以人為本的數位治理：公共部門智慧化管理全攻略

　　在推動數位轉型的過程中，我們常見企業與政府機關將焦點放在工具導入或系統建置上，卻忽略了更深層的結構性變革。作為資訊部門主管，我深知真正的智慧化管理，並非一蹴可幾，而是經由一系列漸進且互為基礎的階段性演化。本文以「台北市政府公園設施維護部門」的實際案例為基礎，系統性地釐清公共部門在數位轉型過程中所經歷的六個關鍵階段，並說明每一階段的核心價值與轉型意涵。

　　這六個階段分別為：數字化、數位化、數位連結、數位優化、數位轉型與智慧化。每一階段不僅代表技術層面的進步，更反映出管理思維、流程設計與組織文化的逐步成熟。以下逐一說明：

第一部　數字化（Digitization）將紙本作業轉化為可用數據

　　數字化（Digitization）是公園設施維護部門邁向智慧化的第一個關鍵階段，其核心在於把原本依賴人力處理的紙本作業，轉換為能長期保存、可被查詢並可進一步運算的電子化資料。

　　過去公務人員巡檢公園時，必須攜帶紙本表格逐項登記鞦韆、長椅等設施狀況，再回到辦公室進行人工歸檔，這種方式不僅費時費力，也容易因字跡不清、資料遺漏或文件管理不當而造成錯誤。如今透過平板電腦與行動巡檢 App，第一線人員能直接在現場完成填報、拍照紀錄並即時上傳雲端，取代過去繁瑣的紙本作業，使資料得以快速收集且能立即在系統中查看。

　　然而，數字化絕不是單純把紙本表單搬到電子設備上，也不只是添購平板或建置 App 而已。這一階段真正的挑戰在於如何打造可長期維運的資料基礎，包括決定資料欄位如何設計、不同類型資料如何對應、清冊與簽到紀錄如何統一格式，並避免讓資料散落在不相容的系統裡而形成「數據孤島」。如果設施清冊一套系統、廠商資料另一套系統、巡檢紀錄又在第三套，彼此無法關聯，就算完成電子化，也無法支撐後續分析、預警、派工等進一步應用。

　　因此，領導者在數字化階段就需具備前瞻性的資料治理觀念，從起點便規劃一致的資料架構、命名規則與未來整合方式，讓所有電子化資料能相互對應、能被延伸運用，為後續數據連結、流程優化與智慧化決策奠定堅實的基礎。

第二部　數位化（Digitalization）建立數據治理，讓資料成為資產

　　數位化（Digitalization）代表組織正式踏入「以數據支撐管理」的階段，其核心任務是把累積下來的電子化資料真正用在決策與流程改善上。

　　以公園維護為例，當巡檢紀錄、設施評分與歷史維修資料逐漸齊備後，主管便能透過後台報表分析各區域狀況，進而發現管理問題，例如 A 廠商負責區域的設施損壞回報率顯著高於 B 廠商，或某段期間投訴量異常增加。這些量化證據讓管理者不再只依賴經驗，而能在月會或績效檢討會中精準指出異常，要求提出改善行動，真正讓資料開始影響管理行為。

　　然而，數位化的價值並不僅止於「看得到數據」，而是要求數據必須具有足夠品質，才能被信任並用來支撐重要決策。這也讓一個關鍵問題浮上檯面：這些數據是否一致、完整且可依賴？如果巡檢人員對同一個案件採用不同的名稱，例如有人寫「鞦韆損壞」、有人輸入「兒童遊具-A03 異常」，系統將無法正確彙整，甚至會誤導績效比對結果，使原本應該提昇管理效率的資料反而成為阻礙。換言之，數據若缺乏標準化與一致性，不但無法產生洞察，還可能讓管理判斷偏離現況，使「數據」從資產變成負債。

　　因此，在數位化階段，領導者必須同步推動「數據治理」（Data Governance），確保資料從產生、輸入、儲存到使用的每一個環節都具備一致性、標準化與可追溯性，並建立明確的欄位定義、命名規範、驗證流程與安全控管。唯有如此，組織才能真正依賴系統數據做出正確決策，並在具備可信數據的基礎上往後續的資料分析、自動化流程與智慧化應用邁進，使數位化從單純「看數據」進化為「用數據改善管理」。

第三部　數位連結（Digital Connectivity）打破孤島，實現即時整合

　　數位連結（Digital Connectivity）是公共部門邁向智慧化的重要關鍵，它象徵組織開始擺脫各自為政的資料孤島，讓原本被分散在多套系統中的資訊能夠即時流通並相互補強，逐步形塑一套如同神經網路般的資料連結能力。

