Tahapan Of Moving Average Sales Forecasting Technique

PERAMALAN Peramalan melibatkan pembuatan sejumlah, kumpulan 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. Baca juga artikel tentang Peramalan dari WikipediaA Forecast Calculation Example A.1 Metode Perhitungan Prakiraan Dua belas metode untuk menghitung perkiraan tersedia. Sebagian besar metode ini menyediakan kontrol pengguna terbatas. Misalnya, bobot yang ditempatkan pada data historis terkini atau rentang tanggal data historis yang digunakan dalam perhitungan mungkin ditentukan. Contoh berikut menunjukkan prosedur perhitungan untuk masing-masing metode peramalan yang ada, dengan data set identik. Contoh berikut menggunakan data penjualan 2004 dan 2005 yang sama untuk menghasilkan perkiraan penjualan tahun 2006. Selain perhitungan perkiraan, masing-masing contoh mencakup perkiraan simulasi tahun 2005 untuk jangka waktu tiga bulan (opsi pemrosesan 19 3) yang kemudian digunakan untuk persentase akurasi dan perhitungan deviasi absolut rata-rata (penjualan aktual dibandingkan dengan perkiraan simulasi). A.2 Kriteria Evaluasi Kinerja Perkiraan Tergantung pada pilihan pilihan pemrosesan dan pada tren dan pola yang ada dalam data penjualan, beberapa metode peramalan akan berkinerja lebih baik daripada yang lain untuk kumpulan data historis tertentu. Metode peramalan yang sesuai untuk satu produk mungkin tidak sesuai untuk produk lain. Hal ini juga tidak mungkin bahwa metode peramalan yang memberikan hasil yang baik pada satu tahap siklus hidup produk akan tetap sesuai sepanjang keseluruhan siklus kehidupan. Anda dapat memilih antara dua metode untuk mengevaluasi kinerja metode peramalan saat ini. Ini adalah Mean Absolute Deviation (MAD) dan Persen of Accuracy (POA). Kedua metode evaluasi kinerja ini memerlukan data penjualan historis untuk jangka waktu yang ditentukan pengguna. Periode waktu ini disebut periode holdout atau periode yang paling sesuai (PBF). Data dalam periode ini digunakan sebagai dasar untuk merekomendasikan metode peramalan mana yang akan digunakan dalam membuat perkiraan proyeksi berikutnya. Rekomendasi ini khusus untuk setiap produk, dan mungkin berubah dari satu generasi perkiraan ke yang berikutnya. Dua metode evaluasi kinerja perkiraan ditunjukkan di halaman berikut contoh dari dua belas metode peramalan. A.3 Metode 1 - Persentase Tertentu Selama Tahun Terakhir Metode ini mengalikan data penjualan dari tahun sebelumnya oleh faktor yang ditentukan pengguna misalnya, 1,10 untuk kenaikan 10, atau 0,97 untuk penurunan 3. Riwayat penjualan yang disyaratkan: Satu tahun untuk menghitung perkiraan ditambah jumlah waktu yang ditentukan pengguna untuk mengevaluasi kinerja perkiraan (opsi pemrosesan 19). A.4.1 Prakiraan Perhitungan Rentang sejarah penjualan digunakan dalam menghitung faktor pertumbuhan (opsi pemrosesan 2a) 3 dalam contoh ini. Jumlahkan tiga bulan terakhir tahun 2005: 114 119 137 370 Jumlah tiga bulan yang sama untuk tahun sebelumnya: 123 139 133 395 Faktor yang dihitung 370395 0,9367 Hitung prakiraan: penjualan Januari 128 penjualan di 1289367 119.8036 atau sekitar 120 Februari, 2005 penjualan 117 0,9367 109,5939 atau sekitar 110 Maret, 2005 penjualan 115 0.9367 107.7205 atau sekitar 108 A.4.2 Perhitungan Prakiraan Simulasi Jumlah tiga bulan di tahun 2005 sebelum periode holdout (Juli, Agustus, September): 129 140 131 400 Jumlah tiga bulan yang sama untuk Tahun sebelumnya: 141 128 118 387 Faktor yang diperhitungkan 400387 1.033591731 Perhitungan perkiraan simulasi: penjualan Oktober 123 penjualan 1.0233591731 127.13178 November, 2004 penjualan 139 1.033591731 143.66925 Desember, 2004 penjualan 133 