Varför CPG-ledare måste separera vetet från agnet för verklig AI-driven intäktsökningsoptimering

Optimering är inte längre bara ett modeord. Det är ett fullt definierbart och mätbart resultat som inte kan uppnås med föråldrade tekniker och icke fungerande AI-system.

————————
Att optimera intäktsökning är ett topprioriterat mål inom CPG-sektorn idag. Osäkerhet driven av globala ekonomiska motgångar, varaktig inflation, utmaningar i leverantörskedjan och skiftande köpbeteende har intensifierat vikten av att förstå hur man systematiskt avkodar och navigerar i föränderliga förhållanden för att driva ökad intäkt och vinst.

För CPG-organisationer är det grundläggande att optimera sina viktigaste drivkrafter för intäktsökning genom att anpassa prissättning, kampanjer, medieblandning och konsumentvaruförpackning till föränderliga marknadsförhållanden. Detta har aldrig varit mer komplext mitt i effekterna av föränderliga konsumentpreferenser, inflation, geopolitiska spänningar, klimatförändringar och globala befolkningsförändringar – en primär anledning till varför mer än 75% av CPG-tillverkare kämpar för att hantera total modern handelsutgift, och 70% av CPG-chefer är mer stressade idag än för fem år sedan.

Med komplexitet som en konstant prioriterar många organisationer digitaliserad intäktsökningsoptimering som ett sätt att hantera stormen. I Promotion Optimization Institutes 2024 State of the Industry Report sa 80% av respondenterna att de investerade i digitala lösningar eller analytiska funktioner för att stödja nya processer för intäktsökning och dyka djupare in i optimerad kampanj, prissättning och paketanalys. POI-rapporten fann också att 54% planerade att anta nya handelskampanjhanteringslösningar och 31% skulle påbörja integrering av automatiserad prissättning.

Många system marknadsförs som “AI-aktiverade optimeringslösningar” som kan effektivt lindra inflationstryck och förstärka intäkt. Men i verkligheten är det inte fallet. När avancerad analys som möjliggörs av sofistikerad matematik och AI har blivit alltmer integrerad i företagens teknik och affärsprocesser, är det tydligt att inte alla matematiska tekniker och AI kan leverera verklig intäktsökningsoptimering i skala. CPG-ledare lär sig att deras definition av optimering är föråldrad och inkorrekt. Branschen har historiskt definierat “optimering” som användning av gårdagens regressionsmodellering och affärsscenariostimulering. De inser att dessa äldre tekniker bara är prognosticeringstekniker som inte optimerar någonting. De lär sig också att Genererande AI och neuronnät inte utför optimering, men kan vara värdefulla tekniker i att assistera andra komponenter i en organisations digitala transformationsresa.

Analyslandskapet förändras snabbt. Avancerade analysföretag måste hjälpa CPG-samarbetspartners att bygga förståelse och mognad kring användningen och den specifika tillämpningen av dessa tekniker inom deras verksamhetsmodeller. Optimering är inte längre bara ett modeord. Det är fullt definierbart och dess resultat är bestämda och mätbara genom att balansera begränsningarna för både CPG-tillverkare och detaljhandlare samtidigt. Denna grad av begränsningsbaserad optimering och dess mätbara fördelar kan inte uppnås med föråldrade tekniker och icke fungerande AI-system.

I stället är det avgörande för organisationer att förstå de distinkta förmågorna hos de statistiska matematik- och AI-aktiverade intäktsökningsoptimeringsverktyg de antar. Att separera vetet från agnet i den avancerade analysen och AI-världen kommer att förbättra er förmåga att driva hållbar intäkt, hantera marknadsvolatilitet och överträffa branschkonkurrenter.

Det handlar allt om er verktygslåda

Att säkerställa att ni har rätt sofistikerad matematik och AI-verktyg i er verktygslåda är värt sin vikt i guld när det gäller intäktsökningsoptimering. Till exempel, om ni ville skära en stålbalk, kunde det teoretiskt sett åstadkommas med en hacksåg, men det skulle ta år att lyckas skära hela vägen genom. Samtidigt skulle en acetylenbrännare skära igenom den på sekunder.

