Day 1｜商機是怎麼被我們看到的？（痛點 × 價值 × MVP 版藍圖）

目標一句話：把實體賣場的「猶豫瞬間」（站著比較、拿了又放）變成個人化推播與可追蹤的數據資產。我們先用最低成本、最快速驗證的 MVP 跑起來。

0) TL;DR（三行快讀）

• 痛點：線下很少量化「猶豫」，錯過最佳說服時機。
• 價值：辨識當下的人與偏好 → 立刻送上專屬優惠，還能回寫資料做 A/B 與預測。
• MVP：ESP32-CAM 取像上傳 → 雲端比對（Rekognition / 向量） → 看板/APP 推播 → 資料回流。

1) 場景小劇場（30 秒讀完就懂）

「小美在甜點櫃前反覆端詳，卻又猶豫價格。」
我們的裝置偵測到停留＋臉部向量相似，系統判定她是甜點高偏好族，看板立刻換上莓果塔 85 折＋「今日限定」字樣，手機（選配）同步推播。小美笑了，一起結帳。
這一切只花了 < 2 秒，而且留下了可回溯的數據，供日後調整文案與折扣強度。

2) 我們怎麼看到「商機」？

2.1 線上 vs 線下的「缺口」圖

線上：點擊/滑過 → 立刻個人化推薦與加碼優惠
線下：停留/拿起/比價 → 很少被量化，幾乎無法即時回應
我們的任務：把「線下猶豫」數據化 → 即時個人化推播 → 回寫成行銷資產

對象：連鎖超市、購物中心、百貨與多據點零售；價值：補上線下即時互動與顧客輪廓的最後一塊拼圖。

2.2 目標客群 × 價值主張

3) MVP 版藍圖

[ESP32-CAM]  --HTTP/JPEG-->  [雲端後端 Flask/GCP]
    |                              |
取像上傳                      臉辨/向量比對（AWS Rekognition 或 Multimodal Embedding）
    |                              |
    └----->  [SQLite/日誌] <-------┘
               |       \
               |        \--→ [推播建議/素材URL] → [數位看板(Chromecast Kiosk) / APP/EDM]
               └--------------------→ [Dashboard 指標回寫]

• 前端裝置：ESP32-CAM，幾百元即可擷取 1600×1200 影像並透過 HTTP 上傳。
• 雲端：Flask API on GCP VM；臉辨採 Amazon Rekognition 或 向量比對（Vertex Multimodal Embedding）。
• 輸出：Google TV（Kiosk）播放廣告頁、或 APP/EDM/看板等多渠道。

4) 為什麼我們選這條技術路？

4.1 從自訓到雲端/向量：踩雷實話

• 早期跑 InsightFace：準確度受資料量/環境影響，維護成本高、還會遇到 BBOX 框錯（框到眼鏡等）。
• 改走 Rekognition 或 向量 Embedding：免自訓、可擴充，以歐氏距離/餘弦相似設門檻，快速上線＋後續可混合策略。

向量門檻（報告摘錄）

• 高信心 distance < 0.447；中信心 distance < 0.632；例：A1–A2 = 0.408 (高信心)。用餘弦相似度作輔助。

5) 成本腦補：一個月要花多少？

假設：每店一台，每 5 秒 1 張、每天 12 小時、30 天 = 259,200 張/月。

註：實際費用依合約/折扣而異。

一句話：先用雲端/向量快速跑起 MVP，等回收成效再談本地化或混合。

6) 只看結果也要有邏輯：通知「防震漏斗」

[偵測到人] → [相似度過門檻?] → [品類/偏好匹配?] → [A/B/冷卻通過?] → ✅ 推播
                   ↑                  ↑                 ↑
             (distance<0.447)     (甜點/飲品?)      (避免連續洗屏)

KPI（第一週建議觀察）

• 看板互動率、推播轉換率、重複曝光次數、熱門時段（餐前/下班後）、每門市提升幅度。
• 資料回寫到 Dashboard（小時級）：曝光→互動→轉換→回購。

7) 現場佈署小抄

[鏡頭高度] 2.0~2.3m 俯角 15~25°
[光線] 逆光加柔光罩/補光，反射面避開
[網路] 距離AP < 5m 穩定5GHz 或 2.4GHz 20MHz
[看板] Chromecast with Google TV → Kiosk 模式

ESP32-CAM 以 HTTP 直傳 JPEG，後端 Flask 收檔後丟到 Rekognition/向量 API；結果回傳給看板或 App。

8) 資安與隱私

• 最小化保存：只存向量或必要摘要，影像可即刻丟棄（依場域規範）。
• 門檻＋人工覆核：中信心區段（如 0.447~0.632）保守對待，必要時落到匿名偏好分群。
• 透明告知：門市入口貼資訊揭露（用途/保存/聯絡管道）。

9) 生活化 Demo 提案

A.「甜點自由日」：甜點偏好族靠近甜點架 → 看板切換「85 折」＋「今日第二件半價」。
B.「健康補給站」：運動路線旁的健康飲品架 → 傍晚時段自動強化出現率。
C.「回購喚醒」：距離上次購買已 14 天 → 看板或 APP 與會員券同步出現。

10) 今日交付（Checklist）

• [ ] 確認 MVP 架構 與 商業假設一致
• [ ] 決定 臉辨方案（Rekognition vs. 向量）與門檻
• [ ] 草擬 推播文案集（3 種語氣 × 2 個價格區間）
• [ ] 排定 POC 場域（1 門市 × 1 區 × 1 週）與 KPI
• [ ] 完成 現場佈署清單 與 隱私揭露文本

明日預告（Day 2）

直接動手：資料流與 API、臉辨/向量門檻、推播引擎、成本與日誌格式一次交代清楚，給你可以跑的最小專案骨架。