109 年 國立中正大學資訊管理學系碩士班甲組《管理資訊系統》

本題主要考查資訊系統專案管理中的風險管理概念，以及社會技術設計在專案中的應用。

核心觀念：
資訊系統專案風險因子、風險控制策略、社會技術設計。

解題思路：
(a) 識別並描述資訊系統專案的主要風險因子。
(b) 識別並描述控制專案風險的策略。
(c) 解釋社會技術設計實踐如何緩解資訊系統建置過程中出現的人因與組織問題。

詳解：

(a) 資訊系統專案的主要風險因子可以從多個面向來分析，常見的包括：

• 技術風險 (Technical Risks)：例如，技術的不成熟、與現有系統的整合困難、效能不如預期、缺乏技術支援、新技術的學習曲線過長等。
• 專案管理風險 (Project Management Risks)：例如，需求定義不清、範圍蔓延 (scope creep)、進度延誤、預算超支、資源分配不足、溝通不良、計畫不周延等。
• 組織風險 (Organizational Risks)：例如，高層管理者的支持不足、使用者抵制或接受度低、組織文化不適應、內部權力鬥爭、缺乏必要的技能或知識、變革管理不當等。
• 外部風險 (External Risks)：例如，法規變動、市場競爭加劇、供應商問題、經濟環境變化、自然災害等。
• 使用者風險 (User Risks)：例如，使用者參與度不足、需求未被充分理解、使用者培訓不足、使用者對新系統的不適應等。

(b) 控制專案風險的策略主要可以分為以下幾類：

• 風險規避 (Risk Avoidance)：改變專案計畫，以消除某種風險或其發生的可能性。例如，選擇更成熟的技術，或縮減專案範圍。
• 風險轉移 (Risk Transfer)：將風險的後果轉嫁給第三方，例如透過保險、外包或簽訂契約。
• 風險減輕 (Risk Mitigation)：採取措施降低風險發生的機率或其影響。

本題主要考查人工智慧在知識管理中的應用，特別是專家系統、案例推理和神經網路這三種技術。

核心觀念：
專家系統、案例推理 (CBR)、神經網路、知識管理、商業價值。

解題思路：
(a) 定義專家系統，說明其工作原理，並闡述其對企業的價值。
(b) 定義案例推理，並說明其與專家系統的差異。
(c) 定義神經網路，說明其工作原理，並闡述其對企業的價值。

詳解：

(a) 專家系統 (Expert System)

• 定義：專家系統是一種應用程式，旨在模擬特定領域內人類專家的決策能力。它包含一個知識庫 (knowledge base) 和一個推理引擎 (inference engine)。
• 工作原理：
  1. 知識庫 (Knowledge Base)：儲存特定領域的知識，通常以「規則」(rules) 的形式呈現，例如「IF-THEN」陳述。這些知識由領域專家提取並編碼而成。
  2. 推理引擎 (Inference Engine)：這是專家系統的核心，它利用知識庫中的規則來處理使用者提供的問題或數據，並導出結論或建議。推理引擎主要有兩種策略：
     • 前向推理 (Forward Chaining)：從已知的事實出發，逐步應用規則，直到達到目標。適用於已知數據，需要找出所有可能的結論的情況。
     • 後向推理 (Backward Chaining)：從一個假設的結論出發，尋找支持該結論的規則和事實。適用於有明確目標，需要驗證或尋找達成目標的路徑的情況。
  3. 使用者介面 (User Interface)：讓使用者能夠輸入問題、提供資訊，並接收系統的輸出。
• 對企業的價值：
  • 知識傳承與共享：將專家的知識系統化，避免因人員流動而導致的知識流失。
  • 提高決策效率與品質：提供快速、一致的建議，減少人為錯誤，尤其是在重複性高或複雜的決策場景。
  • 降低成本：減少對昂貴專家的依賴，並能提供 24/7 的服務。
  • 培訓與輔助：作為新進員工的培訓工具，或輔助現有員工處理複雜問題。
  • 解決特定領域問題：在診斷、預測、規劃、配置等領域有廣泛應用。

(b) 案例推理 (Case-Based Reasoning, CBR)

• 定義：案例推理是一種問題解決方法，它透過搜尋過去類似的、已解決的問題 (稱為「案例」) 來解決新問題。其核心思想是「類似的問題有類似的解決方案」。
• 工作原理：CBR 的過程通常包括四個主要步驟：
  1. 檢索 (Retrieve)：當出現一個新問題時，CBR 系統會在案例庫 (case base) 中搜尋與新問題最相似的案例。
  2. 重用 (Reuse)：將檢索到的最相似案例的解決方案應用於新問題。這可能需要對解決方案進行適當的修改或調整。

