Crachando o código AI em CPG

O potencial significativo da análise avançada (AA) e Inteligência Artificial (AI) Na indústria de bens embalados de consumidores (CPG) está se tornando cada vez mais clara. Nos últimos anos, alguns jogadores líderes de CPG implantaram estrategicamente AA e IA com resultados impressionantes - aumentando a receita, melhorando a produtividade e aumentando a eficácia de suas despesas de marketing. A chave para o sucesso deles é a capacidade de sem problemas A BIONIC COMPANY em escala. Essa habilidade se tornará mais crítica nos próximos meses, à medida que as empresas lidam com como antecipar, se adaptar e moldar mudanças na demanda e no comportamento do consumidor após a pandemia covid-19. Embora muitas vezes os profissionais da Branding-com marketing de primeira classe, publicidade e

Many CPG companies, however, are struggling to effectively harness AA and AI. Though often pros at branding—with first-rate marketing, advertising, and Recursos de inovação do produto -Eles são tipicamente menos avançados na implementação de programas de análise ou transformação de tecnologia em larga escala. Isso decorre em parte da natureza descentralizada e matricicada de muitas organizações de CPG. A estrutura levou à capacidade de marketing e desenvolvimento de produtos, mas pode dificultar a capacidade de uma empresa de investir em plataformas de dados e análises ou de construir as formas ágeis de trabalhar necessárias para escalá -las. Ao mesmo tempo, muitas empresas de CPG não têm acesso consistente aos níveis mais granulares de dados de vendas (como vendas de varejo e dados esgotados) ou dados de primeira parte (informações sobre o comportamento individual de compra de consumidores) em seus consumidores finais, lacunas que podem desencorajar as empresas de investir agressivamente em AA e AA e IA. Particularmente desafiador: desenvolver a base de talentos certos e o modelo operacional, garantir a estratégia e governança eficazes de dados e construir o direito 

CPG companies that are winning in AA and AI have focused on executing in critical areas, including three that are particularly challenging: developing the right talent base and operating model, ensuring effective data strategy and governance, and building the right  Dados e plataformas digitais . A implantação eficaz das soluções de AA e AI em escala será uma fonte de vantagem competitiva durante o choque econômico criado pela pandemia e pela recuperação que seguirá. As empresas de CPG que ainda não dominaram essas ferramentas devem receber uma página dos manuais daqueles que já mostraram como isso pode ser feito.

O poder das análises avançadas e IA no CPG

Há pouca dúvida de que a AA e a IA oferecem potencial significativo para empresas de CPG. Um estudo de 2018 do BCG e Google identificou o Dez aplicativos AA e AI mais promissores no CPG , incluindo previsão e planejamento de ponta a ponta, juntamente com a medição de ROI para publicidade e gastos promocionais. Segundo o relatório, as empresas que implantam esses dez aplicativos em escala podem aumentar a receita em pelo menos 10%. (Consulte o Anexo 1.) Dado o ambiente macroeconômico extremamente desafiador e incerto, algumas dessas aplicações se tornarão ainda mais vitais, incluindo a detecção de tendências preditivas e as atividades de modelagem de risco para a demanda, otimização de inventário e a modelagem da cadeia de suprimentos dentro da previsão de ponta.

The potential value of AA and AI has been confirmed by success stories from early adopters:

