00:00:08 Introducción a Flowcasting y sus orígenes.
00:02:04 Contraste de Flowcasting con técnicas tradicionales de suministro.
00:04:40 Relevancia y desafíos de Flowcasting en la actualidad.
00:06:06 Análisis del fracaso de Flowcasting y las ideas necesarias.
00:07:06 Cómo la estocasticidad puede causar fracasos en Flowcasting.
00:08:06 Limitaciones del forecast fraccional de la demanda.
00:10:15 Implementación práctica y fallos de Flowcasting.
00:11:13 Aspectos positivos obtenidos de Flowcasting: datos de demanda desagregados.
00:13:46 El enfoque holístico de Flowcasting para la optimización de supply chain.
00:15:14 Diferencia entre Flowcasting y el enfoque de Lokad.
00:17:31 Complejidades de escenarios específicos de supply chain.
00:19:37 Predicciones sobre tendencias futuras en implementaciones de AI.
00:21:43 El valor del libro de Flowcasting a pesar de sus fallos.
Resumen
En la entrevista, Joannes Vermorel, el fundador de Lokad, analiza las fortalezas y debilidades de Flowcasting, un método de planificación de supply chain. Valora su enfoque en el forecast desagregado y centrado en la demanda, y la automatización, pero critica su enfoque determinista por no considerar la aleatoriedad en supply chain. Lokad intenta gestionar estas complejidades con un lenguaje de programación llamado Envision, pero Vermorel concede que ningún sistema puede encapsular por completo las complejidades de supply chain. Además, Vermorel es escéptico sobre el papel de la AI en supply chain management, distinguiendo entre la AI como una palabra de moda y las verdaderas técnicas algorítmicas. A pesar de sus deficiencias, reconoce el valor de las ideas que Flowcasting ofrece en la gestión de supply chain minorista.
Resumen Ampliado
En la entrevista, el presentador Kieran Chandler y Joannes Vermorel, el fundador de Lokad, analizan la técnica de Flowcasting en el contexto de la planificación de supply chain impulsada por la demanda. Introducido en un libro homónimo de 2006, Flowcasting es visto como el “Santo Grial” de este ámbito, ya que promete una eficiencia óptima al requerir forecast únicamente en el punto de venta.
Flowcasting se dirige a redes minoristas. Vermorel desglosa su premisa central de la siguiente manera: hacer forecast de cada producto en cada ubicación, cada día, y apuntar a la accuracy más alta posible. La imagen global obtenida a partir de estos forecasts permite reconstruir todas las supply chain decisions necesarias. La visión de flowcasting ofrece insights valiosos, enfatizando estar lo más cerca posible de la demanda, un factor que no ha sido priorizado en técnicas más antiguas. Además, valora evaluar el desempeño de cada producto en cada tienda, en lugar de hacerlo en agrupaciones agregadas, lo cual es un enfoque mucho más desagregado comparado con los forecast agrupados por categoría de arriba hacia abajo que prevalecían en ese entonces.
La implementación de flowcasting, sin embargo, resulta ser otra historia. Vermorel observa que “nunca funciona” como se espera. Las redes minoristas que intentan materializar este concepto teórico lo encuentran “brutalmente disfuncional”. La causa raíz se identifica en el completo desdén por el concepto de “stochasticity” — la aleatoriedad inherente en las ventas de productos a nivel de tienda.
Flowcasting se basa en un forecast determinista, presuponiendo que se puede predecir con absoluta certeza la cantidad exacta de un producto que se venderá en el futuro. No logra acomodar la aleatoriedad inherente de las ventas minoristas reales y la demanda fraccional a nivel de producto y por día. Este enfoque poco realista hace que los forecasts sean ineficaces. Más críticamente, conduce a la omisión de los economic drivers, cruciales para equilibrar los riesgos, en los procesos de optimización de supply chain, desestabilizando aún más la estrategia.
Cuando se le pregunta acerca de las consecuencias prácticas de implementar Flowcasting, Vermorel admite que, según su experiencia, las redes minoristas con las que está familiarizado nunca avanzan realmente más allá de la etapa prototipo debido a las complicaciones mencionadas. Por lo tanto, aunque Flowcasting continúa ofreciendo algunos insights valiosos, la entrevista enfatiza la necesidad de lidiar con sus limitaciones inherentes y la realidad de la estocasticidad en supply chain para operacionalizarlo de manera efectiva en un entorno minorista real.
