Metode Peramalan Lanjutkan membaca. Semua bisnis dihadapkan pada masalah umum karena harus membuat keputusan dalam kondisi ketidakpastian. Manajemen harus memahami sifat permintaan dan persaingan untuk mengembangkan rencana bisnis yang realistis, menentukan visi strategis untuk organisasi, dan menentukan kebutuhan teknologi dan infrastruktur. Untuk mengatasi tantangan ini, peramalan digunakan. Menurut Makridakis (1989), meramalkan kejadian masa depan dapat dicirikan sebagai pencarian jawaban atas satu atau beberapa pertanyaan berikut: X Kekuatan ekonomi, teknis, atau sosiologis yang baru adalah organisasi yang akan dihadapi dalam jangka panjang dan dekat. X Bila kekuatan ini dapat mempengaruhi lingkungan objektif perusahaan X Siapa yang cenderung menjadi yang pertama untuk menyesuaikan diri dengan setiap tantangan persaingan X Berapa banyak perubahan yang harus diantisipasi perusahaan baik dalam jangka pendek dan jangka panjang Dalam makalah ini, saya akan memberikan ikhtisar tentang Metode peramalan dan membandingkan dan membedakan berbagai metode ini. Makalah ini kemudian akan berfokus pada bagaimana Mattel, salah satu produsen mainan terbesar di negara itu, menggunakan peramalan permintaan di bawah kondisi ketidakpastian V yang paling spesifik terkait dengan pola dan tingkat di mana pelanggan meminta produk. Apa Peramalan Dalam Manajemen Operasi, peramalan permintaan didefinisikan sebagai proses bisnis yang mencoba memperkirakan penjualan dan penggunaan produk sehingga dapat dibeli, ditebar, atau diproduksi dalam jumlah yang tepat di awal untuk mendukung aktivitas penambahan nilai perusahaan. Ross, 1995). Peramalan adalah proses yang mengubah data deret waktu historis dan dan penilaian kualitatif menjadi pernyataan tentang kejadian masa depan. Proses ini dapat menghasilkan proyeksi kualitatif atau subyektif. Perhatikan bahwa tidak ada proses peramalan yang secara konsisten dapat memberikan perkiraan yang sempurna. Setiap perkiraan yang memperkirakan dengan sempurna kejadian selanjutnya harus menimbulkan kekhawatiran, karena ini mungkin menunjukkan ketidakjelasan seperti memasak buku atau melaporkan data kinerja yang menunjukkan kesesuaian dengan rencana versus kejadian aktual (Makridakis, 1989). Metode Peramalan Ada empat tipe dasar metode peramalan: analisis kualitatif, analisis deret waktu, hubungan kausal, dan simulasi. Teknik Kualitatif Teknik kualitatif bersifat subjektif atau menghakimi dan berdasarkan perkiraan dan pendapat (Chase, 2005). Perkiraan ini mencerminkan penilaian atau pendapat masyarakat dan menyarankan kondisi yang mungkin terjadi, seperti opini masyarakat tentang apakah akan hujan hari ini. Prakiraan ini lebih disukai bila ada keinginan untuk melibatkan individu dalam organisasi dengan proses bisnis utama. Perangkap potensial dari teknik ini adalah beberapa individu mendasarkan penilaian mereka pada kejadian masa depan pada data historis, yang mungkin tidak menyediakan pola permintaan yang relevan yang cukup stabil untuk menjamin penggunaannya untuk meramalkan kejadian di masa depan. Bagaimana Mengutip Halaman ini MLA Citation: Metode Peramalan. 123HelpMe. 25 Feb 2017 lt123HelpMeview. aspid165095gt. Selain itu, muncul pola permintaan mungkin terlalu tidak stabil untuk pendekatan numerik. Akibatnya, pengetahuan yang mendalam tentang pasar harus menjadi sumber data pilihan. Ada banyak pendekatan kualitatif untuk menuntut peramalan, berikut adalah beberapa pendekatan yang lebih umum: Peramalan Akar Rumput X mencari masukan dari orang-orang di tingkat organisasi yang memberi mereka kontak terbaik dengan acara yang sedang diteliti (Chase, 2005). Teknik ini dapat terdiri dari melakukan studi pemasaran perwakilan penjualan untuk pembacaan mereka mengenai kondisi pasar saat ini. Kesalahan potensial dengan alat ini adalah bahwa hal itu tunduk pada perspektif jangka pendek dari sumbernya. Sumber data mungkin terlalu terpengaruh oleh kejadian baru-baru ini. Misalnya, orang penjualan yang telah memiliki hari yang baik dapat memberikan perkiraan terlalu optimis untuk masa depan yang tidak secara akurat mewakili kondisi pasar secara keseluruhan. X Historical Analogy: Peramalan berdasarkan analogi sejarah mengeksplorasi kemungkinan bahwa kejadian masa lalu dapat memberikan wawasan tentang prediksi peristiwa terkait di masa depan. Metode ini menghubungkan apa yang saat ini diprediksi dengan item serupa (Chase, 2005). Misalnya, memanfaatkan pola penjualan televisi hitam putih untuk meramalkan penjualan televisi berwarna. Para ekonom menyampaikan model peramalan jenis ini untuk meramalkan siklus bisnis dan perkembangan terkait. Metode ini bisa terbukti tidak akurat jika kekuatan yang melaju melewati acara sudah tidak ada lagi. Peramalan Riset Pasar: Metode peramalan ini mengumpulkan data dengan berbagai cara seperti survei, wawancara dan kelompok fokus untuk mengevaluasi pola pembelian dan sikap pembeli potensial dan baik saat ini maupun yang potensial. Perancang barang dan jasa menggunakan metode ini untuk memahami pelanggan mereka saat ini dan pembeli yang ingin mereka layani. Metode X Dlephi: Metode Delphi menyusun perkiraan melalui tanggapan sekuensial dan independen oleh sekelompok ahli untuk serangkaian kuesioner. Peramal menyusun dan menganalisis masukan responden dan mengembangkan kuesioner baru untuk kelompok pakar yang sama. Urutan ini bekerja menuju konsensus yang mencerminkan masukan dari semua pakar sambil mencegah seseorang dari mendominasi proses (Chase, 2005). Teknik Kuantitatif Teknik peramalan kuantitatif mengubah input dalam bentuk data numerik menjadi prakiraan menggunakan metode dalam satu dari tiga kategori. Setiap kategori metode peramalan kuantitatif mengasumsikan bahwa kejadian masa lalu memberikan dasar yang sangat baik untuk meningkatkan pemahaman tentang kemungkinan hasil di masa depan. Analisis Seri Waktu X: Analisis deret waktu didasarkan pada premis bahwa data yang berkaitan dengan permintaan atau