00:00:07 La importancia de pronosticar tendencias.
00:01:36 Las limitaciones de utilizar datos de redes sociales para el pronóstico de la cadena de suministro.
00:04:26 La desconexión entre las tendencias de las redes sociales y los datos de la cadena de suministro a nivel de SKU.
00:06:37 Desafíos para encontrar señales tempranas en los datos de las redes sociales.
00:07:20 Utilizar datos de la empresa para mejorar el pronóstico y la importancia de los modelos de pronóstico estables.
00:10:07 La dificultad de predecir eventos extremos como COVID-19 y la importancia del pronóstico probabilístico.
00:13:42 El proceso lento y manual de convertir los pronósticos en decisiones en la mayoría de las industrias.
00:15:00 La naturaleza lenta de las cadenas de suministro y la ineficiencia de actuar en base a señales tempranas.
00:15:53 La necesidad de robotizar las tuberías de datos para generar decisiones de manera más eficiente.
00:17:07 Las limitaciones de la tecnología de pronóstico y la aceptación de la incertidumbre.
00:19:35 El papel de los científicos de la cadena de suministro y la perspicacia humana en la toma de decisiones.
00:20:31 Evaluar el potencial de ahorro de tiempo de una mejor tecnología de pronóstico.
00:22:00 Priorizar la automatización en la toma de decisiones sobre el pronóstico avanzado.
Resumen
Kieran Chandler y Joannes Vermorel discuten los desafíos y el potencial de utilizar fuentes de datos externas como las redes sociales para predecir las tendencias de la cadena de suministro. Vermorel argumenta que si bien puede existir información valiosa en las redes sociales, es difícil relacionar los datos con productos específicos, y la calidad y el contexto de los datos a menudo no están claros. En cambio, recomienda centrarse en los datos internos para obtener una visión futura más precisa y adoptar un enfoque probabilístico para prepararse para eventos extremos. Vermorel enfatiza la necesidad de que las empresas automatizar sus procesos de toma de decisiones para mejorar su agilidad y responder mejor a las fluctuaciones de la demanda.
Resumen Extendido
La discusión entre Kieran Chandler y Joannes Vermorel gira en torno al potencial de utilizar grandes fuentes de datos externas, como las redes sociales, para pronosticar tendencias y capturar señales tempranas para la optimización de la cadena de suministro. Vermorel argumenta que, en la práctica, este enfoque no funciona de manera efectiva para las cadenas de suministro debido a la dificultad para extraer datos relevantes y discernir entre información real y falsa. Incluso los anunciantes tienen dificultades para diferenciar entre tráfico real y generado por bots, lo que dificulta obtener información valiosa de estas fuentes de datos. Vermorel sugiere que predecir tendencias utilizando las redes sociales puede funcionar en situaciones raras o extremas, pero la granularidad de la información necesaria para la optimización de la cadena de suministro no es generalmente alcanzable.
Discutieron los desafíos y el potencial de utilizar datos externos, como las redes sociales, para predecir las tendencias de la cadena de suministro. Vermorel explica que si bien puede haber información valiosa en las redes sociales, es difícil relacionar directamente estos datos con productos específicos o SKU. Además, la calidad y el contexto de los datos a menudo no están claros, ya que las personas rara vez mencionan detalles del producto como códigos UPC en sus publicaciones, y la interpretación del contenido puede ser altamente subjetiva.
Vermorel agrega que incluso cuando la información parece ser obvia, como una celebridad respaldando un producto, la interpretación puede variar significativamente. Las personas pueden centrarse en diferentes aspectos del producto, como el color, la forma o la marca. Esta ambigüedad se ve agravada por el hecho de que las publicaciones en redes sociales a menudo forman parte de una conversación más amplia, con interacciones y respuestas que agregan aún más ambigüedad. El análisis de sentimientos puede ayudar, pero sigue siendo difícil extraer información clara y accionable de los datos de las redes sociales.
Cuando se le preguntó sobre otras señales tempranas para las tendencias de la cadena de suministro, Vermorel sugiere que las empresas deberían centrarse en sus propios datos internos. Se puede obtener una visión más clara del futuro analizando estos datos, pero detectar señales tempranas de eventos fuera de lo común sigue siendo un desafío. Explica que incluso con un buen modelo de pronóstico, existen limitaciones debido a la necesidad de estabilidad. Una cadena de suministro requiere un plan constante para ejecutarse, y demasiada capacidad de respuesta puede llevar a falsos positivos costosos.
