00:00:08 Análisis de escenarios y comparación con forecast probabilístico.
00:01:02 Planificación de escenarios y su sencillez.
00:02:56 Limitaciones de la planificación de escenarios con software y manejo de la incertidumbre.
00:05:57 La alternativa: forecast probabilístico y sus beneficios.
00:06:48 Dificultades con la implementación de múltiples escenarios en la planificación de supply chain.
00:08:00 Las limitaciones de la planificación de escenarios en la gestión de supply chain.
00:09:52 Forecast probabilístico como alternativa a la planificación de escenarios.
00:10:38 Comparando forecast probabilístico con imágenes de alta resolución.
00:13:22 Ilusión de sencillez en la planificación de escenarios y desafíos en la toma de decisiones.
00:15:00 Ejemplo que ilustra la inadecuación de promediar las decisiones entre escenarios.
00:16:01 Las limitaciones de la planificación de escenarios tradicional.
00:17:27 Desafíos de implementación del forecast probabilístico.
00:19:00 Los beneficios de la planificación de escenarios y su futuro.
00:20:58 Automatizando la conciliación entre futuros posibles.
00:23:19 La importancia de herramientas adecuadas para la toma de decisiones probabilísticas.
Resumen
Kieran Chandler entrevista a Joannes Vermorel, fundador de supply chain optimization de la empresa de software Lokad, discutiendo la efectividad del análisis de escenarios y su comparación con forecast probabilístico. Vermorel cree que, aunque la planificación de escenarios tiene limitaciones, como ser laboriosa y requerir una aportación significativa, el forecast probabilístico es un enfoque más eficiente y efectivo para lidiar con la incertidumbre en la supply chain. Señala que explorar las herramientas inusuales necesarias para operar sobre todos los futuros a la vez es esencial para su adopción, y Lokad ha ideado un álgebra de variables aleatorias, una herramienta matemática y estadística para tratar futuros probabilísticos. La reciente imprevisibilidad de las supply chains resalta la necesidad de mejores herramientas para lidiar con escenarios rebeldes.
Resumen Ampliado
En esta entrevista, el presentador Kieran Chandler y Joannes Vermorel, fundador de Lokad, una empresa de software de supply chain optimization, discuten la efectividad del análisis de escenarios y su comparación con el forecast probabilístico. El análisis de escenarios fue desarrollado por primera vez por Shell en la década de 1970 y es un experimento mental en el que se hacen suposiciones sobre el futuro y se exploran para ver cómo resultan las cosas, particularmente en lo que respecta a asuntos de supply chain. El objetivo de la planificación de escenarios es explorar varios futuros alternativos para tomar mejores decisiones y crear un desempeño más robusto frente a variaciones impredecibles. Aunque las supply chains son complejas, la planificación de escenarios puede simplificar el proceso y puede ser apoyada por herramientas de software. Por otro lado, el forecast probabilístico es diferente en su enfoque y no se basa en suposiciones. Se ocupa de probabilidades estadísticas y de la incertidumbre del futuro. Aunque ambos métodos tratan futuros inciertos, difieren en su enfoque, siendo el análisis de escenarios un enfoque más elegante y directo, mientras que el forecast probabilístico se apoya más en las probabilidades estadísticas.
La discusión se centra en la planificación de escenarios y el forecast en la gestión de supply chain.
Vermorel explica que la planificación de escenarios implica forecast de diferentes escenarios basados en diversas entradas y suposiciones. Estos escenarios pueden ayudar a los tomadores de decisiones a planificar futuros alternativos y ajustar sus estrategias en consecuencia. Sin embargo, la planificación de escenarios también tiene limitaciones. Por ejemplo, puede ser laboriosa y requerir una aportación manual significativa de expertos.
Vermorel sugiere que un enfoque más eficiente y efectivo es utilizar el forecast probabilístico, que se basa en métodos computacionales en lugar de la experiencia humana. Este enfoque es particularmente útil en situaciones donde hay muchas variables a considerar, y el número de escenarios posibles es abrumador.
Vermorel señala que, aunque hay muchos consultores y proveedores que abogan por la planificación basada en escenarios, es raro ver estos escenarios utilizados en producción. Sugiere que esto se debe a que la planificación de escenarios requiere una inversión significativa de tiempo y recursos, y puede que no siempre sea práctica para las empresas implementar.
