Les GIC – Il est temps d’examiner plus attentivement vos données

Qu’est-ce que la planification traditionnelle de la demande et le cookie publicitaire ont en commun ? Ils sont tous les deux remplacés par quelque chose de plus sophistiqué. Pourquoi ? Parce que dans chaque cas, ils manquent des données et des analyses appropriées qui vous égareront sur la voie de la compréhension de votre consommateur.

Planification de la demande et dépendance à l’égard des données de ventes historiques

La gestion traditionnelle de la demande commence avec les données de ventes et d’expédition historiques pour tous les clients sur une période de temps pour un chiffre d’affaires de base et une prévision de ventes. La prévision est effectuée à différents niveaux d’agrégation en fonction de l’unité de gestion des stocks (SKU) et du nombre de centres de distribution (CD) et d’usines impliqués dans cette SKU. Cette prévision est ensuite affinée entre les fonctions de vente, de marketing et de finance pour aboutir à ce qui est considéré comme une cible de croissance raisonnable et réalisable en fonction des performances passées. Cela est utilisé pour créer des plans de production, souvent sur un calendrier mensuel (par exemple, SKU par usine par mois). Le plan de production, idéalement en combinaison avec les prévisions au niveau des CD, conduit ensuite à la planification des réapprovisionnements pour les livraisons d’une usine à un CD. Tout cela pour livrer un plan raisonnable et consensuel.

Cependant, les planificateurs de la demande ont réalisé que les données de ventes historiques ne suffisent pas pour voir ce que les consommateurs ont besoin aujourd’hui ou demain. L’impact de la pandémie et les défis de la chaîne d’approvisionnement qui ont suivi ont rendu cela très évident. En outre, les options d’achat direct aux consommateurs n’ont fait que compliquer le processus de planification. Les données de performances passées ne reflètent pas les changements à court terme dans le comportement des consommateurs, ni ne peuvent-elles suivre les changements rapides dans le comportement des consommateurs et les perturbations des fournisseurs.

Mais où est l’analogie avec le cookie publicitaire ?

Pendant plus de 20 ans, les annonceurs des GIC ont compté sur les cookies tiers pour atteindre une échelle publicitaire et pratiquer un type de marketing axé sur les performances qui guidait leurs dépenses publicitaires. Plutôt que de négocier des accords avec des sites de médias un par un, sans aucune donnée pour confirmer la valeur d’un site par rapport à un autre, les cookies et le marketing programmatique ont évolué la publicité en quelque chose qui promettait d’être plus facilement quantifiable et justifiable. Selon Matt Naeger, qui dirige la stratégie américaine de l’agence de marketing de performance Merkle, « Nous sommes devenus un peu dépendants des cookies tiers car c’était plus facile, plus rapide et nécessitait moins de planification et d’intégration [que le marketing traditionnel]. »

Cependant, même avant l’essor des règles de confidentialité et des bloqueurs de publicités, l’exactitude des données des cookies a été remise en question. Les consommateurs ont eu la possibilité d’effacer leurs caches de cookies, ce qui a servi à sous-estimer ce qui aurait pu être un véritable intérêt des consommateurs. Et dans la direction opposée, la prévalence des bots qui pouvaient fabriquer de faux trafic publicitaire a sérieusement surestimé l’intérêt réel.

Le manque de résultats tangibles et la dépendance excessive à l’égard des cookies pour mesurer l’intérêt ont conduit Stephen Pretorius, CTO de l’agence de publicité britannique WPP, à déclarer « Je ne suis pas particulièrement triste de la disparition des cookies tiers car ils n’ont jamais vraiment été précis, jamais vraiment utiles, et je pense que cette chose nous a tous aidés à repenser ce qui compte vraiment dans les données. »

En ce qui concerne le cookie, de nouvelles approches plus sophistiquées – qui protègent l’identité personnelle mais identifient toujours les acheteurs potentiels – émergent. Des approches telles que les affectations de cohortes basées sur le navigateur, les identifiants attribués en fonction de l’activité et non de l’identité personnelle, et les données de première partie sont activement explorées. En outre, les modèles d’intelligence artificielle et d’apprentissage automatique peuvent désormais fournir des informations qui aident à rendre les publicités elles-mêmes plus efficaces – en attirant, plutôt qu’en suivant les consommateurs.

