Ηγέτες σκέψης
Εταιρείες CPG: είναι ώρα να εξετάσετε πιο προσεκτικά τα δεδομένα σας

Βασικά σημείαΟι CPGs πρέπει να αντικαταστήσουν τα ιστορικά δεδομένα πωλήσεων με δεδομένα POS σε…
Δείτε περισσότερα
- Οι CPGs πρέπει να αντικαταστήσουν τα ιστορικά δεδομένα πωλήσεων με δεδομένα POS σε πραγματικό χρόνο και ανίχνευση ζήτησης μέσω τεχνητής νοημοσύνης.
- Τα cookies τρίτων απέτυχαν λόγω ανακρίβειας· ο σχεδιασμός ζήτησης των CPGs αντιμετωπίζει την ίδια κρίση αξιοπιστίας δεδομένων.
- Η τεχνητή νοημοσύνη και η μηχανική μάθηση επιτρέπουν πλέον δυναμική συγκέντρωση και βελτιστοποίηση αποθεμάτων για ακριβέστερες προβλέψεις.
Τι έχουν κοινό ο παραδοσιακός προγραμματισμός ζήτησης και το cookie διαφήμισης; Και τα δύο αντικαθίστανται από κάτι πιο εξελιγμένο. Γιατί; Γιατί και στις δύο περιπτώσεις, η έλλειψη των κατάλληλων δεδομένων και αναλύσεων θα μας οδηγήσει λάθος στην κατανόηση του καταναλωτή.
Προγραμματισμός ζήτησης και η εξάρτηση από ιστορικά δεδομένα πωλήσεων
Η παραδοσιακή διαχείριση ζήτησης ξεκινά με ιστορικά δεδομένα πωλήσεων και αποστολών σε όλους τους πελάτες για μια συγκεκριμένη χρονική περίοδο, ως βάση για μια πρόβλεψη εσόδων και μονάδων. Η πρόβλεψη γίνεται σε διαφορετικά επίπεδα συγκέντρωσης, ανάλογα με τη μονάδα διαχείρισης αποθέματος (SKU) και τον αριθμό των κέντρων διανομής (DCs) και εργοστασίων που συμμετέχουν σε αυτό το SKU. Αυτή η πρόβλεψη στη συνέχεια αναμορφώνεται μεταξύ των τμημάτων πωλήσεων, μάρκετινγκ και οικονομικών για να φτάσει σε αυτό που θεωρείται ένας εύλογος και επιτεύξιμος στόχος αύξησης, με βάση την προηγούμενη απόδοση. Αυτός ο στόχος χρησιμοποιείται για τη δημιουργία σχεδίων παραγωγής, συχνά σε μηνιαία βάση (π.χ. SKU ανά εργοστάσιο ανά μήνα). Το σχέδιο παραγωγής, ιδανικά σε συνδυασμό με προβλέψεις στο επίπεδο DC, στη συνέχεια οδηγεί την προγραμματισμένη αναπλήρωση για τις αποστολές από ένα εργοστάσιο σε ένα DC. Όλα αυτά για να προσφέρουμε ένα εύλογο και κοινά αποδεκτό σχέδιο.
Ωστόσο, οι προγραμματιστές ζήτησης έχουν καταλήξει στο συμπέρασμα ότι τα ιστορικά δεδομένα πωλήσεων δεν είναι αρκετά για να δουν τι χρειάζονται οι καταναλωτές σήμερα ή αύριο. Η επίδραση της πανδημίας και οι προκλήσεις της αλυσίδας εφοδιασμού που ακολούθησαν, έκαναν αυτό πολύ εμφανές. Επιπλέον, οι επιλογές απευθείας αγοράς από τον παραγωγό για τους καταναλωτές έχουν απλώς καταστήσει τη διαδικασία προγραμματισμού πιο σύνθετη. Τα δεδομένα της προηγούμενης απόδοσης δεν αντανακλούν τις βραχυπρόθεσμες αλλαγές στη συμπεριφορά του καταναλωτή, ούτε μπορούν να συμβαδίσουν με τις ταχείες αλλαγές στη συμπεριφορά του καταναλωτή και τις διακοπές των προμηθευτών.
