Demand planning, gli analytics per la previsione della domanda

Tecnologie

Demand planning, i vantaggi degli analytics per la previsione della domanda dei beni di consumo

Dal data cleansing, con cui scorporare le serie storiche delle vendite medie o stagionali rispetto a quelle generate in seguito agli eventi promozionali, alla predisposizione di indicatori KPI che non si limitino ad analizzare i dati interni dell’azienda. La previsione della domanda nel settore Fast Moving Consumer Goods richiede tecniche e metodologie sempre più complesse, come spiega Guido Zamperini, Head of CPM di SDG Group

30 Apr 2021

Carmelo Greco

La previsione della domanda di beni di largo consumo è un’attività resa possibile grazie ai metodi e alle tecniche previsti nei sistemi di Business Analytics. Soprattutto nello scenario attuale, dominato da forti oscillazioni nelle abitudini d’acquisto, spesso poco prevedibili, riuscire ad attuare una strategia di demand planning efficace rappresenta una leva competitiva fondamentale.

Guido Zamperini, Head of CPM (Corporate Performance Management) di SDG Group, si occupa di queste tematiche da una decina di anni, affiancando diversi settori economici, con particolare riguardo al Fast Moving Consumer Goods (FMCG), in una serie di iniziative capaci di anticipare la domanda e di ottimizzare nel contempo i processi di supply chain.

Guido Zamperini

Head of CPM (Corporate Performance Management) di SDG Group

Come si generano modelli efficaci di demand planning

Qualsiasi proiezione statistica che voglia essere affidabile deve essere sottoposta in primo luogo a una metodologia di data cleansing rigorosa. «Partendo dalle vendite effettuate in un determinato periodo di tempo – esordisce Zamperini -, si possono identificare dei picchi, riproducibili su un grafico, che corrispondono a particolari azioni compiute in quel periodo». Nel caso dei beni di largo consumo, queste azioni coincidono con eventi promozionali e campagne di marketing condotte sporadicamente che hanno generato, nell’orizzonte temporale preso in esame, un extra-volume di vendite. La prima cosa da fare è quindi ripulire (data cleansing, appunto) le serie storiche da quegli elementi che distorcono il flusso di vendita ordinario, in maniera tale da creare due tipologie di previsione. È necessario «scorporare i due fenomeni: un andamento puramente statistico che contiene medie, trend e stagionalità da un elemento attuativo o di “eventi”, come si chiamano nei modelli statistici, che va a impattare sul piano di domanda in maniera estemporanea e magari brusca. Questi due elementi combinati insieme compongono i nostri modelli di demand planning».

Tutte le variabili di cui i Business Analytics devono tenere conto

I Business Analytics supportano le aziende in vari modi. Anzitutto, come già sottolineato, l’accuratezza del data cleansing è essenziale per interpretare cosa è successo nel passato e per riuscire a creare una serie storica “pulita” che il modello previsionale possa proiettare in avanti. «Il modello previsionale in sé e per sé è la soluzione che consente di fare una proiezione su quelli che saranno i reali volumi di vendita. Inoltre, aiuta a intercettare le caratteristiche che dovranno avere le promozioni future. Negli anni, infatti, abbiamo sviluppato dei motori intelligenti che imparano dalla storia, dalle performance incentrate su un certo assortimento, su determinate categorie merceologiche, su quella tipologia di clientela o in quel periodo dell’anno. Il livello di uplift che ci si aspetta venga generato in seguito all’evento promozionale deve tenere conto di tutte queste variabili che entrano in gioco». I fattori che possono incidere sulla performance sono diversi, infatti, e vanno dall’elasticità del prezzo alla stagionalità. Basti pensare a prodotti strettamente connessi alle festività, come i panettoni o le colombe, la cui vendita avviene quasi esclusivamente durante alcune settimane dell’anno.

Le previsioni di Nostradamus e la misura della loro efficacia

L’efficacia di una Data Platform e dei Business Analytics che impiega per la previsione della domanda si misura dalla ricchezza dei dati che è in grado di raccogliere e analizzare. «In SDG – esemplifica Guido Zamperini – abbiamo sviluppato una nostra suite, Nostradamus, che contiene tutti gli ingredienti per apprendere dai dati storici e produrre forecast. Soprattutto nella fase di data cleansing non è sufficiente attingere soltanto ai dati dell’azienda, ma è sempre più importante basarsi su un contesto competitivo e socioeconomico che comprenda informazioni aggiuntive rispetto a quelle della sola azienda». Una promozione su un prodotto, ad esempio, potrebbe non ottenere i risultati sperati se, contemporaneamente, un prodotto analogo viene venduto a costo inferiore. Il che non deve fare ritenere tout court che la promozione sia stata un fallimento, ma semplicemente che c’è stato un sovraffollamento nello stesso periodo di prodotti fortemente inflazionati. Ne consegue che anche gli indicatori KPI (Key Performance Indicator) si devono adeguare a scenari complessi e articolati.

New call-to-action

Assortment e Promotional Analytics nei vari contesti distributivi

«Quando parliamo di demand planning sui beni di largo di consumo, i due elementi da considerare sono assortimento e promozioni. Per questo il nostro modello si focalizza sui due ambiti, Assortment Anlytics e Promotional Analytics, attraverso apposite dashboard nelle quali sono state sviluppate librerie di indicatori, diverse o complementari, che consentono di verificare l’efficacia degli assortimenti e l’efficacia delle promozioni non in maniera astratta, ma declinandole sui diversi area channel, i diversi store, le diverse tipologie di clienti che hanno comprato il prodotto. Non è tanto la dashboard degli indicatori a fare la differenza, ma il fatto di poter collegare gli indicatori di performance delle promozioni con informazioni che provengono da provider esterni. Le ricerche di Nielsen, per dirne una, ci permettono di integrare nel modello di performance anche eventi esogeni, quali potrebbero essere le promozioni di un competitor». La circostanza di non potersi limitare a osservare il brand in maniera autonoma nei confronti del «resto dello scaffale» fa sì che debba prevalere anche una visione integrata del consumatore. «Le analisi sulle performance che svolgiamo sui diversi cluster di clientela – sostiene in conclusione Guido Zamperini – non possono più prescindere dal fatto di valutare gli effetti delle promozioni e degli eventi o le performance degli assortimenti anche sui diversi canali. Superstore, iperstore, e-commerce, negozi di prossimità: sono modelli distributivi e modelli di acquisto completamente diversi, con customer behaviours totalmente differenti. Le performance e gli indicatori che devono entrare perciò in un cruscotto o in una dashboard con cui valutare le performance di assortimenti e promozioni non possono prescindere dal contestualizzare i diversi canali distributivi».

@RIPRODUZIONE RISERVATA
G
Carmelo Greco

Articolo 1 di 4