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

摘要

本文讨论了一个关键问题，即为什么企业未能从其人工智能（AI）投资中获得最大的商业价值，并提出了一个AI决策的战略决策框架来解决这个问题。我们建议，企业的业务战略必须推动人工智能驱动的业务成果和测量，而这些成果和测量又应该推动人工智能的实施决策。很多时候，我们发现企业未能成功地将业务问题投向人工智能问题。为了弥合这一差距，我们建议企业使用绩效管理系统，如目标和关键结果（OKRs），以确保业务和人工智能的目标和目的得到很好的定义，紧密结合，并在整个公司内透明化，而且公司的不同部门以综合方式处理人工智能工作。我们将麦当劳对人工智能的使用作为一个商业案例，以证明对我们的人工智能决策框架的支持。我们认为，将商业战略作为主要驱动力将使企业能够利用人工智能解决正确的问题，使其成为技术创新和竞争优势的来源。

简介

人工智能（AI）正在开始改变许多行业，预计到2030年将为全球经济贡献15.7万亿美元（Pumplun, Tauchert, and Heidt2019; PWC,2019）。这将促进大规模和非结构化数据的实时处理，并通过产生预测性的见解，加强商业决策（Albrecht, Rausch, and Derra2021）。虽然在2018年接受调查的583,000家美国企业中，人工智能相关技术的使用率不到5%，但在领先的财富1000强企业中，人工智能相关投资的步伐正在加快，92%的受访样本报告了对数据和人工智能的加速投资（Bean2021; Zolas et al.2021）。然而，同一样本中超过90%的人报告说，他们正在努力从他们的人工智能投资中获得价值（Bean2021）。事实上，大多数非技术财富500强公司在谈到人工智能时，都陷入了试点炼狱（Aaser, Woetzel, and Russell2021）。讨论人工智能对公司价值的影响的研究很少，而且发现的结果不一。Lui, Lee和Ngai（2022）通过研究62家公司的人工智能投资的公开上市，研究了人工智能对公司价值的影响。他们发现，公司的股票价格在公告当天平均下降了1.77%。这一发现表明，投资者对企业成功实施人工智能的能力信心不足。此外，Mishra、Ewing和Cooper（2022）用他们的发现证实了美国上市的公司在人工智能方面处于即将转型的状态。尽管人们对人工智能的潜力抱有越来越大的热情，但各行各业的高管都表示，这项技术的部署很棘手，最初的回报也不明确（Bergstein2019；Haenlein and Kaplan2021；Lui, Lee, and Ngai2022）。即使在人工智能有望产生巨大影响的业务职能领域，大多数公司尚未超越人工智能评估阶段，只有不到五分之一的公司在任何特定的核心流程中实施人工智能（IBM2021）。

之前的研究推测了许多人工智能投资没有产生价值的原因，部分原因是缺乏专业知识、技术基础设施不足、认知的复杂程度高以及结果可疑（Bean2021；Bergstein2019；Meakin等人2021）。事实上，这些因素可能会导致满足--次优决策--这可能会阻碍人工智能支持的战略认知和组织的能力学习（Simon1957; Winter2000）。尽管人工智能实施成功的速度很慢，但许多组织仍然看到了人工智能的巨大前景。大数据的可用性，加上计算机处理和人工智能研究的进步，为组织提供了一个独特的机会，使用人工智能来注入他们的产品，降低产品和服务成本，优化他们的业务流程，并更好地服务他们的客户（Lee和Shin2020）。发展专业人工智能能力的公司开始看到积极的财务表现（Mikalef, Fjørtoft, and Torvatn2019）。Mikalef和Gupta（2021）调查了143家公司，发现人工智能能力与组织创造力和财务业绩都有正相关。在这个人工智能的承诺和当前趋势显示实现人工智能投资所涉及的挑战的交汇点上，有一个对组织来说很重要的问题：如何有效和优化地使用人工智能来改善业务成果？

本文讨论的问题是，为什么企业未能从其人工智能投资中获得全部价值？在这篇文章中，我们认为，要从人工智能技术中获得价值，企业必须在人工智能的决策上做到有效和优化。这只有通过对人工智能技术的良好理解和对人工智能如何解决商业问题的明确认识才能实现。本文的目标是为人工智能投资和计划的价值最大化提供一个规范性的决策框架。我们的框架提供了一个有用的路线图，使人工智能技术在支持组织目标方面的作用概念化。我们的框架表明，公司的业务战略必须推动人工智能驱动的业务成果和测量，这反过来又应该推动实施决策。我们还建议使用绩效管理系统，如目标和关键结果（OKRs），以确保业务和人工智能的目标和目的在整个公司内紧密结合和透明，并且公司的不同部门以综合方式处理人工智能工作。企业可以利用我们的框架，就识别和选择相关的人工智能项目做出决策，实施这些项目，并不断衡量它们所创造的价值，以微调这些努力。

行政部门决策框架的基本原理

企业界普遍认为，在未来三年内，人工智能将被整合到大多数企业应用中，但人工智能带来的竞争优势可能只取决于组织如何创造性和负责任地使用人工智能（Hupfer2020; Lui, Lee, and Ngai2022）。鉴于这种情况，一个有效和最佳的人工智能的战略决策框架是很重要的，原因有很多。首先，对价值创造产生影响的不是人工智能技术本身，而是如何应用它们来解决组织的业务问题。人工智能投资和倡议的战略决策框架提供了关于如何使用人工智能来最大化价值的明确目的。第二，一个组织解决什么问题主要由其业务战略和预期的业务成果决定。因此，在实现业务目标方面，业务战略和人工智能举措之间必须紧密结合。最后，不是每个公司的能力都是一样的。因此，如果一个公司的战略反映的愿景/目标超出了他们目前实施必要的人工智能技术的能力范围，那么该公司必须考虑获得或建立这些能力以达到其业务成果的几个替代方案。因此，人工智能投资和倡议的战略决策框架--除了为识别、实施和评估与商业战略紧密相连的人工智能项目提供路线图--还为获取/建立人工智能相关能力的必要权衡提供线索。

