6.2 KiB
6.2 KiB
外部專業做法 Benchmark
用途：定期把外部電商、商品資料與 UX 專業做法轉成 EwoooC / MOMO Pro 的可執行產品準則。
固定節奏
- 每週一 09:30 執行外部 benchmark，自動輸出可落地建議。
- 只採用能改善核心價值的做法：商品身份比對準確率、可用比價覆蓋率、價格新鮮度、人工覆核效率、競品情報決策品質。
- 外部資料必須保留來源、讀取日期、觀察結論與不採用原因。
2026-06-02 初始觀察
1. 商品 identity 必須優先吃結構化 identifiers
Google Merchant Center 的商品資料規格把 id、brand、gtin、mpn、price、availability 視為商品資料核心；Schema.org / Google Product structured data 也把 Product、Offer、AggregateOffer、sku、gtin、brand、price、availability 放在商品與報價語意中心。
落地到本產品：
- 比對引擎不能只靠商品名稱 token；應逐步建立
identity_evidence欄位，分層保存品牌、SKU、GTIN/條碼、MPN/型號、容量、入數、色號、香味、款式。 - 若雙方有 GTIN / MPN / 明確型號，應優先作為 strong evidence。
- 若缺 GTIN / MPN，不得自動推定同款；要清楚標示
identifier_missing或identifier_weak。
2. 價格可用性必須和 freshness 綁在一起
Google Merchant Center 要求價格與庫存狀態要和 landing page / checkout 保持一致；Schema.org Offer 也有 price、priceCurrency、availability 等報價欄位。
落地到本產品：
decision_ready只能計入明確未過期價格，不應把未知 freshness 當可決策。- Dashboard 必須拆開 identity coverage、fresh price coverage、pending identity、stale identity。
- 目前 V10.549-V10.565 的方向正確：未知新鮮度不得灌高覆蓋率，並要進刷新/救援流程。
3. 多 offer / 多平台比價應該呈現為 offer evidence，不只是單一低價
Schema.org AggregateOffer 用於同一商品對應多個商家 offer。這個概念適合我們把 MOMO / PChome 的同款證據與價格證據分開保存。
落地到本產品：
competitor_prices應逐步從單一 match row，演進成「identity pair + offer snapshot」兩層。- PPT / AI 決策不只顯示價差，也要顯示 identity confidence、freshness、offer source、last crawled、manual review state。
4. Product comparison UX 要讓使用者比較規格差異
Baymard 的商品頁與比較 UX 研究強調：使用者需要清楚的 product comparison，尤其是規格驅動品類。
落地到本產品：
- 人工覆核頁不能只列 MOMO/PChome 名稱與價格；要突出「不一致欄位」：色號、香味、容量、入數、套組、任選、效期、航空版。
- 對
identity_veto/true_low_confidence要顯示人可以理解的原因，不只顯示待審。 - Dashboard 建議下一步要直接連到對應操作：刷新、補抓、重評、單位價覆核、人工覆核。
目前不採用
- 不採用「只靠低價/高相似度自動配對」：價格相近不是 identity evidence。
- 不採用「大量放寬 threshold 來拉覆蓋率」：會污染核心比價資料。
- 不採用「把外部網站 UI 風格直接照搬」：只吸收資訊架構、證據呈現與工作流做法。
2026-07-02 AI automation dashboard benchmark
來源觀察
- Grafana dashboard best practices 強調 methodical dashboards、分層下鑽、alerts 導向 dashboard、dashboard/panel 說明與版本化 dashboard JSON。
- Datadog dashboards 強調即時掌握系統健康、KPI、趨勢、異常、優先處理與根因診斷。
- New Relic golden signals dashboard 強調用少數核心訊號快速掌握服務健康，並用 template variables 動態篩選。
- Atlassian Statuspage / incident communication 強調狀態溝通、事件自動化與使用者可理解的狀態更新。
落地到 PChome AI automation dashboard
- 狀態分層: 第一視窗必須能用
success / warning / danger / neutral呈現健康、等待、需處理、已完成，不把所有狀態混成同一種卡片。 - 下一步優先: 第一視窗摘要必須直接顯示下一個機器動作；raw package、endpoint、artifact hash 放在 API / evidence 層。
- 證據按需: 產品畫面顯示「回讀、異動、留存、資料寫入」等營運語；receipt、hash、artifact、DB table 名稱只留在 detailed readback 與 tests。
- Golden signals: AI automation 第一視窗至少要有四個核心訊號：已自動落地、已驗證、異動狀態、下一步。
- Dashboard-as-code: benchmark 結論必須進 tests；
tests/test_pchome_dashboard_benchmark_guardrails.py是 PChome AI dashboard benchmark guard。
下一步 TODO 候選
- 建立
identity_evidence正規化 payload，讓 matcher 回傳 identifier/spec/variant evidence。 - 在覆核頁新增差異高亮：色號、香味、容量、入數、任選、效期、來源新鮮度。
- 將 PPT / AI payload 的比價項目拆成 identity evidence 與 offer evidence。
- 每週 benchmark 結果若命中上述 TODO，回寫
TODO_NEXT_STEPS.txt或新增 ADR / memory。 - 將 PChome AI automation benchmark guardrails 套到
/ai_intelligence、/observability/overview與後續 AI Agent surfaces。
參考來源
- Google Merchant Center Product data specification: https://support.google.com/merchants/answer/7052112
- Google Search Central Product structured data: https://developers.google.com/search/docs/appearance/structured-data/product
- Schema.org Product / Offer / AggregateOffer: https://schema.org/Product, https://schema.org/Offer, https://schema.org/AggregateOffer
- Baymard Product Page UX Best Practices: https://baymard.com/blog/current-state-ecommerce-product-page-ux
- Baymard Product Comparison UX: https://baymard.com/blog/provide-comparison-features
- Grafana Dashboard best practices: https://grafana.com/docs/grafana/latest/visualizations/dashboards/build-dashboards/best-practices/
- Datadog Dashboards: https://docs.datadoghq.com/dashboards/
- New Relic Golden Signals dashboard: https://newrelic.com/instant-observability/golden-signals-dashboard-for-new-relic
- Atlassian Statuspage user guide: https://support.atlassian.com/statuspage/docs/read-the-statuspage-user-guide/