Niezawodność i wskaźniki zwrotów towaru przewiduje się tradycyjnie przy użyciu norm obciążeniowych i/lub stosując przyspieszone badania trwałości. Jednakże, często wartości niezawodności i wskaźnika zwrotów przewidywane za pomocą tych metod różnią się od ich wartości rzeczywistych. Główną tego przyczyną jest fakt, że produkty nie ulegają awarii wyłącznie pod wpływem czynników obciążeniowych wymienianych w normach i/lub wykorzystywanych w przyspieszonych badaniach trwałości. Istnieją dodatkowe czynniki wpływające na intensywność uszkodzeń, takie jak wyładowania elektrostatyczne, wstrząsy termiczne, spadki, przerwy w dostawie i zmiany napięcia, czynniki jakościowe, itp. Te czynniki także powinny być w jakiś sposób uwzględnione przy dokonywaniu predykcji na etapie badań i rozwoju (R&D). Dlatego też zwiększenie trafności predykcji niezawodności i wskaźników zwrotów towaru wymaga metody, która uwzględniałaby tego typu czynniki. W niniejszej pracy opracowaliśmy parametr, nazwany przez nas "czynnikiem poziomu odporności", który pozwala na uwzględnienie takich czynników, a następnie wykorzystaliśmy ów parametr w połączeniu z tradycyjnymi metodami przewidywania niezawodności. W szczególności, przedstawione podejście bierze pod uwagę jakościowe badania niezawodnościowe wykonywane na etapie R&D łącząc je z badaniami trwałościowymi przy użyciu sztucznych sieci neuronowych ANN. Dzięki temu, w podejściu tym uzyskuje się bardziej trafne predykcje niż w tradycyjnych metodach prognozowania. Jesteśmy przekonani, że użycie powyższego modelu predykcyjnego umożliwi analitykom bardziej trafne wyznaczanie niezawodności oraz wskaźników zwrotów wytwarzanych przez nich produktów.