ANEXO 24

Confianza del diagnóstico FARO

Este anexo corresponde a la Fase 6 — Inteligencia, etapa “Confianza del diagnóstico”. Es la capa que define con qué nivel de seguridad FARO Connect puede afirmar que un diagnóstico, alerta, tensión o recomendación es suficientemente confiable para generar una acción.

1. Objetivo del anexo

El objetivo del Anexo 24 — Confianza del diagnóstico es evitar que FARO emita conclusiones fuertes con datos débiles.

La pregunta central es:

¿Qué tan confiable es lo que FARO está diciendo?

Ejemplo:

Diagnóstico:
Crecimiento no rentable.

Datos:
Ventas confiables: 0.92
Margen confiable: 0.78
Cobranza confiable: 0.85
Comisiones confiables: 0.62

Confianza diagnóstico:
Media-alta.

Lectura:
La tensión parece real, pero la parte de comisiones requiere validación antes de modificar la política comercial.

Esto es fundamental. Un sistema serio no solo dice qué pasa. También dice qué tan seguro está.

2. Tesis del Anexo 24

La tesis es:

FARO Connect debe distinguir entre detectar algo, sospechar algo y poder afirmar algo.

No es lo mismo:

“Hay margen bajo.”

que:

“Hay margen bajo con alta confianza, porque ventas, costos y productos están completos, trazables y actualizados.”

Tampoco es lo mismo:

“Puede haber comisión desalineada.”

que:

“Existe comisión desalineada con alta confianza, porque la comisión creció, el margen cayó, la cobranza empeoró y la fórmula de comisión está vinculada solo a ventas.”

La confianza evita dos problemas graves:

1. Sobreactuar con datos débiles.
2. Ignorar problemas reales por falta de estructura.

FARO debe ser inteligente, pero también prudente. La prudencia en sistemas de dirección no es timidez; es gobierno.

3. Qué es la confianza del diagnóstico

La confianza del diagnóstico es un score que mide qué tan sólida es la evidencia que respalda una lectura ejecutiva.

Se calcula considerando:

calidad de datos
completitud de fuentes
cantidad de señales coincidentes
consistencia histórica
reglas activadas
coherencia sectorial
trazabilidad
validación humana

Ejemplo:

{
  "diagnosis": "crecimiento_no_rentable",
  "confidence": 0.84,
  "level": "alta",
  "reason": "Ventas, margen, descuentos y cobranza muestran señales consistentes. La calidad de datos es suficiente para generar acción."
}

4. Diferencia entre certeza, confianza y probabilidad

FARO debería hablar así:

Alta confianza.
Confianza media.
Baja confianza.
Hipótesis preliminar.
Requiere validación.

Y evitar frases absolutas cuando no corresponde.

5. Estados de confianza FARO

Regla conservadora:

Debajo de 0.65, FARO no debería recomendar decisiones sensibles sin validación humana.

6. Qué factores componen la confianza

6.1 Calidad de datos

Evalúa si los datos son completos, válidos, trazables, actualizados y consistentes.

Ejemplo:

Ventas: 0.92
Costos: 0.68
Cobranza: 0.86
Stock: 0.74

Si los costos son débiles, el diagnóstico de margen pierde fuerza.

6.2 Cantidad de señales coincidentes

Mientras más señales apuntan al mismo problema, mayor confianza.

Ejemplo:

Señales:
- ventas suben,
- margen baja,
- descuentos suben,
- cobranza empeora.

Confianza mayor.

Si solo hay una señal aislada:

margen baja

puede ser real, error de dato o efecto temporal.

6.3 Consistencia histórica

Evalúa si el patrón se repite o si es un hecho aislado.

Ejemplo:

Margen bajo durante 1 semana: señal.
Margen bajo durante 6 semanas: patrón.
Margen bajo durante 3 meses: tensión consolidada.

6.4 Reglas activadas

Cuantas más reglas relevantes se activan de forma coherente, mayor confianza.

Ejemplo:

RULE_MARGIN_DROP
RULE_DISCOUNT_HIGH
RULE_COLLECTION_SLOW
RULE_COMMISSION_MISALIGNED

Eso refuerza el diagnóstico de crecimiento no rentable.

6.5 Coherencia sectorial

La lectura debe tener sentido para la industria.

Ejemplo:

Días de inventario altos en retail:
puede ser problema.

Días de inventario altos en insumos de construcción:
puede ser estrategia si hubo compra anticipada antes de aumento.

