Valor Agregado del Pronóstico

00:00:08 Resumen del Valor Agregado del Pronóstico como técnica de gestión.
00:01:29 Explicación del proceso del Valor Agregado del Pronóstico y por qué surgió.
00:02:06 Importancia de las métricas para determinar la precisión del proceso de pronóstico.
00:03:37 Discusión sobre por qué los pronósticos de múltiples etapas realizados 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 permitir que el público vote sobre el próximo movimiento de un campeón de ajedrez.
00:10:31 La falta de efectividad del Valor Agregado del Pronóstico en la cadena de suministro.
00:12:17 La falta de efectividad de la intervención manual para mejorar la precisión del pronóstico.
00:14:50 Dificultad para confiar en la ciencia sobre el juicio humano en el pronóstico.
00:15:55 Granularidad de la comprensión y análisis de los clientes por parte de un vendedor.
00:16:00 Crítica a la idea de que un pronóstico debe ser un esfuerzo colaborativo.
00:17:02 El reciente resurgimiento de la popularidad en la metodología de evaluación del pronóstico.
00:17:23 El potencial de ganancias financieras al producir métricas y cobrar por mejoras.
00:19:10 La importancia de determinar si un consultor brinda un valor real a la empresa o simplemente trabajo innecesario.
00:23:36 La necesidad de identificar la incompetencia radical y utilizar el Valor Agregado del Pronóstico como prueba de fuego.

Resumen

El Valor Agregado del Pronóstico (FVA, por sus siglas en inglés) es un enfoque defectuoso para el pronóstico de la cadena de suministro que implica la colaboración entre varios equipos dentro de una organización para mejorar la precisión. Joannes Vermorel, fundador de Lokad, argumenta que el FVA agrega una capa adicional de complejidad a la gestión de la cadena de suministro sin ningún beneficio claro para la empresa, y no está respaldado por investigaciones científicas. Vermorel sugiere que las empresas deberían centrarse en encontrar soluciones más simples y efectivas para sus desafíos en la cadena de suministro y confiar en especialistas en diversos campos. Las empresas deberían utilizar el FVA como una prueba de fuego para detectar incompetencia radical en proveedores o agencias de consultoría que promueven el pronóstico colaborativo.

Resumen Extendido

En esta entrevista, el presentador Kieran Chandler y Joannes Vermorel, fundador de Lokad, discuten el concepto de Valor Agregado del Pronóstico (FVA) y su efectividad en la optimización de la cadena de suministro. El FVA surgió a principios de la década de 2000 como una técnica para mejorar la precisión de los pronósticos identificando qué pasos en el proceso de pronóstico contribuyen positiva o negativamente al producto final. Este enfoque generalmente implica la colaboración de varios equipos dentro de una organización en el pronóstico, como marketing, ventas y producción.

La idea detrás del FVA es que al medir la precisión de cada paso en el proceso, se pueden identificar los equipos que contribuyen positiva o negativamente a la precisión del pronóstico. Esto se hace a través de backtesting, comparando la precisión del pronóstico base con la precisión de los pronósticos con aportes adicionales de diferentes equipos.

Sin embargo, Vermorel señala que este enfoque no funciona en la práctica y no está respaldado por investigaciones científicas. La literatura de pronóstico estadístico no aboga por un proceso de múltiples etapas donde los pronósticos saltan de una división a otra dentro de una empresa. De hecho, las competencias de pronóstico han demostrado consistentemente que los ganadores no dependen de tales técnicas.

A pesar de sus deficiencias, el FVA ha ganado popularidad 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 tratando de ayudar a un campeón de ajedrez a tomar su próximo movimiento, lo que probablemente resultaría en una distracción en lugar de una mejora en el rendimiento.

El valor agregado del pronóstico es un enfoque popular pero defectuoso para el pronóstico de la cadena de suministro. 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 investigaciones científicas y la evidencia empírica sugiere que no conduce a mejores pronósticos. El atractivo del FVA puede derivar del deseo de participación colectiva y la satisfacción derivada de ser parte del proceso de toma de decisiones.

Discutieron el concepto de valor agregado del pronóstico y sus defectos. Él cree que es una idea burocrática que agrega una capa adicional de complejidad a la gestión de la cadena de suministro, ralentizando los procesos y complicando las operaciones, sin un beneficio claro para la empresa.

