ผู้นำทางความคิด

บริษัทสินค้าอุปโภคบริโภคบรรจุหีบห่อ: ถึงเวลาพิจารณาข้อมูลของคุณให้ละเอียดยิ่งขึ้น

Parth Thakker
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญCPG ต้องแทนที่ข้อมูลยอดขายในอดีตด้วยข้อมูล ณ เวลาจริงจาก POS…
ดูเพิ่มเติม
  • CPG ต้องแทนที่ข้อมูลยอดขายในอดีตด้วยข้อมูล ณ เวลาจริงจาก POS และการตรวจจับความต้องการที่ขับเคลื่อนด้วย AI
  • คุกกี้ของบุคคลที่สามล้มเหลวเนื่องจากความไม่แม่นยำ การวางแผนความต้องการของ CPG กำลังเผชิญกับวิกฤตความน่าเชื่อถือของข้อมูลเช่นเดียวกัน
  • ปัจจุบัน AI และการเรียนรู้ของเครื่องช่วยให้สามารถรวมข้อมูลแบบไดนามิกและปรับปรุงสินค้าคงคลังเพื่อการคาดการณ์ที่แม่นยำยิ่งขึ้น

สิ่งที่มีความคล้ายคลึงกันระหว่างการวางแผนความต้องการแบบดั้งเดิมและการใช้คุกกี้โฆษณาคืออะไร ทั้งสองอย่างนี้กำลังถูกแทนที่ด้วยสิ่งที่ซับซ้อนกว่า ทำไม เนื่องจากทั้งสองกรณีนี้ขาดข้อมูลและการวิเคราะห์ที่ถูกต้อง ซึ่งจะทำให้เข้าใจผู้บริโภคผิดไป

การวางแผนความต้องการและการพึ่งพาข้อมูลการขายในอดีต

การบริหารความต้องการแบบดั้งเดิมเริ่มต้นด้วยข้อมูลการขายและข้อมูลการจัดส่งในอดีตของลูกค้าทุกรายในช่วงเวลาหนึ่ง เพื่อใช้เป็นฐานในการคาดการณ์รายได้และจำนวนหน่วย การคาดการณ์นี้ทำที่หลายระดับของการรวมข้อมูลขึ้นอยู่กับหน่วยการเก็บของ (SKU) และจำนวนศูนย์กระจายสินค้า (DC) และโรงงานที่เกี่ยวข้องกับ SKU นั้น การคาดการณ์นี้จะถูกปรับระหว่างหน่วยขาย การตลาด และการเงินเพื่อให้ได้เป้าหมายการเติบโตที่สมเหตุสมผลและสามารถทำได้ตามผลการดำเนินงานในอดีต ซึ่งจะใช้ในการสร้างแผนการผลิต ซึ่งมักจะทำเป็นรายเดือน (เช่น SKU ต่อโรงงานต่อเดือน) แผนการผลิตซึ่งตามหลักแล้วควรใช้ร่วมกับการคาดการณ์ระดับ DC จะขับเคลื่อนการวางแผนการเติมสินค้าสำหรับการจัดส่งจากโรงงานไปยัง DC ทั้งหมดนี้เพื่อนำไปสู่แผนการทำงานที่สมเหตุสมผลและเป็นที่ยอมรับของทุกฝ่าย

อย่างไรก็ตาม ผู้วางแผนความต้องการได้เริ่มรับรู้ว่าข้อมูลการขายในอดีตไม่เพียงพอในการมองเห็นสิ่งที่ผู้บริโภคต้องการในวันนี้หรือวันพรุ่งนี้ ผลกระทบของการระบาดใหญ่และความท้าทายของห่วงโซ่อุปทานที่ตามมา ทำให้สิ่งนี้ชัดเจนมากขึ้น นอกจากนี้ ตัวเลือกที่ผู้บริโภคซื้อโดยตรงจากผู้ผลิตยังทำให้กระบวนการวางแผนยิ่งซับซ้อนขึ้น ข้อมูลการดำเนินงานในอดีตไม่สามารถสะท้อนถึงการเปลี่ยนแปลงในพฤติกรรมผู้บริโภคในระยะสั้นได้ และไม่สามารถติดตามการเปลี่ยนแปลงอย่างรวดเร็วในพฤติกรรมผู้บริโภคและความผิดปกติของซัพพลายเออร์ได้

แต่คำอุปมาอุปไมยของคุกกี้โฆษณาอยู่ที่ไหน?

