Dicembre 2020

Prevedere la domanda dei consumatori in un mondo imprevedibile

Cesar Brea, Sanjin Bicanic, Shweta Bhardwaj

Dicembre 2020

Prevedere la domanda dei consumatori in un mondo imprevedibile

La pandemia di Covid-19 ha sconvolto le previsioni della domanda che guidano i rivenditori e i fornitori di beni e servizi di consumo nel capire quanto ordinare o produrre, dove immagazzinare le scorte e quanto pubblicizzare o scontare. All'inizio della pandemia, la repentina introduzione dei blocchi e il passaggio al lavoro da casa hanno causato panico nell'acquisto di molti prodotti alimentari e casalinghi. Alcuni articoli si sono esauriti, mentre altri languivano sugli scaffali.

L’incertezza persiste anche oggi lungo diverse dimensioni. Alcuni prodotti, come gli asciugamani di carta e le verdure in scatola, rimangono piuttosto scarsi. I venditori di generi alimentari stanno accumulando mesi e non settimane di scorta di alcuni prodotti di base per prepararsi meglio ai mesi invernali, quando in coincidenza con l’aumento dei casi è facile prevedere che la gente tenda a rinchiudersi di più in casa. Questo potrebbe, a sua volta, far saltare le previsioni sui movimenti connessi alle vacanze e sull’andamento degli acquisti di stagione. Modifiche ai sussidi di disoccupazione, mercati finanziari più volatili e disordini sociali generati da cause diverse potrebbero determinare ulteriori scossoni alla domanda.

Stiamo anche assistendo a cambiamenti più profondi negli atteggiamenti e nei comportamenti dei consumatori che, in generale, hanno cercato il modo per abbassare i rischi, ridurre l’ansia e creare un senso di appartenenza. Ma esiste tutta un’ampia casistica di atteggiamenti e comportamenti nell’affrontare la malattia, così come nel praticare attività fisiche, in base all’età, al reddito e all’orientamento politico. Comprendere questi nuovi modelli e identificare i nuovi cluster di clienti che si formano nel periodo della pandemia potrebbe migliorare le previsioni, cosa che dovrebbe rappresentare una priorità per molte aziende.

Di fronte a queste sfide, quando le previsioni si rivelano inappropriate come è successo durante la pandemia, i manager tendono a tornare a muoversi in base al loro istinto. Questo rende meno accurate le previsioni, generando ulteriore confusione nei dati. Questo tipo di preconcetti assume molte forme diverse. Una forma comune che vediamo nel nostro lavoro di pianificazione della domanda tra le aziende di beni di consumo confezionati consiste nel cercare di compiacere i rivenditori garantendo un'ampia offerta di articoli, indipendentemente dal fatto che ci si aspetti che questi articoli possano vendere bene. I rappresentanti sul campo non vogliono entrare in un negozio e sentire lamentele sulle scorte, che compromettono le vendite oggi e danneggiano le relazioni con i clienti e, quindi, le quote di mercato di domani. Ma oscillare troppo nell’altra direzione – ossia, ridurre i rischi limitando eccessivamente le scorte – è costoso, sia direttamente, perché penalizza le vendite oggi, sia indirettamente, perché danneggia i rapporti di canale e fa perdere quote di mercato domani.

I manager tendono anche a cadere nella trappola del “ciò che vedi è ciò che c'è”, per esempio quando guardano solo alla risposta alla pandemia nella loro area. Alcune aziende con una forte presenza in regioni inizialmente poco toccate dalla pandemia hanno infatti da principio ritenuto che le più complesse situazioni delle regioni più colpite non avrebbero avuto alcuna influenza su di loro.

Ma invece si rinunciare a creare un modello, dovrebbero elaborare i loro modelli in modo diverso.

 

Trovare set di dati alternativi

Un modo più affidabile per navigare in mari agitati è la ricerca di set di dati alternativi – ad esempio, utilizzando una mix di modelli più semplici e scavando più a fondo per ottenere dati non scontati, a volte non strutturati sulle aree poco conosciute. Sono dati che spesso vivono nella mente delle persone che utilizzano le previsioni (si pensi alle conoscenze dei dipendenti sugli eventi del mercato locale e su altre condizioni) e possono essere strutturati e rappresentati in questi modelli.

Iniziate con il definire i set di dati. Molti modelli di previsione si basano su dati sulle vendite pregresse. In tempi relativamente stabili, questi dati possono rappresentare una valutazione accurata della prossima stagione. Ma quando una pandemia colpisce, i passati modelli che ci sono familiari diventano irrilevanti, mentre eventi analoghi potrebbero avere un maggiore potere predittivo.

