Previsione delle promozioni

00:00:04 Impatto delle promozioni sulle previsioni.
00:00:51 Variabilità delle promozioni tra settori industriali.
00:02:12 Sfide nella previsione della domanda legata alle promozioni.
00:03:58 Analisi: rischi dei metodi tradizionali della supply chain.
00:06:00 Critica: medie mobili e metodi di previsione.
00:08:01 Critica: modelli di previsione delle promozioni semplici.
00:08:36 Dipendenza delle aziende dalle medie mobili.
00:10:26 Necessità di dati per la previsione delle promozioni.
00:13:25 Ruolo dell’apprendimento automatico nella previsione delle promozioni.
00:15:09 Ruolo dei dati promozionali nella previsione non promozionale.
00:17:34 Velocità di apprendimento dei sistemi di apprendimento automatico.
00:20:09 Difficoltà e strategie nella previsione delle promozioni.
00:20:35 Implementazione della previsione delle promozioni nelle organizzazioni.
00:23:17 Esecuzione strategica delle promozioni utilizzando l’apprendimento automatico.

Riassunto

L’intervista tra Kieran Chandler e Joannes Vermorel, fondatore di Lokad, ruota attorno alle promozioni, alla previsione e all’ottimizzazione della supply chain. Vermorel spiega che le promozioni possono distorcere la domanda effettiva, creando così una sfida nella previsione della domanda. Molte aziende risolvono questo problema rivedendo la cronologia delle vendite per neutralizzare gli impatti delle promozioni, ma questo approccio rischia di creare previsioni fuorvianti. Le aziende utilizzano principalmente metodi di media mobile per l’ottimizzazione della supply chain, che si stanno rivelando insufficienti per prevedere gli incrementi dovuti alle promozioni. Le previsioni migliorate richiedono maggiore complessità, come l’apprendimento automatico, ma richiedono anche dati di alta qualità sulle strategie promozionali. Vermorel sottolinea l’influenza a lungo termine delle promozioni e la necessità di una pianificazione strategica prima di implementare l’apprendimento automatico nella previsione delle promozioni.

Riassunto esteso

La conversazione tra Kieran Chandler e Joannes Vermorel, fondatore di Lokad, ruota attorno al tema delle promozioni e alle loro implicazioni sulla previsione e l’ottimizzazione della supply chain.

La discussione inizia con un esame di come le promozioni abbiano un impatto drastico sulle vendite, potenzialmente positivo se eseguite correttamente e negativo se gestite male. Inoltre, esse influenzano le aspettative dei clienti riguardo agli sconti, influenzando così i comportamenti di acquisto. Chandler e Vermorel riconoscono che le strategie promozionali differiscono significativamente tra settori industriali, con alcuni settori come i beni di lusso che evitano gli sconti, mentre altri come gli ipermercati sfruttano le promozioni quotidiane.

La conversazione si addentra successivamente nella complessità delle promozioni dal punto di vista della previsione. Vermorel spiega che anche se le promozioni sono generalmente associate a un aumento delle vendite, questo aumento non corrisponde necessariamente a un aumento della domanda effettiva. Questa discrepanza emerge perché le vendite osservate durante una promozione possono superare la domanda effettiva poiché i consumatori approfittano delle opportunità di prezzi più bassi, anche se non hanno bisogno immediato del prodotto. Tale comportamento può distorcere la percezione della domanda reale.

La conversazione si sposta quindi sulle implicazioni per la supply chain. Vermorel fa notare che quando si pianifica la domanda futura, i professionisti della supply chain devono tenere conto della distorsione causata dalle promozioni. Tuttavia, molte aziende si affidano a metodi tradizionali della supply chain, cercando di nascondere l’effetto delle promozioni riscrivendo la cronologia delle vendite, cancellando così gli incrementi delle vendite promozionali. Questo approccio, pur cercando di normalizzare i dati di vendita, comporta rischi in quanto sostituisce dati storici reali con costrutti artificiali, che possono portare a previsioni fuorvianti.

