CPG: è ora di esaminare più da vicino i tuoi dati

Cosa hanno in comune la pianificazione della domanda tradizionale e il cookie pubblicitario? Entrambi vengono sostituiti da qualcosa di più sofisticato. Perché? Perché in ogni caso mancano i dati e le analisi giuste che ti indurranno in errore sulla strada per comprendere il tuo consumatore.

Pianificazione della domanda e affidamento sui dati storici di vendita

La gestione della domanda tradizionale inizia con i dati storici sulle vendite e sulle spedizioni di tutti i clienti in un determinato periodo di tempo per una previsione dei ricavi e delle unità di base. La previsione viene effettuata a diversi livelli di aggregazione a seconda dell'unità di stoccaggio (SKU) e del numero di centri di distribuzione (DC) e le fabbriche coinvolte in tale SKU. Questa previsione viene quindi massaggiata tra le funzioni di vendita, marketing e finanza per arrivare a quello che si ritiene sia un obiettivo di crescita ragionevole e realizzabile sulla base delle prestazioni passate. Questo è usato per creare consigliato per la piani, spesso su base mensile (ad esempio, SKU per fabbrica per mese). Il piano di produzione, idealmente in combinazione con le previsioni a livello di DC, guida quindi la pianificazione del rifornimento per le consegne da una fabbrica a un DC. Tutto per fornire un piano ragionevole e consensuale.

Tuttavia, i pianificatori della domanda sono giunti alla conclusione che i dati storici sulle vendite non sono sufficienti per vedere di cosa hanno bisogno i consumatori oggi o domani. L'impatto della pandemia e le sfide della catena di approvvigionamento che ne sono seguite lo hanno reso molto evidente. Inoltre, le opzioni di acquisto diretto al consumatore hanno solo reso più complicato il processo di pianificazione. I dati sulle performance passate non riflettono i cambiamenti a breve termine nel comportamento dei consumatori, né possono tenere il passo con i rapidi cambiamenti nel comportamento dei consumatori e le interruzioni dei fornitori.

Ma dov'è l'analogia con il cookie pubblicitario? 

Per oltre 20 anni, gli inserzionisti CPG si sono affidati a cookie di terze parti per raggiungere una scala pubblicitaria e per praticare una sorta di marketing basato sulle prestazioni che ha guidato la loro spesa pubblicitaria. Piuttosto che negoziare accordi con i siti dei media uno per uno, senza alcun dato per confermare il valore di un sito rispetto a un altro, i cookie e il marketing programmatico hanno trasformato la pubblicità in qualcosa che prometteva di essere più facilmente quantificabile e giustificabile. Secondo Matt Naeger, che dirige la strategia statunitense per l'agenzia di performance marketing Merkle, "Siamo diventati un po' dipendenti dai cookie di terze parti perché era più facile, più veloce e richiedeva meno pianificazione e integrazione [rispetto al marketing tradizionale]."

Tuttavia, anche prima dell'avvento delle norme sulla privacy e degli ad blocker, l'accuratezza dei dati dei cookie è stata messa in discussione.  Ai consumatori è stata data la possibilità di cancellare la cache dei cookie, il che è servito a sottovalutare quello che avrebbe potuto essere il vero interesse dei consumatori. E nella direzione opposta, la prevalenza di bot in grado di fabbricare quantità di traffico pubblicitario fasullo ha seriamente sovrastimato l'interesse reale.

La mancanza di risultati attuabili e l'eccessivo affidamento sui cookie per misurare l'interesse hanno portato Stephen Pretorius, CTO dell'agenzia pubblicitaria WPP con sede nel Regno Unito, a dichiarare “Non sono particolarmente triste per la fine dei cookie di terze parti perché non sono mai stati così accurati, mai così utili, e infatti penso tutta questa faccenda ci ha aiutato tutti a ripensare a quali dati contano.

