資料的基本概念
資料（Data）是未經處理的原始事實或數據集合，可以是文字、數字、圖像等形式，可能有經過整理也可能沒有 [1]。相對地，資訊（Information）是指經過處理後有用的資料 [1]。兩者最大的差別在於是否具有「意義」：資料經適當處理後會變得有意義，才能稱為資訊 [1]。舉例而言，一串未整理的數字屬於資料，但將其統計分析成趨勢報告後，就轉化為有意義的資訊。
在資訊科學中常提到DIKW架構，即資料(Data)、資訊(Information)、知識(Knowledge)、智慧(Wisdom)的層次。資料是對事實的記錄，資訊是從資料中提煉出的意義，知識是對資訊進行消化後的產物，智慧則是累積知識並加以應用後產生的洞見 [2]。換言之，資料是最基礎的層次，經過分析理解升華為資訊與知識，最終指引決策形成智慧。
資料是人工智慧與決策分析的基礎原料。在AI開發中常說「Garbage In, Garbage Out」，意即輸入的資料品質若不佳，模型輸出的結果也會不佳，強調了資料品質的重要性。資料的正確性、完整性以及相關性都會直接影響分析結果和AI模型效能。如果使用有誤或無關的資料進行分析，無論演算法多先進，結果仍可能失真。
此外，現代企業強調以資料為依據的決策（Data-Driven Decision Making）。這種決策方式依賴可靠的數據分析，而非僅靠直覺或經驗。透過蒐集並分析過去的營運數據（如銷售業績、客戶行為等），決策者可以得到量化的依據，制定更精確的策略。例如，分析銷售資料可找出暢銷產品組合，協助庫存管理和行銷決策。這體現了資料在實務應用中的價值：高品質的資料能降低決策的不確定性，提升決策成效。
大數據（Big Data）概念也是資料基本概念的一部分。大數據指的是來源多元且數量龐大的資料集合，可能涵蓋結構化與非結構化數據 [3]。一般而言，大數據具有4V的特性：[3]
● 大量（Volume）：資料量非常龐大，以致於傳統資料庫難以處理。
● 高速（Velocity）：資料產生與處理的速度極快（例如物聯網感測器即時串流資料）。
● 多樣（Variety）：資料型態多種多樣，包括文字、數字、圖像、音訊等格式。
● 真實（Veracity）：資料的真實性和可靠性，各種來源的資料品質良莠不齊，需要驗證與清洗。
由於資訊科技的進步，企業能從各種管道取得大量資料。然而，大量資料本身並不保證有價值，需經適當處理分析才能產生洞見。因此，大數據時代更凸顯了資料處理分析能力的重要性。企業若能有效運用大數據，可在商業智慧、精準行銷、風險控管等方面取得競爭優勢。
資料的來源
資料來源泛指資料從何處產生或取得。了解資料來源有助於評估資料品質和適用性。一般可將資料來源分為內部與外部，以及初級與次級等類型：
● 內部資料來源：由組織內部產生的資料，通常直接來自企業日常營運系統。例如企業的銷售記錄、生產數據、財務報表、顧客資料、人力資源資料等都屬於內部來源 [4]。內部資料取得成本低且與企業業務高度相關，因此是分析時首先會考慮的資料來源。
● 外部資料來源：從組織外部取得的資料，非企業自行產生。例如政府公布的統計年報、產業研究機構的市場報告、公開的經濟指標、社群媒體上的用戶評論等都屬於外部來源 [4]。外部資料往往作為補充，用來了解外部環境或市場趨勢。由於外部資料通常是為其他目的所收集（非針對企業特定問題），需評估其與企業需求的相關性。
● 初級資料（Primary Data）：由研究者或企業為特定目的親自第一次蒐集的原始資料。例如透過問卷調查收集消費者意見、進行科學實驗取得的觀測值，都屬於初級資料。初級資料具有針對性強、相關度高的優點，但收集成本較高。
● 次級資料（Secondary Data）：先前已由他人蒐集整理過的現有資料，再次被拿來利用 [4]。例如從政府開放資料平台下載的人口統計資料、引用研究機構發布的報告數據、從網路上取得的公開資料，都屬於次級資料。次級資料的取得速度快、成本低，但內容可能與當前需求不完全貼合，或需要驗證可信度。