Un punto crítico de la conversación involucra a “flowcasting”, una conocida técnica de supply chain. A pesar de los desafíos, Vermorel reconoce que flowcasting aporta insights valiosos. Enfatiza el enfoque de la técnica de acercarse lo más posible a la demanda en el nivel más desagregado. Según Vermorel, el nivel más desagregado no es por producto, por tienda, sino cada unidad vendida a clientes individuales. Este insight, sostiene, da origen al concepto de gráficos de tiempo sobre time series, reconociendo la identidad de los clientes y sus comportamientos de compra.
Además, Vermorel valora el énfasis de flowcasting en la automatización, insistiendo en que Lokad también adopta esta estrategia. Explica los beneficios de la actualización diaria de datos, afirmando que no hacerlo resulta en una complejidad innecesaria y oportunidades perdidas, ya que se estaría trabajando con datos desactualizados. Esta complejidad innecesaria, según él, es ilógica y un desperdicio de recursos.
El siguiente insight que extrae Vermorel de flowcasting es la idea de sincronicidad y la necesidad de una visión holística de supply chain. Al examinar la red completa y todos sus flujos, desde la producción hasta la demanda del cliente final, sugiere que los problemas de supply chain pueden resolverse de manera más efectiva, en lugar de simplemente desplazar los inconvenientes. Esto contrasta con el enfoque más común de optimizar cada etapa de forma independiente, lo que puede pasar por alto los impactos interconectados.
La crítica de Vermorel a flowcasting se centra en su excesiva simplificación. Aunque la simplicidad es generalmente un objetivo admirable, advierte que no debería conducir a una representación matemática ingenua de una realidad compleja. Aunque flowcasting se presenta como simple como Excel, Vermorel sostiene que simplifica en exceso las complejidades de supply chain.
El enfoque de Lokad difiere de flowcasting en su aceptación de la complejidad inherente de supply chain, según Vermorel. Subraya que las supply chain son intrínsecamente desordenadas y complicadas. El modelo de Lokad abarca la uncertainty, que considera irreductible. Por ello, su enfoque implica un álgebra probabilística que, aunque más complicada, conduce a resultados más realistas. Por lo tanto, la metodología de Lokad no intenta eliminar la uncertainty, sino reconocerla y trabajar con ella.
Para complicar aún más la gestión de supply chain, Vermorel detalla los numerosos casos límite que existen, como demandas diferentes para empaques o formatos específicos de productos en tiendas y clientes individuales. Tales variaciones, según Vermorel, requieren soluciones matizadas y flexibles que tengan en cuenta estas complejidades en lugar de un enfoque único para todos.
Para abordar estas complejidades, Lokad desarrolla un lenguaje de programación llamado Envision, diseñado para mantener la simplicidad sin comprometer las realidades de la gestión de supply chain. Este sistema proporciona una mejor aproximación de la realidad, pero Vermorel admite que ningún sistema puede capturar por completo las complejidades de las supply chain del mundo real.
Durante la discusión, el concepto de Flowcasting, una metodología de supply chain, es examinado. Vermorel especula que Flowcasting podría haber tenido un mejor desempeño si hubiera incorporado alguna forma de álgebra probabilística. Señala que, a pesar de sus deficiencias, Flowcasting fue una visión audaz para su época.
Cambiando el enfoque hacia tecnologías emergentes, Vermorel expresa escepticismo respecto al uso de artificial intelligence (AI) en la gestión de supply chain. Sostiene que la AI, aunque a menudo aclamada como una solución mágica, probablemente decepcionará a muchas empresas, ya que avances tecnológicos impresionantes en áreas como el reconocimiento de imágenes no se traducen directamente en la resolución de problemas de supply chain.
Sin embargo, Vermorel diferencia entre la palabra de moda de la AI y las técnicas algorítmicas fundamentales, tales como deep learning y differentiable programming. Según él, estas podrían ser increíblemente útiles si se alinean cuidadosamente con los desafíos únicos de la gestión de supply chain.
Retomando Flowcasting, Vermorel afirma que, a pesar de sus limitaciones matemáticas, el libro subyacente sigue siendo una lectura que vale la pena, principalmente debido a sus útiles insights en la gestión de supply chain en el retail. Aunque muchos de sus conceptos aún no se han utilizado plenamente, estas ideas siguen siendo válidas y valiosas hasta el día de hoy.
