數字化浪潮的驅動，日益成熟的社交媒體革命，使消費者行為發生翻天覆地的變化，導致企業從行銷方式、人力資源、客戶服務等方方面面都需要變革。對於保險公司而言，在提升企業品牌、降低公司成本、提升客戶滿意度、增加銷售業績、促進新產品的提升這些方面大有益處，但帶來機遇的同時也面臨風險。因此，保險公司運用社交媒體提供的平臺和大數據分析，开启了一種新型的保險模式。很多保險公司由於其大膽創新和善用社群網絡，在此領域很快成為了佼佼者。 本文通過對 5 家在社交媒體積極拓展的保險公司進行分析（美國前進保險公司、 美國USAA保險公司、美國安泰保險公司、中國平安保險股份有限公司、藍桔子保險公司）進行研究，研究各保險公司在社交媒體運用方面的優勢和問題，試圖在大數據廣泛應用、科技金融不斷創新的互聯網時代，對保險公司在以社交媒體為媒介的經營模式進行梳理和歸納，并根據總結之要素，尋求其在台灣和中國大陸市場的應用模式，給出合理建議。

本研究透過次級資料的收集，探討巨量資料分析在顧客關係管理之應用，並著重於零售業、金融業與醫療業三個產業。近幾年來，巨量資料（Big Data）的浪潮襲捲而來，隨著網際網路的發展與智慧型裝置的普遍，現今每個人在日常生活中不斷產生巨量資料，透過智慧型手機、社群網站、信用卡、全球衛星定位系統（GPS）、感測器等，在無形中製造了大量的數據。而在此同時，企業用來儲存、記憶、處理資料的成本不斷降低，設備越來越便宜，技術越來越先進，再加上新的資料來源，巨量資料分析對企業的重要性不言可喻。 巨量資料能徹底改變企業的經營方式，大幅提升企業的經營績效，但這些收入是否超過公司內部在巨量資料所投資的成本，為公司帶來獲利？巨量資料分析又是怎樣應用在顧客關係管理，帶來正面效益？本研究從「企業進行巨量資料分析的動機」、「巨量資料的類型與來源」、「巨量資料分析方式」、「巨量資料分析的結果與效益」及「企業在巨量資料分析的投入與調整」五個面向切入，探討巨量資料分析在顧客關係管理的應用。 研究發現，巨量資料背後的分析學，不僅可以用來解決企業現有的問題，更能協助企業發掘未知的商機，開發新的產品與服務。然而值得注意的是，無論是零售業、金融業或醫療業，巨量資料分析能使企業從競爭對手中脫穎而出的成功關鍵因素，是在於公司本身對資訊的重視程度，以及公司內部能否共同合作，也就是說，從領導階層到第一線員工，不僅都要相信資料，也要懂得如何應用這些巨量資料，使其發揮最大效用，方能在創新的商業模式下，創造企業長期的競爭優勢。

在2002年後，隨著金控業態整併，財富管理業務也開創了新紀元，投資境外證券的共同基金成為財富管理業務發展主要的大宗。根據中央銀行統計，我國國際投資部位明細表中，關於海外證券投資部位，從2002年USD582億大幅增加到2015年USD5386億，大幅增加了超過九倍。其中，投資海外高收益債券型基佔國人基金投資比重將近五成，金額達NT1.14兆！甚或傳出特定該類基金，台灣受益人就占了總規模的八成！足見穩定收益產品是財管市場最主要的需求。 隨著金融科技風潮開展，機器人理財顧問(ROBO ADVISOR)進入財富管理市場在全球正逐步加溫。歸類國外理財機器人目前的發展，可彙總出三個核心服務：1)提出合適的投資組合 2)以大數據科技為基，進行風險控管 3)針對客戶風險屬性分析，提出適切理財方案；本研究以投資組合數據累積，進行計量風險控制，量化風險資產波動，尋找全球金融常態波動中擇時交易的機會。提供財富管理業投資後管理的範例。 另針對金融科技優化生態圈服務做法，客製化服務為重要元素。如：客戶生涯規劃、節稅等財務規劃，結合金融商品配置，恐也是財富管理業務更需配套提升的一環。理財商品動態管理結合客戶需求，讓生態圈更加鞏固進而擴大，應也是財富管理業逐步轉型的業態。 本研究針對財富管理中，客戶循環需求的彙總，以及透過計量模型投資管理的方式，達到財富管理業務在金融科技服務的新趨下結合運作，試圖勾勒財富管理業務可能的營運模式。

