Naveen Gudigantala,Sreedhar Madhavaram,佩林-比肯；2023年2月16日

摘要

本文討論了一個關(guān)鍵問題，即為什么企業(yè)未能從其人工智能（AI）投資中獲得最大的商業(yè)價值，并提出了一個AI決策的戰(zhàn)略決策框架來解決這個問題。我們建議，企業(yè)的業(yè)務(wù)戰(zhàn)略必須推動人工智能驅(qū)動的業(yè)務(wù)成果和測量，而這些成果和測量又應(yīng)該推動人工智能的實施決策。很多時候，我們發(fā)現(xiàn)企業(yè)未能成功地將業(yè)務(wù)問題投向人工智能問題。為了彌合這一差距，我們建議企業(yè)使用績效管理系統(tǒng)，如目標(biāo)和關(guān)鍵結(jié)果（OKRs），以確保業(yè)務(wù)和人工智能的目標(biāo)和目的得到很好的定義，緊密結(jié)合，并在整個公司內(nèi)透明化，而且公司的不同部門以綜合方式處理人工智能工作。我們將麥當(dāng)勞對人工智能的使用作為一個商業(yè)案例，以證明對我們的人工智能決策框架的支持。我們認(rèn)為，將商業(yè)戰(zhàn)略作為主要驅(qū)動力將使企業(yè)能夠利用人工智能解決正確的問題，使其成為技術(shù)創(chuàng)新和競爭優(yōu)勢的來源。

簡介

人工智能（AI）正在開始改變許多行業(yè)，預(yù)計到2030年將為全球經(jīng)濟貢獻15.7萬億美元（Pumplun, Tauchert, and Heidt2019; PWC,2019）。這將促進大規(guī)模和非結(jié)構(gòu)化數(shù)據(jù)的實時處理，并通過產(chǎn)生預(yù)測性的見解，加強商業(yè)決策（Albrecht, Rausch, and Derra2021）。雖然在2018年接受調(diào)查的583,000家美國企業(yè)中，人工智能相關(guān)技術(shù)的使用率不到5%，但在領(lǐng)先的財富1000強企業(yè)中，人工智能相關(guān)投資的步伐正在加快，92%的受訪樣本報告了對數(shù)據(jù)和人工智能的加速投資（Bean2021; Zolas et al.2021）。然而，同一樣本中超過90%的人報告說，他們正在努力從他們的人工智能投資中獲得價值（Bean2021）。事實上，大多數(shù)非技術(shù)財富500強公司在談到人工智能時，都陷入了試點煉獄（Aaser, Woetzel, and Russell2021）。討論人工智能對公司價值的影響的研究很少，而且發(fā)現(xiàn)的結(jié)果不一。Lui, Lee和Ngai（2022）通過研究62家公司的人工智能投資的公開上市，研究了人工智能對公司價值的影響。他們發(fā)現(xiàn)，公司的股票價格在公告當(dāng)天平均下降了1.77%。這一發(fā)現(xiàn)表明，投資者對企業(yè)成功實施人工智能的能力信心不足。此外，Mishra、Ewing和Cooper（2022）用他們的發(fā)現(xiàn)證實了美國上市的公司在人工智能方面處于即將轉(zhuǎn)型的狀態(tài)。盡管人們對人工智能的潛力抱有越來越大的熱情，但各行各業(yè)的高管都表示，這項技術(shù)的部署很棘手，最初的回報也不明確（Bergstein2019；Haenlein and Kaplan2021；Lui, Lee, and Ngai2022）。即使在人工智能有望產(chǎn)生巨大影響的業(yè)務(wù)職能領(lǐng)域，大多數(shù)公司尚未超越人工智能評估階段，只有不到五分之一的公司在任何特定的核心流程中實施人工智能（IBM2021）。

之前的研究推測了許多人工智能投資沒有產(chǎn)生價值的原因，部分原因是缺乏專業(yè)知識、技術(shù)基礎(chǔ)設(shè)施不足、認(rèn)知的復(fù)雜程度高以及結(jié)果可疑（Bean2021；Bergstein2019；Meakin等人2021）。事實上，這些因素可能會導(dǎo)致滿足--次優(yōu)決策--這可能會阻礙人工智能支持的戰(zhàn)略認(rèn)知和組織的能力學(xué)習(xí)（Simon1957; Winter2000）。盡管人工智能實施成功的速度很慢，但許多組織仍然看到了人工智能的巨大前景。大數(shù)據(jù)的可用性，加上計算機處理和人工智能研究的進步，為組織提供了一個獨特的機會，使用人工智能來注入他們的產(chǎn)品，降低產(chǎn)品和服務(wù)成本，優(yōu)化他們的業(yè)務(wù)流程，并更好地服務(wù)他們的客戶（Lee和Shin2020）。發(fā)展專業(yè)人工智能能力的公司開始看到積極的財務(wù)表現(xiàn)（Mikalef, Fj?rtoft, and Torvatn2019）。Mikalef和Gupta（2021）調(diào)查了143家公司，發(fā)現(xiàn)人工智能能力與組織創(chuàng)造力和財務(wù)業(yè)績都有正相關(guān)。在這個人工智能的承諾和當(dāng)前趨勢顯示實現(xiàn)人工智能投資所涉及的挑戰(zhàn)的交匯點上，有一個對組織來說很重要的問題：如何有效和優(yōu)化地使用人工智能來改善業(yè)務(wù)成果？

本文討論的問題是，為什么企業(yè)未能從其人工智能投資中獲得全部價值？在這篇文章中，我們認(rèn)為，要從人工智能技術(shù)中獲得價值，企業(yè)必須在人工智能的決策上做到有效和優(yōu)化。這只有通過對人工智能技術(shù)的良好理解和對人工智能如何解決商業(yè)問題的明確認(rèn)識才能實現(xiàn)。本文的目標(biāo)是為人工智能投資和計劃的價值最大化提供一個規(guī)范性的決策框架。我們的框架提供了一個有用的路線圖，使人工智能技術(shù)在支持組織目標(biāo)方面的作用概念化。我們的框架表明，公司的業(yè)務(wù)戰(zhàn)略必須推動人工智能驅(qū)動的業(yè)務(wù)成果和測量，這反過來又應(yīng)該推動實施決策。我們還建議使用績效管理系統(tǒng)，如目標(biāo)和關(guān)鍵結(jié)果（OKRs），以確保業(yè)務(wù)和人工智能的目標(biāo)和目的在整個公司內(nèi)緊密結(jié)合和透明，并且公司的不同部門以綜合方式處理人工智能工作。企業(yè)可以利用我們的框架，就識別和選擇相關(guān)的人工智能項目做出決策，實施這些項目，并不斷衡量它們所創(chuàng)造的價值，以微調(diào)這些努力。

行政部門決策框架的基本原理

企業(yè)界普遍認(rèn)為，在未來三年內(nèi)，人工智能將被整合到大多數(shù)企業(yè)應(yīng)用中，但人工智能帶來的競爭優(yōu)勢可能只取決于組織如何創(chuàng)造性和負(fù)責(zé)任地使用人工智能（Hupfer2020; Lui, Lee, and Ngai2022）。鑒于這種情況，一個有效和最佳的人工智能的戰(zhàn)略決策框架是很重要的，原因有很多。首先，對價值創(chuàng)造產(chǎn)生影響的不是人工智能技術(shù)本身，而是如何應(yīng)用它們來解決組織的業(yè)務(wù)問題。人工智能投資和倡議的戰(zhàn)略決策框架提供了關(guān)于如何使用人工智能來最大化價值的明確目的。第二，一個組織解決什么問題主要由其業(yè)務(wù)戰(zhàn)略和預(yù)期的業(yè)務(wù)成果決定。因此，在實現(xiàn)業(yè)務(wù)目標(biāo)方面，業(yè)務(wù)戰(zhàn)略和人工智能舉措之間必須緊密結(jié)合。最后，不是每個公司的能力都是一樣的。因此，如果一個公司的戰(zhàn)略反映的愿景/目標(biāo)超出了他們目前實施必要的人工智能技術(shù)的能力范圍，那么該公司必須考慮獲得或建立這些能力以達到其業(yè)務(wù)成果的幾個替代方案。因此，人工智能投資和倡議的戰(zhàn)略決策框架--除了為識別、實施和評估與商業(yè)戰(zhàn)略緊密相連的人工智能項目提供路線圖--還為獲取/建立人工智能相關(guān)能力的必要權(quán)衡提供線索。

