El nuevo modelo ayuda a identificar cuándo es probable que los usuarios actualicen los productos de software

Cada año, el videojuego más vendido Call of Duty lanza una nueva generación con características mejoradas y nuevas historias. Esto no es una novedad para cualquiera que esté familiarizado con los videojuegos populares u otros productos de software como los teléfonos inteligentes, ya que se cree que el lanzamiento de nuevas generaciones y modelos mantendrá a los usuarios interesados ​​y garantizará una participación de mercado competitiva.

Si bien la mayoría de las empresas pueden esperar que los clientes estén a bordo con una cierta frecuencia de actualizaciones, el tiempo promedio entre las actualizaciones de los usuarios ha aumentado en los últimos años. En 2014, por ejemplo, los consumidores estadounidenses actualizaron sus teléfonos inteligentes cada 23 meses. Sin embargo, en 2018, el consumidor medio conservaba su teléfono durante ocho meses más. Se prevé que esa brecha solo se amplíe en los próximos años. Para predecir mejor cuándo los usuarios optarán por actualizar sus productos, un equipo de investigadores se dispuso a identificar los factores que podrían revelar las intenciones de los usuarios.

«Quizás en las primeras generaciones, los consumidores están más entusiasmados con las nuevas funciones, pero a medida que pasa el tiempo, la mayoría de los usuarios se entusiasman cada vez menos con las funciones nuevas y mejoradas», dijo Xinxue (Shawn) Qu, profesor asistente de tecnología de la información, análisis y operaciones en el Mendoza College of Business de la Universidad de Notre Dame. «Queríamos saber por qué ciertos consumidores están más dispuestos a adoptar nuevas actualizaciones, mientras que otros tienden a esperar más tiempo. Si desea comprender la disposición de los usuarios a adoptar, debe observar su patrón de uso anterior».

Qu, un experto en adopción de tecnología, gestión de datos y análisis predictivo, y un equipo de investigadores compilaron sus hallazgos en el artículo «Predicción del tiempo de actualización para generaciones sucesivas de productos: un modelo de riesgo proporcional de descomposición exponencial», para una próxima edición de Producción y Gestión de Operaciones. Los coautores de Qu incluyen a Aslan Lotfi de la Escuela de Negocios Robins de la Universidad de Richmond, Dipak Jain de la Escuela Internacional de Negocios China Europa y Zhengrui Jiang de la Escuela de Negocios de la Universidad de Nanjing.

Los investigadores se centraron en un videojuego de deportes popular que lanza actualizaciones anuales y cuenta con un conjunto de datos particularmente rico de más de 60 000 jugadores únicos rastreados a lo largo de múltiples generaciones de la serie de juegos. Predijeron que los jugadores más activos, aquellos que iniciaron una mayor cantidad de sesiones de juego, jugaron más modos de juego, realizaron más compras de mejoras y jugaron más recientemente, tendrían más probabilidades de actualizarse a la nueva generación. También estaban interesados ​​en un escenario cada vez más común, donde las compras en línea realizadas antes del lanzamiento del juego representan una parte significativa de las ventas de una nueva generación de productos.

«Nos dimos cuenta de que la teoría existente no puede abordar completamente el fenómeno actual», dijo Qu. “Cuando Apple lanza por primera vez un nuevo iPhone, la gente espera en la fila queriendo llegar a la tienda en la fecha de lanzamiento y comprar el producto tan pronto como puedan. Eso es totalmente diferente de la teoría tradicional, donde el mercado tarda en responder. a la introducción de nuevas tecnologías».

Esta tendencia de hacer cola el día del lanzamiento o actualizar en línea antes del lanzamiento físico conduce a un gran aumento de las ventas en los días posteriores al lanzamiento y luego a una fuerte disminución de las ventas una vez que los usuarios entusiastas han realizado sus compras. Para ayudar a explicar y predecir los comportamientos de actualización de los consumidores, los investigadores propusieron un modelo de riesgo proporcional de decaimiento exponencial (modelo Expo-Decay) y lo probaron con otros modelos existentes.

«Este modelo cae dentro de un marco llamado análisis de supervivencia», dijo Qu. «Tiene en cuenta todos los factores que pueden predecir el tiempo antes de que suceda un evento. Por ejemplo, la variable dependiente de nuestro modelo es cuándo el usuario va a adoptar una nueva generación de un artículo y luego podemos incorporar todos los demás factores , incluido el comportamiento de uso y adopción de generaciones anteriores».

Los investigadores también lanzaron tres extensiones a su modelo, la primera de las cuales captura factores no observados que podrían haber influido en el comportamiento del usuario. La segunda extensión enfatiza los patrones de usuario más recientes sobre todos los datos históricos para ayudar a comprender los retrasos en la adopción. La tercera extensión actualiza el valor de las covariables a medida que avanza el tiempo. En última instancia, aunque las dos primeras extensiones incorporaron variables más matizadas, no superaron al modelo Expo-Decay. Sin embargo, la tercera extensión superó al índice de referencia.

«Digamos que el producto se lanza en septiembre. Todas mis observaciones deberían ser anteriores a septiembre», dijo Qu. «Pero si el usuario no ha realizado una compra cuando se trata de noviembre, y si todavía está utilizando los datos del usuario capturados en septiembre para hacer una predicción para noviembre, el modelo se vuelve menos preciso. Así que aquí es donde está la tercera extensión». mejor.»

Ciertos hallazgos fueron intuitivos y confirmaron la hipótesis de los investigadores. De hecho, si un usuario actualizó antes en generaciones anteriores, también está más dispuesto a actualizar antes para la generación de enfoque. Sin embargo, un hallazgo fue bastante sorprendente.

«Curiosamente, descubrimos que aquellos usuarios especializados que solo usan algunas funciones están más dispuestos a actualizarse», dijo Qu. «Esto posiblemente se deba a que esos usuarios solo usan una cantidad limitada de funciones, por lo que están cansados ​​de explorar otras, o ya están familiarizados con otras funciones y saben que no están interesados ​​en esas funciones. Por lo tanto, están esperando a ver qué sucederá». ser nuevo en la próxima generación. Cuando se introduzca una nueva característica, serán los primeros en hacer la compra».

Qu dijo que las empresas pueden beneficiarse de esta investigación para predecir mejor las ventas, ya que el modelo puede incorporar características relacionadas con el comportamiento del usuario y cualquier factor que influya en sus decisiones de compra. Por lo tanto, las empresas pueden personalizar sus estrategias de marketing y dirigirse a los usuarios que tienen más probabilidades de actualizar antes. Desde la perspectiva del diseño de productos, las empresas también pueden determinar mejor qué características serán bienvenidas por los mercados y mejorar sistemáticamente su proceso de desarrollo de nuevos productos.

Agrega que el modelo Expo-Decay se puede aplicar a áreas más allá del desarrollo de productos, y el código fuente del modelo está disponible a pedido.

«Observamos un patrón similar en las redes sociales», dijo Qu. «Digamos que tuiteas algo. Por lo general, puedes observar que el contenido se vuelve viral rápidamente, en unas pocas horas. Pero luego de una semana, nadie volverá al contenido anterior debido a la poca memoria de Internet, o tal vez porque el entusiasmo de la gente decae con el tiempo, por lo que podría ser un área de estudio en el futuro».

La investigación se publica en Producción y Gestión de Operaciones.