CPGs - ມັນເຖິງເວລາທີ່ຈະເບິ່ງຂໍ້ມູນຂອງທ່ານຢ່າງໃກ້ຊິດ

ການວາງແຜນຄວາມຕ້ອງການແບບດັ້ງເດີມແລະຄຸກກີໂຄສະນາມີຫຍັງແດ່? ພວກເຂົາທັງສອງໄດ້ຖືກທົດແທນໂດຍບາງສິ່ງບາງຢ່າງທີ່ຊັບຊ້ອນກວ່າ. ເປັນຫຍັງ? ເນື່ອງຈາກວ່າໃນແຕ່ລະກໍລະນີ, ພວກເຂົາເຈົ້າຂາດຂໍ້ມູນທີ່ຖືກຕ້ອງແລະການວິເຄາະທີ່ຈະເຮັດໃຫ້ທ່ານເຂົ້າໃຈຜິດໃນວິທີການເຂົ້າໃຈຜູ້ບໍລິໂພກຂອງທ່ານ.

ການວາງແຜນຄວາມຕ້ອງການແລະການເອື່ອຍອີງຈາກຂໍ້ມູນການຂາຍປະຫວັດສາດ

ການຈັດການຄວາມຕ້ອງການແບບດັ້ງເດີມເລີ່ມຕົ້ນດ້ວຍຂໍ້ມູນການຂາຍແລະການຂົນສົ່ງປະຫວັດສາດໃນທົ່ວລູກຄ້າທັງຫມົດໃນໄລຍະເວລາສໍາລັບລາຍຮັບພື້ນຖານແລະການຄາດຄະເນຫນ່ວຍງານ. ການ​ຄາດ​ຄະ​ເນ​ແມ່ນ​ເຮັດ​ໄດ້​ໃນ​ລະ​ດັບ​ທີ່​ແຕກ​ຕ່າງ​ກັນ​ຂອງ​ການ​ລວມ​ຕົວ​ຂຶ້ນ​ກັບ​ຫນ່ວຍ​ບໍ​ລິ​ການ​ເກັບ​ຮັກ​ສາ​ຫຼັກ​ຊັບ (SKU​) ແລະ​ຈໍາ​ນວນ​ຂອງ ສູນກະຈາຍສິນຄ້າ (DCs) ແລະໂຮງງານທີ່ກ່ຽວຂ້ອງກັບ SKU ນັ້ນ. ຫຼັງຈາກນັ້ນ, ການຄາດຄະເນນີ້ໄດ້ຖືກນວດລະຫວ່າງການຂາຍ, ການຕະຫຼາດແລະຫນ້າທີ່ທາງດ້ານການເງິນເພື່ອມາຮອດສິ່ງທີ່ຄິດວ່າເປັນເປົ້າຫມາຍການເຕີບໂຕທີ່ສົມເຫດສົມຜົນ, ສາມາດບັນລຸໄດ້ໂດຍອີງໃສ່ການປະຕິບັດທີ່ຜ່ານມາ. ນີ້ຖືກນໍາໃຊ້ເພື່ອສ້າງ ການຜະລິດ ແຜນການ, ມັກຈະຢູ່ໃນຕາຕະລາງປະຈໍາເດືອນ (ເຊັ່ນ, SKU ໂດຍໂຮງງານໂດຍເດືອນ). ແຜນການການຜະລິດ, ໂດຍທົ່ວໄປແລ້ວປະສົມປະສານກັບການຄາດຄະເນລະດັບ DC, ຫຼັງຈາກນັ້ນເຮັດໃຫ້ການວາງແຜນການທົດແທນສໍາລັບການຈັດສົ່ງຈາກໂຮງງານໄປສູ່ DC. ທັງ​ຫມົດ​ເພື່ອ​ສະ​ຫນອງ​ການ​ສົມ​ເຫດ​ສົມ​ຜົນ​, ແຜນ​ການ​ເປັນ​ເອ​ກະ​ພາບ​.