1.033591731 137.4677 A.4.3 Persen Perhitungan Akurat POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Perhitungan Deviasi Absolut Mutual MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metode 3 - Tahun lalu sampai Tahun Ini Metode ini mengumpulkan data penjualan dari tahun sebelumnya sampai tahun depan. Riwayat penjualan yang disyaratkan: Satu tahun untuk menghitung perkiraan ditambah jumlah periode waktu yang ditentukan untuk mengevaluasi kinerja perkiraan (opsi pemrosesan 19). A.6.1 Prakiraan Perhitungan Jumlah periode yang harus dimasukkan rata-rata (opsi pemrosesan 4a) 3 pada contoh ini Untuk setiap bulan perkiraan, rata-rata data tiga bulan sebelumnya. Perkiraan bulan Januari: 114 119 137 370 370, 370 3 123.333 atau 123 ramalan Februari: 119 137 123 379, 379 3 126.333 atau 126 perkiraan Maret: 137 123 126 379, 386 3 128,667 atau 129 A.6.2 Perhitungan Prakiraan Simulasi Penjualan Oktober 2005 (129 140 131) 3 133.3333 November 2005 penjualan (140 131 114) 3 128.3333 Penjualan pada bulan Desember 2005 (131 114 119) 3 121.3333 A.6.3 Persen Perhitungan Akurasi POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Mutlak Perhitungan Deviasi MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metode 5 - Pendekatan Linier Pendekatan Linier menghitung tren berdasarkan dua titik data penjualan historis. Kedua titik tersebut mendefinisikan garis tren lurus yang diproyeksikan ke masa depan. Gunakan metode ini dengan hati-hati, perkiraan jangka panjang diimbangi oleh perubahan kecil hanya dalam dua titik data. Diperlukan riwayat penjualan: Jumlah periode yang termasuk dalam regresi (opsi pemrosesan 5a), ditambah 1 ditambah jumlah periode waktu untuk mengevaluasi kinerja perkiraan (opsi pemrosesan 19). A.8.1 Prakiraan Perhitungan Jumlah periode yang termasuk dalam regresi (opsi pemrosesan 6a) 3 pada contoh ini Untuk setiap bulan perkiraan, tambahkan kenaikan atau penurunan selama periode yang ditentukan sebelum periode holdout periode sebelumnya. Rata-rata tiga bulan sebelumnya (114 119 137) 3 123.3333 Ringkasan tiga bulan sebelumnya dengan bobot yang dipertimbangkan (114 1) (119 2) (137 3) 763 Perbedaan antara nilai 763 - 123.3333 (1 2 3) 23 Rasio ( 12 22 32) - 2 3 14 - 12 2 Value1 DifferenceRatio 232 11.5 Value2 Rasio average - value1 123.3333 - 11.5 2 100.3333 Prakiraan (1 n) nilai1 nilai2 4 11.5 100.3333 146.333 atau 146 Prakiraan 5 11.5 100.3333 157.8333 atau 158 Prakiraan 6 11.5 100.3333 169.3333 Atau 169 A.8.2 Perhitungan Prakiraan Simulasi Penjualan Oktober 2004: Rata-rata tiga bulan sebelumnya (129 140 131) 3 133.3333 Ringkasan tiga bulan sebelumnya dengan bobot yang dipertimbangkan (129 1) (140 2) (131 3) 802 Perbedaan antara Nilai 802 - 133.3333 (1 2 3) 2 Rasio (12 22 32) - 2 3 14 - 12 2 Value1 DifferenceRatio 22 1 Value2 Rasio average - value1 133.3333 - 1 2 131.3333 Prakiraan (1 n) nilai1 nilai2 4 1 131.3333 135.3333 November 2004 penjualan Rata-rata tiga bulan sebelumnya (140 131 114) 3 128.3333 Ringkasan tiga bulan sebelumnya dengan berat yang dipertimbangkan (140 1) (131 2) (114 3) 744 Perbedaan antara nilai 744 - 128.3333 (1 2 3) -25.9999 Value1 DifferenceRatio -25.99992 -12.9999 Value2 Average - value1 ratio 128.3333 - (-12.9999) 2 154.3333 Prakiraan 4 -12.9999 154.3333 102.3333 Penjualan Desember 2004 Rata-rata dari tiga bulan sebelumnya (131 114 119) 3 121.3333 Ringkasan tiga bulan sebelumnya dengan bobot yang dipertimbangkan ( 131 1) (114 2) (119 3) 716 Perbedaan antara nilai 716 - 121.3333 (1 2 3) -11.9999 Value1 DifferenceRatio -11.99992 -5.9999 Value2 Rasio average - value1 121.3333 - (-5.9999) 2 133.3333 Prakiraan 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Persen