Fyra steg för bättre kampanjstyrning

 

  Läs PDF-versionen

Författare: Johanna Småros, Director, Scandinavia, D.Sc. (Tech.)

För företag som jobbar med konsumtionsvaror, utgör kampanjerna en ständigt återkommande utmaning. Då jag frågar varustyrningsproffs vilka artiklar eller situationer som är svårast att hantera i deras leveranskedjor, lyfter de så gott som alltid fram ”kampanjstyrning”.

Då jag följer upp med att fråga vad som är så svårt med kampanjer, är svaret i regel ”allt” – att uppskatta kampanjefterfrågan, att genomföra kampanjerna och att analysera utfallet för att kunna göra bättre kampanjer i framtiden. Situationen är dock allt annat än tröstlös. Det går att få styr på kampanjerna. Det är helt enkelt som konsten att äta en elefant – det gäller att ta en bit i taget.

Bild 1. Utveckling av kampanjstyrningen steg för steg.

I denna artikel tar jag fram konkreta tips för hur planeringen, prognostiseringen och uppföljningen av kampanjer kan förbättras, steg för steg. Jag berättar också vilka krav de olika utvecklingsstegen ställer på såväl grunddata som processer. Jag kommer dock att följa min egen rekommendation och inte ta mig an hela kampanjproblematiken på en gång – förslagen på hur varupåfyllningen till butik i samband med kampanjer kan förbättras, sparar jag till ett senare tillfälle.

1. Separera kampanjförsäljningen från normalförsäljningen

Kampanjerna lever i många fall ett tämligen fritt och hejdlöst liv i sin egen lilla Excel-djungel, även om den övriga företagsverksamheten snällt fogat sig efter affärssystemets ramar. Det första steget mot effektivare kampanjstyrning är att separera kampanj- från normalförsäljningen i affärssystemet, antingen genom att lägga in kampanjflaggor eller genom att utnyttja en särskild transaktionstyp för kampanjförsäljningen.

Genom att separera kampanjförsäljningen från den normala efterfrågan, kan man uppnå enorma förbättringar i prognosprecision! Då kampanjförsäljningen enkelt går att identifiera, kan man sålla ut kampanjtopparna ur den försäljningshistorik som används för att beräkna prognoser för basefterfrågan. På detta sätt kommer kampanjtopparna inte åt att förvränga den normala prognosen, vilket automatiskt leder till en högre prognosprecision.

Bild 2. En artikels verkliga och korrigerade försäljningsstatistik. Kampanjtopparna (markerade med blå bakgrundsfärg) ingår inte i den korrigerade försäljningsstatistik, som används för att beräkna prognosen för basefterfrågan.

I praktiken är det endast två saker som du behöver göra för att kunna ta detta första, men mycket betydelsefulla kliv mot effektivare kampanjstyrning:

  • Kampanjförsäljningen bör separeras från den normala försäljningen i affärssystemet
  • Prognostiseringen av basefterfrågan bör utgå ifrån en korrigerad försäljningshistorik, där kampanjtopparna filtrerats bort.

Ofta finns den information som behövs för att separera kampanj- från normalförsäljningen redan tillgänglig i något system. Ifall till exempel prisändringar gjorts i samband med kampanjerna, har detta garanterat registrerats på ett eller annat sätt i affärs- eller kassasystemet. Det som krävs är helt enkelt ett sätt att utnyttja den existerande informationen för att skapa en korrigerad försäljningshistorik, där kampanjtopparna sållats ut.

2. Följ upp kampanjernas effekt

Då kampanjförsäljningen separerats från normalförsäljningen, blir det genast mycket enklare att följa upp vilket utfall kampanjerna gett.

Ifall kvantitativa prognosmodeller utnyttjas för att prognostisera basefterfrågan, är det faktiskt överraskande enkelt att estimera kampanjeffekten. Du behöver bara jämföra den verkliga försäljningen med den prognostiserade basefterfrågan för kampanjperioden (d.v.s. med den prognos som beräknats för periodens normalförsäljning, utan att beakta kampanjeffekten). Skillnaden mellan dessa två kan sedan användas för att estimera den absoluta försäljningsökning (i stycken eller i kronor) eller det procentuella lyft i försäljningen, som kampanjen gett upphov till.

Bild 3. Exempel på uppföljningsrapport för kampanjer.

Systematisk uppföljning leder så gott som automatiskt till att kvaliteten på kampanjprognoserna förbättras. Ju mer information om tidigare kampanjer och deras utfall som finns till hands, desto lättare är det att uppskatta efterfrågan för nya kampanjer. Ju bättre respons på sina kampanjprognoser de prognosansvariga får, desto snabbare kan de lära sig av tidigare misstag och åtgärda återkommande fel, såsom överoptimistiska prognoser.