我们对之前关于人工智能框架的研究的回顾表明，到目前为止，研究仅限于组织决策结构、伦理框架、社会的人工智能原则和问责制的人工智能框架。Shrestha、Ben-Menahem和Von Krogh（2019）构思了一个框架，该框架提供了关于如何将人类决策与人工智能决策最佳结合以提高组织决策质量的见解。他们提出的三种结构是：人类对人工智能的完全授权，人类和人工智能的混合，以及人类和人工智能的聚合决策。Lysaght et al.(2019)提出了一个医疗大数据的伦理框架，其中他们确定了临床决策者要使用的相关价值，以平衡算法偏见造成的潜在危害和使用人工智能产生的公共健康效益。Floridi和Cowls（2019年）构思了一个统一的人工智能框架，包括社会中人工智能的五个原则。他们的框架旨在建立采用人工智能造福社会的伦理原则。他们提出的五项原则是有益、无害、自主、公正和可解释。Berscheid和Roewer-Despres（2019）提出了一个基于人工智能的决策系统的问责框架。他们的框架旨在让人工智能系统的开发者和客户共同对人工智能系统的创建和使用负责。他们建议由开发者创建人工智能验证文件，由客户创建部署披露文件（DDD）。他们的理由是，这些文件的创建代表了人工智能系统的开发和使用的正式监管体系。然而，这些框架都没有关注如何做出决策，以使人工智能的投资最大化，我们的论文在这方面做出了贡献。

AI的战略决策框架

在本文中，我们将人工智能定义为 "一个系统正确解释外部数据的能力，从这些数据中学习，并利用这些学习成果通过灵活的适应来实现特定的目标和任务"（Haenlein and Kaplan2019, p. 5）。学者们不同程度地将人工智能描述为颠覆性或革命性的，因为它具有改变社会运作方式的巨大潜力。人工智能被认为是一项颠覆性技术，因为它"......有可能对我们的行为方式和日常活动产生巨大的变化。破坏是生活中的一个事实，每当新的发明和工艺进入市场时，就会不断地发生"（Girasa2020, p.4）。之前的研究人员将人工智能归入 "革命 "类别，因为它们能够改变一个社会的技术-经济范式的动态（Coccia2021）。人工智能是一个更广泛的领域，包括机器学习（ML）和深度学习的一个子集，本文的范围主要涉及实现这个子集的系统（以下称为人工智能/ML技术）（Lee and Shin2020）。我们在图1中展示了我们的人工智能投资和倡议的战略决策框架。 我们框架的目标是帮助组织从他们的人工智能中获得最大价值。为了实现这一目标，我们的框架表明，组织必须明确其业务战略。一旦明确，业务战略就会推动人工智能驱动的业务成果和测量的发展，这反过来又会指导人工智能模型的实施决策。最后，严格专注于衡量人工智能举措的价值，将有助于组织评估人工智能部署的有效性，并提供所需的改进反馈。在这个框架中，企业必须采取的决定是自上而下的线性流动，并且是跨越边界和相互依赖的。我们在下文中更详细地描述了我们的人工智能框架的要素。

商业战略

在这个框架内，一个公司的第一个决定是明确他们的商业战略。竞争性的商业战略就是要与众不同，这意味着有意选择一套不同的活动来提供独特的价值组合（波特，1996）。一个有效的商业战略旨在将一个公司从目前的位置带到他们打算在某个时间框架内去的地方。

一个明确的战略有三个组成部分--目标、范围和公司的竞争优势。例如，位于圣路易斯的经纪公司爱德华-琼斯（Edward Jones）有一个简洁的战略声明：琼斯的目标是 "到2012年将财务顾问人数增加到17,000人[从现在的10,000人]，通过一个由一个财务顾问办公室组成的全国性网络，向委托他们做财务决定的保守的个人投资者提供可靠和方便的面对面的财务咨询"（Collins和Rukstad2008）。相比之下，谷歌似乎改变了他们的战略，从世界的信息组织者变成了帮助个人增加知识、健康、幸福和成功的工具提供者（Rosoff2019）。可能有些企业有明确的战略，有些则没有，但总的来说，高管们正在推动他们公司的努力朝着某个方向发展。这些更大的目标构成了人工智能相关决策的定位（Collins and Rukstad2008）。

为什么精心设计的商业战略对人工智能计划很重要？战略使公司能够确定其路径，明确其差异化的竞争定位，进行权衡，并在各项活动之间建立契合点（波特1996）。例如，如果一家公司选择追求增长，盈利能力的优先级就会降低。同样，如果一个公司决定专注于机构客户，他们可能会忽略零售客户（Collins和Rukstad2008）。此外，一个公司可以识别和建立必要的资源来发展竞争优势（Barney1991）。

了解战略和理解权衡对于一个组织确定和实施重点突出的人工智能举措清单是非常重要的，这些举措对实现业务战略是非常一致的。之前的研究将人工智能系统分为七种类型（Martínez-Plumed, Gómez, and Hernández-Orallo2021）。第一种人工智能类型是基于知识表示和推理的。也被称为基于规则的人工智能，这些系统将人类的专业知识与知识数据库嵌入，使决策过程自动化。这种人工智能的一个例子是IBM Watson Health。第二类人工智能是基于学习的，计算机以统计或数字的方式学习。使用ML的预测模型来理解人类行为（如欺诈、贷款风险等）代表了基于学习的AI的一个例子。第三种类型的人工智能专注于人类和机器之间通过自然语言的交流。这种人工智能类型的一个例子是基于自然语言的系统（自然语言处理[NLP]），监测社交媒体以分析客户评论。第四种类型的人工智能与感知有关，其中计算机系统解释来自传感器的数据以感知周围的环境。这种类型的人工智能的一个例子是面部识别系统。第五种类型的人工智能专门用于规划，其中系统关注的是实现战略或优化解决方案，由代理人执行。物流方面的规划算法已经存在了一段时间，而类似的算法在国际象棋、围棋和扑克中也取得了很大的成功。第六种类型的人工智能专业是在物理交互或机器人方面。无人驾驶汽车和机器人吸尘器就属于这个领域。第七种类型的人工智能专注于社会能力，其中集体智能从分散但自我组织的代理群体的合作中产生。这种人工智能的一个例子是一个推荐系统，其中群体智能从合作中产生。

一个明确的商业战略可以帮助一个公司就投资哪种类型的人工智能系统做出适当的决定。当Lundstams，一家位于瑞典的废物管理公司阐明其专注于可持续发展的战略时，它选择使用基于机器人的人工智能系统来自动化和推进其废物分类操作。与人工处理相比，人工智能系统的使用使Lundstams公司的效率提高了20倍，并在回收效率方面每月节省了约20,000欧元（Zenrobotics2022）。