Vermorel argumenta que la premisa de que el pronóstico es un esfuerzo colaborativo es incorrecta, ya que la ciencia y las competencias de pronóstico pasadas no respaldan esta noción. Él enfatiza que la mente humana no está bien equipada para lidiar con el ruido estadístico y que las intervenciones manuales tienden a disminuir la precisión del pronóstico. Sugiere que es más eficiente centrarse en mejorar la receta numérica subyacente al pronóstico en lugar de ajustar los pronósticos manualmente.

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, suelen operar a una granularidad mucho mayor de la requerida para pronosticar la demanda individual de SKU. En cambio, sus ideas deberían usarse para revisar la receta numérica, lo que lleva a pronósticos más precisos.

A pesar de las preocupaciones de Vermorel, señala que el valor agregado del pronóstico ha experimentado un resurgimiento en popularidad en los últimos años, con muchos consultores y proveedores de software promoviendo la metodología. Sin embargo, sigue siendo crítico con este enfoque y cree que no es la forma más efectiva de mejorar la precisión del pronóstico en la gestión de la cadena de suministro.

Vermorel expresa sus preocupaciones sobre los proveedores de software que ganan dinero ofreciendo soluciones complejas a problemas de cadena de suministro que no necesariamente brindan valor. Sugiere que muchos proveedores utilizan distracciones para vender sus productos y servicios, lo que dificulta que los clientes identifiquen el valor real.

Vermorel enfatiza la importancia de evitar la complejidad por la complejidad misma. Señala que agregar dimensiones innecesarias a un proceso puede hacer que el problema sea cuadráticamente más complejo, lo que puede no ser beneficioso para la empresa. Además, cree que los proveedores a menudo cobran más por estas soluciones complejas, incluyendo actualizaciones y tarifas de consultoría.

Para diferenciar entre consultores valiosos y aquellos que solo producen métricas, Vermorel sugiere que las empresas se pregunten si el servicio o solución proporcionada realmente agrega valor o simplemente crea trabajo innecesario. Él enfatiza la importancia de enfocarse en soluciones orientadas hacia afuera en lugar de hacia adentro, ya que agregar capas adicionales de complejidad dentro de un proceso puede no conducir a mejores resultados.

En el contexto de la gestión de la cadena de suministro, Vermorel argumenta en contra de la idea de que el pronóstico debe ser un esfuerzo colaborativo. Compara esto con tener energía eléctrica en un edificio, lo cual no se considera un esfuerzo en equipo. Asegura que no hay razón para que el pronóstico sea un proceso colaborativo y que las empresas deberían centrarse en encontrar soluciones más simples y efectivas para sus desafíos en la cadena de suministro.

Vermorel enfatiza la importancia de confiar en especialistas en diversos campos, como configuraciones eléctricas o pronósticos de cadena de suministro. Señala que los métodos de pronóstico colaborativos a menudo son contraproducentes, citando una serie de documentos que demuestran que la intervención manual en los pronósticos puede ser perjudicial. Esto se debe a la mala percepción de los humanos sobre la aleatoriedad; si bien los humanos son buenos para identificar patrones, les cuesta entender la aleatoriedad.

Vermorel sostiene que hasta que se pueda demostrar que un enfoque de pronóstico colaborativo es superior, no se debe confiar en él. Señala que los principales investigadores en el campo, como los que participan en competencias de pronóstico, no utilizan métodos colaborativos. Vermorel sugiere que las empresas deberían ser más escépticas con los proveedores y agencias de consultoría que promueven tales métodos de pronóstico colaborativo, ya que pueden carecer de competencia en el área.

El mensaje principal de la entrevista es que las empresas deben centrarse en identificar áreas de incompetencia radical en su gestión de la cadena de suministro, en lugar de intentar mejorar los pronósticos a través de la colaboración. Vermorel recomienda utilizar el valor agregado del pronóstico como una prueba de detección de incompetencia radical en proveedores o agencias de consultoría que promueven el pronóstico colaborativo. Compara esto con detectar proveedores que promueven métodos basados en la astrología o la inteligencia artificial sin comprender sus verdaderas implicaciones.

