Become a Creator today!Start creating today - Share your story with the world!
Start for free
00:00:00
00:00:01
Escalando con Datos (feat. Fredi Vivas, RockingData)
128 Plays1 year ago
En este episodio de Zebras 3 2 1, tenemos el placer de hablar con Fredi Vivas, CEO de RockingData, acerca de la importancia de la cultura de datos en el proceso de escalar una compañía.
Fredi comparte con nosotros tres ideas que le han funcionado bien al utilizar datos y cultura de datos en diversas organizaciones, 2 errores comunes al implementar estrategias de datos o proyectos de AI y Machine Learning en estos tiempos, y nos explica algo pendiente que aún debe abordar, incluyendo un FOMO de yapa.
Linkedin de Fredi https://www.linkedin.com/in/fredidavidvivas
¨Cómo piensan las máquinas¨, el libro de Fredi: https://www.amazon.com/%C2%BFC%C3%B3mo-piensan-las-m%C3%A1quinas-Inteligencia-ebook/dp/B09FKKS24T
Powered by goalto.io
Recommended
Transcript
¿Cómo formar un equipo multidisciplinario exitoso?
00:00:00
Speaker
Tenéis que entender toda esa complejidad y armar un grupo homogéneo que pueda responder a los tres grandes ejes que son la matemática y la estadística, el entendimiento de un problema de negocio y la tecnología.
Introducción al podcast Zebras
00:00:13
Speaker
Bienvenidos a Zebras. 3, 2, 1. El podcast que comparte estrategias y experiencias de las compañías y founders que han logrado escalar con éxito.
Zebras vs. unicornios
00:00:23
Speaker
Las zebras, como alternativa al modelo de unicornios, no buscan necesariamente un crecimiento explosivo o bliss curling, sino que priorizan escalar para ser más rentables rápidamente y lograr la perpetuidad, así como un crecimiento ordenado y sostenido.
Estrategias de escalabilidad en negocios
00:00:38
Speaker
En cada episodio de este podcast, exploraremos un ángulo particular
00:00:42
Speaker
sobre cómo escalar compañías en base a la experiencia de los invitados, con tres estrategias o acciones que les funcionaron, con dos estrategias que no y una acción pendiente que podría ser de ayuda para la audiencia. Quédate conectado y no te olvides de
Freddy Vivas y el papel de los datos en el crecimiento
00:00:57
Speaker
suscribirte. Esto es Zebras 321. Soy Pablo Valdomajón, cofundador de Alto, y en el episodio de hoy, de Zebras 321, vamos a estar conversando con Freddy Vivas.
00:01:12
Speaker
Freddy Ezio y fundador de Rock in Data, compañía especializada en datos, es autor del libro Cómo piensan las máquinas, egresado de Singularity University y también profesor en la Universidad de San Andrés en Argentina. El tema que atraviesa hoy el episodio son los datos y cómo los datos ayudan a escalar compañías.
00:01:32
Speaker
Lo interesante de lo que vamos a estar escuchando son los casos prácticos de cómo Freddy ha visto que los datos fueron clave para escalar, cómo construir una cultura basada en datos y aprender también de malas experiencias que suelen ser más comunes de lo que creemos en tiempos en los que el tema de la data, AI y Machine Learning se han convertido en mainstream. Ahora sí los dejamos con la conversación.
Ciencia de datos y análisis avanzado
00:01:59
Speaker
En tu libro hay una frase que me llamó la atención antes de pasar al 321, que dice algo así como, lo voy a leer, espero no ser spoiler, dice, creo que la inteligencia artificial es un medio para lograr un fin y es la forma de ayudar a la humanidad a alcanzar su máximo potencial. En base a esto, contanos cómo crees que los datos y la inteligencia artificial
00:02:20
Speaker
puede ayudar a empresas a escalar. Yo creo que la tecnología de ciencia de datos e inteligencia artificial, para muchos conocido el concepto como advanced analytics o analítica avanzada de datos. Los datos, como querramos decirle, los datos te pueden servir para descubrir nuevo conocimiento, para entender una realidad.