En general, Vermorel enfatiza la importancia de considerar diferentes escenarios y planificar para la incertidumbre en la gestión de supply chain. Aunque existen limitaciones en la planificación de escenarios tradicional, el forecast probabilístico ofrece un enfoque más eficiente y efectivo para este desafío.
La conversación se centró en el rol de los escenarios en la supply chain. Vermorel cree que los escenarios juegan un papel significativo en las tareas diarias del equipo de supply chain, pero son demasiado costosos. Considera que la idea central de lidiar con futuros inciertos es correcta, pero la perspectiva clásica de la supply chain de hacer un forecast es profundamente equivocada. Vermorel argumenta que las empresas utilizan escenarios porque carecen de mejores alternativas para tratar con futuros inciertos.
El forecast probabilístico es una nueva alternativa para tratar con futuros inciertos. Vermorel explica que el forecast probabilístico es diferente de los escenarios porque adopta una perspectiva completamente diferente al aprovechar la gran cantidad de poder de procesamiento que hoy en día está disponible de forma económica. La idea clave detrás del forecast probabilístico es observar todos los futuros posibles, incluso si hay una probabilidad muy baja de que ocurran. Vermorel cree que el forecast probabilístico es una mejor alternativa para tratar con futuros inciertos que los escenarios, ya que aprovecha la gran cantidad de poder de procesamiento disponible en la actualidad.
Vermorel explicó el concepto de forecast probabilístico, que es una manera mecánica de asignar probabilidades a posibles eventos futuros. Con esto, Vermorel cree que ya no es necesario usar escenarios, ya que todos los futuros posibles pueden ser analizados. Utilizó la analogía de tener una imagen de alta resolución de todo el futuro en lugar de una de baja resolución con solo unos pocos píxeles.
Chandler preguntó a Vermorel sobre las diferencias en la perspectiva del usuario final entre la planificación de escenarios y el forecast probabilístico. Vermorel señaló que la planificación de escenarios ofrece una ilusión de sencillez, pero puede ser problemática al tomar decisiones para múltiples escenarios que pueden ser inconsistentes. Vermorel dio un ejemplo de una tienda que vende libros, donde la mayoría de los clientes son padres que solo quieren una copia de un libro, pero ocasionalmente, entra un profesor de escuela que desea 30 copias del mismo libro.
Vermorel enfatizó la importancia del forecast probabilístico como herramienta para la optimización de la supply chain y toma de decisiones, ya que proporciona una imagen de alta resolución de todos los futuros posibles en lugar de solo unos pocos escenarios.
La discusión se centra en los desafíos de la optimización de la supply chain. Vermorel es el fundador de Lokad, una empresa de software que se especializa en esta área. La conversación comienza con una discusión sobre la cantidad adecuada de stock que se debe mantener en una tienda para un libro determinado. Vermorel argumenta que promediar la cantidad de stock necesaria no tiene sentido y que el enfoque tradicional de destinar más mano de obra al problema agrava la situación. Explica que la planificación de escenarios ofrece una solución potencial al permitir la gestión de múltiples futuros, pero requiere más que simplemente copiar y pegar lógica. Implementar un enfoque de forecast probabilístico es mucho más desafiante, pero para software vendors de supply chain como Lokad, ofrece una oportunidad significativa para mejorar sus sistemas. Vermorel concluye señalando que conciliar los resultados que surgen de la planificación de escenarios es un desafío crítico que debe ser abordado.
Discutieron el análisis de escenarios y sus limitaciones en la gestión de supply chain. Vermorel explica que las empresas a menudo no se dan cuenta de que tienen un problema hasta que implementan un sistema y se topan con casos extremos que lo hacen inviable. A pesar de ello, los proveedores están incentivados a vender características que parecen geniales y funcionan durante las demostraciones, y mientras la gente no pueda imaginar una alternativa, el análisis de escenarios parece la mejor opción. Vermorel cree que el forecast probabilístico, que asigna probabilidades a los escenarios, es una extensión natural del análisis de escenarios, pero el verdadero problema radica en automatizar completamente la conciliación entre todos los futuros posibles. Para resolver este problema, Lokad ha diseñado un álgebra de variables aleatorias, una herramienta matemática y estadística específica para tratar futuros probabilísticos. Vermorel enfatiza que explorar las herramientas inusuales necesarias para operar sobre todos los futuros a la vez es esencial para su adopción, pues no basta con darse cuenta de que es posible observar todos los futuros posibles con probabilidades. Finalmente, discuten eventos recientes que han mostrado la impredecibilidad de las supply chains y la necesidad de mejores herramientas para lidiar con escenarios rebeldes.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir su efectividad y si puede ser reemplazado por métodos alternativos como el forecast probabilístico.
