Leader di pensiero

Aziende CPG: è ora di esaminare più attentamente i vostri dati

Parth Thakker
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveLe CPG devono sostituire i dati storici di vendita con dati POS in tempo reale e con il…
Vedi di più
  • Le CPG devono sostituire i dati storici di vendita con dati POS in tempo reale e con il demand sensing basato sull'IA.
  • I cookie di terze parti hanno fallito a causa dell'imprecisione; la pianificazione della domanda delle CPG affronta la stessa crisi di affidabilità dei dati.
  • L'IA e il machine learning consentono ora l'aggregazione dinamica e l'ottimizzazione delle scorte per previsioni più accurate.

Cosa hanno in comune la pianificazione della domanda tradizionale e il cookie pubblicitario? Entrambi stanno per essere sostituiti da qualcosa di più sofisticato. Perché? Perché in entrambi i casi, mancano i dati e le analisi adeguati, e questa carenza può ostacolare la comprensione del consumatore.

Pianificazione della domanda e la dipendenza dai dati di vendita storici

La gestione della domanda tradizionale inizia con i dati di vendita e di spedizione storici di tutti i clienti nel corso di un certo periodo di tempo per una previsione di base di entrate e unità. La previsione viene effettuata a diversi livelli di aggregazione a seconda dell’unità di gestione delle scorte (SKU) e del numero di centri di distribuzione (DC) e fabbriche coinvolti con quell’SKU. Questa previsione viene poi adattata tra le funzioni di vendita, marketing e finanza per arrivare a ciò che si ritiene essere un obiettivo di crescita ragionevole e raggiungibile in base alle prestazioni passate. Ciò viene utilizzato per creare piani di produzione, spesso su una base mensile (ad esempio, SKU per fabbrica per mese). Il piano di produzione, idealmente in combinazione con le previsioni a livello di DC, guida poi la pianificazione degli approvvigionamenti per le consegne da una fabbrica a un DC. Tutto per consegnare un piano ragionevole e condiviso.
Tuttavia, i pianificatori della domanda hanno riconosciuto che i dati di vendita storici non sono sufficienti per comprendere cosa i consumatori necessitino oggi o domani. L’impatto della pandemia e le sfide della catena di approvvigionamento che ne sono seguite hanno reso questo molto evidente. Inoltre, le opzioni di acquisto diretto dal produttore da parte dei consumatori hanno reso il processo di pianificazione ancora più complesso. I dati delle prestazioni 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 degli approvvigionamenti.

Ma dove è l’analogia con il cookie pubblicitario?

Per oltre 20 anni, gli inserzionisti CPG hanno fatto affidamento sui cookie di terze parti per raggiungere la scala pubblicitaria e praticare una sorta di marketing basato sulle prestazioni che guidava la loro spesa pubblicitaria. Piuttosto che negoziare accordi con i siti di 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 evoluto la pubblicità in qualcosa che prometteva di essere più facilmente quantificabile e giustificabile. Secondo Matt Naeger, che dirige la strategia USA per l’agenzia di marketing delle prestazioni Merkle, “Siamo diventati un po’ dipendenti dai cookie di terze parti perché era più facile, più veloce e richiedeva meno pianificazione e integrazione [del marketing tradizionale].”

Tuttavia, anche prima dell’ascesa delle regole sulla privacy e dei blocchi degli annunci, l’accuratezza dei dati dei cookie è stata messa in discussione.  I consumatori avevano la possibilità di cancellare la cache dei cookie, il che serviva a sottostimare ciò che poteva essere l’interesse reale dei consumatori. E nella direzione opposta, la diffusione dei bot che potevano creare grandi quantità di traffico pubblicitario falso ha sovrastimato l’interesse reale.

La mancanza di risultati utilizzabili concretamente e la dipendenza eccessiva dai cookie per valutare l’interesse hanno portato Stephen Pretorius, CTO dell’agenzia pubblicitaria WPP del Regno Unito, a dichiarare “Non sono particolarmente dispiaciuto per la fine dei cookie di terze parti perché non erano mai stati veramente precisi, non erano mai stati veramente utili e, in effetti, credo che tutta questa cosa ci abbia aiutato a ripensare quali sono i dati che contano.”

