00:00:04 Desafío en forecast de lanzamientos de nuevos productos.
00:00:35 Problemas con los enfoques tradicionales de forecast.
00:02:00 Crítica al forecast de series de tiempo para productos nuevos.
00:03:45 Enfoques alternativos para el forecast de productos nuevos.
00:07:22 Deep learning y análisis de atributos en el forecast.
00:09:06 Influencia en la demanda: atributos del producto como color, tamaño.
00:11:23 Deep learning para el forecast de características diversas de productos.
00:11:58 Incertidumbres en el lanzamiento de nuevos productos.
00:13:38 Beneficios de los forecast probabilísticos en el manejo de riesgos.
00:14:44 Implicaciones de los lanzamientos de nuevos productos en los existentes.
00:16:01 Concepto de canibalización de productos, tácticas en la industria de la moda.
00:18:02 Sensibilidad en el forecast de precios y complicaciones de precios óptimos.
00:21:20 Sobreajuste en el modelado estadístico, impactos en la predicción de precios.
00:21:58 Avances en la tecnología de forecast de productos.
00:24:33 Canibalización en lanzamientos de productos, investigación sobre la lealtad del cliente.

Resumen

En una entrevista, Joannes Vermorel, fundador de Lokad, discute los desafíos de forecast en la demanda de producto nuevo. Los forecast convencionales de series de tiempo fallan para productos nuevos debido a la falta de datos históricos. Vermorel critica el software convencional de planificación de demanda por su gran dependencia de datos pasados. Para productos novedosos, sugiere realizar encuestas de mercado. Cuando los nuevos productos son variaciones de los existentes, Vermorel propone el uso de atributos del producto para anticipar la demanda. Destaca la incertidumbre y la canibalización como desafíos significativos en el forecast de nuevos productos, abogando por un enfoque probabilístico. Vermorel indica que la dirección futura de Lokad incluye aprovechar la “red social” del cliente y pasar de deep learning a differentiable programming.

Resumen Ampliado

En una entrevista en curso, Kieran Chandler y Joannes Vermorel, fundador de Lokad, exploran el potencial y los obstáculos para forecast de la demanda de productos recién lanzados. Aunque es inherentemente difícil e impredecible, Vermorel sostiene que es factible forecast productos nuevos, aunque es exigente y requiere un esfuerzo considerable.

La entrevista comienza reconociendo la importancia de forecast en los lanzamientos de productos, lo que permite a las empresas aprovechar el habitual pico de demanda tras el lanzamiento de un nuevo producto. Sin embargo, Vermorel señala que el método de forecast, el forecast de series de tiempo, resulta insuficiente cuando se aplica a productos nuevos.

El forecast de series de tiempo extiende tendencias históricas hacia el futuro, un enfoque similar a predecir patrones climáticos. Por ejemplo, un modelo básico de forecast podría promediar las ventas de la semana pasada para predecir las ventas de la próxima semana. Sin embargo, con un producto nuevo, no hay datos de ventas previos en los que basar las predicciones, haciendo que esta metodología resulte insuficiente.

Vermorel continúa criticando el software convencional de planificación de demanda, que depende en gran medida de “formas glorificadas de promedios móviles”, usando modelos como el suavizado exponencial, la regresión lineal y el ARIMA como sofisticados promedios móviles. Aunque estos modelos pueden considerar coeficientes estacionales y ventanas de promediado variables, siguen dependiendo en gran medida de datos históricos, lo que los hace inadecuados para productos nuevos.

Abordando el problema de forecast para productos completamente nuevos, como el primer iPhone, Vermorel sugiere que los forecast estadísticos necesitan un conjunto relevante de observaciones pasadas. Sin productos similares previos, generar un forecast fundamentado estadísticamente es casi imposible.

Una estrategia para tales escenarios únicos podría implicar encuestar el mercado y medir las opiniones de los consumidores. A pesar del alto costo y del tiempo involucrados, Vermorel cree que para lanzamientos importantes como el iPhone, que probablemente costen cientos de millones en investigación y desarrollo, el gasto en investigación de mercado podría justificarse.

Vermorel comienza describiendo los desafíos que se enfrentan al lanzar múltiples productos nuevos. Argumenta que muchos productos nuevos no son completamente novedosos, sino que a menudo son variaciones de productos existentes, lo que simplifica sus estimaciones de ventas futuras. Utiliza la industria de la moda como ejemplo, señalando que, aunque introducen nuevas colecciones cada temporada, generalmente consisten en artículos familiares, como camisas o zapatos, con diferentes características.

