對你的關鍵含義： - 這是一家創辦人工程師出身、以資料和 App 矩陣起家的公司，不是傳統金融業。講話要像經營者（數字、取捨、kill 決策），不要像顧問（框架、選項）。 - 面試前 10 分鐘掃一次 Hubert 的部落格文章標題：blogs.cmoney.tw/author/hubert-chen，找一篇可以在面試中自然引用的觀點。

主職位：Business Owner / Director 金融大眾產品事業負責人

單位性質： 金融事業群底下的 C 端投資工具事業。產品池：籌碼K線、美股K線、主動式ETF、起漲K線、ETF存股計畫、營收飆漲追蹤器等；實際配置 1–3 條產品線，每條營收數千萬到數億台幣。

主要職責： 1. 事業策略與產品組合 — 成長策略、用戶/營收目標拆解到產品線；定義各線客群與定位，推跨產品導流、交叉銷售、會員經營，避免定位重疊或互相排擠 2. 投資判斷與資源配置 — 直接決定工程/設計資源與優先順序、跨線行銷預算；決定維持 / 加碼 / 轉向 / 停止 3. 用戶成長與商業化 — 拉新、啟用、留存、召回、續訂；定價、付費方案、試用轉換、IAP、訂閱續費 4. 數據決策 — AARRR、漏斗、Cohort、分群、CAC/LTV/回收期；A/B 測試，辨識市場行情與廣告投入之外的增量 5. 主管領導 — 帶 1–3 位 Product Line Head，選才、授權、培育、績效，界定 Head 的決策範圍與介入時機

資格要求重點： - 8–15+ 年 Consumer App Business / Growth / Monetization，曾扛完整用戶與營收目標 - 熟 Gaming / IAP / Subscription / 交易平台至少一種，能講自己主導的成長、付費轉換或留存案例 - 帶過多產品/多職能團隊、帶過主管 - 對投資有持續興趣，台股/美股實務經驗佳 - 應徵時需準備：一個你主導的事業成長案例（規模、目標、關鍵決策、資源配置、管理範圍、量化成果、後續調整）

備案職位：Senior Business Owner, Financial AI（BU Head Track）

本質： 0→1 建立一個 B2B Financial AI 事業——把 CMoney 20+ 年金融資料 + 領域知識 + LLM/Agents，做成金融機構的企業級解決方案。向 Financial AI BU Head 報告，直接與 COO、CEO 合作。有明確路徑升 BU 負責人。

Non-negotiable： 7+ 年、必須有顧問背景、有從建議走到實作/原型/交付的證據。 加分： AI/GenAI/RAG/Agents 或金融產業專長至少一項深；0→1、P&L、企業 AI/SaaS 商業化、量化金融、創業、區域經驗。

Director 職位

為什麼開這個職位？ 1. App 矩陣失控的整合需求。 CMoney 有 100+ 款 App。JD 特別寫「避免定位重疊或彼此排擠」「何時調整或停止投入」——代表現況是產品各自長大、互相搶同一批用戶、資源平均灑，需要一個人做組合管理與 kill 決策。 2. 營收可能被大盤行情綁架。 「評估市場行情與廣告投入的影響，辨識整體增量成果」是非常少見的 JD 用語——他們知道 2025–26 台股多頭 + 主動式 ETF 熱潮把數字灌大了，需要有人分離 beta（行情）與 alpha（經營）。這是你最能用量化語言切入的點。 3. 缺「經營者層」。 要帶 Product Line Head、「明確界定 Head 的決策範圍及介入時機」→ 現在很可能是 GM 或創辦人直接下探到產品線，Head 還不夠獨立。他們要一個中間層的經營者，不是另一個 PM。 4. 想引進遊戲 / 中國互聯網的商業化手法。 點名 Garena、Uber、騰訊、字節、拼多多 → 他們要的是精細化運營 + 付費設計（IAP、LiveOps、分層定價、續訂）的肌肉，覺得台灣內部長不出來。

最在意的人才特質（排序）： 1. 扛過營收數字、做過付費轉換 / 留存的真實案例（不是參與，是主導） 2. 會做資源取捨，敢停掉產品 3. 數據判讀能力：會挑戰假設、會設計實驗、懂增量 4. 帶主管的能力 5. 懂投資人（用戶同理）

Financial AI 職位

為什麼開？ CMoney 已有「法人投資決策系統」、宣稱約 90% 金融機構滲透，但那是賣資料 / 工具的授權生意。GenAI 出來後，他們看到從「賣資料」升級到「賣決策流程」的機會（明確提到 Palantir-style），但內部是 C 端 App 工廠文化，缺一個能進 C-suite 會議室、又能把東西做出原型交付的人。