另一種常見分類方式是以資料對企業的關聯程度區分所謂第一方、第二方與第三方數據：[3]
● 第一方數據：由企業直接蒐集自自身管道的資料，例如自家網站或App蒐集的用戶瀏覽行為、CRM系統中的會員交易紀錄等 [3]。這類資料與企業關聯最直接，品質和相關性也最高。
● 第二方數據：由合作夥伴分享或交換取得的他方資料。本質上與第一方數據相似，但資料來源不是自己直接收集，而是透過合作共享而來 [3]。例如與策略合作夥伴交換的顧客名單、從廣告平台獲取的用戶瀏覽資訊等都屬於第二方數據。第二方數據常被忽略，但其實相當常見。
● 第三方數據：來自與企業無直接關聯的外部來源，通常由專門的資料提供商或公開來源取得 [3]。例如市場調查公司販售的消費行為數據、政府的公開資料(Open Data)、社群媒體上的公開數據等。第三方數據能拓展企業視野，但需特別注意授權和隱私，以及資料與自家業務的相關性。
值得一提的是，開放資料（Open Data）通常屬於第三方數據的一種特殊類型。開放資料指經適當許可後可讓任何人自由使用、重新使用及再散布的資料 [5]。這類資料不受版權或專利限制，使得公眾可以廣泛取用並加以應用 [5]。各國政府近年積極推動開放政府資料，例如交通資訊、天氣紀錄、統計資料等，以促進資訊透明及民間創新應用。對企業而言，政府開放資料是一項重要的外部資料來源，可用於交叉比對內部資料、進行市場分析或作為AI模型的補充訓練資料。
人員與機器產生的資料：資料來源也可以依產生者區分為人類產生和機器產生兩大類。人類產生的資料包含人工輸入或創作的內容，例如顧客填寫的意見反饋、社群媒體上的貼文、電子郵件內容等。機器產生的資料則由裝置自動生成，例如感測器記錄的溫度與濕度、伺服器日誌、點擊串流資料、生產線設備的物聯網(IoT)訊號等。隨著物聯網的普及，機器自動產生的資料量大幅成長，其特點是即時、自動且高速，能夠反映客觀狀態，例如工業感測器每秒產生大量讀數供即時監控。機器產生資料通常結構化程度較固定（如每筆包含時間戳及讀數），但規模巨大且需要即時處理。人類產生的資料則常包含非結構化內容（如自然語言文本），需要透過文字探勘、語音辨識等技術提取結構化資訊。
綜上，瞭解資料來源有助於我們在專案開始時進行資料盤點：有哪些可用的內部資料？需要哪些外部資料補充？資料取得管道是否合法合規？這些都是資料應用規劃師需要優先考量的事項。在實務中，一個AI或資料分析專案的首要步驟通常是資料收集，確保從各來源獲得足夠且適用的資料，為後續的資料整理與分析奠定基礎。
資料的類型
資料可以依不同維度進行分類，常見的分類方式包括依結構程度、依性質（質化/量化），以及依測量尺度等。瞭解資料的類型有助於選擇適當的分析方法與工具。
1. 按結構化程度分類：
○ 結構化資料（Structured Data）：具有明確的結構與格式，能以資料表形式存放的資料。例如關聯式資料庫中的資料表、Excel試算表、CSV純文字表格等都屬於結構化資料，它們由行列組成，每一欄有固定的欄位類型 [6]。結構化資料易於被SQL等查詢語言操作，適合傳統資料庫處理。舉例而言，一張包含「姓名、年齡、性別」欄位的顧客名單是結構化的。
○ 半結構化資料（Semi-Structured Data）：介於結構化與非結構化之間，資料本身帶有一定的結構標記，但不像資料表一樣固定模式。典型例子包括JSON、XML、YAML等格式的檔案，以及日誌檔案（log）等。這類資料通常以樹狀或鍵值對形式儲存，有標籤或分隔符號來描述資料項目。例如JSON檔中的資料具有欄位名稱和值，但是不同記錄可以有不同欄位，沒有預先定義的架構。半結構化資料需要透過程式剖析其標記才能提取資訊。
○ 非結構化資料（Unstructured Data）：不符合任何嚴格結構，無法直接以表格形式存放的資料 [6]。常見例子有文字文件、影像、音訊、影片、自由格式的文字欄位等 [6]。由於非結構化資料缺乏固定欄位，難以直接用傳統資料庫查詢，需要透過特定處理（如自然語言處理、影像辨識）將其轉換為可分析的形式。例如，一組客戶評論的文字內容、客服通話錄音、監視器拍攝的影片，都屬於非結構化資料。儘管難以處理，但非結構化資料往往蘊含豐富資訊，在大數據時代佔有相當大的比例。
