هر سال، پرفروش‌ترین بازی ویدیویی Call of Duty نسل جدیدی را با ویژگی‌های ارتقا یافته و داستان‌های جدید منتشر می‌کند. این برای کسی که با بازی‌های ویدیویی محبوب یا سایر محصولات نرم‌افزاری مانند گوشی‌های هوشمند آشنا است، خبری نیست، زیرا گمان می‌رود عرضه نسل‌ها و مدل‌های جدید باعث جذب کاربران و تضمین سهم بازار رقابتی شود.
کو گفت: “ما متوجه شدیم که نظریه موجود نمی تواند به طور کامل به پدیده فعلی بپردازد.” زمانی که اپل برای اولین بار یک آیفون جدید عرضه می‌کند، مردم در صف منتظر می‌مانند تا در تاریخ عرضه به فروشگاه بروند و محصول را در اسرع وقت خریداری کنند. برای معرفی فناوری جدید.»
Xinxue (Shawn) Qu، استادیار دانشگاه Xinxue (Shawn) Qu، گفت: “شاید در چند نسل اول، مصرف کنندگان بیشتر در مورد ویژگی های جدید هیجان زده باشند، اما با گذشت زمان، بیشتر کاربران کمتر و کمتر در مورد ویژگی های جدید و بهبود یافته هیجان زده می شوند.” فناوری اطلاعات، تجزیه و تحلیل و عملیات در کالج تجارت مندوزا در دانشگاه نوتردام. “ما می خواستیم بدانیم که چرا مصرف کنندگان خاص تمایل بیشتری به پذیرش ارتقاءهای جدید دارند در حالی که دیگران تمایل دارند مدت زمان بیشتری منتظر بمانند. اگر می خواهید تمایل کاربران را برای پذیرش درک کنید، باید الگوی استفاده قبلی آنها را رعایت کنید.”
کو گفت: «ما الگوی مشابهی را در رسانه‌های اجتماعی مشاهده می‌کنیم. فرض کنید چیزی توییت می‌کنید. معمولاً می‌توانید مشاهده کنید که محتوا به سرعت، در عرض چند ساعت، ویروسی می‌شود. اما بعد از یک هفته دیگر کسی به محتوای قبلی به دلیل حافظه کوتاه اینترنت یا شاید به این دلیل باز نمی‌گردد. شور و شوق مردم به مرور زمان از بین می رود.
Qu گفت: شرکت ها می توانند از این تحقیق برای پیش بینی بهتر فروش سود ببرند، زیرا این مدل می تواند ویژگی های مربوط به رفتار کاربر و هر عاملی را که بر تصمیمات خرید آنها تأثیر می گذارد، در خود جای دهد. بنابراین، شرکت‌ها می‌توانند استراتژی‌های بازاریابی خود را شخصی‌سازی کنند و کاربرانی را هدف قرار دهند که احتمال بیشتری دارد زودتر ارتقا پیدا کنند. از منظر طراحی محصول، شرکت ها همچنین می توانند بهتر تعیین کنند که کدام ویژگی مورد استقبال بازارها قرار می گیرد و به طور سیستماتیک فرآیند توسعه محصول جدید خود را بهبود می بخشند.
او می افزاید که مدل Expo-Decay را می توان در مناطقی فراتر از توسعه محصول اعمال کرد و کد منبع این مدل در صورت درخواست در دسترس است.
در حالی که اکثر شرکت‌ها می‌توانند انتظار داشته باشند که مشتریان با فرکانس مشخصی از ارتقاها همراه باشند، میانگین زمان بین ارتقاء کاربران در سال‌های اخیر افزایش یافته است. برای مثال، در سال 2014، مصرف کنندگان آمریکایی هر 23 ماه یکبار گوشی های هوشمند خود را ارتقا دادند. با این حال، تا سال 2018، مصرف‌کننده‌های معمولی هشت ماه دیگر گوشی خود را نگه می‌داشتند. پیش‌بینی می‌شود که این شکاف تنها در سال‌های آینده بیشتر شود. برای پیش‌بینی بهتر اینکه کاربران چه زمانی محصولات خود را ارتقا می‌دهند، تیمی از محققان به دنبال شناسایی عواملی هستند که ممکن است اهداف کاربران را آشکار کند.