Desafíos del análisis de grandes datos
00:02:40
Speaker
Una realidad que a veces no es trivial, no es algo obvio, ¿no? Por eso cuando se habla de ciencia de datos se habla también de reconocimiento de patrones, de la capacidad que tienen las máquinas de analizar muchas variables y ayudarte a encontrar patrones que no son tan evidentes, que al ojo humano se te pueden pasar. ¿Y esto qué significa? Bajándolo un poco a tierra. Cuando vos tenés una realidad de tener 5.000 clientes, 3.000 clientes, de vender 50 productos distintos, 20 ciudades distintas,
00:03:09
Speaker
o lo que sea, esa realidad ya no se te vuelve tan fácil de entender solo con tu cabeza, digamos,
Comportamiento del consumidor moderno
00:03:16
Speaker
¿no? Mirás un Excel con más de 30 columnas, yo, por lo menos, como humano, ya me entró a perder y con muchas filas ni hablar. Entonces, la capacidad de ver cómo se relaciona una variable con otra cuando ya estás hablando de problemas más complejos como estos y en un mundo donde los usuarios cambian de patrones de consumo todo el tiempo, somos cada vez más complejos.
00:03:38
Speaker
está demostrado en las estadísticas y los estudios dicen que ya los usuarios y consumidores de hoy no están casados a una marca, ni siquiera. Ya no existe esa fidelidad de marca que existe, que hablábamos hace 20 o 30
Personalización de interacciones con datos
00:03:54
Speaker
años. Salvo con algunas cosas como marcas como Apple, por ejemplo, el resto de la gente va de un lado al otro. Entonces,
00:04:02
Speaker
¿Cómo hacemos para entender esa realidad? ¿Cómo identificamos los clientes que se nos pueden ir de la empresa? ¿Cuáles nos están dejando de comprar? ¿Cuáles son los que pueden dejarnos más valor a futuro? ¿Cómo hacemos para saber qué le recomiendo a un cliente que ya me compró? ¿Me compraste cosas? ¿Qué te quiero recomendar? ¿Te quiero mandar 50 mails? No, te quiero mandar uno por mes.
00:04:22
Speaker
y que ese uno por mes sea justo lo que vos necesitas.
Accesibilidad y democratización de datos
00:04:25
Speaker
La data sirve para todo eso, para entender en profundidad una situación, una relación entre usuario y empresa, entre paciente y sanatorio médico, entre alumno y universidad, para entender una relación en profundidad y accionar
00:04:44
Speaker
en su gusta medida, con lo concreto, en el momento correcto, de la forma correcta. Los datos sirven para eso. Claro. Y esos datos, más que nunca, entonces hoy son indispensables para poder escalar. Es decir, para poder pasar de un estado a otro en una compañía, es casi necesario gente, personas, y tener los datos disponibles y
Datos como activo estratégico
00:05:06
Speaker
accesibles. Porque los datos están
00:05:07
Speaker
Pero en tu experiencia, ¿cómo ha sido el tema de la accesibilidad? Sí, sí, sí. Yo estoy en este mundo de data hace unos 12 años, más o menos, me pasó de todo. Me pasó de tener que ir a oficinas físicamente, en la época que uno no usaba su. Físicamente, decirle, ¿me podés habilitar a usar estos datos? En la misma compañía o grupo, ¿no? Donde tenés tres o cuatro empresas que no se comparten la data, en los famosos siglos.
00:05:30
Speaker
o para qué quiere la data que es mía. Ya pasó, esa conversación ya pasó, también pasó en la conversación de para qué guardamos esto si no sabemos para qué lo vamos a usar, ahora guardamos todo casi, obviamente siguiendo las reglamentaciones, está el GDPR y todas estas cuestiones, pero
00:05:47
Speaker
Hay como un nuevo paradigma en los últimos 10 años impulsado por mayor capacidad de cómputo, por abanatamiento de costos, por esta nueva conciencia de para qué poder usar los datos para generar valor. Y todo eso hace que las organizaciones empiecen a entender que el principal activo estratégico de una empresa van a hacer los datos.
Smart Data para decisiones acertadas
00:06:10
Speaker
Específicamente van a hacer sus propios datos.
00:06:12
Speaker
No los datos externos. En un principio, yo cuando empecé a trabajar en esto, se hablaba mucho de las fuentes externas, que podés escuchar de tu marca en las redes sociales, que podés sacar... Había muchas fantasías también, se esperaba que el resultado fuera mágico y que en realidad no lo es. Por ejemplo, si analizas Twitter, el sesgo de la gente que está titeando es tremendo, entonces es capaz que no tiene sentido analizar cosas así. A veces sí.
