پیش‌بینی نیاز مصرف‌کننده در دنیای غیرقابل پیش‌بینی

در این مطلب به بررسی مقاله‌ای از Harvard business review در رابطه با چالش‌های بازار پس از کوید ۱۹ می‌پردازیم. پیش‌بینی تقاضای مشتری در رابطه با کالا و خدمات در طول همه‌گیری کوید۱۹بیش از هر زمان دیگری دشوار است.مدیران به‌منظور بهبود پیش‌بینی‌هایشان می‌بایست افکار متعصبانه خود را کنار گذاشته و به دنبال داده‌های جدیدی بگردند که مدل‌های پیش‌بینی تولید می‌کنند،بر روی دانش خود از بازارهای محلی تمرکز کنند،خروجی مدل‌های مختلف را باهم ترکیب کنند و همواره مدل‌ها را آزمایش و تصحیح کنند.

کوید ۱۹ تمام پیش‌بینی‌ها در موردتقاضا در بازار را نقش بر آب کرد، چنین پیش‌بینی‌هایی معمولاً خرده‌فروشان و تأمین‌کنندگان کالاهای مصرفی و خدمات را در هزارتوی سفارش و تولید، انبار محصول، تبلیغات و میزان تخفیف‌ها هدایت می‌کرد. در آغاز همه‌گیری و قرنطینه یک‌باره و شروع دورکاری باعث شد تا مردم خیلی از اقلام خوراکی و لوازم موردنیاز در خانه ر خریداری کنند. برخی از اقلام خیلی سریع به اتمام رسیدند در حالیکه سایر جنس‌ها در قفسه‌ها خاک‌خوردند.

همچنین شاهد تغییرات عمیقی در رویکرد و رفتار مصرف‌کننده بودیم. مصرف‌کنندگان به دنبال راه‌هایی هستند تا ریسک و نگرانی کمتر شود و به آن‌ها احساس متعلق بودن بدهد. ازلحاظ رفتاری می‌توان گفت هر قشری برمبنای سن، درآمد و جهت‌گیری سیاسی در یک طیف رفتاری قرار می‌گیرند.درک این الگوهای جدید و گروه‌بندی مصرف‌کنندگان در زمان همه‌گیری می‌تواند پیش‌بینی‌ها را بهبود بخشد و باید در اولویت اول قرار بگیرد.

در چنین شرایطی مدیران دو اشتباه مرتکب می‌شوند :بازگشت به حس ششمشان برای حل مسائل. و تله‌ی «قضیه همین است که می‌بینی» مثلاً مدیران تنها به واکنش منطقه خودشان به همه‌گیری توجه می‌کنند.

راه‌حل چیست ؟مدل‌سازی به شیوهایی متفاوت .

به دنبال داده‌های جایگزین باشید.

به‌منظور پیش‌بینی رفتار مصرف‌کنندگان به داده‌هایی نگاه کنید که به هنگام وقوع شرایط تقریباً مشابه با کوید ۱۹ ثبت‌شده‌اند، مثل بلایای، مخصوصاً طوفآن‌های هاریکان که برای مدتی زنجیره تأمین برخی مناطق را قطع کردند.مثلاً ببینید چقدر طول کشید تا پس از وقوع چنینی حوادثی در شهرها یا کشورهای مختلف تناسب میان تقاضا و تأمین برقرار شد. این داده‌ها می‌توانند راهنمایی در تاریکی حوادث آینده باشند.

یک شرکت غذایی جهانی چند ماه پس از شروع شیوع کوید ۱۹ داده‌هایی از کانال‌های تقاضا را در نقاطی جمع‌آوری کرد که پیش‌ازاین اصلاً به آن توجه نمی‌کرد، مثلاً هتل‌ها و رستوران‌ها. شرکت با استفاده از داده‌های موقعیت مکانی تلفن‌های همراه در موقعیت‌های گم نام توانست به متغیرهایی دست یابد که منجر به کشف شاخصی به نام «شاخص ترس»(panic index) شد، درنتیجه، با بازخوردهای به‌دست‌آمده از شبکه‌های اجتماعی، می‌شد احساسات مصرف‌کنندگان را پیش‌بینی و ردیابی کرد.