本研究針對目前最新技術發展趨勢，提出一個以瀏覽器為中心的雲端運算服務模型。本研究稱之「雲端服務交換器系統」，解決後端大量巨量資料透過緩衝區送至前端瀏覽器頁面顕示之問題並改善傳輸速度。本研究整合MongoDB、AngularJS、Socket.IO、Kafka、Node.js五項元素。研究解決前端中JavaScript與網頁互動之困難、前後端開發語言相容性問題、巨量資料需求造成的伺服器負載量、前後端即時通訊效能等問題，最後達成建置高頻交易網站之目的。

隨互聯網與數位科技之崛起，FinTech(科技金融)業者與傳統銀行業者的區隔日益模糊，而數位原生代世代來臨，第三方支付、大數據應用、行動支付、互聯網金融服務接連挑戰傳統銀行業者的數位科技應用能力，客戶將面臨更多選擇，無論如何，客戶將感受到越趨便利的金融交易行為與環境。 因應BANK 3.0產業趨勢變化及數位化轉型策略，國內各家金融業皆開始大舉招募資訊、大數據、金融科技、物聯網、電子商務等數位金融專業人才；顯示出在這個跨業、跨界的時代，引進傳統金融背景的人才已無法滿足現在金融業；而原本於傳統金融環境下服務的員工，也勢必將面臨轉型與改變，因此，本研究案將觀察與探索金融業在數位轉型發展趨勢下，如何引進多元人才，打造人員轉型之路。 本研究顯示，金融業須推動新核心價值凝聚變革的共識，提供開放與良善的溝通環境，鼓勵多元想法與做法，吸引數位技術人才；亦需重新定義數位化金融專業能力，協助未來銀行員所須具備有顧客體驗、跨領域思維、數位工具運用等轉型培育計畫，並提供貼近產業脈動與社會趨勢發展之培訓發展資源，強化轉型實力，打造邁向數位金融創新與服務變革的嶄新里程碑。

本研究針對物聯網與雲端大數據分析之不同程度的通訊需求，以微服務架構為基礎，設計一個四層式物聯網與大數據平台之通訊架構。面對物聯網之即時通訊需求，本研究採用MQTT通訊協定做為解決方案，而雲端大數據分析之通訊需求則採用Apache Kafka。 本研究基於參與者模型（Actor Model）所提出之「裝置代理人」，全面的解決了物聯網中異質通訊協定所產生的複雜性，同時解決了集中式物聯網閘道器所造成的系統複雜性與效能瓶頸，使物聯網閘道器能進行分散式部署，並且共享運算資源。

自工業革命之後，人類與科技間關係的變化牽引著整個社會、經濟的發展，而其中泛用型科技(GPTs)又扮演著要角，科技持續以指數式速度發展，大數據的出現是有脈絡可循的，某個程度上來說(從資料及分析兩方面的演進觀之)，可以說是必然發生的。大數據分析，不是時尚名詞，而是一個影響著現在及未來的大趨勢，縱有許多反對的聲音與論述，但它確實已經是國家安全戰略的一環，也是企業生存戰賴以維生的命脈。 大數據與過去不同的是我們擁有更多資料的來源，資料可能來自外部(Open Data、第三方資料)，也可能是更精進的資料蒐集機制得來(如：設計誘因機制使顧客自願提供其資料或設計隨機試驗取得異於歷史資料的新資訊)，而在資料種類格式、資料取得與回饋反應的速度上，在新興的MapReduce技術、NoSQL資料庫及串流資料處理技術支撐下，均可有效即時或近即時地被完成。 大數據分析最重要的還是在於「預測分析」，而為了讓資料說話，我們要熟悉大數據的特性與缺點，而支持大數據的硬技術與軟技術發展上一日千里，更提升了大數據在各產業的應用可能，而投資大數據的企業營收比那些沒有投資大數據的企業可以高出12％以上，在多數產業紛紛投入這場軍備競賽取得初步成效之際，而傳統壽險產業在大數據及其他科技變革的因應上不如別的產業時，則應在壽險價值鏈上去觀察並利用大數據分析，突破現有商業模式，選擇最佳導入策略，尋覓理想的資料科學家擔任CDO，委任其組織分析團隊並擬定大數據成長策略，建立適切軟硬體的架構，並完成第一個先導計畫取得小規模成功，進而加強企業高層大數據分析的信心與投資意願，使得一的又一個專案得以遂行，最終形塑成資料導向的決策文化，成為可以因應未來的壽險公司，避免在這波科技變遷中成為被淘汰者。