AI驱动的业务成果和测量

我们框架中的下一步是关于人工智能驱动的商业成果和测量。在这一步，重要的是企业要问：什么商业成果是重要的？我们如何在人工智能计划的背景下衡量它们？业务成果来自于业务战略。一个定义明确的商业战略通常有明确的目标。辅助目标来自主要目标。实现商业价值意味着实现这些商业成果（Fountaine, McCarthy, and Saleh2019; Hunter and Westerman2009）。对商业成果有一个清晰的概念是至关重要的，原因有三。首先，了解商业成果让利益相关者知道成功在商业上是什么样子。第二，它有助于确定适当的人工智能项目来实现这些成果。第三，在人工智能项目实施后，公司可以衡量和评估是否达到了预期的效益。

各个组织已经尝试了许多目标设定框架，通过在公司各个层面保持对目标的关注，来促进商业战略的执行和落实。目标管理（MBO）和OKRs是组织在这方面使用的几个框架的例子（Greenwood1981；Doerr2018）。讨论这些框架的优点和缺点超出了本文的范围，但为了说明问题，我们使用OKR框架。这个框架被许多公司使用，如谷歌、Spotify、沃尔玛、《卫报》等（Castro2018）。OKR是目标和关键结果的缩写。目标描述了要实现的东西。它们打算是重要的、具体的和面向行动的，但不一定是可衡量的。关键结果说明如何实现目标。它们应该被设计成可量化的、可核实的、有时限的和现实的（Doerr2018）。例如，考虑一个虚构的公司，其商业战略的目标是在一个地区获得最大的市场份额。为了衡量这个目标，该公司可以定义一些关键结果为：(1）推出一个新产品，和（2）为产品X获得100,000个新客户（Castro2018）。这个公司层面的OKR接下来可以级联到职能层面的OKR。例如，销售和客户服务职能部门可以将关键结果2（与获取新客户有关）作为他们的目标，并在该目标下定义多个关键结果，如下所示：

关键结果1：将净促销员得分（NPS）从8分提高到9分。

关键成果2：将电子商务转换率从4%提高到5%。

关键成果3：将客户获取成本保持在20美元以下。

同样，其他职能领域，如营销、人力资源、运营、数据科学和IT，也同样可以根据公司的OKR来定义他们的OKR。虽然建立OKR的过程是细微的，但这里的想法是建立一个目标和措施的系统（也称为绩效管理系统），使公司内的所有人工智能活动与他们的业务战略相一致。这样一个系统为实施我们的人工智能决策框架创造了一个理想的支持，以便从人工智能举措中提取价值。请看图2，它可以作为OKRs作为AI计划的绩效管理系统的典范。

• 人工智能问题

鉴于公司打算实现的OKRs，人工智能的举措应该集中在如何最好地帮助公司实现其目标。当一个公司开始致力于实现关键结果时，许多业务问题就会展开。其中一些问题可能最好由人工智能/ML模型来解决。然而，这些业务问题必须首先被转化为人工智能问题。这很重要，因为不是每一个业务问题都可以通过人工智能来解决。同样重要的是，要了解哪些问题人工智能可以处理，哪些不能处理（Ng2018）。其次，有了明确的人工智能问题，就可以确定适当的人工智能算法和技术来实施。继续我们前面的例子，对于 "将净促销员得分从8提高到9 "的目标，一些有用的人工智能问题包括："如何预测净促销员得分？"和 "哪些因素最能预测净促销员得分？"一些业务问题比其他问题更容易转化为人工智能问题。在这种情况下，销售和营销领域的专家与人工智能/ML工程师之间的紧密合作变得至关重要。这方面的关键决定是：什么业务问题可以通过人工智能解决？如何将业务问题转化为人工智能问题？

• 关键绩效指标(KPI)

KPI是 "对系统输出、流量或其他使用情况的高层次衡量，简化为每周、每月或每季度的收集和审查"（Gartner2021）。KPI之所以重要，有几个原因。首先，KPI允许公司跟踪OKRs等框架所设定的目标的进展（Kohavi, Tang, and Xu2020）。事实上，之前的研究表明，利用KPI的公司获得了2.95%的资产回报率和5.14%的股权回报率，但只有不到25%的公司有这样的流程（Proctor和Smith。2017）。第二，KPIs本身有时可以作为变量在AI/ML模型中进行优化。有兴趣的读者可以参考Gartner的商业价值模型，它定义了企业使用的数百个关键指标（Kandaswamy和Furlonger2021）。

从我们前面的例子来看，如果一家公司的目标是将NPS从8提高到9，自然公司就必须对这个指标进行跟踪。同时，为了创建一个人工智能/ML模型，NPS变量可以作为一个响应变量（或者传统上在回归模型中被称为因变量）。同时，NPS可以潜在地用于其他相关的人工智能背景下的建模，如客户保留率、销售机会指数、客户互动指数等（Proctor and Smith2017）。此外，经过充分训练的高级AI/ML模型可能会发现新的KPI，这些KPI可能是AI团队自己无法发现的（Kiron和Schrage2019）。

此外，还可以用人工智能指标来评估业务成果。例如，当建立一个预测NPS的模型时，除了简单地预测一个NPS数字外，我们可以衡量NPS的不同预测因素的相对重要性，这些预测因素可以在回归模型中被估计为它们的回归系数。使用变量选择方法，我们也可以确定每个预测因素对响应变量的相对影响，从而将企业可能能够采取行动的因素数量减少到零。同样，如果企业关注的是作为关键业务成果的留存率，除了使用分类模型来预测概率，我们还可以使用AUC分数（曲线下面积）等措施来评估不同的模型，并使用提升比率来进行排名分析。这种使用人工智能指标的分析可以深入了解各种商业因素和商业结果之间的相互作用，此外还可以帮助企业预测一个感兴趣的变量，并选择最有可能为商业结果做出贡献的客户子集（Shmueli, Bruce, and Patel2016）。

就我们的框架而言，企业需要做出的重要决定是：哪些关键绩效指标可以有助于回答人工智能问题？哪些业务和人工智能指标可以跟踪人工智能模型的性能？

执行决定

实施中的关键决策涉及数据和治理、模型及其实施、技术工具和人员技能。我们在下文中分别讨论这些问题。

• 数据和管理

AI/ML模型的实施需要数据。一旦企业决定要回答什么人工智能问题和使用什么指标，下一组决定就涉及到：什么构成了这个问题的相关数据？如何获得这些数据并使之可用？公司如何确保使用的数据没有偏见，并符合相关监管框架规定的个人数据保护标准？

