00:00:08 Descripción general de valor agregado de la previsión como técnica de gestión.
00:01:29 Explicación del proceso de valor agregado de la previsión y por qué surgió.
00:02:06 Importancia de las métricas para determinar la precisión del proceso de previsión.
00:03:37 Discusiones sobre por qué las previsiones 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 valor agregado de la previsión en el supply chain.
00:12:17 La ineficacia de la intervención manual para mejorar la precisión de la previsión.
00:14:50 La dificultad de confiar en la ciencia en lugar del juicio humano en la previsión.
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 una previsión debe ser un esfuerzo colaborativo.
00:17:02 El reciente resurgimiento de la popularidad en la metodología de previsión 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 valor agregado de la previsión como prueba de fuego.
Resumen
Valor agregado de la previsión (FVA) es un enfoque defectuoso para la previsión 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 previsión colaborativo.
Resumen Extendido
En esta entrevista, el presentador Kieran Chandler y Joannes Vermorel, fundador de Lokad, discuten el concepto de valor agregado de la previsión (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 las previsiones identificando qué pasos en el proceso de previsión contribuyen positiva o negativamente al producto final. Este enfoque típicamente involucra a varios equipos dentro de una organización colaborando en la previsión, 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 de la previsión. Esto se realiza mediante backtesting, comparando la precisión de la previsión base con la precisión de previsión 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 previsión estadístico no aboga por un proceso de múltiples etapas en el que las previsiones saltan de una división a otra dentro de una empresa. De hecho, los competiciones de previsión 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.
Valor agregado de la previsión es un enfoque popular pero defectuoso para la previsión 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 previsión. 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 valor agregado de la previsión 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 la previsión debe ser un esfuerzo colaborativo es incorrecta, ya que la ciencia y las pasadas competiciones de previsión 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 de la previsión. Sugiere que es más eficiente centrarse en mejorar la receta numérica subyacente a la previsión, en lugar de ajustar las previsiones 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 la previsión de la demanda individual de SKU. En cambio, sus conocimientos deberían utilizarse para revisar la receta numérica, conduciendo a previsiones más precisas.
A pesar de las preocupaciones de Vermorel, señala que valor agregado de la previsión 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 de la previsión 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 la previsión 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 la previsión 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 la previsión en el supply chain. Señala que los métodos de previsión colaborativos a menudo son contraproducentes, citando una serie de estudios que demuestran que la intervención manual en las previsiones 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 previsión colaborativo es superior, no debe ser confiado. Señala que los principales investigadores en el campo, tales como aquellos que participan en competiciones de previsión, 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 previsión 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 las previsiones mediante la colaboración. Vermorel recomienda utilizar valor agregado de la previsión como prueba de fuego para detectar una incompetencia radical en vendors o agencias de consultoría que promueven la previsión 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 valor agregado de la previsión como una herramienta para identificar la incompetencia. Confiar en especialistas y evitar métodos de previsión 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 una previsión puede realmente conducir a decisiones más difíciles. Entonces, Joannes, ¿cuál es la idea de hoy detrás de valor agregado de la previsión?
Joannes Vermorel: Valor agregado de la previsión 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 de la previsión al identificar si ciertos pasos tomados al componer el producto final, es decir, la previsión, realmente mejoran la precisión.
Para ilustrar, tenemos un equipo de previsión que produce la previsión base. Luego, el equipo de marketing interviene y ajusta esta previsión 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 previsión 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 valor agregado de la previsión consiste en establecer métricas para el delta introducido por cada paso del proceso de previsión 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 de la previsión 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 previsión con muchas manos generalmente termina haciendo lo contrario de la intención, que es simplemente degradar la precisión de la previsión. Su conclusión es que mantenerse con la previsión 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 esas previsiones 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 valor agregado de la previsión.
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 de la previsión base del último trimestre? ¿Cuál fue la precisión de la previsión base más la contribución del equipo de ventas? Y luego tenemos dos previsión configurados diferentes: la previsión base y el de la primera capa de corrección. Podemos ver si hemos mejorado la precisión de la previsión 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 previsión. Y cuando digo pasos clave, me refiero a los pasos desde la perspectiva de la organización, donde una previsión 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 previsión original encargado de todo el proceso de previsión.
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 previsión, ningún investigador científico está realmente trabajando con este tipo de técnicas. Incluso si tienen modelos de previsión 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 una previsión estadístico haciendo que salte de división en división dentro de la empresa es, en gran parte, una locura. Si observamos las competencias de previsión 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 previsión de múltiples etapas en el que la previsión 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 valor añadido de la previsión?
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 previsión probabilística, se vuelve súper complicado. La valor añadido de la previsión 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 valor añadido de la previsión. 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 valor añadido de la previsión? 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 la previsión debería ser un esfuerzo colaborativo. Esto no es así. La ciencia no respalda esta proposición en absoluto, y todas las competencias de previsión 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. La previsión 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 la previsión, y, esencialmente, eran invariablemente incorrectos. Invariablemente disminuían la precisión de la previsión. Sin embargo, para lograrlo, primero necesitas tener una mentalidad en la que, cuando alguien ve una previsión estadístico que está profundamente equivocado, no quiera ajustar manualmente la previsión; quiera arreglar la receta numérica subyacente. Estoy asumiendo que estamos hablando de una receta numérica razonable para la previsión que ha sido probada en batalla. Así que, si hay cosas obvias que no están correctamente integradas en la previsión, 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 de la previsión antes y después de la intervención manual. Y, cada vez, las intervenciones manuales degradaban la precisión de la previsión. 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 una previsión? ¿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 la previsión?
Joannes Vermorel: La evaluación de la previsión 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 a la previsión 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 previsión 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 la previsión 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 la previsión.
Cuando digo “cree en la ciencia”, me refiero a que existe una serie de artículos que demuestran que la intervención manual en las previsiones 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 una previsión 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. La valor añadido de la previsión debería tratarse como una prueba de fuego para detectar la incompetencia radical. Así que, si hay un proveedor de previsión 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. La valor añadido de la previsión 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.