ในระยะเวลามากกว่า 20 ปี ผู้ลงโฆษณาในอุตสาหกรรมสินค้าอุปโภคบริโภค (CPG) พึ่งพาคุกกี้ของบุคคลที่สามเพื่อให้ได้มาตราส่วนการโฆษณาและฝึกฝนการตลาดที่ขับเคลื่อนด้วยประสิทธิภาพ ซึ่งนำไปสู่การวางแผนการโฆษณาโดยอาศัยข้อมูลที่สามารถวัดผลได้และให้เหตุผลในการใช้จ่ายโฆษณาได้ แทนที่จะต้องเจรจากับเว็บไซต์สื่อแต่ละแห่งโดยไม่มีข้อมูลที่ยืนยันคุณค่าของเว็บไซต์หนึ่งเหนืออีกเว็บไซต์หนึ่ง คุกกี้และโปรแกรมการโฆษณาที่เป็นระบบทำให้การโฆษณาเป็นสิ่งที่มีแนวโน้มที่จะวัดผลได้ง่ายและให้เหตุผลในการใช้จ่ายได้มากขึ้น ตามที่แมตต์ นาเกอร์ ผู้นำกลยุทธ์ของสหรัฐฯ สำหรับเอเจนซี่การตลาดประสิทธิภาพ Merkle ระบุว่า “เราค่อนข้างพึ่งพาคุกกี้ของบุคคลที่สามเพราะมันง่ายกว่า เร็วขึ้น และต้องมีการวางแผนและบูรณาการน้อยกว่า [การตลาดแบบดั้งเดิม]”

อย่างไรก็ตาม ก่อนที่จะมีกฎการรักษาความเป็นส่วนตัวและแอปบล็อกโฆษณา ความแม่นยำของคุกกี้ก็ถูกตั้งคำถามแล้ว   ผู้บริโภคได้รับตัวเลือกในการลบคุกกี้แคชของตนเอง ซึ่งนำไปสู่การประเมินความสนใจที่แท้จริงของผู้บริโภคต่ำเกินไป และในทางกลับกัน การแพร่กระจายของบอทที่สามารถสร้างการจราจรโฆษณาปลอมจำนวนมากทำให้การนับจำนวนผู้สนใจที่แท้จริงสูงเกินไป

การขาดผลลัพธ์ที่สามารถนำไปใช้ได้จริงและการพึ่งพาคุกกี้มากเกินไปเพื่อวัดความสนใจทำให้ Stephen Pretorius ซีทีโอของเอเจนซี่โฆษณา WPP ในสหราชอาณาจักร ระบุว่า “ฉันไม่เสียใจกับการสิ้นสุดของคุกกี้ของบุคคลที่สามเพราะพวกมันไม่เคยแม่นยำ ไม่เคยมีประโยชน์ และฉันคิดว่า สิ่งนี้ช่วยให้เราทุกคนคิดใหม่ว่าข้อมูลอะไรที่สำคัญ”

สำหรับคุกกี้ มีการเข้ามาของแนวทางใหม่ที่ซับซ้อนกว่า ซึ่งปกป้องตัวตนบุคคลแต่ยังคงระบุผู้ซื้อที่มีศักยภาพได้ แนวทางเหล่านี้รวมถึงการกำหนดกลุ่มตามเบราว์เซอร์ การกำหนด ID ตามกิจกรรมมากกว่าตัวตนบุคคล และข้อมูลของบุคคลที่หนึ่ง ซึ่งกำลังถูกสำรวจอย่างแข็งขัน นอกจากนี้ โมเดล AI และการเรียนรู้ของเครื่องสามารถให้ข้อมูลเชิงลึกที่ช่วยให้โฆษณามีประสิทธิภาพมากขึ้นอย่างวัดผลได้ โดยดึงดูดผู้บริโภคมากกว่าการติดตามพวกเขา

สำหรับการวางแผนความต้องการ อุปมาอุปไมยคล้ายกัน หัวใจของการวางแผนความต้องการคือการคาดการณ์ความต้องการของผู้บริโภคและถอดรหัสปัจจัยที่มีอิทธิพลต่อความต้องการของผู้บริโภคทั้งหมด ข้อมูลการขายและจัดส่งในอดีตไม่เคยเป็นแหล่งข้อมูลที่ดี และความลำเอียงที่มีอยู่ระหว่างฝ่ายขาย การตลาด และการเงินจะไม่ทำให้การคาดการณ์ดีขึ้น ความมั่นใจเกินไปในความเชื่อเหล่านี้ทำให้ไม่สามารถจับผลกระทบของสภาวะที่เปลี่ยนแปลงอย่างรวดเร็วในระยะสั้นและท้องถิ่นได้ และเช่นเดียวกับคุกกี้ การมีข้อมูลมากขึ้น แหล่งข้อมูลที่ดีกว่า และกระบวนการใหม่ที่ผสมผสานกับ AI และการเรียนรู้ของเครื่องสามารถนำไปสู่วิธีการที่ดีกว่า

วิธีแก้ปัญหาสำหรับการวางแผนความต้องการคืออะไร?

