CPG – Je čas podívat se blíže na vaše údaje

Co mají společného tradiční plánování poptávky a reklamní cookie? Oba jsou nahrazovány něčím sofistikovanějším. Proč? Protože v obou případech chybí správná data a analýzy, které by mohly vést k nesprávnému pochopení spotřebitele.

Plánování poptávky a závislost na historických prodejních datech

Tradiční řízení poptávky začíná historickými prodejními a dodacími daty pro všechny zákazníky za určitou dobu, aby vytvořilo základ pro předpověď tržeb a jednotek. Předpověď se provádí na různých úrovních agregace v závislosti na stock keeping unit (SKU) a počtu distribučních center (DC) a továren zapojených do této SKU. Předpověď se pak upravuje mezi prodejními, marketingovými a finančními funkcemi, aby se dospělo k tomu, co se považuje za rozumný a dosažitelný růstový cíl na základě minulých výsledků. Tento cíl se používá k vytvoření výrobních plánů, často na měsíční bázi (například SKU podle továrny podle měsíce). Výrobní plán, ideálně v kombinaci s předpověďmi na úrovni distribučních center, pak řídí plánování doplňování z továrny do distribučního centra. Všechno, aby se vytvořil rozumný a konsensuální plán.

Nicméně, plánovači poptávky si uvědomili, že historická prodejní data nejsou dostatečná k tomu, aby viděli, co spotřebitelé potřebují dnes nebo zítra. Dopad pandemie a následujících výzev v dodavatelském řetězci to hizo velmi zřejmým. Kromě toho, přímé nákupní možnosti pro spotřebitele pouze zkomplikovaly proces plánování. Data o minulých prodejích neodrážejí změny v chování spotřebitelů, ani nemohou držet krok s rychlými změnami v chování spotřebitelů a výkyvy dodavatelů.

Kde je analogie k reklamnímu cookie?

Po dobu více než 20 let se inzerenti v odvětví CPG spoléhali na třetí strany cookie k dosažení reklamního rozsahu a k praktikování výkonového marketingu, který řídil jejich reklamní výdaje. Místo toho, aby jednali o dohodách s médii jeden po druhém, bez jakýchkoli dat, která by potvrdila hodnotu jednoho webu oproti jinému, cookies a programatický marketing vyvinuli reklamu v něco, co slibovalo být snáze kvantifikovatelné a ospravedlnitelné. Podle Matta Naegera, který stojí v čele americké strategie pro agenturu Merkle, “Stali jsme se trochu závislí na třetích stranách cookie, protože to bylo snazší, rychlejší a vyžadovalo méně plánování a integrace [než tradiční marketing].”

Již před vzestupem pravidel ochrany soukromí a blokátorů reklamy se otázka přesnosti cookie dat stala aktuální.  Spotřebitelé mohli smazat své cookie cache, což vedlo k podhodnocení skutečného zájmu spotřebitelů. A v opačném směru, prevalence botů, které mohly vytvářet falešnou reklamní aktivitu, vážně nadhodnocovala skutečný zájem.

Chybějící akční výsledky a nadměrná závislost na cookie k měření zájmu vedly Stephena Pretorius, CTO agentury WPP, k prohlášení “Nejsem zvlášť smutný z konce třetích stran cookie, protože nikdy nebyly realmente přesné, nikdy nebyly realmente užitečné a myslím, že tato celá věc nám všem pomohla přehodnotit, co jsou důležitá data.”

Co se týče cookie, nové a sofistikovanější přístupy – které chrání osobní identitu, ale stále identifikují potenciální kupce – se stávají aktuálními. Přístupy jako přiřazování kohort na základě prohlížeče, aktivity versus osobní identitě přiřazené ID a první strany dat – jsou aktivně zkoumány. Kromě toho, modely AI a strojového učení mohou nyní poskytovat přehledy, které pomáhají učinit reklamy měřitelně účinnějšími – lákajícími spotřebitele, místo toho, aby je sledovaly.

Pro plánování poptávky je analogie podobná. Jádro plánování poptávky spočívá v předpovědi poptávky spotřebitelů a rozluštění všech faktorů, které ovlivňují poptávku spotřebitelů. Historická data a dodávky nikdy nebyly dobrým zdrojem informací a vrozené předpojatosti mezi prodejními, marketingovými a finančními funkcemi by nevytvořily lepší předpověď. Nadměrná důvěra v tyto představy selhala při zachycení změn a dopadu krátkodobých a lokálních podmínek. A stejně jako u cookie, více dat, lepší zdroje a nové procesy kombinované s AI a strojovým učením poskytují lepší cestu vpřed.

Jaké je řešení pro plánování poptávky?

Plánovači poptávky se blíže dívají na přesnost svých plánovacích předpovědí v důsledku volatility a složitosti dnešních trhů. Tři oblasti zejména vynikají jako přispěvatelé k nepřesnosti předpovědí:

• absence modelů, které využívají data v reálném čase a další zdroje dat, které by lépe přizpůsobily předpověď aktuálním faktorům ovlivňujícím poptávku;
• strojové učení, které odhaluje správnou úroveň a/nebo seskupení, na které se má předpověď provádět pro největší agregátní přesnost; a
• metodologie modelování AI, které zohledňují ztracené prodeje, které se nedostaly do budoucího uvažování o poptávce.

Opět, lepší data a datové vědy mohou řešit tyto výzvy. Společnosti CPG vytvářejí novou vrstvu odborných znalostí v oblasti předpovědí, která doplňuje jejich proces plánování o přehledy založené na AI a strojovém učení, založené na širším rozsahu dat a pokročilých modelovacích technikách.

Oblasti investic zahrnují:

• Citlivost poptávky – využití近期 dat – včetně stavu objednávky, nedávných prodejních dat, zásob maloobchodníků, provádění akcí, maloobchodních cen, produktů a lokalizačních atributů, sentimentu sociálních médií a nákladů na skladování – v modelech, které se spouštějí častěji, aby se zlepšila krátkodobá reakce na poptávku s nedávnými přehledy a častými akcemi;

• Optimalizace zásob – sofistikované přístupy strojového učení k hodnocení pravděpodobnosti ztracených nebo nadbytečných prodejů v datech předpovědí a zohlednění těchto přehledů, aby se maximalizoval poměr plnění;

• Dynamická agregace – přístup AI, který překonává vysokou variabilitu dat na více rozdělených úrovních, která může ovlivnit přesnost předpovědí na vyšších agregovaných úrovních.

Tyto nové přístupy, a další, slouží k tomu, aby předpovědi poptávky byly přesnější, reaktivnější a méně volatilní. Kromě toho, přispívají k procesu plánování poptávky automatizací ručních úkolů ve formě tabulek, snadným škálováním, aby zahrnovaly širší rozsah interních a externích dat, a díky vestavěnému učení, přispívají k nepřetržitému zlepšování v průběhu času.

Je nevyhnutelné: svět, ve kterém lze zákazníky lákat prostřednictvím jednoho mechanismu sledování – a zásobovat je zítra na základě toho, co bylo koupeno v minulosti – mizí. Možnost většího a trvalého růstu prodejů spočívá v hlubším proniknutí do dat, aby se zjistilo, co je spotřebitel vlastně o. Pro více informací o řešeních pro předpověď, plánování a cenové AI, klikněte zde.