Vermorel aconseja a las empresas que sean cautelosas al tratar con proveedores y agencias de consultoría en el campo de la optimización de la cadena de suministro, utilizando el valor agregado del pronóstico como una herramienta para identificar incompetencia. Confiar en especialistas y evitar los métodos de pronóstico colaborativos puede llevar a una gestión de la cadena de suministro más efectiva.

Transcripción completa

Kieran Chandler: Hoy vamos a discutir qué tan bien funciona esto y por qué descomponer un pronóstico puede llevar a decisiones más difíciles. Entonces, Joannes, ¿cuál es la idea detrás del valor agregado del pronóstico?

Joannes Vermorel: El valor agregado del pronóstico es un proceso que surgió a principios de los años 2000, tal vez en los años 90. No he encontrado publicaciones anteriores, pero como no es una idea muy complicada, sospecho que ya se practicaba en los años 90, probablemente bajo varios nombres y formas. Básicamente, es un proceso que tiene como objetivo mejorar cuantitativamente la precisión del pronóstico identificando si ciertos pasos tomados al componer el producto final, es decir, el pronóstico, realmente mejoran la precisión.

Para ilustrar, tenemos un equipo de pronóstico que produce el pronóstico base. Luego, el equipo de marketing interviene y ajusta este pronóstico base en función de sus conocimientos adicionales de marketing, por ejemplo, lo que pretenden hacer en términos de campañas. Luego, el equipo de ventas interviene y agrega su propia capa de corrección debido a los conocimientos adicionales de ventas que tienen. Luego, interviene la producción, y así sucesivamente. Volvemos al equipo de pronóstico que finalmente concluye con el plan, y eso es esencialmente lo que se hace como parte del proceso SNLP. El proceso de valor agregado del pronóstico consiste en establecer métricas para el delta introducido por cada paso del proceso de pronóstico en términos de si mejoramos la precisión o la disminuimos, e implícitamente, la idea es eliminar las contribuciones que realmente terminan degradando la precisión del pronóstico al final.

Kieran Chandler: Entonces, ¿por qué surgió esta idea? Porque involucrar a tantos actores diferentes definitivamente puede complicar las cosas.

Joannes Vermorel: Sí, de hecho, al menos los primeros documentos de los años 2000 indican que producir pronósticos con muchas manos generalmente termina haciendo lo contrario de lo que se pretende, que es simplemente degradar la precisión del pronóstico. Su conclusión es que mantenerse con el pronóstico base ingenuo, que muy frecuentemente es algo como un promedio móvil más estacionalidad, termina siendo más preciso que lo que obtienes una vez que permites que muchas personas diferentes ajusten esos pronósticos hacia arriba y hacia abajo. Pero la lógica dice que deberíamos tratar de filtrar las malas contribuciones para mantener las buenas, de modo que podamos tener lo mejor de ambos mundos: la precisión inicial que se mejora aún más gracias a las contribuciones adicionales, pero cuidadosamente filtradas a través del proceso de valor agregado del pronóstico.

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 una prueba retrospectiva.

Kieran Chandler: ¿Cuál fue la precisión del pronóstico base para el último trimestre? ¿Cuál fue la precisión del pronóstico base más la contribución del equipo de ventas? Y luego tenemos dos pronósticos diferentes: los pronósticos base y los pronósticos con la primera capa de corrección. Podemos ver si hemos mejorado la precisión del pronóstico o no. Y luego podemos repetir este experimento para cada etapa individual para compararlo con la precisión de lo que vino justo antes. Así que podemos aislar los resultados esencialmente.

Joannes Vermorel: Es muy similar a un proceso de prueba retrospectiva, excepto que se agrega un nivel adicional de granularidad en el análisis. Quieres analizar y comparar la precisión respectiva antes y después de los cambios, observando los pasos clave del proceso de pronóstico. Y cuando digo pasos clave, estoy definiendo pasos desde la perspectiva de la organización, donde tienes un pronóstico que 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 pronóstico original a cargo de todo el proceso de pronóstico.

Kieran Chandler: Tiene sentido desde una perspectiva lógica; estás obteniendo la experiencia de más y más personas, por lo que probablemente terminará siendo más preciso. Entonces, ¿cuál es el gran problema entonces?