Mismo KPI, distinta lectura.

6.6 Validación humana

Un responsable puede confirmar o rechazar el diagnóstico.

Ejemplo:

FARO detecta margen bajo por descuento.
Gerente Comercial confirma que hubo promoción puntual.
Confianza cambia: diagnóstico estructural baja, evento puntual sube.

7. Fórmula general de confianza del diagnóstico

Confianza diagnóstico =
calidad de datos × 30%
+ señales coincidentes × 20%
+ consistencia histórica × 20%
+ reglas activadas × 15%
+ coherencia sectorial × 10%
+ validación humana × 5%

Código:

def confianza_diagnostico(
    calidad_datos,
    senales_coincidentes,
    consistencia_historica,
    reglas_activadas,
    coherencia_sectorial,
    validacion_humana=0
):
    return round(
        calidad_datos * 0.30 +
        senales_coincidentes * 0.20 +
        consistencia_historica * 0.20 +
        reglas_activadas * 0.15 +
        coherencia_sectorial * 0.10 +
        validacion_humana * 0.05,
        2
    )

8. Confianza por tipo de salida FARO

FARO debe medir confianza en distintos niveles.

9. Confianza del KPI

Antes de confiar en un diagnóstico, FARO debe confiar en los KPIs que lo sostienen.

Confianza KPI =
calidad de datos fuente × 40%
+ completitud de campos × 25%
+ trazabilidad × 20%
+ validación de fórmula × 15%

Código:

def confianza_kpi(calidad_fuente, completitud, trazabilidad, validacion_formula):
    return round(
        calidad_fuente * 0.40 +
        completitud * 0.25 +
        trazabilidad * 0.20 +
        validacion_formula * 0.15,
        2
    )

Ejemplo:

KPI margen bruto:
Ventas confiables: 0.92
Costos completos: 0.68
Trazabilidad: 0.80
Fórmula validada: 1.00

Confianza KPI: media.

Lectura:

El margen puede estar bajo, pero la confianza es media porque faltan costos completos.

10. Confianza de la señal

Confianza señal =
confianza KPI × 40%
+ magnitud del cambio × 20%
+ consistencia con histórico × 20%
+ repetición del patrón × 10%
+ ausencia de anomalías de carga × 10%

Código:

def confianza_senal(
    confianza_kpi,
    magnitud_cambio,
    consistencia_historica,
    repeticion,
    ausencia_anomalias
):
    return round(
        confianza_kpi * 0.40 +
        magnitud_cambio * 0.20 +
        consistencia_historica * 0.20 +
        repeticion * 0.10 +
        ausencia_anomalias * 0.10,
        2
    )

Ejemplo:

Margen cayó 7 puntos.
Si ocurrió una sola vez y con costos incompletos: confianza media.
Si ocurrió 6 semanas seguidas y con datos completos: confianza alta.

11. Confianza de la alerta

Confianza alerta =
confianza señal × 35%
+ regla activada × 25%
+ calidad de datos × 20%
+ severidad coherente × 10%
+ ausencia de alerta duplicada × 10%

Código:

def confianza_alerta(
    confianza_senal,
    regla_activada,
    calidad_datos,
    severidad_coherente,
    ausencia_duplicado
):
    return round(
        confianza_senal * 0.35 +
        regla_activada * 0.25 +
        calidad_datos * 0.20 +
        severidad_coherente * 0.10 +
        ausencia_duplicado * 0.10,
        2
    )

Uso:

Si confianza alerta >= 0.80:
notificar y crear acción.

Si confianza alerta entre 0.65 y 0.79:
notificar con observación.

Si confianza alerta < 0.65:
pedir validación antes de escalar.

12. Confianza de la tensión

Confianza tensión =
calidad de datos × 30%
+ cantidad de alertas relacionadas × 20%
+ cantidad de KPIs coincidentes × 20%
+ consistencia histórica × 15%
+ coherencia sectorial × 10%
+ validación humana × 5%

Código:

def confianza_tension(
    calidad_datos,
    alertas_relacionadas,
    kpis_coincidentes,
    consistencia_historica,
    coherencia_sectorial,
    validacion_humana=0
):
    return round(
        calidad_datos * 0.30 +
        alertas_relacionadas * 0.20 +
        kpis_coincidentes * 0.20 +
        consistencia_historica * 0.15 +
        coherencia_sectorial * 0.10 +
        validacion_humana * 0.05,
        2
    )

Ejemplo:

Crecimiento no rentable:
Ventas suben.
Margen baja.
Descuento sube.
Cobranza empeora.
Comisión sube.

