00:00:08 Descripción general de forecast valor agregado como técnica de gestión.
00:01:29 Explicación del proceso de forecast valor agregado y por qué surgió.
00:02:06 Importancia de las métricas para determinar la precisión del proceso de forecast.
00:03:37 Discusiones sobre por qué los forecasts en múltiples etapas por varios equipos no funcionan.
00:07:55 La idea de que varios equipos trabajen juntos para mejorar la precisión es atractiva pero no está respaldada por la ciencia.
00:08:01 Desventajas de que el público vote sobre la siguiente jugada de un campeón de ajedrez.
00:10:31 La ineficacia de forecast valor agregado en el supply chain.
00:12:17 La ineficacia de la intervención manual para mejorar la precisión del forecast.
00:14:50 La dificultad de confiar en la ciencia en lugar del juicio humano en el forecast.
00:15:55 La granularidad de la comprensión y el análisis de un vendedor sobre sus clientes.
00:16:00 Crítica a la idea de que un forecast debe ser un esfuerzo colaborativo.
00:17:02 El reciente resurgimiento de la popularidad en la metodología de forecast evaluado.
00:17:23 El potencial de ganancia financiera al producir métricas y cobrar por actualizaciones.
00:19:10 La importancia de determinar si un consultor aporta verdadero valor para la empresa o simplemente genera trabajo superfluo.
00:23:36 La necesidad de identificar una incompetencia radical y utilizar forecast valor agregado como prueba de fuego.
Resumen
Forecast valor agregado (FVA) es un enfoque defectuoso para el forecast en el supply chain que implica la colaboración entre varios equipos dentro de una organización para mejorar accuracy. Joannes Vermorel, fundador de Lokad, sostiene que FVA añade una capa extra de complejidad a supply chain management sin un beneficio claro para la empresa, y no está respaldada por la investigación científica. Vermorel sugiere que las empresas deberían centrarse en encontrar soluciones más simples y efectivas para sus desafíos del supply chain y confiar en especialistas de diversas áreas. Las empresas deberían utilizar FVA como una prueba de fuego para detectar una incompetencia radical en proveedores o agencias de consultoría que promueven forecast colaborativo.
Resumen Extendido
En esta entrevista, el presentador Kieran Chandler y Joannes Vermorel, fundador de Lokad, discuten el concepto de forecast valor agregado (FVA) y su efectividad en la optimización del supply chain. FVA surgió a principios de los 2000 como una técnica para mejorar la precisión de los forecast identificando qué pasos en el proceso de forecast contribuyen positiva o negativamente al producto final. Este enfoque típicamente involucra a varios equipos dentro de una organización colaborando en el forecast, como marketing, ventas y producción.
La idea detrás de FVA es que, al medir la precisión de cada paso en el proceso, se puede identificar a los equipos que contribuyen positiva o negativamente a la precisión del forecast. Esto se realiza mediante backtesting, comparando la precisión del forecast base con la precisión de forecast con aportes adicionales de diferentes equipos.
Sin embargo, Vermorel señala que este enfoque no funciona en la práctica y no está respaldado por la investigación científica. La literatura sobre forecast estadístico no aboga por un proceso de múltiples etapas en el que los forecast saltan de una división a otra dentro de una empresa. De hecho, los forecasting competitions han demostrado consistentemente que los ganadores no se basan en tales técnicas.
A pesar de sus deficiencias, FVA ha ganado tracción porque es una solución atractiva que permite a todos contribuir y sentirse incluidos en el proceso. Vermorel compara esto con la idea de un grupo de personas intentando ayudar a un campeón de ajedrez a realizar su siguiente jugada, lo cual probablemente resultaría en una distracción en lugar de una mejora en el rendimiento.
