사상 리더
CPG 기업: 이제 데이터를 더 자세히 살펴볼 때다

핵심 포인트CPG 기업은 실시간 POS 데이터와 AI 기반 수요 감지로 과거 판매 데이터를 대체해야 합니다.
더 보기
- CPG 기업은 실시간 POS 데이터와 AI 기반 수요 감지로 과거 판매 데이터를 대체해야 합니다.
- 서드파티 쿠키는 부정확성으로 실패했으며, CPG 수요 계획도 동일한 데이터 신뢰성 위기에 직면해 있습니다.
- AI와 머신러닝은 이제 동적 집계와 재고 최적화를 가능하게 하여 더 정확한 예측을 제공합니다.
전통적인 수요 계획과 광고 쿠키는 무엇이 공통점일까? 둘 다 더 발전된 기술로 대체되고 있다. 왜일까? 둘 다 소비자에 대한 올바른 데이터와 분석이 부족하며, 이 때문에 소비자를 이해하는 과정에서 잘못된 방향으로 나아갈 수 있기 때문이다.
수요 계획과 과거 판매 데이터의 의존
전통적인 수요 관리는 고객 전체에 대한 특정 기간 동안의 과거 판매 및 출하 데이터에서 시작한다. 이는 기준 매출 및 단위 예측을 위한 기반이다. 예측은 SKU 및 해당 SKU와 관련된 물류센터(DC) 및 공장의 수에 따라 다른 수준의 집계로 수행된다. 그런 다음 이 예측은 판매, 마케팅, 재무 부서 간에 조정되어 과거 성과에 기반한 합리적이고 달성 가능한 성장 목표를 설정하기 위해 사용된다. 이를 통해 제조 계획이 생성되며, 이는 일반적으로 월별 일정(예: SKU별 공장별 월별)을 따른다. 생산 계획은 이상적으로 물류센터 수준의 예측과 결합하여 공장에서 물류센터로의 재고 보충 계획을 구동한다. 모두 합리적이고 일치하는 계획을 제공하기 위해 설계되었다.
그러나 수요 계획자는 과거 판매 데이터만으로는 오늘 또는 내일 소비자가 무엇을 필요로 하는지 알 수 없다는 것을 인식하게 되었다. 전염병의 영향과 그에 따른 공급망 문제는 이를 명확히 보여주었다. 또한 직접 소비자에게 판매하는 옵션은 계획 프로세스를 더 복잡하게 만들었다. 과거 성과 데이터는 단기적 소비자 행동의 변화를 반영하지 못하며, 또한 소비자 행동과 공급망 중단의 급격한 변화를 따라갈 수 없다.
광고 쿠키와의 유사점은 어디에?
20년 넘게 포장 소비재(CPG) 광고주들은 광고를 대규모로 집행하고 광고비 지출을 이끄는 성과 중심 마케팅을 수행하기 위해 제3자 쿠키에 의존했다. 어느 사이트가 다른 사이트보다 가치 있는지 확인할 데이터 없이 미디어 사이트들과 하나씩 계약을 협상하는 대신, 쿠키와 프로그래매틱 마케팅은 광고를 더 쉽게 정량화하고 지출을 정당화할 수 있다고 약속하는 방향으로 발전시켰다. 성과 마케팅 대행사 Merkle의 미국 전략 책임자 Matt Naeger는 “제3자 쿠키가 더 쉽고 빠르며 [전통적인 마케팅보다] 계획과 통합이 덜 필요했기 때문에 우리는 여기에 조금 의존하게 되었다.”라고 말했다.
그러나 개인정보 보호 규칙과 광고 차단기가 확산되기 전부터 쿠키 데이터의 정확성은 의문시되었다. 소비자는 쿠키 캐시를 지울 수 있었고, 이 때문에 실제 소비자 관심이 과소 집계될 수 있었다. 반대로 대량의 가짜 광고 트래픽을 만들 수 있는 봇의 확산은 실제 관심을 크게 과대 집계했다.
실제 행동에 활용할 수 있는 결과가 부족하고 관심 측정에서 쿠키에 지나치게 의존하자, 영국 광고 대행사 WPP의 CTO Stephen Pretorius는 “제3자 쿠키가 사라지는 것이 특별히 슬프지는 않다. 쿠키는 그다지 정확하지도 유용하지도 않았기 때문이다. 사실 나는 이 모든 과정이 우리 모두에게 어떤 데이터가 중요한지 다시 생각하게 했다고 본다.”라고 밝혔다.
