الشركات المصنعة للمنتجات الاستهلاكية – حان الوقت للاطلاع بشكل أوثق على بياناتك

ما هي Points المشتركة بين التخطيط التقليدي للطلب وملفات تعريف الارتباط الإعلانية؟ كلاهما يتم استبداله بشيء أكثر تعقيدا. لماذا؟ لأن كلاهما يفتقر إلى البيانات والتحليلات الصحيحة التي ستضللك في فهم المستهلك.

تخطيط الطلب والاعتماد على بيانات المبيعات التاريخية

يبدأ 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 ومحقق 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، معاً مع تنبؤات مستوى مركز التوزيع، خطة إعادة التعبئة للشحنات من المصنع إلى مركز التوزيع. كل ذلك لتوفير خطة معقولة وموافقة.
然而، 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 مصنعو المنتجات الاستهلاكية على ملفات تعريف الارتباط الثالثة لتحقيق توسع في الإعلان وممارسة نوع من التسويق 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، تطورت ملفات تعريف الارتباط والتسويق البرنامجي إلى شيء يpromis يسهل قياسه ويبرره. وفقا لمات نايجر، الذي يترأس الاستراتيجية الأمريكية لشركة ميركل للتسويق الأداء، “أصبحنا معتادين قليلاً على ملفات تعريف الارتباط الثالثة لأنها كانت أسهل وأسرع وتتطلب تخطيطاً وتكاملًا أقل [من التسويق التقليدية].”

然而، حتى قبل ظهور قواعد الخصوصية وملفات تعريف الارتباط، جاءت دقة بيانات ملف تعريف الارتباط إلى السؤال. تم إعطاء المستهلكين خيار مسح ذاكرة التخزين المؤقت لملفات تعريف الارتباط، مما أدى إلى تحديد ما قد يكون مصالح المستهلك الحقيقية. ومن ناحية أخرى، أدت распространة البوتات التي يمكن أن تقلد حركة إعلانية كثيرة إلى تحديد زائف للمصالح الحقيقية.

نقص النتائج القابلة للتنفيذ والاعتماد المفرط على ملفات تعريف الارتباط لتقييم المصالح أدى إلى أن يقول ستيفن بريتوريوس، كبير مسؤولي التكنولوجيا في وكالة الإعلان بيب، “أنا لست حزيناً بشكل خاص على انهيار ملفات تعريف الارتباط الثالثة 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، والأنشطة مقابل الهوية الشخصية المعينة، والبيانات الأولى 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.

للتخطيط الطلب، التشبيه مشابه. جوهر التخطيط 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 للاستقرار 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 أن تتمثل التحديات في بيانات أفضل وعلوم البيانات. 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، وتركيبات السعر، والسمات الخاصة بالمنتج والموقع، ومزاج وسائل التواصل الاجتماعي، وعوامل تكلفة المخزون – في نماذج يتم تشغيلها بشكل أكثر تواتراً لتحسين الاستجابة قصيرة الأجل بالرؤى الحديثة والactions المتكررة؛

• تحسين المخزون – نهج التعلم الآلي المتقدم لتقييم احتمالات المبيعات المفقودة أو الزائدة في بيانات التنبؤ ومراعاة تلك الرؤى لتحقيق أقصى حد من معدل التعبئة؛ و

• التجميع الديناميكي – نهج بالذكاء الاصطناعي يفوق مستوى 높은 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 تلقين المهام اليدوية الشاقة، 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 لتعلم ما هو المستهلك كله. للاطلاع على المزيد من المعلومات حول حلول التنبؤ والتخطيط والتحديد بالذكاء الاصطناعي، انقر هنا.