Prognozowanie promocji handlu
Prognozowanie promocji handlu (TPF) to proces, który próbuje odkryć wiele korelacji między cechami promocji handlu a historycznym popytem w celu zapewnienia dokładnych prognoz popytu dla przyszłych kampanii. Zdolność do rozróżnienia wzrostu lub popytu ze względu na wpływ promocji handlowej w porównaniu z popytem bazowym ma fundamentalne znaczenie dla modelowania zachowań promocyjnych. Określenie modelu umożliwia analizę „co by było, gdyby” w celu oceny różnych scenariuszy kampanii w celu poprawy skuteczności promocji i zwrotu z inwestycji na poziomie kanału produktowego poprzez wybór najlepszego scenariusza.
Wyzwania związane z prognozowaniem promocji handlu
Wydatki na promocję handlu są jednymi z największych wydatków w branży dóbr konsumpcyjnych, a koszty dla głównych producentów wahają się od 10 do 20 procent sprzedaży brutto. Co zrozumiałe, 67 procent respondentów niedawnej ankiety wyraziło zaniepokojenie zwrotem z inwestycji (ROI) uzyskanym z takich wydatków. Kwantyfikowanie zwrotu z inwestycji w dużym stopniu zależy od możliwości dokładnego określenia „podstawowego” popytu (popytu, który istniałby bez wpływu promocji handlowej) i wzrostu.
W rzeczywistości trafność prognoz odgrywa kluczową rolę w sukcesie firm produkujących dobra konsumpcyjne. Badania Aberdeen Group wykazały, że najlepsze w swojej klasie firmy prognostyczne (ze średnią dokładnością prognoz na poziomie 72 procent) mają średni wzrost marży brutto na promocji o 28 procent, podczas gdy firmy prognozujące pozostające w tyle (ze średnią dokładnością prognoz wynoszącą zaledwie 42 procent) mają wzrost marży brutto o mniej niż 7 procent.
Oddolna prognoza sprzedaży na poziomie SKU-konto/POS wymaga uwzględnienia atrybutów produktu, historycznych poziomów sprzedaży oraz specyfiki sklepu. Duża liczba różnych zmiennych opisujących produkt, sklep oraz atrybuty promocji, zarówno ilościowe, jak i jakościowe, potencjalnie może mieć wiele różnych wartości. Wybór najważniejszych zmiennych i włączenie ich do modelu prognostycznego to trudne zadanie.
Pomimo tych wyzwań dwie trzecie firm w łańcuchu dostaw konsumenckich uważa dokładność prognoz za wysoki priorytet biznesowy. 74 procent stwierdziło, że pomocne byłoby opracowanie oddolnej prognozy opartej na jednostce magazynowej (SkU) według kluczowego klienta.
Tradycyjne metody prognozowania promocji handlu
Wiele firm prognozuje wpływ promocji handlowych przede wszystkim na podstawie podejścia eksperta. Eksperci ludzcy nie są w stanie wziąć pod uwagę wszystkich zaangażowanych zmiennych, a także nie mogą zapewnić analitycznej prognozy zachowań i trendów kampanii. Niedawna ankieta przeprowadzona przez Aberdeen Group wykazała, że 78 procent firm używało Microsoft Excel jako podstawowego narzędzia technologicznego do prognozowania promocji handlowych. Ograniczenia arkuszy kalkulacyjnych do planowania i prognozowania promocji handlowych obejmują brak widoczności, nieskuteczność i trudność w śledzeniu odliczeń.
Opracowano specjalistyczne aplikacje do prognozowania promocji handlu, które stają się coraz bardziej powszechne. 35 procent firm używa obecnie starszych systemów, 30 procent korzysta z aplikacji Sales and Operations Planning (S&OP), 26 procent korzysta ze zintegrowanego planowania zasobów przedsiębiorstwa (ERP), a 17 procent korzysta z własnych rozwiązań promocji handlu. Aplikacje te wspierają proces planowania, a jednocześnie opierają się przede wszystkim na ludzkiej wiedzy i intuicji w zakresie prognozowania. Jednym z problemów związanych z tym podejściem jest to, że ludzie mają tendencję do przyjmowania optymistycznych założeń podczas prognozowania i planowania. W rezultacie prognozy najczęściej są błędne po stronie optymistycznej, a prognostycy również mają tendencję do niedoszacowywania stopnia niepewności w swoich prognozach.
