A carregar...
Publicação
FRAMEWORK PROPOSAL FOR EVALUATING HOW MACHINE LEARNING IS BEING USED FOR COMPETITIVE ADVANTAGE AMONG CROSS-INDUSTRY ENTERPRISES
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.85 MB | Adobe PDF |
Orientador(es)
Resumo(s)
With the advent of the 4th industrial revolution, every industry has been severely impacted
by the inflow and integration of new technologies. Some enterprises have been successful
in this new age, are the industry leaders or top contenders, and lead the way in terms
of digitalization. However, in reality, most companies usually fail in their digital transformations.
With big data, Business Models (BM) underwent severe transformations and business
leaders had to take risks. One of the technologies that gained most relevance is Machine
Learning (ML) and has proved to grant competitive advantage over market competitors. ML
can automate and augment traditionally human tasks. Both automation and augmentation
save time and money for enterprises and lead to an overall better performance. However, there
is also much overexcitement regarding this technology, to enhance a company’s core competences
and their overall BM, which has led to deployment problems.
It is in this context that the present dissertation will develop. Understanding about how
enterprises from different industries are using ML in their main processes is the core driver
for this work. For such, an extensive literature review was performed, which encompassed the
most relevant aspects of ML and BMs. What follows is the proposal of a conceptual framework
to evaluate how companies are using ML technology in their own context and across industries.
The results from the framework application give a deeper insight to how ML applications
are being deployed, in the context of the enterprise, for competitive advantage. Cross-industry
tendencies, patterns, and trends were also identified. The contribution of this study is concerned
with providing a better view to how ML intertwines with the BM.
Com o advento da quarta revolução industrial, todas as indústrias foram severamente impactadas pela entrada e integração de novas tecnologias. Algumas empresas têm sido muito bem-sucedidas nesta nova era, são líderes de indústria ou principais candidatos, e lideram o caminho em termos de digitalização. Contudo, na realidade, a maioria das empresas habitualmente falha na sua transformação digital. Com a big data, os Modelos de Negócio sofreram severas transformações e os líderes de negócios tiveram de arriscar. Uma das tecnologias que tem ganho mais relevância é o Machine Learning e tem provado conceder vantagem competitiva sobre os concorrentes de mercado. Machine Learning pode automatizar ou aumentar tarefas tradicionalmente humanas. Ambas, automação e aumentação, poupam tempo e dinheiro às empresas e conduzem a um melhor desempenho geral. Contudo, existe algum entusiasmo excessivo relativamente a esta tecnologia, para melhorar as competências centrais de uma empresa e o seu Modelo de Negócio em geral, o que tem levado a problemas de implementação da mesma. É neste contexto que a presente dissertação se vai desenvolver. Perceber como empresas de diferentes indústrias estão a usar Machine Learning nas suas competências centrais é o guia principal deste trabalho. Para tal, foi realizada uma análise da bibliografia disponível, a qual englobou os aspetos mais relevantes de Machine Learning e de Modelos de Negócios. Posteriormente foi elaborada uma proposta de um modelo conceptual para avaliar como as empresas estão a usar Machine Learning no seu próprio contexto e nas diversas indústrias. O resultado da aplicação do modelo proporcionou uma perspetiva de como as aplicações de Machine Learning estão a ser implementadas, no contexto das empresas, para vantagem competitiva. Foi possível analisar também tendências e padrões intersectoriais. Este estudo tem por objetivo proporcionar uma perspetiva aprofundada quanto à forma como Machine Learning se relaciona com o Modelo de Negócios.
Com o advento da quarta revolução industrial, todas as indústrias foram severamente impactadas pela entrada e integração de novas tecnologias. Algumas empresas têm sido muito bem-sucedidas nesta nova era, são líderes de indústria ou principais candidatos, e lideram o caminho em termos de digitalização. Contudo, na realidade, a maioria das empresas habitualmente falha na sua transformação digital. Com a big data, os Modelos de Negócio sofreram severas transformações e os líderes de negócios tiveram de arriscar. Uma das tecnologias que tem ganho mais relevância é o Machine Learning e tem provado conceder vantagem competitiva sobre os concorrentes de mercado. Machine Learning pode automatizar ou aumentar tarefas tradicionalmente humanas. Ambas, automação e aumentação, poupam tempo e dinheiro às empresas e conduzem a um melhor desempenho geral. Contudo, existe algum entusiasmo excessivo relativamente a esta tecnologia, para melhorar as competências centrais de uma empresa e o seu Modelo de Negócio em geral, o que tem levado a problemas de implementação da mesma. É neste contexto que a presente dissertação se vai desenvolver. Perceber como empresas de diferentes indústrias estão a usar Machine Learning nas suas competências centrais é o guia principal deste trabalho. Para tal, foi realizada uma análise da bibliografia disponível, a qual englobou os aspetos mais relevantes de Machine Learning e de Modelos de Negócios. Posteriormente foi elaborada uma proposta de um modelo conceptual para avaliar como as empresas estão a usar Machine Learning no seu próprio contexto e nas diversas indústrias. O resultado da aplicação do modelo proporcionou uma perspetiva de como as aplicações de Machine Learning estão a ser implementadas, no contexto das empresas, para vantagem competitiva. Foi possível analisar também tendências e padrões intersectoriais. Este estudo tem por objetivo proporcionar uma perspetiva aprofundada quanto à forma como Machine Learning se relaciona com o Modelo de Negócios.
Descrição
Palavras-chave
Machine Learning Business Model Competitive Advantage Digital Transformation