CPGs – Είναι Ώρα να Ρίξουμε Μια Καλύτερη Ματιά στα Δεδομένα μας

Τι έχουν κοινό η παραδοσιακή προγραμματισμένη ζήτηση και το cookie διαφήμισης; Και τα δύο αντικαθίστανται από κάτι πιο εξελιγμένο. Γιατί; Γιατί και στις δύο περιπτώσεις, λείπουν τα σωστά δεδομένα και οι αναλύσεις που θα μας οδηγήσουν λάθος στην κατανόηση του καταναλωτή.

Προγραμματισμένη ζήτηση και η εξάρτηση από ιστορικά δεδομένα πωλήσεων

Η παραδοσιακή διαχείριση ζήτησης ξεκινά με ιστορικά δεδομένα πωλήσεων και αποστολών σε όλους τους πελάτες για μια βασική πρόβλεψη εσόδων και μονάδων. Η πρόβλεψη γίνεται σε διαφορετικά επίπεδα συγχώνευσης, ανάλογα με το μονάδων αποθήκευσης (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合理ος 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 hợp理ος και συναφής 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 αγοράς trực tiếp στον καταναλωτή έχουν μόνο làmει την διαδικασία προγραμματισμού πιο σύνθετη. Τα δεδομένα της προηγούμενης απόδοσης δεν αντανακλούν τις αλλαγές στη συμπεριφορά του καταναλωτή, ούτε μπορούν να跟ουν 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 τρίτες κοινωνικές συνδέσεις 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 τρίτα κοινωνικά cookies, επειδή ήταν πιο εύκολο, πιο γρήγορο και απαιτούσε λιγότερη 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 ψευδή трафик διαφήμισης υπερέτιμε το πραγματικό ενδιαφέρον.

Η έλλειψη αποτελεσματικών αποτελεσμάτων και η υπερεξάρτηση από τα cookies για να μετρήσουν το ενδιαφέρον οδήγησε τον Stephen Pretorius, CTO στην WPP, να δηλώσει «Δεν είμαι ιδιαίτερα λυπημένος για την πτώση των τρίτων κοινωνικών cookies, 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, η δραστηριότητα έναντι της προσωπικής ταυτότητας 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 – προσελκύοντας, αντί να παρακολουθούν τους καταναλωτές.

Για την προγραμματισμένη ζήτηση, η αναλογία είναι παρόμοια. Η καρδιά της προγραμματισμένης 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近期 και τοπικών συνθηκών. Και όπως και το cookie, περισσότερα δεδομένα, καλύτερες πηγές και νέες διαδικασίες σε συνδυασμό με AI και machine learning παρέχουν einen καλύτερο δρόμο προς τα εμπρός.

Τι είναι η επίλυση για την προγραμματισμένη ζήτηση;

Οι προγραμματιστές ζήτησης εξετάζουν πιο στενά την ακρίβεια των προβλέψεων τους ως αποτέλεσμα της ταραχής και της复雑ίας στις σημερινές αγορές. Τρεις περιοχές ξεχωρίζουν ιδιαίτερα ως συνεισφέροντες στην ακαρίθεια 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 τα τρέχοντα 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:

• Αισθητήρας Ζήτησης – αξιοποίηση δεδομένων κοντά στο χρονικό σημείο – συμπεριλαμβανομένων δεδομένων κατάστασης παραγγελίας, πρόσφατων δεδομένων πώλησης, αποθήκης 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 στο κοντινό χρονικό σημείο με πρόσφατες πληροφορίες και συχνές ενέργειες;

• Βελτιστοποίηση Αποθήκης – 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 πληρότητας;

• 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 συγχώνευσης.

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表, την εύκολη κλιμάκωση για να ενσωματώσουν ένα ευρύτερο φάσμα εσωτερικών και εξωτερικών δεδομένων και, λόγω του ενσωματωμένου μαθήματος 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 sâuτά 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.