ستساعدك المقالة التالية: CPGs – حان الوقت للنظر عن كثب في بياناتك
ما هو القاسم المشترك بين تخطيط الطلب التقليدي وملف تعريف الارتباط الإعلاني؟ يتم استبدالهما بشيء أكثر تعقيدًا. لماذا؟ لأنه في كل حالة ، يفقدون البيانات والتحليلات الصحيحة التي ستضلل طريقك لفهم المستهلك الخاص بك.
تخطيط الطلب والاعتماد على بيانات المبيعات التاريخية
تبدأ إدارة الطلب التقليدية ببيانات المبيعات والشحن التاريخية عبر جميع العملاء خلال فترة زمنية معينة لإيرادات خط الأساس وتوقعات الوحدة. يتم إجراء التنبؤ على مستويات مختلفة من التجميع اعتمادًا على وحدة حفظ المخزون (SKU) وعدد مراكز التوزيع (DC) والمصانع المشاركة في SKU هذا. يتم بعد ذلك عرض هذه التوقعات بين وظائف المبيعات والتسويق والتمويل للوصول إلى ما يُعتقد أنه هدف نمو معقول وقابل للتحقيق استنادًا إلى الأداء السابق. هذا يستخدم لخلق تصنيع الخطط ، غالبًا على جدول شهري (على سبيل المثال ، SKU حسب المصنع حسب الشهر). خطة الإنتاج ، بالاقتران بشكل مثالي مع التنبؤات على مستوى DC ، ثم توجه تخطيط التجديد لعمليات التسليم من المصنع إلى DC. كل ذلك لتقديم خطة معقولة ، توافق الآراء.
ومع ذلك ، فقد أدرك مخططو الطلب أن بيانات المبيعات التاريخية ليست كافية لمعرفة ما يحتاجه المستهلكون اليوم أو غدًا. إن تأثير الوباء ، وتحديات سلسلة التوريد التي تلت ذلك ، جعلت هذا واضحًا للغاية. بالإضافة إلى ذلك ، فإن خيارات الشراء المباشر للمستهلك جعلت عملية التخطيط أكثر تعقيدًا. لا تعكس بيانات الأداء السابقة التغييرات على المدى القريب في سلوك المستهلك ، ولا يمكنها مواكبة التحولات السريعة في سلوك المستهلك واضطرابات الموردين.
ولكن أين هو التشابه مع ملف تعريف الارتباط الإعلاني؟
لأكثر من 20 عامًا ، اعتمد معلنو CPG على ملفات تعريف ارتباط الطرف الثالث لتحقيق نطاق إعلاني وممارسة نوع من التسويق القائم على الأداء الذي يوجه إنفاقهم الإعلاني. بدلاً من التفاوض على صفقات مع مواقع الوسائط واحدًا تلو الآخر ، دون أي بيانات لتأكيد قيمة موقع على آخر ، طورت ملفات تعريف الارتباط والتسويق الآلي الإعلان إلى شيء يعد بأن يكون أكثر قابلية للقياس الكمي ويمكن تبريره. وفقًا لمات نيجر ، الذي يرأس الإستراتيجية الأمريكية لوكالة تسويق الأداء Merkle ،
ومع ذلك ، حتى قبل ظهور قواعد الخصوصية وأدوات منع الإعلانات ، أصبحت دقة بيانات ملفات تعريف الارتباط موضع تساؤل. تم منح المستهلكين خيار مسح ذاكرة التخزين المؤقت لملفات تعريف الارتباط ، مما أدى إلى تقليل ما قد يكون اهتمامًا حقيقيًا بالمستهلك. وفي الاتجاه المعاكس ، فإن انتشار الروبوتات التي يمكنها اختلاق حركة مرور الإعلانات الزائفة قد تجاوز الاهتمام الحقيقي بشكل خطير.
أدى الافتقار إلى نتائج قابلة للتنفيذ والاعتماد المفرط على ملفات تعريف الارتباط لقياس الاهتمام ، ستيفن بريتوريوس ، كبير مسؤولي التكنولوجيا في وكالة الإعلانات WPP ومقرها المملكة المتحدة ، إلى التصريح
بقدر ما يذهب ملف تعريف الارتباط ، فإن الأساليب الجديدة والأكثر تعقيدًا – التي تحمي الهوية الشخصية ولكنها لا تزال تحدد المشترين المحتملين – تبرز في المقدمة. يتم استكشاف مناهج مثل تعيينات المجموعة المستندة إلى المستعرض ، والمعرفات المخصصة للهوية الشخصية مقابل النشاط ، وبيانات الطرف الأول – بشكل نشط. بالإضافة إلى ذلك ، يمكن لنماذج الذكاء الاصطناعي والتعلم الآلي الآن تقديم رؤى تساعد في جعل الإعلانات نفسها أكثر فعالية بشكل يمكن قياسه – جذب المستهلكين بدلاً من تتبعهم.
