למה מנהיגי CPG חייבים להפריד בין החיטה למוץ עבור אופטימיזציה אמיתית של צמיחה מבוססת AI

אופטימיזציה אינה רק מילת קוד אף עוד. זוהי תוצאה מוגדרת וניתנת למדידה שלא ניתן להשיג באמצעות טכניקות מיושנות ומערכות AI בלתי כדאיות.

————————
אופטימיזציה של צמיחת ההכנסות היא עדיפות עליונה ברחבי המגזר CPG היום. אי-ודאות הנובעת מרוחות כלכליות גלובליות, אינפלציה נמשכת, אתגרים בשרשרת האספקה והתנהגות קונים משתנה העצימה את החשיבות של הבנת האופן לפענח ולנווט תנאים משתנים כדי לנהוג הכנסות ורווחים מוגברים.

עבור ארגוני CPG, היסוד לצורך הקריטי הוא היכולת לאופטימיזציה הוליסטית של המניעים העליונים של ניהול צמיחת ההכנסות (RGM) על ידי התאמת מחירים, קידומים, תערובת מדיה ואריזת מוצרי צריכה עם תנאי שוק משתנים. זה מעולם לא היה מורכב יותר בין היתר עקב ההדים של העדפות צרכנים משתנות, אינפלציה, מתיחות גאופוליטיות, שינויי אקלים ותנועות אוכלוסייה גלובלית – סיבה עיקרית למה יותר מ- 75% מיצרני CPG מתקשים לנהל הוצאות מסחר מודרניות כוללות, ו- 70% מבכירי CPG מודאגים יותר היום מאשר לפני חמש שנים.

עם סיבוכיות כקבוע, רבות מהארגונים מעדיפים אופטימיזציה דיגיטלית של צמיחת ההכנסות כמנגנון להתמודדות עם הסערה. ב- 2024 State of the Industry Report של Promotion Optimization Institute, 80% מהמשיבים אמרו כי הם משקיעים בפתרונות דיגיטליים או יכולות אנליטיות כדי לתמוך בתהליכי RGM חדשים ולחדור עמוק יותר לניתוח קידום, מחירים וצמיחת אריזה מותאמת. דו”ח POI גם מצא כי 54% תכננו לאמץ פתרונות חדשים לניהול קידום מסחר ו-31% יצאו לאינטגרציה של יכולות מחיר אוטומטיות.

רבות מהמערכות משווקות כ”פתרונות אופטימיזציה מונעי AI” שיכולים להקל את לחצי האינפלציוניים ולהגביר הכנסות. אולם, במציאות, זה פשוט לא המצב. ככל שנעשו אנליטיקות מתקדמות המאפשרות על ידי מתמטיקה משוכללת ו- AI חלק בלתי נפרד מתהליכים טכנולוגיים ועסקיים של החברות, ברור כי לא כל טכניקות מתמטיות ו- AI יכולות לספק אופטימיזציה אמיתית של צמיחת ההכנסות בקנה מידה גדול. מנהיגי CPG לומדים כי הגדרתם של “אופטימיזציה” היא מיושנת ולא מדויקת. התעשייה הגדירה היסטורית “אופטימיזציה” כשימוש בדגמי רגרסיה של אתמול וסימולציות תרחישי עסקים. הם מבינים כי טכניקות ישנות אלו הן רק טכניקות תחזית שאינן מאופטימיזציה. הם גם לומדים כי Generative AI ורשתות נוירונים אינן מבצעות אופטימיזציה, אך יכולות להיות טכניקות שימושיות בסיוע לרכיבים אחרים של מסע הטרנספורמציה הדיגיטלית של הארגון.

נוף האנליטיקה משתנה במהירות. חברות אנליטיקה מתקדמות צריכות לעזור לשותפים CPG לבנות הבנה ובגרות בשימוש ויישום ספציפי של טכנולוגיות אלו בתוך מודלי הפעילות שלהם. אופטימיזציה אינה רק מילת קוד אף עוד. זוהי תוצאה מוגדרת וניתנת למדידה על ידי איזון המגבלות של יצרן CPG וקמעונאי בו-זמנית. רמה זו של אופטימיזציה מבוססת מגבלות והיתרונותיה המוחשיים אינם יכולים להישג עם טכניקות מיושנות ומערכות AI בלתי כדאיות.

בתורו, חשוב לארגונים להבין את היכולות הייחודיות של כלים מתמטיים ו- AI המשמשים לאופטימיזציה של צמיחת ההכנסות. הפרדת החיטה מהמוץ בעולם של אנליטיקה מתקדמת ו- AI תשפר את יכולתך לנהות הכנסות בר-קיימא, להתמודד עם השוק המשתנה ולעקוף מתחרים תעשייתיים.

זה הכל עניין של קופסת הכלים שלך

הבטיחות שיש לך את הכלים המתמטיים המשוכללים ו- AI הנכונים בקופסת הכלים שלך היא שווה את משקלה בזהב כאשר מדובר באופטימיזציה של צמיחת ההכנסות. למשל, אם היית רוצה לחתוך בלוק של פלדה. זה יכול להיעשות תאורטית עם מסור, אך זה ייקח שנים לחתוך דרך הכל. בינתיים, להב אצטילן יחתוך דרך בשניות.