ຢ່າງໃດກໍ່ຕາມ, ຜູ້ວາງແຜນຄວາມຕ້ອງການໄດ້ຮັບຮູ້ວ່າຂໍ້ມູນການຂາຍປະຫວັດສາດບໍ່ພຽງພໍທີ່ຈະເຫັນສິ່ງທີ່ຜູ້ບໍລິໂພກຕ້ອງການໃນມື້ນີ້ຫຼືມື້ອື່ນ. ຜົນກະທົບຂອງໂລກລະບາດ, ແລະຄວາມທ້າທາຍຂອງລະບົບຕ່ອງໂສ້ການສະຫນອງທີ່ຕິດຕາມມາ, ເຮັດໃຫ້ສິ່ງນີ້ເຫັນໄດ້ຊັດເຈນ. ນອກຈາກນັ້ນ, ໂດຍກົງກັບທາງເລືອກໃນການຊື້ຂອງຜູ້ບໍລິໂພກພຽງແຕ່ເຮັດໃຫ້ຂະບວນການວາງແຜນສັບສົນຫຼາຍ. ຂໍ້ມູນການປະຕິບັດທີ່ຜ່ານມາບໍ່ໄດ້ສະທ້ອນເຖິງການປ່ຽນແປງໃນໄລຍະສັ້ນໃນພຶດຕິກໍາຂອງຜູ້ບໍລິໂພກ, ແລະມັນຍັງສາມາດຕິດຕາມການປ່ຽນແປງຢ່າງໄວວາຂອງພຶດຕິກໍາຂອງຜູ້ບໍລິໂພກແລະການຂັດຂວາງຜູ້ສະຫນອງ.

ແຕ່ການປຽບທຽບກັບຄຸກກີໂຄສະນາຢູ່ໃສ? 

ສໍາລັບຫຼາຍກວ່າ 20 ປີ, ຜູ້ໂຄສະນາ CPG ອີງໃສ່ cookies ພາກສ່ວນທີສາມເພື່ອບັນລຸຂະຫນາດການໂຄສະນາແລະການປະຕິບັດປະເພດຂອງການຕະຫຼາດທີ່ມີປະສິດທິພາບທີ່ນໍາພາການໂຄສະນາຂອງພວກເຂົາ. ແທນທີ່ຈະເຈລະຈາຂໍ້ຕົກລົງກັບສະຖານທີ່ສື່ມວນຊົນເທື່ອລະອັນ, ໂດຍບໍ່ມີຂໍ້ມູນໃດໆເພື່ອຢືນຢັນມູນຄ່າຂອງເວັບໄຊທ໌ຫນຶ່ງໃນໄລຍະອື່ນ, cookies ແລະການຕະຫຼາດໂຄງການໄດ້ພັດທະນາການໂຄສະນາເຂົ້າໄປໃນບາງສິ່ງບາງຢ່າງທີ່ສັນຍາວ່າຈະມີປະລິມານແລະສົມເຫດສົມຜົນຫຼາຍ. ອີງຕາມ Matt Naeger, ຜູ້ທີ່ເປັນຫົວຫນ້າຍຸດທະສາດຂອງສະຫະລັດສໍາລັບອົງການການຕະຫຼາດປະສິດທິພາບ Merkle, "ພວກເຮົາໄດ້ກາຍເປັນພຽງເລັກນ້ອຍຂຶ້ນກັບ cookies ພາກສ່ວນທີສາມເພາະວ່າມັນງ່າຍກວ່າ, ໄວກວ່າ, ແລະຕ້ອງການການວາງແຜນແລະການເຊື່ອມໂຍງກັບຫນ້ອຍ [ກ່ວາການຕະຫຼາດແບບດັ້ງເດີມ]."

ຢ່າງໃດກໍຕາມ, ເຖິງແມ່ນວ່າກ່ອນທີ່ຈະເພີ່ມຂຶ້ນຂອງກົດລະບຽບຄວາມເປັນສ່ວນຕົວແລະຕົວສະກັດການໂຄສະນາ, ຄວາມຖືກຕ້ອງຂອງຂໍ້ມູນຄຸກກີໄດ້ເຂົ້າໄປໃນຄໍາຖາມ.  ຜູ້ບໍລິໂພກໄດ້ຮັບທາງເລືອກໃນການລ້າງແຄດຄຸກກີຂອງພວກເຂົາ, ເຊິ່ງໄດ້ຮັບຜິດຊອບເພື່ອຫຼຸດຜ່ອນສິ່ງທີ່ອາດຈະເປັນຜົນປະໂຫຍດທີ່ແທ້ຈິງຂອງຜູ້ບໍລິໂພກ. ແລະໃນທິດທາງກົງກັນຂ້າມ, ອັດຕາສ່ວນຂອງ bots ທີ່ສາມາດ fabricate gobs ຂອງການໂຄສະນາ phony ຢ່າງຮຸນແຮງ overcounted ຄວາມສົນໃຈທີ່ແທ້ຈິງ.

