109 年 國立中央警察大學資訊管理研究所《管理資訊系統》

本題主要在探討決策支援系統（Decision Support System, DSS）與管理資訊系統（Management Information System, MIS）在系統架構上的差異，特別是 DSS 所獨有的核心元件。

核心觀念： MIS 主要提供結構化決策所需的資訊，而 DSS 則更進一步支援半結構化與非結構化決策，這使得 DSS 需要額外的元件來處理複雜的分析與決策過程。

詳解：

MIS 的主要功能是收集、處理、儲存和分發資訊，以支援組織的日常營運和例行性決策。其核心元件通常包含資料庫、模型庫（用於預測、模擬等）、資訊產生器（報表、圖表等）以及使用者介面。

DSS 在 MIS 的基礎上，額外增加了一個極為關鍵的核心元件，那就是分析模型庫（Analytical Model Base）。這個元件是 DSS 相較於 MIS 最顯著的差異，也是其支援半結構化與非結構化決策能力的來源。

分析模型庫（Analytical Model Base） 包含了各種數學、統計、財務、模擬、優化等模型，這些模型能夠對資料進行更深入的分析、預測、模擬與評估，以協助決策者探索不同的情境、評估方案的優劣，並做出更佳的決策。

分析模型庫的類型：

分析模型庫的類型非常廣泛，可以根據其功能和應用領域進行分類，常見的類型包括：

本題考察組織導入雲端運算（Cloud Computing）的動機、效益以及潛在風險。

核心觀念： 雲端運算提供了一種彈性、可擴展且具成本效益的 IT 資源使用模式，但同時也伴隨著資訊安全、供應商依賴等風險。

詳解：

組織採用雲端運算的原因與優點：

組織採用雲端運算的主要原因和優點可以歸納如下：

1. 成本效益 (Cost-Effectiveness)：

   • 降低資本支出 (Reduced Capital Expenditure)： 無需購買昂貴的伺服器、儲存設備及網路基礎設施，而是以「用多少付多少」的營運支出（OpEx）模式支付。
   • 減少營運成本 (Lower Operational Costs)： 節省電力、冷卻、機房空間以及維護硬體的人力成本。
   • 按需付費 (Pay-as-you-go)： 資源使用量可彈性調整，避免資源閒置浪費。

2. 彈性與可擴展性 (Flexibility and Scalability)：

   • 彈性資源配置 (Elastic Resource Allocation)： 能夠根據業務需求快速增加或減少運算、儲存和網路資源，應對業務高峰或低谷。
   • 快速部署 (Rapid Deployment)： 新的應用程式和服務可以快速上線，縮短產品上市時間。

3. 可存取性與行動化 (Accessibility and Mobility)：

   • 隨時隨地存取 (Anytime, Anywhere Access)： 使用者可透過網際網路從任何地點、任何設備存取應用程式和資料。
   • 支援遠距工作 (Support for Remote Work)： 方便員工在家或差旅途中進行協作和工作。

4. 可靠性與災難復原 (Reliability and Disaster Recovery)：

   • 高可用性 (High Availability)： 雲端服務提供者通常擁有冗餘的基礎設施和備援機制，確保服務不中斷。
   • 簡易的災難復原 (Simplified Disaster Recovery)： 雲端服務商提供備份和災難復原方案，降低企業自行建置的複雜度和成本。

5. 專注核心業務 (Focus on Core Business)：

   • 減少 IT 管理負擔 (Reduced IT Management Burden)： 將基礎設施的管理維護工作交給雲端服務提供者，使 IT 部門能更專注於支援業務策略和創新。

6. 技術創新與先進服務 (Access to Innovation and Advanced Services)：

   • 接觸最新技術 (Access to Latest Technologies)： 雲端平台不斷更新，提供人工智慧、大數據分析、物聯網等先進服務，讓企業能快速採用。

採用雲端運算前需評估的主要風險：

儘管雲端運算優勢眾多，但在採用前必須仔細評估以下風險：

本題旨在釐清巨量資料分析（Big Data Analysis）的定義，以及探討其背後所仰賴的關鍵科技技術。

核心觀念： 巨量資料分析是從龐大、多樣且快速變動的資料集中挖掘價值，這需要特殊的技術架構來處理其「3V」或「5V」特性。

詳解：

何謂巨量資料分析（Big Data Analysis）？

巨量資料分析（Big Data Analysis）是指從傳統資料庫無法處理的、極其龐大（Volume）、多樣（Variety）且快速產生（Velocity）的資料集中，利用各種分析技術與工具，挖掘出有價值資訊、洞察、模式和趨勢的過程。這些資料可能來自社群媒體、感測器、交易紀錄、日誌文件、影音等多種來源。