利用客户信息进行决策并不是一个新的策略，但云计算和新技术的出现使公司能够快速处理和理解大量的数据（Hagiu and Wright2020）。例如，当Netflix进入内容业务时，它利用了其在美国的2700万用户和全球3300万用户的数据。通过使用用户的观看历史、搜索和评级，Netflix决定对英国节目《纸牌屋》进行成功的美国改编（Laney2020）。人工智能应用可以使用大量的数据，但它们越来越能够使用结构化的输入，如销售数据、库存数据、网络浏览指标等，以及非结构化的输入，如来自社交媒体、博客、物联网设备等的音频、视频、图像、文本数据（Canhoto and Clear2020; Paschen, Pitt, and Kietzmann2020）。虽然大数据和人工智能提供了一个独特的承诺，但当数据是有价值和专有的，创造独特优势的可能性就会增加。例如，Mobileye公司向许多汽车制造商出售其旨在提供防撞和车道警告系统的高级驾驶辅助（ADAS）系统。因为他们的系统被大量的用户使用，系统的准确率提高到99.99%，给公司带来了独特的优势（Hagiu and Wright2020）。因此，企业必须批判性地思考在人工智能应用中使用的数据如何能够创造和最大化独特价值。

为了做好人工智能计划的数据部分，组织必须注意几个重要方面。首先，AI/ML团队所需的数据往往以多种格式存在于不同的IT系统中，使得AI/ML团队难以及时获取必要的数据（Campbell等人，2020）。其次，许多AI/ML工程师表现出固有的偏好，喜欢做模型工作，但不喜欢做数据工作。这可能会导致数据级联--由数据问题导致下游人工智能系统的负面表现的复合事件（Sambasivan等人，2021）。例如，上游流程的不良数据实践导致IBM的癌症治疗人工智能的数据准确性降低，类似的问题导致谷歌流感趋势的人工智能系统预测不准确（Sambasivan等人，2021）。第三，消费者和监管机构越来越多地表现出对数据隐私和责任问题的关注。一般数据保护条例（GDPR）和加州消费者隐私法案（CCPA），以及一系列地方州法律，都强制要求企业在隐私方面保持高标准（Hamilton和Sodeman2020）。鉴于这些必要条件，企业必须对与数据相关的流程和治理机制做出重要决定。基于我们的人工智能决策框架，识别重要的业务问题和相关的关键绩效指标和人工智能指标对于确定所需的数据至关重要。

继续我们前面的例子，为了创建一个AI/ML模型来预测NPS，数据科学家首先需要确定相关数据。虽然领域知识和公司运营的背景很重要，但数据科学家也可以看看以前在这个领域做的研究，以确定相关的变量。例如，为了对移动电信行业的NPS进行建模，研究人员确定了与资费计划、网络语音数据、网络计划数据、账单等相关的九个客户体验属性（Markoulidakis等人，2020）。一旦以这种方式确定了相关数据，企业就可以把注意力转向我们框架的下一步。

• 模型和实施

一旦企业确定了人工智能问题、关键绩效指标和适当的数据，下一个决定是：需要开发什么人工智能/ML模型？人工智能问题、数据类型和数据结构是选择适当的人工智能/ML模型的关键输入。Lee和Shin（2020）将机器学习算法分为有监督的、无监督的、半监督的和强化学习方法。我们的讨论仅限于有监督的方法，即利用一组输入变量（X）为输出变量（Y）建立一个模型。一些流行的监督方法包括线性回归、逻辑回归、天真贝叶斯、K-近邻、神经网络等等（Shmueli, Bruce, and Patel2016）。

我们在图3中提供了一个类型学，用于选择基于数据类型和数据结构的ML方法（Ramesh2017）。当一个组织拥有结构化数据且数据规模较小（例如，一百到几千行）时，他们可以利用统计分析，如经典回归来创建基本预测模型。用于显示可视化的仪表盘，不仅是用于报告目的的商业智能的重要组成部分，而且还用于显示ML模型的结果，以达到可解释的目的。基本文本挖掘等技术可用于数据量小的非结构化数据。特别是，与标记一个文件属于一个类别有关的应用适合这种类型的分析（Shmueli, Bruce, and Patel2016）。当数据规模很大（例如，数百万行或更多），并且数据是结构化的，可以采用许多ML模型，如线性回归、支持向量机、逻辑回归，包括深度学习方法，如人工神经网络。最后，当数据规模大且数据非结构化时，可以采用与高级深度学习、NLP和自然语言理解（NLU）相关的模型（Wilson和Daugherty2020）。虽然使用仪表盘和基本的统计分析需要适度的专业知识，但应用与非结构化和/或大数据相关的AI/ML方法需要高级技能。

为了实施AI/ML模型，企业需要做出几个关键的决定。首先，在考虑实施人工智能/ML模型之前，它必须有多大的准确性？准确性衡量AI/ML模型对输出变量的预测程度，不同的AI背景可能需要不同的AI/ML准确性指标。消费者对癌症检测和自动驾驶汽车的物体检测要求更高的预测精度，而对语音控制的虚拟助手来说，较低的预测精度可能是可以容忍的（Agarwal, Gans, and Goldfarb2018）。其次，对于企业来说，为用户和监管机构解释人工智能/ML算法的工作原理是否重要？例如，根据《平等信贷机会法》（ECOA），金融公司有责任向消费者提供拒绝信用卡申请的理由。在这种情况下使用无法解释的AI/ML模型可能会有问题。另一方面，消费者可能并不关心聊天机器人的内部运作，只要它能很好地满足他们的需求（Han2021; Lee and Shin2020）。第三，如何在人工智能/ML模型的预测和决策之间实现闭环？例如，癌症检测AI/ML模型为一个肿瘤提供的诊断措施往往是概率性的，如："66%良性，30%恶性，4%无病。"在AI/ML模型产生其预测结果后，可能需要额外的判断来决定是否送病人去做活检。应该由人工智能/ML系统做出这个决定，还是应该由人类参与？(Agarwal, Gans, and Goldfarb2018）。将这些决定完全委托给AI/ML团队，对企业来说可能不是一个好主意。

对于本文介绍的创建预测NPS的AI/ML模型的例子，AI/ML分析员可能不必从头开始创建模型。通常情况下，相关的研究可以在已出版的刊物中找到。在某些情况下，AI/ML分析师可以重新使用这些模型，将其应用于他们的组织环境，而不是试图重新发明轮子。例如，Markoulidakis等人（2020）发表了一个逻辑回归模型。(2020)发表了一个基于逻辑回归的算法来提高NPS的预测，他们的方法比之前的方法有明显的改善。一旦NPS模型被开发出来，下一个问题就是如何使用它。在调查中，只有大约15%-20%的客户提供了NPS测量的数据。因此，NPS预测模型可以用来预测其余顾客的NPS分数。该模型的结果也可以帮助识别可以利用的因素来改善客户体验（Parthasarathy2021）。

