CPG – Je čas podívat se blíže na svá data

Co mají společného tradiční plánování poptávky a reklamní cookie? Oba jsou nahrazeni něčím sofistikovanějším. Proč? Protože v každém případě jim chybí správná data a analýzy, které vás na cestě k pochopení vašeho spotřebitele uvedou v omyl.

Plánování poptávky a spoléhání se na historické údaje o prodeji

Tradiční řízení poptávky začíná historickými údaji o prodejích a zásilkách u všech zákazníků za určité časové období, aby se dosáhlo základního výnosu a prognózy jednotek. Prognóza se provádí na různých úrovních agregace v závislosti na skladové jednotce (SKU) a počtu distribuční centra (DC) a továrny zapojené do této SKU. Tato prognóza je poté promíchána mezi prodejními, marketingovými a finančními funkcemi, aby se dospělo k tomu, co je považováno za rozumný a dosažitelný cíl růstu na základě minulé výkonnosti. To se používá k vytvoření výrobní plány, často podle měsíčního plánu (např. SKU podle továrny po měsíci). Výrobní plán, ideálně v kombinaci s prognózami na úrovni DC, pak řídí plánování doplňování dodávek z továrny do DC. To vše za účelem poskytnutí rozumného, ​​konsensuálního plánu.

Plánovači poptávky však přišli na to, že historické údaje o prodeji nestačí k tomu, aby viděli, co spotřebitelé potřebují dnes nebo zítra. Dopad pandemie a problémy dodavatelského řetězce, které následovaly, to daly najevo. Kromě toho možnosti nákupu přímo spotřebitelům proces plánování pouze zkomplikovaly. Údaje o výkonnosti v minulosti neodrážejí krátkodobé změny v chování spotřebitelů ani nemohou držet krok s rychlými změnami v chování spotřebitelů a narušeními dodavatelů.

Ale kde je analogie s reklamním cookie? 

Více než 20 let se inzerenti CPG opírali o soubory cookie třetích stran, aby dosáhli reklamního rozsahu a praktikovali určitý druh marketingu řízeného výkonem, který řídil jejich reklamní výdaje. Namísto vyjednávání dohod s mediálními weby jeden po druhém, bez jakýchkoliv údajů, které by potvrzovaly hodnotu jednoho webu nad druhým, soubory cookie a programatický marketing vyvinuly reklamu v něco, co slibovalo, že bude snadněji kvantifikovatelné a ospravedlnitelné. Podle Matta Naegera, který vede americkou strategii pro výkonnostní marketingovou agenturu Merkle, "Stali jsme se trochu závislí na souborech cookie třetích stran, protože to bylo jednodušší, rychlejší a vyžadovalo to méně plánování a integrace [než tradiční marketing]."

Ještě před vzestupem pravidel ochrany osobních údajů a blokátorů reklam však přesnost dat souborů cookie přicházela v úvahu.  Spotřebitelé dostali možnost vymazat své mezipaměti souborů cookie, což posloužilo k podhodnocení toho, co by mohlo být skutečným zájmem spotřebitelů. A v opačném směru převaha robotů, kteří dokážou vyrobit hromady falešného reklamního provozu, vážně převážila skutečný zájem.

Nedostatek praktických výsledků a přílišné spoléhání na soubory cookie při měření zájmu vedly Stephena Pretoriuse, technického ředitele britské reklamní agentury WPP, k prohlášení „Nejsem nijak zvlášť smutný ze zániku souborů cookie třetích stran, protože nikdy nebyly tak přesné, nikdy tak užitečné a ve skutečnosti si myslím, celá tato věc nám všem pomohla přehodnotit, na kterých datech záleží.“

Pokud jde o soubory cookie, do popředí se dostávají nové a sofistikovanější přístupy – které chrání osobní identitu, ale stále identifikují potenciální kupce. Přístupy, jako je přidělování kohort na základě prohlížeče, ID přiřazená aktivita versus osobní identita a data první strany – jsou aktivně zkoumány. Modely umělé inteligence a strojového učení nyní navíc mohou poskytovat poznatky, které pomáhají učinit samotné reklamy měřitelně efektivnějšími – spotřebitele přitahují, nikoli sledují.