Para forecast de ventas de productos nuevos, Vermorel propone comparar el nuevo producto con los existentes utilizando atributos compartidos, un método que, según él, es significativamente diferente al software de forecast convencional. Estos atributos, como tamaño y color, pueden ofrecer información valiosa. Por ejemplo, tamaños extremos o colores específicos podrían no venderse tan bien como los más comunes.

El método típico de forecast de ventas de productos nuevos le pide a un supply chain manager que establezca una relación entre un producto nuevo y uno viejo. Vermorel critica este proceso por ser tedioso, especialmente al lanzar miles de productos nuevos. Requiere inspeccionar manualmente un vasto archivo de lanzamientos pasados. Cualquier asignación incorrecta basada únicamente en la intuición puede hacer que el forecast esté completamente fuera de objetivo.

Vermorel propone un enfoque más inteligente, utilizando atributos del producto para predecir la demanda. Dependiendo de la industria, estos atributos podrían variar desde tamaño, color, rango de precios y patrones para artículos de moda, hasta cartuchos compatibles y otras características para electrónica de consumo. Esta variedad requiere un algoritmo estadístico capaz de gestionar una amplia gama de características, donde tecnologías modernas de machine learning como deep learning podrían ser beneficiosas.

La conversación luego transiciona hacia la incertidumbre inherente asociada con los forecast de nuevos productos. Vermorel reconoce que el nivel de incertidumbre durante un lanzamiento suele ser bastante alto y sugiere que un forecast probabilístico podría ser más útil en tal caso. Aunque dicho forecast podría no ser muy preciso, la ventaja reside en reconocer y contabilizar los riesgos asociados, ya que el forecast proporciona un rango de futuros potenciales.

Joannes llama la atención sobre el problema de la canibalización, particularmente cuando se lanzan productos nuevos, ya que a menudo toman cuota de mercado a los existentes.

pueden canibalizar las ventas de colecciones anteriores. Para contrarrestarlo, la industria suele liquidar las colecciones viejas mediante ofertas antes de introducir las nuevas.

La discusión continúa con una situación hipotética. Si Apple lanzara un iPhone en diferentes colores simultáneamente, ofrecer una variedad de opciones podría aumentar las ventas, pero también podría generar competencia interna entre los productos.

En relación con la sensibilidad al precio, Kieran le pregunta a Joannes si es posible predecir la demanda basada en cambios de precio. Joannes confirma esto, pero explica que añade más complejidad al asunto. Esta discusión lleva al ámbito del reinforcement learning y a la necesidad de un equilibrio cuidadoso para evitar el overfitting, cuando un modelo funciona bien con datos conocidos pero mal con datos desconocidos.

Cuando se cambian los puntos de precio, por ejemplo, una marca podría estar entrando en territorio desconocido donde los datos pasados se vuelven menos relevantes. Las marcas suelen ajustar sus precios de manera lenta, utilizando este proceso como una oportunidad de aprendizaje. Joannes aclara que el sobreajuste puede ser un problema si las marcas comienzan a usar sus modelos de forecast para fijar precios. Para evitar esto, es crucial no depender excesivamente del output de su modelo de forecast al decidir el precio.

Cambiando de tema, Kieran inquiere sobre el futuro cercano del forecast de productos. Joannes revela que Lokad ha introducido recientemente un nuevo motor de forecast basado en deep learning, que, según su benchmark, representa una mejora significativa y ha reducido los errores en el forecast de productos nuevos en más del 20%. Joannes también enfatiza la importancia de comprender el concepto de canibalización de productos al lanzar nuevos productos. Mientras que los minoristas pueden verse tentados a pensar que lanzar muchos productos nuevos incrementará significativamente las ventas, Joannes nos recuerda que estos nuevos productos competirán por la misma base de clientes. La conversación concluye con Joannes compartiendo su investigación en curso para aprovechar la “red social” de los clientes, que se refiere a los patrones de consumo de su base de clientes. Este esfuerzo se impulsa por el entendimiento de que los productos nuevos tienden a ganar tracción primero dentro de la base de clientes existente. Están haciendo la transición del deep learning a differentiable programming, considerado el sucesor del deep learning, para abordar de manera efectiva esta tarea compleja.