Joannes Vermorel: Entonces, estos dos métodos son similares en el sentido de que se busca lidiar con futuros inciertos. Debido a que no se sabe con certeza cómo será el futuro, se quieren explorar opciones. Sin embargo, la manera de llevar a cabo esta exploración es muy diferente.
Kieran Chandler: Hoy, vamos a analizar la planificación de escenarios con más detalle. Quizás un buen punto de partida sea explicar cómo funciona y qué es.
Joannes Vermorel: La planificación de escenarios es conceptualmente muy simple. Simplemente se trata de hacer un experimento mental del “¿qué pasaría si?”, diciendo que el futuro será así. Supongamos que el futuro es exactamente así, y con base en esa suposición inicial, veamos cómo resultan las cosas en términos de perspectivas de supply chain si este futuro resultara ser el caso. De alguna manera, es muy elegante y sencillo, y puedes repetir el ejercicio. La idea detrás de la planificación de escenarios es que, en lugar de tener un único forecast verdadero, vamos a explorar varias alternativas. Al explorar varias alternativas, puedes hacer que tus decisiones y desempeño sean más robustos frente a variaciones que no puedes predecir, pero que esperas.
Kieran Chandler: Es interesante porque sabemos que en supply chain, la demanda podría ser una variación, pero también puede haber otras variaciones relacionadas, como lead time. ¿Puede este método combinar esas múltiples variaciones?
Joannes Vermorel: La idea clave de la planificación de escenarios es que simplifica las cosas al aferrarse mentalmente a algo muy similar al pasado. Literalmente, se dice que la demanda será numéricamente tal y cual. Debido a esta sencillez, resulta que desde el punto de vista del software, se necesitan herramientas para respaldar estas líneas de pensamiento, especialmente cuando se maneja la complejidad de miles de productos, toneladas de ubicaciones, etc. Lo interesante es que, desde una perspectiva de software, la planificación de escenarios es como un ejercicio de cortar y pegar con tu configuración y lógica manejando el forecast clásico.
Kieran Chandler: ¿Puedes explicar qué es el análisis de escenarios y cómo se utiliza en la optimización de la supply chain?
Joannes Vermorel: Claro, el análisis de escenarios se basa en hacer forecast de cifras que representan posibles futuros escenarios. Con base en esos forecast, puedes inferir decisiones. Si deseas tener un escenario alternativo, es simplemente un forecast diferente, quizá con un sesgo. Por ejemplo, una tendencia a la baja. Luego, puedes inferir todas las decisiones y compararlas con el primer conjunto de decisiones que tomaste para el escenario mediano, que representa tu forecast clásico habitual.
El hecho de que sea muy fácil implementar este tipo de proceso con software, donde simplemente puedes multiplicar escenarios, no significa necesariamente que hará todo lo que deseas. En particular, dependes de expertos y ajustes manuales para modificar los escenarios. Sueles ajustar los escenarios según variables simplistas, como inflar o deflacionar la demanda futura. Pero hay muchas otras áreas que también son inciertas, como los lead times.
El problema de modificar los escenarios es que tienes toneladas de combinaciones y se vuelve abrumador. Fundamentalmente, la elección de los escenarios es un asunto muy orientado al factor humano. Se espera que los humanos seleccionen cuidadosamente esos escenarios.
El enfoque alternativo es adoptar un método más computacional, y ahí es donde encaja el forecast probabilístico.
Kieran Chandler: Entonces, ¿es por eso que es mejor dejarlo en manos de una máquina en lugar de un ser humano?