　　在公園維護的傳統模式中，民眾一旦發現設施損壞，只能透過 1999 專線逐級通報，由客服人員手動建立案件，再轉派至公園管理單位與廠商處理。這種流程不僅冗長，也因多次轉手而易出現延遲或資訊落差，使得服務品質受到影響。完成數位連結後，流程徹底改變：民眾透過 App 上傳照片的瞬間，系統便可比對設施清冊，自動識別問題位置與設備屬性，並依據責任區域直接生成維修工單派送給對應廠商，從接案到派案完全自動化，大幅縮短反應時間。

　　然而，這種跨系統自動串接的能力並非只依賴工程介面或 API 建置，而是要靠更深層的兩大基礎能力來支撐。第一是「數據標準化」，也就是確保所有系統都使用一致的主數據與資料字典，例如「大安森林公園-A03 號鞦韆」在設施清冊、維護系統、民眾通報平台與廠商 App 中都必須具有相同的標識與屬性，如編號、位置、設備類型等皆一致，否則資料無法正確匹配，會造成自動派工失準或統計分析錯誤。

　　第二是「現代化技術架構」，因為傳統資料庫往往無法有效處理現代政府系統常見的大量照片、IoT 感測器資料或高頻率更新紀錄，因此必須導入如資料湖（Data Lake）等更具彈性的集中式儲存架構，能以原始格式收納各類資料，並在需要時以 Schema-on-Read 的方式動態解析，讓整個系統能應對未來更多樣的資料來源與使用情境。

　　只有同時具備資料標準化與現代化架構，跨系統的串接才不會流於表面工程，而能形成真正可自動流動、可再利用且可擴展的資料基礎。當數據在組織內得以自由流通，從民眾通報到派工執行再到後續分析，都能形成即時且連續的資料鏈，為智慧決策、即時監控與預測性維護奠定關鍵能力。

　　最終，數位連結讓組織從「資訊傳遞靠人」進化到「資料自動流動」，真正發揮數據神經系統的價值，成為後續數位優化與智慧化管理的重要前提。

第四部　數位優化（Digital Optimization）從數據中提煉洞察，驅動行動

　　當組織的資料已具備可信度並能在不同系統間自由流動後，便進入數位優化（Digital Optimization）階段，也就是讓資料真正展現價值、能產生洞察並驅動行動的關鍵時期。

　　此時系統已不再只是記錄工具，而能跨資料來源進行綜合分析，例如識別「某特定品牌的長椅比其他品牌更容易損壞、故障率高出 50%」或觀察到「B 廠商在雨季過後的草坪維護評分總是顯著偏低」。透過這些自動生成的分析與趨勢判讀，系統不僅呈現現況，更能提前提醒管理者在採購時避免問題品牌，或在雨季前預先通知廠商加強整備，讓管理不再是被動反應，而能主動預測、提前部署。

　　然而，真正的數位優化並非依賴 BI 圖表或報表工具的堆疊，而是要有方法、有架構地把原始資料提煉成可行洞察，並能持續複製。行政機關與許多組織在此階段容易陷入誤區，以為只要建好儀表板就能得出結論，但事實上，分析能力的核心在於完整的方法論。因此，導入成熟的分析流程尤為關鍵，例如 CRISP-DM 分析標準，將複雜問題拆解為六個步驟：

1. 首先從商業理解開始，明確定義管理目標，例如降低投訴率或找出績效偏差的根因；

2. 接著在數據理解階段盤點可用資料來源，如巡檢結果、設施清冊、維修紀錄與民眾通報；

3. 再進一步進行數據準備，包括標準化不同輸入內容（如「長椅壞了」與「座椅損毀」視為同一事件）或計算從通報到完修的平均時間等指標；

4. 完成資料清洗後，便進入模型建置，選擇合適的統計方法或機器學習演算法，像是關聯分析可揭露「A 廠商在大型節假日後效率顯著下滑」等隱藏模式；

5. 接著進行模型評估，除了技術指標，更須檢視是否能真正改善業務，例如預警模型是否有效降低民眾投訴率；

6. 最後將模型部署到實際流程中，例如於連假前自動提醒廠商備齊人力、物資或提前巡視。

　　因此，數位優化的核心不是發現問題，而是建立一套可以持續運作、可複製且能被整個組織採用的分析流程，讓數據真正成為管理者的輔助決策系統，使每一次分析都能轉化成具體行動，並進一步推動組織朝向智慧化營運邁進。

第五部　數位轉型（Digital Transformation）打造數據驅動的營運飛輪

　　數位轉型（Digital Transformation）代表組織從「流程優化」真正跨越到「制度與文化重塑」的關鍵階段，其核心精神在於讓數據不只用來改善工作效率，而是徹底融入治理架構與管理邏輯，使整個營運模式得以重新被定義。

