專案概述
本專案為快速驗證假說的 Beta 實驗版。旨在以最小可行產品（MVP）快速驗證「職能模型與學習內容的自動化媒合（以下簡稱 C&C）」的市場接受度，作為後續產品改善方向的判斷依據。
專案背景
「GLOBIS 学び放題」在企業市場已累積一定的導入基礎，但我們觀察到一個關鍵落差 —— 「企業導入了產品」不等於「企業內部的員工真的在使用產品」。已導入的企業客戶中，企業內部員工實際使用產品的比例（以下稱內部覆蓋率）長期偏低。
這個落差若持續存在，企業客戶將難以感受到導入的價值，進而影響續約意願。因此，企業內部覆蓋率是我們部門在企業端的核心指標之一。
為了找出覆蓋率偏低的突破口，PO 與 UX Researcher 訪談了員工數超過 1,000 人、且積極與我們的專屬客戶成功團隊（以下稱 CS）討論如何引導員工學習的企業 —— 讓產品改善能優先對齊大型企業客戶、且積極推廣內部教育的客戶需求。
訪談中的阻力與假說
人資端：營運成本高
人資想提升公司內部的自主學習風氣，但業務繁忙，難以持續推廣學習平台與追蹤員工的學習狀況。我們推測，人資並非不想推動，而是缺乏可負擔的手段 —— 面對大量課程，為員工挑選合適的學習內容極為耗時，過去高度仰賴「人工」方式進行客製化的課程推薦與媒合，不僅費力，也難以規模化。
員工端：學習動機低落
員工疲於應付眼前的短期工作目標，缺乏時間與心力投入中長期的能力養成。我們推測，員工並非否定學習的價值，而是看不到連結 —— 平台上的學習與自身的短期目標、內部考績無關，因此不願將有限的時間分配給它。
解決方案
為了回應上述的假說，團隊決定以「降低人資營運成本、建立員工學習連結」為核心推動新功能開發：
- 職能模型的自動媒合（人資端）
- 打造低門檻的自動化工具，讓人資無需耗費大量心力，即可自主將 GLOBIS 学び放題的學習內容與企業內部的「職能模型」進行媒合，降低指派學習內容的營運成本。
- 讓學習與職涯產生連結（員工端）
- 透過學習內容與職能的媒合，讓員工看見被指派的學習內容與自身職涯發展的連結。
設計與決策亮點
※這個專案的設計流程與團隊協作方法，請參考在敏捷開發中導入使用者故事框架，讓跨職能團隊在動工前對齊開發方向
- 把職能模型的階層對應劃為開發範疇之外，以換取驗證速度
盤點過程中我們發現，職能模型的階層結構在每間公司都不一樣：有些公司只有「職級 × 等級」兩層，有些則在同一職級與等級下，還會依職種區分出不同的職能描述。若要讓系統對應所有客戶的結構，勢必得投入大量資源進行客製化開發。
考量本次的目標是「盡快取得市場反饋」而非「做出完整功能」，我提議在 Beta 版中先不處理階層結構，直接以單層結構推出，並取得團隊的同意。只要客戶能先把一部分的職能模型拿去媒合課程、並發布給員工，就能夠取得企業人資管理端的真實反饋。
- 讓 AI 的媒合結果可被解釋：把課程標籤設計成判斷依據
C&C 的 AI 並不直接挑選課程，而是先從人資輸入的職能描述中，判斷出最適配的「課程標籤」，再以標籤媒合課程（為什麼這樣做，見下一點）。課程標籤因此等同於 AI 對輸入內容所做的摘要 —— 我把它設計成媒合結果畫面上 AI 的判斷依據，讓人資能快速判斷媒合結果是否符合預期：
- AI 辨識出的核心職能，是 AI 從人資輸入的描述中配對出課程標籤的結果 —— 人資可據此確認 AI 是否理解正確。
- 每張課程卡片的標籤，則說明這門課為何被選中 —— 讓人資能逐堂判斷去留，而不必面對一份無從評估的清單。
- 透過「課程標籤」輔助 AI 推薦課程，同時控制運算成本與可信度
在跨職能的工作坊中，工程師對「直接使用 AI 媒合課程」提出了兩大技術隱憂：
精準度低：早期 AI 在缺乏結構化提示下，容易產生幻覺，導致推薦文不對題，反而會損害人資對產品的信任。
運算成本極高：若每次媒合皆需將數千堂課程的資料送交 AI 運算，不僅耗費極高 Token 成本，也會造成系統嚴重的延遲。