بالنسبة لتخطيط الطلب ، يكون القياس مشابهًا. يتمثل جوهر تخطيط الطلب في توقع طلب المستهلك وفك رموز كل محرك طلب يعمل على تشكيل طلب المستهلك. لم تكن البيانات والشحنات التاريخية أبدًا مصدرًا رائعًا للمعلومات ، كما أن التحيز المتأصل بين المبيعات والتسويق والتمويل لن يولد توقعات أفضل. فشلت الثقة المفرطة في هذه المعتقدات في استيعاب التحولات وتأثير الظروف المحلية على المدى القريب. ومثل ملفات تعريف الارتباط تمامًا ، توفر المزيد من البيانات والمصادر الأفضل والعمليات الجديدة جنبًا إلى جنب مع الذكاء الاصطناعي والتعلم الآلي مسارًا أفضل للمضي قدمًا.
ما الحل لتخطيط الطلب؟
يلقي مخططو الطلب نظرة فاحصة على دقة توقعات التخطيط الخاصة بهم نتيجة للتقلبات والتعقيد في أسواق اليوم. تبرز ثلاثة مجالات على وجه الخصوص كمساهمين في التنبؤ بعدم الدقة:
- عدم وجود نماذج تستخدم نقاط البيع في الوقت الفعلي (POS) ومصادر البيانات الأخرى التي من شأنها ضبط التنبؤ بشكل أفضل مع العوامل الحالية المؤثرة على الطلب ؛
- التعلم الآلي الذي يكشف عن المستوى الصحيح و / أو التجميع الذي يتم عنده تنفيذ التنبؤ بأكبر قدر من الدقة الإجمالية ؛ و
- منهجيات النمذجة AI لحساب المبيعات المفقودة التي لم تجعلها في نظر الطلب المستقبلي على الإطلاق.
مرة أخرى ، يمكن لعلوم البيانات والبيانات الأفضل مواجهة هذه التحديات. تعمل شركات CPG على إنشاء طبقة جديدة من خبرة التنبؤ التي تعزز عملية التخطيط الخاصة بهم باستخدام رؤى الذكاء الاصطناعي والتعلم الآلي بناءً على مجموعة واسعة من البيانات وتقنيات النمذجة المتقدمة.
مجالات الاستثمار تشمل:
- استشعار الطلب – الاستفادة من البيانات على المدى القريب – بما في ذلك حالة الطلب ، وبيانات البيع الأخيرة ، ومخزون بائع التجزئة ، وتنفيذ الترويج ، وتسعير التجزئة ، والسمات الخاصة بالمنتج والموقع ، ومشاعر وسائل التواصل الاجتماعي ، وعوامل تكلفة المخزون – في النماذج التي يتم تشغيلها بشكل متكرر إلى تحسين استجابة الطلب على المدى القصير من خلال الرؤى الحديثة والإجراءات المتكررة ؛
- تحسين المخزون – مناهج التعلم الآلي المتطورة لتقييم احتمالات فقدان أو زيادة المبيعات في البيانات المتوقعة والنظر في هذه الأفكار من أجل زيادة معدل الملء إلى الحد الأقصى ؛ و
- التجميع الديناميكي – نهج الذكاء الاصطناعي الذي يتغلب على المستوى العالي من تقلب البيانات على مستويات أكثر تفصيلاً يمكن أن يؤثر على دقة التنبؤ عند المستويات الإجمالية الأعلى.
تعمل هذه الأساليب الجديدة ، وأكثر من ذلك ، على جعل توقعات الطلب أكثر دقة ، وتفاعلية أسهل ، وأقل تقلبًا إلى حد كبير. بالإضافة إلى ذلك ، فهم يساهمون في عملية تخطيط الطلب من خلال أتمتة المهام الشاقة في جداول البيانات اليدوية ، والتوسع بسهولة لدمج مجموعة أكبر من البيانات الداخلية والخارجية ، وبسبب جانب التعلم المدمج في هذه النماذج ، يساهمون في التحسين المستمر بمرور الوقت.
لا مفر من ذلك: عالم حيث يمكن جذب العملاء عبر آلية تتبع واحدة – وتوفير ما يحتاجون إليه غدًا يمكن أن يعتمد ببساطة على ما تم شراؤه في الماضي – آخذ في الاختفاء. تكمن فرصة تحقيق نمو مبيعات أكبر وأكثر ديمومة في التعمق في البيانات لمعرفة ما يدور حوله المستهلك. لمزيد من المعلومات حول حلول التنبؤ والتخطيط والتسعير المدعومة بالذكاء الاصطناعي ، انقر فوق هنا.
