傳的圖卡。建議改在顧客收到商品後三到七天或給出好評的爽點時刻邀請,改成雙向獎勵讓顧客成為帶好康的人,並把分享流程簡化到一鍵完成。

訂閱電商情報每週一封,台灣電商數據與經營洞察。
相關文章