我們對之前關(guān)于人工智能框架的研究的回顧表明，到目前為止，研究僅限于組織決策結(jié)構(gòu)、倫理框架、社會的人工智能原則和問責(zé)制的人工智能框架。Shrestha、Ben-Menahem和Von Krogh（2019）構(gòu)思了一個框架，該框架提供了關(guān)于如何將人類決策與人工智能決策最佳結(jié)合以提高組織決策質(zhì)量的見解。他們提出的三種結(jié)構(gòu)是：人類對人工智能的完全授權(quán)，人類和人工智能的混合，以及人類和人工智能的聚合決策。Lysaght et al.(2019)提出了一個醫(yī)療大數(shù)據(jù)的倫理框架，其中他們確定了臨床決策者要使用的相關(guān)價值，以平衡算法偏見造成的潛在危害和使用人工智能產(chǎn)生的公共健康效益。Floridi和Cowls（2019年）構(gòu)思了一個統(tǒng)一的人工智能框架，包括社會中人工智能的五個原則。他們的框架旨在建立采用人工智能造福社會的倫理原則。他們提出的五項原則是有益、無害、自主、公正和可解釋。Berscheid和Roewer-Despres（2019）提出了一個基于人工智能的決策系統(tǒng)的問責(zé)框架。他們的框架旨在讓人工智能系統(tǒng)的開發(fā)者和客戶共同對人工智能系統(tǒng)的創(chuàng)建和使用負(fù)責(zé)。他們建議由開發(fā)者創(chuàng)建人工智能驗證文件，由客戶創(chuàng)建部署披露文件（DDD）。他們的理由是，這些文件的創(chuàng)建代表了人工智能系統(tǒng)的開發(fā)和使用的正式監(jiān)管體系。然而，這些框架都沒有關(guān)注如何做出決策，以使人工智能的投資最大化，我們的論文在這方面做出了貢獻。

AI的戰(zhàn)略決策框架

在本文中，我們將人工智能定義為 "一個系統(tǒng)正確解釋外部數(shù)據(jù)的能力，從這些數(shù)據(jù)中學(xué)習(xí)，并利用這些學(xué)習(xí)成果通過靈活的適應(yīng)來實現(xiàn)特定的目標(biāo)和任務(wù)"（Haenlein and Kaplan2019, p. 5）。學(xué)者們不同程度地將人工智能描述為顛覆性或革命性的，因為它具有改變社會運作方式的巨大潛力。人工智能被認(rèn)為是一項顛覆性技術(shù)，因為它"......有可能對我們的行為方式和日?；顒赢a(chǎn)生巨大的變化。破壞是生活中的一個事實，每當(dāng)新的發(fā)明和工藝進入市場時，就會不斷地發(fā)生"（Girasa2020, p.4）。之前的研究人員將人工智能歸入 "革命 "類別，因為它們能夠改變一個社會的技術(shù)-經(jīng)濟范式的動態(tài)（Coccia2021）。人工智能是一個更廣泛的領(lǐng)域，包括機器學(xué)習(xí)（ML）和深度學(xué)習(xí)的一個子集，本文的范圍主要涉及實現(xiàn)這個子集的系統(tǒng)（以下稱為人工智能/ML技術(shù)）（Lee and Shin2020）。我們在圖1中展示了我們的人工智能投資和倡議的戰(zhàn)略決策框架。 我們框架的目標(biāo)是幫助組織從他們的人工智能中獲得最大價值。為了實現(xiàn)這一目標(biāo)，我們的框架表明，組織必須明確其業(yè)務(wù)戰(zhàn)略。一旦明確，業(yè)務(wù)戰(zhàn)略就會推動人工智能驅(qū)動的業(yè)務(wù)成果和測量的發(fā)展，這反過來又會指導(dǎo)人工智能模型的實施決策。最后，嚴(yán)格專注于衡量人工智能舉措的價值，將有助于組織評估人工智能部署的有效性，并提供所需的改進反饋。在這個框架中，企業(yè)必須采取的決定是自上而下的線性流動，并且是跨越邊界和相互依賴的。我們在下文中更詳細地描述了我們的人工智能框架的要素。

商業(yè)戰(zhàn)略

在這個框架內(nèi)，一個公司的第一個決定是明確他們的商業(yè)戰(zhàn)略。競爭性的商業(yè)戰(zhàn)略就是要與眾不同，這意味著有意選擇一套不同的活動來提供獨特的價值組合（波特，1996）。一個有效的商業(yè)戰(zhàn)略旨在將一個公司從目前的位置帶到他們打算在某個時間框架內(nèi)去的地方。

一個明確的戰(zhàn)略有三個組成部分--目標(biāo)、范圍和公司的競爭優(yōu)勢。例如，位于圣路易斯的經(jīng)紀(jì)公司愛德華-瓊斯（Edward Jones）有一個簡潔的戰(zhàn)略聲明：瓊斯的目標(biāo)是 "到2012年將財務(wù)顧問人數(shù)增加到17,000人[從現(xiàn)在的10,000人]，通過一個由一個財務(wù)顧問辦公室組成的全國性網(wǎng)絡(luò)，向委托他們做財務(wù)決定的保守的個人投資者提供可靠和方便的面對面的財務(wù)咨詢"（Collins和Rukstad2008）。相比之下，谷歌似乎改變了他們的戰(zhàn)略，從世界的信息組織者變成了幫助個人增加知識、健康、幸福和成功的工具提供者（Rosoff2019）。可能有些企業(yè)有明確的戰(zhàn)略，有些則沒有，但總的來說，高管們正在推動他們公司的努力朝著某個方向發(fā)展。這些更大的目標(biāo)構(gòu)成了人工智能相關(guān)決策的定位（Collins and Rukstad2008）。

為什么精心設(shè)計的商業(yè)戰(zhàn)略對人工智能計劃很重要？戰(zhàn)略使公司能夠確定其路徑，明確其差異化的競爭定位，進行權(quán)衡，并在各項活動之間建立契合點（波特1996）。例如，如果一家公司選擇追求增長，盈利能力的優(yōu)先級就會降低。同樣，如果一個公司決定專注于機構(gòu)客戶，他們可能會忽略零售客戶（Collins和Rukstad2008）。此外，一個公司可以識別和建立必要的資源來發(fā)展競爭優(yōu)勢（Barney1991）。

了解戰(zhàn)略和理解權(quán)衡對于一個組織確定和實施重點突出的人工智能舉措清單是非常重要的，這些舉措對實現(xiàn)業(yè)務(wù)戰(zhàn)略是非常一致的。之前的研究將人工智能系統(tǒng)分為七種類型（Martínez-Plumed, Gómez, and Hernández-Orallo2021）。第一種人工智能類型是基于知識表示和推理的。也被稱為基于規(guī)則的人工智能，這些系統(tǒng)將人類的專業(yè)知識與知識數(shù)據(jù)庫嵌入，使決策過程自動化。這種人工智能的一個例子是IBM Watson Health。第二類人工智能是基于學(xué)習(xí)的，計算機以統(tǒng)計或數(shù)字的方式學(xué)習(xí)。使用ML的預(yù)測模型來理解人類行為（如欺詐、貸款風(fēng)險等）代表了基于學(xué)習(xí)的AI的一個例子。第三種類型的人工智能專注于人類和機器之間通過自然語言的交流。這種人工智能類型的一個例子是基于自然語言的系統(tǒng)（自然語言處理[NLP]），監(jiān)測社交媒體以分析客戶評論。第四種類型的人工智能與感知有關(guān)，其中計算機系統(tǒng)解釋來自傳感器的數(shù)據(jù)以感知周圍的環(huán)境。這種類型的人工智能的一個例子是面部識別系統(tǒng)。第五種類型的人工智能專門用于規(guī)劃，其中系統(tǒng)關(guān)注的是實現(xiàn)戰(zhàn)略或優(yōu)化解決方案，由代理人執(zhí)行。物流方面的規(guī)劃算法已經(jīng)存在了一段時間，而類似的算法在國際象棋、圍棋和撲克中也取得了很大的成功。第六種類型的人工智能專業(yè)是在物理交互或機器人方面。無人駕駛汽車和機器人吸塵器就屬于這個領(lǐng)域。第七種類型的人工智能專注于社會能力，其中集體智能從分散但自我組織的代理群體的合作中產(chǎn)生。這種人工智能的一個例子是一個推薦系統(tǒng)，其中群體智能從合作中產(chǎn)生。

一個明確的商業(yè)戰(zhàn)略可以幫助一個公司就投資哪種類型的人工智能系統(tǒng)做出適當(dāng)?shù)臎Q定。當(dāng)Lundstams，一家位于瑞典的廢物管理公司闡明其專注于可持續(xù)發(fā)展的戰(zhàn)略時，它選擇使用基于機器人的人工智能系統(tǒng)來自動化和推進其廢物分類操作。與人工處理相比，人工智能系統(tǒng)的使用使Lundstams公司的效率提高了20倍，并在回收效率方面每月節(jié)省了約20,000歐元（Zenrobotics2022）。

AI驅(qū)動的業(yè)務(wù)成果和測量

我們框架中的下一步是關(guān)于人工智能驅(qū)動的商業(yè)成果和測量。在這一步，重要的是企業(yè)要問：什么商業(yè)成果是重要的？我們?nèi)绾卧谌斯ぶ悄苡媱澋谋尘跋潞饬克鼈儯繕I(yè)務(wù)成果來自于業(yè)務(wù)戰(zhàn)略。一個定義明確的商業(yè)戰(zhàn)略通常有明確的目標(biāo)。輔助目標(biāo)來自主要目標(biāo)。實現(xiàn)商業(yè)價值意味著實現(xiàn)這些商業(yè)成果（Fountaine, McCarthy, and Saleh2019; Hunter and Westerman2009）。對商業(yè)成果有一個清晰的概念是至關(guān)重要的，原因有三。首先，了解商業(yè)成果讓利益相關(guān)者知道成功在商業(yè)上是什么樣子。第二，它有助于確定適當(dāng)?shù)娜斯ぶ悄茼椖縼韺崿F(xiàn)這些成果。第三，在人工智能項目實施后，公司可以衡量和評估是否達到了預(yù)期的效益。