Förutom att följa upp vilken effekt kampanjerna har på de enskilda artiklarnas försäljning, är det väldigt nyttigt att även följa upp kampanjernas inverkan på hela varugruppens försäljning och lönsamhet. Detta hjälper dig att identifiera vilka kampanjer som verkligen är till nytta för affärsverksamheten och vilka som snarast drar ner på lönsamheten.

Exempel: En detaljhandelskedja konstaterade att efterfrågan för en viss varugrupp hade minskat betydligt, i och med försäljningen mätt i kronor sjunkit avsevärt. En närmare granskning visade dock att försäljningen i stycken låg kvar på samma nivå som innan. I själva verket var det kedjans frekventa kampanjaktiviteter som helt enkelt flyttat efterfrågan från de normalprissatta artiklarna till rabattvarorna. Kampanjerna hade med andra ord inte haft någon som helst effekt på den total efterfrågan, endast minskat varugruppens täckningsbidrag.

3. Utnyttja kvantitativa modeller för att skapa butiksspecifika kampanjprognoser

Att göra en prognos, manuellt, för hela kedjan, är i många fall fullt möjligt, men vad kan du göra ifall kampanjprognoser behövs för tio- eller hundratals butiker?

I praktiken är det på tok för arbetsdrygt att på ett centraliserat sätt skapa butiksspecifika kampanjprognoser, ifall prognostiseringen sker manuellt. Ofta försöker man istället kringgå problemet, antingen genom att styra varuflödet till alla butiker utifrån en och samma, centralt skapade, kampanjprognos eller genom att kräva att butikerna lägger förhandsbeställningar på kampanjartiklar. Bägge alternativen leder i regel till ett otillfredsställande resultat. Beroende på bland annat demografiska faktorer och den lokala konkurrenssituationen, kan kampanjernas effekt på efterfrågan variera betydligt från butik till butik. Detta leder till att en och samma prognos sällan fungerar bra för alla butiker. Butikspersonalen känner förstås till sina lokala förhållanden, men de har å andra sidan sällan tillräckligt med tid eller kunskap att ta fram korrekta kampanjbeställningar.

Ett bättre sätt att möta behovet av butiksspecifika kampanjprognoser är att utnyttja kvantitativa modeller. Med hjälp av kvantitativa prognosmodeller kan du på ett effektivt sätt skapa kampanjprognoser för ett stort antal butiker!

Det största hindret för att tillämpa kvantitativa prognosmodeller på kampanjer, är att dessa modeller ställer en del nya krav på grunddata. Att separera kampanj- från normalförsäljning räcker inte riktigt till. För att nå ett bra resultat, krävs ytterligare information om hur de tidigare kampanjerna genomförts.

Den goda nyheten är att kampanjinformationen i regel inte behöver vara särskilt detaljerad. Ofta räcker det att dela in kampanjerna i några olika kampanjtyper. Tv-kampanjer, tidningsannonser och skyltning i butik kan till exempel utgöra en lämplig indelning. I de flesta fall är det faktiskt bättre att köra med en enkel indelning, istället för att skapa en väldigt avancerad och detaljerad kampanjstruktur. Kampanjinformation som inte underhålls är inte till någon nytta och ju enklare uppgifter det handlar om, desto mera sannolikt är det att kampanjinformationen verkligen dokumenteras och underhålls.

Så fort du fått tillgång till ens en smula kampanjhistorik, klassificerad enligt kampanjtyp, kan du sätta igång och beräkna artikel- och butiksspecifika kampanjprognoser utifrån den försäljningsökning per butik, som motsvarande kampanjer tidigare gett upphov till. Ju mer omfattande kampanjhistorik som finns att tillgå, desto mer exakta kommer kampanjprognoserna att bli. Men även då det inte finns någon historik för en precis motsvarande kampanj, kan man få fram ett bra estimat genom att bygga prognosen på de utfall som kampanjer av samma typ gett upphov till för andra artiklar inom varugruppen.

Bild 4. Exempel på kampanjprognoser som beräknats med hjälp av kvantitativa modeller. (Kampanjperioderna markerade med blå bakgrundsfärg.)

4. Analysera inverkan av olika faktorer på kampanjförsäljningen och utnyttja informationen vid planeringen av framtida kampanjer

Satsningarna som du gjort för att kunna skapa bra kampanjprognoser går att utnyttja rakt av vid planeringen av framtida kampanjer, för att uppnå ett bättre resultat.