00:06:37
Speaker
Pero el first party data, o sea, la data propia de cada organización, van a ser el principal activo de las empresas. Eso más los algoritmos que vos construyas en base a eso. O sea, la data en sí mismo no te sirve para nada. La data te sirve si la accionas con la inteligencia que vos necesitas para entregar valor a partir de los datos, para convertirlo en
Flujo y toma de decisiones basadas en datos
00:06:59
Speaker
la información. Y la información
00:07:01
Speaker
Es un concepto muy interesante. Hay un concepto que se llama Smart Data. Smart Data es la data correcta en el momento correcto, con el mensaje correcto a la persona correcta, digamos. Son ese tipo de cuestiones que hacen que cuando yo le pregunto a un ejecutivo, un CEO de una empresa, esta información de las ventas por zona, por vendedor, conectada con la predicción de futuro de cuánto vas a vender, ¿la tenés? Sí, sí, la tengo. ¿Cómo la tenés?
00:07:28
Speaker
Bueno, en realidad se le ha pedido a Pancito que lo abaja y hace un cruce con esto, pero depende porque esa información no llega en tiempo real, entonces no la tenés. O sea, tenerla disponibilizada, tal cual como decís, para tomar la decisión en el momento que vos la necesitas. Estás en el auto yendo a una reunión, tenés que entrar a una app y ver un tablero y la ves ahí. Esa es la información disponibilizada, democratizada dentro de la empresa. Ahí cuando está democratizada y está como en un flujo continuo,
00:07:57
Speaker
Esto tiene que convertirse en un flujo continuo de la empresa para tomar decisiones. Ahí es cuando empezás a ver un estadio de madurez de uso de datos avanzado en las organizaciones.
Ejemplos de estrategias de datos exitosas
00:08:08
Speaker
Hay un concepto interesante que se llama Data Fluency, que representaría cómo los datos van fluyendo en la organización y cómo los usuarios interactúan con eso. Está buenísimo.
00:08:21
Speaker
Hay muchos frameworks y cosas para entender más, pero básicamente es eso. Ahí me das punta pie para empezar con este ping-pong del 321. Me gustaría que nos cuentes tres estrategias, tres ideas, tres acciones en donde los datos has visto que se han usado muy correctamente para escalar.
00:08:40
Speaker
Hay muchas situaciones, si querés, que por ahí puedan disparar temas. Me acuerdo de uno de los primeros clientes que tuvimos hace como cinco años en Rotindata, un cliente muy grande, estaba en un momento que quería hacer una segmentación de sus clientes, una segmentación comportamental, o sea, entender de todos los clientes
00:09:02
Speaker
¿Quiénes estaban, por ejemplo, comprando determinado producto en una zona específica? ¿Si canjeaban puntos con la app? ¿Si compraron con tarjeta? ¿Qué recomendación consumían cuando iban al shop? O sea, un montón de entendimiento de cuestiones de comportamiento, no de edades, género y todo eso solamente, sino de cómo se comportan respecto al negocio. Estábamos trabajando en ese modelo de segmentación. La mayoría de los proyectos que hacemos están conectados a marketing.
00:09:32
Speaker
Y me acuerdo que una decisión que me pareció interesante como anécdota es que
00:09:36
Speaker
Se planteó, ¿qué hacemos?
Cultura organizacional basada en datos
00:09:39
Speaker
¿Implementamos el resultado de este modelo predictivo, de este modelo de segmentación? ¿Lo implementamos en la arquitectura que hoy tenemos? ¿O esperamos a tener arquitectura final de la organización? La arquitectura, entiéndase como en este caso, era disponibilizarlo dentro de una nube específica de una de las empresas, de Google. Entonces, ahí se plantea la primer cuestión, ¿no? Podríamos decir de agilidad la implementación de proyectos.
00:10:06
Speaker
¿Qué hacemos fue la pregunta? ¿Lo ponemos en un estadio de temporal y cuando está lista la infraestructura lo migramos? ¿O esperamos a que esté eso para desarrollar el proyecto? Y ahí aparecen los trade-off más estratégicos.
00:10:27
Speaker
¿Cuánto dinero perdemos si no empezamos ese proyecto hoy? Y ahí viene el primer concepto que es esto de armar Business Case. O sea, muchas empresas donde trabajamos no tenían el concepto de cómo armo un caso de negocio dentro de la compañía para identificar cuáles son los mejores casos. Era, me parece que acá con estos datos podemos hacer algo o vi esto en otra compañía.
