Kuluttajapakkaustavarat – on aika tarkastella tarkemmin omia tietoja

Mitä perinteinen kysyntäsuunnittelu ja mainos evästeellä ovat yhteisiä? Molemmat korvataan jotain monimutkaisemmalla. Miksi? Koska kummassakin tapauksessa niissä puuttuu oikeat tiedot ja analytiikka, joka voi johtaa harhaan kuluttajan ymmärtämisessä.

Kysyntäsuunnittelu ja historiallisten myyntitietojen riippuvuus

Perinteinen kysyntäsuunnittelu alkaa historiallisista myynti- ja toimitustiedoista kaikissa asiakkaissa tietyllä aikajaksolla perustuen tuloksen ja yksikköennusteen luomiseksi. Ennuste tehdään eri tasoilla riippuen varastointiyksiköstä (SKU) ja jakelukeskuksista (DC) ja tehtaista, jotka osallistuvat kyseiseen SKU:hen. Tämä ennuste muokataan myynti-, markkinointi- ja rahoitusfunktioiden välillä, jotta saadaan mielekäs, saavutettavissa oleva kasvutavoite perustuen menneisiin saavutuksiin. Tämä käytetään valmistus-suunnitelmien luomiseen, usein kuukausittaisella aikataululla (esim. SKU tehtaan mukaan kuukauden mukaan). Tuotantosuunnitelma, yhdistettynä DC-tason ennusteiden kanssa, ohjaa täydennys-suunnittelua tehtaan ja DC:n välillä. Kaikki nämä toimenpiteet tehdään järkevän, yhteisen suunnitelman toimittamiseksi.
Kysyntäsuunnittelijat ovat kuitenkin tulleet tietoiseksi siitä, että historialliset myyntitiedot eivät riitä ymmärtämään, mitä kuluttajat tarvitsevat tänään tai huomenna. Pandemian vaikutus ja sen jälkeiset toimitusketjun haasteet osoittivat tämän hyvin selvästi. Lisäksi suoraan kuluttajalle myyminen on vain monimutkaisempaa suunnitteluprosessia. Menneiden suoritusten tiedot eivät heijasta lähiaikojen muutoksia kuluttajan käyttäytymisessä eivätkä pysty seuraamaan nopeita muutoksia kuluttajan käyttäytymisessä ja toimittajien keskeytyksissä.

Missä on vertauskohta mainos evästeeseen?

Yli 20 vuoden ajan CPG-mainostajat nojasivat kolmannen osapuolen evästeisiin saavuttaakseen mainosmittakaavuutta ja harjoittaakseen suorituskykyä ohjaavaa markkinointia, joka ohjasi heidän mainoskulujaan. Sen sijaan, että neuvottelisivat yksittäisten mediakanavien kanssa yksitellen ilman tietoja arvon vahvistamiseksi yhden sivuston toisesta, evästeet ja ohjelmallinen mainonta kehittyivät mainonnaksi, joka lupailee olevan helpommin mittaavaa ja oikeutettavaa. Matt Naegerin mukaan, joka johtaa US-strategiaa suorituskykyä edistävälle mainos-toimistolle Merkle, “Meistä tuli vähän riippuvaisia kolmannen osapuolen evästeistä, koska se oli helpompaa, nopeampaa ja vaati vähemmän suunnittelua ja integrointia [kuin perinteinen markkinointi].”

Kuitenkin jo ennen yksityisyys-sääntöjen ja mainos esto-ohjelmien nousua, evästeiden tarkkuus kyseenalaistettiin.  Kuluttajat saivat mahdollisuuden tyhjentää evästeensä, mikä aiheutti sen, että todellinen kuluttajan kiinnostus voitiin aliarvioida. Toisaalta, botien yleisyys, jotka voivat luoda valtavat määrät väärää mainosliikennettä, yliarvioi todellisen kiinnostuksen.

Todellisten tuloksien puute ja evästeiden yliriippuvuus johti siihen, että Stephen Pretorius, CTO UK-pohjaisessa mainostoimistossa WPP, totesi “En ole erityisen surullinen kolmannen osapuolen evästeiden häviämisestä, koska ne eivät koskaan olleetkaan erityisen tarkkoja, eivätkä olleet erityisen hyödyllisiä, ja olen sitä mieltä, että tämä koko juttu on auttanut meitä kaikkia ajattelemaan, mitkä tiedot ovat todella tärkeitä.”