Finalmente, la conversación destaca que el mundo de la gestión de supply chain es complejo, sin una solución única y sencilla. Enfatizando la importancia de sistemas flexibles y adaptables que puedan aproximarse mejor a las realidades intrincadas de la dinámica de supply chain, Vermorel concluye promoviendo un enfoque integral y matizado.
Transcripción completa
Kieran Chandler: Hoy, en Lokad TV, vamos a aprender más sobre esta técnica y a debatir si aún es relevante. Entonces, Joannes, quizás deberíamos comenzar simplemente explicando un poco más qué es realmente flow casting y cómo funciona?
Joannes Vermorel: Flowcasting fue un término acuñado con la publicación de un libro en 2006, también titulado “Flowcasting.” Es una técnica dedicada a las redes minoristas, que ofrece optimización de supply chain para dichas redes. El libro presenta muchos insights interesantes y recetas sobre cómo implementarla. En pocas palabras, la idea es seleccionar cada producto en cada ubicación, hacer forecast de cada día, idealmente con accurate forecasts, y luego obtener una imagen completa de todo lo que va a suceder, impulsada por las ventas de tus clientes. Luego se pueden reconstruir todas las supply chain decisions que necesitas tomar, utilizando estos forecasts súper desagregados que están a nivel de producto por ubicación diariamente y reagrupando estos datos. Esto te permite reconstruir todas las supply chain decisions simplemente retrocediendo a partir de estos forecasts, desde la tienda de regreso al warehouse, hasta los proveedores.
Kieran Chandler: Interesante. Entonces, ¿qué fue lo tan diferente de esta visión? ¿En qué se diferenciaba de algunas de las técnicas que existían en ese momento?
Joannes Vermorel: Se diferenciaba por su serie de insights muy agudos, en particular la importancia de estar lo más cerca posible de la demanda. Esto no fue un descubrimiento nuevo, pero hasta donde sé, fue uno de los primeros libros que enfatizó la necesidad de estar extremadamente cerca de la mejor señal de demanda que tienes: tus ventas al final de la cadena. Esto difiere de muchas supply chain donde, típicamente, un eslabón solo observa lo que ocurre en el eslabón siguiente. Por ejemplo, como proveedor, observarías lo que sucede en el warehouse que te compra, pero no mirarías lo que ocurre en las tiendas. Flowcasting, en este sentido, fue muy coherente. Abogó por acercarse a la señal de demanda y sugirió que había valor en observar el nivel más desagregado - producto por tienda - en lugar de simplemente re-agrupar todo por semana por producto, solo porque es numéricamente más fácil de procesar.
Kieran Chandler: Entonces, al decir “desagregado”, ¿te refieres a desglosarlo a cada SKU en cada tienda?
Joannes Vermorel: Exactamente. Eso es algo que Flowcasting sugiere y que lo diferencia de la mayoría de las técnicas de la época. Típicamente, la gente hacía forecasts de arriba hacia abajo, donde se hacía forecast por categorías, se dividía en subcategorías, luego por regiones, y así sucesivamente. Al final, puede que tengas un par de agrupaciones de tiendas típicas y digas: “bueno, si tengo tienda tipo A, tipo B, tipo C, simplemente voy a asignar en función del perfil de la tienda”, y así. Este método evita lidiar con el nivel más desagregado, que es cada producto en cada ubicación, donde la cantidad de datos simplemente explota.
Kieran Chandler: Entonces, ¿por qué hablamos de esto hoy? ¿No existen técnicas más modernas que lo hayan reemplazado? ¿Por qué sigue siendo relevante?
Joannes Vermorel: Bueno, hace diez años, Flowcasting estaba de moda, y he visto al menos a media docena de grandes redes minoristas interesarse mucho por sus insights. Sin embargo, nunca funcionó en la práctica. Era como un libro lleno de ideas aparentemente excelentes, pero cuando la gente intentaba implementarlo, fracasaba por completo. Era brutalmente disfuncional, lo cual era inesperado dado lo simples que parecían las ideas. El libro daba la impresión de que se podía hacerlo fácilmente con forecasts diarios, y ofrecía algunas recetas sencillas para producir esos forecasts y aprovecharlos luego para decisiones de supply chain. Resultó que al intentar ponerlo en práctica, violentamente no funcionaba. La razón por la que Flowcasting fracasó es que omitió aspectos supercríticos. Sin embargo, la mayor parte del mercado y la mayoría de los actores aún carecen de esos insights. Flowcasting ha pasado de moda después de una década, pero las razones de sus fracasos aún no se conocen bien. Esto significa que, a menos que muchos actores actualicen su entendimiento, enfrentarán los mismos problemas.
