資料生命週期與分析決策：從問題定義到預測應用
題面來自台大官方試卷；解析與逐項自評標準（rubric）為本站依已複查來源整理的非官方內容，策略申論容許有條件且有證據的替代論點。
考古題證據邊界： 考古題只證明此範圍曾出現；題面均為申論或開放題，答案非官方，課程練習採 rubric self-review，絕不進自動計分或完整模擬考。
第一次接觸也沒關係
這堂先懂這些詞
先記住白話意思，不必急著背英文。看到正文時，再把正式名稱接回來。
機器學習使用情境
也會看到：ML use case、AI use case、機器學習明確說明模型要幫誰做哪個決策，以及錯了會造成什麼影響。
- 生活例子：
- 預測明天備多少便當，而不是籠統說導入 AI。
- 別搞混：
- 模型功能不是完整 use case；還要有人、流程與結果。
資料洩漏
也會看到：data leakage、leakage control訓練時偷看到實際部署時不可能取得的答案或未來資訊。
- 生活例子：
- 用是否已退貨去預測下單當下會不會退貨。
- 別搞混：
- 不只是個資外洩；這裡指模型評估被答案或未來資訊污染。
資料漂移／概念漂移
也會看到：data drift、concept drift前者是輸入資料分布改變；後者是輸入與正確答案的關係改變。
- 生活例子：
- 顧客年齡層改變是資料漂移；同樣購物行為不再代表會續訂是概念漂移。
- 別搞混：
- 兩者可分別發生，資料漂移不必然讓模型失效。
深入資料品質治理的實務面向、分析方法的選擇邏輯、以及預測模型如何支持（而非取代）決策。強調「先有問題，再找資料」的正確順序。
先抓住這幾件事
- 設計資料治理流程中的品質檢查點與責任分配
- 區分 descriptive、diagnostic、predictive 與 prescriptive analytics 的適用場景
- 解釋為什麼預測準確不等於決策正確
- 運用社群網路分析的基本指標支持組織決策
1.資料治理從 ownership 開始，不從工具開始
資料治理（data governance）的第一步不是買工具，而是建立角色和責任。三個核心角色：Data owner（資料擁有者，通常是業務部門主管）——對資料品質負最終責任，決定誰可以存取、如何使用、何時刪除。Data steward（資料管理員）——執行治理規則的日常操作，維護 metadata、監控品質指標、處理品質問題。Data consumer（資料使用者）——按規範使用資料，發現問題時回報。 常見的治理失敗模式：只買了 data catalog 工具但沒有指定 owner → metadata 沒人維護 → 半年後 catalog 充滿過時資訊 → 使用者不信任 → 回到用 email 問同事。另一個常見失敗：不同部門對同一個欄位有不同定義（例如行銷部門的「活躍用戶」是 30 天內登入，產品部門的「活躍用戶」是 7 天內有交易行為），沒有 master data management 協調就會產出矛盾的報告。 資料品質五維度（Laudon 教科書版本）：Accuracy（資料是否正確反映真實世界？）、Completeness（是否有遺漏？）、Consistency（不同系統中的相同資料是否一致？）、Timeliness（資料是否足夠即時？）、Validity（資料是否符合定義的格式和規則？）。品質問題在 ETL（Extract-Transform-Load）管線中會被放大——上游的一個小錯誤到下游可能影響千萬筆記錄的分析結果。 考試常見：分析某企業的資料治理問題、設計治理流程、解釋為什麼「有資料」不等於「可用的資料」。
- 資料治理三角色：owner（負品質責任）、steward（執行規則）、consumer（按規範使用）
- 只買工具不建角色是最常見的治理失敗——data catalog 沒人維護等於沒有
- Master data management 需要跨部門協商定義——「活躍用戶」在不同部門可能意思不同
- 品質五維度：accuracy、completeness、consistency、timeliness、validity
- ETL 管線會放大品質問題——上游小錯下游可能影響千萬筆分析
2.分析層次決定方法與資源投入
分析不是「都用 AI」——很多問題用 SQL 和視覺化就能回答。分析層次分四級：Descriptive analytics（描述性，回答「發生了什麼？」）用報表和儀表板呈現歷史資料，例如「上月營收是多少？哪個區域成長最快？」。Diagnostic analytics（診斷性，回答「為什麼？」）用 drill-down、交叉分析和關聯分析找到原因，例如「為什麼北區營收下滑？是客戶流失還是客單價降低？」。Predictive analytics（預測性，回答「可能會怎樣？」）用統計模型和機器學習預測未來，例如「下個月的需求量是多少？哪些客戶可能流失？」。Prescriptive analytics（指示性，回答「應該怎麼做？」）用最佳化和模擬找到最佳行動，例如「在預算限制下，如何分配行銷資源最大化 ROI？」 很多企業直接跳到 predictive/prescriptive，但連 descriptive 都沒做好。如果你連「上月各區域營收多少」這個問題都回答不了（因為資料分散在不同系統、定義不一致），就不該急著建機器學習模型。分析成熟度不是線性前進的——應該根據業務問題的需要選擇適合的層級，而不是「越高級越好」。 Predictive analytics 的前提是歷史模式在未來仍然成立（stationarity assumption）。COVID-19 就是一個反例——所有基於歷史消費行為的預測模型在 2020 年初全部失準。所以預測模型需要搭配不確定性估計（prediction interval 而非 point prediction）和異常偵測機制。
- 四層分析：descriptive（報表）→ diagnostic（為什麼）→ predictive（預測）→ prescriptive（最佳化）
