課程總覽與學習目標
本課程專為 DBA 博士班學生與高階經理人設計。課程分為三大模組，由三位老師共同授課，核心圍繞於 Business Research Method。我們目的在於協助學生解決期望落差：避免用處理短期營運問題的思維來面對博士級的學術研究。研究的核心在於挖掘底層「機制」，並具備跨領域應用的「一般化（Generalization）」能力。
第一週（02/24）為三位老師共同出席的 Course Orientation。課堂中我們將進行關鍵的 D2D (Data to Decision / Decision to Data) 活動。
請同學預先準備 2-3 個公司內部的決策情境，並評估決策當下資料的可得性，以及決策是偏向直覺還是依賴數據判讀。我們將在課堂上引導大家釐清爭議，並將這類日常營運問題收斂、轉化為具備理論價值的研究問題。
學期時程表 (16週完整課程)
| 週次 | 日期 | 主題 | 授課教師 |
|---|---|---|---|
| 1 | 02/24 | Course Orientation & D2D 活動, 期末專案說明 | 共同出席 |
| 2 | 03/03 | 量化研究設計 – 資料、樣本、工具 | 吳佳虹老師 |
| 3 | 03/10 | 量化研究方法(1) – 問卷調查與實驗設計 | 吳佳虹老師 |
| 4 | 03/17 | 量化研究方法(2) – 資料庫與文本資料 | 吳佳虹老師 |
| 5 | 03/24 | 指定論文閱讀報告 | 吳佳虹老師 |
| 6 | 03/31 | 定義問題的微觀基礎 | 吳相勳老師 |
| 7 | 04/07 | 組織意義建構與厚數據 | 吳相勳老師 |
| 8 | 04/14 | 期中講座 (停課一週) | DBA聘請講者 |
| 9 | 04/21 | 人機協作衝突與專業裁決 | 吳相勳老師 |
| 10 | 04/28 | 結構性偏誤與被遺漏的數據 | 吳相勳老師 |
| 11 | 05/05 | 分析模型(1) – 假說檢定與 A/B 測試 | 羅懷均老師 |
| 12 | 05/12 | 分析模型(2) – 線性迴歸：因果推論與預測 | 羅懷均老師 |
| 13 | 05/19 | 分析模型(3) – 分類模型：客戶流失與信用評分 | 羅懷均老師 |
| 14 | 05/26 | 分析模型(4) – 機器學習、文本分析與 NLP | 羅懷均老師 |
| 15 | 06/02 | 期末講座 | DBA聘請講者 |
| 16 | 06/09 | 期末專案發表 (個人報告) | 共同出席 |
成績計算方式
| 平時成績 (課堂參與) | 50% |
|---|---|
| 期末考 (個人專案報告) | 50% |
模組一：研究方法與設計要素
吳佳虹老師的模組著重於 Business Research Method 的基礎建立。DBA 學生往往具備豐富的實務經驗，但對理論的理解較為侷限。本模組旨在建立「研究者語言」，協助學生了解如何從現象中淬煉出具備跨領域、跨時空有效性的指導原則與機制。
研究設計三元素與研究者語言
探討資料收集設計 (Data Collection Design)、選樣設計 (Sampling Design) 以及測量工具發展 (Instrument Development)。
課程將帶領同學理解研究者語言，包含：
- 假說設定 (Hypothesis)
- 變數轉換 (Variables—from concept, construct to measures)
- 變數間的關係 (Relations—Regression, Moderation & Mediation)
信效度與實證論文解析
探討好問卷的標準 (Instrument development)，以及工具評估的信度與效度 (Instrument evaluation—Validity & Reliability)。我們將探討實驗設計與問卷如何結合，並強調當事物可被衡量時，研究問題也會更加清晰。
本單元指定閱讀文獻：
萬事萬物數據化：研究設計新思維
除了傳統問卷，課程將引導學生探索既有資料庫 (Database)、檔案資料 (Press, news, archival) 以及觀察與混合方法 (Observation & Mixed method)。
Database 相關文獻：
Press, news, archival 相關文獻：
Observation & Mixed method 相關文獻：
論文報告實作
學習如何閱讀學術論文中的統計報告與圖表 (Reading statistical reports and graphs in academic papers)。
Presentation Session： 每位學生將有 8 分鐘的時間 (8 minutes for each student)，分析指定論文的研究設計 (Analyze the research design for assigned papers)。
模組二：決策邏輯與意義建構
在為高階主管設計 DBA 課程時，最大的挑戰在於打破各位對「數據等於真相」的迷思。各位是商場打滾多年的決策者，往往習慣用直覺做判斷，但在面對大數據與 AI 浪潮時，又極易陷入另一種極端：盲目迷信演算法產出的報表。
這四週的課程模組，核心目的非常明確：在接觸任何大數據工具或統計模型之前，先建立嚴謹的「決策邏輯」與「問題意識」。
我的設計思路是從「個體認知」出發，延伸到「組織意義建構」，接著探討「人機協作的衝突」，最後拉高到「市場結構的偏誤」。這是一個由內而外、由微觀到宏觀的知識架構。
多數的數據專案失敗，並非因為演算法寫錯，而是因為一開始就問了錯誤的問題。本週重點在於導正「解方驅動」的決策慣性。
完美資訊的期望價值（EVPI）