kinerja masa lalu dapat digunakan untuk memprediksi permintaan masa depan. Contoh metode ini meliputi: a. Simple moving average, dimana suatu periode waktu mengandung sejumlah titik data jika dirata-ratakan dengan membagi jumlah nilai titik dengan jumlah titik. B. Analisis regresi, dimana rata-rata hubungan antara variabel dependen, penjualan misalnya, dan satu atau lebih variabel dependen, harga atau iklan misalnya, diperkirakan dengan memasang garis lurus ke data masa lalu untuk menghubungkan nilai data dengan waktu. C. Proyeksi tren, teknik peramalan yang bergantung terutama pada data deret waktu historis untuk memprediksi masa depan. Metode ini melibatkan pemasangan garis tren matematika ke titik data dan kemudian memproyeksikannya ke masa depan. X Causal Studies: Studi kausal mencari hubungan kausal antara variabel terkemuka dan variabel yang diperkirakan. Metode ini mencoba memahami sistem yang mendasari dan seputar item yang diperkirakan seperti pengaruh iklan, kualitas dan persaingan penjualan (Chase, 2005). Model Matematika atau Simulasi: Model simulasi adalah model bagaimana jika mencoba mensimulasikan efek dari kebijakan dan asumsi manajemen alternatif mengenai lingkungan eksternal perusahaan. Mereka mencoba untuk mewakili perilaku masa lalu dalam hubungan matematika yang valid dan kemudian mengubah data tersebut untuk memproyeksikan kejadian di masa depan. Sebagian besar model keuangan adalah model simulasi. Model ini efektif dalam melakukan berbagai analisis jika-jika membantu manajemen dalam menentukan tindakan terbaik untuk perusahaan. Kemajuan teknologi di komputer telah memungkinkan semakin banyak perusahaan membangun dan memanfaatkan pemodelan untuk perencanaan dan upaya pengambilan keputusan (Chase, 2005). Mattel dan Demand Forecasting Dengan musim liburan di atas kita, banyak anak cemas menunggu kemunculan mainan panas musim panas ini di bawah pohon natal. Setiap tahun, pembuat mainan seperti Mattel harus membuat serangkaian keputusan penting yang akan mengatur jalannya kinerja ekonomi perusahaan mereka. Beberapa bulan sebelum kedatangan musim Natal, Mattel harus memutuskan mainan mana yang kemungkinan akan menjadi panas dan mana yang akan menjadi anjing. Mereka harus dengan hati-hati menyeimbangkan pasokan mainan panas ini dengan permintaan konsumen atau mereka akan menghadapi pelanggan yang tidak bahagia atau lebih buruk lagi, terjebak dengan barang bergerak yang lamban. Ini bukan tugas yang mudah mengingat manufaktur dan distribusi yang panjang memimpin industri manufaktur mainan. Untuk memenuhi permintaan konsumen akan musim liburan saat ini, produsen mainan harus meningkatkan produksi pada pertengahan tahun untuk memastikan bahwa mereka memiliki cukup banyak mainan terlaris dan beberapa penggerak lambat (Pereira, 2005). Kesenjangan besar dalam persamaan ini disajikan oleh fakta bahwa banyak orang dewasa benar-benar tidak mengerti apa yang akan diinginkan anak pada saat Natal tiba. Berbicara dari pengalaman pribadi, anak-anak saya menginginkan setiap mainan yang mereka lihat diiklankan di televisi antara bulan September dan Natal untuk muncul di bawah pohon mereka. Sayangnya, nilai orang dewasa apa yang tidak ada hubungannya dengan permintaan anak-anak. Sementara orang dewasa mungkin merasa bahwa bola dunia yang diterangi yang juga berbicara, Anda adalah mainan pendidikan yang sangat keren, anak-anak cenderung bersandar pada Tickle Me Elmo. Untuk menjembatani kesenjangan ini, Mattel memanfaatkan riset pasar untuk memprediksi mainan mana yang akan menjadi pemenangnya. Setiap tahun, Mattel mengajukan produk baru mereka untuk dievaluasi oleh konsumen utama V anak-anak. Dengan menggunakan proses dua tahap, mainan dievaluasi untuk banding mereka ke pasar sasaran. Tahap pertama dari proses ini melibatkan pemilihan campuran spesifik dari 100 anak dari pusat penitipan anak untuk mengevaluasi mainan baru. Anak-anak dibagi menjadi kelompok fokus dengan perwakilan yang sama dari mereka yang menyukai tokoh aksi, permainan papan, mainan konstruksi, boneka, dan seni dan kerajinan. (Pereira, 1997). Pada bulan Juni, anak-anak disurvei dan diminta untuk menilai tiga pilihan teratas mereka dari antara mainan yang disajikan di setiap kategori. Pada akhir Juni, kelompok fokus mengurangi 380 mainan yang diajukan ke koleksi 63 finalis V tiga besar di masing-masing dari 21 kategori. Pada tahap kedua, mainan finalis dikirim ke Pusat Pembelajaran KinderCare di seluruh negeri di mana guru yang terlatih khusus mengamati mainan mana yang disukai anak-anak dan memberi suara rahasia pada daftar favorit mereka (Pereira, 1997). Saya tahu berusia tiga tahun dan lima tahun yang sangat ingin menjadi bagian dari kelompok fokus ini Kesimpulan Jelaslah bahwa peramalan permintaan adalah bagian seni dan sains seni. Ini dimulai dengan pemahaman tentang kebutuhan pengambilan keputusan organisasi dan melanjutkan studi data untuk menentukan bagaimana alat peramalan terbaik dapat dikembangkan untuk melayani kebutuhan bisnis organisasi. Setiap bagian analisis menciptakan informasi baru, menambahkan kekayaan dan kedalaman ke keseluruhan proses berpikir bisnis. Referensi Chase, R. et al. (2005). Manajemen Operasi untuk Keunggulan Kompetitif, edisi ke-11. Perusahaan McGraw-Hill: New York. Makridakis, S. et al. (1998). Metode Peramalan dan Aplikasi, edisi ke-5. John Wiley Sons: New York. Pereira, J. (1997). Bagi anak-anak muda ini, Mencoba Mainan adalah Bermain Anak-Anak dengan Tidak Mudah. Wall Street Journal, 121797. Ross, D. (1995). Perencanaan dan Pengendalian Distribusi. Chapman Hall: New York. FORECASTING Faktor Musiman - persentase permintaan kuartalan rata-rata yang terjadi di setiap kuartal. Prakiraan tahunan untuk tahun ke 4 diprediksi akan mencapai 400 unit. Perkiraan rata-rata per kuartal adalah 4004 100 unit. Prakiraan Triwulanan rata-rata Ramalan faktor musiman METODE PERAMALAN PENYEBAB Metode peramalan kausal didasarkan pada hubungan yang diketahui atau dirasakan antara faktor yang akan diprediksi dan faktor eksternal atau internal lainnya 1. regresi: persamaan matematis menghubungkan variabel dependen dengan satu atau lebih variabel independen yang diyakini mempengaruhi variabel dependen. 