[ad_1]

Covid-19 پیش بینی تقاضا را شکسته است که خرده فروشان و تأمین کنندگان کالاهای مصرفی و خدمات را به جستجوی مقدار سفارش یا تولید ، ذخیره مکان موجودی و مقدار تبلیغ یا بخشیدن هدایت می کند. در ابتدای همه گیری ، محاصره های ناگهانی و انتقال کار از خانه باعث وحشت هنگام خرید مقدار زیادی مواد غذایی و کالاهای خانگی شد. برخی از اقلام به فروش رسیدند ، در حالی که برخی دیگر در قفسه ها افتادند.

امروز عدم قطعیت در چندین بعد ادامه دارد. برخی از محصولات مانند حوله های کاغذی و سبزیجات کنسرو شده همچنان کمبود دارند. فروشندگان مواد غذایی برای آماده سازی بهتر برای این زمستان ، زمانی که امکان از سرگیری موارد وجود دارد و انتظار می رود مردم در خانه رنج ببرند ، چند ارزش اساسی برای ماهها و نه هفته ها جمع می کنند. به نوبه خود ، این ممکن است پیش بینی های مربوط به خریدهای تعطیلات و فصلی را رد کند. تغییر در مزایای بیکاری ، بی ثبات بودن بازارهای سرمایه گذاری و حتی ناآرامی های اجتماعی بر سر انتخابات ریاست جمهوری و مشکلات نژادی می تواند تقاضا را بیشتر مهار کند.

ما همچنین شاهد تغییرات عمیق تری در نگرش و رفتار مصرف کننده هستیم. مصرف کنندگان معمولاً به دنبال راه هایی برای کاهش خطر ، کاهش اضطراب و احساس تعلق هستند. اما طیف وسیعی از نگرش ها و رفتارها نسبت به بیماری و فعالیت بدنی بر اساس سن ، درآمد و گرایش سیاسی در حال گسترش است. شناخت این مدل های جدید و تجدید گروه بندی مشتریان برای یک بیماری همه گیر می تواند پیش بینی ها را بهبود بخشد و باید برای بسیاری از شرکت ها از اولویت های اصلی باشد.

با ترکیب این چالش ها هنگام از بین رفتن پیش بینی ها و همچنین ویروس کرونا ، مدیران تمایل به بازگشت به غریزه خود دارند. این باعث کاهش صحت پیش بینی می شود و باعث می شود داده های پر سر و صدا با تعصب بیشتر گیج شوند.

چنین تعصبی اشکال مختلفی دارد. یک شکل رایج که در کار برنامه ریزی تقاضای خود در بین شرکت های بسته بندی مصرف کننده مشاهده می کنیم ، تلاش برای جلب رضایت خرده فروشان با اطمینان از عرضه کافی اقلام است ، خواه فروش این محصولات زیاد باشد یا خیر. نمایندگان حوزه نمی خواهند وارد یک فروشگاه شوند و شکایات مربوط به کاهش مقادیر را که امروز به فروش می رساند و به روابط آسیب می رساند و بنابراین فردا سهم بازار را می شنوند. اما چرخش بیش از حد در جهت دیگر – با محدود کردن موجودی مواد ، خطر پوشاندن را پوشش دهید بیش از اندازه – گران است ، هم مستقیماً به دلیل اینکه امروز فروش آن هزینه دارد و هم به طور غیرمستقیم به این دلیل که به پیوندهای بین کانال ها آسیب می زند و فردا سهم بازار را از دست می دهد.

همچنین مدیران در دام “آنچه می بینید همه چیز آنجاست” می افتند ، مانند زمانی که آنها فقط به واکنش منطقه خود در برابر بیماری همه گیر نگاه می کنند. به عنوان مثال ، برخی از شرکت ها با حضور پررنگ در جنوب ایالات متحده در ابتدا تصور می کردند که روند ابتلا به بیماری همه گیر اوایل در نیویورک هیچ ارتباطی با آنها نخواهد داشت.

آنها به جای کنارگذاشتن مدل سازی ، باید مدل دیگری را ارائه دهند.

مجموعه داده های جایگزین را پیدا کنید

یک روش قابل اطمینان تر برای پیمایش در این دریاهای خام ، جستجوی مجموعه داده های جایگزین است – به عنوان مثال ، با استفاده از ترکیبی از مدل های ساده تر و جستجوی عمیق تر برای داده های “ماده تاریک” غیر واضح ، گاهی اوقات بدون ساختار. چنین داده هایی غالباً در ذهن افرادی که پیش بینی می کنند زندگی می کند (به دانش کارمندان از وقایع بازار محلی و سایر شرایط فکر کنید) و می تواند در این مدل ها ساختار یافته و ارائه شود.

با مجموعه داده ها شروع کنید. بسیاری از مدل های پیش بینی با گذشت زمان به داده های فروش قبلی اعتماد می کنند. در زمان های نسبتاً پایدار ، این داده ها می توانند تخمین دقیقی از فصل آینده ارائه دهند. اما هنگامی که همه گیری رخ می دهد ، الگوی آشنای گذشته بی اهمیت می شود ، در حالی که وقایع مشابه ممکن است قدرت پیش بینی بیشتری داشته باشند.