2. 按資料性質分類：
○ 定性資料（Qualitative Data）：也稱質化資料，以類別或描述性值表示的資料，通常非數字形式。定性資料側重於事物的性質或品質區分。例如性別（男性/女性）、顏色（紅/藍/綠）、產品評價等級（好/中/差）都是定性資料。這類資料無法直接進行數值運算，但可用於分類或排序。
○ 定量資料（Quantitative Data）：也稱量化資料，以數值表示的資料，可進行算術運算。定量資料度量事物的量或數量，例如年齡（幾歲）、收入（金額）、溫度（°C）等。定量資料進一步可分為離散型（Discrete）和連續型（Continuous）：離散型是只能取特定整數值的（如人口數、人頭計數），連續型則在一範圍內可取任意值（如身高、體重）。 定性與定量的區分很重要，因為兩者適用的分析方法不同。簡單來說，名目與次序尺度的資料是定性的，等距與等比尺度的資料是定量的 [7]。例如，顧客的滿意度等級（非常滿意、滿意、普通、不滿意）是定性資料中的次序尺度；而銷售額是定量資料中的等比尺度。
3. 按測量尺度分類： 在統計學中，根據資料的衡量方式，將資料分為四種類型，稱為資料的測量尺度：
○ 名目尺度（Nominal Scale）：純粹以類別區分，沒有內在次序意義的資料。不同的數值或標籤僅代表不同類別，不能比較大小。例如血型（A型、B型、O型…）、性別（以0或1編碼只是區分男女，並無大小意義）、產品顏色等 [8]。名目尺度資料常需要轉換為數值標籤（如One-Hot Encoding）以供模型使用 [8]。
○ 次序尺度（Ordinal Scale）：具有順序關係的類別資料，類別之間可以排序但無法量化差異大小。例如名次（第一名、第二名…）、飯店等級（五星、四星…）、顧客滿意度等級（非常滿意→非常不滿意）等 [8]。在將次序尺度資料轉換為數值時，需保留其順序關係（如金銀銅牌可編碼為2、1、0代表排名） [8]。
○ 等距尺度（Interval Scale）：數值型資料，具有固定的單位間隔，但沒有絕對零點。等距尺度允許加減運算，但倍數意義不明確。典型例子是攝氏溫度或西元年份：例如20°C與10°C雖可說溫度差10度，但20°C不代表是10°C的兩倍暖，因為0°C不表示「沒有溫度」（只是冰點標記）。再如時間年份中的西元0年也是人為設定，年份差可以計算但不能做倍數比較。
○ 等比尺度（Ratio Scale）：亦為數值型資料，除了具有等距尺度的特性外，還存在自然的零點，因此比例計算有意義。例如長度、重量、年齡、收入都是等比尺度：0的意義是「完全沒有」該量（0歲代表尚未出生，0元代表沒有金錢）。在等比尺度下，可以說20公斤是10公斤的兩倍重。等比尺度資料可以進行各種算術運算。
概括而言，名目和次序屬於質化資料（不可直接數值計算），等距和等比則屬於量化資料 [7]。分析時，質化資料常用統計方法如眾數、百分比，或以圖表呈現分佈；量化資料則可計算平均數、標準差等，更適合應用迴歸、相關等數量分析方法。舉例來說，對於顧客滿意度（次序尺度），可以統計各等級佔比；對於年齡或收入（等比尺度），可以計算其平均值、中位數，並據此進行客群分析。
了解資料類型能幫助我們選擇正確的分析工具。例如，面對非結構化的文字資料，可能需要NLP技術；處理連續數值資料，適合用迴歸模型；處理分類資料，可考慮決策樹或分群演算法等。不同類型資料的處理流程和分析方法差異很大，是以分析前須先辨別資料類型並做適當的前處理（這部分內容在後續單元討論）。總之，清楚資料的結構和性質，是成功運用資料的基礎。
資料的應用
資料的價值體現在各行各業的廣泛應用上。以下說明資料在實務中的幾項重要應用領域：
● 商業決策與商業智慧（BI）： 企業經營中累積的大量內部資料（如銷售、庫存、顧客服務記錄等）是商業智慧系統的基礎。透過資料倉儲匯集多來源資料，再以線上分析處理（OLAP）或儀表板進行分析，可協助管理階層洞察營運狀況。例如，透過銷售資料分析，可找出最暢銷的產品組合與銷售趨勢，用於調整產品策略；透過顧客服務記錄分析，可發現常見抱怨問題，改善服務品質。這種以事實數據為依據的決策，有助於降低決策風險，提高決策品質。
