[CMO行銷工具] 開發筆記 : 注意力熱圖分析

CMO 行銷工具 · 開發筆記

你的廣告素材，
消費者到底看了哪裡？
——CMO AI 注意力熱圖分析模組完整解析

你做完了一張廣告素材。交給設計師看，他說構圖不夠平衡；交給老闆看，他說 LOGO 太小；交給客戶看，他說促銷訊息不夠醒目。每個人都有意見，但沒有一個人能回答你最想知道的那個問題——

消費者第一眼到底看了哪裡？

這個判斷，在整個行銷流程裡，幾乎全靠直覺和經驗。你做了十年行銷，你的直覺可能比新人準一些。但再準的直覺，也沒有數據撐腰。你不知道消費者的視線是先落在產品上還是代言人臉上，你不知道那個促銷貼紙到底有沒有人看到，你不知道你的品牌 LOGO 在畫面上是不是一個裝飾品。

問題是，這個判斷太重要了。

據神經行銷學研究，大腦中有大量神經元專門處理視覺資訊，原始大腦——負責本能反應的那一層——接收視覺刺激的反應速度遠快於負責理性思考的大腦皮層。換句話說：在意識到自己在看一個廣告之前，你的大腦已經替你做完了第一輪判斷。消費者看到你的素材的前 3 秒，大腦的自動反應系統（心理學家卡內曼稱之為 System 1）已經決定了「要不要繼續看下去」。

注意力是前提。沒被看到的一切都不存在。

但你要怎麼知道消費者的那幾十毫秒裡，視線到底去了哪裡？傳統做法是架眼動儀、找受試者、進實驗室——成本高到只有大品牌玩得起。後來有了 AI 預測工具，上傳一張圖就能跑出熱圖，但月費不便宜，而且資料要上傳到別人的雲端。

CMO 這個工具，做的就是這件事——把注意力驗證從實驗室降到行銷人坐在電腦前就能做的程度。這篇開發筆記，記錄的是其中「AI 注意力熱圖分析」這個模組從 MVP 走到半正式邀請版的歷程。三個功能：單張深析、前後比較、版位干擾分析。一個一個講。

單張深析——「你的素材，消費者到底看了什麼？」

先說這個功能在做什麼。

你上傳一張廣告素材，系統跑出一張熱力圖——紅色區域是視線集中的地方，藍色區域是沒人看的地方。熱力圖可以單獨開關，旁邊還有一個觀看順序圖層，標示消費者的視線先後落點：第 1 眼落在哪、第 2 眼跳到哪、第 3 眼又回到哪。

底層是自建的 UniSal 視覺顯著性預測模型。這個模型的原理其實不複雜：研究者讓受試者看大量圖片，記錄他們的視線軌跡，這些真實的眼動資料就是 AI 的教材。模型學到的不是某一張圖的視線分布，而是一個統計規律——什麼樣的視覺特徵會吸引人類的注意力。

人眼捕捉顯著區域有兩種模式。一種是「自下而上」（bottom-up）——由圖像本身的視覺特徵驅動：顏色鮮豔的、對比度高的、亮度突變的，你的眼睛會自動被吸引過去，不需要你有任何意識參與。另一種剛好相反——「自上而下」（top-down），由你的目標和意圖驅動。你在找鑰匙的時候，眼睛會自動掃描桌面，忽略不相關的東西。

UniSal 預測的是第一種——在意識介入之前，你的眼睛本能地看了哪裡。這正好對應 System 1：那幾十毫秒裡大腦的自動反應。

但光有一張熱圖不夠。你看到紅色集中在畫面中央，然後呢？中央是什麼？是產品還是代言人的臉？是你希望被看到的東西，還是干擾？

這時候需要 AOI。

AOI（Area of Interest，興趣區域）是眼動追蹤研究的標準概念。在畫面上框出幾個區域——產品、CTA 按鈕、代言人、促銷標籤——然後系統算出每個區域吃下多少注意力百分比。不框也能分析，系統會自動偵測注意力最集中的前幾個焦點區。但框了才知道「注意力有沒有落在對的商業元素上」——這才是判斷素材好壞的關鍵。

