FMCG – Det är dags att titta närmare på dina data

Vad har traditionell efterfrågeplanering och annonskakan gemensamt? Båda ersätts av något mer sofistikerat. Varför? För att de båda saknar rätt data och analyser som kan leda till fel när man försöker förstå sin konsument.

Efterfrågeplanering och beroendet av historiska försäljningsdata

Traditionell efterfrågestyrning börjar med historiska försäljnings- och leveransdata för alla kunder under en viss tidsperiod för att skapa en bas för omsättnings- och enhetsprognos. Prognosen görs på olika aggregationsnivåer beroende på artikelnummer (SKU) och antalet distributionscenter (DC) och fabriker som är involverade i den artikelnumret. Prognosen masseras sedan mellan försäljnings-, marknadsförings- och finansfunktioner för att komma fram till vad som anses vara ett rimligt och uppnåeligt tillväxtmål baserat på tidigare prestation. Detta används för att skapa tillverkningsplaner, ofta på en månadsbasis (t.ex. artikelnummer per fabrik per månad). Produktionsplanen driver, i kombination med distributionscentralsprognoser, påfyllnadsplaneringen för leveranser från en fabrik till ett distributionscenter. Allt för att leverera en rimlig och samstämmig plan.

Men efterfrågeplanerare har kommit att inse att historiska försäljningsdata inte räcker för att se vad konsumenterna behöver idag eller imorgon. Pandemins påverkan och de följande leveransutmaningarna gjorde detta mycket tydligt. Dessutom har direkt-till-konsument-köp alternativ gjort planeringsprocessen ännu mer komplicerad. Tidigare prestationer kan inte återspegla förändringar i konsumentbeteende på kort sikt, och de kan inte heller hålla jämna steg med snabba förändringar i konsumentbeteende och leverantörsstörningar.

Men var är analogin till annonskakan?

Under mer än 20 år har FMCG-annonsörer förlitat sig på tredjepartscookies för att uppnå annonsmässig skala och för att bedriva en slags prestationssbaserad marknadsföring som vägledde deras annonsutgifter. Istället för att förhandla om avtal med mediesajter en och en, utan någon data som kunde bekräfta värdet av en sajt jämfört med en annan, utvecklades cookies och programmatisk marknadsföring till något som lovade att vara mer lättmätbart och motiverbart. Enligt Matt Naeger, som ansvarar för den amerikanska strategin för prestandamarknadsföringsbyrån Merkle, “Vi blev lite beroende av tredjepartscookies eftersom det var lättare, snabbare och krävde mindre planering och integration [än traditionell marknadsföring].”

Men redan innan integritetsreglerna och annonsblockerare blev vanligare, ifrågasattes cookie-datans noggrannhet.  Konsumenterna fick möjlighet att rensa sina cookie-cacheminnen, vilket ledde till att den verkliga konsumentintresset underskattades. Och i den motsatta riktningen ledde förekomsten av botar som kunde skapa stora mängder falsk annons-trafik till en överskattning av det verkliga intresset.

Bristen på handlingsbara resultat och det stora beroendet av cookies för att mäta intresse ledde Stephen Pretorius, CTO på den brittiska annonsbyrån WPP, att säga “Jag är inte särskilt ledsen över tredjepartscookies försvinnande eftersom de aldrig var särskilt exakta, aldrig särskilt användbara, och jag tror att hela den här situationen har hjälpt oss alla att omvärdera vad som är viktiga data.”

Så långt som annonskakan är concerned, nya och mer sofistikerade tillvägagångssätt – som skyddar personlig identitet men fortfarande identifierar potentiella köpare – är på väg att ta över. Tillvägagångssätt som webbläsarbaserade kohorttilldelningar, aktivitet kontra personlig identitetstilldelade ID och första partsdata – undersöks aktivt. Dessutom kan AI- och maskinlärningsmodeller nu ge insikter som hjälper till att göra annonsen i sig mätbart mer effektiv – lockar till sig konsumenter istället för att spåra dem.

För efterfrågeplanering är analogin liknande. Hjärtat i efterfrågeplanering är att förutsäga konsumentefterfrågan och tolka varje efterfrågedrivare som formar konsumentefterfrågan. Historiska data och leveranser var aldrig en bra informationskälla, och den inbyggda partiskheten mellan försäljning, marknadsföring och finans skulle inte generera en bättre prognos. Övertro på dessa övertygelser misslyckades med att fånga förändringar och påverkan av närvarande och lokala förhållanden. Och precis som annonskakan, mer data, bättre källor och nya processer i kombination med AI och maskinlärning erbjuder en bättre väg framåt.

Vad är lösningen för efterfrågeplanering?

Efterfrågeplanerare granskar noggrant noggrannheten i sina prognoser på grund av volatiliteten och komplexiteten i dagens marknader. Tre områden sticker ut som bidragande till prognosfel:

• avsaknaden av modeller som använder realtidsdata från försäljningsställen (POS) och andra datakällor som skulle kunna anpassa prognosen till aktuella faktorer som påverkar efterfrågan;
• maskinlärning som avslöjar rätt nivå och/eller gruppering för att utföra en prognos för största aggregatnoggrannhet; och
• AI-modellmetoderna för att ta hänsyn till de förlorade försäljningarna som inte togs med i den framtida efterfrågan.

Återigen kan bättre data och data science hantera dessa utmaningar. FMCG-företag skapar en ny nivå av prognoskompetens som kompletterar deras planeringsprocess med AI- och maskinlärningsinsikter baserade på en bredare variation av data och avancerade modelltekniker.

Investeringsområden inkluderar:

• Efterfrågeupptäckt – utnyttjande av närtidsdata – inklusive orderstatus, senaste säljdata, återförsäljarens lager, kampanjgenomförande, detaljhandelspriser, produktspecifika attribut, sociala medier och lagerkostnadsfaktorer – i modeller som körs oftare för att förbättra den korta efterfrågeresponsen med senaste insikter och frekventa åtgärder;

• Lageroptimering – avancerade maskinlärningstillvägagångssätt för att bedöma sannolikheten för förlorade eller överskottsförsäljningar i prognosdata och beakta dessa insikter för att maximera fyllnadsgraden;

• Dynamisk aggregering – en AI-tillvägagångssätt som övervinner den höga datavariabiliteten på mer detaljerade nivåer som kan påverka prognosnoggrannheten på högre aggregerade nivåer.

Dessa nya tillvägagångssätt, och fler, bidrar till att göra efterfrågeprognoser mer exakta, mer reaktiva och avsevärt mindre volatila. Dessutom bidrar de till efterfrågeplaneringsprocessen genom att automatisera vad som annars skulle vara tidskrävande manuella kalkylbladsuppgifter, enkelt skala för att omfatta en större variation av interna och externa data, och, på grund av den inbyggda lärandeaspekten i dessa modeller, bidra till kontinuerlig förbättring över tid.

Det finns ingen flykt från det: en värld där kunder kan lockas via en enda spårningsmekanism – och leverans av vad de behöver imorgon kan baseras enbart på vad som köptes i det förflutna – försvinner. Möjligheten till större och mer varaktig försäljningstillväxt ligger i att gräva djupare i datan för att lära sig vad konsumenten handlar om. För mer information om AI-drivna prognos-, planerings- och prissättningslösningar, klicka här.