本題主要考查資訊系統安全與控制的關鍵概念，包括其商業價值、電腦鑑識，以及災難復原與業務持續規劃的區別。

核心觀念：
資訊安全價值、電腦鑑識、災難復原規劃 (DRP)、業務持續規劃 (BCP)。

解題思路：
(a) 解釋資訊安全與控制如何為企業創造價值。
(b) 定義電腦鑑識，並說明其用途。
(c) 區分災難復原規劃與業務持續規劃。

詳解：

(a) 資訊安全與控制如何提供商業價值
資訊安全與控制不僅是 IT 部門的責任，更是企業整體營運和策略的重要組成部分，其提供的商業價值體現在以下幾個方面：

• 保護資產與營運連續性：
  • 數據保護：防止敏感數據（客戶資訊、財務報表、知識產權）洩漏、損壞或被盜，維護企業的競爭力。
  • 系統可用性：確保資訊系統能夠持續運作，避免因系統故障、攻擊或災難導致的業務中斷，保障服務提供。
• 維護聲譽與客戶信任：
  • 品牌形象：嚴格的安全措施能向客戶、合作夥伴和監管機構展示企業的可靠性和負責任的態度，建立良好的聲譽。
  • 客戶忠誠度：客戶更願意與能夠保護其個人資訊和交易安全的公司合作。數據洩漏事件會嚴重損害客戶信任，導致客戶流失。
• 符合法規與合規性：
  • 法律遵循：許多行業和地區都有嚴格的數據保護和隱私法規（如 GDPR、CCPA）。有效的安全控制能幫助企業避免嚴重的罰款和法律訴訟。
  • 行業標準：滿足 PCI DSS (支付卡產業數據安全標準) 等行業標準，是開展某些業務的先決條件。
• 降低營運風險與成本：
  • 預防損失：透過預防措施，可以大幅降低因安全事件（如勒索軟體攻擊、數據洩漏）造成的直接和間接損失（如營運中斷、修復費用、聲譽損害）。
  • 提高效率：良好的控制措施可以規範操作流程，減少人為錯誤，提高 IT 營運效率。
• 支持創新與業務發展：
  • 安全地採用新技術：在企業擁抱數位轉型、雲端運算、物聯網等新技術時，健全的安全架構能確保其安全落地，支持業務創新。
  • 數據分析的基礎：安全可靠的數據環境是進行有效數據分析和商業智慧的基礎。

(b) 電腦鑑識 (Computer Forensics)

• 定義：電腦鑑識（也稱為數位鑑識）是指在發生電腦犯罪、安全事件或法律糾紛時，對數位證據進行識別、收集、保存、分析和呈現的科學過程。其目的是為了在法律程序中提供可信的、有力的證據。
• 用途：
  • 犯罪調查：協助警方和調查機構偵辦網路犯罪、駭客攻擊、數據竊盜、詐欺、兒童色情等案件，追查犯罪嫌疑人。

本題主要考查商業智慧 (BI) 和商業分析 (BA) 的基礎概念，以及預測性分析與大數據分析這兩種進階分析技術。

核心觀念：
商業智慧 (BI)、商業分析 (BA)、預測性分析 (Predictive Analytics)、大數據分析 (Big Data Analytics)。

解題思路：
(a) 定義並描述商業智慧和商業分析。
(b) 描述預測性分析，並提供兩個範例。
(c) 描述大數據分析，並提供兩個範例。

詳解：

(a) 商業智慧 (Business Intelligence, BI) 與商業分析 (Business Analytics, BA)

• 商業智慧 (BI)

  • 定義：商業智慧是指一套技術、流程和應用程式，用於收集、整合、分析和呈現業務資訊。其主要目的是幫助企業了解過去和現在的營運狀況，支援決策。
  • 描述：BI 的重點在於「描述性分析 (Descriptive Analytics)」，回答「發生了什麼？」的問題。它通常透過儀表板 (dashboards)、報表 (reports)、線上分析處理 (OLAP) 等工具，將原始數據轉化為易於理解的資訊，例如銷售業績報表、客戶趨勢圖、營運指標監控。BI 旨在提供一個關於企業績效的「整體視圖」。

• 商業分析 (BA)

  • 定義：商業分析是一個更廣泛的概念，它利用數據、統計模型、預測技術和優化方法來發現有意義的模式，並基於這些模式進行更深入的洞察，以指導決策。BA 涵蓋了 BI 的範疇，並進一步延伸到診斷、預測和規範性分析。
  • 描述：BA 不僅回答「發生了什麼？」，還能回答「為什麼會發生？(診斷性分析, Diagnostic Analytics)」、「未來會發生什麼？(預測性分析, Predictive Analytics)」以及「我們應該怎麼做？(規範性分析, Prescriptive Analytics)」。BA 更加注重數據的深度挖掘和預測能力，以期影響未來的業務結果。

兩者關係：BA 是一個比 BI 更全面、更具前瞻性的概念。BI 可以被視為 BA 的一個組成部分，專注於數據的匯總和呈現，而 BA 則利用 BI 的輸出，並結合更高級的分析技術來提供更深層次的洞察和預測。

(b) 預測性分析 (Predictive Analytics)

• 描述：預測性分析是商業分析的一個重要分支，它利用歷史數據、統計演算法、機器學習技術和數據挖掘技術，來預測未來可能發生的事件或趨勢。它主要回答「未來會發生什麼？」的問題。預測性分析模型會識別數據中的模式和關係，並將這些模式應用於新的數據，以預測未來的結果。
• 範例：