巨量資料的特性常被概括為「3V」，隨著發展也加入了更多維度，如：

• Volume (資料量)： 資料的規模巨大，遠超過傳統資料庫系統的處理能力。
• Variety (資料多樣性)： 資料格式多元，包含結構化（如資料庫表格）、半結構化（如 XML、JSON）和非結構化（如文字、圖片、影音）資料。
• Velocity (資料速度)： 資料產生和變動的速度極快，需要即時或近乎即時的處理能力。
• Veracity (資料真實性)： 資料可能存在不確定性、不一致或偏誤，需要進行清洗和驗證。
• Value (資料價值)： 最終目標是從這些資料中提取出對決策有用的價值。

巨量資料分析的目標是從這些複雜的資料中發現隱藏的關聯、預測未來趨勢、優化決策流程，進而為組織帶來競爭優勢。

巨量資料分析所使用的主要科技技術：

為了處理巨量資料的獨特挑戰，一系列新的技術和架構應運而生，主要包括：

1. 分散式儲存技術 (Distributed Storage Technologies)：

   • Hadoop Distributed File System (HDFS)： 這是 Hadoop 生態系的核心組件，能夠將大型檔案分割成小區塊，並分散儲存在叢集中的多台機器上，提供高吞吐量和容錯能力。
   • NoSQL 資料庫 (NoSQL Databases)： 相較於傳統的關聯式資料庫（SQL），NoSQL 資料庫（如 MongoDB, Cassandra, HBase, Redis）在處理大量、多樣化且快速變動的資料方面更具彈性，支援不同的資料模型（鍵值對、文件、欄位導向、圖形）。

2. 分散式處理框架 (Distributed Processing Frameworks)：

   • Apache Hadoop MapReduce： 一種分散式運算模型和執行環境，用於大規模資料集的平行處理。它將複雜的運算任務分解成 Map（映射）和 Reduce（歸約）兩個階段。

本題旨在闡述「物件導向系統分析與設計」（Object-Oriented Systems Analysis and Design, OOSAD）的核心概念、方法論及其重要性。

核心觀念： 物件導向（Object-Oriented, OO）方法論將系統中的實體視為「物件」，這些物件具有屬性（資料）和行為（方法），並且可以透過封裝、繼承和多型等機制來建構彈性、可重用且易於維護的系統。

詳解：

何謂「物件導向系統分析與設計」（OOSAD）？

物件導向系統分析與設計（OOSAD）是一種軟體開發方法論，它將系統中的所有元素（例如使用者、產品、訂單、帳戶等）都視為「物件」（Objects）。每個物件都封裝了其自身的資料（稱為屬性或狀態）以及操作這些資料的方法（稱為行為或功能）。

OOSAD 的核心理念是模擬現實世界，將複雜的系統分解成一系列相互作用的物件。這與傳統的程序導向方法（將系統視為一系列的處理步驟）有顯著的不同。OOSAD 強調的是「資料」與「處理」的緊密結合。

物件導向（OO）的三大基本原則：

OOSAD 的實踐基於物件導向的三大基本原則：

1. 封裝（Encapsulation）：

   • 定義： 將物件的資料（屬性）和操作這些資料的方法（行為）綑綁在一起，形成一個獨立的單元。物件的內部細節對外部世界是隱藏的，外部只能透過物件定義的公開介面（Public Interface）來與之互動。
   • 優點： 提高資料的安全性，防止外部直接修改物件的內部狀態；降低系統的複雜性，使用者只需關心物件提供的功能，無需了解其內部實現。

2. 繼承（Inheritance）：

   • 定義： 允許一個物件（子類別或衍生類別）繼承另一個物件（父類別或基底類別）的屬性和方法。子類別可以在父類別的基礎上，增加新的屬性和方法，或修改（覆寫）父類別的方法。
   • 優點： 實現程式碼的重用，減少重複開發；建立類別之間的層次結構，使系統更具組織性，易於理解和擴展。例如，汽車 物件可以繼承 交通工具 物件的屬性（如速度、顏色）和方法（如啟動、停止），並增加汽車特有的屬性（如引擎類型）和方法（如鳴笛）。

3. 多型（Polymorphism）：

   • 定義： 允許不同類別的物件對相同的訊息（方法呼叫）做出不同的回應。通常透過繼承和介面實現。例如，一個 動物 類別可能有 發聲() 方法，但 狗 物件呼叫 發聲() 時會「汪汪叫」，而 貓 物件呼叫 發聲() 時會「喵喵叫」。