بهره‌برداری از داده‌ای محلی

جریان جمع‌آوری داده می‌بایست شامل داده‌ای محلی هم بشود.مثلاً شرکت لوازم شیرینی فروشی که ما با آن کار می‌کردیم با استفاده از الگوریتم خاصی میزان تقاضا و افزایش آن را در تعطیلات ملی پیش‌بینی می‌کرد. اما ما فهمیدیم رویدادهای دیگری مثل بازی‌های بیس بال در لیگ محلی هم ممکن است در افزایش تقاضا دخیل باشد. با واردکردن داده‌های جدید در ماشین مبتنی برداده شرکت (machine learning–based model) دقت پیش‌بینی بسیار بالا رفت. دقت بالا نیز منجر به کاهش مرجوعی و اتلاف محصول شد. از زمان شروع همه‌گیری تاکنون، شرکت از طریق کاهش سفارش بیش‌ازحد (over-ordering) و عدم موجودی توانست به درآمدی بیش از ۷۵میلیون دلار دست‌یافت.

به‌غیراز دانش محلی ، شرکت‌ها بهتر است با متخصصانی همچون همه‌گیر شناسان یا مشاوران در مورد آینده‌ی صنعت مشورت کنند.

از چند مدل استفاده کنید

حالا که داده‌ها جمع‌آوری شد قدم بعدی بهبود مدل‌سازی است. بهتر است در این قسمت مثل هواشناسان به هنگام وقوع طوفان ‌هاریکان فکر کنید : ترکیب چندین مدل ساده تحت شرایط ناپایدار و متغیر معمولاً بهتر است از یک مدل پیچیده که شاید در چنین شرایطی خیلی هم به کار نیاید. توجه کنیم در شرایط طوفان ‌هاریکان، هواشناسان از چندین مدل پیش‌بینی استفاده می‌کنند تا با استفاده از نقطه تلاقی مدل‌ها مسیر گرایش مرکزی (central tendency) طوفان را پیش‌بینی کنند.

مثلاً معرفی یک محصول جدید را در طول همه‌گیری کرونا در نظر بگیریم. یک مدل ممکن است از میانگین فروش استفاده کند. مدل دیگری داده‌های مربوط به فروش محصولات قبلی در همین حوزه را در طول شرایط ناپایدار جمع‌آوری کند. اما مدل دیگری نشان دهد که در مغازه‌های دیگر با محصول مشابه چه اتفاقی رخ‌داده است. ازآنجایی‌که هریک از مدل‌ها به‌صورت مجزا ویژگی‌های متفاوت الگوی تقاضا را پوشش می‌دهند، اگر همه این مدل‌ها رد یک نقطه هم‌پوشانی داشته باشند آنگاه پیش‌بینی‌ها تا حدی دقیق‌تر می‌شوند. اگر هم هم‌پوشانی نداشته باشند،آنگاه شفافیت و سادگی هر مدل باعث می‌شود به درک بهتری از حوزه مدنظر آن مدل برسیم.

آزمایش کنید، آزمایش کنید و بازهم آزمایش کنید

با توجه به ناآرامی‌های بازار و شک ناشی از قرنطینه‌ها و سایر موارد دیگر، مدیران به فرآیندی قاعده‌مند نیاز دارند تا به‌سرعت و در فواصل زمانی کوتاه‌مدت نتایج را ازلحاظ اعتبار بررسی کنند. تست‌های ساده ایی مثل آزمون A/B به شما سرعت و انعطاف لازم را می‌دهد.

مطالعه این مطلب را به دوستان خود هدیه دهید (لینک کوتاه):rmcg.ir/10010