Perhitungan Akurasi POA (135.33 102.33 109.33) (114 119 137) 100 93,78 A.8,4 Perhitungan Deviasi Absolut Mutual MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Metode 7 - Secon D Degree Approximation Regresi Linier menentukan nilai a dan b dalam rumus ramalan Y a bX dengan tujuan untuk menyesuaikan garis lurus dengan data riwayat penjualan. Pendekatan Gelar Kedua serupa. Namun, metode ini menentukan nilai a, b, dan c dalam rumus ramalan Y a bX cX2 dengan tujuan untuk menyesuaikan kurva dengan data riwayat penjualan. Metode ini mungkin berguna saat produk berada dalam transisi antara tahap siklus hidup. Misalnya, ketika produk baru bergerak dari tahap pertumbuhan, tren penjualan mungkin akan meningkat. Karena istilah orde kedua, ramalan dapat dengan cepat mendekati tak terhingga atau turun menjadi nol (tergantung pada apakah koefisien c positif atau negatif). Oleh karena itu, metode ini hanya berguna dalam jangka pendek. Perkiraan spesifikasi: Rumus menemukan a, b, dan c agar sesuai dengan kurva dengan tepat tiga titik. Anda menentukan n dalam opsi pemrosesan 7a, jumlah periode waktu data untuk mengumpulkan ke masing-masing dari tiga titik. Dalam contoh ini n 3. Oleh karena itu, data penjualan aktual untuk bulan April sampai Juni digabungkan ke poin pertama, Q1. Juli sampai September ditambahkan bersama untuk menciptakan Q2, dan Oktober sampai Desember ke Q3. Kurva akan disesuaikan dengan tiga nilai Q1, Q2, dan Q3. Diperlukan riwayat penjualan: 3 n periode untuk menghitung perkiraan ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi perkiraan kinerja (PBF). Jumlah periode untuk memasukkan (opsi pemrosesan 7a) 3 dalam contoh ini Gunakan tiga bulan sebelumnya (3 n) bulan dalam blok tiga bulan: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 ( Okt - Dec) 114 119 137 370 Langkah selanjutnya adalah menghitung tiga koefisien a, b, dan c yang akan digunakan dalam rumus peramalan Y a bX cX2 (1) Q1 a bX cX2 (di mana X 1) abc (2) Q2 A bX cX2 (di mana X 2) a 2b 4c (3) Q3 a bX cX2 (di mana X 3) a 3b 9c Selesaikan tiga persamaan secara simultan untuk menemukan b, a, dan c: kurangi persamaan (1) dari persamaan (2) Dan memecahkan untuk b (2) - (1) Q2 - Q1 b 3c Mengganti persamaan ini untuk b ke persamaan (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Akhirnya, ganti persamaan ini untuk a dan b ke Persamaan (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Metode Pendekatan Derajat Gelar Kedua menghitung a, b, dan c sebagai berikut: Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) (384 - 400) 2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januari sampai perkiraan bulan Maret (X4): (322 340 - 368) 3 2943 98 Per periode April sampai ramalan bulan Juni (X5): (322 425 - 575) 3 57.333 atau 57 per periode Juli sampai perkiraan bulan September (X6): (322 510 - 828) 3 1,33 atau 1 per periode Oktober sampai Desember (X7) (322 599 - 11273 -70 A.9.2 Simulasi Prakiraan Perhitungan Penjualan Oktober, November dan Desember 2004: Q1 (Jan - Mar) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9,3 Persen Perhitungan Akurasi POA (136 136 136) 110.77 A.9.4 Perhitungan Deviasi Absolut Mutual MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Metode 8 - Metode Fleksibel Metode Fleksibel (Persen Lebih dari 10 Bulan Sebelumnya) serupa dengan Metode 1, Persen dari Tahun Terakhir. Kedua metode tersebut melipatgandakan data penjualan dari periode waktu sebelumnya oleh faktor yang ditentukan pengguna, lalu memproyeksikan hasilnya ke masa depan. Dalam metode Percent Over Last Year, proyeksi didasarkan pada data dari periode waktu yang sama tahun sebelumnya. Metode