CPG – Ήρθε η ώρα να κοιτάξετε πιο προσεκτικά τα δεδομένα σας

Τι κοινό έχουν ο παραδοσιακός σχεδιασμός ζήτησης και το διαφημιστικό cookie; Και οι δύο αντικαθίστανται από κάτι πιο εξελιγμένο. Γιατί; Επειδή σε κάθε περίπτωση, τους λείπουν τα σωστά δεδομένα και αναλυτικά στοιχεία που θα σας παραπλανήσουν στο δρόμο για την κατανόηση του καταναλωτή σας.

Σχεδιασμός ζήτησης και εξάρτηση από ιστορικά δεδομένα πωλήσεων

Η παραδοσιακή διαχείριση ζήτησης ξεκινά με ιστορικά δεδομένα πωλήσεων και αποστολών σε όλους τους πελάτες για κάποια χρονική περίοδο για μια βασική πρόβλεψη εσόδων και μονάδας. Η πρόβλεψη γίνεται σε διαφορετικά επίπεδα συγκέντρωσης ανάλογα με τη μονάδα τήρησης αποθεμάτων (SKU) και τον αριθμό των κέντρα διανομής (DC) και εργοστάσια που ασχολούνται με αυτό το SKU. Στη συνέχεια, αυτή η πρόβλεψη συγχωνεύεται μεταξύ των λειτουργιών πωλήσεων, μάρκετινγκ και χρηματοδότησης για να καταλήξουμε σε αυτό που πιστεύεται ότι είναι ένας εύλογος, εφικτός στόχος ανάπτυξης με βάση τις προηγούμενες επιδόσεις. Αυτό χρησιμοποιείται για τη δημιουργία κατασκευής σχέδια, συχνά σε μηνιαίο πρόγραμμα (π.χ. SKU ανά εργοστάσιο ανά μήνα). Το σχέδιο παραγωγής, ιδανικά σε συνδυασμό με προβλέψεις σε επίπεδο DC, οδηγεί στη συνέχεια τον προγραμματισμό αναπλήρωσης για παραδόσεις από ένα εργοστάσιο σε ένα DC. Όλα για να παραδώσουν ένα λογικό σχέδιο συναίνεσης.

Ωστόσο, οι υπεύθυνοι σχεδιασμού ζήτησης έχουν καταλάβει ότι τα ιστορικά δεδομένα πωλήσεων δεν είναι αρκετά για να δουν τι χρειάζονται οι καταναλωτές σήμερα ή αύριο. Ο αντίκτυπος της πανδημίας και οι προκλήσεις της εφοδιαστικής αλυσίδας που ακολούθησαν, το έκαναν πολύ εμφανές. Επιπλέον, οι επιλογές αγορών απευθείας στους καταναλωτές έχουν κάνει τη διαδικασία σχεδιασμού πιο περίπλοκη. Τα δεδομένα απόδοσης του παρελθόντος δεν αντικατοπτρίζουν βραχυπρόθεσμες αλλαγές στη συμπεριφορά των καταναλωτών, ούτε μπορούν να συμβαδίσουν με τις γρήγορες αλλαγές στη συμπεριφορά των καταναλωτών και τις διακοπές των προμηθευτών.

Αλλά πού είναι η αναλογία με το διαφημιστικό cookie; 

Για περισσότερα από 20 χρόνια, οι διαφημιστές CPG βασίζονταν σε cookie τρίτων για να επιτύχουν διαφημιστική κλίμακα και να ασκήσουν ένα είδος μάρκετινγκ με γνώμονα την απόδοση που καθοδηγούσε τις διαφημιστικές δαπάνες τους. Αντί να διαπραγματεύονται συμφωνίες με ιστότοπους πολυμέσων ένα προς ένα, χωρίς δεδομένα που να επιβεβαιώνουν την αξία ενός ιστότοπου έναντι του άλλου, τα cookie και το μάρκετινγκ μέσω προγραμματισμού εξέλιξαν τη διαφήμιση σε κάτι που υπόσχεται να είναι πιο εύκολα ποσοτικοποιήσιμο και δικαιολογήσιμο. Σύμφωνα με τον Matt Naeger, ο οποίος είναι επικεφαλής της στρατηγικής των ΗΠΑ για την εταιρεία μάρκετινγκ επιδόσεων Merkle, «Γίναμε λίγο εξαρτημένοι από cookies τρίτων, επειδή ήταν ευκολότερο, πιο γρήγορο και απαιτούσε λιγότερο σχεδιασμό και ενσωμάτωση [από το παραδοσιακό μάρκετινγκ]».