این روند منتظر ماندن در صف روز عرضه یا ارتقاء آنلاین قبل از انتشار فیزیکی منجر به افزایش فروش بسیار زیاد در روزهای پس از انتشار و سپس کاهش شدید فروش پس از خریدهای مشتاق شده است. برای کمک به توضیح و پیش‌بینی رفتارهای ارتقاء مصرف‌کنندگان، محققان یک مدل خطر متناسب با فروپاشی نمایی (مدل Expo-Decay) پیشنهاد کردند و آن را در برابر سایر مدل‌های موجود آزمایش کردند.
برخی از یافته‌ها شهودی بودند و فرضیه‌های محققان را تأیید کردند. در واقع، اگر کاربری در نسل‌های قبلی زودتر ارتقا داده شود، برای نسل فوکوس نیز تمایل بیشتری به ارتقاء زودتر دارد. با این حال، یک یافته نسبتاً شگفت‌انگیز بود.
Qu گفت: «جالب است که ما متوجه شدیم آن دسته از کاربران تخصصی که فقط از چند عملکرد استفاده می کنند، تمایل بیشتری به ارتقا دارند. این احتمالاً به این دلیل است که آن کاربران فقط از تعداد محدودی از توابع استفاده می‌کنند، بنابراین از کاوش در سایرین خسته شده‌اند، یا از قبل با ویژگی‌های دیگر آشنا هستند و می‌دانند که به این ویژگی‌ها علاقه‌ای ندارند. بنابراین منتظرند ببینند چه خواهد شد. در نسل بعدی جدید باشید. هنگامی که یک ویژگی جدید معرفی می شود، آنها اولین کسانی هستند که خرید را انجام می دهند.”
این تحقیق در منتشر شده است مدیریت تولید و عملیات.
Xinxue (Shawn) Qu و همکاران، پیش‌بینی زمان ارتقا برای نسل‌های متوالی محصول: یک مدل خطر متناسب با فروپاشی نمایی، مدیریت تولید و عملیات (2022). DOI: 10.1111/poms.13665
محققان همچنین سه برنامه افزودنی را برای مدل خود راه‌اندازی کردند که اولین آنها عوامل ناشناخته‌ای را نشان می‌دهد که ممکن است بر رفتار کاربر تأثیر بگذارد. برنامه افزودنی دوم بر الگوهای کاربر جدیدتر بر روی تمام داده های تاریخی تأکید دارد تا به درک تأخیرهای زمانی در پذیرش کمک کند. پسوند سوم با گذشت زمان ارزش متغیرهای کمکی را به روز می کند. در نهایت، اگرچه دو افزونه اول متغیرهای ظریف تری را در خود جای دادند، اما از مدل Expo-Decay بهتر عمل نکردند. با این حال، توسعه سوم، بهتر از معیار عمل کرد.
Qu گفت: «این مدل تحت چارچوبی به نام تحلیل بقا قرار می گیرد. به عنوان مثال، متغیر وابسته مدل ما زمانی است که کاربر قصد دارد نسل جدیدی از یک آیتم را بپذیرد و سپس ما می‌توانیم همه عوامل دیگر را با هم ترکیب کنیم. ، از جمله رفتار استفاده و پذیرش از نسل های قبلی.”
Qu، یک متخصص در پذیرش فناوری، مدیریت داده ها و تجزیه و تحلیل پیش بینی، و تیمی از محققان یافته های خود را در مقاله “پیش بینی زمان ارتقا برای نسل های متوالی محصول: یک مدل خطر متناسب با زوال نمایی”، برای شماره آتی گردآوری کردند. مدیریت تولید و عملیات. نویسندگان کو شامل اصلان لطفی از دانشکده بازرگانی رابینز در دانشگاه ریچموند، دیپاک جین از مدرسه تجارت بین‌المللی اروپای چین و ژنگوی جیانگ از دانشکده بازرگانی دانشگاه نانجینگ هستند.
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.
