CPG – czas przyjrzeć się bliżej swoim danym

Czym tradycyjne planowanie popytu i ciasteczko reklamowe mają wspólnego? Obie te rzeczy są zastępowane przez coś bardziej zaawansowanego. Dlaczego? Ponieważ w obu przypadkach brakuje odpowiednich danych i analiz, które mogą wprowadzić w błąd na drodze do zrozumienia konsumenta.

Planowanie popytu i zależność od historycznych danych sprzedaży

Tradycyjne zarządzanie popytem rozpoczyna się od historycznych danych sprzedaży i dostaw dla wszystkich klientów w określonym okresie czasu, w celu ustalenia bazowego prognozowanego przychodu i ilości. Prognoza jest wykonywana na różnych poziomach agregacji, w zależności od jednostki magazynowej (SKU) i liczby centrów dystrybucyjnych (DC) i fabryk zaangażowanych w tę SKU. Prognoza jest następnie dostosowywana pomiędzy działami sprzedaży, marketingu i finansów, aby uzyskać to, co uważa się za rozsądny i osiągalny cel wzrostu, oparty na wcześniejszych wynikach. Cel ten jest używany do tworzenia planów produkcyjnych, często na miesięcznym harmonogramie (np. SKU według fabryki według miesiąca). Plan produkcyjny, idealnie w połączeniu z prognozami na poziomie DC, następnie napędza plany uzupełniania dostaw z fabryki do DC. Wszystko to po to, aby dostarczyć rozsądny, uzgodniony plan.

Jednak planiści popytu zaczęli zdawać sobie sprawę, że historyczne dane sprzedaży nie są wystarczające, aby zobaczyć, czego potrzebują konsumenci dzisiaj czy jutro. Wpływ pandemii i wyzwań łańcucha dostaw, które nastąpiły, uczyniły to bardzo widocznym. Dodatkowo, bezpośrednie opcje zakupu dla konsumentów tylko skomplikowały proces planowania. Dane z przeszłości nie odzwierciedlają zmian w zachowaniu konsumenta, ani nie mogą nadążyć za szybkimi zmianami w zachowaniu konsumenta i zakłóceniach dostawców.

Gdzie jest analogia do ciasteczka reklamowego?

Przez ponad 20 lat, reklamodawcy z branży CPG opierali się na ciasteczkach trzecich stron, aby osiągnąć skalę reklamową i praktykować rodzaj marketingu opartego na wynikach, który kierował ich wydatkami na reklamę. Zamiast negocjować umowy z witrynami medialnymi jeden po jeden, bez danych, które potwierdzałyby wartość jednej witryny nad inną, ciasteczka i programowy marketing ewoluowały reklamę w coś, co obiecywało być łatwiejszym do zmierzenia i uzasadnienia. Według Matta Naegera, który kieruje strategią w Stanach Zjednoczonych dla agencji marketingu performance Merkle, „Staliśmy się trochę zależni od ciasteczek trzecich stron, ponieważ było to łatwiejsze, szybsze i wymagało mniej planowania i integracji [niż tradycyjny marketing].”

Jednak nawet przed pojawieniem się przepisów dotyczących prywatności i blokerów reklam, dokładność danych z ciasteczek została poddana w wątpliwość.  Konsumenci mieli możliwość wyczyszczenia pamięci podręcznej ciasteczek, co prowadziło do zaniżania rzeczywistego zainteresowania konsumenta. A w przeciwnym kierunku, powszechność botów, które mogły fałszować duże ilości fałszywego ruchu reklamowego, poważnie przeszacowywała rzeczywiste zainteresowanie.

Brak uzasadnionych wyników i nadmierne poleganie na ciasteczkach w celu pomiaru zainteresowania doprowadziło Stephena Pretoriusa, dyrektora technicznego w brytyjskiej agencji reklamowej WPP, do stwierdzenia „Nie jestem szczególnie smutny z powodu upadku ciasteczek trzecich stron, ponieważ nigdy nie były one naprawdę dokładne, nie były naprawdę użyteczne, i uważam, że to wszystko pomogło nam wszystkim przemyśleć, jakie dane są ważne.”

