¿Qué tienen en común la planificación de la demanda tradicional y la cookie de publicidad? Ambos están siendo reemplazados por algo más sofisticado. ¿Por qué? Porque en cada caso, les faltan los datos y análisis correctos que lo engañarán en el camino para comprender a su consumidor.
Planificación de la demanda y la confianza en los datos históricos de ventas
La gestión tradicional de la demanda comienza con datos históricos de ventas y envíos de todos los clientes durante un período de tiempo para obtener una previsión de unidad e ingresos de referencia. El pronóstico se realiza en diferentes niveles de agregación según la unidad de mantenimiento de existencias (SKU) y el número de centros de distribución (DC) y fábricas involucradas con ese SKU. Luego, este pronóstico se mezcla entre las funciones de ventas, marketing y finanzas para llegar a lo que se cree que es un objetivo de crecimiento alcanzable y razonable basado en el desempeño anterior. Esto se usa para crear fabricación planes, a menudo en un programa mensual (por ejemplo, SKU por fábrica por mes). El plan de producción, idealmente en combinación con los pronósticos de nivel de CD, luego impulsa la planificación del reabastecimiento para las entregas de una fábrica a un CD. Todo para entregar un plan de consenso razonable.
Sin embargo, los planificadores de la demanda han llegado a reconocer que los datos históricos de ventas no son suficientes para ver lo que los consumidores necesitan hoy o mañana. El impacto de la pandemia y los desafíos de la cadena de suministro que siguieron lo hicieron muy evidente. Además, las opciones de compra directas al consumidor solo han complicado el proceso de planificación. Los datos de rendimiento anteriores no reflejan cambios a corto plazo en el comportamiento del consumidor, ni pueden mantenerse al día con los cambios rápidos en el comportamiento del consumidor y las interrupciones de los proveedores.
Pero, ¿dónde está la analogía con la cookie publicitaria?
Durante más de 20 años, los anunciantes de CPG se apoyaron en las cookies de terceros para lograr una escala publicitaria y practicar un tipo de marketing basado en el rendimiento que guió su gasto publicitario. En lugar de negociar tratos con sitios de medios uno por uno, sin ningún dato que confirme el valor de un sitio sobre otro, las cookies y el marketing programático evolucionaron la publicidad en algo que prometía ser más fácilmente cuantificable y justificable. Según Matt Naeger, que dirige la estrategia estadounidense de la agencia de marketing de rendimiento Merkle, “nos volvimos un poco dependientes de las cookies de terceros porque era más fácil, más rápido y requería menos planificación e integración. [than traditional marketing].”
Sin embargo, incluso antes del surgimiento de las reglas de privacidad y los bloqueadores de anuncios, se cuestionó la precisión de los datos de las cookies. A los consumidores se les dio la opción de borrar sus cachés de cookies, lo que sirvió para subestimar lo que podría haber sido el verdadero interés del consumidor. Y en la dirección opuesta, el predominio de los bots que podían fabricar montones de tráfico publicitario falso superó seriamente el interés real.
La falta de resultados procesables y la excesiva dependencia de las cookies para medir el interés llevaron a Stephen Pretorius, CTO de la agencia de publicidad WPP con sede en el Reino Unido, a afirmar: «No estoy particularmente triste por la desaparición de las cookies de terceros porque nunca fueron realmente tan precisa, nunca tan útil y, de hecho, creo que todo esto nos ha ayudado a todos a repensar qué datos importan”.
En lo que respecta a las cookies, están surgiendo enfoques nuevos y más sofisticados, que protegen la identidad personal pero aún identifican a los compradores potenciales. Se están explorando activamente enfoques como las asignaciones de cohortes basadas en el navegador, las identificaciones asignadas de actividad versus identidad personal y los datos propios. Además, los modelos de inteligencia artificial y aprendizaje automático ahora pueden proporcionar información que ayuda a que los anuncios en sí mismos sean significativamente más efectivos, atrayendo a los consumidores en lugar de rastrearlos.
Para la planificación de la demanda, la analogía es similar. El corazón de la planificación de la demanda es predecir la demanda del consumidor y descifrar cada impulsor de demanda que da forma a la demanda del consumidor. Los datos históricos y los envíos nunca fueron una gran fuente de información, y el sesgo inherente entre ventas, marketing y finanzas no generaría un mejor pronóstico. El exceso de confianza en estas creencias no logró captar los cambios y el impacto de las condiciones locales y a corto plazo. Y al igual que la cookie, más datos, mejores fuentes y nuevos procesos combinados con IA y aprendizaje automático brindan un mejor camino a seguir.
¿Cuál es la resolución para la planificación de la demanda?
Los planificadores de la demanda están analizando más de cerca la precisión de sus pronósticos de planificación como resultado de la volatilidad y la complejidad de los mercados actuales. Tres áreas en particular se destacan como contribuyentes a la inexactitud de los pronósticos:
- la ausencia de modelos que utilicen puntos de venta (POS) en tiempo real y otras fuentes de datos que ajustarían mejor el pronóstico a los factores actuales que afectan la demanda;
- aprendizaje automático que descubre el nivel y/o la agrupación correctos en los que ejecutar un pronóstico para obtener la mayor precisión agregada; y
- las metodologías de modelado de IA para dar cuenta de las ventas perdidas que no se consideraron en absoluto en la demanda futura.
Una vez más, mejores datos y ciencia de datos pueden abordar estos desafíos. Las empresas de CPG están creando una nueva capa de experiencia en pronósticos que aumenta su proceso de planificación con inteligencia artificial y conocimientos de aprendizaje automático basados en una gama más amplia de datos y técnicas de modelado avanzadas.
Las áreas de inversión incluyen:
- Detección de la demanda: aprovechar los datos a corto plazo, incluidos el estado de los pedidos, los datos de ventas directas recientes, el inventario minorista, la ejecución de promociones, los precios minoristas, los atributos específicos del producto y la ubicación, la opinión de las redes sociales y los factores de costo del inventario, en modelos que son más frecuentes. ejecutar para mejorar la respuesta a la demanda a corto plazo con conocimientos recientes y acciones frecuentes;
- Optimización de inventario: enfoques sofisticados de aprendizaje automático para evaluar las probabilidades de pérdida o exceso de ventas en los datos de pronóstico y la consideración de esos conocimientos para maximizar la tasa de llenado; y
- Agregación dinámica: un enfoque de IA que supera el alto nivel de variabilidad de datos en niveles más desagregados que pueden afectar la precisión del pronóstico en niveles agregados más altos.
Estos nuevos enfoques, y más, están sirviendo para hacer que los pronósticos de demanda sean más precisos, más fácilmente reactivos y considerablemente menos volátiles. Además, contribuyen al proceso comercial de planificación de la demanda al automatizar lo que serían laboriosas tareas manuales de hojas de cálculo, escalar fácilmente para incorporar una mayor variedad de datos internos y externos y, debido al aspecto de aprendizaje incorporado de estos modelos, contribuyendo a mejora continua en el tiempo.
No hay escapatoria: está desapareciendo un mundo en el que la atracción de clientes se puede lograr a través de un mecanismo de seguimiento, y el suministro de lo que necesitan mañana puede basarse simplemente en lo que se compró en el pasado. La oportunidad de un mayor y más permanente crecimiento de las ventas radica en profundizar en los datos para saber de qué se trata el consumidor. Para obtener más información sobre las soluciones de previsión, planificación y fijación de precios impulsadas por IA, haga clic en aquí.