本案例涉及人工智慧（Artificial Intelligence, AI）。本頁使用智慧資料流探索器（Intelligent Data Flow Explorer, IDFE）、應用程式介面（Application Programming Interface, API）、企業資源規劃（Enterprise Resource Planning, ERP）、客戶關係管理（Customer Relationship Management, CRM）與商業智慧（Business Intelligence, BI）。把資料血緣痛點連結到可量測的商業與技術目標。
本案例依原書第 5 章的框架、範例或情境重組，並非原書正式案例研究。
原書認為沒有商業價值支撐的技術目標，可能淪為缺乏投資報酬率的獨立創新。IDFE 的商業目標涵蓋人工工時、報表準確度、事件處理時間、既有系統整合及可追溯性；技術目標涵蓋資料定義語言（Data Definition Language, DDL）與資料操作語言（Data Manipulation Language, DML）內容擷取、延遲、安全、介面整合及不同複雜度的準確率。
| 類型 | 原書目標／指標 |
|---|---|
| 商業 | 分析師人工工作至少減少 50% |
| 商業 | 報表與儀表板最低準確率 80% |
| 商業 | 事件解決時間降低 60%–70% |
| 商業 | 整合資料倉儲、資料湖、ERP、CRM 與 BI 工具 |
| 技術 | 80% 的物件辨識在 1 秒內完成 |
| 技術 | 大型複雜物件最低 80%；簡單或中等物件高於 95% |
| 技術 | 以 RESTful API 提供整合介面 |
在 Excel 建立目標對應矩陣，欄位包含痛點、商業目標、技術目標、關鍵績效指標（Key Performance Indicator, KPI）、門檻、量測證據與負責人。
原書沒有提供可直接計算的數據，因此不補造結果。
比例與延遲是原書提出的目標，不等於實際成果。管理者應把目標、驗收方式與後續觀測值分開保存。
請把以下痛點、商業目標與技術目標建立對應矩陣；不得把目標值寫成已達成結果，並指出沒有驗收方法的項目。