传统的关键绩效指标 (KPI) 越来越无法提供领导者取得成功所需的信息和见解。他们在跟踪进展、协调人员和流程、确定资源优先级以及推进问责制方面存在不足。本文是 2024 年第一份麻省理工学院 SMR - BCG 人工智能和商业战略全球高管学习和研究项目的调查结果——人工智能和业务战略报告着眼于组织如何使用人工智能来发展其关键绩效指标 (KPI)，以更好地与其战略保持一致并实现企业目标。
01. 用人工智能增强关键绩效指标KPI
根据对全球 3,000 多名经理的调查以及对 17 名高管的采访，我们发现人工智能正在从根本上重新定义绩效并提高绩效。我们看到组织使用算法来挑战和改进企业对绩效、盈利能力和增长的假设。使用人工智能修改 KPI 的公司获得更大经济效益的可能性是未使用人工智能的公司的三倍。更智能的 KPI 可以带来更好的结果。
例如，在线家具零售商 Wayfair 使用人工智能重新审视其销售 KPI 损失背后的基本原理。“我们过去认为，如果某件产品（例如沙发）销售失败，就会给公司带来损失，”首席技术官菲奥娜·谭 (Fiona Tan) 说道。“但我们开始查看数据并意识到，50% 到 60% 的情况下，当我们失去销售时，是因为客户购买了同一产品类别中的其他商品。”
这一洞察促使 Wayfair 将其销售损失 KPI 重新设计为更有价值的指标。该公司以前根据价格变化计算基于商品的销售损失，现在还根据价格变化计算基于类别的销售保留。借助新的、更准确的 KPI，Wayfair 在建议下一个最佳报价时能够提出更有效的家具推荐，其中包含客户偏好（从价格点到发货时间）。从逻辑上讲，运营团队将产品放置决策与配送中心和仓库限制相结合，以改善客户和员工的体验。更智能的 KPI 可以显着改善每个人的成果。
这个例子并非异常。我们的研究发现，各行业的组织都在使用人工智能来重新审视其 KPI 基础知识，并发现潜在或被低估的绩效特征。通过识别、重新定义和传达更智能的指标（他们的战略衡量系统），领导者可以提高公司优化预期结果的能力。1
智能 KPI 的作用不仅仅是挖掘价值和差异化的来源，否则这些价值和差异化的来源将不会被发现或得到充分利用。它们还可以防止因未能定期重新检查遗留 KPI 的假设而导致的不良结果。例如，2008 年全球经济危机的部分原因是银行对当时广泛使用的风险价值指标的依赖，该指标衡量正常市场条件下单个时间点的潜在投资组合损失。金融机构没有调整这一措施，因为风险较高的次级抵押贷款和信用违约掉期已成为其投资组合的较大部分。在严重低估潜在损失的指标（在某些情况下，低估了几个数量级）的指导下，许多金融机构破产或遭受重大损失。
认识到人工智能关键绩效指标的力量和潜力的高管们承认，他们当前的 KPI 设计和审查实践已经不合时宜。越来越多的公司通过嵌入治理流程和职能来监督 KPI 开发来应对这一挑战。随着时间的推移，维护详细、准确和相关的绩效数据的 KPI 治理机制可确保在设计过程中明确考虑 KPI 质量，而不是事后才考虑。例如，施耐德电气正在进行大量的财务和非财务投资，以学习如何不仅根据既定指标提高绩效，而且提高绩效指标本身。对KPI绩效的问责越来越不够；公司也需要对 KPI的绩效负责。
我们的全球调查显示，60% 的管理者认为他们需要改进 KPI，但只有三分之一 (34%) 正在使用 AI 来创建新的 KPI。引人注目的是，这 34% 的经理中十分之九的人同意或强烈同意人工智能改善了他们的 KPI。（见图 1 和图 2。）虽然对于大多数组织来说还处于早期阶段，但越来越多的公司越来越清楚利用人工智能增强 KPI 的好处。
这些发现的深远影响怎么强调都不为过。通过算法改进 KPI 的公司正在重新考虑绩效衡量的目的、KPI 的功能以及指标的战略价值。我们的研究表明，这些重新考虑经常会带来新的流程，以改变 KPI 设计以及组织行为如何与战略结果保持一致。加强战略一致性既是智能 KPI 的目标，也是其结果。
