00:00:09 La programación diferenciable y su impacto en supply chains.
00:01:00 Ineficiencias en supply chains y problemas sin resolver en diversas industrias.
00:02:06 Desafíos en la industria de la moda y una demanda muy sensible al precio.
00:04:20 Dificultad en combinar métodos existentes para una optimización conjunta.
00:05:51 La programación diferenciable como descendiente de deep learning para la optimización conjunta.
00:08:00 Aprendizaje y optimización en la gestión de supply chain.
00:09:24 La programación diferenciable y problemas sin resolver en diversas industrias.
00:10:27 Forecast de demanda y utilización de datos de clientes.
00:13:24 Problemas wicked y consecuencias de segundo orden en promociones.
00:15:52 Adaptarse a las necesidades y expectativas de los clientes.
00:17:03 El papel de deep learning y el progreso en hardware para resolver problemas complejos.
00:19:20 Retornos decrecientes en el progreso de la IA y la necesidad de expresividad.
00:21:12 La programación diferenciable permite eliminar los silos en la gestión de supply chain.
00:23:23 Reflexiones finales.
Resumen
En esta entrevista, el presentador Kieran Chandler y Joannes Vermorel, fundador de Lokad, discuten el potencial de programación diferenciable para la optimización de supply chain. Vermorel explica que los métodos tradicionales para tomar decisiones de almacenaje, compra y fijación de precios a menudo están desconectados, lo que resulta en ineficiencias. La programación diferenciable puede optimizar estas decisiones considerando múltiples factores simultáneamente. Este enfoque, aún relativamente nuevo, puede abordar problemas sin resolver en diversas industrias, como el forecast de demanda en el retail y la optimización bajo incertidumbre. Los avances en tecnología han permitido modelos más complejos, lo que posibilita abordar problemas a gran escala. La programación diferenciable tiene el potencial de revolucionar la optimización de supply chain, rompiendo los silos organizacionales y mejorando la eficiencia general.
Resumen Extendido
En esta entrevista, Kieran Chandler, el presentador, discute la programación diferenciable y su impacto en la optimización de supply chain con Joannes Vermorel, fundador de Lokad, una empresa de software especializada en la optimización de supply chain. Exploran problemas sin resolver y cómo estos desafíos han sido abordados en diversas industrias.
Vermorel explica que un problema sin resolver no es necesariamente aquel que nunca tendrá solución, sino más bien uno que aún no cuenta con una solución satisfactoria. Señala que, aunque supply chains funcionan, a menudo operan con ineficiencias significativas. Estas ineficiencias podrían no ser evidentes hasta que se examinen detenidamente, y puede haber variables que se podrían ajustar para mejorar supply chain y que no son consideradas tradicionalmente por los gestores de supply chain, tales como la fijación de precios y el surtido.
Chandler pregunta sobre los desafíos específicos que han sido difíciles de resolver en la industria de supply chain. Vermorel responde que cada sector tiene su propio conjunto de problemas mal resueltos, utilizando la moda como ejemplo. La moda rápida, que es muy sensible al precio, demuestra que la demanda se ve fuertemente influenciada por la fijación de precios. Sin embargo, la mayoría de las soluciones de planificación de la demanda en la moda tratan la demanda como si la fijación de precios no existiera, lo cual crea una brecha masiva.
Vermorel explica que existe un problema sin resolver en la optimización conjunta de la demanda, el almacenaje y la fijación de precios, ya que estos factores a menudo se tratan como entidades desconectadas. En respuesta a la pregunta de Chandler sobre si se pueden combinar los métodos existentes para resolver este problema, Vermorel dice que, históricamente, la mayoría de las soluciones desarrolladas no se prestaban a ser combinadas entre sí. El enfoque de Planificación de Ventas y Operaciones (S&OP) intentó abordar este problema a nivel humano facilitando la comunicación entre diferentes departamentos, pero esto no se traduce bien a la automatización por software.
Cuando se trata de automatización por software, Vermorel señala las dificultades que surgen al intentar integrar sistemas separados, como la planificación de requerimientos de materiales impulsada por la demanda (DDMRP), los sistemas de gestión de almacén (WMS) y los complementos de gestión de información de producto (PIM) para la fijación de precios. Estos sistemas a menudo toman decisiones de manera independiente, lo que conduce a un enfoque desarticulado y a posibles ineficiencias.