Vermorel reconoce que se pueden realizar mejoras en la detección de señales más tempranas, pero el progreso suele ser marginal. Por ejemplo, en Lokad, están satisfechos cuando pueden detectar una disrupción unos días antes que antes. Advierte que en la mayoría de los casos, estas señales tempranas siguen siendo reactivas, ya que se basan en datos de la empresa que reflejan cambios en las ventas u otros factores.
Al abordar la idea de tener señales tempranas para eventos significativos, como el coronavirus, Vermorel cuestiona la viabilidad de detectar dichas señales de manera confiable. Sugiere que si bien puede ser beneficioso tener sistemas de alerta temprana para interrupciones raras a gran escala, la practicidad de desarrollar modelos de pronóstico precisos y confiables para estos escenarios sigue siendo incierta.
El fundador discutió eventos extremos como COVID-19, los desafíos de predecir tales eventos y la importancia del pronóstico probabilístico. Argumenta que predecir valores atípicos es inherentemente difícil debido a su naturaleza sorprendente e inédita. En cambio, recomienda adoptar un enfoque probabilístico que asigne una pequeña probabilidad a eventos extremos y prepararse para ellos con el tiempo.
Vermorel enfatiza la necesidad de que las organizaciones sean reflexivas y adaptables en respuesta a los eventos mundiales. Señala que muchas industrias son lentas para reaccionar, incluso cuando se les dan señales de advertencia temprana, ya que carecen de la capacidad de convertir eficientemente los pronósticos en decisiones accionables. Esto se debe a menudo a la naturaleza manual y que consume mucho tiempo de los procesos de toma de decisiones dentro de las empresas.
Hace hincapié en la importancia de tener un proceso completamente automatizado para transformar los pronósticos en decisiones sin intervención humana. Sin automatización, los beneficios de las señales de advertencia temprana se pierden a menudo debido a la inercia de las personas que intentan convertir los pronósticos en acciones. Además, destaca el problema de la confianza en las señales tempranas, ya que a menudo son ruidosas e inciertas.
Vermorel sugiere que la tecnología podría mejorar en el futuro, pero el problema clave sigue siendo convertir los pronósticos en decisiones. Cree que un enfoque de Supply Chain Quantitativa, que involucre la robotización completa de la tubería de datos, es esencial para abordar este problema. Esto permite a las empresas ser más receptivas y estar mejor preparadas para eventos inesperados.
Discutió los desafíos de pronosticar y responder a los picos de demanda, como durante una pandemia. Vermorel explica que el futuro es inherentemente incierto y que el pronóstico probabilístico es el mejor enfoque para abrazar esta ambigüedad. Hace hincapié en que las empresas deben centrarse en cómo tomar mejores decisiones basadas en probabilidades, en lugar de tratar de predecir los números exactos.
Vermorel cree que la clave para responder con éxito a los picos de demanda es la agilidad, y las empresas pueden lograr esto automatizando sus procesos. Afirma que la tecnología de pronóstico mejorado puede ahorrarle a una empresa solo una o dos semanas en comparación con los métodos tradicionales, pero la verdadera ventaja proviene de eliminar el retraso entre el pronóstico y la toma de decisiones. Al integrar estos procesos, las empresas pueden tomar decisiones más rápidas y efectivas.
Cuando se le preguntó sobre el papel de los profesionales de la cadena de suministro, Vermorel sugiere que deberían centrarse en automatizar sus procesos y responder a los cambios en la demanda de manera oportuna. Señala que las empresas a menudo pierden tiempo significativo, a veces hasta un cuarto, adaptándose a nuevas realidades. Al optimizar y automatizar los procesos, las empresas pueden reducir este retraso y mejorar su agilidad.
Vermorel también habla sobre las limitaciones de utilizar datos de redes sociales para el pronóstico. Si bien puede proporcionar algunas ideas, no necesariamente es información accionable para las empresas. En cambio, las empresas deben priorizar la automatización de sus procesos de toma de decisiones e implementar métodos de pronóstico más avanzados para aumentar su agilidad en respuesta a las fluctuaciones de la demanda.
Vermorel destaca la importancia de abrazar la incertidumbre y centrarse en tomar mejores decisiones basadas en probabilidades. Al automatizar los procesos y eliminar el retraso entre el pronóstico y la toma de decisiones, las empresas pueden mejorar su agilidad y responder mejor a los picos de demanda.
