01 · Current Situation
現在你每天的工作是這樣
場主清晨看一眼天氣 App，憑十幾年經驗決定今天叫多少菜、排幾個人。週末預留多一點，平日抓少一點，颱風天多訂備不時之需。但去年中元連假預估錯一倍，餐點全倒；五月清明完隔天又突然爆滿，廚房直接崩盤。整個營運的節奏，繫在老闆一個人的腦袋裡——他休假，下面沒人敢拍板。
02 · Pain Points
這樣做，會遇到什麼問題
✗
備料憑感覺
抓多了當天倒掉，抓少了現場缺餐。月底盤一次成本，浪費率年年沒變。
✗
排班錯位
假日忙到外場崩潰、平日三個人坐著聊天。人事費沒有跟著客流走。
✗
經驗無法交接
「天氣冷一點客人就少」這種判斷只在老闆腦袋。新人接手前三個月，就是學猜。
03 · Measurable Impact
導入後的改變
來客預估誤差
±35%
↓
±12%
單日備料浪費率
15-20%
↓
5% 以下
排班空轉時數
30+ hr/月
↓
10 hr/月
04 · AI Workflow
AI 工作流解法
01
三年實證數據建立基線
把民國 111–113 年的每日來客 × 天氣 × 溫濕度 × 月份歷史資料整理成一張長表，跑灰色關聯度分析（適用小樣本），算出每個環境因子對來客數的影響權重。氣溫 Γ=0.612、濕度 Γ=0.653。
02
五個係數模組化拆解
把預估公式拆成可獨立調校的五個維度：天氣（晴/陰/雨/颱風 7 級）、氣溫（最適 18–26°C）、濕度（最適 50–70%）、星期（平日 vs 假日，差 4–5 倍）、月份（5 月谷、7 月與 11 月峰）。任何一個都能單獨微調，不必整套重訓。
03
管理員調校介面
場主登入後台直接拉桿改係數，例如「我覺得這季客人對天氣更敏感」就把雨天係數從 0.6 拉到 0.5，按存檔即時生效。重置鍵一鍵回到實證預設值，不怕改壞。
04
每日預估自動下發
系統每晚 22:00 抓隔天氣象局預報，套上五係數乘法（基準客數 × 天氣 × 氣溫 × 濕度 × 星期 × 月份），把明日預估客數推到場主與廚房長 LINE。備料、排班一份共識的數字。
Next.js / Vercel
灰色關聯度分析
中央氣象署 API
Supabase
LINE Bot
05 · Actual Output
實際做出來的畫面
ASCREEN
儀表板 · 今日預估
場主早上打開第一眼：今日預估來客 41 人、建議備餐 48 份、未來 7 天卡片牆一字排開。本週累計、最忙一天、週總來客全部秒看。
BSCREEN
每日輸入 · 30 秒校正
下午閉店前場主 30 秒填完：選天氣 icon、輸入氣溫濕度降雨。即時預估同步更新，並把實際來客數送進歷史比對，模型自己變準。
CSCREEN
係數調整 · 拉桿可改
天氣 7 種、氣溫 4 級、月份 12 個全部用 slider 微調。每個係數來自虎頭山 111–113 年實證數據（Γ=0.612），場主看得懂、改得動、一鍵還原預設。
Live Demo
在線上看實際運作的係數調校頁
把場主的肌肉記憶，
變成全場可讀的乘法公式。
傳承的不是「天氣冷客人會少」這句話，而是「冷到 12°C 對應係數 0.78」的具體數字。新人第一週就接得住，老闆終於能放心休假。
Designed & Implemented by
觀光休閒業 · 營運主管