这些算法要求对经常引用的短语“衡量的内容进行管理”进行了挑衅性的扭曲。多亏了人工智能，组织学会衡量什么，他们还必须学会管理——他们衡量的方式和他们衡量的内容一样重要。随着更好的仪器、更好的数据和更好的算法改变测量过程，战略差异化和价值创造的机会也随之增加。本报告综合并扩展了我们为期一年的关于利用人工智能增强 KPI 的合作研究系列中四篇文章的主要发现。
我们讨论了一项新兴但不断发展的努力，旨在创建更智能、更有价值的 KPI，并提供基于证据的管理要点，以开发和使用下一代 KPI 来推动更好的绩效。我们还详细介绍了管理者可以采取的具体步骤，以开始实现更智能的 KPI 的好处。
02. 如何制定更智能的 KPI？
组织通常使用 KPI 作为基准来评估各种业务目标的进度，例如销售增长、客户满意度和运营效率。随后使用数据收集技术和分析来衡量这些指标的进展情况。此方法优先考虑 KPI 衡量的内容，而不是 KPI 的衡量方式。
然而，如今，不断变化的经济状况、不断变化的消费者期望以及数字化转型努力要求组织不断重新考虑关键绩效的含义以及如何衡量它。管理者承认变革的必要性：十分之六的调查受访者认为，提高 KPI（衡量的内容和衡量方式），而不仅仅是提高绩效，对于有效的决策至关重要。我们采访的每一位高管都明确表示，利用人工智能提高 KPI 符合企业利益，而且是许多高管的当务之急。
改善 KPI 的途径有很多。依赖于人类判断、直觉和经验的低成本方法可以通过对性能的增量洞察来提供增量变化。相比之下，人工智能增强的 KPI 可以对当前和未来的绩效提供更加详细和准确的洞察。对于部署此类智能 KPI 的公司来说，提高效率、更好地协调和改善财务成果等业务收益超过了组织成本。
03. 三种类型的智能 KPI
我们看到人工智能丰富的 KPI 可以通过三种方式改进仅跟踪绩效的传统指标。智能 KPI 可以更好地描述当前和过去的绩效，更有效地预测未来绩效，并提出更有用的建议来促进成果。这三种类型的智能 KPI（描述性、预测性和规范性）映射到描述性、预测性和规范性分析之间众所周知的区别。
规定性 KPI 的概念可能比较陌生，但对 KPI 进行颜色编码的执行仪表板已经提供了简单的行动号召：红色表示性能下降，绿色表示性能达到或超出预期。智能 KPI 更进一步：它们可以就领导者应对这些信号应采取的后续步骤提出更详细的建议，并诊断对其他 KPI 的影响。
04. 利用 AI 改进现有 KPI
古德哈特定律宣称，当一个指标成为目标时，它就不再是一个好的指标。但以指标本身为目标进行改进既符合古德哈特的谨慎态度，也是可持续运营成功的重要组成部分。持续的 KPI 改进本身就成为一个目标。
媒体集团哥伦比亚广播公司 (CBS) 为这种敏感性和方法提供了令人信服的例子。一位高管开始探索人工智能是否能够识别高管仅通过直觉和经验无法识别的绩效驱动因素。为了预测哪些节目会成为热门节目，该高管向她的 AI 团队提供了 50 年的 KPI 和消费者研究数据，以确定公司是否拥有正确的 KPI 来预测电视试播集的成功。
该团队使用人工智能来确认现有关键绩效指标的优点，并确定了有助于完善公司评估飞行员方式的其他指标。“通过这次人工智能练习，我们变得更好了，”她指出。“该分析改变了我们的目标，并帮助提高了我们的绩效。”
有意识地使用算法重新审视和审查关键性能参数可以提高性能。对于印度尼西亚最大的市场之一 Tokopedia 来说，商家的可靠性是维持牢固的客户关系的核心。该组织首席技术官 Herman Widjaja 表示，该组织每天通过 1400 万商家销售 18 亿件产品，其中超过 85% 是新企业家。虽然商家有好的产品可供销售，但并非所有人都能有效管理库存，这反过来又会对订单履行、客户满意度以及最终平台上发生的交易量产生负面影响。为了解决这个问题，该公司开始综合和分析数百万个商家和客户数据点。
其对数据的算法分析产生了一个评分系统，提高了公司的商家质量 KPI。该系统改善了客户服务（通过将客户与最有可能提供优质产品的商家联系起来）和市场有效性（通过识别和帮助低分商家改善自身运营）。评分系统使各方受益：客户、商家和 Tokopedia 本身。有了它，该公司能够创建一个更可信、更有效的市场。
05. 创建新的 KPI
