Forbrukervarer – Det er på tide å se nærmere på dine data

Hva har tradisjonell etterspørselsplanlegging og annonseringskaken 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.

Eterspørselsplanlegging og avhengighet av historiske salgsdata

Tradisjonell etterspørselsstyring starter med historiske salgs- og leveringsdata 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 pågjeldende SKU. Prognosen blir deretter justert mellom salgs-, markedsførings- og finansfunksjoner for å komme frem til hva som anses å være et rimelig og oppnåelig vekstmaal 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 pace med raske endringer i forbrukeratferd og leverandøravbrudd.

Hvor er analogien til annonseringskaken?

I over 20 år har forbrukervareannonsererne lænt 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 cookie-logger, 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 av at tredjepartscookies forsvinner, fordi de aldri virkelig var nøyaktige, aldri virkelig nyttige, og faktisk tror jeg at denne hele sagen har hjulpet oss alle til å tenke om hva slags data som teller.”

Så langt som annonseringskaken er bekymret, kommer nye og mer sofistikerte tilnærminger – som beskytter personlig identitet, men likevel identifiserer potensielle kjøpere – til å dominere. Tilnærminger som browserbaserte 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 annonser selv mer effektive – tiltrekke seg forbrukere i steden for å spore dem.

For etterspørselsplanlegging er analogien lignende. Hjertet av etterspørselsplanlegging er å forutsi forbrukerets etterspørsel og tyde hver enkelt etterspørselsfaktor som former forbrukerets 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 like annonseringskaken, bedre data, bedre kilder og nye prosesser kombinert med AI og maskinlæring tilbyr en bedre fremtid.

Hva er løsningen for etterspørselsplanlegging?

Eterspørselsplanleggerne 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 sanntids salgsdata (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 supplere deres planleggingsprosess med AI- og maskinlæringsinnsikt basert på en bredere rekke data og avanserte modelleringsteknikker.

Investeringsområder inkluderer:

• Eterspørselsregistrering – utnytting av korttidsdata – inkludert ordrestatus, nylig salgsdata, detaljhandelslager, kampanjeutførelse, detaljhandelspriser, produktspecifikke og stedspecifikke 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 fyllingsgrad; 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, mer lett reaktive 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 den 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 prissætningsløsninger, klikk her.