Desbloqueando o crescimento do CPG com AI e Analytics Avançado

In the battle for market share in the consumer packaged goods (CPG) market, large players have been challenged recently by nimble niche competitors, as well as by traditional and online retailers that use their data advantage and direct consumer connections to push private-label or alternative marcas. Mas essas empresas têm várias maneiras de contra -atacar, uma das quais é usar a Inteligência Artificial (AI) e a análise avançada para transformar seus próprios dados em informações valiosas. (Ver " Como as grandes empresas de consumo podem revidar , ”BCG Artigo, setembro de 2017.)

Para entender o valor, o impacto e os desafios da adoção de IA e da análise avançada para empresas de CPG, realizamos um estudo conjunto com o Google, no qual entrevistamos os executivos (Breathes, de maneira rápida. Usando IA e análise avançada em escala, as empresas de CPG podem gerar mais de 10% de crescimento da receita por meio de previsões de demanda mais preditivas, sortimentos locais mais relevantes, serviços e experiências personalizados de entrevistas, marketing e promoção otimizados e Metodologia e Metodologia de Promoção e Metodologia [METODOLOGRATATATH3 [METODOLOGIA DO ESTUDO 1102 = Com diretores digitais, diretores de informação e gerentes gerais de 25 CPGs globais (8 dos quais estão entre os 10 principais players globais) e 5 marcas de nicho

But this value still eludes most large CPG companies. Although nearly all those we interviewed had started experimenting with AI and advanced analytics in their core business, none had scaled even one application. They cited multiple organizational roadblocks, from timid support on the part of senior executives to poor data governance and a lack of taxonomy (that is, an agreed-upon data framework), as well as fragmented teams and a failure to ­anticipate fully the impact on jobs and ways of working that AI and advanced ­analytics will have.

Indeed, reaping the benefits of these tools requires sustained, coordinated effort to overcome such barriers. It also requires CPG companies to direct their focus on three to five high-priority areas as opposed to dozens.

Putting AI and Advanced Analytics to Work

CPG companies can increasingly access vast amounts of information, from traditional enterprise data (via their finance and operations departments) to consumer data (especially online behavior) to partner data (typically by way of panels, retailers, insight partners, and others)—even data generated from sensors and Internet of Things (IoT) applications. So far, however, they have neither treated this data as a strategic asset to be protected and nurtured nor applied it in ways that would have a concrete impact on their business.

By using AI and advanced analytics techniques, brands can generate actionable ­insights from such data. The most obvious application for AI and advanced analytics techniques is making predictions, such as the level of demand for a new product, the estimated impact of a marketing campaign, or the emergence of a new consumer trend.

We have identified about 30 applications that brands can use to harness AI and advanced analytics to boost their business. They touch all functions in a CPG organization, from marketing and insights to operations, sales, and support. They can also be used to power new, innovative services such as personalized assistants and recommendation engines.

Out of these 30, we singled out 10 primary applications that represent most of the AI and advanced analytics opportunity for CPGs. When deployed at scale, they can result in more than 10% growth in sales. (See Exhibit 1.)

Four of the ten were cited most often by those in our study and are considered “must-haves” in all CPG categories:

1. Demand forecasting for existing and new products by SKU and region

2. Medição de ROI para prever o impacto nas vendas de publicidade e gastos promocionais

3. Data-powered sales activation for identifying the right retail outlets/points of sale at which to activate the applications and the right set of sales actions to take at the point-of-sale level to maximize market share

4. Optimized product assortments at the individual store level

The other six applications are considered sector-dependent, as impact and implementation complexity can differ widely among sectors such as beauty, food and beverage, and consumer health care:

