Il metodo tradizionale per la previsione del ciclo di vita dei componenti elettronici, è basato su un approccio score-card, nel quale la fase della vita, in cui si trova un dispositivo, si determina attraverso un array di attributi tecnologici: ad ogni attributo sono conferiti un codice, relativo al ciclo di vita, compreso fra uno e sei (in accordo con le fasi individuate da Pecht e Das: uno per la fase introduttiva e sei per la fase di dismissione ed obsolescenza), e un peso.
La fase in cui si trova il dispositivo si determina facendo una media pesata dei codici relativi al ciclo di vita degli attributi.
La pecca di questo metodo è il fatto che esso non considera gli effettivi andamenti del mercato, in quanto si basa su attributi tecnologici non quantificabili come la complessità tecnologica e su attributi effimeri di mercato come l'uso.
Inoltre fonda le sue radici nell'erronea assunzione che tutti gli IC (Integrated Circuit) seguono lo stesso ciclo di vita e che tutte le fasi di questo abbiano la stessa lunghezza.
Un altro approccio si fonda su un "fattore di affidabilità" che serve per individuare una "finestra temporale di sicurezza" nella quale il componente può essere usato tranquillamente.
Questo metodo usa fattori tecnologici e di mercato di dispositivi simili a quelli per cui è necessaria la previsione di obsolescenza; non prende in considerazione, quindi, il ciclo di vita né permette di individuare la fase di esso nella quale si trova il componente.
Infine, un metodo di previsione che ottemperasse alle carenze descritte per gli approcci alla previsione pregressi, fu proposto da Sanborn, Solomon e Pecht nel 2000: questo nuovo modus operandi permette di disegnare la curva a campana, basando la previsione su dati di vendita passati e caratteristiche proprie del componente. I passi da seguire per ottenere le informazioni volute sono:

Figura 5.4: Flusso logico alla base del modello previsionale di Sandborn, Salomon e Pecht.

• Identificazione della classe tecnologica a cui appartiene il dispositivo: Una classe tecnologica è un insieme di congegni che condividono caratteristiche tecniche e funzionali, ma che possono essere prodotti da diverse imprese.
• Individuazione dell'attributo primario e di quelli secondari: il primo è una caratteristica che definisce una classe tecnologica, mentre i secondi sono attributi che possono modificare la fase del ciclo di vita e dunque il momento dell' obsolescenza di una classe tecnologica. Un esempio di classi tecnologiche e di rispettivi attributi primari e secondari viene riportato nella tabella seguente.
  
  Tabella 5.1: Esempi di classi tecnologiche con relativi attributi primari e secondari⁶.

• Determinazione del numero di fonti per il dispositivo in esame; se non si riesce ad identificare alcuna industria produttrice, il componente è già obsoleto.
• Raccolta dei dati di vendita riguardanti l'attributo primario della classe tecnologica .Se una classe tecnologica comprende dispositivi individuati da più valori per l'attributo primario, dunque, si dovranno ricercare i trend di vendita per ciascuno di essi. Se si è interessati ad un dispositivo in particolare, basterà collezionare i dati di vendita relative al suo valore di attributo primario. Un esempio di quello che si potrà ottenere con la ricerca è mostrato nella figura seguente, in cui sono riportati i dati di vendita per una flash memory il cui attributo primario è la dimensione misurata in megabit (M)⁷.
  
  Figura 5.5 :Dati di vendita per una flash memory, relativi ai diversi valori che l'attributo primario della classe (dimensione della memoria) assume.
  La raccolta dei dati di vendita relativi a tutti i valori che assume l'attributo primario, che identificano i vari dispositivi appartenenti ad una classe, è utile quando si è interessati alla previsione del ciclo di vita di un dispositivi, appartenente alla stessa classe, ma con valore di attributo primario differente da quelli per cui si hanno notizie: dai trend trovati, infatti, si estrapolano l'anno dei picchi di vendita e si calcolano le deviazioni standard, attraverso il calcolo dello scarto quadratico medio, se si ottiene nel seguente modo:
  
  n = Numero di osservazioni, cioè numero di dati disponibili;
  xi = Valore dell'i-esimo dato;
  = Media campionaria;
  Pi = = Frequenza relativa dell'i-esima osservazione.
  
  Attraverso questi dati, facendo riferimento alle statistiche nella Fig. 5.5, si possono ottenere grafici del tipo in Fig. 5.6 e 5.7, da cui, attraverso estrapolazione, si riescono a trovare le espressioni matematiche della media e della deviazione standard, in funzione dell'attributo primario della classe.
  
  Figura 5.6: Trend degli anni in cui si hanno i picchi di vendita per la flash memory⁸.
  
