Hvorfor CPG-ledere må skille kornet fra affaldet for sandt AI-drevet revenue-vækstoptimering

Optimering er ikke længere bare en buzzword. Det er et fuldt definerbart og målbart resultat, der ikke kan opnås med forældede teknikker og uigennemførlige AI-systemer.

————————
Optimering af revenue-vækst er en topprioritet på tværs af CPG-sektoren i dag. Usikkerhed drevet af globale økonomiske udfordringer, vedvarende inflation, forsyningskædeudfordringer og skiftende køberadfærd har intensiveret betydningen af at forstå, hvordan man systematisk kan afkode og navigere i udviklende forhold for at drive øget revenue og profit.

For CPG-organisationer er det grundlæggende at kunne holistisk optimere deres primære drivere af revenue-vækststyring (RGM) ved at tilpasse priser, promotioner, medieblanding og forbrugerproduktforpakning til skiftende markedsvilkår. Dette har aldrig været mere komplekst midt i rippleffekterne af udviklende forbrugerpræferencer, inflation, geopolitiske spændinger, klimaforandringer og globale befolkningsforskydninger – en primær årsag til, at mere end 75% af CPG-producenter kæmper for at styre total virksomhedsmodern handelssalg, og 70% af CPG-chefer er mere stressede i dag end for fem år siden.

Med kompleksitet som en konstant prioriterer mange organisationer digitaliseret revenue-vækstoptimering som en mekanisme for at klare stormen. I Promotion Optimization Institute’s 2024 State of the Industry Report sagde 80% af respondentene, at de investerede i digitale løsninger eller analytiske kapaciteter for at støtte nye revenue-vækststyringsprocesser (RGM) og dykke dybere ind i optimeret promotion, priser og pakkevækstanalyse. POI-rapporten fandt også, at 54% planlagde at adoptere nye handelsgodtjenester og 31% ville påbegynde integration af automatiserede prissætningsfunktioner.

Mange systemer markedsføres som “AI-aktiverede optimeringsløsninger”, der kan effektivt lette inflationstryk og forstærke revenue. Men i virkeligheden er det ikke tilfældet. Da avanceret analytics, der er aktiveret af sofistikeret matematik og AI, er blevet mere og mere integreret i virksomheders teknologi og forretningsprocesser, er det klart, at ikke alle matematiske teknikker og AI kan levere reel revenue-vækstoptimering i stor målestok. CPG-chefer lærer, at deres definition af optimering er forældet og ukorrekt. Branchen har historisk defineret “optimering” som brugen af gårsdagens regressionsmodellering og business-scenarie-simulationer. De er også lærende, at Generative AI og neurale netværk ikke udfører optimering, men kan være værdifulde teknikker til at hjælpe andre komponenter i en organisations digitale transformationsrejse.

Analytics-landskabet ændrer sig hurtigt. Avancerede analytics-virksomheder skal hjælpe CPG-partnere med at bygge forståelse og modenhed om brugen og den specifikke anvendelse af disse teknologier inden for deres driftsmodeller. Optimering er ikke længere bare et buzzword. Det er fuldt definerbart, og dets resultater er bestemt og målbare ved at balancere begrænsningerne for både CPG-producenten og detailhandleren samtidigt. Denne grad af begrænsningsbaseret optimering og dens konkrete fordele kan ikke opnås med forældede teknikker og uigennemførlige AI-systemer.

I stedet er det kritisk for organisationer at forstå de distinkte kapaciteter af de statistiske matematiske og AI-aktiverede revenue-vækstoptimeringsværktøjer, de adopterer. At skille kornet fra affaldet i verden af avanceret analytics og AI vil forbedre din evne til at drive bæredygtig revenue, klare markedsvolatilitet og overgå branchekonkurrenter.

Det handler om dit værktøj

At sikre, at du har de rigtige sofistikerer matematiske og AI-værktøjer i dit værktøj, er værd at sin vægt i guld, når det kommer til revenue-vækstoptimering. For eksempel, hvis du ville skære en blok stål, kunne det teoretisk gøres med en håndssav, men det ville tage år at gøre det. Imens ville en acetylenbrænder skære igennem det på få sekunder.

