📂IT·資料·DX⏱閱讀 2 分鐘📊入門🔗相關 5

什麼是大數據?

一句話定義
以既有方式難以處理的龐大(量)、快速(速度)、多元(型態)資料。比起資料本身,核心在於 '分析並提煉價值'。
想以企業內訓學習此主題📚 相關課程💬 教育洽詢
⚡ 3 行重點摘要
  • 大量、快速、多樣的資料
  • 比起資料本身,核心在於 '分析並提煉價值'
  • 需要分析基礎建設

大數據改變的不是資料的大小,而是決策的依據。過去是在月底整理好的幾千筆樣本中,解釋「為什麼會這樣」;現在則是把全部資料累積起來,追問「接下來會發生什麼事」。因為連一位顧客的點擊順序、一台設備的振動值、一間門市各時段的結帳紀錄都會留存,所以能夠以個別單位而非平均值來判斷。過去會議上「依我的經驗」說了算的場合,如今被「依過去 14 個月的紀錄來看」所取代,這就是這項變化。

除了 3V 之外,實務上真正卡關的是後面加上的兩項:正確性(Veracity)與價值(Value)。企業資料有相當大的部分是郵件、通話錄音、圖片等非結構化資料,無法直接用於分析。儲存方式也分兩種——經過整理、預先建立結構的資料倉儲適合定期報表,原樣匯入的資料湖則適合探索式分析。處理週期也不同,批次(每日一次)與串流(以秒為單位)並存;像信用卡異常交易偵測這類晚一秒就失去意義的業務,才會走串流。並不需要即時處理所有資料。

現場最常見的失誤,是只顧囤積的資料沼澤。耗資數億韓元規模的平台建好後,把三年份的日誌全部倒進去,結果負責人換人後,沒人知道哪張資料表代表什麼意思,於是也就沒人再打開它,這種情況我常見。沒有輸入規則就收集資料所跑出的分析,會吐出看似合理的數字,但答案是錯的;若依據這些數字去調整訂貨或人力配置,損失是真實發生的。把相關當成因果也很危險——冰淇淋銷量與溺水事故同時上升,兩者並不是因果關係。最好先定下一個需要解答的問題,再把用在它身上的資料管理好,效果會好得多。

會出現此術語的課程 · AI・DX
推薦課程 · 推薦講師 · 迷你報價
🧮 迷你報價 · 講師費基準
約 KRW 1,200,000 (≈ US$900)專題講座 2 小時 · 20 人以下 · 韓語
依此條件取得正式報價 →
💡 簡單來說
資料如洪水般湧來——量多並不代表好,必須經過篩選,淘出黃金(洞察)才有意義。
為什麼在實務上很重要
這是資料即競爭力的時代。但真正創造價值的,不是 '囤積',而是 '分析並加以運用'。
⚠️ 常見誤解
迷思資料蒐集得越多越好。
事實重點不在於資料量,而在於 '分析並提煉價值'。若沒有目的只一味囤積,就會變成只耗費成本的 '資料沼澤'。
由來與出處

2000年代隨著資料爆炸性成長而興起的概念,以 3V(量、速度、多樣性)定義,並隨著分散式處理技術(如 Hadoop)的發展而逐步實用化。

透過案例理解

我們以一個虛構的案例來說明。A 公司是一家生活用品製造商,全體員工 380 人,年營收規模為 KRW 240,000,000,000 (≈ US$179,632,700)。過去季節性商品的訂貨都仰賴業務本部的經驗直覺,因此每年報廢庫存高達 KRW 900,000,000 (≈ US$673,600),反觀熱銷品項則每逢旺季就反覆缺貨。經營團隊說 '用資料試試看吧',遂啟動一項為期 8 個月的需求預測專案。

  1. 物流主管調出 3 年的出貨資料後發現,1,200 個 SKU 中前 80 個占了營收的 62%,而報廢品有一半來自後 400 個品項。
  2. 資料負責課長將 ERP 銷售實績加上氣溫、入口網站搜尋量與促銷日程後發現,除濕產品的需求,對搜尋量的反應比對氣溫早 2 週。
  3. 銷售本部長以「還是有現場的直覺」為由提出反對,最後雙方同意在 3 個月內,針對 40 個品項,將預測值與銷售端的訂單預估值並列比較誤差。
  4. 比較結果顯示,預測模型的誤差比業務端的訂貨平均低 11 個百分點,本部長表示 '這點我認可',從秋季訂貨起便開始以預測值作為基準線。
  5. 過程中發現經銷商的退貨原因代碼因負責人而各自填寫,於是將 12 種代碼整併為 5 種並改為必填欄位,準確度又提升了一次。
  6. 8 個月後,報廢庫存從每年 KRW 900,000,000 (≈ US$673,600) 降至 KRW 530,000,000 (≈ US$396,700),因缺貨而錯失的銷售件數也從每月 40 件上下降至 12 件。
相關術語
與此術語相關的課程
📚第四次工業革命與大數據Nanum 經營顧問 企業內訓 · 面授/線上查看課程 →
是否需要針對此主題進行企業內訓?
立即取得負責人為您量身打造的課程規劃與報價。
教育洽詢
最後修訂 2026年9月13日 · 監修 金鍾赫

常見問題

不只看資料量,速度與多樣性也很重要。最關鍵的仍是 '能否分析並提煉出價值'。
AI(尤其是機器學習)透過資料學習。好的資料是好的 AI 的前提。
不只看資料量,也看速度與多樣性。核心在於 '分析並提煉價值'。
大數據是 AI 的 '燃料'。唯有優質資料充足,AI 才能學得好。