Confianza alta si todos esos datos son consistentes.

13. Confianza de la recomendación

No basta con confiar en el diagnóstico. También hay que confiar en la acción sugerida.

Confianza recomendación =
confianza diagnóstico × 35%
+ efectividad histórica de la acción × 25%
+ aplicabilidad al contexto × 20%
+ costo/riesgo de implementación × 10%
+ validación experta × 10%

Código:

def confianza_recomendacion(
    confianza_diagnostico,
    efectividad_historica,
    aplicabilidad_contexto,
    bajo_riesgo_implementacion,
    validacion_experta
):
    return round(
        confianza_diagnostico * 0.35 +
        efectividad_historica * 0.25 +
        aplicabilidad_contexto * 0.20 +
        bajo_riesgo_implementacion * 0.10 +
        validacion_experta * 0.10,
        2
    )

Ejemplo:

Diagnóstico: margen deteriorado por descuentos.
Recomendación: auditar descuentos mayores al 8%.

Confianza alta.

Pero:
Recomendación: cambiar fórmula de comisión completa.

Confianza puede ser media, porque requiere análisis humano y simulación.

14. Confianza del FARO Score

El FARO Score también debe tener confianza.

Confianza FARO Score =
calidad de datos general × 30%
+ cobertura de módulos críticos × 25%
+ confianza de KPIs críticos × 20%
+ consistencia de alertas/tensiones × 15%
+ actualización de datos × 10%

Código:

def confianza_faro_score(
    calidad_datos,
    cobertura_modulos,
    confianza_kpis,
    consistencia_tensiones,
    actualizacion_datos
):
    return round(
        calidad_datos * 0.30 +
        cobertura_modulos * 0.25 +
        confianza_kpis * 0.20 +
        consistencia_tensiones * 0.15 +
        actualizacion_datos * 0.10,
        2
    )

Ejemplo:

FARO Score: 72
Confianza: media
Motivo: stock y RRHH tienen datos incompletos.

Eso es mucho más honesto que mostrar un número elegante sin advertencia.

15. Matriz de decisión según confianza

16. Reglas FARO según confianza

16.1 Diagnóstico con confianza alta

def salida_confianza_alta(diagnostico):
    return {
        "estado": "accion_recomendada",
        "mensaje": "El diagnóstico tiene evidencia suficiente para generar acción.",
        "accion": diagnostico["accion_sugerida"],
        "requiere_validacion": False
    }

16.2 Diagnóstico con confianza media

def salida_confianza_media(diagnostico):
    return {
        "estado": "accion_con_observacion",
        "mensaje": "El diagnóstico es razonable, pero requiere validación parcial antes de decisiones sensibles.",
        "accion": diagnostico["accion_sugerida"],
        "requiere_validacion": True
    }

16.3 Diagnóstico con confianza baja

def salida_confianza_baja(diagnostico):
    return {
        "estado": "validar_antes_de_decidir",
        "mensaje": "La evidencia es insuficiente para una decisión fuerte. Primero deben validarse los datos.",
        "accion": "validar_datos_y_reprocesar_diagnostico",
        "requiere_validacion": True
    }

17. Ejemplo completo: margen bajo con baja confianza

Datos

Margen bruto: 18%
Objetivo: 28%
Descuento promedio: 12%
Costos incompletos: 28% de registros
Productos sin maestro: 14%

Diagnóstico tentativo

Margen deteriorado por descuentos.

Confianza

Media-baja.

Lectura FARO

El margen aparece en estado crítico y el descuento promedio está por encima del umbral. Sin embargo, la falta de costos completos en 28% de las ventas reduce la confianza del diagnóstico.

Acción correcta

No cambiar todavía toda la política comercial.
Primero completar costos, normalizar productos y recalcular margen.
Luego auditar descuentos si el diagnóstico se confirma.

Esto es muy importante. Faro no debe salir a operar con un dato rengo.

