Dayflow — 6-Month User Research Brief

6 個月 n=1 觀察（作者：Lman），用來校準 Context Aware Engine 該學什麼 / 該避免什麼。以下七點為主要發現，圖表在下方支撐。

1. 用戶行為非穩態 — 月度 Work 佔比在 13%↔65% 間跳動，Distraction 在 1.3%↔14.6% 間跳。平均化會得到「不存在的假 persona」。CAE 必須 regime-shift 偵測，不是單一向量平均。
2. Distraction spiral = 25% — 一旦進入 Distraction 狀態，24.7% 機率下一張卡仍是 Distraction。干預 leverage 在 第 1→2 次轉移、進入 30 分以內。
3. Rabbit-hole 長尾 — 232 次中位 16 分，但 12% 超過 60 分。CAE 單一最高 ROI 的動作 = 在 Distraction 30 分臨界 nudge 一次。
4. 4 種 day-type（非 2 種）— 工作日 46% / 系統日 31% / 離開日 12% / 個人日 11%。其中「系統日 31%」疑似 Dayflow classifier 把背景 app 誤判，上線前必須診斷 data quality，否則 CAE 用污染資料訓練。
5. 37k observation 文字 > LLM subcategory — subcategory 50% 空值，但 observation 文字清楚顯示工作核心詞彙（terminal / agent / slack / irisgo / project）vs 分心詞彙（facebook / feed / video）。CAE 特徵工程應用 text embedding，不靠 subcategory 欄位。
6. 深夜工作真實存在 — 6 個月累積 56 小時在 00-06 時段工作（多為美西時區 call）。CAE 若預設「23:00 後靜音通知」會在錯誤時段失聯。
7. Idle p90 = 182 分 — 離開電腦是真離開，不是短暫。CAE 需區分「walkaway」（清 context）vs「in-seat pause」（保留 context）。

產品含義：這份告訴 Context Aware Engine 團隊的最短結論是 — regime detection + day-type classifier + category Markov（干預 Distraction 第 1→2 次）+ observation text TF-IDF，四層缺一不可。若只做 single-vector persona，10M 裝置下的個人化品質會低於 OS 預設。