Transcripción completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir si, con el auge de las redes sociales, esto es ahora posible y también qué pueden hacer las empresas para aprovechar esas señales tempranas. Entonces, Joannes, hoy nuestro tema es todo sobre pronosticar esas señales tempranas. ¿Cuál es la idea detrás de esto?
Joannes Vermorel: La idea, como la presentan muchos proveedores de software, es que al aprovechar fuentes de datos grandes que van más allá de lo que tiene la empresa, básicamente puedes conocer el futuro un poco antes para tener una idea de un futuro más lejano un poco antes. El arquetipo de esta idea de señal temprana sería detectar que algo está de moda en Instagram porque hay algunas celebridades que ahora están usando un nuevo tipo de prenda y luego, ¡boom!, puedes usar eso para anticipar un mes antes que se acerca una tendencia o algo así.
Kieran Chandler: Entonces, cuando hablamos de esas fuentes de datos, estamos hablando de fuentes de datos de redes sociales, ¿es ese el tipo correcto de datos en los que debemos estar buscando?
Joannes Vermorel: Al menos eso es lo que dirían muchos proveedores de optimización de la cadena de suministro impulsados por IA.
Kieran Chandler: Y en la práctica, ¿qué tan bien funciona esto realmente, pronosticar señales tempranas basadas en fuentes de datos externas?
Joannes Vermorel: En la actualidad, no hay absolutamente nada que funcione remotamente bien para las cadenas de suministro, ni siquiera cerca. La idea de que puedes ir a las redes sociales y simplemente extraer datos relevantes es solo una ilusión. Son personas que pretenden hacer eso, pero nunca han visto el hecho de que la mayor parte del tráfico en esas redes sociales no lo generan personas, sino bots, ya sabes, robots. Por lo tanto, es muy difícil saber qué es real y qué no lo es. Incluso los anunciantes, que pagan por impresiones, tienen muchas dificultades para distinguir lo que es real de lo que no lo es, y están pagando una fortuna para mostrar anuncios en esas plataformas. Incluso cuando pagas por cada impresión y estás desesperado por asegurarte de que sean personas reales con ojos reales las que vean esos anuncios, es muy difícil. Entonces, imagina que si eres solo un proveedor que está recopilando terabytes de datos de tráfico aleatorio, lo que obtienes es simplemente mucha aleatoriedad, mucho ruido. La idea de que puedes pronosticar automáticamente tendencias basadas en eso, tal vez en algunas situaciones extremas, sí, pero son raras, por lo que no son muy interesantes. Y la información que obtendrías no tendría ni de cerca la granularidad que te interesa. Sí, si tu granularidad es predecir quiénes serán los 50 artistas más populares en los Estados Unidos este año, puedes tener una señal temprana simplemente mirando las redes sociales. Eso te dará una imagen clara de quién, al final del año, será el artista más grande. Pero si realmente intentas obtener información como… ¿Cuántas camisetas de este tamaño, este color, este patrón voy a vender en esta región de los Estados Unidos? Ese es un desafío muy diferente. Aquí, diría que en su mayoría no vas a tener información que esté ni cerca de la calidad de información que se necesita para traducir lo que obtienes de esas fuentes de datos externas en algo que tenga sentido en términos de cadena de suministro para producir bienes y distribuirlos.
Kieran Chandler: Bueno, ¿cuál es el problema en términos de la calidad de los datos? Mencionaste que hay muchos robots y cosas así en estas plataformas de redes sociales, pero aún así, vamos a ver esas publicaciones con más “me gusta” subiendo hasta la cima, volviéndose las más visibles. Entonces, en términos de datos, ¿por qué eso no es interesante?
