CPG – Saatnya Melihat Data Anda Lebih Dekat

Apa yang dimiliki perencanaan permintaan tradisional dan cookie iklan? Keduanya digantikan oleh sesuatu yang lebih canggih. Mengapa? Karena dalam setiap kasus, mereka kekurangan data dan analitik yang tepat yang akan menyesatkan Anda pada jalan untuk memahami konsumen Anda.

Perencanaan Permintaan dan Ketergantungan pada Data Penjualan Historis

Manajemen permintaan tradisional dimulai dengan data penjualan dan pengiriman historis di seluruh pelanggan selama periode waktu tertentu untuk memperkirakan pendapatan dan unit dasar. Perkiraan ini dilakukan pada tingkat agregasi yang berbeda-beda tergantung pada unit penyimpanan (SKU) dan jumlah pusat distribusi (DC) dan pabrik yang terlibat dengan SKU tersebut. Perkiraan ini kemudian dimanipulasi antara fungsi penjualan, pemasaran, dan keuangan untuk mencapai target pertumbuhan yang dianggap masuk akal dan dapat dicapai berdasarkan kinerja masa lalu. Ini digunakan untuk membuat rencana manufaktur, seringkali pada jadwal bulanan (misalnya, SKU per pabrik per bulan). Rencana produksi, idealnya dalam kombinasi dengan perkiraan tingkat DC, kemudian mengarahkan perencanaan pengisian kembali untuk pengiriman dari pabrik ke DC. Semua ini untuk menghasilkan rencana yang masuk akal dan dapat diterima oleh semua pihak.

Namun, perencana permintaan telah menyadari bahwa data penjualan historis tidak cukup untuk memahami apa yang dibutuhkan konsumen hari ini atau besok. Dampak pandemi dan tantangan rantai pasokan yang menyertainya membuat hal ini sangat jelas. Selain itu, opsi pembelian langsung ke konsumen hanya membuat proses perencanaan lebih rumit. Data kinerja masa lalu tidak mencerminkan perubahan jangka pendek dalam perilaku konsumen, dan tidak dapat mengikuti perubahan cepat dalam perilaku konsumen dan gangguan pasokan.

Tapi Di Mana Analogi untuk Cookie Iklan?

Selama lebih dari 20 tahun, pengiklan CPG mengandalkan cookie pihak ketiga untuk mencapai skala iklan dan melakukan pemasaran berbasis kinerja yang membimbing pengeluaran iklan mereka. Daripada bernegosiasi dengan situs media satu per satu tanpa data untuk mengonfirmasi nilai satu situs dibandingkan dengan yang lain, cookie dan pemasaran programatik mengembangkan iklan menjadi sesuatu yang dijanjikan lebih mudah diukur dan dibenarkan. Menurut Matt Naeger, yang memimpin strategi AS untuk agen pemasaran kinerja Merkle, “Kami menjadi sedikit tergantung pada cookie pihak ketiga karena lebih mudah, lebih cepat, dan memerlukan perencanaan dan integrasi yang lebih sedikit [daripada pemasaran tradisional].”

Namun, bahkan sebelum munculnya aturan privasi dan pemblokir iklan, akurasi data cookie dipertanyakan.  Konsumen diberi opsi untuk menghapus cache cookie mereka, yang berfungsi untuk menghitung terlalu rendah apa yang mungkin menjadi minat konsumen yang sebenarnya. Dan di arah yang berlawanan, keberadaan bot yang dapat memalsukan lalu lintas iklan palsu secara serius menghitung terlalu tinggi minat yang sebenarnya.

Kurangnya hasil yang dapat diukur dan ketergantungan yang berlebihan pada cookie untuk mengukur minat menyebabkan Stephen Pretorius, CTO di agen iklan WPP yang berbasis di Inggris, menyatakan “Saya tidak terlalu sedih tentang kemusnahan cookie pihak ketiga karena mereka tidak pernah benar-benar akurat, tidak pernah benar-benar berguna, dan sebenarnya saya pikir hal ini semua telah membantu kita semua untuk memikirkan kembali apa data yang penting.”

Sejauh yang berkaitan dengan cookie, pendekatan baru dan lebih canggih – yang melindungi identitas pribadi tetapi masih mengidentifikasi pembeli potensial – sedang muncul. Pendekatan seperti penugasan kohort berbasis browser, ID yang ditugaskan berdasarkan aktivitas daripada identitas pribadi, dan data pihak pertama – sedang dieksplorasi secara aktif. Selain itu, model AI dan pembelajaran mesin sekarang dapat memberikan wawasan yang membantu membuat iklan itu sendiri lebih efektif – menarik, bukan melacak konsumen.

