Düşünce Liderleri
CPG Şirketleri: Verilerinizi Daha Yakından İnceleme Zamanı

Öne çıkan noktalarCPG'ler, geçmiş satış verilerini gerçek zamanlı POS ve yapay zeka destekli talep…
Daha fazla göster
- CPG'ler, geçmiş satış verilerini gerçek zamanlı POS ve yapay zeka destekli talep algılama ile değiştirmelidir.
- Üçüncü taraf çerezleri yanlışlık nedeniyle başarısız oldu; CPG talep planlaması da aynı veri güvenilirliği kriziyle karşı karşıyadır.
- Yapay zeka ve makine öğrenimi, daha doğru tahminler için dinamik birleştirme ve envanter optimizasyonunu artık mümkün kılmaktadır.
Geleneksel talep planlaması ile reklam çerezlerinin ortak noktası nedir? Her ikisi de daha sofistike olanlarla değiştiriliyor. Neden? Çünkü her iki durumda da, tüketiciyi anlamak için doğru veri ve analizlerden yoksun oldukları için tüketiciyi anlama yolunda sizi yanıltıyorlar.
Talep planlaması ve geçmiş satış verilerine olan bağımlılık
Geleneksel talep yönetimi, belirli bir zaman diliminde tüm müşteriler için geçmiş satış ve sevkiyat verilerini temel alarak başlangıç gelir ve birim tahmini ile başlar. Tahmin, stok tutma birimi (SKU) ve bu SKU ile ilgili dağıtım merkezleri (DC) ve fabrikaların sayısına bağlı olarak farklı agregasyon seviyelerinde yapılır. Bu tahmin daha sonra satış, pazarlama ve finans fonksiyonları arasında ayarlanarak, geçmiş performansa dayalı olarak makul ve ulaşılabilir bir büyüme hedefi elde edilir. Bu, üretim planlarının oluşturulmasında, genellikle aylık bir takvim (örneğin, fabrika ve ay bazında SKU) kullanılır. Üretim planı, ideal olarak DC seviyesindeki tahminlerle birlikte, fabrikadan DC’ye sevkiyat için yenileme planlamasını sağlar. Tüm bunlar, makul ve uzlaşılmış bir plan sunmak için yapılır.
Ancak, talep planlayıcıları geçmiş satış verilerinin bugünkü veya yarınki tüketici ihtiyaçlarını görmek için yeterli olmadığını anlamışlardır. Pandemi ve ardından gelen tedarik zinciri zorlukları bunu çok açık bir şekilde gösterdi. Ayrıca, tüketicilerin doğrudan üreticiden satın alma seçenekleri planlama sürecini daha da karmaşık hale getirdi. Geçmiş performans verileri, yakın zamanda tüketici davranışındaki değişiklikleri yansıtmaz ve tüketici davranışındaki hızlı değişikliklere ve tedarikçi kesintilerine yetişemez.
Reklam çerezine benzerlik nerede?
20 yılı aşkın bir süredir, tüketim malları reklamcileri, reklam ölçeğini elde etmek ve performans odaklı pazarlamaya rehberlik eden reklam harcamalarını yönlendirmek için üçüncü taraf çerezlerine güveniyorlardı. Medya siteleri ile tek tek anlaşmalar yapmak yerine, herhangi bir sitenin diğerine göre değerini doğrulayan hiçbir veri olmadan, çerezler ve programatik pazarlama, reklamcılığı daha kolay ölçülebilir ve haklı çıkarılabilir hale getirdi. Performans pazarlama ajansı Merkle’ın ABD stratejisi başkanı Matt Naeger’e göre, “Üçüncü taraf çerezlerine biraz bağımlı hale geldik, çünkü daha kolay, daha hızlı ve [geleneksel pazarlamaya kıyasla] daha az planlama ve entegrasyon gerektiriyordu.”
Ancak, gizlilik kuralları ve reklam engelleme yazılımlarının yükselişinden önce bile, çerez verilerinin doğruluğu sorgulanıyordu. Tüketicilere çerez önbelleklerini temizleme seçeneği verildi, bu da gerçek tüketici ilgisini düşük gösterdi. Ve tersine, sahte reklam trafiği oluşturabilen botların yaygınlığı, gerçek ilgiyi aşırı gösterdi.
Eyleme dönüştürülebilir sonuçların eksikliği ve ilgi ölçümünde çerezlere aşırı bağımlılık, Birleşik Krallık merkezli reklam ajansı WPP’nin CTO’su Stephen Pretorius’un şu açıklamayı yapmasına yol açtı: “Üçüncü taraf çerezlerinin yok olmasından özellikle üzüntü duymuyorum, çünkü onlar hiçbir zaman gerçekten doğru veya gerçekten faydalı değildi ve aslında düşünüyorum ki tüm bu süreç hepimizin hangi verilerin önemli olduğunu yeniden düşünmesine yardımcı oldu.”
