Predecir el aumento de ventas derivado de una promoción comercial —es decir, el volumen de ventas incremental generado por dicha promoción por encima de lo que se habría vendido al precio habitual— es el reto técnicamente más complejo en la gestión de ingresos del sector de los productos de gran consumo (CPG/FMCG). Un estudio de McKinsey & Companyrevela que el 72 % de las promociones comerciales en EE. UU. no generan beneficios, y una parte significativa de ese fracaso se debe a hipótesis erróneas sobre el aumento de ventas en la fase de planificación: las promociones diseñadas en torno a estimaciones exageradas de dicho aumento suelen ofrecer un retorno de la inversión (ROI) inferior al esperado.
Para las marcas de productos de consumo empaquetados (CPG) y de gran consumo (FMCG) que venden a través de clientes minoristas como Walmart, Kroger, Target, Costco, Amazon Fresh, Tesco y Carrefour, una predicción precisa del impacto promocional marca la diferencia entre una inversión comercial que genera beneficios y otra que erosiona los márgenes. Las capacidades de TPO de Blue RGM de UpClear utilizan modelos de referencia de IA y de aumento de ventas por promoción entrenados con datos históricos de ventas de NielsenIQ, Circana, SPINS u otros puntos de venta (POS) para generar predicciones de impacto promocional coherentes y automatizadas para cada cliente minorista y cada referencia (SKU), lo que permite a las marcas de productos de gran consumo (CPG) lograr una mejora del 10 al 20 % en el retorno de la inversión promocional al concentrar el gasto en aquellas promociones que han demostrado su eficacia.
El «impulso promocional» es el volumen adicional generado por una promoción comercial por encima del volumen de referencia. Se refiere a las compras adicionales de los consumidores atribuibles a la reducción de precio, la exposición en el punto de venta o la inversión publicitaria, y no a las compras que se habrían producido de todos modos al precio habitual. Para predecir con precisión el aumento antes de que se ponga en marcha una promoción se necesitan dos datos: una estimación fiable del volumen de referencia (lo que se vendería sin la promoción) y un modelo que indique cuánto volumen adicional se generaría para ese producto mediante una mecánica promocional específica, como un TPR con escaneo, un expositor en los extremos de los pasillos, publicidad destacada o una combinación de estas.
Ambos aspectos plantean retos técnicos. La estimación de referencia requiere tener en cuenta la estacionalidad, la actividad de la competencia, los cambios en la distribución y las tendencias subyacentes de la demanda. La modelización del impacto promocional requiere datos históricos suficientes sobre promociones a nivel de cliente, SKU y mecánico para identificar patrones estadísticamente fiables. Según elPromotion Optimization Institute (POI), menos del 30 % de las marcas de productos de gran consumo (CPG) cuentan con la infraestructura de datos necesaria para elaborar previsiones fiables y prospectivas del impacto promocional, lo que hace que la mayoría dependa de medias históricas o del criterio de los gestores de cuentas.
Los equipos de comercialización de productos de gran consumo (CPG/FMCG) y/o de gestión de ingresos utilizan cuatro categorías de métodos para predecir el aumento de ventas derivado de las promociones, que van desde los más básicos hasta los más avanzados.
Promedio histórico: el método más sencillo consiste en calcular el aumento medio de ventas registrado en promociones similares en el mismo comercio en años anteriores y aplicarlo como previsión. Resulta útil para orientarse, pero no tiene en cuenta los cambios en la dinámica competitiva, la estructura de precios o el cansancio promocional.
Descomposición de datos sindicados: NielsenIQ, Circana y SPINS ofrecen una descomposición del volumen en base e incremental en sus informes de ventas, lo que permite a las marcas crear bases de datos históricas de tasas de crecimiento por minorista, canal de distribución y nivel de precios. Es más preciso que los simples promedios, pero requiere una inversión continua en datos sindicados y un análisis manual para extraer predicciones prospectivas que se puedan aplicar en la práctica.
Modelización econométrica: modelos estadísticos elaborados por equipos de ciencia de datos que tienen en cuenta simultáneamente múltiples factores que influyen en la demanda, como la elasticidad de los precios, las promociones de la competencia y la distribución, así como la estacionalidad, con el fin de aislar el verdadero efecto promocional. Es el método más preciso de entre los enfoques manuales, pero requiere recursos analíticos especializados de los que la mayoría de las marcas de productos de gran consumo del segmento medio no disponen internamente.