آنالوگ ها ممکن است از شوک های اقتصادی گذشته مانند فاجعه dotcom تشکیل شده باشند. بلایای طبیعی گذشته ، به ویژه طوفان ها ، که زنجیره های تأمین را برای مدت طولانی مختل می کند. یا مناطقی که از جهش در موارد بهبود یافته اند. داده های فرسوده شده توسط رویدادهای مشابه – مانند مدت زمانی که برای عرضه و تقاضا در کشورهای مختلف یا شهرها احیا شده است – می تواند به روشن شدن آینده نزدیک در طی و بعد از Covid-19 کمک کند.

البته داده های مشابه داستان کامل را بیان نمی کنند. شرکت ها همچنین به داده های زمان واقعی نیاز دارند که رفتار و نگرش مصرف کننده فعلی را ردیابی کند. برای این منظور ، شرکت های بسته بندی مصرف کننده ، که غالباً از اطلاعات دقیق فروش و فروش به موقع برخوردار نیستند ، می خواهند خرده فروشان را ترغیب کنند تا داده های خود را با سهولت بیشتری از طریق دست اول به اشتراک بگذارند ، یا اینکه می توانند مستقیماً کانال هایی را برای مصرف کنندگان ایجاد کنند. حتی این داده ها ممکن است به راحتی از مناطق دیگر در دسترس نباشند. در این حالت ، استفاده از فروش از طریق کانال های تجارت الکترونیکی ، مدل های جستجوی آنلاین ، داده های تحرک تلفن های هوشمند و تجزیه و تحلیل خلق و خوی در رسانه های اجتماعی می تواند سیگنال های مفید اینرسی را به مصرف کنندگان بدهد.

یک شرکت غذایی جهانی این روش را چند ماه پس از ضربه Covid-19 اتخاذ کرد تا تقاضای کانال های اندازه گیری نشده مانند رستوران ها ، میخانه ها و هتل ها را احساس کند – کاری که هرگز انجام نداده است. این شرکت از داده های مکان ناشناس تلفن های همراه استفاده می کند و دو ده متغیر پیش بینی را در هفت دسته محصول شناسایی کرده است. این مجموعه داده ها به ابزاری ادغام می شوند که بسته به در دسترس بودن واکسن ، سیاست های مسدود کردن ، مشوق های اقتصادی و سایر عوامل در هر کشور ، سناریوهای مختلف را شبیه سازی می کند. او همچنین “شاخص وحشت” را برای پیگیری احساسات مصرف کنندگان در شبکه های اجتماعی پخش کرد. تاکنون ، ابزار دقیق تر از برآوردهای قبلی تقاضای نمایندگان فروش خط اول است.

دانش محلی را لمس کنید

با این حال ، داده های جمع آوری شده باید شامل دانش محلی باشد. یک شرکت نانوایی که با آن کار کردیم از الگوریتمی استفاده کرد که تصور می کرد تقاضا در برخی از تعطیلات ملی افزایش خواهد یافت. اما در گفتگو با مقامات میدانی ، متوجه شدیم که سایر رویدادها – یعنی نمایشگاه های ایالتی ، مسابقات ماهیگیری و بازی های بیس بال لیگ کوچک – در برخی بازارها از اهمیت بیشتری برخوردار هستند. قرار دادن این اطلاعات در مدل یادگیری ماشین شرکت به طور قابل توجهی صحت پیش بینی را بهبود می بخشد. دقت بهتر به نوبه خود باعث کاهش بازده فروشگاه ، ضایعات محصول و زمان راننده کامیون در هنگام سفارش می شود. از زمان شیوع بیماری ، این شرکت با کاهش سفارشات بیش از حد و تخلیه ، بیش از 75 میلیون دلار سود خود را قبل از مالیات بهبود داده است.

علاوه بر دانش محلی ، شرکت ها همچنین می توانند به دنبال قضاوت متخصص ، از جمله اپیدمیولوژیست ها در صورت بروز بیماری همه گیر ، یا مشاوران ارشد و انجمن های تجاری در مورد چشم انداز صنعت باشند. با استفاده از روش دلفی – یعنی جمع بندی نظرات یک گروه متخصص – شرکت ها می توانند به عنوان بخشی از مجموعه داده هایی که به مدل های ساختاری می روند ، قضاوت متخصص را بسازند ، به جای اینکه به سادگی خروجی مدل را پس از واقعیت تنظیم کنند.

آغوش مدل سازی گروه

هنگامی که یک شرکت داده های مرتبط تری دارد ، وظیفه بعدی بهبود مدل سازی آن است. در اینجا باید به عنوان یک پیش بینی طوفان فکر کرد: در شرایط نامطمئن و پویا ، مخلوط کردن مدل های بسیار ساده اغلب بهتر از استفاده از یک مدل پیچیده کار می کند ، که ممکن است در این شرایط شکننده تر باشد.