Vermorel explica que los métodos tradicionales para tomar decisiones de almacenaje, compra y fijación de precios a menudo están desconectados, lo que puede llevar a resultados subóptimos. Sugiere que la programación diferenciable puede ayudar a optimizar estas decisiones considerando múltiples factores simultáneamente.
La programación diferenciable es conceptualmente similar a deep learning, pero se centra en una combinación de aprendizaje y optimización en lugar de únicamente en el reconocimiento de patrones. Vermorel destaca que deep learning ha logrado avances significativos en el reconocimiento de imágenes, pero también ha conducido a innovaciones en la optimización numérica. Estos avances han permitido el desarrollo de modelos más complejos con millones de parámetros, lo que a su vez ha mejorado el proceso de optimización.
En el contexto de la gestión de supply chain, la programación diferenciable se puede aplicar tanto para aprender sobre la demanda futura como para tomar decisiones optimizadas bajo condiciones de incertidumbre. Por ejemplo, puede ayudar a determinar cuántas unidades comprar a un proveedor o cuándo aplicar descuentos a un producto específico. Vermorel señala que los clientes a menudo se ven influenciados por el surtido general de productos, lo que significa que optimizar las decisiones para productos individuales puede no ser suficiente.
Aunque la programación diferenciable es un enfoque relativamente nuevo, Vermorel cree que se puede aplicar a una amplia gama de problemas sin resolver en diversas industrias. Él proporciona el ejemplo del forecast de demanda en el retail, donde los programas de loyalty y los datos de clientes pueden ofrecer valiosas ideas sobre los patrones de compra. Actualmente, hay pocas soluciones en el mercado que aprovechen estos datos, y la programación diferenciable puede ayudar potencialmente a explotar esta información para una mejor decision-making.
Otro desafío que la programación diferenciable puede abordar es la optimización bajo incertidumbre. Los métodos tradicionales de optimización a menudo tienen dificultades con condiciones estocásticas o aleatorias, lo que ha llevado a la adopción de enfoques simplificados, como el MRP (Planificación de Requerimientos de Materiales) y DDMRP (MRP impulsado por la Demanda).
La entrevista con Joannes Vermorel destaca el potencial de la programación diferenciable para abordar diversos desafíos en la optimización de supply chain. Al combinar el aprendizaje y la optimización, este enfoque puede ayudar a las empresas a tomar decisiones más informadas que tengan en cuenta múltiples factores e incertidumbres. Aunque la programación diferenciable aún es un campo relativamente nuevo, Vermorel cree que tiene un potencial significativo para mejorar la gestión de supply chain y el forecast de demanda en diferentes industrias.
Discutieron el papel de la programación diferenciable en abordar los desafíos de supply chain y el potencial para resolver problemas complejos, previamente irresolubles.
Vermorel explica que la programación diferenciable es una herramienta poderosa para abordar desafíos complejos en supply chain. Los avances tecnológicos han permitido la optimización de modelos con millones de parámetros, mientras que antes solo eran posibles unos pocos cientos. Este salto en capacidad ha hecho posible abordar problemas a gran escala, lo que es particularmente relevante para empresas con numerosos productos y tiendas.
Uno de los principales desafíos que la programación diferenciable ayuda a abordar es el “wicked problem”. Estos problemas surgen cuando existen consecuencias de segundo orden a las acciones, como cuando las promotions en una marca de moda hacen que los clientes solo compren durante las rebajas. Actualmente, ningún algoritmo es capaz de abordar estos wicked problems, pero Vermorel cree que la IA a nivel humano eventualmente podría ser capaz de resolverlos.
El éxito reciente de la programación diferenciable se puede atribuir a una combinación de avances en hardware y software. El rápido progreso en la potencia de procesamiento, junto con innovaciones en la eficiencia algorítmica, ha permitido la optimización de modelos con cientos de millones de parámetros. Vermorel cree que hemos alcanzado un punto de retornos decrecientes en la potencia de procesamiento, y el principal desafío ahora radica en mejorar la expresividad y encajar problemas complejos en un marco optimizable.
Para los profesionales de supply chain, la programación diferenciable ofrece el potencial de derribar silos y optimizar conjuntamente problemas que antes estaban aislados. Esto podría conducir a un gran avance en eficiencia, lo que requeriría que las empresas repiensen sus estructuras organizativas. A medida que las empresas comiencen a adoptar la programación diferenciable, pueden seguir el ejemplo establecido por Amazon al derribar estos silos y optimizar a través de distintos dominios.