5. Previsões de tendência para desenvolvimento de produtos

6. R&D e aceleração de teste (em silico)

7. Dinâmica, localizada, preços personalizados e promoções

8. Serviços de recomendação

9. Personalized consumer engagement

10. AI-powered diagnostic and recommendation services

Notavelmente, essas aplicações incluem previsões de tendências, que são mais relevantes para os setores caracterizados por pouco tempo de mercado, como beleza e preços e promoções dinâmicas, que, para implementar efetivamente, a necessidade de efetivos que se requerem, o que é um dos aplicativos que se requerem, o que é mais raro em alimentos e bebidas, por exemplo). Simples, implantá -los em toda a organização é uma tarefa que ainda ilude a maioria dos CPGs. Dos 30 CPGs em nosso estudo, todos começaram a trabalhar em pelo menos uma IA e aplicação avançada de análise e metade deles em quatro ou mais. (Veja o Anexo 2.) Mas nenhum havia tomado uma única aplicação e a administrou em toda a organização. Garantir que eles sejam adotados - agora é um tópico -chave de discussão entre os líderes seniores. Mas eles também citaram vários desafios. A ampliação de um aplicativo é difícil, com investimentos significativos e esforços gerenciais necessários em toda a organização. Mas a implantação desse POC em escala geralmente exige trabalho em várias frentes: na IA e nas análises avançadas, para que sejam robustas o suficiente para serem implantadas globalmente em toda a organização; Nos dados, solidificar sua qualidade e padronizar sua taxonomia entre países e marcas; e em sistemas de TI existentes, que podem ser redundantes por novos aplicativos de IA e análise avançada ou requerem alterações significativas antes que possam fornecer ou receber dados dos aplicativos. de um grande número de funcionários e gerentes. E, finalmente, talento e habilidades, porque a construção e a manutenção de aplicações requer um pool de talentos (cientistas de dados, engenheiros e analistas) que os CPGs precisarão se desenvolver pelo menos parcialmente para evitar confiar apenas em vendedores de terceiros. Organizações:

While determining which AI and advanced analytics applications would be most effective is relatively simple, deploying them across the organization is a task that still eludes most CPGs. Of the 30 CPGs in our study, all had started working on at least one AI and advanced analytics application and half of them on four or more. (See ­Exhibit 2.) But none had taken a single application and administered it throughout the organization.

Barriers to Scaling Up

Most of the CPG executives we interviewed for our study said scaling up AI and ­advanced analytics—and making sure they’re adopted—is now a key topic of ­discussion among senior leaders. But they also cited a number of challenges. Scaling up even one application is difficult, with significant investment and managerial ­efforts required across the organization.

It is typically ­necessary to build a small proof of concept (PoC) for a specific application on a specific brand and in a specific ­country. But ­deploying that PoC at scale will often ­require work on multiple fronts: on the AI and advanced analytics themselves, so that they’re robust enough to be deployed ­globally across the entire organization; on the data, to solidify its quality and standardize its taxonomy across countries and brands; and on existing IT systems, which may be made redundant by new AI and advanced analytics applications or require significant changes before they can either provide or receive data from the applications.

Other areas that need attention include existing business processes, managerial routines, and job descriptions, because AI and advanced analytics will alter any current decision-making processes, automate manual tasks and calculations, and in the process, change the day-to-day duties of a large number of employees and managers. And finally, talent and skills, because building and maintaining applications requires a talent pool (data scientists, engineers, and analysts) that CPGs will need to at least partially develop to avoid relying solely on third-party vendors.

In considering these difficulties, we identified six distinct roadblocks to effectively scaling up AI and advanced analytics at CPG organizations:

• Falta de visão. esforços. A organização lança vários pequenos testes com vários fornecedores, mas não realiza acompanhamento. Ele também falha em colocar o esforço necessário para industrializar, aumentar e lançar a aplicação. The organization makes only a limited effort to evaluate the impact of AI and advanced analytics, along with the associated size of the prize, and to educate senior management accordingly, which limits the willingness to invest.
• Insufficient Prioritization. This leads to a “PoC explosion,” which dilutes efforts. The organization launches multiple small tests with various vendors but performs no follow-­through. It also fails to put the necessary effort into industrializing, scaling up, and rolling out the application.
• Gap de talentos. Enquanto isso, a organização faz várias tentativas de desenvolver conhecimentos locais, mas muitas vezes carece de massa crítica. Impacto. Ele não prevê totalmente o impacto que a IA e a análise avançada terão nos processos de negócios existentes, processos de tomada de decisão e rotinas gerenciais, bem como nos empregos diários dos funcionários e nas habilidades necessárias. Difficulty identifying, recruiting, and retaining the right talent (data scientists, engineers, analysts) leads to an overreliance on outside vendors, which makes it hard to control the execution. Meanwhile, the organization makes multiple attempts to develop local expertise, but it often lacks critical mass.
• Limited Data Governance. The organization has no processes in place for data management, quality, or ownership, nor does it have common (cross-division, cross-country) data taxonomies to facilitate scaling up.
• Underestimated Impact. The organization misjudges the level of investment required in change management and in shoring up any related skills. It fails to fully anticipate the impact that AI and advanced analytics will have on existing business processes, decision-­making processes, and managerial routines, as well as on employees’ daily jobs and required skills.
• Especificidade do mercado inadequado. Também não reconhece as diferenças de requisitos, prioridades e restrições entre diferentes mercados.  The organization doesn’t consider how digital ecosystems, data availability, channel dynamics, and vendor capabilities vary across markets. It also fails to recognize the differences in requirements, priorities, and constraints among different markets. 