• 技术工具和人员技能

我们框架中的下一个实施决定涉及到人工智能部署所需的技术工具类型和所需的人员技能类型。不同类型的AI/ML模型的实施可能需要不同的技术工具和计算资源。虽然结构化数据管理依赖于传统的关系型数据库管理系统和数据仓库，但新的数字平台正在出现，以支持AI/ML应用。这些平台的例子包括ML模型的开源框架和库（如谷歌TensorFlow），视觉、语音、语言、搜索等服务的应用程序接口（API）（如谷歌的云翻译API），开发、测试和部署AI模型的拖放模型（如Azure ML Studio），以及供用户在其环境中部署的预训练模型（Rai, Constantinides, and Sarker2019）。然而，调查表明，在核心数字技术（云、移动和网络）和先进技术（大数据和高级分析）方面拥有强大基础的公司更有可能采用和整合下一代人工智能平台（Bughin和van Zeebroeck2018）。在Brock和von Wangenheim（2019年）的另一项调查中发现，与数字技能较弱的公司相比，拥有更强的数字技能的公司预计会有更高的人工智能诱发影响。此外，人工智能部署的领导者倾向于在内部开发人工智能/ML应用程序，而不是购买它们，他们还雇用了更多的人工智能特定人才，如数据工程师、数据架构师和翻译（Balakrishnan等人，2020）。例如，Capital One等公司计划雇用大量的技术工人，其中许多人预计将专门从事人工智能。该公司最近完成了将其数据、应用程序和IT系统转移到亚马逊网络服务，并希望利用以人工智能为重点的招聘来加强其利用综合云数据的能力（Castellanos2021）。然而，缺乏有能力的人和招聘困难一直显示为组织在其人工智能部署工作中面临的障碍（Wiggers2021）。因此，管理者需要注意使用新颖的招聘方法来吸引最好的人才。

继续我们之前的例子，如果公司的AI/ML团队决定尝试几个AI/ML和深度学习模型，那么就需要哪些技术工具的决策将变得很重要。关于使用哪些标准的人工智能工具框架，人工智能模型需要多长时间更新一次，如何跟踪人工智能模型的性能，如何创建生产就绪的管道，是否需要一个高性能的计算集群来处理人工智能工作负载等方面的决定变得非常重要（Balakrishnan等人，2020）。此外，如何构建开发模型的团队，是否让其他职能领域的成员参与进来，以及如何向内部和外部利益相关者解释调查结果，也变得很有意义。

• 人工智能项目评估

我们框架中的下一个决定要求组织评估人工智能项目给组织带来的好处。准确测量效益并将其传达给赞助商和利益相关者的过程对于实现人工智能倡议如何促进业务绩效非常重要（Hunter and Westerman2009）。在Mckinsey进行的一项调查中，22%的受访者说他们超过5%的收入归功于AI的使用，而48%的受访者报告说AI带来的收入低于5%。据报道，收入的增加比成本的减少更常见（Balakrishnan等人，2020）。

在衡量人工智能项目的效益时，组织必须对硬效益和软效益进行重要区分。如果一个效益可以用财务术语来衡量，与损益表有关，那么它就被认为是一个硬效益。然而，软效益只能用操作术语来衡量，可能不会直接对损益表做出贡献（Hunter and Westerman2009）。组织必须同时衡量硬效益和软效益。继续我们的例子，如何将NPS预测模型与改善客户体验并最终增加销售额联系起来成为一个重要问题。管理者们首先需要确定NPS模型所建议的关键变量是什么，来操作改善NPS。如果NPS模型建议将 "即时聊天支持 "作为NPS得分的关键决定因素之一，那么经理们必须检查当前的响应时间。例如，如果当前即时聊天的平均响应时间是8分钟，那么通过数据科学A/B实验，他们可以操纵客户样本的即时聊天时间，检查其对NPS的影响。通过这种方式，经理们可以改进某些业务流程以提高NPS。此外，使用预测模型，经理们可以将NPS得分与销售联系起来。例如，该公司开发的一个回归模型显示，NPS增加10%与销售额增加3%有关。利用这样的模型预测，管理者可以将软性效益转化为财务状况（Hunter and Westerman2009）。另外，将人工智能效益的测量与 "人工智能驱动的商业成果和测量 "一节中确定的关键结果（将NPS从8提高到9）联系起来是很重要的。在年底，管理者可以报告人工智能的关键结果在多大程度上得到了实现。表1总结了一个公司使用我们的人工智能框架必须做出的决定，以及为什么这些决定对人工智能计划很重要。

表1. 

在人工智能框架中要做出的决定。要做出的决定为什么该决定对人工智能计划很重要？我们的商业战略是什么？战略为公司想要达到的目的地提供了一个方向，而人工智能可以帮助公司及时到达目的地。我们的人工智能驱动的业务成果和衡量标准是什么？业务成果：了解业务成果让利益相关者知道成功在业务方面是什么样子。AI问题：AI问题将商业问题转化为AI问题。关键绩效指标和人工智能措施：关键绩效指标有助于将业务目标转化为可量化的定义和指标。它们还帮助企业跟踪其成功或失败。人工智能指标，如AUC、准确率、提升率、R-squared和MAPE，有助于评估预测模型，确定模型的哪些性能指标有助于实现业务目标。我们的执行决定是什么？需要什么数据？必须建立什么样的治理机制？组织拥有大量的数据。组织应该提供在回答人工智能问题方面有目的的数据。治理机制有助于为人工智能/ML项目提供优质数据，并帮助满足监管和隐私准则。要建立什么样的AI/ML模型？如何实现它们？并非每个模型在其难度或其增加的价值方面都是平等的。仔细选择人工智能/ML模型对于解决问题，有时对于解释模型的工作原理也很重要。另外，模型的实施需要深入了解它们必须如何被整合到业务流程中，以及员工必须如何适应新的变化。使用什么技术工具？不同的AI/ML算法可能需要不同的技术工具。了解可能的选择有助于决定购买与外包的选择。我们需要什么技能？不同类型的人工智能项目需要不同类型的人员技能。这些技能既可以是技术性的，也可以是业务性的。雇用有能力的人工智能资源是人工智能项目成功的关键。我们如何衡量人工智能项目的价值？建立一个流程，重点是衡量人工智能项目的价值，将结果传达给内部和外部利益相关者，并将结果与行动挂钩，这一点很重要。