CMO 讓你手動框選 AOI，還能把某個區域設為「目標焦點」——標記你原本期望它成為視覺核心的元素。報告會倒推：要怎麼調整才能達成這個目的。

講原理太抽象，跑一個真實案例。

我拿一張益生菌廣告素材來測。畫面上是六盒產品排列，右邊有一位穿白袍的醫師代言人，雙臂交叉，視線正對鏡頭。標準的「產品加代言人」結構——代言人建立信任感，產品展示規格，看起來沒什麼問題。

我框了一個 AOI，命名為「品牌 LOGO 與產品名稱」——這是我最希望消費者看到的東西。然後我還填了落地頁網址和產品描述，讓系統更理解這張廣告在賣什麼。

跑出來的結果是這樣的：

焦點集中度 53.4（滿分 100），視覺清晰度 8.4（滿分 10），記憶度 92.9。模型標註 unisal，備註：預測結果為統計近似，非真人眼動實測。

先看熱力圖。紅色區域集中在畫面上方中間的產品包裝區域——中央區四個熱點吃掉了 72.1% 的注意力。這代表什麼？代表消費者的視線確實被產品吸引，但被吸引的是「六盒產品排列在一起的那個區塊」，而不是單一產品的品牌名稱或賣點。

再看觀看順序。系統偵測到的 Top 焦點區排序：第 1 名佔 31%，是畫面上方中間產品的核心區域；第 2 名佔 18.2%，是右側人物的面部區域；第 3 名佔 14.4%，在左下方產品包裝區域。

我框的那個「品牌 LOGO 與產品名稱」呢？注意力佔比 13.4%，觀看順序排第 5。

換句話說：你以為消費者會先看到你的品牌名稱，但消費者的眼睛先被中央的產品盒群吸引，然後跳到代言人臉上，然後才看到左下方的產品，最後才輪到你的品牌 LOGO。而且只佔了 13.4% 的注意力。

這就是「你以為消費者會看到的，跟消費者真正看到的，中間有落差」。

但這個落差到底意味著什麼？光看數字不夠，你需要把這些數字跟你的行銷目標做交叉比對。這時候就需要 AI 優化建議報告。

優化建議報告做的事情是：拿你填的產品脈絡——賣點、促銷、目標客群——跟熱圖數據做交叉比對，找出「你希望被看到的」和「實際被看到的」之間的落差，然後給出具體的調整方向。

報告先做目標對齊分析：診斷原素材的視覺注意力分配問題，拆解產品和品牌兩個層面的視覺識別痛點。然後逐項列出落差——

你的代言人直視鏡頭，等於把消費者的注意力鎖在他的臉上，沒有引導到產品。gaze cueing 的機會白白浪費了。

基於這三個落差，報告從三個面向給了建議——

版面／構圖：把代言人移到右側邊緣，微調視線朝向左方產品，利用人臉視線引導將焦點帶回產品名稱。重組六入產品排版，簡化為一個放大展示的主產品盒，搭配 2-3 個帶半透明陰影的虛化盒子示意數量，釋出上方空間做為視覺焦點。

文字：在頂部新增高對比的核心賣點標題——「藥廠級 22 篇臨床專利配方」——放在視覺動線的最前端。置入「強效囤貨：6 入組／共 180 包」促銷字樣，用色塊與背景區隔。

對比／色彩：引入暖色調促銷標籤（黃／橘色），打破全圖的藍白冷色調。在主產品盒右上角設計一個亮黃色的圓形標籤，標註「超值囤貨 5 折起」。

報告還列了三項最高優先級的「最該先改的事」，並且標註了預期效益——減少至少 15% 代言人臉部的無效注意力滯留、頂部新增標題區域可獲得至少 20% 的注意力佔比、視覺清晰度預期從 8.4 提升至 9.0 以上。

但建議歸建議，改完長什麼樣？這時候可以讓系統生成優化草稿。

生成草稿用的是 Gemini——Google DeepMind 的 Gemini 系列模型中的圖像生成功能。你勾選要套用的建議項目，系統依據勾選的建議生成一張優化後的素材草稿。還能根據市場階段調整方向——收割期、競爭期、培育期、播種期，不同階段的草稿風格不同。

