案例01｜Fig. 3.1：從 Data 到 Wisdom 的 DIKW 階梯
案例03｜Farr 與 Cholera：從死亡資料辨識疾病模式
案例04｜Fig. 3.4：Two Movies Compared 與「資料需要脈絡」
案例05｜Fig. 3.5–3.6：Data Quality in Context 與六維度
案例06｜Missing Values：缺失資料不是直接刪除
案例08｜Fig. 3.7–3.8：Normal vs Exponential Distribution
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| Data → Wisdom | 區分 Data、Information、Knowledge、Wisdom，強調 Context 與 Interpretation | 避免把 Raw Data 直接當成 Decision-ready Knowledge | 層級提升需要脈絡、理解與判斷，不是單靠資料量增加 |
| Farr mortality analysis | 透過分類、彙整與比較，將死亡紀錄轉成公共衛生資訊 | Population／Public Health Analytics | 資料定義與分類必須可比較；Figure 完整數值不足時不可自行重建 |
| Cholera mortality analysis | 從死亡資料尋找 Pattern，區分 Observation 與 Interpretation | 疾病模式辨識與 Evidence-based Decision | 需注意分母、樣本量與資料品質 |
| Two Movies Compared | 比較前先確認 Metric、Unit、Period、Source | Benchmarking／Performance Comparison | 沒有 Context 的數值可能導致錯誤比較 |
| Data Quality | 品質必須 Fit for Use，並以多個 Dimensions 評估 | Analytics Readiness、Data Governance | 原書沒有提供通用權重或總分公式 |
| Missing Values | 先量化缺失，再判斷缺失模式與影響 | Data Preparation／Quality Diagnosis | 不能因缺值少就自動刪除，也不能由 AI 自行插補 |
| Outliers | 先辨識，再查核是 Error 或 Legitimate Extreme Observation | Fraud、Risk、Quality Control、Model Preparation | Outlier 不等於錯誤；原書沒有單一通用刪除門檻 |
| Probability Distribution | Figure 3.7 Normal Distribution：mean=0、sd=1；Figure 3.8 Exponential Distribution | 理解 Dataset Shape 與後續分析假設 | 偏斜資料不能只靠 Mean 解讀；Excel 負責精確統計 |
第 3 章把注意力從「有多少 Data」轉向「Data 如何變成可用的 Information」。原書以 Figure 3.1 從 Data 到 Wisdom 的關係提醒管理者：原始紀錄必須經過整理、脈絡化、理解與判斷，才可能真正支援 Decision-making。因此，Business Analytics 的資料問題不只是 Storage 或 Volume，而是 Meaning 與 Fitness for Use。
Figures 3.2 與 3.3 以 William Farr 的 mortality analysis 與 cholera mortality analysis 示範資料轉化。單筆死亡紀錄只是 Data；當紀錄被分類、彙整並在不同條件間比較後，才形成能揭示 Pattern 的 Information。這也說明資料分析的結果受到分類方式、定義、分母與資料品質限制。
Figure 3.4 的 Two Movies Compared 用非常直觀的方式提醒讀者：數字不能脫離 Metric Definition、Unit、Period 與 Source。兩個數值看似可以比較，不代表它們真的衡量同一件事。AI 可以協助整理比較條件與找出缺漏，但不能在原資料沒有提供時自行補上成本、期間或其他 Context。
Figures 3.5 與 3.6 將 Data Quality 放回使用情境。資料品質不是單一「正確／錯誤」判斷，而是多維度問題。對低風險探索分析足夠的資料，未必足以支援高風險營運或管理決策。因此，品質改善的目標不是無限制追求 Perfect Data，而是確認資料是否足以支援指定 Use Case。