embarcando na jornada

dimensionando a IA e os aplicativos de análise avançada e os recursos relacionados a construir são tipicamente um processo de dois a três anos. (Consulte Anexo 3.) Antes de começar, as marcas precisam tomar uma série de etapas para evitar obstáculos comuns e garantir a implementação rápida. Aplicações. O lançamento de 10 a 15 iniciativas simultaneamente aumenta a probabilidade de essas iniciativas ficarem presas no estágio do POC - em parte porque a atenção dos gerentes seniores que os supervisiona se espalhará muito. As empresas que se concentram em algumas oportunidades (aquelas com maior viabilidade e impacto potencial) têm uma chance melhor de entregá -las em escala. Por exemplo, uma marca global de moda selecionou duas áreas para se concentrar: envolvimento personalizado do consumidor e variedade de lojas. Isso permitiu à marca fazer os investimentos necessários em ciência de dados e recursos de TI. Ele também garantiu que haveria um envolvimento suficiente de nível sênior para que as iniciativas tenham sucesso. Os principais executivos (normalmente gerentes gerais de país ou marca ou acima) devem estar dispostos a patrocinar e pilotar uma aplicação em sua divisão ou geografia, e um líder de negócios sênior deve ser capaz de dedicar 20% a 30% de seu tempo para dirigir seu desenvolvimento. As marcas também devem trabalhar para garantir que haja um interesse significativo entre os membros da equipe local que ajudarão a lançar os aplicativos. O fornecimento de uma solução de IA de ponta a ponta e a solução de análise avançada aumentará sua carga de trabalho-e, no processo, acabará desafiando significativamente os hábitos existentes em toda a organização. Embora uma solução pronta para uso ofereça a vantagem da velocidade, ela custa a propriedade da propriedade intelectual. Também não terá a funcionalidade de uma solução personalizada, bem como qualquer entendimento interno que venha da construção de ela internamente. Os CPGs devem determinar no início das áreas mais bem servidas pelo software existente e pelas quais seria melhor construir suas próprias soluções (potencialmente com os parceiros, desde que eles possuam o IP). Essas decisões devem basear -se na criticidade do processo abordado, bem como na vantagem de dados da empresa sobre seus fornecedores. (Consulte “O dilema da Build-ou-Buy na IA”, BCG Article, janeiro de 2018.) Por exemplo, uma empresa de beleza optou por construir uma solução personalizada para prever tendências de mercado específicas para suas categorias e hospedadas em seu próprio ambiente. Isso permitiu à marca manter o controle completo sobre uma ferramenta que poderia um dia se tornar uma vantagem competitiva. Quaisquer restrições ou requisitos específicos do mercado precisam ser abordados desde o início, ou a organização corre os riscos que encontram os showstoppers no final da fase de design ou implementação. substituindo sistemas especializados existentes em algumas funções -chave, como operações) e padronizando os esforços em torno da estrutura e taxonomia de dados. Tais ações não precisam ser tomadas durante a fase do protótipo, mas devem estar preparadas para se uma empresa quiser evitar ter que descartar tudo e começar de novo depois que um primeiro piloto se mostrou bem -sucedido. Por exemplo, embora não seja necessário limpar e estruturar um banco de dados Global de SKU antes de prototipar uma solução que prede a demanda, é importante criar um primeiro rascunho de uma taxonomia comum para descrever produtos relacionados.

Narrow Down The Choices

CPGs need to focus on just a handful of applications. Launching 10 to 15 initiatives ­simultaneously makes it more likely that those initiatives will get stuck at the PoC stage—in part because the attention of the senior managers overseeing them will be spread too thin. Companies that focus on a handful of opportunities (those with the greatest feasibility and potential impact) have a better chance of delivering them at scale. For example, a global fashion brand selected two areas to focus on: personalized consumer engagement and store assortment. This allowed the brand to make the necessary investments in data science and IT resources. It also ensured that there would be enough senior-level engagement to make the initiatives succeed.