Fleksibel menambahkan kemampuan untuk menentukan jangka waktu selain periode yang sama tahun lalu untuk digunakan sebagai dasar perhitungan. Faktor perkalian Misalnya, tentukan 1,15 pada opsi pemrosesan 8b untuk meningkatkan data riwayat penjualan sebelumnya sebesar 15. Periode dasar. Misalnya, n 3 akan menyebabkan perkiraan pertama didasarkan pada data penjualan pada bulan Oktober 2005. Riwayat penjualan minimum: Pengguna menetapkan jumlah periode kembali ke periode dasar, ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan ( PBF). A.10.4 Mean Absolute Deviation Calculation MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metode 9 - Weighted Moving Average Metode Moved Moving Average (WMA) mirip dengan Metode 4, Moving Average (MA). Namun, dengan Weighted Moving Average Anda dapat menetapkan bobot yang tidak sama dengan data historis. Metode ini menghitung rata-rata tertimbang penjualan akhir-akhir ini untuk mencapai proyeksi untuk jangka pendek. Data yang lebih baru biasanya diberi bobot lebih besar dari data yang lebih tua, jadi ini membuat WMA lebih responsif terhadap pergeseran di tingkat penjualan. Namun, perkiraan bias dan kesalahan sistematis masih terjadi bila sejarah penjualan produk menunjukkan tren yang kuat atau pola musiman. Metode ini bekerja lebih baik untuk perkiraan perkiraan pendek produk dewasa daripada produk pada tahap pertumbuhan atau keusangan dari siklus hidup. N jumlah periode sejarah penjualan yang akan digunakan dalam perhitungan perkiraan. Sebagai contoh, tentukan n 3 pada opsi pemrosesan 9a untuk menggunakan tiga periode terakhir sebagai dasar proyeksi ke periode waktu berikutnya. Nilai yang besar untuk n (seperti 12) memerlukan lebih banyak riwayat penjualan. Ini menghasilkan perkiraan yang stabil, namun akan lambat untuk mengenali pergeseran tingkat penjualan. Di sisi lain, nilai kecil untuk n (seperti 3) akan merespons pergeseran tingkat penjualan dengan lebih cepat, namun ramalan dapat berfluktuasi secara luas sehingga produksi tidak dapat merespons variasi. Bobot ditugaskan untuk setiap periode data historis. Bobot yang ditugaskan harus berjumlah 1,00. Misalnya, ketika n3, tetapkan bobot 0,6, 0,3, dan 0,1, dengan data terbaru yang menerima bobot terbesar. Riwayat penjualan wajib minimum: n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi perkiraan kinerja (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13.5 A.12 Metode 10 - Linear Smoothing Metode ini serupa dengan Metode 9, Weighted Moving Average (WMA). Namun, alih-alih menugaskan bobot secara sewenang-wenang ke data historis, formula digunakan untuk menetapkan bobot yang menurun secara linier dan jumlahnya menjadi 1,00. Metode ini kemudian menghitung rata-rata tertimbang penjualan akhir-akhir ini untuk mencapai proyeksi untuk jangka pendek. Seperti halnya semua teknik peramalan rata-rata bergerak linear, prakiraan bias dan kesalahan sistematis terjadi ketika sejarah penjualan produk menunjukkan tren yang kuat atau pola musiman. Metode ini bekerja lebih baik untuk perkiraan perkiraan pendek produk dewasa daripada produk pada tahap pertumbuhan atau keusangan dari siklus hidup. N jumlah periode sejarah penjualan yang akan digunakan dalam perhitungan perkiraan. Ini ditentukan dalam opsi pemrosesan 10a. Sebagai contoh, tentukan n 3 pada opsi pemrosesan 10b untuk menggunakan tiga periode terakhir sebagai dasar proyeksi ke periode waktu berikutnya. Sistem akan secara otomatis menetapkan bobot data historis yang menurun secara linear dan jumlahnya menjadi 1,00. Misalnya, ketika n3, sistem akan menetapkan bobot 0,5, 0,3333, dan 0,1, dengan data terbaru yang menerima bobot terbesar. Riwayat