确定战略和运营 KPI 是领导团队的一项常见职能。然而我们的研究证实，人工智能（不仅仅是人类）可以提出甚至设计新的 KPI 来指导执行决策。我们听到了一个又一个关于领导者转向算法来获取关键绩效指标的故事，这些指标不仅具有战略和运营价值，而且在某些情况下源自过于复杂的数据模式，人类无法辨别。我们的调查数据证实，与不使用人工智能创建新 KPI 的公司相比，使用人工智能创建新 KPI 的公司可以获得广泛的商业利益。（见图 4。）使用人工智能创建新 KPI 的组织（占所有受访者的 34%）更有可能实现协调、协作、功效、财务收益和效率方面的好处。
附录部分描述了我们使用 ChatGPT 进行的一项实验，该实验产生了几个新颖且可能有用的 KPI。
数字营销机构 Croud 首席战略官 Avinash Kaushik 曾任 Google 全球战略分析高级总监，机器学习帮助他的团队发现了一种新的绩效衡量标准。他回忆说，在一种情况下，这家科技巨头在主要数字渠道上进行了大量但表现不佳的营销投资。“我们不知道自己出了什么问题，”考希克回忆道。“我们知道我们失败了；我们只是不知道为什么，而且我们已经用尽了所有可以问的问题。” 谷歌拥有丰富的人才、分析资源和数据访问权限，但不足以破解密码。
Kaushik 的团队开发了一种算法，使用称为分类树的机器学习模型来识别他们错过的联系和相关性。“因为我们甚至不知道要问什么问题，这种无监督的机器学习算法是一种非常好的方法，”他说。“我们让算法找到模式。”
该算法的发现令 Kaushik 的团队感到惊讶：他们认为最需要优化的 KPI 却并非如此。最有影响力的指标、它们的重要性顺序以及它们的最佳操作范围是一个启示。一个令人惊讶的衡量标准是一个人观看和听到完整广告的印象百分比。如果这个百分比低于某个基准，营销活动注定会失败；如果更高，则该活动有机会成功。在实施算法的建议后不到六个月，所需的性能就提高了 30 个点——“这是一个疯狂的性能改进，”Kaushik 说。
我们的研究发现，对人工智能驱动的新 KPI 的需求不断增长。例如，在瑞典哈兰地区卫生系统，研究人员根据死亡证明、政府记录和电子记录中的数据创建并训练了一种算法，以更好地预测心电图 (ECG) 后一年内的心源性猝死 (SCD) 。每年，美国有 30 万人受到 SCD 的困扰，全球有数百万人受到 SCD 的困扰。
“在进行心电图检查后的一年内，该算法非常擅长预测谁将死于心源性猝死，”帮助训练该算法的加州大学伯克利分校医生兼教授 Ziad Obermeyer 博士说道。“每次有人接受心电图检查时，它都会生成一个风险评分，衡量该人死于心脏骤停的可能性。” 心电图评分可以起到关键绩效指标的作用：有了该评分，医生可以观察患者在服用β受体阻滞剂或血管紧张素转化酶抑制剂等药物后，其SCD风险状况如何变化。
虽然利用人工智能发现 SCD 的有效预测指标仍然是一项正在进行的工作，但研究人员已经对其为其他疾病创建早期指标的潜力感到兴奋。“能够将这些非常复杂的生物信号转化为指标是非常强大的，”奥伯迈尔说。“我认为我们将会看到更多这样的情况，不仅仅是心源性猝死，还有糖尿病并发症和各种其他可预防的高风险疾病。”
06. 在 KPI 之间建立新的关系
由于性能驱动因素以复杂的方式相互作用，因此您不仅需要更好的 KPI：您还需要更好地了解 KPI 之间的相互关系。我们看到高管、分析师和数据科学团队合作确定 KPI 之间的相互依赖性并建立新的关系。这些关系可能揭示员工生产力和客户参与度、利润率和市场份额、或者高质量制造产出和资产回报率之间的默认或微妙的联系。
Pernod Ricard 是一家价值 100 亿美元的全球烈酒公司，它使用人工智能来描述和加深其两个最重要的 KPI 之间的联系：利润率和市场份额。过去，这些 KPI 是孤立的，每个指标都有自己的一套衡量标准。财务职能侧重于盈利能力，而销售和营销职能则侧重于市场份额。
该公司现在部署人工智能来深入了解提高利润的商业和营销投资（例如媒体或店内激活）如何影响市场份额目标，反之亦然。该烈酒制造商现在不再寻求最大化每个单独的 KPI，而是寻求相互协调地优化两个 KPI。