Joannes Vermorel: El problema es que, nuevamente, en las cadenas de suministro, tus producciones están organizadas por SKU. Estás produciendo SKU de algo, y luego estás vendiendo esos productos tal vez a través de un paquete para canales de marketing complejos, etc. No importa qué tweets se retuiteen un millón de veces o qué imagen de Instagram se vea un billón de veces, no hay una coincidencia directa entre eso y ninguno de los SKU que produces o distribuyes. Las personas rara vez incluyen el código UPC en su tweet, diciendo que este producto con este código de barras es realmente excelente. Por lo general, es muy difuso. Incluso cuando parece obvio, incluso si tienes una superestrella que tuitea: “Estos nuevos zapatos son súper geniales”, algunas personas pueden mirar los zapatos e interpretar solo el color, algunas personas pueden pensar en la forma, otros pensarían en la marca, y algunos podrían interpretar que es cualquier cosa que se parezca a eso. Puede ser muy difuso, y cuando se combina con el hecho de que hay mucha interacción, no es como si pudieras simplemente mirar una publicación y decir: “Esto es todo”. Es una serie; hay interacción. Está destinado a los humanos. La calidad de la respuesta importa porque ¿qué pasa si alguien publica algo que tiene un billón de retweets, pero los retweets son muy críticos o sarcásticos? Puedes tener análisis de sentimientos, pero estás entrando en un ámbito donde es muy difícil.
Kieran Chandler: Bueno, ciertamente suena desafiante desde la perspectiva de las redes sociales, pero ¿hay alguna otra señal temprana en la que podríamos fijarnos? Hablamos sobre el clima en un episodio anterior, entonces, ¿en qué más podríamos fijarnos?
Joannes Vermorel: Sí, quiero decir, por lo general, si solo miras los datos de las propias empresas, hay muchos datos allí, y puedes intentar mirar los datos que las empresas ya tienen para tener una visión más clara del futuro. Ese es típicamente el enfoque que Lokad hace. Luego, cuando se trata de tener una señal temprana real para algo que es, diría, un evento poco común o algo que está un poco fuera de lo normal, es muy difícil. Sí, si tienes un modelo de pronóstico muy bueno, puedes tener una señal que llegue un poco antes, pero hay límites fuertes para eso. Solo porque un mejor modelo de pronóstico generalmente significa que…
Kieran Chandler: Entonces, en tu experiencia, la estabilidad es importante cuando se trata de modelos de pronóstico, ya sean clásicos o probabilísticos. Las cadenas de suministro necesitan un plan relativamente estable para ejecutar, y no quieres que un poco de ruido en el mercado cambie las cosas, lo que interrumpiría la producción y distribución. ¿Cómo lidias con los motores de pronóstico que se vuelven demasiado sensibles y dan falsos positivos?
Joannes Vermorel: Una buena tecnología de pronóstico no se volverá loca solo por un día adicional del año. Para la mayoría de las situaciones, es simplemente un negocio como de costumbre con una mínima inflexión del rumbo. Si tienes un motor de pronóstico que se vuelve demasiado sensible, terminas con falsos positivos. Puedes pensar que tienes una señal temprana para cambiar drásticamente el rumbo, pero dos semanas después, te das cuenta de que fue solo un artefacto o un bache, lo que puede ser muy costoso. Hemos progresado en Lokad en la última década, pero es muy marginal. Estamos contentos cuando podemos detectar una interrupción unos días antes, pero lo mejor que podemos hacer es reducir solo unos pocos días.
Kieran Chandler: ¿Y qué pasa cuando hay un gran bache, como lo que sucedió con el coronavirus? Seguramente es bueno tener una señal temprana para este tipo de escenarios, ¿y qué puedes hacer si tienes una de esas señales tempranas? ¿No es beneficioso?
Joannes Vermorel: Cuestiono la idea de que se pueda tener una señal temprana para eventos extremos como el COVID-19. La mayoría de las personas se sorprendieron por la forma en que se desarrollaron los eventos, ya que fue muy caótico e inconsistente en diferentes países o incluso regiones. Los valores atípicos, por definición, son muy difíciles de predecir. También cuestiono la idea de que un pronóstico, incluso con dos semanas de anticipación, realmente hubiera ayudado a lidiar con el COVID-19.
Kieran Chandler: La visión probabilística con respecto a los eventos extremos es la idea de que realmente no se pueden predecir. Es prácticamente por diseño, ya que es muy difícil porque será algo nuevo y sorprendente. Pero lo que puedes hacer es tener tu pronóstico, tu pronóstico probabilístico, que siempre coloca cierta probabilidad en cosas que son simplemente salvajes. No es como si pudieras anticipar el COVID-19, pero es como si dijeras, bueno, el próximo trimestre hay como un uno por ciento de probabilidad de que el negocio sea la mitad de lo que es ahora o la mitad de lo que fue el año pasado. ¿Por qué? No lo sé, no lo sé. Es solo una posibilidad. Podría ser una guerra, podría ser una pandemia, podría ser un retiro masivo, tal vez una campaña de difamación en línea contra la marca, o lo que sea. ¿Es razonable decir que para la mayoría de las empresas, tienes como un uno por ciento de probabilidad por cada trimestre de que las ventas se reduzcan a la mitad durante el próximo trimestre?
