讓廣告精準命中！RTB實時競價與重定向廣告的應用|數位時代 BusinessNext

上一篇我們了解了RTB(實時競價)廣告的發展歷程。本文將針對RTB 與 Retargeting(重定向) 的結合使用方式作說明。這兩個廣告技術，可以幫助廣告主命中消費者，大幅提高廣告效益。讓我們一起來了解它們的運作方式。

RTB (Real Time Bidding)實時競價的運作

RTB 實時競價廣告說明

假設一家汽車公司的目標族群是居住台北、30-35歲的白領男性。當他到訪網站時，電腦(AD Exchange)在判斷出這位用戶的特徵後，即會把此特徵告訴廣告主僱用的DSP廠商。

DSP (需求方平台)就會根據廣告主擬定的競價條件出價，競標成功後就能對用戶進行廣告展示。整個過程的背後其實有龐大的運算，但在用戶眼中似乎一瞬間就完成了。

Retargeting 重定向技術的運作

Retargeting 重定向運作說明

Retargeting的功能主要針對曾經到訪過你的網站，卻沒有成交的人展示廣告。假設有一位用戶到訪你的網站，但在看了一些商品後卻遲遲沒有下單就離開了。這時Retargeting的技術就能夠捕捉這名訪客的身份(Cookie)，然後特別針對這位訪客投放廣告。無論她上哪個網站，都能對她投放你的廣告，試圖將她導回商品頁面完成購買。

掌握用戶樣貌提升廣告效率

RTB與Retargeting掌握用戶面貌

在過去，廣告主都去分眾網站(niche websites) 採購廣告版位來作曝光，但由於不知道真正點廣告的是誰而造成浪費預算。現在透過RTB競價方式和重定向技術，廣告主就能夠精確掌握用戶樣貌，直接採購特定特徵的人群，進而強化廣告效率，精確使用廣告預算。

重定向的實際應用

重定向技術的實際應用

重定向技術可以運用在3個方面：

●「個性化」重定向－根據瀏覽頁面的比例來分析訪客興趣，分析訪客購買了什麼，然後對他投放周邊/相關商品廣告
●「商品」重定向－分析訪客瀏覽過的單一商品，例如：玫瑰化妝水，然後投給該訪客其他的「化妝水」廣告。或分析訪客瀏覽過的商品品類，例如：玫瑰化妝水，然後投給該訪客其他的「玫瑰」保養品廣告
●「購物車」重定向－分析有放入商品至購物車卻沒有完成結賬的訪客，然後提醒他有喜歡的東西還沒有結賬、商品有新的活動、或投放不同品牌的相同商品。

重定向廣告的4個目標

重定向的4個目標

重定向廣告可以根據以下4種情況鎖定用戶：

● 來過網站的人
● 根據離開網站時的頁面，投遞該商品廣告
● 把商品加入購物車，但尚未購買商品的人
● 依照訪客來訪時間，在特定時限內(如2週內)做投遞

掌握更多的訪客特徵

掌握訪客特徵

ADPartner 的ALL X的技術有能力分析與提供更多的訪客特徵，包括：

● 訪客人口屬性－性別、地域、來源媒體、訪客找回、時間控制、頻率控制
● 訪客行為屬性－站內搜索、購物車、列表頁、首頁、收藏評論、新註冊、單品頁、類別頁
● 訪客興趣愛好－3C、運動、旅行、汽車、家居、娛樂、時尚、電影
● 訪客角色屬性－聯合登錄、是否註冊、入站設備、入站關鍵字、入站次數、登入次數

ALL X能獲得並提供上述真實的後台數據，不僅在收費上有真憑實據，也能幫助廣告主建立客戶的行為模式，充實CRM(客戶關係管理)資料。

結語

RTB 與Retargeting兩項技術的結合，使網路廣告從購買「廣告版位」的時代，進化到購買「精準族群」的時代。廣告主可以辨認屬於自己的族群，向對的網站訪客投放廣告，有效運用廣告預算，大幅提升網路廣告的回報率。

完整資訊圖表：http://www.adpartner.me/retargeting.html

出自Inbound Journals

ChatGPT、Gemini、Claude 等 AI 通用工具問世後，「AI」無疑成了現今全球最熱門的關鍵字。儘管許多企業已經開始導入相關應用，多數卻仍停留在文書輔助、單一聊天機器人（Chatbot）運用等單點階段。但隨著商業環境快速變化、缺工日益嚴峻，企業需要的不再只是一個會回答問題的對話框，而是具備「自主決策與行動執行」能力的「代理式 AI」（Agentic AI）。

Going Cloud 和 IDC 合作發布的《多代理系統崛起打造敏捷韌性企業》報告便指出，如今「AI First」時代來臨，企業的 AI 應用正從輔助性質走向自主營運，有 80％的企業期望藉此提升生產力，70％的企業希望能更輕鬆處理複雜任務，還有 66％的企業期望透過多模型來提升整體效能。