Jeśli chodzi o ciasteczko, nowe i bardziej zaawansowane podejścia – które chronią tożsamość osobistą, ale nadal identyfikują potencjalnych nabywców – zaczynają pojawiać się. Podejścia takie jak przypisania kohort w przeglądarce, identyfikatory oparte na aktywności a nie na tożsamości osobistej, oraz dane pierwszej strony – są aktywnie badane. Dodatkowo, modele AI i uczenia maszynowego mogą teraz dostarczać informacji, które pomagają uczynić reklamy bardziej skutecznymi – przyciągając, zamiast śledząc konsumentów.

Dla planowania popytu analogia jest podobna. Serce planowania popytu polega na przewidywaniu popytu konsumenta i odczytywaniu każdego czynnika, który kształtuje popyt konsumenta. Historyczne dane i dostawy nigdy nie były dobrym źródłem informacji, a wrodzona skłonność pomiędzy sprzedażą, marketingiem i finansami nie generowałaby lepszej prognozy. Nadmierna ufność w tych przekonaniach nie pozwoliła na uchwycenie zmian i wpływu krótkoterminowych i lokalnych warunków. I podobnie jak w przypadku ciasteczka, więcej danych, lepsze źródła i nowe procesy połączone z AI i uczeniem maszynowym zapewniają lepszą drogę do przodu.

Jakie jest rozwiązanie dla planowania popytu?

Planiści popytu przyglądają się uważnie dokładności swoich prognoz planistycznych w wyniku zmienności i złożoności na dzisiejszych rynkach. Trzy obszary w szczególności wyróżniają się jako przyczyny niedokładności prognoz:

• brak modeli, które wykorzystują dane z punktu sprzedaży (POS) i innych źródeł danych, które lepiej dostosowują prognozę do czynników wpływających na popyt;
• uczenie maszynowe, które ujawnia prawidłowy poziom i/lub grupowanie, na którym należy wykonać prognozę, aby uzyskać największą dokładność;
• metodologie modelowania AI, które uwzględniają utracone sprzedaże, które nie zostały wzięte pod uwagę w przyszłej prognozie.

Ponownie, lepsze dane i nauka o danych mogą rozwiązać te wyzwania. Firmy CPG tworzą nową warstwę ekspertyzy prognozowania, która uzupełnia ich proces planowania o wglądy z AI i uczenia maszynowego, oparte na szerszym zakresie danych i zaawansowanych technikach modelowania.

Obszary inwestycji obejmują:

• Wykrywanie popytu – wykorzystywanie danych krótkoterminowych – w tym statusu zamówienia, danych sprzedaży, zapasów detalicznych, realizacji promocji, cen detalicznych, atrybutów produktu i lokalizacji, sentymentu w mediach społecznościowych oraz czynników kosztów inwentaryzacji – w modelach, które są częściej uruchamiane, aby poprawić krótkoterminową reakcję na popyt z najnowszymi informacjami i częstymi działaniami;

• Optymalizacja inwentaryzacji – zaawansowane podejścia oparte na uczeniu maszynowym do oceny prawdopodobieństwa utraconych lub nadmiernych sprzedaży w danych prognozowych i uwzględnianie tych informacji w celu maksymalizacji wskaźnika wypełnienia;

• Dynamiczne agregowanie – podejście AI, które pokonuje wysoki poziom zmienności danych na bardziej szczegółowych poziomach, co może wpłynąć na dokładność prognoz na wyższych poziomach agregacji.

Te nowe podejścia, i wiele innych, przyczyniają się do tego, że prognozy popytu stają się bardziej dokładne, łatwiejsze do reakcji i znacznie mniej zmienne. Dodatkowo, przyczyniają się one do procesu biznesowego planowania popytu, automatyzując to, co byłoby żmudnymi ręcznymi zadaniami arkuszy kalkulacyjnych, łatwo skalując się, aby uwzględnić szerszy zakres danych wewnętrznych i zewnętrznych, a dzięki wbudowanemu aspektowi uczenia się tych modeli, przyczyniają się do ciągłej poprawy na przestrzeni czasu.

Nie ma ucieczki przed tym: świat, w którym przyciąganie klientów można osiągnąć za pomocą jednego mechanizmu śledzenia – i dostarczanie tego, czego potrzebują jutro – opiera się po prostu na tym, co zostało kupione w przeszłości – zanika. Możliwość większego i bardziej trwałego wzrostu sprzedaży leży w głębszym zagłębieniu się w danych, aby dowiedzieć się, co konsumenci są o tym. Aby uzyskać więcej informacji o rozwiązaniach do prognozowania, planowania i ustalania cen z wykorzystaniem AI, kliknij tutaj.