آینده تجارت 2021

خارج از بحران جهانی دنیای جدیدی از فرصت ها به وجود می آید.

در سال گذشته ، مدل های تجاری دوباره اختراع شده اند. زنجیره های عرضه بازسازی شده اند. وعده های پیشرفت های علمی جدید ناگهان تحقق یافته است. اکنون می دانیم که بهره وری می تواند به طور واقعی شکوفا شود.

در فرآیند مقابله با چالش های جهانی که حتی رهبران آینده نگر هرگز از آن برخورد نکردند ، سازمان ها دگرگون شده اند.

چگونه می توانیم از این حرکت جدید سرمایه گذاری کنیم؟چگونه نوآوری را که از آن استفاده کرده ایم تسریع می کنیم؟چگونه می توانیم برای واقعیت جهانی جدید بهینه سازی کنیم؟

سیگنال های تغییر تجارت

آینده تجارت رویکرد ساختاری Accenture برای شناسایی سیگنال های تغییر مشاغل است که برای سازمانها برای شکل دادن به آینده های موفق بسیار مهم هستند.

ما سیگنالهایی را که در حال تغییر شکل سازمان در سطح جهان هستند برجسته می کنیم و از آنجا که این سازمان ها برای فردا کاملاً متفاوت هستند ، بسیار مهم خواهند بود. در ارائه این سیگنال ها ، ما هدف ما این است که به رهبران کمک کنیم تا بهترین دوره های خود را برای رشد سودآور ترسیم کنند.

سیگنال ها فرصت ها و مشوق ها را برای پذیرش تغییر و یافتن راه های جدید برای رشد ارائه می دهند.

شش سیگنال برای موفقیت آینده سازمانها ضروری بودند:

در مورد نحوه ورود به این سیگنال ها در وبلاگ بیشتر بدانید

چگونه می توانید واقعیت جهانی جدید را حس کنید و مسیرهای ایده آل را به سمت آینده بهتر ترسیم کنید؟

شش سیگنال را دنبال کنید تا دریابید که چه خبر است ، چرا اهمیت دارد و چه کاری باید انجام شود.

سیگنال 1: یادگیری از آینده

سازمان ها برای تصمیم گیری و تعریف استراتژی هایی که آینده را پیش بینی می کنند ، از تجزیه و تحلیل داده ها و هوش مصنوعی استفاده می کنند.

چه خبر است

سازمان ها به جای تمرکز روی گذشته برای بینش ، به طور فزاینده ای در انتظار هستند.

تغییر سریع در محیط های عملیاتی و رفتار انسان بدان معنی است که همبستگی های تاریخی برخی از مدلهای تحلیلی به آن متکی هستند. برای یافتن الگوهای جدید در داده ها و پیش بینی بهتر تصمیمات آینده ، مجموعه داده های جدید-از جمله داده های زمان واقعی از طریق زنجیره ارزش-توسط رویکردهای تحلیلی جدید مبتنی بر هوش مصنوعی (AI) پردازش می شوند.

ما این رویکرد پیشرفته را برای تصمیم گیری "یادگیری از آینده" می نامیم.

چرا مهم است؟

گرفتن یک دیدگاه گسترده به شرکتها اجازه می دهد تا سریعتر و با اعتماد به نفس بیشتر تصمیم بگیرند و با چالش های غیرقابل تحمل مقابله کنند.

توسعه قابلیت های برتر آینده نگر ، فرصت هایی را برای سازمان ها ایجاد می کند تا یک قدم جلوتر بمانند:

1. گرفتن فرصت هایی که در غیر این صورت دیده نمی شدند

2. آماده شدن برای خطراتی که در غیر این صورت غیرمنتظره خواهند بود

آموختن از آینده می تواند فرصت های رشد جدیدی را باز کند - حوزه ای که شرکت ها اغلب برای رسیدن به آن تلاش می کنند. به عنوان مثال، ما متوجه شدیم که تنها 31٪ از مدیران در نظرسنجی ما گفتند که کاملاً به توانایی خود در پیش بینی و پاسخ به تغییرات رفتاری که بر تقاضا تأثیر می گذارد اطمینان دارند.

منابع جدید داده ها و مدل های مبتنی بر هوش مصنوعی را می توان در چرخه های عمر توسعه و فروش محصولات شرکت ها به کار برد تا اطمینان بیشتری به آنها بدهد که در مسیر درست رشد هستند.

در عین حال، یادگیری از آینده می تواند به شرکت ها کمک کند تا برای خطرات آماده شوند. برای مثال، مهندسان هوش مصنوعی را در شاخص های پیشرو به کار می برند تا زیرساخت ها را در برابر تغییرات آب و هوایی مقاوم تر کنند.

