過往，經理人在制定KPI時經常受到阻礙，不過，生成式AI工具提供了新契機，經理人可以透過「3A」方法──關聯性挖掘、特徵排序、異常偵測，讓AI協助挖掘傳統KPI的盲點，加速制定全新的關鍵指標，顯著提升績效。
過往，經理人在制定KPI時經常受到阻礙，不過，生成式AI工具提供了新契機，經理人可以透過「3A」方法──關聯性挖掘、特徵排序、異常偵測，讓AI協助挖掘傳統KPI的盲點，加速制定全新的關鍵指標，顯著提升績效。
自費德烈．泰勒（Frederick W. Taylor）發表經典著作《科學原則管理》（The Principles of Scientific Management）以來，KPI（Key Performance Indicator）績效衡量指標一直是經理人非常倚重的執行工具。事實上，KPI在現代企業最常被運用的範疇是財務與成本計算，1980年代之後經常性地出現在績效管理、策略性人才管理領域中。1990年，柯普朗與諾頓（Kaplan and Norton）提出平衡計分卡工具後，推動KPI進一步制度化與標準化，使KPI運用在不只財務擴展，甚至到內部流程、創新研究、專案管理等面向。
但許多經理人甚至CEO，對於如何提出有效的KPI，一直都顯得困惑，甚至覺得難以找到有效的解方。
要回答這個問題，首先要先定義「目標」和「指標」的不同。這是許多人往往搞不清楚，但又極具意義的關鍵之處。
「目標」與「指標」的差異
「目標」，通常是以「年」為單位，指出在指定時間段想要獲得的成果。目標通常有方向性，例如您想要提升業績（往上提升）；例如您想要減少不良率（往下降低）。因為有方向性，所以目標的提出也等於告訴團隊：今年的重點為何，並此分配有限資源。相較於指標，目標的範圍比較廣，行動描述比較少。
「指標」，通常是以「月」「週」甚至是「日」為單位，指出在如此窄的時間段，具體必須展現的行為。「指標」的操作性很強，目的是為判斷「是否達到進度」，以及「預測是否達標」，答案經常只有「是或否」兩種狀況，使得指標描述通常不會有「方向性」，更多的是具體指出階段狀態。
在職場上，有兩種常用指標。「落後指標」指出從現在到未來目標達成的進程，有累積性。我們經常在月會或週會上，要求員工報告進度，就是在報告落後指標。「前進指標」指出整個達標過程中應該要維持的狀況。你可以想像，就像開在高速公路上的車子，車速維持在時速100公里。前進指標有預測功能，會協助我們判斷達標的機率，也因此，前進指標能夠提供企業或個人修正或預備資源的機會。您可以想見，「前進指標」的戰略價值更高，因為它更允許我們去面對變動的未來。
「前進指標」的價值性高，但要找到有價值的前進指標，難度很高。因此我們看到許多企業，設定目標之後，用粗魯且簡單的方式，將目標等切，不問達標方法，也不問達標過程，完全忽略前進指標的探索；這令人感到不可思議。我們認為，阻礙經理人探索有效指標來自三個原因：
第一個原因是，因為經理人已經離第一線操作很遠，特別在「前進指標」的討論上，沒有手感，甚至顯得無力，就算員工提出，也難以判斷是否有效，使得指標僅做作為進度管理。
第二個原因是，因為第一線工作者身處在第一線操作，使得工作知識變成「內隱知識」（Tacit Knowledge），他們對工作流程已經熟悉到難以辨識什麼是應該被量化或追蹤的指標，無法指認出哪些是績效成敗的核心。［內隱知識為哲學家麥可．博藍尼（Michael Polanyi）提出的概念，指的是「我們知道的，但無法用語言或邏輯清楚表達的知識」。］
第三個原因是，因為企業沒有記錄目標設定後達成狀況的成果，導致當我們試圖透過過去經驗，想要釐清有效指標時，面對的最大問題就是，許多企業沒有記錄該目標最後達成的狀況，沒有記錄過程，也拼湊不出跟目標有關的利害關係人。更糟糕的是，太多目標都跟營業數字有關，目標達成的結果只有兩個答案：「是」與「否」，當答案一翻兩瞪眼，就很難釐清指標與目標的適配性。