penjualan wajib minimum: n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi perkiraan kinerja (PBF). A.12.1 Prakiraan Perhitungan Jumlah periode untuk dimasukkan ke dalam rata-rata smoothing (opsi pemrosesan 10a) 3 dalam contoh ini Rasio untuk satu periode sebelum 3 (n2 n) 2 3 (32 3) 2 36 0,5 Rasio untuk dua periode sebelumnya 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Rasio untuk tiga periode sebelum 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Ramalan bulan Januari: 137 0,5 119 13 114 16 127,16 atau 127 Februari perkiraan: 127 0,5 137 13 119 16 129 perkiraan Maret: 129 0.5 127 13 137 16 129.666 atau 130 A.12.2 Perhitungan Prakiraan Simulasi Penjualan Oktober 2004 129 16 140 26 131 36 133.6666 November 2004 penjualan 140 16 131 26 114 36 124 Desember 2004 penjualan 131 16 114 26 119 36 119.3333 A.12.3 Persen Perhitungan Akurasi POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Perhitungan Deviasi Absolut Mutual MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Metode 11 - Exponential Smoothing Metode ini mirip dengan Metode 10, Linear Smoothing. Dalam Linear Smoothing, sistem memberikan bobot pada data historis yang menurun secara linear. Dalam eksponensial smoothing, sistem memberikan bobot yang secara eksponensial membusuk. Persamaan peramalan eksponensial eksponensial adalah: Ramalan (Penjualan Aktual Sebelumnya) (1 - a) Prakiraan sebelumnya Prakiraan adalah rata-rata tertimbang dari penjualan aktual dari periode sebelumnya dan perkiraan dari periode sebelumnya. A adalah bobot yang diterapkan pada penjualan aktual untuk periode sebelumnya. (1 - a) adalah bobot yang diterapkan pada ramalan untuk periode sebelumnya. Nilai yang valid berkisar antara 0 sampai 1, dan biasanya turun antara 0,1 dan 0,4. Jumlah bobotnya adalah 1,00. A (1 - a) 1 Anda harus menetapkan nilai untuk konstanta pemulusan, a. Jika Anda tidak menetapkan nilai untuk konstanta pemulusan, sistem menghitung nilai yang diasumsikan berdasarkan jumlah periode riwayat penjualan yang ditentukan dalam opsi pemrosesan 11a. Sebuah konstanta pemulusan yang digunakan dalam menghitung rata-rata merapikan untuk tingkat umum atau besarnya penjualan. Nilai yang valid berkisar antara 0 sampai 1. n kisaran data riwayat penjualan yang disertakan dalam perhitungan. Umumnya satu tahun data penjualan data sudah cukup untuk memperkirakan tingkat penjualan secara umum. Untuk contoh ini, nilai kecil untuk n (n 3) dipilih untuk mengurangi perhitungan manual yang diperlukan untuk memverifikasi hasilnya. Perataan eksponensial dapat menghasilkan perkiraan berdasarkan sedikit data historis. Riwayat penjualan wajib minimum: n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi perkiraan kinerja (PBF). A.13.1 Prakiraan Perhitungan Jumlah periode yang harus disertakan dalam rata-rata pemulusan (opsi pemrosesan 11a) 3, dan faktor alfa (opsi pemrosesan 11b) kosong pada contoh ini merupakan faktor untuk data penjualan tertua 2 (11), atau 1 bila alfa ditentukan Faktor untuk data penjualan tertua ke 2 (12), atau alfa saat alfa ditetapkan sebagai faktor untuk data penjualan tertua ke-3 (2), atau alfa saat alpha ditetapkan sebagai faktor untuk data penjualan terakhir 2 (1n) , Atau alpha ketika alpha ditentukan November Sm. Rata-rata A (Oktober Aktual) (1 - a) Oktober Sm. Rata-rata 1 114 0 0 114 Desember Sm. Rata-rata A (November Aktual) (1 - a) November Sm. Rata-rata 23 119 13 114 117.3333 Prakiraan bulan Januari (Desember Aktual) (1 - a) Desember Sm. Rata-rata 24 137 24 117.3333 127.16665 atau 127 Februari Prakiraan Prakiraan Januari 127 Maret Prakiraan Prakiraan Januari 127 A.13.2 Perhitungan Prakiraan Simulasi Juli 2004 