소비자 데이터에 더 가까이看看하는 시간 – CPG

전통적인 수요 계획과 광고 쿠키는 무엇이 공통점일까? 둘 다 더 발전된 기술로 대체되고 있다. 왜일까? 둘 다 소비자에 대한 올바른 데이터와 분석이 부족하기 때문이다.

수요 계획과 역사적 판매 데이터의 의존

전통적인 수요 관리는 고객 전체에 대한 특정 기간 동안의 역사적 판매 및 출하 데이터에서 시작한다. 이는 기준 매출 및 단위 예측을 위한 기반이다. 예측은 SKU 및 해당 SKU와 관련된 배급 센터 및 공장의 수에 따라 다른 수준의 집계로 수행된다. 그런 다음 이 예측은 판매, 마케팅, 재무 함수 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 공급 센터 수준의 예측과 결합하여 공장에서 공급 센터로의 재고 보충 계획을 구동한다. 모두 합리적이고 일치하는 계획을 제공하기 위해 설계되었다.

그러나 수요 계획자는 역사적 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 근시적 소비자 행동의 변화를 반영하지 못하며, 또한 소비자 행동과 공급망 중단의 급격한 변화를 따라갈 수 없다.

광고 쿠키와의 유사점은 어디에?

20년 넘게 CPG 광고주들은 광고 규모를 달성하고 성과 기반 마케팅을 실천하기 위해 제3자 쿠키에 의존했다. 이는 미디어 사이트와 개별적으로 협상을 하거나 데이터를 확인하지 않고도 광고 비용을 정당화할 수 있는 방법이었다. 그러나 쿠키 데이터의 정확성은 개인 정보 보호 규칙과 광고 차단기 이전부터도 의문시되었다. 소비자는 쿠키 캐시를 지울 수 있었으며, 이는 실제 소비자 관심을 과소평가하는 결과를 가져왔다. 또한 가짜 광고 트래픽을 생성할 수 있는 봇의 普遍性은 실제 관심을 과대평가하는 결과를 가져왔다.

쿠키 데이터의 부정확성과 제한된 결과는 새로운 접근 방식을 탐색하게 했다. 브라우저 기반의 코호트 할당, 활동 기반의 개인 식별자 할당, 제1자 데이터 등이 이러한 접근 방식이다. 또한 AI와 기계 학습 모델은 광고의 효과를 측정할 수 있는 통찰력을 제공할 수 있다. 소비자를 추적하는 것이 아니라 유혹하는 광고를 만들 수 있다.

수요 계획의 경우도 유사한 비유가 있다. 수요 계획의 핵심은 소비자 수요를 예측하고 수요를 형성하는 모든 요인을 해석하는 것이다. 역사적 판매 데이터와 출하 데이터는 좋은 정보源이 아니었다. 판매, 마케팅, 재무 간의 내재된 편향은 더 나은 예측을 생성하지 못했다. 이러한 믿음에 대한過信은 근시적이고 지역적인 조건의 변화를 포착하지 못했다. 쿠키와 마찬가지로, 더 많은 데이터, 더好的 데이터源, 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密接하게 살펴보고 있다. 특히 세 가지 영역이 예측의 부정확성에 기여하는 것으로 나타났다:

• 실시간 판매 데이터와 다른 데이터源을 사용하여 예측을 더 잘 조정하는 모델의 부재;
• 예측의 정확성을 가장 높이는 수준 또는 그룹을 찾는 기계 학습;
• 미래 수요 고려에 포함되지 않은 손실된 판매를 계산하는 AI 모델링 방법.

더好的 데이터와 데이터 과학이 이러한 도전을 해결할 수 있다. CPG 기업은 계획 프로세스를 보완하기 위해 더广い 데이터와 고급 모델링 기술을 기반으로 하는 AI와 기계 학습 통찰력을 생성하는 새로운 예측 전문 지식을 개발하고 있다.

투자 분야는 다음과 같다:

• 수요 감지 – 근시적 데이터, 주문 상태, 최근 판매 데이터, 소매점 재고, 프로모션 실행, 소매 가격, 제품 및 위치별 속성, 소셜 미디어 감성, 재고 비용 요인 등을 모델에 통합하여 단기 수요 반응을 개선하는 것;

• 재고 최적화 – 손실 또는 과다한 판매를 평가하고 예측 데이터에 이러한 통찰력을 고려하여 충족률을 최대화하는 기계 학습 접근 방식;

• 동적 집계 – 더詳細한 수준에서 데이터의 높은 변동성을 극복하고 예측 정확성을 높이는 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消え去る 것이다. 더 큰이고 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.