最在意： 顧問的結構化 + 高層溝通，但更怕只會寫 deck 的顧問（JD 三度強調 beyond the deck / prototype / delivery）。第二怕：做成一次性專案、變人月公司（「Turn one-off work into a repeatable engine」「where to say no」）。

一句話判讀： CMoney 正同時做三件事——C 端 App 矩陣整併與商業化深化（Director 職位）、B2B AI 升級（FAI 職位）、資料出海賣給國際機構（國際金融事業群）。三者共用同一資產：散戶行為資料。

結構性判讀（面試中可用）： 1. 用戶結構在換血。 新進投資人年輕、小額、偏 ETF / 定期定額；CMoney 傳統強項（籌碼、技術面、主力追蹤）服務的是主動交易型中高齡散戶。成長來源不能只靠多頭行情帶進來的新手——新手的需求是「幫我挑 ETF / 幫我做決定」，不是「給我更多指標」。 2. 主動式 ETF 是 2026 最大的新需求池。 近 9,000 億、每日公布持股 → 「追蹤經理人換股」本身就是訂閱產品（CMoney 已有主動式ETF App，要問它的數字）。 3. 行情風險。 台股 2025–26 多頭，開戶與訂閱都被推高。下一個空頭季的續訂率才是這個事業真正的健康度。

來源：Vocus 看盤軟體 2026、數位時代 富果、同學會 App 排行

CMoney 的護城河判斷： 不是指標和資料（可被複製、可被 LLM 免費化），而是社群（同學會）+ 用戶行為資料 + 百款 App 的分發網路。要能在面試中說出這點。

A. 為什麼是 CMoney、為什麼是現在

三層連結（講 60 秒）： 1. 用戶身份：你自己是量化 / 程式交易實務者（回測、籌碼、處置股策略、Shioaji 自動交易）——你就是 CMoney 最重度用戶那一群的樣子，理解「為什麼付錢」。 2. 時間點：開戶數 1,420 萬、主動式 ETF 一年從 86 億到 9,000 億、年輕人佔新開戶 65%——台灣投資人口結構正在十年一次的換血，同時 LLM 正在重寫「查資料 → 做決定」這一層。這兩件事同時發生，對一家擁有台灣最大散戶行為資料的公司是一次重新定義產品的機會。 3. 你的能力：foodpanda 做的是多邊平台的體驗與生命週期營運、McKinsey 做數位策略與 GenAI、PIXIS 做過 0→1 扛 P&L——這三件事正好是「App 組合經營者」的三個面。

B. 用戶生命週期與商業化（Director 最關鍵、也是你最大缺口）

誠實盤點： 你沒有 B2C IAP / 訂閱事業的 P&L owner 經驗。這是對方一定會挖的地方。策略是把 foodpanda 的供給端生命週期經營翻譯成 AARRR 語言，證明「機制是同一套」，並主動講清楚差異。

故事 prompt — foodpanda 商家生命週期（Acquisition → Activation → Retention → Winback）： - Activation（孵化）：新商家追蹤「首單天數、首月 zombie 率、D30 deals、D60 A/B 級商家 >75 單比例」→ 等同 C 端的 D1/D7/D30 activation cohort；機制：溝通計畫、LINE OA CRM、每週健檢觸發介入、畢業後交接 AM。 - Retention（挽留）：每月約 1,500 件解約申請、原挽回率約 7%、其中 60% 是歇業 → 先做分群（歇業 vs 可挽回），再給可挽回者分級誘因（訂閱折扣、免費廣告額度、限時佣金優惠、暫停取代退出）→ 這就是 C 端的取消流程挽留 + pause 選項 + 降級方案。 - Winback（召回）：zombie 商家約 4%，依商家等級每月 / 每季召回、6 個月清除 → 等同流失用戶分層召回。 - 成本與效率：Service Ops 成本 -20%、Vendor Ops 效率 +27%、CSAT 60→70、APAC+EU CSAT/RSAT 第一。

回答結尾主動收：「我沒有直接扛 C 端訂閱營收，但我做的是同一套機制——分群、cohort、分級誘因、介入時點——差別在付費牆和定價彈性。這也是我進來前 90 天最想先看的數據。」

C. 組合管理與「停止投入」判斷

故事 prompt： 一個你砍掉 / 收斂某件事、把資源挪到更高回報處的決策。 - foodpanda：把 L1 客服 agent 共用、CR 移到 L2、SLA 目標定 80（不是 100）——刻意不追求滿分，把資源挪去影響 CSAT 最大的 CR。Agent 500→300、成本 -20% 同時 CSAT 上升。 - 準備一個組合框架（面試現場畫）： - 每條產品線放在 2×2：邊際 LTV/CAC × 用戶重疊度（與其他產品線共用多少付費用戶） - 高 LTV/CAC、低重疊 → 加碼；高重疊 → 合併方案 / bundle；低 LTV/CAC、低成長 → 維持現金流或停止 - 停止的觸發條件事前寫下來（例如：連續 2 季付費用戶淨增 <0 且 payback >18 個月） - 量化加分點：「行情 vs 經營增量」——用台股成交量 / 加權指數報酬當 control variable，對付費轉換率做迴歸或 diff-in-diff；或用地理 / 時段 holdout 衡量廣告增量。這是你和一般 growth 人最不同的地方。