● 機器學習與人工智慧： 資料是機器學習模型訓練的關鍵要素。監督式學習需要大量標記過的歷史資料來訓練模型，使其學會從輸入預測輸出；非監督學習則利用資料內在的結構進行分群或降維。舉例而言，要訓練一個圖像辨識模型，需要收集大量已標註正確分類的圖像資料作為訓練集；要構建一個銀行的信用風險評估AI，需要有過去貸款客戶的財務數據及違約情況資料。資料量越大且品質越高，模型往往能學得越好，因為涵蓋的案例更全面。相反地，如果資料有偏差或錯誤，模型也會學到不正確的模式。因此，在AI開發中，常花費大量時間在資料收集與前處理上，以確保「好的資料餵養出好的模型」。
● 個人化服務與行銷： 透過資料分析實現針對個人需求的服務已成為常態。比如電商平台分析使用者的瀏覽和購買紀錄資料，運用協同過濾等演算法提供個人化商品推薦；串流影音平台根據觀眾的觀看歷程資料，推薦可能喜愛的影片。又如數位行銷中，企業會根據客戶資料進行市場區隔，把目標客群的特徵資料匯入廣告平台，投放定向廣告。這些應用都以資料為核心，透過對使用者行為資料的洞察，提供量身訂做的內容以提升體驗和轉換率。
● 預測與風險評估： 資料分析能夠用於預測未來和評估風險。例如，在製造業中累積的機器感測器資料可以用來訓練預測模型，提前預測設備何時可能故障進行預防維護（Predictive Maintenance）；金融機構利用客戶的交易資料與信用資料，建立風險評分模型以預測違約風險；醫療領域分析病患歷史病歷資料，建置模型預測疾病復發機率。這類預測應用可以讓相關單位及早採取行動，降低不確定性帶來的損失。
● 公共政策與社會應用： 政府單位運用大量人口、經濟、交通等公共資料來研擬政策。例如交通部門收集交通流量與事故資料，用於分析道路安全熱點並改善交通設計；衛生機構分析疫調資料以預測疫情走向，作為防疫政策依據。不只政府，學術研究者也依賴資料來驗證理論或發現新知，如利用遙測影像資料研究環境變遷。在這些情境中，資料的分析應用能帶來社會效益，輔助決策者制定更科學有效的政策。
總之，資料的應用範圍極其廣泛，從企業營運優化、市場行銷，到人工智慧產品開發、公共政策制訂，都扮演不可或缺的角色。成功的資料應用專案通常遵循「目標導向」：先明確想解決的問題或達成的目標，再針對性地收集相關資料，進行恰當的分析建模，最後將分析結果回饋到決策或應用中。資料本身只有經過應用才有價值——將冰冷的數字轉化為行動指引，正是資料應用規劃師的重要任務。
考題設計（20題單選題）
1. 資料（Data）與資訊（Information）最大的差異在於什麼？
(A) 是否已數位化儲存
(B) 是否具有意義並可被解讀 [1]
(C) 資料比資訊更精煉
(D) 資訊是無用的資料
答案: (B)
說明: 資料是原始未處理的事實，資訊是資料經過處理、賦予意義後的結果，關鍵在於有無「意義」。
2. 在 DIKW 模型中，最高層次的是哪一項？
(A) Data（資料）
(B) Information（資訊）
(C) Knowledge（知識）
(D) Wisdom（智慧）
答案: (D)
說明: DIKW模型由低至高依序為資料(Data)、資訊(Information)、知識(Knowledge)、智慧(Wisdom)。
3. 下列何者屬於「結構化資料」的範例？
(A) 資料庫中的顧客交易紀錄表格 [6]
(B) 社群媒體貼文內容
(C) 攝影照片檔案
(D) 客服通話的錄音檔
答案: (A)
說明: 結構化資料具有固定欄位與格式，如資料庫表格。其他選項如貼文、照片、錄音檔通常是非結構化資料。
4. 下列何種資料型態屬於非結構化資料？
(A) 關聯式資料庫中的產品資料表
(B) JSON 格式的日誌檔案
(C) 用戶在社群上發表的文章內容 [6]
(D) CSV 格式的銷售報表
答案: (C)