各個組織已經(jīng)嘗試了許多目標(biāo)設(shè)定框架，通過在公司各個層面保持對目標(biāo)的關(guān)注，來促進商業(yè)戰(zhàn)略的執(zhí)行和落實。目標(biāo)管理（MBO）和OKRs是組織在這方面使用的幾個框架的例子（Greenwood1981；Doerr2018）。討論這些框架的優(yōu)點和缺點超出了本文的范圍，但為了說明問題，我們使用OKR框架。這個框架被許多公司使用，如谷歌、Spotify、沃爾瑪、《衛(wèi)報》等（Castro2018）。OKR是目標(biāo)和關(guān)鍵結(jié)果的縮寫。目標(biāo)描述了要實現(xiàn)的東西。它們打算是重要的、具體的和面向行動的，但不一定是可衡量的。關(guān)鍵結(jié)果說明如何實現(xiàn)目標(biāo)。它們應(yīng)該被設(shè)計成可量化的、可核實的、有時限的和現(xiàn)實的（Doerr2018）。例如，考慮一個虛構(gòu)的公司，其商業(yè)戰(zhàn)略的目標(biāo)是在一個地區(qū)獲得最大的市場份額。為了衡量這個目標(biāo)，該公司可以定義一些關(guān)鍵結(jié)果為：(1）推出一個新產(chǎn)品，和（2）為產(chǎn)品X獲得100,000個新客戶（Castro2018）。這個公司層面的OKR接下來可以級聯(lián)到職能層面的OKR。例如，銷售和客戶服務(wù)職能部門可以將關(guān)鍵結(jié)果2（與獲取新客戶有關(guān)）作為他們的目標(biāo)，并在該目標(biāo)下定義多個關(guān)鍵結(jié)果，如下所示：

關(guān)鍵結(jié)果1：將凈促銷員得分（NPS）從8分提高到9分。

關(guān)鍵成果2：將電子商務(wù)轉(zhuǎn)換率從4%提高到5%。

關(guān)鍵成果3：將客戶獲取成本保持在20美元以下。

同樣，其他職能領(lǐng)域，如營銷、人力資源、運營、數(shù)據(jù)科學(xué)和IT，也同樣可以根據(jù)公司的OKR來定義他們的OKR。雖然建立OKR的過程是細微的，但這里的想法是建立一個目標(biāo)和措施的系統(tǒng)（也稱為績效管理系統(tǒng)），使公司內(nèi)的所有人工智能活動與他們的業(yè)務(wù)戰(zhàn)略相一致。這樣一個系統(tǒng)為實施我們的人工智能決策框架創(chuàng)造了一個理想的支持，以便從人工智能舉措中提取價值。請看圖2，它可以作為OKRs作為AI計劃的績效管理系統(tǒng)的典范。

• 人工智能問題

鑒于公司打算實現(xiàn)的OKRs，人工智能的舉措應(yīng)該集中在如何最好地幫助公司實現(xiàn)其目標(biāo)。當(dāng)一個公司開始致力于實現(xiàn)關(guān)鍵結(jié)果時，許多業(yè)務(wù)問題就會展開。其中一些問題可能最好由人工智能/ML模型來解決。然而，這些業(yè)務(wù)問題必須首先被轉(zhuǎn)化為人工智能問題。這很重要，因為不是每一個業(yè)務(wù)問題都可以通過人工智能來解決。同樣重要的是，要了解哪些問題人工智能可以處理，哪些不能處理（Ng2018）。其次，有了明確的人工智能問題，就可以確定適當(dāng)?shù)娜斯ぶ悄芩惴ê图夹g(shù)來實施。繼續(xù)我們前面的例子，對于 "將凈促銷員得分從8提高到9 "的目標(biāo)，一些有用的人工智能問題包括："如何預(yù)測凈促銷員得分？"和 "哪些因素最能預(yù)測凈促銷員得分？"一些業(yè)務(wù)問題比其他問題更容易轉(zhuǎn)化為人工智能問題。在這種情況下，銷售和營銷領(lǐng)域的專家與人工智能/ML工程師之間的緊密合作變得至關(guān)重要。這方面的關(guān)鍵決定是：什么業(yè)務(wù)問題可以通過人工智能解決？如何將業(yè)務(wù)問題轉(zhuǎn)化為人工智能問題？

• 關(guān)鍵績效指標(biāo)(KPI)

KPI是 "對系統(tǒng)輸出、流量或其他使用情況的高層次衡量，簡化為每周、每月或每季度的收集和審查"（Gartner2021）。KPI之所以重要，有幾個原因。首先，KPI允許公司跟蹤OKRs等框架所設(shè)定的目標(biāo)的進展（Kohavi, Tang, and Xu2020）。事實上，之前的研究表明，利用KPI的公司獲得了2.95%的資產(chǎn)回報率和5.14%的股權(quán)回報率，但只有不到25%的公司有這樣的流程（Proctor和Smith。2017）。第二，KPIs本身有時可以作為變量在AI/ML模型中進行優(yōu)化。有興趣的讀者可以參考Gartner的商業(yè)價值模型，它定義了企業(yè)使用的數(shù)百個關(guān)鍵指標(biāo)（Kandaswamy和Furlonger2021）。

從我們前面的例子來看，如果一家公司的目標(biāo)是將NPS從8提高到9，自然公司就必須對這個指標(biāo)進行跟蹤。同時，為了創(chuàng)建一個人工智能/ML模型，NPS變量可以作為一個響應(yīng)變量（或者傳統(tǒng)上在回歸模型中被稱為因變量）。同時，NPS可以潛在地用于其他相關(guān)的人工智能背景下的建模，如客戶保留率、銷售機會指數(shù)、客戶互動指數(shù)等（Proctor and Smith2017）。此外，經(jīng)過充分訓(xùn)練的高級AI/ML模型可能會發(fā)現(xiàn)新的KPI，這些KPI可能是AI團隊自己無法發(fā)現(xiàn)的（Kiron和Schrage2019）。

此外，還可以用人工智能指標(biāo)來評估業(yè)務(wù)成果。例如，當(dāng)建立一個預(yù)測NPS的模型時，除了簡單地預(yù)測一個NPS數(shù)字外，我們可以衡量NPS的不同預(yù)測因素的相對重要性，這些預(yù)測因素可以在回歸模型中被估計為它們的回歸系數(shù)。使用變量選擇方法，我們也可以確定每個預(yù)測因素對響應(yīng)變量的相對影響，從而將企業(yè)可能能夠采取行動的因素數(shù)量減少到零。同樣，如果企業(yè)關(guān)注的是作為關(guān)鍵業(yè)務(wù)成果的留存率，除了使用分類模型來預(yù)測概率，我們還可以使用AUC分?jǐn)?shù)（曲線下面積）等措施來評估不同的模型，并使用提升比率來進行排名分析。這種使用人工智能指標(biāo)的分析可以深入了解各種商業(yè)因素和商業(yè)結(jié)果之間的相互作用，此外還可以幫助企業(yè)預(yù)測一個感興趣的變量，并選擇最有可能為商業(yè)結(jié)果做出貢獻的客戶子集（Shmueli, Bruce, and Patel2016）。

就我們的框架而言，企業(yè)需要做出的重要決定是：哪些關(guān)鍵績效指標(biāo)可以有助于回答人工智能問題？哪些業(yè)務(wù)和人工智能指標(biāo)可以跟蹤人工智能模型的性能？

執(zhí)行決定

實施中的關(guān)鍵決策涉及數(shù)據(jù)和治理、模型及其實施、技術(shù)工具和人員技能。我們在下文中分別討論這些問題。

• 數(shù)據(jù)和管理

AI/ML模型的實施需要數(shù)據(jù)。一旦企業(yè)決定要回答什么人工智能問題和使用什么指標(biāo)，下一組決定就涉及到：什么構(gòu)成了這個問題的相關(guān)數(shù)據(jù)？如何獲得這些數(shù)據(jù)并使之可用？公司如何確保使用的數(shù)據(jù)沒有偏見，并符合相關(guān)監(jiān)管框架規(guī)定的個人數(shù)據(jù)保護標(biāo)準(zhǔn)？

