專門研究與推動大資料技術的工研院巨量資訊科技中心，已經成立兩年多，今日（11/26）對外發表了4項國內大資料技術應用，分為智慧推薦及智慧預測兩大應用類別，在智慧推薦技術應用上，包括可應用於電子商城的混合式商品推薦，以及行動音樂平臺的混合式個人化歌曲推薦，兩項技術應用分別有momo購物網、台哥大my Music率先導入。另外在智慧預測應用，則發表了大宗商品動態價格預測技術，以及粉絲頁案讚數預測。
國內的電子商城momo購物網在去年導入工研院所發表的混合式商品推薦技術，運用大資料分析技術及多項演算法，momo購物網可以在2秒內，從上百萬件商品中，找出會員最需要的商品，並提供精準的商品推薦訊息。工研院偵測線上、現下的顧客使用情境，依據使用者的瀏覽習慣、消費行為與偏好，設定個人化的購物首頁、商品頁、EDM等，經由線下資料的批次分析，再進行線上模組化，做動態的資料分析，進而提供商品推薦，momo購物網表示，採用這項大資料技術應用後，購物網的商品點擊率提升1倍，營收更增加了1成左右。
而在數位媒體領域，工研院發表混合式個人化歌曲推薦，並以台灣大哥大的myMusic行動音樂平臺作為第一個導入案例，不只是根據使用者的個人資訊、聽歌習慣與偏好，比對歌手資訊、歌曲的類型和曲風，也能針對使用者所在環境，依據不同時間、地點、及活動類型，來推薦歌曲，更貼近使用者的生活情境。
巨量資訊科技中心副主任鄭仁傑表示，台灣大哥大採用的歌曲推薦技術應用，與知名的Spotify音樂平臺提供的歌曲推薦功能看起來類似，技術上可能差不多，但實際上，由於台灣大哥大本身也是行動裝置業者，因此除了App本身所能蒐集到的資訊外，他們還可以藉由裝置本身，來蒐集並結合更多的外部資料，做兩層的加值。鄭仁傑也表示，這些技術應用之後會越做越細緻，也能整合物聯網穿戴裝置，來蒐集更多的資訊，做出更適當的歌曲推薦。
另外在智慧預測應用方面，工研院發表結合外部因子的動態價格預測分析，應用自然語言處理及類神經網路，結合時間序列演算法，進行動態的價格預測，工研院表示，以石化原料為例，運用近三年內的的外部事件與價格資料建立出來的預測模型，其精準度達93％，除了大宗商品如石化原料的價格預測之外，這些技術也可用於主題樂園的來客數預測。另一項用於社群領域的按讚數預測，可以分析臉書用戶的個人資料、關注話題與偏好等資訊，結合過去瀏覽或搜尋過的文章，進行交叉分析，預測出新PO文的按讚數量。
經濟部今年開始與國內多家業者、資訊服務業者合作，計畫先鎖定零售與製造兩大產業，協助至少7家零售業者，扶植半導體系統整合廠商，導入大資料技術應用，並協助國內IT業者加值開發大資料運算、儲存系統以及一體機。經濟部在推動大資料技術應用上有兩大策略，包括要以大資料技術協助產業應用智慧化，並打造大資料產業鏈。而工研院與資策會都是其中主要負責研究與推動的單位。
工研院在兩年半前成立巨量資訊科技中心，是國內第一個以資料分析、大資料應用為主要研究方向的國家級研究單位，主要目的是要推動國內產業的大資料應用，並提供解決方案與技術資源。
鄭仁傑表示，巨量資訊科技中心的資料運算與分析平臺分兩階段打造，第一階段採用叢集運算平臺來做資料分析，第二階段導入Hadoop大資料運算平臺，目前他們的團隊約有將近200人，並從虛擬情境的大資料應用出發，與資策會在同一個計畫架構之下，分別針對不同領域進行大資料技術研究，他也說，工研院目前鎖定製造及零售兩大產業，將從兩方向來進行大資料技術應用的推動，一方面是直接與業界大廠合作，打造應用案例，另一方面，則會和資訊軟體服務供應商合作，由他們將技術更進一步推動到產業之中。
大資料應用1：電子商城的混合式商品推薦
運用大資料分析技術及多項演算法，momo購物網可以在2秒內，從上百萬件商品中，找出會員最需要的商品，並提供精準的商品推薦訊息。工研偵測線上、現下的顧客使用情境，依據使用者的瀏覽習慣、消費行為與偏好，設定個人化的購物首頁、商品頁、EDM等，經由線下資料的批次分析，再進行線上模組化，做動態的資料分析，進而提供商品推薦。
大資料應用2：行動音樂平臺的混合式個人化歌曲推薦
工研院發表混合式個人化歌曲推薦，並以台灣大哥大的myMusic行動音樂平臺作為第一個導入案例，不只是根據使用者的個人資訊、聽歌習慣與偏好，比對歌手資訊、歌曲的類型和曲風，也能針對使用者所在環境，依據不同時間、地點、及活動類型，來推薦歌曲，更貼近使用者的生活情境。
大資料應用3：大宗商品動態價格預測
工研院發表結合外部因子的動態價格預測分析，應用自然語言處理及類神經網路，結合時間序列演算法，進行動態的價格預測，工研院表示，以石化原料為例，運用近三年內的的外部事件與價格資料建立出來的預測模型，其精準度達93％，除了大宗商品如石化原料的價格預測之外，這些技術也可用於主題樂園的來客數預測。
大資料應用4：臉書粉絲頁案的按讚數預測
工研院發表可應用於社群領域的按讚數預測，藉由分析臉書用戶的個人資料、關注話題與偏好等資訊，結合過去瀏覽或搜尋過的文章，進行交叉分析，預測出新PO文的按讚數量。