Detsamma gäller AI-aktiverade tekniker. De flesta former av AI som används i CPG-intäktsökningsoptimeringssystem idag kan inte hantera verklig marknadskomplexitet. De använder gamla linjära regressionsmetoder för att lösa ett problem som är icke-linjärt i naturen, och förlitar sig på traditionella statistiska modeller som optimerar en, två, tre eller fyra statiska begränsningar istället för de två till tre dussin begränsningar som återspeglar de verkliga övervägandena som CPG-varumärken navigerar dagligen. Detta leder till grundläggande analytisk underprestation som hämmar effektiv intäktsrekommendationsgenerering och operativ prestanda och ROI för både CPG-tillverkare och deras detaljhandelspartners.

Genererande AI (GenAI) är ett annat exempel på denna missanpassning. CPG-värdet har värdefulla användningsfall för GenAI-applikationer, men intäktsökningsoptimering är inte en av dem. Detta beror på att GenAI-modeller förlitar sig på sökmotortekniker som inte kan skilja på “skräp in” och “skräp ut” och neurala nätverksmaskinlärning som inte utför optimering.

Att underlätta ett matematiskt problem

Det är viktigt att komma ihåg att verklig intäktsökningsoptimering är ett begränsningsbaserat, högdimensionellt matematiskt problem i sin kärna. Sofistikerad matematik och AI-lösningar som använder glas-box-maskinlärning krävs för att inkorporera alla begränsningar och variabler som möjliggör optimering för att leverera värde för både CPG-tillverkare och detaljhandlare samtidigt. Det säkerställer att systemet är utformat för att grundläggande förstå den miljö i vilken en organisation opererar och utföra verklig optimering och generera handelskampanjkalendrar som driver värde för tillverkaren och detaljhandlaren. Sedan är nästa steg att optimera de andra viktiga områdena för intäktsökning med vardaglig prissättning, handelskampanj, medieblandning och sortiment för att producera holistiska rekommendationer som är anpassade till konsumentefterfrågan under förhållanden som stressar den normala vardagliga prissättningen.

Denna anpassade metod tar hänsyn till att navigera i marknadsosäkerhet, såsom förlängda leveransbrister från en eskalerande geopolitisk konflikt eller oväntade prisökningar från ett klimatrelaterat evenemang. Om en torka längs Panamakanalen bidrar till att öka kostnaden för råvaror, kan systemet hjälpa till att bestämma en ny optimal prissättningsstruktur som 1) anpassar konsumentförpackning för ökade produktionskostnader medan marginaler upprätthålls, och 2) inciterar konsumenter att välja ert varumärke över branschkonkurrenter via effektiva kampanjmetoder.

Att mäta effekten: Post-händelseeffektivitet

Att bestämma ROI-effekten av intäktsökningsoptimeringsverktyg kräver en omfattande och beräknad ansats. Först fokusera på post-händelseanalys av kärn-KPI:er som netto inkrementella ökningar av försäljning, vinst, detaljhandelsbutiksdollar och marknadsandel som genereras från er handelskampanjutgift. Prestanda över dessa fyra pelare kommer att indikera effekten av er implementeringsstrategi och identifiera områden som behöver förbättring.

Den andra stora kategorin är handelseffektivitetskvot. För varje dollar som spenderas i handel, vad är den genomsnittliga avkastningen den producerar? Detta är avgörande för att skala intäktsökningsoptimeringsverktyg över tid. Att utföra båda aspekterna i samverkan kommer att positionera organisationer för att framgångsrikt navigera i yttre volatilitet och erövra marknadsandel över branschkollegor. En stark ROI handlar inte bara om siffror – det handlar också om att vinna en konkurrensfördel i er segment.

Att optimera intäkt över hela CPG-landskapet är otvivelaktigt komplext. Medan digitalisering erbjuder löften om att förenkla det, måste företagsledare ha en stark förståelse för den sofistikerade matematik och AI-verktyg de använder. Kunskap är makt, och det kommer slutligen att höja ert varumärke och företagsvärdering över mängden.