Joannes Vermorel: Sí, el análisis de escenarios es una forma interesante de abordar el hecho de que no se conoce el futuro de manera perfecta, pero sufre del problema de que se seleccionan solo unos pocos escenarios. La realidad es que el enfoque clásico para el forecast y la planificación de supply chain ya es muy laborioso, incluso para solo el escenario principal. Para las grandes empresas, ya se requiere equipos completos de planificadores y forecasters para hacer el trabajo. Si deseas agregar más escenarios, enfrentas una situación en la que se necesita un aumento casi lineal de mano de obra para impulsar el proceso. Por eso, en mi experiencia, aunque hay toneladas de consultores y proveedores que abogan por la planificación basada en escenarios, muy rara vez he visto esos escenarios realmente usados en producción. Es más la excepción que la norma. Si observamos las operaciones diarias, en realidad es bastante raro que se utilicen.
Kieran Chandler: Ver empresas donde los escenarios juegan un papel significativo en la tarea diaria del equipo de supply chain es algo raro, y creo que la razón de ello es que simplemente es demasiado costoso. Pero esta es una técnica que ha existido desde la década de 1970. Entonces, ¿por qué es que los consultores y proveedores aún la promueven, y por qué es algo que evidentemente las empresas siguen utilizando?
Joannes Vermorel: Primero, creo que la idea central, que es la necesidad de enfrentar futuros inciertos, es profundamente correcta. Entonces, en efecto, la perspectiva clásica de supply chain, donde simplemente se hace un forecast y se dice “esto es todo, este es el futuro”, como la próxima semana venderemos 155 unidades de este producto, es fundamentalmente defectuosa. Intuitivamente, se nota que hay algo profundamente equivocado en este enfoque; hay que enfrentar el hecho de que el futuro no es conocido. Los escenarios son una respuesta, aunque pobre, a este problema, y ante la falta de alternativas mejores, es muy tentador usarlos. Existe el lema de que cuando lo único que tienes en la mano es un martillo, todo lo demás es un clavo. Entonces, si no posees una herramienta mejor, usarás lo que tienes, que es un martillo, incluso si en realidad es un tornillo el que intentas abordar.
Ahora, han surgido alternativas que se basan en cosas que no existían hace cuatro o cinco décadas, como grandes cantidades de potencia de procesamiento barata. Esa es la esencia del probabilistic forecasting. Básicamente, consiste en adoptar una perspectiva completamente diferente del problema aprovechando las grandes cantidades de potencia de procesamiento disponibles hoy en día.
Kieran Chandler: Entonces, ¿por qué el probabilistic forecasting es quizá tan diferente? Porque todavía estás, en cierto modo, observando un futuro alternativo. Supongo que con el probabilistic forecasting asignas una probabilidad de que ocurra, pero en apariencia, en realidad no parecen ser tan distintos, ya que solo estás considerando alternativas posibles.
Joannes Vermorel: La idea clave del probabilistic forecasting es que tendrás futuros generados por máquina. Examinarás todos los futuros posibles, o al menos todos los futuros numéricamente relevantes. Incluso si cuentas con inmensos recursos de computación, no tiene sentido evaluar la consecuencia de algo que tiene solo una probabilidad en un billón de ocurrir. Simplemente, no es una buena inversión de la potencia de procesamiento que posees. Pero si solo consideramos las cosas que tienen al menos una posibilidad de suceder, digamos, al menos una posibilidad en un millón cada año, sigue siendo muy improbable, pero no es desvanecidamente improbable. Entonces, hay abundante potencia de procesamiento bruta para abordar ese tipo de eventos con computadoras modernas.
Kieran Chandler: Dentro de décadas, con tan solo los tipos de computadoras mundanas que tienes en casa o incluso en tu smartphone, el probabilistic forecasting es literalmente una forma mecánica de asignar probabilidades a montones de eventos futuros posibles. En cuanto tienes eso, te das cuenta de que ya no necesitas escenarios. Puedes reemplazar todos esos escenarios escogidos entre todos los futuros posibles por algo que analice brutalmente todos los futuros posibles. Es como hacer la transición de una cámara de video con solo cuatro píxeles en tu imagen, a una imagen completa de alta resolución de todo el futuro donde ves todos los píxeles.
Joannes Vermorel: ¿Qué diferencia hace? Solo pregúntate, si tienes un paisaje y solo dispones de cinco píxeles, es muy difícil inferir cómo se ve. Si pones mucho esfuerzo, podrías tener 20 píxeles en tu imagen, y eso va a ser muy tedioso. Pero cuando pasas de 20 píxeles a 4 millones, pasas de algo que apenas tiene sentido a una imagen de alta calidad que explica todo. En la práctica, aunque sea un proceso gradual en teoría, es completamente diferente.
