Metode Time Series Metode time series adalah teknik statistik yang memanfaatkan akumulasi data historis selama periode waktu tertentu. Metode time series mengasumsikan bahwa apa yang telah terjadi di masa lalu akan terus terjadi di masa depan. Seperti yang ditunjukkan oleh deret waktu, metode ini menghubungkan perkiraan hanya dengan satu faktor waktu. Mereka termasuk rata-rata bergerak, eksponensial smoothing, dan garis tren linier dan mereka adalah salah satu metode yang paling populer untuk peramalan jangka pendek di antara perusahaan jasa dan manufaktur. Metode ini mengasumsikan bahwa pola historis atau tren permintaan yang dapat diidentifikasi dari waktu ke waktu akan berulang. Moving Average Sebuah perkiraan deret waktu dapat sesederhana dengan menggunakan permintaan pada periode saat ini untuk memprediksi permintaan pada periode berikutnya. Ini kadang disebut ramalan naif atau intuitif. 4 Misalnya, jika permintaan 100 unit minggu ini, perkiraan permintaan minggu depan adalah 100 unit jika permintaan berubah menjadi 90 unit, maka permintaan minggu berikut adalah 90 unit, dan seterusnya. Metode peramalan jenis ini tidak memperhitungkan perilaku permintaan historis yang hanya bergantung pada permintaan pada periode berjalan. Ini bereaksi langsung terhadap pergerakan acak yang normal. Metode rata-rata bergerak sederhana menggunakan beberapa nilai permintaan selama masa lalu untuk mengembangkan perkiraan. Hal ini cenderung mereda, atau kelancaran keluar, peningkatan acak dan penurunan ramalan yang hanya menggunakan satu periode. Rata-rata pergerakan sederhana berguna untuk meramalkan permintaan yang stabil dan tidak menampilkan perilaku permintaan yang menonjol, seperti tren atau pola musiman. Moving averages dihitung untuk periode tertentu, seperti tiga bulan atau lima bulan, tergantung pada seberapa banyak keinginan peramal untuk memperlancar data permintaan. Semakin lama periode rata-rata bergerak, semakin halus jadinya. Rumus untuk menghitung rata-rata pergerakan sederhana adalah Computing a Simple Moving Average Perusahaan Klip Kertas Klip Instan yang menjual dan menjual perlengkapan kantor ke perusahaan, sekolah, dan agensi dalam radius 50 mil dari gudangnya. Bisnis penyediaan kantor sangat kompetitif, dan kemampuan untuk menyampaikan pesanan segera merupakan faktor dalam mendapatkan pelanggan baru dan mempertahankan bisnis lama. (Kantor biasanya memesan tidak ketika mereka kehabisan persediaan, tapi ketika mereka benar-benar kehabisan. Akibatnya, mereka memerlukan pesanan mereka segera.) Manajer perusahaan ingin cukup yakin bahwa pengemudi dan kendaraan tersedia untuk segera mengirimkan pesanan dan Mereka memiliki persediaan yang memadai. Oleh karena itu, manajer ingin meramalkan jumlah pesanan yang akan terjadi selama bulan depan (yaitu untuk meramalkan permintaan pengiriman). Dari catatan pesanan pengiriman, manajemen telah mengumpulkan data berikut selama 10 bulan terakhir, dari mana ia ingin menghitung rata-rata bergerak 3- dan 5 bulan. Mari kita asumsikan bahwa itu adalah akhir Oktober. Perkiraan yang dihasilkan dari rata-rata pergerakan rata-rata 3 atau 5 bulan biasanya untuk bulan berikutnya dalam urutan, yang dalam kasus ini adalah bulan November. Rata-rata bergerak dihitung dari permintaan pesanan untuk 3 bulan sebelumnya dalam urutan sesuai dengan rumus berikut: Rerata moving average 5 bulan dihitung dari data permintaan 5 bulan sebelumnya sebagai berikut: 3- dan 5 bulan Perkiraan rata-rata bergerak untuk semua data permintaan bulan ditunjukkan pada tabel berikut. Sebenarnya hanya perkiraan untuk bulan November berdasarkan permintaan bulanan terbaru yang akan digunakan oleh manajer. Namun, prakiraan sebelumnya untuk bulan-bulan sebelumnya memungkinkan kita membandingkan perkiraan dengan permintaan aktual untuk melihat seberapa akurat metode peramalan - yaitu, seberapa baik kinerjanya. Rata-rata Tiga dan Lima Bulan Perkiraan rata-rata bergerak dalam tabel di atas cenderung memperlancar variabilitas yang terjadi pada data aktual. Efek perataan ini dapat diamati pada gambar berikut di mana rata-rata 3 bulan dan 5 bulan telah ditumpangkan pada grafik data asli: Rata-rata