AI的「3A」助攻
然而，隨著人工智慧的發展，AI可以幫上忙。
經理人其實可以試圖與電腦合作，發展出新觀點，來理解甚至挖掘有效指標，讓我們在有限資源中，不再是井底之蛙，而能更全面掌握全貌。
在中華OGSM目標管理協會，我們發現，經理人在撰寫願景文字、目標設定、策略資源等方面，因為有經驗工作支撐，加上持續閱讀，都不是太大的問題，但對於提出有效的「衡量指標」（Measure），卻往往面對阻礙，這也使我們不斷致力於開發及了解，對企業特別是新創企業有價值的工作指標。
我們試圖以AI來重新定義和驅動成功。
由於OGSM使用線性邏輯語法，因此可從結果回溯原始資源或行動策略。更由於OGSM要求必須記錄過程並定期開會，因此企業只要將OGSM的線性邏輯和紀錄表格上傳至ChatGPT，就能協助經理人指認出哪種資源，哪種企業活動，支撐哪種目標。
OGSM策略表格適用於與AI的結合，關鍵在於前者將指標界定在工作執行，工作執行牽扯到方法使用，在線性邏輯指引下，因此指標是對準方法來撰寫的。例如，你這次選擇的達標方法是「客戶拜訪」，那就要針對此法提出「為什麼拜訪會有效」的指標。例如，你這次的達標方法是「開線上說明會」，那麼指標就必須說明「為什麼線上說明會會有效」。當把指標靶定為「作法」，就不會把目標和指標搞混，也更能找到監督目標達成的關鍵。
但我們認為這樣的速度不夠應付市場，並且經理人實在花太多時間和員工溝通有關指標的產出。
因此，我們試著把OGSM灌進AI，看是否有任何我們可能遺漏，但也許可用的指標。
我們有初步的成果。
我們發現AI可以透過以下三種方式，發覺傳統KPI的盲點，並且速度可以加快：
1.關聯性挖掘（Association Mining）
將目標界定出來之後，找出與目標產生最高相關性的事件，以此定義為有效指標。這是透過相關性找出，因此，關鍵就在於，目標的資料必須夠多，才更能減少離差。
例如發現「員工在CRM系統中的輸入頻率」與「客戶續約率」高度相關，以此推算出新的KPI。
2.特徵排序（Attribute Importance Ranking）
依事件或資料對目標的貢獻度，計算出重要分數（Gain），然後依照分數高低進行排序，以此定義出有效指標。
例如以往以「點擊率」「停留時間」等，了解網路頁面效果，但透過排序發現，如果在首頁就強調顧客評論，就可提升整體的購買率。
3.異常偵測（Anomaly Detection）
AI可以偵測「非典型但高績效」的工作模式，進而提出潛在指標。
．例如在客服系統中，發現「完成通話後停留系統五分鐘的人」，其顧客滿意度特別高，而讓停留時間成為潛在KPI。
．例如軟體公司以AI找出「使用特定進階功能的人」，使用「報表匯出」的頻率愈高，用戶續約率愈高。
此一「3A」（Association Mining、Attribute Importance Ranking、Anomaly Detection）方式，讓企業可運用AI創造新指標或優化現有指標，相較於僅把資料倒進AI，改善舊有指標，企業更可以強有力地獲得更多特徵數字，快速地進行資料重分配，而獲得優勢。初步統計顯示，績效有明顯提升，部分案例高達30％以上。
AI能補足OGSM中衡量指標的盲區，是制定有效KPI的新工具。愈來愈多組織想要透過演算法來優化企業績效、獲利以及高成長，那麼善用AI，讓AI不只被動地整理資料，而讓你重新思考，究竟在達標過程中，什麼是你可以監看，且幫助你獲得成果的關鍵！
本文章反映作者意見，不代表《遠見》立場
（作者為JW智緯管理顧問公司總經理、「中華OGSM目標管理協會」理事長；本文轉載自《哈佛商業評論》繁體中文版）
