p Quando uma empresa de tecnologia decide lançar um novo, produto de tecnologia pioneiro, pode ser difícil saber quantos você precisa pedir. Peça muito poucos, e você pode ter que recorrer a opções de fabricação ou remessa mais caras para acompanhar a demanda. Peça muitos, e você acaba de ter muito estoque desperdiçado em suas prateleiras que nunca vai vender pelo preço total. De qualquer maneira:errar na previsão do ciclo de vida do produto pode ser um erro caro. p Kejia Hu, professor assistente de gestão de operações na Owen Graduate School of Management, desenvolveu um novo método para prever o ciclo de vida de novos produtos de tecnologia que incorpora dados históricos de vendas de produtos predecessores e insights de negócios que são mais precisos do que as abordagens atuais - em alguns casos, muito.

p A pesquisa aparece online no Diário de Manufatura e Gerenciamento de Operações de Serviço . Seus colaboradores são Jason Acimovic, da Penn State, Doug Thomas, da University of Virginia, Jan A. Van Miegham em Northwestern, bem como Francisco Erize na Dell Inc.

p A maioria dos novos produtos de tecnologia não são realmente novos - geralmente são versões da próxima geração de coisas que uma empresa já fez antes. Estimar o ciclo de vida desses produtos não é muito desafiador porque as chances são boas de que o Widget 5.0 terá um ciclo de vida semelhante às versões 4.0 e 3.0, e assim por diante. "Os dados históricos das informações de vendas dos antecessores ao longo de todo o seu ciclo de vida se tornarão uma fonte de dados preditivos muito poderosa para a demanda de próxima geração, "Hu disse.

p Produtos de tecnologia, que geralmente têm expectativa de vida intencionalmente curta, ver um aumento acentuado da demanda inicial, seguido por um breve platô ou um único ponto alto, seguido por um declínio mais longo no interesse, à medida que os clientes em potencial começam a esperar pela versão de próxima geração do produto. Se você plotar essa demanda em um gráfico, geralmente se parece com um trapézio ou triângulo assimétrico. Os números reais podem variar de geração para geração, e as nuances da curva serão diferentes de produto para produto, mas a forma geral da curva provavelmente será a mesma.

p Então, como você toma decisões baseadas em dados sobre um produto tão novo que não tem dados por trás dele? Quando isso acontecer, as empresas geralmente contam com uma combinação de pesquisa de mercado e a experiência do gerente de produto para construir uma previsão. Essa abordagem nem sempre funciona muito bem, Contudo, portanto, Hu e seus co-investigadores queriam encontrar uma maneira de integrar dados concretos com esses insights de negócios para obter uma imagem mais precisa.

p A solução, Hu propôs, é usar dados de produtos existentes com características semelhantes ou de categorias semelhantes como uma espécie de proxy para as gerações anteriores. Por exemplo, se uma empresa de informática está lançando seu primeiro tablet, ele não tem nenhum outro dado do tablet para examinar. Mas pode ter dados sobre, dizer, um laptop muito leve, um laptop com tela sensível ao toque e um laptop muito barato de preço próximo ao do novo tablet. Esse "cluster" de produtos semelhantes forma o conjunto de dados a partir do qual um gerente de produto pode desenhar para desenvolver uma curva.

p "Mas, além do componente de dados, também permitimos que o gerente superior sobreponha sua perspectiva ou seus sentimentos por este novo produto, "Disse Hu." Por exemplo, se eles acham que este será um ótimo produto, eles provavelmente fariam mais eventos promocionais, o que mudará alguns dos padrões de demanda ao longo do caminho. Portanto, também permitimos que nossa previsão seja flexível o suficiente para incorporar esses insights de negócios, como o tempo de lançamento planejado, campanhas promocionais ou eventos de vendas planejados. "

p Essa abordagem combinada também pode ser usada para prever a demanda por produtos que ainda podem ser muito jovens para ter muitos dados por trás deles, como versões de segunda geração, e até mesmo para melhorar previsões puramente baseadas em dados para produtos bem estabelecidos com muitas gerações de história para se basear.

p Hu e seus colegas testaram seu modelo usando dados da Dell e de uma pequena empresa de hardware de jogos chamada Turtle Beach. Na Dell, O modelo de Hu melhorou a previsão da Dell em uma média de 3,4 por cento para produtos novos, 9,2 por cento para produtos relativamente jovens, e 14 por cento para produtos estabelecidos, economizando para a empresa algo em torno de $ 1,50 a $ 4,70 por unidade de produtos. Enquanto isso, em Turtle Beach, que é uma pequena empresa que não tem necessariamente os recursos para produzir previsões tão sofisticadas quanto a Dell, A abordagem de Hu melhorou a precisão de produtos estabelecidos em impressionantes 73%.

p Embora Hu e seus colegas tenham desenvolvido seu modelo para produtos de tecnologia, ela disse que a estrutura básica de sua abordagem pode se traduzir em qualquer novo produto projetado para ter um ciclo de vida curto, como fast fashion, ou mesmo produtos mais novos com ciclos de vida mais longos que ainda não têm muitos dados de vendas para se basear.

p “A metodologia é universal, "disse ela." Mas a necessidade dessa estrutura se torna mais urgente quando o ciclo de vida do produto é curto, para que as empresas possam realmente se preparar para aquela única tentativa de vendas. "