說明: 非結構化資料沒有固定格式，如自然語言文本。資料庫表格、CSV檔是結構化資料，JSON檔是半結構化資料。
5. 以下哪一項資料屬於半結構化資料？
(A) XML/JSON 格式的文件，含標籤與數值 [6]
(B) Excel 試算表中的數據
(C) 數位相機拍攝的照片檔
(D) 資料庫中的資料表
答案: (A)
說明: 半結構化資料具有標籤等結構性標記，但格式不如資料表固定，JSON和XML是典型例子。
6. 下列何者為定性（質化）資料的例子？
(A) 客戶對產品的滿意度評級（「滿意」、「普通」、「不滿意」等）
(B) 每位顧客的年齡（歲）
(C) 每月營業額（新台幣金額）
(D) 商品重量（公斤）
答案: (A)
說明: 定性資料是用來描述類別或性質的，如滿意度評級。年齡、營業額、重量都是可用數值量化的定量資料。
7. 哪一種資料屬於等比尺度（Ratio Scale）且具有絕對零點？
(A) 攝氏溫度（°C）
(B) 人的身高（公分） [8]
(C) 信用評等等級（AAA, AA, A…）
(D) 星期幾（週一至週日）
答案: (B)
說明: 身高有絕對零點（0公分代表沒有高度），可以進行比例比較（200公分是100公分的兩倍高）。攝氏溫度是等距尺度（0度不代表沒溫度），信用評等和星期幾是次序或名目尺度。
8. 大數據常以「4V」來描述其特性，下列何者不是4V之一？
(A) 大量（Volume）
(B) 高速（Velocity）
(C) 多樣（Variety）
(D) 視覺化（Visualization）
答案: (D)
說明: 大數據的4V特性通常指Volume（量）、Velocity（速）、Variety（多樣性）、Veracity（真實性）。視覺化是分析大數據的方法，但非其固有特性。
9. 關於資料來源，下列何者屬於外部資料來源的例子？
(A) 公司內部的銷售數據庫
(B) 企業自行調查蒐集的客戶滿意度問卷資料
(C) 政府統計年報公開的經濟數據 [4]
(D) 企業財務部門的會計帳目資料
答案: (C)
說明: 外部資料來自組織之外，政府統計年報符合此定義。其餘選項均為企業內部產生或直接蒐集的資料。
10. 下列哪一種情境取得的資料屬於初級（第一手）資料？
(A) 從政府開放資料平台下載天氣紀錄
(B) 購買市場研究公司整理好的報告數據
(C) 設計並發放問卷，以收集顧客對新產品的反應
(D) 使用公司歷年累積的營運資料進行分析
答案: (C)
說明: 初級資料是為特定研究目的首次直接收集的資料，如自行設計問卷收集的反應。其他選項皆為使用已存在的次級資料。
11. 關於第二方數據（Second-party data）的描述何者正確？
(A) 企業自行透過官網和APP蒐集的原始資料
(B) 由合作伙伴透過資料交換或分享取得的他方資料 [3]
(C) 由政府公開且任何人可使用的開放資料
(D) 透過網路爬蟲從公開網站擷取的資料
答案: (B)
說明: 第二方數據是從合作夥伴處獲得的資料，本質上是他人的第一方數據。(A)是第一方數據，(C)是第三方（開放）數據，(D)可能是第三方數據。
12. 有關開放資料（Open Data）的說明，何者正確？
(A) 開放資料指未經許可不得擅自使用的機密數據
(B) 開放資料可以被任何人自由取得並重新利用與散布 [5]
(C) 開放資料僅限政府單位內部使用，一般人無法取得
(D) 開放資料通常包含個人隱私資訊，因此需付費購買
答案: (B)
說明: 開放資料的核心精神是開放取用、再利用與散布，通常不含個資且免費。(A)(C)(D)描述與開放資料定義相反。
13. 下列何者為「機器產生資料」的典型例子？
(A) 顧客在網路論壇上撰寫的產品評論
(B) IoT 感測器每秒記錄的溫度與濕度數值 [3]
(C) 消費者填寫的紙本意見調查表
(D) 由客服人員整理輸入的客戶投訴內容
答案: (B)
說明: 機器產生資料是由設備自動生成的，如IoT感測器的數據。其他選項均為人類產生的資料。