Sm. Rata-rata 22 129 129 Agustus Sm. Rata-rata 23 140 13 129 136.3333 September Sm. Rata-rata 24 131 24 136.3333 133.6666 Oktober, 2004 penjualan Sep Sm. Rata-rata 133.6666 Agustus 2004 Sm. Rata-rata 22 140 140 September Sm. Rata-rata 23 131 13 140 134 Oktober Sm. Rata-rata 24 114 24 134 124 November, 2004 penjualan Sep Sm. Rata-rata 124 September 2004 Sm. Rata-rata 22 131 131 Oktober Sm. Rata-rata 23 114 13 131 119.6666 November Sm. Rata-rata 24 119 24 119.6666 119.3333 Desember 2004 penjualan Sep Sm. Rata-rata 119.3333 A.13.3 Persen Perhitungan Akurasi POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Perhitungan Deviasi Absolut Mutual MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Metode 12 - Eksploitasi Eksponensial Dengan Trend dan Seasonality Metode ini mirip dengan Metode 11, Eksponensial Smoothing dengan rata-rata penghalusan dihitung. Namun, Metode 12 juga mencakup sebuah istilah dalam persamaan peramalan untuk menghitung tren yang merapikan. Perkiraan tersebut terdiri dari rata-rata merapikan yang disesuaikan dengan tren linier. Bila ditentukan dalam opsi pengolahan, ramalan juga disesuaikan untuk musiman. Sebuah konstanta pemulusan yang digunakan dalam menghitung rata-rata merapikan untuk tingkat umum atau besarnya penjualan. Nilai yang valid untuk rentang alfa dari 0 sampai 1. b konstanta pemulusan yang digunakan dalam menghitung rata-rata merapikan untuk komponen tren perkiraan. Nilai yang valid untuk rentang beta dari 0 sampai 1. Apakah indeks musiman diterapkan pada perkiraan a dan b adalah independen satu sama lain. Mereka tidak perlu menambahkan ke 1.0. Riwayat penjualan minimum wajib: dua tahun ditambah jumlah periode waktu yang dibutuhkan untuk mengevaluasi kinerja perkiraan (PBF). Metode 12 menggunakan dua persamaan pemulusan eksponensial dan satu rata-rata sederhana untuk menghitung rata-rata merapikan, tren merapikan, dan faktor musiman rata-rata sederhana. A.14.1 Prakiraan Perhitungan A) Rata-rata MAD yang merata secara eksponensial (122,81 - 114 133,14 - 119 135,33 - 137) 3 8.2 A.15 Mengevaluasi Prakiraan Anda dapat memilih metode peramalan untuk menghasilkan sebanyak dua belas perkiraan untuk setiap produk. Setiap metode peramalan mungkin akan menghasilkan proyeksi yang sedikit berbeda. Bila ribuan produk diperkirakan, tidak praktis membuat keputusan subyektif mengenai prakiraan mana yang akan digunakan dalam rencana Anda untuk setiap produk. Sistem secara otomatis mengevaluasi kinerja masing-masing metode peramalan yang Anda pilih, dan untuk setiap perkiraan produk. Anda dapat memilih antara dua kriteria kinerja, Mean Absolute Deviation (MAD) dan Persen Ketelitian (POA). MAD adalah ukuran kesalahan perkiraan. POA adalah ukuran prakiraan bias. Kedua teknik evaluasi kinerja ini memerlukan data riwayat penjualan aktual untuk jangka waktu yang ditentukan pengguna. Periode sejarah terakhir ini disebut periode holdout atau periode yang paling sesuai (PBF). Untuk mengukur kinerja metode peramalan, gunakan rumus perkiraan untuk mensimulasikan perkiraan periode penyimpanan historis. Biasanya akan ada perbedaan antara data penjualan aktual dan perkiraan simulasi untuk periode holdout. Bila beberapa metode perkiraan dipilih, proses yang sama terjadi untuk setiap metode. Beberapa prakiraan dihitung untuk periode holdout, dan dibandingkan dengan riwayat penjualan yang diketahui untuk periode waktu yang sama. Metode peramalan yang menghasilkan kecocokan terbaik (paling sesuai) antara perkiraan dan penjualan aktual selama periode holdout direkomendasikan untuk digunakan dalam rencana Anda. Rekomendasi ini khusus untuk setiap produk, dan mungkin berubah dari satu