Joannes Vermorel: Diría que sí, para la mayoría de las empresas. Significa que cuatro veces por siglo ocurre un desastre masivo. Creo que es justo. Si miramos el siglo XX, fue más que eso. Entonces, necesitas pronósticos probabilísticos, donde coloques una probabilidad fija y baja en eventos extremos, y luego te prepares contra eso, sabiendo que esto puede suceder en cualquier momento, y cuando suceda, asumirás que no tendrás ninguna advertencia. Pero la buena noticia es que si tienes esta probabilidad en su lugar durante años, significa que has hecho pequeños ajustes que, si esto sucede, estás preparado. Pero llevó años de preparación, haciendo un buen uso de tus recursos.
Kieran Chandler: Siempre hablamos de esta idea de ser reflexivos con lo que está sucediendo en el mundo. ¿Hay alguna industria que hayas visto que sea clásicamente lenta en sus reacciones y que pueda beneficiarse de tener un enfoque de señal temprana?
Joannes Vermorel: La cuestión es que la mayoría de las industrias que he observado, incluso si les das una señal temprana, no harían nada al respecto. La razón es que hasta que hayas alcanzado un punto, y eso nos lleva de vuelta a esta visión cuantitativa de la cadena de suministro, donde el punto número cuatro se trata de tener una robotización completa de tu canalización de datos para que puedas generar tus decisiones. Verás, lo que sucede en la mayoría de las empresas es que el elemento de pronóstico es solo un paso del proceso que finalmente conduce a la toma de decisiones, la decisión es cosas como, ¿deberíamos comprar más a los proveedores, deberíamos producir más, o deberíamos realmente subir o bajar el precio? Pero la realidad es que para la mayoría de las empresas, el proceso de convertir los pronósticos en decisiones reales es muy manual y, en mi opinión, muy lento. Entonces, imagina que has invertido mucho en tecnología para obtener una señal temprana, tal vez una semana antes, dos semanas antes si eres muy bueno. Eso es lo que puedes obtener con la tecnología tal como existe en este momento.
Kieran Chandler: Ahora, puede haber casos excepcionales en los que puedas ver algo con anticipación, pero dudo que en este caso sea un pronóstico estadístico. Es más probable que sea una idea de alto nivel sobre la evolución del mercado, impulsada por números y estadísticas. En este tipo de situación, tienes tu pronóstico temprano, pero ¿vas a actuar en consecuencia?
Joannes Vermorel: Por lo general, si la consecuencia de tener una señal temprana es simplemente enviar un correo electrónico a alguien en tu empresa o esperar que esa persona vaya a una aplicación para ver las alertas, no sucederá nada en poco tiempo. Va a ser lento. Las cadenas de suministro son complejas y distribuidas, involucran a muchas personas, sistemas y máquinas en muchas ubicaciones. Si quieres tener una buena respuesta de la cadena de suministro, necesitas coordinación. A menos que haya un grado muy alto de automatización en su lugar, esa coordinación implicará que las personas reales hagan llamadas telefónicas frenéticas, y llevará tiempo, típicamente semanas.
En resumen, si tienes una señal temprana pero no tienes un proceso completamente automatizado que convierta tu pronóstico en decisiones automáticamente, sin intervención humana, la gran mayoría de la ganancia potencial de la señal temprana se perderá en la inercia de las personas que intentan convertir esos pronósticos en acciones.
Kieran Chandler: Supongo que uno de los problemas con estas señales tempranas es la cantidad de confianza que realmente puedes tener en los resultados. Como dijiste, a menudo son bastante ruidosos. ¿Crees que en el futuro podríamos llegar a un punto en el que la tecnología esté en su lugar y puedas tener más confianza en los resultados?
Joannes Vermorel: No, y la razón es que el futuro es incierto, y esta incertidumbre es irreducible. En lo que nos hemos estado enfocando durante la última década es en el pronóstico probabilístico, que acepta el hecho de que el futuro es incierto. Si esperas un sistema informático mágico que te dará el número ganador de la lotería con un 100% de certeza, no funciona así. En el mejor de los casos, puedes tener un sistema que te dé probabilidades.
