客單價高 35%、GMV 增幅超 150%：Sparky 已從功能變成成長引擎嗎

四個成長訊號，已足以讓管理層認真看待

報告引用 Walmart 財季資訊指出，約 50% 的 Walmart APP 使用者曾使用 Sparky；Sparky 用戶的客單價比一般用戶高 35%。2026 年 6 月交流資料又顯示，Sparky 周活躍用戶較上一季增幅超過 110%，當季期初到期末，由 Sparky 促成的 GMV 增幅超過 150%。

同一期間，Walmart 美國電商業務已連續 9 個季度增速超過 20%。這些數字至少證明 AI 助手不是沒人使用的展示功能，而且使用與交易動能正在快速增長。

客單價較高，不一定全部由 AI 造成

願意主動使用新功能的人，可能本來就是更高頻、更熟悉 APP、購買品項更多的顧客。若沒有隨機對照或匹配相似用戶，35% 客單差距可能同時包含選擇偏差。GMV 增幅也可能受功能入口擴大、行銷曝光與基期較低影響。

這不是要否定成果，而是要把『相關』進一步驗證成『增量』。好的實驗應比較相似用戶在有無 Sparky 引導時的轉換、毛利、取消、退貨與再次使用，並排除優惠券或流量位置造成的影響。

下一張成績單，應該從成長走向單位經濟

周活與 GMV 適合早期判斷產品動能；進入規模階段後，企業還要看每次成功購物對話的推理成本、客服轉接、替代品接受率、履約失敗與退貨。AI 若只提高低毛利大宗商品的件數，財務價值可能低於表面 GMV。

最終要回答的是：Sparky 是否讓顧客更快完成任務、是否帶來原本不會發生的購買，以及這些增量在扣除推理、促銷與履約成本後還剩多少。GMV 是掌聲，貢獻毛利才是現金。

• 採用：觸及率、首次完成率、週活與 30 日留存。
• 交易：增量轉換、客單、件數、毛利與跨品類購買。
• 品質：庫存承諾錯誤、取消、退貨、人工轉接與顧客滿意度。

要證明 35% 客單差距是 AI 創造，必須把選擇偏差拆開

最直接的方法是隨機實驗：對條件相近的使用者，在相同入口與優惠下分配有無 Sparky 的體驗，觀察轉換、件數、毛利與留存。若無法完全隨機，也可以依過去購買頻率、原有客單、會員年資與裝置使用習慣做配對。重點是比較原本行為相近的人，而不是把熱衷新功能的重度顧客與所有其他人直接相比。

GMV 從季初到季末成長超過 150%，也要拆成使用者增加、每人使用頻率提高、每次購物籃變大與功能入口曝光增加。不同來源對未來的意義不同：若主要來自入口擴大，下一季成長可能放緩；若同一批使用者的留存與任務完成持續提高，才表示產品逐漸形成習慣。成長率必須和基期及絕對金額一起看。

同樣重要的是觀察被推薦商品的毛利與履約成本。AI 可能鼓勵一次買齊，使客單上升；也可能為了滿足需求加入重物、冷藏或跨店商品，推高揀貨與配送費。若只以 GMV 獎勵產品團隊，模型會傾向增加購買金額，而不一定增加公司價值。更好的目標是每次成功任務的增量貢獻毛利。

從成長功能變成經營引擎，需要通過留存、品質與成本三道檢驗

第一是留存。使用者是否在三十日後再次用 Sparky 完成購物，而不是只嘗試一次？第二是品質。庫存、價格、替代與配送承諾是否可靠，取消與退貨是否低於一般訂單？第三是成本。每次對話的模型、搜尋、客服與履約成本，是否隨規模下降？三者同時改善，才有機會從新功能走向穩定的成長渠道。

還要追蹤 AI 是否擴大整體顧客價值，而非只是把原本透過搜尋完成的訂單改掛在 Sparky 名下。可以觀察使用者總購買頻率、跨品類滲透與流失率，並扣除其他入口下降的部分。如果 Sparky 的 GMV 增加一百元，但一般搜尋同時少了八十元，真正增量只有二十元。歸因口徑會直接改變管理層對投資的判斷。

對投資人與零售經營者而言，這組數字最合理的解讀是『產品市場需求已出現，但因果與單位經濟仍待驗證』。它比單純的概念展示前進很多，卻還不是最終答案。下一步應等待企業披露更長期留存、增量毛利、推理成本與履約品質，並觀察功能是否能從美國市場、特定使用者擴展到更多門店與情境。