Per quanto riguarda il cookie, nuovi e più sofisticati approcci – che proteggono l’identità personale ma identificano ancora i potenziali acquirenti – stanno emergendo. Approcci come l’assegnazione a coorti nel browser, gli ID assegnati in base all’attività anziché 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 più efficaci in modo misurabile – attirando, piuttosto che 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 di domanda che influenza la domanda dei consumatori. I dati storici e le spedizioni non sono mai stati una grande fonte di informazioni, e le distorsioni innate tra vendite, marketing e finanza non avrebbero generato una previsione migliore. La fiducia eccessiva in queste credenze non ha catturato i cambiamenti e l’impatto delle condizioni a breve termine e locali. E proprio come il cookie, più dati, migliori fonti e nuovi processi combinati con l’intelligenza artificiale e l’apprendimento automatico forniscono un percorso migliore in avanti.

Qual è la soluzione per la pianificazione della domanda?

I pianificatori della domanda stanno osservando più da vicino l’accuratezza delle loro previsioni di pianificazione a causa della volatilità e della complessità dei mercati di oggi. Tre aree in particolare si distinguono come contributori all’inesattezza della previsione:

  • l’assenza di modelli che utilizzano fonti di dati in tempo reale, come i dati di punto di vendita (POS) e altri, che potrebbero meglio adattare la previsione ai fattori che influenzano la domanda attuale;
  • l’apprendimento automatico che scopre il livello giusto e/o il raggruppamento al quale eseguire una previsione per la massima accuratezza complessiva; e
  • le metodologie di modellazione dell’intelligenza artificiale per tenere conto delle vendite perse che non sono state considerate nella domanda futura.

Ancora una volta, migliori dati e scienza dei dati possono affrontare queste sfide. Le aziende CPG stanno creando un nuovo livello di competenza nella previsione che integra il loro processo di pianificazione con informazioni basate sull’intelligenza artificiale e l’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 – inclusi lo stato degli ordini, i dati di vendita recenti, l’inventario dei rivenditori, l’esecuzione delle promozioni, i prezzi al dettaglio, gli attributi specifici del prodotto e della località, 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 informazioni recenti e azioni frequenti;
  • Ottimizzazione dell’inventario – approcci di apprendimento automatico sofisticati per valutare le probabilità di vendite perse o in eccesso nei dati di previsione e considerare quelle informazioni per massimizzare il tasso di evasione degli ordini;
  • Aggregazione dinamica – un approccio di intelligenza artificiale che supera il livello elevato di variabilità dei dati a livelli più dettagliati che possono influenzare l’accuratezza della previsione a livelli più aggregati.

Questi nuovi approcci, e molti altri, stanno servendo a rendere le previsioni della domanda più accurate, più facilmente adattabili ai cambiamenti e molto meno volatili. Inoltre, contribuiscono al processo aziendale di pianificazione della domanda automatizzando compiti manuali laboriosi nei fogli di calcolo, scalando facilmente per incorporare una gamma più ampia di dati interni ed esterni e, a causa dell’aspetto di apprendimento di questi modelli, contribuendo al miglioramento continuo nel tempo.

Non c’è via di uscita: un mondo in cui attirare i clienti può essere fatto tramite un meccanismo di tracciamento – e fornire ciò di cui hanno bisogno domani può essere basato semplicemente su ciò che è stato acquistato nel passato – sta scomparendo. L’opportunità di una crescita delle vendite più grande e più permanente si trova nell’approfondire i dati per comprendere a fondo i consumatori. Per ulteriori informazioni sulle soluzioni di previsione, pianificazione e prezzi basate sull’intelligenza artificiale, clicca qui.

Parth Thakker guida il team di vendita globale di antuit.ai per Zebra. Parth ha più di 15 anni di esperienza nella generazione di valore per i dettaglianti, i produttori e le aziende di prodotti di consumo.

In precedenza, ha ricoperto il ruolo di Sales Executive per il settore manifatturiero in Genpact, dove ha collaborato con un portafoglio di aziende aerospaziali e industriali. Parth possiede un MBA dalla Stern School of Business della New York University e una laurea di primo livello e una laurea magistrale in ingegneria dal Stevens Institute of Technology.