因果/回归建模技术使用外部或独立变量，并通过统计方法，开发将这些变量与因变量相关联的公式。 因果关系一词使用非常宽松，因为这些模型是基于相关关系，而不是真正的因果关系。 该子类别中的四种流行技术包括：

• 线性回归：一种统计方法，用于评估一个或多个管理变量与因变量（销售）之间的关系，严格假设这些关系本质上是线性的。 例如，价格可能是新产品销售的重要驱动因素。 价格与销售数量之间的关系将根据产品线内其他产品的先前数据确定，然后用于预测即将推出的产品的销售额。
• 非线性回归：一种统计方法，用于评估一个或多个管理变量与因变量（销售额）之间的关系，但这些关系不一定被认为是线性的。
• 逻辑回归：一种统计方法，用于评估一个或多个管理变量与二元结果（如购买与非购买）之间的关系。 逻辑回归模型计算事件发生或未发生的概率。
  
• 事件建模：通常是基于回归的方法，用于评估一个或多个事件（公司发起或不附属于公司）与因变量（销售）之间的关系。 例如，将分析与先前产品发布一起使用的促销，并且通过统计确定此促销导致销售增加。 销售额的预期增长将相应地映射到新产品的销售额。

另一类包含采用独特方法或代表时间序列和回归技术的混合的技术。 这些预测技术的示例包括：

• 专家系统：通常基于计算机的启发式或预测规则。 这些规则是通过采访预测专家然后构建“if-then”语句来确定的。 通过遍历各种适用的“if-then”语句生成预测，直到所有语句都被考虑为止。
• 神经网络：高级统计模型，试图破译特定销售时间序列中的模式。 这些模型耗费很多时间来构建并且难以解释。 在大多数情况下，它们是专有的。
• 模拟：用于将市场力量纳入决策模型的方法。 然后考虑“假设分析”情景。 通常，模拟是基于计算机的。 典型的模拟模型是蒙特卡罗模拟，它使用随机生成的事件来驱动模型并评估结果。

客户/市场研究技术包括那些收集客户/市场数据的方法，然后系统地分析这些数据以得出进行预测的推论。 四种一般的客户/市场研究技术包括：

• 概念测试：客户（当前和/或潜在客户）评估新产品概念，并对他们对此概念是否可能感兴趣并可能购买发表意见。 概念测试的目的是验证新产品概念。
• 产品使用测试：客户（当前和/或潜在客户）评估产品功能特性和性能的过程。 产品使用测试的目的是验证产品的功能。
• 市场测试：目标客户在市场环境中评估新产品的营销计划的过程。 市场测试的目的是验证建议的营销计划和“最终”新产品。
• 上市前测试：使用联合数据和主要消费者研究来估算新产品计划的销售潜力的程序。 Assessor和BASES是与市场前测试相关的两种专有新产品预测模型。 BASES通常用于消费品行业。

16.5 新产品预测策略

虽然有许多预测技术可供使用，但重要的是要认识到并非所有预测技术都适用于每种预测情况。 定性技术具有很强的适应性，但非常耗时; 因此，在存在严重时间限制的情况下，它们不适合。 定量技术需要数据，并依赖于当前数据将与未来状态相对应的关键假设; 如果这种情况不存在，定量技术将没有意义。 应用客户/市场研究技术既费时又昂贵。 预算限制可能严重限制可能适用的客户/市场研究的程度。 因此，建议使用工具箱式的方法来应用新产品预测技术。

虽然有许多预测技术可供使用，但重要的是要认识到并非所有预测技术都适用于每种预测情况。

为了帮助做出与新产品预测相关的决策，产品-市场矩阵的一个变异被定制以揭示四种新产品预测情况（参见图16.5）。 在当前和新的两个维度上绘制市场不确定性和产品技术不确定性，揭示了四个单元，每个单元由以下新产品预测策略之一表示：销售分析，产品线/生命周期分析，客户和市场分析，以及情景分析。

图16.5新产品预测策略

销售分析与当前市场和当前产品技术相关，其中市场和产品技术的不确定性最低。 成本降低和产品改进将填补这一单元。 这些产品自身意味着销售数据可用，因为该产品以前存在。 分析将侧重于根据先前的成本降低和产品改进来寻找销售模式的偏差和缺陷。 诸如时间序列和回归之类的定量技术可能非常有用并提供客观预测。

产品线/生命周期分析是关于当前市场和新技术的。 产品线扩展与此单元相关联，代表了更高的产品技术不确定性。 由于对当前市场的了解，分析将尝试在新产品线扩展上覆盖先前推出的产品的模式。 这些模式将使用类似于看试分析或类似预测来表征上市曲线或生命周期曲线。

由于市场不确定性较高，在现有技术和新市场的情况下，客户和市场分析是必要的。 该预测策略的目的是了解新市场，从而减少这种不确定性，并更好地了解新市场。 可以使用各种客户和市场研究以及基于假设的模型来试图指定市场驱动因素，这将通过所进行的客户/市场研究来验证。 该单元中的产品将包括新用途和新市场产品。

