Lancering af ny teknologi? Hvordan træffer du datadrevne beslutninger uden salgsdata?

Når et techfirma beslutter at lancere et helt nyt, første af sin slags teknologiske produkt, det kan være svært at vide, hvor mange du skal bestille. Bestil for få, og du skal muligvis ty til dyrere fremstillings- eller forsendelsesmuligheder for at følge med efterspørgslen. Bestil for mange, og du har lige fået en masse spildt inventar på dine hylder, som du aldrig vil sælge til fuld pris. Uanset hvad:Det kan være en dyr fejl at få din produktlivscyklusprognose forkert.

Kejia Hu, assisterende professor i driftsledelse ved Owen Graduate School of Management, har udviklet en ny metode til at forudsige livscyklussen for nye teknologiske produkter, der både indeholder historiske salgsdata for forgængers produkter og forretningsindsigt, der er mere nøjagtig end nuværende tilgange - i nogle tilfælde meget.

Undersøgelsen vises online i Journal of Manufacturing and Service Operations Management . Hendes samarbejdspartnere er Jason Acimovic hos Penn State, Doug Thomas ved University of Virginia, Jan A. Van Miegham ved Northwestern, samt Francisco Erize hos Dell Inc.

De fleste nye teknologiske produkter er faktisk ikke nye - de er normalt næste generations versioner af ting, som en virksomhed har lavet før. Det er ikke alt for udfordrende at estimere livscyklussen for disse produkter, fordi oddsene er gode for, at Widget 5.0 vil have en lignende livscyklus som version 4.0 og 3.0, og så videre. "De historiske data fra forgængeres salgsoplysninger over hele deres livscyklus vil blive en meget kraftfuld forudsigelig datakilde for næste generations efterspørgsel, "Sagde Hu.

Tekniske produkter, som generelt har bevidst korte levetider, se en kraftig stigning i den indledende efterspørgsel, efterfulgt af enten et kort plateau eller et enkelt højdepunkt, efterfulgt af et længere fald i interessen, da potentielle kunder i stedet begynder at vente på næste generations version af produktet. Hvis du plotter den efterspørgsel på et diagram, det ligner normalt en skæv trapez eller trekant. De faktiske tal kan variere fra generation til generation, og nuancerne i kurven vil variere fra produkt til produkt, men den generelle form af kurven vil sandsynligvis være den samme.

Så hvordan træffer man datadrevne beslutninger om et produkt så nyt, at det ikke har nogen data bag sig? Når det sker, virksomheder er normalt afhængige af en kombination af markedsundersøgelser og produktchefens ekspertise til at opbygge en prognose. Den tilgang fungerer ikke altid særlig godt, imidlertid, så Hu og hendes medforskere ønskede at finde en måde at integrere hårde data med disse forretningsindsigter for at opnå et mere præcist billede.

Løsningen, Hu foreslog, er at bruge data fra eksisterende produkter med lignende funktioner eller fra lignende kategorier som en slags proxy for tidligere generationer. For eksempel, hvis et computerfirma lancerer sin første tablet, den har ikke andre tabletdata at se på. Men det kan have data om, sige, en meget let bærbar computer, en bærbar computer med touchscreen og en meget billig laptop tæt på den nye tablet. Denne "klynge" af lignende produkter danner den pulje af data, som en produktchef kan trække på for at udvikle en kurve.

"Men ud over datakomponenten, vi tillader også topchefen at overlejre deres perspektiv eller deres følelser for dette nye produkt, " sagde Hu. "F.eks. hvis de tror, ​​det bliver et fantastisk produkt, de ville sandsynligvis lave flere salgsfremmende begivenheder, hvilket vil ændre nogle af efterspørgselsmønstrene hen ad vejen. Så vi tillader også, at vores prognose er fleksibel nok til at inkorporere forretningsindsigt, f.eks. Den planlagte lanceringstid, reklamekampagner eller planlagte salgsarrangementer. "

Denne blandede tilgang kan også bruges til at forudsige efterspørgsel efter produkter, der muligvis stadig er for unge til at have mange data bag sig, ligesom anden generations versioner, og endda for at forbedre rent datadrevne prognoser for veletablerede produkter med mange generationer af historie at trække på.

Hu og hendes kolleger testede derefter deres model ved hjælp af data fra Dell og et lille spilhardwarefirma kaldet Turtle Beach. Hos Dell, Hu's model forbedrede Dells prognose med et gennemsnit på 3,4 procent for helt nye produkter, 9,2 procent for relativt unge produkter, og 14 procent for etablerede produkter, sparer virksomheden alt fra $1,50 til $4,70 pr. enhed af produkter. I mellemtiden, ved Turtle Beach, som er en lille virksomhed, der ikke nødvendigvis har ressourcerne til at lave prognoser så sofistikerede som Dells, Hus tilgang forbedrede nøjagtigheden for etablerede produkter med hele 73 procent.

Selvom Hu og hendes kolleger udviklede deres model for tekniske produkter, hun sagde, at den grundlæggende ramme for deres tilgang kunne oversættes til ethvert nyt produkt designet til at have en kort livscyklus, såsom hurtig mode, eller endda nyere produkter med længere livscyklusser, som endnu ikke har mange salgsdata at trække på.

"Metodologien er universel, " sagde hun. "Men behovet for denne ramme bliver mere presserende, når produktets livscyklus er kort, så virksomheder virkelig kan forberede sig på det ene skud salg. "