generasi perkiraan ke yang berikutnya. A.16 Mean Absolute Deviation (MAD) MAD adalah mean (atau rata-rata) dari nilai absolut (atau besarnya) dari penyimpangan (atau kesalahan) antara data aktual dan perkiraan. MAD adalah ukuran dari besaran rata-rata kesalahan yang diharapkan, dengan metode peramalan dan riwayat data. Karena nilai absolut yang digunakan dalam perhitungan, kesalahan positif tidak membatalkan kesalahan negatif. Saat membandingkan beberapa metode peramalan, yang memiliki MAD terkecil telah terbukti paling andal untuk produk tersebut selama periode holdout tersebut. Bila perkiraan tidak bias dan kesalahan terdistribusi normal, ada hubungan matematis sederhana antara MAD dan dua ukuran distribusi umum lainnya, standar deviasi dan Mean Squared Error: A.16.1 Persen Ketelitian (POA) Persen Ketelitian (POA) adalah Ukuran prakiraan bias. Bila prakiraan konsisten terlalu tinggi, persediaan terakumulasi dan biaya persediaan meningkat. Bila perkiraan secara konsisten dua rendah, persediaan dikonsumsi dan penurunan layanan pelanggan. Sebuah perkiraan yang 10 unit terlalu rendah, maka 8 unit terlalu tinggi, maka 2 unit terlalu tinggi, akan menjadi perkiraan yang tidak bias. Kesalahan positif 10 dibatalkan oleh kesalahan negatif 8 dan 2. Kesalahan Aktual - Ramalan Bila produk dapat disimpan dalam persediaan, dan bila perkiraan tidak bias, sejumlah kecil stok pengaman dapat digunakan untuk menyangga kesalahan. Dalam situasi ini, tidak begitu penting untuk menghilangkan kesalahan perkiraan karena menghasilkan perkiraan yang tidak bias. Namun dalam industri jasa, situasi di atas akan dipandang sebagai tiga kesalahan. Layanan akan kekurangan pada periode pertama, kemudian overstaffed untuk dua periode berikutnya. Dalam layanan, besarnya kesalahan perkiraan biasanya lebih penting daripada perkiraan bias. Penjumlahan selama periode holdout memungkinkan kesalahan positif untuk membatalkan kesalahan negatif. Bila total penjualan aktual melebihi total perkiraan penjualan, rasionya lebih besar dari 100. Tentu saja, tidak mungkin lebih dari 100 akurat. Bila perkiraan tidak bias, rasio POA akan menjadi 100. Oleh karena itu, lebih diharapkan 95 akurat daripada akurat. Kriteria POA memilih metode peramalan yang memiliki rasio POA paling mendekati 100. Skrip pada halaman ini akan meningkatkan navigasi konten, namun tidak mengubah konten dengan cara apapun.3 Memahami Tingkat dan Metode Perkiraan Anda dapat menghasilkan prakiraan detail (item tunggal) Dan ringkasan (produk) prakiraan yang mencerminkan pola permintaan produk. Sistem ini menganalisis penjualan masa lalu untuk menghitung perkiraan dengan menggunakan 12 metode peramalan. Perkiraan tersebut mencakup informasi detail pada tingkat item dan informasi tingkat tinggi tentang cabang atau perusahaan secara keseluruhan. 3.1 Kriteria Evaluasi Kinerja Perkiraan Tergantung pada pemilihan opsi pemrosesan dan tren dan pola dalam data penjualan, beberapa metode peramalan berperforma lebih baik daripada yang lain untuk kumpulan data historis tertentu. Metode peramalan yang sesuai untuk satu produk mungkin tidak sesuai untuk produk lain. Anda mungkin menemukan bahwa metode peramalan yang memberikan hasil bagus pada satu tahap siklus hidup produk tetap sesuai sepanjang keseluruhan siklus hidup. Anda dapat memilih antara dua metode untuk mengevaluasi kinerja metode peramalan saat ini: Persentase akurasi (POA). Mean absolute deviation (MAD). Kedua metode evaluasi kinerja ini memerlukan data penjualan historis untuk periode yang Anda tentukan. Periode ini disebut periode holdout atau periode yang paling sesuai. Data dalam periode ini digunakan sebagai dasar untuk merekomendasikan metode peramalan yang akan digunakan dalam membuat perkiraan proyeksi berikutnya. Rekomendasi ini khusus untuk setiap produk dan dapat berubah dari satu perkiraan generasi ke generasi berikutnya. 