113 年 國立政治大學資訊管理學系碩士班資管組《管理資訊系統》

本題主要在探討「商業論證」（Business Case）在資訊管理系統（MIS）領域中的定義與理解。商業論證是專案管理中至關重要的一環，用以證明特定專案或投資的價值，並預期其效益。

在 MIS 的脈絡下，「商業論證」通常被定義為一份文件或報告，用來系統性地評估一項資訊系統專案的可行性、潛在效益、成本以及風險。它旨在說服決策者，說明為何該專案值得投資，以及預期能為組織帶來哪些具體的商業價值。

其核心內容通常包含：

1. 問題陳述或機會描述：說明現存的問題、挑戰，或是可利用的機會。
2. 建議方案：提出要開發或導入的資訊系統解決方案。
3. 效益分析：預估系統導入後能帶來的效益，例如提升效率、降低成本、增加營收、改善客戶滿意度、增強競爭力等。

本題旨在探討「策略性資訊系統」（Strategic Information System, SIS）的定義，並要求舉例說明其重要性。

策略性資訊系統 (SIS) 的定義：
策略性資訊系統是指能夠幫助組織獲得或維持策略性優勢的資訊系統。這些系統不僅僅是支援現有營運流程，更重要的是，它們能夠改變組織的競爭策略、市場定位，或創造新的商業模式，進而為組織帶來長期的競爭優勢。SIS 的關鍵在於其「策略」層面，即對組織的長期目標、市場地位及競爭力有顯著且正面的影響。

SIS 的特點可能包括：

• 改變產業結構：例如電子商務平台改變了零售業的交易模式。
• 建立進入障礙：例如強大的客戶忠誠度計畫或獨特的資料分析能力。
• 提升客戶價值：例如提供個人化服務或更優化的客戶體驗。
• 創造新的產品或服務：例如利用大數據分析開發創新服務。
• 提高營運效率以降低成本：雖然效率提升是許多系統的目標，但 SIS 的效率提升必須達到足以影響競爭力的程度。

重要性與近期新聞範例：

SIS 的重要性體現在其能協助企業在快速變化的市場中脫穎而出，建立或維持競爭領先地位。以下是幾個從近期新聞中可觀察到的例子：

1. 電子商務與個人化推薦系統 (例如 Amazon, Netflix)：

   • 重要性：這類系統透過收集和分析大量的用戶行為數據，提供高度個人化的產品或內容推薦，極大地提升了客戶體驗和轉換率。Amazon 的推薦引擎是其營收的重要驅動力，Netflix 的演算法則決定了用戶的觀影習慣。
   • 新聞連結：經常報導關於這些公司如何運用 AI 和大數據來優化其推薦演算法，以期增加用戶黏著度和消費。

2. 供應鏈管理與物聯網 (IoT) 整合 (例如 Walmart, Zara)：

本題旨在探討評估資訊系統專案可行性時的關鍵因素，並要求詳細解釋。可行性分析是專案啟動前的重要步驟，用以判斷專案是否值得進行、以及在哪些方面可能面臨挑戰。

評估資訊系統專案可行性的關鍵因素通常可以歸納為以下幾個主要類別：

1. 技術可行性 (Technical Feasibility)

   • 說明：評估組織現有的技術能力、資源、以及所需技術的成熟度，判斷專案在技術上是否能夠實現。這包括：
     • 技術的成熟度與穩定性：專案所依賴的技術（如新的程式語言、演算法、硬體設備）是否已經成熟，能否穩定運行。
     • 組織的技術能力：組織內是否有足夠具備相關技術知識和技能的開發人員、維護人員。
     • 硬體與軟體資源：組織是否擁有足夠的伺服器、網路基礎設施、作業系統、資料庫等資源，或者是否需要額外採購。
     • 系統整合的複雜性：新系統是否需要與現有系統進行複雜的整合，整合的難度有多大。
   • 重要性：如果技術上不可行，即使其他方面都可行，專案也無法成功。

2. 經濟可行性 (Economic Feasibility)