近年來，隨著大數據時代的來臨，即時資料運算面臨許多挑戰。例如在期貨交易預測方面，為了精準的預測市場狀態，我們需要在海量資料中建立預測模型，且耗時在數十毫秒之內。 在本研究中，我們將介紹一套即時巨量資料運算架構，這套架構將解決在實務上需要解決的三大需求：高速處理需求、巨量資料處理以及儲存需求。同時，在整個平行運算系統之下，我們也實作了數種人工智慧演算法，例如SVM (Support Vector Machine)和LR (Logistic Regression)等，做為策略模擬的子系統。本架構包含下列三種主要的雲端運算技術： 1. 使用Apache YARN以整合整體系統資源，使叢集資源運用更具效率。 2. 為滿足高速處理需求，本架構使用Apache Storm以便處理海量且即時之資料流。同時，借助該框架，可在數十毫秒之內，運算上千種市場狀態數值供模型建模之用。 3. 運用Apache Spark，本研究建立了一套分散式運算架構用於模型建模。藉由使用Spark RDD(Resilient Distributed Datasets)，本架構可將SVM和LR之模型建模時間縮短至數百毫秒之內。 為解決上述需求，本研究設計了一套n層分散式架構且整合上列數種技術。另外，在該架構中，我們使用Apache Kafka作為整體系統之訊息中介層，並支持系統內各子系統間之非同步訊息溝通。 / With the coming of the era of big data, the immediacy and the amount of data computation are facing with many challenges. For example, for Futures market forecasting, we need to accurately forecast the market state with the model built from large data (hundreds of GB to tens of TB) within tens of milliseconds. In this research, we will introduce a real-time big data computing architecture to resolve requests of high speed processing, the immense volume of data and the request of large data processing. In the meantime, several algorithms, such as SVM (Support Vector Machine, SVM) and LR (Logistic Regression, LR), are implemented as a subproject under the parallel distributed computing system. This architecture involves three main cloud computing techniques: 1. Use Apache YARN as a system of integrated resource management in order to apply cluster resources more efficiently. 2. To satisfy the requests of high speed processing, we apply Apache Storm in order to process large real-time data stream and compute thousands of numerical value within tens of milliseconds for following model building. 3. With Apache Spark, we establish a distributed computing architecture for model building. By using Spark RDD (Resilient Distributed Datasets, RDD), this architecture can shorten the execution time to within hundreds of milliseconds for SVM and LR model building. To resolve the requirements of the distributed system, we design an n-tier distributed architecture to integrate the foregoing several techniques. In this architecture, we use the Apache Kafka as the messaging middleware to support asynchronous message-based communication.