18. Ejemplo completo: crecimiento no rentable con alta confianza

Datos

Ventas: +18%
Margen: 28% → 21%
Descuento: 6% → 12%
Días de cobranza: 32 → 43
Comisión: +15%
Calidad de datos comercial: 0.91
Calidad de datos financiera: 0.86
Calidad de datos RRHH/comisiones: 0.79

Confianza

Alta: 0.84

Diagnóstico FARO

La empresa está creciendo en ventas, pero con deterioro de margen, mayor descuento, cobranza más lenta y aumento de comisiones. La tensión de crecimiento no rentable es consistente y accionable.

Acción recomendada

Auditar descuentos mayores al 8%.
Revisar comisiones por margen y cobranza.
Priorizar cobranza de clientes grandes.

19. Ejemplo completo: stock crítico futuro

Datos

Stock actual: 180
Stock mínimo: 150
Venta promedio diaria: 45
Plazo proveedor: 7 días
Calidad stock: 0.90
Calidad compras/proveedor: 0.85

Cálculo

Días de cobertura = 4

Diagnóstico

El stock todavía supera el mínimo, pero la cobertura es menor al plazo de reposición. Riesgo futuro de stock crítico.

Confianza

Alta.

Acción

Activar reposición preventiva o proveedor alternativo.

20. Qué baja la confianza

21. Qué sube la confianza

22. Confianza y validación humana

FARO debe permitir que el usuario confirme, corrija o descarte diagnósticos.

Opciones recomendadas:

Confirmar diagnóstico.
Marcar como falso positivo.
Solicitar revisión de datos.
Cambiar causa probable.
Agregar comentario.
Convertir en acción.
Descartar con motivo.

Ejemplo:

{
  "diagnosis": "margen_deteriorado",
  "user_validation": "confirmed",
  "validated_by": "Gerente Comercial",
  "comment": "Hubo promoción puntual por liquidación de stock lento.",
  "effect": "ajustar_interpretacion"
}

La validación humana no reemplaza al sistema. Lo mejora.

23. Confianza y falsos positivos

Un falso positivo ocurre cuando FARO detecta un problema que no era real o no aplicaba.

Ejemplo:

FARO detecta margen bajo.
Pero era una venta interna o liquidación aprobada.

FARO debe registrar eso para aprender.

def registrar_falso_positivo(evento_id, motivo, validado_por):
    return {
        "evento_id": evento_id,
        "status": "false_positive",
        "motivo": motivo,
        "validado_por": validado_por,
        "learning_required": True
    }

Ejemplos de motivos:

Promoción aprobada.
Canje estratégico.
Carga incorrecta.
Evento extraordinario.
Cliente interno.
Cambio de política temporal.

24. Confianza y falsos negativos

Un falso negativo ocurre cuando FARO no detecta algo que sí era un problema.

Ejemplo:

No detectó cliente riesgoso porque la mora estaba mal cargada.

Esto es más peligroso que un falso positivo.

FARO debería registrar:

qué no detectó,
qué regla faltó,
qué dato faltó,
qué umbral estaba mal,
qué aprendizaje aplicar.

Código conceptual:

def registrar_falso_negativo(caso, causa):
    return {
        "caso": caso,
        "status": "false_negative",
        "causa": causa,
        "accion": "revisar_reglas_datos_y_umbrales"
    }

25. Confianza mínima por tipo de decisión

No todas las decisiones requieren la misma confianza.

Regla:

Mientras más irreversible o sensible sea la decisión, mayor debe ser la confianza y más necesaria la validación humana.

26. Confianza y acciones automáticas

FARO puede ser firme, pero no imprudente.

27. Confianza y lenguaje del sistema

El lenguaje debe cambiar según confianza.

Alta confianza

FARO detecta una tensión de crecimiento no rentable.

Media

FARO detecta indicios consistentes de crecimiento no rentable. Requiere validar comisiones antes de modificar incentivos.

Baja

FARO observa una posible tensión de margen, pero la calidad de costos no permite confirmarla. Se recomienda validar datos.

Esto evita vender humo. Y también evita parecer dubitativo cuando los datos sí son fuertes.