Kieran Chandler: Entonces, a primera vista, mirar un punto de venta, hacer forecast allí, y que éste fluya a lo largo de toda tu supply chain parece bastante lógico. Entonces, ¿dónde es que se desmorona todo?
Joannes Vermorel: Se desmorona debido a la estocasticidad o incertidumbre. Las ventas a nivel de tienda son sumamente erráticas y aleatorias. Sí, podrías estar vendiendo aproximadamente una unidad por semana, pero nunca se sabe en qué día de la semana. Flowcasting se apoyaba en un forecast determinista donde se podía afirmar con perfecta precisión que se vendería exactamente una botella de champú dentro de dos días para una referencia dada. Sin embargo, eso no es realista debido a la aleatoriedad inherente en las ventas minoristas.
Kieran Chandler: Y ahí es donde todo realmente se desmorona. Esos forecast no tienen forma de reflejar ningún tipo de incertidumbre. Ahí es donde el forecasting se descompone completamente — la incertidumbre está ausente. Así, al estar ausente la incertidumbre y asumir que tus forecast son precisos, éstos no logran reflejar adecuadamente el futuro. No son forecast probatorios. Cuando se trata de optimización de supply chain, actúas como si tus forecast fueran correctos, y por ello ignoras lo que llamamos impulsores económicos, equilibrando todos esos riesgos. Esencialmente, tienes un problema que ignora la incertidumbre y, como consecuencia, también ignoras los impulsores económicos que son centrales para optimizar bajo incertidumbre. Entonces, si había tantos problemas con este enfoque, ¿qué sucedió realmente cuando los minoristas intentaron implementarlo? ¿Hubo algún desastre generalizado?
Joannes Vermorel: Las redes minoristas con las que estuve en contacto nunca pasaron realmente de la etapa de prototipo. Fueron cautelosas, lo probaron a muy pequeña escala. Pero en realidad, los números que salían eran tan absurdos que los practicantes de supply chain decían, no, no podemos llevar eso a la tienda. Era o demasiado poco, muy escaso, o demasiado. Literalmente, no tenía sentido. Hasta donde sé, ninguna red minorista de gran escala llegó siquiera a la etapa de prototipo con más que unos pocos productos en unas pocas tiendas, algo a muy pequeña escala, y se terminó muy rápidamente porque funcionaba de manera brutalmente disfuncional.
Kieran Chandler: Entonces, no puede ser que todo sea malo. Flowcasting era una técnica bastante conocida y tenía buena reputación. ¿Cuáles son algunos de los buenos insights que se nos ofrecieron?