مدل سازی گروهی پیش بینی های مدل های مختلف را برای ارائه تخمین نقطه یا دامنه معقول درصورت عدم ثبات داده های پایه برای هر مدل ، ترکیب می کند. پیش بینی کنندگان طوفان مسیرهای ارائه شده توسط چندین مدل را با هم روی نمودار ترسیم می کنند تا کاربران احساس خوبی در مورد روند اصلی طوفان داشته باشند.

ارائه یک محصول جدید در طی همه گیری. یک مدل می تواند از میانگین متحرک ساده فروش استفاده کند. مورد دیگر ممکن است شامل اطلاعات مربوط به فروش گذشته یک محصول از یک خانواده برای شناسایی الگوهای آن محصول در دوره های بی ثبات باشد. مدل دیگر می تواند آنچه را که در سایر فروشگاه های مشابه اتفاق می افتد ، نشان دهد. از آنجا که هر یک از مدلهای منفرد خصوصیات مختلف تقاضا را پوشش می دهند ، اگر همه آنها در یک جهت خاص باشند ، اعتماد به نفس در این مسیر افزایش می یابد. اگر آنها به همان روش اشاره نکنند ، سادگی و شفافیت هر مدل باعث می شود که درک کنید چرا هر یک از آنها به همان اندازه که هستند نشان می دهند.

در ابتدای همه گیری ، یک شرکت بهداشتی در تلاش بود تا میزان دقیق تماس با مرکز تماس خود را پیش بینی کند ، که منجر به هزینه های بیش از حد نیروی کار به دلیل تعداد زیاد کارمندان شد. این شرکت به منابع خطاها پرداخته و مجموعه ای از متغیرها را توسعه داده است که بهتر پیش بینی می کند چه موقع و چرا افراد تماس می گیرند. یکی از متغیرها اتفاقاتی بود که در کشورهای دیگر رخ داده بود که قبلاً تحت تأثیر Covid-19 قرار گرفته بودند. مورد دیگر درخواست مجوز قبلی بود. مدل جدید پیش بینی از مجموعه ای از مدلهای ساده تر و شفاف تر از مدل استفاده شده قبل از همه گیری تشکیل شده است. از ترکیبی از داده های جدید و داده های خبره استفاده می کند. در نتیجه ، این شرکت خطای پیش بینی خود را برای هفته ها به طور قابل توجهی کاهش داد.

دوباره تست کنید ، تست کنید و دوباره تست کنید

از آنجا که بازارهای مصرف همچنان در معرض لغو ، جهش ، شگفتی و تغییرات منطقه ای هستند ، مدیران برای تأیید نتایج از طریق آزمایش سریع و مکرر به یک فرایند منظم نیاز دارند. رویکردهای ساده مانند آزمایش A / B سرعت و انعطاف پذیری را ارائه می دهند.

به عنوان مثال ، بزرگسالان قرنطینه شده از 65 سال به بالا که هرگز به فکر خرید مواد غذایی بصورت آنلاین نبوده اند ، بیشتر به این خدمات روی آورده اند. یک بقال می تواند آزمون A / B را تنظیم کند تا پیام های بازاریابی با این اطلاعات جمعیتی موثرتر باشد. آزمایش A / B همچنین می تواند با مقایسه اثربخشی 50-50 جریان پخش ویدیویی و تبلیغات رسانه های اجتماعی با ترکیب تبلیغات مختلف ، تأثیر کانال های مختلف بازاریابی را ارزیابی کند.

آزمایش همچنین یک اثر جانبی منطقی دارد. به عنوان مثال ، ممکن است یک شرکت بخواهد تأثیر دو برابر یا نصف شدن نوع خاصی از تبلیغات رسانه ای را در مناطق مترو که موج جدیدی از عفونت ها را تجربه می کنند ، تعیین کند. انجام این آزمون نه تنها بینش تحلیلی فراهم می کند ، بلکه به ارزیابی امکان انجام این کارها ، نحوه خرید شرکت رسانه های اضافی توسط شرکت یا انعطاف پذیری قراردادی برای کاهش آن کمک می کند.

همانطور که مدیران شرکت های مصرف کننده گرا دیدند که صحت پیش بینی های آنها در سال 2020 رو به وخامت است ، بازه ها از کاهش تولید و بازاریابی تا ته نشینی گرد و غبار گرفته تا تنظیمات ساده و خطی بود. در مقابل ، گروه کوچکتری که به دنبال مجموعه داده های جدید ، شبیه سازی ها و توسعه مدل هستند ، موفقیت اولیه در پیش بینی بهتر تقاضا را دارند. این به آنها کمک می کند تا هزینه ها را کاهش دهند در حالی که رشد را فدای رشد نمی کنند و پس از ثبات بازارها آنها را در موقعیت قوی تری قرار می دهد. از آنجا که بی ثباتی احتمالاً تا سال 2021 ادامه خواهد داشت ، شرکتهای بیشتری نیز باید این روند را دنبال کنند.

[ad_2]

منبع: bighat-news.ir