Πού είναι η αναλογία με το cookie διαφήμισης;
Για πάνω από 20 χρόνια, οι διαφημιστές CPG βασίζονταν σε cookies τρίτων μερών για να επιτύχουν κλίμακα διαφήμισης και να ασκήσουν ένα είδος μάρκετινγκ που οδηγείται από την απόδοση, το οποίο καθοδηγούσε τις δαπάνες τους για διαφήμιση. Αντί να διαπραγματεύονται συμφωνίες με ιστότοπους μέσων ενημέρωσης ένα-ένα, χωρίς κανένα δεδομένο για να επιβεβαιώσουν την αξία του ενός ιστότοπου έναντι του άλλου, τα cookies και η προγραμματική διαφήμιση εξελίχθηκαν τη διαφήμιση σε κάτι που υποσχόταν να είναι πιο εύκολα μετρήσιμο και δικαιολογημένο. Σύμφωνα με τον Matt Naeger, ο οποίος είναι υπεύθυνος στρατηγικής για την αμερικανική αγορά της Merkle, «Γίναμε λίγο εξαρτημένοι από τα cookies τρίτων μερών, επειδή ήταν πιο εύκολο, πιο γρήγορο και απαιτούσε λιγότερο σχεδιασμό και ενσωμάτωση [από το παραδοσιακό μάρκετινγκ].»
Ωστόσο, ακόμη και πριν από την άνοδο των κανόνων προστασίας της ιδιωτικής ζωής και των μπλοκ διαφημίσεων, η ακρίβεια των δεδομένων cookie ήρθε σε αμφισβήτηση. Οι καταναλωτές είχαν την επιλογή να καθαρίσουν την κρυφή μνήμη των cookies, η οποία είχε ως αποτέλεσμα να υποεκτιμηθεί το πραγματικό ενδιαφέρον του καταναλωτή. Και στην αντίθετη κατεύθυνση, η διαδεδομένη παρουσία bots που μπορούσαν να δημιουργήσουν μεγάλες ποσότητες ψεύτικης διαφημιστικής κίνησης υπερεκτιμούσε σοβαρά το πραγματικό ενδιαφέρον.
Η έλλειψη αποτελεσμάτων που μπορούν να αξιοποιηθούν στην πράξη και η υπερεξάρτηση από τα cookies για να μετρήσουν το ενδιαφέρον οδήγησε τον Stephen Pretorius, CTO στη βρετανική διαφημιστική εταιρεία WPP, να δηλώσει «Δεν είμαι ιδιαίτερα λυπημένος για την πτώση των cookies τρίτων μερών, επειδή ποτέ δεν ήταν πραγματικά ακριβή, ποτέ δεν ήταν πραγματικά χρήσιμα και στην πραγματικότητα νομίζω όλη αυτή η διαδικασία μας βοήθησε όλους να ξανασκεφτούμε τι δεδομένα έχουν σημασία.»
Όσον αφορά το cookie, νέες και πιο εξελιγμένες προσεγγίσεις – που προστατεύουν την προσωπική ταυτότητα αλλά vẫn αναγνωρίζουν τους πιθανούς αγοραστές – έρχονται στο προσκήνιο. Προσεγγίσεις όπως η ανάθεση κοόρτων με βάση τον περιηγητή, τα αναγνωριστικά που βασίζονται στη δραστηριότητα αντί στην προσωπική ταυτότητα και τα δεδομένα πρώτου μέρους – εξετάζονται ενεργά. Επιπλέον, τα μοντέλα AI και machine learning μπορούν τώρα να παρέχουν πληροφορίες που βοηθούν να κάνουν τις διαφημίσεις πιο αποτελεσματικές με μετρήσιμο τρόπο – προσελκύοντας, αντί να παρακολουθούν τους καταναλωτές.
Για τον προγραμματισμό ζήτησης, η αναλογία είναι παρόμοια. Η καρδιά του προγραμματισμού ζήτησης είναι η πρόβλεψη της ζήτησης του καταναλωτή και η αποκρυπτογράφηση κάθε παράγοντα που διαμορφώνει τη ζήτηση του καταναλωτή. Τα ιστορικά δεδομένα και οι αποστολές δεν ήταν ποτέ μια καλή πηγή πληροφοριών, και η εγγενής προκατάληψη μεταξύ των τμημάτων πωλήσεων, μάρκετινγκ και οικονομικών δεν θα παράγει μια καλύτερη πρόβλεψη. Η υπερβολική εμπιστοσύνη σε αυτές τις πεποιθήσεις απέτυχε να καταγράψει τις αλλαγές και την επίδραση των βραχυπρόθεσμων και τοπικών συνθηκών. Και όπως και το cookie, περισσότερα δεδομένα, καλύτερες πηγές και νέες διαδικασίες σε συνδυασμό με AI και machine learning παρέχουν έναν καλύτερο δρόμο προς τα εμπρός.
