角色： 陳志豪（IT 主管） 場景： 每天早上 8:30 打開 Arova Dashboard，掌握全局、追蹤反覆問題、管理 AI Agent 績效 橫跨模組： Dashboard → Incident → Analytics → AI Native → AI Copilot

背景

陳志豪是泰國廠 IT 主管，管理一個 8 人的 IT 團隊。他不需要親自處理事件，但要掌握團隊運作狀況、識別潛在風險、決定 AI Agent 的自動化程度。每天早上 8:30 打開 Arova 是他的固定習慣。

旅程步驟

Stage 1：早晨概覽（2-3 分鐘）

陳志豪登入 Arova，Dashboard 自動顯示 AI 每日簡報：

┌─────────────────────────────────────────────────────┐
│ 📊 2026-04-03 IT 維運簡報（AI 自動產生）             │
│                                                     │
│ 昨日事件統計：                                       │
│ • 收到 127 筆警報 → AI 合併為 8 個事件               │
│ • P1: 0 件 / P2: 2 件 / P3: 4 件 / P4: 2 件         │
│ • 全部已 Resolved，MTTR 平均 52 分鐘                │
│                                                     │
│ 👥 團隊績效：                                        │
│ • 林建宏：處理 3 個事件，平均 MTTR 45min             │
│ • 王志偉：處理 2 個事件，平均 MTTR 58min             │
│ • 其他：處理 3 個事件，平均 MTTR 52min               │
│                                                     │
│ ⚠️ 需關注：                                          │
│ • DB-PROD-01 過去 7 天出現 3 次 CPU 飆升             │
│   → 建議安排 DBA 檢查 query 效能                    │
│ • 報表 batch job 連續 2 天超時                       │
│   → 可能需要調整排程時間                             │
│                                                     │
│ 📈 MTTR 趨勢：本週 52min vs 上週 68min ↓24%         │
│ 📈 AI 介入率：75%（AI 自動分類 + 建議的比例）        │
└─────────────────────────────────────────────────────┘

陳志豪不用問任何人，2 分鐘內就掌握：昨天發生什麼、團隊表現如何、有什麼潛在風險。

使用者情緒： 🟢 不用問人就知道昨天發生什麼，AI 主動提醒潛在風險

涉及模組： Dashboard（DB-001, DB-014, DB-015）、AI Native（AIN-001）、Analytics（AN-001, AN-007）

→ Wireframe： page-dashboard（AI 每日摘要區 + KPI 概覽）

Stage 2：深入檢查（5 分鐘，有需要時）

陳志豪注意到 AI 簡報裡的警示：DB-PROD-01 過去 7 天出現 3 次 CPU 飆升。這不是單次事件，而是反覆發生的模式。

點進 DB-PROD-01 相關事件 → 看 AI Correlation 分析：
    ↓
┌─────────────────────────────────────────────────────┐
│ 🔄 反覆問題分析（AI Preventive Agent）              │
│                                                     │
│ 過去 7 天 DB-PROD-01 相關事件：                      │
│ • 04/01 - CPU high（報表 query full table scan）     │
│ • 04/02 - Lock timeout（同一 query）                │
│ • 04/03 - CPU high（同一 query）                    │
│                                                     │
│ 共同根因：報表 batch job query 未最佳化              │
│ 信心度：0.89                                        │
│                                                     │
│ 建議：安排 DBA 進行 query 效能最佳化，               │
│ 預估可減少 60% 的 DB 相關事件                        │
└─────────────────────────────────────────────────────┘
    ↓
陳志豪決定：開一個 P3 事件追蹤「報表 query 最佳化」
    ↓
指派給 DBA 團隊，設定 1 週內完成

使用者情緒： 🟢 AI 幫他看到工程師忙於解決個別事件時看不到的全局趨勢

涉及模組： Incident（IN-004, IN-007）、AI Native（AIN-015）、AI Copilot（AIC-003）

→ Wireframe： page-incidents → page-detail

Stage 3：管理決策（偶爾）

每週一：MTTR 趨勢檢視

陳志豪打開 Analytics → MTTR 趨勢圖
    ↓
看到：導入 Arova 3 個月以來
  • MTTR 從 180 分鐘降到 52 分鐘（↓71%）
  • AI 自動分類準確率從 72% 提升到 88%
  • Ticket Deflection Rate 從 0% 提升到 25%
    ↓
截圖 → 寫信給副總報告 IT 績效改善

涉及模組： Analytics（AN-001, AN-004, AN-007）

每月：AI Agent 績效評估

陳志豪打開 AI Agent 監控儀表板
    ↓
看到各 Agent 績效：
  ┌─────────────────────────────────────────────┐
  │ 🤖 AI Agent 績效報告（本月）                 │
  │                                             │
  │ Triage Agent：                               │
  │ • 分類準確率：88%（目標 85% ✅）             │
  │ • 優先級準確率：91%                          │
  │ • 目前等級：L1（建議 → 人工確認）            │
  │ • 建議：可升級到 L2（自動執行分類）          │
  │                                             │
  │ Correlation Agent：                          │
  │ • 關聯準確率：82%（目標 80% ✅）             │
  │ • 誤判率：3.2%                               │
  │ • 目前等級：L1                               │
  │ • 建議：維持 L1（準確率再穩定 1 個月再升級） │
  └─────────────────────────────────────────────┘
    ↓
陳志豪和資安主管討論
    ↓
決定：同意將 Triage Agent 從 L1 升級到 L2
    ↓
更新 AI Agent 設定 → 下個月起 Triage 自動執行分類
（Note: MVP Core 支援 L0-L2，L3 留待 Phase 2）

使用者情緒： 🟢 AI 不是黑箱，績效可量化、信任等級可漸進調整

涉及模組： AI Native（AIN-017, AIN-022）、Settings

→ Wireframe： page-reports + page-settings

旅程摘要

核心價值