隨著人工智慧掀起熱潮，許多企業也想跟進，但這並非一蹴可幾。資料科學涵蓋了三個範疇，包括「大數據」、「機器學習」、「人工智慧」，其中大數據相當於原料，機器學習相當於處理器（processor），人工智慧相當於結果（outcome）；也就是說，大數據加上機器學習，才能產生人工智慧。而以台灣企業目前的資料運用程度，顯然與人工智慧應用還有一段距離。
台灣企業資料運用現況，尚處於「描述」、「診斷」兩階段
如果將台灣企業運用資料的情況與描述、診斷、預測與指示四種分析階段對照。我們對於資料運用方法的認知，泰半還停在前兩個階段。
目前，金融業因為金融監理法規的要求累積了大量資料，科技業與部分傳統產業製造業因為要發展工業4.0，也積極蒐集製程相關資訊，電子商務零售平台則掌握大量交易資料。這些行業的在地領導企業，其中許多已經投資「商業智慧」（Business Intelligence）資訊平台，它們的日常管理已經可以監看關鍵績效指標（Key Performance Index）、資源儀表板（Dashboard），也可以產出動態決策報表，也就是說，企業可以掌握事情如何發生、為何發生的資訊，並據此進行管理；不過，許多企業仍仰賴人力判斷，來解讀產出的報表與資訊，因此資料價值的開發程度並不高，通常只有三成至五成左右。若要更有效地運用資料，就必須以電腦來解釋分析。
破除資料運用四大迷思，建立正確資料運用觀念
除了資料價值開發不足，企業的資料運用觀念也不一定正確。目前，台灣企業還普遍存在四項迷思：
迷思一：只要有數據，就是大數據。許多企業已體認到蒐集數據的重要，卻往往以為數據等於大數據。其實，具備了3V特性──大量（Volume）、高速（Velocity）、多樣（Variety）的數據，才是大數據。
迷思二：有數據就有價值。蒐集的數據，要經過處理、分析及開發最終產品（可能只是個影響決策的模型，也可能徹底改造營運流程），才能產生價值。以AlphaGo為例，它擁有的數據、棋譜，其實並不是什麼別的圍棋AI團隊沒有的資料。也就是說，好的資料固然重要，但分析模型的進步（最重要是深度自我強化模型的改善），才是提升AlphaGo能力的主因。
迷思三：將資料處理、機器學習，交給IT部門。很多企業認為與電腦、資訊相關的工作，都可以由IT部門負責，但其實資料科學家與IT人員的訓練，大相逕庭。資料科學家必須具備四大領域的知識：「數學與統計」、「程式設計與資料庫」、「領域知識與軟性技能」、「溝通與視覺化」，而IT人員通常著重於「程式設計與資料庫」的技能，普遍缺乏建立分析模型最需要的「數學與統計」訓練。因此，企業應避免誤用兩種不同的專才。
迷思四：資料分析，就是分析ERP、CRM系統中的資料。企業普遍認為，資料分析僅限於分析資料庫中的結構化資料（這也是為何企業常誤用管理資料庫的IT人員，來做資料分析）。但其實非結構化的資料，例如影像、錄音、視頻、文字等等，蘊含更多價值，卻往往被忽視。而且這種資料的分析門檻更高，更需要專業的資料科學專家來處理。...【閱讀全文】 |