关于麦当劳使用人工智能的应用案例

在本节中，我们将根据本文提出的框架讨论麦当劳对人工智能的使用。我们对麦当劳进行了优势、劣势、机会和威胁（SWOT）分析，以了解麦当劳的商业战略和使用人工智能来开发商业机会背后的原因。麦当劳于1956年在伊利诺伊州成立，1965年在特拉华州注册，是全球公认的品牌之一，在119个国家开展业务。在其39000家餐厅中，约有36000家是特许经营的。麦当劳的核心优势在于其独特的能力，促进/建立了客户对其菜单项目的高满意度，以及其高品牌价值（Mergent2022）。麦当劳运营的弱点在于缺乏/较弱的能力，无法驾驭复杂的特许经营网络，无法快速应对各种地理区域的消费者偏好，也无法协调其供应链（Mergent2022）。机会在于增加他们的客户数量。截至2017年，在他们最大的九个市场中，麦当劳在每年890亿人次的快餐店中占有15%的份额（Mergent2022）。威胁在于快餐店行业面临的激烈竞争和消费者偏好的变化。SWOT分析清楚地表明了麦当劳拥有或需要建立的能力，以匹配增长的机会，并使用人工智能作为工具来实现这些目标。

2017年，麦当劳推出了名为 "速度增长计划 "的新业务战略，旨在通过增加客人数量实现增长。该战略以顾客为中心，其结果包括保留现有顾客，重新获得失去的顾客，并将临时顾客转化为坚定的顾客。为了操作这个新战略，（麦当劳公司2018年）专注于三个D：（1）加强数字技术以提升客户体验，（2）使送货更方便，以及（3）使客户在开车时体验更快（Markoulidakis等人，2020）。

尽管加强数字技术对任何公司都是至关重要的，但麦当劳仍将他们的重点牢牢地放在消费者体验上。麦当劳的首席信息官丹尼尔-亨利建议，"当你是一个对产品着迷的组织时，你要在技术之前考虑消费者。技术本身毫无意义"（麦肯锡2020）。麦当劳决定在 "未来体验 "项目上花费60亿美元，其中包括店面改造，以包括触摸屏订购系统、数字菜单板、全球应用程序和移动订购系统（Klein2018）。这些数字创新，除了为客户快速订购和交付提供便利外，还为人工智能提供了另一个重要优势：客户特定的订单数据。这些数据对于为客户提供个性化的推荐至关重要。当苹果和谷歌开始允许人们在使用应用程序时选择退出跟踪时，它威胁到公司获得第一方数据的能力。因此，在2021年8月，麦当劳推出了客户忠诚度奖励计划，着眼于直接获得客户数据（塞巴斯蒂安2021）。

根据他们的业务成果，麦当劳最近启动的人工智能项目之一解决了这个问题："我们如何为客户提供最佳的个性化推荐？"2019年，麦当劳收购了Dynamic Yield，这是一家位于以色列的公司，在人工智能方面有专长。Dynamic Yield擅长使用AI/ML技术来增加个性化和改善客户服务。相对于静态菜单板，麦当劳开始使用由AI/ML算法驱动的数字菜单板，根据一天中的时间、天气、当前餐厅客流量和趋势性菜单项目显示食品。他们还可以根据最初的选择向顾客建议更多的项目（麦当劳公司n.d.）。就商业成果而言，只有麦当劳了解有关这些项目所产生的价值的内部数据，但最初的数据似乎很有希望。麦当劳的前首席执行官史蒂夫-伊斯特布鲁克提出，使用内置在自选菜单板中的推荐算法，导致了更多的订单（Yaffe-Bellany2019）。麦当劳2021年第一季度的业绩也超过了分析师的预期，收入为51.2亿美元，而预期为50.3亿美元（卢卡斯2021）。

虽然订单量、顾客访问量、收入等关键绩效指标可以可靠地测量，但要测量麦当劳打算使用的一些战略关键绩效指标并不容易，例如，"客人满意度 "和 "麦当劳是否是一个吸引父母的家庭目的地"。麦当劳使用一个滞后指标，如 "有13岁以下孩子的家庭访问 "和一个领先指标 "一个我很乐意带孩子来的地方"，以掌握他们的家庭目的地结果的脉搏（Kiron和Schrage2019）。虽然客户调查对这些结果有一些了解，但它们可能容易产生选择偏差。使用ML方法，如情感分析，它使用在线客户评论数据（例如，Twitter帖子），提供了一个额外的洞察力来源。最近的研究利用Twitter数据对六家主要的快餐店（QSRs）进行了情感分析，表明麦当劳在积极情感方面的表现优于其他餐厅（Nawaz等人，2018）。

麦当劳试行的另一个人工智能项目打算回答这个问题："我们能不能用机器来理解顾客并与之交谈来接单？"麦当劳正在芝加哥地区的10家自动售货机上测试人工智能的自动语音接单功能。这个系统由Apprente提供的技术辅助，Apprente是麦当劳在2019年收购的一家基于语音的技术公司。麦当劳的首席执行官克里斯-肯普钦斯基(Chris Kempczinski)表示，该系统的准确率约为85%。Kempczinski提到，他们必须同时训练人类助理，因为一旦人工智能系统出现问题或问题，员工就会立即介入。这导致该系统获得的整体数据点较少。首席执行官认为，这个系统可能需要5年左右的时间来准备扩大规模。至于技术和技能，Kempczinski建议，与其为这些先进技术建立内部能力，不如依靠收购和合作伙伴来实施和扩大此类技术（Ruggless2021）。事实上，麦当劳创建了一个名为麦当劳技术实验室的内部部门，并任命Apprente的联合创始人为副总裁，该公司的员工为其核心团队。麦当劳计划通过雇佣更多的工程师、数据科学家和其他技术专家来扩大技术实验室（Dallke2019）。至于数据治理问题，尽管麦当劳建议他们通过关注GDPR和CCPA来认真对待数据安全（麦肯锡2020），但他们最近遭到了伊利诺伊州一位顾客的诉讼，该顾客称麦当劳在通过语音人工智能系统点餐时未经同意收集了他的语音数据。该诉讼称，麦当劳在未经客户同意的情况下收集声纹信息，违反了伊利诺伊州的《生物识别信息隐私法》，即BIPA。这起诉讼严酷地提醒我们，当组织走向实施人工智能技术时，其数据治理工作中的任何缺陷都会迅速暴露出来（Maze2021）。我们在表2中总结了我们的人工智能框架的不同元素是如何被纳入麦当劳的使用案例中的。

表2. 

