CPG – Este timpul să examinați mai atent datele dvs.

Ce au în comun planificarea tradițională a cererii și cookie-urile publicitare? Ambele sunt înlocuite de ceva mai sofisticat. De ce? Pentru că, în ambele cazuri, lipsește datele și analitica potrivite, care vă pot induce în eroare pe calea înțelegerii consumatorului.

Planificarea cererii și dependența de datele istorice de vânzări

Gestiunea tradițională a cererii începe cu datele istorice de vânzări și expedieri pentru toți clienții, pe o perioadă de timp, pentru a stabili o bază de venituri și previziuni de unități. Previziunea se realizează la diferite niveluri de agregare, în funcție de unitatea de stocare (SKU) și de numărul de centre de distribuție (DC) și fabrici implicate în acea SKU. Această previziune este apoi ajustată între funcțiile de vânzări, marketing și finanțe pentru a ajunge la un obiectiv de creștere considerat rezonabil și realizabil, pe baza performanței trecute. Acesta este utilizat pentru a crea planuri de producție, de obicei, pe o perioadă lunară (de exemplu, SKU pe fabrică pe lună). Planul de producție, ideal în combinație cu previziunile la nivel de DC, conduce apoi la planificarea reîncărcării pentru livrări de la o fabrică la un DC. Toate acestea pentru a oferi un plan rezonabil și consensual.

Cu toate acestea, planificatorii de cerere au ajuns să recunoască că datele istorice de vânzări nu sunt suficiente pentru a vedea ce au nevoie consumatorii astăzi sau mâine. Impactul pandemiei și al provocărilor lanțului de aprovizionare care au urmat au făcut acest lucru foarte evident. În plus, opțiunile de cumpărare direct de la consumator au complicat și mai mult procesul de planificare. Datele despre performanța trecută nu reflectă schimbările din comportamentul consumatorului pe termen scurt, nici nu pot ține pasul cu schimbările rapide în comportamentul consumatorului și întreruperile furnizorilor.

Dar unde este analogia cu cookie-ul publicitar?

Pentru mai bine de 20 de ani, advertiserii CPG s-au bazat pe cookie-urile terțe pentru a obține o scară publicitară și pentru a practica un fel de marketing orientat spre performanță care să ghideze cheltuielile lor publicitare. În loc să negocieze contracte cu site-urile media una câte una, fără nici o dată care să confirme valoarea unui site față de altul, cookie-urile și marketingul programatic au evoluat publicitatea în ceva care promitea să fie mai ușor de cuantificat și justificat. Conform lui Matt Naeger, care conduce strategia SUA pentru agenția de marketing de performanță Merkle, „Am devenit un pic dependenți de cookie-urile terțe, deoarece era mai ușor, mai rapid și necesita mai puțină planificare și integrare [decât marketingul tradițional].”

Însă, chiar înainte de apariția regulamentelor de confidențialitate și a blocatorilor de publicitate, acuratețea datelor din cookie a fost pusă sub semnul întrebării.  Consumatorilor li s-a oferit opțiunea de a șterge cache-ul de cookie, ceea ce a dus la subevaluarea interesului real al consumatorului. Și în direcția opusă, prezența bot-urilor care puteau fabrica cantități mari de trafic publicitar fals a suprastimat interesul real.

Lipsa de rezultate acționabile și dependența excesivă de cookie-uri pentru a măsura interesul a condus pe Stephen Pretorius, CTO la agenția de publicitate britanică WPP, să declare „Nu sunt prea trist despre dispariția cookie-urilor terțe, deoarece acestea nu au fost niciodată foarte precise, niciodată foarte utile și, în fapt, cred că această întreagă chestiune ne-a ajutat pe toți să reevaluăm ce date sunt importante.”

