今日社會中各行各業在處理日常事務時，幾乎都離不開資料，然而資料的產生和儲存的速度卻遠超過人們所能分析和消化的速度。在這樣一個周遭都是資料的環境中，要擔心的已不是手邊沒有資料可以分析，而是煩惱如何有效率地把手邊的資料轉化成有用的資訊；因為有很多的資訊隱藏在資料的背後，如果能從資料中挖掘出有用的資訊加以運用，可以增加個人或組織的競爭力。
因服務於個案公司資訊營運與管理部門，負責相關於資訊服務及電腦系統暨資料儲存設備之營運與管理工作，必須時時掌握資訊資源營運的狀況、預測資源使用之成長情形，並適時擴充設備容量或進行設備汰換，以維持資訊服務品質。本研究經由蒐集及萃取實際營運的數據，應用資料探勘（Data mining）的技術與統計分析方法，建構電腦系統資源使用成長預測之模型，導出電腦設備容量擴充或設備汰舊換新之預估時間。整體研究步驟為首先研讀電腦系統資源使用成長預測及資料探勘的相關文獻，並與領域專家討論，藉以探討電腦系統資源使用成長的影響因子(Influential Factor)與資源使用成長預測模型(Prediction Model)建構的方法，再透過研究資料探勘提供一般經營決策支援系統（Decision Support Systems）的理論模式，據此建構個案公司電腦系統資源使用成長預測的模型，並以未來的實際營運數據，驗證預測模型的準確性。
相關研究步驟完成之後，本研究發現個案公司目前ERP資料庫電腦主機系統資源尚稱足夠，且成長預測模型之驗證結果亦可適用。惟依成長預測模型之推導，該電腦主機之運算資源，於2015年底將有不足現象發生，嚴重影響資訊服務品質；本研究強烈建議個案公司應儘早深入探討與追蹤資訊處理之程式效能，減緩資源使用之成長，並安排預算於2015年底前擴充ERP資料庫電腦主機系統資源。
總而言之，本研究之資料蒐集與萃取的方法、研究分析步驟，以及合適預測模型之選取、建構，均可提供個案公司及具有相同電腦系統作業架構的企業，用來預測未來資訊業務成長及資訊資源營運與管理作業之參考。另外若能結合如海量數據(Big Data)、線上分析處理(On Line Analytical Processing) 、決策支援等理論與工具的運用，更能增益企業經營管理與決策分析的能力，提升企業持續性的競爭優勢。

In today's society, it is almost impossible for people of any sector to deal with their daily business without data. Data, however, are generated and stored at a rate far beyond people can analyze and digest. As accessible data explode, instead of worrying about lack of data to analyze, we should be concerned about how to efficiently turn the data at hand into useful information. Because there is a lot of information hidden among the data, if useful information can be extracted from them and put into use, it will increase the competitive edge of an individual or an organization.
Serving at the Information Systems Department, I am in charge of its information services and the operations and management of the computer systems as well as the data storage facilities. We must follow the operation of the information resources closely and constantly forecast its growth, so that timely expansions of the equipment or replacement of old equipment can be made to maintain the quality of information services.
In this study, prediction models for the growth of the computer system resources usage are constructed by applying data mining (Data Mining) technology and statistical analysis methods to data gathered and extracted from actual operations. These models are used to derive the estimated time for computer equipment capacity expansion or the estimated time for the replacement of old equipment.
In this thesis, we first review literature on growth forecast of computer system resource usage and data mining, followed by consulting experts in related fields in order to find out the factors (Influential Factor) that are relevant to computer system resource usage growth.. Next, through studying how data mining supplies theoretic patterns to general management decision support system (Decision Support Systems), prediction models (Prediction Model) for growth of the computer system resources usage of the company in this case are constructed, and their accuracyare verified by data from future operations.
After finishing the research steps, this study finds that the current computer system resources of the ERP database hosts in the company are still adequate, and that the results of the growth prediction models verification show good fit. But according to the estimation of the growth prediction models, the computing resources of the host computers will experience shortage at the end of 2015, thereby affecting the quality of information services. It is strongly suggested that the company should further investigate and trace the efficiency of information processing programs as soon as possible to slow down the growth of resource usage and allocate budget for expanding the computer system resources of the ERP database hosts before the end of 2015.
In summary, the methods of collecting data and extracting information, the steps of research and analysis, as well as the process of selecting and constructing suitable prediction models used in this study can provide the company and any other enterprises with similar computer system operating configurationwith the capacity of forecasting the growth of future information business. In the future, by combining theories and tools such as big data, on-line analytical processing and decision support, it can further enhance one’s capabilities in the business management and decision analysis and promote sustainable competitive advantages of the company.