但這裡有一個分寸必須講清楚：草稿是方向示意，不是成品。

為什麼？因為 AI 生成圖片有一個先天限制：包裝上的微小文字會失真。益生菌產品盒上的「22 篇臨床」「藥廠級菌株」這些關鍵字，在 AI 生成的草稿裡可能變成亂碼。對一個講求科學實證的保健品牌來說，這是致命傷。代言人的手指細節也可能不太自然。

所以系統自己標注了這個局限。它會告訴你：改善了什麼——新增了囤貨標題、代言人手勢改為指向產品、主產品盒改為 3D 立體視角。也告訴你搞壞了什麼——包裝文字失真、代言人手部細節有 AI 痕跡。最後建議：保留草稿的構圖與視線引導方向，但產品包裝字體換回原圖的高解析度真實字樣。

你注意到了嗎？AI 自己標注了自己的局限。它沒有掩蓋問題，沒有說「優化成功」，而是誠實地說了「有得有失」。

這就是行銷人的價值所在——不是比 AI 更會改圖，而是知道什麼時候該用 AI 的建議、什麼時候該推翻它。

構圖方向對了，gaze cueing 的邏輯對了，這部分採用。包裝文字必須用原圖的，AI 生成的亂碼不能用。這個判斷 AI 自己做了，但拍板的是人。

草稿生成之後，系統還做了一件事：自動跑了新草稿的熱圖，跟原圖做對比。這時候出現了一個有意思的現象——焦點集中度和視覺清晰度反而下降了。為什麼？因為加了標題和層次感，注意力分散到了不同的重點元素上。但這不是變差了——相比原圖無焦點的混亂，草稿的注意力分布是「健康的分散」，因為它成功創造了「標題→代言人指引→主產品」的視覺動線。

這個反直覺很重要，我等下在前後比較那段會再展開講。

最後，每份分析報告底下都附了一個使用者回饋調查。三項 5 分制評分——熱圖結果與你的實際感受相符程度、對你這張素材的理解是否到位、優化建議的具體與可執行程度。還有一個直接可用度評估——直接可用、小修即可、要大改、不會用。以及一個開放式欄位：「哪一段最不準？」

這不是客套話。使用者回饋會匯出品質診斷包，直接用來補強產業知識與分析深度。在初期資料量還不夠的情況下，這些回饋是我跟 Claude Code 討論優化的依據。工具不是做完就不管了——它會長大，但長大的速度取決於使用者願不願意說話。

在進入第二個功能之前，把這段的知識點收束一下：

視覺顯著性預測——AI 模型預測的是「在意識介入之前，眼睛本能地看了哪裡」，對應 System 1 的自動反應。它是統計近似，不是真人實測。

Gaze Cueing（視線引導效應）——代言人視線方向會引導觀看者視線，這是 System 1 的自動反應。但視線引導只影響注意力分布，不影響產品評價。注意力不等於好感。

焦點集中度——前 10% 的熱點區域吃下多少注意力。越高越聚焦，越低越分散。

視覺清晰度——注意力分布的均勻程度。越集中不雜亂，分數越高。跟焦點集中度有關但不完全一樣——焦點集中度看的是「熱點有多熱」，視覺清晰度看的是「整體有多不雜」。

ResMem 記憶度預測——這張圖多好記。品牌廣告越高越好。

AOI 的行銷意義——不框選只知道「注意力在哪」，框選才知道「注意力有沒有落在對的商業元素上」。

前後比較（A/B）——「改了之後，真的變好了嗎？」

A/B 測試，行銷人都做。投兩個版本的素材到廣告後台，跑幾天，看哪個點閱率高一點，哪個轉換率好一點，然後選贏的。

但這裡有一個你一定遇過的問題：等你跑完 A/B 測試，預算已經花了，時間已經過了。如果輸的那版其實在第一天就註定會輸——因為消費者的視線根本沒有落到促銷訊息上——你為什麼不早點知道？