情景分析策略将对应于新市场和新产品技术的情况，代表市场和产品技术的高度不确定性，类似于新公司（新类别条目）和新产品。 将采用情景分析来描绘未来的图景和未来的发展方向。 请注意，情景分析策略不应与仅使用情景分析相混淆; 相反，在这种情况下预测的目的是基于新产品开发决策，开发不同的场景。 鉴于缺乏数据，在确定具体目标市场方面存在潜在困难，以及有关技术接受度的问题，主观评估技术将在此发挥重要作用。

应该认识到，预测技术在图16.5中的每个单元中都具有适用性，具体取决于具体情况。 客户和市场研究可以极大地有益于市场对降低成本，产品改进和产品线扩展的理解。 主观评估技术可以很容易地应用于所有类型的新产品。 问题是要认识到必要的资源和期望的结果；例如，主观评估技术可能无法提供足够的细节来预测明年产品改进的销售情况。 因此，所提议的框架的目的是建议应用那些看似最合适的技术，以此来提供促进新产品预测的策略。而绝不应该将这些技术视为排他性的，仅适用于所指示的那些单元。

16.6 新产品预测基准

即使采用足够多的技术和敏锐的策略，新产品预测的特点是低精度（高预测误差）。如表16.1所示，六种新产品的总体平均准确度为58％，成本改善一般为72％；产品改进预测准确率为65％；产品线延伸预测准确率为63％；市场延伸预测准确率为54％；新品类（对公司而言）预测准确率为47％；和完全创新产品40％。请注意，这些新产品预测准确度的平均值是通过要求受访者表明产品上市后一年达到的平均预测准确度来收集的（参见Kahn，2002）。这些较低的准确性再次证明，与现有市场的情况（即成本改进，产品改进，产品线扩展）相比，预测新市场更加麻烦（即市场扩展，新品类和新产品）。

新产品类型	平均准确度	时间跨度
成本降低	72%	21个月
产品改善	65%	20个月
产品线延伸	63%	21个月
新市场/新用法	54%	24个月
新品类	47%	35个月
创新产品	40%	36个月

表16.1新产品预测的百分比准确度和时间范围

这些预测的总体平均预测时间范围约为26个月。 如表16.1所示，成本改进，产品改进，产品线扩展和市场扩展的平均时间范围低于此平均值（分别为21,20,21和24个月），而新品类的平均时间范围和新产品的产品均高于这个平均水平（分别为35个月和36个月）。 这些结果表明，对新品类和新产品的预测特性是长期性，相应地，其性质比其他类型的新产品的预测更具战略性。

在流程特征方面，基准研究表明，在近三分之二的公司中，营销部门负责新产品预测。即使它不负责任，营销部门也积极参与新产品预测工作，销售部门，销售预测部门和市场研究部门也有相当程度的参与。在技术使用方面，公司通常使用多种新产品预测技术 – 平均为2到4种。使用多种技术的目的是通过协调每种预测技术得出的预测来确定新产品预测的良好基线。不过，研究表明，使用多种技术并不一定能带来更高的新产品预测准确度或对新产品预测流程的更高满意度。因此，简单地增加所采用的预测技术的数量并不会导致成功的预测；如前所述，多达四种预测技术似乎就足够了。

16.7 新产品预测流程

虽然应用适当的预测技术将有利于新产品预测工作，但还有其他考虑因素。 应考虑新产品固有的各种不确定性，包括可能实现的相互蚕食效应和市场渗透率，以及查找相关数据，并有时间进行必要的分析以解决这样那样不确定因素。 成功的公司做到这一点的方式是通过流程——特别是通过创建结构化，系统化的新产品预测流程。 这样的过程建立在先前新产品预测，跨职能沟通（特别是与营销部门）和客户反馈的经验之上; 在一个流程中，这些能够使组织学习和理解，在这之上做出可靠和现实的预测。

假设管理是新产品预测过程的重要组成部分。 该流程将明确指定假设并使其透明，以便全公司对这些假设的基础有所了解。 产品上市后，成功预测的公司将实施跟踪系统，密切监控和控制这些假设，以确定预测是否准确或是否发生偏差。 假设的透明度对于澄清预测是基于合理的理由还是仅仅基于乐观情绪特别有价值。

成功的预测公司也意识到新产品预测应该是范围预测，而不是点预测。 随着产品接近并进入发布阶段，这些范围通常会变得更窄。 例如，悲观，可能和乐观的案例可以与假设的监控和控制联系起来，以确定哪种情况正在发挥作用。

最后，一流的公司正在构建数据库，以收集，跟踪和反映新产品的推出，特别是在消费品行业。 此类数据库对于新产品预测假设的验证以及记录新产品预测准确性至关重要。 使用联合数据，市场份额数据和竞争者数据来绑定此内部数据库可用于实现更稳健的分析。 该数据库还支持与品牌偏好，价格弹性和地理推广方案相关的其他复杂分析。 关键在于通过新产品发布的数据源，建立并跟进数据库的维护。

16.8 小结

新产品预测肯定不容易，而且这个过程没有灵丹妙药。 然而，采用适当技术的公司，加上结构良好的新产品预测流程，显示出更好的新产品预测成功倾向。 技术在建立良好的初始基线预测方面发挥着关键作用。 然后，新产品预测流程将对此基线预测进行补充和增强。 这些元素共同有助于提供最佳，最有意义的新产品预测，从而推动新产品决策。

采用适当技术并结合结构良好的新产品预测流程的公司有更大的机会实现新产品预测的成功。