์ฌ์ ๋ฆฌ๋
์๋น์ ํจํค์ง ๋ฆฌ๋๋ค์ด ์ง์ ํ AI ๊ธฐ๋ฐ ์์ต ์ฑ์ฅ ์ต์ ํ๋ฅผ ์ํด ๊ฐ๋ฃจ๋ฅผ ๊ฐ๋ฆฌ๋ ๊ฒ์ด ํ์์ ์ธ ์ด์
최적화는 더 이상 단순한流行語가 아니다. 그것은 구식 기술과 비실용적인 AI 시스템으로는 달성할 수 없는 완전히 정의 가능하고 측정 가능한 결과이다.
————————
수익 성장 최적화는 오늘날 소비자 패키징 부문에서 최우선 순위이다. 글로벌 경제적 불확실성, 지속적인 인플레이션, 공급망 문제, 소비자 행동의 변화로 인해 수익과 이익을 증가시키기 위해 진화하는 상황을 체계적으로 해독하고 탐색하는 방법을 이해하는 것이 중요해졌다.
소비자 패키징 조직에서는 수익 성장 관리(RGM)의 주요 요인을 가격, 프로모션, 미디어 믹스, 소비자 제품 패키징을 변경 가능한 시장 조건과 일치시키는 것에 의해 전체적으로 최적화하는 것이 중요하다. 이것은 소비자 선호도의 변화, 인플레이션, 지缘정치적 긴장, 기후 변화, 세계 인구 이동의 파급 효과로 인해 이전과는 달리 복잡해졌다. 이는 75% 이상의 소비자 패키징 제조업체가 총 기업 현대 무역 지출을 관리하는 데 어려움을 겪고 있으며 70%의 소비자 패키징幹部가 5년 전보다 더 스트레스를 받고 있는 이유이다.
복잡성이 항상 존재하는 가운데 많은 조직은 디지털화된 수익 성장 최적화를 기상 악화에 대처하는 메커니즘으로 우선하고 있다. 프로모션 최적화 연구소의 2024 산업 현황 보고서에 따르면, 응답자의 80%는 새로운 수익 성장 관리(RGM) 프로세스를 지원하고 최적화된 프로모션, 가격, 패키지 성장 분석을 더 깊이 있게 연구하기 위해 디지털 솔루션 또는 분석 기능에 투자하고 있다고 말했다. POI 보고서는 또한 54%의 응답자가 새로운 무역 프로모션 관리 솔루션을採用할 계획이고 31%는 자동 가격 설정 기능을 통합할 것이라고 밝혔다.
많은 시스템은 인플레이션 압력을 완화하고 수익을 증대할 수 있는 “AI 기반 최적화 솔루션”으로 판매되고 있다. 그러나 실제로는 그렇지 않다. 고급 분석이 기업의 기술과 비즈니스 프로세스에 통합됨에 따라, 모든 수학적 기술과 AI가 실제로 대규모 수익 성장 최적화를 제공할 수 있는 것은 아니라는 것이 명백하다. 소비자 패키징 리더들은 최적화의 정의가 구식이고 부정확하다는 것을 알게 되었다. 산업은 역사적으로 “최적화”를 어제의 회귀 모델링과 비즈니스 시나리오 시뮬레이션의 사용으로 정의했다. 그러나 이러한 구식 기술은 실제로 최적화를 수행하지 않는 예측 기술에 불과하다는 것을 알게 되었다. 또한 생성적 AI와 신경망은 최적화를 수행하지 않지만, 조직의 디지털 변혁 여정의 다른 구성 요소에서 유용한 기술일 수 있다.
분석 랜드스케이프는 빠르게 변화하고 있다. 고급 분석 회사들은 소비자 패키징 파트너가 운영 모델 내에서 이러한 기술을 사용하고 특정 적용에 대한 이해와 성숙도를 구축하는 것을 도와야 한다. 최적화는 더 이상 단순한流行語가 아니다. 그것은 완전히 정의 가능하고 측정 가능한 결과이다. 이는 CPG 제조업체와 소매업체의 제약을 동시에 균형을 맞추는 것으로 달성할 수 있다. 이러한 수준의 제약 기반 최적화와 그 구체적인 이점은 구식 기술과 비실용적인 AI 시스템으로는 달성할 수 없다.
따라서 조직은 채택하는 수익 성장 최적화 도구의 통계 수학과 AI 기반의 구체적인 능력을 이해하는 것이 중요하다. 고급 분석과 AI의 세계에서 가루를 가리는 것이 지속 가능한 수익을 창출하고 시장의 변동성을 극복하며 산업 경쟁자를 앞서가는 능력을 향상시킬 것이다.
