StoreSense — Jetson 邊緣 AI 門市客流分析：產品企劃與原型設計
以 NVIDIA Jetson 為核心的實體門市客流分析產品企劃：從市場定位、隱私設計、硬體選型（Jetson Orin Nano vs NX）、到分階段原型計畫。展示「PM 視角的邊緣 AI 產品規劃」完整思路。
A complete product proposal for an edge-AI retail footfall analytics device on NVIDIA Jetson: market positioning, privacy-by-design architecture, hardware selection, BOM, and a phased prototype plan.
為什麼是這個題目
- 隱私法規讓「影像上雲分析」在零售場景越來越難走 — 邊緣推論（影像不落地、只上傳統計數字）是結構性趨勢
- 我的背景組合剛好對上：遊戲數據分析（人流=玩家行為分析的實體版：動線=漏斗、停留=engagement、回訪=留存）+ 硬體供應鏈採購（BOM 成本與供應現實）+ Jetson Nano DLI 證書（平台能力邊界）
文件結構
| 文件 | 內容 |
|---|---|
| docs/01-product-proposal.md | 市場定位、目標客群、隱私設計原則、商業模式 |
| docs/02-technical-architecture.md | 系統架構、Jetson 選型對比、DeepStream pipeline 設計、BOM |
| docs/03-prototype-plan.md | 三階段原型計畫、每階段的驗證指標與退出條件 |
核心設計決策（摘要）
- 影像永不出裝置：Jetson 上跑偵測+追蹤，只上傳匿名統計（進店數、動線熱區、停留時長）— 隱私是產品定位不是合規負擔
- Jetson Orin Nano 8GB 起步：單店 2–4 路攝影機夠用，BOM 控制在門市可接受的一次性成本
- 數據產品思維：賣的不是攝影機是 dashboard — 零售版的「留存/漏斗/分群」分析，直接複用遊戲數據方法論
Stack（規劃）
NVIDIA Jetson Orin Nano · DeepStream SDK · TensorRT · YOLO-family detector + ByteTrack · MQTT → 雲端 dashboard
Author: Jerome Kuo — AI PM, NVIDIA DLI certified (透過 Jetson Nano 開發人工智慧應用). 本 repo 為產品企劃文件；硬體原型為 Phase 1 里程碑。