Då du har fått grepp om vilken effekt de olika kampanjtyperna får då de tillämpas på olika artiklar eller varugrupper, kan du bättre identifiera vilken kampanjtyp som fungerar bäst för att uppnå de mål du ställt. Du kan även använda prognosmodellerna för att simulera utfallet för en planerad kampanj – vilken efterfrågeprognos får du för olika produkter och kampanjtyper?

I vissa fall kan det redan finnas tillgång till eller bra förutsättningar att underhålla mer detaljerad kampanjinformation. Ju rikare och mera omfattande kampanjdata du har, desto mer mångfacetterade analyser kan du göra.

Många företag är till exempel intresserade av vilken effekt prisändringar har på efterfrågan. Rent matematiskt är det ingen svår sak att modellera effekten med hjälp av till exempel regressionsanalys. Den verkliga utmaningen är de krav på data som regressionsanalysen ställer – för att kunna skapa en tillförlitlig regressionsmodell krävs en försäljningshistorik som innehåller flera verkliga prisförändringar per artikel. Ifall man förutom priset även vill analysera effekten av andra faktorer, såsom hyllexponering eller media, ökar kraven på säljstatistiken i och med att historiken bör innehålla olika varianter av alla dessa faktorer.

Genom att göra en del generaliseringar och antaganden – till exempel genom att utgå ifrån att effekten av prisändringar eller media på olika artiklar eller kampanjtyper är liknande – kan man lätta på datakraven. Men det är viktigt att komma ihåg att felaktiga antaganden kan rasera regressionsmodellens tillförlitlighet. Därför är det alltid bra att reservera tillräckligt med tid för utveckling och validering av modellen. I och med att man kontinuerligt bygger upp säljhistoriken och får tillgång till mera data, lönar det sig också att då och då granska ifall det finns ett behov revidera modellerna som tillämpas. Även en större förändring i marknadsläget kan ge upphov till ett behov att uppdatera modellerna.

Få styr på kampanjerna ett steg i taget

Kampanjerna orsakar mycket huvudbry inom prognostisering och varuförsörjning, men i många fall kan man uppnå stora förbättringar i styrningen av kampanjer med relativt enkla metoder. Bara genom att separera kampanj- från normalförsäljningen i affärssystemet har du tagit ett jättekliv framåt!

Fas Krav Fördelar
1. Separera kampanjförsäljningen från normalförsäljningen Kampanjförsäljningen bör flaggas upp eller registreras som en egen transaktionstyp i affärssystemet. Prognosen för normalefterfrågan bör basera sig på en korrigerad försäljningsstatistik, där kampanjtopparna filtrerats bort. Bättre prognosprecision för normalförsäljningen.
2. Följ upp kampanjernas effekt Systemstöd för uppföljning av kampanjernas effekt (verklig försäljning under kampanjperioden jämfört med prognosen för basefterfrågan under perioden). Stöd för kvalitativ prognostisering av kampanjer. Mera lönsamma kampanjer och mera tillförlitliga kampanjprognoser.
3. Utnyttja kvantitativa prognosmodeller för att skapa (butiksspecifika) kampanjprognoser Klassificering av kampanjer och underhåll av kampanjdata i systemet. Historiska data från tidigare kampanjer. Noggrannare (butiksspecifika) kampanjprognoser automatiskt.
4. Analysera inverkan av olika faktorer på kampanjeffekten och utnyttja informationen vid planeringen av framtida kampanjer Omfattande kampanjdatabas. (Ju fler faktorer som skall analyseras, desto större mängd data från olika kampanjutfall behövs.) Bättre kunskap om de faktorer som inverkar på kampanjutfallet möjliggör genomförandet av effektivare kampanjer.

Bild 5. Skapande av regressionsmodell.

Att utveckla kampanjstyrningen är ett långsiktigt arbete. Ju noggrannare resultat du eftersträvar, desto större satsningar krävs på underhåll av kampanjdata. Eftersom det inte nödvändigtvis finns några kampanjdata alls att tillgå i starten, måste utvecklingen ske steg för steg.
 

Det finns stora fördelar att uppnå genom att utveckla kampanjstyrningen:

  • Redan i den första fasen förbättras prognosprecisionen för den normala försäljningen märkbart.
  • I den andra fasen, då uppföljningsrutiner för kampanjerna finns på plats, uppnår du bättre kampanjprognoser och får en uppfattning om vilka kampanjer som verkligen ger resultat.
  • I den tredje fasen kan du skapa butiksspecifika prognoser med mindre arbete.
  • Och den sista fasen öppnar upp helt nya möjligheter att planera kampanjer som verkligen främjar din affärsverksamhet!

Johanna Småros

Director, Scandinavia, D.Sc. (Tech.)

Phone+358 40 543 1142

Är du intresserad av våra kundcase?

Se hur vi hjälpt våra kunder i praktiken.



Läs våra kundcase