Tankeledere

CPG-bedrifter: Det er på tide å se nærmere på dataene deres

Parth Thakker
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterCPG-uri trebuie să înlocuiască datele istorice de vânzări cu date POS în timp real și…
Vis mer
  • CPG-uri trebuie să înlocuiască datele istorice de vânzări cu date POS în timp real și detectarea cererii bazată pe AI.
  • Cookie-urile terțe au eșuat din cauza inexactității; planificarea cererii CPG se confruntă cu aceeași criză de fiabilitate a datelor.
  • AI și învățarea automată permit acum agregarea dinamică și optimizarea stocurilor pentru previziuni mai precise.

Hva har tradisjonell etterspørselsplanlegging og informasjonskapselen for annonsering til felles? De blir begge erstattet av noe mer sofistikert. Hvorfor? Fordi i begge tilfeller mangler de riktige dataene og analytikken som vil føre deg på villspor når du skal forstå din forbruker.

Etterspørselsplanlegging og avhengighet av historiske salgsdata

Tradisjonell etterspørselsstyring starter med historiske salgs- og leveringsdata for alle kunder over en periode for å få en basis for omsetnings- og enhetsprognose. Prognosen utføres på ulike aggregatnivåer avhengig av varenummer (SKU) og antall distribusjonssteder (DC) og fabrikker som er involvert med det aktuelle SKU. Prognosen blir deretter justert mellom salgs-, markedsførings- og finansfunksjoner for å komme frem til hva som anses å være et rimelig og oppnåelig vekstmål basert på tidligere resultater. Dette brukes til å lage produksjonsplaner, ofte på månedsbasis (f.eks. SKU per fabrikk per måned). Produksjonsplanen, i kombinasjon med DC-nivåprognoser, driver deretter påfyllingsplanlegging for leveranser fra fabrikk til DC. Alt for å levere en rimelig og konsensusbasert plan.

Men etterspørselsplanleggerne har kommet til å erkjenne at historiske salgsdata ikke er nok til å se hva forbrukerne trenger i dag eller i morgen. Pandemien og de påfølgende leveringskjedeutfordringene gjorde dette meget tydelig. I tillegg har direkte-til-forbruker-kjøpsalternativer bare gjort planleggingsprosessen mer komplisert. Tidligere resultater kan ikke reflektere korttidsendringer i forbrukeratferd, og de kan heller ikke holde tritt med raske endringer i forbrukeratferd og leverandøravbrudd.

Hvor er analogien til informasjonskapselen for annonsering?

I over 20 år har forbrukervareannonsererne støttet seg på tredjepartscookies for å oppnå annonseringsomfang og praktisere en type prestasjonsbasert markedsføring som guidet deres annonseringsutgifter. I stedet for å forhandle avtaler med mediesider enkeltvis, uten noen data som kunne bekrefte verdien av en side i forhold til en annen, utviklet cookies og programmatisk markedsføring annonsering til noe som lovet å være mer kvantifiserbart og rettferdigbart. Ifølge Matt Naeger, som står for US-strategi i prestasjonsmarkedsføringbyrået Merkle, “Vi ble litt avhengige av tredjepartscookies fordi det var enklere, raskere og krevde mindre planlegging og integrasjon [enn tradisjonell markedsføring].”

Men selv før oppkomsten av personvernregler og annonsblokkering, ble nøyaktigheten av cookie-data satt i tvil.   Forbrukerne fikk mulighet til å slette sine lagrede informasjonskapsler, noe som førte til at det som kunne ha vært ekte forbrukerinteresse ble underregnet. Og i motsatt retning førte utbredelsen av boter som kunne fabrikkere store mengder falsk annonsetrafikk til at ekte interesse ble overregnet.

Mangel på handlebare resultater og for stor avhengighet av cookies for å måle interesse, førte til at Stephen Pretorius, CTO i det britiske annonsbyrået WPP, uttalte “Jeg er ikke spesielt lei meg for at tredjepartscookies forsvinner, fordi de aldri virkelig var nøyaktige, aldri virkelig nyttige, og faktisk tror jeg at hele denne saken har hjulpet oss alle til å tenke om hva slags data som teller.”

Når det gjelder informasjonskapselen for annonsering, er nye og mer sofistikerte tilnærminger – som beskytter personlig identitet, men likevel identifiserer potensielle kjøpere – i ferd med å tre frem. Tilnærminger som nettleserbaserte kohorttildelinger, aktivitet-i-steden-for-personlig-identitet-tilordnede ID-er og førstepartsdata – blir aktivt utforsket. I tillegg kan AI- og maskinlæringsmodeller nå gi innsikt som hjelper til å gjøre selve annonsene målbart mer effektive – tiltrekke seg forbrukere i steden for å spore dem.