Kolejną kwestią jest to, że dotychczasowe systemy promocji handlu przyczyniają się do wewnętrznej fragmentacji danych dotyczących marketingu handlowego. Wiele firm korzystających z tych narzędzi tworzy obecnie prognozy oparte na założeniach o ograniczonej dokładności.
Podejścia analityczne do prognozowania promocji handlu
TPF komplikuje fakt, że kampanie są opisywane zarówno przez zmienne ilościowe (takie jak cena i rabat), jak i jakościowe (takie jak powierzchnia ekspozycyjna i wsparcie przedstawicieli handlowych). Aby sprostać tym i innym wyzwaniom, opracowywane są nowe podejścia. Większość z tych podejść próbuje włączyć duże ilości heterogenicznych danych do procesu prognozowania. Jeden z badaczy potwierdził zdolność wielowymiarowych modeli regresji do prognozowania wpływu na sprzedaż produktu wielu zmiennych, w tym ceny, rabatu, wizualnego merchandisingu itp.
Termin Big Data opisuje rosnącą ilość i prędkość heterogenicznych danych napływających do przedsiębiorstwa. Dane można wykorzystać do poprawy dokładności prognoz promocji handlu, ponieważ zazwyczaj zawierają one rzeczywiste powiązania i związki przyczynowe, które mogą pomóc lepiej zrozumieć, co klienci kupują, gdzie to kupują, dlaczego kupują i jak kupują. Często wyzwaniem jest połączenie tych danych ze wszystkich silosów w organizacji w jeden widok.
Tradycyjne metody są niewystarczające do przyswojenia i przetworzenia tak dużej ilości danych. Dlatego opracowano bardziej wyrafinowane modelowanie i algorytmy, aby rozwiązać ten problem. Niektóre firmy zaczęły wykorzystywać uczenia maszynowego do wykorzystywania ogromnych ilości nieustrukturyzowanych i ustrukturyzowanych danych, które już posiadają, w celu lepszego zrozumienia tych powiązań i przyczynowości.
Uczenie maszynowe może umożliwić rozpoznanie wspólnych cech wydarzeń promocyjnych i określenie ich wpływu na normalną sprzedaż. Uczące się maszyny wykorzystują prostsze wersje funkcji nieliniowych do modelowania złożonych zjawisk nieliniowych. Uczące się maszyny przetwarzają zestawy danych wejściowych i wyjściowych oraz opracowują model ich relacji. Na podstawie tego modelu uczące się maszyny prognozują wyniki związane z nowymi zestawami danych wejściowych.
Intelligible Machine Learning (IML) to implementacja przełączania sieci neuronowych, która została zastosowana w TPF. Wychodząc od zbioru cech promocyjnych, IML jest w stanie zidentyfikować i przedstawić w zrozumiałej formie istniejące korelacje między odpowiednimi atrybutami a wyniesieniem. Podejście to ma na celu automatyczne wybranie najbardziej odpowiedniego modelu wzrostu w celu opisania przyszłego wpływu planowanej promocji. Ponadto nowe promocje są automatycznie klasyfikowane przy użyciu wcześniej wyszkolonego modelu, zapewniając w ten sposób prosty sposób badania różnych scenariuszy „co by było, gdyby”.
Systemy TPF powinny być w stanie korelować i analizować ogromne ilości nieprzetworzonych danych w różnych formatach, takich jak historie sprzedaży korporacyjnej i dane online z mediów społecznościowych. Analiza powinna być możliwa do wykonania bardzo szybko, aby planiści mogli szybko reagować na sygnały popytu.
Groupe Danone wykorzystała technologię uczenia maszynowego do prognozowania promocji handlowej asortymentu świeżych produktów charakteryzujących się dynamicznym popytem i krótkim terminem przydatności do spożycia. Projekt zwiększył dokładność prognoz do 92 procent, co przyniosło poprawę poziomu usług do 98,6 procent, zmniejszenie utraconej sprzedaży o 30 procent i zmniejszenie starzenia się produktów o 30 procent.