Joannes Vermorel: Hubo varios insights interesantes. Sugerían acercarse lo más posible a la demanda y que el nivel más desagregado es por tienda, por producto. Estoy de acuerdo en que hay que ser lo más desagregado posible, pero no concuerdo en que “por producto, por tienda” sea el nivel más desagregado. El nivel más desagregado es cada unidad individual vendida a cada cliente. Hoy en día, la mayoría de las redes minoristas cuentan con seguimiento de clientes a través de programas loyalty. Así, no solo sabes que has vendido este producto en una ubicación y fecha determinadas, sino también a quién se lo has vendido. Por lo tanto, deberías pensar no solo en términos de series de tiempo, como se describe en flowcasting, sino como un grafo temporal en el que sabes exactamente a quién le vendes. Eso contiene aún más información. Sin embargo, el insight clave de flowcasting acerca de llegar al nivel más desagregado es profundamente correcto. Otro aspecto que acertaron fue la idea de automatizar todo con actualizaciones diarias. Eso es exactamente lo que Lokad sugiere hasta ahora. Si no tienes automatización completa — obtener los datos del último día, analizarlos y actualizar todos tus forecast y decisiones basados en tu forecast — entonces estás dejando mucho dinero sobre la mesa. Porque si usas datos de la semana pasada, estás intentando forecast las ventas de ayer. Pero no hace falta forecast las ventas de ayer, ya las conoces. Así que tener esas actualizaciones diarias es una buena práctica, de lo contrario, terminas utilizando datos de la semana pasada para predecir lo que ocurrió ayer, lo cual no tiene sentido. Otro buen insight de flowcasting es lo que llaman sincronicidad. Expresan la idea de que las supply chain necesitan una visión holística a través de sus escalones. Eso es lo que hicimos con el caso de Bridgestone que discutimos en un episodio anterior. Si deseas optimizar tu supply chain, necesitas tener una perspectiva holística de toda la red y de todos los flujos, desde la demanda del cliente final hasta la producción. Si no cuentas con este tipo de perspectiva holística, entonces simplemente estás desplazando problemas en lugar de resolverlos. Por lo tanto, flowcasting tenía este insight muy correcto de que necesitas abarcar la red en su totalidad, en lugar de hacer optimización por etapas, donde optimizas el almacén sin considerar nada más que el almacén. Kieran Chandler: Entonces, lo que realmente estás diciendo es que Flowcasting tuvo bastantes insights valiosos que compartimos aquí en Lokad. ¿Cuáles son las principales diferencias entre el enfoque Flowcasting y lo que hacemos aquí en Lokad? ¿Cuáles son las cosas que hacemos mucho mejor a tu parecer?
Joannes Vermorel: Uno de los principios clave de Flowcasting era que se podía hacer extremadamente simple, tan simple como en Excel, con fórmulas muy sencillas que podían combinarse en Excel. La simplicidad es muy buena. Sin embargo, cuando modelas un sistema complejo, como las supply chain, debes asegurarte de que tu modelo no sea simplista. Tu modelo no debe traicionar las realidades que intentas representar al tener una representación matemática muy ingenua de una realidad que no es tan simple. En Lokad, hemos tratado de aceptar de verdad el hecho de que la realidad en las supply chain es muy desordenada y a menudo complicada. Eso significa que la incertidumbre está aquí para quedarse. Si dices, “solo necesitamos forecast que sean precisos,” eso es un deseo ilusorio. Hay una cantidad irreducible de incertidumbre. Necesitas un sistema que abrace el hecho de que la incertidumbre está aquí para quedarse. Terminas con un álgebra probabilística, que es mucho más complicada. Pero es lo que se necesita; de lo contrario, tus resultados son absurdos. Y si deseas extraer la mayor cantidad de información posible desde el nivel más desagregado, que es el grafo temporal incluso de los clientes, quién compra qué producto, dónde y cuándo, de repente no puedes extraer toda la información que deberías de esos datos solo con series de tiempo. Sí, es un grafo temporal, y es más complicado, pero esa es la realidad. Kieran Chandler: Tienes mucha más información en este grafo temporal. Eso es lo que quieres aprovechar. Así que, quizá otra perspectiva es que, en lugar de intentar vender simplicidad, deseas tener un sistema que sea lo más simple posible, pero nunca más simple de lo que la realidad realmente requiere. Joannes Vermorel: Sí, de hecho. Podría profundizar en el hecho de que hay muchos casos límite, especialmente desafiantes, en las supply chain. Por ejemplo, considera un almacén que envía packs de botellas a las tiendas, pero en las tiendas se venden las botellas individuales porque los clientes a veces las desempaquetan. Y luego tienes casos en los que algunos clientes quieren específicamente comprar un pack de botellas. No puedes simplemente contar las botellas y asumir que esa es la solución. Algunos clientes son muy exigentes e insisten en tener un pack de seis botellas. Si eso no está disponible, prefieren comprar en otro lugar. Estas situaciones son bastante complicadas. Me temo que no existe un enfoque mágico y simple para esto. En Lokad, nos dimos cuenta de este hecho y decidimos crear una herramienta, un lenguaje de programación llamado Envision. Lo diseñamos para que fuera lo más simple posible, pero sin simplificar en exceso las realidades de las supply chain. Debo admitir que la realidad en las supply chain es realmente compleja. Todo lo que se puede esperar es una mejor aproximación. Nunca tendrás toda la realidad modelada en tu sistema. Kieran Chandler: Entonces, si Flowcasting tuviera algo de ese álgebra probabilística detrás, podría haber funcionado un poco mejor en el pasado, pero de alguna manera probablemente fue diez años antes de su tiempo? Joannes Vermorel: Exactamente, creo que efectivamente fue alrededor de diez años antes de su tiempo. En aquel entonces, no contábamos con todos los ingredientes tecnológicos necesarios para ejecutar lo que aún es una visión relativamente audaz de la supply chain. Kieran Chandler: ¿Y qué hay del Flowcasting de 2019? ¿Existe algo que luzca muy bien en la superficie, pero que en realidad no rinda tan bien una vez que te adentras en él? ¿Cuál será lo siguiente que sea similar a Flowcasting y que, aunque parezca prometedor, eventualmente se desmorone?