pergerakan 5 bulan pada gambar sebelumnya menghaluskan fluktuasi ke tingkat yang lebih tinggi daripada Rata-rata pergerakan 3 bulan. Namun, rata-rata 3 bulan lebih dekat mencerminkan data terbaru yang tersedia bagi manajer pasokan kantor. Secara umum, prakiraan menggunakan moving average jangka panjang lebih lambat untuk bereaksi terhadap perubahan permintaan terakhir daripada yang dilakukan dengan menggunakan rata-rata bergerak jangka pendek. Periode ekstra data mengurangi kecepatan perkiraan ramalan. Menetapkan jumlah periode yang tepat untuk digunakan dalam perkiraan rata-rata bergerak seringkali memerlukan sejumlah eksperimentasi coba-coba. Kerugian dari metode rata-rata bergerak adalah tidak bereaksi terhadap variasi yang terjadi karena suatu alasan, seperti siklus dan efek musiman. Faktor yang menyebabkan perubahan umumnya diabaikan. Ini pada dasarnya adalah metode mekanis, yang mencerminkan data historis secara konsisten. Namun, metode moving average memang memiliki keunggulan karena mudah digunakan, cepat, dan relatif murah. Secara umum, metode ini bisa memberikan ramalan yang bagus untuk jangka pendek, tapi seharusnya tidak didorong terlalu jauh ke masa depan. Weighted Moving Average Metode moving average dapat disesuaikan untuk lebih dekat mencerminkan fluktuasi data. Dengan metode rata-rata bergerak tertimbang, bobot ditetapkan ke data terbaru sesuai dengan rumus berikut: Data permintaan untuk Layanan Komputer PM (ditunjukkan pada tabel untuk Contoh 10.3) nampak mengikuti tren linier yang meningkat. Perusahaan ingin menghitung garis tren linier untuk melihat apakah lebih akurat daripada eksponensial smoothing eksponensial dan perkiraan eksponensial yang dikembangkan pada Contoh 10.3 dan 10.4. Nilai yang dibutuhkan untuk perhitungan kuadrat terkecil adalah sebagai berikut: Dengan menggunakan nilai-nilai ini, parameter untuk garis tren linier dihitung sebagai berikut: Oleh karena itu, persamaan garis linier linier adalah menghitung ramalan untuk periode 13, misalkan x 13 pada linier Garis tren: Grafik berikut menunjukkan garis tren linier dibandingkan dengan data aktual. Garis tren tampaknya mencerminkan secara cermat data aktual - yaitu, menjadi sesuai - dan dengan demikian akan menjadi model perkiraan yang baik untuk masalah ini. Namun, kelemahan garis tren linier adalah bahwa ia tidak akan menyesuaikan diri dengan perubahan tren, karena metode ramalan eksponensial eksponensial akan berlanjut, diasumsikan bahwa semua perkiraan masa depan akan mengikuti garis lurus. Ini membatasi penggunaan metode ini ke kerangka waktu yang lebih singkat di mana Anda dapat yakin bahwa tren tidak akan berubah. Penyesuaian Musiman Pola musiman adalah peningkatan berulang dan penurunan permintaan. Banyak item permintaan menunjukkan perilaku musiman. Penjualan pakaian mengikuti pola musiman tahunan, dengan permintaan akan pakaian hangat meningkat di musim gugur dan musim dingin dan menurun pada musim semi dan musim panas karena permintaan akan pakaian dingin meningkat. Permintaan untuk banyak barang ritel, termasuk mainan, peralatan olah raga, pakaian, peralatan elektronik, ham, kalkun, anggur, dan buah, meningkat selama musim liburan. Permintaan kartu ucapan meningkat bersamaan dengan hari-hari istimewa seperti Hari Kasih Sayang dan Hari Ibu. Pola musiman juga bisa terjadi setiap bulan, mingguan, atau bahkan setiap hari. Beberapa restoran memiliki permintaan lebih tinggi di malam hari daripada makan siang atau pada akhir pekan dibandingkan dengan hari kerja. Lalu lintas - maka penjualan - di pusat perbelanjaan mengambil pada hari Jumat dan Sabtu. Ada beberapa metode untuk mencerminkan pola musiman dalam perkiraan deret waktu. Kami akan menjelaskan salah satu metode sederhana menggunakan faktor musiman. Faktor musiman adalah nilai numerik yang dikalikan dengan perkiraan normal untuk mendapatkan perkiraan musiman yang disesuaikan. Salah satu metode untuk mengembangkan permintaan faktor musiman adalah membagi permintaan untuk setiap periode musiman dengan total permintaan tahunan, sesuai dengan rumus berikut: Faktor musiman yang dihasilkan antara 0 dan 1.0, pada dasarnya, merupakan bagian dari total