能不能在投放之前，先做一輪「視覺層面的 A/B」？

這就是前後比較功能在做的事。

操作很直覺：上傳 A 版和 B 版兩張素材，系統並行預測兩張的注意力分布，給出焦點集中度和視覺清晰度的 A→B 變化對比。如果你想比較特定元素——比如兩個版本的產品包裝位置有沒有差異——就在 A 和 B 各自框選同名的 AOI 區域，系統會依名稱配對，逐項對比。

同樣可以再往下走一層：生成 AI 差異解讀報告。報告會判讀哪一版在商業重點上更好、差在哪、下一版怎麼做。

拿同一個益生菌產品的兩個版本來跑。

A 版是原圖：六盒產品整齊排列，全部清晰呈現，同一焦距，沒有促銷字樣，代言人直視鏡頭。B 版是改版：用了景深模糊——前方一盒產品清晰，後方五盒模糊化處理；右上方新增一個高飽和度的黃色圓形促銷貼紙「超值囤貨 5 折起」；代言人的視線從直視鏡頭改為偏向左上方，朝向主產品盒與促銷貼紙。

跑出來的數據：

焦點集中度從 53.4 提升到 61.5，上升 8.1。視覺清晰度從 8.4 提升到 9.6，上升 1.2。

AI 判讀：版本 B 勝出，信心等級 high。

報告從三個維度逐項拆解差異——

背後的原理叫景深模糊的注意力效果。人眼在處理視覺資訊時，傾向自動過濾模糊邊緣，將注意力鎖定在清晰的前景上。這跟攝影裡的「淺景深」是同一個邏輯——主體清晰，背景虛化，觀看者的視線自然落在主體上。只不過在廣告素材裡，這個技巧的作用不是「好看」，而是「強制引導注意力」。

這裡有兩個視覺原理在疊加。第一個是高對比色組合——黃色和藍色在色環上距離較遠，對比度極高，人眼對這種組合特別敏感。第二個是幾何形狀的視覺侵入感——圓形打破了畫面上所有方形產品盒的線條節奏，在視覺層級上創造了「不一樣的東西」，注意力往往會被吸引過去。

這兩個原理疊加的結果是：一個小小的黃色圓形貼紙，搶下了大量的注意力。而它上面寫的是「超值囤貨 5 折起」——這正是你希望消費者看到的促銷訊息。注意力落在了對的地方。

這就是前面講過的 gaze cueing 在 A/B 比較裡的具體應用——同一個原理，但在兩個版本的對比中，你看到了「有視線引導」和「沒有視線引導」的量化差異。8.8 個百分點的注意力轉移，就是 gaze cueing 效應的具體大小。

但這裡要講一個反直覺。也是這篇文章最想讓你帶走的一個觀念。

報告裡有一句話，是系統自己寫的：「焦點集中度和視覺清晰度這兩個分數不能單獨用來判斷好壞，它們只描述視線分布的狀態，不代表商業轉換效果更好。比如加大標題可能會讓分數雙雼下降，但如果消費者因此看懂了在賣什麼、同時接收到促銷訊息，實際效果反而是變好的。」

這句話值得反覆讀。

注意力分數提升，不等於廣告效果好。注意力分數下降，也不等於廣告變差了。

為什麼？因為這兩個指標——焦點集中度和視覺清晰度——量測的是「視線分布的樣子」，不是「視線有沒有落在對的商業元素上」。一張全白的圖上面只有一個紅點，焦點集中度可能高達 90——但那個紅點如果不是你的產品，這個分數毫無意義。

反過來說，你加了一個標題、一個促銷貼紙、一個層次感，注意力被分散到多個元素上，焦點集中度下降了。但這些元素都是你希望消費者看到的——標題讓他知道在賣什麼，促銷貼紙讓他知道為什麼該買，產品讓他知道買什麼。注意力分散了，但分散在「對的地方」。這不是變差，是變好。

