CPG’s – Het is tijd om nauwkeuriger naar je data te kijken

Wat hebben traditionele vraagplanning en de advertentiecookie met elkaar gemeen? Ze worden beide vervangen door iets meer geavanceerds. Waarom? Omdat ze in beide gevallen de juiste gegevens en analyses missen, waardoor je op het verkeerde been wordt gezet bij het begrijpen van je consument.

Vraagplanning en de afhankelijkheid van historische verkoopgegevens

Traditionele vraagbeheer begint met historische verkoop- en verzendgegevens over alle klanten over een bepaalde periode voor een basisomzet- en eenheidprognose. De prognose wordt gedaan op verschillende aggregatieniveaus, afhankelijk van het stockkeeping-eenheid (SKU) en het aantal distributiecentra (DC’s) en fabrieken die betrokken zijn bij die SKU. Deze prognose wordt vervolgens aangepast tussen de verkoop-, marketing- en financiële functies om te komen tot wat wordt geacht een redelijke, haalbare groeidoelstelling te zijn op basis van eerdere prestaties. Dit wordt gebruikt om productieplannen te maken, vaak op een maandelijkse planning (bijv. SKU per fabriek per maand). Het productieplan, idealiter in combinatie met DC-niveau prognoses, drijft vervolgens de herbevoorradingplanning aan voor leveringen van een fabriek naar een DC. Alles om een redelijke, overeengekomen plan te leveren.

Echter, vraagplanners zijn gaan inzien dat historische verkoopgegevens niet voldoende zijn om te zien wat consumenten vandaag of morgen nodig hebben. De impact van de pandemie en de supply chain-uitdagingen die volgden, maakten dit heel duidelijk. Bovendien hebben direct-to-consumer aankoopopties het planningsproces alleen maar ingewikkelder gemaakt. Historische prestatiegegevens weerspiegelen geen veranderingen in consumentengedrag in de korte termijn, noch kunnen ze bijhouden met snelle veranderingen in consumentengedrag en leveranciersonderbrekingen.

Maar waar is de analogie met de advertentiecookie?

Gedurende meer dan 20 jaar steunden CPG-adverteerders op derdepartijcookies om advertentievolume te bereiken en om een soort prestatiegedreven marketing te beoefenen die hun advertentie-uitgaven leidde. In plaats van individuele deals te onderhandelen met mediawebsites, zonder enige gegevens om de waarde van de ene site boven de andere te bevestigen, ontwikkelden cookies en programmatische marketing reclame tot iets dat beloofde gemakkelijker kwantificeerbaar en rechtvaardigbaar te zijn. Volgens Matt Naeger, die de Amerikaanse strategie leidt voor het performance marketingbureau Merkle, “We werden een beetje afhankelijk van derdepartijcookies, omdat het gemakkelijker, sneller en minder plannings- en integratie-inspanning vereiste [dan traditionele marketing].”

Echter, zelfs voordat de opkomst van privacyregels en adblockers, kwam de nauwkeurigheid van cookiegegevens in twijfel.  Consumenten kregen de optie om hun cookiecache te wissen, wat diende om de werkelijke consumenteninterest te onderschatten. En in de tegenovergestelde richting, overtrok de prevalentie van bots die nep advertentieverkeer konden fabriceren, de werkelijke interest.

Het gebrek aan actiegerichte resultaten en de overmatige afhankelijkheid van cookies om interest te meten, leidde Stephen Pretorius, CTO bij het Britse reclamebureau WPP, ertoe te zeggen “Ik ben niet bijzonder verdrietig over het einde van derdepartijcookies, omdat ze nooit echt nauwkeurig waren, nooit echt nuttig, en ik denk dat dit hele ding ons allemaal heeft geholpen om na te denken over wat voor soort gegevens ertoe doen.”