permintaan tahunan yang ditugaskan pada Setiap musim Faktor musiman ini dikalikan dengan permintaan tahunan yang diperkirakan untuk menghasilkan perkiraan yang disesuaikan untuk setiap musim. Menghitung Prakiraan dengan Penyesuaian Musiman Peternakan Wishbone menanam kalkun untuk dijual ke perusahaan pengolahan daging sepanjang tahun. Namun, peak season-nya jelas pada kuartal keempat tahun ini, dari Oktober hingga Desember. Wishbone Farms telah mengalami permintaan untuk kalkun selama tiga tahun terakhir yang ditunjukkan pada tabel berikut: Karena kita memiliki data permintaan tiga tahun, kita dapat menghitung faktor musiman dengan membagi permintaan triwulanan selama tiga tahun dengan total permintaan sepanjang tiga tahun : Selanjutnya, kita ingin melipatgandakan perkiraan permintaan untuk tahun depan, 2000, oleh masing-masing faktor musiman untuk mendapatkan perkiraan permintaan untuk setiap kuartal. Untuk mencapai hal ini, kita memerlukan perkiraan permintaan untuk tahun 2000. Dalam kasus ini, karena data permintaan dalam tabel tampaknya menunjukkan tren yang meningkat secara umum, kita menghitung garis tren linier selama tiga tahun data dalam tabel untuk mendapatkan nilai kasar Perkiraan perkiraan: Dengan demikian, perkiraan untuk tahun 2000 adalah 58,17, atau 58.170 kalkun. Dengan menggunakan perkiraan permintaan tahunan ini, perkiraan musiman yang disesuaikan, SF i, untuk tahun 2000 adalah Membandingkan perkiraan kuartalan ini dengan nilai permintaan aktual dalam tabel, perkiraan perkiraan perkiraan mereka relatif baik, yang mencerminkan variasi musiman dalam data dan Tren kenaikan umum. 10-12. Bagaimana metode moving average mirip dengan smoothing eksponensial 10-13. Apa efek pada model smoothing eksponensial yang akan meningkatkan konstanta smoothing memiliki 10-14. Bagaimana cara menyesuaikan eksponensial smoothing berbeda dari smoothing eksponensial 10-15. Apa yang menentukan pilihan konstanta pemulusan untuk tren dalam model pemulusan eksponensial yang disesuaikan 10-16. Dalam contoh bab untuk metode time series, perkiraan awal selalu diasumsikan sama dengan permintaan aktual pada periode pertama. Sarankan cara lain agar ramalan awal bisa digunakan secara aktual. 10-17. Bagaimana model peramalan linier linier berbeda dari model regresi linier untuk peramalan 10-18. Dari model deret waktu yang disajikan dalam bab ini, termasuk rata-rata bergerak dan rata-rata bergerak tertimbang, pemulusan eksponensial dan pemulusan eksponensial yang disesuaikan, dan garis tren linier, mana yang menurut Anda paling baik Mengapa 10-19. Keuntungan apa yang disesuaikan dengan eksponensial smoothing memiliki garis linier linier untuk perkiraan permintaan yang menunjukkan tren 4 K. B. Kahn dan J. T. Mentzer, Peramalan Pasar Konsumen dan Industri, Journal of Business Forecasting 14, no. 2 (Musim Panas 1995): 21-28. PERAMALAN Peramalan melibatkan pembangkitan sejumlah, rangkaian angka, atau skenario yang sesuai dengan kejadian di masa depan. Ini sangat penting untuk perencanaan jangka pendek dan jarak jauh. Menurut definisi, perkiraan didasarkan pada data masa lalu, berlawanan dengan prediksi, yang lebih subjektif dan berdasarkan naluri, naluri, atau dugaan. Misalnya, berita malam memberi cuaca x0022forecastx0022 bukan cuaca x0022prediction. x0022 Apapun, istilah ramalan dan prediksi sering digunakan secara bergantian. Misalnya, definisi teknik regresix2014a yang kadang-kadang digunakan dalam peramalan secara umum menyatakan bahwa tujuannya adalah untuk menjelaskan atau x0022predict. x0022 Peramalan didasarkan pada sejumlah asumsi: Masa lalu akan berulang sendiri. Dengan kata lain, apa yang telah terjadi di masa lalu akan terjadi lagi di masa depan. Seiring perkiraan horison semakin pendek, perkiraan akurasi meningkat. Misalnya, ramalan untuk besok akan lebih akurat daripada perkiraan untuk bulan depan perkiraan untuk bulan depan akan lebih akurat daripada perkiraan untuk tahun depan dan perkiraan untuk tahun depan akan lebih akurat daripada perkiraan selama sepuluh tahun di masa depan. Peramalan secara agregat lebih akurat daripada meramalkan item individual. Ini berarti bahwa perusahaan akan dapat