推薦序：一本書，快速掌握IT知識與趨勢／詹文男
推薦序：資訊科學助你面對工作的挑戰／劉榮樺
前言：IT技術，將成為最強大的戰力
CHAPTER 1◆電腦與資料的基本技巧
→技巧 01：使用電腦解決問題的方法
利用電腦解決新問題的思考方式：科技創新思考
電腦是如何運作的？
什麼是演算法？什麼是程式設計？
愈好的演算法，「計算量」就愈少
伺服器的持有數不是問題
→技巧 02：完成簡單的程式
什麼是程式設計語言？
如果沒有100%完美地下令，程式就無法遵照指示執行
有時「文法」正確，也無法順利運作
程式設計的基礎知識
實際編寫程式吧
「程式開放性」理所當然
→技巧 03：有效率地處理資料
了解電腦怎麼處理資料
了解資料的基礎：表格
電腦與人類在處理資料上的差異
了解電腦容易處理的資料結構
只要了解資料結構，就能產生新的商業想法
→技巧 04：提升規劃的能力（專案管理）
從沒見過沒發生任何問題的IT專案
為什麼專案無法按照期望發展
開頭就要考慮好演算法
專案企劃員本身熟悉演算法，等於贏在起跑點上
將來IT專案的型態
日本缺少開發型人才
→技巧 05：了解最強的學問──統計學的基礎
了解統計學，能夠掌握先機
推薦的兩種基本方法
統整數字
標準差的重要特徵
統整算式
有時解釋變數不只一個
→技巧 06：了解大數據的基礎
大數據和小型數據有什麼不同？
資料量「龐大」的好處是什麼？
活用大數據的機器學習
機器學習無法說明原因？
大數據與人類所扮演的角色
→技巧 07：了解新科技的基礎
了解主要技術動向
AI（人工智慧）
AI的今後發展
IoT（Internet of
Things：物聯網）
機器人學
VR（虛擬實境）．AR（擴增實境）．MR（混合實境）
如何正向面對新技術
新技術的學習法①
CHAPTER 2 ◆擬定策略與市場行銷的基本技術
→技巧 08：提升業務的生產力
提升技術創新時代的生產力
細分工作內容，與電腦業務分工
試著質疑原本認為「理所當然」的判斷
收集、公開新型態資料
→技巧 09：理解網路經濟
網路經濟帶來的衝擊
為何選擇「平台型商業模式」
何謂分工（化）
分工化所帶來的影響
→技巧 10：創建平台型商業模式
建構平台型商業模式的四個步驟
（1）盡可能鎖定利基客戶
（2）提供客戶「最棒的體驗」
（3）建立能讓用戶彼此「價值交流」的機制
（4）活用資產，將業務擴展至相關產業
→技巧 11：科技即將帶來的影響
消費者會因數位科技而產生什麼變化？
數位技術能使消費者感受到「偶然」或「幸運」
分解各企業所提供的價值，並重新定義
實現、加速數位轉型的四種概念
→技巧 12：了解科技對於IT市場的影響
行銷要有依據
邁入資料導向式行銷的時代
提升一對一行銷的層級
→技巧 13：行銷從掌握資訊開始
活用顧客體驗旅程
製作顧客體驗旅程地圖
顧客體驗旅程地圖實際運用
活用周遭的工具
認清個人的力量有限
新技術的學習法②
CHAPTER 3 ◆領導力與組織的基本技能
→技巧 14：理解願景、設定任務
領導者職責的變化
由人類負責的工作
解決問題的方法可能有所改變
人類的附加價值，就在於課題設定
提供資料的方式與設定框架，也需要借助人類的力量
創造力是人類的特權嗎？
未來的必備技能
→技巧 15：創新
帶領他人迎接變化的必備能力
「嶄新事物」別具價值
成為創新的領導者
維持創造性思考，勇於嘗試錯誤
享受改變
→技巧 16：成為一位好的追隨者，向人與數據學習
數據和第一線的情報，比「HiPPO」更具意義
學會仰賴第一線的意見，以及年輕一代的知識
追隨者也需要判斷局勢與溝通的能力
在第一線反覆測試
保持開闊胸襟，聽取各方意見
→技巧 17；與公司外部人員合作
商業行為不僅發生在企業內部，也發生在企業網絡中
假設每個人都是合作夥伴
公司內部業務，也能交由外部人員負責
將各種人組成團隊
對自己與他人的行為模式，抱持著改變的決心
→技巧 18：累積信任
「數位原住民」時代的特徵
特別重視信任感
將消費者視為獨立的個體，維繫關係
儲存在網路上的透明化數位情報
判斷要公開什麼樣的自己
→技巧 19：成長心態
做好持續改變的覺悟
堅定成長心態
投資自我，學習新的技能
常保活力，規劃職涯
透過對話取得旁人的理解
選擇改變或被迫改變？都取決於你自己
新技術的學習法③
結語
關於作者
共同執筆者
我們想讓你知道的是
活用大數據就是相當強大的機器學習，但機器學習與傳統的資料分析相比，有個明顯的弱點。那就是雖然能夠高精準地用大數據預測或分類，但卻無法說明原理。
文：GLOBIS商學院 用大數據做決策的情況愈來愈普遍。 學習重點 用Google
Trends搜尋「大數據」，發現從2012年開始，這個詞彙急速廣泛受到使用（這件事本身就是個大數據）。技巧6：了解大數據的基礎
不過，運用在進階的決策或資料數少的決策必需注意。大數據和小型數據有什麼不同？
首先讓我們來看「大」數據與以往的「小」數據有什麼不同。