Evästeiden osalta uudet ja monimutkaisemmat lähestymistavat – jotka suojaavat henkilökohtaista identiteettiä, mutta tunnistavat edelleen potentiaalisia ostajia – ovat tulossa esiin. Lähestymistapoja, kuten selaimeen perustuvat joukkoonnittamiset, toiminta- henkilökohtaiseen identiteettiin liittyvät tunnistimet ja ensimmäisen osapuolen tiedot – tutkitaan aktiivisesti. Lisäksi tekoäly- ja koneoppimismallit voivat nykyään tarjota näkemyksiä, jotka tekevät mainokset itse mitattavasti tehokkaammaksi – houkuttelemalla kuluttajia, sen sijaan, että seurataan heitä.

Kysyntäsuunnittelun osalta vertauskohta on samanlainen. Kysyntäsuunnittelun ydin on ennustaa kuluttajan kysyntää ja tulkitsemaan jokaista tekijää, joka vaikuttaa kuluttajan kysyntään. Historialliset tiedot ja toimitukset eivät olleet koskaan hyvä lähde tietoa, ja sisäänrakennettu harha myynti-, markkinointi- ja rahoitusfunktioiden välillä ei tuottanut parempaa ennustetta. Yli-itsevarmuus näissä uskomuksissa ei onnistunut kaappaamaan lähiaikojen ja paikallisten olosuhteiden muutoksia. Ja juuri kuten eväste, paremmat tiedot, paremmat lähteet ja uudet prosessit yhdistettynä tekoälyyn ja koneoppimiseen tarjoavat paremman tien eteenpäin.

Mikä on ratkaisu kysyntäsuunnittelulle?

Kysyntäsuunnittelijat ovat tarkastelemassa heidän suunnitelmansa ennusteen tarkkuutta tarkemmin johtuen nykyisten markkinoiden volatiliteetista ja monimutkaisuudesta. Kolme aluetta erottuvat erityisesti ennusteen epätarkkuuden syiksi:

• puute malleista, jotka käyttävät reaaliaikaisia myyntipisteen (POS) ja muiden tietolähteiden tietoja, jotka voivat paremmin säätää ennustetta nykyisiin vaikuttaviin tekijöihin;
• tekoäly, joka paljastaa oikean tason ja/tai ryhmittelyn, jolla suorittaa ennusteen suurimman kokonaistarkkuuden saavuttamiseksi; ja
• tekoälymallien menetelmät, jotka ottaa huomioon myynti, joka ei päässyt tulevaan kysyntään;

Uudelleen, paremmat tiedot ja data-analytiikka voivat ratkaista nämä haasteet. CPG-yritykset luovat uuden asiantuntijuuden kerroksen, joka täydentää heidän suunnitteluprosessiaan tekoäly- ja koneoppimis-näkymillä, jotka perustuvat laajempiin tietoihin ja edistyneempiin mallinnusmenetelmiin.
Investoinnin kohteita ovat:

• Kysyntäntunnistus – hyödyntäen lähiaikojen tietoja – mukaan lukien tilaus-tila, viimeaikaiset myyntitiedot, jälleenmyyjän varastot, kampanjan toteutus, vähittäiskaupan hinnat, tuote- ja sijaintikohtaiset ominaisuudet, sosiaalisen median mielipide ja varastokustannukset – malleissa, jotka suoritetaan useammin parantamaan lyhytaikaista kysyntävastetta viimeaikaisilla näkymillä ja toimilla;

• Varastoptimointi – monimutkaiset tekoälylähestymistavat arvioida menetettyjä tai ylijäämäisiä myyntejä ennusteessa ja huomioon ottamista näkemyksiä varastotason maksimoimiseksi;

• Dynaaminen ryhmittely – tekoälylähestymistapa, joka voittaa korkean tietovaihtelun tasolla, joka voi vaikuttaa ennusteen tarkkuuteen korkeammilla aggregaatiotasolla.

Nämä uudet lähestymistavat ja monet muut parantavat kysyntäennusteiden tarkkuutta, tekevät ne helpommin reagoitaviksi ja vähentävät volatiliteettia. Lisäksi ne edistävät kysyntäsuunnittelun liiketoimintaprosessia automatisoimalla työllisiä manuaalisia taulukkolaskenta-tehtäviä, skaalaamalla helposti sisällyttämään laajemman sisäisen ja ulkoisen tietojen valikoiman ja, johtuen näiden mallien sisäänrakennetusta oppimisesta, edistävät jatkuvaa parantamista ajassa.

Ei ole pakoa: maailma, jossa asiakkaiden houkuttelemista voidaan suorittaa yhden seurantamekanismin kautta – ja toimittaminen heille huomenna voidaan perustaa yksinkertaisesti siihen, mitä ostettiin menneisyydessä – on katoamassa. Suuremman ja pysyvämman myyntikasvun mahdollisuus piilee syvemmin kuluttajan luonteeseen tutustumisessa. Lisätietoja tekoälypohjaisista ennuste- ja hinnoitteluratkaisuista, klikkaa tästä.