利用客戶信息進行決策并不是一個新的策略，但云計算和新技術(shù)的出現(xiàn)使公司能夠快速處理和理解大量的數(shù)據(jù)（Hagiu and Wright2020）。例如，當(dāng)Netflix進入內(nèi)容業(yè)務(wù)時，它利用了其在美國的2700萬用戶和全球3300萬用戶的數(shù)據(jù)。通過使用用戶的觀看歷史、搜索和評級，Netflix決定對英國節(jié)目《紙牌屋》進行成功的美國改編（Laney2020）。人工智能應(yīng)用可以使用大量的數(shù)據(jù)，但它們越來越能夠使用結(jié)構(gòu)化的輸入，如銷售數(shù)據(jù)、庫存數(shù)據(jù)、網(wǎng)絡(luò)瀏覽指標(biāo)等，以及非結(jié)構(gòu)化的輸入，如來自社交媒體、博客、物聯(lián)網(wǎng)設(shè)備等的音頻、視頻、圖像、文本數(shù)據(jù)（Canhoto and Clear2020; Paschen, Pitt, and Kietzmann2020）。雖然大數(shù)據(jù)和人工智能提供了一個獨特的承諾，但當(dāng)數(shù)據(jù)是有價值和專有的，創(chuàng)造獨特優(yōu)勢的可能性就會增加。例如，Mobileye公司向許多汽車制造商出售其旨在提供防撞和車道警告系統(tǒng)的高級駕駛輔助（ADAS）系統(tǒng)。因為他們的系統(tǒng)被大量的用戶使用，系統(tǒng)的準(zhǔn)確率提高到99.99%，給公司帶來了獨特的優(yōu)勢（Hagiu and Wright2020）。因此，企業(yè)必須批判性地思考在人工智能應(yīng)用中使用的數(shù)據(jù)如何能夠創(chuàng)造和最大化獨特價值。

為了做好人工智能計劃的數(shù)據(jù)部分，組織必須注意幾個重要方面。首先，AI/ML團隊所需的數(shù)據(jù)往往以多種格式存在于不同的IT系統(tǒng)中，使得AI/ML團隊難以及時獲取必要的數(shù)據(jù)（Campbell等人，2020）。其次，許多AI/ML工程師表現(xiàn)出固有的偏好，喜歡做模型工作，但不喜歡做數(shù)據(jù)工作。這可能會導(dǎo)致數(shù)據(jù)級聯(lián)--由數(shù)據(jù)問題導(dǎo)致下游人工智能系統(tǒng)的負(fù)面表現(xiàn)的復(fù)合事件（Sambasivan等人，2021）。例如，上游流程的不良數(shù)據(jù)實踐導(dǎo)致IBM的癌癥治療人工智能的數(shù)據(jù)準(zhǔn)確性降低，類似的問題導(dǎo)致谷歌流感趨勢的人工智能系統(tǒng)預(yù)測不準(zhǔn)確（Sambasivan等人，2021）。第三，消費者和監(jiān)管機構(gòu)越來越多地表現(xiàn)出對數(shù)據(jù)隱私和責(zé)任問題的關(guān)注。一般數(shù)據(jù)保護條例（GDPR）和加州消費者隱私法案（CCPA），以及一系列地方州法律，都強制要求企業(yè)在隱私方面保持高標(biāo)準(zhǔn)（Hamilton和Sodeman2020）。鑒于這些必要條件，企業(yè)必須對與數(shù)據(jù)相關(guān)的流程和治理機制做出重要決定。基于我們的人工智能決策框架，識別重要的業(yè)務(wù)問題和相關(guān)的關(guān)鍵績效指標(biāo)和人工智能指標(biāo)對于確定所需的數(shù)據(jù)至關(guān)重要。

繼續(xù)我們前面的例子，為了創(chuàng)建一個AI/ML模型來預(yù)測NPS，數(shù)據(jù)科學(xué)家首先需要確定相關(guān)數(shù)據(jù)。雖然領(lǐng)域知識和公司運營的背景很重要，但數(shù)據(jù)科學(xué)家也可以看看以前在這個領(lǐng)域做的研究，以確定相關(guān)的變量。例如，為了對移動電信行業(yè)的NPS進行建模，研究人員確定了與資費計劃、網(wǎng)絡(luò)語音數(shù)據(jù)、網(wǎng)絡(luò)計劃數(shù)據(jù)、賬單等相關(guān)的九個客戶體驗屬性（Markoulidakis等人，2020）。一旦以這種方式確定了相關(guān)數(shù)據(jù)，企業(yè)就可以把注意力轉(zhuǎn)向我們框架的下一步。

• 模型和實施

一旦企業(yè)確定了人工智能問題、關(guān)鍵績效指標(biāo)和適當(dāng)?shù)臄?shù)據(jù)，下一個決定是：需要開發(fā)什么人工智能/ML模型？人工智能問題、數(shù)據(jù)類型和數(shù)據(jù)結(jié)構(gòu)是選擇適當(dāng)?shù)娜斯ぶ悄?ML模型的關(guān)鍵輸入。Lee和Shin（2020）將機器學(xué)習(xí)算法分為有監(jiān)督的、無監(jiān)督的、半監(jiān)督的和強化學(xué)習(xí)方法。我們的討論僅限于有監(jiān)督的方法，即利用一組輸入變量（X）為輸出變量（Y）建立一個模型。一些流行的監(jiān)督方法包括線性回歸、邏輯回歸、天真貝葉斯、K-近鄰、神經(jīng)網(wǎng)絡(luò)等等（Shmueli, Bruce, and Patel2016）。

我們在圖3中提供了一個類型學(xué)，用于選擇基于數(shù)據(jù)類型和數(shù)據(jù)結(jié)構(gòu)的ML方法（Ramesh2017）。當(dāng)一個組織擁有結(jié)構(gòu)化數(shù)據(jù)且數(shù)據(jù)規(guī)模較小（例如，一百到幾千行）時，他們可以利用統(tǒng)計分析，如經(jīng)典回歸來創(chuàng)建基本預(yù)測模型。用于顯示可視化的儀表盤，不僅是用于報告目的的商業(yè)智能的重要組成部分，而且還用于顯示ML模型的結(jié)果，以達到可解釋的目的。基本文本挖掘等技術(shù)可用于數(shù)據(jù)量小的非結(jié)構(gòu)化數(shù)據(jù)。特別是，與標(biāo)記一個文件屬于一個類別有關(guān)的應(yīng)用適合這種類型的分析（Shmueli, Bruce, and Patel2016）。當(dāng)數(shù)據(jù)規(guī)模很大（例如，數(shù)百萬行或更多），并且數(shù)據(jù)是結(jié)構(gòu)化的，可以采用許多ML模型，如線性回歸、支持向量機、邏輯回歸，包括深度學(xué)習(xí)方法，如人工神經(jīng)網(wǎng)絡(luò)。最后，當(dāng)數(shù)據(jù)規(guī)模大且數(shù)據(jù)非結(jié)構(gòu)化時，可以采用與高級深度學(xué)習(xí)、NLP和自然語言理解（NLU）相關(guān)的模型（Wilson和Daugherty2020）。雖然使用儀表盤和基本的統(tǒng)計分析需要適度的專業(yè)知識，但應(yīng)用與非結(jié)構(gòu)化和/或大數(shù)據(jù)相關(guān)的AI/ML方法需要高級技能。

為了實施AI/ML模型，企業(yè)需要做出幾個關(guān)鍵的決定。首先，在考慮實施人工智能/ML模型之前，它必須有多大的準(zhǔn)確性？準(zhǔn)確性衡量AI/ML模型對輸出變量的預(yù)測程度，不同的AI背景可能需要不同的AI/ML準(zhǔn)確性指標(biāo)。消費者對癌癥檢測和自動駕駛汽車的物體檢測要求更高的預(yù)測精度，而對語音控制的虛擬助手來說，較低的預(yù)測精度可能是可以容忍的（Agarwal, Gans, and Goldfarb2018）。其次，對于企業(yè)來說，為用戶和監(jiān)管機構(gòu)解釋人工智能/ML算法的工作原理是否重要？例如，根據(jù)《平等信貸機會法》（ECOA），金融公司有責(zé)任向消費者提供拒絕信用卡申請的理由。在這種情況下使用無法解釋的AI/ML模型可能會有問題。另一方面，消費者可能并不關(guān)心聊天機器人的內(nèi)部運作，只要它能很好地滿足他們的需求（Han2021; Lee and Shin2020）。第三，如何在人工智能/ML模型的預(yù)測和決策之間實現(xiàn)閉環(huán)？例如，癌癥檢測AI/ML模型為一個腫瘤提供的診斷措施往往是概率性的，如："66%良性，30%惡性，4%無病。"在AI/ML模型產(chǎn)生其預(yù)測結(jié)果后，可能需要額外的判斷來決定是否送病人去做活檢。應(yīng)該由人工智能/ML系統(tǒng)做出這個決定，還是應(yīng)該由人類參與？(Agarwal, Gans, and Goldfarb2018）。將這些決定完全委托給AI/ML團隊，對企業(yè)來說可能不是一個好主意。

