CPGs – Es ist Zeit, Ihre Daten genauer zu betrachten

Was haben traditionelle Nachfrageplanung und das Werbe-Cookie gemeinsam? Beide werden durch etwas Sophistizierteres ersetzt. Warum? Weil sie in beiden Fällen die richtigen Daten und Analysen fehlen, die Sie auf dem Weg zum Verständnis Ihres Verbrauchers in die Irre führen.

Nachfrageplanung und die Abhängigkeit von historischen Verkaufsdaten

Traditionelle Nachfrageplanung beginnt mit historischen Verkaufs- und Versanddaten über alle Kunden hinweg für einen bestimmten Zeitraum, um eine Basis für Umsatz- und Einheitenprognose zu erstellen. Die Prognose wird auf verschiedenen Aggregationsstufen durchgeführt, abhängig von der Artikelnummer (SKU) und der Anzahl der Verteilungszentren (DCs) und Fabriken, die an dieser SKU beteiligt sind. Diese Prognose wird dann zwischen den Vertriebs-, Marketing- und Finanzfunktionen abgestimmt, um ein vernünftiges, erreichbares Wachstumsziel auf der Grundlage der Vergangenheitsleistung zu erstellen. Dies wird verwendet, um Produktionspläne zu erstellen, oft auf monatlicher Basis (z. B. SKU pro Fabrik pro Monat). Der Produktionsplan, idealerweise in Kombination mit DC-Ebenenprognosen, treibt dann die Nachschubplanung für Lieferungen von einer Fabrik zu einem DC an. All dies, um einen vernünftigen, einvernehmlichen Plan zu liefern.

Allerdings haben Nachfrageplaner erkannt, dass historische Verkaufsdaten nicht ausreichen, um zu sehen, was die Verbraucher heute oder morgen benötigen. Der Einfluss der Pandemie und die damit verbundenen Lieferkettenherausforderungen machten dies sehr deutlich. Darüber hinaus haben direkte Verbraucherkaufsoptionen den Planungsprozess nur noch komplizierter gemacht. Vergangene Leistungsdaten spiegeln nicht die kurzfristigen Änderungen im Verbraucherverhalten wider, noch können sie mit den schnellen Verschiebungen im Verbraucherverhalten und den Lieferunterbrechungen Schritt halten.

Wo ist die Analogie zum Werbe-Cookie?

Für über 20 Jahre stützten sich CPG-Werbetreibende auf Drittanbieter-Cookies, um Werbeskalen zu erreichen und eine Art leistungsbasiertes Marketing zu betreiben, das ihre Werbeausgaben leitete. Anstatt individuelle Deals mit Medien-Websites abzuschließen, ohne Daten zu haben, um den Wert einer Website gegenüber einer anderen zu bestätigen, entwickelten sich Cookies und programmiertes Marketing zu etwas, das versprach, leichter quantifizierbar und gerechtfertigt zu sein. Laut Matt Naeger, der die US-Strategie für die Performance-Marketing-Agentur Merkle leitet, „Wir wurden ein bisschen abhängig von Drittanbieter-Cookies, weil es einfacher, schneller und weniger planungs- und integrationsintensiv war [als traditionelles Marketing].“

Already vor dem Aufstieg der Datenschutzregeln und Ad-Blocker wurde die Genauigkeit von Cookie-Daten in Frage gestellt.  Verbraucher wurden geboten, ihre Cookie-Caches zu löschen, was dazu führte, dass das tatsächliche Verbraucherinteresse unterzählt wurde. Und in die entgegengesetzte Richtung führte die Verbreitung von Bots, die große Mengen an gefälschtem Ad-Traffic erzeugen konnten, zu einer Überzählung des tatsächlichen Interesses.

Der Mangel an handhabbaren Ergebnissen und die Überabhängigkeit von Cookies, um Interesse zu messen, führten Stephen Pretorius, CTO bei der britischen Werbeagentur WPP, zu der Aussage „Ich bin nicht besonders traurig über den Niedergang von Drittanbieter-Cookies, weil sie nie wirklich genau, nie wirklich nützlich waren und ich denke, dieses ganze Ding hat uns alle dazu gebracht, über das nachzudenken, was Daten wirklich wichtig macht.”

Soweit es das Cookie betrifft, kommen neue und sophistiziertere Ansätze auf, die die persönliche Identität schützen, aber dennoch potenzielle Käufer identifizieren. Ansätze wie browserbasierte Kohortenzuweisungen, Aktivitäts- anstelle von personenbezogenen ID-Zuweisungen und First-Party-Daten werden aktiv erforscht. Darüber hinaus können KI- und Machine-Learning-Modelle jetzt Erkenntnisse liefern, die dazu beitragen, die Werbeanzeigen selbst messbar effektiver zu machen – anziehen, anstatt Verbraucher zu verfolgen.

