Bass Model: Forecasting sales of 

technology products
 Diffusion models

Diffusion Models designed to answer the following 
questions:

• When will customers adopt a new product or 
technology?
• How long before new product or technology 
reaches peak sales?
• What will be the peak sales?
Frank Picture
 Bass Model
New Durable Goods

• Objectives:
1: Forecast penetration curve Q(t) (Qumulative sales 
at time t) and product life cycle sales rate curve 
S(t)
2: Provide diagnostic information
• Time to peak sales
• Capacity needed at peak sales

• CAVEAT: Category level model not brand level
 Applications
1. Companies
a) Eastman Kodak.
b) Dow Chemicals
c) IBM.
d) Sears.
e) AT&T etc.

2. Applications
a) Retail Service.
b) Industrial Technology.
c) Educational.
d) Pharmaceutical.
e) Consumer Durable Goods
 Applications…

• In 1980, the U.S. department of Energy used the Bass 
model to forecast the adoption of solar batteries. It 
performed a survey of home builders to assess their 
perceptions of the marketplace to obtain reasonable 
values for p and q. Feeding them into the model, the 
researchers came to the conclusion that the technology 
was not far enough along to generate positive word‐of‐
mouth. As a consequence, they decided to postpone wide 
scale introduction until the technology had improved 
enough so that users would be quite satisfied with it, 
resulting in a higher q and hence faster sales growth after 
launch. 
 Applications…

• In the early 1990s, DirecTV planned the launch of 
its subscription satellite television service. It 
wanted to obtain pre‐launch forecasts over a five‐
year horizon. The forecast were based on the 
Bass model, and the values for its parameters 
were obtained from a survey of stated intentions 
combined with the history of analogous products. 
The forecasts obtained in 1992 proved to be quite 
good in comparison with actual subscriptions 
over the five‐year period from 1994 to 1999. 
 Applications….

• Several firms have reported using the Bass model 
to their satisfaction. Often, they end up extending 
the simple model to further aid their decision 
making. In the mid‐1980s, RCA used an extension 
of the Bass model to forecast the sales of music 
CDs as a function of the sales of CD players. The 
model was quite accurate in its predications. Some 
movie exhibitors in Europe now use an extension of 
the Bass model to forecast box office revenues for 
movies, and to decide on how many screens to 
show a movie. 
 Assumptions
• Diffusion process is binary
– (consumer either adopts, or waits to adopt)
• Constant maximum potential number of buyers (N)
• Eventually, all N will buy the product
• No repeat purchase, or replacement purchase
• The impact of the word‐of‐mouth is independent of 
adoption time
• Innovation is considered independent of substitutes
• The marketing strategies supporting the innovation are 
not explicitly included
 Multi‐year forecast for DirectTV
1993 Bass Model Forecast of Satellite TV Subscriptions Under Scenario Chosen
By Management Compared With Actual, 1994-1999 (99 Projected from February)

12

10 Actual through February,

Projected through June Forecast 1999
8 =9.989 Million =9..4 Million
Millions

0
94-95 95-96 96-97 97-98 98-99*
Year

Rapid Diffusion Like Cable in 80's and Lower Potential 16% of TV Homes
Measured Actual Number of Television Homes
 Constructing the model
• Market of Potential size N
• Market consists of two types of consumers
– Innovators
• Innovators are intrinsic adopters and depend upon 
advertising, product reviews, etc.
– Imitators
• Imitators depend upon their word‐of‐mouth 
interactions with those who have previously adopted 
the product (these folks can be either innovators or 
imitators)
 At any given time (t+1)…

…there are two pools of customers: those who have already 
adopted, Q(t) and those who have yet to adopt (N – Q(t))

Engage in Word‐of‐ N – Q(t)

Q(t) Mouth to influence)
 At any given time (t+1)…

• Of the people (N – Q(t)) who are yet to adopt….
– A fraction (p) will adopt since they are “innovators”
– A fraction (q) will adopt since they are “imitators”

• So at t+1, the amount of sales to innovators will 
be
– p(N – Q(t))

• Will the amount of sales to imitators be
– q(N‐Q(t))?
 Amount of sales to imitators at (t+1)
• Recall that imitators depend on their word‐of‐mouth 
interactions with innovators to facilitate their 
adoption
• Thus, the greater the number of people who have 
previously adopted and who can engage in WOM, the 
greater will be the impact on the imitators
• The interaction effect is obtained by “ineracting” the 
fraction of imitators q(N‐Q(t)) with the proportion of 
the population that has already adopted: Q(t)/N
• Hence sales to imitators will be:
– q(N‐Q(t))Q(t)/N = (q/N)Q(t)(N – Q(t))
 Total sales at time (t+1), S(t+1)

• S(t+1) = p(N – Q(t)) + (q/N)Q(t)(N – Q(t))

• From regression we know that interactions are 
represented by the product of the variables. So 
the total number of interactions are given by = 
Q(t)*(N‐Q(t)) and of these interactions, (q/N) 
result in imitation 

• 3 unknown parameters: p, q, and N
 Simple example

• N = 100
• p = 0.03
• q = 0.10

Period  Sales from   Sales from  Total Remaining 

t  Innovators  Imitators  Sales  Potential 
p(N – Q(t))  (q/N)Q(t)(N – Q(t)) (N – Q(t+1))
0  0  0 0 100
1  0.03*100 = 3  0  3  97 
2  0.03*97 = 2.91  (0.1/100)*3*97 = 0.29  3.20  93.80 
3  0.03*93.80 =  (0.1/100)*6.20* 93.80 =  3.40  90.40 
2.81  0.58 
4   
 
 Forecasting sales of a new product
1. We need to know p, q and N

2. Reasonable to assume that we know potential market 
size N for the new product.

3. Popular approach is obtaining p and q is via analogy
• Get p and q from a "similar" set of products and then tinker 
with them to come up with p and q for the product in 
question.