• A global Bens de consumo em movimento rápido (FMCG) A Empresa implantou um modelo de precaução de demanda orientado pela IA usando dados internos e externos em categorias e mercados-chave. A nova abordagem gerou um aumento na precisão da previsão de 5 a 15 pontos percentuais e ajudou a otimizar o fornecimento, o planejamento da produção e o transporte para economizar mais de US $ 40 milhões, evitando baixas e outras ineficiências. Agora eles estão implementando uma abordagem semelhante a IA em seus esforços de planejamento de suprimentos para criar uma solução de ponta a ponta. Esse esforço foi muito além das abordagens tradicionais, implementando métricas comuns para avaliar e comparar ROI entre marcas, mercados e canais de mídia e criando um modelo dinâmico para avaliar diferentes cenários em potencial para alocar esses gastos. O modelo ajudou a empresa a tomar melhores decisões de gastos e levou a um aumento de mais de 10% no ROI nas despesas de marketing da empresa durante os primeiros 12 meses. Com uma combinação de dados internos e externos, a empresa construiu um modelo de IA que poderia prever como vários programas e iniciativas de vendas afetariam as vendas de uma conta individual. Isso permitiu que a empresa se afastasse das estratégias regionais, que tinham programas de conta uniformes para locais específicos e desenvolvessem abordagens de gerenciamento de contas altamente personalizadas e localizadas. Um piloto do projeto constatou que as contas atendidas usando as novas ferramentas tiveram um aumento de volume de quase 2% em comparação com as contas servidas sob a abordagem tradicional. Um lançamento mais amplo do modelo produziu uma melhoria significativa de vendas. O conteúdo e os aplicativos permitiram que a empresa construísse uma forte base de dados e insights do primeiro partido do consumidor, que a empresa aproveitou para desenvolver campanhas direcionadas e ofertas personalizadas. O resultado: a empresa melhorou a categoria e a conscientização do produto e o aumento das vendas.
• A large, global FMCG company used advanced-analytics modeling to optimize its process for allocating marketing spending. This effort went well beyond traditional approaches, implementing common metrics to assess and compare ROI across brands, markets, and media channels and creating a dynamic model to assess different potential scenarios for allocating that spending. The model helped the company make better spending decisions and led to an increase of more than 10% in ROI on the company’s marketing expenditures during the first 12 months.
• A leading multinational beverage company used AA and AI to improve the way it served more than 500,000 individual retail accounts. With a combination of internal and external data, the company built an AI model that could predict how various sales programs and initiatives would impact sales for an individual account. That allowed the company to move away from regional strategies, which had uniform account programs for specific locations, and to develop highly customized and localized account management approaches instead. A pilot of the project found that accounts served using the new tools had a volume increase of nearly 2% compared with accounts served under the traditional approach. A broader rollout of the model has yielded significant sales improvement.
• A leading beauty-focused consumer health company developed several unbranded-content websites and consumer applications to bolster consumer engagement with beauty experts and products offered by the company and by others. The content and applications allowed the company to build a strong base of first-party consumer data and insights, which the company leveraged to develop targeted campaigns and personalized offers. The result: the company improved category and product awareness and increased sales.

Então, o que é necessário para acumular esses resultados? Em geral, qualquer empresa que deseja vencer na era digital deve se tornar bionic - combinar a tecnologia e os elementos humanos dos negócios, incluindo novas maneiras de trabalhar e talento, para impulsionar um conjunto claro de resultados comerciais. Para vencer com AA e IA especificamente, isso significa recursos de aprimoramento em cinco áreas. (Consulte o Anexo 2.)