将人工智能决策框架映射到麦当劳的案例。人工智能框架的要素麦当劳案例中的例子商业战略速度增长计划代表了麦当劳的商业战略。它旨在通过增加客人数量、便利性和满意度来实现增长。AI驱动的业务成果和测量业务成果更多的客人，更大的订单量，更容易交付，吸引父母的家庭目的地。AI问题- 如何使客户的订单个性化？- 如何根据客户已经添加到他们的订单中的内容来推荐产品？- 如何根据一天中的时间、天气、当前餐厅的客流量、趋势性的菜单项目等动态地修改数字菜单板？- 如何自动与客户进行对话式聊天以接受他们的订单？关键绩效指标客人数量、订单大小、订单金额、收入、客人满意度、有13岁以下孩子的家庭来访、家庭友好度、人工智能语音代理处理订单的准确性等等。AI措施自动接单的准确率，不同的预测因素在预测顾客在自动售货机菜单上点什么的相对重要性，等等。实施决定数据和治理麦当劳的店内信息亭、全球移动应用程序、在线订单都会收集个人信息。麦当劳建议他们密切关注数据监管框架，如GDPR和CCPA。他们正计划在谷歌和苹果允许用户阻止向应用程序提供数据时，利用客户忠诚度计划来弥补可能缺乏的第一方数据。技术工具麦当劳在数字技术方面进行了大量投资，主要是在信息亭、全球应用程序、包含推荐系统的数字菜单板，以及用于点餐的人工智能语音识别系统的试点项目。建模和实施麦当劳在其数字仪表盘中使用推荐系统，以及人工智能语音助手接单的试点测试，都依赖于先进的机器学习方法。需要自然语言处理、深度神经网络、推荐算法等方法来成功实施这些项目。麦当劳实施数字菜单板似乎进展顺利，但他们在订单处理的语音AI-系统方面似乎遇到了一些初步问题。至少有一起诉讼称，麦当劳在通过他们的人工智能驾驶室代理点餐时，没有获得收集语音数据的同意。人员技能麦当劳已经收购了两家专门从事人工智能的公司。他们的McD-Tech实验室里有他们最近收购的人工智能公司的成员。他们获得熟练的人工智能人员的策略是利用战略收购、合作伙伴和新雇员。来自人工智能项目的价值只有麦当劳能了解这些知识，但现有数据表明，在数字菜单板内使用推荐技术增加了订单量。他们的收入也出现了增长。另外，据报道，人工智能语音助手目前在正确识别订单方面显示出85%的准确率。作为最早在QSR行业使用人工智能的企业之一，他们具有竞争优势。

讨论

在本文中，我们提出了一个理由，即组织应采用人工智能投资和倡议的战略决策框架来成功部署其人工智能项目。我们在图4中以流程图的形式提供了这个框架，作为管理决策的辅助工具。正如我们的框架所显示的，人工智能计划不能脱离公司的业务战略，业务和人工智能工作之间的紧密结合很重要。如果没有这样一个有凝聚力的战略，人工智能项目可能会导致满足（寻找一根足够锋利的针来播种），而不是优化（寻找堆栈中最锋利的针）的结果，以实现人工智能的价值最大化，实现商业目标。当公司专注于人工智能的运营效率而没有经过深思熟虑和精心设计的竞争性商业战略时，人工智能的实施和结果极有可能失败（波特1996）。

第二，制定明确的商业战略的挑战往往主要是组织上的挑战，取决于有效的领导。由于有如此多的力量在起作用，使得组织中的选择和权衡变得困难，一个明确的知识框架来指导商业战略是必要的平衡。因此，高层领导必须积极参与人工智能项目，以设定目标，确定业务问题，并评估这些努力的价值。第三，即使技术发挥了重要作用，人工智能项目也需要跨职能领域的更紧密合作。当模型确定了关键的预测因素，并提出了干预措施，实施这种变化可能需要不同业务部门之间的密切协作。最后，我们看到，大型科技公司正在带头进行人工智能的努力。其中许多公司主要处理非结构化数据，通过利用他们在软件开发和快速创新方面的优势，他们创造了许多人工智能工具和框架。其他企业不一定要发明人工智能工具，但他们必须找到方法，将这些系统战略性地应用于他们的业务。这时，企业必须准备好他们的业务战略和成果，并确定要用人工智能解决的重要业务问题。然后通过对人工智能投资和倡议的有效和最佳战略决策，他们就能更好地准备好收获人工智能的好处。以前没有接触过人工智能的公司可以使用我们的框架，并从一个试点项目开始。一旦他们开始意识到人工智能的价值，他们就可以加大他们的人工智能投资和举措。

有关创新管理的重要问题之一，如文章中讨论的人工智能项目，是企业如何维持其市场竞争优势。在这种情况下，对技术突破来源的研究是很重要的。Coccia（2017）过去的研究表明，对未解决的问题的认识和寻找解决方案的强大动力诱发了激进创新的出现和发展。我们同意这一观点，并建议当人工智能，应用于具有挑战性和未解决的问题时，有可能进行创新，为企业创造竞争优势。创新的第二个来源可能来自于高技能的科学家在研究实验室中采用的激进创新，他们自由地进行实验和创新（Coccia2016）。在人工智能的背景下，这可能意味着一个跨学科团队的人工智能试点项目，以自由探索和创新来寻找重要战略问题的解决方案。我们相信，这种自由探索将有助于人工智能背景下的洞察力发现过程，并可能对组织绩效产生积极的影响。在这种情况下，一个相关的问题是，为什么组织应该坚持使用人工智能等颠覆性技术？Coccia（2020）之前的研究表明，破坏性技术，类似于本工作中建议的人工智能努力，与成熟的技术相比，往往在一些市场上帮助不相称的增长，破坏性技术的技术周期往往有一个上升波阶段比下降波阶段长，表明技术周期的不对称形状。因此，过去的研究强调了对人工智能创新的支持，本文的贡献是提出了一个决策框架，以使这种投资的价值最大化。