Forecast valor agregado es un enfoque popular pero defectuoso para el forecast en el supply chain. Implica la colaboración entre varios equipos dentro de una organización, con la intención de mejorar la precisión. Sin embargo, este método no está respaldado por la investigación científica, y la evidencia empírica sugiere que no conduce a mejores forecast. El atractivo de FVA puede derivarse del deseo de participación colectiva y la satisfacción de formar parte del proceso de decision-making.
Discutieron el concepto de forecast valor agregado y sus fallas. Él cree que es una idea burocrática que añade una capa extra de complejidad al supply chain management, ralentizando los procesos y complicando las operaciones, sin un beneficio claro para la empresa.
Vermorel sostiene que la premisa de que el forecast debe ser un esfuerzo colaborativo es incorrecta, ya que la ciencia y las pasadas forecasting competitions no respaldan esta noción. Él enfatiza que la mente humana no está bien equipada para lidiar con el ruido estadístico, y las intervenciones manuales tienden a disminuir la precisión del forecast. Sugiere que es más eficiente centrarse en mejorar la receta numérica subyacente al forecast, en lugar de ajustar los forecast manualmente.
Él cuestiona la capacidad de los no especialistas para realizar tareas numéricas complejas mejor que los expertos que han pasado años desarrollando recetas numéricas razonables. Vermorel señala que los equipos de ventas, por ejemplo, generalmente operan a una granularidad mucho mayor de la requerida para el forecast de la demanda individual de SKU. En cambio, sus conocimientos deberían utilizarse para revisar la receta numérica, conduciendo a forecast más precisos.
A pesar de las preocupaciones de Vermorel, señala que forecast valor agregado ha experimentado un resurgimiento en popularidad en los últimos años, con muchos consultants y software vendors promoviendo la metodología. Sin embargo, sigue siendo crítico con este enfoque y cree que no es la manera más efectiva de mejorar la precisión del forecast en el supply chain management.
Vermorel expresa sus preocupaciones acerca de que los software vendors ganen dinero ofreciendo soluciones complejas a problemas del supply chain que pueden no aportar valor necesariamente. Sugiere que muchos vendors utilizan distracciones para vender sus productos y servicios, haciendo difícil para los clientes identificar el valor real.
Vermorel enfatiza la importancia de evitar la complejidad por el simple hecho de ser compleja. Señala que agregar dimensiones innecesarias a un proceso puede en realidad hacer que el problema se vuelva cuadráticamente más complejo, lo cual puede no ser beneficioso para la empresa. Además, cree que los vendors a menudo cobran más por estas soluciones complejas, incluyendo actualizaciones y honorarios de consultoría.
Para diferenciar entre consultores valiosos y aquellos que meramente producen métricas, Vermorel sugiere que las empresas se pregunten si el servicio o solución proporcionados realmente aportan valor o simplemente generan trabajo superfluo. Enfatiza la importancia de centrarse en soluciones orientadas hacia el exterior en lugar de internas, ya que agregar capas adicionales de complejidad dentro de un proceso puede no conducir a mejores resultados.
En el contexto del supply chain management, Vermorel se opone a la idea de que el forecast debe ser un esfuerzo colaborativo. Compara esto con tener energía eléctrica en un edificio, lo cual no se considera un esfuerzo de equipo. Asegura que no hay razón para que el forecast sea un proceso colaborativo, y que las empresas deberían centrarse en encontrar soluciones más simples y efectivas para sus desafíos del supply chain.
Vermorel enfatiza la importancia de confiar en especialistas en diversas áreas, tales como instalaciones eléctricas o el forecast en el supply chain. Señala que los forecasting methods colaborativos a menudo son contraproducentes, citando una serie de estudios que demuestran que la intervención manual en los forecast puede ser perjudicial. Esto se debe a la pobre percepción de la aleatoriedad por parte de los humanos; mientras que los humanos destacan en identificar patrones, les cuesta comprender la aleatoriedad.