Chandler esprime preoccupazione per questi potenziali pericoli, spingendo Vermorel a approfondire il motivo per cui le aziende scelgono questo metodo. Egli spiega che la maggior parte delle aziende utilizza tecnologie basate principalmente su variazioni delle medie mobili per ottimizzare la loro supply chain. Questi metodi, sebbene in parte adeguati per periodi non promozionali, non riescono a prevedere gli incrementi delle promozioni, portando a previsioni non ottimali. Questa differenza di performance è ciò che spinge molti clienti di Lokad a cercare previsioni promozionali migliorate.

Vermorel inizia riconoscendo il ruolo significativo dei modelli statistici nel migliorare l’accuratezza delle previsioni, sottolineando che, sebbene siano efficaci, non rappresentano la soluzione unica per una previsione accurata. Egli discute l’ampio utilizzo delle medie mobili nell’industria a causa della loro semplicità e accessibilità, soprattutto considerando che una grande proporzione delle supply chain opera ancora utilizzando strumenti di base come Microsoft Excel. Tuttavia, indica che sebbene le medie mobili siano semplici, ottenere risultati migliori richiede significativamente maggiore complessità.

La conversazione passa quindi al concetto di machine learning, che rappresenta un notevole avanzamento in termini di complessità e risultati potenziali rispetto alle medie mobili. Il machine learning richiede non solo una comprensione più sofisticata dei metodi statistici, ma anche uno standard più elevato di qualità dei dati. In particolare, Vermorel sottolinea la necessità di dati completi e di alta qualità sulle strategie promozionali.

Le aziende devono raccogliere dati estesi su tutti gli aspetti che contribuiscono ai meccanismi delle promozioni. Ciò include non solo gli aggiustamenti dei prezzi, ma anche gli sforzi di marketing che accompagnano le promozioni e le strategie di visibilità impiegate. Vermorel esamina vari esempi specifici dell’industria, come i saldi di fine stagione nel settore della moda o le strategie di posizionamento del prodotto nei mercati al dettaglio.

Vermorel sottolinea anche l’importanza della qualità dei dati. Spiega che anche piccole inesattezze o lacune nei dati potrebbero non causare immediatamente il fallimento di un’azienda, ma possono gravemente ostacolare le prestazioni degli algoritmi di machine learning che si basano su dati accurati. Suggerisce che ottenere dati storici promozionali robusti richiede tipicamente un notevole sforzo nel corso di diversi mesi.

L’intervista si concentra quindi sull’evoluzione della raccolta dei dati e sulla sua importanza nella previsione delle promozioni. Vermorel propone che, con dati accurati, le previsioni possano predire in modo più efficace quali promozioni utilizzare e quando potrebbero funzionare meglio. Gli algoritmi di machine learning elaborano i dati identificando e segnalando periodi in cui le vendite sono state gonfiate o probabilmente sopprime a causa delle attività promozionali. Questa strategia, spiega Vermorel, aiuta a migliorare l’accuratezza delle previsioni anche al di fuori dei periodi promozionali.

A prima vista, questo concetto sembra controintuitivo. Tuttavia, Vermorel lo giustifica spiegando che le promozioni hanno un effetto a cascata su altri prodotti non promossi. Ad esempio, una promozione significativa su un prodotto può cannibalizzare le vendite dei prodotti concorrenti, rendendo così la previsione più complessa. Comprendere questi effetti indiretti delle promozioni aggiunge quindi un ulteriore livello alla previsione della supply chain.

Vermorel sottolinea la necessità di anticipare gli eventi futuri e il loro potenziale impatto sulla supply chain. Propone che se le aziende potessero comunicare tali eventi futuri a un motore di previsione basato su machine learning, potrebbe sfruttare tali dati e incorporare l’evento imminente nelle sue previsioni.

Chandler chiede della capacità di apprendimento del machine learning e di quanto velocemente possa produrre risultati. Vermorel chiarisce che è principalmente una questione statistica. La velocità con cui l’algoritmo di machine learning apprende dipende dalla frequenza delle promozioni. Ad esempio, se c’è solo una promozione all’anno per un prodotto, l’apprendimento sarà lento. Tuttavia, l’algoritmo apprende più velocemente con promozioni regolari in quanto può utilizzare dati da promozioni passate simili.