00:10:53
Speaker
Y la mejor manera de hacer este tipo de proyectos para mí es construyendo un caso de negocio. Entendiendo cuánto dinero me va a generar en el próximo 6 meses, 4 meses si ejecuto este proyecto. Y a eso me gustó porque salió bien, se implementó en un estadio de temporada y después se emigró. La arquitectura se demoró y tardó como dos años.
00:11:17
Speaker
Y siempre quedó la anécdota de, yo ese cliente sigo trabajando y que me dicen, menos mal, en ese momento tomamos esa decisión. Pero fue una decisión difícil, ¿no? Porque había incluso opiniones encontradas. Ese es un proyecto que me gusta. Otro proyecto que me gustó y que lo recomiendo como una buena práctica, que tuve varios relacionados a esto, que es la democratización del concepto de inteligencia artificial de datos dentro de las compañías.
00:11:44
Speaker
Y esto está relacionado también a que puedas escalar. Si vos tenés un área específica de data, que son los expertos y son los que saben, y el director de la compañía no entiende que estás hablando, está faltándote algo. Y ese algo se conoce como data literacy o alfabetización en datos. ¿Qué significa? Es entender estos conceptos de los que estamos hablando. ¿Qué es BI? ¿Qué es Analytics? ¿Qué es Machine Learning? ¿Qué es CI? ¿Qué es Big Data?
00:12:11
Speaker
para qué me puede servir, cuáles son los roles que trabajan en esto, cómo se recomienda hacer un proyecto, o sea, aunque yo no esté involucrado, trabajé en una empresa y no esté involucrado creando un proyecto, seguramente voy a ser generador de data o voy a ser usuario de los resultados de esa información. Por lo tanto, mis trabajos muy importantes para la compañía, me pasó de estar en proyectos
00:12:35
Speaker
donde, por ejemplo, se cargaban datos en los call centers, en datos como data entry, digamos, se cargaban mal y era como que se desplegaba el combo, la típica de elegir la prever opción.
00:12:47
Speaker
Y cuando me acuerdo que veíamos los resultados de los modelos, era claro que había data que el 80% estaba elegido así. Era improbable que fuera eso. Cuando hablábamos con los equipos que hacían ese ingreso de datos, nos decían, mira, la verdad que no sabía que íbamos a usar esta data para algo. No sabía que alguien miraba esta data, me dijeron.
00:13:05
Speaker
Y eso me llevó a entender la cultura de los datos. Ese es el concepto. Para escalar, tenéis que desarrollar cultura de datos.
Rol de la alta gerencia en iniciativas de datos
00:13:12
Speaker
¿Y cómo lo haces? Bueno, yo he visto muchos ejemplos que funcionaron bien, otros que no funcionaron bien. Yo creo que lo principal es poner este tema como un tema de toda la organización, no un tema de tecnología. Ya es un tema transversal. La tecnología de data se vuelve
00:13:30
Speaker
se diluye como concepto. Va a haber un área específica que va a desarrollar quizás un modelo más complejo, va a gobernar todo esto, pero toda la organización va a tener que tener habilidades de datos específicas. No todos lo mismo. Algunos van a tener que saber algunas cosas, pero imagínate, yo me acuerdo cuando empecé a trabajar, en 1998, en la búsqueda decía saber Internet. ¿Quién te pide que sepas Internet hoy? Nadie. Es un concepto totalmente ya normalizado, no es muy tecnológico. Saber Excel es tecnología
00:14:00
Speaker
Y se allanó. Saber hacer un tablero hoy es algo específico de data. Que salen dos años ya, ¿no? Se vea como un commodity. Y eso está pasando y creo que es una buena idea empezar a democratizarlo y que las áreas empiecen a tener cada vez más autonomía. Y eso se conoce como self-service AI. O sea, que el business intelligence, las cuestiones básicas de tableros y todo eso, ya las propias áreas las pueden desarrollar, las áreas de negocio y las áreas técnicas de data
00:14:28
Speaker
liderados por el CDO sean las que dominen las otras cuestiones, quizás un poco más técnicas. ¿Y para eso qué se puede hacer? Y comunidades de data, ¿no? Entrenamientos, contar lo que haces, mostrarlo dentro de la empresa. Ese me parece un buen caso en otro eje, ¿no? Y otro buen caso
00:14:48
Speaker
Te lo cuento cortito para no ayudarte mucho tiempo, para que no se aburre la audiencia. Pero que para mí es una gran buena práctica y es comenzar o trabajar fuertemente en el C-Level. Los directivos, el C-Level, los managers tienen que entender cómo funciona todo esto. No para que programen en Python. No para que entiendan en profundidad cómo funciona el red neuronal. Sino que entiendan la cuestión estratégica a todo esto.