對于本文介紹的創(chuàng)建預(yù)測NPS的AI/ML模型的例子，AI/ML分析員可能不必從頭開始創(chuàng)建模型。通常情況下，相關(guān)的研究可以在已出版的刊物中找到。在某些情況下，AI/ML分析師可以重新使用這些模型，將其應(yīng)用于他們的組織環(huán)境，而不是試圖重新發(fā)明輪子。例如，Markoulidakis等人（2020）發(fā)表了一個邏輯回歸模型。(2020)發(fā)表了一個基于邏輯回歸的算法來提高NPS的預(yù)測，他們的方法比之前的方法有明顯的改善。一旦NPS模型被開發(fā)出來，下一個問題就是如何使用它。在調(diào)查中，只有大約15%-20%的客戶提供了NPS測量的數(shù)據(jù)。因此，NPS預(yù)測模型可以用來預(yù)測其余顧客的NPS分?jǐn)?shù)。該模型的結(jié)果也可以幫助識別可以利用的因素來改善客戶體驗（Parthasarathy2021）。

• 技術(shù)工具和人員技能

我們框架中的下一個實施決定涉及到人工智能部署所需的技術(shù)工具類型和所需的人員技能類型。不同類型的AI/ML模型的實施可能需要不同的技術(shù)工具和計算資源。雖然結(jié)構(gòu)化數(shù)據(jù)管理依賴于傳統(tǒng)的關(guān)系型數(shù)據(jù)庫管理系統(tǒng)和數(shù)據(jù)倉庫，但新的數(shù)字平臺正在出現(xiàn)，以支持AI/ML應(yīng)用。這些平臺的例子包括ML模型的開源框架和庫（如谷歌TensorFlow），視覺、語音、語言、搜索等服務(wù)的應(yīng)用程序接口（API）（如谷歌的云翻譯API），開發(fā)、測試和部署AI模型的拖放模型（如Azure ML Studio），以及供用戶在其環(huán)境中部署的預(yù)訓(xùn)練模型（Rai, Constantinides, and Sarker2019）。然而，調(diào)查表明，在核心數(shù)字技術(shù)（云、移動和網(wǎng)絡(luò)）和先進技術(shù)（大數(shù)據(jù)和高級分析）方面擁有強大基礎(chǔ)的公司更有可能采用和整合下一代人工智能平臺（Bughin和van Zeebroeck2018）。在Brock和von Wangenheim（2019年）的另一項調(diào)查中發(fā)現(xiàn)，與數(shù)字技能較弱的公司相比，擁有更強的數(shù)字技能的公司預(yù)計會有更高的人工智能誘發(fā)影響。此外，人工智能部署的領(lǐng)導(dǎo)者傾向于在內(nèi)部開發(fā)人工智能/ML應(yīng)用程序，而不是購買它們，他們還雇用了更多的人工智能特定人才，如數(shù)據(jù)工程師、數(shù)據(jù)架構(gòu)師和翻譯（Balakrishnan等人，2020）。例如，Capital One等公司計劃雇用大量的技術(shù)工人，其中許多人預(yù)計將專門從事人工智能。該公司最近完成了將其數(shù)據(jù)、應(yīng)用程序和IT系統(tǒng)轉(zhuǎn)移到亞馬遜網(wǎng)絡(luò)服務(wù)，并希望利用以人工智能為重點的招聘來加強其利用綜合云數(shù)據(jù)的能力（Castellanos2021）。然而，缺乏有能力的人和招聘困難一直顯示為組織在其人工智能部署工作中面臨的障礙（Wiggers2021）。因此，管理者需要注意使用新穎的招聘方法來吸引最好的人才。

繼續(xù)我們之前的例子，如果公司的AI/ML團隊決定嘗試幾個AI/ML和深度學(xué)習(xí)模型，那么就需要哪些技術(shù)工具的決策將變得很重要。關(guān)于使用哪些標(biāo)準(zhǔn)的人工智能工具框架，人工智能模型需要多長時間更新一次，如何跟蹤人工智能模型的性能，如何創(chuàng)建生產(chǎn)就緒的管道，是否需要一個高性能的計算集群來處理人工智能工作負(fù)載等方面的決定變得非常重要（Balakrishnan等人，2020）。此外，如何構(gòu)建開發(fā)模型的團隊，是否讓其他職能領(lǐng)域的成員參與進來，以及如何向內(nèi)部和外部利益相關(guān)者解釋調(diào)查結(jié)果，也變得很有意義。

• 人工智能項目評估

我們框架中的下一個決定要求組織評估人工智能項目給組織帶來的好處。準(zhǔn)確測量效益并將其傳達給贊助商和利益相關(guān)者的過程對于實現(xiàn)人工智能倡議如何促進業(yè)務(wù)績效非常重要（Hunter and Westerman2009）。在Mckinsey進行的一項調(diào)查中，22%的受訪者說他們超過5%的收入歸功于AI的使用，而48%的受訪者報告說AI帶來的收入低于5%。據(jù)報道，收入的增加比成本的減少更常見（Balakrishnan等人，2020）。

在衡量人工智能項目的效益時，組織必須對硬效益和軟效益進行重要區(qū)分。如果一個效益可以用財務(wù)術(shù)語來衡量，與損益表有關(guān)，那么它就被認(rèn)為是一個硬效益。然而，軟效益只能用操作術(shù)語來衡量，可能不會直接對損益表做出貢獻（Hunter and Westerman2009）。組織必須同時衡量硬效益和軟效益。繼續(xù)我們的例子，如何將NPS預(yù)測模型與改善客戶體驗并最終增加銷售額聯(lián)系起來成為一個重要問題。管理者們首先需要確定NPS模型所建議的關(guān)鍵變量是什么，來操作改善NPS。如果NPS模型建議將 "即時聊天支持 "作為NPS得分的關(guān)鍵決定因素之一，那么經(jīng)理們必須檢查當(dāng)前的響應(yīng)時間。例如，如果當(dāng)前即時聊天的平均響應(yīng)時間是8分鐘，那么通過數(shù)據(jù)科學(xué)A/B實驗，他們可以操縱客戶樣本的即時聊天時間，檢查其對NPS的影響。通過這種方式，經(jīng)理們可以改進某些業(yè)務(wù)流程以提高NPS。此外，使用預(yù)測模型，經(jīng)理們可以將NPS得分與銷售聯(lián)系起來。例如，該公司開發(fā)的一個回歸模型顯示，NPS增加10%與銷售額增加3%有關(guān)。利用這樣的模型預(yù)測，管理者可以將軟性效益轉(zhuǎn)化為財務(wù)狀況（Hunter and Westerman2009）。另外，將人工智能效益的測量與 "人工智能驅(qū)動的商業(yè)成果和測量 "一節(jié)中確定的關(guān)鍵結(jié)果（將NPS從8提高到9）聯(lián)系起來是很重要的。在年底，管理者可以報告人工智能的關(guān)鍵結(jié)果在多大程度上得到了實現(xiàn)。表1總結(jié)了一個公司使用我們的人工智能框架必須做出的決定，以及為什么這些決定對人工智能計劃很重要。

表1.?

在人工智能框架中要做出的決定。要做出的決定為什么該決定對人工智能計劃很重要？我們的商業(yè)戰(zhàn)略是什么？戰(zhàn)略為公司想要達到的目的地提供了一個方向，而人工智能可以幫助公司及時到達目的地。我們的人工智能驅(qū)動的業(yè)務(wù)成果和衡量標(biāo)準(zhǔn)是什么？業(yè)務(wù)成果：了解業(yè)務(wù)成果讓利益相關(guān)者知道成功在業(yè)務(wù)方面是什么樣子。AI問題：AI問題將商業(yè)問題轉(zhuǎn)化為AI問題。關(guān)鍵績效指標(biāo)和人工智能措施：關(guān)鍵績效指標(biāo)有助于將業(yè)務(wù)目標(biāo)轉(zhuǎn)化為可量化的定義和指標(biāo)。它們還幫助企業(yè)跟蹤其成功或失敗。人工智能指標(biāo)，如AUC、準(zhǔn)確率、提升率、R-squared和MAPE，有助于評估預(yù)測模型，確定模型的哪些性能指標(biāo)有助于實現(xiàn)業(yè)務(wù)目標(biāo)。我們的執(zhí)行決定是什么？需要什么數(shù)據(jù)？必須建立什么樣的治理機制？組織擁有大量的數(shù)據(jù)。組織應(yīng)該提供在回答人工智能問題方面有目的的數(shù)據(jù)。治理機制有助于為人工智能/ML項目提供優(yōu)質(zhì)數(shù)據(jù)，并幫助滿足監(jiān)管和隱私準(zhǔn)則。要建立什么樣的AI/ML模型？如何實現(xiàn)它們？并非每個模型在其難度或其增加的價值方面都是平等的。仔細選擇人工智能/ML模型對于解決問題，有時對于解釋模型的工作原理也很重要。另外，模型的實施需要深入了解它們必須如何被整合到業(yè)務(wù)流程中，以及員工必須如何適應(yīng)新的變化。使用什么技術(shù)工具？不同的AI/ML算法可能需要不同的技術(shù)工具。了解可能的選擇有助于決定購買與外包的選擇。我們需要什么技能？不同類型的人工智能項目需要不同類型的人員技能。這些技能既可以是技術(shù)性的，也可以是業(yè)務(wù)性的。雇用有能力的人工智能資源是人工智能項目成功的關(guān)鍵。我們?nèi)绾魏饬咳斯ぶ悄茼椖康膬r值？建立一個流程，重點是衡量人工智能項目的價值，將結(jié)果傳達給內(nèi)部和外部利益相關(guān)者，并將結(jié)果與行動掛鉤，這一點很重要。