meramalkan permintaan total atas keseluruhan spektrum produknya secara lebih akurat daripada yang dapat meramalkan unit penyimpanan individual (SKU). Misalnya, General Motors bisa memperkirakan secara lebih akurat jumlah mobil yang dibutuhkan untuk tahun depan dibanding jumlah Chevrolet Impalas putih dengan paket pilihan tertentu. Perkiraan jarang akurat. Selanjutnya, prakiraan hampir tidak pernah benar-benar akurat. Sementara beberapa di antaranya sangat dekat, hanya sedikit yang benar-benar menghasilkan uang. x0022 Oleh karena itu, bijaksana untuk menawarkan perkiraan x0022range. x0022 Jika seseorang meramalkan permintaan 100.000 unit untuk bulan depan, sangat tidak mungkin permintaan tersebut setara dengan 100.000 persis. Namun, perkiraan 90.000 sampai 110.000 akan memberikan target perencanaan yang jauh lebih besar. William J. Stevenson mencantumkan sejumlah karakteristik yang umum untuk perkiraan yang baik: Tingkat ketelitian yang akurat harus ditentukan dan dinyatakan sehingga perbandingan dapat dilakukan terhadap prakiraan alternatif. Metode perkiraan harus konsisten memberikan perkiraan yang baik jika pengguna menetapkan tingkat kepercayaan diri tertentu. Timelyx2014a sejumlah waktu diperlukan untuk merespons ramalan sehingga cakrawala peramalan harus memungkinkan waktu yang diperlukan untuk melakukan perubahan. Mudah digunakan dan dipahami para peramal ramalan harus yakin dan nyaman bekerja dengannya. Biaya-efektifx2014 biaya pembuatan ramalan seharusnya tidak melebihi manfaat yang diperoleh dari perkiraan. Teknik peramalan berkisar dari yang sederhana sampai yang sangat kompleks. Teknik ini biasanya diklasifikasikan bersifat kualitatif atau kuantitatif. TEKNIK KUALITATIF Teknik peramalan kualitatif umumnya lebih subjektif daripada rekan kuantitatif mereka. Teknik kualitatif lebih bermanfaat pada tahap awal siklus hidup produk, bila data di masa lampau tidak ada untuk digunakan dalam metode kuantitatif. Metode kualitatif meliputi teknik Delphi, Nominal Group Technique (NGT), pendapat sales force, pendapat eksekutif, dan riset pasar. TEKNIK DELPHI Teknik Delphi menggunakan panel ahli untuk menghasilkan ramalan. Setiap ahli diminta memberikan perkiraan khusus untuk kebutuhan di tangan. Setelah prakiraan awal dibuat, setiap ahli membaca apa yang ditulis oleh setiap ahli lainnya dan, tentu saja, dipengaruhi oleh pandangan mereka. Perkiraan berikutnya kemudian dibuat oleh masing-masing ahli. Setiap ahli kemudian membaca lagi apa yang setiap ahli lainnya tulis dan sekali lagi dipengaruhi oleh persepsi orang lain. Proses ini berulang dengan sendirinya sampai setiap ahli mendekati kesepakatan mengenai skenario atau angka yang dibutuhkan. TEKNIK KELOMPOK KELOMPOK Teknik Nominal Group mirip dengan teknik Delphi karena menggunakan sekelompok peserta, biasanya para ahli. Setelah para peserta menanggapi pertanyaan yang terkait dengan ramalan, mereka memberi peringkat tanggapan mereka sesuai dengan kepentingan kepentingan yang dirasakan. Kemudian rangking dikumpulkan dan dikumpulkan. Akhirnya, kelompok tersebut harus mencapai konsensus mengenai prioritas isu-isu peringkat. PENDAPATAN FORCE PENJUALAN. Staf penjualan sering menjadi sumber informasi yang baik mengenai permintaan masa depan. Manajer penjualan dapat meminta masukan dari masing-masing sales person dan mengumpulkan tanggapan mereka ke dalam ramalan penjualan komparator. Perhatian harus dilakukan saat menggunakan teknik ini karena anggota tenaga penjualan mungkin tidak dapat membedakan antara apa yang pelanggan katakan dan apa yang sebenarnya mereka lakukan. Juga, jika prakiraan akan digunakan untuk menetapkan kuota penjualan, tenaga penjualan mungkin tergoda untuk memberikan perkiraan yang lebih rendah. PENDAPAT EKSEKUTIF. Terkadang manajer tingkat atas bertemu dan mengembangkan prakiraan berdasarkan pengetahuan mereka tentang wilayah tanggung jawab mereka. Hal ini kadang disebut sebagai juri opini eksekutif. PENELITIAN PASAR. Dalam riset pasar, survei konsumen digunakan untuk menetapkan permintaan potensial. Penelitian pemasaran semacam itu biasanya melibatkan pembuatan kuesioner yang meminta informasi pribadi, demografis, ekonomi, dan