Vermorel sostiene que, hasta que se demuestre que un enfoque de forecast colaborativo es superior, no debe ser confiado. Señala que los principales investigadores en el campo, tales como aquellos que participan en forecasting competitions, no utilizan métodos colaborativos. Vermorel sugiere que las empresas deberían ser más escépticas con respecto a los vendors y agencias de consultoría que promueven tales métodos de forecast colaborativo, ya que podrían carecer de competencia en el área.
El mensaje central de la entrevista es que las empresas deberían centrarse en identificar áreas de incompetencia radical en su supply chain management, en lugar de intentar mejorar los forecast mediante la colaboración. Vermorel recomienda utilizar forecast valor agregado como prueba de fuego para detectar una incompetencia radical en vendors o agencias de consultoría que promueven el forecast colaborativo. Compara esto con detectar vendors que impulsan métodos basados en la astrología o en artificial intelligence sin comprender sus verdaderas implicaciones.
Vermorel aconseja a las empresas que sean cautelosas al tratar con vendors y agencias de consultoría en el campo de la optimización del supply chain, utilizando forecast valor agregado como una herramienta para identificar la incompetencia. Confiar en especialistas y evitar métodos de forecast colaborativo puede conducir a un supply chain management más efectivo.
Transcripción Completa
Kieran Chandler: Hoy vamos a discutir qué tan bien funciona esto y por qué descomponer un forecast puede realmente conducir a decisiones más difíciles. Entonces, Joannes, ¿cuál es la idea de hoy detrás de forecast valor agregado?
Joannes Vermorel: Forecast valor agregado es un proceso que surgió a principios de los 2000, quizá en los 90. No he encontrado publicaciones anteriores, pero dado que no es una idea muy complicada, sospecho que ya se practicaba en los 90, probablemente bajo diversos nombres y formas. Esencialmente, es un proceso que tiene como objetivo mejorar cuantitativamente la precisión del forecast al identificar si ciertos pasos tomados al componer el producto final, es decir, el forecast, realmente mejoran la precisión.
Para ilustrar, tenemos un equipo de forecast que produce el forecast base. Luego, el equipo de marketing interviene y ajusta este forecast base basado en sus conocimientos extra de marketing, por ejemplo, lo que pretenden hacer en términos de campañas. Después, el equipo de ventas interviene y añade su propia capa de corrección debido a sus conocimientos extra de ventas. Luego, la producción interviene, y así sucesivamente. Volvemos al equipo de forecast que finalmente concluye con el plan, y eso es, esencialmente, el tipo de cosas que se hacen como parte del proceso SNLP. El proceso de forecast valor agregado consiste en establecer métricas para el delta introducido por cada paso del proceso de forecast en términos de si mejoramos la precisión o la disminuimos, y, de manera implícita, la idea es eliminar las contribuciones que en realidad terminan degradando la precisión del forecast al final.
Kieran Chandler: Entonces, ¿por qué se originó esta idea? Porque involucrar a tantas partes interesadas diferentes definitivamente puede complicar las cosas.
Joannes Vermorel: Sí, en realidad, al menos los primeros estudios de los 2000 indican que producir forecast con muchas manos generalmente termina haciendo lo contrario de la intención, que es simplemente degradar la precisión del forecast. Su conclusión es que mantenerse con el forecast base ingenuo, que con mucha frecuencia es algo como una media móvil más seasonality, resulta más preciso de lo que se obtiene una vez que dejas que muchas personas diferentes ajusten esos forecast hacia arriba y hacia abajo. Pero la lógica dice que deberíamos tratar de filtrar las malas contribuciones para conservar las buenas, de modo que podamos tener lo mejor de ambos mundos: la precisión inicial que se mejora aún más gracias a aportes extra, pero cuidadosamente filtrados a través del proceso de forecast valor agregado.
Kieran Chandler: Entonces, ¿cómo determinas qué equipos están produciendo las buenas contribuciones y cuáles son los equipos que están produciendo las malas?