La programación diferenciable tiene el potencial de revolucionar la optimización de supply chain al abordar problemas previamente irresolubles y derribar los silos organizativos. Con los avances en hardware y software, este enfoque ofrece a los profesionales de supply chain nuevas oportunidades para enfrentar desafíos complejos y mejorar la eficiencia general.
Transcripción Completa
Kieran Chandler: Hola, hoy en Lokad TV, vamos a abordar el tema, algo novedoso, de la programación diferenciable. Este emocionante desarrollo es el último descendiente de deep learning y ha desbloqueado una serie de desafíos que anteriormente se consideraban irresolubles. Hoy vamos a aprender un poco más sobre este proceso y entender cómo ha llevado a un progreso rápido en el mundo de supply chains. Entonces, Joannes, hoy hablamos de problemas sin resolver, lo cual suena bastante desafiante. ¿Qué queremos decir con un problema sin resolver?
Joannes Vermorel: Lo que realmente quiero decir es que puede tratarse de un problema que quizás nunca tenga solución, o más bien de problemas que aún no tienen una solución satisfactoria. Es interesante porque en supply chains, todos los problemas están, de alguna manera, resueltos. Obviamente, las fábricas están produciendo y la gente disfruta de las cosas que puede comprar en las tiendas, así que supply chain en realidad funciona. Pero puede estar funcionando con ineficiencias significativas, y hasta que no te adentres realmente en el tema, puede que ni siquiera veas lo ineficiente que es a múltiples niveles. Especialmente cuando empiezas a pensar en variables de ajuste que tal vez puedas utilizar y que no son tradicionalmente usadas, diría yo, por los gestores de supply chain en general, tales como la fijación de precios, el surtido y toda clase de maneras de doblar y retorcer la demanda del mercado para acercarla a lo que ofreces.
Kieran Chandler: Bien, ¿entonces, qué tipo de desafíos han sido un problema durante algunos años?
Joannes Vermorel: Depende, ya que cada sector tiene su propio conjunto de problemas difíciles y mal resueltos. Tomemos la moda, por ejemplo. En la moda rápida o la moda asequible, la demanda es muy sensible al precio. Por eso la gente se precipita a las rebajas, porque es el momento en el que se pueden obtener precios súper agresivos. Obviamente, debido a la enorme popularidad de las rebajas, hay muchas personas que sienten que vale la pena esperar horas y acudir a tiendas súper llenas para beneficiarse de esos precios. Así que, la gente quiere ropa y cosas que le gusten, pero realmente las quiere a un precio que pueda permitirse. Sin embargo, prácticamente todas las soluciones de planificación de la demanda que conozco para la moda, excepto Lokad, tratan la demanda como si la fijación de precios no existiera, como si fuera un precio de catálogo y nada más. Mientras que, claramente, cuando se lanza un producto al mercado, existe toda una estrategia de fijación de precios. Si el producto no se vende lo suficiente, se activarán rebajas y descuentos para liquidar el stock y hacer espacio para la próxima colección. Así que, obviamente, si tienes algo que, en términos de organización de procesos y tecnología de software para soportarlo todo, trata la demanda del cliente y la fijación de precios como cosas completamente desconectadas, existe, claramente, una brecha masiva. Y es, claramente, un problema sin resolver que implica la optimización conjunta de la demanda, el almacenaje y la fijación de precios al mismo tiempo.
Kieran Chandler: ¿Entonces, cómo se abordan estos problemas con los métodos existentes? Quiero decir, ¿podemos combinar los métodos existentes para obtener algo satisfactorio?
Joannes Vermorel: No, la mayoría de las recetas que se han inventado históricamente no permitían fusionarse unas con otras. Eso es más o menos lo que S&OP intentó hacer, pero a nivel humano. Así que hagamos que las personas conversen entre sí. Con los humanos, puede funcionar porque pueden hablar y alinear sus semánticas. Pero cuando hablamos de automatización por software, donde el DDMRP toma decisiones, WMS toma decisiones de almacenaje, y además tienes un complemento en tu PIM (gestión de la información de producto) que controla el precio, todos esos sistemas no se integran
Kieran Chandler: Ya sabes, no tienen nada que los conecte de manera nativa, y aunque lo tengan, no es nada claro. Considerando los métodos que se utilizan para generar la decisión, como la decisión de almacenaje o de compra por un lado y la decisión de fijación de precios por el otro, ¿hay algo que se pueda construir en medio para conciliar las decisiones y optimizarlas de forma conjunta?