ການຂາດຜົນໄດ້ຮັບທີ່ປະຕິບັດໄດ້ແລະການເພິ່ງພາອາໄສ cookies ຫຼາຍເກີນໄປເພື່ອວັດແທກຄວາມສົນໃຈໄດ້ນໍາພາ Stephen Pretorius, CTO ຂອງອົງການໂຄສະນາ WPP ທີ່ຕັ້ງຢູ່ອັງກິດ, ກ່າວ. "ຂ້ອຍບໍ່ໂສກເສົ້າໂດຍສະເພາະກ່ຽວກັບການເສຍຊີວິດຂອງ cookies ພາກສ່ວນທີສາມເພາະວ່າພວກມັນບໍ່ເຄີຍຖືກຕ້ອງ, ບໍ່ເຄີຍມີປະໂຫຍດແທ້ໆ, ແລະໃນຄວາມເປັນຈິງຂ້ອຍຄິດວ່າ. ສິ່ງທັງຫມົດນີ້ໄດ້ຊ່ວຍໃຫ້ພວກເຮົາທຸກຄົນຄິດຄືນໃຫມ່ວ່າຂໍ້ມູນໃດສໍາຄັນ."

ເທົ່າທີ່ຄຸກກີໄປ, ວິທີການໃໝ່ ແລະ ຊັບຊ້ອນກວ່າ - ທີ່ປົກປ້ອງຕົວຕົນຂອງບຸກຄົນແຕ່ຍັງຄົງລະບຸຜູ້ຊື້ທີ່ມີທ່າແຮງ - ມາຮອດກ່ອນໜ້ານີ້. ແນວທາງຕ່າງໆ ເຊັ່ນ: ການມອບໝາຍກຸ່ມກຸ່ມທີ່ອີງໃສ່ບຣາວເຊີ, ກິດຈະກຳທຽບກັບ ID ທີ່ຖືກມອບໝາຍໃຫ້ສ່ວນບຸກຄົນ, ແລະຂໍ້ມູນບຸກຄົນທຳອິດ – ກໍາລັງຖືກສຳຫຼວດຢ່າງຈິງຈັງ. ນອກຈາກນັ້ນ, AI ແລະແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກໃນປັດຈຸບັນສາມາດສະຫນອງຄວາມເຂົ້າໃຈທີ່ຊ່ວຍເຮັດໃຫ້ການໂຄສະນາຕົນເອງສາມາດວັດແທກປະສິດທິພາບ - ດຶງດູດ, ແທນທີ່ຈະຕິດຕາມຜູ້ບໍລິໂພກ.

ສໍາລັບການວາງແຜນຄວາມຕ້ອງການ, ການປຽບທຽບແມ່ນຄ້າຍຄືກັນ. ຫົວໃຈຂອງການວາງແຜນຄວາມຕ້ອງການແມ່ນການຄາດຄະເນຄວາມຕ້ອງການຂອງຜູ້ບໍລິໂພກແລະຖອດລະຫັດທຸກຕົວຂັບຄວາມຕ້ອງການທີ່ກໍານົດຄວາມຕ້ອງການຂອງຜູ້ບໍລິໂພກ. ຂໍ້​ມູນ​ປະ​ຫວັດ​ສາດ​ແລະ​ການ​ຂົນ​ສົ່ງ​ບໍ່​ເຄີຍ​ເປັນ​ແຫຼ່ງ​ຂໍ້​ມູນ​ທີ່​ຍິ່ງ​ໃຫຍ່​, ແລະ​ຄວາມ​ລໍາ​ອຽງ​ທີ່​ເກີດ​ຂຶ້ນ​ລະ​ຫວ່າງ​ການ​ຂາຍ​, ການ​ຕະ​ຫຼາດ​, ແລະ​ການ​ເງິນ​ຈະ​ບໍ່​ໄດ້​ສ້າງ​ການ​ຄາດ​ຄະ​ເນ​ທີ່​ດີກ​ວ່າ​. ຄວາມໝັ້ນໃຈຫຼາຍເກີນໄປໃນຄວາມເຊື່ອເຫຼົ່ານີ້ບໍ່ສາມາດບັນທຶກການປ່ຽນແປງ ແລະຜົນກະທົບຂອງສະພາບໃກ້ໆ ແລະທ້ອງຖິ່ນ. ແລະຄືກັນກັບຄຸກກີ, ຂໍ້ມູນເພີ່ມເຕີມ, ແຫຼ່ງທີ່ດີກວ່າ, ແລະຂະບວນການໃຫມ່ລວມກັບ AI ແລະການຮຽນຮູ້ເຄື່ອງຈັກສະຫນອງເສັ້ນທາງທີ່ດີກວ່າ.

