數據是企業推動 AI 最重要的基礎，隨著各企業組織擁有的資料越來越多，在保障資料安全和遵循法規的同時，還必須從中發掘寶貴的洞察，複雜度有增無減。「2024 台灣企業 AI 準備度」調查中所定義的數據力，不只是企業的資料搜集與管理能力，還包含應用能力，但三者在程度上有明顯落差，該如何提升整體能力呢？
中原大學智慧運算與大數據碩士學位學程副教授胡筱薇表示，企業無論要推動數據治理或導入 AI，都必須先建構起完整架構。從公司的治理架構來看，主要可分為業務、數據、應用及技術四個重要架構。四個治理架構是一個循環，且彼此協作。如果沒有協作，企業的策略只能停在某一個層級無法向下傳遞，也無法真正進入到營運端，而變成各做各的。
業務驅動的架構最重要的就是企業的策略與願景，資料應用與公司的銷售、行銷、人資、財會、營運等各個業務單位都有關係。如果公司在導入 AI 應用或服務時，只交由 IT 部門負責，那麼，在 AI 的應用上也就容易朝向與公司營收較直接相關的銷售與行銷面向，也容易因為技術人員不熟悉第一線業務內容，無法理解各部門的真實需求，主要透過想像開發出的應用，也容易與實際狀況有落差。
數據架構最重要的，除了建立企業級的數據管理策略，包括數據的收集、儲存、處理、安全和隱私保護等；更要定義數據標準和數據品質管理流程，確保數據的一致性、準確性和及時性。同時，還需建立數據治理委員會，負責制定數據治理政策和監督執行情況；以及建立 Data dictionary 和 meta data 管理，方便數據的檢索和理解。
在應用架構上，重要的部分包括識別企業的關鍵應用場景，並評估 AI 技術的適用性；設計「以用戶為中心」的應用架構，確保 AI 應用能夠無縫整合到業務流程中。除此之外，建立應用開發和部署的標準化流程，縮短應用上線時間；以及建立應用性能監控和反饋機制，持續優化應用體驗都是必須的。
技術架構除了選擇合適的 AI 平台和工具，以滿足企業的技術需求，另需要設計可擴展、高可用性的技術架構，確保系統的穩定性和性能。同時，企業也應該建立數據安全和隱私保護機制，確保數據在採集、傳輸、存儲和使用過程中的安全；以及建立技能培訓和知識管理體系，提升技術團隊的 AI 開發和應用能力。
胡筱薇強調，在規劃相關架構時，企業還需要注意與參考以下重點：
- 明確企業戰略和業務目標，識別 AI應用的關鍵領域。
- 評估現有的數據、應用和技術基礎，找出差距和改進點。
- 制定業務、數據、應用和技術的發展藍圖，明確關鍵里程碑和交付成果。
- 成立跨部門的項目團隊，確保各個架構的設計和實施能夠協同推進。
- 建立架構治理機制，持續監控和優化架構的執行情況。
- 加強與業務部門的溝通與協作，確保架構設計滿足業務需求。
- 看看別人怎做，學習先進企業的經驗教訓。
數據治理不夠完善，應用就會受到限制
「每間公司都應該有統一的數據管理規則，」胡筱薇指出，企業要有一個數據治理框架，在共同的規則下才能確保各部門的數據品質與數據處理流程。她舉例，當消費者進入公司網站時，就會產生許多面向的數據，包括購物流程、結帳、物流、金流、地區等，每個環節都必須要有一致的標準。無論企業是找開發商，或是有自己的電商、通路等，都必須遵守共同的規範。在管理數據時，另外得根據國家地區的不同，因地制宜遵守當地的規範。
數據治理像是打通資料孤島，也可稱作資料的民主性，就是讓公司內各個部門的員工、業務單位都能自主運用資料。例如人事部的同事可依照自己的需求，利用公司提供的資料資源拉出所需的介面，或產出需要的服務。而不是任何數據分析、報表產出，或任何資訊服務都必須仰賴 IT 部門的協助。如果企業四個層面的治理架構都足夠完善的話，無論是人事或是會計等部門，都能自己產生部門的數據應用；且部門會有自己的資料擁有者（owner），並肩負管理資料的責任，包括數據安全、品質、服務與應用；也能決定跨部門間資料交換的機制、管理內部資料交換的需求與爭議。「數據治理如果不夠完善，要產出更深更廣的數據應用就會受到一些限制。」胡筱薇說。
數據治理不是一個專案，是一個體系
胡筱薇建議，企業要提升數據治理能力的首要工作，就是建立一個完整、且經過設計的數據治理框架；在此框架之上還要定義數據策略。她解釋，策略包含明確的管理、原則、標準及流程，以確保數據的品質、可靠性及安全性。她提醒，數據治理並不是一個專案，而是一個綜合治理的體系，必須要有公司層級的數據治理政策，也就是要有組織的保障與流程，以及運作的品質。
「一個企業數據管理的體系很重要，」胡筱薇說，體系指的不是資訊系統，而是一個運作機制，包括規則、授權，以及每個層級的權限與責任義務。每個業務部門都必須肩負數據管理責任，管理包括數據安全、品質、服務與應用，以及內部資料交換的需求與爭議。她指出，業務、行銷、人資三個業務部門，各自所在意的數據一定不同，例如對人資而言，銷售絕對不是該部門重要的數據，因此，不同部門的 Master Data 也不同，而 Master Data 的內容也應該由各業務部門來擬定，且各部門需有一位數據的負責人（Owner），該職位最理想的人員應該是部門主管。但由於涉及主管對業務、數據與技術的能力，且因為過往企業可能沒有相關職位與組織架構需求，但企業如果要做全面導入，就必須將這些層面納入考量。
而資料倉儲與資料湖泊雖然都是重要的系統，但重點在於系統該如何安排與銜接，如同城市的治理，關乎規則與政策及負責任的人。這些事情做好才會有系統，也才能賦能企業或是簡化員工的行政程序。
