消费品公司 – 是时候更仔细地审视你的数据了

传统的需求规划和广告cookie有什么共同点？它们都被更先进的东西所取代。为什么？因为在每种情况下，它们都缺乏正确的数据和分析，这将使你在理解消费者方面走错路。

需求规划和对历史销售数据的依赖

传统的需求管理从历史销售和发货数据开始，涵盖所有客户和一段时间内的基准收入和单位预测。预测是在不同的汇总级别上进行的，取决于库存单位（SKU）和参与该SKU的分销中心（DC）和工厂的数量。然后，预测在销售、营销和财务功能之间进行调整，以确定基于过去业绩的合理和可实现的增长目标。该目标用于创建制造计划，通常每月一次（例如，SKU按工厂和月份）。生产计划，理想情况下与DC级预测相结合，随后驱动从工厂到DC的补货规划。所有这些都是为了提供一个合理的、共识的计划。

然而，需求规划师已经认识到，历史销售数据不足以了解消费者今天或明天的需求。疫情的影响和随之而来的供应链挑战使这一点变得非常明显。另外，直接面向消费者的购买选项使规划过程更加复杂。过去的业绩数据不能反映消费者行为的近期变化，也不能跟上消费者行为和供应商中断的快速变化。

但是，广告cookie的类比在哪里？

二十多年来，消费品公司的广告商依赖第三方cookie来实现广告规模和实践一种指导广告支出的绩效驱动营销。与其与媒体网站一一谈判，没有数据来确认一个网站的价值高于另一个，cookie和程序化营销使广告变得更容易量化和合理化。根据Merkle绩效营销机构的美国战略负责人Matt Naeger的说法，《“我们变得有点依赖第三方cookie，因为它更容易、更快、需要的规划和集成更少（比传统营销）”》

然而，即使在隐私规则和广告拦截器兴起之前，cookie数据的准确性也受到质疑。消费者可以清除cookie缓存，这会低估真正的消费者兴趣。相反，能够制造大量虚假广告流量的机器人会高估真正的兴趣。

cookie数据的缺乏和对cookie的过度依赖导致WPP英国广告机构的CTO Stephen Pretorius表示《“我并不特别悲伤第三方cookie的消失，因为它们从来没有真正的准确、有用，而且我认为这一切帮助我们重新思考什么数据才是重要的”》

至于cookie，新的、更先进的方法正在出现，这些方法可以保护个人身份，同时仍然可以识别潜在买家。例如，基于浏览器的群体分配、活动与个人身份分配的ID和第一方数据正在被积极探索。另外，人工智能和机器学习模型现在可以提供洞察力，使广告本身变得更有效，吸引消费者而不是跟踪他们。

对于需求规划，类比是相似的。需求规划的核心是预测消费者需求和解读每个影响消费者需求的驱动因素。历史数据和发货数据从来都不是一个很好的信息来源，而且销售、营销和财务之间的固有偏见不会产生更好的预测。对这些信念的过度自信没有捕捉到近期和本地条件的变化。就像cookie一样，更好的数据、更好的来源和新的流程，结合人工智能和机器学习，提供了一条更好的前进道路。

需求规划的解决方案是什么？

需求规划师正在更仔细地审视他们的规划预测的准确性，因为今天的市场充满了波动性和复杂性。三个领域特别突出为预测不准确的贡献者：

• 缺乏使用实时销售点（POS）和其他数据源的模型，这些模型可以更好地调整预测以适应当前的需求影响因素；
• 机器学习可以发现执行预测的正确级别和/或分组，以实现最大聚合准确性；
• 人工智能建模方法可以考虑到没有被纳入未来需求考虑的丢失销售额。

更好的数据和数据科学可以解决这些挑战。 消费品公司正在创建一个新的预测专长层，利用人工智能和机器学习的洞察力来增强他们的规划过程，基于更广泛的数据和更先进的建模技术。

投资领域包括：

• 需求感知 – 利用近期数据，包括订单状态、最近的销售数据、零售商库存、促销执行、零售价格、产品和位置特定属性、社交媒体情绪和库存成本因素，在更频繁运行的模型中，以改善短期需求响应和更频繁的行动；

• 库存优化 – 评估丢失或过剩销售的概率的复杂机器学习方法，并在考虑这些洞察力的同时最大化填充率；

• 动态聚合 – 一个可以克服更详细级别数据变异性对预测准确性的影响的AI方法，这种变异性会影响更高级别的预测准确性。

这些新方法，以及更多方法，正在使需求预测更加准确、更容易反应和更不容易波动。另外，它们通过自动执行原本需要手动完成的繁琐工作、轻松扩展以纳入更广泛的内部和外部数据以及通过这些模型的内置学习方面为业务流程做出贡献，从而实现持续改进。

无法避免的是：一个世界，在那里吸引客户可以通过一种跟踪机制来实现，而明天需要什么可以简单地基于过去的购买 – 这个世界正在消失。更大的和更永久的销售增长机会在于更深入地挖掘数据，以了解消费者到底是什么。有关人工智能驱动的预测、规划和定价解决方案的更多信息，请点击这里。