Kieran Chandler: Hablemos de las cosas desde la perspectiva del usuario final. Con la planificación por escenarios, tal vez con solo tus cuatro píxeles, tienes una idea de lo que sucede al principio y al final, y es muy lógico. Pero esta idea de observar un probabilistic forecast y todos los futuros posibles es mucho menos lógica y más difícil de entender. ¿Es más fácil para el usuario final?
Joannes Vermorel: Con la planificación por escenarios, tienes una ilusión de simplicidad. Escoges un escenario, y tienes un conjunto de decisiones que tiene sentido para ese escenario particular. Es relativamente sencillo. Pero el problema es que, si miras otro escenario, obtienes otro conjunto de decisiones. Si observas un tercer escenario, obtienes aún otro conjunto de decisiones. ¿Qué vas a hacer con todas esas decisiones que pueden ser y son, en la práctica, completamente inconsistentes? La respuesta ingenua sería hacer algún tipo de promedio, pero ¿por qué el promedio sería relevante?
Solo para darte un ejemplo, imagina que tienes una tienda que vende libros para escuelas. La mayoría de tus clientes son padres que tienen un hijo y solo quieren una copia del libro. En la misma tienda, de vez en cuando, entra un profesor y quiere 30 copias del libro.
Kieran Chandler: La pregunta es, ¿tiene sentido tener un stock de cinco copias de un libro en una tienda?
Joannes Vermorel: Si solo quieres atender a los padres que de vez en cuando visitan la tienda, entonces sí, cinco copias podrían ser suficientes. Sin embargo, si quieres atender a los profesores, entonces probablemente necesites 35 copias del libro. Necesitarás 30 para atender a los profesores y luego cinco más para los padres. Pero si promedias y dices, “Oh, 25 deberían ser suficientes”, no, 25 resulta poco porque es mucho más de lo que necesitas para los padres y aún no es suficiente para el profesor. Así que, ya ves, promediar generalmente no tiene sentido. Y si tienes no linealidades como MOQs, cantidad mínima de pedido, no funciona. Básicamente, tienes una apariencia de simplicidad cuando miras esos escenarios en los que eliges un escenario y dices, “Bueno, aquí hay una solución simple.” Escoges otro escenario, y tienes otra solución simple. Pero luego terminas con el problema de cómo reconciliar todos esos escenarios. La realidad es que, bueno, el enfoque tradicional es simplemente destinar aún más mano de obra al problema. Entonces, ya ves, ya tenías algo que era súper intensivo en términos de mano de obra. En cada escenario, necesitas más planificadores, más forecasters. Pero luego estás creando otro problema, que es, ya sabes, ahora necesitas otro equipo solo para reconciliar todo.
Kieran Chandler: Creo que quizá uno de los beneficios de la planificación por escenarios es simplemente copiar y pegar un poco de lógica y, desde una perspectiva de implementación, se trata simplemente de destinar más recursos. ¿Significa eso que la implementación de un enfoque de probabilistic forecasting es mucho más desafiante, y por ello las empresas no están tan interesadas en ello?
Joannes Vermorel: Quiero decir, como proveedor de software, absolutamente sí. Literalmente, imagina que eres un proveedor de software de supply chain, y lo que haces es que has diseñado algún tipo de sistema de forecasting y planificación de supply chain. Esto significa que, al menos desde la perspectiva clásica, tu sistema es capaz de gestionar un forecast clásico. Así que se trata de asignar una cantidad diaria, semanal o mensual para un período X adelantado para cualquier sku o producto. Esto es lo que parece un producto clásico de forecasting. Tienes todo en su lugar para gestionar un futuro y decir, “Esto es todo. Así es como sucederán las cosas.” Ahora, si quieres hacer la transición hacia la planificación por escenarios, solo tienes que básicamente decir, “Bueno, voy a gestionar una segunda instancia de este futuro, y me referiré a ello como un segundo escenario.” En términos de lógica, en términos de código, es literalmente el mismo código en el que solo necesitas agregar una dimensión extra, que es la dimensión del escenario, y listo. Ya tienes tu sistema de planificación por escenarios implementado. Pero hay un inconveniente. El inconveniente es que no has hecho nada para reconciliar los resultados que surgen de ellos.