28. Tabla SQL de confianza de diagnósticos

CREATE TABLE diagnosis_confidence (
    confidence_id TEXT PRIMARY KEY,
    diagnosis_id TEXT NOT NULL,
    diagnosis_code TEXT NOT NULL,
    company_id TEXT,
    branch_id TEXT,
    area_id TEXT,
    data_quality_score NUMERIC,
    signal_score NUMERIC,
    historical_consistency_score NUMERIC,
    rule_activation_score NUMERIC,
    industry_coherence_score NUMERIC,
    human_validation_score NUMERIC,
    final_confidence NUMERIC,
    confidence_level TEXT,
    explanation TEXT,
    calculated_at TIMESTAMP DEFAULT now()
);

29. Tabla SQL de validaciones humanas

CREATE TABLE human_validations (
    validation_id TEXT PRIMARY KEY,
    entity_type TEXT NOT NULL,
    entity_id TEXT NOT NULL,
    validation_status TEXT,
    validated_by TEXT,
    validation_comment TEXT,
    previous_confidence NUMERIC,
    new_confidence NUMERIC,
    created_at TIMESTAMP DEFAULT now()
);

Ejemplo de entity_type:

kpi
signal
alert
tension
diagnosis
recommendation
action

30. Tabla SQL de falsos positivos / negativos

CREATE TABLE diagnostic_feedback (
    feedback_id TEXT PRIMARY KEY,
    entity_type TEXT NOT NULL,
    entity_id TEXT NOT NULL,
    feedback_type TEXT NOT NULL,
    reason TEXT,
    corrected_label TEXT,
    submitted_by TEXT,
    impact_on_rules JSONB,
    impact_on_thresholds JSONB,
    impact_on_data_quality JSONB,
    created_at TIMESTAMP DEFAULT now()
);

Valores posibles:

false_positive
false_negative
partially_correct
confirmed
needs_more_data

31. Motor de confianza FARO

Flujo recomendado:

KPI calculado
→ confianza KPI
→ señal detectada
→ confianza señal
→ alerta generada
→ confianza alerta
→ tensión detectada
→ confianza tensión
→ diagnóstico generado
→ confianza diagnóstico
→ recomendación sugerida
→ confianza recomendación
→ acción o validación humana

Código conceptual:

def motor_confianza(contexto):
    kpi_conf = confianza_kpi(
        contexto["calidad_fuente"],
        contexto["completitud"],
        contexto["trazabilidad"],
        contexto["validacion_formula"]
    )

    diag_conf = confianza_diagnostico(
        calidad_datos=contexto["calidad_datos"],
        senales_coincidentes=contexto["senales_coincidentes"],
        consistencia_historica=contexto["consistencia_historica"],
        reglas_activadas=contexto["reglas_activadas"],
        coherencia_sectorial=contexto["coherencia_sectorial"],
        validacion_humana=contexto.get("validacion_humana", 0)
    )

    return {
        "kpi_confidence": kpi_conf,
        "diagnosis_confidence": diag_conf,
        "recommended_output": decidir_salida_por_confianza(diag_conf)
    }


def decidir_salida_por_confianza(confianza):
    if confianza >= 0.85:
        return "accion_recomendada"
    if confianza >= 0.70:
        return "accion_con_observacion"
    if confianza >= 0.50:
        return "validar_antes_de_decidir"
    return "mejorar_datos_antes_de_diagnosticar"

32. Confianza por industria

La confianza también depende de si el modelo industrial está bien configurado.

Ejemplo:

Una empresa de insumos para construcción también tiene:
- retail,
- logística propia,
- venta a obra,
- canjes,
- referidos.

Si FARO solo activa “modelo retail”, puede interpretar mal:

stock alto
margen bajo
canje
cuenta corriente

Por eso la confianza debe considerar:

ajuste industria-empresa
modelo híbrido
umbrales sectoriales
KPIs específicos activados
datos mínimos del rubro

Fórmula:

Confianza sectorial =
ajuste industria × 35%
+ datos mínimos del rubro × 25%
+ KPIs sectoriales activos × 20%
+ umbrales correctos × 10%
+ validación experta × 10%

Código:

def confianza_sectorial(
    ajuste_industria,
    datos_minimos,
    kpis_sectoriales,
    umbrales_correctos,
    validacion_experta
):
    return round(
        ajuste_industria * 0.35 +
        datos_minimos * 0.25 +
        kpis_sectoriales * 0.20 +
        umbrales_correctos * 0.10 +
        validacion_experta * 0.10,
        2
    )

33. Confianza y explicación al usuario

FARO debería explicar la confianza de forma simple.

Ejemplo visual:

Diagnóstico: Crecimiento no rentable
Confianza: Alta — 84%

Motivo:
✓ Ventas y margen tienen datos completos.
✓ Descuento y cobranza muestran señales coincidentes.
✓ La tensión se repite 3 semanas.
⚠ Comisiones tienen datos parciales.

