CPG – Đã đến lúc xem xét kỹ lưỡng hơn dữ liệu của bạn

CPG truyền thống và cookie quảng cáo có điểm gì chung? Cả hai đều đang được thay thế bằng những phương pháp tinh vi hơn. Tại sao? Bởi vì trong cả hai trường hợp, chúng đều thiếu dữ liệu và phân tích chính xác, điều này sẽ khiến bạn hiểu lầm về người tiêu dùng.

Lập kế hoạch nhu cầu và sự phụ thuộc vào dữ liệu bán hàng lịch sử

Quản lý nhu cầu truyền thống bắt đầu với dữ liệu bán hàng và vận chuyển lịch sử trên tất cả khách hàng trong một khoảng thời gian nhất định để tạo ra một dự báo doanh thu và đơn vị cơ bản. Dự báo được thực hiện ở các mức độ tổng hợp khác nhau tùy thuộc vào đơn vị giữ hàng (SKU) và số lượng trung tâm phân phối (DC) và nhà máy tham gia với SKU đó. Dự báo sau đó được điều chỉnh giữa các chức năng bán hàng, tiếp thị và tài chính để đạt được mục tiêu tăng trưởng hợp lý và có thể đạt được dựa trên hiệu suất trong quá khứ. Điều này được sử dụng để tạo ra kế hoạch sản xuất, thường trên lịch trình hàng tháng (ví dụ: SKU theo nhà máy theo tháng). Kế hoạch sản xuất, lý tưởng là kết hợp với dự báo cấp DC, sau đó thúc đẩy việc lập kế hoạch bổ sung cho việc giao hàng từ nhà máy đến DC. Tất cả đều nhằm mục đích cung cấp một kế hoạch hợp lý và đồng thuận.

Tuy nhiên, những người lập kế hoạch nhu cầu đã nhận ra rằng dữ liệu bán hàng lịch sử không đủ để hiểu nhu cầu của người tiêu dùng ngày nay hoặc ngày mai. Tác động của đại dịch và thách thức chuỗi cung ứng tiếp theo đã làm cho điều này trở nên rõ ràng. Ngoài ra, các tùy chọn mua trực tiếp cho người tiêu dùng chỉ làm cho quá trình lập kế hoạch trở nên phức tạp hơn. Dữ liệu hiệu suất trong quá khứ không phản ánh sự thay đổi gần đây trong hành vi của người tiêu dùng, cũng không thể theo kịp sự thay đổi nhanh chóng trong hành vi của người tiêu dùng và gián đoạn của nhà cung cấp.

Nhưng đâu là sự tương tự với cookie quảng cáo?

Trong hơn 20 năm, các nhà quảng cáo CPG đã dựa vào cookie của bên thứ ba để đạt được quy mô quảng cáo và thực hành một loại tiếp thị hiệu suất có hướng dẫn chi tiêu quảng cáo của họ. Thay vì đàm phán các thỏa thuận với các trang web truyền thông một cách riêng lẻ, mà không có dữ liệu để xác nhận giá trị của một trang web so với một trang web khác, cookie và tiếp thị theo chương trình đã phát triển quảng cáo thành một thứ gì đó hứa hẹn sẽ dễ dàng đo lường và hợp lý hơn. Theo Matt Naeger, người đứng đầu chiến lược Mỹ cho cơ quan tiếp thị hiệu suất Merkle, “Chúng tôi đã trở nên phụ thuộc một chút vào cookie của bên thứ ba vì nó dễ dàng hơn, nhanh hơn và yêu cầu ít lập kế hoạch và tích hợp hơn [so với tiếp thị truyền thống].”

Tuy nhiên, ngay trước khi các quy tắc về quyền riêng tư và trình chặn quảng cáo xuất hiện, độ chính xác của dữ liệu cookie đã bị đặt câu hỏi.  Người tiêu dùng đã được cung cấp tùy chọn xóa bộ nhớ đệm cookie của họ, điều này dẫn đến việc đếm thấp hơn những gì có thể là sự quan tâm thực sự của người tiêu dùng. Và theo hướng ngược lại, sự phổ biến của bot có thể tạo ra lưu lượng truy cập quảng cáo giả mạo nghiêm trọng đã làm cho sự quan tâm thực sự bị vượt quá.

Thiếu kết quả có thể hành động và sự phụ thuộc quá mức vào cookie để đo lường sự quan tâm đã dẫn đến Stephen Pretorius, CTO tại cơ quan quảng cáo WPP của Anh, tuyên bố “Tôi không đặc biệt buồn về việc cookie của bên thứ ba bị loại bỏ vì chúng không bao giờ thực sự chính xác, không bao giờ thực sự hữu ích và thực sự tôi nghĩ điều này đã giúp tất cả chúng ta suy nghĩ lại về những gì dữ liệu quan trọng.

