Veertig jaar omzetgroeimanagement – en waarom de laatste 10 jaar ertoe doen.

Sommigen beschouwen omzetgroeimanagement als een onmisbaar instrument voor moderne bedrijven in de consumentenproductensector. Het is zo'n essentieel instrument geworden dat het, naast prijsoptimalisatie, is geïntegreerd in elk contactpunt met de consument.Effectiviteit van handelsbevordering en -uitgavenvoor portfolio- en productmixoptimalisatiestrategieën.

Tegenwoordig is het moeilijk om een bedrijf te vinden dat geen meetbare voordelen behaalt met RGM (Retail Generation Management). Veel bedrijven melden een omzetstijgingvan 3-7%door kanaaloptimalisatie,een verlaging van de voorraadkosten met 10-20%ofeen omzetgroei van 2-4%door optimalisatie van het productassortiment en de productmix.

Toch zijn er veel bedrijven die achterblijven.

Om te begrijpen hoe we hier terecht zijn gekomen en waarom het afgelopen decennium zo cruciaal is geweest, moeten we teruggaan in de tijd naar het midden van de jaren tachtig – veertig jaar geleden.

Niet veel werknemers van nu zijn opgegroeid in een analoge wereld, maar RGM is in die tijd ontstaan. Voordat digitale tools gemeengoed waren, vertrouwden fabrikanten van consumentengoederen op handmatige rapporten, papieren spreadsheets en mainframecomputers voor basisanalyses. Het werk was in het beste geval handmatig, gefragmenteerd, reactief en meer gebaseerd op ervaring dan op data.

Kortom, RGM is ontstaan uit noodzaak, niet uit strategie.

We springen door naar de jaren 2010 en betreden een overgangsperiode waarin een verschuiving plaatsvond van reactieve besluitvorming naar diagnostische en voorspellende benaderingen, dankzij verbeterde beschikbaarheid van gegevens, krachtigere statistische instrumenten en schaalbare ERP/CRM-systemen.

Toonaangevende grote FMCG-bedrijven zoalsCoca-Cola, PepsiCo, P&G en Nestlébegonnen formele interne RGM-teams op te zetten met gedefinieerde rollen, gestructureerde methodologieën en een meer strategische denkwijze. Samenvattend zagen de jaren 2010 er als volgt uit:

Veel van de bovengenoemde tools worden nog steeds veel gebruikt, zoals Teradata, Oracle, SAP, Blue Yonder, SaaS, Tableau en andere. Maar ze hebben allemaal een belangrijk kenmerk gemeen: het zijn geen systemen, maar op zichzelf staande tools die elk ontworpen zijn om een specifiek probleem op te lossen of een beperkt aantal taken uit te voeren.

Wat ontbreekt er in het huidige RGM-data-ecosysteem?

De mogelijkheid om direct inzichten te leveren enbesluitvorming te versnellen binnende gehele dataomgeving met behulp van generatieve en AI-tools, waardoor de tijd voor onderzoek en testen wordt teruggebracht van weken naar dagen. Dit stelt marketeers in staat om actie te ondernemen zolang de kans zich nog voordoet.

• Hyperpersonalisatiedie meetbare groei stimuleert met de beste alternatieven en minder marketinginspanning;
• Vroege signaaldetectieen vroege proactieve innovatie, mogelijk gemaakt door LLM-analyse van sociale media-, zoek- en contentcreatieplatformen;
• Efficiëntie- en kostenoptimalisatieop bedrijfsniveau doordat AI-gestuurde analysesystemen repetitieve analyses vervangen.

Waarom zijn de afgelopen tien jaar dan zo belangrijk?

We bevinden ons nu in een tijdperk waarin de transitie van EDW naar data lake, naar Lakehouse, naar het Databricks Data Intelligence Platform volwassen is geworden. Met de ondersteuning van een strategischedataconsultantkunnen organisaties deze evolutie volledig benutten. Het Data Intelligence Platform van Databricks lost de problemen op van trage en gefragmenteerde data, onnauwkeurige inzichten en een onsamenhangend beeld van de markt.