pemasaran. Terkadang, para periset pasar mengumpulkan informasi semacam itu secara langsung di gerai ritel dan mal, di mana konsumen dapat merasakan, mencium, merasakan, mencium, dan mengeluarkan produk tertentu. Peneliti harus berhati-hati agar sampel orang yang disurvei mewakili target konsumen yang diinginkan. TEKNIK KUANTITATIF Teknik peramalan kuantitatif umumnya lebih obyektif daripada rekan kualitatif mereka. Perkiraan kuantitatif dapat berupa perkiraan waktu seri (yaitu proyeksi masa lalu ke masa depan) atau perkiraan berdasarkan model asosiatif (yaitu berdasarkan satu atau lebih variabel penjelas). Data deret waktu mungkin mendasari perilaku yang perlu diidentifikasi oleh peramal. Selain itu, ramalan mungkin perlu mengidentifikasi penyebab perilaku. Beberapa perilaku ini mungkin merupakan pola atau variasi acak saja. Di antara pola-pola tersebut adalah: Tren, yaitu pergerakan jangka panjang (atas atau bawah) dalam data. Musiman, yang menghasilkan variasi jangka pendek yang biasanya berhubungan dengan waktu tahun, bulan, atau bahkan hari tertentu, seperti yang disaksikan oleh penjualan eceran pada hari Natal atau lonjakan aktivitas perbankan pada bulan pertama dan pada hari Jumat. Siklus, yang merupakan variasi mirip gelombang yang berlangsung lebih dari satu tahun yang biasanya terkait dengan kondisi ekonomi atau politik. Variasi tidak beraturan yang tidak mencerminkan perilaku khas, seperti periode cuaca ekstrem atau pemogokan serikat. Variasi acak, yang mencakup semua perilaku non-tipikal yang tidak diperhitungkan oleh klasifikasi lainnya. Di antara model time-series, yang paling sederhana adalah perkiraan naxexpve. Perkiraan naxEFve hanya menggunakan permintaan aktual untuk periode lalu sebagai perkiraan permintaan untuk periode berikutnya. Ini, tentu saja, membuat asumsi bahwa masa lalu akan berulang. Ini juga mengasumsikan bahwa setiap tren, musiman, atau siklus tercermin dalam permintaan periode sebelumnya atau tidak ada. Contoh peramalan naxEFve disajikan pada Tabel 1. Tabel 1 Peramalan NaxEFve Teknik sederhana lainnya adalah penggunaan rata-rata. Untuk membuat perkiraan menggunakan rata-rata, kita hanya menghitung rata-rata beberapa periode periode data terakhir dengan menjumlahkan setiap periode dan membagi hasilnya dengan jumlah periode. Teknik ini telah ditemukan sangat efektif untuk peramalan jangka pendek. Variasi rata-rata meliputi rata-rata bergerak, rata-rata tertimbang, dan rata-rata pergerakan tertimbang. Rata-rata bergerak mengambil jumlah periode yang telah ditentukan, menghitung permintaan aktual mereka, dan membagi dengan jumlah periode untuk mencapai perkiraan. Untuk setiap periode berikutnya, periode data tertua turun dan periode terakhir ditambahkan. Dengan asumsi rata-rata pergerakan tiga bulan dan menggunakan data dari Tabel 1, satu akan menambahkan 45 (Januari), 60 (Februari), dan 72 (Maret) dan membagi dengan tiga untuk mencapai perkiraan untuk bulan April: 45 60 72 177 X00F7 3 59 Untuk sampai pada perkiraan untuk bulan Mei, seseorang akan menurunkan permintaan Januarix0027 dari persamaan dan menambahkan permintaan dari bulan April. Tabel 2 menyajikan contoh ramalan rata-rata bergerak tiga bulan. Tabel 2 Tiga Bulan Bergerak Rata-rata Prakiraan Permintaan Aktual (000x0027s) Rata-rata tertimbang menerapkan bobot yang telah ditentukan untuk setiap bulan data sebelumnya, meramalkan data masa lalu dari setiap periode, dan membaginya dengan total bobotnya. Jika peramal menyesuaikan bobot sehingga jumlah mereka sama dengan 1, maka bobotnya dikalikan dengan permintaan aktual setiap periode yang berlaku. Hasilnya kemudian dijumlahkan untuk mencapai ramalan tertimbang. Umumnya, data yang lebih baru semakin tinggi bobotnya, dan semakin tua data semakin kecil bobotnya. Dengan menggunakan contoh permintaan, rata-rata tertimbang menggunakan bobot 0,4. 3. 2, dan .1 akan menghasilkan ramalan untuk bulan Juni sebagai: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Peramal juga dapat menggunakan kombinasi rata-rata tertimbang dan perkiraan rata-rata bergerak . Perkiraan rata-rata bergerak tertimbang memberi bobot pada jumlah data aktual yang telah ditentukan sebelumnya dan menghitung perkiraan dengan cara yang sama seperti yang dijelaskan di atas. Seperti semua perkiraan yang bergerak, karena setiap periode baru ditambahkan, data dari periode tertua dibuang. Tabel 3 menunjukkan perkiraan rata-rata pergerakan tertimbang tiga bulan dengan menggunakan bobot .5. 