När ett teknikföretag bestämmer sig för att lansera ett helt nytt, första i sitt slag teknisk produkt, Det kan vara svårt att veta hur många du behöver beställa. Beställ för få, och du kan behöva tillgripa dyrare tillverknings- eller fraktalternativ för att hålla jämna steg med efterfrågan. Beställ för många, och du har precis fått mycket slösat lager på dina hyllor som du aldrig kommer att sälja till fullt pris. Hur som helst:Att få din produktlivscykelprognos fel kan vara ett dyrt misstag.

Kejia Hu, biträdande professor i operations management vid Owen Graduate School of Management, har utvecklat en ny metod för att förutsäga livslängden för nya tekniska produkter som innehåller både historiska försäljningsdata från föregående produkter och affärsinblick som är mer exakt än nuvarande metoder - i vissa fall mycket.

Forskningen visas online i Journal of Manufacturing and Service Operations Management . Hennes medarbetare är Jason Acimovic på Penn State, Doug Thomas vid University of Virginia, Jan A. Van Miegham på Northwestern, liksom Francisco Erize på Dell Inc.

De flesta nya tekniska produkter är faktiskt inte nya-de är vanligtvis nästa generations versioner av saker som ett företag har gjort tidigare. Att uppskatta livscykeln för dessa produkter är inte för utmanande eftersom oddsen är goda att Widget 5.0 kommer att ha en liknande livscykel som version 4.0 och 3.0, och så vidare. "Historiska data från föregångarnas försäljningsinformation under hela deras livscykel kommer att bli en mycket kraftfull prediktiv datakälla för nästa generations efterfrågan, "Sa Hu.

Tekniska produkter, som i allmänhet har avsiktligt korta livslängder, se en kraftig ökning av den initiala efterfrågan, följt av antingen en kort platå eller en enda höjdpunkt, följt av en längre minskning av intresset när potentiella kunder istället börjar vänta på nästa generations version av produkten. Om du ritar den efterfrågan på ett diagram, det ser vanligtvis ut som en sned trapets eller triangel. De faktiska siffrorna kan skilja sig från generation till generation, och nyanserna i kurvan kommer att skilja sig från produkt till produkt, men den allmänna formen på kurvan kommer sannolikt att vara densamma.

Så hur tar du datadrivna beslut om en produkt så ny att den inte har någon data bakom sig? När det händer, företag förlitar sig vanligtvis på en kombination av marknadsundersökningar och produktchefens expertis för att bygga en prognos. Den metoden fungerar inte alltid särskilt bra, dock, så Hu och hennes medutredare ville hitta ett sätt att integrera hårda data med dessa affärsinsikter för att uppnå en mer exakt bild.

Lösningen, Hu föreslog, är att använda data från befintliga produkter med liknande funktioner eller från liknande kategorier som ett slags proxy för tidigare generationer. Till exempel, om ett dataföretag lanserar sin första surfplatta, den har inga andra surfplattdata att titta på. Men det kan ha data om, säga, en mycket lätt bärbar dator, en bärbar dator med pekskärm och en mycket billig bärbar dator nära priset på den nya surfplattan. Detta "kluster" av liknande produkter utgör den pool av data som en produktchef kan dra för att utveckla en kurva.

"Men bortom datakomponenten, vi tillåter också den högsta chefen att lägga över sitt perspektiv eller sina känslor för den här nya produkten, "Sa Hu." Till exempel, om de tror att det här kommer att bli en bra produkt, de skulle förmodligen göra fler reklamevenemang, vilket kommer att förändra några av efterfrågemönstren längs vägen. Så vi tillåter också att vår prognos är tillräckligt flexibel för att införliva affärsinsikter, till exempel den planerade lanseringstiden, reklamkampanjer eller planerade försäljningsevenemang."

Detta blandade tillvägagångssätt kan också användas för att förutsäga efterfrågan på produkter som fortfarande kan vara för unga för att ha mycket data bakom sig, som andra generationens versioner, och till och med för att förbättra rent datadrivna prognoser för väletablerade produkter med många generationer av historia att dra från.

Hu och hennes kollegor testade sedan sin modell med data från Dell och ett litet spelvaruföretag som heter Turtle Beach. På Dell, Hus modell förbättrades jämfört med Dells prognos med i genomsnitt 3,4 procent för helt nya produkter, 9,2 procent för relativt unga produkter, och 14 procent för etablerade produkter, sparar företaget allt från $1,50 till $4,70 per produktenhet. Under tiden, vid Turtle Beach, som är ett litet företag som inte nödvändigtvis har resurser att producera så avancerade prognoser som Dells, Hus tillvägagångssätt förbättrade noggrannheten för etablerade produkter med häpnadsväckande 73 procent.

Även om Hu och hennes kollegor utvecklade sin modell för tekniska produkter, hon sa att den grundläggande ramen för deras tillvägagångssätt skulle kunna översättas till alla nya produkter som är utformade för att ha en kort livscykel, som snabbmode, eller till och med nyare produkter med längre livscykler som inte har mycket försäljningsdata att dra på ännu.

"Metoden är universell, " sa hon. "Men behovet av detta ramverk blir mer akut när produktens livscykel är kort, så att företagen verkligen kan förbereda sig för det enda skottet av försäljning. "