به گفته ژان ون میم، استاد عملیات مدرسه کلاگ، «فرض کنید یک گوی بلورین پیشگویی دارید و میتوانید روند دقیق تقاضای محصول خود طی هر ماه را در آن ببینید. با وجود این گوی بلورین، پاسخ به تقاضا بسیار آسان است، چرا که اگر شما مدت زمان شروع تا تکمیل محصول خود را بدانید، تنها کافی است با کمک این گوی تعداد دقیق واحدهای کالا را از ارزانترین منابع و بهموقع تهیه کرده و صد درصد نیاز بازار را بدون ضایعات تامین کنید.»از آنجا که وجود گوی بلورین در واقعیت امکان ندارد، بنابراین ونمیم تصمیم گرفت بهترین گزینه عملی را بیابد.در مطالعاتی که او اخیرا با کمک همکارش انجام داده، پژوهشگران با شرکت دل به همکاری پرداختند تا دادههای فروش را در مورد بیش از صد محصول این شرکت تحلیل کنند. درحالیکه شرکتها اغلب برای پیشبینی میزان تقاضا، بر تجربه مدیران و تحقیقات بازار تکیه میکنند، تیم تحقیقاتی به این نتیجه رسیده که شرکتهایی مانند دل میتوانند با استفاده از اطلاعات فروش محصولات قبلی، دقت پیشبینی میزان تقاضای خود را تا ۹ درصد افزایش دهند. این میزان افزایش دقت به معنای میلیونها دلار صرفهجویی است.
هزینه پیشبینیهای غلط
۲۷ درصد میزان فروش همه صنایع، مربوط به محصولات جدید است. با توجه به تهدیداتی که وجود دارد، عجیب نیست که کسب و کارها روی پیشبینی چرخه عمر محصولات خود سرمایهگذاری کنند. به گفته میم، اشتباهات کوچک در پیشبینیها میتواند منجر به ضربهای بزرگ در سود سازمان شود. وقتی شرکتهایی مانند دل برای تامین کالای خود با مشکل مواجه میشوند و انبارهای آن خالی میمانند، به سرعت از حمل و نقل هوایی استفاده میکنند یا از منابع محلی و نزدیکتر مانند مکزیک به جای چین، کالای خود را تامین میکنند. البته این راهحلها نسبت به منابع سنتی، به مراتب گرانتر است. شرکتها عموما برای پیشبینی فروش آتی محصولات کنونی خود یا میزان تاثیرگذاری این محصولات بر بازار، از دادههای مربوط به فروش قبلی این محصولات استفاده میکنند. اما این پیشبینی برای محصولات جدید پیچیدهتر است. پژوهشهای پیشین نشان میدهند که شرکتها اغلب در مورد این گونه محصولات، به دادههای فروش قبلی اکتفا نمیکنند و در عوض روی تحقیقات کیفی بازار یا نظرات مدیران اجرایی تمرکز میکنند.
گاهی در میان محصولات جدید، محصولاتی وجود دارند که واقعا نوآورانه محسوب میشوند. اما چه اتفاقی میافتد اگر بیشتر کامپیوترها و دوربینهای نسل جدید واقعا جدید نباشند؟ چه میشود اگر با وجود بهروزرسانیها، ارتقای برخی ویژگیها و اضافه شدن بعضی خصوصیات جدید در آیتمهای کلیدی، محصولات مورد نظر شبیه نمونههای قدیمی خود باشند؟ آیا بهتر نیست از اطلاعات قبلی دیگر محصولات برای پیشبینی تقاضا محصولات مشابه استفاده کرد؟
میم به همراه گروهی از محققان دیگر، در قالب یک تیم به تحقیق در این زمینه پرداختند. ایده این محققان این بود که میتوان محصولاتی را که منحنیهای چرخه عمر (PLC) مشابه هم دارند، در یک گروه دسته بندی کرد. با این روش آنها میتوانستند بر مبنای شباهتهای موجود بین محصولات جدید و محصولات قدیمی، پیشبینی کنند که هر محصول جدید در کدام گروه قرار میگیرد.به گفته میم ایده اصلی آن است که برای هر گروه محصول میتوان منحنی چرخه عمر متناسب را پیدا کرد که به بهترین شکل ممکن بر آن منطبق شود و از این منحنی برای پیشبینی روند تقاضای محصولات جدید استفاده کرد. اگر محصول جدید کاملا شبیه یکی از محصولات قدیمی باشد، میتوان از منحنی مربوط به محصول قدیمی برای پیشبینی فروش محصول جدید استفاده کرد، اما اگر دقیقا مشابه نباشند، میتوان از منحنی گروهی که محصول جدید در آن قرار میگیرد، استفاده کرد.