ການແກ້ໄຂການວາງແຜນຄວາມຕ້ອງການແມ່ນຫຍັງ?

ຜູ້ວາງແຜນຄວາມຕ້ອງການກໍາລັງພິຈາລະນາຢ່າງລະອຽດກ່ຽວກັບຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນການວາງແຜນຂອງພວກເຂົາເປັນຜົນມາຈາກການເຫນັງຕີງແລະຄວາມສັບສົນໃນຕະຫຼາດມື້ນີ້. ສາມຂົງເຂດໂດຍສະເພາະໂດດເດັ່ນເປັນຜູ້ປະກອບສ່ວນໃນການຄາດຄະເນທີ່ບໍ່ຖືກຕ້ອງ:

• ການຂາດຕົວແບບທີ່ໃຊ້ຈຸດຂາຍໃນເວລາຈິງ (POS) ແລະແຫຼ່ງຂໍ້ມູນອື່ນໆທີ່ຈະປັບປຸງການຄາດການກັບປັດໃຈຜົນກະທົບຕໍ່ຄວາມຕ້ອງການໃນປະຈຸບັນ;
• ການຮຽນຮູ້ເຄື່ອງຈັກທີ່ເປີດເຜີຍລະດັບທີ່ຖືກຕ້ອງ ແລະ/ຫຼືການຈັດກຸ່ມເພື່ອປະຕິບັດການຄາດຄະເນສໍາລັບຄວາມຖືກຕ້ອງລວມສູງສຸດ; ແລະ
• ວິທີການສ້າງແບບຈໍາລອງ AI ເພື່ອບັນຊີສໍາລັບການຂາຍທີ່ສູນເສຍທີ່ບໍ່ໄດ້ເຮັດໃຫ້ມັນເຂົ້າໄປໃນການພິຈາລະນາຄວາມຕ້ອງການໃນອະນາຄົດ.

ອີກເທື່ອ ໜຶ່ງ, ຂໍ້ມູນແລະວິທະຍາສາດຂໍ້ມູນທີ່ດີກວ່າສາມາດແກ້ໄຂສິ່ງທ້າທາຍເຫຼົ່ານີ້ໄດ້. ບໍລິສັດ CPG ກໍາລັງສ້າງຊັ້ນໃຫມ່ຂອງຄວາມຊໍານານການພະຍາກອນທີ່ເພີ່ມຂະບວນການວາງແຜນຂອງພວກເຂົາດ້ວຍຄວາມເຂົ້າໃຈຂອງ AI ແລະການຮຽນຮູ້ເຄື່ອງຈັກໂດຍອີງໃສ່ຂໍ້ມູນຢ່າງກວ້າງຂວາງແລະເຕັກນິກການສ້າງແບບຈໍາລອງແບບພິເສດ.

ຂົງເຂດການລົງທຶນລວມມີ:

• ການຮັບຮູ້ຄວາມຕ້ອງການ - ການໃຊ້ຂໍ້ມູນໄລຍະໃກ້ - ລວມທັງສະຖານະການສັ່ງຊື້, ຂໍ້ມູນການຂາຍຜ່ານທາງຜ່ານ, ສິນຄ້າຄົງຄັງຂອງຮ້ານຂາຍຍ່ອຍ, ການປະຕິບັດການສົ່ງເສີມການຂາຍ, ລາຄາຂາຍຍ່ອຍ, ຄຸນລັກສະນະສະເພາະຂອງຜະລິດຕະພັນແລະສະຖານທີ່, ຄວາມຮູ້ສຶກສື່ມວນຊົນສັງຄົມ, ແລະປັດໃຈຄ່າໃຊ້ຈ່າຍໃນສິນຄ້າຄົງຄັງ - ໃນຮູບແບບທີ່ດໍາເນີນການເລື້ອຍໆເລື້ອຍໆ. ປັບປຸງການຕອບສະຫນອງຄວາມຕ້ອງການໃນໄລຍະສັ້ນດ້ວຍຄວາມເຂົ້າໃຈທີ່ຜ່ານມາແລະການປະຕິບັດເລື້ອຍໆ;