אותו הדבר נכון גם לטכנולוגיות AI. רוב צורות ה- AI המשמשות במערכות אופטימיזציה של צמיחת ההכנסות של CPG היום אינן יכולות להתחשב בסיבוכיות השוק האמיתית. הן מנצלות טכניקות רגרסיה ליניאריות ישנות כדי לפתור בעיה שהיא לא-ליניארית בטבעה, תוך תלות במודלים סטטיסטיים מסורתיים שמאופטימיזציה אחד, שני, שלוש או ארבע מגבלות סטטיות במקום השתיים עד שלוש דוזנות המגבלות שמשקפות את ההיבטים האמיתיים ש- CPG נווטים בו יומיום. זה מוביל לביצועים אנליטיים בסיסיים שמונעים יצירת המלצות צמיחת הכנסות יעילות וביצועים מבצעיים ו- ROI עבור יצרן CPG ושותפיו הקמעונאים.

Generative AI (GenAI) היא דוגמה נוספת לאי-התאמה הזו. שרשרת הערך של CPG היא בעלת מקרים שימושיים ליישומים GenAI, אך אופטימיזציה של צמיחת ההכנסות אינה אחת מהם. זה בגלל שמודלים GenAI מסתמכים על טכניקות מבוססות מנועי חיפוש שאינן מסוגלות להבחין בין “זבל פנימה לזבל החוצה” ולימוד מכונה של רשתות נוירונים שפשוט אינן מבצעות אופטימיזציה.

הקלת בעיה מתמטית

חשוב לזכור כי אופטימיזציה אמיתית של צמיחת ההכנסות היא בעיה מתמטית מבוססת מגבלות, בממד גבוה. פתרונות מתמטיים משוכללים ו- AI המנצלים מכונות למידה “זכוכית” נדרשים עבור שילוב כל המגבלות והמשתנים המאפשרים אופטימיזציה לספק ערך עבור יצרן CPG וקמעונאי בו-זמנית. זה מבטיח כי המערכת עוצבה להבין באופן עמוק את הסביבה בה ארגון פועל ולבצע אופטימיזציה אמיתית ולייצר לוחות זמנים מקדמים שיניבו ערך עבור היצרן והקמעונאי. אז, הצעד הבא הוא לאופטימיזציה של היתר המפתחות החשובים של ניהול צמיחת ההכנסות עם מחירים יומיומיים, קידום, תערובת מדיה ומבחר לייצור המלצות הוליסטיות המסונכרנות עם ביקוש הצרכנים תחת תנאים המדגישים את המחיר הרגיל.

הגישה הזו, המותאמת למטרה, מחשבה את הניווט באי-ודאות של שוק, כגון מחסור באספקה מוארך עקב עימות גאופוליטי מתלקח או עליית מחירים בלתי צפויה עקב אירוע קשור לאקלים. אם בצורת לאורך תעלת פנמה תסייע בעליית עלויות החומרים, המערכת יכולה לסייע בקביעת מבנה מחירים אופטימלי חדש ש- 1) מתאים לאריזת צריכה עבור עלויות ייצור מוגברות בעודו שומר על רווחים, ו- 2) מעודד צרכנים לבחור במותג שלך על פני מתחרים תעשייתיים דרך טכניקות קידום יעילות.

מדידת ההשפעה: יעילות לאחר האירוע

קביעת ההשפעה של ROI על כלים לאופטימיזציה של צמיחת ההכנסות דורשת גישה מקיפה ומחושבת. תחילה, התמקדו בניתוח לאחר האירוע של KPI מרכזיים כגון עלייה נקודתית במכירות, רווחים, מילים דולריות על המדף וחדירה לשוק הנובעת מהוצאות קידום המסחר. ביצועים ברחבי ארבע העמודים האלו יצביעו על ההשפעה של אסטרטגיית היישום שלך ויזהו את האזורים הדורשים שיפור.

הקטגוריה העיקרית השנייה היא יעילות הסחר. לכל דולר שהוצא בסחר, מהו התשואה הממוצעת שהוא מייצר? זה חיוני עבור הקנה של כלים לאופטימיזציה של צמיחת ההכנסות במהלך הזמן. ביצוע שני היבטים האלו בו-זמנית תציב את הארגונים לנווט בהצלחה את התנודתיות החיצונית ולכבוש נתח שוק מעל עמיתים תעשייתיים. ROI חזק אינו רק עניין של מספרים – זה גם עניין של יתרון תחרותי בפלח שלך.

אופטימיזציה של ההכנסות ברחבי נוף CPG אינה מנוצחת. בעוד שדיגיטליזציה מציעה הבטחה לפשטות, מנהיגי החברות חייבים להיות בעלי הבנה חזקה של כלים המתמטיקה המשוכללים ו- AI שהם מנצלים. ידע הוא כוח, והוא בסופו של דבר יגביה את המותג ואת הערך של החברה שלך מעל השאר.