IT & Operations

Vraag voorspellen voor nieuwe producten? Velen weten meer dan één!

25 augustus 2015

Hoe pak je social forecasting aan? Senior Business Consultant Ieke le Blanc en Managing Partner en academic director Freek Aertsen leggen het uit in deze column.

Vraag voorspellen voor nieuwe producten is vaak een uitdaging. Begin juli werd bijvoorbeeld geïllustreerd door Samsung. Als reden van de daling van de operationele winst wordt 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% rechte en 20% gebogen Galaxy S6 apparaten. De productiecapaciteit werd in deze verhouding ingericht. In werkelijkheid was de vraag echter 50% normaal en 50% 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 kan dit worden voorkomen?

Voorspellen van vraag van nieuwe producten is lastig. De inschatting van sales en/of productmarketing 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:

  1. De inschattingen zijn vaak te optimistisch (biased). Iedere productmanager heeft immers een rotsvast geloof in zijn eigen producten.
  2. 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 smartphones, is de vraag naar verschillende kleuren/ontwerpen voorspeld door gebruik te maken van verschillende inputs. Gedurende het introductie proces van een nieuw product komen er mogelijkheden en data bronnen beschikbaar, die ieder zijn eigen voor- en nadelen hebben:

 VoordelenBeperkingen
1. Historische data 
(extrapoleren van het verleden)
  • Data beschikbaarheid
  • Data betrouwbaarheid (merk op: is niet hetzelfde als forecast betrouwbaarheid)
  • Beperkt door het verleden: “resultaten uit het verleden bieden geen garantie voor de toekomst”
  • voorganger-opvolger relatie vaak niet eenduidig
 2. Expert judgment
(inschatting van marketing and sales professionals)
 
  • Eenvoudig op te zetten
  • Markt- en productkennis wordt gebruikt
  • Vaak bevooroordeeld
  • Gebaseerd op een kleine groep
 3. Company internal survey
(medewerkers panel/enquête: iedere medewerker is ook consument en vraag naar de voorkeur)
  • Intern en daarom makkelijk(er) op te zetten
  • Gebaseerd op data
  • Bevooroordeeld: medewerkers geloven in het eigen bedrijf

4. Social forecasting
(target potentiële kopers op sociale media en vraag naar de voorkeur)
  • Betrouwbare data te verkrijgen door targeting op potentiële kopers
  • In dialoog met potentiele kopers
  • Samenwerking marketing/sales met supply chain planning
  • Intentie gedreven
    (nog geen echte verkoop)
     
 5. Pre-order intake
(voorverkoop of intekenen voor consumenten om als eerste geleverd te krijgen)
  • Echte verkoop data van het nieuwe product
  • Betrouwbaar
  • Misschien al te laat?
  • Data afkomstig van “early adopters”

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: de kracht van een groep

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

Ookresponsieve 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".

Dit artikel is geschreven door Senior Business Consultant Ieke le Blanc en Managing Partner Freek Aertsen van EyeOn. Aertsen is academic director van TIAS Master of Operations and Supply Chain Excellence. Eerder stond deze blog op Logistiek.nl.

Ieke le Blanc, Freek Aertsen
Ieke le Blanc, Freek Aertsen

Klantvraag voorspellen?
In TIAS Master of Operations and Supply Chain Excellence komt het onderwerp forecasting aan bod. Wilt u u goed kunnen voorbereiden op de vraag van de klant? Download de brochure .

Reageren
U kunt reageren op bovenstaand artikel. Reacties worden gemodereerd en na goedkeuring geplaatst.