家庭消費

少買一點不是唯一答案，先看食物在哪一步被忘記

用庫存年齡、用餐人數、保存方式與彈性菜單安排一周廚房，讓減少浪費不增加家庭負擔。

7 天滾動規劃窗口
3 區冷藏／冷凍／常溫
2 餐優先消耗提示範圍
1 次／周庫存快速復盤

一周庫存熱力表

不是記錄每一克食材，而是把即將到期、已開封和可冷凍三類狀態放進做飯決定。

01 · 現場不是平均使用者

家庭週末買滿一周蔬菜，週三臨時加班，原定晚餐被外賣取代；到了週末，冰箱後排的葉菜已經無法使用。問題不是沒有採購清單，而是計劃沒有容納人數和時間變化。

這一場景提醒我們，設計對象不是抽象的平均值，而是會在壓力、時間限制與不同身體條件下完成具體任務的人。

02 · 機制從哪裡開始

浪費來自購買、儲存、看見、決定與處理多個環節。規劃器用庫存年齡和保存狀態提高即將損耗食材的可見度，再提供可替換菜單；它不需要精確預測每餐，只需讓變化發生時仍有低成本選擇。

因此不能用單一指標代表整個系統；量測必須與流程節點對應，並讓讀者知道數據能夠解釋什麼、不能解釋什麼。

03 · 證據要怎樣收集

記錄品類、購買或開封日期、保存區域、預計份數與是否可冷凍即可。不要要求逐克輸入或拍攝所有收據，否則維護成本會迅速超過收益；家庭成員也應能用簡單標記更新。

所有精確數字都應記錄來源、時間和適用邊界；本頁指標屬於設計示例，用來說明結構，不冒充研究結論。

04 · 把原則變成流程

每周先查看已有庫存，再安排兩餐優先消耗和一餐彈性組合；購物時只補關鍵缺口。計劃改變後立即把可冷凍食材轉移，並用明顯容器集中即將使用物品，減少「看不見所以忘記」。

實施時應先小規模驗證，保留人工覆蓋與退出路徑，再根據真實反饋迭代；自動化只能執行已說明的邊界。

05 · 最容易出現的誤判

只按包裝日期機械排序可能忽略實際開封與保存條件；把所有剩菜都列為明天任務，也會形成壓力並最終放棄。系統應允許丟棄原因記錄，但不以羞辱或積分懲罰家庭成員。

對異常與失敗保留記錄比隱藏警報更重要。若系統只展示成功案例，管理者就無法看見結構性缺口。

06 · 如何作出可解釋決定

長期觀察應看購買後未使用、烹調過量、保存失敗和口味不合分別佔多少，再選擇針對措施。若記錄時間持續增加或食物安全判斷變得含糊，應簡化工具而不是追求更細數據。

最終報告應同時呈現收益、代價、未覆蓋人群與剩餘不確定性，避免把複雜公共問題壓縮成單一漂亮分數。

07 · 部署前的實務檢核

「少買一點不是唯一答案，先看食物在哪一步被忘記」不應停留在概念展示。正式投入使用前，需把使用者、設備、資料與例外情境放進同一輪小規模測試，事先寫清成功條件、停止條件與人工接管方式。測試紀錄要保留失敗與缺漏，不能只挑選最順利的流程作為成果。

  • 每周只記錄足以支持決定的狀態，確認維護時間不會超過實際收益
  • 分別標示已開封、即將使用、可冷凍與無法判斷安全的食材
  • 模擬臨時加班、聚餐取消和用餐人數變化，測試彈性菜單能否接住變化
  • 按浪費原因復盤採購、儲存、烹調與口味問題，不用單一總量責備家庭成員

完成檢核後，應由實際受影響的人參與復盤：哪些步驟變得更容易，哪些人仍被排除，資料是否足以支持判斷，以及新增流程是否帶來隱私、時間或維護負擔。若證據不足，就把結論標示為待驗證，而不是用精確分數製造確定感。

編輯檢核：本文提出的是可測試的設計框架，不是已完成的產品結論。正式部署前應由實際使用者、維護者與受影響群體共同複核資料邊界、例外情境、人工接管和停止條件，並保留失敗紀錄供後續修正。

METHOD / PYTHONSIMULATED INPUT
from dataclasses import dataclass
from typing import List, Tuple

@dataclass
class Observation:
    name: str
    value: float
    weight: float
    confidence: float

def normalize(value: float, low: float, high: float) -> float:
    # 將觀測值限制在示例區間並轉換為 0 到 1
    if high <= low:
        raise ValueError("high 必須大於 low")
    clipped = min(max(value, low), high)
    return (clipped - low) / (high - low)

def evaluate(rows: List[Observation]) -> Tuple[float, List[str]]:
    weighted_sum = 0.0
    weight_total = 0.0
    notes = []
    for row in rows:
        reliable_weight = row.weight * row.confidence
        weighted_sum += row.value * reliable_weight
        weight_total += reliable_weight
        if row.confidence < 0.6:
            notes.append(f"{row.name}: 資料可信度偏低")
    if weight_total == 0:
        return 0.0, ["沒有可用觀測"]
    return weighted_sum / weight_total, notes

# 以下均為說明方法的模擬輸入，並非真實量測
samples = [
    Observation("滾動規劃窗口", normalize(62, 0, 100), 1.0, 0.9),
    Observation("冷藏／冷凍／常溫", normalize(48, 0, 100), 0.8, 0.7),
    Observation("優先消耗提示範圍", normalize(75, 0, 100), 1.2, 0.8),
    Observation("庫存快速復盤", normalize(35, 0, 100), 0.7, 0.5),
]
score, warnings = evaluate(samples)
print("綜合示例分數:", round(score, 3))
for warning in warnings:
    print("檢查:", warning)