本案例依原書第 2 章「The Data Dilemma」重組，並非原書正式案例研究。
理解資料囤積陷阱：擁有大量歷史資料並不代表能支援有效 AI，相關性、結構與品質比單純資料量更重要。
原書描述企業可能擁有龐大資料湖，包括數十年的交易紀錄、顧客資料與市場分析，卻仍難以產生有意義的洞察。問題不是資料不足，而是缺少焦點與整理。
| 資料狀態 | 原書觀點 | 管理問題 |
|---|---|---|
| 大量歷史交易紀錄 | 資料量本身不是價值 | 哪些資料真正回答目前問題？ |
| 顧客資料 | 需考慮相關性與品質 | 是否可用、可靠且符合用途？ |
| 市場分析 | 未整理的資訊不自動變成洞察 | 如何策展與結構化？ |
| 較小但結構良好且相關的資料 | 原書認為基礎通常優於大量無結構資訊 | 品質與相關性優先於數量 |
Excel 可建立資料資產清冊，記錄用途、欄位完整度、時效、相關性與可存取性；AI 可協助摘要資料用途與找出重複／無關資訊，但不能在沒有資料品質證據時宣稱資料「足夠好」。
原書沒有提供資料湖容量、列數或品質分數，因此本案例不自行量化「大」或「高品質」。
原書的核心問題從「我們有多少資料？」改成「我們的資料能告訴我們什麼？」。AI 模型不需要知道所有事情，而需要取得與任務相關、可用且經整理的資料。
請依我提供的資料資產清單，整理每一項資料與目標問題的關聯、可能品質問題與缺失資訊。不要因為資料量大就判定適合 AI；若沒有品質指標，請標示無法判定。