Inoltre, Vermorel precisa che la previsione delle promozioni non riguarda la previsione di una singola serie temporale, ma l’esame dell’impatto tipico di una promozione in condizioni simili, come sconti o canali di comunicazione. Fornisce esempi dall’industria della moda, dove le promozioni di fine stagione sono comuni, e dall’e-commerce, dove i prodotti vengono continuamente promossi nella pagina principale del sito web.

Rivolgendosi ai CEO o ai futuri CEO, Vermorel delinea un processo per introdurre la previsione delle promozioni all’interno delle loro organizzazioni. Sottolinea la necessità di raccogliere dati, sottolineando l’importanza di dati specifici rispetto a set di dati ampi. Consiglia di raccogliere dati dettagliati sulle promozioni stesse: i prodotti, i meccanismi promozionali e altre variabili come la spedizione gratuita.

Vermorel sottolinea la necessità di avere un processo di controllo di qualità per garantire l’accuratezza e la pertinenza dei dati. Incoraggia anche i leader a riflettere sullo scopo sottostante o sull’obiettivo della loro strategia promozionale, poiché varia tra diverse industrie. Fornisce esempi dall’industria della moda e dei beni di consumo in generale, ognuna con obiettivi unici dietro le loro promozioni.

Esorta le organizzazioni a considerare gli impatti a lungo termine delle loro promozioni. Queste attività, afferma, educano i clienti in un certo modo, il che può avere effetti duraturi. Pertanto, le aziende devono pensare strategicamente al tipo di influenza che vogliono esercitare sui loro clienti attraverso le promozioni.

Il machine learning entra in gioco una volta che le organizzazioni hanno chiarito il loro pensiero strategico e raccolto i dati pertinenti. Vermorel ribadisce che il machine learning, nonostante sia meccanicamente intelligente, non svilupperà strategie di alto livello, sottolineando che è essenziale per le aziende pianificare prima di utilizzare il machine learning per la previsione delle promozioni.

Trascrizione completa

Kieran Chandler: Oggi su Lokad TV parleremo delle promozioni e dell’impatto che possono avere sulle previsioni. Le promozioni possono essere estremamente variabili e difficili da prevedere. Se fatte nel modo giusto, possono aumentare notevolmente le vendite, ma se fatte nel modo sbagliato, possono ridurre la credibilità dei vostri prodotti e alienare la vostra base di clienti, facendo loro aspettare grandi riduzioni di prezzo. Le promozioni spesso fanno notizia per tutte le ragioni sbagliate. Durante il Black Friday, si possono vedere clienti che si combattono per prodotti a prezzi scontati nei grandi magazzini. Tuttavia, questi periodi sono indubbiamente importanti per i rivenditori che spesso segnalano aumenti massicci dei prodotti. Quindi Joannes, le promozioni sono estremamente variabili a seconda del settore in cui ti trovi. Per iniziare, potresti spiegare le aziende di cui stiamo parlando qui.

Joannes Vermorel: Sì, infatti le promozioni si presentano in una varietà di forme a seconda del tuo settore. Vanno dalle industrie di lusso, che non fanno mai promozioni. Voglio dire, non troverai mai un Rolex in saldo, alle industrie che hanno promozioni quotidiane, come gli ipermercati, dove si vedono promozioni giornaliere su varie cose. Le promozioni possono riguardare il prezzo, è quello che ottieni tipicamente in un ipermercato dove compri due prodotti e ne ricevi uno gratis. Ma le promozioni anche nell’e-commerce riguardano mettere in evidenza qualcosa. Se invii una newsletter a mezzo milione di abbonati per mettere in evidenza un prodotto, vedrai un grande aumento delle vendite, anche se in realtà non hai abbassato il prezzo del prodotto nemmeno dell'1%. Quindi, in effetti, è la stessa parola, ma indica realtà molto diverse a seconda dell’azienda con cui stai parlando.

