Lorsqu'une entreprise technologique décide de lancer une toute nouvelle entreprise, produit technologique unique en son genre, il peut être difficile de savoir combien vous devez en commander. Commandez trop peu, et vous devrez peut-être recourir à des options de fabrication ou d'expédition plus coûteuses pour répondre à la demande. Commandez trop, et vous avez juste beaucoup d'inventaire gaspillé sur vos étagères que vous ne vendrez jamais au prix fort. Quoi qu'il en soit :se tromper sur les prévisions du cycle de vie de votre produit peut être une erreur coûteuse.

Kejia Hu, professeur assistant de gestion des opérations à la Owen Graduate School of Management, a développé une nouvelle méthode de prévision du cycle de vie des nouveaux produits technologiques qui intègre à la fois les données de vente historiques des produits précédents et des informations commerciales plus précises que les approches actuelles, dans certains cas de beaucoup.

La recherche apparaît en ligne dans le Journal de la gestion des opérations de fabrication et de service . Ses collaborateurs sont Jason Acimovic de Penn State, Doug Thomas à l'Université de Virginie, Jan A. Van Miegham à Northwestern, ainsi que Francisco Erize chez Dell Inc.

La plupart des nouveaux produits technologiques ne sont pas réellement nouveaux, ce sont généralement des versions de nouvelle génération de choses qu'une entreprise a déjà fabriquées. Estimer le cycle de vie de ces produits n'est pas trop difficile car il y a de bonnes chances que Widget 5.0 ait un cycle de vie similaire aux versions 4.0 et 3.0, etc. « Les données historiques des informations sur les ventes des prédécesseurs sur l'ensemble de leur cycle de vie deviendront une source de données prédictive très puissante pour la demande de prochaine génération, " a dit Hu.

Produits technologiques, qui ont généralement une durée de vie volontairement courte, voir une forte montée en puissance de la demande initiale, suivi soit d'un bref plateau, soit d'un seul point culminant, suivi d'une baisse d'intérêt plus longue, car les clients potentiels commencent à attendre la version de nouvelle génération du produit à la place. Si vous tracez cette demande sur un graphique, il ressemble généralement à un trapèze ou à un triangle déséquilibré. Les chiffres réels peuvent différer d'une génération à l'autre, et les nuances de la courbe différeront d'un produit à l'autre, mais la forme générale de la courbe sera probablement la même.

Alors, comment prendre des décisions basées sur les données concernant un produit si nouveau qu'il n'a aucune donnée derrière lui ? Quand cela arrive, les entreprises s'appuient généralement sur une combinaison d'études de marché et de l'expertise du chef de produit pour établir une prévision. Cette approche ne fonctionne pas toujours très bien, cependant, Hu et ses co-chercheurs voulaient donc trouver un moyen d'intégrer des données concrètes à ces informations commerciales pour obtenir une image plus précise.

La solution, Hu a proposé, est d'utiliser les données de produits existants avec des caractéristiques similaires ou de catégories similaires comme une sorte de proxy pour les générations précédentes. Par exemple, si une entreprise informatique lance sa première tablette, il n'a pas d'autres données de tablette à consulter. Mais il peut avoir des données sur, dire, un ordinateur portable très léger, un ordinateur portable avec écran tactile et un ordinateur portable très bon marché proche du prix de la nouvelle tablette. Ce « cluster » de produits similaires constitue le pool de données dans lequel un chef de produit peut puiser pour développer une courbe.

"Mais au-delà de la composante données, nous permettons également au top manager de superposer son point de vue ou son ressenti sur ce nouveau produit, " dit Hu. "Par exemple, s'ils pensent que ce sera un excellent produit, ils feraient probablement plus d'événements promotionnels, ce qui modifiera certaines des tendances de la demande en cours de route. Nous permettons donc également à nos prévisions d'être suffisamment flexibles pour intégrer ces informations commerciales telles que l'heure de lancement prévue, promotions ou événements de vente planifiés."

Cette approche mixte peut également être utilisée pour prévoir la demande de produits qui peuvent être encore trop jeunes pour avoir beaucoup de données derrière eux, comme les versions de deuxième génération, et même d'améliorer les prévisions purement basées sur les données pour des produits bien établis avec de nombreuses générations d'historique sur lesquelles s'appuyer.

Hu et ses collègues ont ensuite testé leur modèle à l'aide des données de Dell et d'une petite entreprise de matériel de jeu appelée Turtle Beach. Chez Dell, Le modèle de Hu s'est amélioré par rapport aux prévisions de Dell de 3,4 % en moyenne pour les produits flambant neufs, 9,2% pour les produits relativement jeunes, et 14 pour cent pour les produits établis, permettant à l'entreprise d'économiser entre 1,50 $ et 4,70 $ par unité de produits. Pendant ce temps, à Turtle Beach, qui est une petite entreprise qui n'a pas nécessairement les ressources pour produire des prévisions aussi sophistiquées que celles de Dell, L'approche de Hu a amélioré la précision des produits établis de 73 %.

Bien que Hu et ses collègues aient développé leur modèle pour les produits technologiques, elle a déclaré que le cadre de base de leur approche pourrait se traduire par tout nouveau produit conçu pour avoir un cycle de vie court, comme la mode rapide, ou même des produits plus récents avec des cycles de vie plus longs qui n'ont pas encore beaucoup de données de vente sur lesquelles s'appuyer.

« La méthodologie est universelle, " dit-elle. " Mais le besoin de ce cadre devient plus urgent lorsque le cycle de vie du produit est court, afin que les entreprises puissent vraiment se préparer à ce seul coup de vente. "