ПТС – Пришло время более внимательно изучить ваши данные

Что общего у традиционного планирования спроса и рекламной куки? Они оба заменяются чем-то более совершенным. Почему? Потому что в каждом случае они лишены правильных данных и аналитики, которые могут ввести вас в заблуждение на пути к пониманию вашего потребителя.

Планирование спроса и зависимость от исторических данных о продажах

Традиционное управление спросом начинается с исторических данных о продажах и отгрузках по всем клиентам за определенный период времени для базового прогноза дохода и объема. Прогноз делается на разных уровнях агрегации в зависимости от единицы хранения (SKU) и количества распределительных центров (DC) и заводов, участвующих в этом SKU. Затем прогноз корректируется между функциями продаж, маркетинга и финансов для получения того, что считается разумной и достижимой целью роста на основе прошлых результатов. Это используется для создания производственных планов, часто по ежемесячному графику (например, SKU по заводу по месяцу). План производства, идеально в сочетании с прогнозами на уровне DC, затем управляет планированием пополнения запасов для поставок с завода в DC. Все это делается для создания разумного, согласованного плана.

Однако планировщики спроса пришли к выводу, что исторические данные о продажах недостаточны для понимания того, что потребители нуждаются сегодня или завтра. Влияние пандемии и последующих проблем с цепочками поставок сделали это очень очевидным. Кроме того, прямые покупки у потребителей только усложнили процесс планирования. Данные о прошлых результатах не отражают краткосрочные изменения в поведении потребителей, и они не могут идти в ногу с быстрыми сдвигами в поведении потребителей и нарушениями поставок.

Но где аналогия с рекламной куки?

Более 20 лет рекламодатели ПТС полагались на третьи куки для достижения масштаба рекламы и практики вида маркетинга, основанного на производительности, который руководил их рекламными расходами. Вместо того, чтобы вести переговоры с медиа-сайтами один за другим, без каких-либо данных, подтверждающих ценность одного сайта над другим, куки и программатическая реклама превратили рекламу в нечто, что обещало быть более легко количественно оцененным и оправданным. Согласно Мэтту Нейгеру, который возглавляет стратегию США в агентстве по маркетингу Merkle, «Мы стали немного зависимыми от третьих кук, потому что это было проще, быстрее и требовало меньше планирования и интеграции [чем традиционный маркетинг]».

Однако даже до появления правил конфиденциальности и блокировщиков рекламы точность данных кук была поставлена под сомнение.  Потребителям была дана возможность очистить кэш кук, что привело к занижению того, что могло быть истинным интересом потребителей. И в противоположном направлении, распространенность ботов, которые могли фабриковать大量 фальшивого трафика рекламы, серьезно завысила реальный интерес.

Отсутствие действенных результатов и чрезмерная зависимость от кук для оценки интереса привели Стивена Преториуса, технического директора британского рекламного агентства WPP, к заявлению «Я не особенно печален о исчезновении третьих кук, потому что они никогда не были действительно точными, никогда не были действительно полезными, и, на самом деле, я думаю, что все это помогло нам всем переосмыслить, какие данные имеют значение»

Что касается кук, новые и более совершенные подходы – которые защищают личную идентичность, но все еще идентифицируют потенциальных покупателей – появляются на переднем плане. Подходы, такие как назначения когорт на основе браузера, идентификаторы, назначенные на основе активности, а не личной идентичности, и данные первого уровня – активно исследуются. Кроме того, модели ИИ и машинного обучения теперь могут предоставлять идеи, которые помогают сделать сами рекламные объявления более эффективными – привлекая, а не отслеживая потребителей.

Для планирования спроса аналогия подобна. Суть планирования спроса заключается в прогнозировании потребительского спроса и расшифровке каждого драйвера спроса, который формирует потребительский спрос. Исторические данные и отгрузки никогда не были хорошим источником информации, и врожденный предвзятость между продажами, маркетингом и финансами не сгенерирует лучший прогноз. Чрезмерная уверенность в этих убеждениях не смогла захватить сдвиги и влияние краткосрочных и местных условий. И, как и в случае с кукой, больше данных, лучшие источники и новые процессы, объединенные с ИИ и машинным обучением, предоставляют лучший путь вперед.

Каков выход для планирования спроса?

Планировщики спроса более внимательно изучают точность своих прогнозов планирования в результате волатильности и сложности сегодняшних рынков. Три области в частности выделяются как вкладчики в неточность прогноза:

• отсутствие моделей, которые используют данные о продажах в режиме реального времени (POS) и другие источники данных, которые бы лучше настроили прогноз на текущие факторы, влияющие на спрос;
• машинное обучение, которое выявляет правильный уровень и/или группировку, на котором необходимо выполнить прогноз для наибольшей совокупной точности; и
• методологии моделирования ИИ для учета потерянных продаж, которые не вошли в учет будущего спроса.

Еще раз, лучшие данные и наука о данных могут решить эти проблемы. Компании ПТС создают новый уровень экспертизы в прогнозировании, который дополняет их процесс планирования идеями ИИ и машинного обучения на основе более широкого спектра данных и передовых методов моделирования.

Области инвестиций включают:

• Чувствительность спроса – использование краткосрочных данных – включая статус заказа, недавние данные о продажах, запасы ритейлеров, выполнение промо-акций, розничные цены, атрибуты продукта и местоположения, настроения в социальных сетях и факторы стоимости запасов – в моделях, которые более часто запускаются для улучшения краткосрочной реакции на спрос с недавними идеями и частыми действиями;

• Оптимизация запасов – сложные подходы машинного обучения для оценки вероятности потерянных или избыточных продаж в прогнозных данных и учета этих идей для максимизации коэффициента заполнения;

• Динамическая агрегация – подход ИИ, который преодолевает высокий уровень изменчивости данных на более дезагрегированных уровнях, который может повлиять на точность прогноза на более высоких агрегированных уровнях.

Эти новые подходы, и многие другие, служат для того, чтобы сделать прогнозы спроса более точными, более легко реагирующими и значительно менее волатильными. Кроме того, они вносят вклад в бизнес-процесс планирования спроса, автоматизируя то, что было бы трудоемкими ручными задачами с электронными таблицами, легко масштабируясь для включения более широкого спектра внутренних и внешних данных и, благодаря встроенному аспекту обучения этих моделей, внося вклад в непрерывное улучшение с течением времени.

Не избежать этого: мир, где привлечение клиентов можно осуществлять через один механизм отслеживания – и поставка того, что им нужно завтра, может быть основана просто на том, что было куплено в прошлом – исчезает. Возможность для более значительного и постоянного роста продаж заключается в более глубоком изучении данных, чтобы узнать, что потребитель действительно хочет. Для получения более подробной информации об ИИ-решениях для прогнозирования, планирования и ценообразования нажмите сюда.