Dịch COVID-19 đã phá vỡ các dự báo nhu cầu hướng dẫn các nhà bán lẻ và nhà cung cấp hàng hóa và dịch vụ tiêu dùng tìm ra số lượng cần đặt hàng hoặc sản xuất, dự trữ hàng tồn kho ở đâu, nên quảng cáo hoặc giảm giá bao nhiêu. Vào đầu thời kỳ đại dịch, việc đóng cửa đột ngột và chuyển sang làm việc ở nhà đã khiến nhiều người mua thực phẩm và đồ gia dụng trong hoảng loạn. Một số mặt hàng đã bán hết trong khi những mặt hàng khác mòn mỏi trên kệ.

 

 

Các chuyên gia của Harvard Business Review cũng nhận thấy những thay đổi sâu sắc trong thái độ và hành vi của người tiêu dùng. Người tiêu dùng nói chung đã tìm cách giảm thiểu rủi ro, giảm lo lắng và mong muốn có được cảm giác thân thuộc. Việc hiểu rõ những thay đổi mới này của khách hàng cho thời điểm đại dịch có thể cải thiện dự báo và nên là ưu tiên cao đối với nhiều công ty.

 

Các doanh nghiệp có nhiều mô hình dự báo dựa trên dữ liệu trước đó về doanh số bán hàng theo thời gian. Trong thời điểm ổn định, dữ liệu này có thể đưa ra đánh giá chính xác cho định hướng tương lai. Nhưng khi đại dịch xảy ra, các mô hình quen thuộc trong quá khứ trở nên lỗi thời và cần được cập nhật nhanh chóng.

 

Các doanh nghiệp có thể tham khảo số liệu từ những cú sốc kinh tế trong quá khứ, chẳng hạn như thiên tai, đặc biệt là bão, những sự kiện làm gián đoạn chuỗi cung ứng trong thời gian dà. Việc chuẩn bị những dữ liệu từ các sự kiện tương tự - ví dụ, nhu cầu và nguồn cung đã mất bao lâu để phục hồi ở các quốc gia hoặc thành phố khác nhau - có thể giúp soi sáng tương lai cho các doanh nghiệp trong thời kỳ biến động.

 

 

Tất nhiên, những dữ liệu tương tự sẽ không kể khiến vấn đề được giải quyết hoàn toàn. Các công ty cũng cần dữ liệu gần thời gian thực để theo dõi hành vi và thái độ hiện tại của người tiêu dùng. Trong thời điểm hiện tại việc sử dụng nguồn dữ liệu bán hàng từ các kênh thương mại điện tử, các mẫu tìm kiếm trực tuyến, dữ liệu di động trên điện thoại thông minh và phân tích tình cảm trên mạng xã hội là khả thi nhất trong việc cung cấp các tín hiệu hữu ích về xu hướng mới của người tiêu dùng.

 

Tuy nhiên, dữ liệu thu thập phải bao gồm thông tin về những đặc điểm riêng của từng vùng, từng địa phương. Ngoài kiến ​​thức địa phương, các công ty cũng có thể tìm kiếm sự đánh giá từ các chuyên gia, bao gồm cả các nhà dịch tễ học trong trường hợp đại dịch, hoặc các cố vấn cấp cao và các hiệp hội thương mại về quan điểm của ngành. Sử dụng phương pháp Delphi - tức là tổng hợp ý kiến ​​của một nhóm chuyên gia - các công ty có thể xây dựng theo đánh giá của chuyên gia như một phần của bộ dữ liệu dùng để xây dựng mô hình, thay vì chỉ để điều chỉnh kết quả đầu ra của mô hình sau khi thực tế.

 

Khi một công ty có nhiều dữ liệu phù hợp hơn, nhiệm vụ tiếp theo là cải thiện mô hình. Ở đây, bạn phải suy nghĩ như một nhà dự báo: Trong các điều kiện biến động, không chắc chắn, kết hợp nhiều mô hình đơn giản thường hoạt động tốt hơn so với việc sử dụng một mô hình phức tạp. 

 

 

 

Với thị trường tiêu dùng vẫn còn nhiều bất ổn, tăng giảm đột biến,và sự khác biệt giữa các khu vực, các nhà quản lý cần một quy trình kỷ luật để xác nhận kết quả bằng cách thử nghiệm một cách nhanh chóng và thường xuyên.

 

Thử nghiệm cũng có lợi ích về mặt hậu cần. Ví dụ: một công ty có thể muốn xác định hiệu quả của việc tăng gấp đôi hoặc cắt giảm một nửa một loại hình quảng cáo truyền thông nhất định ở các khu vực thành phố lớn đang trải qua một làn sóng lây nhiễm mới. Việc thực hiện thử nghiệm không chỉ mang lại thông tin chi tiết về phân tích mà còn giúp đánh giá xem việc thực hiện những điều này có khả thi hay không, cách công ty sẽ mua phương tiện bổ sung hoặc liệu công ty có tính linh hoạt theo hợp đồng để cắt giảm hay không.