مقایسه منحنیها و راهحلی بهتر
محققان در قدم اول با استفاده از اطلاعات فروش ۱۳۳ محصول از محصولات کامپیوتری دل، میزان فروش یک محصول در گذشته را با منحنی چرخه عمر آن محصول مقایسه کردند تا دریابند کدام محصول بیشترین مطابقت را با الگوهای فروش موجود دارد. برخی از منحنیهایی که به نظر آنها مرسومتر بودند، از چهار فاز معرفی محصول، رشد تقاضا، دوره ثبات (که اصطلاحا دوره بلوغ محصول نامیده میشود) و در نهایت کاهش تقاضا تشکیل شدهاند.
محققان به این نتیجه رسیدند که بهترین منحنی چرخه عمر برای اغلب محصولات اصلا به شکل منحنی نبوده و مثلثی شکل است. به گفته میم، در این نوع منحنی، تقاضا ابتدا افزایش و سپس کاهش مییابد. این منحنیها نشان میدهند این محصولات دوره کوتاهی را در مرحله بلوغ میگذرانند. به نظر میرسد محصولات الکترونیکی در این گروه قرار میگیرند، چرا که قبل از اینکه محصول مورد نظر در بازار به ثبات برسد، یک مدل جدیدتر، سریعتر و پرزرق و برقتر به بازار میآید. میم عنوان میکند که این موضوع از لحاظ مدیریتی بسیار جذاب است. به گفته او «اگر شما بهعنوان یک مدیر تلاش میکنید که میزان تقاضا برای محصول جدید خود را پیشبینی کنید و میدانید که منحنی این تقاضا مثلثی شکل است، کافی است ۳ چیز را تخمین بزنید: چقدر طول میکشد محصولتان در بازار به فروش برسد، پیک فروش چه زمانی است و این مدت زمان پیک چقدر طول خواهد کشید.» در مرحله بعد، محققان، محصولاتی را که منحنیهای مشابه دارند، در یک دسته قرار دادند و برای هر دسته، میزان بهینه چرخه عمر محصول را تخمین زدند. سپس با استفاده از این منحنی و دیگر اطلاعات مربوط به محصول مانند زمان ورود به بازار، طول عمربرنامهریزی شده برای کالا و میزان تقاضای پیشبینی شده، تقاضای بازار برای محصول جدید را مجددا پیشبینی کردهاند.
بهطور کلی در مقایسه با دادههای قبلی، پیشبینی محققان، ۹ درصد دقیقتر از پیشبینیهای اولیه دل بود. این میزان، پیشرفت قابل ملاحظهای محسوب میشود که برای میلیونها محصول تولیدی در سال، منجر به صرفهجویی ۲ تا ۶ دلاری به ازای هر واحد در هزینههای نقل و انتقال و انبارداری خواهد شد. براساس اظهارات میم، نکته اساسی آن است که شرکتهایی مانند دل میتوانند رویکردهای مبتنی بر داده را با اطلاعات ناشی از شم تجاری برنامهریزان شرکت تلفیق کنند و پیشبینیهای دقیق تری را ارائه کنند.