قادة الفكر

شركات السلع الاستهلاكية المعبأة: حان وقت التمعن في بياناتكم

Parth Thakker
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيجب على شركات السلع الاستهلاكية المعبأة (CPGs) استبدال بيانات المبيعات التاريخية…
عرض المزيد
  • يجب على شركات السلع الاستهلاكية المعبأة (CPGs) استبدال بيانات المبيعات التاريخية ببيانات نقاط البيع في الوقت الفعلي واستشعار الطلب المدعوم بالذكاء الاصطناعي.
  • فشلت ملفات تعريف الارتباط التابعة لجهات خارجية بسبب عدم الدقة؛ ويواجه تخطيط الطلب في شركات السلع الاستهلاكية المعبأة نفس أزمة موثوقية البيانات.
  • يتيح الذكاء الاصطناعي والتعلم الآلي الآن التجميع الديناميكي وتحسين المخزون للحصول على توقعات أكثر دقة.

ما هي النقاط المشتركة بين التخطيط التقليدي للطلب وملفات تعريف الارتباط الإعلانية؟ كلاهما يتم استبداله بشيء أكثر تعقيدا. لماذا؟ لأن كليهما يفتقر إلى البيانات والتحليلات الصحيحة، وهذا النقص سيضللك في فهم المستهلك.

تخطيط الطلب والاعتماد على بيانات المبيعات التاريخية

تبدأ إدارة الطلب التقليدية بالبيانات التاريخية للمبيعات والشحنات عبر جميع العملاء لفترة زمنية معينة لتحديد أساس إيرادات ووحدات للتنبؤ. يتم إجراء التنبؤ على مستويات مختلفة من التجميع حسب وحدة تخزين الأصناف (SKU) وعدد مراكز التوزيع (DCs) والمصانع المشاركة في تلك الوحدة. ثم يتم معالجة التنبؤ بين وظائف المبيعات والتسويق والمالية للوصول إلى هدف نمو معقول وقابل للتحقيق يعتمد على الأداء السابق. يتم استخدام ذلك لإنشاء خطط الإنتاج، غالباً على جدول زمني شهري (على سبيل المثال، وحدة تخزين الأصناف حسب المصنع حسب الشهر). ثم تقود خطة الإنتاج، في الحالة المثلى بالاقتران مع تنبؤات مستوى مركز التوزيع، خطة تجديد المخزون للشحنات من المصنع إلى مركز التوزيع. كل ذلك لتوفير خطة معقولة ومتفق عليها.
لكن، أدرك مخططو الطلب أن بيانات المبيعات التاريخية لا تكفي لمعرفة ما يحتاجه المستهلكون اليوم أو غدا. أثر الوباء والتحديات التي واجهت سلسلة التوريد التي تبعتها جعلت ذلك واضحاً. بالإضافة إلى ذلك، فإن خيارات الشراء المباشر للمستهلكين جعلت عملية التخطيط أكثر تعقيدا. بيانات الأداء السابق لا تعكس التغيرات في سلوك المستهلك على المدى القصير، ولا يمكنها مواكبة التغيرات السريعة في سلوك المستهلك واضطرابات الموردين.

لكن أين تقع التشبيه مع ملف تعريف الارتباط الإعلاني؟

لمدة أكثر من 20 عاماً، اعتمد معلنو السلع الاستهلاكية المعبأة (CPG) على ملفات تعريف الارتباط التابعة لجهات خارجية لتحقيق توسع في الإعلان وممارسة نوع من التسويق القائم على الأداء الذي يوجه إنفاقهم الإعلاني. بدلاً من التفاوض على الصفقات مع مواقع الإعلام واحدة تلو الأخرى، دون أي بيانات لتأكيد قيمة موقع واحد على آخر، حولت ملفات تعريف الارتباط والتسويق البرنامجي الإعلان إلى شيء يعد بأن يكون أسهل في القياس الكمي وتبرير نفقاته. وفقا لمات نايجر، الذي يترأس الاستراتيجية الأمريكية لشركة ميركل للتسويق الأداء، “أصبحنا معتادين قليلاً على ملفات تعريف الارتباط التابعة لجهات خارجية لأنها كانت أسهل وأسرع وتتطلب تخطيطاً وتكاملًا أقل [من التسويق التقليدي].”

لكن، حتى قبل ظهور قواعد الخصوصية وأدوات حظر الإعلانات، أصبحت دقة بيانات ملفات تعريف الارتباط موضع تساؤل. تم إعطاء المستهلكين خيار مسح ذاكرة التخزين المؤقت لملفات تعريف الارتباط، مما أدى إلى التقليل من تقدير ما قد يكون اهتمام المستهلك الحقيقي. ومن ناحية أخرى، أدى انتشار الروبوتات القادرة على اختلاق كميات هائلة من الزيارات الإعلانية الزائفة إلى المبالغة كثيراً في تقدير الاهتمام الحقيقي.

نقص النتائج القابلة للتنفيذ والاعتماد المفرط على ملفات تعريف الارتباط لتقييم المصالح أدى إلى أن يقول ستيفن بريتوريوس، كبير مسؤولي التكنولوجيا في وكالة الإعلان البريطانية WPP، “أنا لست حزيناً بشكل خاص على انهيار ملفات تعريف الارتباط التابعة لجهات خارجية لأنها لم تكن دقيقة حقاً، لم تكن مفيدة حقاً، وأعتقد أن هذا الأمر ساعدنا جميعاً على إعادة التفكير في ما هي البيانات المهمة.”