Transcripción Completa

Kieran Chandler: Hoy vamos a discutir si forecast productos nuevos es realmente posible y también entender cuánta confianza podemos tener en estos resultados. Joannes, desafortunadamente, no tenemos una bola de cristal aquí en Lokad. Entonces, ¿podemos realmente forecast productos nuevos?

Joannes Vermorel: La respuesta corta es sí, la respuesta larga es que es difícil, requiere esfuerzo y las matemáticas adecuadas. En definitiva, cuando la gente piensa en forecast, a menudo imagina un tipo específico de forecast, algo similar al forecast de series de tiempo. Lo conciben como el forecast de temperatura para el clima. Básicamente, tienes una curva, lo que has observado en el pasado, y quieres extender esa curva hacia el futuro para obtener tu forecast. El forecast más simple que puedes hacer es simplemente un promedio móvil. Por ejemplo, ¿cuáles serán mis ventas la próxima semana? Si promedias las ventas de la semana pasada, obtienes una estimación aproximada. Este enfoque es ingenuo, pero de alguna manera funciona. Sin embargo, para productos nuevos, se desmorona por completo.

Kieran Chandler: Entonces, ¿por qué no funciona el enfoque de series de tiempo? ¿Por qué se desmorona?

Joannes Vermorel: Es porque ya no tienes nada para promediar. Quieres retroceder al pasado y forecast el futuro promediando lo que tuviste. Pero si quieres forecast las ventas de un producto que aún no se ha vendido, no tienes datos. Si simplemente forecast cero porque vendiste cero la semana pasada, no tiene ningún sentido. Lanzas un producto y, con suerte, venderás algunas unidades. El algoritmo tradicional de promedio móvil simplemente no funciona. Es interesante porque la mayor parte del software de planificación de demanda de antaño se basaba en formas glorificadas de promedios móviles. Existen muchos modelos estadísticos con nombres llamativos, pero que no son más que glorificados promedios móviles. El suavizado exponencial es una especie de promedio móvil, y la regresión lineal es apenas mejor que un promedio móvil.

Kieran Chandler: Entonces, ¿cómo podemos realmente elaborar un forecast para algo que es completamente nuevo? Si tomamos, por ejemplo, el caso del iPhone antes de su lanzamiento, cuando no existía nada similar, ¿podemos forecast eso?

Joannes Vermorel: Si quieres hacer un forecast o al menos un forecast estadístico, necesitas tener un conjunto relevante de observaciones del pasado. Sigues intentando proyectar el futuro mirando por el retrovisor, pero necesitas tener algo en lo que basarte. Si tienes un producto completamente único, entonces, desde una perspectiva estadística, es imposible trabajar de forma tradicional. Lo mejor que puedes hacer es encuestar el mercado y recoger opiniones sobre si la gente lo compraría o no. Obviamente, este es un proceso muy costoso. Apple pudo hacerlo para el iPhone porque probablemente invirtieron cientos de millones de dólares en investigación y desarrollo para sacar el iPhone al mercado. Así que aún podían permitirse gastar unos cientos o miles de dólares en encuestas inteligentes.

Kieran Chandler: Entonces, para una estimación aproximada de cuántas unidades vas a vender, obviamente, si estás lanzando muchos productos nuevos, no puedes permitirte un proceso tan tedioso. La buena noticia es que, si estás lanzando muchísimos productos, ¿cuáles son las probabilidades de que todo lo que lances sea completamente nuevo? En la práctica, casi nulo, porque no puedes lanzar cientos de productos que sean completamente únicos. Si lanzas cientos de productos cada año, lo más probable es que sean todas variaciones de un mismo tema, tópico o estilo.

Joannes Vermorel: Exactamente, puedes relacionar un producto existente con alguna característica del producto nuevo. Si estás en moda, por ejemplo, con cada colección tendrás camisas nuevas y zapatos nuevos. Pero siguen siendo camisas o zapatos, y estos productos tienen características, como tallas. Incluso si no sabes cuántas unidades vas a vender, entiendes que las tallas extremas no se venderán tanto como la talla predominante. Si deseas contar con un modelo estadístico, solo necesitas aprovechar esta idea. Si forecast cuánta demanda habrá en el futuro para los productos que estás a punto de lanzar, necesitas analizar todos los lanzamientos anteriores que has realizado y relacionar el nuevo producto con los antiguos mediante sus atributos.

