Wanneer een technologiebedrijf besluit een geheel nieuwe, het eerste technische product in zijn soort, het kan moeilijk zijn om te weten hoeveel u er moet bestellen. Bestel te weinig, en misschien moet u uw toevlucht nemen tot duurdere productie- of verzendopties om aan de vraag te voldoen. Bestel teveel, en je hebt gewoon veel verspilde voorraad in je schappen die je nooit voor de volle prijs zult verkopen. Hoe dan ook:een verkeerde prognose van uw productlevenscyclus kan een dure vergissing zijn.

Kejia Hu, assistent-professor operations management aan de Owen Graduate School of Management, heeft een nieuwe methode ontwikkeld voor het voorspellen van de levenscyclus van nieuwe technische producten die zowel historische verkoopgegevens van eerdere producten als zakelijke inzichten bevat die nauwkeuriger is dan de huidige benaderingen - in sommige gevallen veel.

Het onderzoek verschijnt online in de Journal of Manufacturing and Service Operations Management . Haar medewerkers zijn Jason Acimovic van Penn State, Doug Thomas aan de Universiteit van Virginia, Jan A. Van Miegham bij Northwestern, evenals Francisco Erize bij Dell Inc.

De meeste nieuwe technische producten zijn niet echt nieuw - het zijn meestal de volgende generatie versies van dingen die een bedrijf eerder heeft gemaakt. Het schatten van de levenscyclus van die producten is niet al te uitdagend, omdat de kans groot is dat Widget 5.0 een vergelijkbare levenscyclus zal hebben als versies 4.0 en 3.0, enzovoort. "De historische gegevens van de verkoopinformatie van voorgangers gedurende hun hele levenscyclus zullen een zeer krachtige voorspellende gegevensbron worden voor de vraag van de volgende generatie, " zei Hu.

technische producten, die over het algemeen een opzettelijk korte levensduur hebben, een sterke stijging van de initiële vraag zien, gevolgd door een kort plateau of een enkel hoogtepunt, gevolgd door een langere afname van de interesse omdat potentiële klanten in plaats daarvan beginnen te wachten op de volgende generatie versie van het product. Als je die vraag in een grafiek uitzet, het ziet er meestal uit als een scheve trapezium of driehoek. De werkelijke aantallen kunnen van generatie tot generatie verschillen, en de nuances van de curve zullen van product tot product verschillen, maar de algemene vorm van de curve zal waarschijnlijk hetzelfde zijn.

Dus hoe neem je datagestuurde beslissingen over een product dat zo nieuw is dat er geen data achter zit? Wanneer dat gebeurt, bedrijven vertrouwen meestal op een combinatie van marktonderzoek en de expertise van de productmanager om een ​​prognose op te stellen. Die aanpak werkt niet altijd even goed, echter, dus wilden Hu en haar mede-onderzoekers een manier vinden om harde gegevens te integreren met die zakelijke inzichten om een ​​nauwkeuriger beeld te krijgen.

De oplossing, Hu stelde voor, is om gegevens van bestaande producten met vergelijkbare kenmerken of uit vergelijkbare categorieën te gebruiken als een soort proxy voor eerdere generaties. Bijvoorbeeld, als een computerbedrijf zijn eerste tablet lanceert, het heeft geen andere tabletgegevens om naar te kijken. Maar het kan gegevens bevatten over, zeggen, een zeer lichtgewicht laptop, een laptop met een touchscreen en een zeer goedkope laptop die qua prijs in de buurt komt van de nieuwe tablet. Deze "cluster" van vergelijkbare producten vormt de pool van gegevens waaruit een productmanager kan putten om een ​​curve te ontwikkelen.

"Maar buiten de datacomponent, we laten de topmanager ook toe om hun perspectief of hun gevoelens voor dit nieuwe product te overlappen, ' zei Hu. 'Bijvoorbeeld, als ze denken dat dit een geweldig product gaat worden, ze zouden waarschijnlijk meer promotionele evenementen doen, die gaandeweg enkele van de vraagpatronen zullen veranderen. We laten onze prognose dus ook flexibel genoeg zijn om die zakelijke inzichten op te nemen, zoals de geplande lanceringstijd, promotiecampagnes of geplande verkoopevenementen."

Deze gemengde aanpak kan ook worden gebruikt om de vraag naar producten te voorspellen die mogelijk nog te jong zijn om veel gegevens achter zich te hebben, zoals versies van de tweede generatie, en zelfs om puur gegevensgestuurde prognoses te verbeteren voor gevestigde producten met vele generaties geschiedenis om uit te putten.

Hu en haar collega's testten vervolgens hun model met behulp van gegevens van Dell en een klein bedrijf voor gaminghardware genaamd Turtle Beach. Bij Dell, Hu's model verbeterde met gemiddeld 3,4 procent ten opzichte van de voorspelling van Dell voor gloednieuwe producten, 9,2 procent voor relatief jonge producten, en 14 procent voor gevestigde producten, het bedrijf overal van $ 1,50 tot $ 4,70 per producteenheid besparen. In de tussentijd, bij Turtle Beach, dat een klein bedrijf is dat niet per se de middelen heeft om prognoses te maken die zo geavanceerd zijn als die van Dell, Hu's aanpak verbeterde de nauwkeurigheid voor gevestigde producten met maar liefst 73 procent.

Hoewel Hu en haar collega's hun model voor technische producten ontwikkelden, ze zei dat het basiskader van hun aanpak zou kunnen worden vertaald naar elk nieuw product dat is ontworpen met een korte levenscyclus, zoals snelle mode, of zelfs nieuwere producten met een langere levenscyclus die nog niet veel verkoopgegevens hebben om uit te putten.

"De methodiek is universeel, "zei ze. "Maar de behoefte aan dit raamwerk wordt urgenter wanneer de levenscyclus van het product kort is, zodat bedrijven zich echt kunnen voorbereiden op dat ene schot in de verkoop."