Proč musí lídři CPG oddělit zrno od plev pro skutečnou optimalizaci růstu výnosů s využitím umělé inteligence

Optimalizace již není pouze módním slovem. Je to plně definovatelný a měřitelný výsledek, kterého nelze dosáhnout pomocí zastaralých technik a nefunkčních systémů umělé inteligence.

————————
Optimalizace růstu výnosů je dnes jednou z nejvyšších priorit v odvětví CPG. Nejistota způsobená globálními ekonomickými protivětry, trvalou inflací, výzvami v dodavatelském řetězci a měnícím se chováním kupujících zvýšila důležitost porozumění tomu, jak systematicky dešifrovat a navigovat měnící se podmínky pro zvýšení výnosů a zisku.

Pro organizace CPG je základem této kritické potřeby schopnost holisticky optimalizovat své hlavní faktory řízení růstu výnosů (RGM) sladěním cen, propagací, médií a balení spotřebních produktů s měnícími se tržními podmínkami. To nikdy nebylo složitější než v současnosti, kdy se projevují dopady měnících se preferencí spotřebitelů, inflace, geopolitických napětí, změny klimatu a globálních posunů populace – primární důvod, proč více než 75% výrobců CPG zápasí s řízením celkového moderního obchodního výdaje a 70% výkonných ředitelů CPG je dnes více stresovaných než před pěti lety.

S komplexitou jako stálou veličinou se mnoho organizací zaměřuje na digitalizovanou optimalizaci růstu výnosů jako mechanismus pro zvládnutí bouře. V zprávě o stavu odvětví za rok 2024 od Promotion Optimization Institute uvedlo 80 % respondentů, že investují do digitálních řešení nebo analytických schopností na podporu nových procesů řízení růstu výnosů (RGM) a hlubšího proniknutí do optimalizované propagace, cen a růstu balení. Zpráva POI také zjistila, že 54 % plánuje přijmout nové řešení pro řízení obchodních propagací a 31 % se vydá na cestu integrace automatizovaných cenových schopností.

Mnoho systémů je prezentováno jako „optimalizační řešení s využitím umělé inteligence“, která mohou účinně zmírnit inflační tlaky a zesílit růst výnosů. Ve skutečnosti tomu tak však není. Jakmile se do podnikových technologií a obchodních procesů začaly stále více integrovat pokročilé analytiky umožněné sofistikovanou matematikou a umělou inteligencí, stalo se zřejmým, že ne všechny matematické techniky a systémy umělé inteligence mohou dodat skutečnou optimalizaci růstu výnosů v měřítku. Lídři CPG se učí, že jejich definice optimalizace je zastaralá a nepřesná. Odvětví tradičně definovalo „optimalizaci“ jako použití regresního modelování a simulací obchodních scénářů z minulosti. Dochází k závěru, že tyto starší techniky jsou pouze techniky pro předpovídání, které neoptimalizují nic. Také se učí, že Generative AI a neuronové sítě nevykonnávají optimalizaci, ale mohou být cennými technikami při pomoci ostatním komponentám digitální transformace organizace.

Krajina analytiky se rychle mění. Společnosti pokročilé analytiky potřebují pomoci partnerům CPG vybudovat porozumění a zralost při používání a specifickém uplatnění těchto technologií ve svých provozních modelech. Optimalizace již není pouze módním slovem. Je plně definovatelná a její výsledky jsou determinovatelné a měřitelné vyvážením omezení obou výrobců CPG a maloobchodníků současně. Tento stupeň omezení založené na optimalizaci a jeho hmatatelných výhodách nelze dosáhnout pomocí zastaralých technik a nefunkčních systémů umělé inteligence.

V návaznosti na to je kritické, aby organizace rozuměly distinctivním schopnostem statistické matematiky a nástrojům pro optimalizaci růstu výnosů s využitím umělé inteligence, které přijímají. Oddělení zrna od plev ve světě pokročilé analytiky a umělé inteligence verbessí vaši schopnost řídit udržitelný růst výnosů, zvládnout tržní volatilitu a předehnat průmyslové konkurenty.

Vše se točí kolem vašeho nástrojového boxu

Zajištění toho, že máte správné sofistikované matematické a nástroje umělé inteligence ve vašem nástrojovém boxu, je při optimalizaci růstu výnosů tak cenné, jako zlato. Například, kdyby jste chtěli rozřezat blok oceli. Teoreticky by to mohlo být provedeno pomocí pilky, kromě toho, že by to trvalo roky, aby se úspěšně prořízlo úplně skrz. Zatímco acetylenová svářečka by to prořízla za sekundy.