00:15:14
Speaker
¿Por dónde arranco? ¿Cuál es el camino que me conviene? Quizás hacer decisiones más técnicas, ¿no? Como eso que decíamos de infraestructura. ¿Me conviene por open source? ¿Qué gano y qué pierdo? ¿Cómo me impacta eso a la hora de contratar gente en los próximos años? ¿Hay gente usando esta herramienta o ya he entrado en desuso? Y en tres años voy a decir, ¿para qué contraté esta plataforma que no las va a usar nadie y tengo un problema si pienso aclarar? Son esas decisiones que son
00:15:39
Speaker
de visión que necesitamos que el Cinevel de las compañías se involucre y que no queden solamente en las áreas de la tecnología. Buenísimo, me quedo ahí con la cultura de datos y tal cual, y está vinculado al tercer punto de que sea top down, o sea, que venga de arriba y se esparza a toda la organización.
Estrategias de datos fallidas
00:15:58
Speaker
Buenísimo. Y ahora, para el lado de lo feo de lo malo. Dos experiencias malas o estrategias que tal vez empezaron como, uy, qué buena idea,
00:16:09
Speaker
y se truncaron por algo y que puede llegar a ser útil para el que está escuchando, diciendo, uy, por ahí estoy en una situación similar y por ahí tomo esto como una experiencia para aprender. Mira, tengo varias de SADS, quizás también por haber arrancado hace varios años, donde no existía, siempre lo omito, mi indicador de
00:16:28
Speaker
La evolución de esto son los documentales que hay en Netflix. Cuando yo arranqué con todo esto creo que había cero, cero. Y ahora hay como ocho, diez. Si pones inteligencia artificial, todo vas a ver que... Y eso significa que hay cada vez más conocimiento. Pero en un momento, por ejemplo, me pasó en una empresa de clientes hace como cuatro o cinco años donde nos pidieron capacitar corporativamente a algunos grupos como una especie de escuela
00:16:57
Speaker
Y estaba bueno porque vos empezabas a ver los roles distintos y qué tipo de conocimiento tenías que entregar de cada uno, estas habilidades de datos que decíamos. Y me acuerdo que había una idea de que se implemente como una base bastante alta para casi todos o todos. Y entre ellos estaba el área de People, el área de recursos humanos.
00:17:18
Speaker
que para mí es clave en todo esto. O sea, impacta por todos lados en recursos humanos esto que estamos hablando. Y me acuerdo que en ese entrenamiento se le quería dar herramientas de coding, de programación a los perfiles de recursos humanos.
00:17:34
Speaker
que yo me acuerdo que por experiencia yo vivo del mundo de capacitación en tecnología de 15 años y les dije, miren, no sé si lo recomiendo porque si vos entrenas gente en temas que son muy lejanos a los que vos estás formado, es muy probable que te frustres. O sea, aprender a programar por Zoom cuando nunca tuviste ninguna herramienta de programación y cuando no vas a aplicar lo que estás viendo,
00:18:00
Speaker
no tiene mucho sentido, quizás puede ser contraproducente. Pero si quieren, probamos, probamos. Bueno, salió esa prueba y la idea de toda esa capacitación, además de generar una base de cultura de datos, era que después gente se suba a las comunidades, empieza a participar en proyectos. Bueno, con el tiempo vimos que nadie de área de recursos humanos subía a los proyectos. Y hablando
00:18:24
Speaker
Llegamos a algunas conclusiones que está relacionado eso, ¿no? A lo que yo me imaginaba que podía pasar por un tema de que, pueden decir, ¿para qué estoy aprendiendo Python si en mi día a día no voy a hacer nada con Python? En mi día a día, ¿qué voy a hacer? Quizás entrevistar gente, saber qué roles necesito.
Desarrollos en IA generativa
00:18:43
Speaker
Cuando yo arranqué con todo esto, uno de mis trabajos fue hablar con los áreas de People hace
00:18:48
Speaker
12 años más o menos, y decirles, necesitamos gente para construir estos proyectos. Pero necesitamos que sepan mucha matemática y estadística porque vamos a hacer cosas de física para, bueno, necesitamos físicos, me decían, necesitamos matemáticos. Y bueno, no sabemos. Y quizás, yo tengo, por ejemplo, en mi empresa, tengo gente que estudió astronomía y que son muy buenos con la matemática, con la física, entendiendo problemas muy complejos. Y bueno, quizás hay cosas de negocio que no tienen.