  Figura 5.6: Trend degli anni in cui si hanno i picchi di vendita per la flash memory⁸.
  Quest'approccio può essere usato anche per dispositivi che non sono ancora in commercio, ma per i quali si conosce la classe di appartenenza e il valore che assumerà l'attributo primario.
• Costruzione della curva rappresentativa del ciclo di vita del dispositivo appartenente alla classe tecnologica in questione e identificato dall'attributo primario per cui si è interessati alla previsione. Il profilo della curva è modellato secondo una gaussiana che segue l'equazione:
  
  
  La curva è la rappresentazione grafica delle unità vendute nel tempo, la media µ della curva è l'istante temporale (anno) in cui si è verificato il picco nelle quantità vendute, il parametro k è il picco di vendita misurato in unità vendute; se tale valore è la percentuale delle unità vendute, la funzione descrive l'andamento della percentuale di vendita nel tempo. La variabile x e il tempo in anni .
• Determinazione della zona di obsolescenza in base all'attributo primario: quando questo metodo venne pubblicato nel 2000, la zona di obsolescenza era definita come:
  
  
  Il fattore p è la data corrente in cui si fa la previsione.
  Il risultato sarà una curva del tipo in figura.
  
  Figura 5.8: Curva rappresentativa del ciclo di vita di un dispositivo, identificata da media µ e deviazione standard s⁹.
  Le fasi del ciclo di vita sono definite nel seguente modo:
  • Introduzione = ;
  • Crescita = ;
  • Maturità = ;
  • Declino = ;
  • Phase-out = .
• Modifica della zona di obsolescenza in base agli attributi secondari. La stessa previsione si sviluppa per ogni attributo secondario; se l'anno in cui inizia la zona di obsolescenza per almeno uno di questi ultimi cade entro la finestra vitale del ciclo di vita relativo all'attributo primario (cioè in ), allora, la zona di obsolescenza individuata per il generico dispositivo deve essere modificata. Nella tabella seguente è riassunto l'algoritmo per effettuare tale modifica.
  
  Tabella 5.2: Algoritmo per modificare la zona di obsolescenza in base agli attributi secondari della classe tecnologica.

Dove x indica il livello di confidanza desiderato:
x=1 consente un livello di confidenza del 68%;
x=2 consente un livello di confidenza pari al 95%.

Un uso di successo dei tool presenti sul mercato per la previsione delle obsolescenze, fonda la sua validità sull'assunzione che tale previsione sia spesso attualizzata; inoltre, essa diventa più accurata, man mano che ci si avvicina alla effettiva data di obsolescenza. Questo implica, che il valore delle previsioni, dipende, in gran parte, dall'abilità dell'organizzazione ad istituire un continuo monitoraggio del mercato e, i risultati ottenibili da tali informazione, fanno affidamento nella bravura a fronteggiare, in maniera rapida, l'insorgere di un problema di obsolescenza. Sfortunatamente, più ci si avvicina al momento in cui tali problemi insorgeranno, meno efficace sarà l'averne predetto la data: questo, infatti, rende vani, o poco utili, gli sforzi protesi a mettere in atti interventi preventivi per contrastare il fenomeno obsolescenza.
Il metodo di previsione, descritto nelle pagine precedenti, viene presentato, dagli autore degli articoli su di esso incentrati, come un passo verso la disponibilità di una previsione effettivamente efficiente, supportata da limiti di confidenza quantificabili.

• 5: R. Solomon, P. Sandborn, M. Pecht, Electronic part life cycle concepts and obsolescence forecasting, IEE Transactions on Components and Packaging Technologies, vol. 23, n° 4, dicembre 2000.
• 6: R. Solomon, P. Sandborn, M. Pecht, Electronic part life cycle concepts and obsolescence forecasting, IEE Transactions on Components and Packaging Technologies, vol. 23, n° 4, dicembre 2000.
• 7: P. Sandborn, F. Mauro, R. Knox, A data mining based approach to electronic part obsolescence forecasting, Atti dalla conferenza sul DMSMS 2005.
• 8: P. Sandborn, F. Mauro, R. Knox, A data mining based approach to electronic part obsolescence forecasting, Atti dalla conferenza sul DMSMS 2005.
• 9: R. Solomon, P. Sandborn, M. Pecht, Electronic part life cycle concepts and obsolescence forecasting, IEE Transactions on Components and Packaging Technologies, vol. 23, n° 4, dicembre 2000.
• 10: P. Sandborn, F. Mauro, R. Knox, A data mining based approach to electronic part obsolescence forecasting, Atti dalla conferenza sul DMSMS 2005.