本書分為三個大部分，開創一人公司、定位一人公司以及維持一人公司。這次我比較想要討論關於定位一人公司這個部分，搭配上我目前的職位，看看是否能夠梳理出一點方向。
關於如何定位公司找到目標，作者認為不要把熱情與目標搞混，熱情只是精通一件事情後的副產物。所以不用浪費時間找熱情，單純從你手邊的事情找到成就感並思考如何提供獨特價值。
我自己的獨特能力組合：
高階財務控制與商業分析、育種與花卉的背景知識、跨國管理文化或數位工具應用。
能提供獨特價值：
把混亂的營運數據轉成可以做決策的財務資訊，讓利害關係人可以更容易相互溝通，推進公司。
具體產品化方向：
R&D成本模型 (R&D Investment Intelligence Framework)。
業界痛點：
1. 成功品種掩蓋了大量失敗成本。100個品種，可能5–10個成功，但會計上往往只看到總R&D費用，不會看到每個成功品種背後的真實全成本。盲點會在於功產品的毛利率其實被高估。導致對未來專案成功率的錯誤假設以及過度樂觀的pipeline決策。
2. 溫室與試驗場成本被平均化。通常按面積或固定比例分攤。但實際上driver 可能是試驗批次密度、種植週期長度、控溫需求差異以及高耗能品種等。盲點會在於高耗能品種被低估成本，低耗能品種被高估成本。
3. R&D人力時間沒有真實分配。很多 R&D人員同時參與多專案，花時間在失敗試驗以及花時間在資料整理。但薪資成本通常平均分攤到部門或只分攤到active project。看不到某專案實際burn rate和無法知道某品種耗費多少高階人才時間。
4. 開發週期長度的資本成本被忽略。5–10年開發期，中間多輪試驗以及多地試種。多數模型沒有算時間價值和延遲上市造成的機會成本。Pipeline看起來健康，但實際IRR可能很低。
5. SKU複雜度沒有被計價。每增加一個SKU(顏色變種、地區專屬品種、小批量客製)都會增加complexity cost。但這些通常不會回到R&D決策。margin被侵蝕的隱形原因。
6. 研發成功率沒有被量化為財務指標。
7. 多地試驗數據與財務數據沒有整合。
我的產品：
Phase 1 成本架構診斷(賣insight)
輸入
• 分析cost allocation logic
• 檢視overhead分攤方式
• 檢查R&D是否有driver-based view
• 對比margin與operational volatility
產出
• Cost Structure Diagnostic Report
• 3–5個高風險扭曲點
Phase 2 Driver Mapping (不是用科目分成本，而是用商業活動的邏輯驅動)
輸入
成本真正的 driver 是什麼？
• 工時？
• 批次數？
• 能源 consumption？
產出
• Driver Tree
• R&D cost driver map
• Production cost driver hierarchy
Phase 3 模型重建 (不需要做複雜 ERP 改造)
輸入
• 建立interim data model（Power BI / SQL）
• 建立可驗證allocation logic
• 測試3–6個產品案例
產出
現有margin view是可能不完整
Phase 4 (組織落地)
訓練使用者，讓模型落地。