PPCs – É Hora de Olhar Mais Closamente para os Seus Dados

O que a gestão de demanda tradicional e o cookie de publicidade têm em comum? Ambos estão sendo substituídos por algo mais sofisticado. Por quê? Porque, em cada caso, eles estão faltando os dados e análises certos que os levarão a entender melhor o seu consumidor.

Gestão de demanda e a dependência de dados de vendas históricas

A gestão de demanda tradicional começa com dados de vendas e remessas históricas de todos os clientes ao longo de um período de tempo para uma previsão de receita e unidades básica. A previsão é feita em diferentes níveis de agregação, dependendo da unidade de manutenção de estoque (SKU) e do número de centros de distribuição (CDs) e fábricas envolvidas com essa SKU. Essa previsão é então ajustada entre as funções de vendas, marketing e finanças para chegar a um que se acredita ser um alvo de crescimento razoável e alcançável com base no desempenho passado. Isso é usado para criar planos de manufatura, muitas vezes em um cronograma mensal (por exemplo, SKU por fábrica por mês). O plano de produção, idealmente em combinação com previsões de nível de CD, então impulsiona o planejamento de reposição para entregas de uma fábrica para um CD. Tudo para entregar um plano razoável e consensual.

No entanto, os planejadores de demanda chegaram a reconhecer que os dados de vendas históricas não são suficientes para ver o que os consumidores precisam hoje ou amanhã. O impacto da pandemia e os desafios da cadeia de suprimentos que se seguiram tornaram isso muito aparente. Além disso, as opções de compra direta para o consumidor apenas complicaram mais o processo de planejamento. Os dados de desempenho passado não refletem as mudanças de curto prazo no comportamento do consumidor, nem podem acompanhar as mudanças rápidas no comportamento do consumidor e nas interrupções dos fornecedores.

Mas onde está a analogia com o cookie de publicidade?

Por mais de 20 anos, os anunciantes de PPCs confiaram em cookies de terceiros para alcançar escala publicitária e praticar um tipo de marketing de desempenho que orientou seus gastos publicitários. Em vez de negociar acordos com sites de mídia um a um, sem dados para confirmar o valor de um site em relação a outro, os cookies e o marketing programático evoluíram a publicidade para algo que prometia ser mais facilmente quantificável e justificável. De acordo com Matt Naeger, que lidera a estratégia dos EUA para a agência de marketing de desempenho Merkle, “Nos tornamos um pouco dependentes de cookies de terceiros porque era mais fácil, mais rápido e exigia menos planejamento e integração [do que o marketing tradicional].”

No entanto, mesmo antes do surgimento das regras de privacidade e bloqueadores de anúncios, a precisão dos dados de cookies foi questionada.  Os consumidores foram dados a opção de limpar os caches de cookies, o que serviu para subcontar o que poderia ter sido o verdadeiro interesse do consumidor. E na direção oposta, a prevalência de bots que podiam fabricar grandes quantidades de tráfego de anúncios falsos superestimou seriamente o interesse real.

A falta de resultados ações e a dependência excessiva de cookies para medir o interesse levaram Stephen Pretorius, CTO da agência de publicidade WPP, a declarar “Não estou particularmente triste com o fim dos cookies de terceiros porque nunca foram realmente precisos, nunca realmente úteis e, na verdade, acho que isso tudo nos ajudou a repensar o que os dados realmente importam.”

Quanto ao cookie, novas e mais sofisticadas abordagens – que protegem a identidade pessoal, mas ainda identificam potenciais compradores – estão surgindo. Abordagens como atribuições de coortes baseadas em navegador, IDs atribuídos à atividade em vez de identidade pessoal e dados de primeira parte – estão sendo ativamente exploradas. Além disso, modelos de IA e aprendizado de máquina agora podem fornecer insights que ajudam a tornar os anúncios em si mais eficazes – atraindo, em vez de rastreando consumidores.

Para a gestão de demanda, a analogia é semelhante. O coração da gestão de demanda é prever a demanda do consumidor e decifrar todos os drivers de demanda que moldam a demanda do consumidor. Os dados históricos e as remessas nunca foram uma grande fonte de informações, e os vieses inerentes entre vendas, marketing e finanças não gerariam uma previsão melhor. A confiança excessiva nesses crenças falhou em capturar as mudanças e o impacto de condições de curto prazo e locais. E, assim como o cookie, mais dados, melhores fontes e novos processos combinados com IA e aprendizado de máquina fornecem um caminho melhor para o futuro.

Qual é a resolução para a gestão de demanda?

Os planejadores de demanda estão olhando mais de perto para a precisão de suas previsões de planejamento como resultado da volatilidade e complexidade dos mercados de hoje. Três áreas em particular se destacam como contribuintes para a imprecisão da previsão:

• a ausência de modelos que usem dados de ponto de venda (PDV) e outras fontes de dados em tempo real que melhorariam a previsão para fatores que impactam a demanda;
• aprendizado de máquina que descobre o nível e/ou agrupamento correto para executar uma previsão para a maior precisão agregada; e
• metodologias de modelagem de IA para contabilizar as vendas perdidas que não foram consideradas na demanda futura.

Novamente, melhores dados e ciência de dados podem resolver esses desafios. As empresas de PPCs estão criando uma nova camada de especialização em previsão que aumenta seu processo de planejamento com insights de IA e aprendizado de máquina com base em uma gama mais ampla de dados e técnicas de modelagem avançadas.

Áreas de investimento incluem:

• Detecção de Demanda – aproveitando dados de curto prazo – incluindo status do pedido, dados de vendas recentes, estoque do varejista, execução de promoções, preços de varejo, atributos específicos de produto e localização, sentimento de mídia social e fatores de custo de estoque – em modelos que são executados com mais frequência para melhorar a resposta à demanda de curto prazo com insights recentes e ações frequentes;

• Otimização de Estoque – abordagens de aprendizado de máquina sofisticadas para avaliar as probabilidades de vendas perdidas ou excessivas em dados de previsão e considerar esses insights para maximizar a taxa de preenchimento;

• Aggregação Dinâmica – uma abordagem de IA que supera o alto nível de variabilidade de dados em níveis mais desagregados que podem impactar a precisão da previsão em níveis mais agregados.

Essas novas abordagens, e mais, estão servindo para tornar as previsões de demanda mais precisas, mais fáceis de reagir e consideravelmente menos voláteis. Além disso, elas contribuem para o processo de negócios de gestão de demanda, automatizando tarefas manuais laboriosas, escalando facilmente para incorporar uma gama mais ampla de dados internos e externos e, devido ao aspecto de aprendizado incorporado desses modelos, contribuindo para a melhoria contínua ao longo do tempo.

Não há como escapar disso: um mundo onde atrair clientes pode ser feito por meio de um mecanismo de rastreamento – e fornecer o que eles precisam amanhã pode ser baseado simplesmente no que foi comprado no passado – está desaparecendo. A oportunidade de crescimento de vendas maior e mais permanente jaz em mergulhar mais profundamente nos dados para aprender o que o consumidor é. Para obter mais informações sobre soluções de previsão, planejamento e precificação impulsionadas por IA, clique aqui.