- 很多問題用 SQL 和視覺化就夠——不是所有問題都需要 AI
- descriptive 沒做好就不該急著做 predictive——資料品質是前提
- 分析成熟度不是線性前進——按需選擇層級，不是越高越好
- Predictive 的前提是歷史模式未來仍成立——COVID 是 stationarity 被打破的經典反例
3.預測準確不等於決策正確
模型預測的是條件機率（P(Y|X)），不是決策本身。「模型準確」不等於「決策正確」，因為決策還需要考慮：(1) 成本結構——false positive 和 false negative 的代價通常不對稱。在詐騙偵測中，漏掉一筆 100 萬的詐騙（FN）比誤報一筆正常交易（FP）嚴重得多。(2) 倫理限制——即使模型顯示某個群體的違約率較高，是否應該據此拒絕貸款？這涉及公平性和歧視問題。(3) 不可逆性——自駕車的決策錯誤可能致命，金融交易的決策錯誤通常可以補救，兩者需要完全不同的信心門檻。(4) 利害關係人偏好——管理者對風險的態度、法規的要求、社會期待都會影響決策門檻。 所以完整的「從資料到決策」流程是：資料→模型→預測（機率或分數）→ decision boundary（決策閾值，需要人類設定）→行動→結果→回饋。Decision boundary 不是模型決定的，是人類根據成本結構和風險偏好決定的。很多 AI 事故的根因不是模型不準，而是 decision boundary 設錯了或根本沒有人類監督。 考試角度：如果題目給一個 AI 決策出錯的案例，不要只分析模型（「accuracy 不夠高」），要分析整個決策鏈——包括 decision boundary 是否合理、有沒有人類覆核、cost structure 是否被正確考慮。
- 模型預測機率，人類設定 decision boundary——兩者分離是 AI 決策的關鍵設計
- FP 和 FN 的代價通常不對稱——詐騙偵測和垃圾郵件的 boundary 完全不同
- prediction interval（預測區間）比 point prediction 更適合支持決策
- 很多 AI 事故不是模型不準，而是 decision boundary 設錯或缺乏人類監督
- 分析 AI 決策出錯時，要看整個決策鏈，不只看模型 accuracy
4.社群分析用結構指標回答組織問題
社群網路分析（Social Network Analysis, SNA）是一種把關係結構量化的方法，在 MIS 中用於分析組織內的溝通模式、知識流動和影響力分布。SNA 的基礎概念：Node（節點，代表人、部門或組織）和 Edge（邊，代表關係——溝通、合作、資金流動、資訊傳遞）。不同的分析目標需要不同的 centrality 指標： Degree centrality（連結數量）——衡量一個節點有多少直接連結。高 degree 的人「認識很多人」，但不一定是組織中最有影響力的。Betweenness centrality（橋接位置）——衡量一個節點位於多少最短路徑上。高 betweenness 的人是「資訊橋樑」，控制不同群組之間的資訊流動——如果他離職，原本連接的群組可能斷聯。Closeness centrality（到其他人的平均距離）——高 closeness 的人能最快接觸到網路中的所有人，適合需要快速擴散資訊的場景。Eigenvector centrality——不只看你認識多少人，還看你認識的人是否也很有影響力（「認識重要的人」比「認識很多人」更重要）。 使用 SNA 時需要注意：(1) 先定義 node 和 edge 代表什麼——email 往來、專案合作、層級匯報是完全不同的網路。(2) 靜態快照和動態演變的結論可能不同——一年前的溝通網路和現在可能已經不同。(3) centrality 指標的絕對值需要與隨機網路（random graph）比較才有意義——因為即使隨機連結也會產生 centrality 差異。(4) SNA 涉及隱私——記錄誰跟誰溝通的資料本身是敏感的。 考試常見：給一個組織的溝通資料，分析誰是關鍵節點、組織的知識瓶頸在哪裡、如何改善知識流動。
- 四種 centrality：degree（連結多）、betweenness（橋接位置）、closeness（接觸快）、eigenvector（認識重要的人）
- betweenness 高的人是資訊橋樑——離職可能導致群組斷聯
- 先定義 node 和 edge 代表什麼——email、專案合作、匯報是不同的網路
- centrality 的絕對值要跟隨機網路比較才有意義
- SNA 涉及隱私——記錄溝通模式本身是敏感資料
一起搭作答骨架
範例 1：如何回答「資料生命週期與分析決策」的比較題？
- 定義比較軸與分析單位。
- 各寫一條作用機制。
- 加入至少兩項條件或風險。
- 用案例與指標驗證。
所以作答主軸是：可接受的答案不只一種；關鍵是條件透明、概念正確、推論可追蹤，並能說明限制。
範例 2：題目要求提出建議時，如何避免只列 buzzwords？
- 先指出要改善的問題。
- 說明建議如何改變流程、資訊或激勵。
- 指定責任人與衡量方式。
- 補上失敗訊號與替代方案。
所以作答主軸是：建議應包含 action、mechanism、metric 與 risk，而不是只寫「導入 AI／雲端／平台」。
這裡最容易寫偏
- 把工具名稱當成因果解釋
- 沒有說明分析層級與前提
- 只寫單一立場，不處理權衡
- 把非官方參考解析當唯一標準答案
- 引用時事卻沒有日期與來源邊界
換你快速判斷
先用自己的話說出定義、機制、條件與取捨，再展開答案。
最後用考古題自評
請先完成自己的申論，再依非官方解析和逐項自評標準檢查；不使用 A–E 假選項或虛假分數。
開始本課申論自評參考來源
- Management Information Systems: Managing the Digital Firm, 17th Edition — Kenneth C. Laudon; Jane P. Laudon