代理式 AI 愈來愈多，必須納入組織管理

但究竟什麼是「代理式 AI」？

「過去人們使用生成式 AI 時，需要一步步下達明確指令，但現在使用者只要賦予代理式 AI（Agentic AI）明確目標，它就能自己理解前因後果、進行推演，甚至能去呼叫 API 完成任務。」Going Cloud 總經理黃柏淞點出差異。
而當企業內部的代理式 AI 日益增加，比方說，人資部門有專屬 AI、業務部門有報價 AI、法務部門有合約審閱 AI，跨部門協作的複雜度也隨之飆升，「如果你是管理者，你就會意識到，必須把 AI 當成一個人，納入組織裡來管理。」黃柏淞強調，能統籌、指揮多個 AI 代理協作的「多代理系統」（Multi-Agent System, MAS），正是為了解決這個痛點而生。

簡單來說，MAS 就像虛擬的企業總部，負責協調、治理負責不同任務的 AI 代理、工具和功能模組。在讓 AI 自主決策的同時，各個 AI 代理間也能共享資訊、協調分工。MAS 還具備極佳的擴展性和分散性，企業可以依照業務需求，隨時新增、更改 AI 代理，能大幅提升營運韌性。

雖然企業普遍意識到，代理式 AI 已經蔚為風潮，但實際部署時，仍面臨諸多挑戰。《多代理系統崛起　打造敏捷韌性企業》報告便顯示，資安疑慮、預算限制、缺乏 IT 支援分別是企業最擔憂的三大問題，「企業最擔心串聯多個 AI 代理時，要是權限沒控管好，很容易有機敏資料外洩的風險。」黃柏淞提到，在此情形下，Going Cloud 推出了以「分層式多代理架構」為核心的解決方案。系統會由一個「主管代理」（Supervisor Agent）作為主要決策層，底層則串聯了各個負責單一任務的「任務代理」（Task Agents）。

以 Going Cloud 服務的大型金融企業為例，假設一位 VIP 客戶登入銀行 APP，詢問 AI 客服：「我想申請房貸，請問現在利率多少？另外，請幫我評估把我目前的科技股基金贖回當作頭期款適不適合？」如果是傳統的聊天機器人，可能會因為問題太複雜直接轉接人工客服。但在 Going Cloud 的分層式 MAS 架構裡，「主管代理」接收到任務後，會先拆解再指派負責「房貸利率」的「任務代理」，去後台抓取客戶的信用評分和最新房貸專案。同時，這位虛擬主管還會指派「理財分析」的「任務代理」，去檢視客戶最近科技股基金的績效並預測市場。最後，再由「主管代理」統整資訊，一併給出一份完整且客製的財務建議，「分層式 MAS 能確保整個過程的指令被清楚傳遞，而且因為權限分層管理，房貸 Agent 不會碰到不該碰的理財資料，符合金融業的風險控管與合規要求。」黃柏淞說。

目前 Going Cloud 已經協助知名金融機構導入 MAS 架構。以實際成效來看，多代理客服平台能降低 50％以上的人工客服工作負擔，並讓回覆使用者問題的平均時間減少 60％以上；FAQ 知識導向與 API 資料調用的正確率，在調用得當的情況下，也都達到9成以上的成功率。黃柏淞指出，金融、製造、顧問等有複雜跨部門協作需求的大型企業，都是亟需採用代理式 AI 的產業。

懂雲也懂企業痛點，助員工無痛升級「AI 小組長」

但為什麼 Going Cloud 能為企業打造出如此高效的代理式 AI 底層架構？一方面，Going Cloud 先前服務過亞洲最大 AI 多媒體科技集團科科科技（KKCompany Technologies），奠定具備理解和服務大型企業的經驗，且自 2022 年創立起，就鎖定服務架構最複雜的大型企業市場。同時，Going Cloud 是全台首家榮獲 AWS 生成式 AI 服務能力認證及 ISO27001、ISO27701 雙重國際驗證的雲端產業專家，此成就彰顯 Going Cloud 在堅實的資訊安全基礎上，深化了對個人資料保護的承諾，為客戶提供符合國際標準的資料保障，強化雲端服務領導地位。另外，Going Cloud 還能為企業量身打造底層 AI 平台，提供 AI 策略方針定調、雲端架構設計、Agent 任務規劃、效能優化等一站式服務。

對於準備跨入「AI 商用階段」的企業，黃柏淞建議，釐清應用場景，比追求最新技術更重要，「唯有清晰定義痛點，才能讓強大的 MAS 平台真正落地。」
他特別提到，導入 MAS 系統不只是 IT 部門的責任，其實更像企業的升級轉型，「未來的知識工作者，不能只是單純『接球就打』，每個人都將成為『小組長』或『專案經理』。」例如員工不必再親自打開 excel 敲公式、解讀報表，應該要學著指派手下的「數位同事」去執行。員工的核心價值，將從過去繁瑣、重複性任務的執行，轉移到前期的目標定義、流程規劃，以及後期的決策判斷和審核把關。

AI 技術飛速推進，企業間的競爭已從「要不要用 AI？」，升級成「如何管理與協作多個 AI？」。透過建構靈活、安全且具高擴展性的多代理系統，企業不僅能解放員工的生產力，更能在瞬息萬變的市場中，打造敏捷、韌性兼具的營運大腦。

讓廣告精準命中！RTB實時競價與重定向廣告的應用