Pro plánování poptávky je analogie podobná. Jádrem plánování poptávky je předpovídání spotřebitelské poptávky a dešifrování všech hnacích sil, které utvářejí spotřebitelskou poptávku. Historická data a zásilky nebyly nikdy skvělým zdrojem informací a inherentní zaujatost mezi prodejem, marketingem a financemi by nepřinesla lepší prognózu. Přehnaná důvěra v tato přesvědčení nedokázala zachytit posuny a dopady krátkodobých a místních podmínek. A stejně jako soubor cookie poskytuje více dat, lepší zdroje a nové procesy v kombinaci s umělou inteligencí a strojovým učením lepší cestu vpřed.

Jaké je řešení pro plánování poptávky?

Plánovači poptávky se blíže zabývají přesností svých plánovacích prognóz v důsledku volatility a složitosti dnešních trhů. K nepřesnosti předpovědí přispívají zejména tři oblasti:

• absence modelů, které využívají místa prodeje v reálném čase (POS) a další zdroje dat, které by lépe přizpůsobily prognózu aktuálním faktorům ovlivňujícím poptávku;
• strojové učení, které odhaluje správnou úroveň a/nebo seskupení, na kterém lze provést prognózu s největší agregovanou přesností; a
• metodologie modelování umělé inteligence k zohlednění ztracených prodejů, které se vůbec nedostaly do úvahy o budoucí poptávce.

Opět platí, že lepší data a datová věda mohou tyto výzvy vyřešit. Společnosti CPG vytvářejí novou vrstvu odborných znalostí v oblasti prognóz, která rozšiřuje jejich plánovací proces o AI a poznatky o strojovém učení založené na širším spektru dat a pokročilých modelovacích technikách.

Mezi oblasti investic patří:

• Snímání poptávky – využití krátkodobých dat – včetně stavu objednávky, nedávných údajů o prodeji, inventáře obchodníka, provedení promoakce, maloobchodních cen, atributů specifických pro produkt a lokalitu, sentimentu na sociálních sítích a nákladových faktorů inventáře – v modelech, které se častěji používají zlepšit krátkodobou reakci poptávky pomocí nejnovějších poznatků a častých akcí;

• Optimalizace zásob – sofistikované přístupy strojového učení k posouzení pravděpodobnosti ztrát nebo nadměrných prodejů v prognózovaných datech a zohlednění těchto poznatků s cílem maximalizovat míru naplnění; a

• Dynamická agregace – přístup umělé inteligence, který překonává vysokou úroveň variability dat na více rozčleněných úrovních, což může ovlivnit přesnost prognóz na vyšších agregovaných úrovních.

Tyto nové přístupy a další slouží k tomu, aby byly prognózy poptávky přesnější, snáze reaktivní a podstatně méně kolísavé. Kromě toho přispívají k obchodnímu procesu plánování poptávky tím, že automatizují pracné ruční tabulkové úlohy, snadno se škálují tak, aby zahrnovaly větší rozsah interních a externích dat, a díky vestavěnému aspektu učení těchto modelů přispívají k neustálé zlepšování v průběhu času.

Nelze tomu uniknout: svět, kde lze přilákat zákazníky pomocí jediného sledovacího mechanismu – a dodávat to, co zítra potřebují, lze jednoduše založit na tom, co bylo zakoupeno v minulosti – mizí. Příležitost k většímu a trvalejšímu růstu tržeb spočívá v hlubším prozkoumání dat, abyste zjistili, o co spotřebiteli jde. Chcete-li získat další informace o řešení prognózování, plánování a stanovování cen pomocí umělé inteligence, klikněte zde.