• Prova de valor. Eles devem primeiro identificar o problema ou o desafio que desejam resolver e depois desenvolver as ferramentas e soluções para fazê -lo. Com muita frequência, os esforços de AA e IA não estão intimamente ligados aos objetivos de negócios e produzem impacto limitado como resultado. Uma vez identificados uma série de soluções de AA e IA, elas devem ser priorizadas através do desenvolvimento de casos de negócios rigorosos para garantir foco e alocação adequados de recursos. It is critical for companies to develop a clear business case for deploying AA and AI, including outlining the investments required and the projected upside. They should first identify the issue or challenge they want to solve and then develop the tools and solutions to do so. Too often, AA and AI efforts are not closely tied to business objectives and yield limited impact as a result. Once a series of AA and AI solutions have been identified, they must be prioritized through the development of rigorous business cases to ensure proper focus and allocation of resources.
• Gerenciamento de alterações. Consequentemente, os esforços de IA não devem ser desenvolvidos por um silo de função de TI ou de análise, mas devem ser liderados pelos líderes empresariais da linha de frente em parceria com os especialistas em tecnologia e análise da empresa. Companies must help employees shift away from viewing AA and AI efforts as the domain of the IT department and toward seeing them as central to the strategy and direction of the business. Consequently, AI efforts should not be developed narrowly in an IT or analytics function silo, but rather should be led by frontline business leaders in partnership with the company’s technology and analytics experts. As descobertas do MIT Sloan Management Review - BCG AI Global Executive Study and Research Project indicou que os esforços de IA liderados pelo CIO têm cerca de metade da probabilidade de serem bem -sucedidos do que os liderados pelo CEO ou por um diretor digital. A razão? As estratégias vencedoras na IA refletem a regra de que 10% do esforço é sobre o desenvolvimento dos algoritmos certos; 20% dizem respeito à construção da tecnologia certa para apoiá -la; e os 70% restantes estão relacionados ao gerenciamento de mudanças e à transformação do processo de negócios. Como resultado, são necessários patrocínio e suporte C-Suite para um esforço de IA para garantir que aqueles que administram as unidades de negócios adotem e adotam as ferramentas AA e AI.
• Base de talentos e modelo operacional. Eles também desenvolvem um modelo operacional claro que suporta o desenvolvimento de soluções de AA e IA em escala. Eles evitam um modelo excessivamente distribuído que leva a projetos fragmentados e de subescala e adota maneiras de trabalhar ágeis, que aproveitam equipes multifuncionais e sprints rápidos para desenvolver rapidamente soluções de AA e IA. dados padronizados. Ao desenvolver a estratégia e governança de gerenciamento de dados corretas, as empresas podem aproveitar conjuntos de dados amplos e uniformes nos aplicativos AA e AI que cruzam a marca tradicional e os limites organizacionais do mercado. As empresas de sucesso desenvolvem uma abordagem de estratégia e governança que é inicialmente impulsionada por alguns projetos prioritários, mas também é adequada para uma ampla gama de aplicativos AA e AI. Muitas vezes, isso requer racionalizar várias plataformas usadas na organização. As empresas precisam abordar isso separando seus dados de dados e plataformas digitais de AA e AI a partir dos sistemas de TI de operação e transação necessários, mas geralmente lentos, operacionais e transacionais. As características criam obstáculos para empresas de CPG que desejam executar bem em AA e AI. Por um lado, muitas empresas possuem uma estrutura organizacional matriculada com unidades de negócios definidas por marca ou produto, função (como finanças, marketing ou vendas) e localização. Essa estrutura ajuda as empresas de CPG a identificar e atender às necessidades do consumidor com categorias e mercados específicos, mas também criam obstáculos quando estão tentando impulsionar transformações em larga escala ou multifuncionais, como o desenvolvimento e a implantação de AA e a IA. As organizações de CPG investiram historicamente em insights de mercado e de negócios, mas menos agressivamente na infraestrutura de dados centrais e nos recursos de big data. Leading adopters create a clear strategy and process for attracting, retaining, and deploying the right people, including data scientists, engineers, software developers, and IT architects. They also develop a clear operating model that supports the development of scaled AA and AI solutions. They avoid an overly distributed model that leads to fragmented and subscale projects and embrace agile ways of working, which leverage cross-functional teams and rapid sprints to quickly develop AA and AI solutions.
• Data Strategy and Governance. Data is the foundation for AA and AI, and early adopters have identified a cohesive data management strategy to ensure they have access to high-quality, standardized data. By developing the right data-management strategy and governance, companies can leverage broad, uniform data sets in AA and AI applications that cross traditional brand and market organizational boundaries. Successful companies develop a strategy and governance approach that is initially driven by a few priority projects but is suitable for a broad range of AA and AI applications as well.
• Data and Digital Platform. Companies must ensure that they have the right data and digital platform to support powerful AA and AI applications. Often, this requires rationalizing multiple platforms used within the organization. Companies need to approach this by separating their AA and AI data and digital platform development from the necessary, but often slow, upgrades of their legacy operating and transactional IT systems.

Getting AA and AI Right in CPG

Certain industry characteristics create hurdles for CPG companies that want to execute well in AA and AI. For one thing, many companies have a matrixed organizational structure with business units defined by brand or product, function (such as finance, marketing, or sales), and location. This structure helps CPG companies nimbly identify and address consumer needs in specific categories and markets, but it also creates obstacles when they are trying to drive large-scale or cross-functional transformations, such as the development and deployment of AA and AI.

At the same time, the data and technology strategies and processes of CPG companies are often less advanced than those of businesses in other industries. CPG organizations have historically invested heavily in market and business insights but less aggressively in core data infrastructure and big-data capabilities.