3, dan .2. Tabel 3 Moving Average Average Average Moving Average Actual Demand (000x0027s) Bentuk yang lebih kompleks dari rata-rata bergerak tertimbang adalah eksponensial smoothing, dinamakan demikian karena beratnya turun secara eksponensial seperti umur data. Pemulusan eksponensial mengambil ramalan periodx0027 sebelumnya dan menyesuaikannya dengan konstanta perataan yang telah ditentukan sebelumnya, x03AC (disebut alpha nilai untuk alpha kurang dari satu) dikalikan dengan perbedaan pada perkiraan sebelumnya dan permintaan yang benar-benar terjadi selama periode yang diperkirakan sebelumnya (disebut Kesalahan perkiraan). Eksponasi eksponensial dinyatakan secara simultan seperti: Perkiraan baru perkiraan sebelumnya alfa (permintaan aktual x2212 perkiraan sebelumnya) FF x03AC (A x2212 F) Eksponensial smoothing memerlukan peramal untuk memulai perkiraan pada periode sebelumnya dan bekerja maju ke periode dimana arus Perkiraan diperlukan Sejumlah besar data masa lalu dan perkiraan awal atau awal juga diperlukan. Perkiraan awal bisa menjadi perkiraan aktual dari periode sebelumnya, permintaan aktual dari periode sebelumnya, atau dapat diperkirakan dengan rata-rata seluruh atau sebagian data masa lalu. Beberapa heuristik ada untuk menghitung perkiraan awal. Sebagai contoh, heuristik N (2 xF7 x03AC) x2212 1 dan alfa 0,5 akan menghasilkan N dari 3, menunjukkan bahwa pengguna akan rata-rata tiga periode pertama data untuk mendapatkan perkiraan awal. Namun, keakuratan perkiraan awal tidak penting jika seseorang menggunakan data dalam jumlah besar, karena pemulusan eksponensial adalah x0022 self-correcting. x0022 Mengingat periode data masa lalu yang cukup, pemulusan eksponensial pada akhirnya akan membuat koreksi yang cukup untuk mengimbangi awal yang tidak tepat. ramalan cuaca. Dengan menggunakan data yang digunakan dalam contoh lain, perkiraan awal 50, dan alfa 0,7, perkiraan untuk bulan Februari dihitung sebagai berikut: Perkiraan baru (Februari) 50,97 (45 x2212 50) 41,5 Selanjutnya, perkiraan untuk bulan Maret : Perkiraan baru (Maret) 41,5 .7 (60 x2212 41,5) 54,45 Proses ini berlanjut sampai peramal mencapai periode yang diinginkan. Pada Tabel 4 ini akan dilakukan untuk bulan Juni, karena permintaan aktual untuk Juni tidak diketahui. Permintaan Aktual (000x0027s) Perpanjangan smoothing eksponensial dapat digunakan saat data deret waktu menunjukkan tren linier. Metode ini dikenal dengan beberapa nama: perataan eksponensial smoothing trend smoothing yang disesuaikan dengan trend termasuk tren (FIT) dan Model Holtx0027s. Tanpa penyesuaian, hasil smoothing eksponensial sederhana akan tertinggal tren, yaitu ramalan akan selalu rendah jika trennya meningkat, atau tinggi jika trennya menurun. Dengan model ini ada dua konstanta smoothing, x03AC dan x03B2 dengan x03B2 yang mewakili komponen tren. Perpanjangan Model Holtx0027, yang disebut Metode Holt-Winterx0027s, mempertimbangkan tren dan musiman. Ada dua versi, multiplicative dan aditif, dengan multiplicative yang paling banyak digunakan. Dalam model aditif, musiman dinyatakan sebagai kuantitas yang akan ditambahkan atau dikurangkan dari rata-rata seri. Model multiplikatif mengekspresikan musiman sebagai persentase yang dikenal sebagai kerabat musiman atau indeks musiman dari rata-rata (atau tren). Ini kemudian dikalikan nilai kali untuk menggabungkan musiman. Seorang kerabat dari 0,8 akan mengindikasikan permintaan yaitu 80 persen dari rata-rata, sementara 1,10 akan mengindikasikan permintaan yang 10 persen di atas rata-rata. Informasi terperinci mengenai metode ini dapat ditemukan di sebagian besar buku teks manajemen operasi atau salah satu dari sejumlah buku tentang peramalan. Teknik asosiatif atau kausal melibatkan identifikasi variabel yang dapat digunakan untuk memprediksi variabel minat lainnya. Misalnya, suku bunga dapat digunakan