Get High-Level Buy-In

Before launching any application, companies need to ensure that it will actually get traction. Top executives (typically country or brand general managers or above) should be willing to sponsor and pilot an application in their division or geography, and a senior business leader should be able to dedicate 20% to 30% of his or her time to steering its development. Brands should also work to ensure that there is significant interest among the local team members who will help launch the applications. Delivering an end-to-end AI and advanced analytics solution will add to their workload—and in the process will end up significantly challenging existing habits throughout the organization.

Assess Build-Versus-Buy Choices

Multiple vendors offer ways to address specific issues with off-the-shelf (or semi-­customizable) AI and advanced analytics software. While an off-the-shelf solution offers the advantage of speed, it comes at the expense of intellectual property ownership. It will also lack the functionality of a custom-­built solution, as well as any internal understanding that would come from building it in-house. CPGs should determine early on the areas best served by existing software and those for which it would be best to build their own solutions (potentially with partners, as long as they own the IP). These decisions should be based on the criticality of the process addressed as well as the company’s data advantage over its vendors. (See “The Build-or-Buy Dilemma in AI,” BCG article, January 2018.) For example, a beauty company chose to build a custom solution for predicting market trends that was specific to its categories and hosted in its own environment. This allowed the brand to maintain complete control over a tool that could one day become a competitive advantage.

Address Market-Specific Needs 

Consumer behaviors, digital ecosystems, and access to data assets have evolved in significantly different ways across major markets. Any market-specific constraints or requirements need to be tackled early on, or the organization risks encountering showstoppers late in the design or implementation phase.

Prepare for Impact

Deploying AI and advanced analytics solutions at scale typically requires building new technology environments (to feed, host, and maintain algorithms), adapting to the current ecosystem (for example, by replacing existing expert systems in some key functions, such as operations), and standardizing efforts around data structure and taxonomy. Such actions don’t need to be taken during the prototype phase, but they should be prepared for if a company wants to avoid having to scrap everything and begin anew after a first pilot has proved successful. For example, while it’s not necessary to clean and structure a global SKU database before prototyping a demand-­forecasting solution, it is important to create a first draft of a common taxonomy to describe related products.

Gerencie a alteração

Introdução de IA e Soluções de análise avançada desafia sistematicamente quaisquer processos de tomada de decisão existentes e, em alguns casos, reduz drasticamente ou até elimina o tempo necessário para concluir determinadas tarefas. Por exemplo, uma empresa de artigos de luxo descobriu que um mecanismo de previsão de demanda eficaz levou a uma redução de 60% a 80% no tempo que seu departamento de cadeia de suprimentos gasta no planejamento diário da demanda. Para evitar a resistência organizacional, as empresas precisam se comunicar efetivamente à sua equipe, o impacto da IA ​​e a análise avançada antes do tempo e dar à perspectiva das equipes sobre como esses aplicativos afetarão seus trabalhos e maneiras de trabalhar. As empresas de CPG podem usar a IA e análises avançadas para traduzir dados relacionados ao consumidor em insights e depois dispersar essas idéias em toda a organização-do design do produto à cadeia de suprimentos ao marketing e às vendas. Isso exigirá mudanças significativas em maneiras de trabalhar em toda a organização, desde a tomada de decisão no nível da diretoria até as operações do piso da loja. É uma longa jornada, mas as empresas de CPG podem começar pequenas, concentrando -se em alguns aplicativos e empurrando -os incansavelmente de ponta a ponta. Guillaume Charlin

---

Deploying select AI and advanced analytics applications can yield significant benefits in the short term, but the broader opportunity for CPG companies lies in how these applications will help put the consumer at the center of their operating model. CPG companies can use AI and advanced analytics to translate consumer-­related data into insights and then disperse those insights throughout the organization—from product design to supply chain to marketing and sales.

To achieve that goal, investments in AI and advanced analytics will not be enough. It will require significant changes to ways of working throughout the organization, from board-level decision making to shop floor operations. It’s a long journey, but CPG companies can start small by focusing on a few applications and relentlessly pushing them from end to end.