2. Model ekonometrik: sistem persamaan regresi interdependen yang menggambarkan beberapa sektor kegiatan ekonomi 3. Model input-output: menggambarkan arus dari satu sektor ekonomi ke sektor lainnya, dan memprediksi input yang diperlukan untuk menghasilkan output di sektor lain 4. Pemodelan simulasi MENGUKUR KESALAHAN PERAMALAN Ada dua aspek kesalahan peramalan yang harus diperhatikan - Bias dan Akurasi Bias - Ramalan diperkirakan bias jika terjadi lebih banyak dalam satu arah daripada di sisi lain - Metode cenderung di bawah perkiraan atau perkiraan terlalu tinggi. Akurasi - Prakiraan akurasi mengacu pada jarak prakiraan dari permintaan aktual yang mengabaikan arah kesalahan itu. Contoh: Untuk enam periode perkiraan dan permintaan aktual telah dilacak Tabel berikut memberikan permintaan aktual D t dan perkiraan permintaan F t untuk enam periode: jumlah kumulatif perkiraan kesalahan (CFE) -20 berarti deviasi absolut (MAD) 170 6 28,33 mean kuadrat Kesalahan standar kesalahan perkiraan 5150 6 29.30 berarti kesalahan persentase absolut (MAPE) 83.4 6 13.9 Informasi apa yang masing masing memberi perkiraan memiliki kecenderungan untuk memperkirakan perkiraan kesalahan rata-rata per perkiraan adalah 28,33 unit atau 13,9 Distribusi sampling permintaan aktual dari kesalahan perkiraan memiliki deviasi standar 29,3 unit. KRITERIA UNTUK MEMILIH METODE PERAMALAN Tujuan: 1. Maksimalkan Akurasi dan 2. Minimalkan Bias Potensi Aturan untuk memilih metode peramalan deret waktu. Pilih metode yang memberikan bias terkecil, yang diukur dengan perkiraan error kumulatif (CFE) atau berikan mean absolute deviation (MAD) terkecil atau memberi sinyal pelacakan terkecil atau mendukung keyakinan manajemen tentang pola permintaan yang mendasarinya atau yang lainnya. Tampak jelas bahwa beberapa ukuran akurasi dan bias harus digunakan bersamaan. Bagaimana dengan jumlah periode yang akan dijadikan sampel jika permintaan secara inheren stabil, nilai yang rendah dan dan nilai N yang lebih tinggi disarankan jika permintaan pada dasarnya tidak stabil, nilai tinggi dan dan nilai N yang lebih rendah disarankan agar FOCUS FORECASTING quotfocus forecastingquot mengacu pada Sebuah pendekatan terhadap peramalan yang mengembangkan prakiraan dengan berbagai teknik, kemudian memilih ramalan yang dihasilkan oleh kuotent kuot dari teknik ini, di mana tanda kutip dihitung dengan beberapa ukuran kesalahan perkiraan. PERAMALAN FOKUS: CONTOH Untuk enam bulan pertama tahun ini, permintaan barang ritel adalah 15, 14, 15, 17, 19, dan 18 unit. Peritel menggunakan sistem peramalan fokus berdasarkan dua teknik peramalan: rata-rata pergerakan dua periode, dan model pemulusan eksponensial yang disesuaikan dengan tren dengan 0,1 dan 0,1. Dengan model eksponensial, perkiraan untuk bulan Januari adalah 15 dan rata-rata tren pada akhir Desember adalah 1. Pengecer menggunakan mean absolute deviation (MAD) selama tiga bulan terakhir karena kriteria untuk memilih model mana yang akan digunakan untuk meramalkan Untuk bulan berikutnya Sebuah. Apa yang akan menjadi ramalan untuk bulan Juli dan model mana yang akan digunakan b. Maukah Anda menjawab Bagian a. Menjadi berbeda jika permintaan untuk Mei telah 14 bukan 19Demand Peramalan: Itrsquos Arti, Jenis, Teknik dan Metode Ekonomi Prakiraan menjadi masa depan bisnis di dunia, di mana gelombang pasang perubahan menyapu struktur yang paling mapan, diwarisi Oleh masyarakat manusia. Perdagangan terjadi pada salah satu korban pertama. Kelangsungan hidup di era predator ekonomi ini, membutuhkan kebijaksanaan, bakat dan teknik untuk memprediksi masa depan. Prakiraan menjadi pertanda kelangsungan hidup dan bahasa bisnis. Semua persyaratan sektor bisnis memerlukan teknik pembacaan yang akurat dan praktis ke masa depan. Oleh karena itu, prakiraan sangat penting untuk kelangsungan usaha. Manshyagement membutuhkan informasi peramalan saat membuat berbagai keputusan. Perkiraan penjualan sangat penting karena merupakan fondasi dimana semua rencana perusahaan dibangun dalam hal pasar dan pendapatan. Manajemen akan menjadi masalah sederhana jika bisnis tidak dalam keadaan terus-menerus berubah, langkahnya telah meningkat dalam beberapa tahun terakhir. Hal ini menjadi semakin penting dan perlu bagi bisnis untuk memprediksi prospek masa depan mereka dalam hal penjualan, biaya dan keuntungan. Nilai penjualan masa depan sangat penting karena mempengaruhi keuntungan biaya, jadi prediksi penjualan masa depan adalah titik awal logis dari semua perencanaan bisnis. Perkiraan adalah prediksi atau perkiraan situasi di masa depan. Ini adalah penilaian yang obyektif tentang tindakan di masa depan. Sejak masa depan tidak pasti, tidak ada perkiraan yang bisa benar persen. Prakiraan bisa bersifat fisik maupun finansial. Perkiraan yang lebih realistis, keputusan yang lebih efektif dapat diambil untuk hari esok. Dalam kata-kata Cundiff dan Still, Demand forecasting adalah perkiraan penjualan selama periode yang ditentukan di masa depan yang terkait dengan rencana pemasaran yang diusulkan dan yang mengasumsikan serangkaian kekuatan tak terkendali dan kompetitif tertentu. Oleh karena itu, peramalan permintaan merupakan proyeksi perusahaan yang mengharapkan tingkat penjualan berdasarkan rencana pemasaran dan lingkungan yang dipilih. Prosedur untuk Mempersiapkan Prakiraan Penjualan: Perusahaan biasanya menggunakan prosedur tiga tahap untuk menyiapkan perkiraan penjualan. Mereka membuat perkiraan lingkungan, diikuti oleh perkiraan industri, dan diikuti oleh perkiraan penjualan perusahaan, perkiraan lingkungan menyerukan untuk memproyeksikan inflasi, tingkat pengangguran, suku bunga, belanja konsumen, dan penghematan, investasi bisnis, pengeluaran pemerintah, ekspor