Joannes Vermorel: En esencia, estos sistemas están diseñados con una mentalidad de dividir y conquistar, donde lo que no está dentro del alcance se ignora por completo. Así es como se pueden tener recetas que además son mucho más simples. La programación diferenciable se trata de una optimización dual que tiene en cuenta muchos problemas diferentes y los une en uno solo.
Diferentiable programming está conceptualmente relacionada con deep learning, pero no tan centrada en accuracy para forecast. Es más como una perspectiva diferente de las cosas. El progreso reciente en deep learning ha sido principalmente del lado del aprendizaje, con un tremendo avance en el reconocimiento de patrones en imágenes y la identificación de objetos o personas. Eso es muy genial, y el progreso ha sido significativo.
Sin embargo, también existía otro lado en el que deep learning desbloqueó toneladas de resultados excelentes, que fue la optimización numérica. La razón por la que logramos reconocer patrones complejos en imágenes con mayor accuracy es porque teníamos modelos que eran muchísimo más complejos, con muchos más parámetros, llegando a decenas de millones. Para siquiera entrenar estos modelos y construir un modelo matemático que sea eficiente en tu conjunto de datos, necesitas una receta de optimización numérica que funcione a escala, porque estamos hablando de millones de parámetros a optimizar.
Deep learning y la tecnología de AI llegaron con una serie de avances en la optimización a gran escala, lo que hizo posibles muchos de los avances en el lado del aprendizaje. La programación diferenciable proviene de una perspectiva diferente. Lo que interesa es tanto el aspecto del aprendizaje como las herramientas numéricas para realizar optimización a gran escala. A veces, lo que se quiere es una mezcla de aprendizaje y optimización.
En supply chain, no se desea aprender tanto sobre cuál será la demanda futura, sino tomar la decisión correcta optimizada bajo condiciones futuras inciertas, como por ejemplo cuántas unidades comprar si el proveedor ofrece un determinado precio. Una vez que se han adquirido las unidades, ¿cuándo se debe decidir descontar un producto específico? Se trata tanto de aprender la demanda futura como de optimizar variables donde se tiene mucha libertad.
En el caso de la moda, para un producto, un precio y un stock, la realidad es que los clientes no acuden a una tienda por un solo producto. Tienen necesidades, deseos y anhelos, y en última instancia están mirando el surtido. Si comienzas a pensar en decisiones para un producto a la vez, pierdes el punto. Por eso todas esas marcas necesitan colecciones, porque requieren tener un surtido amplio para que tenga sentido para los clientes.
Kieran Chandler: ¿Dónde funciona realmente bien este enfoque en el mundo real? ¿Cuáles son los desafíos clásicos que resuelve tan bien?
Joannes Vermorel: La pila tecnológica es bastante nueva, y con la programación diferenciable, no diría que existe una rutina bien establecida de dónde funciona de maravilla. Lo que quiero decir es que hay tantas oportunidades por explorar en este dominio.
Kieran Chandler: Se observan muchas áreas problemáticas en diversas industrias. En una discusión anterior, hablamos sobre las limitaciones del MRP y de cómo el DDMRP es básicamente una solución improvisada para sistemas de MRP bastante defectuosos. Pero, ¿cuál es el problema sin resolver en esta área?
Joannes Vermorel: El problema sin resolver es la optimización bajo incertidumbre. Cuando realizas una optimización, similar a resolver un rompecabezas con un futuro estático y aplicas todas tus restricciones, este tipo de cosas se han resuelto desde los años 80. Sin embargo, cuando introduces un alto grado de aleatoriedad, es un problema completamente distinto. Todos los optimizadores numéricos que tenemos se desmoronan, y por eso la gente recurre a recetas súper simplistas con puntos de desacoplamiento y artículos desacoplados. El MRP es consecuencia de la falta de herramientas adecuadas para abordar realmente el problema.
Kieran Chandler: ¿Puedes darnos otro ejemplo donde las industrias estén perdiendo el enfoque fundamentalmente?
