企業導入 AI 前需要的，不是把所有資料一次搬到同一處，而是讓必要資料能被辨識、連接、授權、解釋與追溯。沒有這些基礎，模型再強也只能在碎片與矛盾上產生流暢答案。
CRM 說的是會員、ERP 說的是客戶、POS 記的是交易，網站又以 Cookie 和事件辨識訪客。資料整合的核心不是「集中」，而是建立這些物件之間可管理的關係。
AI 會放大既有資料問題
- 重複身份讓會員數與價值被高估。
- 欄位名稱相同，商業定義卻不同。
- 訂單取消、退款與履約狀態沒有一致處理。
- 時區、更新頻率與歷史回補造成比較偏差。
- 缺少權限標記，使模型讀到不該使用的資料。
資料整合不等於蓋一座更大的倉庫
Data Warehouse 能集中資料，但 AI 還需要語意、身份、權限與工具層。若資料進倉後仍沒有「有效會員」「淨營收」「首購」的共同定義，模型只會更快地使用錯誤口徑。
實務經驗框：同一位顧客可能以網站 Email、門市電話與 App 社群帳號存在三套系統。若未建立身份關係，AI 可能把忠誠會員拆成三個低價值客戶；若過度合併，又可能把家人共用電話誤判為同一人。整合規則必須保留來源與信心，而非只留下單一答案。
企業 AI 所需的五層資料基礎
- 連接：以 API、Webhook、批次或資料庫方式取得必要資料。
- 品質：處理格式、重複、缺值、時區、延遲與異常。
- 身份與主資料：統一會員、商品、門市、組織等核心物件。
- 語意：固定指標、關係、計算規則與有效期間。
- 治理：定義用途、權限、遮罩、保存與稽核。
資料如何進入 AI 使用流程？
來源系統先進入整合與品質層，再依商業物件建立關係；AI Agent 不宜直接漫遊所有表格，而應透過受控 Tool 查詢必要資料。Tool 回傳來源、時間與限制，推理層才能產生可驗證答案。
要整合到什麼程度才可以開始？
不必等待「全公司資料都完美」。應依首個 Use Case 定義最小資料範圍。例如分析回購下降，可能只需會員、有效訂單、商品與活動資料；人資、供應鏈等資料可以暫不納入。重點是這一小段資料鏈必須可靠。
LINKY CONNECT 可依企業既有架構處理資料接入與 Mapping；LINKY360 可承接會員身份與 Journey；LINKY REASON 可讓 Agent 以受控 Tool 使用資料。實際做法仍受來源 API、資料品質與合規要求限制。
整合成效如何驗證？
- 來源筆數、金額與關鍵狀態是否能對帳？
- 同一指標在不同入口是否得到一致結果？
- 身份合併是否有誤併、漏併與信心標記？
- 資料延遲或失敗是否會被監控與揭露？
- 權限是否能限制到品牌、區域與資料粒度？
- AI 回答能否追溯到資料與規則版本？
結論：先建立可用的資料鏈，不是追求完美資料
企業導入 AI 前的資料整合，是讓模型有可靠的事實、共同語言與合法邊界。從一個決策問題所需的最小資料鏈開始，驗證後再擴張，比先做多年期全域整合更容易產生價值。
常見問題 FAQ
一定要先建 Data Warehouse 嗎？
不一定，取決於資料量、頻率與治理需求；但來源、語意與權限仍需被管理。
資料品質不好就不能做 AI 嗎？
仍可從範圍小、規則清楚的問題開始，同時把品質缺口納入 POC 驗證。
RAG 可以取代資料整合嗎？
不能。RAG 適合文件檢索，無法自動解決交易口徑、身份與跨系統一致性。