Det samme gælder for AI-aktiverede teknologier. De fleste former for AI, der bruges i CPG-revenue-vækstoptimeringssystemer i dag, kan ikke tage højde for den virkelige markedskompleksitet. De bruger gamle lineære regressionsmetoder til at løse et problem, der er ikke-lineært i naturen, og hviler på traditionelle statistiske modeller, der optimerer en, to, tre eller fire statiske begrænsninger i stedet for de to til tre dusin begrænsninger, der afspejler de virkelige overvejelser, som CPG-mærker navigerer dagligt. Dette fører til grundlæggende analytisk underpræstation, der hæmmer effektiv revenue-vækstanbefaling og driftsperformance og ROI for både CPG-producenten og deres detailhandelspartnere.

Generative AI (GenAI) er et andet eksempel på denne misalignering. CPG-værdikæden har værdifulde brugsområder for GenAI-applikationer, men revenue-vækstoptimering er ikke et af dem. Dette skyldes, at GenAI-modeller afhænger af søgemaskinebaserede teknikker, der ikke kan skelne mellem “skrald ind og skrald ud”-problemet, og neurale netværk, der ikke udfører optimering.

At facilitere et matematisk problem

Det er vigtigt at huske, at sand revenue-vækstoptimering er et begrænsningsbaseret, højdimensionalt matematisk problem i sin kerne. Sofistikerer matematiske og AI-løsninger, der udnytter glass-box-maskinlæring, er nødvendige for at inkorporere alle begrænsninger og variable, der muliggør optimering for at levere værdi for både CPG-producenten og detailhandleren samtidigt. Dette sikrer, at systemet er designet til at fundamentalt forstå den omgang, en organisation opererer i, og udføre sand optimering og generere handelskalendere, der driver værdi for både producenten og detailhandleren. Derefter er det næste skridt at optimere de andre nøgleaktiver for revenue-vækststyring med hverdagspriser, handelsfremme, medieblanding og udvalg for at producere holistiske anbefalinger, der er tilpasset forbrugerkrav under betingelser, der belaster den normale hverdagspris.

Denne tilpasningsdygtige tilgang tager højde for at navigere i marked-usikkerhed, såsom forlængede forsyningsmangler fra en eskalerende geopolitisk konflikt eller uventede prisstigninger fra en klimarelatere begivenhed. Hvis en tørke langs Panamakanalen hjælper med at øge omkostningerne ved råvarer, kan systemet hjælpe med at bestemme en ny optimal prissætningsstruktur, der 1) tilpasser forbrugerforpakning for øgede produktionsomkostninger, mens der opretholdes margener, og 2) motiverer forbrugere til at vælge dit mærke over branchekonkurrenter via effektive promotionsmetoder.

At måle impact: Post-event effektivitet

At bestemme ROI-impacten af revenue-vækstoptimeringsværktøjer kræver en omfattende og beregnet tilgang. Først fokuserer på post-event-analyse af kernekriterier som netto incrementelle øgninger i salg, profit, detailhyldedollar og markedspenetration, der genereres fra din handelsfremmeudgift. Præstationer på tværs af disse fire søjler vil indikere impacten af din implementeringsstrategi og identificere områder, der kræver forbedring.

Den anden store kategori er handelseffektivitetsforhold. For hver dollar, der bruges i handel, hvilken gennemsnitlig afkast producerer det? Dette er afgørende for at skala revenue-vækstoptimeringsværktøjerne over tid. Ved at udføre begge aspekter i harmoni vil organisationer være i stand til at navigere i ydre volatilitet og kapre markedsandele over branchekonkurrenter. En stærk ROI handler ikke kun om tal – det handler også om at opnå en konkurrencemæssig fordel i dit segment.

At optimere revenue på tværs af CPG-landskabet er uden tvivl komplekst. Mens digitalisering tilbyder løfter om at simplificere det, skal virksomhedsledere have en stærk forståelse af de sofistikerer matematiske og AI-værktøjer, de udnytter. Viden er magt, og det vil ultimativt hæve dit mærke og virksomhedsverdien over mængden.