도구 상자에 대한 모든 것
수익 성장 최적화를 위한 적절한 고급 수학과 AI 도구를 도구 상자에 넣는 것은 금값이다. 예를 들어, 강철 블록을 자르려고 한다면, 이는 이론적으로 해삭기로 가능하지만, 그것은 성공적으로 자르기 위해 수년이 걸릴 것이다. 한편, 아세틸렌 토치는 몇 초 안에 자를 것이다.
AI 기반 기술도 마찬가지이다. 오늘날 CPG 수익 성장 최적화 시스템에서 사용되는 대부분의 AI 형태는 실제 시장의 복잡성을 고려하지 못한다.它们는 비선형적인 문제를 해결하기 위해 구식의 선형 회귀 기법을 사용하며, 전통적인 통계 모델을 사용하여 1, 2, 3, 또는 4개의 정적 제약조건을 최적화하는 반면, CPG 브랜드가 매일 탐색하는 실제 세계의 고려 사항을 반영하는 2~3십개의 제약조건을 고려하지 못한다. 이는 효과적인 수익 성장 추천 생성과 운영 성능 및 CPG 제조업체와 그 소매 파트너 모두를 위한 ROI의 근본적인 분석 성능 저하로 이어진다.
생성적 AI(Generative AI, GenAI)는 이러한 불일치의 또 다른 예이다. CPG 가치 사슬에는 GenAI 애플리케이션에 대한 유용한 사용 사례가 있지만, 수익 성장 최적화는 그 중 하나가 아니다. 이는 GenAI 모델이 “쓰레기 입력에서 쓰레기 출력” 문제를 식별할 수 없는 검색 엔진 기반 기술에 의존하며, 신경망 머신 러닝이 단순히 최적화를 수행하지 않기 때문이다.
수학 문제를 촉진하는 것
진정한 수익 성장 최적화는 그 핵심에서 제약 기반의 고차원 수학 문제라는 것을 기억하는 것이 중요하다. 글래스박스 머신 러닝을 활용하는 고급 수학 및 AI 솔루션은 CPG 제조업체와 소매업체 모두에게 동시에 최적화를 제공하고 수익을 창출하는 무역 프로모션 달력을 생성하는 데 필요한 모든 제약조건과 변수를 통합하는 것이 필요하다. 이는 시스템이 조직이 운영되는 환경을 근본적으로 이해하고 진정한 최적화를 수행하며, 소비자 수요에 따라 조건이 정상적인 가격을 강조하는 상황에서 일상적인 가격, 무역 프로모션, 미디어 믹스, 제품 구성과 같은 수익 성장 관리의 다른 주요 레버를 최적화하여 전체적인 추천을 생성하는 것을 보장한다.
이 맞춤형 접근 방식은 시장 불확실성을 탐색하는 것을 고려한다. 예를 들어, 장기적인 공급 부족으로 인한 지缘정치적 충돌이나 기후 관련 사고로 인한 예상치 못한 가격 상승과 같은 시장 불확실성을 탐색한다. 파나마 운하의 가뭄으로 원자재 비용이 증가하면, 시스템은 1) 소비자 패키징을 위한 증가한 생산 비용을 수용하면서 마진을 유지하고 2) 효과적인 프로모션 기술을 통해 소비자가 산업 경쟁자보다 자신의 브랜드를 선택하도록 유도하는 새로운 최적의 가격 구조를 결정하는 데 도움이 될 수 있다.
영향 측정: 사후 효과성
수익 성장 최적화 도구의 ROI 영향을 결정하는 것은 포괄적이고 계산된 접근 방식이 필요하다. 먼저, 무역 프로모션 지출에서 생성된 핵심 KPI인 순 증가 판매, 이익, 소매 점포 달러, 시장 침투율에 대한 사후 분석에 초점을 맞춘다. 이러한 네 가지 기둥의 성능은 구현 전략의 영향과 개선이 필요한 영역을 나타낼 것이다.
두 번째 주요 카테고리는 무역 효과성 비율이다. 무역에 지출된 每 달러당 평균적으로 어떤 수익을 생산하는가? 이는 수익 성장 최적화 도구를 시간이 지남에 따라 확장하는 데 중요하다. 이러한 두 가지 측면을 모두 함께 실행하면 조직이 외부 변동성을 성공적으로 탐색하고 산업 동료를 앞서게 할 수 있는 위치에 있을 것이다. 강력한 ROI는 단순히 숫자에 관한 것이 아니다. 또한 자신의 세그먼트에서 경쟁 우위를 얻는 것에도 관한 것이다.
CPG 랜드스케이프에서 수익을 최적화하는 것은 의심할 여지 없이 복잡하다. 디지털화는 그것을 단순화하는 약속을 제공하지만, 기업 리더들은 수익 성장 최적화를 위한 고급 수학 및 AI 도구를 강력하게 이해해야 한다. 지식은 권력이며, 궁극적으로 브랜드와 회사 가치를 다른 것보다 높일 것이다.