D. 帶主管（Head of Heads）

故事 prompt： foodpanda 的 functionalization 轉型——把團隊從 market-based 改成 function-based、建立 ways of working；以及 AMPOS 帶 6 個團隊、2 位 Scrum Master，發布週期 6 個月→2 個月。 - 重點講：決策權怎麼切（什麼 Head 自己決定、什麼要上來、什麼時候你會介入）→ JD 原文就在問這個。 - 建議講法：用「guardrail 指標 + 例外管理」——Head 在預算和 guardrail（如退款率、1 星評價率、續訂率下限）內全權決定；觸線才介入。

E.（Financial AI 用）從顧問到交付的 builder 證據

• McKinsey Expert Consulting — Digital：數位策略、組織、PMO、Agile；共同撰寫台灣銀行業 GenAI 白皮書（直接命中金融 × AI）
• PIXIS：0→1、3 國 100+ 企業客戶、亞洲首個雙協定 IPAM/NAC、管理 100 萬+ IP → 企業銷售全週期 + 產品化
• 自己動手：量化回測、交易系統、多 agent 研究工作流 → 證明你能自己做出原型，不是只寫 deck
• 5 項專利、工程背景 → 和 AI/資料團隊能對話

自我介紹（2 分鐘）

結構：「我是 Strategy-to-Execution 的經營者」→ foodpanda Director（多邊平台體驗與營運，TOP1 CSAT、成本 -20%）→ McKinsey 數位與 GenAI（含銀行業 GenAI 白皮書）→ PIXIS 創業 0→1 扛 P&L → 工程底 + 5 專利 → 收在：我同時是重度量化投資者，這是我第一次可以把工作能力和自己最投入的領域放在一起。

請分享一個你主導的事業成長案例（JD 明確要求，必考）

用 foodpanda 商家生命週期或 CSAT 60→70 案例。照 JD 要的七格講：經營規模 → 目標 → 關鍵決策（選一個取捨） → 資源配置 → 管理範圍 → 量化成果 → 後續調整（講一個做錯後修正的地方）。後續調整是區分資深與否的關鍵。

你沒有 C 端訂閱 / IAP 經驗，憑什麼扛這個？

不迴避。①機制相同（B 段的翻譯）②你是目標用戶，定價敏感度與付費動機是第一手的 ③前 90 天計畫：先做 cohort 與 paywall 健檢，不急著推新功能。

如果你現在接手籌碼K線 + 主動式ETF 兩條線，前 90 天做什麼？

• 30 天：看數據——付費用戶的 cohort 續訂曲線（依入場時的大盤狀態分群）、兩條線付費用戶重疊率、試用→付費轉換、取消原因；跟每位 Head 1:1 定決策邊界
• 60 天：挑 2–3 個最大槓桿做實驗（年繳 vs 月繳定價、取消流程挽留、跨線 bundle）
• 90 天：給出組合建議——哪條加碼、哪條維持、有沒有該停的
• 關鍵假設：若空頭時續訂率掉超過 X%，代表產品價值綁在行情上，優先級要轉向「空頭也有用」的功能（風控、資產配置、ETF 再平衡）

怎麼判斷一個產品該不該停？

事前定義停止條件（payback、淨增付費、重疊率），而不是事後憑感覺；停的時候先想用戶怎麼遷移到其他產品線，避免直接流失。

怎麼區分成長是行情帶來的還是你帶來的？

你的主場。講 control variable / holdout / diff-in-diff、以及「看空頭季的 cohort」。

AI 對這個事業是威脅還是機會？

兩者。LLM 把「查資料 + 基本解讀」免費化 → 單純的指標工具會被壓價；但 CMoney 擁有別人沒有的輸入（同學會情緒、散戶行為、籌碼細節）與分發（100+ App）。AI 應該做成「幫用戶做決定」的那一層，並跟訂閱綁定，而不是一個免費聊天框。