Kieran Chandler: Eso es interesante, especialmente el enfoque basado en atributos, que parece ser bastante diferente a lo que se hace típicamente en la mayoría del software de forecast. Ahora, con los avances en deep learning, ¿es ese el método principal utilizado para analizar estos atributos con mayor detalle?

Joannes Vermorel: Sí, comparemos esto con la perspectiva clásica sobre forecast de nuevos productos. Inicialmente, solo tienes modelos de promedio móvil, eso es todo. Para forecast un nuevo producto, le pedirías al supply chain manager que creara un vínculo entre un nuevo producto y uno antiguo. Este enfoque tradicional requería un humano, un supply chain manager, para responder a la pregunta, “¿Qué producto es más similar al que estás a punto de lanzar?” para que podamos pretender que este producto ya se ha estado vendiendo. Luego puedes volver a tu enfoque de promedio móvil porque, de repente, tienes una serie temporal; tienes ventas pasadas para el producto.

Sin embargo, si estás lanzando mil nuevos productos y tienes que tomar esta decisión de mapeo para cada nuevo producto que estás a punto de lanzar, y en tu historial, probablemente has lanzado decenas de miles de productos, entonces el proceso es increíblemente tedioso. Tendrías que investigar manualmente un archivo completo de lanzamientos anteriores para realizar este mapeo. Si realizas el mapeo de manera incorrecta, confiando únicamente en tu intuición, entonces tu forecast es completamente inútil.

Un enfoque más inteligente es aprovechar los atributos y considerar qué atributos gobiernan la cantidad de demanda que puedes esperar. Volviendo a la moda, las tallas son un indicador muy claro, pero el color también es un factor significativo. Por ejemplo, si tienes ropa para niños, es poco probable que los padres compren ropa excesivamente blanca porque los niños la ensuciarán. Por lo tanto, el blanco impoluto para niños tiende a no ser un color tan bueno. Sin embargo, para las camisas de negocios, es probable que los colores dominantes sean el blanco, el azul claro y el rosa claro.

Kieran Chandler: Si deseas tener, por ejemplo, un amarillo brillante para las camisas de negocios, es probable que represente un porcentaje ínfimo de tus ventas. Este tipo de observaciones se pueden hacer de forma intuitiva, pero las relaciones pueden ser muy sutiles. Los atributos pueden ser increíblemente diversos – talla, color, puntos de precio, patrones en la ropa. O bien, tomemos la electrónica de consumo, si quieres forecast la demanda para la próxima impresora, tienes un amplio conjunto de características a considerar – cartuchos compatibles, otras características – es superdiverso.

Joannes Vermorel: Aquí es donde enfrentamos una situación en la que necesitas un algoritmo que pueda hacer frente a esta abrumadora diversidad. Ahí es donde entra en juego el deep learning, la versión moderna del machine learning. Los algoritmos de deep learning son especialmente buenos para lidiar con un conjunto de características increíblemente diverso, que incluso puede incluir descripciones en texto plano de los productos.

Kieran Chandler: Hay una gran cantidad de variabilidad, mucho que considerar. ¿Podemos tener confianza en los resultados de los forecast de nuevos productos?

Joannes Vermorel: Ese es precisamente el punto que el forecast probabilístico intenta abordar. La cantidad de incertidumbre al lanzar un nuevo producto es típicamente muy alta. Si fuese fácil forecast un nuevo producto, probablemente no sería nuevo, sería un simple reemplazo de un sustituto casi perfecto de uno de tus productos existentes. En ese caso, el mapeo manual que describí anteriormente es probablemente adecuado. Pero si estás lanzando algo, aunque sea ligeramente nuevo, que no se alinee completamente con lo que vendías anteriormente, hay una incertidumbre irreducible. Pero está bien. Tus competidores enfrentan el mismo desafío. Para superarlos, lo único que necesitas es forecast mejor que ellos. No tienes una bola de cristal, pero lo más probable es que ellos tampoco la tengan.

Kieran Chandler: Con esta incertidumbre irreducible, ¿qué tipo de expectativas podemos tener?

Joannes Vermorel: Ahí es donde entra el beneficio del forecast probabilístico. Sí, tu forecast será inexacto, pero si estás haciendo un forecast probabilístico, eres plenamente consciente de esa inexactitud. Lo que verás en la práctica es una distribución que se extiende a lo largo de muchos futuros posibles, de modo que tus decisiones tomen en cuenta el riesgo de tener una demanda excesivamente superior o inferior a tu forecast. Todo se trata de considerar todas las posibilidades.