Ποια είναι η λύση για τον προγραμματισμό ζήτησης;
Οι προγραμματιστές ζήτησης εξετάζουν πιο στενά την ακρίβεια των προβλέψεων τους ως αποτέλεσμα της μεταβλητότητας και της πολυπλοκότητας στις σημερινές αγορές. Τρεις περιοχές ξεχωρίζουν ιδιαίτερα ως συνεισφέροντες στην ανακρίβεια της πρόβλεψης:
- η απουσία μοντέλων που χρησιμοποιούν δεδομένα σε πραγματικό χρόνο από σημεία πώλησης (POS) και άλλες πηγές δεδομένων που θα βελτιώσουν την πρόβλεψη με τους τρέχοντες παράγοντες που επηρεάζουν τη ζήτηση;
- η χρήση machine learning που ανακαλύπτει το σωστό επίπεδο και/ή ομαδοποίηση με την οποία να εκτελεστεί μια πρόβλεψη για τη μεγαλύτερη συνολική ακρίβεια; και
- οι μεθοδολογίες μοντέλων AI που λαμβάνουν υπόψη τις χαμένες πωλήσεις που δεν συμπεριλήφθηκαν στη μελλοντική ζήτηση;
Ξανά, καλύτερα δεδομένα και επιστήμη δεδομένων μπορούν να αντιμετωπίσουν αυτές τις προκλήσεις. Οι εταιρείες CPG δημιουργούν ένα νέο επίπεδο εμπειρογνωμοσύνης προβλέψεων που εμπλουτίζει τη διαδικασία προγραμματισμού με πληροφορίες AI και machine learning με βάση ένα ευρύτερο φάσμα δεδομένων και προηγμένων τεχνικών μοντελοποίησης.
Περιοχές επένδυσης περιλαμβάνουν:
- Ανίχνευση ζήτησης – αξιοποίηση βραχυπρόθεσμων δεδομένων – συμπεριλαμβανομένων δεδομένων κατάστασης παραγγελίας, πρόσφατων δεδομένων πώλησης, αποθεμάτων λιανοπωλητών, εκτέλεσης προώθησης, λιανικής τιμής, προϊόντων και τοποθεσιών-ειδικών χαρακτηριστικών, συναισθήματος στα μέσα κοινωνικής δικτύωσης και παραγόντων κόστους αποθήκης – σε μοντέλα που εκτελούνται πιο συχνά για να βελτιώσουν την ανταπόκριση στη ζήτηση σε βραχυπρόθεσμο ορίζοντα με πρόσφατες πληροφορίες και συχνές ενέργειες;
- Βελτιστοποίηση αποθεμάτων – εξελιγμένες προσεγγίσεις machine learning για την αξιολόγηση των πιθανοτήτων χαμένων ή περίσσειας πωλήσεων στα δεδομένα πρόβλεψης και τη λήψη υπόψη αυτών των πληροφοριών για να μεγιστοποιήσουν το ποσοστό κάλυψης των παραγγελιών;
- Δυναμική Συγκέντρωση – μια προσεγγίση AI που υπερνικά το υψηλό επίπεδο μεταβλητότητας των δεδομένων σε πιο αναλυτικά επίπεδα που μπορεί να επηρεάσουν την ακρίβεια της πρόβλεψης σε υψηλότερα επίπεδα συγκέντρωσης.
Αυτές οι νέες προσεγγίσεις, και πολλές άλλες, συμβάλλουν στην καθοδήγηση των προβλέψεων ζήτησης να γίνουν πιο ακριβείς, πιο εύκολες στην ανταπόκριση και σημαντικά λιγότερο μεταβλητές. Επιπλέον, συμβάλλουν στη διαδικασία προγραμματισμού ζήτησης με την αυτοματοποίηση των χρονοβόρων χειροκίνητων εργασιών σε υπολογιστικά φύλλα, την εύκολη κλιμάκωση για να ενσωματώσουν ένα ευρύτερο φάσμα εσωτερικών και εξωτερικών δεδομένων και, λόγω της ενσωματωμένης δυνατότητας μάθησης αυτών των μοντέλων, συμβάλλουν στην συνεχή βελτίωση με το χρόνο.
Δεν υπάρχει ξέφυγμα από αυτό: ένας κόσμος όπου η προσελκύση πελατών μπορεί να επιτευχθεί μέσω ενός μηχανισμού παρακολούθησης – και η προμήθεια του τι χρειάζονται αύριο μπορεί να βασιστεί απλά σε αυτό που αγοράστηκε στο παρελθόν – εξαφανίζεται. Η ευκαιρία για μεγαλύτερη και πιο μόνιμη αύξηση πωλήσεων βρίσκεται στο να ψαξουμε πιο βαθιά στα δεδομένα για να μάθουμε τι είναι ο καταναλωτής. Για περισσότερες πληροφορίες σχετικά με τις λύσεις προβλέψεων, προγραμματισμού και τιμολόγησης με AI, κάντε κλικ εδώ.