Joannes Vermorel: El problema es que simplemente no funciona y no está respaldado por ninguna evidencia científica. Es algo que parece intuitivo y suena bien, pero si comenzamos a mirar la literatura de pronóstico estadístico, ningún investigador científico está trabajando realmente con este tipo de técnicas. Incluso si tienen modelos de pronóstico con múltiples etapas, todas esas etapas están integradas en una configuración algorítmica única, por lo que solo se utiliza un software. La idea de que se puede refinar un pronóstico estadístico haciéndolo circular de división en división dentro de la empresa es en su mayoría una locura. Si observamos las competencias de pronóstico que se han llevado a cabo durante mucho tiempo, como las organizadas por el profesor Makridakis, las personas que terminaron ganando esas competencias no recurrieron a un proceso de pronóstico de múltiples etapas donde el pronóstico saltara de especialista en especialista. En mi opinión, es algo muy atractivo porque hace feliz a todo el mundo; todos pueden contribuir y crea una sensación de emoción positiva.

Joannes Vermorel: En este proceso, sí, pero no es así como funciona. Es algo así como imaginar que tienes un campeón de ajedrez y dices: “De acuerdo, ahora vamos a intentar ayudar a este campeón teniendo una gran votación de personas que intentan ayudarlo a hacer su próximo movimiento”. La respuesta es no, no va a hacer que este campeón sea mejor. Lo más probable es que solo sea una distracción completa. Si quieres tener lo mejor de lo mejor, déjalo jugar el juego exactamente de la manera que los campeones consideren adecuada, y ya está.

Kieran Chandler: Entonces, ¿por qué esta idea ha ganado tanta aceptación? ¿Es porque es algo que mantiene a mucha gente feliz y hace que sientan que están contribuyendo? Quiero decir, ¿por qué la gente ha oído hablar del valor agregado del pronóstico?

Joannes Vermorel: Creo que es una especie de idea muy burocrática que tiende a tener mucha atracción porque es muy introspectiva. Tan pronto como comienzas a abordar los problemas reales, como la gestión del riesgo que te obliga a mejorar tu práctica hacia el pronóstico probabilístico, se vuelve súper complicado. El valor agregado del pronóstico es trivial. El nivel de matemáticas involucrado es de escuela secundaria. Es algo que parece bueno y nadie va a ser desafiado intelectualmente por el valor agregado del pronóstico. Es literalmente demasiado simple.

Joannes Vermorel: Es muy tentador agregar otra capa de burocracia en tu cadena de suministro para que las personas se encarguen de este proceso que parece bueno y razonable. Solo va a mantener a todos ocupados y vas a ser bastante bueno en ello. ¿Cómo podrías fallar en algo tan simple y directo como el valor agregado del pronóstico? La realidad es que fallarás en el sentido de que agregarás una capa adicional de complejidad que probablemente ralentizará todo, complicará todo y confundirá todo. Pero tus KPIs de corto plazo van a mejorar un poquito y nadie tiene idea de si va a generar algún dólar para la empresa. Desde la perspectiva súper estrecha de tus KPIs de corto plazo, podría mejorar un poco.

Kieran Chandler: ¿No hay algún tipo de verdad en ello, sin embargo, que si nos enfocamos en áreas centrales específicas, podríamos ver algunas mejoras vastas?

Joannes Vermorel: Lo primero que debemos desmantelar es que la premisa de esta propuesta es completamente incorrecta. La premisa es que el pronóstico debería ser un esfuerzo colaborativo. Esto no es cierto. La ciencia no respalda absolutamente esta propuesta, y todas las competencias de pronóstico que tuvieron lugar en las últimas décadas tampoco respaldaron esta propuesta. Los artículos que estoy leyendo tampoco respaldan esta propuesta. Literalmente, tenemos una premisa que está completamente equivocada. El pronóstico no es mejor cuando se hace como un esfuerzo colaborativo. Por lo tanto, la idea de tener a todos a bordo y que todos hagan contribuciones es simplemente incorrecta.