Previsión de la base y la elevación mediante IA: Funcionalidades de TPO en la versión Blue RGM de UpClears y manteners Modelos de referencia y de aumento de ventas basados en aprendizaje automático (ML), entrenados a partir de datos históricos de ventas de NielsenIQ, Circana, SPINS u otros puntos de venta (POS), sin necesidad de contar con un equipo especializado en ciencia de datos. Este es el enfoque más escalable y coherente para las marcas de productos de gran consumo (CPG) que gestionan promociones en múltiples establecimientos minoristas y cientos de referencias (SKU).
Las capacidades de TPO de Blue RGM automatizan la predicción del impacto promocional dentro de la misma plataforma que se utiliza para la gestión diaria de las promociones comerciales (TPM), sin necesidad de un sistema analítico independiente. Para cada combinación de cliente y referencia (SKU), los modelos de ciencia de datos de Blue RGM establecen un volumen de referencia estadístico utilizando datos históricos de ventas de NielsenIQ, Circana, SPINS u otros datos de punto de venta (POS), teniendo en cuenta la estacionalidad, las tendencias y los cambios en la distribución.
A continuación, los modelos de aumento calculan el volumen incremental previsto a partir de mecánicas promocionales específicas, la profundidad del TPR, el tipo de exposición, la publicidad destacada o una combinación de estos factores, basándose en el rendimiento histórico de promociones comparables en el mismo minorista. Cuando un gestor de cuentas elabora un plan promocional en el módulo Planner de Blue RGM, el aumento previsto y el ROI del escenario planificado se muestran en tiempo real, lo que permite compararlos con otras alternativas antes de enviar el plan al cliente minorista. Los modelos de aumento de ventas de Blue RGM se actualizan automáticamente a medida que llegan nuevos datos de ventas, lo que significa que los modelos mejoran continuamente con cada campaña promocional que se lleva a cabo.
Para predecir la eficacia de las promociones antes de comprometer el gasto, se requieren cinco pasos que Blue RGM de UpClear automatiza gracias a sus funciones integradas de TPM y TPO.
Las marcas de productos de gran consumo (CPG/FMCG) que ponen en marcha y aplican herramientas y procesos de TPO logran un aumento del 10 al 20 % en el retorno de la inversión promocional.
El aumento promocional es el volumen de ventas adicional que genera una promoción comercial por encima del nivel de referencia, es decir, el volumen que se habría vendido de todos modos al precio habitual. Se debe a reducciones de precio, expositores o publicidad. Para predecir el aumento promocional se necesitan dos datos: una estimación fiable del volumen de referencia y un modelo que indique qué volumen adicional generará una mecánica promocional concreta.
No. El aumento de las ventas puede incluir el crecimiento derivado de la distribución o de la estacionalidad. El aumento promocional se refiere específicamente a un evento promocional.
Los equipos de CPG/FMCG utilizan cuatro enfoques diferentes para predecir el aumento de ventas derivado de las promociones, que van desde los más básicos hasta los más avanzados:
1. Media histórica (aplicando tasas de aumento de ventas anteriores)
2. Descomposición de datos sindicados (utilizando informes de NielsenIQ, Circana o SPINS sobre ventas base/incrementales)
3. Modelización econométrica (modelos estadísticos que tienen en cuenta múltiples factores que impulsan la demanda)
4. Previsión de base y aumento mediante IA (creación automática de modelos de aprendizaje automático a partir de los propios datos de ventas de una marca)
La estimación de referencia requiere tener en cuenta la estacionalidad, la actividad de la competencia, los cambios en la distribución y las tendencias de la demanda. Sin embargo, la elaboración de modelos de lift requiere disponer de suficientes datos históricos a nivel de cliente, SKU y mecánico para identificar patrones fiables. Crear y mantener esta infraestructura de datos supone un reto para muchas marcas de productos de gran consumo.
UpClear es una empresa de software y desarrolladora de Blue, una plataforma de inteligencia utilizada por marcas de bienes de consumo. Ofrecemos una solución integral de gestión del crecimiento de los ingresos, que incluye funcionalidades para TPM, TPO, IBP y RGM. Nuestra misión es ayudar a las marcas a maximizar el rendimiento de sus ingresos y la rentabilidad de sus inversiones comerciales mediante un software inteligente y colaborativo, que proporciona una única fuente de información fiable, una automatización optimizada e información útil para la toma de decisiones.
La plataforma Blue RGM Intelligence da soporte a los procesos de gestión de ingresos, desde los brutos hasta los netos, de principio a fin: planificación operativa anual, planificación de cuentas y ejecución. Las soluciones se integran con herramientas de análisis, inteligencia artificial y gestión de datos que conectan a los equipos y los sistemas empresariales.
Estamos aquí para ayudarte.
[email protected]