論文審定書 i
誌謝 ii
摘要 iii
Abstract v
目錄 vii
圖次 viii
表次 ix
第一章 緒論 1
第一節　研究背景與動機 1
第二節　研究目的 2
第三節　研究流程 3
第四節　研究範圍與限制 4
第二章　文獻探討 5
第一節　資訊業務量及電腦系統資源使用成長預測名詞定義 5
第二節　資料探勘定義及功能 7
第三節　迴歸分析(Regression Analysis) 11
第四節　成長預測方法 12
第五節　電腦系統資源使用管理 15
第三章 研究設計 18
第一節　研究架構 18
第二節　研究模式 19
第三節　研究方法 20
第四章 實證分析與結果 41
第一節 資料蒐集及萃取的結果 41
第二節　資料分析及預測模型的建構 44
第三節 成長預測模型驗證 65
第五章　結論與建議 69
第一節　結論 69
第二節　建議 72
第三節　管理意涵 74
參考文獻 75

一、中文
1. 何玉潔、張俊超，2008年，數據倉儲與OLAP實踐教程，清華大學出版社，北京市。
2. 曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶曉，2005年，資料探勘Data Mining，旗標出版，台北市。
3. 莊澤生，2012年，利用資料探勘技術發掘議題網絡，國立中山大學資訊管理學系碩士論文。
4. 林佩安，2014年，電子業銷售預測之定量研究-以軟性銅箔基板銷售預測為例，國立中山大學資訊管理學系碩士論文。
5. 王茁，2005年，商業智慧，碩博文化股份有限公司，台北市。
6. 葉宏謨，2009年，企業資源規劃-製造業管理篇，第二版，松崗電腦出版，台北市。
7. 梁定澎，2006 年，「決策資源系統與企業智慧」，初版，智勝文化事業有限公司，台北市。
8. 宋吉永，2013 年，BIG DATA：讓你看見真實欲望，初版，精誠資訊 悅知文化，台北市。
9. 王紹蓉 等，2014 年，電子商務：數位時代商機，初版，前程文化，台北市。
10. 林茂文，1992年，時間數列分析與預測，華泰書局，台北市。
11. 吳宗正，1995年，迴歸分析-理論與應用，復文書局，台北市。
12. 陳至安、簡郁紘與李振宇譯，2005年，應用線性迴歸模型，麥格羅希爾，台北市。
13. 林惠玲、陳正倉，2009年，統計學－方法與應用(上)(下)，雙葉，台北市。
14. 邱皓政，2004年，量化研究與統計分析: SPSS中文視窗版資料分析範例解析，五南，台北市。
15. 張紹勳、張紹評、林秀娟，2000年，SPSS for Windows 統計分析-初等統計與高等統計(上)，松崗，台北市。

二、英文
1. Power, D.J. A Brief History of Decision Support Systems. DSSResources.COM, World Wide Web, http://DSSResources.COM/history/dsshistory.html, version 4.0, March 10, 2007.
2. Frawley, W.,Piateski,G.,Knowledge Discovery in Databases,1991.
3. Hastie,T., Tibshirani,R.&Friedman,j.,The Elements of Statistical Learning: Data Mining,Inference, and Prediction,2001.
4. Rud, O. (2009). Business Intelligence Success Factors: Tools for Aligning Your Business in the Global Economy. Hoboken, N.J: Wiley & Sons. ISBN 978-0470392409.
5. Geiger, J.G., Mar. 2002, How data warehousing supports BI, Business Finance, Vol.8, USA.
6. Chen, M.S., Han, J. & Yu, P.S., 1996, “Data Mining: An Overview from a DatabasePerspective,” IEEE Transactions on Knowledge and Data Engineering, Vol.8, pp.866-883.
7. Kutner, M.,Neter,J.,Nachtsheim,C.,Li,W.,2005,Applied Linear Statistical Models, 5th ed., N.Y.: McGraw-Hill, Inc..
8. Gordon, R.,2010,Regression analysis for the social sciences, 5th ed., N.Y.: Routledge.
9. Fox, J., Weisberg,S.,2011,An R companion to applied regression, 2nd ed., CA.: Sage Publications.
10. Panik, M.,2009,Regression modeling：methods, theory, and computation with SAS., Boca Raton : CRC Press.
11. Box, G., Gwilym M. Jenkins, and Gregory Reinsel (1976), “Time series analysis: Forecasting and control”, San Francisco: Holden-Day, 2nd ed.
12. Berry, M. J.A., and Linoff, G. S. ,2004, Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Wiley Publishing, Inc., Indianapolis, Indiana.