CPG – настав час уважніше розглянути ваші дані

Що спільного між традиційним плануванням попиту та рекламним файлом cookie? Їх обох замінює щось більш витончене. чому Тому що в кожному випадку їм бракує правильних даних і аналітики, які введуть вас в оману на шляху до розуміння вашого споживача.

Планування попиту та опора на історичні дані продажів

Традиційне управління попитом починається з історичних даних про продажі та відвантаження для всіх клієнтів за певний період часу для базового прогнозу доходу та одиниці. Прогноз виконується на різних рівнях агрегування залежно від одиниці зберігання (SKU) і кількості розподільні центри (DC) і фабрики, пов’язані з цим SKU. Потім цей прогноз обмінюється між відділами продажів, маркетингу та фінансів, щоб досягти того, що вважається розумною, досяжною цільовим зростанням на основі попередніх показників. Це використовується для створення виробництво плани, часто за місячним графіком (наприклад, SKU за фабрикою за місяцем). Виробничий план, в ідеалі в поєднанні з прогнозами на рівні DC, керує плануванням поповнення для поставок із заводу до DC. Усе для того, щоб розробити розумний консенсусний план.

Однак спеціалісти з планування попиту дійшли висновку, що історичних даних про продажі недостатньо, щоб зрозуміти, що потрібно споживачам сьогодні чи завтра. Вплив пандемії та виклики в ланцюжку поставок, які з’явилися після цього, зробили це дуже очевидним. Крім того, можливість закупівлі безпосередньо до споживача лише ускладнила процес планування. Минулі дані про ефективність не відображають найближчих змін у поведінці споживачів, а також не можуть встигати за швидкими змінами в поведінці споживачів і перебоями в роботі постачальників.

Але де аналогія з рекламним файлом cookie? 

Понад 20 років рекламодавці CPG використовували файли cookie третіх сторін, щоб досягти масштабу реклами та практикувати своєрідний маркетинг, орієнтований на продуктивність, який керував їхніми рекламними витратами. Замість того, щоб укладати угоди з медіа-сайтами один за одним, без будь-яких даних для підтвердження цінності одного сайту над іншим, файли cookie та програмний маркетинг перетворили рекламу на щось, що обіцяло легше піддаватися кількісній оцінці та виправданню. За словами Метта Нагера, який очолює американську стратегію маркетингового агентства Merkle, «Ми стали трохи залежними від сторонніх файлів cookie, оскільки це було простіше, швидше та потребувало менше планування та інтеграції [ніж традиційний маркетинг]».

Однак ще до появи правил конфіденційності та блокувальників реклами точність даних файлів cookie постала під сумнів.  Споживачам була надана можливість очистити кеш файлів cookie, що служило для недорахування того, що могло бути справжнім інтересом споживачів. І навпаки, поширеність ботів, які могли фабрикувати купи фальшивого рекламного трафіку, серйозно перевищувала реальний інтерес.

Відсутність дієвих результатів і надмірна залежність від файлів cookie для визначення зацікавленості змусили Стівена Преторіуса, технічного директора британського рекламного агентства WPP, заявити «Я не дуже сумую через припинення використання сторонніх файлів cookie, тому що вони ніколи не були настільки точними, ніколи не були настільки корисними, і насправді я думаю, все це допомогло нам усім переосмислити важливість даних».

Що стосується файлів cookie, то на перший план виходять нові та більш витончені підходи, які захищають особисту ідентичність, але водночас ідентифікують потенційних покупців. Активно досліджуються такі підходи, як призначення когорти на основі браузера, ідентифікатори, призначені за діяльністю проти особистих даних, і дані першої сторони. Крім того, моделі штучного інтелекту та машинного навчання тепер можуть надати інформацію, яка допоможе зробити саму рекламу помітно більш ефективною – залучаючи, а не відстежуючи споживачів.

Для планування попиту аналогія аналогічна. Основою планування попиту є прогнозування споживчого попиту та розшифровка кожного фактора попиту, який формує споживчий попит. Історичні дані та поставки ніколи не були чудовим джерелом інформації, і властива упередженість між продажами, маркетингом і фінансами не дала б кращого прогнозу. Надмірна впевненість у цих переконаннях не змогла вловити зміни та вплив найближчих і місцевих умов. І так само, як файл cookie, більше даних, кращі джерела та нові процеси в поєднанні зі штучним інтелектом і машинним навчанням забезпечують кращий шлях вперед.

Яке рішення для планування попиту?

Через нестабільність і складність сучасних ринків спеціалісти з планування попиту уважніше дивляться на точність своїх прогнозів планування. Особливо виділяються три сфери, які сприяють неточності прогнозів:

• відсутність моделей, які використовують дані про точки продажу в реальному часі (POS) та інші джерела даних, які б краще налаштовували прогноз на чинники, що впливають на поточний попит;
• машинне навчання, яке розкриває правильний рівень і/або групування, на якому можна виконати прогноз для найбільшої сукупної точності; і
• методології моделювання штучного інтелекту для врахування втрачених продажів, які взагалі не враховуються в майбутньому попиті.

Знову ж таки, кращі дані та наука про дані можуть вирішити ці проблеми. Компанії CPG створюють новий рівень досвіду прогнозування, який доповнює їхній процес планування за допомогою AI та машинного навчання на основі ширшого спектру даних і передових методів моделювання.

Сфери інвестування включають:

• Відстеження попиту – використання короткотермінових даних, включаючи стан замовлень, останні дані про розпродажі, запаси роздрібних продавців, проведення рекламних акцій, роздрібні ціни, атрибути продукту та місця розташування, настрої в соціальних мережах і фактори вартості запасів – у моделях, які частіше запускаються до покращити короткострокове реагування на попит за допомогою нещодавньої інформації та частих дій;

• Оптимізація запасів – складні підходи до машинного навчання для оцінки ймовірності втрачених або надлишкових продажів у прогнозованих даних і врахування цієї інформації з метою максимізації рівня заповнення; і

• Динамічне агрегування – підхід ШІ, який долає високий рівень мінливості даних на більш дезагрегованих рівнях, що може вплинути на точність прогнозу на вищих агрегованих рівнях.

Ці нові підходи та багато іншого роблять прогнози попиту точнішими, легшими для реагування та значно менш нестабільними. Крім того, вони сприяють бізнес-процесу планування попиту шляхом автоматизації трудомістких завдань із електронними таблицями вручну, легкого масштабування для включення більшого діапазону внутрішніх і зовнішніх даних і, завдяки вбудованому аспекту навчання цих моделей, сприяючи постійне вдосконалення з часом.

Від цього нікуди не дітися: світ, де залучення клієнтів можна досягти за допомогою єдиного механізму відстеження, а постачання того, що їм потрібно завтра, може базуватися просто на тому, що було куплено в минулому, зникає. Можливість більшого та стабільнішого зростання продажів полягає в глибшому дослідженні даних, щоб дізнатися, що таке споживач. Щоб дізнатися більше про рішення для прогнозування, планування та ціноутворення на основі ШІ, натисніть тут.