想像一個更直觀的場景：你有一張廣告圖，畫面上只有一個產品，乾乾淨淨。焦點集中度可能高達 70——所有注意力都集中在產品上。分數漂亮吧？但消費者看完不知道這是什麼品牌、不知道賣多少錢、不知道為什麼該買。於是你加了標題、加了促銷貼紙、加了品牌 LOGO。焦點集中度掉到 55。分數降了，但消費者現在知道在賣什麼了。你覺得哪個版本效果更好？

這就是為什麼 AOI 在 A/B 比較裡那麼重要。你不框選同名區域，就只能比兩個整體分數——而整體分數會騙你。你框了，才能看到「產品的注意力佔比從 A 版的 X% 變成了 B 版的 Y%」「促銷貼紙在 B 版佔了 Z%」——這才是你真正想知道的東西。

真正的判斷標準不是分數高不高，而是產品、品牌、賣點、CTA 這些商業重點的注意力有沒有提升。

報告也沒有停在「B 版勝出」就收工。它還給了下一版的三項優化建議——微調促銷貼紙位置避免遮擋品牌 LOGO、放大前景產品品名字級並拉大對比度、放大代言人白袍上的醫師名稱以強化專業信任感。以及採用 B 版時要注意的事項——黃色貼紙會遮擋後排品牌 LOGO，高亮度可能微幅干擾周邊資訊的閱讀。

工具不是替你拍板。工具是給你更多資訊，讓你拍板的時候比靠直覺更準一些。

這段的知識點收束：

景深模糊的注意力效果——人眼自動過濾模糊邊緣，將注意力鎖定在清晰前景上。在廣告素材裡的作用是強制引導視線，不是「好看」。

高對比色組合與幾何侵入感——高對比色（如黃藍）在色環上距離較遠，對比度極高。圓形打破方形線條的節奏，創造視覺侵入感。兩者疊加能讓一個小元素搶下大量注意力。

Banner Blindness（橫幅盲視）——使用者在網頁上會自動忽略看起來像廣告的區域，這是 System 1 的自動防禦機制。在 A/B 比較的脈絡下，它提醒你：不是素材放在那裡就會被看到。

A/B 比較為什麼要框選同名 AOI——不框選只能比整體分數，而整體分數會騙你。框了才能看到商業重點元素的注意力變化，這才是判斷素材好壞的真正依據。

版位干擾分析——「你的廣告，被旁邊的東西搶走了多少注意力？」

前面兩個功能解決的是「素材本身」的問題——你的一張廣告圖，注意力分布對不對。但廣告不是在真空裡被看到的。它出現在某個網站首頁的某個位置，上面有別的內容，旁邊有別的廣告，下面有熱門討論區。你的素材再好，如果放在一個注意力被周圍元素搶光的位置，效果也會大打折扣。

買網站首頁廣告版位，你靠的是什麼？媒體企劃書上的曝光量和點擊率預估值。這些數字告訴你「這個位置有多少人會看到」「點擊率大概多少」，但不會告訴你一件事：旁邊的內容會不會把注意力搶走。

更準確地說，它不會告訴你：消費者打開這個網頁的首屏，視線的動線是什麼樣的？你的廣告版位在這條動線上的什麼位置？它是在視線必經的路徑上，還是在視線會自動跳過的盲區？

版位干擾分析做的就是這件事。

操作方式：上傳一個網站首頁的截圖，選擇首屏比例（比如 16:10），框選各個廣告版位，系統跑出每個版位的注意力佔比、整體視覺清晰度、以及觀看順序動線。然後從兩個角度給建議——廣告主投放建議（你該買哪個位置）和版面方配置建議（網站設計者該怎麼調整）。

拿 Mobile01 的首頁來跑。

Mobile01 是台灣最具指標性的 3C 資訊社群網站，首頁資訊密度極高——主視覺推薦區、熱門新聞、各種廣告版位、熱門討論列表，全部擠在首屏裡。

跑出來的結果：視覺清晰度 7.4。這個數字代表什麼？前面講過，視覺清晰度越低，版面越擁擠、干擾性越強。7.4 屬於高干擾等級。

觀看順序動線是這樣的：第 1 眼和第 2 眼都落在主視覺推薦區——一台 Razer 筆電配上女模的主圖，這是首屏注意力絕對的核心承載位。然後視線向下移動，第 3、4 眼落在下方的 Allianz 藍色大橫幅廣告。接著視線向右偏移，第 5 眼進入右側次要推薦區。最後第 6 眼回到 Allianz 橫幅右側的主題文字。