Kieran Chandler: Escenarios, pero la realidad es que las empresas usualmente no se dan cuenta, ya sabes, de que en realidad enfrentan este problema hasta que implementan el sistema y se topan con todo tipo de casos límite en los que no se pueden promediar los resultados dados por varios escenarios, donde en realidad resulta absurdo promediar los resultados.
Joannes Vermorel: Si haces, digamos, tres ejemplos, el proveedor estará bastante bien, ya sabes, quiero decir, primero, el interés del proveedor es muy barato de implementar, así que, ¿por qué no implementar una función que sea económica y se vea genial durante las demos? Además, cuando solo realizas un piloto muy simple, lo más probable es que no te enfrentes a los casos límite que acabo de describir, y por lo tanto, promediar los escenarios probablemente funcione para ti. Pero tan pronto como entras en una situación más compleja, te darás cuenta de que surgen infinitos casos límite, y eso hace que todo sea inviable. Pero en este punto, el proveedor ya está contento porque ya ha sido pagado. Ya sabes, existen todos los incentivos equivocados sobre cómo se paga a tu proveedor de software de supply chain, lo cual discutimos en el episodio anterior. Además, nuevamente, mientras la gente no pueda imaginar una alternativa, sigue pareciendo lo mejor que hay por la falta de algo mejor.
Kieran Chandler: Bien, entonces empecemos a juntar un poco las cosas. Dices que la gente no puede imaginar una alternativa, y ahora estamos en una posición en la que existe una alternativa con la potencia computacional que tenemos. Existe un método alternativo, ¿así que ves la posibilidad de que el análisis por escenarios se vaya extinguiendo en algún momento?
Joannes Vermorel: Sí, quiero decir, aunque francamente aún queda un largo camino para que Lokad evangelice, literalmente, al resto del mundo sobre eso. El problema no es el probabilistic forecast en sí, porque la idea de que vas a tener muchos escenarios con probabilidades es relativamente sencilla, y se siente como una extensión muy natural del enfoque de escenarios, solo que con muchos escenarios, como agregar píxeles a una imagen, donde la cantidad sería la probabilidad.
Kieran Chandler: Entonces, en lugar del color, podrías pensar en esto como mi escenario, y se le asigna una probabilidad a este escenario. Pero el problema es que, una vez que tienes todos esos futuros posibles, necesitas pensar en maneras de automatizar completamente la reconciliación entre todos esos futuros posibles. Y es ahí donde las cosas comienzan a volverse realmente complicadas y extrañas desde la perspectiva de Lokad.
Joannes Vermorel: Sabes, la solución que hemos diseñado se llama un álgebra de variables aleatorias. Así que necesitas algún tipo de herramienta matemática y estadística muy específica para lidiar con ese tipo de conceptos, no solo en el lado del forecasting, sino también en el de la toma de decisiones. De hecho, si miras más de cerca el stack tecnológico de Lokad, verás que el forecasting es solo una parte relativamente pequeña del panorama hoy en día. La mayor parte de la complejidad, las técnicas, herramientas, prácticas, algoritmos y el resto radica en cómo optimizar realmente tus decisiones mientras enfrentas todos esos futuros inciertos y probabilísticos.
Y ese es el problema, creo, para fomentar una mayor adopción. La gente no solo tiene que darse cuenta de que es posible observar todos esos futuros posibles con probabilidades, sino que también tiene que explorar cosas que son, diría yo, muy inusuales: el tipo de herramientas que necesitas para operar sobre todos los futuros a la vez. Porque sin esas herramientas, básicamente vuelves al punto de partida, donde se requiere una cantidad enorme de tiempo para que las personas resuelvan todas esas posibilidades. La clave es que, en Lokad, no resolvemos todas esas posibilidades; las mantenemos durante todo el proceso. Así que, no es exactamente fácil, pero en realidad es bastante sencillo si cuentas con las herramientas adecuadas.
Kieran Chandler: Bien, tendremos que concluir aquí. Pero supongo que, basándonos en eventos recientes, sabemos que existen tantos escenarios rogue que pueden ocurrir que los humanos probablemente nunca podrían predecir. Así que eso es todo por esta semana. Muchas gracias por sintonizar, y nos vemos de nuevo en el próximo episodio. Gracias por ver.
