Hvorfor CPG-ledere må skille korn fra agner for ekte AI-drevet omsetningsvækstoptimering

Optimering er ikke bare et buzzord mere. Det er et fullt definierbart og målbart resultat som ikke kan oppnås med foreldede teknikker og uegnet AI-systemer.

————————
Optimering av omsetningsvækst er en topprioritet i CPG-sektoren i dag. Usikkerhet drevet av globale økonomiske motvinder, varig inflasjon, leveringskjedeutfordringer og skiftende kjøperatferd har intensivert viktigheten av å forstå hvordan man systematisk kan avkode og navigere i endrede forhold for å drive økt omsetning og fortjeneste.

For CPG-organisasjoner er det grunnleggende for denne kritiske behovet å kunne holistisk optimalisere deres viktigste drivere av omsetningsvækststyring (RGM) ved å tilpasse prising, kampanjer, medieblanding og forbrukerproduktforpakning med endrede markedsbetingelser. Dette har aldri vært mer komplekst midt i effekten av endrede forbrukerpreferanser, inflasjon, geopolitiske spenninger, klimaendringer og globale befolkningsendringer – en primær årsak til at over 75% av CPG-produsenter sliter med å håndtere totalt foretaks moderne handelsutgift, og 70% av CPG-ledere er mer stressede i dag enn for fem år siden.

Med kompleksitet som en konstant, prioriterer mange organisasjoner digitalisert omsetningsvækstoptimering som en mekanisme for å værme stormen. I Promotion Optimization Institutes 2024 State of the Industry Report, sa 80% av respondentene at de investerte i digitale løsninger eller analytiske kapasiteter for å støtte nye omsetningsvækststyringsprosesser (RGM) og dykke dyptere inn i optimering av kampanjer, prising og pakkevækstanalyse. POI-rapporten fant også at 54% planla å adoptere nye handelskampanjehåndteringssystemer og 31% ville integrere automatiserte prissætningsfunksjoner.

Mange systemer markedsføres som “AI-aktiveringsoptimeringsløsninger” som kan effektivt lett inflasjonspress og forsterke omsetning. Men i virkeligheten er det ikke tilfelle. Ettersom avanserte analyser som muliggjøres av sofistikerte matematiske og AI-løsninger er blitt stadig mer integrert i bedrifters teknologi og forretningsprosesser, er det klart at ikke alle matematiske tekniker og AI kan levere faktisk omsetningsvækstoptimering i stor skala. CPG-ledere lærer at deres definisjon av optimering er foreldet og uriktig. Bransjen har historisk sett definert “optimering” som bruk av gårsdagens regresjonsmodellering og forretnings scenariostimulering. De innser at disse eldre teknikkene bare er prognoseteknikker som ikke optimaliserer noe. De lærer også at Generative AI og neurale nett ikke utfører optimering, men kan være verdifulle teknikker i å hjelpe andre komponenter i en organisasjon digital transformasjonsreise.

Analytics-landskapet endrer raskt. Avanserte analytics-selskaper må hjelpe CPG-partnere med å bygge forståelse og modenhet på bruken og den spesifikke anvendelsen av disse teknologiene innen deres driftsmodeller. Optimering er ikke bare et buzzord mere. Det er fullt definierbart og dets resultater er bestemmelige og målbare ved å balansere begrensningene til både CPG-produsenten og detaljisten samtidig. Denne graden av begrensningbasert optimering og dens tangibler fordeler kan ikke oppnås med foreldede teknikker og uegnet AI-systemer.

I stedet er det kritisk for organisasjoner å forstå de distinkte kapasitetene til de statistiske matematiske og AI-aktiveringsomsetningsvækstoptimeringsverktøyene de adopterer. Å skille korn fra agner i verden av avanserte analyser og AI vil forbedre din evne til å drive bærekraftig omsetning, værme markedsvolatilitet og overgå bransjekonkurrenter.

Det handler om verktøykassen din

Å sikre at du har de riktige sofistikerte matematiske og AI-verktøyene i verktøykassen din er verdt sin vekt i gull når det gjelder omsetningsvækstoptimering. For eksempel, hvis du ønsker å kutte en stålplate, kunne det teoretisk gjøres med en håndsag, bortsett fra at det ville ta år å fullføre å kutte gjennom hele plata. I mellomtiden ville en acetylenbrander skjære gjennom den på sekunder.