00:19:16
Speaker
como área de people tenés que entender toda esa complejidad y armar un grupo homogéneo que pueda responder a los tres grandes ejes que son la matemática y la estadística, el entendimiento de un problema de negocio y la tecnología. Otros casos que te puedo decir que los viví también es como, viste la frase esa que no sé cómo es, como saber martillar o contra eso martillo todos un clavo, ¿no?
00:19:40
Speaker
Me refiero al hecho de que muchas veces se quiere forzar la incorporación de Machine Learning y AI. Entonces hay empresas que me pasaron, que me dijeran, quiero hacer un modelo predictivo de esto. Aunque vendemos eso, muchas veces decimos, mira, esto no te lo recomiendo ahora. Quizás tenés que ir, por ejemplo, con un Excel y validando la idea.
00:20:02
Speaker
anda completando los datos ahí, anda probando qué pasa si le recomendas esto a este cliente, anda revisando esta lógica, quizás en más un modo Analytics o BI, que es como digamos un poco más ad hoc y más manual. Generalmente Analytics uno lo conecta con responder preguntas del pasado, qué pasó y por qué pasó. Ese entendimiento
00:20:25
Speaker
te va llevando quizás a un momento a decir, mira, a toda esta gente hice un testeo a A-B, a toda esta gente le recomendé esto y pasó. A toda esta gente no le hice nada, le dejé el grupo de control y siguió ese camino. Y ya con ese entendimiento de capaz tres o cuatro veces, te juntas con gente que sepa Machine Learning y decís, che, implementamos un modelo a ver cómo funciona. Es una lógica en la que planteo más de experimentación, ¿no? La cultura de la experimentación metida en las organizaciones.
00:20:51
Speaker
potencia todo esto y a veces no lo vemos que es una forma nueva de trabajar y eso puede producir algunos problemas. Ese ejemplo no viene por ese lado. Y hablando de problemas y desafíos, ¿qué tenés pendiente a la hora de datos para implementar algún proyecto o algo que estés pensando en relación a datos hoy en día?
00:21:15
Speaker
Sí, hoy en día siento un poco de FOMO, esta cosa de quedarse afuera de algo, que no estoy afuera, pero es tan rápido lo que está pasando con IA generativa, con la inteligencia artificial generativa que me pasa el FOMO es que me escriben gente que tengo mensajes sin responder, que me dicen che podemos crear un avatar para
00:21:36
Speaker
Podemos hacer, me ayudás con temas de música y hay tanto para hacer con la Inteligencia Artificial Generativa, con esta capacidad nueva, entre comillas, de las máquinas de poder generar contenido sintético como chat GPT, Dali 2, Big Journey.
00:21:53
Speaker
Estamos haciendo cosas con ChatGPT, la API, o sea, conectados para consumir ese servicio. Desde Rocky Data estamos haciendo algunas de esas cosas. Pero hay tanto para hacer que siento que es un mundo en el que estamos pensando en armar un equipo específicamente de esto.
00:22:09
Speaker
de 5 o 6 personas que estén investigando y estén haciendo, pero la realidad es que eso te lo puedo decir porque lo siento ahora que me lo estás preguntando, pero por ejemplo, laburar para Pymes, estamos creando un producto que estáis dando a Pymes que nos vamos a lanzar en junio,
00:22:25
Speaker
sale todo bien. Y también es otro pendiente armar cosas para la capacitación, que lo hacemos pero nos falta. O sea, hay mucho para construir, hay espacio para hacer, inventar y estamos en un momento de inicio de todo esto, diría. Totalmente. No podría estar más de acuerdo con el comentario del FOMO por lo que estamos viviendo. Estamos viviendo un tiempo con mucha adrenalina y eso de igual forma me entusiasma.
Conclusión y contacto con el invitado
00:22:55
Speaker
Gracias Freddy por tu tiempo, por esta conversación, por lo que has compartido. En la descripción vamos a dejar tus datos, así las personas se pueden contactar con vos. De vuelta Freddy, muchas, muchas gracias. Un abrazo a Pablo, gracias por la invitación y saludos.