Ajatusjohtajat

Kulutustavarayritykset: on aika tarkastella tietojanne tarkemmin

Parth Thakker
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatCPG-yritysten on korvattava historialliset myyntitiedot reaaliaikaisella POS-datalla ja…
Näytä lisää
  • CPG-yritysten on korvattava historialliset myyntitiedot reaaliaikaisella POS-datalla ja tekoälypohjaisella kysynnän ennakoinnilla.
  • Kolmannen osapuolen evästeet epäonnistuivat epätarkkuuden vuoksi; CPG-yritysten kysynnän suunnittelu kohtaa saman datan luotettavuuskriisin.
  • Tekoäly ja koneoppiminen mahdollistavat nyt dynaamisen aggregoinnin ja varaston optimoinnin tarkempien ennusteiden saavuttamiseksi.

Mitä yhteistä perinteisellä kysynnän suunnittelulla ja mainosevästeellä on? Molemmat korvataan kehittyneemmällä ratkaisulla. Miksi? Koska kummassakin tapauksessa niissä puuttuu oikeat tiedot ja analytiikka, joka voi johtaa harhaan kuluttajan ymmärtämisessä.

Kysynnän suunnittelu ja riippuvuus historiallisista myyntitiedoista

Perinteinen kysyntäsuunnittelu alkaa historiallisista myynti- ja toimitustiedoista kaikkien asiakkaiden osalta tietyltä ajanjaksolta liikevaihto- ja kappalemääräennusteen pohjaksi. Ennuste tehdään eri tasoilla riippuen nimikkeestä (SKU) sekä kyseiseen nimikkeeseen liittyvien jakelukeskusten (DC) ja tehtaiden määrästä. 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 monimutkaistanut suunnitteluprosessia. Menneiden suoritusten tiedot eivät heijasta lähiaikojen muutoksia kuluttajan käyttäytymisessä eivätkä pysty seuraamaan nopeita muutoksia kuluttajan käyttäytymisessä ja toimittajien keskeytyksissä.

Missä on vertauskohta mainosevästeeseen?

Yli 20 vuoden ajan CPG-mainostajat nojasivat kolmannen osapuolen evästeisiin laajentaakseen mainontansa tavoittavuutta ja harjoittaakseen suorituskykyä ohjaavaa markkinointia, joka ohjasi heidän mainoskulujaan. Sen sijaan, että neuvottelisivat yksittäisten mediakanavien kanssa yksitellen ilman tietoja yhden sivuston arvon vahvistamiseksi suhteessa toiseen, evästeet ja ohjelmallinen markkinointi muuttivat mainontaa suuntaan, jossa sen tuloksia luvattiin olevan helpompi mitata ja sen kustannuksia perustella. 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 selaimessa tehtävä kohortteihin ryhmittely, toimintaan henkilökohtaisen identiteetin sijasta perustuvat tunnisteet 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;
  • koneoppiminen, joka paljastaa oikean tason ja/tai ryhmittelyn, jolla suorittaa ennusteen suurimman kokonaistarkkuuden saavuttamiseksi; ja
  • tekoälymallinnuksen menetelmät, jotka huomioivat menetetyn myynnin, jota ei otettu lainkaan huomioon tulevaa kysyntää arvioitaessa;

Uudelleen, paremmat tiedot ja datatiede 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;
  • Varaston optimointi – kehittyneet koneoppimismenetelmät, joilla arvioidaan menetetyn tai ylimääräisen myynnin todennäköisyyksiä ennustetiedoissa ja hyödynnetään näitä havaintoja tilausten täyttöasteen maksimoimiseksi;
  • Dynaaminen aggregointi – tekoälyyn perustuva lähestymistapa, joka hallitsee yksityiskohtaisemmilla tasoilla esiintyvää suurta tietojen vaihtelua, joka voi vaikuttaa ennusteen tarkkuuteen ylemmillä aggregointitasoilla.

Nämä uudet lähestymistavat ja monet muut parantavat kysyntäennusteiden tarkkuutta, tekevät ne helpommin reagoitaviksi ja vähentävät volatiliteettia. Lisäksi ne edistävät kysyntäsuunnittelun liiketoimintaprosessia automatisoimalla työläitä manuaalisia taulukkolaskentatehtäviä, 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 tietojen syvällisemmässä tarkastelussa kuluttajan ymmärtämiseksi. Lisätietoja tekoälypohjaisista ennuste-, suunnittelu- ja hinnoitteluratkaisuista, klikkaa tästä.

Parth Thakker johtaa antuit.ai:n globaalia myyntitiimiä Zebralle. Hänellä on yli 15 vuoden kokemus arvon luomisesta vähittäiskauppiaille, valmistajille ja kulutustavarayrityksille.

Aiemmin hän toimi Genpactilla valmistavan teollisuuden myyntitehtävässä nimikkeellä Sales Executive ja teki yhteistyötä ilmailu-, avaruus- ja teollisuusalan yritysten kanssa. Parthilla on MBA-tutkinto New York Universityn Stern School of Businessista sekä tekniikan kandidaatin- ja maisterintutkinnot Stevens Institute of Technologysta.