Met Databricks kunnen inzichten in realtime worden gegenereerd –of zo snel als uw bedrijf nodig heeft – met behulp van alle soorten data: afbeeldingen, video, kassagegevens, sociale media, kanaaldata en meer, allemaal verenigd op één locatie en in één formaat. Het doorbreekt silo's door legacy-data van on-premise datawarehouses te integreren met moderne bronnen zoals Synapse, Snowflake en BigQuery. Het resultaat is snellere, nauwkeurigere besluitvorming en een compleet beeld van de klant, de markt en het bedrijf.

Welke impact heeft deze transformatie gehad op RGM?

Kanaaloptimalisatie is het proces waarbij prijs-, promotie- en productstrategieën over de fysieke en digitale kanalen op elkaar worden afgestemdom het klantbereik, de omzet en de winstgevendheid te maximaliseren. Met verouderde systemen uit de jaren 2010 was dit vrijwel onmogelijk, omdat ze niet ontworpen waren om de hoeveelheid data en de ongestructureerde data die nu via de digitale kanalen wordt verzameld, te verwerken. Voor een channel manager, sales director of e-commerce lead biedt het Data Intelligence Platform een oplossing voor een groot aantal uitdagingen die met verouderde systemen niet mogelijk zijn:

• Inconsistente prijsstelling over de verschillende kanalen.
• Kanaalconflict tussen DTC en retail
• Beperkt inzicht in de prestaties op kanaalniveau.
• Discrepantie tussen de online en de fysieke winkelervaring van de klant
• Niet-geoptimaliseerde assortimentsstrategieën per kanaal
• Gefragmenteerde of ongecoördineerde promotieplanning

Een modern data-intelligentieplatform pakt deze lacunes aan door het volgende mogelijk te maken:

• Prestatieanalyse over meerdere kanalen
• Prijsharmonisatie
• Kanaalspecifieke assortimentsoptimalisatie

Het resultaat is een uniforme, flexibele aanpak van de kanaalstrategie die zich in realtime aanpast aan het consumentengedrag en de marktdynamiek.

Hoe een data-intelligentieplatform helpt bij het mogelijk maken van use cases

De belangrijkste onderdelen van het Data Intelligence Platform die deze gebruiksscenario's mogelijk maken, zijn onder meer:

• Open-source Delta Lake verenigt gegevens op een centrale locatie, waardoor het niet meer nodig is om gegevens tussen systemen te kopiëren of te verplaatsen.
• Unity Catalog voor beheer en herkomstregistratie op bedrijfsniveau
• ML Flow voor machine learning-elasticiteitsmodellen
• Autoloader en Lakeflow voor realtime feeds
• AI/BI Genie transformeert uw statische dashboards in door GenAI aangedreven inzichtmachines.

Voorspellingen en vraagplanningvormen een belangrijke pijler vanRGM.Door gebruik te maken van realtime data en voorspellende modellen, worden de nauwkeurigheid van vraagvoorspellingen en de afstemming van voorraden verbeterd. Dit resulteert in een hogere voorspellingsnauwkeurigheid, een snellere voorraadomloop, een lager voorraadtekortpercentage en betere serviceprestaties.

Door gebruik te maken van het Data Intelligence Platform kunnen CPG-bedrijven hun voorraadkostenmet 10-20% verlagenen de nauwkeurigheid van hun prognosesmet 5-15% verbeteren. Dit kandoor use cases te implementeren die externe signalen, machine learning-prognoses en realtime waarschuwingen combineren om vraag en aanbod proactief in balans te brengen.