14. 關於資料倉儲（Data Warehouse）的特性，下列何者不是資料倉儲的典型特性？
(A) 主題導向的（Subject-oriented）
(B) 經過整合的（Integrated）
(C) 非易失性的（Non-volatile）
(D) 用於即時線上交易處理的OLTP系統 [9]
答案: (D)
說明: 資料倉儲主要用於分析（OLAP），特性包含主題導向、整合、非易失性、時間序列性。OLTP系統是處理日常交易的作業型系統，與資料倉儲用途不同。
15. 物聯網感測器所產生的資料通常具有哪項特性？
(A) 資料即時產生且傳輸速度快，需要即時處理 [3]
(B) 完全為結構化，且數據格式永不改變
(C) 全部是文字描述形式的非結構化資料
(D) 主要由人工即時輸入資料進入系統
答案: (A)
說明: IoT資料的特性之一是高速（Velocity），資料產生速度快且常需要即時處理。其格式通常是半結構化或結構化，但可能隨設備更新改變，且是自動生成而非人工輸入。
16. 下列何種決策方式屬於「資料驅動決策」的範例？
(A) 經理憑直覺決定產品定價，未參考任何數據
(B) 公司分析過去一年的銷售數據後調整產品庫存策略
(C) 主管觀察競爭對手動向後，隨即跟進採取相同策略
(D) 團隊隨機猜測市場走向來制定行銷計畫
答案: (B)
說明: 資料驅動決策是基於數據分析結果來制定策略，(B)選項符合此定義。(A)是直覺，(C)是跟隨對手，(D)是猜測。
17. 在訓練機器學習模型時，下列何者對提升模型準確性最為重要？
(A) 大量且高品質的訓練資料 [1]
(B) 模型使用的參數名稱長度
(C) 開發此模型的工程師人數
(D) 為模型設計一個華麗的使用者介面
答案: (A)
說明: 機器學習的效果高度依賴訓練資料的數量與品質，「Garbage In, Garbage Out」即強調此點。其他選項與模型核心效能關聯不大。
18. 「Garbage In, Garbage Out」這句話反映了資料分析中的哪項重點？
(A) 若輸入資料品質不佳，分析結果也會不可靠
(B) 資料量過大時系統容易當機
(C) 再生能源領域中垃圾轉換能量的效率問題
(D) 大數據分析時要先丟棄80%的無用資料
答案: (A)
說明: 這句諺語強調輸入資料的品質直接決定輸出結果的品質，不良資料會導致無用或錯誤的分析結果。
19. 下列何者屬於「次序尺度」（Ordinal）資料的例子？
(A) T恤的尺寸（S, M, L, XL），從小到大有所排序 [8]
(B) 商品條碼編號，僅代表身份無大小順序
(C) 手機號碼，由數字組成但各號碼間無大小關係
(D) 圖書的國際標準書號（ISBN）
答案: (A)
說明: 次序尺度資料的類別具有明確的順序關係（如S < M < L < XL），但無法量化其間差異。條碼、手機號碼、ISBN僅是識別碼，屬於名目尺度。
20. 在資料分析或AI專案中，通常需要執行的第一步是什麼？
(A) 蒐集並整合相關資料來源 [3]
(B) 建立機器學習模型並調整參數
(C) 將分析結果視覺化呈現給決策者
(D) 部署模型到生產環境供實際使用
答案: (A)
說明: 任何資料分析或AI專案的基礎都是資料，因此首要步驟是確定目標後，收集和整合所需的資料。後續才是建模、視覺化和部署。
附註
[1] 資料和資訊的不同 | 從 BI 到 AI 商業應用
[2] 〖區分「數據，資訊，知識，智慧」之間的差異，做筆記事半功倍〗｜方格子 vocus
[3] 大數據是什麼？一篇分析大數據在各領域的應用 | Vpon
[4] Chapter 02 行銷資料的類型、來源與管理 - 臺灣行銷研究
[5] 開放資料 - 維基百科，自由的百科全書
[6] 結構化資料與非結構化資料 – 可收集資料之間的區別 – AWS
[7] 測量尺度- 維基百科，自由的百科全書
[8] 資料分析前，必須知道的四種數據類型
[9] iPAS AI應用規劃師考試攻略 : 資料處理與分析概論模擬試題與重點整理 CCChen | CCChen的沙龍