Joannes Vermorel: Muy simplemente, haciendo un backtest.
Kieran Chandler: ¿Cuál fue la precisión del forecast base del último trimestre? ¿Cuál fue la precisión del forecast base más la contribución del equipo de ventas? Y luego tenemos dos forecast configurados diferentes: el forecast base y el de la primera capa de corrección. Podemos ver si hemos mejorado la precisión del forecast o no. Y luego podemos repetir este experimento para cada etapa individual para comparar con la precisión de lo que vino justo antes. Así, básicamente, podemos aislar los resultados.
Joannes Vermorel: Es muy parecido a un proceso de backtest, excepto que se añade un nivel extra de granularidad en el análisis. Se quiere analizar y comparar la precisión respectiva antes y después de los cambios, observando los pasos clave del proceso de forecast. Y cuando digo pasos clave, me refiero a los pasos desde la perspectiva de la organización, donde un forecast se pasa a un equipo, el equipo aplica correcciones y luego lo pasa a otro equipo. Todo el proceso circula dentro de la empresa hasta que regresa al equipo de forecast original encargado de todo el proceso de forecast.
Kieran Chandler: Tiene sentido desde una perspectiva lógica; se obtiene la experiencia de más y más personas, por lo que probablemente terminará siendo más preciso. ¿Entonces, cuál es el gran problema?
Joannes Vermorel: El problema es que simplemente no funciona, y no cuenta con ningún respaldo de evidencia científica. Es el tipo de cosa que parece intuitivo y suena bien, pero si empezamos a revisar la literatura estadística de forecast, ningún investigador científico está realmente trabajando con este tipo de técnicas. Incluso si tienen modelos de forecast con múltiples etapas, todas esas etapas terminan integradas en un solo entorno algorítmico, es decir, solo un piece of software. La idea de que se puede refinar un forecast estadístico haciendo que salte de división en división dentro de la empresa es, en gran parte, una locura. Si observamos las competencias de forecast que se han llevado a cabo durante mucho tiempo, como las organizadas por el Profesor Makridakis, la gente que terminó ganando esas competencias no recurrió a un proceso de forecast de múltiples etapas en el que el forecast saltara de especialista a especialista. En mi opinión, es el tipo de cosa que resulta muy atractivo porque hace que todos estén contentos; todos pueden contribuir, y se crea una sensación de emoción positiva.
Joannes Vermorel: En este proceso, sí, pero no funciona así. Es como imaginar que tienes un campeón de ajedrez, y le dices, “Bueno, ahora vamos a intentar ayudar a este campeón haciendo que muchas personas voten para ayudarlo a realizar su siguiente jugada.” La respuesta es no, no hará que este campeón sea mejor. Lo más probable es que sea simplemente una distracción completa. Si quieres tener lo mejor de lo mejor, simplemente déjalo jugar o déjala jugar exactamente de la manera que los campeones consideren apropiada, y eso es todo.
Kieran Chandler: Entonces, ¿por qué ha ganado tanta tracción este tipo de idea? ¿Es porque es algo que mantiene a mucha gente contenta y hace que sientan que están contribuyendo? Quiero decir, ¿por qué es que la gente ha oído hablar de forecast value added?
Joannes Vermorel: Creo que es una especie de idea muy burocrática que tiende a atraer mucho porque es muy introspectiva. Tan pronto como empiezas a abordar los problemas reales, como la gestión de riesgos que te obliga a actualizar tu práctica hacia forecast probabilístico, se vuelve súper complicado. El forecast value added es trivial. El nivel de matemáticas involucrado es propio de la secundaria. Es el tipo de cosa que se ve bien, y nadie se sentirá intelectualmente desafiado por el forecast value added. Es literalmente sumamente simple.