光是擁有大數據，別說是資產，連成本也會大幅增加。為了運用大數據的真正價值，必須進行與大數據相符的分析。
我接著說明機器學習（近似於AI），為了在商務上用大數據獲利，這是不可或缺的分析手法。
那麼，大數據到底是什麼呢？有好幾個定義可以說明。其中最知名的，就是美國的研究暨諮詢公司顧能（Gartner）所定義的3V。
- Volume：龐大（big）的資料量
- Velocity：資料的速度。就像GPS的定位資料一樣，會頻繁更新。
- Variety：指資料種類的多樣性（不只是以往常見的定量資料，包括社群網站上的文字資料、圖像、影片、聲音等多種類的資料）。
其實我們所處理的資料正飛躍性的增加。2010年，谷歌前執行長艾利克．史密特（Eric Emerson Schmidt）曾經形容這種變化：「從文明初始至2003年的這段期間，人類所產生的資訊總量，現在只需花費兩天，人類就能製作出同樣分量的資訊。」
舉社群網站推特（Twitter）當例子，每秒就有七千多則推特的發文數，每天可高達6億6千多件。而谷歌每秒有6100件的搜尋次數，每天則高達53億件（此為2017年7月26日的資料）。
當感測器變得高精度且廉價之後，能夠取得的資訊量也爆炸性的成長。
例如，智慧型手機GPS，能夠因定位資料而隨時收集、更新資料（重點是持續更新）。
感測器本身的數量也隨著IoT（Internet of Things：物聯網）的進展，據說在2023年會有一兆個感測器的需求，而感測器就能即時收集大量的資料。
由IoT收集到的資料就用作大數據處理，IoT與大數據可說是一體兩面的關係。
在談論大數據特徵時，重點當然就是資料量的變化，而在商務的脈絡不可忽視資料的品質與以往相比也截然不同。
在商務上，為了讓顧客最後能下定決心購買產品或服務，理解顧客想法極其重要。以往，就算將顧客「資料化」（datafication），加上顧客屬性，例如顧客問卷調查或實際銷售等，只能透過有限資訊推測顧客。
不過，隨著大數據的登場，以往不可能確實掌握的顧客行動或想法的變動，能夠以貼近現實的形式化為資料。大數據是將這些資料活用在商務上最關鍵的一點。
資料量「龐大」的好處是什麼？
那麼，資料量增加的好處是什麼？一言以蔽之，就是資料量分析的品質能夠飛躍性的提升。
大數據在初期的威力是展現在2005年美國國家標準暨技術研究院NIST所舉辦、用電腦進行的翻譯競賽。
NIST所舉辦的機械翻譯（用軟體進行的自動翻譯）競賽原本是美國國防高等研究計劃署DARPA在2001年的一項企劃所展開的活動。
美國在2001年9月11日發生恐怖攻擊前一天的9月10日，監聽到「即將開始戰鬥」、「明天開始作戰」等通訊內容。不過，由於內容是阿拉伯文，等隔天9月11日開始翻譯時，已經無法阻擋事件發生。
由於如此慘痛的經驗，開始出現將戰場或其他地方所收集到的資訊快速翻譯成英語的技術需求。
谷歌的團隊在2005年第一次參加這場競賽，就以破天荒的表現拿下優勝。縱使這是阿拉伯文的翻譯競賽，實際上谷歌的團隊內，沒有一個人會說阿拉伯文。
他們對手所用的傳統型機器翻譯軟體，是以人類所思考的規則為基礎而分析文章。相較之下，谷歌使用大數據，利用統計方法的翻譯挑戰這場競賽。
統計上的機器翻譯表現，大致上能做出下列幾件事。
① 翻譯模型：以不同語言間的對譯資料為基礎，將阿拉伯文的文章（不通順地）替換成英語的文章。
② 語言模型：以英語的大量文章資料為基礎，將不通順的英語替換成順暢的英語。
谷歌用到高達兩億的聯合國文章對譯資料（阿拉伯文、英語），甚至用到一兆的英語資料。聯合國的官方語言有阿拉伯文、中文、英文、法文、俄文、西班牙文，會議等官方記錄都會翻譯成這些語言，妥善保存。谷歌就是運用這些資料。
相對於以傳統翻譯軟體的規則為基礎所演繹出的句子， 谷歌的研究使用大量以大數據資料為基礎的歸納法，因此精準度可說是突飛猛進。
活用大數據的機器學習
接著用與3V不同的角度來看待大數據及小數據不同的「活用資料的方式」。
在大數據出現之前，資料的收集和分析，只能從能夠取得的有限資料中推測出整體情況。這是近代統計學的重要主軸之一「推論統計」的領域。
大數據會如此受重視，是因為實務上要收集大量資料，一般都需要花費龐大的時間與金錢。例如，在日本每五年進行一次的國勢調查，基本上是以全日本民眾為調查對象的「元祖大數據」，而2005年的國勢調查預算大約為650億日圓（約合新台幣180億元）。
當時取得資料的成本相當高，資料相當稀少，幾乎不會收集全體資料，而是以較低成本抽取出一部分的資料（取樣）。如何從少數的樣本資料推測整體情況，就相當重要。民意調查中內閣支持率調查，就是這種調查的延伸。
但如果是大數據，面對的資料就並非取樣資料，而是整體資料。同時，取代過去的要角推測統計而備受矚目的就是機器學習，這是由資料中找出模式的分析手法。
大數據價值的本質，或許就在於這種機器學習做到的「找出資料中的模式」。而AI的主要能力—令人津津樂道的深度學習，也是機器學習的一種。
Tags：