Kieran Chandler: Si ahora observamos las cosas desde la perspectiva de Lokad, estamos viendo un rango de probabilidades para todo el negocio, el catálogo completo. Si un artículo en particular pudiera vender una cantidad enorme o muy poca, ¿no cambiaría eso los resultados de todos nuestros forecast?

Joannes Vermorel: Absolutamente, sí, y eso es lo que hace que el problema sea aún más desafiante.

Kieran Chandler: Suena bastante complicado. Según entiendo, si quieres producir un forecast estadístico para nuevos productos, necesitas examinar lanzamientos anteriores y hacer coincidir sus atributos para encontrar productos relevantes. Este proceso parece el concepto de ‘matching’, pero completamente automatizado. Sin embargo, lanzar un nuevo producto desplaza la demanda de tus productos existentes. ¿Es correcto?

Joannes Vermorel: De hecho, es probable que cada producto que lances canibalice tus ventas existentes. Toma, por ejemplo, a un minorista de moda que introduce un nuevo tipo de camisa. Probablemente ya estaban vendiendo camisas, por lo que cuando aparece un nuevo diseño a la moda, no solo estás ganando cuota de mercado frente a tus competidores. En cambio, tus clientes podrían elegir este nuevo producto en lugar de otro que ya estabas vendiendo. Esta situación conduce a la canibalización, la cual es muy desafiante de gestionar.

Kieran Chandler: Es tan desafiante de gestionar que es una de las principales razones por las que las marcas de moda tienen colecciones, ¿verdad?

Joannes Vermorel: Exactamente. En lugar de intentar resolver este complejo problema de canibalización, es más fácil hacer una venta, liquidar todas las colecciones anteriores y luego comenzar una nueva colección. De esta manera, evitas la canibalización entre la nueva colección y la antigua. Has liquidado el stock para que no tengas dos colecciones compitiendo entre sí en un momento específico.

Kieran Chandler: Entonces, si quieres refinar tu forecast de nuevos productos, no se puede hacer de forma aislada, ¿verdad? Si lanzas múltiples productos, canibalizarán lo que tienes y también se canibalizarán entre sí.

Joannes Vermorel: Correcto. Por ejemplo, si Apple decide lanzar un nuevo iPhone, no tendrían las mismas ventas si solo lanzaran un color—negro, por ejemplo—en comparación con si permitieran a los clientes elegir entre cinco colores diferentes en el día del lanzamiento. Aunque tener más opciones podría aumentar ligeramente las ventas, también habría mucha canibalización.

Kieran Chandler: Has mencionado las ventas, lo cual es como ajustar el precio del producto en respuesta a las tendencias del mercado. ¿Existe alguna forma de forecast la sensibilidad del precio? ¿Es posible predecir la demanda de un producto si bajo su precio?

Joannes Vermorel: Sí, pero eso hace que el problema sea aún más complicado. Requiere ir más allá del aprendizaje supervisado clásico hacia el ámbito del reinforcement learning u otras situaciones avanzadas. ¿Por qué? Porque controlas lo que vas a observar una vez que empieces a considerar el precio.

Por ejemplo, una marca de moda solo ha observado el patrón de ventas para los puntos de precio que han practicado en el pasado. Entonces, si decides moverte hacia segmentos más exclusivos con puntos de precio más elevados, te adentras en territorios desconocidos donde tus datos pasados no son muy relevantes. Muchas marcas harían la transición gradualmente para que aún tengan la oportunidad de aprender y observar.

Desde una perspectiva estadística, el desafío es que si construyes un modelo de forecast que tome un punto de precio como entrada, puedes ajustar el forecast con dicho punto de precio. Sin embargo, el peligro radica en lo que sucede si comienzas a usar la salida de tu modelo de forecast.

Kieran Chandler: Entonces estás hablando de un modelo para tratar el precio. Como si uno pudiera construir un modelo de forecast, ajustar el precio y realizar escenarios de “qué pasaría si”, lanzando el mismo producto a diferentes precios. Este enfoque tiene como objetivo elegir el precio óptimo que más nos beneficie. Sin embargo, si esto se hace de forma ingenua, ¿no resultaría en un problema particular de overfitting?