Totéž platí pro technologie s využitím umělé inteligence. Většina forem umělé inteligence využívaných v systémech pro optimalizaci růstu výnosů CPG dnes nemůže zohlednit skutečnou složitost trhu. Utilizují staré lineární regresní techniky pro řešení problému, který je ne-lineární povahy, spoléhají se na tradiční statistické modely, které optimalizují jeden, dva, tři nebo čtyři statická omezení místo dvou až tří desítek omezení, které odrážejí skutečné úvahy, se kterými dennodenně zápasí značky CPG. To vede k fundamentální analytické podvýkonnosti, která brání efektivní generaci doporučení pro růst výnosů a provozní výkon a ROI pro výrobce CPG i jejich maloobchodní partnery.

Generative AI (GenAI) je dalším příkladem tohoto nesouladu. Hodnotový řetězec CPG má cenné použití pro aplikace GenAI, ale optimalizace růstu výnosů není jedním z nich. To je proto, že modely GenAI spoléhají na techniky založené na vyhledávačích, které nejsou schopny rozlišit problém „odpadu na vstupu a odpad na výstupu“ a neuronové sítě strojového učení, které prostě nevykonnávají optimalizaci.

Zprostředkování matematického problému

Je důležité si uvědomit, že skutečná optimalizace růstu výnosů je ve své podstatě omezení-založený, vysoce-dimenzionální matematický problém. Sofistikované matematické a řešení umělé inteligence, které využívají skleněné boxy strojového učení, jsou vyžadovány pro zahrnutí všech omezení a proměnných, které umožňují optimalizaci dodat hodnotu pro výrobce CPG i maloobchodníka současně. To zajišťuje, že systém je navržen tak, aby fundamentálně rozuměl prostředí, ve kterém organizace operuje, a vykonával skutečnou optimalizaci a generoval kalendáře obchodních propagací, které přinášejí hodnotu pro výrobce i maloobchodníka. Poté je dalším krokem optimalizovat ostatní klíčové páky řízení růstu výnosů s každodenními cenami, obchodními propagacemi, médií a sortimentem, aby se produkovaly holistické doporučení sladěné s poptávkou spotřebitelů za podmínek, které stresují normální každodenní cenu.

Tento fit-for-purpose přístup zohledňuje navigaci tržní nejistoty, jako jsou prodloužené nedostatky ve zásobování z eskalujícího geopolitického konfliktu nebo neočekávané zvýšení cen z klimatické události. Pokud sucha podél Panamského průplavu pomáhají zvyšovat náklady na suroviny, systém může pomoci určit novou optimální cenovou strukturu, která 1) zohledňuje spotřebitelské balení pro zvýšené výrobní náklady a současně udržuje marži, a 2) motivuje spotřebitele k výběru vaší značky před konkurenty v odvětví prostřednictvím efektivních propagačních technik.

Měření dopadu: Post-event efektivity

Určení dopadu ROI optimalizačních nástrojů pro růst výnosů vyžaduje komplexní a vypočítaný přístup. Nejprve se zaměřte na post-event analýzu základních KPI, jako jsou čisté.incrementální zvýšení prodejů, zisku, maloobchodních regálů a penetrace trhu, které jsou generovány z vašich obchodních propagačních výdajů. Výkon napříč těmito čtyřmi pilíři bude indikovat dopad vaší implementační strategie a identifikovat oblasti, které potřebují zlepšení.

Druhá hlavní kategorie je poměr efektivity obchodu. Pro každý dolar vynaložený na obchod, jaký průměrný návratový poměr produkuje? To je zásadní pro škálování nástrojů pro optimalizaci růstu výnosů v průběhu času. Provádění obou aspektů v součinnosti umístí organizace do pozice, aby úspěšně zvládly vnější volatilitu a získaly tržní podíl nad průmyslovými konkurenty. Silný ROI není pouze o číslech – je to také o získání konkurenční výhody ve vašem segmentu.

Optimalizace výnosů napříč krajínou CPG je nepochybně komplexní. Zatímco digitalizace nabízí slib zjednodušení, lídři podniků musí mít pevné porozumění sofistikované matematice a nástrojům umělé inteligence, které využívají. Znalost je síla, a nakonec zvýší vaši značku a firemní hodnotu nad ostatní.