쿠키를 대체할 새롭고 정교한 접근 방식이 부상하고 있다. 이는 개인의 신원을 보호하면서도 잠재 구매자를 식별한다. 브라우저 기반 코호트 배정, 개인 신원 대신 활동에 따라 부여하는 ID, 자사 데이터 등이 활발히 연구되고 있다. 또한 AI와 기계 학습 모델은 광고 자체의 효과를 측정 가능한 수준으로 높이는 통찰을 제공할 수 있다. 소비자를 추적하기보다 끌어들이는 것이다.
수요 계획의 경우도 유사한 비유가 있다. 수요 계획의 핵심은 소비자 수요를 예측하고 수요를 형성하는 모든 요인을 해석하는 것이다. 과거 판매 데이터와 출하 데이터는 좋은 정보원이 아니었다. 판매, 마케팅, 재무 간의 내재된 편향은 더 나은 예측을 생성하지 못했다. 이러한 믿음에 대한 과신은 단기적이고 지역적인 조건의 변화를 포착하지 못했다. 쿠키와 마찬가지로, 더 많은 데이터, 더 나은 데이터 출처, 새로운 프로세스, 그리고 AI와 기계 학습이 더 나은 길을 제공한다.
수요 계획의 해결책은 무엇인가?
수요 계획자는 오늘날의 시장의 불안정성과 복잡성으로 인해 계획 예측의 정확성을 더 면밀하게 살펴보고 있다. 특히 세 가지 영역이 예측의 부정확성에 기여하는 것으로 나타났다:
- 실시간 판매 시점(POS) 데이터와 다른 데이터 출처을 사용하여 예측을 더 잘 조정하는 모델의 부재;
- 전체 예측 정확성을 가장 높이는 수준 및/또는 그룹을 찾는 기계 학습;
- 미래 수요 고려에 포함되지 않은 손실된 판매를 계산하는 AI 모델링 방법.
더 나은 데이터와 데이터 과학이 이러한 도전을 해결할 수 있다. CPG 기업은 계획 프로세스를 보완하기 위해 더 폭넓은 데이터와 고급 모델링 기술을 기반으로 하는 AI와 기계 학습 통찰력을 생성하는 새로운 예측 전문 지식을 개발하고 있다.
투자 분야는 다음과 같다:
- 수요 감지 – 단기적 데이터, 주문 상태, 최근 판매 데이터, 소매점 재고, 프로모션 실행, 소매 가격, 제품 및 위치별 속성, 소셜 미디어 감성, 재고 비용 요인 등을 더 자주 실행되는 모델에 통합하여 최신 통찰과 잦은 조치를 통해 단기 수요 반응을 개선하는 것;
- 재고 최적화 – 판매 손실 또는 초과 판매의 확률을 평가하고 예측 데이터에 이러한 통찰력을 고려하여 주문 충족률을 최대화하는 기계 학습 접근 방식;
- 동적 집계 – 더 세분화된 수준의 높은 데이터 변동성이 상위 집계 수준의 예측 정확성에 미치는 영향을 극복하는 AI 접근 방식.
이러한 새로운 접근 방식은 수요 예측을 더 정확하고 반응성이 좋으며 불안정성이 낮은 것으로 만들고 있다. 또한 수요 계획 비즈니스 프로세스에 기여하여 수동적인 스프레드시트 작업을 자동화하고, 더 많은 내부 및 외부 데이터를 통합하여 확장할 수 있으며, 모델의 내재된 학습 능력으로 인해 지속적인 개선을 제공한다.
이것을 피할 수 없다: 한 추적 메커니즘으로 고객을 유혹하고, 내일 소비자가 무엇을 필요로 하는지 단순히 과거에 무엇을 샀는지를 기반으로 결정하는 세계는 사라지고 있다. 더 크고 더 영속적인 판매 성장을 위한 기회는 데이터를 더 깊이 조사하여 소비자에 대해 무엇을 알 수 있는지에 있다. AI 기반 예측, 계획 및 가격 설정 솔루션에 대한 자세한 정보는 여기를 클릭하십시오.