2017年英國《經濟學人》雜誌曾提出，「世界上最寶貴的資源不再是石油，而是數據」。隨著物聯網時代來臨，工業應用領域也開始整合各種技術而掀起新一波工業革命。因為大量自動化及數據化，除了升級自動化設備、整合網通系統，監控設備產生的大數據，透過工業電腦進行分析，經由人工智能判斷邏輯產生條件，再由設備自主處理各種生產問題。除去大量勞動，專注於大數據自動化處理，即能生產更優質的產品，並且優化流程，降低企業成本。 自動化流程機器人(Robotic Process Automation)能自動的管理並執行企業大量耗費時間與人力的業務流程，可用於客戶服務、人力管理、供應鏈管理、採購、會計等範疇。物聯網(IoT)時代下的機器人自動化流程加入了認知運算等新興技術，更能進一步提升企業效率並降低成本。自動化流程機器人(Robotic Process Automation)儼然成下一個新的生產力革命。 市場研究機構IDC預測，2017年全球在認知和人工智慧系統支出將達到125億美元，和2016年相比成長達59.3%。Google母公司Alphabet公開測試無人駕駛汽車、阿里宣佈投資千億成立達摩院、百度機器人入駐肯德基等等。人工智慧(Artificial Intelligence)將顛覆商業思維、改寫商業模式。在2020年，人工智慧(Artificial Intelligence)將成為市場上真正的「主流」技術思維。IDC並且認為亞洲將在2020年成為全球第二大認知與人工智慧輸出區域。 本文探討自動化流程機器人與人工智慧之間的關聯，以及流程優化後對企業所產生的影響與變革．並且針對個案的自動化解決方案所達到的效益與後續發展進行評估與檢討，藉以提升自動化解決方案，協助企業在未來挑戰的競爭環境中創造最佳化優勢． / “The Economist” stated in 2017 that “the world’s most precious resource is no longer oil but data”. With the advent of the Internet of Things, industrial applications have begun to integrate various technologies and set off a new wave of industrial revolution. Because of a large amount of automation and data, in addition to upgrading automation soluitons, integrating netcom systems, and monitoring the big data generated by the solutions, analysis is performed through industrial computers, and conditions are generated through the logic judgment of artificial intelligence, and then the solutions autonomously handles various processes. It can produce better products, optimize the process and reduce business costs to focus on automation of big data and to save a lot of labor hiring. Robotic Process Automation can automate the management and execution of a large number of business processes that consume time and manpower, and can be used in areas such as customer service, manpower management, supply chain management, procurement, finance and accounting. The robotic automation process in the Internet of Things (IoT) era has added emerging technologies such as cognitive computing to further enhance the efficiency of enterprises and to reduce costs. Robotic Process Automation becomes the next new productivity revolution. In 2017, marketing research firm, IDC, predicts that global spendings on cognitive and artificial intelligence systems will reach US$12.5 billion, which represents a growth of 59.3% compared to 2016. Google, the parent company of Alphabet, publicly tests driverless cars, Ali announced that it has invested 100 billion to establish Daruma House, Baidu Robots has settled in Kentucky. Artificial Intelligence will disrupt business thinking and rewrite business models. In 2020, Artificial Intelligence will become the real "mainstream" technical thinking in the market. IDC also believes that Asia will become the world’s second largest cognitive and artificial intelligence output region in 2020. The article discusses the relationships between robotic process automation and artificial intelligence, and also the impact and changes after implementing the solutions. It has also evaluated and reviewed the effectiveness and following development of the automated solutions, so as to enhance the values of automation solutions and to help companies create optimal advantages in the future challenging and competitive environment.