Untuk perencanaan permintaan, analoginya serupa. Inti dari perencanaan permintaan adalah memprediksi permintaan konsumen dan memecahkan setiap penggerak permintaan yang membentuk permintaan konsumen. Data historis dan pengiriman tidak pernah menjadi sumber informasi yang baik, dan bias bawaan antara penjualan, pemasaran, dan keuangan tidak akan menghasilkan perkiraan yang lebih baik. Kepercayaan diri yang berlebihan pada keyakinan ini gagal untuk menangkap perubahan dan dampak kondisi jangka pendek dan lokal. Dan sama seperti cookie, lebih banyak data, sumber yang lebih baik, dan proses baru yang dikombinasikan dengan AI dan pembelajaran mesin memberikan jalur yang lebih baik ke depan.

Apa yang Menjadi Resolusi untuk Perencanaan Permintaan?

Perencana permintaan sedang melihat lebih dekat akurasi perkiraan perencanaan mereka sebagai hasil dari volatilitas dan kompleksitas di pasar saat ini. Tiga area secara khusus menonjol sebagai kontributor untuk ketidakakuratan perkiraan:

• ketiadaan model yang menggunakan data waktu nyata (POS) dan sumber data lain yang akan lebih baik menyesuaikan perkiraan dengan faktor-faktor yang mempengaruhi permintaan saat ini;
• pembelajaran mesin yang mengungkapkan tingkat yang tepat dan/atau pengelompokan untuk melakukan perkiraan dengan akurasi agregat terbesar; dan
• metodologi pemodelan AI untuk memperhitungkan penjualan yang hilang yang tidak masuk ke dalam pertimbangan permintaan di masa depan.

Lagi-lagi, data yang lebih baik dan ilmu data dapat menangani tantangan ini. Perusahaan CPG sedang menciptakan lapisan baru keahlian perencanaan yang melengkapi proses perencanaan mereka dengan wawasan AI dan pembelajaran mesin berdasarkan rentang data yang lebih luas dan teknik pemodelan yang lebih maju.

Area investasi termasuk:

• Penginderaan Permintaan – menggunakan data jangka pendek – termasuk status pesanan, data penjualan terbaru, inventori ritel, eksekusi promosi, harga ritel, atribut produk dan lokasi, sentimen media sosial, dan faktor biaya inventori – dalam model yang lebih sering dijalankan untuk meningkatkan respons permintaan jangka pendek dengan wawasan terbaru dan tindakan yang lebih sering;

• Optimasi Inventori – pendekatan pembelajaran mesin yang canggih untuk menilai kemungkinan penjualan yang hilang atau berlebih dalam data perkiraan dan mempertimbangkan wawasan tersebut untuk memaksimalkan tingkat pengisian;

• Aggregasi Dinamis – pendekatan AI yang mengatasi tingkat variabilitas data yang tinggi pada tingkat yang lebih teragregasi yang dapat mempengaruhi akurasi perkiraan pada tingkat yang lebih agregat.

Pendekatan baru ini, dan lain-lain, sedang membuat perkiraan permintaan lebih akurat, lebih mudah direspons, dan jauh lebih tidak stabil. Selain itu, mereka berkontribusi pada proses bisnis perencanaan permintaan dengan mengotomatisasi tugas spreadsheet manual yang melelahkan, dengan mudah menskalakan untuk memasukkan rentang data internal dan eksternal yang lebih luas, dan, karena aspek pembelajaran yang dibangun ke dalam model ini, berkontribusi pada perbaikan terus-menerus dari waktu ke waktu.

Tidak ada yang dapat menghindarinya: dunia di mana menarik pelanggan dapat dilakukan melalui satu mekanisme pelacakan – dan memasok apa yang mereka butuhkan besok dapat didasarkan hanya pada apa yang dibeli di masa lalu – sedang menghilang. Kesempatan untuk pertumbuhan penjualan yang lebih besar dan lebih permanen terletak pada menggali lebih dalam ke dalam data untuk memahami apa yang menjadi konsumen. Untuk informasi lebih lanjut tentang solusi perencanaan, peramalan, dan harga yang ditenagai AI, klik di sini.