Wat de cookie betreft, komen nieuwe en meer geavanceerde benaderingen – die persoonlijke identiteit beschermen, maar potentieel kopers identificeren – naar voren. Benaderingen zoals browser-gebaseerde cohorttoewijzingen, activiteit-in plaats van persoonlijke identiteit-toegewezen ID’s en eerste partijgegevens – worden actief onderzocht. Bovendien kunnen AI- en machine learning-modellen nu inzichten bieden die helpen om de advertenties zelf meetbaar effectiever te maken – consumenten aantrekken in plaats van volgen.

Voor vraagplanning is de analogie vergelijkbaar. Het hart van vraagplanning is het voorspellen van consumentenvraag en het ontcijferen van elke vraagstuurder die consumentenvraag vormt. Historische gegevens en verzendingen waren nooit een goede bron van informatie, en inherent vooroordeel tussen verkoop, marketing en financiën zou geen betere prognose genereren. Oververtrouwen in deze overtuigingen faalde om de verschuivingen en impact van korte- en lokale omstandigheden te vangen. En net als de cookie, bieden meer gegevens, betere bronnen en nieuwe processen, gecombineerd met AI en machine learning, een betere weg vooruit.

Wat is de oplossing voor vraagplanning?

Vraagplanners nemen een nauwkeurigere kijk op de nauwkeurigheid van hun planningsprognoses als gevolg van de volatiliteit en complexiteit in de huidige markten. Drie gebieden springen in het bijzonder uit als bijdragers aan prognose-onnauwkeurigheid:

• de afwezigheid van modellen die real-time point-of-sale (POS) en andere gegevensbronnen gebruiken die de prognose beter afstemmen op huidige vraagbeïnvloedende factoren;
• machine learning die de juiste niveau en/of groepering onthult waarop een prognose moet worden uitgevoerd voor de grootste geaggregeerde nauwkeurigheid; en
• de AI-modelleringstechnieken om rekening te houden met de verloren verkopen die niet in de toekomstige vraagoverweging zijn opgenomen.

Weer bieden betere gegevens en datascience een oplossing voor deze uitdagingen. CPG-bedrijven creëren een nieuwe laag van prognose-expertise die hun planningsproces aanvult met AI- en machine learning-inzichten op basis van een bredere reeks gegevens en geavanceerde modelleringstechnieken.

Gebieden van investering zijn:

• Vraagdetectie – benutten van near-term data – inclusief bestellingsstatus, recente sell-through gegevens, retailer-inventaris, promotie-uitvoering, retail-prijzen, product- en locatie-specifieke kenmerken, social media-sentiment en inventariskostenfactoren – in modellen die vaker worden uitgevoerd om de korte-termijnvraagreactie te verbeteren met recente inzichten en frequente acties;

• Inventarisoptimalisatie – geavanceerde machine learning-benaderingen om de waarschijnlijkheid van verloren of overtollige verkoop in prognosegegevens te beoordelen en om die inzichten te betrekken bij het maximaliseren van de vulgraad;

• Dynamische aggregatie – een AI-benadering die de hoge mate van gegevensvariabiliteit op meer gedetailleerde niveaus overwint die de prognose-nauwkeurigheid op hogere geaggregeerde niveaus kan beïnvloeden.

Deze nieuwe benaderingen, en meer, dragen ertoe bij dat vraagprognoses nauwkeuriger, gemakkelijker reactief en aanzienlijk minder volatiel worden. Bovendien dragen ze bij aan het vraagplanningsbedrijfsproces door het automatiseren van wat zou zijn een arbeidsintensieve handmatige spreadsheettaken, gemakkelijk schalen om een bredere reeks interne en externe gegevens op te nemen en, vanwege het ingebouwde leeraspect van deze modellen, bijdragen aan continue verbetering in de loop van de tijd.

Er is geen ontkomen aan: een wereld waarin het aantrekken van klanten kan worden bereikt via één volgmechanisme – en het leveren van wat ze morgen nodig hebben, kan worden gebaseerd op wat in het verleden is gekocht – is aan het verdwijnen. De kans op grotere en meer permanente verkoopgroei ligt in het dieper graven in de gegevens om te leren wat de consument nodig heeft. Voor meer informatie over AI-gebaseerde prognose-, plannings- en prijsoplossingen, klik hier.