فيما يتعلق بملف تعريف الارتباط، فإن المناهج الجديدة والأكثر تعقيداً – التي تحمي الهوية الشخصية ولكن لا تزال تحدد المشترين المحتملين – تظهر في الصورة. المناهج مثل تعيينات الكوهرتات القائمة على المتصفح، والمعرفات المخصصة بحسب النشاط بدلاً من الهوية الشخصية، وبيانات الطرف الأول يتم استكشافها بنشاط. بالإضافة إلى ذلك، يمكن أن توفر نماذج الذكاء الاصطناعي والتعلم الآلي رؤى تساعد على جعل الإعلانات نفسها أكثر فعالية بشكل قابل للقياس – جذب المستهلكين بدلاً من تتبعهم.

لتخطيط الطلب، التشبيه مشابه. جوهر تخطيط الطلب هو توقع الطلب وتفسير كل محرك الطلب الذي يؤثر على الطلب. كانت البيانات التاريخية والشحنات لم تكن مصدراً جيداً للمعلومات، والتحيز المحتمل بين المبيعات والتسويق والمالية لن يولد تنبؤاً أفضل. الثقة المفرطة في هذه المعتقدات فشلت في التقاط التغيرات وتأثير الظروف المحلية والقريبة. ومثل ملف تعريف الارتباط، أكثر البيانات، وأفضل المصادر، والعمليات الجديدة المدمجة مع الذكاء الاصطناعي والتعلم الآلي توفر طريقاً أفضل للمضي قدمًا.

ما هي الحلول لتخطيط الطلب؟

يأخذ مخططو الطلب نظرة أقرب إلى دقة تنبؤاتهم للتخطيط نتيجة للتقلب والتعقيد في الأسواق اليوم. هناك ثلاثة مجالات تبرز على أنها مساهمة في عدم دقة التنبؤ:

  • غياب النماذج التي تستخدم مصادر بيانات بيع بالتجزئة (POS) والبيانات الأخرى في الوقت الفعلي التي من شأنها تحسين التنبؤ لعوامل التأثير على الطلب الحالي؛
  • التعلم الآلي الذي يكشف عن المستوى الصحيح و/أو التجميع الذي يجب تنفيذه لتحقيق دقة إجمالية أكبر؛ و
  • منهجيات النمذجة بالذكاء الاصطناعي التي تؤخذ في الاعتبار المبيعات المفقودة التي لم تدخل في اعتبار الطلب المستقبلي على الإطلاق.

مرة أخرى، يمكن للبيانات الأفضل وعلم البيانات معالجة هذه التحديات. تعمل شركات المنتجات الاستهلاكية على إنشاء طبقة جديدة من الخبرة في التنبؤ التي تعزز عملية التخطيط الخاصة بهم من خلال رؤى الذكاء الاصطناعي والتعلم الآلي بناءً على مجموعة أوسع من البيانات وأساليب النمذجة المتقدمة.
مجالات الاستثمار تشمل:

  • إحساس بالطلب – استخدام بيانات قصيرة الأجل – بما في ذلك حالة الطلب، وبيانات بيع بالتجزئة الحديثة، ومخزون التاجر، وتنفيذ الترويج، وأسعار التجزئة، والسمات الخاصة بالمنتج والموقع، ومزاج وسائل التواصل الاجتماعي، وعوامل تكلفة المخزون – في نماذج يتم تشغيلها بشكل أكثر تواتراً لتحسين الاستجابة قصيرة الأجل بالرؤى الحديثة والإجراءات المتكررة؛
  • تحسين المخزون – نهج التعلم الآلي المتقدم لتقييم احتمالات المبيعات المفقودة أو الزائدة في بيانات التنبؤ ومراعاة تلك الرؤى لتحقيق أقصى حد من معدل تلبية الطلبات؛ و
  • التجميع الديناميكي – نهج بالذكاء الاصطناعي يتغلب على المستوى المرتفع من تباين البيانات على مستويات أكثر تفصيلاً التي يمكن أن تؤثر على دقة التنبؤ على مستويات أكثر تجميعاً.

تؤدي هذه المناهج الجديدة، وغيرها، إلى جعل تنبؤات الطلب أكثر دقة، وأكثر استجابة، وأقل تقلباً. بالإضافة إلى ذلك، تساهم في عملية تخطيط الطلب من خلال أتمتة المهام اليدوية الشاقة في جداول البيانات، وسهولة التوسع لتشمل نطاقاً أوسع من البيانات الداخلية والخارجية، وبسبب جانب التعلم المدمج في هذه النماذج، المساهمة في التحسين المستمر مع مرور الوقت.

لا مفر منه: عالم حيث يمكن إنجاز جذب العملاء من خلال آلية تتبع واحدة – وإمداد ما يحتاجونه غداً يمكن أن يعتمد ببساطة على ما تم شراؤه في الماضي – يختفي. الفرصة للنمو المبيعات الأكبر والأكثر ديمومة تكمن في الحفر أعمق في البيانات لفهم المستهلك على نحو أعمق. للاطلاع على المزيد من المعلومات حول حلول التنبؤ والتخطيط والتسعير المدعومة بالذكاء الاصطناعي، انقر هنا.

يُدير Parth Thakker فريق antuit.ai المبيعات العالمي لشركة Zebra. Parth لديه أكثر من 15 عامًا من الخبرة في توليد القيمة لمتاجر التجزئة والشركات المصنعة وشركات المنتجات الاستهلاكية.

سابقًا، شغل منصب مسؤول المبيعات لقطاع التصنيع في Genpact، حيث تعاون مع مجموعة من شركات الطيران والفضاء والشركات الصناعية. يحمل Parth ماجستير في إدارة الأعمال من مدرسة ستيرن للأعمال بجامعة نيويورك ودرجة البكالوريوس والماجستير في الهندسة من معهد ستيفنز للتكنولوجيا.