Kieran Chandler: Ok, quindi in generale saranno una cosa piuttosto positiva perché vediamo normalmente un aumento delle vendite. Perché complicano le cose? Perché si riscontra una difficoltà con le promozioni?

Joannes Vermorel: Complicano le cose perché ciò che vuoi prevedere, se vuoi ottimizzare la tua supply chain, è la domanda futura. Il problema è che non osservi la domanda futura o anche la domanda passata, osservi le vendite passate. Le vendite non sono la domanda. Le vendite presentano tutti i tipi di distorsioni. Se non hai più stock, avrai una rottura di stock, quindi avrai zero vendite, ma la domanda è ancora presente. Le promozioni sono l’effetto opposto, nel senso che puoi vedere molte più vendite di quelle che hai effettivamente di domanda. Ad esempio, se hai una forte riduzione di prezzo, anche se le persone non ne hanno bisogno in quel momento, potrebbero iniziare a accumulare il proprio stock a casa con il prodotto che stai vendendo, solo perché ritengono che sia una buona opportunità. Quindi le vendite possono darti una percezione distorta di quale sia effettivamente la domanda. La maggior parte degli operatori della supply chain sa che non dovrebbe semplicemente applicare una media mobile sopra le promozioni perché la promozione spinge la domanda osservata in modo ingenuo alle stelle. Sai che alla fine della promozione, le vendite diminuiranno. Questo è il fenomeno molto basilare che devi tenere in considerazione; altrimenti, la tua pianificazione sarà completamente sbagliata.

Kieran Chandler: Quindi stai dicendo che c’è una vera percezione distorta della domanda. Come le aziende stanno affrontando questa realtà? Come si stanno adattando?

Joannes Vermorel: Il metodo tradizionale della supply chain consiste nel riscrivere la storia delle vendite per mascherare l’effetto delle promozioni. La maggior parte delle aziende prenderà la loro storia delle vendite, guarderà il periodo promozionale, vedrà il picco e cercherà di cancellare i picchi dalla loro storia delle vendite. In questo modo, quando applicano qualcosa che è molto simile a una media mobile, la media mobile non è eccessivamente influenzata dalla promozione appena avvenuta. Non sto dicendo che sia la cosa giusta, ma è quello che la maggior parte delle aziende sta ancora facendo al giorno d’oggi.

Kieran Chandler: E rimuovere i picchi, che sono causati dalle promozioni, sembra molto pericoloso. Non otterrai una sorta di due versioni della verità? Perché lo stanno effettivamente facendo?

Joannes Vermorel: Hai perfettamente ragione; è molto pericoloso. Il motivo è che stai sostituendo i dati storici delle vendite, che sono accurati, con dati falsi che hai appena inventato. È una distorsione della realtà e poi baserai la tua pianificazione su questi dati inventati. Sì, c’è un vero pericolo. È un pericolo metodologico. Se le tue correzioni sono fuorvianti, allora le tue previsioni saranno basate su input difettosi, il che potrebbe aggravare il problema in termini di pianificazione della supply chain.

Quindi, perché le persone lo fanno comunque? Se guardi le tecnologie che la maggior parte delle aziende sta ancora utilizzando per l’ottimizzazione della supply chain, è fondamentalmente una versione esaltata delle medie mobili. Le medie mobili hanno nomi diversi - smoothing esponenziale, Holt-Winters - ma fondamentalmente sono tutte variazioni delle medie mobili. Questi metodi sono solo un po’ più sfumati per gestire la stagionalità, ma il nocciolo della questione è ancora una media mobile.

Ecco perché se tutto ciò che hai è una media mobile, devi rendere compatibili le tue vendite storiche con essa, che è l’unico modello matematico che la tua azienda ha a disposizione. Ma è una prospettiva fallace perché c’è molto di più rispetto alle sole medie mobili.

Kieran Chandler: Ma questi metodi statistici sono sicuramente ciò su cui molte di queste aziende basano le loro decisioni future. Quindi, funzionano effettivamente? Devono essere abbastanza buoni se le aziende li stanno utilizzando in tutto il mondo.