　　在政府公園維護的傳統模式中，部門與廠商之間多採固定金額的維護合約，不論廠商表現優劣，報酬皆相同，無法有效激勵提升服務品質。當組織具備穩定的資料基礎後，便能以客觀數據作為制度設計的依據，推動「績效導向合約」，將廠商的報酬與維修速度、巡檢到位率、民眾滿意度等指標直接連結。這種作法不僅公平且具激勵效果，更從根本上改變了政府採購與外包的運作模式，使資源分配不再僅靠經驗或人為判斷，而是建立在透明清楚的數據基礎上。

　　然而，要讓績效制度真正落地並持續改善，僅依賴工具或流程是不夠的，組織還需要打造一個「數據到行動」的自我強化飛輪。這個飛輪依序包含：

• 治理→透過治理確保資料品質；

• 分析→利用分析產出可行洞察；

• 架構→運用技術架構把洞察轉化成具體行動（例如自動派工、自動提醒與即時稽核）；

• 行動→行動過程又會產生新的資料，如完工回報或民眾反饋；

• 回流→而這些資料再回流，持續強化模型與管理流程。

　　當飛輪順利運作，制度會越來越精準，管理邏輯會越來越成熟，組織也會越來越依賴數據進行治理。

　　因此，數位轉型的核心不只是制度改革，更是文化的深度重塑。領導者必須以身作則，以數據作為決策依據，用績效儀表板取代個人直覺，讓組織真正感受到「數據是共同語言」。同時，必須提升全員的數據素養，使第一線人員理解他們輸入的每筆資料都會影響績效評估與合約機制，強化其責任感與參與度。更重要的是建立容錯與創新文化，使員工在面對分析模型、假說測試或新流程時能接受試錯與探索，把數據分析視為一種科學與學習，而不是風險或負擔。

　　至此，數位轉型不再只是技術升級，而是促使公共部門邁向數據治理、績效驅動與持續學習的營運模式，使組織真正具備自我調整與成長的能力。

第六部　智慧化（Intelligent Transformation）讓系統具備感知、理解與行動能力的前瞻治理模式

　　智慧化（Intelligent Transformation）代表組織完成數位轉型後邁向的最高層次，是整個六階段進化旅程中最具代表性的質變時刻。

　　若說數字化奠定資料基礎、數位化開始用資料管理、數位連結讓資料流動、數位優化將資料轉化為洞察、數位轉型重塑制度，那麼智慧化則是一種「能力」── 一種讓系統能在無人提醒的情況下，自主觀察、理解風險並採取行動的能力。此階段不再依靠人工判讀、不再依賴人員手動派工，而是讓整個營運體系具備自我調節、自我預警與自我修復的能力，真正進入前瞻治理的時代。

　　在過往的公園設施管理模式中，大多必須仰賴民眾通報損壞後才啟動維修，這使得管理單位永遠處於「問題發生後才補救」的落後位置。未來希冀智慧化後，管理模式徹底翻轉，因為系統開始整合多種新型態資料來源，例如裝設在鞦韆軸承上的應力感測器、樹木上的傾斜儀、廁所的使用量計數器，以及來自外部的天氣預報、節日人流模型等。這些資料像是城市的「感覺神經」，能秒級回報場域變化，使系統對設施健康度有更完整的理解，而不再依賴人工巡檢或被動回應。

　　智慧化架構通常包含三大層次：感知、分析與行動。

第一，「感知（Sensing）」

　　大量感測器如同神經末梢，能持續蒐集設備狀態、環境參數與使用情形。例如高使用率的遊具、可能受風雨影響的樹木、會因節日而出現極端負載的設施，都能透過感測器回報瞬時訊號。這些資料會即時匯入資料湖，讓系統同時掌握現況與歷史脈絡，取代過往零星、落後、缺乏一致性的資料收集模式。

第二，「分析（Analysis）」

　　AI 模型會在資料湖中不斷學習設施的「健康模式」，進行趨勢判斷與風險評估。例如，模型可能觀察到某棵老樹在颱風季前傾斜角度加速惡化，或某一組鞦韆的軸承在節日前兩天往往承受異常壓力。這些分析超越傳統的靜態報表，而是一種具備背景理解的智慧洞察，能提前預測「何時會壞」、「哪裡會出事」、「哪些設備需要提前調度資源」。這也代表分析的角色從描述過去（報表）提升為預測未來（模型），完全改變管理者看世界的方式。

第三，「行動（Action）」

　　當模型偵測到異常時，系統不會等待人工處置，而是直接啟動自動化流程。例如自動生成預防性維修工單並派送給廠商、在資源管理系統預留人力與備品、必要時甚至透過 RPA 產出採購申請、聯絡相關單位，或在颱風來臨前提前下達加固通知。所有行動都在事件發生前完成，使維護從「補破網」變為「不讓網破」。