你怎麼帶 Product Line Head？

D 段：guardrail + 例外管理、固定經營檢討節奏（週看指標、月看實驗、季看組合）、Head 自己提假設與預算。

為什麼離開 foodpanda？ 空窗 6 個月做了什麼？

組織調整後的主動選擇（依實際狀況講，不批評前東家）；空窗期：系統化建立 AI 工作流、量化交易研究——和這個職位直接相關，順勢帶到你是用戶這件事。

薪資期望？

先了解 band 與職級（Director vs Senior BO 差異很大），不要第一次鎖死數字。

Financial AI 若被問到

Where to play——你會先打哪個垂直？

建議答案：投信主動式 ETF 投研團隊當 lighthouse。理由：①2026 最熱的新業務，30 檔、9,000 億，經理人和研究員人力吃緊 ②每日公布持股、研究節奏快 → 報告自動產出 / 法說會擷取 / 散戶情緒訊號直接有用 ③CMoney 已有法人系統滲透與 Gemini 報告模組，是延伸不是從零。第二波：券商 / 銀行財富管理 RM copilot（但要處理金管會 AI 指引與合規，週期較長）。

怎麼避免變成人月顧問公司？

你的真心話：你自己評估創業時就否決過「賣轉型顧問」這條路，因為會卡在人月模式。做法：每個專案要求可複用元件比例、第 3 個客戶開始報價必須是產品 + 少量服務、明確 say no 的標準（客製 >30% 不接）。

你做過什麼原型？

直接講你自己建的多 agent 研究 / 量化回測工作流——具體、能 demo。

Director 職位： 1. 我會負責哪 1–3 條產品線？這幾條線目前最大的問題是拉新、轉換還是續訂？ 2. 2025–26 多頭期間的新付費用戶，你們有看過他們在回檔月份的續訂表現嗎？（測試對方對「行情 beta」的意識） 3. 現在的 Product Line Head 各自在什麼階段？哪一位您覺得最需要我補位？ 4. 100+ App 之間的用戶帳號、付費方案是打通的嗎？跨產品 bundle 目前有做嗎？ 5. 這個職位和 AI Lab / Financial AI BU 的關係——C 端的 AI 功能（例如 AI 股神）由誰主導？

Financial AI 職位： 1. 目前的 lighthouse 客戶有哪幾家？卡在 PoC 還是已經付費上線？ 2. 法人決策系統的 90% 滲透，是以授權訂閱計價嗎？AI 模組是加價還是綁在裡面？ 3. BU 的第一年成功標準是什麼——營收、客戶數，還是可複用產品的成熟度？

• 面試對象：未知，最可能是金融事業群總經理 Hubert；若同一天轉談 Financial AI，可能加入 COO 或 FAI BU Head。
• 文化調性：台灣本土網路公司、創辦人工程 + 程式交易出身、App 工廠 + 成長駭客文化。重數據、重速度、重實際數字，不吃顧問腔。
• Adrian 背景的 fit 點：
• Director：多邊平台營運、生命週期機制、帶團隊轉型、量化思維、投資實務（JD 加分項，你是強項）
• Financial AI：顧問背景（non-negotiable）✓、金融 GenAI 白皮書 ✓、0→1 創業 ✓、B2B 企業銷售 ✓、能自己做原型 ✓、量化金融 ✓
• 直接判斷：以 JD 條件對照，你對 Financial AI 的契合度明顯高於 Director（FAI 幾乎每一條都能對上；Director 缺 C 端訂閱/IAP 營收 owner 經驗，且他們點名要 Garena / 中國互聯網背景）。這個判斷的依據是 JD 條件逐條比對；若對方透露 Director 實際更看重「組織與經營機制」而非既有 C 端商業化戰績，則會翻轉。
• 建議打法：Director 照樣全力準備、不示弱；但若面試官主動提到 Financial AI，明確表達高度興趣並說出為什麼你更適合（別讓機會溜走）。可以說：「兩個角色我都有興趣，但如果從我能最快創造價值的角度，Financial AI 的每一個關鍵條件我都有直接經驗。」
• 潛在陷阱：
• ① 被追問「C 端營收數字」時講成 B 端或成本——要主動承認差異再轉譯，不要被對方戳破。
• ② McKinsey 是 Expert Consulting 而非傳統 case team 顧問——FAI 若追問，講清楚你實際負責的交付範圍與客戶層級。
• ③ 講 AI 時不要只講概念，要講「CMoney 的資料能做到別人做不到的什麼」。
• ④ 不要引用未驗證的 CMoney 營收數字。
• 不要做的事：
• 不要給 both-sides 顧問答案——對方要的是「你會怎麼選」。
• 不要批評 CMoney 產品太多太雜（可以說「組合整合的機會」）。
• 不要把個人交易績效或持股拿出來講。

2026-09-30 初次面談

• 面試官：
• 形式：
• 談到的職位（Director / Financial AI）：
• 重點問題：
• 對方說的關鍵資訊（負責產品線、團隊規模、營收量級、Head 狀況）：
• 下一步：
• 感覺/評估：