Joannes Vermorel: La realtà è che non sono davvero abbastanza buoni. La maggior parte delle aziende diventate nostri clienti ci diceva che una delle principali motivazioni era ottenere previsioni promozionali migliori perché era un vero problema per loro.

La tua media mobile può farcela, ma non può anticipare l’aumento o l’effetto della promozione. Sebbene non possa rovinare completamente la previsione per periodi non promozionali a causa della promozione, non fornisce comunque nulla per far fronte a una promozione imminente. Quindi, la media mobile ti salva un po’, ma non affronta il problema nel suo nucleo. Non produce una previsione effettiva della promozione, semplicemente impedisce alle promozioni di falsare tutte le previsioni non promozionali. E tra l’altro, questo metodo è molto debole; non funziona nemmeno correttamente e presenta molti problemi.

Kieran Chandler: Quindi perché queste aziende sono così felici di lavorare con queste medie mobili? Perché non le cambiano? Perché è ancora un problema che esiste?

Joannes Vermorel: Credo che una media mobile sia qualcosa che qualsiasi ingegnere può pensare in due ore. Quindi la semplicità è molto potente. Alla fine finirai per reinventare in due ore una media mobile e una sorta di ricetta per far funzionare effettivamente la tua media mobile, che è una forza molto potente.

Ricorda, circa l'80% delle supply chain mondiali sta ancora operando su Microsoft Excel, quindi una media mobile su Excel è molto, molto facile da scrivere. Probabilmente è questa la ragione.

Un’altra ragione è che se vuoi fare meglio, è significativamente più difficile. Improvvisamente devi passare dalla media mobile al machine learning. Quindi, devi passare da un metodo molto semplicistico che chiunque può capire, al machine learning che è molto più complicato.

Kieran Chandler: Stiamo discutendo di un algoritmo che può funzionare entro due ore, anche se non hai mai fatto machine learning prima. Ma per implementarlo con successo, devi anche prestare molta attenzione alla qualità dei dati sulle tue promozioni. Potresti descrivere come funziona questo processo e come possiamo procedere con metodi migliori?

Joannes Vermorel: Certo. Indipendentemente da qualsiasi alternativa alle medie mobili, dobbiamo fare affidamento in modo significativo sui dati. Questo fattore rende il gioco molto più complesso.

Kieran Chandler: Se vogliamo fare meglio, che tipo di dati dovremmo raccogliere? Dovrebbero essere sforzi di marketing, cambiamenti di prezzo o qualcos’altro?

Joannes Vermorel: L’azienda deve raccogliere tutto ciò che contribuisce alla meccanica promozionale. Il prezzo è una cosa, sì. Se sconti il prezzo di un prodotto ma non informi nessuno dello sconto, nessuno se ne accorge, tranne le persone che avevano già intenzione di acquistare il prodotto.

Quindi, una promozione non riguarda solo il prezzo. Riguarda anche diffondere la voce. Far sapere al mercato che hai una promozione è cruciale. In alcuni settori come la moda, ci sono saldi di fine stagione. Tutti si aspettano questi saldi, che sono un tipo specifico di promozione. Ma in alcuni settori, è un gioco completamente diverso.

Ad esempio, nei grandi magazzini, non si tratta solo di abbassare il prezzo. Spesso si tratta di spostare un prodotto in testa alla gondola - la posizione super-premium alla fine del corridoio dove i prodotti sono molto visibili. Ancora meglio, potresti mettere una grande pila di prodotti promossi all’ingresso del negozio.

Quindi, ora la domanda diventa: il tuo sistema ERP traccia correttamente tutti questi dati? Se non riesci a tenere correttamente traccia di ciò che vendi o acquisti, la tua azienda potrebbe fallire. Se non sai cosa stai vendendo o acquistando, sia i clienti che i fornitori potrebbero truffarti, il che porterebbe al fallimento.

D’altra parte, se la data della tua promozione è registrata in modo errato nei tuoi registri ERP, non fallirà la tua azienda. Ma se vuoi alimentare un algoritmo di machine learning che prevede le promozioni con dati inaccurati, non funzionerà.