關(guān)于麥當(dāng)勞使用人工智能的應(yīng)用案例

在本節(jié)中，我們將根據(jù)本文提出的框架討論麥當(dāng)勞對人工智能的使用。我們對麥當(dāng)勞進行了優(yōu)勢、劣勢、機會和威脅（SWOT）分析，以了解麥當(dāng)勞的商業(yè)戰(zhàn)略和使用人工智能來開發(fā)商業(yè)機會背后的原因。麥當(dāng)勞于1956年在伊利諾伊州成立，1965年在特拉華州注冊，是全球公認(rèn)的品牌之一，在119個國家開展業(yè)務(wù)。在其39000家餐廳中，約有36000家是特許經(jīng)營的。麥當(dāng)勞的核心優(yōu)勢在于其獨特的能力，促進/建立了客戶對其菜單項目的高滿意度，以及其高品牌價值（Mergent2022）。麥當(dāng)勞運營的弱點在于缺乏/較弱的能力，無法駕馭復(fù)雜的特許經(jīng)營網(wǎng)絡(luò)，無法快速應(yīng)對各種地理區(qū)域的消費者偏好，也無法協(xié)調(diào)其供應(yīng)鏈（Mergent2022）。機會在于增加他們的客戶數(shù)量。截至2017年，在他們最大的九個市場中，麥當(dāng)勞在每年890億人次的快餐店中占有15%的份額（Mergent2022）。威脅在于快餐店行業(yè)面臨的激烈競爭和消費者偏好的變化。SWOT分析清楚地表明了麥當(dāng)勞擁有或需要建立的能力，以匹配增長的機會，并使用人工智能作為工具來實現(xiàn)這些目標(biāo)。

2017年，麥當(dāng)勞推出了名為 "速度增長計劃 "的新業(yè)務(wù)戰(zhàn)略，旨在通過增加客人數(shù)量實現(xiàn)增長。該戰(zhàn)略以顧客為中心，其結(jié)果包括保留現(xiàn)有顧客，重新獲得失去的顧客，并將臨時顧客轉(zhuǎn)化為堅定的顧客。為了操作這個新戰(zhàn)略，（麥當(dāng)勞公司2018年）專注于三個D：（1）加強數(shù)字技術(shù)以提升客戶體驗，（2）使送貨更方便，以及（3）使客戶在開車時體驗更快（Markoulidakis等人，2020）。

盡管加強數(shù)字技術(shù)對任何公司都是至關(guān)重要的，但麥當(dāng)勞仍將他們的重點牢牢地放在消費者體驗上。麥當(dāng)勞的首席信息官丹尼爾-亨利建議，"當(dāng)你是一個對產(chǎn)品著迷的組織時，你要在技術(shù)之前考慮消費者。技術(shù)本身毫無意義"（麥肯錫2020）。麥當(dāng)勞決定在 "未來體驗 "項目上花費60億美元，其中包括店面改造，以包括觸摸屏訂購系統(tǒng)、數(shù)字菜單板、全球應(yīng)用程序和移動訂購系統(tǒng)（Klein2018）。這些數(shù)字創(chuàng)新，除了為客戶快速訂購和交付提供便利外，還為人工智能提供了另一個重要優(yōu)勢：客戶特定的訂單數(shù)據(jù)。這些數(shù)據(jù)對于為客戶提供個性化的推薦至關(guān)重要。當(dāng)蘋果和谷歌開始允許人們在使用應(yīng)用程序時選擇退出跟蹤時，它威脅到公司獲得第一方數(shù)據(jù)的能力。因此，在2021年8月，麥當(dāng)勞推出了客戶忠誠度獎勵計劃，著眼于直接獲得客戶數(shù)據(jù)（塞巴斯蒂安2021）。

根據(jù)他們的業(yè)務(wù)成果，麥當(dāng)勞最近啟動的人工智能項目之一解決了這個問題："我們?nèi)绾螢榭蛻籼峁┳罴训膫€性化推薦？"2019年，麥當(dāng)勞收購了Dynamic Yield，這是一家位于以色列的公司，在人工智能方面有專長。Dynamic Yield擅長使用AI/ML技術(shù)來增加個性化和改善客戶服務(wù)。相對于靜態(tài)菜單板，麥當(dāng)勞開始使用由AI/ML算法驅(qū)動的數(shù)字菜單板，根據(jù)一天中的時間、天氣、當(dāng)前餐廳客流量和趨勢性菜單項目顯示食品。他們還可以根據(jù)最初的選擇向顧客建議更多的項目（麥當(dāng)勞公司n.d.）。就商業(yè)成果而言，只有麥當(dāng)勞了解有關(guān)這些項目所產(chǎn)生的價值的內(nèi)部數(shù)據(jù)，但最初的數(shù)據(jù)似乎很有希望。麥當(dāng)勞的前首席執(zhí)行官史蒂夫-伊斯特布魯克提出，使用內(nèi)置在自選菜單板中的推薦算法，導(dǎo)致了更多的訂單（Yaffe-Bellany2019）。麥當(dāng)勞2021年第一季度的業(yè)績也超過了分析師的預(yù)期，收入為51.2億美元，而預(yù)期為50.3億美元（盧卡斯2021）。

雖然訂單量、顧客訪問量、收入等關(guān)鍵績效指標(biāo)可以可靠地測量，但要測量麥當(dāng)勞打算使用的一些戰(zhàn)略關(guān)鍵績效指標(biāo)并不容易，例如，"客人滿意度 "和 "麥當(dāng)勞是否是一個吸引父母的家庭目的地"。麥當(dāng)勞使用一個滯后指標(biāo)，如 "有13歲以下孩子的家庭訪問 "和一個領(lǐng)先指標(biāo) "一個我很樂意帶孩子來的地方"，以掌握他們的家庭目的地結(jié)果的脈搏（Kiron和Schrage2019）。雖然客戶調(diào)查對這些結(jié)果有一些了解，但它們可能容易產(chǎn)生選擇偏差。使用ML方法，如情感分析，它使用在線客戶評論數(shù)據(jù)（例如，Twitter帖子），提供了一個額外的洞察力來源。最近的研究利用Twitter數(shù)據(jù)對六家主要的快餐店（QSRs）進行了情感分析，表明麥當(dāng)勞在積極情感方面的表現(xiàn)優(yōu)于其他餐廳（Nawaz等人，2018）。

麥當(dāng)勞試行的另一個人工智能項目打算回答這個問題："我們能不能用機器來理解顧客并與之交談來接單？"麥當(dāng)勞正在芝加哥地區(qū)的10家自動售貨機上測試人工智能的自動語音接單功能。這個系統(tǒng)由Apprente提供的技術(shù)輔助，Apprente是麥當(dāng)勞在2019年收購的一家基于語音的技術(shù)公司。麥當(dāng)勞的首席執(zhí)行官克里斯-肯普欽斯基(Chris Kempczinski)表示，該系統(tǒng)的準(zhǔn)確率約為85%。Kempczinski提到，他們必須同時訓(xùn)練人類助理，因為一旦人工智能系統(tǒng)出現(xiàn)問題或問題，員工就會立即介入。這導(dǎo)致該系統(tǒng)獲得的整體數(shù)據(jù)點較少。首席執(zhí)行官認(rèn)為，這個系統(tǒng)可能需要5年左右的時間來準(zhǔn)備擴大規(guī)模。至于技術(shù)和技能，Kempczinski建議，與其為這些先進技術(shù)建立內(nèi)部能力，不如依靠收購和合作伙伴來實施和擴大此類技術(shù)（Ruggless2021）。事實上，麥當(dāng)勞創(chuàng)建了一個名為麥當(dāng)勞技術(shù)實驗室的內(nèi)部部門，并任命Apprente的聯(lián)合創(chuàng)始人為副總裁，該公司的員工為其核心團隊。麥當(dāng)勞計劃通過雇傭更多的工程師、數(shù)據(jù)科學(xué)家和其他技術(shù)專家來擴大技術(shù)實驗室（Dallke2019）。至于數(shù)據(jù)治理問題，盡管麥當(dāng)勞建議他們通過關(guān)注GDPR和CCPA來認(rèn)真對待數(shù)據(jù)安全（麥肯錫2020），但他們最近遭到了伊利諾伊州一位顧客的訴訟，該顧客稱麥當(dāng)勞在通過語音人工智能系統(tǒng)點餐時未經(jīng)同意收集了他的語音數(shù)據(jù)。該訴訟稱，麥當(dāng)勞在未經(jīng)客戶同意的情況下收集聲紋信息，違反了伊利諾伊州的《生物識別信息隱私法》，即BIPA。這起訴訟嚴(yán)酷地提醒我們，當(dāng)組織走向?qū)嵤┤斯ぶ悄芗夹g(shù)時，其數(shù)據(jù)治理工作中的任何缺陷都會迅速暴露出來（Maze2021）。我們在表2中總結(jié)了我們的人工智能框架的不同元素是如何被納入麥當(dāng)勞的使用案例中的。

表2.?

