Vraagvoorspelling voor nieuwe producten is een uitdaging. Onlangs werd dat nog geïllustreerd door Samsung. Als reden van de daling van de operationele winst werd de verkeerd ingeschatte vraag naar hun high-end smartphones als een belangrijke oorzaak genoemd. In april 2015 lanceerde Samsung de Galaxy S6 en zijn gebogen scherm variant, de Galaxy S6 Edge. De verwachte verdeling in verkoop was 80 procent rechte en 20 procent gebogen Galaxy S6 apparaten. De productiecapaciteit werd in deze verhouding ingericht. In werkelijkheid was de vraag echter 50 procent normaal en 50 procent gebogen. Daardoor was er een overschot aan exemplaren van de normale S6 en een tekort aan de gebogen S6 Edge met een 100 euro hogere verkoopprijs. Hierdoor zijn verkoopkansen blijven liggen (bron: WSJ).
Hoe verbeter je vraagvoorspelling nieuw product?
Voorspellen van vraag van nieuwe producten is lastig. De inschatting van sales en/of product marketing wordt vaak als uitgangpunt genomen (judgmental forecast). Vaak wordt deze nog vergeleken met historische verkopen door gebruik te maken van voorganger-opvolger relatie (predecessor-successor relation). Dit werkt vaak maar ten dele, de belangrijkste problemen zijn:
De inschattingen zijn vaak te optimistisch (biased). Iedere productmanager heeft immers een rotsvast geloof in zijn eigen producten.
Historische data is maar beperkt bruikbaar. Het extrapoleren van het verleden werkt niet goed bij nieuwe / innovatieve producten. Daarnaast zijn voorganger-opvolger relaties niet eenduidig.
De crux is het gebruik maken van de mogelijkheden en de data die er wel is. In een project voor een concurrerende fabrikant van smart phones, is de vraag naar verschillende kleuren/ontwerpen voorspeld door gebruik te maken van verschillende inputs. Gedurende het introductieproces van een nieuw product komen er mogelijkheden en data-bronnen beschikbaar, die ieder zijn eigen voor- en nadelen hebben:
Elke mogelijkheid heeft zijn toegevoegde waarde. Daarom zijn de voorspellingen gecombineerd met gewichten op basis van de betrouwbaarheid uit het verleden. Deze methode bleek betrouwbare voorspellingen te genereren voor de echte vraag van consumenten voor de nieuw ontwerpen en kleuren (niet beperkt door beschikbaarheid). De echte voorkeur van consumenten op basis van het gerichte marketing profiel bleek zeer waardevol en wordt gebruikt voor nieuwe product ontwikkeling.
Social forecasting
Velen weten meer dan één. Met een ‘company internal survey’ wordt het panel van deskundigen uitgebreid naar alle medewerkers met behulp van een gestructureerde (online) enquête. Sociale forecasting gaat nog een stap verder door het benaderen van potentiële kopers door gebruik te maken social media. Samen met een specialistisch bureau in online marketing is een Facebook applicatie gebouwd om reacties te kunnen verzamelen. De deelnemers werd gevraagd om hun 1e en 2e voorkeurs kleur aan te geven; deze informatie werd gecombineerd met data uit de Facebook-profielen. Om deelname en betrouwbaarheid te vergoten, werd onder alle deelnemers een smart phone in de favoriete kleur verloot. Om de juiste groep van potentiële kopers te selecteren volgens het marketing profiel, werden gerichte Facebook advertenties ingezet. Met de hulp van Google Analytics kon de herkomst worden getraceerd. Met behulp van geavanceerde statistiek (data mining) kon op deze wijze een betrouwbare data set worden samengesteld bestaande uit louter potentiële kopers.
Deze aanpak heeft veel overeenkomsten met het inzetten van consumentenpanels; het belangrijkste verschil is het gebruik van sociale media om gericht potentiële kopers aan te spreken. Door de lage drempel is de steekproefomvang groot en levert het voldoende data op om voor het voorspellen van de vraag naar het nieuwe product.
Implementatie vereist deskundigheid
Ook responsieve supply chains hebben grenzen aan de flexibiliteit, daarom is een goede forecast altijd belangrijk. Voor nieuwe producten is social forecasting een nuttige techniek. Het mes snijdt hierbij aan twee kanten. Ten eerste kan op sociale media het nieuwe producten gericht op potentiële kopers worden aangekondigd. Ten tweede wordt tegelijkertijd betrouwbare data verzameld over de echte voorkeur van het potentiële koperspubliek.
De toepassing kan variëren van nieuwe kleuren en designs tot smaken. Een goede implementatie is echter wel het werk van specialisten en vereist goede kennis van data-analyse technieken om verkeerde conclusies te voorkomen. Maar zelfs dan blijft het een voorspelling en heeft de vraag van de markt altijd gelijk: ‘De gustibus non est disputandum’.
Auteurs: Ieke le Blanc en Freek Aertsen. Eerder stond deze blog op Logistiek.nl.
Over TIAS
Bij TIAS doceren we vanuit de gedachte dat inzichten van vandaag niet de oplossingen van morgen zijn. Daarom leggen we, naast het overbrengen van kennis en vaardigheden, de nadruk vooral op het stimuleren van een kritische, nieuwsgierige benadering. Andere vragen stellen om te weten hoe het echt zit. Op zoek naar antwoorden met impact op organisaties, business en de samenleving. Kijk voor alle TIAS opleidingen op www.tias.edu
Plaats als eerste een reactie
Ook een reactie plaatsen? Word lid van Adformatie!