Quindi, hai bisogno di un processo di controllo di qualità per i tuoi dati promozionali. Dalla nostra esperienza presso Lokad, questo processo può richiedere molto sforzo. Per la maggior parte delle aziende, richiede mesi di sforzo per ottenere dati promozionali storici di qualità.

Kieran Chandler: Quindi quello che stai dicendo è che c’è stata una vera evoluzione nel settore perché non è una metrica critica da misurare, ma un’evoluzione di come la misuriamo?

Joannes Vermorel: Sì, è molto difficile da misurare.

Kieran Chandler: Ipoteticamente, se un’azienda ha misurato tutte queste cose e ha raccolto tutte quelle informazioni, significa che attraverso la tua previsione, sarai in grado di dirci quali promozioni fare, quando funzionano meglio e che tipo di informazioni sarai in grado di generare?

Joannes Vermorel: Sì. La prima cosa da capire è che invece di correggere i dati storici, un algoritmo di machine learning li guarda dal punto di vista dei dati storici arricchiti. Non cerchi di modificare le tue vendite. Segnalerai i periodi in cui le vendite del prodotto sono state gonfiate e i periodi in cui sono state probabilmente censurate.

Ad esempio, alla fine di una promozione, se le persone hanno accumulato una propria scorta di merci, potresti vedere una diminuzione della domanda. Potresti persino avere un periodo di tempo in cui osserverai una sorta di domanda censurata. Quindi, devi tener conto di tutti questi fattori.

Kieran Chandler: Quindi, il primo vantaggio delle promozioni, che potrebbe non essere immediatamente evidente, è il potenziale per migliorare la qualità delle tue previsioni anche durante i periodi non promozionali. Questo viene raggiunto attraverso l’uso di un algoritmo che è migliore nel prevedere i bias. Quello che stai dicendo è che i dati promozionali vengono utilizzati anche quando non ci sono promozioni, è corretto?

Joannes Vermorel: Sì, potrebbe sembrare controintuitivo, ma consideriamo un esempio. Se hai una grande promozione per una varietà di pomodoro, è probabile che cannibalizzi le vendite di tutti gli altri prodotti non promossi. È abbastanza ovvio che una promozione significativa per un determinato prodotto avrà un effetto di cannibalizzazione massiccio su tutti gli altri prodotti che sono in competizione con l’articolo promosso. Pertanto, le promozioni rendono le previsioni più complesse, non solo per il prodotto promosso ma anche per tutti i prodotti non promossi.

Kieran Chandler: Capisco, quindi non è così controintuitivo come sembra all’inizio, ma richiede una certa considerazione. Ora, passiamo all’argomento di anticipare le future promozioni. Se sei consapevole di una prossima promozione, puoi prevedere l’aumento delle vendite che ne conseguirà. Tuttavia, ciò solleva la questione del tuo processo decisionale per quanto riguarda le future promozioni. Potresti approfondire come vengono prese queste decisioni e come vengono inserite nel tuo motore di previsione?

Joannes Vermorel: Certamente. La prima parte del processo consiste nel decidere sulle future promozioni. La seconda parte riguarda l’assicurarsi che queste decisioni siano inserite nel nostro motore di previsione. Non si tratta solo di dati passati, ma anche di aspettative future. Se stiamo pianificando un evento che avrà un impatto significativo sulla supply chain, il motore di previsione deve saperlo in anticipo. Un motore di previsione basato sull’apprendimento automatico, se informato in tempo, sarà in grado di adattarsi e riflettere l’evento imminente nella sua previsione.

Kieran Chandler: È affascinante, soprattutto l’idea di una promozione del decennio. Ma considerando la complessità dell’apprendimento automatico, quanto velocemente possono imparare e adattarsi queste macchine? Quando si possono iniziare a vedere i risultati?