În ceea ce privește cookie-ul, abordări noi și mai sofisticate – care protejează identitatea personală, dar identifică totuși potențialii cumpărători – sunt în curs de dezvoltare. Abordări precum atribuirea de cohorte bazate pe browser, activitate versus identitate personală atribuită și date de primă parte – sunt explorate activ. În plus, modelele de inteligență artificială și învățare automată pot oferi acum insight-uri care ajută la creșterea eficienței publicității înseși – atrăgând, mai degrabă decât urmărind consumatorii.

Pentru planificarea cererii, analogia este similară. Inima planificării cererii constă în previziunea cererii consumatorului și decodificarea fiecărui factor care influențează cererea consumatorului. Datele istorice și expedierile nu au fost niciodată o sursă bună de informații, iar prejudecățile inerente între vânzări, marketing și finanțe nu ar fi generat o previziune mai bună. Încrederea excesivă în aceste convingeri a eșuat în a captura schimbările și impactul condițiilor locale și pe termen scurt. Și, la fel ca și cookie-ul, mai multe date, surse mai bune și noi procese combinate cu inteligență artificială și învățare automată oferă o cale mai bună înainte.

Care este rezoluția pentru planificarea cererii?

Planificatorii de cerere examinează mai atent acuratețea previziunilor lor de planificare, ca urmare a volatilității și complexității de pe piețele de astăzi. Trei domenii, în special, se remarcă ca contribuitori la inexactitatea previziunii:

• absența modelelor care utilizează surse de date în timp real, cum ar fi datele de la punctul de vânzare (POS) și alte surse de date care ar putea ajusta mai bine previziunea la factorii care influențează cererea;
• învățarea automată care descoperă nivelul și/sau gruparea corectă pentru a executa o previziune cu cea mai mare acuratețe agregată; și
• metodologiile de modelare AI pentru a ține cont de vânzările pierdute care nu au fost luate în considerare pentru cererea viitoare.

Odată again, datele și știința datelor mai bune pot aborda aceste provocări. Firmele CPG creează un nou strat de expertiză în previziune care completează procesul lor de planificare cu insight-uri de inteligență artificială și învățare automată, bazate pe o gamă mai largă de date și tehnici de modelare avansate.

Domeniile de investiții includ:

• Simțirea cererii – utilizarea datelor pe termen scurt – incluzând starea comenzilor, datele recente de vânzări, stocul retailerului, executarea promoțiilor, prețurile de retail, atributele specifice produsului și locației, sentimentul din rețelele sociale și factorii de cost ai stocului – în modele care sunt rulate mai frecvent pentru a îmbunătăți răspunsul la cererea pe termen scurt cu insight-uri recente și acțiuni frecvente;

• Optimizarea stocului – abordări avansate de învățare automată pentru a evalua probabilitățile de vânzări pierdute sau excesive în datele de previziune și a lua în considerare aceste insight-uri pentru a maximiza rata de umplere;

• Aggregarea dinamică – o abordare de inteligență artificială care depășește nivelul ridicat de variabilitate a datelor la niveluri mai detaliate, care poate afecta acuratețea previziunii la niveluri agregate mai înalte.

Aceste abordări noi și altele asemenea contribuie la faptul că previziunile cererii devin mai precise, mai ușor de reacționat și considerabil mai puțin volatile. În plus, ele contribuie la procesul de planificare a cererii prin automatizarea unor sarcini manuale laborioase, prin scalarea pentru a include o gamă mai largă de date interne și externe și, datorită aspectului de învățare încorporat al acestor modele, contribuie la îmbunătățirea continuă în timp.

Nu există scăpare: o lume în care atragerea clienților poate fi realizată prin intermediul unui singur mecanism de urmărire – și furnizarea a ceea ce au nevoie mâine poate fi bazată pur și simplu pe ceea ce s-a cumpărat în trecut – dispare. Oportunitatea pentru o creștere a vânzărilor mai mare și mai permanentă se află în aprofundarea datelor pentru a înțelege ce este consumatorul. Pentru mai multe informații despre soluțiile de previziune, planificare și prețuire bazate pe inteligență artificială, faceți clic aici.