Về cookie, những phương pháp mới và tinh vi hơn – bảo vệ danh tính cá nhân nhưng vẫn xác định được người mua tiềm năng – đang xuất hiện. Các phương pháp như phân bổ nhóm dựa trên trình duyệt, ID được gán dựa trên hoạt động so với danh tính cá nhân và dữ liệu của bên thứ nhất đang được khám phá tích cực. Ngoài ra, các mô hình AI và học máy có thể cung cấp thông tin chi tiết giúp làm cho quảng cáo trở nên hiệu quả hơn – thu hút, thay vì theo dõi người tiêu dùng.

Đối với lập kế hoạch nhu cầu, sự tương tự là tương tự. Trái tim của lập kế hoạch nhu cầu là dự đoán nhu cầu của người tiêu dùng và giải mã mọi yếu tố thúc đẩy nhu cầu của người tiêu dùng. Dữ liệu lịch sử và vận chuyển không bao giờ là một nguồn thông tin tuyệt vời, và sự thiên vị vốn có giữa bán hàng, tiếp thị và tài chính sẽ không tạo ra một dự báo tốt hơn. Sự tự tin quá mức vào những niềm tin này đã không nắm bắt được sự thay đổi và tác động của các điều kiện gần đây và địa phương. Và giống như cookie, nhiều dữ liệu hơn, nguồn tốt hơn và quy trình mới kết hợp với AI và học máy cung cấp một con đường tiến bộ hơn.

Giải pháp cho lập kế hoạch nhu cầu là gì?

Những người lập kế hoạch nhu cầu đang xem xét lại độ chính xác của dự báo lập kế hoạch của họ do sự biến động và phức tạp trong thị trường hiện nay. Ba lĩnh vực cụ thể nổi bật như những yếu tố đóng góp cho sự không chính xác của dự báo:

• sự vắng mặt của các mô hình sử dụng dữ liệu bán hàng thời gian thực (POS) và các nguồn dữ liệu khác sẽ điều chỉnh dự báo tốt hơn cho các yếu tố ảnh hưởng đến nhu cầu hiện tại;
• học máy giúp khám phá mức độ hoặc nhóm phù hợp để thực hiện dự báo với độ chính xác tổng hợp cao nhất; và
• phương pháp mô hình hóa AI để tính toán các khoản lỗ mà không được tính đến trong dự báo nhu cầu tương lai.

Một lần nữa, dữ liệu tốt hơn và khoa học dữ liệu có thể giải quyết những thách thức này. Các công ty CPG đang tạo ra một lớp chuyên môn dự báo mới mà tăng cường quy trình lập kế hoạch của họ với thông tin chi tiết từ AI và học máy dựa trên một loạt dữ liệu rộng hơn và các kỹ thuật mô hình hóa tiên tiến.

Các lĩnh vực đầu tư bao gồm:

• Cảm nhận nhu cầu – tận dụng dữ liệu gần đây – bao gồm trạng thái đơn hàng, dữ liệu bán hàng gần đây, hàng tồn kho của nhà bán lẻ, thực hiện khuyến mãi, giá bán lẻ, thuộc tính sản phẩm và vị trí cụ thể, tình cảm trên mạng xã hội và các yếu tố chi phí hàng tồn kho – trong các mô hình được chạy thường xuyên hơn để cải thiện phản ứng nhu cầu ngắn hạn với thông tin gần đây và hành động thường xuyên;

• Tối ưu hóa hàng tồn kho – các phương pháp học máy tinh vi để đánh giá xác suất của việc mất hoặc thừa hàng trong dữ liệu dự báo và xem xét những thông tin đó để tối đa hóa tỷ lệ lấp đầy;

• Tổng hợp động – một phương pháp AI giúp vượt qua mức độ biến động dữ liệu cao ở các mức độ chi tiết hơn có thể ảnh hưởng đến độ chính xác của dự báo ở các mức độ tổng hợp cao hơn.

Những phương pháp mới này, và nhiều hơn nữa, đang giúp làm cho dự báo nhu cầu trở nên chính xác hơn, dễ dàng phản ứng hơn và ít biến động hơn. Ngoài ra, chúng đóng góp vào quy trình kinh doanh lập kế hoạch nhu cầu bằng cách tự động hóa các nhiệm vụ thủ công tốn thời gian, dễ dàng mở rộng để bao gồm nhiều hơn các dữ liệu nội bộ và ngoại bộ, và do khía cạnh học hỏi được tích hợp vào các mô hình này, giúp cải thiện liên tục theo thời gian.

Không thể tránh khỏi: một thế giới nơi việc thu hút khách hàng có thể được thực hiện thông qua một cơ chế theo dõi – và việc cung cấp những gì họ cần vào ngày mai có thể dựa đơn giản vào những gì đã được mua trong quá khứ – đang biến mất. Cơ hội cho sự tăng trưởng bán hàng lớn hơn và lâu dài hơn nằm ở việc đào sâu vào dữ liệu để tìm hiểu người tiêu dùng là ai. Để biết thêm thông tin về các giải pháp dự báo, lập kế hoạch và định giá được hỗ trợ bởi AI, hãy nhấp vào đây.