Joannes Vermorel: Es muy tentador simplemente añadir otra capa de burocracia en tu supply chain para dejar que la gente se encargue de este proceso que se ve bien y suena razonable. Simplemente mantendrá a todos ocupados, y serás bastante bueno en ello. ¿Cómo podrías fallar en algo tan simple y directo como el forecast value added? La realidad es que fallarás en el sentido de que añadirás una capa extra de complejidad que, muy probablemente, va a ralentizar todo, complicar todo y confundir todo. Pero tus KPIs de miopía a corto plazo mejorarán un poco, y nadie tiene ni idea de si esto generará algún dólar para la empresa. Desde la perspectiva súper limitada de tus KPIs tan cortoplacistas, podría mejorar ligeramente.
Kieran Chandler: ¿No crees, sin embargo, que hay algún elemento de verdad en ello, que si nos enfocamos en áreas centrales específicas, podríamos ver mejoras vastas?
Joannes Vermorel: Lo primero que debemos desmontar es que la premisa de esta proposición es completamente equivocada. La premisa es que el forecast debería ser un esfuerzo colaborativo. Esto no es así. La ciencia no respalda esta proposición en absoluto, y todas las competencias de forecast que se han realizado en las últimas décadas tampoco la respaldaron. Los artículos que estoy leyendo tampoco la respaldan. Así que, literalmente, tenemos una premisa que es totalmente incorrecta. El forecast no es mejor cuando se hace como un esfuerzo colaborativo. Por lo tanto, la idea de que todos estén a bordo y hagan contribuciones es simplemente errónea.
Kieran Chandler: Y, fundamentalmente, en Lokad evaluamos la contribución de ajustes manuales en el forecast, y, esencialmente, eran invariablemente incorrectos. Invariablemente disminuían la precisión del forecast. Sin embargo, para lograrlo, primero necesitas tener una mentalidad en la que, cuando alguien ve un forecast estadístico que está profundamente equivocado, no quiera ajustar manualmente el forecast; quiera arreglar la receta numérica subyacente. Estoy asumiendo que estamos hablando de una receta numérica razonable para el forecast que ha sido probada en batalla. Así que, si hay cosas obvias que no están correctamente integradas en el forecast, esos problemas ya se han solucionado. Por ejemplo, si no tienes en cuenta tus faltante de stock, confundirás ventas cero con demanda cero, lo cual es completamente erróneo.
Joannes Vermorel: Sí, necesitas hacer que tu receta numérica tenga en cuenta el faltante de stock. Asumo que, una vez resueltos todos esos problemas de naturaleza más bien de depuración, y una vez que el modelo ha sido probado en batalla y depurado, en Lokad, a solicitud de muchos clientes, realizamos muchas evaluaciones comparativas en las que observábamos la precisión del forecast antes y después de la intervención manual. Y, cada vez, las intervenciones manuales degradaban la precisión del forecast. Resulta que la mente humana no es muy buena manejando el ruido estadístico. El ruido estadístico no es algo que percibamos; vemos patrones en todas partes. Es realmente difícil ver el ruido estadístico por lo que es, y, por ello, incluso métodos estadísticos simplistas como el promedio móvil tienden a superar al juicio humano, aunque apenas sean mejores que el promedio móvil, y sin embargo ya son superiores.
Kieran Chandler: Entonces, ¿lo que estás defendiendo es este tipo de campeón único que produciría un forecast? ¿Y por qué crees que a la gente le resulta tan difícil depositar su confianza en la ciencia? ¿Por qué es un salto de fe tan grande?
Joannes Vermorel: No es un salto de fe; ese es el tipo de cosa en la que la ciencia no te pide que creas. Se trata de entender lo que está pasando. La pregunta es, ¿por qué personas completamente no especializadas podrían abordar un conjunto de datos considerable y realizar una tarea numérica compleja en su cabeza o con hojas de cálculo al azar, mejor que personas que, en realidad, pasan años tratando de identificar recetas numéricas razonables precisamente para eso? ¿Qué clase de magia estaría involucrada? Y si la gente dice que tiene intuiciones sobre el mercado, sí, pero ¿a qué granularidad? Imaginemos que, para una empresa típica, tienes algo como 20,000 SKUs, y luego le pides a la gente del equipo de ventas –digamos que son cinco personas– que, con una hoja de cálculo de 20,000 SKUs, aporten sus intuiciones.
