CPGs – Es hora de mirar más de cerca tus datos

¿Qué tienen en común la planificación tradicional de la demanda y la cookie publicitaria? Ambas están siendo reemplazadas por algo más sofisticado. ¿Por qué? Porque en cada caso, les falta la información y los análisis adecuados que les permitan entender a su consumidor.

Planificación de la demanda y la dependencia de los datos de ventas históricas

La gestión tradicional de la demanda comienza con los datos de ventas y envíos históricos de todos los clientes durante un período de tiempo determinado para establecer una base de ingresos y una previsión de unidades. La previsión se realiza en diferentes niveles de agregación dependiendo de la unidad de stock (SKU) y del número de centros de distribución (DC) y fábricas involucradas con esa SKU. Luego, la previsión se ajusta entre las funciones de ventas, marketing y finanzas para llegar a lo que se considera un objetivo de crecimiento razonable y alcanzable basado en el desempeño pasado. Esto se utiliza para crear planes de fabricación, a menudo en un calendario mensual (por ejemplo, SKU por fábrica por mes). El plan de producción, idealmente en combinación con previsión a nivel de DC, luego impulsa la planificación de reposición para las entregas desde una fábrica a un DC. Todo para entregar un plan razonable y consensuado.

Sin embargo, los planificadores de la demanda han llegado a reconocer que los datos de ventas históricos no son suficientes para ver lo que los consumidores necesitan hoy o mañana. El impacto de la pandemia y los desafíos de la cadena de suministro que siguieron, hicieron que esto fuera muy evidente. Además, las opciones de compra directa al consumidor solo han complicado más el proceso de planificación. Los datos de desempeño pasado no reflejan los cambios a corto plazo en el comportamiento del consumidor, ni pueden seguir el ritmo de los cambios rápidos en el comportamiento del consumidor y las interrupciones de los proveedores.

¿Pero dónde está la analogía con la cookie publicitaria?

Durante más de 20 años, los anunciantes de CPG se apoyaron en cookies de terceros para lograr una escala publicitaria y practicar un tipo de marketing basado en el rendimiento que guiaba su gasto publicitario. En lugar de negociar acuerdos con sitios de medios uno a uno, sin datos para confirmar el valor de un sitio sobre otro, las cookies y el marketing programático convirtieron la publicidad en algo que prometía ser más fácil de cuantificar y justificar. Según Matt Naeger, quien dirige la estrategia de EE. UU. para la agencia de marketing de rendimiento Merkle, “Nos volvimos un poco dependientes de las cookies de terceros porque era más fácil, más rápido y requería menos planificación e integración [que el marketing tradicional].”

Sin embargo, incluso antes del auge de las reglas de privacidad y los bloqueadores de anuncios, la precisión de los datos de las cookies se cuestionó.   A los consumidores se les dio la opción de borrar sus cachés de cookies, lo que sirvió para subestimar lo que podría haber sido un interés real del consumidor. Y en la dirección opuesta, la prevalencia de bots que podían fabricar grandes cantidades de tráfico publicitario falso sobrestimó el interés real.

La falta de resultados tangibles y la dependencia excesiva de las cookies para medir el interés llevaron a Stephen Pretorius, CTO de la agencia publicitaria WPP con sede en el Reino Unido, a declarar “No estoy particularmente triste por la desaparición de las cookies de terceros porque nunca fueron realmente precisas, nunca realmente útiles, y de hecho creo que todo esto nos ha ayudado a todos a replantearnos qué datos importan.”

En cuanto a la cookie, se están desarrollando nuevos y más sofisticados enfoques – que protegen la identidad personal pero aún identifican a los posibles compradores – están surgiendo. Enfoques como la asignación de cohortes basadas en el navegador, la actividad versus la identidad personal asignada, y los datos de primera parte – están siendo activamente explorados. Además, los modelos de inteligencia artificial y aprendizaje automático pueden proporcionar ahora información que ayuda a hacer que los anuncios en sí mismos sean más efectivos – atraer, en lugar de rastrear a los consumidores.

Para la planificación de la demanda, la analogía es similar. El corazón de la planificación de la demanda es predecir la demanda del consumidor y descifrar cada factor que impulsa la demanda del consumidor. Los datos históricos y los envíos nunca fueron una gran fuente de información, y los sesgos inherentes entre las ventas, el marketing y las finanzas no generaron una previsión mejor. La confianza excesiva en estas creencias no capturó los cambios y el impacto de las condiciones a corto plazo y locales. Y al igual que la cookie, más datos, mejores fuentes y nuevos procesos combinados con la inteligencia artificial y el aprendizaje automático proporcionan un mejor camino hacia adelante.

¿Cuál es la resolución para la planificación de la demanda?

Los planificadores de la demanda están examinando más de cerca la precisión de sus previsión de planificación como resultado de la volatilidad y la complejidad en los mercados de hoy. Tres áreas en particular se destacan como contribuyentes a la inexactitud de la previsión:

• la ausencia de modelos que utilicen fuentes de datos en tiempo real, como los datos de punto de venta (POS) y otros, que podrían ajustar mejor la previsión a los factores que impactan la demanda actual;
• el aprendizaje automático que descubre el nivel y/o agrupación adecuados para ejecutar una previsión con la mayor precisión agregada; y
• las metodologías de modelado de inteligencia artificial para tener en cuenta las ventas perdidas que no se consideraron en la demanda futura.

Una vez más, mejores datos y ciencia de datos pueden abordar estos desafíos. Las empresas de CPG están creando una nueva capa de experiencia en previsión que complementa su proceso de planificación con información y técnicas de modelado avanzadas basadas en una amplia gama de datos y en inteligencia artificial y aprendizaje automático.

Áreas de inversión incluyen:

• Detección de demanda – aprovechando los datos a corto plazo – incluyendo el estado de los pedidos, los datos de venta recientes, el inventario del minorista, la ejecución de promociones, el precio minorista, los atributos específicos de producto y ubicación, la opinión en las redes sociales y los factores de costo de inventario – en modelos que se ejecutan con más frecuencia para mejorar la respuesta a la demanda a corto plazo con información reciente y acciones frecuentes;

• Optimización de inventario – enfoques de aprendizaje automático sofisticados para evaluar las probabilidades de ventas perdidas o excesivas en los datos de previsión y considerar esas informaciones para maximizar la tasa de llenado;

• Agregación dinámica – un enfoque de inteligencia artificial que supera el alto nivel de variabilidad en los datos a niveles más desagregados que pueden impactar la precisión de la previsión a niveles más agregados.

Estos nuevos enfoques, y más, están sirviendo para hacer que las previsión de demanda sean más precisas, más fáciles de reaccionar y considerablemente menos volátiles. Además, contribuyen al proceso de planificación de la demanda al automatizar tareas manuales laboriosas, escalar fácilmente para incorporar una mayor variedad de datos internos y externos, y, debido al aspecto de aprendizaje incorporado en estos modelos, contribuir a la mejora continua con el tiempo.

No hay escapatoria: un mundo donde atraer a los clientes se puede lograr a través de un mecanismo de seguimiento – y suministrar lo que necesitan mañana se puede basar simplemente en lo que se compró en el pasado – está desapareciendo. La oportunidad para un crecimiento de ventas mayor y más permanente se encuentra en profundizar en los datos para aprender qué es lo que el consumidor está buscando. Para obtener más información sobre soluciones de previsión, planificación y precios impulsadas por inteligencia artificial, haga clic aquí.