untuk meramalkan permintaan refinancing rumah. Biasanya, ini melibatkan penggunaan regresi linier, di mana tujuannya adalah untuk mengembangkan persamaan yang merangkum efek variabel prediktor (independen) pada variabel perkiraan (dependen). Jika variabel prediktor diplot, objeknya adalah untuk mendapatkan persamaan garis lurus yang meminimalkan jumlah penyimpangan kuadrat dari garis (dengan penyimpangan adalah jarak dari setiap titik ke garis). Persamaan akan muncul sebagai: ya bx, di mana y adalah variabel yang diprediksi (tergantung), x adalah variabel prediktor (independen), b adalah kemiringan garis, dan a sama dengan tinggi garis pada y - mencegat. Setelah persamaan ditentukan, pengguna dapat memasukkan nilai arus untuk variabel prediktor (independen) sampai pada perkiraan (variabel dependen). Jika ada lebih dari satu variabel prediktor atau jika hubungan antara prediktor dan ramalan tidak linier, regresi linier sederhana tidak akan memadai. Untuk situasi dengan beberapa prediktor, regresi berganda harus digunakan, sementara hubungan non linier memerlukan penggunaan regresi curvilinear. PERAMALAN EKONOMETRIK Metode ekonometrik, seperti model moving-average terintegrasi autoregressive (ARIMA), menggunakan persamaan matematis yang kompleks untuk menunjukkan hubungan masa lalu antara permintaan dan variabel yang mempengaruhi permintaan. Persamaan diturunkan dan kemudian diuji dan disesuaikan untuk memastikan bahwa representasi hubungan pastilah mungkin dapat diandalkan. Setelah ini dilakukan, proyeksi nilai variabel yang mempengaruhi (pendapatan, harga, dll.) Dimasukkan ke dalam persamaan untuk membuat perkiraan. EVALUASI FORECAS Prakiraan akurasi dapat ditentukan dengan menghitung bias, mean absolute deviation (MAD), mean square error (MSE), atau mean absolute percent error (MAPE) untuk perkiraan menggunakan nilai alpha yang berbeda. Bias adalah jumlah kesalahan perkiraan x2211 (FE). Untuk contoh eksponensial smoothing di atas, bias yang dihitung adalah: (60 x2212 41,5) (72 x2212 54,45) (58 x2212 66,74) (40 x2212 60,62) 6.69 Jika seseorang mengasumsikan bahwa bias rendah mengindikasikan kesalahan perkiraan secara keseluruhan rendah, seseorang dapat Hitung bias untuk sejumlah nilai potensial alpha dan asumsikan yang satu dengan bias terendah akan menjadi yang paling akurat. Namun, kehati-hatian harus diperhatikan dalam ramalan yang tidak akurat tersebut dapat menghasilkan bias rendah jika mereka cenderung mengalami perkiraan dan perkiraan (negatif dan positif). Misalnya, selama tiga periode, perusahaan dapat menggunakan nilai alfa tertentu hingga perkiraan lebih dari 75.000 unit (x221275.000), yang diperkirakan oleh 100.000 unit (100.000), dan kemudian diperkirakan lebih dari 25.000 unit (x221225.000), menghasilkan Bias nol (x221275.000 100.000 x2212 25.000 0). Sebagai perbandingan, alpha lain yang menghasilkan perkiraan dari 2.000 unit, 1.000 unit, dan 3.000 unit akan menghasilkan bias 5.000 unit. Jika permintaan normal 100.000 unit per periode, alpha pertama akan menghasilkan perkiraan yang turun sebanyak 100 persen sementara alpha kedua akan turun maksimal 3 persen, meskipun bias pada perkiraan pertama adalah nol. Ukuran yang lebih aman dari perkiraan akurasi adalah mean absolute deviation (MAD). Untuk menghitung MAD, peramal menentukan nilai absolut dari kesalahan perkiraan dan kemudian dibagi dengan jumlah prakiraan (x2211 FE x00F7 N). Dengan mengambil nilai absolut dari kesalahan perkiraan, offset nilai positif dan negatif dihindari. Ini berarti bahwa perkiraan di atas 50 dan perkiraan di bawah 50 dinihari dengan 50. Dengan menggunakan data dari contoh smoothing eksponensial, MAD dapat dihitung sebagai berikut: (60 x2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) X00F7 4 16.35 Oleh karena itu, peramal tersebut rata-rata mencapai 16,35 unit per perkiraan. Bila dibandingkan dengan hasil alpha lainnya, peramal akan mengetahui bahwa alfa dengan MAD terendah menghasilkan ramalan yang paling akurat. Mean square error (MSE) juga bisa digunakan dengan cara yang sama. MSE adalah jumlah dari ramalan kesalahan kuadrat dibagi dengan N-1 (x2211 (FE)) x00F7 (N-1). Mengkuadratkan kesalahan