Esto permite que el usuario entienda sin pedirle que lea una tesis de estadística a las 8 de la mañana.

34. Diagnóstico con confianza y acción

Caso A — Alta confianza

Diagnóstico:
Stock crítico comercial.

Confianza:
0.89 — alta.

Salida FARO:
Crear acción automática de reposición preventiva.
Responsable: Compras.
Vencimiento: 48 horas.

Caso B — Media confianza

Diagnóstico:
Comisión desalineada.

Confianza:
0.72 — media.

Salida FARO:
Crear tarea de revisión.
Responsables: Comercial, RRHH y Finanzas.
No modificar comisión automáticamente.

Caso C — Baja confianza

Diagnóstico:
Margen deteriorado.

Confianza:
0.58 — baja.

Salida FARO:
Validar costos y productos antes de decidir.

35. Relación entre confianza y FARO Score

El FARO Score puede mostrarse junto con confianza.

Ejemplo:

FARO Score: 74
Confianza del Score: 0.81 — alta

O:

FARO Score: 69
Confianza del Score: 0.61 — media
Motivo:
Stock y RRHH tienen datos incompletos.

Regla posible:

def ajustar_score_por_confianza(score, confianza):
    if confianza >= 0.85:
        return {
            "score_visible": score,
            "label": "confiable",
            "penalizacion": 0
        }

    if confianza >= 0.70:
        return {
            "score_visible": score,
            "label": "con_observaciones",
            "penalizacion": 0
        }

    if confianza >= 0.50:
        return {
            "score_visible": score,
            "label": "confianza_media_baja",
            "penalizacion": 3
        }

    return {
        "score_visible": score,
        "label": "no_confiable_para_decision",
        "penalizacion": 7
    }

No siempre conviene cambiar el score por confianza; a veces alcanza con mostrar el score y su nivel de confianza. Pero si la confianza es muy baja, FARO debe advertirlo con claridad.

36. Auditoría de confianza

Cada diagnóstico debe poder auditarse.

Debe quedar claro:

qué datos usó,
qué KPIs calculó,
qué señales detectó,
qué reglas activó,
qué alertas agrupó,
qué tensión encontró,
qué fórmula de confianza aplicó,
qué valor dio,
qué validación humana recibió,
qué acción generó.

Sin esto, ante un socio técnico o cliente serio, el sistema queda débil.

37. Testing de confianza

Cada fórmula de confianza debe probarse.

Test diagnóstico alta confianza

def test_confianza_diagnostico_alta():
    resultado = confianza_diagnostico(
        calidad_datos=0.90,
        senales_coincidentes=0.85,
        consistencia_historica=0.80,
        reglas_activadas=0.90,
        coherencia_sectorial=0.90,
        validacion_humana=0.80
    )

    assert resultado >= 0.80

Test diagnóstico baja confianza

def test_confianza_diagnostico_baja():
    resultado = confianza_diagnostico(
        calidad_datos=0.45,
        senales_coincidentes=0.50,
        consistencia_historica=0.40,
        reglas_activadas=0.50,
        coherencia_sectorial=0.60,
        validacion_humana=0
    )

    assert resultado < 0.60

38. Riesgos si no existe esta capa

39. Output final del Anexo 24

Al finalizar este anexo, FARO debe tener definido:

1. Modelo de confianza del diagnóstico.
2. Niveles de confianza.
3. Confianza por KPI.
4. Confianza por señal.
5. Confianza por alerta.
6. Confianza por tensión.
7. Confianza por diagnóstico.
8. Confianza por recomendación.
9. Confianza del FARO Score.
10. Fórmulas de confianza.
11. Confianza mínima por tipo de decisión.
12. Reglas según confianza.
13. Validación humana.
14. Registro de falsos positivos.
15. Registro de falsos negativos.
16. Ajuste por industria.
17. Explicación visible al usuario.
18. Auditoría de confianza.
19. Tablas SQL de confianza.
20. Motor de confianza FARO.
21. Testing de confianza.
22. Relación confianza → acción.
23. Relación confianza → escalamiento.
24. Relación confianza → aprendizaje.

40. Conexión con otros anexos

La Confianza del Diagnóstico FARO mide qué tan sólida es la evidencia detrás de cada KPI, señal, alerta, tensión, diagnóstico, recomendación y FARO Score. Permite distinguir entre una hipótesis preliminar y una lectura ejecutiva accionable, evitando decisiones fuertes con datos débiles.