CPG – час розглядати дані більш уважно

Що спільного мають традиційний планування попиту та рекламна кука? Вони обоє заміняються на щось більш досконале. Чому? Тому що в кожному випадку їм бракує правильних даних та аналітики, які можуть ввести вас в оману щодо розуміння вашого споживача.

Планування попиту та залежність від історичних даних про продажі

Традиційне управління попитом починається з історичних даних про продажі та відправлення товарів усім клієнтам протягом певного періоду часу для створення базового прогнозу доходів та кількості одиниць. Прогноз робиться на різних рівнях агрегації, залежно від одиниці зберігання товарів (SKU) та кількості розподільчих центрів (DC) і заводів, що беруть участь у цій SKU. Потім прогноз обробляється між функціями продажів, маркетингу та фінансів, щоб отримати те, що вважається розумним та досяжним цілем росту на основі минулого досвіду. Це використовується для створення планів виробництва, часто щомісячно (наприклад, SKU за заводом за місяць). План виробництва, ідеально в поєднанні з прогнозами рівня розподільчого центру, потім керує плануванням поповнення запасів для доставки з заводу до розподільчого центру. Все це робиться для створення розумного, узгодженого плану.

Однак планувальники попиту прийшли до висновку, що історичні дані про продажі недостатні для розуміння того, чого потребують споживачі сьогодні або завтра. Вплив пандемії та подальших проблем з ланцюгами постачання зробили це дуже очевидним. Крім того, прямі покупки безпосередньо у споживача лише ускладнили процес планування. Дані про минулу діяльність не відображають короткострокові зміни поведінки споживача, а також не можуть跟ати за швидкими змінами поведінки споживача та порушеннями поставок.

Але де аналогія з рекламною кукою?

Більше 20 років виробники споживчих товарів (CPG) покладалися на треті куки для досягнення рекламної масштабності та практикування виду маркетингу, що керується результатами, який спрямовував їх рекламні витрати. Замість того, щоб укладати угоди з медійними сайтами окремо, без будь-яких даних, які підтверджують цінність одного сайту над іншим, куки та програмна реклама перетворили рекламу на щось, що обіцяло бути більш легко кількісним та виправданим. За словами Метта Нейгера, який очолює стратегію США агентства з.performance маркетингу Merkle, «Ми стали трохи залежними від третіх кук, тому що це було легше, швидше та вимагало менше планування та інтеграції [ніж традиційний маркетинг]».

Однак навіть до появи правил конфіденційності та блокувальників реклами точність даних кук була поставлена під сумнів.  Споживачам було надано можливість очистити кеш кук, що призвело до недооцінки справжньої зацікавленості споживача. І в протилежному напрямку поширення ботів, які могли фабрикувати велику кількість фальшивої рекламної активності, серйозно завищило справжню зацікавленість.

Відсутність дієвих результатів та надмірна залежність від кук для оцінки зацікавленості призвела до того, що Стівен Преторіус, технічний директор агентства WPP у Великій Британії, заявив «Я не особливо сумую про зникнення третіх кук, тому що вони ніколи не були真正 точними, ніколи не були真正 корисними, і насправді я думаю, що це все допомогло нам усіх переосмислити, які дані мають значення»

Що стосується куки, то нові та більш досконалі підходи – які захищають особисту ідентичність, але все ж ідентифікують потенційних покупців – з’являються на передньому плані. Підходи, такі як призначення когорт на основі браузера, призначення ідентифікаторів на основі діяльності, а не особистої ідентичності, та дані першої сторони – активно досліджуються. Крім того, моделі штучного інтелекту та машинного навчання можуть тепер надавати інформацію, яка допомагає зробити рекламу більш ефективною – приваблюючи, а не відстежуючи споживачів.

Для планування попиту аналогія подібна. Серцем планування попиту є передбачення попиту споживача та розшифрування кожного драйвера попиту, який формує попит споживача. Історичні дані та відправлення ніколи не були хорошим джерелом інформації, а вбудований упередження між продажами, маркетингом та фінансами не дало б кращого прогнозу. Надмірна впевненість у цих переконаннях не дозволила захопити зміни та вплив короткострокових та місцевих умов. І як і кука, більше даних, кращі джерела та нові процеси, поєднані з штучним інтелектом та машинним навчанням, забезпечують кращий шлях вперед.

Яке рішення для планування попиту?

Планувальники попиту ближче розглядають точність своїх прогнозів планування через волатильність та складність сучасних ринків. Три області особливо виділяються як внески у неточність прогнозу:

• відсутність моделей, які використовують дані в режимі реального часу про продажі в точці продажу (POS) та інші джерела даних, які краще налаштовують прогноз до чинників, що впливають на попит;
• машинне навчання, яке розкриває правильний рівень та/або групування, на якому слід виконувати прогноз для найбільшої сукупної точності; і
• методології моделювання штучним інтелектом для обліку втрачених продажів, які не потрапили до розгляду майбутнього попиту.

Ще раз, кращі дані та наукові дані можуть вирішити ці проблеми. Компанії CPG створюють новий рівень експертизи з прогнозування, який доповнює їх процес планування інформацією, отриманою за допомогою моделей штучного інтелекту та машинного навчання на основі ширшого спектра даних та просунутих методів моделювання.

Області інвестицій включають:

• Відчуття попиту – використання даних近期 – включаючи статус замовлення, останні дані про продажі, запаси рітейлера, виконання акцій, ціни рітейлера, атрибути продукції та місця, соціальні настрої та фактори вартості запасів – у моделях, які виконуються частіше для покращення короткострокової реакції на попит з останніми інформаціями та частими діями;

• Оптимізація запасів – просунуті підходи машинного навчання для оцінки ймовірностей втрачених або надмірних продажів у даних прогнозу та розгляду цих інформацій для максимізації рівня заповнення;

• Динамічна агрегація – підхід штучного інтелекту, який подолає високий рівень змінності даних на більш деталізованих рівнях, який може вплинути на точність прогнозу на вищому рівні агрегації.

Ці нові підходи, та інші, сприяють тому, щоб прогнози попиту стали більш точними, більш легко реагуючими та значно менш волатильними. Крім того, вони сприяють процесу планування попиту шляхом автоматизації тих, що були раніше ручними завданнями у таблицях, легко масштабуються для включення ширшого спектра внутрішніх та зовнішніх даних та, завдяки вбудованому аспекту навчання цих моделей, сприяють безперервному покращенню з часом.

Від цього немає втечі: світ, у якому приваблювання клієнтів можна здійснити за допомогою одного механізму відстеження – і постачання того, що їм потрібно завтра, можна здійснити просто на основі того, що було куплено в минулому – зникає. Можливість більшого та більш постійного зростання продажів лежить у глибшому аналізі даних, щоб дізнатися, що таке споживач. Для отримання更多 інформації про рішення з прогнозуванням, плануванням та ціноутворенням, керованим штучним інтелектом, натисніть тут.