“如果您可以想象在市场份额优化目标和利润优化目标之间移动光标，您就需要了解实现这些目标所需的投资如何变化，”保乐力加首席数字官 Pierre-Yves Calloc’h 说道。“人工智能将为你提供这些信息。借助人工智能，我们可以更好地调整市场份额 KPI、利润 KPI 以及实现这些目标所需的投资。” 这种能力改变了保乐力加领导层分配资本以及平衡其对盈利能力和市场份额的渴望的方式。
智能算法还可以促进打破孤岛的行为，从而实现更高效、更有效的协作工作，从而帮助企业战略与单位和团队级别的运营保持一致。在新加坡星展银行，领导层创建了跨职能团队，以提高其以客户为中心、客户服务和盈利能力。这一举措与传统的运营方法截然不同，在传统的运营方法中，每个部门为其不同的客户接触点拥有单独的 KPI。星展银行花了三年时间创建了一个价值图，使这些团队能够管理“客户旅程”，其中包括四个类别的成果：客户体验、员工体验、盈利能力和风险。
从规模上看，这些结果类别之间的驱动因素、指标和相互依赖性的数量是巨大的，并且不可能对人类管理者进行优化。然而，人工智能为可见和隐藏的绩效模式提供了新的视角，并确定了绩效驱动因素之间的关键相互依赖性。星展银行集团首席分析官兼董事总经理 Sameer Gupta 表示，识别驱动因素和 KPI 之间的相互依赖关系是一项根本性转变，使所有集团成员能够看到相同的数据，不断评估驱动不同结果的因素，并灵活应对。
基于人工智能的平台还可以通过提高沟通质量来推动整个组织的战略协调。法国制药公司赛诺菲 (Sanofi) 的大约 10,000 名高管可以通过 Plai 应用程序查看和访问他们的 KPI 数据。赛诺菲全球财务运营和转型主管斯蒂芬妮·安德罗斯基 (Stephanie Androski) 表示，Plai 使用人工智能将内部数据与个性化见解和假设预测联系起来，从而邀请管理者更好地协调和调整他们的计划。安德罗斯基解释说：
现在，我们有一个数字落后于我们的销售预测，并且它是多个其他 KPI 的中心点。如果我们预测某种产品可能出现缺货情况，我们不仅能够说，‘哦，等一下，人工智能还预测我们该产品可能会在四年内缺货。几个月。这是真的吗？我们能超越它吗？作为财务团队，它还让我们有能力问：“对于该产品来说，销售是否过于雄心勃勃？” 我们会失去市场份额吗？或“这对总体预测有何影响？” 因为一切都更加公开，而且因为你可以看到它，所以它确实有助于增加对话和生产力。
在 KPI 背景下使用人工智能技术的目的是更好地理解运营驱动因素和背景变量之间的因果关系，另一方面理解战略结果之间的因果关系。这项工作的输出可能是现有 KPI 的增强版本、新的 KPI 或 KPI 之间的明确因果关系。无论哪种方式，目标都是产生更可靠、更动态的战略成果领先指标。
例如，就 Tokopedia 而言，相关的战略成果涉及其平台上的交易数量和价值。这一结果与涉及 Tokopedia 可以跟踪和影响的商家属性的运营驱动因素直接相关，例如填充率和提供的产品数量。最后，还有一些超出 Tokopedia 直接控制范围的因素，例如商家位置或特定商家产品的搜索次数（需求指标），这些因素也会影响战略结果。借助人工智能，Tokopedia 能够将各种运营驱动因素和背景因素综合为单一的商家质量 KPI。该 KPI 同时提高了买家与卖家匹配的质量，并为商家提供了改善自身运营的宝贵见解；这些优势共同推动了 Tokopedia 的整体战略成果，例如交易量和交易价值。
调整 CFO 和 CMO KPI 以提高患者再入院率
减少再入院既是一个关键的结果指标，也是降低医院成本的一个重要因素。在传统医疗服务提供者组织中，首席财务官负责管理成本和报销流程，首席医疗官 (CMO) 则强调患者的优质护理及其出院。每个角色都倾向于从不同的角度和自己独立的指标来看待减少再入院的情况。现在可以使用人工智能来分析患者数据，确定再入院的根本原因，并建议有针对性的干预措施。有了这些信息，首席财务官和首席营销官可以共享“患者再入院率”KPI，该关键绩效指标为改善结果和降低成本提供单一数据源。两个部门都了解他们的行动如何推进低成本选择，从而提高再入院率并提高护理质量。这种共享的 KPI 促进了整个组织的一致性——这种一致性是通过模式识别算法形成的 KPI 实现的。