Como resultado, enquanto todas as empresas enfrentam desafios ao executar bem em todas as cinco áreas críticas para o sucesso de AA e IA, as empresas de CPG tendem a ter dificuldade particular em três delas: base de talentos e modelo operacional, estratégia e governança de dados e dados e plataformas digitais. Algumas empresas principais de CPG estão se movendo agressivamente para criar abordagens vencedoras em cada área. (Consulte "O Roteiro de AI vencedor de uma empresa".) Nosso trabalho e estudo sobre os que os iniciantes bem-sucedidos mostram o que as empresas de CPG devem fazer para superar os obstáculos e escalar com sucesso AA e AI. A empresa de bens de consumo tomou medidas agressivas para acelerar seus esforços de IA. Ao fazer isso, a empresa se concentrou em três grandes desafios. As ações da empresa ajudaram a colocá -lo na vanguarda de alavancar AA e AI, transformando sua base tecnológica para melhorar a velocidade e a agilidade.

Talent Base and Operating Model. To win in AA and AI, CPG players need to address the barriers to developing the right talent base and operating model created by their decentralized, matrixed structure.

To quickly scale across this matrix, CPG companies often conduct AA and AI efforts in a center of excellence (COE) under such global functions as finance, operations, and IT. The COE model involves establishing AA and AI teams in certain regional locations rather than in every business unit. That structure reduces the burden of recruiting top talent in areas such as data science, user interface and user experience design, and product management because the company isn’t trying to fill positions in those areas for every individual business unit. And potential recruits are likely to find that working in a COE, which includes a community of analytics experts and abundant resources, is more dynamic and compelling than working in a siloed business unit. These advantages are particularly important early in a company’s AA and AI journey because it will need to quickly expand its bench of AA and AI talent. The COE model, however, does have some potential downsides, including the risk of creating “stranded” technology that is too removed from frontline markets, consumers, and competitive dynamics. To overcome this, CPG organizations must cultivate the right relationship between the AA and AI team and the business’s frontline.

Many companies have fostered such relationships by implementing agile ways of working and collaboration—leveraging cross-functional teams that include key stakeholders from the business, as well as analytics, data, and technology experts. This improves the relationship between the business and a chosen function and increases the speed of both communication and delivery of a solution. Developing this symbiotic relationship between the AA and AI teams and the frontline business can not only elevate the profile of the teams but also helps frontline users to understand, and be comfortable with, their tools. That familiarity ultimately becomes a critical enabler to scale the efforts more broadly.

Beyond establishing agile ways of working and cross-functional teams, companies can also establish and deploy “SWAT teams” from COEs into specific markets and business units to provide support in developing high-potential, scalable AI and AA solutions. By providing on-the-ground support to ensure the sustained, widespread rollout of these solutions, such teams further increase the connection of AA and AI efforts to the frontline business.

Over time, the operating model must typically evolve in order to make certain that AA and AI solutions are deployed and sustained across the company. Sometimes that will mean rolling out a uniform solution in all markets, while in other cases it will mean adapting solutions to fit local conditions. In order to do both well, companies will need to either ensure that the central support team maintains its strong market connections or establish in-market AA and AI teams to help develop market-specific applications over time as capabilities mature.

Estratégia e governança de dados. As empresas de CPG enfrentam desafios de dados significativos. Primeiro, eles geralmente têm acesso limitado a dados esgotados granulares e consistentes em canais e mercados, além de limitados-ou até não-acesso aos dados do consumidor de primeira parte. Esses desafios foram historicamente abordados pela compra de dados de fornecedores de terceiros. Esses dados, no entanto, geralmente são incompletos e inconsistentes. Os dados para lojas individuais, por exemplo, podem estar disponíveis em alguns mercados, enquanto em outros mercados dessas falhas não estão disponíveis ou categorias inteiras de varejistas não são capturadas. Mas, mesmo sem os dados de vendas mais granulares ou de primeira parte do consumidor, as empresas de CPG geralmente podem desenvolver uma variedade de aplicativos AA e AI que agregam valor. Cada unidade normalmente utiliza diferentes fontes e sistemas de dados, geralmente com taxonomias e níveis exclusivos de granularidade. Isso significa que, com o tempo, essas unidades estabeleceram seus próprios processos de gerenciamento de dados, levando a uma ampla variedade de taxonomias para produtos, ingredientes, canais de marketing e similares em toda a empresa. Várias empresas de CPG, por exemplo, vêm perseguindo parcerias com os varejistas para obter acesso a dados esgotados mais granulares. Mesmo nesses casos, no entanto, é difícil acessar dados do consumidor de primeira parte. Isso está impulsionando algumas empresas de CPG a desenvolver programas de fidelidade, ofertas de serviços direta ao consumidor e plataformas de conteúdo como uma maneira de acessar dados de primeira parte. Em particular, eles empreenderam grandes esforços para padronizar a taxonomia para as informações necessárias para soluções de IA e AA de alta prioridade. Isso ajudou as organizações a superar os desafios criados por unidades de negócios individuais usando termos diferentes ou mesmo fontes de dados diferentes. Cada unidade cria aplicativos personalizados que são executados nesses sistemas principais. Como resultado, as empresas lutam para acessar e extrair dados uniformes dos sistemas e aplicações principais díspares para uso em soluções escaláveis ​​de IA ou AA. Isso cria uma plataforma escalável para aplicativos AA e AI e inovação digital, além de ajudar a criar uma ponte do legado para os sistemas principais modernizados. O desenvolvimento dessa plataforma normalmente começa em grandes mercados ricos em dados, com uma sequência clara planejada para puxar todos os mercados para a plataforma. Esse sucesso, no entanto, é apenas o começo. À medida que os jogadores do CPG expandem as maneiras pelas quais aproveitam a AA e a IA, o momento será construído; E um modelo operacional inteligente com uma forte base de talentos, governança de dados cuidadosa e plataformas digitais robustas proporcionarão resultados cada vez mais impactantes. Onde os casos de negócios atraentes? Prototipo, piloto e escala rapidamente?