　　以鞦韆預測性維護為例：系統會根據以往節日時的人流趨勢、未來三天的晴朗天氣、感測器偵測到的應力積累速度，推算出大安森林公園 3 號鞦韆的軸承壓力即將抵達臨界值，並預估 48 小時內可能故障，因此主動發出工單要求提前維修。這種預測行動代表管理模式從「被動回應」躍升為「主動預防」，完全改寫維護流程的本質。

　　然而，智慧化的價值不僅在於能偵測設備問題，而是在於建立一種能夠自動吸收新資料、持續修正判斷、並在風險出現前完成處置的能力，使組織終於能像一個具備智慧的生命體般，自我學習、自我調整、自我強化。智慧化並不是工具的終點，而是治理能力的開始。

　　真正的智慧化不是工具堆疊，而是讓系統具備「自我感知、自我判斷、自我行動」的能力，並使公共部門從被動治理、事件驅動的作法，逐步進化為前瞻治理、風險驅動的模式。當這樣的自治能力成形，公共服務將突破以往侷限，邁向更高層次的安全性、效率與韌性，完成真正的智慧營運轉型，也使整個六階段的旅程走向完整的閉環。

結語：以人為本，駕馭數據的未來

　　從「數字化」到「智慧化」的轉型，是一條充滿挑戰與可能性的進化之路。它不僅是技術層面的升級，更是一場深刻的組織再造與管理思維的重塑工程。這條路徑的本質，是逐步建構一個以數據為核心、能夠持續學習與自我優化的智慧營運體系。

　　這場轉型始於穩健的數據治理—在資料的品質、安全性與一致性上奠定信任基礎；接著，透過系統化的分析方法，將原始數據轉化為具備洞察力的決策依據；再由現代化的技術架構，驅動洞察落地為行動，實現從資料採集到自動化執行的閉環。最終，這一切都必須與組織文化深度融合，才能真正釋放數據的戰略價值，讓智慧化管理不只是技術成果，而是組織能力的全面昇華。

　　值得特別強調的是，數據與工具本身只是媒介與載體，真正推動轉型巨輪的，始終是「人」。是領導者的遠見與承諾，定義了轉型的方向與格局；是第一線人員的學習意願與實踐投入，決定了轉型的深度與速度。當領導層願意以數據為依據重新思考管理模式，並在制度設計上導入績效導向與預測性機制；當員工理解自己輸入的每一筆資料都可能影響整體決策與資源配置，並願意主動參與數據驅動的流程優化—組織便能真正將數據驅動的理念內化為日常運作的習慣與文化。

　　駕馭數據的力量，不是讓人被系統牽著走，而是讓人與系統形成互補、共創的智慧夥伴關係。當數據成為組織的共同語言，當每一次行動都能回饋於系統、推動下一輪優化，組織便能在快速變動的環境中保持敏捷、穩健前行。這不只是邁向智慧決策的未來，更是打造具備韌性與創新力的公共服務典範。

【參考資料】

• Kitchin, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. SAGE Publications.
• Marr, B. (2016). Big Data in Practice: How 45 Successful Companies Used Big Data Analytics to Deliver Extraordinary Results. Wiley.
• McKinsey & Company. (2018). Analytics Comes of Age. McKinsey Global Institute.
• Gartner. (2020). Data and Analytics Governance Primer for 2020. Retrieved from https://www.gartner.com
• Microsoft Azure. (n.d.). What is a Data Lake?. Retrieved from https://azure.microsoft.com
• IBM. (n.d.). What is Predictive Maintenance?. Retrieved from https://www.ibm.com
• OECD. (2019). The Path to Becoming a Data-Driven Public Sector. OECD Digital Government Studies.
• World Bank. (2021). GovTech Maturity Index: The State of Public Sector Digital Transformation. Retrieved from https://www.worldbank.org
• ISO/IEC 38505-1:2017. Governance of Data – Part 1: Application of ISO/IEC 38500 to the Governance of Data. International Organization for Standardization.
• Taiwan Executive Yuan. (2022). 數位國家創新經濟發展方案（DIGI+）. Retrieved from https://www.ey.gov.tw
• 台北市政府資訊局. (2023). 智慧城市推動成果報告書. Retrieved from https://www.gov.taipei

作者推薦

《數位轉型推動手冊》

作者│財團法人中國生產力中心

出版│財團法人中國生產力中心

《AI 領御：掌握 9 大領導心法》

作者│大衛．德克雷默（David De Cremer）

譯者│陳雅莉

出版│財團法人中國生產力中心

《超級決策者：AI時代的決策科學與實踐》

作者│ 克勞迪奧.費瑟（Claudio Feser）、丹妮拉.勞雷羅.馬丁內斯（Daniella Laureiro- Martinez）、凱洛琳.弗朗根柏格（Karolin Frankenberger）、斯特法諾.布魯索尼（Stefano Brusoni）

譯者│顏敏竹、張家寧

出版│財團法人中國生產力中心

數位轉型核心關鍵與實務應用- 兩天實戰班