07. 转变传统 KPI 实践
KPI 曾经是人类专业知识和决策的领域，而算法创新深刻地重塑了它们的力量和目的。我们认为这与其说是一种转变，不如说是一种颠覆：人类对 KPI 开发、管理和治理的垄断正在被削弱。
下面，我们描述了从传统 KPI 目前允许的内容到算法通知 KPI 要求的六种转变。这些需求迫使领导团队将人工智能融入到他们开发和使用 KPI 的方式中。无一例外，我们的高管受访者都承认，他们的智能 KPI 计划是一项具有挑战性但必要的任务。
7.1 从“绩效跟踪”到“重新定义绩效”
跟踪绩效（即评估预定绩效目标的进度）体现了 KPI 的传统用途：KPI 的主要感知价值是记分。我们的研究表明，为更好地跟踪仍在使用的遗留 KPI 进行投资可能会带来收益递减。使用新颖仪器、技术和数据流的高管可以对推动绩效及其衡量的因素形成新的视角。他们通过人工智能改进 KPI 的投资得到了新的绩效定义的回报，而不仅仅是对传统指标更好的绩效衡量。
正如詹姆斯·韦伯太空望远镜拍摄的早期星系形成的惊人图像颠覆了一些传统的宇宙学对宇宙的理解一样，日益智能的仪器和算法可以揭示令人惊讶的性能特征。例如，在谷歌，考希克观察了无监督学习算法如何为其媒体购买识别出完全意想不到的绩效标记。与领先的人工智能研究人员和从业者的其他对话表明，未来最有效的领导团队将依靠智能 KPI 来释放新的绩效能力。优化明天的绩效将由最好、最明智的关键绩效指标 (KPI) 来指导。
7.2 从“静态基准”到“动态预测”
传统的“设定后就忘记”的基准测试做法让位于对更智能的 KPI 的有针对性的投资，这些 KPI 可以更精确地预测市场状况、供应链和消费者行为。施耐德电气对动态 KPI 进行建模，计算不稳定的天气如何影响与能源成本、分布式负载平衡风险和碳足迹相关的 KPI 之间的权衡。动态关键绩效指标让企业能够更早地预测不断变化的环境并更有效地应对它们。我们采访的高管无一例外地表示，他们正在越来越多地协调数据流和工作流程，以使他们的 KPI 更具适应性和预测性。我们已经在高频算法交易和程序化广告市场中看到了这种预测活力。动态不可预测的市场需要动态预测 KPI。
7.3 从“判断第一”到“算法定义”的战略指标
传统上，人类高管根据经验、市场趋势和业务目标来设计和定义 KPI。将生成式人工智能与其他智能算法相结合，打破了人类的垄断，并鼓励了以前无法想象的指标。明天用于调整和评估关键绩效的最具创新性的指标很可能是机器制造的。
这要求尊重负责任的人工智能精神的组织必须公开接受其“机器制造”指标的透明度、可解释性和可解释性。智能 KPI 必须与企业价值观和目标保持一致。这需要新的流程来设置、改进、调整和沟通战略和运营指标。人类监督补充并控制了算法的洞察力和远见。
7.4 从“KPI管理”到“智慧KPI治理与监督”
更好的 KPI 管理强调具体结果，而 KPI 治理则确保预期结果得到适当调整和优化。管理 KPI 涉及根据各个指标最大化绩效，通常是在团队或单位级别进行隔离。相比之下，KPI 治理要求在企业层面监督并积极完善整个 KPI 组合。我们的研究表明，许多领导者继续将 KPI 管理置于 KPI 治理之上。
有效的治理要求领导者了解智能算法如何能够而且应该影响 KPI 学习、改进和学习改进的方式。识别和管理相互竞争和冲突的 KPI 之间的权衡变得至关重要。评估此类权衡的跨职能审查是确保一致性的关键。智能 KPI 治理的目标不是（仅仅）优化单个 KPI，而是优化战略 KPI 组合——最能代表战略愿望、目标和结果的 KPI 组。
从本质上讲，企业需要针对其 KPI 的 KPI——智能指标和标准来可靠地评估 KPI 本身的有效性、效率和一致性。为 KPI 开发 KPI 需要元级别的策略和方法，以确保绩效衡量系统本身的持续改进。更好的治理，而不仅仅是更好的数据科学，塑造了这些元 KPI。我们采访过的每一位高管都表示，他们在 KPI 管理方面的进展才刚刚开始。
7.5 从“关注KPI”到“KPI对话讨论”