Kieran Chandler: Tus aportes sobre si esas colas deberían subir o bajar, de modo que el equipo de ventas no lo sepa. Quiero decir, si eres parte del equipo de ventas, manejas quizás a media docena de clientes VIP importantes si estás en un negocio B2B. Esos clientes ordenan miles de productos por trimestre en cantidades variables. Esta no es la granularidad con la que operas si eres vendedor. Tu granularidad es que tu cliente es una organización, y en esa organización conoces a una serie de personas. Esa es tu granularidad en términos de pensamiento y análisis. Y sé que esta organización tiene tracción, y que la gente podría estar inclinada a acercarse al tipo de oferta que estoy impulsando o, por el contrario, a alejarse. Pero el detalle de los más de 20,000 SKUs, es decir, literalmente no lo saben, así que simplemente van a adivinar algo y pretender que el trabajo está hecho.
Joannes Vermorel: Esa es la ilusión. El problema es que, si tienes intuiciones importantes, ¿por qué no revisar explícitamente la receta numérica para que pueda utilizar esos elementos extra como entrada? El trabajo se realizará con mucho menos esfuerzo y con mucha más precisión.
Kieran Chandler: Entonces, ¿dirías que este es un problema que aún existe o dirías que la gente está empezando a aceptar la idea de que no es responsabilidad de una sola persona el forecast?
Joannes Vermorel: La evaluación del forecast ha tenido un resurgimiento de popularidad durante los últimos años. Muchos consultores, e incluso algunos proveedores de software bastante mal orientados, están ahora impulsando esta metodología. Para ser honesto, para proveedores como Lokad, hay toneladas de dinero por ganar. Es el tipo de cosa que va a ser una distracción completa. Lo bueno para un proveedor con una distracción completa es que nunca puedes fallar. No había ganancia que obtener en primer lugar, pero, por el contrario, no hay una pérdida obvia que pueda ocurrir. Así que, nunca puedes fallar. Esto es muy bueno. La distracción es una misión en la que no puedes fallar.
Puedes pasar semanas o meses generando una pared entera de métricas a partir de eso, lo que te da otra capa de dimensión, de modo que todo lo que hacías antes se le puede añadir una dimensión extra, que es cómo cada cosa que ya estás haciendo se beneficia o se ve perjudicada por cada etapa del proceso. Es decir, estás haciendo el problema cuadráticamente más complejo, no más complicado porque es muy simple, es solo una dimensión extra, pero lo estás haciendo vastamente más complejo. Si tienes una empresa grande con diez etapas diferentes, literalmente tienes diez veces más métricas para cada cosa que medías antes. Y, por lo tanto, puedes cobrar en consecuencia. Puedes cobrar por actualizaciones, tarifas de consultoría, lo que sea.
Kieran Chandler: Entonces, ¿cómo puedes diferenciar entre los consultores que en realidad aportan valor y aquellos consultores que simplemente están produciendo estas métricas por el mero hecho de hacerlo?
Joannes Vermorel: Creo que simplemente necesitas preguntarte: ¿estás haciendo algo que es real? ¿Estás haciendo algo que tiene un impacto real?
Kieran Chandler: Entonces, ¿crees que este enfoque colaborativo al forecast tiene un valor intrínseco para la empresa, o simplemente están haciendo trabajo ocupado y manteniendo ocupada la burocracia?