Le analogie potrebbero consistere in shock economici del passato, come il crash delle dotcom; disastri naturali del passato, in particolare gli uragani, che perturbano le catene di approvvigionamento per lunghi periodi; o regioni che si sono riprese da un’impennata dei casi. Dati ricavati da eventi analoghi – ad esempio, quanto tempo ci hanno messo la domanda e l'offerta a riprendersi in Paesi o città diversi – può aiutare a illuminare il futuro prossimo durante e dopo la pandemia in atto.

I dati relativi a eventi analoghi non racconteranno la storia completa, naturalmente. Le aziende hanno anche bisogno di dati in tempo reale o quasi, che tengano traccia dei comportamenti e degli atteggiamenti attuali dei consumatori. A tal fine, le aziende di beni di consumo, che spesso non dispongono di dati puntuali e precisi sui punti vendita, cercheranno di convincere i rivenditori a condividere più facilmente i loro dati di prima mano, oppure potrebbero creare canali diretti con i consumatori. Anche questi dati potrebbero non essere rapidamente disponibili in altre regioni. In tal caso, le statistiche delle vendite attraverso i canali di e-commerce, i modelli di ricerca online, i dati sulla mobilità degli smartphone e l’analisi del sentiment dei social media possono fornire utili segnali dell’orientamento dei consumatori.

Un’azienda alimentare globale ha adottato questo approccio pochi mesi dopo l’esplosione di Covid-19 per rilevare gli andamenti della domanda in canali non misurati come ristoranti, bar e alberghi, cosa che non aveva mai fatto in precedenza. L’azienda utilizza dati di localizzazione anonimi provenienti da telefoni cellulari e ha identificato una ventina di variabili predittive relative a sette categorie di prodotti. Queste serie di dati confluiscono in uno strumento che simula diversi scenari a seconda della disponibilità di vaccini, delle politiche di blocco, degli stimoli economici e di altri fattori in ogni Paese. Ha anche costruito un “indice del panico” per tracciare il sentiment dei consumatori ricavandolo dai feed dei social media. Finora, lo strumento sta funzionando in modo più accurato rispetto alle precedenti stime della domanda fatte dai rappresentanti delle vendite in prima linea.

 

Sfruttare le conoscenze locali

I dati raccolti dovrebbero, tuttavia, includere le conoscenze locali. Un'azienda di prodotti da forno con cui abbiamo lavorato in passato utilizzava un algoritmo che ipotizzava un aumento della domanda durante alcune festività nazionali. Ma parlando con i rappresentanti sul campo, abbiamo scoperto che altri eventi – in particolare, fiere regionali, tornei di pesca e partite di calcio delle leghe minori – erano più importanti in alcuni mercati. L'inserimento di queste informazioni nel modello basato sul machine learning dell'azienda ha migliorato notevolmente la precisione delle previsioni. Una migliore accuratezza, a sua volta, ha ridotto i resi dei negozi, gli sprechi di prodotti e il tempo di attesa degli autisti dei camion per gli ordini. Dopo la pandemia, l’azienda ha realizzato un miglioramento dei profitti al lordo delle imposte di oltre 75 milioni di dollari grazie alla riduzione dei sovra-ordini e delle scorte.

Al di là delle conoscenze locali, le aziende possono anche chiedere il giudizio di esperti, compresi epidemiologi in caso di pandemia, o consulenti senior e associazioni di categoria per le prospettive del settore. Utilizzando il metodo Delphi – cioè aggregando le opinioni di un gruppo di esperti – le aziende possono costruire il giudizio degli esperti come parte dei set di dati che vanno a costruire i modelli, piuttosto che limitarsi ad aggiustare l’output del modello a posteriori.

 

Abbracciare la modellazione d’insieme

Una volta che un'azienda dispone di dati più rilevanti, il compito successivo è di migliorare la propria capacità di elaborare i modelli. Qui conviene pensare come lo fa un meteorologo a proposito di un uragano: in condizioni dinamiche e incerte, la fusione di molti modelli semplici spesso funziona meglio di un modello complesso, che in queste condizioni può essere più fragile.

La costruzione di un insieme di modelli combina le previsioni di diversi modelli per suggerire una stima puntuale, o un intervallo ragionevole, quando i dati sottostanti di un singolo modello sono instabili. I meteorologi che seguono gli uragani tracciano i percorsi previsti da diversi modelli mettendoli insieme su un grafico, in modo che gli utilizzatori possano avere una buona percezione della tendenza principale del percorso della tempesta.