全天检查 KPI 是世界各地办公室的一种常见管理习惯，随着更详细、更具视觉吸引力和洞察力的仪表板的发展，这种习惯变得更加令人愉悦和有用。然而，智能算法将引人注目的仪表板转变为机器学习平台，促进、支持和授权管理者与其 KPI 之间的实时对话。例如，为关键绩效指标配备生成式人工智能功能，使管理人员可以提示仪表板为财务规划或库存管理生成反事实场景。使用大型语言模型进行迭代可以将这些反事实场景重新制作成对决策和协作有用的叙述。
管理范式从被动的数据消费转向主动的数据交互。多模式 KPI 仪表板之间的实时数据对话可以带来更明智、敏捷的战略决策。赛诺菲的 Plai 计划提供了一个案例研究，说明预测分析如何激发更多面向未来的内部协作。这种从绩效跟踪显示到仪表板对话、对话和询问的生成性扩展增强了分析参与和决策制定。
7.6 从“基于 KPI 的战略”到“基于 KPI 及与之相关的战略”
在传统的战略管理方法中，KPI 构成了有形的、可衡量的目标，代表了高管确定的业务目标。战略必须包含可衡量的目标，以指导行为、传达目标并让个人承担责任。KPI 连接战略和运营。这是带有 KPI 的策略。
智能 KPI 需要新的范式，因为它们本身需要一个随着时间的推移进行开发和优化的策略。您最明智的 KPI 可优化您的策略，而您的最佳策略则包括更明智的 KPI。为 KPI 制定战略以及与 KPI 相关的战略，可以鼓励战略家不仅关注可衡量的目标，而且关注可衡量的增强的 KPI。
08. 要点总结
这些转变都不是微妙的或渐进的；它们扰乱了组织理解、定义和追求卓越绩效的方式。战略绩效改进的领导举措不能与制定更明智的 KPI 的举措分开。这些要点强调了组织必须采取的后续步骤，以使其智能 KPI 在运营、组织和战略上更有价值。
将静态指标转变为更智能、更动态、更准确的关键绩效指标 (KPI)，有助于高管及其董事会转变战略洞察力、愿景和责任的方法。智能 KPI 承诺并可以提供以前无法达到的数据驱动的组织活力水平。这不是炒作，而是炒作。这就是人工智能现在所实现的，也是我们从已经投资于智能 KPI 的高管那里听到的。
尽管这些颠覆带来的挑战——道德、运营、组织和文化——看起来令人畏惧，但我们采访的领导人认为，战略利益远远超过成本。他们对衡量成功的新方法持开放态度，并愿意更新和修改他们对人工智能和战略规划的传统信念。
将智能 KPI 智能地集成到企业中需要新的文化承诺，以在人才与其技术之间建立更有效的合作伙伴关系。领导者如何从最明智的 KPI 中学习并利用他们的知识将决定两者的成功。
关于绩效、绩效衡量、战略绩效、绩效策略、绩效衡量策略、战略绩效衡量和战略衡量有大量文献。我们的研究重点是战略衡量，我们将其描述为组织可靠地量化为自身和其他利益相关者创造价值的系统。我们认为，战略衡量系统至少包括三种类型的能力：一种用于定义、开发和传达反映和推进战略愿望的关键绩效指标；另一种用于定义、开发和传达反映和推进战略愿望的关键绩效指标；收集、综合和分析绩效数据的技术能力，为关键战略和运营指标的开发及其之间的关系提供信息；以及具有优化和学习其他能力的机制和流程的治理能力。
“人工智能与商业战略”，《麻省理工学院斯隆管理评论》，2023 年 12 月 5 日访问，https://sloanreview.mit.edu。
S. Ransbotham、F. Candelon、D. Kiron 等人，“人工智能对企业的文化益处”，2021 年 11 月 2 日，麻省理工学院斯隆管理评论，https: //sloanreview.mit.edu。
SS Chugh、K. Reinier、C. Teodorescu 等人，“心脏性猝死的流行病学：临床和研究意义”，《心血管疾病进展》51，第 1 期。3（2008 年 11 月至 12 月）：213-228。
D. De Cremer 和 J. Stollberger，“人员分析是否使您的员工丧失人性？” 《哈佛商业评论》，2022 年 6 月 7 日，https://hbr.org。
- The Future of Strategic Measurement: Enhancing KPIs With AI