右下角有一個 Range Rover 的側邊廣告。注意力佔比：2.7%。

2.7%。你花錢買了這個版位，結果消費者只有 2.7% 的注意力會落在這裡。

為什麼這麼低？因為它同時遭受兩重打擊。

第一重是位置——它在視線動線的最邊緣，消費者的眼睛從主視覺往下、往右走，走到底才可能碰到它，但大多數人在那之前就已經被別的內容吸走了。

第二重更致命——Banner Blindness，橫幅盲視。這是網頁使用性研究裡的一個經典發現：使用者在瀏覽網頁時，會自動忽略看起來像廣告的區域。這不是刻意跳過，而是 System 1 的自動防禦——你的大腦在幾十毫秒內判斷「這塊東西看起來像廣告」，然後直接把它從視覺處理佇列裡剔除。Range Rover 的側邊廣告，位置在右下角，視覺特徵又像硬廣，剛好踩中了 Banner Blindness 的雙重觸發條件。

反過來看，Allianz 的大橫幅廣告雖然也在「廣告區」的範圍內，但它佔據了首屏中下方最大面積，且位於視線從主視覺向下移動的必經路徑上——第 3、4 眼的位置。它被看到了，但報告指出它有另一個問題：代言人的人像與左側的核心標題在爭搶焦點，加上盲視效應，廣告訊息在開屏後無法被有效吸收。被看到不等於被讀懂。

報告從兩個角度給了建議。

廣告主投放建議——你該買哪個位置：

高優先級：優先投向內容資訊流，避開右側與右下角硬廣。具體做法是選擇將廣告嵌入主編輯推薦位（類似 Razer 或 OPPO 形式的內容植入），或購買中位置的聯播網原生資訊流。理由很直接——右下角硬廣注意力只有 2.7%，性價比極低。中左與中左區域是視線必經路徑，注意力價值高得多。

中優先級：如果買了大橫幅廣告，要優化視覺重心。把「立即了解」和核心標題移到左側或中央視線落點（第 3、4 眼位），簡化字體配色，減少代言人的人像干擾。

版面方配置建議——網站設計者該怎麼調：

高優先級：重整首屏版面，建立視覺層級以降低凌亂度。降低大橫幅廣告的高度，在廣告與上方主內容區之間增加顯著的留白（whitespace），限制右側文字列表的行數，增加行高與間距。理由是清晰度 7.4 屬於高干擾等級，內容與廣告貼臉逼近會加速使用者的 Banner Blindness 反射，降低網站整體的閱讀體驗與停留時間。

中優先級：活化右側熱門討論區，引導視線向右流動。為前三名加入微型視覺標幟——彩色分類標籤或前置縮圖——打破純文字的枯燥感。目前右側在動線中完全被跳過，加入視覺錨點有助於引導視線向右流動，間接帶動右下角廣告位的曝光率。

你注意到了嗎？廣告主和版面方的利益，其實是對齊的。

但現實中，兩邊常常站在對立面。廣告主花了錢買了大橫幅版位，卻發現旁邊的熱門討論區把視線搶走了——我的廣告為什麼被擠到角落？版面方想多加幾個廣告位增加收入，卻怕使用者覺得版面太亂直接跳出——廣告太多使用者跑了怎麼辦？一邊嫌版面太擠，一邊嫌廣告太多。

但如果用注意力數據來看，兩邊要的其實是同一件事：讓注意力在頁面上分布得更合理。廣告主希望廣告被看到——所以要買視線動線上的位置。版面方希望使用者停留更久——所以要降低版面干擾，讓視線動線更流暢。這個工具的好處是，它用同一份數據同時跟兩邊說話。廣告主看到的是「你的位置注意力只有 2.7%」，版面方看到的是「你的清晰度只有 7.4%，廣告跟內容貼太近反而加速盲視」。數據不選邊站，但它讓兩邊都看到了同一個問題。

