Crédito:CC0 Public Domain
Cuando una empresa de tecnología decide lanzar una nueva, primer producto tecnológico de su clase, puede ser difícil saber cuántos necesita pedir. Ordene muy pocos y es posible que tenga que recurrir a opciones de fabricación o envío más caras para satisfacer la demanda. Pide demasiados y acaba de tener una gran cantidad de inventario desperdiciado en sus estantes que nunca venderá a precio completo. De cualquier manera:Obtener un pronóstico incorrecto del ciclo de vida de su producto puede ser un error costoso.
Kejia Hu, profesor asistente de gestión de operaciones en Owen Graduate School of Management, ha desarrollado un nuevo método para pronosticar el ciclo de vida de los nuevos productos tecnológicos que incorpora tanto datos históricos de ventas de productos predecesores como información empresarial que es más precisa que los enfoques actuales, en algunos casos mucho.
La investigación aparece en línea en el Revista de gestión de operaciones de fabricación y servicios . Sus colaboradores son Jason Acimovic en Penn State, Doug Thomas de la Universidad de Virginia, Jan A. Van Miegham en Northwestern, así como Francisco Erize de Dell Inc.
La mayoría de los productos tecnológicos nuevos no son realmente nuevos; por lo general, son versiones de próxima generación de cosas que una empresa ha hecho antes. Estimar el ciclo de vida de esos productos no es demasiado complicado porque hay buenas probabilidades de que el widget 5.0 tenga un ciclo de vida similar al de las versiones 4.0 y 3.0. etcétera. "Los datos históricos de la información de ventas de los predecesores durante todo su ciclo de vida se convertirán en una fuente de datos predictivos muy poderosa para la demanda de la próxima generación, "Dijo Hu.
Productos tecnológicos, que generalmente tienen una esperanza de vida intencionalmente corta, ver un fuerte aumento de la demanda inicial, seguido de una breve meseta o un único punto alto, seguido de una disminución más prolongada en el interés a medida que los clientes potenciales comienzan a esperar la versión de próxima generación del producto. Si traza esa demanda en un gráfico, por lo general, parece un trapecio o un triángulo torcido. Los números reales pueden diferir de una generación a otra, y los matices de la curva diferirán de un producto a otro, pero es probable que la forma general de la curva sea la misma.
Entonces, ¿cómo se toman decisiones basadas en datos sobre un producto tan nuevo que no tiene datos detrás? Cuando eso pasa, las empresas generalmente se basan en una combinación de investigación de mercado y la experiencia del gerente de producto para elaborar un pronóstico. Ese enfoque no siempre funciona muy bien, sin embargo, por eso, Hu y sus co-investigadores querían encontrar una manera de integrar datos duros con esos conocimientos comerciales para lograr una imagen más precisa.
La solución, Hu propuso, es utilizar datos de productos existentes con características similares o de categorías similares como una especie de proxy de generaciones anteriores. Por ejemplo, si una empresa de informática lanza su primera tableta, no tiene ningún otro dato de tableta para mirar. Pero puede tener datos sobre decir, una laptop muy liviana, una computadora portátil con pantalla táctil y una computadora portátil muy económica que se acerca en precio a la nueva tableta. Este "grupo" de productos similares forma el conjunto de datos que un gerente de producto puede extraer para desarrollar una curva.
"Pero más allá del componente de datos, también permitimos que el gerente superior superponga su perspectiva o sus sentimientos por este nuevo producto, "Hu dijo". Por ejemplo, si creen que va a ser un gran producto, probablemente harían más eventos promocionales, lo que cambiará algunos de los patrones de demanda a lo largo del camino. Por lo tanto, también permitimos que nuestro pronóstico sea lo suficientemente flexible como para incorporar esos conocimientos comerciales, como el tiempo de lanzamiento planificado, campañas promocionales o eventos de ventas planificados ".
Este enfoque combinado también se puede utilizar para pronosticar la demanda de productos que aún pueden ser demasiado jóvenes para tener muchos datos detrás de ellos. como versiones de segunda generación, e incluso para mejorar los pronósticos basados exclusivamente en datos para productos bien establecidos con muchas generaciones de historia para aprovechar.
Luego, Hu y sus colegas probaron su modelo utilizando datos de Dell y una pequeña empresa de hardware de juegos llamada Turtle Beach. En Dell, El modelo de Hu mejoró el pronóstico de Dell en un promedio de 3.4 por ciento para productos nuevos, 9.2 por ciento para productos relativamente jóvenes, y el 14 por ciento para productos establecidos, ahorrándole a la empresa entre $ 1,50 y $ 4,70 por unidad de productos. Mientras tanto, en Turtle Beach, que es una pequeña empresa que no necesariamente tiene los recursos para producir pronósticos tan sofisticados como los de Dell, El enfoque de Hu mejoró la precisión de los productos establecidos en un sorprendente 73 por ciento.
Aunque Hu y sus colegas desarrollaron su modelo para productos tecnológicos, dijo que el marco básico de su enfoque podría traducirse en cualquier producto nuevo diseñado para tener un ciclo de vida corto, como la moda rápida, o incluso productos más nuevos con ciclos de vida más prolongados que aún no tienen muchos datos de ventas a los que recurrir.
"La metodología es universal, ", dijo." Pero la necesidad de este marco se vuelve más urgente cuando el ciclo de vida del producto es corto, para que las empresas puedan prepararse realmente para esa oportunidad única de ventas ".