Ωστόσο, ακόμη και πριν από την άνοδο των κανόνων απορρήτου και των προγραμμάτων αποκλεισμού διαφημίσεων, η ακρίβεια των δεδομένων cookie τέθηκε υπό αμφισβήτηση.  Δόθηκε στους καταναλωτές η επιλογή να εκκαθαρίσουν τις κρυφές μνήμες cookie, οι οποίες χρησίμευαν για να υπολογίσουν το πραγματικό ενδιαφέρον των καταναλωτών. Και προς την αντίθετη κατεύθυνση, η επικράτηση των ρομπότ που θα μπορούσαν να κατασκευάσουν γκάζια ψεύτικης επισκεψιμότητας διαφημίσεων υπερμέτρησε σοβαρά το πραγματικό ενδιαφέρον.

Η έλλειψη αποτελεσματικών αποτελεσμάτων και η υπερβολική εξάρτηση από cookies για τη μέτρηση του ενδιαφέροντος οδήγησε τον Stephen Pretorius, CTO στο διαφημιστικό γραφείο WPP με έδρα το Ηνωμένο Βασίλειο, να δηλώσει «Δεν είμαι ιδιαίτερα λυπημένος για την κατάργηση των cookies τρίτων, επειδή ποτέ δεν ήταν τόσο ακριβή, ποτέ τόσο χρήσιμα, και στην πραγματικότητα νομίζω όλο αυτό μας βοήθησε όλους να ξανασκεφτούμε ποια δεδομένα έχουν σημασία».

Όσον αφορά το cookie, νέες και πιο εξελιγμένες προσεγγίσεις – που προστατεύουν την προσωπική ταυτότητα αλλά εξακολουθούν να προσδιορίζουν πιθανούς αγοραστές – έρχονται στο προσκήνιο. Προσεγγίσεις όπως αναθέσεις κοόρτης που βασίζονται σε πρόγραμμα περιήγησης, αναγνωριστικά που έχουν εκχωρηθεί βάσει δραστηριότητας έναντι προσωπικής ταυτότητας και δεδομένα πρώτου μέρους – διερευνώνται ενεργά. Επιπλέον, τα μοντέλα τεχνητής νοημοσύνης και μηχανικής μάθησης μπορούν πλέον να παρέχουν πληροφορίες που βοηθούν να γίνουν οι ίδιες οι διαφημίσεις μετρήσιμα πιο αποτελεσματικές – προσελκύοντας, αντί να παρακολουθούν τους καταναλωτές.

Για τον προγραμματισμό της ζήτησης, η αναλογία είναι παρόμοια. Η καρδιά του σχεδιασμού της ζήτησης είναι η πρόβλεψη της καταναλωτικής ζήτησης και η αποκρυπτογράφηση κάθε παράγοντα ζήτησης που διαμορφώνει τη ζήτηση των καταναλωτών. Τα ιστορικά δεδομένα και οι αποστολές δεν ήταν ποτέ εξαιρετική πηγή πληροφοριών και η εγγενής προκατάληψη μεταξύ πωλήσεων, μάρκετινγκ και χρηματοδότησης δεν θα δημιουργούσε καλύτερη πρόβλεψη. Η υπερβολική εμπιστοσύνη σε αυτές τις πεποιθήσεις απέτυχε να συλλάβει τις αλλαγές και τον αντίκτυπο των βραχυπρόθεσμων και τοπικών συνθηκών. Και ακριβώς όπως το cookie, περισσότερα δεδομένα, καλύτερες πηγές και νέες διαδικασίες σε συνδυασμό με την τεχνητή νοημοσύνη και τη μηχανική εκμάθηση παρέχουν μια καλύτερη πορεία προς τα εμπρός.

