#140 Falabella y la verdad sobre la IA: cómo escalar decisiones con data

¿Cómo se aplica realmente la inteligencia artificial en una empresa del tamaño de Falabella ? En este episodio de IA para los Negocios , conversamos con Christopher Pope , Gerente de Business Intelligence Corporativo, sobre cómo una compañía de escala regional usa datos e IA para tomar mejores decisiones, mejorar la experiencia del cliente y ganar eficiencia operativa. Hablamos de data lakes, ciencia de datos, visualización, recomendaciones personalizadas, agentes de IA en e-commerce y tiendas físicas, y del mayor desafío actual: gestionar expectativas reales frente a la IA generativa. Un capítulo imprescindible para líderes, profesionales de data y equipos de negocio que buscan aplicar IA sin humo y con impacto real. 👉 Escucha este episodio y descubre cómo la IA se usa de verdad en empresas grandes, junto a EvoAcademy . ⭐ Recuerda evaluarnos con 5 estrellas ⭐ así nos ayudas a llegar a más personas y seguir compartiendo conocimiento sobre IA y tecnología aplicada a los negocios. --- 📲 Síguenos en nuestras redes: https://www.tiktok.com/@evoacdm https://www.instagram.com/evoacdm/ ⁠⁠https://www.linkedin.com/company/evoacmd/⁠⁠ Host: Sebastián Cisterna Invitado: Christopher Pope #ChatGPT #InteligenciaArtificial #IAparaNegocios --- (00:00) - Qué es Falabella y el rol de la data en retail (02:23) - El volumen de datos de Falabella y el desafío de escalar BI (05:34) - Recomendaciones personalizadas en e-commerce (09:56) - Compra con IA: buscadores, agentes y el nuevo e-commerce (11:10) - IA en tiendas físicas: agentes internos y eficiencia operacional (14:22) - Cómo se estructura un equipo de data a escala regional (16:57) - Data Lake: la base de datos que sostiene toda la IA en Falabella (20:35) - Cultura de datos, visualización y BigQuery en Falabella (25:52) - Formación de talento y aprendizaje continuo en data (32:18) - Habilidades clave para trabajar en data e IA hoy (38:16) - Cómo escalar la data: data champions y modelo federado (44:56) - Gestión de expectativas: cuándo usar IA y cuándo no (49:14) - Cierre y aprendizajes finales