Für die Nachfrageplanung ist die Analogie ähnlich. Das Herzstück der Nachfrageplanung besteht darin, die Verbrauchernachfrage vorherzusagen und jeden Nachfragefaktor zu entschlüsseln, der die Verbrauchernachfrage prägt. Historische Daten und Lieferungen waren nie eine gute Informationsquelle, und die inhärente Voreingenommenheit zwischen Vertrieb, Marketing und Finanzen würde keine bessere Prognose erzeugen. Übermäßiges Vertrauen in diese Überzeugungen verfehlte die Erfassung von Verschiebungen und Auswirkungen von kurzfristigen und lokalen Bedingungen. Und genau wie das Cookie bieten mehr Daten, bessere Quellen und neue Prozesse in Kombination mit KI und Machine Learning einen besseren Weg nach vorne.

Was ist die Lösung für die Nachfrageplanung?

Nachfrageplaner betrachten die Genauigkeit ihrer Planungsprognosen aufgrund der Volatilität und Komplexität in den heutigen Märkten genauer. Drei Bereiche stehen insbesondere als Beiträge zu Prognosefehlern hervor:

• die Abwesenheit von Modellen, die Echtzeit-Point-of-Sale- (POS-) und andere Datenquellen nutzen, um die Prognose an aktuelle Faktoren anzupassen, die die Nachfrage beeinflussen;
• Machine Learning, das das richtige Level und/oder die Gruppierung aufdeckt, auf der die Prognose mit der größten Gesamtgenauigkeit durchgeführt werden sollte; und
• die KI-Modellierungsmethoden, um die verlorenen Verkäufe zu berücksichtigen, die nicht in die zukünftige Nachfrageberücksichtigung aufgenommen wurden.

Erneut können bessere Daten und Datenwissenschaft diese Herausforderungen angehen. CPG-Unternehmen schaffen eine neue Ebene von Prognose-Expertise, die ihren Planungsprozess mit KI- und Machine-Learning-Erkenntnissen auf der Grundlage einer breiteren Datenpalette und fortschrittlicherer Modellierungstechniken ergänzt.

Investitionsbereiche umfassen:

• Nachfragesensoren – Nutzung von kurzfristigen Daten – einschließlich Bestellstatus, kürzlicher Verkaufsdaten, Händlerbestand, Promotionsausführung, Einzelhandelspreise, produktspezifische und standortspezifische Attribute, soziale Medien-Stimmung und Lagerkostenfaktoren – in Modellen, die häufiger durchgeführt werden, um die kurzfristige Nachfragereaktion mit aktuellen Erkenntnissen und häufigen Aktionen zu verbessern;

• Lageroptimierung – fortschrittliche Machine-Learning-Ansätze, um die Wahrscheinlichkeiten von verlorenen oder überschüssigen Verkäufen in Prognosedaten zu bewerten und diese Erkenntnisse zu berücksichtigen, um die Auslastungsrate zu maximieren;

• Dynamische Aggregation – ein KI-Ansatz, der die hohe Variabilität von Daten auf disaggregierteren Ebenen überwindet, die die Prognosegenauigkeit auf höheren Aggregationsstufen beeinflussen kann.

Diese neuen Ansätze und viele mehr tragen dazu bei, Nachfrageprognosen genauer, reaktionsfähiger und weniger volatil zu machen. Darüber hinaus tragen sie zum Nachfrageplanungsprozess bei, indem sie laborintensive manuelle Tabellenkalkulationen automatisieren, leicht skaliert werden, um eine breitere Palette interner und externer Daten zu integrieren, und aufgrund des integrierten Lernaspekts dieser Modelle zu kontinuierlicher Verbesserung über die Zeit beitragen.

Es gibt kein Entrinnen: eine Welt, in der die Ansprache von Kunden durch ein einzelnes Tracking-Mechanismus erreicht werden kann – und die Lieferung dessen, was sie morgen benötigen, einfach auf der Grundlage dessen basiert, was in der Vergangenheit gekauft wurde – verschwindet. Die Chance für größeres und dauerhafteres Umsatzwachstum liegt darin, tiefer in die Daten zu graben, um zu erfahren, was der Verbraucher wirklich will. Für weitere Informationen über KI-gestützte Prognose-, Planungs- und Preisfindungslösungen klicken Sie hier.