ソートリーダー

CPG企業の皆さまへ:データをもっと詳しく見る時が来た

Parth Thakker
Unite.AI を Google の優先ソースに追加
要点CPG企業は、過去の販売データをリアルタイムのPOSデータとAIによる需要予測に置き換える必要がある。
もっと見る
  • CPG企業は、過去の販売データをリアルタイムのPOSデータとAIによる需要予測に置き換える必要がある。
  • サードパーティクッキーは不正確さゆえに失敗したが、CPGの需要計画も同様のデータ信頼性の危機に直面している。
  • AIと機械学習により、動的な集約と在庫最適化が可能となり、より正確な予測が実現している。

伝統的な需要計画と広告クッキーには何が共通するのか。両者とも、より洗練されたものに置き換えられつつある。なぜなら、両者とも、消費者を理解するために必要な正しいデータと分析が欠けているからである。

需要計画と歴史的な販売データへの依存

従来の需要管理は、一定期間にわたる全顧客の過去の販売・出荷データから始まり、売上高と販売数量の基準予測を作成する。予測の集約レベルは、在庫管理単位(SKU)と、そのSKUに関わる配送センター(DC)や工場の数によって異なる。その後、販売・マーケティング・財務の各部門で予測を調整し、過去の実績に基づく妥当で達成可能な成長目標を定める。これを使って、通常は月次の生産計画(例えば工場・月ごとのSKU)を立てる。生産計画は、理想的にはDCレベルの予測と組み合わせ、工場からDCへの補充配送計画を決める。いずれも、妥当で合意の取れた計画を作るためである。
しかし、需要計画者は、歴史的な販売データだけでは、今日や明日の消費者のニーズを把握するには十分ではないことを認識するようになった。パンデミックの影響とそれに続くサプライチェーンの課題により、これは明らかになった。さらに、消費者直接購入オプションの増加により、計画プロセスはより複雑になった。過去の実績データは、消費者の行動の短期の変化やサプライヤーの混乱を反映していない。

広告クッキーの類似点はどこにあるのか?

20年以上にわたり、包装消費財(CPG)の広告主は、広告の規模を広げ、広告費支出を導く成果重視のマーケティングを行うためにサードパーティCookieに依存してきた。サイト間の価値を比較するデータもないままメディアサイトと個別に交渉する代わりに、Cookieとプログラマティックマーケティングは、広告をより容易に定量化し、支出を正当化できると期待されるものに変えた。成果重視のマーケティング代理店Merkleの米国戦略責任者Matt Naegerは、「[従来のマーケティングより]簡単で、速く、計画や統合の手間も少なかったため、私たちはサードパーティCookieに少し依存するようになった」と述べている。

しかし、プライバシー規則や広告ブロッカーの台頭以前から、クッキーデータの精度は疑問視されていた。消費者はクッキーキャッシュをクリアすることができ、これにより、実際の消費者の関心が過少評価されることになった。他方、ボットによって生成される偽の広告トラフィックにより、実際の関心が過大評価されることになった。

実際の行動につなげられる成果がないこととクッキーの過度な依存により、英国の広告代理店WPPのCTOであるStephen Pretoriusは、「第三者クッキーの衰退について特に悲観的ではない。なぜなら、それらはあまり正確ではなく、あまり役に立たなかったからである。実際、私はこのことによって、どのようなデータが重要であるかを再考する機会が得られた」と述べている。

クッキーの代わりに、新しいアプローチが登場している。ブラウザベースのコホート割り当て、個人の身元ではなく活動に基づくID、ファーストパーティデータなどのアプローチが積極的に検討されている。また、AIや機械学習モデルを使用することで、広告そのものの効果を測定可能な形で高めることができる。消費者を追跡するのではなく、消費者を引き付けることができる。

需要計画の場合、類似点は同様である。需要計画の核心は、消費者の需要を予測し、消費者の需要を形作るすべての要因を解読することである。歴史的なデータや出荷データは、消費者のニーズを把握するための優れた情報源ではなかった。販売、マーケティング、財務の各部門間の内在的な偏見により、より良い予測が得られなかった。過去の実績に過度に依存することは、短期の変化や地元の条件の影響を捉えることができなかった。クッキーと同様に、より多くのデータ、より優れた情報源、新しいプロセス、およびAIや機械学習を組み合わせることで、より優れたアプローチが可能になる。

需要計画の解決策は何か?

需要計画者は、今日の市場の変動性と複雑性により、予測の精度をより慎重に検討するようになった。特に、3つの分野が予測の不正確さの要因として際立っている。

  • リアルタイムのPOSデータや他のデータソースを使用して、予測を現在の需要に影響を与える要因に合わせて調整するモデルの欠如;
  • 機械学習によって、予測の精度を最大化するために、適切なレベルおよび/またはグループを見いだし、集約した全体の予測精度を最大化する;
  • AIモデリング手法を使用して、将来の需要を考える際に含まれていなかった販売機会の損失を考慮する。

より優れたデータとデータサイエンスがこれらの課題に対処できる。 消費財企業は、AIや機械学習の洞察に基づく予測プロセスを強化する、幅広いデータと高度なモデリング技術を用いた新しい予測専門知識の層を作り、計画プロセスを補強している。
投資分野には以下が含まれる。

  • 需要センシング – 短期のデータを活用し、注文状況、最近の販売データ、小売業者の在庫、プロモーション実行、小売価格、製品およびロケーション固有の属性、ソーシャルメディアのセンチメント、在庫コスト要因をモデル化し、短期的な需要に対する反応を改善するために、より頻繁に実行されるモデルで最新の洞察と頻繁な対策を生かす;
  • 在庫最適化 – 予測データにおける失われたまたは過剰な販売の確率を評価するための機械学習アプローチ、およびこれらの洞察を考慮して注文充足率を最大化する;
  • ダイナミックアグリゲーション – 予測の精度に影響を与える、より細かいレベルでの高いデータ変動性が上位の集約レベルの予測精度に及ぼす影響を克服するAIアプローチ。

これらの新しいアプローチは、需要計画をより正確で、より迅速に反応し、より変動性の少ないものにしている。また、手作業でのスプレッドシートタスクを自動化し、より広範な内部および外部データを容易に組み込むことができ、モデルの学習機能により、継続的な改善が可能になる。

避けられないことであるが、顧客を引き付けるために一つの追跡メカニズムだけを使い、消費者が必要とするものを提供することができるメカニズムが過去のデータに基づいている世界は、消えつつある。より大きな、より永続的な売上成長の機会は、消費者についてより深く理解するために、データを掘り下げることにある。AIを活用した予測、計画、価格設定ソリューションについての詳細は、こちらをクリックしてください。

Parth Thakkerはantuit.aiのゼブラのグローバルセールスチームを率いています。Parthには、15年以上の小売業者、製造業者、消費者製品会社の価値を生み出す経験があります。

以前は、Genpactの製造業部門のセールスエグゼクティブを務め、航空宇宙および産業関連企業のポートフォリオと提携していました。Parthは、ニューヨーク大学のスターン経営大学院でMBAを、スティーブンス工科大学で工学の学士号と修士号を取得しています。