neto dan lingkungan lainnya. Besaran dan kejadian penting bagi perusahaan. Perkiraan industri didasarkan pada survei niat konsumen dan analisis tren statistik tersedia oleh asosiasi perdagangan atau perdagangan bebas. Hal ini dapat memberi indikasi kepada perusahaan mengenai arah langsung di mana seluruh industri akan bergerak. Perusahaan memperoleh perkiraan penjualannya dengan mengasumsikan bahwa ia akan memenangkan pangsa pasar tertentu. Semua prakiraan dibangun di atas salah satu dari tiga basis informasi: Apa yang orang katakan Apa yang telah dilakukan orang Jenis Peramalan: Prakiraan dapat diklasifikasikan secara luas menjadi: (i) Prakiraan Pasif dan (ii) Prakiraan Aktif. Di bawah ramalan prediksi pasif tentang masa depan didasarkan pada asumsi bahwa perusahaan tidak mengubah jalannya tindakannya. Di bawah perkiraan aktif, prediksi dilakukan dengan kondisi kemungkinan perubahan masa depan dalam tindakan oleh perusahaan. Dari sudut pandang rentang waktu, peramalan dapat dikelompokkan menjadi dua, yaitu. (I) Peramalan permintaan jangka pendek dan (ii) peramalan permintaan jangka panjang. Dalam perkiraan jangka pendek, pola musiman sangat penting. Ini mungkin mencakup periode tiga bulan, enam bulan atau satu tahun. Ini adalah salah satu yang menyediakan informasi untuk keputusan taktis. Periode mana yang dipilih tergantung pada sifat busishyness. Perkiraan tersebut membantu dalam mempersiapkan kebijakan penjualan yang sesuai. Perkiraan jangka panjang sangat membantu dalam perencanaan modal yang sesuai. Ini adalah salah satu yang menyediakan informasi untuk keputusan strategis utama. Ini membantu dalam menghemat limbah dalam material, jam kerja, waktu dan kapasitas mesin. Perencanaan unit baru harus dimulai dengan analisis potensi permintaan jangka panjang produk perusahaan. Pada dasarnya ada dua jenis ramalan, yaitu. (I) Kelompok perkiraan eksternal atau nasional, dan (ii) perkiraan kelompok internal atau perusahaan. Perkiraan eksternal berkaitan dengan tren bisnis secara umum. Biasanya disiapkan oleh sayap penelitian perusahaan atau oleh konsultan dari luar. Perkiraan internal mencakup semua hal yang terkait dengan operasi perusahaan tertentu seperti grup penjualan, kelompok produksi, dan kelompok keuangan. Struktur perkiraan internal mencakup perkiraan penjualan tahunan, perkiraan biaya produk, perkiraan laba operasi, perkiraan pendapatan kena pajak, perkiraan sumber daya tunai, perkiraan jumlah karyawan, dan lain-lain. Pada tingkat peramalan yang berbeda dapat diklasifikasikan menjadi: ( I) Peramalan tingkat makro, (ii) Peramalan tingkat industri, (iii) peramalan tingkat perusahaan dan (iv) peramalan lini produk. Perkiraan tingkat makro terkait dengan kondisi bisnis di seluruh ekonomi. Ini diukur dengan indeks produksi industri, pendapatan atau pengeluaran nasional yang sesuai. Peramalan tingkat industri disusun oleh asosiasi perdagangan yang berbeda. Hal ini berdasarkan survei niat konsumen dan analisis tren statistik. Peramalan tingkat perusahaan terkait dengan perusahaan individual. Hal ini paling penting dari sudut pandang manajerial. Peramalan lini produk membantu perusahaan menentukan produk atau produk mana yang harus diprioritaskan dalam alokasi sumber daya terbatas perusahaan. Prakiraan dapat dikelompokkan menjadi (i) umum dan (ii) spesifik. Ramalan umum umumnya berguna bagi perusahaan. Banyak perusahaan memerlukan perkiraan terpisah untuk produk dan area spesifik tertentu, karena ramalan umum ini dipecah menjadi beberapa prakiraan tertentu. Ada perkiraan yang berbeda untuk berbagai jenis produk seperti: (i) Peramalan permintaan untuk barang konsumsi nonshydurable, (ii) Peramalan permintaan untuk barang konsumen yang tahan lama, (iii) Meramalkan desakan untuk barang modal, dan (iv) Meramalkan permintaan akan produk baru . Barang Konsumen Non-Tahan lama: Ini juga dikenal sebagai barang konsumsi sekali pakai atau barang konsumsi yang mudah rusak. Ini lenyap setelah satu tindakan konsumsi. Ini termasuk barang seperti makanan, susu, obat-obatan, buah-buahan, dll. Permintaan untuk barang-barang ini tergantung pada pendapatan disposable rumah tangga, harga komoditi dan barang dan populasi terkait dan karakteristiknya. Secara simbolis, Dc f (y, s, p, pr) di mana Dc permintaan komoditas harga disposable income pp rumah tangga dari harga komoditas pr barang dagangannya (i) Pendapatan disposisi dinyatakan sebagai Dc f (y) yaitu hal-hal lain yang menjadi Sama, permintaan komoditas bergantung pada pendapatan disposable rumah tangga. Penghasilan rumah tangga sekali pakai diperkirakan setelah dikurangi pajak pribadi dari pendapatan pribadi. Penghasilan sekali pakai memberi gambaran tentang daya beli rumah tangga. (Ii) Harga, dinyatakan sebagai Dc f (p, p r) yaitu hal-hal lain yang setara, permintaan terhadap komoditas bergantung pada harga sendiri dan harga barang terkait. Sementara permintaan untuk komoditas berbanding terbalik dengan harga pelengkapnya sendiri. Hal ini terkait secara positif dengan substitusinya.8217 Elastisitas harga dan elastisitas silang barang konsumen yang tidak tahan lama membantu dalam peramalan permintaan mereka. (Iii) Populasi, dinyatakan sebagai Dc f (5) yaitu hal-hal lain yang setara, permintaan terhadap komoditas bergantung pada ukuran populasi dan komposisinya. Selain itu, populasi juga dapat diklasifikasikan berdasarkan jenis kelamin, pendapatan, keaksaraan dan status sosial. Permintaan barang konsumsi yang tidak tahan lama dibakar oleh semua faktor ini. Untuk perkiraan umum peramalan populasi secara keseluruhan dipertimbangkan, namun untuk peramalan permintaan spesifik pembagian populasi sesuai karakteristik yang berbeda terbukti lebih bermanfaat. Barang Konsumen Tahan Lama: Barang-barang ini dapat dikonsumsi beberapa kali atau berulang kali digunakan tanpa banyak kehilangan kegunaannya. Ini termasuk barang seperti mobil, T. V. AC, furnitur dll. Setelah digunakan lama, consumshyers memiliki pilihan