回頭看這段的分析，有幾個觀念值得帶走。消費者打開網頁的第一屏，視線有一條可預測的動線——落在動線上的版位注意力高，偏離動線的版位注意力低。這就是為什麼分析只看首屏截圖：首屏是注意力的黃金區域，消費者如果沒有在首屏被抓住，往往不會往下捲動，首屏以下的版位注意力價值通常顯著降低。而 Banner Blindness 的觸發不只是「看起來像廣告」——位置邊緣加上視覺特徵像廣告，兩個條件同時觸發時，大腦在 System 1 層級就自動跳過了這個區域。Range Rover 那個 2.7%，就是雙重觸發的結果。

底層技術與回饋機制——「工具會長大，但長大的速度取決於你願不願意說話」

三個功能講完了。最後交代一下底層和回饋機制。

底層三層架構，一句話帶過：

第一層是自建的 UniSal 視覺顯著性模型，負責預測注意力分布——熱力圖和觀看順序都從這裡來。第二層是 ResMem 記憶度預測模型，預測「這張圖多好記」，品牌廣告越高越好。第三層是 Gemini 系列模型中的圖像生成功能，負責生成優化草稿。三個模型都在本地運行，資料不外傳——這不是用別人的 API 跑一跑就完事的套殼工具。

為什麼要強調自建？不是技術自嗨。是因為注意力預測的準確度跟訓練資料高度相關——你的模型如果只用歐美的眼動資料訓練，對亞洲市場的廣告素材可能存在系統性偏差。自建模型的好處是，你可以持續用本地市場的資料去校準它。這也是為什麼回饋機制如此重要。

CMO 的回饋機制有三層。

第一層是即時的——每份分析報告底下那個使用者回饋調查。三項 5 分制評分加上直接可用度評估，還有「哪一段最不準」的開放式欄位。這些回饋匯出品質診斷包，在初期資料量還不夠的情況下，是我跟 Claude Code 討論優化的依據。系統會把回饋跟對應的分析參數、模型版本、產業類別一起打包——等於是帶著上下文的除錯包，不是一個孤立的「不好用」。

第二層是中長期的——前端有「錯誤與問題回報」和「反饋與建議」兩個獨立入口。問題回報走的是輕量化路線：選影響程度、選發生時間、一句話說明、附截圖。系統自動帶上技術資訊——你不用填，它自己抓。送出不扣點數。反饋與建議則分四類：希望有新功能、改進現有功能、使用體驗／說明、其他想法。送出後會在同一串裡跟你討論——不是投到黑洞裡。

第三層在後台——我這邊有一個收集與回覆的管理介面。每筆回報都帶著完整的診斷資料和使用者環境參數，可以標註處理狀態和優先級，回覆會即時透過站內通知和 Email 同時通知提交方。

這三層疊起來，本質上是一個閉環：使用者用工具 → 工具給出分析結果 → 使用者回饋結果準不準 → 回饋匯入系統 → 模型校準 → 下一次分析更準。工具不是做完就不管了——它會長大。但長大的速度，取決於使用者願不願意說話。

最後說一個分寸。

這個工具不是要替代真人眼動測試。熱力圖上的紅色區域是統計近似的預測，不是某個具體消費者的真實視線軌跡。它告訴你的是「根據模型學到的統計規律，這張圖的注意力大概率會集中在這裡」——不是「這個消費者看了這裡」。

但它的價值不在「比真人眼動更準」，而在「比直覺判斷更準，比不做驗證更好」。

你做完一張素材，以前只能靠直覺判斷「消費者會不會看到我的品牌 LOGO」。現在你上傳一張圖，8 點，系統跑出來——你的品牌 LOGO 注意力佔比 13.4%，排第 5。你不用再猜了。你知道了問題在哪，然後你可以決定要不要改、怎麼改。

這就是 CMO 這個工具存在的意義——不是替你做判斷，是讓你做判斷的時候，手裡多了一份數據。