创造人工智能价值的先决条件之一是成功的人工智能采用。之前的研究使用了一个修改过的TOE框架，以表明技术因素（即需求和技术之间的兼容性，与之前的创新相比的相对优势）、组织因素（即高层管理支持、数据、文化、资源）和环境因素（即竞争压力和政府法规）对AI采用的重要性（AlSheibani, Cheung, and Messom2018; Bremser, Piller, and Rothlauf2017; Pumplun, Tauchert, and Heidt2019）。我们的框架与这个框架有一些相似之处和不同之处。虽然我们借鉴了这个框架中的许多因素（如数据质量、政府法规、需求和技术之间的兼容性），但我们的框架在概念化组织战略如何推动人工智能驱动的业务成果的发展方面有所不同，而这又反过来指导实施决策。此外，我们特别关注使用绩效管理系统的重要性，如OKRs，建立一套成果，并包括一系列表明AI项目绩效进展的措施。

我们认为，基于业务战略的人工智能倡议的方法很重要，因为虽然公司内部每个部门执行自己的试点人工智能项目以测试人工智能的潜力是合理的，但随着时间的推移，它有一个意想不到的效果，即迅速变成一个孤立的和瓦解的环境。因此，将人工智能举措与业务战略、成果和部门目标联系起来是很重要的。然而，如果没有一个绩效管理系统来设定企业和部门层面的目标，并跟踪人工智能举措，就很难有效地管理人工智能项目的组合。在这种情况下，我们建议的OKR方法将非常有帮助。OKRs的好处可能是显著的，因为它们可以在整个企业内共享，为人工智能工作提供可见性。此外，系统中一个部分的准确预测会对其他部分产生涟漪效应，更好的协调也允许在更广泛的网络中优化决策（Agarwal, Gans, and Goldfarb2022）。

结论

我们的工作为企业提供了一个人工智能举措的战略决策框架，以配合绩效管理系统，如OKR系统，从人工智能投资中提取价值。我们提供了麦当劳的使用案例，作为企业实施我们框架的典范。我们在这项工作中认为，创造价值的不是人工智能技术，而是如何应用它来解决 "重要的商业问题"。我们进一步认为，关于人工智能实施的决策必须以整体商业战略和人工智能驱动的商业成果为指导。那么接下来的问题就变成了如何将整体战略和成果转化为人工智能举措。为了弥补这一差距，我们提出了一个OKR绩效管理系统，该系统由公司和部门层面的目标和关键措施（OKR）组成。然后，OKRs成为识别相关人工智能项目的基础，使其在整个业务中透明化，并在各业务中整合各种人工智能项目的结果以获得商业价值。

我们还讨论了数据成为竞争优势来源的条件。例如，如果一家公司创建了一个人工智能应用程序，继续收集大数据，然后不断提高人工智能程序的准确性，这样的数据就成为竞争优势的来源。我们还讨论了将预测与决策联系起来在一个业务流程中以及在各职能领域中是如何重要的。一个组织可以通过不同的方式创建一个人工智能系统的网络，其中一个系统的预测成为其他系统的输入，从而促进组织效率的提高，这将是未来一个肥沃的研究领域。

然而，我们的工作并非没有局限性。首先，我们的工作遗漏了人工智能的一些人机互动方面。例如，Kellogg和Valentine(2022)的工作提出了管理者在引入人工智能时常犯的五个错误。举例来说，管理者所犯的错误之一是迅速引入人工智能来解决它可能产生最大影响的领域，但如果没有得到员工的支持，将导致潜在的失败。相反，如果人工智能的努力集中在员工不喜欢的工作方面，那么就更有可能获得员工对实施人工智能的支持。未来的工作可以研究人工智能的实施必须与员工接受人工智能的心理准备一起进行。第二，公司正在使用人工智能进行有关员工生产力的创新，但结果往往不尽如人意。例如，使用人工智能提供实时反馈以提高绩效，帮助制作男裤的工人提高了生产力，但制作夹克的员工，涉及更复杂的任务和工艺，抱怨说人工智能对他们来说是没有动力的，因为它不能充分捕捉他们的工作质量（Kellogg和Valentine2022）。未来的研究可以调查人工智能在哪些领域可以有效地促进创新。第三，我们的工作没有广泛地关注模型的可解释性，这是实施人工智能系统的一个关键障碍。先前的研究表明，缺乏模型的透明度和可解释性可能会损害人工智能工作的成功（Adadi和Berrada2018）。然而，研究正在出现，提出不同的可解释性技术，以提高人工智能系统的适用性。我们请感兴趣的读者参考Adadi和Berrada（2018）在这方面的工作。我们相信，人工智能的革命无疑已经到来；企业唯一的问题是他们是否准备好了。我们工作的目的是让企业和管理者准备好在最大化其人工智能的价值时内在的引人注目的机会。

利益冲突

作者声明没有冲突。

传记

• Naveen Gudigantala是波特兰大学商学院小罗伯特-B-潘普林博士的信息系统副教授和硅谷特聘教授。波特兰大学商学院副教授。他的研究兴趣包括人工智能（AI）系统的商业价值、数据分析、医疗保健分析、决策支持系统、供应链中的道德问题和信息系统教育。他的期刊文章出现在信息系统（IS）的国际知名期刊以及营销和管理的参考学科中（例如，《AIS通讯》、《决策支持系统》、《国际信息管理杂志》、《信息系统管理》、《信息系统教育杂志》、《管理研究评论》等）。

• Sreedhar Madhavaram是德克萨斯理工大学罗尔斯商学院市场营销教授和联合超市公司的校友。市场营销教授，以及德克萨斯理工大学罗尔斯商学院市场营销和供应链管理领域的协调员。他在德克萨斯理工大学罗尔斯商学院获得了营销学博士学位。他的研究兴趣包括理论发展、营销战略、能力建设、公司竞争力、信息系统/技术，以及营销和信息技术交叉的战略问题。他的研究发表在多个期刊上，包括《信息系统进展数据库》、《营销科学学院学报》、《商业道德杂志》、《商业物流杂志》、《工业营销管理》、《信息与管理》、《商业研究杂志》以及《AMS评论》。

• Pelin Bicen（德克萨斯理工大学博士）是萨福克大学索耶商学院的市场营销副教授。此前，她曾在BBDO广告公司从事营销战略和营销分析工作，管理国内和国际品牌。她的研究重点是企业内部和企业间的营销和创新战略、资源受限的创新、全球供应链战略和组织间治理。她在营销和创新期刊上发表了多篇文章，其中包括《商业研究杂志》、《创意与创新管理》、《营销管理杂志》、《营销理论与实践杂志》、《商业与工业营销杂志》、《创新》：管理、政策和组织》、《管理研究评论》、《营销教育杂志》、《全球营销科学学者杂志》、《营销和创业研究杂志》等。她曾在国内和国际营销战略和创新会议上发表过她的研究。