消費財 – データを見直す時

伝統的な需要予測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。需要予測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。

需要予測と歴史的な販売データへの依存

伝統的な需要管理は、顧客全体の一定期間の販売および出荷データから始まる。基準となる収益および単位予測を作成するために、これらのデータは、ストックキーピングユニット（SKU）および関連する倉庫や工場の数に応じて、さまざまな集約レベルで分析される。予測は、販売、営業、財務の各部門によって調整され、過去の実績に基づいて、現実的な成長目標が設定される。製造計画は、理想的には倉庫レベルの予測と組み合わせて、工場から倉庫への補充計画を推進する。すべての計画は、合理的で一致した計画を提供するために行われる。
しかし、需要予測者は、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、消費者の行動の近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、消費財広告主は、広告のスケールを達成し、パフォーマンスに基づくマーケティングを行うために、第三者クッキーに頼ってきた。メディアサイトとの個別の交渉を行わずに、データを使用して広告支出を正当化できるようにするために、クッキーとプログラマティックマーケティングが広告を進化させた。MerkleのUS戦略責任者であるMatt Naegerによると、「第三者クッキーに依存するようになった。なぜなら、それがより簡単で、迅速で、計画や統合が必要なかったからである」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。

実際の結果が得られないこととクッキーの過度な依存により、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、活動に基づくID、第一者データなどのアプローチが活用されている。また、AIや機械学習モデルを使用することで、広告の有効性を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。

需要予測の場合、類似点は同様である。需要予測の核心は、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、営業、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、近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。

需要予測の解決策は何か？

需要予測者は、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、適切なレベルまたはグループ化を実行する；
• AIモデリング手法を使用して、失われた販売データを将来の需要の考慮に含める。

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、新しい予測専門知識のレイヤーを作成している。
投資分野には以下が含まれる。

• 需要センシング – 近期のデータを活用し、注文状況、最近の販売データ、倉庫在庫、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；

• 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充填率を最大化する；

• 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、より詳細なレベルのデータの変動性を克服するためのAIアプローチ。

これらの新しいアプローチは、需要予測をより正確で、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、消費者を引き付けることができるメカニズムを1つだけ使用し、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。