你好,我是

Jason

把模糊的營運痛點變成可衡量的產品問題

我的起點通常不是「要做什麼功能」,而是誰在什麼情況下被卡住、卡住的成本是多少。 把痛點收斂成可衡量的問題之後,才做優先排序與 build-vs-buy 取捨——能用現成服務解決的不自己蓋,蓋了之後也要有人真的用。 交付不只是上線:還包括跨部門採用、風險治理與驗收標準的設計。

看作品 → 聯絡我
SCROLL

01. 專案作品

真實上線產品 ✅ 真實上線・可直接操作・非模擬資料

自行定義問題、設計範圍並上線的產品,任何人都可以直接開啟使用。

🎓

Schooling|互動式 SQL 課程平台

讓想學 SQL 的人在瀏覽器裡直接練,不用裝資料庫、不用註冊、不用後端
產品決策的核心是把註冊與環境安裝這兩道放棄點直接拿掉:打開網頁就能寫 SQL。 因此架構上刻意不做後端(WASM SQLite 跑在瀏覽器裡)——換來零維運成本與使用者資料不離開瀏覽器的隱私優勢,代價是放棄跨裝置同步與學習數據收集,這是明知取捨後的選擇。 驗收標準上,自動批改比對查詢結果而非 SQL 字串:同一題允許多種正確寫法,避免把「寫法不同」誤判成「答錯」而打擊學習者。
13
門課
113
課
296
題
204
個課文範例
零後端取捨WASM SQLite結果比對式批改

架構展示 模擬資料

公司內部系統不可外展,此區為純前端架構示意,資料為虛構脫敏範例,AI 與後端行為為模擬。

💬

LINE 智能客服機器人

讓客服不會因為報錯價格造成商業損失——回得快不是第一優先
B2B 客服導入 AI 的關鍵決策,是先定義「答錯的代價」再定義「答得多快」:報價類問題一律走保守回覆並轉人工,FAQ 類才全自動。 同時設計建單與群組通知,讓業務知道哪些對話需要接手,而不是全部重看一遍。
風險分級回覆RAGLINE
📊

GA4 + MCP 數據分析

讓 AI 能安全存取追蹤設定,但沒有發布權
在「讓 AI 幫忙分析」與「不要讓 AI 搞壞追蹤設定」之間劃權限邊界:AI 只有讀取與草稿權,發布動作保留給人。 這是 build-vs-buy 的實例——分析層採用官方 MCP 不自建,省下的時間花在治理設計上。
權限邊界設計官方 MCP(buy)
🧭

GA4 / GSC 行銷分析儀表板

讓主管看得懂詢價從哪來,讓行銷與工程能安全改追蹤設定
把「流量很多但不知道哪來的詢價」收斂成一組可決策的畫面:來源歸因、詢價與 LINE 漏斗,以及依「量體 × 意圖」自動分層的關鍵字投放建議(小池子/大池子/否定字/季節字),讓行銷能直接拿去調預算。 每張圖都標資料更新日——沒有更新日的數字不會被信任,也不該被用來做決策。
決策介面設計關鍵字分層GA4 · GSC
🤖

AI 自動化求職 Pipeline

讓六千多筆職缺被語意判讀,而不是被職稱關鍵字誤判
關鍵字過濾在大量資料下的失誤率太高,所以改用語意評分:先用規則做粗篩降低 AI 成本,再讓 AI 處理需要判斷的部分。 這是成本與準確度的分層取捨,不是一律丟給 AI。
分層篩選取捨AI 成本控制
🗂️

職缺研究 Dashboard

讓分散的職缺研究與 AI 產出集中成可搜尋的決策介面
資料散落在各處時,問題不是「資料不夠」而是「找不到」。把研究素材收進單一可搜尋介面,讓決策時間從「翻半小時」降到「查一次」。
資訊架構決策介面
🛍️

Shopify 商品上架 SEO/GEO 自動化

讓一萬四千件商品的法規下架能在幾分鐘內零錯誤完成
法規下架是錯一件就有法律風險的流程,人工處理一萬四千件商品既慢又不可驗證。 設計重點在批次執行前的比對與執行後的可稽核紀錄,並把下架結果同步到下游系統,避免各部門看到不同版本的真相。
法規風險治理批次流程設計Shopify
📈

台股輿情日報

讓一個人能每天掌握六十多支股票的市場情緒,而且 AI 成本可控
範圍設定成「每天一份可讀完的日報」而不是即時監控系統——後者成本高、也不符合實際使用節奏。 資料來源優先選官方 API 以降低爬蟲維護風險,AI 只用在需要語意判斷的環節以控制成本。
範圍收斂AI 成本控制官方資料源優先

案例研究 無互動 demo

這兩個專案為公司內部系統,無法做成可外展的展示頁,但有完整的案例文件可閱讀。

✍️

J1 商品文案自動化

讓文案批次生成,但錯寫不會進到正式商品資料
導入 AI 生成的前提是先設好退路:產出先進暫存層,通過比對與抽驗才寫入正式商品資料。願意接受「多一道關卡」換取「錯誤不會外流到客戶眼前」。
🚚

營運流程自動化(社群/貨運/財務)

讓業務能即時回答客戶「貨在哪」,而不是打電話問倉庫
真正的痛點不在倉庫,而在資訊只存在於某個人的腦袋裡。把三條獨立流程收斂成同一份可查詢狀態,前線不必靠人情轉述就能回覆客戶——跨部門採用是這個案子最難的部分。

* 除 Schooling 為真實上線產品外,其餘展示頁皆為公開展示用的純前端靜態頁;真實程式碼、架構與 know-how 可於面談時說明。

02. 能力與工具

🎯

產品與決策

問題定義優先排序build vs buy風險治理跨部門採用評量標準設計
🧠

AI 應用與邊界

RAG 應用設計AI grounding / 防幻覺AI 成本控制人機分工設計MCP
📊

數據與成效衡量

GA4GSCGTM轉換漏斗來源歸因SQL決策儀表板
🛒

電商與 MarTech 營運

Shopify商品與集合管理SEO / GEO法規下架流程LINE 官方帳號
⚙️

流程與自動化

n8n流程重新設計資料正規化批次作業治理宜搭 (Yida)
💻

技術落地(能自己做)

PythonJavaScriptREST APICloudflare Workers靜態優先架構RWD

03. 關於我

我做產品的方式是先問「誰被卡住、卡住的成本是多少」,再決定要不要做、做到什麼程度。 因為自己寫得出來,所以在 build-vs-buy 的討論裡我能給出有根據的估算,而不是只能等工程回報;也因為自己維運過,所以會把維護成本算進決策。

導入 AI 與自動化時,我的立場是先定義錯誤的代價,再決定自動化的程度:報價錯一次的損失、法規下架漏一件的風險、追蹤設定被誤改的後果——這些決定了哪裡該全自動、哪裡該留人工關卡。

學術背景是數學系(高雄大學)與經濟研究所(台北大學)。研究所期間擔任助教,負責出考題;大學時參與教育部偏鄉計畫擔任帶班老師。 出考題其實就是定義「什麼叫做學會了」——跟定義驗收標準是同一種能力:你得先講清楚什麼算及格,別人才有辦法做到。偏鄉帶班則讓我習慣對著完全不同背景的人把事情講懂,這在跨部門推動採用時每天都在用。

1
真實上線產品
7
架構展示
3
自建/官方 MCP 整合

04. 聯絡我

對合作、職缺或這些專案有興趣,歡迎來信聊聊。