Devido à escassez de dados históricos e de ferramentas analíticas adequadas, os gestores normalmente recorrem à intuição e a heurísticas para a tomada de decisões sobre novos produtos. Ainda assim, as decisões não deveriam ser baseadas unicamente em intuição. Técnicas analíticas poderiam trazer consistência e confiabilidade às decisões. A aprendizagem de máquina pode capturar relações não lineares presentes em problemas reais, mas geralmente apresenta a desvantagem de exigir enorme quantidade de dados. O uso de invariantes presentes no conhecimento do especialista pode contornar esse problema, acelerando a convergência de problemas a soluções, sem a necessidade de grandes bancos de dados. Este trabalho propõe um método de previsão e suporte à tomada de decisões estratégicas sobre novos produtos, utilizando o conceito de design dominante e algoritmos de aprendizagem de máquina. O design dominante é um conjunto de atributos principais que definem uma categoria de produtos e é adotado pela maioria dos participantes no mercado. O período de evolução tecnológica anterior à emergência do design dominante é caracterizado por alta incerteza e competição entre diferentes conceitos de produto. Previsão nessa fase refere-se a entender os componentes tecnológicos principais e mapear suas trajetórias. Com a emergência do design dominante, a indústria entre numa fase de relativa estabilidade, com foco no aperfeiçoamento de processos e a inovação de produtos passa a ser incremental. A previsão consiste em determinar uma combinação de atributos vencedora e medir o tamanho da demanda. Invariantes no design dominante, codificadas implicitamente no conhecimento dos profissionais da indústria, são utilizadas para reduzir o espaço de possíveis variáveis. Uma hipótese de produto conjunto dos atributos mais relevantes é esboçada a partir do conhecimento dos especialistas do setor. Um banco de dados, a matriz de atributos e valores alvo, modela o mercado. Uma rede neural artificial extrai as relações não lineares no banco de dados, simulando o mercado. O método é demonstrado por estudos de caso da indústria automobilística, produzindo resultados significativos e mostrando que a abordagem pode ser utilizada em estratégia de novos produtos.

Due to the lack of both historical data and adequate analytic tools, managers usually rely on intuition and heuristics in new product strategy decision-making. But decisions should not be based solely on intuition. Analysis brings consistency to managerial judgment. Machine learning can capture nonlinear relations in real-life problems, leading to more sound and reliable decisions. However, machine learning usually adds the caveat of requiring significant amounts of data. Using invariants from the experts domain knowledge can circumvent that hurdle, accelerating the convergence of problems to solutions, without the need of significantly large datasets. This study proposes a framework to predict and to support new product strategy decisions, using the theoretical concept of dominant design and machine learning algorithms. A dominant design is the set of core features that define a product category and is adopted by the majority of players in a market. The period of technology evolution preceding the emergence of a dominant design is characterized by high uncertainty and intense competition among different product concepts. Forecasting in this phase concerns understanding core technology evolution patterns and mapping their trajectories. After a dominant design emerges, the industry shifts to a period of relative stability, with focus on process improvement. Product innovation is incremental henceforth. Forecasting centers on assessing winning combinations of features and predicting demand size. Invariants in the dominant design, implicitly encoded in the industry knowledge, are used to reduce the space of potential feature variables. A product hypothesis a set of the most relevant features mapped to customer value is drawn from experts domain knowledge, research, and analysis. A database is synthesized from the hypothesis, consisting of a matrix of feature variables and fitness indicators (target values) which models the market. An artificial neural network extracts the complex nonlinear relations in the database, simulating the dynamics of the market. The framework is demonstrated with cases from the automobile industry, yielding meaningful results and showing the approach can assist new product strategy making.