Joannes Vermorel: Claro. Cuando piensas en términos de demand forecast, cada unidad vendida está conectada a un cliente. Hoy en día, gracias a los programas de lealtad, casi cada cadena minorista y plataforma ecommerce puede identificar a sus clientes y saber exactamente quién compró qué, en qué momento, bajo qué condiciones y qué productos estaban presentes. Saben que la elección de un cliente se limitó a lo que estaba disponible en ese momento. Hay mucha información aquí, como el surtido en el momento de la decisión de compra y la identidad de los clientes con historial de compras. Sin embargo, veo que casi no existen soluciones en el mercado que utilicen estos datos. Es una desconexión clara y un potencial masivo que no se está utilizando en absoluto.
Kieran Chandler: ¿Cuáles son los verdaderos desafíos en las supply chains que la programación diferenciable ni siquiera roza?
Joannes Vermorel: Existen problemas complejos que probablemente no se resolverán antes de la llegada de una AI fuerte, o de una inteligencia a nivel humano. Estos problemas complejos implican pensar en las consecuencias de segundo orden de tus acciones. Por ejemplo, cuando haces promociones para una marca de moda, estás haciendo dos cosas: liquidar tu stock, lo cual es bueno y se puede optimizar con la programación diferenciable; pero también necesitas pensar en las consecuencias de tus acciones desde el principio cuando realizas un pedido.
Kieran Chandler: Suministra tus primeras unidades, está bien, bueno. Pero, ¿cuáles son las consecuencias de segundo orden? El hecho de que cuando haces promociones, cuando haces rebajas, en realidad estás entrenando a tu base de clientes a comprar únicamente en tu tienda, en tus cadenas o en tu e-commerce solo cuando está en promoción. Y podría existir una deriva que se ha dado durante más de una década, en la que se pasa de tener personas que compran felizmente todo el tiempo a que la mayoría de tus clientes ahora solo compren en rebajas.
Joannes Vermorel: Es como una profecía que se cumple a sí misma, y claramente ocurre en este momento. Por eso se le llama un “wicked problem.” Puedes consultar la página de Wikipedia. Fundamentalmente, el componente es que no estamos tratando con autómatas. Tus clientes no son automatizados; son inteligentes y se adaptan. Básicamente, necesitas tener en cuenta que cuando haces algo, la gente piensa y se adapta a lo que estás haciendo. Eso es lo que yo llamo las consecuencias de segundo orden.
Cuando las personas saben que vas a hacer algo, tienen expectativas y basan sus acciones en lo que piensan de ti. Es una recursión, y es algo muy humano en lo que, en realidad, los humanos son bastante buenos. Son todas esas consecuencias complejas.
Por ejemplo, supongamos que eres un fabricante de automóviles. Mejoras la supply chain para la distribución de piezas de automóviles y para tu propia red de talleres. Tu taller se vuelve tan bueno que en realidad alienas a tus socios históricos en el mercado. Así que haces una optimización por un lado y luego molestas a socios importantes que eran tus socios históricos. ¿Deberías renunciar a optimizar tu supply chain solo para mantener contentos a tus socios? Tal vez, tal vez no. Nuevamente, ese es un tipo de problema complejo que está completamente fuera de las capacidades de cualquier algoritmo que conozca, incluso las técnicas de AI más sofisticadas que lees en la prensa ni se acercan a rozar este tipo de problema complejo.
Kieran Chandler: Parece que estos problemas complejos probablemente serán un desafío para la programación diferenciable del mañana y para Skynet, no para los Terminators. Entonces, ¿por qué ahora era el momento de retomar algunos de estos problemas irresolubles? ¿Qué ha cambiado en el mundo de la tecnología que hizo posible que la programación diferenciable lograra este avance?
Joannes Vermorel: Lo que ha cambiado es que hemos pasado de una tecnología en la que podíamos optimizar modelos con literalmente unos pocos cientos de parámetros a modelos que pueden tener cien millones de parámetros. Eso es lo que se obtiene con las técnicas modernas de deep learning, especialmente para fines de optimización en contextos de programación deep y diferenciable. Eso cambia las reglas del juego, porque el reto con muchos de los clientes de los que hablamos es que, a menos que sean compañías realmente pequeñas, tienen problemas que son a escala. Incluso si no son Walmart, en cuanto tienes como 50 tiendas, necesitas resolver problemas a escala. Si tienes 10,000 productos por tienda, estamos hablando de medio millón de SKUs, así que es como medio millón de variables para decisiones de precios y stock cada día.