Por ejemplo, podrías enfrentar una situación que comienza con un 1% de probabilidad de ser un evento extremo. Luego, tal vez comiences a ver algo extraño, y al día siguiente, la estimación aumenta al 1.5%. ¿Deberías hacer algo? Tal vez no. Al día siguiente, aumenta al 3% de probabilidad, que es un crecimiento exponencial, pero aún muy lento. Luego es 6%. ¿Deberías volverte loco porque hay un 6% de probabilidad?
Kieran Chandler: Para que suceda, como sabes, estamos hablando de algo que solo se suponía que sucedería una vez cada 25 años, y aquí estamos, algo que podría suceder tal vez una vez cada cinco años más o menos. Pero nuevamente, esto es solo un bache, y la idea es que esas prioridades son muy inciertas, y si tu sistema de toma de decisiones está bien diseñado, las cosas que transforman esas prioridades en la decisión reflejarán gradualmente que el riesgo que era del uno por ciento ahora es del seis por ciento. Entonces, dirigirá un poco, pero solo un poco, las decisiones en una dirección que las haga más protectoras para tu empresa, pero sin volverse loco de nuevo. No quieres tener algo que vuelva loca a tu cadena de suministro haciendo movimientos salvajes y cambios, y tal vez al día siguiente, las cosas vuelvan a tener una estimación del tres por ciento, ¿sabes?, de seis a tres porque en realidad fue tal vez un falso positivo o tal vez seguirá aumentando. Pero ves, esa es una especie de buena respuesta que puedes tener de un flujo de datos completamente automatizado. Y luego, si tienes Supply Chain Scientists en la cima, y están viendo las noticias, tienen una comprensión a alto nivel, y ven que algo como una gran ola se acerca, como un coronavirus, entonces realmente puedes tener personas que, además de eso, retuercen la receta numérica en sí misma para que se requiera un poco de conocimiento humano adicional para dirigir el sistema en una mejor dirección.
Joannes Vermorel: Entonces, si eres un profesional de la cadena de suministro que está viendo esto, ¿debería su enfoque principal ser automatizar completamente sus procesos en lugar de preocuparse por lo que sucede tal vez al principio del proceso? Deberían estar viendo tal vez cómo responder en el momento.
Kieran Chandler: Exactamente. Quiero decir, tienes que evaluar cuántos días de agilidad vas a ganar. Para la mayoría de las empresas, diría que con una mejor tecnología de pronóstico, tal vez como la de Lokad, digamos, ¿cuánto puedes ahorrar? Tal vez una semana, tal vez dos, en comparación con un promedio móvil. Tal vez tengas mejores pronósticos, por lo que podría contar como un poco mejor, ¿sabes?, tal vez cuatro semanas si tu empresa era muy mala para lidiar con la estacionalidad o algo así. Pero, quiero decir, si no tenías un proceso disfuncional en su lugar, probablemente solo estamos hablando de unas pocas semanas. Pero cuando se trata de decisiones, con frecuencia observo que las empresas pueden perder hasta un trimestre para ponerse en marcha y aceptar una nueva realidad. Así que es muy lento, e incluso en negocios súper reactivos como la moda rápida, donde se tardaba seis semanas en transformar el pronóstico en una decisión, y estoy hablando de una decisión y luego aún tienes que producir, transportar y distribuir. Aún lleva tiempo. Así que realmente, creo que en promedio, para la gran mayoría de las empresas, es una apuesta mucho más segura decir que simplemente vamos a eliminar primero el retraso que existe entre las decisiones, entre el pronóstico y las decisiones, simplemente juntando todas esas cosas en un proceso automatizado y luego descubrir cómo pueden tener pronósticos súper avanzados donde puedan reducir unos días o semanas más si tienen suerte. De acuerdo, genial, tendremos que dejarlo ahí. Pero supongo que ahora podemos usar las redes sociales sin saber que las empresas están observando todo lo que hacemos.
Joannes Vermorel: Oh, están observando. Es solo agradable, así que solo hace felices a algunos analistas, pero no lo convierten en algo accionable.
Kieran Chandler: Genial, eso es todo por esta semana. Muchas gracias por sintonizar, y nos vemos de nuevo en el próximo episodio.