Kieran Chandler: Y fundamentalmente, en Lokad, evaluamos la contribución de los ajustes manuales en el pronóstico, y básicamente, invariablemente eran incorrectos. Invariablemente disminuían la precisión del pronóstico. Sin embargo, para lograr eso, primero necesitas tener una mentalidad en la que, cuando alguien ve un pronóstico estadístico que está completamente equivocado, no quieras ajustar manualmente el pronóstico; quieres corregir la receta numérica subyacente. Supongo que estamos hablando de una receta numérica razonable para el pronóstico que ha sido probada en la práctica. Entonces, si hay cosas obvias que no se tienen en cuenta en el pronóstico, esos problemas se han abordado. Por ejemplo, si no tienes en cuenta tus faltantes de stock, confundirás las ventas nulas con la demanda nula, lo cual está completamente equivocado.

Joannes Vermorel: Sí, necesitas hacer que tu receta numérica tenga en cuenta los faltantes de stock. Supongo que una vez que hayas resuelto todos esos problemas que son más de naturaleza de depuración, y una vez que el modelo haya sido probado en la práctica y depurado, en Lokad hicimos, a petición de muchos clientes, muchas pruebas donde analizamos la precisión del pronóstico antes y después de la intervención manual. Y cada vez, las intervenciones manuales empeoraban la precisión del pronóstico. Resulta que la mente humana no es muy buena para lidiar con el ruido estadístico. El ruido estadístico no es algo que percibimos; vemos patrones en todas partes. En realidad, es muy difícil ver el ruido estadístico por lo que es, y por lo tanto, incluso métodos estadísticos simplistas como el promedio móvil tienden a superar el juicio humano, aunque apenas sea mejor que el promedio móvil, y sin embargo, ya es mejor.

Kieran Chandler: Entonces, lo que estás defendiendo es este tipo de campeón único que produciría un pronóstico. Y ¿por qué crees que a la gente le resulta tan difícil confiar 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 que la ciencia no te pide que creas realmente. Se trata de entender lo que está sucediendo. La pregunta es, ¿por qué las personas que no son especialistas completos podrían saltar a un conjunto de datos considerable y realizar una tarea numérica compleja en su cabeza o con hojas de cálculo aleatorias mejor que las personas que pasan años tratando de identificar recetas numéricas razonables precisamente para hacer eso? ¿Qué tipo de magia estaría involucrada? Y si las personas dicen que tienen ideas sobre el mercado, sí, pero ¿a qué nivel de detalle? Imaginemos que para una empresa típica, tienes algo así como 20,000 SKU, y luego le pides a las personas del equipo de ventas, digamos que hay cinco personas, que les des una hoja de cálculo con 20,000 SKU y les pidas que brinden sus ideas.

Kieran Chandler: Tus aportes sobre si esas colas deberían aumentar o disminuir, por lo que el equipo de ventas no lo sabe. Quiero decir, si eres parte del equipo de ventas, estás gestionando tal vez 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 un vendedor. Tu granularidad es que tu cliente es una organización, y en esta 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 es posible que las personas realmente estén inclinadas a acercarse a la oferta que estoy promoviendo o, por el contrario, a alejarse. Pero el detalle de los más de 20,000 SKU, quiero decir, literalmente no lo saben, por lo 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 ideas importantes, ¿por qué no revisar explícitamente la receta numérica para que pueda usar esos elementos adicionales como entrada? El trabajo se hará con mucho menos esfuerzo y mucha más precisión.

Kieran Chandler: Entonces, ¿dirías que este es un problema que todavía existe o dirías que la gente está empezando a aceptar la idea de que no es solo una persona la responsable del pronóstico?

Joannes Vermorel: La evaluación de pronósticos ha tenido un resurgimiento de popularidad durante los últimos años. Muchos consultores, e incluso algunos proveedores de software bastante equivocados, están promoviendo 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, a su vez, no hay una pérdida obvia que pueda ocurrir. Entonces, 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 completa de métricas a partir de eso, lo que te brinda otra capa de dimensión, para que todo lo que estabas haciendo antes, puedas agregar una dimensión adicional, que es cómo cada cosa que ya estás haciendo se beneficia o se ve perjudicada por cada etapa del proceso. Quiero decir, estás haciendo el problema cuadráticamente más complejo, no más complicado porque es muy simple, es solo una dimensión adicional, pero lo estás haciendo mucho más complejo. Si tienes una empresa grande con diez etapas diferentes, literalmente tienes diez veces más métricas para cada cosa que estabas midiendo antes. Y, por lo tanto, puedes cobrar en consecuencia. Puedes cobrar por actualizaciones, honorarios de consultoría, lo que sea.

