隨著雲端科技、網路大數據的蓬勃發展，加上 行動化裝置使 人類 的行為 改變，未來金融業產環境亦需隨之及創新。在大數據 時代 的思 維浪 潮之 下，以資料分析作為論證基礎的思維已成主流各大企業皆急欲將長年累積的數據資料及產業經驗加以整合分析，作為未來企決策方針之本。
本研究依據主題， 以個案方法審視單一的組織並 蒐集 文獻，如 相關期刊、研究報告論文及政府簡資料， 進行 個案探討並 加以彙總整理作 次級資料分析 ；運用知識發現流程的 CRISP-DM模型分析個案公司導入大數據 的三個面 向：組織、架構技術面 、應用面， 並以質化研究的訪談方式， 探討 個案公司導入大數據分析平台 前述三個面 向及尋求專家建議 ，以提出一套可運 用於企業導入大數據的建議， 並使用 Kimball（1998）生命週期方法論，做為大 數據專案導入之進行步驟， 期望縮短大數據導入的時間並探討所需元素， 進而幫助企業從資料中挖掘出訊寶藏，並找其對個案公司的應用價值也期望能對 產業服務及 社會進步有所貢獻。

For the purpose of the research topic, this study included a company case study and collection of literature, such as related journals, research reports, papers and government briefs, for the case study and secondary analysis of the aggregate data. The CRISP-DM model for knowledge discovery was leveraged to analyze the introduction of big data by the subject company in three aspects: organization, architecture technology and application. The aforementioned three aspects that concerned the company’s introduction of a big data analytics platform were examined using the interviewing method in qualitative research and expert advice was also sought to present a proposal that can be applied to the introduction of big data by enterprises in general. In addition, Kimball’s (1998) lifecycle methodology provided the steps for the introduction of big data projects that were expected to shorten the time required for big data introduction. Essential elements for the introduction were also investigated. The ultimate objectives are to help enterprises dig out valuable information from data, find out the application value of these steps for the subject company and contribute to industry services and social progress.

中文部份：
1. 陳來添等，建立學習型學校之個案研究，國立教育研究院籌備處第104 期
國小主任儲訓班專題研究
2. 任立中等著，2016，大數據戰略4.0，前程文化出版社，頁IX~XII
3. 鐘嘉德，2015，大數據研討會－論壇簡報，行政院科技會報大數據研討
會：擁抱Big Data，共創資料經濟價值高峰論壇
4. 維基百科，2017/12/16，強弱危機分析法（SWOT Analysis），
https://zh.wikipedia.org/zhtw/%
E5%BC%B7%E5%BC%B1%E5%8D%B1%E6%A9%9F%E5%88%86%E
6%9E%90
5. 維基百科，2017/11/11，技術成熟度曲線（The Hype Cycle）
https://zh.wikipedia.org/zhtw/%
E6%8A%80%E6%9C%AF%E6%88%90%E7%86%9F%E5%BA%A6%E6
%9B%B2%E7%BA%BF
6. David，2014，新興技術評估與炒作曲線，財團法人國家實驗研究院科技政
策研究與資訊中心－科技產業資訊室（iKnow）
7. 曾龍，2016，大數據與巨量資料分析，科學發展524 期，頁66-71
8. 維基百科，2017，數據科學（Data Science）
9. 林建宏，2017，理性的資料、感性的內涵，科學月刊第571 期
10. 林顯明，2016，大數據應用於社會科學研究的意涵與省思，國文官學院
T&D 飛訊第214 期
11. 王宏仁，2010，快速認識4 類主流NoSQL 資料庫，iThome
12. 韓家煒、Micheline Kamber、裴健著，范明譯，2012，數據挖掘：概念與技
術（原書第3 版）(Data Mining: Practical Machine Learning Tools and
Techniques, Third Edition)第三章
13. 城田真琴著，鐘慧真、梁世英譯，2013，大數據的獲利模式，頁54
61
14. 台灣WiKi，2013，Hadoop，http://www.twwiki.com/wiki/hadoop
15. 曾靉，2016，大數據會消失資料科學不會！你該知道的資料科學第一堂課
（陳昇瑋，2016，台灣資料科學年會），數位時代，
https://www.bnext.com.tw/article/40220/BN-2016-07-15-171031-117
16. 吳千卉，吳宗霖，2015，如何培育巨量資料科學家，科學研習 MAR 2015
No.54-3，頁10-18
17. 李欣宜，2015，[專訪] 搶當大數據科學家，5 大特質你有嗎？，數位時代
https://www.bnext.com.tw/article/36144/BN-2015-05-02-182907-109
18. David，2013，海量資料分析與精準情報決策，財團法人國家實驗研究院科
技政策研究與資訊中心－科技產業資訊室
http://cdnet.stpi.org.tw/techroom/analysis/2013/pat_13_A002.htm
19. 劉嘉凱，2013，資料科學兼容並蓄加乘大數據商業價值，經貿透視雙週刊
第427 期，頁121
20. 盧希鵬，2017，C2B 逆商業時代，商業週刊出版，頁283-285

英文部份：
1. Kenneth Jensen, 2012, CRISP-DM
https://sites.google.com/site/kennethagregaardjensen/crisp-dm
2. STAMFORD, Conn., 2014, Gartner's 2014 Hype Cycle for Emerging
Technologies Maps the Journey to Digital Business. Gartner
http://www.gartner.com/newsroom/id/2819918
3. Geethika Bhavya Peddibhotla, 2015, Gartner 2015 Hype Cycle: Big Data is Out,
Machine Learning is in. KDnuggets
https://www.kdnuggets.com/2015/08/gartner-2015-hype-cycle-big-data-is-outmachine-
learning-is-in.html
4. Peter Krensky & Alexander Linden & Jim Hare, 2016, Hype Cycle for Data
Science, 2016, Gartner
https://www.gartner.com/doc/3388917
5. Peter Krensky & Jim Hare, 2017, Hype Cycle for Data Science and Machine
Learning, 2017, Gartner
https://www.gartner.com/doc/3772081/hype-cycle-data-science-machine
6. Jeff Ullman & Matei Zaharia, 2016, Big Data: Main Developments in 2016 and
Key Trends in 2017. KDnuggets
https://www.kdnuggets.com/2016/12/big-data-main-developments-2016-keytrends-
2017.html
7. Thomas H. Davenport, 2014, What Makes Big Data Projects Succeed. Harvard
Business Review
https://hbr.org/2014/03/what-makes-big-data-projects-succeed
8. Fayyad, 1996, The KDD Process for Extracting Useful Knowledge from
Volumes of Data
9. Matthew Mayo, 2016, The Data Science Process, Rediscovered. KDnuggets
https://www.kdnuggets.com/2016/03/data-science-process-rediscovered.html/2
10. Ralph Kimball, 2013, The Data Warehouse Toolkit by Ralph Kimball, Page 403-
427