Tese

Dominant design and machine learning in new product forecasting (2022)

• Authors:
  • Yamamura, Charles Lincoln Kenji
  • Berssaneti, Fernando Tobal (Orientador)
  • Santana, José Carlos Curvelo (coorient)
• Autor USP: YAMAMURA, CHARLES LINCOLN KENJI - EP
• Unidade: EP
• Sigla do Departamento: PRO
• Subjects: DEMANDA; APRENDIZADO COMPUTACIONAL; PRODUTOS NOVOS; INVARIANTES
• Agências de fomento:
  • Financiamento CAPES
• Language: Inglês
• Abstract: 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 dosatributos 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.
• Imprenta:
  • Publisher place: São Paulo
  • Date published: 2022
• Data da defesa: 06.10.2022


---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  YAMAMURA, Charles Lincoln Kenji. Dominant design and machine learning in new product forecasting. 2022. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3136/tde-03082023-141552/. Acesso em: 31 dez. 2025.

• APA

  Yamamura, C. L. K. (2022). Dominant design and machine learning in new product forecasting (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3136/tde-03082023-141552/

• NLM

  Yamamura CLK. Dominant design and machine learning in new product forecasting [Internet]. 2022 ;[citado 2025 dez. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3136/tde-03082023-141552/

• Vancouver

  Yamamura CLK. Dominant design and machine learning in new product forecasting [Internet]. 2022 ;[citado 2025 dez. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3136/tde-03082023-141552/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Refurbishing and recycling of cell phones as a sustainable process of reverse logistics: a case study in Brazil
• Forecasting new product demand using domain knowledge and machine learning
• The front-end of product development as systems thinking and predictive learning
• Placement of infrastructure for urban electromobility: a sustainable approach
• Effects of air pollution on human health and costs: current situation in São Paulo, Brazil
• Electric cars in Brazil: an analysis of core green technologies and the transition process
• Clean production of biofuel from waste cooking oil to reduce emissions, fuel cost, and respiratory disease hospitalizations