For etterspørselsplanlegging er analogien lignende. Hjertet av etterspørselsplanlegging er å forutsi forbrukernes etterspørsel og tyde hver enkelt etterspørselsfaktor som former forbrukernes etterspørsel. Historiske data og leveringer var aldri en god kilde til informasjon, og innebygget bias mellom salgs-, markedsførings- og finansfunksjoner ville ikke generere en bedre prognose. Overmotenhet i disse overbevisningene mislyktes i å fange opp endringer og påvirkning av korttids- og lokale forhold. Og som med informasjonskapselen for annonsering gir mer data, bedre kilder og nye prosesser kombinert med AI og maskinlæring en bedre vei fremover.

Hva er løsningen for etterspørselsplanlegging?

Etterspørselsplanleggerne tar en nærmere titt på nøyaktigheten av deres planleggingsprognoser som en følge av volatiliteten og kompleksiteten i dagens markeder. Tre områder skiller seg ut som bidragsytere til prognoseusikkerhet:

  • fravær av modeller som bruker sanntidsdata fra salgssteder (POS) og andre datakilder som ville kunne tilpasse prognosen bedre til nåværende faktorer som påvirker etterspørselen;
  • maskinlæring som avdekker riktig nivå og/eller gruppering på hvilket å utføre en prognose for størst samlet nøyaktighet; og
  • AI-modelleringsteknikker for å kompensere for de tapte salg som ikke ble med i fremtidig etterspørselsvurdering.

Igjen kan bedre data og datavitenskap løse disse utfordringene. Forbrukervarefirmaer skaper et nytt lag av prognoseekspertise som supplerer deres planleggingsprosess med AI- og maskinlæringsinnsikt basert på en bredere rekke data og avanserte modelleringsteknikker.

Investeringsområder inkluderer:

  • Etterspørselsregistrering – utnytting av korttidsdata – inkludert ordrestatus, nylig salgsdata, detaljhandelslager, kampanjeutførelse, detaljhandelspriser, produktspesifikke og stedsspesifikke attributter, sosiale medier-sentiment, og lagerkostfaktorer – i modeller som kjøres oftere for å forbedre korttids etterspørselsrespons med nyeste innsikt og hyppige handlinger;
  • Lageroptimalisering – sofistikerte maskinlæringsmetoder for å vurdere sannsynligheten for tapte eller overskuddssalg i prognosedata og vurdering av disse innsiktene for å maksimere ordrenes oppfyllingsgrad; og
  • Dynamisk aggregasjon – en AI-tilnærming som overvinner den høye datavariabiliteten på mer detaljerte nivåer som kan påvirke prognosenøyaktighet på høyere aggregatnivåer.

Disse nye tilnærmingene, og flere, bidrar til å gjøre etterspørselsprognoser mer nøyaktige, lettere å tilpasse til endringer og betraktelig mindre volatile. I tillegg bidrar de til etterspørselsplanleggingsforretningen ved å automatisere hva som ellers ville være arbeidskrevende manuelle regnearksoppgaver, lett skalerer til å inkludere en bredere rekke interne og eksterne data, og, på grunn av det innebygde læringsaspektet i disse modellene, bidrar til kontinuerlig forbedring over tid.

Det er ingen flukt fra det: en verden hvor å tiltrekke kunder kan gjøres via én sporingsmekanisme – og å levere hva de trenger i morgen kan baseres enkelt på hva som ble kjøpt i fortiden – er i ferd med å forsvinne. Muligheten for større og mer varig salgsvekst ligger i å grave dypere i dataene for å lære hva forbrukeren handler om. For mer informasjon om AI-drevne prognose-, planleggings- og prissettingsløsninger, klikk her.

Parth Thakker leder antuit.ais globale salgsteam for Zebra. Parth har mer enn 15 års erfaring med å generere verdi for detaljister, produsenter og forbrukerproduksjonsselskaper.

Tidligere var han salgsansvarlig for produksjonssektoren i Genpact, der han samarbeidet med en portefølje av luftfarts-, romfarts- og industrifirmaer. Parth har en MBA fra Stern School of Business ved New York University og en bachelor- og mastergrad i ingeniørvitenskap fra Stevens Institute of Technology.