Lo que cambió fue cuando pasamos de la capacidad de optimizar problemas con unos pocos cientos de variables a millones. De repente, se hizo visible la resolución de toneladas de problemas que antes eran simplemente invisibles. Curiosamente, con deep learning fue una combinación de avances en hardware y software. La AI sigue progresando rápidamente, y CPUs mejores con más núcleos y mayor poder de procesamiento bruto continúan avanzando relativamente rápido. Pero, además, lo que es aún más rápido es una serie de avances en los que tenías hardware que te daría 10 unidades de poder de procesamiento dentro de dos años.
Kieran Chandler: Quizás tendremos 20 unidades o tal vez eso será dentro de 3 años, está bien, ese es un buen progreso exponencial en un periodo de, digamos, tres años o algo así. Pero si cada seis meses se producen avances en software o matemáticos que duplican la eficiencia del algoritmo que tienes, entonces tu progreso es dramáticamente más rápido. Eso es exactamente lo que ha estado ocurriendo con deep learning. Hubo un progreso constante del hardware, pero fue completamente amplificado por una serie de avances que fueron más del lado algorítmico y matemático, donde literalmente tenías el doble de potencia de procesamiento con el mismo hardware. La aceleración ha venido ocurriendo durante la última década, y el resultado es que pasamos de modelos con unos pocos cientos de variables a cientos de millones en una década. Quiero decir, no exactamente, pero eso te da una especie de marco. Entonces, esto es lo que cambió, diría yo, en gran parte se debe a poder hacer eso a escala, con agilidad y de forma económica. ¿Va a continuar ese crecimiento o es algo que en realidad está creciendo tanto como debería?
Joannes Vermorel: En este punto, creo que hemos llegado al punto de rendimientos decrecientes. La mayoría de los problemas que enfrentamos ahora no se deben a un shortage de poder de procesamiento; tenemos un exceso de poder de procesamiento. No tenemos problemas en los que digamos, si el poder de procesamiento fuera diez veces más barato, podríamos hacerlo. Es muy raro, y cuando tenemos métodos en los que se podría invertir mucho más poder de procesamiento para obtener un pequeño impulso, típicamente resulta extremadamente marginal. Puedes obtener un extra de precisión del 0.2 por ciento invirtiendo diez veces más CPU, pero simplemente no vale la pena. Es mejor replantearse todo el asunto. Creo que el principal desafío ahora radica en el tipo de expresividad, en cómo encajar esos problemas en un marco. La programación diferenciable no es lo opuesto; está intentando alcanzar la máxima expresividad para que muchas cosas que hasta ahora eran problemas abiertos pasen a formar parte del ámbito de lo que se puede hacer con la programación diferenciable.
Kieran Chandler: Entonces, empecemos a unir las cosas, y en términos de programación diferenciable, ¿qué significa para el profesional de supply chain? ¿Cuáles son los beneficios que es probable que observe a partir de esto, y cómo va a cambiar su enfoque actual?
Joannes Vermorel: La programación diferenciable será un gran avance para eliminar los silos. Hicimos un episodio, creo que fue hace 20 episodios, sobre todos esos silos en los que teníamos silos verticales y horizontales. La realidad es que yo decía que simplemente deberíamos eliminarlos, pero es cierto que quizá algunas personas se opongan a eso. Sí, tiene sentido, porque obviamente hay ineficiencias desaprovechadas que podrían eliminarse y optimizarse si pudiéramos hacerlo, pero la tecnología simplemente no está allí. Así que, por ahora, estamos atascados con nuestros silos por falta de alternativa. Creo que la programación diferenciable abre concretamente la puerta para pensar en la fijación de precios conjunta con el surtido, o en el procesamiento de surtido, o en la fijación de precios del surtido, o en la compra junto con la fijación de precios. Se pueden ver todo tipo de problemas que resolvíamos de forma aislada, y ahora se puede decir, oh, vamos a resolverlos conjuntamente. Esto también requerirá reinventar cómo se organizan esas compañías, porque esos silos del pasado no sobrevivirán en este nuevo mundo cuando las empresas comiencen a adoptar el estilo Amazon de derribar esos silos y optimizar de manera cruzada esos ámbitos.
Kieran Chandler: Brillante, gracias por tu tiempo hoy. Eso es algo para esta semana. Muchas gracias por sintonizar,