為此，團隊決定不讓 AI 直接面對全部課程，而是以系統既有的「課程標籤」作為中介 —— AI 只需從人資輸入的職能描述中，判斷出最適配的標籤以媒合課程，推薦結果因此必定來自既有課程庫。這個設計大幅縮減了 AI 的處理量，並削減了未來營運該功能的成本。這是團隊的決定；我負責的，是上一點標籤在畫面上的呈現。
- Empty State 即教學，降低新概念的認知阻力
自動化媒合「職能模型」與「學習內容」，對多數仰賴人工媒合課程的人資而言是全新的體驗。為了降低新功能的認知門檻，我在該功能還未被使用的狀態下，於功能首頁設計了具備引導教學目的的 Empty State，清楚說明該功能如何取代人工媒合，藉此降低人資端的認知阻力並激發嘗試意願。
- 提供兩種職能描述的輸入方式，兼顧規模與即時性
企業的「職能模型」通常包含多個職級，且每個職級下皆有繁複的細項條件與職能描述，資料結構複雜且龐大。為解決前置訪談中發現「人資業務繁忙，難以耗費心力」的核心痛點，我與 PO 規劃了 CSV 檔案批次匯入功能，讓人資能一次上傳多筆職能描述，省去繁瑣的手動建檔。
同時，我們也保留了直接以文字描述的輸入方式 —— 使用者可以用一段文字寫下希望培養的能力或知識，交由 AI 媒合課程。
- 保有媒合後的人工編修彈性
儘管 AI 與標籤系統能負責整個媒合的過程，但員工的學習內容最終仍需符合企業內部的實際期望。因此，我保留了人資在事後手動增減課程的權限，確保最終發派給員工的學習內容能契合企業的培育目標。
因為這個功能定位為實驗性質，課程標籤對應課程的精確度並未做到完美，實際媒合後選出的課程可能仍有十幾堂。但相較於過去要從數千堂課程中人工篩選，已是量級上的改善，因此我判斷在實驗版先接受這個結果，把最後的收斂交給人資的編修階段。
專案成效
| 影響面向 | 具體成效 |
|---|---|
| 概念獲得企業端的實際採用🎯 | 受訪的企業客戶即當時整個優先目標客群，其中有半數在 Beta 版釋出後實際使用了 C&C，並將媒合產出的學習內容發布給企業內部員工。部分企業可能由 CS 協助操作，但是否發布給員工，最終決定權仍在企業端。相較於口頭表達的興趣，「實際採用並發布」是更能佐證需求真實存在的行為訊號。 |
| 驗證了自動化媒合的效率潛力📊 | 「課程標籤作為中介」的方案證明了在可控成本下自動媒合職能與課程是可行的 —— 但這是技術可行性的成立，尚不等同於商業成效。 |
| 意料之外：改變了公司內部 CS 的工作方式💡 | 我們原先設想的使用者是企業人資，但功能上線後，更積極使用它的其實是我們公司的 CS 團隊。詳見下述。 |
意料之外：功能真正減輕的，是 CS 的勞力
在前期訪談中，我們只看到企業人資在「手動派課所花費的勞力」。但功能上線後，因為 CS 對該功能的熱切詢問，我們才發現，其實我們公司配置給大型企業客戶的專屬 CS 在客製化派課上投入的時間也相當可觀。
C&C 上線後，部分 CS 開始使用它模擬媒合結果，作為與企業人資窗口開會討論時的依據。為了讓這個非預期的用法能順利擴散，我另外製作了一份從後台操作該功能的說明文件，提供給 CS 團隊使用。
由於這個用法並未被納入原本的量測範圍，我無法提供 CS 節省工時的量化數據；能確定的是，公司內部 CS 的工作方式確實因這個功能而改變。
本次 Beta 的驗證界線
C&C 是團隊為突破「內部覆蓋率」所推動的一系列專案之一，扮演「探路者」的角色：目的是盡快取得企業端的真實反饋。因此，團隊一開始就劃出兩條界線：
- 指標是否提升，不在範疇內：DS 團隊判斷，影響覆蓋率的因子多半落在產品之外（例如人資的推廣力道、內部是否有學習誘因），單一功能難以撼動。
- 員工端的假說，不在範疇內：員工是否因此產生學習動機，取決於尚未釋出的配套功能與考績連動等前提；本次 Beta 只驗證人資端的需求是否真實。
專案後續
Beta 版上線後，我便回到原本的學習者端團隊，後續的功能迭代與長期成效並不在我的追蹤範圍內。以上呈現的，是 Beta 期間內我所參與、觀察與判斷的部分。