Quando un'azienda tecnologica decide di lanciare un nuovo marchio, prodotto tecnologico unico nel suo genere, può essere difficile sapere quanti è necessario ordinare. Ordina troppo pochi, e potresti dover ricorrere a opzioni di produzione o spedizione più costose per stare al passo con la domanda. Ordina troppi, e hai appena un sacco di inventario sprecato sui tuoi scaffali che non venderai mai a prezzo pieno. In entrambi i casi:sbagliare la previsione del ciclo di vita del prodotto può essere un errore costoso.

Kejia Hu, assistente professore di gestione operativa presso la Owen Graduate School of Management, ha sviluppato un nuovo metodo per prevedere il ciclo di vita dei nuovi prodotti tecnologici che incorpora sia i dati storici di vendita dei prodotti precedenti sia le informazioni di business che è più accurato degli approcci attuali, in alcuni casi di molto.

La ricerca appare online nel Journal of Manufacturing and Service Operations Management . I suoi collaboratori sono Jason Acimovic alla Penn State, Doug Thomas all'Università della Virginia, Jan A. Van Miegham alla Northwestern, così come Francisco Erize presso Dell Inc.

La maggior parte dei nuovi prodotti tecnologici non sono in realtà nuovi:di solito sono versioni di nuova generazione di cose che un'azienda ha già realizzato. La stima del ciclo di vita di questi prodotti non è troppo impegnativa perché ci sono buone probabilità che Widget 5.0 avrà un ciclo di vita simile alle versioni 4.0 e 3.0, e così via. "I dati storici delle informazioni sulle vendite dei predecessori durante l'intero ciclo di vita diventeranno una fonte di dati predittiva molto potente per la domanda di prossima generazione, "Ha detto Hu.

prodotti tecnologici, che generalmente hanno una durata di vita intenzionalmente breve, vedere un forte aumento della domanda iniziale, seguito da un breve altopiano o da un unico punto alto, seguito da un calo di interesse più lungo poiché i potenziali clienti iniziano invece ad aspettare la versione di prossima generazione del prodotto. Se tracci quella domanda su un grafico, di solito sembra un trapezio o un triangolo sbilenco. I numeri effettivi possono differire da generazione a generazione, e le sfumature della curva differiranno da prodotto a prodotto, ma la forma generale della curva sarà probabilmente la stessa.

Quindi, come si prendono decisioni basate sui dati su un prodotto così nuovo da non avere dati dietro? Quando ciò accade, le aziende di solito si affidano a una combinazione di ricerche di mercato e all'esperienza del product manager per costruire una previsione. Questo approccio non sempre funziona molto bene, però, quindi Hu e i suoi co-investigatori volevano trovare un modo per integrare i dati concreti con quelle intuizioni aziendali per ottenere un'immagine più accurata.

La soluzione, Hu ha proposto, consiste nell'utilizzare i dati di prodotti esistenti con caratteristiche simili o di categorie simili come una sorta di proxy per le generazioni precedenti. Per esempio, se un'azienda di computer sta lanciando il suo primo tablet, non ha altri dati del tablet da guardare. Ma potrebbe avere dati su, dire, un portatile molto leggero, un laptop con touchscreen e un laptop molto economico vicino al prezzo del nuovo tablet. Questo "cluster" di prodotti simili costituisce il pool di dati da cui un product manager può attingere per sviluppare una curva.

"Ma al di là della componente dati, permettiamo anche al top manager di sovrapporre la loro prospettiva o i loro sentimenti per questo nuovo prodotto, " Hu ha detto. "Per esempio, se pensano che questo sarà un ottimo prodotto, probabilmente farebbero più eventi promozionali, che cambierà alcuni dei modelli di domanda lungo la strada. Quindi permettiamo anche che la nostra previsione sia sufficientemente flessibile da incorporare quelle informazioni aziendali come il tempo di lancio pianificato, campagne promozionali o eventi di vendita pianificati."

Questo approccio misto può essere utilizzato anche per prevedere la domanda di prodotti che potrebbero essere ancora troppo giovani per avere molti dati alle spalle, come le versioni di seconda generazione, e persino per migliorare le previsioni puramente basate sui dati per prodotti consolidati con molte generazioni di storia da cui attingere.

Hu e i suoi colleghi hanno quindi testato il loro modello utilizzando i dati di Dell e di una piccola azienda di hardware di gioco chiamata Turtle Beach. In Dell, Il modello di Hu è migliorato rispetto alle previsioni di Dell in media del 3,4% per i prodotti nuovi di zecca, 9,2% per prodotti relativamente giovani, e il 14% per i prodotti consolidati, risparmiando all'azienda da $ 1,50 a $ 4,70 per unità di prodotto. Nel frattempo, a Turtle Beach, che è una piccola azienda che non ha necessariamente le risorse per produrre previsioni sofisticate come Dell, L'approccio di Hu ha migliorato la precisione per i prodotti consolidati di un sorprendente 73%.

Sebbene Hu e i suoi colleghi abbiano sviluppato il loro modello per i prodotti tecnologici, ha affermato che la struttura di base del loro approccio potrebbe tradursi in qualsiasi nuovo prodotto progettato per avere un ciclo di vita breve, come la moda veloce, o anche prodotti più recenti con cicli di vita più lunghi che non hanno ancora molti dati di vendita a cui attingere.

"La metodologia è universale, " ha detto. "Ma la necessità di questo quadro diventa più urgente quando il ciclo di vita del prodotto è breve, così le aziende possono davvero prepararsi per quel colpo di vendita."