En una investigaci贸n realizada por Economist Intelligence Unit (EIU) y 麻豆原创, se encontraron 5 rasgos clave que son importantes para que las organizaciones tengan 茅xito al incorporar una estrategia de aprendizaje autom谩tico.
1)聽 Nivel C, prioridad estrat茅gica
El no es s贸lo una 迟别肠苍辞濒辞驳铆补: es fundamental para las estrategias comerciales que han llevado al valor creciente de las organizaciones que lo incorporan a sus modelos operativos: piense en Amazon, Uber y Airbnb.
Los Fast Learners est谩n viendo una amplia gama de beneficios del ML, lo que indica que se est谩n enfocando en sus posibilidades de transformaci贸n tanto en el front y back office, en los ingresos y en los centros de costos. Por ejemplo:
- Intel est谩 utilizando ML para mejorar el tiempo de ciclo y la calidad de sus productos y para refinar sus ofertas de ventas bas谩ndose en predicciones sobre las necesidades de los clientes.
- Mientras tanto, otros aprendices r谩pidos informan una mayor precisi贸n (menor frecuencia de errores), as铆 como una mayor velocidad en una variedad de procesos. De hecho, la velocidad ha sido m谩s un beneficio que el ahorro de costes.
2) Mayor diferenciaci贸n competitiva
Los Fast Learners no ven el aprendizaje autom谩tico como una implementaci贸n de 迟别肠苍辞濒辞驳铆补 cl谩sica, una que se enfoca en ganancias de eficiencia incrementales. Lo ven como una forma de diferenciarse. El 31% de los aprendices r谩pidos dicen que el aprendizaje autom谩tico ha beneficiado la innovaci贸n de los procesos comerciales o el modelo comercial.
Cli铿� Justice, director de innovaci贸n y soluciones empresariales de KPMG, una empresa de consultor铆a, cree que el potencial del aprendizaje autom谩tico en la innovaci贸n de modelos de negocios es enorme: 鈥淟a y el aprendizaje autom谩tico impactan el modelo de negocio de una manera mucho m谩s significativa que鈥� cualquiera de las irrupciones que hemos visto en nuestra vida鈥�.
3) Nuevos ingresos y rentabilidad
El 48% de los Fast Learners mencionan una mayor rentabilidad como el principal beneficio que han obtenido del aprendizaje autom谩tico. Tambi茅n se han dado cuenta de que el ML puede tener un impacto positivo en las nuevas fuentes de ingresos.
Por ejemplo, Intel est谩 utilizando ML y an谩lisis predictivo para identificar sus oportunidades de ingresos con mayor precisi贸n. Ha creado una nueva plataforma de ventas basada en ML que 鈥渁yuda a los vendedores a interpretar lo que est谩 sucediendo en el mercado y enfocar mejor las ofertas de ventas a los clientes鈥�, dice Aziz Safa, director de datos de Intel. “Esto ha generado nuevas oportunidades de ingresos importantes y ha aumentado nuestra tasa de 茅xito en los objetivos de crecimiento de los ingresos”.
4) Procesos clave cerca de casa
Seg煤n la encuesta, el 58% de los Fast Learners dicen que gastan m谩s de la mitad de su presupuesto en procesos comerciales a nivel local, en comparaci贸n con el 39% de otros usuarios de ML. Esto implica que los Fast Learners tienen una ventaja sobre los dem谩s a la hora de mantener sus procesos m谩s estrat茅gicos cerca de casa.
Stanton Jones, director y analista principal de ISG, una empresa de asesor铆a tecnol贸gica, respalda la opini贸n de que el aprendizaje autom谩tico ser谩 un importante impulsor de las decisiones de subcontrataci贸n, sin importar cu谩n gradualmente se desarrolle. “Estas 迟别肠苍辞濒辞驳铆补s tendr谩n un impacto profundo en la forma en que las organizaciones deciden qu茅 subcontratar y a qui茅n subcontratar”. Las organizaciones elegir谩n cada vez m谩s un modelo de h谩galo usted mismo para construir su propia capacidad interna de ML, agrega, lo que reducir谩 la necesidad de acuerdos de subcontrataci贸n a largo plazo.
5) Estrategia para toda la empresa
El enfoque amplio de los Fast Learners podr铆a ayudar a explicar por qu茅 el 41% dice que su uso se traduce en niveles m谩s altos de satisfacci贸n del cliente. Los Fast Learners han hecho m谩s que otras organizaciones para integrar el uso de ML en funciones clave de desarrollo de productos y de cara al cliente, como centros de contacto, marketing, procesamiento y an谩lisis de datos e I+D. En cada una de estas funciones, la integraci贸n de ML en los es considerablemente m谩s avanzada que la del resto.
听/听听/听听/听
漏 2021 麻豆原创 SE. All rights reserved. 麻豆原创 and other 麻豆原创 products and services mentioned herein as well as their respective logos are trademarks or registered trademarks of 麻豆原创 SE in Germany and other countries. Please see for additional trademark information and notices.