چه باید کرد؟

رهبران اهمیت یادگیری از آینده را درک می کنند، حتی اگر برای انجام آن به خوبی تلاش می کنند.

از پاسخ دهندگان C-suite به نظرسنجی ما گفتند که استفاده از مجموعه داده های آینده نگر و رویکردهای تحلیلی برای پیش بینی بهتر و پاسخگویی بهتر به رویدادهای آینده برای موفقیت آنها مهم است.

شرکت ها توسط فناوری عقب نشینی نمی کنند: دسترسی بهتر به منابع متنوع داده های دانه ای و پیشرفت در تکنیک های مدل سازی به این معنی است که ابزارهای پیش بینی مناسب به طور فزاینده ای در دسترس هستند. در عوض، سازمان ها با محدودیت های ذهنی، فرهنگی و سازمانی و رویکردهای آن ها در تصمیم گیری عقب نشینی می کنند.

سه شیفت می تواند کمک کند:

1. برای طیف وسیع تری از احتمالات آینده برنامه ریزی کنید:

سازمان ها می توانند با استفاده از بینش های مبتنی بر هوش مصنوعی استقرایی و تفکر خلاق در مورد آنچه در آینده در انتظارشان باشد، رویکردی تمیز برای برنامه ریزی پویا داشته باشند. به جای اینکه مثلاً بپرسیم «اگر سرورهایمان خراب شود، چه کار می کنیم؟»شرکت ها ممکن است بپرسند، "اگر اصلا سروری وجود نداشت، چه کار می کردیم؟"

2. برای استفاده از داده یک رویکرد زاویه باز داشته باشید:

از آنجایی که هیچ کس نمی داند در نهایت چه داده های خاصی برای پیش بینی رویدادهای مختلف مهم هستند، چیزی به نام داده های بی ارزش وجود ندارد. سازمان هایی که برای استفاده از داده ها رویکردی گسترده دارند، صدها متغیر یا بیشتر را ردیابی می کنند، بهتر می توانند الگوریتم های خود را اطلاع دهند.

3. یادگیری از آینده را به یک قابلیت سازمانی اصلی تبدیل کنید:

سازمان هایی که از تصمیم گیری مبتنی بر تجربه، از بالا به پایین به تصمیم گیری داده محور و از پایین به بالا تغییر می کنند - جایی که کارکنان قضاوت و شهود خود را با توصیه های الگوریتم ها تقویت می کنند - در یادگیری از آینده عالی خواهند بود.

از پاسخ دهندگان نظرسنجی ، در 12 ماه گذشته استفاده خود را از داده های داخلی و خارجی در زمان واقعی افزایش داده است.

آیا یادگیری از آینده می تواند منجر به استراتژی های غیر قابل توضیح شود؟

مهم نیست که چقدر پیشرفت هوش مصنوعی ، انسان همیشه برای تفسیر داده های الگوریتمی ، توضیح آن و اطمینان از اینکه این هدف را منعکس می کند ، لازم است.

سیگنال 2: به لبه هل داده شد

رهبران با تکیه بر تیم های بسیار شبکه ای برای عمل با سرعت و چابکی ، اقتدار تصمیم گیری را به سمت مردم در "لبه ها" سوق می دهند.

چه خبر است

سازمان های Edge از اصول محاسبات لبه ، نوعی غیرمتمرکز از محاسبات و ذخیره داده ها استفاده می کنند که با حرکت دادن هوش نزدیکتر به نقطه استفاده ، پردازش را سرعت می بخشد.

سازمان های Edge با حرکت تصمیم گیری به Edge ، جایی که تیم ها توسط شبکه ها به هم وصل می شوند ، تشکیل می شوند و به تصمیم گیری در مورد نحوه سازماندهی ، کار ، تحقق اهداف شرکت ها و ارائه مأموریت در ضمن بهینه سازی برای عملکرد محلی ، اجازه می دهند.

اگرچه بسیاری از سازمان ها مدت ها تلاش کرده اند تا سازمان های حاشیه ای شوند و به دنبال "فکر کردن در سطح جهانی اما در محلی عمل می کنند" ، چندین عامل تراز شده اند تا امروزه واقعیت رو به رشد را رقم بزنند.

پیشرفت های گسترده در فن آوری ها باعث اتصال بیشتر و جریان اطلاعات ایمن شده است و به سازمان ها کمک می کند تا بر محدودیت های فاصله غلبه کنند. این همه گیر - که بزرگترین آزمایش در کار از راه دور در مقیاس را ایجاد کرده است - نشان داده است که در واقع امکان همکاری خوب از راه دور وجود دارد.

در همین حال ، رشد تکه تکه شدن و تغییر ترجیحات مصرف کننده باعث شده است که اقتدار تصمیم گیری به لبه ها نه فقط ممکن ، بلکه لازم باشد.