Kieran Chandler: Entonces, ¿cómo puedes diferenciar entre los consultores que realmente están aportando valor y aquellos consultores que solo están produciendo estas métricas por el simple hecho de hacerlo?

Joannes Vermorel: Creo que simplemente necesitas preguntarte a ti mismo, ¿estás haciendo algo que sea real? ¿Estás haciendo algo que tenga un impacto real?

Kieran Chandler: Entonces, ¿crees que este enfoque colaborativo para la previsión tiene un valor intrínseco para la empresa, o simplemente estás haciendo trabajo ocupado y manteniendo ocupada a la burocracia?

Joannes Vermorel: Como prueba de fuego, mencioné anteriormente al discutir el núcleo burocrático de la cadena de suministro, si estás mirando hacia adentro o hacia afuera. En este caso, es muy mucho el arquetipo de mirar hacia adentro. Si tomas un proceso de previsión existente, descompones las partes internas y agregas otra capa de complejidad dentro de él para mejorarlo, no funciona así en el mundo real. No obtienes algo mejor en términos de organización al mirar hacia adentro y agregar capas adicionales de artefactos. No se obtiene ningún valor agregado 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 esfuerzo de equipo. No pensarías que todos necesitan estar a bordo para tener energía eléctrica en el edificio. Es bastante obvio que si quieres una instalación eléctrica decente, confías en especialistas que harán el trabajo y se asegurarán de que tu edificio no se queme debido a una instalación eléctrica insegura. La idea de que puedes tener una mejor instalación eléctrica con un esfuerzo de equipo es absurda, y resulta que lo mismo es cierto para la previsión.

Cuando digo “creer en la ciencia”, me refiero a que hay una serie de documentos que demuestran que la intervención manual en las previsiones es perjudicial. Estos documentos tienen unos 20 años y sus hallazgos no son sorprendentes porque hay todo un campo de la psicología que prueba a los humanos en cuanto a 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 entender 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 colaborativa es superior, no deberíamos confiar en ti. Y cuando vemos que tenemos competencia donde todos los que ganan, ya sabes, llegan al top 100, no están utilizando ningún tipo de método colaborativo y que los principales investigadores en este campo como Foreman tampoco lo están utilizando, y puedes leer su libro de principio a fin, no encontrarás nada que se parezca a eso. Es bastante razonable asumir que es una completa tontería. Hay muchas cosas que parecen muy buenas, parecen 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 principal es mucho más radical. Necesitas identificar, si quieres mejorar tu cadena de suministro, 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, una apariencia de seriedad y demás. El valor agregado de la previsión debe tratarse como una prueba de detección de incompetencia radical. Entonces, si hay un proveedor de pronósticos que promueve eso en su sitio web, descarta a este proveedor como completamente incompetente. Si una agencia de consultoría está promoviendo eso, también puedes descartarlos como completamente incompetentes. Ese es el tipo de cosa que es buena porque es un poco como el blockchain o la inteligencia artificial, ya sabes, es el mismo tipo de prueba donde si están promoviendo la inteligencia artificial, vale, no tienen ni idea de lo que están haciendo. Podemos descartarlos, pasar al siguiente. Solo imagina que si un proveedor estuviera promoviendo un método que se basa en la astrología, dirías, vale, estas personas no son creíbles, estás fuera. Ni siquiera quiero escuchar tu razonamiento. Sé que hay un 99.9% de probabilidad de que seas un completo fraude. Bueno, eso es algo bueno. El valor agregado de la previsión te da una prueba de detección para descartar una empresa o consultorías que simplemente demuestran ser completamente incompetentes. Así que sé agradecido y úsalo como un filtro.

Kieran Chandler: Bueno, tendré que dejarlo aquí, pero hay algunas empresas para descartar de la lista. Eso es todo por esta semana. Muchas gracias por sintonizar, y nos vemos en el próximo episodio. Gracias por ver.