Ποια είναι η λύση για τον προγραμματισμό της ζήτησης;

Οι υπεύθυνοι σχεδιασμού ζήτησης εξετάζουν προσεκτικότερα την ακρίβεια των προβλέψεων προγραμματισμού τους ως αποτέλεσμα της αστάθειας και της πολυπλοκότητας στις σημερινές αγορές. Ιδιαίτερα τρεις τομείς ξεχωρίζουν ως παράγοντες που συμβάλλουν στην ανακρίβεια των προβλέψεων:

• την απουσία μοντέλων που χρησιμοποιούν σημεία πώλησης σε πραγματικό χρόνο (POS) και άλλες πηγές δεδομένων που θα συντόνιζε καλύτερα την πρόβλεψη στους τρέχοντες παράγοντες που επηρεάζουν τη ζήτηση·
• μηχανική εκμάθηση που αποκαλύπτει το σωστό επίπεδο ή/και ομαδοποίηση για την εκτέλεση μιας πρόβλεψης για τη μεγαλύτερη συνολική ακρίβεια· και
• τις μεθοδολογίες μοντελοποίησης τεχνητής νοημοσύνης για να ληφθούν υπόψη οι χαμένες πωλήσεις που δεν μπήκαν καθόλου στη μελλοντική εξέταση της ζήτησης.

Για άλλη μια φορά, η καλύτερη επιστήμη δεδομένων και δεδομένων μπορεί να αντιμετωπίσει αυτές τις προκλήσεις. Οι εταιρείες CPG δημιουργούν ένα νέο επίπεδο τεχνογνωσίας στις προβλέψεις που ενισχύει τη διαδικασία σχεδιασμού τους με γνώσεις τεχνητής νοημοσύνης και μηχανικής μάθησης που βασίζονται σε ένα ευρύτερο φάσμα δεδομένων και προηγμένες τεχνικές μοντελοποίησης.

Οι τομείς επένδυσης περιλαμβάνουν:

• Ανίχνευση ζήτησης – μόχλευση βραχυπρόθεσμων δεδομένων – συμπεριλαμβανομένης της κατάστασης παραγγελίας, των πρόσφατων δεδομένων πωλήσεων, του αποθέματος λιανοπωλητή, της εκτέλεσης προώθησης, της λιανικής τιμολόγησης, των χαρακτηριστικών για το προϊόν και την τοποθεσία, το συναίσθημα των μέσων κοινωνικής δικτύωσης και των παραγόντων κόστους αποθέματος – σε μοντέλα που εκτελούνται πιο συχνά σε βελτίωση της βραχυπρόθεσμης ανταπόκρισης στη ζήτηση με πρόσφατες πληροφορίες και συχνές ενέργειες.

• Βελτιστοποίηση αποθέματος – εξελιγμένες προσεγγίσεις μηχανικής μάθησης για την αξιολόγηση των πιθανοτήτων απώλειας ή υπερβολικών πωλήσεων στα δεδομένα προβλέψεων και εξέταση αυτών των πληροφοριών προκειμένου να μεγιστοποιηθεί το ποσοστό κάλυψης· και

• Δυναμική Συνάθροιση – μια προσέγγιση τεχνητής νοημοσύνης που ξεπερνά το υψηλό επίπεδο μεταβλητότητας δεδομένων σε πιο χωριστά επίπεδα που μπορεί να επηρεάσει την ακρίβεια των προβλέψεων σε υψηλότερα συγκεντρωτικά επίπεδα.

Αυτές οι νέες προσεγγίσεις, και άλλες, χρησιμεύουν στο να κάνουν τις προβλέψεις ζήτησης πιο ακριβείς, πιο εύκολα αντιδραστικές και σημαντικά λιγότερο ασταθείς. Επιπλέον, συμβάλλουν στην επιχειρηματική διαδικασία σχεδιασμού ζήτησης, αυτοματοποιώντας τις επίπονες χειροκίνητες εργασίες υπολογιστικών φύλλων, εύκολα κλιμακώνοντας έτσι ώστε να ενσωματώνουν μεγαλύτερο εύρος εσωτερικών και εξωτερικών δεδομένων και, λόγω της ενσωματωμένης πτυχής μάθησης αυτών των μοντέλων, συμβάλλουν στην συνεχής βελτίωση με την πάροδο του χρόνου.

Δεν υπάρχει διαφυγή: ένας κόσμος όπου η προσέλκυση πελατών μπορεί να επιτευχθεί μέσω ενός μηχανισμού παρακολούθησης – και η παροχή όσων χρειάζονται αύριο μπορεί να βασίζεται απλώς σε αυτά που αγοράστηκε στο παρελθόν – εξαφανίζεται. Η ευκαιρία για μεγαλύτερη και πιο μόνιμη αύξηση των πωλήσεων έγκειται στην εμβάθυνση στα δεδομένα για να μάθετε τι είναι ο καταναλωτής. Για περισσότερες πληροφορίες σχετικά με τις λύσεις πρόβλεψης, σχεδιασμού και τιμολόγησης με τεχνητή νοημοσύνη, κάντε κλικ εδώ.