4. When forecasting the sales of CD players, RCA looked 
at the sales of VCRs and other stereo equipment.
 Estimation
5. OK. Suppose we knew the sales of VCRs over time, how 
do we figure out p and q?
6. Look at the sales equation S(t+1) again.
7. We can write this as: S(t+1) = pN + (q‐p)*Q(t) ‐
(q/N)*Q(t)2
8. Or, S(t+1) = a + b*Q(t) + c* Q(t)2
9. This is a multiple regression of sales on the LAGGED 
cumulative sales and cumulative sales squared. But 
these we know if we know the sales of VCRs over time 
(point 5 above)
 Setting up the data matrix
S(t+1) = a + b*Q(t) + c* Q(t)2
Time  Sales Cumulative Cumulative
2 2
period  S(t+1)  Lag: Q(t)  Lag : Q(t)  
1  100 ‐ ‐
2  120 100  10000
3  160 220  48400
4  250 380  144440
5  400 630  Etc.
6  650 1030 
7  800 1680 
8  750 2480 
9  650 3230 
 3 unknown parameters: p, q, and N
11. By running the regression, we get a, b and c for the regression 
equation for VCRs
12. From a, b and c, calculate p, q and N because a = p*N, b = (q‐p), c = 
‐ q/N
13. Note: You will have to use the formula to solve quadratic 
equations or use Solver in Excel to do step 12 above. Remember if 
you have a quadratic of the for fx2 + gx + h=0, then this equation 
has two roots given by:
g  g  4fh
2
x
2f
Also note that only one of the roots will be OK because 
remember that p, q and N are all > 0.
14. Given knowledge of N for CD players, and assuming p and q are 
similar to those for VCRs, forecast using the Bass model equation.
15. Assess the sensitivity of the forecasts by varying p, q and N.
 Best guess of p

Vanden Bulte 2002
Best guess for q
Bass model parameters for information products
 Adoption of VCR’s
Actual and Fitted Adoption VCR's
1980-1989

12000

10000
Adoption in Thousands

8000

Actual Adoption
6000
Fitted Adoption

4000

2000

0
80 81 82 83 84 85 86 87 88 89
Year
 Updating the forecast

• Once CD players are actually introduced, we will 
know the actual sales levels for this product.
• We can then compare our forecasts from the 
Bass model with those from the actual data and 
"tweak" the values of p and q so as to make the 
Bass model forecasts close to the actual sales 
levels.
• Then, we can use the model to make forecasts 
for future time periods
 Other uses of the Bass model

• Capacity determination: “Peak" sales from the model 
is given by N(p+q)2/(4q). So given p, q and N, firms 
can determine their capacities based on how much 
of the market they think they can capture

• Timing of the capacity coming online: The "time to 
peak" of the Bass model is given by (1/(p+q))*ln(q/p). 
This tells us when our capacity needs to come on‐line 
 Extensions of the Bass model
• Incorporating marketing variables. Typically done by making p, q 
and N functions of marketing variables. If we think innovation 
depends on advertising, we can specify p = x + y*A(t) where A(t) is 
advertising at time t. Allows p to vary over time.

• Incorporating repeat purchase behavior. First consider the simple 
case of first repeats only (in addition to the first time purchase we 
have already modeled). To incorporate repeat purchase behavior 
we need to know the frequency of repeat purchases. Suppose 
consumers repurchase every "k" time periods. But only some 
fraction "g" of those folks who purchased at time (t‐k) will buy at 
time t. Then, sales at time t will be: S(t) = p*(N‐Q(t‐1)) + 
(q/N)*Q(t‐1)*(N‐Q(t‐1)) + g*S(t‐k). Gets complicated once we 
start incorporating second and later repeats because we need to 
keep track of how many folks have purchased once, twice, thrice, 
etc. For situations beyond first time repeaters, there are other 
models that are more frequently used.
 Color TV Forecast 1966
Color TV

7000

6000

5000
Sale s (x 1000)

4000
Sales
Predicted
3000

2000 Industry Built
Peak in
Capacity For
1000 1968
14 million units
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Ye ar
 Some findings..
• There are systematic regional differences in diffusion patterns. 
• The average coefficient of innovation p (speed of take‐off) in Europe 
and Asia is roughly half of that in the U.S. 
• The average coefficient of imitation q (speed of late growth) in Asia 
is roughly a quarter less than that in the U.S. and Europe. 
• Also, economic differences explain national variations in speed 
better than cultural differences do. 
• There are systematic product differences in diffusion patterns. For 
instance, take‐off is slower for non‐durables and products with 
competing standards that require heavy investments in 
infrastructure, while late growth is faster for industrial products and 
products with competing standards which require heavy 
investments in infrastructure. 
 Conclusions

• Bass model has many advantages and widely used
• Useful starting point for more sophisticated 
models
• Important to recognize its limitations especially 
when there is repeat purchase behavior, 
successive generations, marketing variables, etc.
• More importantly, it is a category level model not 
a brand level model