   • 說明：評估專案的成本與效益，判斷專案在財務上是否划算。這通常涉及成本效益分析（Cost-Benefit Analysis, CBA）。
     • 成本估算：包括開發成本（人力、軟硬體）、營運成本（維護、升級、授權）、訓練成本、潛在的停機損失等。
     • 效益估算：包括量化效益（如節省人力、提高生產力、減少錯誤、增加銷售額）和非量化效益（如提升客戶滿意度、改善決策品質、增強企業形象）。
     • 財務指標：計算投資回收期（Payback Period）、淨現值（Net Present Value, NPV）、內部報酬率（Internal Rate of Return, IRR）等，以評估專案的投資回報。
   • 重要性：即使技術上可行，如果專案的成本遠高於預期效益，或者財務指標不佳，也可能被認為是不可行的。

3. 營運可行性 (Operational Feasibility)

   • 說明：評估專案的成果（即新的資訊系統）是否能夠被組織的現有營運流程、人員和文化所接受並有效使用。這包括：

本題探討企業在人力資源選用與招募流程中日益廣泛使用人工智慧（AI）系統時，所帶來的管理機會、風險與模糊性。

管理機會 (Managerial Opportunities)

1. 提升效率與速度：

   • AI 可自動化篩選履歷、安排面試、甚至進行初步的資格審查，大幅縮短招募週期，減輕人資部門的行政負擔。
   • 例如，AI 可以快速處理數千份履歷，識別出最符合條件的候選人。

2. 擴大潛在候選人範圍：

   • AI 工具能分析更多資料來源（如社群媒體、專業網站），發現傳統方式難以觸及的潛在候選人。
   • 例如，AI 可以根據特定技能標籤或過往專案經驗，在 GitHub 或 LinkedIn 上尋找合適人才。

3. 減少人為偏見（潛力）：

   • 設計良好的 AI 系統，理論上可以基於客觀標準進行評估，減少面試官或招聘人員無意識的個人偏見（如性別、種族、年齡、外貌等）。
   • 例如，AI 可以專注於候選人的技能、經驗和過往績效，而非個人特徵。

4. 數據驅動的決策：

   • AI 系統能收集和分析大量的招募數據，提供關於哪些招聘管道最有效、哪些技能最受歡迎、哪些特質與成功員工最相關的洞察，從而優化招聘策略。
   • 例如，分析結果可以指導公司調整職位描述或薪資結構。

5. 改善候選人體驗：

   • AI 驅動的聊天機器人可以 24/7 回答候選人的常見問題，提供即時反饋，使整個申請過程更順暢、透明。

風險 (Risks)

1. 演算法偏見與歧視 (Algorithmic Bias and Discrimination)：

   • AI 系統的訓練數據可能包含歷史上的偏見，導致 AI 在決策時複製甚至放大這些偏見。這可能導致對特定族群（如女性、少數族裔）的不公平對待，引發法律和聲譽風險。
   • 例如，如果過去的錄取數據顯示某個職位主要由男性擔任，AI 可能會因此傾向於選擇男性候選人。

2. 數據隱私與安全問題：

   • 招募過程涉及大量敏感個人資料，AI 系統的部署需要嚴格的數據保護措施，以防範數據洩漏、濫用或不當存取。
   • 例如，未經授權的第三方可能存取候選人的個人資訊。

本題探討「行動設計研究」（Action Design Research, ADR）在資訊管理系統（MIS）的設計研究領域中，旨在解決什麼問題。

在 MIS 的設計研究領域，傳統的研究方法可能存在一些局限性，例如：

• 研究成果與實務脫節：學術界的研究可能較為理論化，難以直接應用於解決企業真實世界中的問題。
• 缺乏實證與迭代：研究成果可能僅基於理論推導或單一案例，缺乏在實際環境中進行驗證和持續改進的機會。
• 難以評估設計的有效性：僅從理論層面探討設計原則，較難評估實際設計方案在解決問題上的有效性。

行動設計研究 (Action Design Research, ADR) 是一種結合了行動研究（Action Research）和設計科學（Design Science）的研究方法。它旨在透過「在實踐中進行設計與研究」，來解決上述實務與學術脫節的問題，並產生具有理論貢獻和實務價值的成果。

ADR 所要解決的核心問題是：如何有效地設計、構建、部署和評估能夠解決組織實際問題的資訊系統，同時又能為 MIS 學術領域貢獻可推廣的知識（理論貢獻）？

具體來說，ADR 透過以下方式來達成目標，進而解決上述問題：

1. 解決實務問題（實務貢獻）：
   • ADR 強調研究者與組織成員合作，深入理解組織面臨的真實問題，並共同設計、開發和實施創新的資訊系統解決方案。這確保了研究的成果是針對具體、迫切的實務需求。