baik ini bisa dikonsumsi di masa depan atau bisa dibuang. Pilihannya tergantung pada faktor-faktor berikut: (i) Apakah konsumen akan mencari pengganti barang tahan lama atau terus menggunakannya setelah perbaikan yang diperlukan tergantung pada status sosialnya, tingkat pendapatan uang, selera dan fashion, dll. Permintaan reshyplacement Cenderung tumbuh dengan kenaikan stok komoditi dengan konsumen. Perusahaan dapat memperkirakan biaya penggantian rata-rata dengan bantuan tabel harapan hidup. (Ii) Sebagian besar barang konsumsi dikonsumsi secara umum oleh anggota keluarga. Misalnya, T. V. kulkas, dll digunakan bersama oleh rumah tangga. Permintaan prakiraan untuk barang yang biasa digunakan harus memperhitungkan jumlah rumah tangga daripada ukuran total populasi. Sementara memperkirakan jumlah rumah tangga, pendapatan rumah tangga, jumlah anak dan komposisi seks, dan lain-lain harus diperhitungkan. (Iii) Permintaan barang tahan lama bergantung pada ketersediaan fasilitas sekutu. Misalnya, penggunaan kulkas T. V memerlukan pasokan tenaga secara teratur, penggunaan kebutuhan mobil akan ketersediaan bahan bakar, dan lain-lain. Sementara meramalkan permintaan akan barang-barang konsumen, penyediaan layanan sekutu dan biayanya juga harus diperhitungkan. (Iv) Permintaan barang tahan lama sangat dipengaruhi oleh harga dan fasilitas kreditnya. Daya tahan konsumen sangat sensitif terhadap perubahan harga. Jatuh kecil dalam harga mereka dapat membawa peningkatan permintaan yang besar. Peramalan Permintaan Barang Modal: Barang modal digunakan untuk produksi lebih lanjut. Permintaan akan barang modal adalah turunan. Ini akan tergantung pada profitabilitas industri. Permintaan barang modal adalah kasus permintaan turunan. Dalam kasus barang modal tertentu, permintaan akan bergantung pada pasar spesifik yang mereka layani dan penggunaan akhir yang mereka beli. Permintaan untuk mesin tekstil akan, misalnya, ditentukan oleh perluasan industri tekstil dalam hal unit baru dan penggantian mesin yang ada. Diperkirakan permintaan baru dan permintaan penggantian juga diperlukan. Tiga jenis data diperlukan dalam memperkirakan permintaan barang modal: (a) Prospek pertumbuhan industri pengguna harus diketahui, (b) norma konsumsi barang modal per unit dari setiap produk akhir penggunaan harus diketahui. , Dan (c) kecepatan penggunaannya. Peramalan Permintaan Produk Baru: Metode peramalan permintaan untuk produk baru berbeda banyak dengan produk mapan. Karena produk itu baru bagi konsumen, sebuah studi intensif tentang produk dan kemungkinan dampaknya terhadap produk lain dari kelompok yang sama memberikan kunci bagi proyeksi permintaan yang cerdas. Joel Dean telah mengklasifikasikan sejumlah pendekatan yang mungkin dilakukan sebagai berikut: (a) Pendekatan Evolusioner: Ini terdiri dari memproyeksikan permintaan akan produk baru sebagai hasil dan evolusi dari produk lama yang ada. (B) Pendekatan Pengganti: Menurut pendekatan ini, produk baru diperlakukan sebagai pengganti produk atau layanan yang ada. (C) Pendekatan Kurva Pertumbuhan: Ini memperkirakan tingkat pertumbuhan dan permintaan potensial untuk produk baru sebagai dasar dari beberapa pola pertumbuhan produk mapan. (D) Pendekatan Opini-Poll: Berdasarkan pendekatan ini, permintaan diestimasi dengan pertanyaan langsung dari konsumen akhir. (E) Pendekatan Pengalaman Penjualan: Menurut metode ini permintaan akan produk baru diperkirakan dengan menawarkan produk baru untuk dijual di pasar sampel. (F) Pendekatan Viktor: Dengan metode ini, reaksi konsumen terhadap produk baru ditemukan secara tidak langsung melalui dealer khusus yang dapat menilai kebutuhan konsumen, selera dan preferensi. Berbagai langkah yang terlibat dalam meramalkan permintaan barang konsumen yang tidak tahan lama adalah sebagai berikut: (a) Pertama mengidentifikasi variabel yang mempengaruhi permintaan produk dan mengungkapkannya dalam bentuk yang sesuai, (b) mengumpulkan data atau perkiraan yang relevan dengan data yang relevan ke Mewakili variabel, dan (c) menggunakan metode analisis statistik untuk menentukan hubungan yang paling mungkin antara variabel dependen dan independen. Teknik Peramalan: Peramalan permintaan adalah latihan yang sulit. Membuat perkiraan untuk masa depan di bawah conshyditions yang berubah adalah tugas yang hebat. Perilaku konsumen adalah yang paling tidak dapat diprediksi karena dimotivasi dan dipengaruhi oleh banyaknya kekuatan. Tidak ada metode mudah atau formula sederhana yang memungkinkan manajer untuk memprediksi masa depan. Ekonom dan ahli statistik telah mengembangkan beberapa metode peramalan permintaan. Masing-masing metode ini memiliki kelebihan dan kekurangan relatif. Pemilihan metode yang tepat sangat penting untuk membuat peramalan permintaan akurat. Dalam peramalan permintaan, kombinasi antara keterampilan statistik dan penilaian rasional diperlukan. Teknik matematika dan statistik sangat penting dalam mengklasifikasikan hubungan dan menyediakan teknik analisis, namun metode ini sama sekali bukan merupakan alternatif untuk penilaian yang tepat. Penilaian yang baik adalah persyaratan utama untuk ramalan yang bagus. Penghakiman harus didasarkan pada fakta dan bias pribadi peramal seharusnya tidak sesuai dengan fakta. Oleh karena itu, jalan tengah harus diikuti antara teknik matematika dan penilaian suara atau kerja tebakan murni. Metode peramalan permintaan yang lebih umum digunakan dibahas di bawah ini: Berbagai metode peramalan permintaan dapat diringkas dalam bentuk grafik seperti ditunjukkan pada Tabel 1. 