Consideriamo l’introduzione di un nuovo prodotto durante la pandemia. Un modello potrebbe utilizzare una semplice media mobile delle vendite. Un altro potrebbe incorporare i dati delle vendite passate di un prodotto della stessa famiglia per individuare i modelli di quel prodotto durante i periodi di instabilità. Un altro modello potrebbe rappresentare ciò che sta accadendo in altri negozi simili. Poiché ciascuno dei singoli modelli copre diverse caratteristiche della domanda, se tutti puntano in una certa direzione, la fiducia in quel percorso aumenta. Se non puntano nella stessa direzione, la semplicità e la trasparenza di ogni modello rendono più facile capire perché ognuno di essi punti nella propria direzione.

All’inizio, durante la pandemia, un’azienda sanitaria ha faticato a prevedere con precisione i volumi di chiamate al proprio centro di contatto, con conseguente sovraccarico di costi del lavoro a causa dell’eccesso di personale. L'azienda ha scavato nelle fonti generatrici d’errore e ha sviluppato una serie di variabili che consentono di prevedere meglio quando e perché le persone chiameranno. Una variabile era ciò che accadeva in altri Paesi che erano già stati colpiti da Covid-19; un’altra era la richiesta di pre-autorizzazione. Il nuovo modello predittivo consisteva in un insieme di modelli più semplici e trasparenti rispetto al modello utilizzato prima della pandemia. Utilizzava un mix di nuovi dati e di input da parte di esperti. Di conseguenza, l’azienda ha ridotto sostanzialmente l'errore di previsione in settimane.

 

Test, test, test

Con i mercati dei beni di consumo ancora alle prese con cancellazioni, sovrapposizioni, sorprese e differenze geografiche, i manager hanno bisogno di un processo disciplinato per convalidare i risultati attraverso test rapidi e frequenti. Approcci semplici come i test A/B offrono sia velocità che flessibilità.

Ad esempio, gli adulti in quarantena di 65 anni e più che non hanno mai preso in considerazione l’acquisto di generi alimentari online, ora si rivolgono sempre più a questi servizi. Un droghiere potrebbe impostare un test A/B per misurare quali messaggi di marketing sono più efficaci con queste nuove tendenze demografiche. Il test A/B può anche valutare l’efficacia dei diversi canali di marketing, confrontando le prestazioni di una divisione 50-50 di video in streaming e di annunci sui social media con diversi mix di annunci.

Il test ha anche un vantaggio dal punto di vista logistico. Ad esempio, un’azienda potrebbe voler determinare l’effetto del raddoppio o del taglio a metà di un certo tipo di pubblicità sui media nelle aree metropolitane che sperimentano una nuova ondata di infezioni. L’esecuzione del test non produce solo intuizioni analitiche, ma aiuta anche a valutare se fare queste cose è fattibile, come l’azienda acquisterebbe i media extra o se ha la flessibilità contrattuale per tagliare.

Poiché i manager delle aziende che si rivolgono ai consumatori hanno visto la loro accuratezza di previsione degradarsi nel corso del 2020, le risposte sono andate dai tagli alla produzione e al marketing fino a quando la situazione non si è assestata a semplici e lineari aggiustamenti a livello generale. Al contrario, un gruppo più piccolo che perseguiva nuovi set di dati, simulazioni e sviluppo di modelli sta avendo un successo iniziale nel prevedere meglio la domanda. Questo li aiuta a contenere i costi senza sacrificare la crescita, e li mette in una posizione più forte per ripartire una volta che i mercati si saranno stabilizzati. Dato che è molto probabile che la volatilità attuale persista anche nel 2021, molte altre aziende dovrebbero seguire il loro esempio.

Questo articolo gratuito fa parte di una serie realizzata allo scopo di contribuire allo sforzo di far fronte alle conseguenze della pandemia. Se avete apprezzato questi articoli, considerate un abbonamento a Harvard Business Review Italia. È il modo migliore per aiutarci a rafforzare l’iniziativa.

Cesar Brea è partner della practice Advanced Analytics di Bain & Company.

Sanjin Bicanic è partner associato con l'Advanced Analytics di Bain & Company.

Yue Li è senior manager della divisione Advanced Analytics di Bain & Company.

Shweta Bhardwaj è partner della pratica di Customer Experience di Bain.

Commenta scrivi/Scopri i commenti

Condividi le tue opinioni su Hbr Italia

Caratteri rimanenti: 400

Edizione Digitale

Leggi Hbr Italia
anche su tablet e computer

Newsletter

Lasciaci la tua mail per essere sempre aggiornato sulle novità di HBR Italia