perkiraan menghilangkan kemungkinan mengimbangi angka negatif, karena tidak ada hasilnya yang negatif. Dengan menggunakan data yang sama seperti di atas, MSE adalah: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Seperti pada MAD, peramal dapat membandingkan MSE prakiraan yang diturunkan dengan menggunakan berbagai nilai alfa dan Asumsikan alpha dengan MSE terendah menghasilkan ramalan yang paling akurat. Kesalahan persentase absolut rata-rata (MAPE) adalah kesalahan persentase absolut rata-rata. Untuk sampai pada MAPE seseorang harus mengambil jumlah rasio antara kesalahan perkiraan dan waktu permintaan aktual 100 (untuk mendapatkan persentase) dan bagi dengan N (x2211 Permintaan aktual x2212 perkiraan x00F7 Permintaan aktual) xD7 100 x00F7 N. Menggunakan data dari Contoh smoothing eksponensial, MAPE dapat dihitung sebagai berikut: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Seperti MAD dan MSE, semakin rendah kesalahan relatif perkiraan ramalan yang lebih akurat. Perlu dicatat bahwa dalam beberapa kasus kemampuan ramalan untuk berubah dengan cepat untuk merespons perubahan pola data dianggap lebih penting daripada akurasi. Oleh karena itu, pilihan metode peramalan onex0027 harus mencerminkan keseimbangan kepentingan antara akurasi dan responsif, seperti yang ditentukan oleh peramal. MEMBUAT FORECAST William J. Stevenson mencantumkan hal-hal berikut sebagai langkah dasar dalam proses peramalan: Tentukan tujuan forecastx0027s. Faktor-faktor seperti bagaimana dan kapan ramalan akan digunakan, tingkat akurasi yang dibutuhkan, dan tingkat detail yang diinginkan menentukan biaya (waktu, uang, karyawan) yang bisa dipersembahkan untuk ramalan dan jenis metode peramalan yang akan digunakan. . Menetapkan cakrawala waktu. Hal ini terjadi setelah seseorang menentukan tujuan ramalan tersebut. Perkiraan jangka panjang membutuhkan cakrawala waktu lebih lama dan sebaliknya. Akurasi lagi menjadi pertimbangan. Pilih teknik peramalan. Teknik yang dipilih tergantung pada tujuan ramalan, horison waktu yang diinginkan, dan biaya yang diijinkan. Kumpulkan dan analisis data. Jumlah dan jenis data yang dibutuhkan diatur oleh perkiraan perkiraan waktu, teknik peramalan yang dipilih, dan pertimbangan biaya apapun. Buat perkiraan. Pantau ramalannya. Evaluasi kinerja ramalan dan modifikasi, jika perlu. BACAAN LEBIH LANJUT: Finch, Byron J. Operasi Sekarang: Profitabilitas, Proses, Kinerja. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Analisis Ekonometrik. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022The Nominal Group Technique. x0022 Proses Penelitian. Tersedia dari x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Bacalah juga artikel tentang Peramalan dari Metode Peramalan Rata-rata Moving AverageWeighted: Pro dan Kontra Hai, Cintai Post Anda. Apakah bertanya-tanya apakah Anda bisa menjelaskan lebih lanjut. Kami menggunakan SAP. Di dalamnya ada pilihan yang bisa Anda pilih sebelum menjalankan ramalan yang disebut inisialisasi. Jika Anda memeriksa opsi ini Anda mendapatkan hasil perkiraan, jika Anda menjalankan ramalan lagi, pada periode yang sama, dan jangan centang inisialisasi hasilnya berubah. Saya tidak tahu apa yang dilakukan inisialisasi itu. Maksudku, mathmatically. Hasil ramalan mana yang terbaik untuk disimpan dan digunakan misalnya. Perubahan antara keduanya tidak termasuk dalam perkiraan tapi di MAD dan Error, safety stock dan jumlah ROP. Tidak yakin apakah Anda menggunakan SAP. Hai terimakasih telah menjelaskan dengan sangat efektifnya. Terima kasih lagi Jaspreet Tinggalkan Balasan Batalkan balasan Tentang Shmula Pete Abilla adalah pendiri Shmula dan karakternya, Kanban Cody. Dia telah membantu perusahaan seperti Amazon, Zappos, eBay, Backcountry, dan lainnya mengurangi biaya dan memperbaiki pengalaman pelanggan. Dia melakukan ini melalui metode sistematis untuk mengidentifikasi titik-titik rasa sakit yang mempengaruhi pelanggan dan bisnis, dan mendorong partisipasi luas dari rekan perusahaan untuk memperbaiki proses mereka sendiri. Situs ini adalah kumpulan pengalamannya yang ingin dibagikan dengan Anda. Mulailah dengan download gratis
No comments:
Post a Comment