閱讀 Hubbard 的著作。這本書提供了一個非常務實的商業起點：任何無形資產都可以被測量，前提是必須先釐清測量這個變數能為決策減少多少不確定性。引入完美資訊的期望價值（EVPI）概念，如果獲取數據的成本高於決策效益，測量就毫無意義。
策略問題形成的微觀基礎
透過 Baer 等人 (2013) 與 Palmié 等人 (2023) 的文獻，探討異質性團隊面對複雜問題時的阻礙，以及如何避免急於跳入解決方案的陷阱。
當個體確定了正確的問題後，下一個挑戰是如何在組織內部凝聚共識。冰冷的數字本身無法推動組織變革，必須經過「意義建構（Sensemaking）」的過程。
厚數據與人文學科洞察
Madsbjerg 強烈批判過度依賴大數據的矽谷思維。理解文化脈絡、人類行為動機（厚數據, Thick Data）比單純的數字追蹤更為重要。
共同演化模型與情感基模
透過 Cristofaro (2022) 提出的「共同演化模型」，強調了情感基模（Emotional schemata）在意義建構中的關鍵角色。導入大數據系統不僅是 IT 專案，更是一場深刻的組織文化重塑過程。
透過個案將理論落地，探討在高度衝突的數據與質性研究之間，高階主管該如何做出最終裁決。這同時呼應了在同一組織內，數據驅動型與感知型思維如何切換的問題。
與演算法的互動策略
面對 AI 預測的黑盒子，DBA 學生必須學習「探究式協作（Interrogative Engagement）」：不把演算法結果當真理，而是將其視為需要被質性證據交叉檢驗的提案。
將視野拉高至市場與社會結構。大數據往往反映並放大了人類社會既有的偏見。若決策者缺乏此等認知，數據分析將導致災難性的錯誤決策。
數據缺口與演算法偏誤
探討「預設群體（Default Group）」思維造成的數據缺口。Lambrecht & Tucker (2019) 展示了即使演算法設計意圖中立，仍會基於市場既有差異自動優化產生歧視。這突顯了商業上嚴重的資源錯置風險與 ESG 戰略意涵。
模組三：分析模型與預測
羅懷均老師的模組將帶領同學進入統計模型與演算法的實作領域。重點不在於將 DBA 學生訓練成寫程式的工程師，而是讓高階主管理解這些工具的運作原理與研究 flow，建立與資料科學團隊有效溝通的基礎。
要將數據分析成功落地，單靠演算法是不夠的。資料科學的核心在於融合「數學與統計」、「資訊科學」以及「領域知識」。對商管學生而言，最重要的軟實力是跨部門溝通 (Cross-function communication)，並將分析結果連結到 Business Decision 與 Business Context。
從直覺到科學驗證
探討如何透過嚴謹的實驗設計與統計檢定來驗證商業假設。A/B 測試是目前數位產品改善使用者體驗與行銷成效最關鍵的工具之一。
變數設計與選樣偏差排除
延續模組一的基礎，深入探討迴歸模型。重點放在什麼是好的變數設計，如何排除選樣偏差，並學習區分相關性與因果推論，進而運用模型預測商業趨勢。
實務商業場景應用
針對特定商業問題建立分類模型。這類技術廣泛應用於預測客戶流失率 (Customer Churn) 以及金融業的信用評分機制，是將數據變現的關鍵應用。
非結構化資料的處理技術
介紹機器學習的工作原理，並展示演算法如何協助辨識關鍵詞組、建立語意辭典與向量空間。自然語言處理 (NLP) 與生成式 AI 技術是未來從海量文本中萃取洞察的核心基礎，我們將展示研究者實際進行分析的流程。
個人期末專案報告規範
本課程期末報告佔總成績 50%，以個人為單位進行。要求學生運用本學期學到的研究方法與工具，以 BADIR 分析流程為基礎，並落實三位老師共同要求的：「從商業現場的提問，收斂到研究問題的提出」。
報告執行方式與規格
- 時間限制： 每人報告時間以 15分鐘 為限。
- 格式要求： 一頁一個核心訊息，每頁標題即為該頁結論。白底深色字，內文字體 18-20 pt，表格最少 16 pt。
- 圖表規範： 圖、表需標明使用的資料樣本數。必須清楚標示座標軸標題、計量單位與圖例。
- 繳交方式： 請於報告前上傳 PDF 電子檔，並準備一份紙本供老師評分參考（首頁需註明學號姓名，並標記頁碼）。
(1) Business Question (商業問題與研究問題)
說明欲分析的主題。你必須從公司內部的具體現象（商業現場提問）出發，將其抽象化並收斂成具備一般化價值的主題（研究問題）。清楚說明這個問題在企業營運或策略上的重要性。
(2) Analysis Plan (分析計畫)
將使用哪些分析行為（如：總量、分群/比對、排序、趨勢、關聯）來解決欲分析的主題？
要求： 分析任務至少 3 個。必須建立具體假設 (Hypothesis) 以引導後續分析。
(3) Data Collection (資料收集與結構)
資料可使用老師提供的公開資料集（如航空業客戶滿意度、電信業客戶流失、Kaggle 等），或自選現成資料。必須清楚交代：
- 資料範圍說明： 收集對象、時間範圍、資料數量等。
- The structure of the data： 欄位數、資料筆數、欄位名稱與資料型態、流水號型態資料是否重複。
- The distribution of the values： 描述資料分布，並判斷其合理性。
- 極端值處理： 說明 The presence of extreme values 及其處理方式。
(4) Insight (洞察與結果說明)
對應分析計畫，執行至少 3 個分析任務。
根據分析結果繪製圖、表，並具體說明觀察到的現象。必須有清晰的結果解讀：指明要看哪一個表、哪一個模型 (model)、哪一個數字，才能判斷前面設定的某個假設是否得到支持 (support or reject)。每頁一個主題，不限定頁數。
(5) Recommendations (策略建議)
不可停留在表面的數據現象描述。必須將研究結果提煉出可跨情境應用的指導原則，並針對起初的商業問題，提出務實且有證據支持的策略行動建議。