Joannes Vermorel: Dipende principalmente dal numero di promozioni. È un gioco di statistiche. Se si esegue una promozione solo una volta all’anno per un prodotto, è difficile imparare qualcosa. Ricorda, prevedere le promozioni non riguarda la previsione di una serie temporale. Ogni prodotto potrebbe essere promosso solo una o due volte nella sua vita. Se si vuole capire l’impatto di una promozione, è necessario considerare quale sia l’impatto tipico di una promozione in condizioni simili: sconto sul prezzo, meccaniche promozionali, canali di comunicazione, e così via. Ad esempio, nell’industria della moda, che fa promozioni di fine stagione, si hanno diversi punti di dati poiché avviene quattro otto volte all’anno. Per un ipermercato, ogni singolo prodotto è potenzialmente un punto di dati.

Hanno centinaia di prodotti che vengono promossi ogni giorno e si alternano, non sono sempre gli stessi prodotti. È qualcosa che accade tutto il tempo nel commercio elettronico. Tipicamente, si ha sempre uno o due prodotti che si trovano nella pagina principale del proprio sito di e-commerce, quindi c’è un forte meccanismo promozionale che accade tutto il tempo. Ma diventa molto difficile quando si inizia a pensare alle previsioni delle promozioni. Una domanda che i nostri clienti ci pongono è se il nostro motore di previsione può forse prevedere le promozioni, ma ciò che vorrebbero davvero è decidere quale sia la migliore promozione, che è una domanda completamente diversa e molto difficile.

Kieran Chandler: Supponiamo che alcuni dei nostri spettatori possano essere CEO. Qual è il processo che dovrebbero seguire se vogliono effettivamente implementare la previsione delle promozioni nella propria organizzazione?

Joannes Vermorel: Prima di tutto, devono raccogliere tutti i dati rilevanti. Non sto parlando di raccogliere dati da Twitter o di ciò che le persone dicono su Facebook. Si tratta piuttosto di sapere quali sono i prodotti che vengono promossi, qual è l’esatto meccanismo promozionale. Probabilmente hanno le proprie categorie di acquista uno e ricevi uno gratis, o si tratta di una riduzione del prezzo in percentuale, o qualsiasi tipo di promozione con spedizione gratuita, ad esempio. Il primo passo è raccogliere ciò che chiamo dati quasi transazionali. Non sono dati transazionali perché non compaiono nelle fatture o nei pagamenti, ma sono molto ben specificati. È necessario raccoglierli, farli parte del proprio sistema e avere un processo di controllo di qualità al di sopra di essi.

Il secondo passo è pensare davvero a perché si fanno promozioni, qual è l’obiettivo finale. Il problema è che tipicamente è un obiettivo finale molto diverso a seconda del settore. Ad esempio, nella moda, l’obiettivo è liquidare tutto il vecchio inventario in modo da poter sempre vendere articoli aggiornati con l’ultima tendenza. Nella merce generale, le promozioni di solito non sono attivate dal rivenditore ma dal fornitore, come negoziazione per aumentare la consapevolezza di un nuovo prodotto, come un nuovo gusto di un bene di consumo ad alta rotazione. Gli obiettivi finali sono molto diversi, il che significa che quando si vuole valutare come si dovrebbe eseguire, è necessario pensare all’impatto delle proprie promozioni.

Stai cercando di influenzare i tuoi clienti e dovresti davvero pensare a che tipo di influenza vuoi creare. Ad esempio, se educi i tuoi clienti a comprare sempre le tue cose a poco perché sanno che arriverà sempre una promozione, allora i tuoi clienti impareranno che devono solo essere pazienti e lo otterranno a poco. Richiede una riflessione strategica e questa riflessione strategica dovrebbe avvenire prima dell’apprendimento automatico.

Una volta che hai fatto questo passo, puoi avere un sistema di apprendimento automatico intelligente e in grado di elaborare tutti i dati che hai raccolto e allineati alla tua riflessione strategica. L’apprendimento automatico è molto meccanico, quindi non sarà in grado di eseguire alcuna strategia di alto livello, quello è il tuo lavoro.

Kieran Chandler: Mi dispiace, ma dobbiamo concludere per oggi. Quando parli di educare i clienti, probabilmente mi considererei uno dei clienti meno istruiti che ci sono. Questo è tutto per questa settimana, grazie per aver guardato e ci vediamo la prossima volta. Arrivederci.