Vraagplanners, supply chain managers en sales directors hoeven nu niet langer te worstelen met de gebruikelijke problemen die met traditionele systemen niet worden aangepakt: lage voorspellingsnauwkeurigheid, voorraadtekorten en -overschotten, reactief in plaats van proactief voorraadbeheer, gebrek aan geïntegreerde vraagsignalen, gescheiden verkoop- en supply planning, of hoge voorraadkosten. In plaats daarvan krijgen ze een geïntegreerd, intelligent overzicht van de vraag – en de tools om daar in realtime op in te spelen.

Hoe het Databricks Data Intelligence Platform helpt!

HetDatabricks Data Intelligence Platformmaakt gebruiksscenario's voor forecasting en vraagplanning mogelijk via een uniforme set geavanceerde functionaliteiten, waaronder:Databricks Feature Storevoor vraagfactoren,AutoMLvoor forecastmodellering,Delta Live-tabellenvoor realtime data-invoer en -transformatie, Unity Catalog voor de herkomst, governance en traceerbaarheid van ML- en GenAI-modellen, enLakehousevoor de transformatie en integratie van historische en streaming data.

Categoriemanagers, merkmanagers enstrategen voor omzetgroeiworstelen met uitdagingen op het gebied van productassortiment en mixoptimalisatie die door oudere systemen slechts worden getolereerd. Denk hierbij aan een wildgroei aan SKU's en de complexiteit ervan, slecht presterende producten die schapruimte innemen, een lage omloopsnelheid in belangrijke categorieën of een verkeerde afstemming van verpakkings- en prijsstrategieën – allemaal voortkomend uit de beperkingen van de oude systemen.

Moderne toepassingen maken gebruik van Databricks SQL voor dashboards op SKU-niveau, Delta Sharing voor de integratie van syndicated data, MLflow voor modellen voor mixoptimalisatie en Lakehouse voor de integratie van POS-, loyaliteits- en winkelmanddata. Deze laatste technologie maakt gebruik van POS- en paneldata om SKU's te rationaliseren, de prijs-kwaliteitverhouding te verbeteren en artikelen met hoge marges te prioriteren. Het doel is om het productportfolio te optimaliseren door het assortiment en de prijs-kwaliteitverhouding af te stemmen op de behoeften van de klant en de winstgevendheidsdoelstellingen.

Gezamenlijk helpen deze tools bij het optimaliseren van productportfolio's door assortiments- en prijsstrategieën af te stemmen op klantbehoeften en winstgevendheidsdoelen.

Polestar Analytics-expertise + Databricks Data Intelligence Platform – Wat houdt dat in?

Polestar Analytics heeft het Databricks Data Intelligence-platform in gebruik genomen om drie innovatieve oplossingen voor de markt te ontwikkelen:

• Winstpuls:Een geïntegreerde suite van ML- en visualisatieoplossingen voor het optimaliseren van prijzen, promoties en handelsuitgaven. De oplossing wordt alom gebruikt in de FMCG-sector.
• Data Nexus:Een data-engineeringtool die de levering van samenstelbare datamodellen versnelt. Deze modellen vormen de basis van alle gebruikslagen – visualisatie, machine learning, generatieve AI en agents.
• AgentHood:een data science-oplossing die gebruikmaakt van Agent Bricks voor het slepen en neerzetten van agents, een agentmarktplaats en een tool voor agentorkestratie.

Polestar Analytics heeft aantoonbaar sterke klantwaarde geleverd, zoals blijkt uit:

Wat brengt de toekomst? Dit zijn onze voorspellingen:

• RGM wordt pas echt realtime met de integratie van OLTP-gegevens (Lake Base).
• Gedetailleerde klantsegmentatie wordt uniform toegepast op alle kanalen (televisie, telefoon, zoekmachines en meer).
• Agenten zullen assisteren en vervolgens routinetaken uitvoeren, zoals boodschappen doen, en zullen de segmentatie- en selectieprocessen fundamenteel veranderen. Agenten hebben de potentie om de emotionele elementen uit dagelijkse aankoopbeslissingen te verwijderen en de klantervaring te stroomlijnen.

VolgPolestar Analyticsvoor meer opinieartikelen of bezoekpolestaranalytics.com.