1. Metode Polling Pendapat: Dengan metode ini, pendapat pembeli, penjualan Kekuatan dan ahli bisa dikumpulkan untuk menentukan tren yang sedang berkembang di pasaran. Metode pemungutan pendapat perkiraan peramalan permintaan terdiri dari tiga jenis: (a) Metode Survei Konsumen atau Survei Niat Pembeli: Dengan metode ini, konsumen langsung mendekati untuk mengungkapkan rencana pembelian di masa depan. Saya melakukannya dengan mewawancarai semua konsumen atau kelompok konsumen terpilih dari popushylation yang relevan. Ini adalah metode langsung untuk memperkirakan permintaan dalam jangka pendek. Disini beban peramalan digeser ke pembeli. Perusahaan dapat masuk untuk enumerasi lengkap atau untuk survei sampel. Jika komoditas yang sedang dipertimbangkan merupakan produk antara maka industri yang menggunakannya sebagai produk akhir disurvei. (I) Survei Pencacahan Lengkap: Berdasarkan Survei Pencacahan Lengkap, perusahaan harus mengikuti survei door to door untuk periode perkiraan dengan menghubungi semua rumah tangga di daerah tersebut. Metode ini memiliki keuntungan dari tangan pertama, informasi yang tidak bias, namun juga memiliki kelemahannya. Keterbatasan utama metode ini adalah membutuhkan banyak sumber daya, tenaga kerja dan waktu. Dengan metode ini, konsumen mungkin enggan mengungkapkan rencana pembelian mereka karena privasi pribadi atau kerahasiaan komersial. Selain itu, kadang-kadang konsumen konsekuen mungkin tidak mengungkapkan pendapat mereka dengan benar atau mungkin sengaja menyesatkan para penyidik. (Ii) Survei Sampel dan Pemasaran Uji: Dengan metode ini beberapa rumah tangga representatif dipilih secara acak sebagai sampel dan pendapat mereka dianggap sebagai opini umum. Metode ini didasarkan pada asumsi dasar bahwa sampel benar-benar mewakili populasi. Jika sampel adalah perwakilan sebenarnya, kemungkinan tidak ada perbedaan signifikan dalam hasil yang diperoleh survei. Selain itu, metode ini kurang membosankan dan kurang mahal. Variasi teknik survei sampel adalah uji pemasaran. Pengujian produk pada dasarnya melibatkan penempatan produk dengan sejumlah pengguna selama periode tertentu. Reaksi mereka terhadap produk dicatat setelah jangka waktu tertentu dan perkiraan kemungkinan permintaan dibuat dari hasilnya. Ini cocok untuk produk baru atau untuk produk lama yang dimodifikasi secara radikal yang tidak memiliki data sebelumnya. Ini adalah metode yang lebih ilmiah untuk memperkirakan permintaan yang mungkin terjadi karena ini merangsang peluncuran nasional di area geoshygraphical yang jelas. (Iii) Metode Penggunaan Akhir atau Metode Input-Output: Metode ini cukup berguna untuk industri yang terutama produsen barang. Dalam metode ini, penjualan produk yang sedang dipertimbangkan diproyeksikan sebagai dasar survei permintaan industri yang menggunakan produk ini sebagai produk antara, yaitu permintaan untuk produk akhir adalah permintaan pengguna akhir dari produk antara yang digunakan dalam Produksi produk akhir ini. Estimasi permintaan pengguna akhir dari produk antara mungkin melibatkan banyak industri akhir yang baik menggunakan produk ini di dalam dan luar negeri. Ini membantu kita untuk memahami hubungan antar-industri8217. Dalam perhitungan input-output dua matriks yang digunakan adalah matriks transaksi dan matriks ko-efisien input. Upaya utama yang dibutuhkan oleh jenis ini tidak dalam operasinya namun dalam pengumpulan dan penyajian data. (B) Metode Opini Angkatan Kerja: Ini juga dikenal sebagai metode pendapat kolektif. Dengan metode ini, alih-alih konsumen, pendapat salesman dicari. Hal ini kadang-kadang disebut sebagai pendekatan akar rumput karena ini adalah metode bottom-up yang mengharuskan setiap petugas penjualan di perusahaan membuat perkiraan individu untuk wilayah penjualan khusus mereka. Perkiraan individu ini dibahas dan disepakati dengan sales manager. Komposit dari semua prakiraan kemudian merupakan perkiraan penjualan untuk organisasi. Kelebihan metode ini adalah mudah dan murah. Ini tidak melibatkan perlakuan statistik yang rumit. Manfaat utama metode ini terletak pada kebijaksanaan kolektif salesman. Metode ini lebih berguna dalam meramalkan penjualan produk baru. (C) Metode Opini Pakar: Metode ini juga dikenal dengan teknik Delphi Investigasi. Metode Delphi membutuhkan panel ahli, yang diinterogasi melalui sekuens kuesioner dimana tanggapan terhadap satu kuesioner digunakan untuk menghasilkan kuesioner berikutnya. Dengan demikian, setiap informasi yang tersedia bagi beberapa ahli dan bukan kepada orang lain diteruskan, memungkinkan semua ahli untuk memiliki akses ke semua informasi untuk peramalan. Metode ini digunakan untuk peramalan jangka panjang untuk memperkirakan potensi penjualan produk baru. Metode ini mengasumsikan dua syarat: Pertama, para panelis harus kaya akan keahlian mereka, memiliki pengetahuan dan pengalaman yang luas. Kedua, konduktornya objektif dalam pekerjaan mereka. Metode ini memiliki beberapa keunggulan eksklusif dalam menghemat waktu dan sumber daya lainnya. 2. Metode Statistik: Metode statistik terbukti sangat berguna dalam peramalan permintaan. Untuk mendapatkan objektivitas utama, yaitu dengan mempertimbangkan semua implikasi dan melihat masalah dari sudut pandang eksternal, metode statistik digunakan. Metode statistik yang penting adalah: (i) Metode Proyeksi Tren: Perusahaan yang sudah ada dalam waktu lama akan memiliki data sendiri mengenai penjualan selama beberapa tahun terakhir. Data tersebut bila disusun secara kronologis menghasilkan apa yang disebut sebagai deret waktu. Seri waktu menunjukkan penjualan terakhir dengan permintaan efektif untuk produk tertentu dalam kondisi normal. Data tersebut dapat diberikan dalam bentuk tabular atau grafik untuk analisis lebih lanjut. Ini adalah metode yang paling populer di kalangan perusahaan bisnis, sebagian karena sederhana dan murah dan sebagian karena data rangkaian waktu sering menunjukkan tren pertumbuhan yang terus-menerus. Seri waktu memiliki empat jenis komponen yaitu, Trend Sekuler (T), Variasi Sekuler (S), Elemen Siklus (C), dan Variasi Tidak Teratur atau Random (I). Unsur-unsur ini dinyatakan dengan persamaan O TSCI. Kecenderungan sekuler mengacu pada perubahan jangka panjang yang terjadi sebagai akibat kecenderungan umum. Variasi musiman mengacu pada perubahan pola cuaca jangka pendek atau kebiasaan