Per quanto riguarda i cookie, stanno emergendo approcci nuovi e più sofisticati, che proteggono l’identità personale ma identificano comunque i potenziali acquirenti. Approcci come le assegnazioni di coorte basate su browser, gli ID assegnati in base all'attività rispetto all'identità personale e i dati di prima parte vengono esplorati attivamente. Inoltre, i modelli di intelligenza artificiale e apprendimento automatico possono ora fornire informazioni che aiutano a rendere gli annunci stessi decisamente più efficaci, attirando, anziché tracciando, i consumatori.

Per la pianificazione della domanda, l'analogia è simile. Il cuore della pianificazione della domanda è prevedere la domanda dei consumatori e decifrare ogni driver della domanda che modella la domanda dei consumatori. I dati storici e le spedizioni non sono mai stati una grande fonte di informazioni e il pregiudizio intrinseco tra vendite, marketing e finanza non genererebbe una previsione migliore. L'eccessiva fiducia in queste convinzioni non è riuscita a catturare i cambiamenti e l'impatto delle condizioni a breve termine e locali. E proprio come il cookie, più dati, fonti migliori e nuovi processi combinati con l'intelligenza artificiale e l'apprendimento automatico forniscono un percorso migliore per il futuro.

Qual è la soluzione per la pianificazione della domanda?

I pianificatori della domanda stanno esaminando più da vicino l'accuratezza delle loro previsioni di pianificazione a causa della volatilità e della complessità dei mercati odierni. Tre aree in particolare si distinguono come contributori all'imprecisione delle previsioni:

• l'assenza di modelli che utilizzano punti vendita (POS) in tempo reale e altre fonti di dati che adeguerebbero meglio la previsione agli attuali fattori che incidono sulla domanda;
• apprendimento automatico che scopre il giusto livello e/o raggruppamento a cui eseguire una previsione per la massima precisione aggregata; E
• le metodologie di modellazione dell'intelligenza artificiale per tenere conto delle vendite perse che non sono state prese in considerazione per la domanda futura.

Ancora una volta, dati e scienza dei dati migliori possono affrontare queste sfide. Le aziende CPG stanno creando un nuovo livello di competenza previsionale che aumenta il loro processo di pianificazione con intuizioni di intelligenza artificiale e apprendimento automatico basate su una gamma più ampia di dati e tecniche di modellazione avanzate.

Le aree di investimento includono:

• Rilevamento della domanda – sfruttando i dati a breve termine, tra cui lo stato dell'ordine, i dati sell-through recenti, l'inventario del rivenditore, l'esecuzione della promozione, i prezzi al dettaglio, gli attributi specifici del prodotto e della posizione, il sentimento dei social media e i fattori di costo dell'inventario, in modelli che vengono eseguiti più frequentemente per migliorare la risposta alla domanda a breve termine con approfondimenti recenti e azioni frequenti;

• Ottimizzazione dell'inventario – sofisticati approcci di apprendimento automatico per valutare le probabilità di vendite perse o in eccesso nei dati di previsione e considerazione di tali approfondimenti al fine di massimizzare il tasso di riempimento; E

• Aggregazione dinamica – un approccio AI che supera l'elevato livello di variabilità dei dati a livelli più disaggregati che può influire sull'accuratezza delle previsioni a livelli aggregati più elevati.

Questi nuovi approcci, e altri ancora, servono a rendere le previsioni della domanda più accurate, più facilmente reattive e notevolmente meno volatili. Inoltre, contribuiscono al processo aziendale di pianificazione della domanda automatizzando quelle che sarebbero laboriose attività manuali dei fogli di calcolo, scalando facilmente per incorporare una gamma più ampia di dati interni ed esterni e, grazie all'aspetto di apprendimento integrato di questi modelli, contribuendo a miglioramento continuo nel tempo.

Non c'è scampo: sta scomparendo un mondo in cui l'attrazione dei clienti può essere ottenuta tramite un unico meccanismo di tracciamento e la fornitura di ciò di cui hanno bisogno domani può essere basata semplicemente su ciò che è stato acquistato in passato. L'opportunità per una crescita delle vendite maggiore e più permanente sta nello scavare più a fondo nei dati per capire cosa sia il consumatore. Per ulteriori informazioni sulle soluzioni di previsione, pianificazione e determinazione dei prezzi basate sull'intelligenza artificiale, fare clic su qui.