將人工智能決策框架映射到麥當(dāng)勞的案例。人工智能框架的要素麥當(dāng)勞案例中的例子商業(yè)戰(zhàn)略速度增長計劃代表了麥當(dāng)勞的商業(yè)戰(zhàn)略。它旨在通過增加客人數(shù)量、便利性和滿意度來實現(xiàn)增長。AI驅(qū)動的業(yè)務(wù)成果和測量業(yè)務(wù)成果更多的客人，更大的訂單量，更容易交付，吸引父母的家庭目的地。AI問題- 如何使客戶的訂單個性化？- 如何根據(jù)客戶已經(jīng)添加到他們的訂單中的內(nèi)容來推薦產(chǎn)品？- 如何根據(jù)一天中的時間、天氣、當(dāng)前餐廳的客流量、趨勢性的菜單項目等動態(tài)地修改數(shù)字菜單板？- 如何自動與客戶進行對話式聊天以接受他們的訂單？關(guān)鍵績效指標(biāo)客人數(shù)量、訂單大小、訂單金額、收入、客人滿意度、有13歲以下孩子的家庭來訪、家庭友好度、人工智能語音代理處理訂單的準(zhǔn)確性等等。AI措施自動接單的準(zhǔn)確率，不同的預(yù)測因素在預(yù)測顧客在自動售貨機菜單上點什么的相對重要性，等等。實施決定數(shù)據(jù)和治理麥當(dāng)勞的店內(nèi)信息亭、全球移動應(yīng)用程序、在線訂單都會收集個人信息。麥當(dāng)勞建議他們密切關(guān)注數(shù)據(jù)監(jiān)管框架，如GDPR和CCPA。他們正計劃在谷歌和蘋果允許用戶阻止向應(yīng)用程序提供數(shù)據(jù)時，利用客戶忠誠度計劃來彌補可能缺乏的第一方數(shù)據(jù)。技術(shù)工具麥當(dāng)勞在數(shù)字技術(shù)方面進行了大量投資，主要是在信息亭、全球應(yīng)用程序、包含推薦系統(tǒng)的數(shù)字菜單板，以及用于點餐的人工智能語音識別系統(tǒng)的試點項目。建模和實施麥當(dāng)勞在其數(shù)字儀表盤中使用推薦系統(tǒng)，以及人工智能語音助手接單的試點測試，都依賴于先進的機器學(xué)習(xí)方法。需要自然語言處理、深度神經(jīng)網(wǎng)絡(luò)、推薦算法等方法來成功實施這些項目。麥當(dāng)勞實施數(shù)字菜單板似乎進展順利，但他們在訂單處理的語音AI-系統(tǒng)方面似乎遇到了一些初步問題。至少有一起訴訟稱，麥當(dāng)勞在通過他們的人工智能駕駛室代理點餐時，沒有獲得收集語音數(shù)據(jù)的同意。人員技能麥當(dāng)勞已經(jīng)收購了兩家專門從事人工智能的公司。他們的McD-Tech實驗室里有他們最近收購的人工智能公司的成員。他們獲得熟練的人工智能人員的策略是利用戰(zhàn)略收購、合作伙伴和新雇員。來自人工智能項目的價值只有麥當(dāng)勞能了解這些知識，但現(xiàn)有數(shù)據(jù)表明，在數(shù)字菜單板內(nèi)使用推薦技術(shù)增加了訂單量。他們的收入也出現(xiàn)了增長。另外，據(jù)報道，人工智能語音助手目前在正確識別訂單方面顯示出85%的準(zhǔn)確率。作為最早在QSR行業(yè)使用人工智能的企業(yè)之一，他們具有競爭優(yōu)勢。

討論

在本文中，我們提出了一個理由，即組織應(yīng)采用人工智能投資和倡議的戰(zhàn)略決策框架來成功部署其人工智能項目。我們在圖4中以流程圖的形式提供了這個框架，作為管理決策的輔助工具。正如我們的框架所顯示的，人工智能計劃不能脫離公司的業(yè)務(wù)戰(zhàn)略，業(yè)務(wù)和人工智能工作之間的緊密結(jié)合很重要。如果沒有這樣一個有凝聚力的戰(zhàn)略，人工智能項目可能會導(dǎo)致滿足（尋找一根足夠鋒利的針來播種），而不是優(yōu)化（尋找堆棧中最鋒利的針）的結(jié)果，以實現(xiàn)人工智能的價值最大化，實現(xiàn)商業(yè)目標(biāo)。當(dāng)公司專注于人工智能的運營效率而沒有經(jīng)過深思熟慮和精心設(shè)計的競爭性商業(yè)戰(zhàn)略時，人工智能的實施和結(jié)果極有可能失?。úㄌ?996）。

第二，制定明確的商業(yè)戰(zhàn)略的挑戰(zhàn)往往主要是組織上的挑戰(zhàn)，取決于有效的領(lǐng)導(dǎo)。由于有如此多的力量在起作用，使得組織中的選擇和權(quán)衡變得困難，一個明確的知識框架來指導(dǎo)商業(yè)戰(zhàn)略是必要的平衡。因此，高層領(lǐng)導(dǎo)必須積極參與人工智能項目，以設(shè)定目標(biāo)，確定業(yè)務(wù)問題，并評估這些努力的價值。第三，即使技術(shù)發(fā)揮了重要作用，人工智能項目也需要跨職能領(lǐng)域的更緊密合作。當(dāng)模型確定了關(guān)鍵的預(yù)測因素，并提出了干預(yù)措施，實施這種變化可能需要不同業(yè)務(wù)部門之間的密切協(xié)作。最后，我們看到，大型科技公司正在帶頭進行人工智能的努力。其中許多公司主要處理非結(jié)構(gòu)化數(shù)據(jù)，通過利用他們在軟件開發(fā)和快速創(chuàng)新方面的優(yōu)勢，他們創(chuàng)造了許多人工智能工具和框架。其他企業(yè)不一定要發(fā)明人工智能工具，但他們必須找到方法，將這些系統(tǒng)戰(zhàn)略性地應(yīng)用于他們的業(yè)務(wù)。這時，企業(yè)必須準(zhǔn)備好他們的業(yè)務(wù)戰(zhàn)略和成果，并確定要用人工智能解決的重要業(yè)務(wù)問題。然后通過對人工智能投資和倡議的有效和最佳戰(zhàn)略決策，他們就能更好地準(zhǔn)備好收獲人工智能的好處。以前沒有接觸過人工智能的公司可以使用我們的框架，并從一個試點項目開始。一旦他們開始意識到人工智能的價值，他們就可以加大他們的人工智能投資和舉措。

有關(guān)創(chuàng)新管理的重要問題之一，如文章中討論的人工智能項目，是企業(yè)如何維持其市場競爭優(yōu)勢。在這種情況下，對技術(shù)突破來源的研究是很重要的。Coccia（2017）過去的研究表明，對未解決的問題的認(rèn)識和尋找解決方案的強大動力誘發(fā)了激進創(chuàng)新的出現(xiàn)和發(fā)展。我們同意這一觀點，并建議當(dāng)人工智能，應(yīng)用于具有挑戰(zhàn)性和未解決的問題時，有可能進行創(chuàng)新，為企業(yè)創(chuàng)造競爭優(yōu)勢。創(chuàng)新的第二個來源可能來自于高技能的科學(xué)家在研究實驗室中采用的激進創(chuàng)新，他們自由地進行實驗和創(chuàng)新（Coccia2016）。在人工智能的背景下，這可能意味著一個跨學(xué)科團隊的人工智能試點項目，以自由探索和創(chuàng)新來尋找重要戰(zhàn)略問題的解決方案。我們相信，這種自由探索將有助于人工智能背景下的洞察力發(fā)現(xiàn)過程，并可能對組織績效產(chǎn)生積極的影響。在這種情況下，一個相關(guān)的問題是，為什么組織應(yīng)該堅持使用人工智能等顛覆性技術(shù)？Coccia（2020）之前的研究表明，破壞性技術(shù)，類似于本工作中建議的人工智能努力，與成熟的技術(shù)相比，往往在一些市場上幫助不相稱的增長，破壞性技術(shù)的技術(shù)周期往往有一個上升波階段比下降波階段長，表明技術(shù)周期的不對稱形狀。因此，過去的研究強調(diào)了對人工智能創(chuàng)新的支持，本文的貢獻是提出了一個決策框架，以使這種投資的價值最大化。

