FMCG – Det er tid til at kigge nærmere på dine data

Hvad har traditionel efterspørgselsplanlægning og reklamekagen til fælles? De bliver begge erstattet af noget mere sofistikeret. Hvorfor? Fordi de i begge tilfælde mangler de rigtige data og analyser, som kan føre til misforståelser på vej til at forstå din forbruger.

Efterspørgselsplanlægning og afhængighed af historiske salgsdata

Traditionel efterspørgselsstyring starter med historiske salgs- og leveringsdata over alle kunder over en vis periode for en basisindtægt og enhedsprognose. Prognosen udføres på forskellige niveauer af aggregation afhængigt af varenummer (SKU) og antallet af distributionscentre (DC) og fabrikker, der er involveret i den pågældende SKU. Prognosen masseres herefter mellem salgs-, marketing- og finansfunktioner for at nå frem til, hvad der anses for at være et rimeligt og opnåeligt væksttarget baseret på tidligere præstationer. Dette bruges til at oprette produktionsplaner, ofte på en månedlig skala (f.eks. SKU pr. fabrik pr. måned). Produktionsplanen driver herefter genopfyldningsplanlægning for leverancer fra en fabrik til et DC. Alt for at levere en rimelig, fælles plan.

Men efterspørgselsplanlæggere er blevet klar over, at historiske salgsdata ikke er nok til at se, hvad forbrugerne har brug for i dag eller i morgen. Pandemiens indvirkning og de følgende udfordringer i forsyningskæden gjorde dette meget tydeligt. Desuden har direkte til forbruger-købsmuligheder kun gjort planlægningsprocessen mere kompliceret. Tidligere præstationsdata reflekterer ikke ændringer i forbrugeradfærd på kort sigt, og de kan ikke holde trit med hurtige ændringer i forbrugeradfærd og leverandørforstyrrelser.

Hvor er analogien til reklamekagen?

I mere end 20 år har FMCG-reklamører lænet sig op ad tredjepartscookies for at opnå reklameomfang og praktisere en form for præstationsbaseret marketing, der vejleder deres reklameudgifter. I stedet for at forhandle med mediesites enkeltvis uden nogen data til at bekræfte værdien af en side over en anden, udviklede cookies og programmatisk marketing reklamen til noget, der lovede at være mere let kvantificerbart og begrundet. Ifølge Matt Naeger, der står i spidsen for US-strategi for performance marketing-bureauet Merkle, “Vi blev lidt afhængige af tredjepartscookies, fordi det var lettere, hurtigere og krævede mindre planlægning og integration [end traditionel marketing].”

Men selv før opkomsten af privatlivsregler og reklameblokeringer, kom nøjagtigheden af cookiedata i tvivl.  Forbrugere fik mulighed for at slette deres cookiecacher, hvilket førte til, at det, der måske var den virkelige forbrugerinteresse, blev underoptalt. Og i den modsatte retning førte udbredelsen af bots, der kunne fabrikere store mængder af falsk reklame-trafik, til, at den virkelige interesse blev overoptalt.

Manglende handlebare resultater og overafhængighed af cookies til at måle interesse førte Stephen Pretorius, CTO i det britisk-baserede reklamebureau WPP, til at udtale “Jeg er ikke særlig ked af, at tredjepartscookies forsvinder, fordi de aldrig rigtig var nøjagtige, rigtig nyttige og faktisk tror jeg, at denne hele sag har hjulpet os alle til at genoverveje, hvad data betyder.”

Så langt som cookien er vedrørende, kommer nye og mere sofistikerede tilgange – der beskytter personlig identitet, men stadig identificerer potentielle købere – til syne. Tilgange som browserbaserede kohorttildelinger, aktivitet-i-stedet-for-personlig-identitets-tildelte ID’er og førstepartsdata – bliver aktivt udforsket. Desuden kan AI- og machine learning-modeller nu give indsigt, der hjælper med at gøre reklamerne selv målbare mere effektive – tiltrække i stedet for at spore forbrugere.

For efterspørgselsplanlægning er analogien lignende. Hjertet af efterspørgselsplanlægning er at forudsige forbrugerkrav og tyde hver efterspørgselsfaktor, der former forbrugerkrav. Historiske data og leveringer var aldrig en god kilde til information, og indbygget bias mellem salg, marketing og finans ville ikke generere en bedre prognose. Overmodighed i disse overbevisninger fik ikke fanget ændringerne og virkningen af kortfristede og lokale forhold. Og ligesom cookien giver mere data, bedre kilder og nye processer kombineret med AI og machine learning en bedre vej frem.

Hvad er løsningen for efterspørgselsplanlægning?

Efterspørgselsplanlæggere kigger nærmere på nøjagtigheden af deres planlægningsprognoser som følge af volatiliteten og kompleksiteten i dagens markeder. Tre områder står i særlig udpegning som bidragende til prognoseusikkerhed:

• fraværet af modeller, der bruger realtids point-of-sale (POS) og andre datakilder, der ville kunne tilpasse prognosen bedre til nuværende faktorer, der påvirker efterspørgsel;
• maskinlæring, der afslører det rette niveau og/eller gruppering, hvori at udføre en prognose for størst samlet nøjagtighed; og
• AI-modelleringsteknikker til at tage hensyn til de tabte salg, der ikke blev medtaget i fremtidig efterspørgsel overhovedet.

Endnu engang kan bedre data og datavidenskab imødegå disse udfordringer. FMCG-virksomheder opretter et nyt lag af prognoseekspertise, der supplerer deres planlægningsproces med AI- og machine learning-indsigt baseret på et bredere udvalg af data og avancerede modelleringsteknikker.

Investeringsområder omfatter:

• Efterspørgselsfornemmelse – udnyttelse af kortfristet data – herunder ordrestatus, seneste salgsdata, detailhandlernes lager, kampagnegennemførelse, detailpriser, produktspecifikke og lokalitetsbestemte attributter, sociale medie-sentiment, og lageromkostningsfaktorer – i modeller, der køres mere hyppigt for at forbedre kortfristet efterspørgselsreaktion med nyeste indsigt og hyppige handlinger;

• Lageroptimering – avancerede maskinlærings tilgange til at vurdere sandsynligheden for tabte eller overskydende salg i prognosedata og overvejelse af disse indsigt i forbindelse med at maksimere udfyldningsraten;

• Dynamisk aggregation – en AI-tilgang, der overvinder det høje niveau af datavariation på mere detaljerede niveauer, der kan påvirke prognosenøjagtighed på højere aggregationsniveauer.

Disse nye tilgange og flere bidrager til, at efterspørgselsprognoser bliver mere nøjagtige, mere let reaktive og betydeligt mindre volatile. Desuden bidrager de til efterspørgselsplanlægningsforretningsprocessen ved at automatisere, hvad der ellers ville være arbejdskrævende manuelle regnearksopgaver, let kan skaleres til at inkludere et bredere udvalg af interne og eksterne data, og på grund af den indbyggede læringsaspekt i disse modeller, bidrager til kontinuerlig forbedring over tid.

Der er ingen undslipning: en verden, hvor tiltrækningskunder kan opnås via en enkelt sporingmekanisme – og hvilke varer, der skal leveres i morgen, kan baseres på, hvad der blev købt i fortiden – er forsvindende. Muligheden for større og mere varig salgsøkning ligger i at grave dybere i data for at lære, hvad forbrugeren handler om. For mere information om AI-drevne prognose-, planlægnings- og prissætningsløsninger, klik her.