Pour la planification de la demande, l’analogie est similaire. Le cœur de la planification de la demande est de prédire la demande des consommateurs et de déchiffrer chaque facteur de demande qui façonne la demande des consommateurs. Les données historiques et les expéditions n’ont jamais été une bonne source d’informations, et les préjugés inhérents entre les ventes, le marketing et la finance ne généreraient pas une meilleure prévision. La confiance excessive dans ces croyances a échoué à capturer les changements et l’impact des conditions à court terme et locales. Et tout comme le cookie, plus de données, de meilleures sources et de nouveaux processus combinés avec l’intelligence artificielle et l’apprentissage automatique offrent un meilleur chemin à suivre.

Quelle est la résolution pour la planification de la demande ?

Les planificateurs de la demande examinent de plus près l’exactitude de leurs prévisions de planification en raison de la volatilité et de la complexité des marchés d’aujourd’hui. Trois domaines en particulier se démarquent comme contributeurs à l’inexactitude des prévisions :

• l’absence de modèles qui utilisent des sources de données en temps réel, telles que les données de point de vente (PDV) et d’autres sources de données, qui amélioreraient la prévision en fonction des facteurs actuels qui affectent la demande ;
• l’apprentissage automatique qui découvre le niveau et/ou le regroupement appropriés pour exécuter une prévision pour la plus grande précision globale ; et
• les méthodologies de modélisation de l’intelligence artificielle pour tenir compte des ventes perdues qui n’ont pas été prises en compte dans la demande future.

Encore une fois, de meilleures données et la science des données peuvent répondre à ces défis. Les entreprises de GIC créent un nouveau niveau d’expertise en prévision qui complète leur processus de planification avec des informations basées sur l’intelligence artificielle et l’apprentissage automatique, en fonction d’une gamme plus large de données et de techniques de modélisation avancées.

Les domaines d’investissement incluent :

• Détection de la demande – exploitation des données à court terme – y compris le statut des commandes, les données de vente récentes, les stocks des détaillants, l’exécution des promotions, les prix de détail, les attributs spécifiques aux produits et aux emplacements, les sentiments des médias sociaux et les facteurs de coût des stocks – dans des modèles qui sont exécutés plus fréquemment pour améliorer la réponse à la demande à court terme avec des informations récentes et des actions fréquentes ;

• Optimisation des stocks – approches d’apprentissage automatique sophistiquées pour évaluer les probabilités de ventes perdues ou excédentaires dans les données de prévision et prendre en compte ces informations pour maximiser le taux de remplissage ; et

• Agrégation dynamique – une approche d’intelligence artificielle qui surmonte le niveau élevé de variabilité des données aux niveaux plus détaillés qui peuvent affecter la précision de la prévision aux niveaux d’agrégation plus élevés.

Ces nouvelles approches, et d’autres, contribuent à rendre les prévisions de la demande plus précises, plus réactives et moins volatiles. En outre, elles contribuent au processus commercial de planification de la demande en automatisant les tâches manuelles fastidieuses, en élargissant facilement l’intégration d’une gamme plus large de données internes et externes, et, en raison de l’aspect d’apprentissage intégré de ces modèles, en contribuant à l’amélioration continue dans le temps.

Il n’y a pas d’échappatoire : un monde où attirer les clients peut être accompli via un mécanisme de suivi unique – et fournir ce dont ils ont besoin demain peut être basé simplement sur ce qui a été acheté dans le passé – disparaît. L’opportunité de croissance des ventes plus grande et plus durable réside dans l’exploration plus approfondie des données pour comprendre ce que le consommateur est vraiment. Pour plus d’informations sur les solutions de prévision, de planification et de tarification basées sur l’intelligence artificielle, cliquez ici.