創(chuàng)造人工智能價值的先決條件之一是成功的人工智能采用。之前的研究使用了一個修改過的TOE框架，以表明技術(shù)因素（即需求和技術(shù)之間的兼容性，與之前的創(chuàng)新相比的相對優(yōu)勢）、組織因素（即高層管理支持、數(shù)據(jù)、文化、資源）和環(huán)境因素（即競爭壓力和政府法規(guī)）對AI采用的重要性（AlSheibani, Cheung, and Messom2018; Bremser, Piller, and Rothlauf2017; Pumplun, Tauchert, and Heidt2019）。我們的框架與這個框架有一些相似之處和不同之處。雖然我們借鑒了這個框架中的許多因素（如數(shù)據(jù)質(zhì)量、政府法規(guī)、需求和技術(shù)之間的兼容性），但我們的框架在概念化組織戰(zhàn)略如何推動人工智能驅(qū)動的業(yè)務(wù)成果的發(fā)展方面有所不同，而這又反過來指導(dǎo)實施決策。此外，我們特別關(guān)注使用績效管理系統(tǒng)的重要性，如OKRs，建立一套成果，并包括一系列表明AI項目績效進展的措施。

我們認(rèn)為，基于業(yè)務(wù)戰(zhàn)略的人工智能倡議的方法很重要，因為雖然公司內(nèi)部每個部門執(zhí)行自己的試點人工智能項目以測試人工智能的潛力是合理的，但隨著時間的推移，它有一個意想不到的效果，即迅速變成一個孤立的和瓦解的環(huán)境。因此，將人工智能舉措與業(yè)務(wù)戰(zhàn)略、成果和部門目標(biāo)聯(lián)系起來是很重要的。然而，如果沒有一個績效管理系統(tǒng)來設(shè)定企業(yè)和部門層面的目標(biāo)，并跟蹤人工智能舉措，就很難有效地管理人工智能項目的組合。在這種情況下，我們建議的OKR方法將非常有幫助。OKRs的好處可能是顯著的，因為它們可以在整個企業(yè)內(nèi)共享，為人工智能工作提供可見性。此外，系統(tǒng)中一個部分的準(zhǔn)確預(yù)測會對其他部分產(chǎn)生漣漪效應(yīng)，更好的協(xié)調(diào)也允許在更廣泛的網(wǎng)絡(luò)中優(yōu)化決策（Agarwal, Gans, and Goldfarb2022）。

結(jié)論

我們的工作為企業(yè)提供了一個人工智能舉措的戰(zhàn)略決策框架，以配合績效管理系統(tǒng)，如OKR系統(tǒng)，從人工智能投資中提取價值。我們提供了麥當(dāng)勞的使用案例，作為企業(yè)實施我們框架的典范。我們在這項工作中認(rèn)為，創(chuàng)造價值的不是人工智能技術(shù)，而是如何應(yīng)用它來解決 "重要的商業(yè)問題"。我們進一步認(rèn)為，關(guān)于人工智能實施的決策必須以整體商業(yè)戰(zhàn)略和人工智能驅(qū)動的商業(yè)成果為指導(dǎo)。那么接下來的問題就變成了如何將整體戰(zhàn)略和成果轉(zhuǎn)化為人工智能舉措。為了彌補這一差距，我們提出了一個OKR績效管理系統(tǒng)，該系統(tǒng)由公司和部門層面的目標(biāo)和關(guān)鍵措施（OKR）組成。然后，OKRs成為識別相關(guān)人工智能項目的基礎(chǔ)，使其在整個業(yè)務(wù)中透明化，并在各業(yè)務(wù)中整合各種人工智能項目的結(jié)果以獲得商業(yè)價值。

我們還討論了數(shù)據(jù)成為競爭優(yōu)勢來源的條件。例如，如果一家公司創(chuàng)建了一個人工智能應(yīng)用程序，繼續(xù)收集大數(shù)據(jù)，然后不斷提高人工智能程序的準(zhǔn)確性，這樣的數(shù)據(jù)就成為競爭優(yōu)勢的來源。我們還討論了將預(yù)測與決策聯(lián)系起來在一個業(yè)務(wù)流程中以及在各職能領(lǐng)域中是如何重要的。一個組織可以通過不同的方式創(chuàng)建一個人工智能系統(tǒng)的網(wǎng)絡(luò)，其中一個系統(tǒng)的預(yù)測成為其他系統(tǒng)的輸入，從而促進組織效率的提高，這將是未來一個肥沃的研究領(lǐng)域。

然而，我們的工作并非沒有局限性。首先，我們的工作遺漏了人工智能的一些人機互動方面。例如，Kellogg和Valentine(2022)的工作提出了管理者在引入人工智能時常犯的五個錯誤。舉例來說，管理者所犯的錯誤之一是迅速引入人工智能來解決它可能產(chǎn)生最大影響的領(lǐng)域，但如果沒有得到員工的支持，將導(dǎo)致潛在的失敗。相反，如果人工智能的努力集中在員工不喜歡的工作方面，那么就更有可能獲得員工對實施人工智能的支持。未來的工作可以研究人工智能的實施必須與員工接受人工智能的心理準(zhǔn)備一起進行。第二，公司正在使用人工智能進行有關(guān)員工生產(chǎn)力的創(chuàng)新，但結(jié)果往往不盡如人意。例如，使用人工智能提供實時反饋以提高績效，幫助制作男褲的工人提高了生產(chǎn)力，但制作夾克的員工，涉及更復(fù)雜的任務(wù)和工藝，抱怨說人工智能對他們來說是沒有動力的，因為它不能充分捕捉他們的工作質(zhì)量（Kellogg和Valentine2022）。未來的研究可以調(diào)查人工智能在哪些領(lǐng)域可以有效地促進創(chuàng)新。第三，我們的工作沒有廣泛地關(guān)注模型的可解釋性，這是實施人工智能系統(tǒng)的一個關(guān)鍵障礙。先前的研究表明，缺乏模型的透明度和可解釋性可能會損害人工智能工作的成功（Adadi和Berrada2018）。然而，研究正在出現(xiàn)，提出不同的可解釋性技術(shù)，以提高人工智能系統(tǒng)的適用性。我們請感興趣的讀者參考Adadi和Berrada（2018）在這方面的工作。我們相信，人工智能的革命無疑已經(jīng)到來；企業(yè)唯一的問題是他們是否準(zhǔn)備好了。我們工作的目的是讓企業(yè)和管理者準(zhǔn)備好在最大化其人工智能的價值時內(nèi)在的引人注目的機會。

利益沖突

作者聲明沒有沖突。

傳記

• Naveen Gudigantala是波特蘭大學(xué)商學(xué)院小羅伯特-B-潘普林博士的信息系統(tǒng)副教授和硅谷特聘教授。波特蘭大學(xué)商學(xué)院副教授。他的研究興趣包括人工智能（AI）系統(tǒng)的商業(yè)價值、數(shù)據(jù)分析、醫(yī)療保健分析、決策支持系統(tǒng)、供應(yīng)鏈中的道德問題和信息系統(tǒng)教育。他的期刊文章出現(xiàn)在信息系統(tǒng)（IS）的國際知名期刊以及營銷和管理的參考學(xué)科中（例如，《AIS通訊》、《決策支持系統(tǒng)》、《國際信息管理雜志》、《信息系統(tǒng)管理》、《信息系統(tǒng)教育雜志》、《管理研究評論》等）。

• Sreedhar Madhavaram是德克薩斯理工大學(xué)羅爾斯商學(xué)院市場營銷教授和聯(lián)合超市公司的校友。市場營銷教授，以及德克薩斯理工大學(xué)羅爾斯商學(xué)院市場營銷和供應(yīng)鏈管理領(lǐng)域的協(xié)調(diào)員。他在德克薩斯理工大學(xué)羅爾斯商學(xué)院獲得了營銷學(xué)博士學(xué)位。他的研究興趣包括理論發(fā)展、營銷戰(zhàn)略、能力建設(shè)、公司競爭力、信息系統(tǒng)/技術(shù)，以及營銷和信息技術(shù)交叉的戰(zhàn)略問題。他的研究發(fā)表在多個期刊上，包括《信息系統(tǒng)進展數(shù)據(jù)庫》、《營銷科學(xué)學(xué)院學(xué)報》、《商業(yè)道德雜志》、《商業(yè)物流雜志》、《工業(yè)營銷管理》、《信息與管理》、《商業(yè)研究雜志》以及《AMS評論》。

• Pelin Bicen（德克薩斯理工大學(xué)博士）是薩?？舜髮W(xué)索耶商學(xué)院的市場營銷副教授。此前，她曾在BBDO廣告公司從事營銷戰(zhàn)略和營銷分析工作，管理國內(nèi)和國際品牌。她的研究重點是企業(yè)內(nèi)部和企業(yè)間的營銷和創(chuàng)新戰(zhàn)略、資源受限的創(chuàng)新、全球供應(yīng)鏈戰(zhàn)略和組織間治理。她在營銷和創(chuàng)新期刊上發(fā)表了多篇文章，其中包括《商業(yè)研究雜志》、《創(chuàng)意與創(chuàng)新管理》、《營銷管理雜志》、《營銷理論與實踐雜志》、《商業(yè)與工業(yè)營銷雜志》、《創(chuàng)新》：管理、政策和組織》、《管理研究評論》、《營銷教育雜志》、《全球營銷科學(xué)學(xué)者雜志》、《營銷和創(chuàng)業(yè)研究雜志》等。她曾在國內(nèi)和國際營銷戰(zhàn)略和創(chuàng)新會議上發(fā)表過她的研究。