Dette gjelder også for AI-aktiverings-teknologier. De fleste former for AI som brukes i CPG-omsetningsvækstoptimeringssystemer i dag kan ikke håndtere virkelige markedskompleksiteter. De bruker gamle lineære regresjonsteknikker for å løse et problem som er ikke-lineært i naturen, og baserer seg på tradisjonelle statistiske modeller som optimaliserer én, to, tre eller fire statiske begrensninger i stedet for de to til tre dusin begrensninger som reflekterer virkelige verdensbetraktninger som CPG-merker navigerer daglig. Dette fører til grunnleggende analytisk underprestasjon som hindrer effektiv omsetningsvækst-anbefaling og operasjonell ytelse og avkastning for både CPG-produsenten og deres detaljhandelspartnere.

Generative AI (GenAI) er et annet eksempel på denne misaligneringen. CPG-verdikjeden har verdifulle bruksområder for GenAI-applikasjoner, men omsetningsvækstoptimering er ikke ett av dem. Dette skyldes at GenAI-modeller baserer seg på søkemotorteknikker som ikke kan skille “skrald fra skrald” og neurale nett maskinlæring som bare ikke utfører optimering.

Å fasilitere et matematisk problem

Det er viktig å huske at ekte omsetningsvækstoptimering er et begrensningbasert, høydimensjonalt matematisk problem i sin kjerne. Sofistikerte matematiske og AI-løsninger som utnytter glassboks maskinlæring er nødvendige for å inkorporere alle begrensningene og variablene som muliggjør optimering for å levere verdi for både CPG-produsenten og detaljisten samtidig. Dette sikrer at systemet er designet for å grunnleggende forstå miljøet organisasjonen opererer i og utføre ekte optimering og generere handelskampanjekalendere som driver verdi for produsenten og detaljisten. Deretter er neste skritt å optimalisere andre nøkkelhåndtak for omsetningsvækststyring med hverdagspriser, handelskampanjer, medieblanding og utvalg for å produsere holistiske anbefalinger som er tilpasset forbrukeretterspørsel under betingelser som belaster den normale hverdagsprisen.

Dette tilpassede tilnærmingen tar hensyn til å navigere i markedets usikkerhet, slik som forlenget leveringsmangelforsyning fra en eskalerende geopolitisk konflikt eller uventede prisstigninger fra et klimarelatert hendelse. Hvis en tørke langs Panamakanalen bidrar til å øke kostnadene for råvarer, kan systemet hjelpe med å bestemme en ny optimal prissammenstilling som 1) tilpasser forbrukerforpakning for økt produksjonskostnad mens den opprettholder marginer, og 2) motiverer forbrukerne til å velge deres merke over bransjekonkurrenter via effektive kampanjeteknikker.

Å måle effekten: Etter hendelse-effektivitet

Å bestemme ROI-påvirkningen av omsetningsvækstoptimeringsverktøyene krever en omfattende og beregnende tilnærming. Først, fokus på etter hendelse-analyse av core KPI-er som netto incrementelle økninger i salg, fortjeneste, detaljhandels hyller dollar og markedspenetrering som genereres fra deres handelskampanjeutgift. Ytelse over disse fire søylene vil indikere påvirkningen av deres implementeringsstrategi og identifisere områder som trenger forbedring.

Den andre store kategorien er handels effektivitetsforhold. For hver dollar brukt i handel, hva gjennomsnittlig avkastning produserer det? Dette er kritisk for å skalerer omsetningsvækstoptimeringsverktøyene over tid. Å utføre begge fasene i sammenheng vil posisjonere organisasjoner for å suksessfullt navigere i eksterne volatilitet og kapre markedandel over bransjekonkurrenter. En sterk ROI er ikke bare om tall – det handler også om å få en konkurransefordel i segmentet ditt.

Å optimalisere omsetning over CPG-landskapet er ubestridt komplekst. Mens digitalisering tilbyr løfter om å forenkle det, må bedriftsledere ha en sterk forståelse av de sofistikerte matematikk- og AI-verktøyene de utnytter. Kunnskap er makt, og det vil til slutt heve deres merke og selskapsverdi over resten.