sosial. Variasi siklus mengacu pada perubahan yang terjadi di industri selama depresi dan boom. Variasi acak mengacu pada faktor-faktor yang umumnya mampu seperti perang, pemogokan, banjir, kelaparan dan sebagainya. Bila perkiraan dibuat variasi musiman, siklis dan acak dikeluarkan dari data yang diamati. Dengan demikian hanya tren sekuler yang tersisa. Tren ini kemudian diproyeksikan. Proyeksi tren sesuai dengan garis tren dengan persamaan matematis. Tren dapat diestimasi dengan menggunakan salah satu metode berikut: (a) Metode Grafis, (b) Metode Kuadrat Terkecil. A) Metode Grafis: Ini adalah teknik yang paling sederhana untuk menentukan trend. Semua nilai output atau penjualan untuk tahun yang berbeda diplot pada grafik dan kurva tangan halus bebas ditarik melewati titik sebanyak mungkin. Arah lengkung tangan bebas ke atas atau ke bawah ini menunjukkan trennya. Sebuah ilustrasi sederhana dari metode ini diberikan pada Tabel 2. Tabel 2: Penjualan Perusahaan Pada Gambar. 1, AB adalah garis tren yang telah ditarik sebagai kurva tangan bebas yang melewati berbagai titik yang mewakili nilai jual aktual. (B) Least Square Method: Dengan metode least square, garis tren dapat disesuaikan dengan data time series dengan bantuan teknik statistik seperti least square regression. Bila tren penjualan dari waktu ke waktu diberikan oleh garis lurus, persamaan garis ini adalah dari bentuk: y a bx. Dimana a adalah intercept dan b menunjukkan dampak dari variabel independen. Kami memiliki dua variablesthe variabel indeshypendent x dan variabel dependen y. Garis yang paling sesuai membentuk semacam hubungan matematis antara dua variabel. v dan y. Hal ini dinyatakan dengan regresi pada x. Untuk memecahkan persamaan v a bx, kita harus menggunakan persamaan normal berikut ini: xy a xb x2 (ii) Teknik Barometrik: Barometer adalah alat untuk mengukur perubahan. Metode ini didasarkan pada anggapan bahwa masa depan dapat diprediksi dari kejadian tertentu di masa sekarang. Dengan kata lain, teknik barometrik didasarkan pada gagasan bahwa kejadian-kejadian tertentu saat ini dapat digunakan untuk memprediksi arah perubahan di masa depan. Hal ini dilakukan dengan menggunakan indikator ekonomi dan statistik yang berfungsi sebagai barometer perubahan ekonomi. Umumnya peramal menghubungkan penjualan perusahaan dengan tiga seri: Seri Terkemuka, Seri Bersama atau Seri serentak dan Seri Lagging: (a) Seri Terkemuka: Seri terdepan terdiri dari faktor-faktor yang naik atau turun sebelum resesi atau pemulihan dimulai. Mereka cenderung mencerminkan perubahan pasar di masa depan. Misalnya, penjualan bedak bayi dapat diprakirakan dengan memeriksa pola tingkat kelahiran lima tahun sebelumnya, karena ada korelasi antara penjualan bedak bayi dan anak-anak usia lima tahun dan karena penjualan baby bed saat ini berkorelasi dengan tingkat kelahiran lima tahun sebelumnya. , Itu disebut lagged correlation. Dengan demikian kita bisa mengatakan bahwa kelahiran menghasilkan penjualan sabun bayi. (B) seri bertepatan atau serentak: Seri bersamaan atau bersamaan adalah yang bergerak naik atau turun bersamaan dengan tingkat ekonomi. Mereka digunakan untuk mengkonfirmasi atau menolak validitas indikator utama yang digunakan beberapa bulan kemudian. Contoh umum indikator bertepatan adalah G. N.P sendiri, industri produksi, perdagangan dan sektor ritel. (C) Seri Lagging: Seri lagging adalah rangkaian yang terjadi setelah beberapa saat tertinggal sehubungan dengan siklus bisnis. Contoh dari seri lagging adalah, biaya tenaga kerja per unit dari output manufaktur, pinjaman yang beredar, tingkat suku bunga pinjaman jangka pendek, dan lain-lain. (Iii) Analisis Regresi: Ini mencoba untuk menilai hubungan antara setidaknya dua variabel (satu atau lebih independen dan Satu tergantung), tujuannya adalah untuk memprediksi nilai variabel dependen dari nilai spesifik variabel independen. Dasar dari prediksi ini umumnya adalah data historis. Metode ini dimulai dari asumsi bahwa ada hubungan mendasar antara dua variabel. Paket komputer analisis statistik interaktif digunakan untuk merumuskan hubungan matematis yang ada. Sebagai contoh, seseorang dapat membangun model penjualan sebagai: Quantum of Sales a. Harga b. Iklan c. Harga produk saingan d. Pendapatan disposable pribadi u Dimana a, b, c, d adalah konstanta yang menunjukkan efek dari variabel yang sesuai sebagai penjualan. Konstanta u mewakili efek dari semua variabel yang telah ditinggalkan dalam persamaan namun berpengaruh pada penjualan. Dalam persamaan di atas, kuantum penjualan adalah variabel dependen dan variabel di sisi kanan persamaan adalah variabel bebas. Jika nilai yang diharapkan dari variabel independen diganti dalam persamaan, maka kuantum penjualan kemudian akan diperkirakan. Persamaan regresi juga dapat ditulis dalam bentuk perkalian seperti yang diberikan di bawah ini: Kuantum Penjualan (Harga) a (Periklanan) b (Harga produk saingan) c (Pendapatan disposshyable pribadi Y u Dalam kasus di atas, eksponen masing-masing variabel Menunjukkan elastisitas dari variabel yang sesuai. Menyatakan variabel independen dalam hal notasi, bentuk persamaannya adalah QS P 8. A o42. R83, Y 2.68, 40 Kemudian kita dapat mengatakan bahwa kenaikan harga sebesar 1 persen Untuk 0,8 persen perubahan kuantum penjualan dan seterusnya. Jika kita mengambil bentuk logaritma dari persamaan ganda, kita dapat menulis persamaan dalam bentuk aditif sebagai berikut: log QS a log P b log A log R d log Yd log U Dalam persamaan di atas, koefisien a, b, c, dan d mewakili elastisitas variabel P, A, R dan Y d masing-masing. Koefisien dalam persamaan regresi logaritmik sangat berguna dalam pengambilan keputusan oleh manajemen oleh manajemen. (Iv) Model Ekonometrika: Model ekonometrik adalah perpanjangan dari Teknik regresi dimana suatu sistem persamaan regresi independshyent dipecahkan. Persyaratan untuk penggunaan model ekonometrik yang memuaskan dalam peramalan di bawah tiga kepala: variabel, persamaan dan data. Prosedur yang tepat dalam memperkirakan metode ekonometrik adalah model bangunan. Ekonometrika mencoba untuk mengekspresikan teori ekonomi dalam istilah matematika sedemikian rupa sehingga dapat diverifikasi dengan metode statistik dan untuk mengukur dampak satu variabel ekonomi terhadap variabel lain sehingga dapat memprediksi kejadian di masa depan. Utilitas Peramalan: Peramalan mengurangi risiko yang terkait dengan fluktuasi bisnis yang pada umumnya menghasilkan efek yang tidak berbahaya dalam bisnis, menciptakan pengangguran, mendorong spekulasi, mencegah pembentukan modal dan mengurangi marjin keuntungan. Peramalan sangat diperlukan dan memainkan peran yang sangat penting dalam penentuan berbagai kebijakan. Pada zaman modern peramalan telah dimasukkan ke dalam pijakan ilmiah sehingga risiko yang terkait dengannya telah diperkecil dan kemungkinan presisi meningkat. Prakiraan di India: Di sebagian besar negara maju ada agen khusus. Di India pengusaha sama sekali tidak tertarik untuk membuat ramalan ilmiah. Mereka lebih mengandalkan kesempatan, keberuntungan dan astrologi. Mereka sangat takhayul dan karenanya prakiraan mereka tidak benar. Data yang memadai tidak tersedia untuk membuat siaran yang dapat dipercaya. Namun, statistik saja tidak meramalkan kondisi masa depan. Penghakiman, pengalaman dan pengetahuan tentang perdagangan tertentu juga diperlukan untuk membuat analisis dan interpretasi yang tepat dan sampai pada kesimpulan yang masuk akal. Kesimpulan: Sistem pendukung keputusan terdiri dari tiga unsur: keputusan, prediksi dan kontrol. Hal ini, tentu saja, dengan prediksi bahwa peramalan pemasaran diperhatikan. Peramalan penjualan dapat reshygarded sebagai sistem, memiliki input yang sesuai dan hasilnya. Pandangan sederhana ini berfungsi sebagai ukuran yang berguna untuk analisis perkiraan penjualan aktual sebagai bantuan kepada manajemen. Terlepas dari semua ini tidak ada yang bisa memprediksi aktivitas ekonomi masa depan dengan pasti. Prakiraan adalah perkiraan yang tidak dapat dipastikan siapa pun. Kriteria Metode Peramalan Bagus: Ada banyak cara untuk menebak penjualan di masa depan. Mereka menunjukkan kontras dalam biaya, fleksibilitas dan keterampilan dan kecanggihan yang memadai. Oleh karena itu, ada masalah dalam memilih metode terbaik untuk situasi permintaan tertentu. Ada kriteria ekonomi tertentu yang lebih luas. Mereka adalah: (i) ketepatan, (ii) masuk akal, (iii) daya tahan, (iv) fleksibilitas, (v) ketersediaan, (vi) ekonomi, (vii) kesederhanaan dan (viii) konsistensi (I) Akurasi: Perkiraan yang diperoleh harus akurat. Bagaimana perkiraan yang akurat mungkin Untuk mendapatkan perkiraan yang akurat, penting untuk memeriksa keakuratan perkiraan masa lalu terhadap kinerja saat ini dan perkiraan saat ini terhadap kinerja masa depan. Akurasi tidak bisa diuji dengan ukuran yang tepat namun memberi penilaian. (Ii) Masuk akal: Eksekutif harus memiliki pemahaman yang baik tentang teknik yang dipilih dan mereka harus percaya pada teknik yang digunakan. Pemahaman juga diperlukan untuk interpretasi hasil yang tepat. Persyaratan masuk akal seringkali dapat meningkatkan keakuratan hasil. (Iii) Daya Tahan: Sayangnya, fungsi permintaan yang sesuai dengan pengalaman masa lalu dapat menghasilkan biaya yang sangat besar dan masih berantakan dalam waktu singkat sebagai peramal. Daya tahan kekuatan peramalan fungsi permintaan sebagian bergantung pada kewajaran dan kesederhanaan fungsi yang ada, namun terutama pada stabilitas hubungan pemahaman yang diukur di masa lalu. Tentu saja, pentingnya daya tahan detersimin biaya perkiraan yang diijinkan. (Iv) Fleksibilitas: Fleksibilitas dapat dipandang sebagai alternatif dari generalitas. Fungsi tahan lama bisa diatur dalam bentuk kekuatan alam dasar dan motif manusia. Meskipun mendasar, bagaimanapun juga akan sulit diukur dan karenanya tidak terlalu berguna. Satu set variabel yang efisien dapat disesuaikan dari waktu ke waktu untuk memenuhi perubahan kondisi dengan cara yang lebih praktis untuk menjaga keseluruhan prosedur peramalan rutin. (V) Ketersediaan: Ketersediaan data segera merupakan persyaratan vital dan pencarian perkiraan yang masuk akal terhadap relevansi pada data akhir adalah tekanan konstan pada peramal kesabaran. Teknik yang digunakan harus bisa menghasilkan hasil yang berarti dengan cepat. Keterlambatan hasil akan mempengaruhi keputusan manajerial. (Vi) Ekonomi: Biaya merupakan pertimbangan utama yang harus disesuaikan dengan perkiraan prakiraan operasi bisnis. Sebuah pertanyaan mungkin timbul: Berapa banyak uang dan usaha manajerial yang harus dialokasikan untuk mendapatkan tingkat akurasi peramalan yang tinggi. Kriteria di sini adalah pertimbangan ekonomi. (Vii) Kesederhanaan: Model statistik dan ekonometrik tentu berguna namun tidak rumit. Bagi para eksekutif yang memiliki ketakutan terhadap matematika, metode ini tampaknya berbahasa Latin atau Yunani. Oleh karena itu prosedur harus sederhana dan mudah sehingga manajemen dapat menghargai dan memahami mengapa hal itu diadopsi oleh peramal. (Viii) Konsistensi: Peramal harus berhadapan dengan berbagai komponen yang independen. If he does not make an adjustment in one component to bring it in line with a forecast of another, he would achieve a whole which would appear consistent. Conclusion : In fine, the ideal forecasting method is one that yields returns over cost with accuracy, seems reasonable, can be formalised for reasonably long periods, can meet new circumstances adeptly and can give up-to-date results. The method of forecasting is not the same for all products. There is no unique method for forecasting the sale of any commodity. The forecaster may try one or the other method depending upon his objective, data availability, the urgency with which forecasts are needed, resources he intends to devote to this work and type of commodity whose demand he wants to forecast.
No comments:
Post a Comment