• ການເພີ່ມປະສິດທິພາບຂອງສິນຄ້າຄົງຄັງ - ວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຊັບຊ້ອນເພື່ອປະເມີນຄວາມເປັນໄປໄດ້ຂອງການສູນເສຍຫຼືການຂາຍເກີນໃນຂໍ້ມູນການຄາດຄະເນແລະການພິຈາລະນາຄວາມເຂົ້າໃຈເຫຼົ່ານັ້ນເພື່ອເຮັດໃຫ້ອັດຕາການຕື່ມຂໍ້ມູນສູງສຸດ; ແລະ

• ການລວມຕົວແບບໄດນາມິກ - ວິທີການ AI ທີ່ເອົາຊະນະຄວາມປ່ຽນແປງຂອງຂໍ້ມູນໃນລະດັບສູງໃນລະດັບທີ່ແຍກກັນຫຼາຍຂຶ້ນເຊິ່ງສາມາດສົ່ງຜົນກະທົບຕໍ່ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນໃນລະດັບລວມທີ່ສູງຂຶ້ນ.

ວິທີການໃຫມ່ເຫຼົ່ານີ້, ແລະອື່ນໆອີກ, ກໍາລັງຮັບໃຊ້ເພື່ອເຮັດໃຫ້ການຄາດຄະເນຄວາມຕ້ອງການທີ່ຖືກຕ້ອງຫຼາຍຂຶ້ນ, ປະຕິກິລິຍາໄດ້ງ່າຍກວ່າ, ແລະມີຄວາມຜັນຜວນຫນ້ອຍລົງ. ນອກຈາກນັ້ນ, ພວກເຂົາເຈົ້າປະກອບສ່ວນເຂົ້າໃນຂະບວນການທຸລະກິດການວາງແຜນຄວາມຕ້ອງການໂດຍອັດຕະໂນມັດສິ່ງທີ່ຈະເປັນວຽກຕາຕະລາງຄູ່ມືທີ່ເຮັດວຽກຫນັກ, ຂະຫຍາຍໄດ້ຢ່າງງ່າຍດາຍເພື່ອລວມເອົາຂໍ້ມູນພາຍໃນແລະພາຍນອກຫຼາຍກວ່າເກົ່າ, ແລະ, ເນື່ອງຈາກລັກສະນະການຮຽນຮູ້ຂອງຕົວແບບເຫຼົ່ານີ້, ປະກອບສ່ວນເຂົ້າ. ການປັບປຸງຢ່າງຕໍ່ເນື່ອງໃນໄລຍະເວລາ.

ບໍ່ມີການຫລົບຫນີຈາກມັນ: ໂລກທີ່ດຶງດູດລູກຄ້າສາມາດເຮັດໄດ້ໂດຍຜ່ານກົນໄກການຕິດຕາມຫນຶ່ງ - ແລະການສະຫນອງສິ່ງທີ່ພວກເຂົາຕ້ອງການໃນມື້ອື່ນສາມາດອີງໃສ່ພຽງແຕ່ສິ່ງທີ່ຊື້ໃນອະດີດ - ຫາຍໄປ. ໂອກາດສໍາລັບການເຕີບໂຕຂອງການຂາຍທີ່ໃຫຍ່ກວ່າແລະຖາວອນແມ່ນຢູ່ໃນການຂຸດລົງເລິກເຂົ້າໄປໃນຂໍ້ມູນເພື່ອຮຽນຮູ້ວ່າຜູ້ບໍລິໂພກແມ່ນຫຍັງ. ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບ AI-powered forecasting, ການວາງແຜນແລະການແກ້ໄຂລາຄາ, ຄລິກ ທີ່ນີ້.