Joannes Vermorel: Como prueba de fuego, mencioné antes, al discutir el núcleo burocrático de supply chain, si miras hacia adentro o hacia afuera. En este caso, es el arquetipo de mirar hacia adentro. Si tomas un proceso de forecast existente, descompones sus partes internas y le añades otra capa de complejidad para mejorarlo, no funciona así en el mundo real. No obtienes algo mejor en términos de organización al mirar hacia adentro y añadir capas extra de artefactos. No se gana valor añadido con esta abstracción. La idea simple debería ser eliminar la premisa de que el forecast debe ser un esfuerzo colaborativo; no hay razón para que lo sea.
Hay muchas cosas, como tener energía eléctrica en tu edificio, que no son un trabajo en equipo. No pensarías que todos necesitan estar a bordo para tener energía eléctrica en el edificio. Es bastante obvio que, si quieres una configuración eléctrica decente, confías en especialistas que harán el trabajo y se asegurarán de que tu edificio no se incendie debido a una configuración eléctrica insegura. La idea de que puedes tener una mejor configuración eléctrica con un esfuerzo de equipo es un sinsentido, y resulta que lo mismo es cierto para el forecast.
Cuando digo “cree en la ciencia”, me refiero a que existe una serie de artículos que demuestran que la intervención manual en los forecast es perjudicial. Estos artículos tienen aproximadamente 20 años, y sus hallazgos no son sorprendentes porque existe todo un campo en la psicología que prueba a los humanos en su percepción de la aleatoriedad. Resulta que la mente humana es terrible para entender la aleatoriedad. Somos muy buenos para ver patrones, pero no para comprender la aleatoriedad en sí misma.
Kieran Chandler: Entonces, creo que tenemos una muy buena razón para decir que, hasta que puedas demostrar que un forecast colaborativo es superior, no deberíamos confiar en ti. Y cuando vemos que en la competencia, todos los que ganan, ya sabes, llegan al top 100, no utilizan ningún tipo de método colaborativo y que los principales investigadores en este campo, como Foreman, tampoco lo usan, y si lees su libro de principio a fin, no encontrarás nada que se parezca a eso. Es bastante razonable asumir que es un completo sinsentido. Hay muchas cosas que se ven muy bien, se sienten muy razonables, pero que están completamente equivocadas, y al igual que, ya sabes, si miras a tu alrededor, la Tierra es plana.
Joannes Vermorel: Si resumimos las cosas hoy, el mensaje central es mucho más radical. Necesitas identificar, si quieres mejorar tu supply chain, los puntos de incompetencia radical, personas que no tienen ni idea de lo que están haciendo, literalmente Bozo el Payaso. En los negocios, esas personas pueden tener, ya sabes, un aire de seriedad y demás. El forecast value added debería tratarse como una prueba de fuego para detectar la incompetencia radical. Así que, si hay un proveedor de forecast que lo promociona en su sitio web, tacha a ese proveedor como completamente incompetente. Si una agencia de consultoría lo promociona, puedes descartarla como completamente incompetente. Ese es el tipo de cosa que es bueno porque es un poco como la blockchain o la inteligencia artificial, ya sabes, esa es la misma prueba en la que, si están promoviendo la inteligencia artificial, bueno, no tienen ni idea de lo que están haciendo. Podemos tacharlos y pasar al siguiente. Es solo imaginar que, si un proveedor estuviera promoviendo un método que se basara en la astrología, dirías, bueno, esa gente no es creíble, estás fuera. Ni siquiera quiero escuchar tu razonamiento. Sé que hay un 99.9% de probabilidad de que seas un fraude completo. Bueno, eso es algo bueno. El forecast value added te da una prueba de fuego para descartar una empresa o consultorías que simplemente se demuestran completamente incompetentes. Así que, sé agradecido y úsalo simplemente como un filtro.
Kieran Chandler: Está bien, tendré que dejarlo aquí, pero ya tengo algunas compañías para tachar de la lista. Eso es todo por esta semana. Muchas gracias por sintonizar, y nos vemos en el próximo episodio. Gracias por ver.
