Tüketim Malları – Verilerinizi Daha Yakından İncelemenin Zamanı Geldi

Geleneksel talep planlaması ve reklam çerezleri nelerle ortaklık içindedir? Her ikisi de daha sofistike olanlarla değiştiriliyor. Neden? Çünkü her iki durumda da, tüketiciyi anlamak için doğru verileri ve analitikleri kaçırıyorlar.

Talep planlaması ve histórik satış verilerine olan bağımlılık

Geleneksel talep yönetimi, belirli bir zaman diliminde tüm müşteriler için histórik 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 massedilerek, geçmiş performansa dayalı olarak makul ve ulaşılabilir bir büyüme hedefi elde edilir. Bu, üretim planlarının oluşturulmasında, genellikle aylık bir takvim (örneğin, SKU tarafından fabrika tarafından ay) 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 histórik 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, doğrudan tüketici 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 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.

İşlem gören sonuçların eksikliği ve çerezlere olan bağımlılık, UK merkezli reklam ajansı WPP’nin CTO’su Stephen Pretorius’u “Üçüncü taraf çerezlerinin yok olmasından özellikle üzüntü duymuyorum, çünkü onlar hiçbir zaman gerçekten doğru veya gerçekten faydalı değildi ve aslında düşünüyorum ki bunun tümümüzü önemli verilerin ne olduğu konusunda yeniden düşünmeye yönelttiği için bu şey bize yardım etti.

Çerez konusunda, kişisel kimliği korurken potansiyel alıcıları tanımlayan daha yeni ve daha sofistike yaklaşımlar ortaya çıkıyor. Tarayıcı tabanlı kohort atamaları, faaliyetlere karşı kişisel kimlik atanan kimlik bilgileri ve birinci taraf verileri gibi yaklaşımlar aktif olarak araştırılıyor. Ayrıca, yapay zeka ve makine öğrenimi modelleri, reklamları 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. Historik 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, yakın zamanda ve yerel koşullardaki değişiklikleri 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 perakende noktası (POS) 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 zamanda satılan veri, perakendeci envanteri, promosyon uygulaması, perakende fiyatlandırması, ürün ve konum özgüllüğü, sosyal medya sentimenti 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 doldurulma 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 spreadsheet 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, tüketici hakkında ne olduğu konusunda daha derinlemesine veri analizine yatıyor. AI destekli tahmin, planlama ve fiyatlandırma çözümleri hakkında daha fazla bilgi için buraya tıklayın.