Joannes Vermorel: Sí, efectivamente. Si repites este ejercicio muchas veces con variaciones mínimas en el precio, el precio que elijas podría ser simplemente una fluctuación de tu propio modelo de forecast. En esencia, amplificarás cualquier problema de overfitting que puedas tener en tu proceso de aprendizaje. El overfitting es cuando un modelo estadístico funciona bien con los datos que ya tienes, pero no tan bien con los datos que no tienes. Irónicamente, al hacer un forecast estadístico, quieres que tu modelo funcione bien con los datos que no tienes.

Kieran Chandler: Eso ciertamente plantea una pregunta interesante sobre cómo medir la accuracy de un modelo así. Pero podemos tratar eso otro día. Volviendo a esta cuestión del precio, parece que aprovechar el precio en un modelo como este podría volverse excesivamente complicado. Y, por supuesto, no querrías generar un error masivo de overfitting a través de la exploración de la variable de precio, ¿verdad?

Joannes Vermorel: Exactamente, la exploración de la variable de precio puede llevar a un overfitting masivo, lo cual es un aspecto muy complicado de gestionar.

Kieran Chandler: Parece que es un problema bastante complejo de resolver. Como pregunta final, ¿cómo se vislumbra el futuro cercano en términos de forecast de nuevos productos? ¿Qué avances tecnológicos podemos esperar?

Joannes Vermorel: Bueno, apenas en diciembre pasado, lanzamos nuestro nuevo motor de forecast basado en deep learning. Según nuestro propio benchmark, probablemente fue una de nuestras actualizaciones más significativas en términos de ganancias incrementales en accuracy. La ganancia en accuracy para forecast de nuevos productos fue de más del 20% en la reducción del error, lo cual es bastante significativo. Una cosa que hemos aprendido con este modelo es la capacidad de aprovechar descripciones en texto plano, lo cual puede ser muy útil. Por ejemplo, si eres un minorista y deseas forecast cuántas unidades vas a vender para cajas de Lego. Ese es un problema complicado porque, por ejemplo, Lego lanza un nuevo castillo medieval cada año.

Kieran Chandler: Los castillos medievales no deben confundirse con los castillos élficos. Uno estará orientado para niños, mientras que el otro estará orientado para niñas. Sin embargo, esto es sutil, y en realidad no tienes todos los atributos en detalle para reflejar eso si estás vendiendo miles de juguetes en tu tienda.

Joannes Vermorel: De hecho, todo se basa en los atributos, pero a menudo no tienes tantos datos de tu proveedor. Y no necesariamente tienes el tiempo para agregarlos o ajustarlos manualmente. Por lo tanto, a veces necesitas un motor de forecast capaz de procesar la descripción en texto plano. Una área en la que estamos trabajando actualmente es aprovechar estos detalles para lograr forecasts más específicos y precisos.

Para los lanzamientos de productos, es fundamental adoptar la idea de la canibalización. Si lanzas más productos, no significa que tus ventas se dispararán. Todos los nuevos productos que lanzas compiten por los mismos clientes que ya tienes. Así que una de las áreas de investigación en las que nos estamos enfocando es aprovechar nuestra base de datos de lealtad.

Típicamente, si eres un minorista, sabes qué cliente está comprando qué. Es completamente diferente de una perspectiva de series temporales donde solo piensas en cuántas unidades se han vendido por día o por semana para un producto dado. Aquí, quieres considerar la red social de clientes que han consumido los productos en el pasado. La idea es que, al lanzar un nuevo producto, este comenzará principalmente ganando tracción dentro de tu base de clientes existente.

Si quieres tener modelos matemáticos capaces de procesar la red social de tus clientes, típicamente tienes que transicionar del deep learning a la programación diferenciable, que es el descendiente del deep learning. Ese es el punto en el que estamos ahora.

Kieran Chandler: Eso es fascinante. Tendremos que dejarlo aquí, pero forecastear las redes sociales y forecastear la lealtad son conceptos realmente interesantes. Gracias por tomarte el tiempo hoy.

Joannes Vermorel: Gracias.

Kieran Chandler: Eso es todo por esta semana. Si tienes problemas forecasteando nuevos productos, nos encantaría saber de ti. Envíanos un correo electrónico o deja un comentario abajo. Nos interesa conocer los desafíos a los que te enfrentas. Eso es todo por esta semana, pero nos veremos de nuevo la próxima vez. Hasta luego por ahora.