ผู้วางแผนความต้องการกำลังตรวจสอบความแม่นยำของการคาดการณ์แผนการของตนเองอีกครั้ง เนื่องจากมีความผันผวนและความซับซ้อนในตลาดปัจจุบัน มีสามด้านที่เด่นชัดว่าเป็นส่วนทำให้การคาดการณ์ไม่แม่นยำ:

  • การไม่มีแบบจำลองที่ใช้ข้อมูลจุดขาย (POS) และแหล่งข้อมูลอื่นๆ ในแบบเรียลไทม์ ซึ่งจะปรับให้การคาดการณ์เข้ากับปัจจัยที่มีผลต่อความต้องการในปัจจุบัน
  • การเรียนรู้ของเครื่องจักรที่ค้นหามาตราส่วนหรือการรวมกลุ่มที่เหมาะสมที่สุดในการทำการคาดการณ์เพื่อให้ได้ความแม่นยำรวมสูงสุด
  • วิธีการสร้างแบบจำลอง AI ที่คำนึงถึงยอดขายที่สูญเสียไปซึ่งไม่ได้รับการพิจารณาในความต้องการในอนาคต

อีกครั้ง ข้อมูลที่ดีกว่าและวิทยาศาสตร์ข้อมูลสามารถแก้ไขความท้าทายเหล่านี้ได้ บริษัท CPG กำลังสร้างความเชี่ยวชาญใหม่ในการคาดการณ์โดยเสริมกระบวนการวางแผนของตนเองด้วยข้อมูลเชิงลึกจาก AI และการเรียนรู้ของเครื่องจักร โดยอาศัยข้อมูลที่หลากหลายและเทคนิคการสร้างแบบจำลองที่ทันสมัย

พื้นที่ที่ได้รับการลงทุนรวมถึง:

  • การรับรู้ความต้องการ – ใช้ข้อมูลในระยะสั้น รวมถึงสถานะคำสั่งซื้อ ข้อมูลการขายล่าสุด สินค้าคงคลังของร้านค้า การดำเนินการโปรโมชั่น ราคาปลีก คุณลักษณะเฉพาะของผลิตภัณฑ์และที่ตั้ง ความเห็นบนโซเชียลมีเดีย และปัจจัยต้นทุนของสินค้าคงคลัง – ในแบบจำลองที่ทำงานบ่อยขึ้นเพื่อปรับปรุงการตอบสนองความต้องการในระยะสั้นด้วยข้อมูลล่าสุดและการดำเนินการบ่อยครั้ง
  • การเพิ่มประสิทธิภาพสินค้าคงคลัง – การใช้การเรียนรู้ของเครื่องจักรที่ซับซ้อนในการประเมินความน่าจะเป็นของยอดขายที่สูญเสียไปหรือยอดขายส่วนเกินในข้อมูลการคาดการณ์ และพิจารณาข้อมูลเชิงลึกเหล่านี้เพื่อเพิ่มอัตราการตอบสนองคำสั่งซื้อให้สูงสุด
  • การรวมกลุ่มแบบไดนามิก – วิธีการ AI ที่เอาชนะความแปรผันของข้อมูลในระดับที่ละเอียดกว่า ซึ่งสามารถส่งผลต่อความแม่นยำของการคาดการณ์ในระดับที่รวมกลุ่มมากกว่า

แนวทางใหม่เหล่านี้และอื่นๆ ช่วยให้การคาดการณ์ความต้องการมีความแม่นยำมากขึ้น ตอบสนองได้ง่ายขึ้น และมีความผันผวนน้อยลง นอกจากนี้ยังช่วยให้กระบวนการวางแผนความต้องการโดยการทำให้งานสเปรดชีตที่ต้องทำด้วยมือซึ่งใช้เวลานานเป็นแบบอัตโนมัติ สามารถปรับขนาดได้ง่ายเพื่อรวมข้อมูลภายในและภายนอกที่หลากหลายขึ้น และเนื่องจากมีองค์ประกอบการเรียนรู้ในแบบจำลองเหล่านี้ จึงมีส่วนช่วยให้การปรับปรุงอย่างต่อเนื่องตลอดเวลา

ไม่มีทางหลีกเลี่ยงได้ว่าโลกที่สามารถดึงดูดลูกค้าได้ด้วยกลไกติดตามเดียว และการให้สิ่งที่ต้องการในวันพรุ่งนี้สามารถอาศัยแค่สิ่งที่ซื้อในอดีต – กำลังจะหายไป โอกาสในการเติบโตการขายที่มากขึ้นและยั่งยืนกว่านั้นอยู่ที่การขุดลึกเข้าไปในข้อมูลเพื่อทำความเข้าใจผู้บริโภคอย่างแท้จริง สำหรับข้อมูลเพิ่มเติมเกี่ยวกับโซลูชันการคาดการณ์ การวางแผน และการกำหนดราคาโดยใช้ AI คลิก ที่นี่

Parth Thakker เป็นผู้นำทีมขายระดับโลกของ antuit.ai สำหรับ Zebra Parth มีประสบการณ์มากกว่า 15 ปี ในการสร้างมูลค่าให้กับร้านค้าปลีก ผู้ผลิต และบริษัทผลิตภัณฑ์ผู้บริโภค

ก่อนหน้านี้ เขาเคยดำรงตำแหน่ง ผู้บริหารงานขายสำหรับภาคการผลิต ที่ Genpact โดยได้ร่วมมือกับพอร์ตโฟลิโอของบริษัทด้านการบินและอวกาศและบริษัทอุตสาหกรรม Parth จบการศึกษาระดับ MBA จาก Stern School of Business ที่ New York University และปริญญาตรีและปริญญาโทสาขาวิศวกรรมจาก Stevens Institute of Technology