Joannes Vermorel: Creo que la mayoría de lo que se está vendiendo bajo la bandera de AI se va a desmoronar. No estoy diciendo que deep learning o incluso su descendiente, differentiable programming, no sean herramientas excelentes; de hecho, lo son. Sin embargo, si lo único que tienes es la palabra de moda y solo tecnología cruda proveniente de ámbitos como el reconocimiento de imágenes, que no son directamente aplicables a la supply chain, entonces muchas empresas se darán cuenta de que esa tecnología cruda, incluso si es impresionante y puede ganar contra un campeón de Go, no resuelve mágicamente sus problemas de supply chain. Sospecho que dentro de diez años, la situación de AI será incluso peor que la de Flowcasting. Incluso con Flowcasting, diez años después todavía había algunos aspectos perspicaces en el libro. Por otro lado, anticipo que alrededor del 90% de lo que los proveedores están impulsando actualmente se volverá inútil para los propósitos de supply chain en aproximadamente una década. Serán completamente olvidados. Pero me gustaría distinguir entre la palabra de moda AI, que creo que es solo eso, y las técnicas algorítmicas fundamentales como deep learning y differentiable programming, que pueden ser muy útiles si se alinean cuidadosamente con los desafíos de tu supply chain. Kieran Chandler: Es sorprendente, considerando que AI es actualmente una palabra de moda en la industria. Para resumir, ¿sigue siendo relevante Flowcasting? ¿Vale la pena leer el libro? ¿Cuál es el mensaje clave a aprender de hoy? Joannes Vermorel: Sí, creo que el libro todavía vale la pena leerlo. Es una lectura agradable. El estilo es bueno, y es una lectura rápida, tomando quizá solo unas pocas horas. Muchos de los insights siguen siendo correctos. Lo que es incorrecto es la matemática que ilustran a lo largo del libro. Los autores, al parecer, no eran ni matemáticos ni estadísticos, y se nota. Pero si desestimas las matemáticas y te concentras en los insights, descubrirás que habían meditado seriamente sobre la supply chain en el retail y sus implicaciones. Ahí es donde creo que el libro realmente brilla. Muchos de los insights que señalaron hace diez años siguen siendo muy correctos y están ampliamente subutilizados. Las grandes redes minoristas aún no captan la mayoría de los insights descritos en este libro de Flowcasting. Kieran Chandler: ¡Genial! Bueno, se nos ha acabado el tiempo por hoy, pero gracias por tu tiempo. Eso es todo por esta semana. Muchas gracias por sintonizar y nos veremos de nuevo la próxima vez. Adiós por ahora.
Joannes Vermorel: Sí, creo que el libro todavía vale la pena leerlo. Es una lectura agradable. El estilo es bueno, y es una lectura rápida, tomando quizá solo unas pocas horas. Muchos de los insights siguen siendo correctos. Lo que es incorrecto es la matemática que ilustran a lo largo del libro. Los autores, al parecer, no eran ni matemáticos ni estadísticos, y se nota. Pero si desestimas las matemáticas y te concentras en los insights, descubrirás que habían meditado seriamente sobre la supply chain en el retail y sus implicaciones. Ahí es donde creo que el libro realmente brilla. Muchos de los insights que señalaron hace diez años siguen siendo muy correctos y están ampliamente subutilizados. Las grandes redes minoristas aún no captan la mayoría de los insights descritos en este libro de Flowcasting.
Kieran Chandler: ¡Genial! Bueno, se nos ha acabado el tiempo por hoy, pero gracias por tu tiempo. Eso es todo por esta semana. Muchas gracias por sintonizar y nos veremos de nuevo la próxima vez. Adiós por ahora.