Çerez konusunda, kişisel kimliği korurken potansiyel alıcıları tanımlayan daha yeni ve daha sofistike yaklaşımlar ortaya çıkıyor. Tarayıcı tabanlı kohort atamaları, kişisel kimlik yerine faaliyetlere göre atanan kimlikler ve birinci taraf verileri gibi yaklaşımlar aktif olarak araştırılıyor. Ayrıca, yapay zeka ve makine öğrenimi modelleri, reklamları ölçülebilir biçimde daha etkili hale getirmeye yardımcı olan içgörüler sağlayabilir – tüketiciyi takip etmek yerine çekmek.
Talep planlaması için analoji benzerdir. Talep planlamasının kalbi, tüketici talebini öngörerek ve tüketici talebini şekillendiren her talep sürücüsünü çözmektir. Geçmiş veriler ve sevkiyatlar, hiçbir zaman iyi bir bilgi kaynağı olmadı ve satış, pazarlama ve finans arasındaki içkin önyargı, daha iyi bir tahmin üretemezdi. Bu inançlara olan aşırı güven, kısa vadeli ve yerel koşullardaki değişimleri ve bunların etkilerini yakalayamadı. Ve çerez gibi, daha fazla veri, daha iyi kaynaklar ve yeni süreçler birleştirerek yapay zeka ve makine öğrenimi ile daha iyi bir yol sunar.
Talep planlaması için çözüm nedir?
Talep planlayıcıları, bugünün piyasalarındaki volatilite ve karmaşıklık nedeniyle planlama tahminlerinin doğruluğunu daha yakından incelemeye başladılar. Özellikle üç alan, tahmin yanlışlığına katkıda bulunanlar olarak öne çıkıyor:
- gerçek zamanlı satış noktası (POS) verileri ve diğer veri kaynaklarını kullanarak tahminleri güncel talep etkileyen faktörlere daha iyi ayarlayan modellerin eksikliği;
- en büyük toplu doğruluk için tahmini gerçekleştirmek üzere doğru seviyeyi ve/veya gruplamayı ortaya çıkaran makine öğrenimi; ve
- gelecek talep dikkate alınmayan kayıp satışları hesaba katacak olan yapay zeka modelleme yöntemleri.
Yine, daha iyi veri ve veri bilimi bu zorlukları ele alabilir. Tüketim malları şirketleri, planlama süreçlerini daha geniş bir veri yelpazesi ve gelişmiş modelleme tekniklerine dayalı yapay zeka ve makine öğrenimi içgörülerini entegre ederek yeni bir tahmin uzmanlık katmanı oluşturuyorlar.
Yatırım alanları arasında:
- Talep Algılama – sipariş durumu, yakın dönem nihai tüketici satış verileri, perakendeci envanteri, promosyon uygulaması, perakende fiyatlandırması, ürün ve konum özgüllüğü, sosyal medya duyarlılığı ve envanter maliyet faktörleri gibi kısa vadeli verilerini kullanarak, daha sık çalışan modellerde kısa vadeli talep yanıtını iyileştirmek için yakın zamanda kazanılan içgörüler ve sık eylemler;
- Stok Optimizasyonu – tahmini verisinde kayıp veya fazla satış olasılıklarını değerlendirmek için sofistike makine öğrenimi yaklaşımları ve bu içgörülerin sipariş karşılama oranını en üst düzeye çıkarmak için dikkate alınması;
- Dinamik Toplama – daha dağınık seviyelerde veri değişkenliğini aşan, daha yüksek agregasyon seviyelerinde tahmin doğruluğunu etkileyen bir yapay zeka yaklaşımı.
Bu yeni yaklaşımlar ve daha fazlası, talep tahminlerini daha doğru, daha kolay tepki verebilir ve daha az volatil hale getirmeye hizmet ediyor. Ayrıca, talep planlama iş sürecine, zahmetli manuel elektronik tablo görevlerini otomatikleştirmek, daha geniş bir iç ve dış veri yelpazesini entegre etmek ve bu modellerin öğrenme yönü nedeniyle zaman içinde sürekli iyileşmeye katkıda bulunmak suretiyle katkıda bulunurlar.
Bunu kaçırmak mümkün değil: bir müşteriyi çekmek için bir takip mekanizması ve yarın neler gerektiğini belirlemek için geçmişte satın alınan şeylere dayanan bir dünya – kayboluyor. Daha büyük ve daha kalıcı satış büyümesi fırsatı, tüketiciyi anlamak için verileri daha derinlemesine incelemekte yatıyor. AI destekli tahmin, planlama ve fiyatlandırma çözümleri hakkında daha fazla bilgi için buraya tıklayın.