Second, many CPG players today have lax data management, owing in no small part to their decentralized, matrixed structures. Each unit typically leverages different data sources and systems, often with unique taxonomies and levels of granularity. This means that, over time, these units have established their own data management processes, leading to a wide variety of taxonomies for products, ingredients, marketing channels, and the like across the company.

Early adopters have taken steps to address both issues. A number of CPG companies, for example, have been pursuing partnerships with retailers to gain access to more granular sell-out data. Even in those cases, however, it is difficult to access first-party consumer data. That’s driving some CPG companies to develop loyalty programs, direct-to-consumer service offerings, and content platforms as a way to access first-party data.

To solve the data management challenge, successful early adopters of AA and AI have established centralized governance of their data layers and focused on data standardization. In particular, they have undertaken major efforts to standardize taxonomy for the information that is required for high-priority AI and AA solutions. This has helped organizations to overcome the challenges created by individual business units using different terms or even different data sources.

Data and Digital Platform. CPG companies often have a fragmented systems landscape made up of separate legacy core systems (including enterprise resource planning and customer relationship management systems) used by individual business units or locations within the matrix. Each unit then creates custom applications that run on these core systems. As result, companies struggle to access and pull uniform data from the disparate core systems and applications for use in scalable AI or AA solutions.

To address these challenges, early adopters have built data and digital platforms that sit above those disparate core systems, which allows them to extract key data for use in AA and AI applications. This creates a scalable platform for AA and AI applications and digital innovation while also helping to create a bridge from legacy to modernized core systems. The development of such a platform typically begins in large, data-rich markets with a clear sequence planned to pull all markets onto the platform.

Building the New Bionic CPG Company

Early adopters of AA and AI in CPG have racked up impressive wins and revealed the potential of these new tools and solutions. This success, however, is just the beginning. As CPG players expand the ways they leverage AA and AI, momentum will build; and a smart operating model with a strong talent base, careful data governance, and robust digital platforms will deliver increasingly impactful results.

Those companies still in the early stages of developing their AA and AI strategies should look to the examples set by their leaders and consider some critical questions:

• What are the most important and valuable business outcomes that we can drive with AI and AA? Where are the compelling business cases?
• Do our efforts have sufficient business and leadership buy-in to really drive the process and behavior changes required to ensure adoption and capture value?
• How are AA and AI teams organized in the company today, and what operating model will foster high-impact, scalable solutions?
• Are we adopting new agile ways of working in our approach to rapidly prototype, pilot, and scale?
• Do we have the data platform, strategy, and governance to enable multiple AA and AI solutions at scale?
• Como podemos usar uma plataforma de dados e digital para entregar valor com AA e IA enquanto atualiza ou racionaliza simultaneamente nossos sistemas principais? Quando isso acontece, a promessa de AA e AI no CPG se tornará realidade. Nicolas de Bellefonds

As companies answer these questions for themselves, they can begin to prioritize and sequence efforts to build AA and AI solutions and the capabilities required to deliver them. When that happens, the promise of AA and AI in CPG will become a reality.