科技進步神速且日新月異，電腦大數據資訊的傳播與統計資料，可以與物聯網結合，方便消費者一系列之採購需求，各行各業也莫不受其恩賜，但同時可能讓個人隱私權的保密受到威脅。同理，今日預防醫學大數據比起傳統生物統計學，可以處理更多複雜的生物統計項目，包括昔日公共衛生之生物統計學所難以處理的複雜DNA序列，而加以收集、歸納、分析與應用於基因流行病學、癌症基因之篩選、個人化醫療的用藥、老人之長期照顧、孕婦產檢、新生兒疾病篩檢等，並且越來越蓬勃發展。 預防醫學大數據主要是由三種類型之電腦資訊所建構而成：(一)病歷，必須將紙本病歷之數據轉為電子檔案，才可能對於所收集之資料加以歸納分析，形成日後具備預知能力的大數據。(二)病患提供之DNA，收集病患提供之DNA亦可作成具有預測能力的大數據，應用於未來人類基因缺陷之篩檢或治療，以及提供個人化醫學更精準的治療。(三)傳染病之通報案件，作成預防醫學大數據以利於調查疫情，亦有釐清何種因素促成疫情擴散之能力，進而實施衛教宣導，讓民眾知道當地疫情狀況，並貢獻預防方法及加強自我保護。 因此，預防醫學大數據的DNA序列也涉及隱私權之保障，雖指紋、虹膜與DNA序列皆可用來辨識個人身份，對尋人偵辦法律案件皆有幫助，但唯獨DNA序列可用於大眾疾病之預測以及個人化醫學之預防與治療，是人類生物辯識系統中可謂重中之重，不僅可以依此DNA序列尋人辦案，更可以評估個人健康狀況與未來壽命，具備有「預測能力」。因此，不論病患日後之求職履歷或投保，皆可能因DNA序列之外洩，而遭遇到主管的監督或審核者的排斥。將來病患對DNA序列所要求的保密程度會因此更加嚴謹，使得原先醫病之間的隱私權關係，提昇到另一更高的層次。 整個預防醫學大數據基因庫之建立如同水壩，在研發基因庫的單位當然希望「上游」的自願者欲提供自身之DNA人數，可以源源不絕，以增大基因庫的量，期待有更多新的發現。因此，基因庫之「蒐集端」應該以其他國家建立基因庫建置前之規劃或與民眾有公開且相互瞭解之溝通，來進行研討。在「中游」之「管理端」，著重資料之保密與更新，遇到「選擇退出」的民眾，則必須將選擇退出之民眾資料徹底銷毀。如果保密工作未做好，不但自願者會減少，甚至會影響已經參與者繼續參加之意願，正如同水壩有管理上之缺口，容易潰堤。至於「下游」之「應用端」須考慮DNA用於病患篩檢結果，是否影響其日後生活與人際關係。 不論「蒐集端」之提供者對收集者之無私供出自身病歷與DNA資料；「管理端」之對已經提供巨量自願者的DNA的資料，於固定時間與自願者的日常習慣、作息或歷年來的病歷記錄作交叉比對，經常年累月之採取自願者的DNA與更新的日常習慣或最新之病歷記錄作交叉比對，如此不斷更新(up-date)來取得統計學上有意義的DNA序列與某疾病多因子的關聯性，對自願者之病歷與DNA資料有保密義務；或是「應用端」測得DNA後之結果，揭發於受測者知曉；此三階段之流程，無不涉及到個人之隱私權。 世界各國對基因數據的保障有不同立法之思維：德國對基因數據的蒐集及利用，從「個人資訊自決權」著眼，看重於外顯的自由行為是否同意來決定，必須與「告知後同意」始能蒐集、管理與利用的程序保護連結在一起，之後才有權利對抗的問題。然而美國是從個人的「隱私權」出發，強調個人內心私密空間不容任何人干擾，保障個人人格的最後一道城牆，凡侵入或侵占城牆內的任何行為，皆構成侵權行為。 本文解說出「國家防疫」、「個人疾病基因隱私權」與「臨床醫學研究」，此三者間的「衡平原則」：以預防醫學大數據運用而言，所涉及社會秩序公共利益，流行性傳染病之通報，個人「隱私權」之保障，臨床醫學的研究，聯合國宣言等，亦合併本文對國內外案例判決之評析以探究之。 最新之歐洲聯盟執行委員會（European Commission）就「歐盟資料保護規範」（General Data Protection Regulation ; GDPR）之條文內容，使歐盟新個人資料保護法擴及至非歐盟企業也一體適用的法律，已經於2016年年初獲得確定後，並且於2018年正式生效，尤其是法規要求於資料洩漏時必須在72小時內發出通知，知會其所屬企業公司個體、行政主管機關及個資當事人，以及必須遵守資料傳輸的重要相關規定，於本文亦有詳細介紹。 我國最新的醫療法第82條已經於民國107年1月24日公布施行，內容對醫師的損害賠償責任及刑事責任規定為：「醫療業務之施行，應善盡醫療上必要之注意。醫事人員因執行醫療業務致生損害於病人，以故意或違反醫療上必要之注意義務且逾越合理臨床專業裁量所致者為限，負損害賠償責任。醫事人員執行醫療業務因過失致病人死傷，以違反醫療上必要之注意義務且逾越合理臨床專業裁量所致者為限，負刑事責任」。此次修法之目的在於：近年醫療爭議事件動輒以「刑事方式」提起爭訟，不僅無助於民眾釐清真相獲得損害之填補，反而導致醫師採取防禦性醫療措施，修正醫療刑法「過失」之要件，即以「違反醫療上必要之注意義務且逾越合理臨床專業裁量」定義現行條文所稱之「過失」。但是，本文所引用國內外之法院判決，皆為民法與行政法的範圍與案例，即使在最新之醫療法第82條公布之後，亦不影響本文的主張。 本文結論分兩大節提出見解與建議：第一節內容，著重於綜合國內外之民法與行政法的案例判決，以提出評析與見解。第二節內容，從「上游」源頭增加預防醫學大數據「蒐集端」基因庫之泉源，提出建議，以增加我國大數據基因庫的量。透過基因(DNA)之捐贈，可以使「上游」之預防醫學大數據「蒐集端」的源頭能夠源源不絕。「前人種樹，後人與前人皆可以受惠乘涼、利益共享」，況且「預防又勝於治療」；不論國家社會或個人，對於如何促進預防醫學大數據之茁壯與永續經營發展，並且兼顧病患隱私權之保障，本文也提供了最佳的方法與展望。