3.1.1 Fit Terbaik Sistem merekomendasikan ramalan yang paling sesuai dengan menerapkan metode peramalan yang dipilih ke riwayat pesanan penjualan terakhir dan membandingkan perkiraan simulasi dengan sejarah sebenarnya. Bila Anda menghasilkan ramalan yang paling sesuai, sistem ini membandingkan riwayat penjualan aktual dengan perkiraan untuk jangka waktu tertentu dan menghitung seberapa akurat setiap metode peramalan yang berbeda memprediksi penjualan. Kemudian sistem merekomendasikan ramalan paling akurat sebagai yang paling sesuai. Grafik ini menggambarkan prakiraan terbaik: Gambar 3-1 Ramalan sesuai terbaik Sistem menggunakan urutan langkah-langkah ini untuk menentukan kecocokan terbaik: Gunakan setiap metode yang ditentukan untuk mensimulasikan perkiraan periode holdout. Bandingkan penjualan aktual dengan perkiraan simulasi untuk periode holdout. Hitung POA atau MAD untuk menentukan metode peramalan mana yang paling sesuai dengan penjualan aktual sebelumnya. Sistem ini menggunakan POA atau MAD, berdasarkan pilihan pemrosesan yang Anda pilih. Merekomendasikan ramalan yang paling sesuai dengan POA yang paling dekat dengan 100 persen (di atas atau di bawah) atau MAD yang paling dekat dengan nol. 3.2 Metode Peramalan JD Edwards EnterpriseOne Forecast Management menggunakan 12 metode untuk peramalan kuantitatif dan menunjukkan metode mana yang paling sesuai untuk situasi peramalan. Bagian ini membahas: Metode 1: Persen sepanjang tahun lalu. Metode 2: Perhitungan Persentase Lebih dari Tahun Lalu. Metode 3: Tahun Terakhir sampai Tahun Ini. Metode 4: Moving Average. Metode 5: Pendekatan Linier. Metode 6: Regresi Kuadrat Terkecil. Metode 7: Pendekatan Gelar Kedua. Metode 8: Metode Fleksibel. Metode 9: Rata-rata Bergerak Tertimbang. Metode 10: Linear Smoothing. Metode 11: Eksponensial Smoothing. Metode 12: Exponential Smoothing dengan Trend dan Seasonality. Tentukan metode yang ingin Anda gunakan dalam opsi pemrosesan untuk program Prakiraan Generasi (R34650). Sebagian besar metode ini memberikan kontrol terbatas. Misalnya, bobot yang ditempatkan pada data historis terkini atau rentang tanggal data historis yang digunakan dalam perhitungan dapat ditentukan oleh Anda. Contoh dalam panduan ini menunjukkan prosedur perhitungan untuk masing-masing metode peramalan yang ada, dengan data set identik. Contoh metode dalam panduan menggunakan sebagian atau seluruh kumpulan data ini, yaitu data historis dari dua tahun terakhir. Proyeksi proyeksi masuk ke tahun depan. Data penjualan data ini stabil dengan kenaikan musiman kecil di bulan Juli dan Desember. Pola ini merupakan karakteristik dari produk dewasa yang mungkin mendekati keusangan. 3.2.1 Metode 1: Persen Selama Tahun Terakhir Metode ini menggunakan rumus Persen Selama Tahun Terakhir untuk melipatgandakan setiap periode perkiraan dengan persentase kenaikan atau penurunan yang ditentukan. Untuk meramalkan permintaan, metode ini memerlukan jumlah periode yang paling sesuai ditambah satu tahun riwayat penjualan. Metode ini berguna untuk meramalkan permintaan barang musiman dengan pertumbuhan atau penurunan. 3.2.1.1 Contoh: Metode 1: Persen Selama Tahun Terakhir Rumus Persen Selama Tahun Lalu mengalikan data penjualan dari tahun sebelumnya dengan faktor yang Anda tentukan dan kemudian proyek yang dihasilkan selama tahun depan. Metode ini mungkin berguna dalam penganggaran untuk mensimulasikan pengaruh tingkat pertumbuhan tertentu atau ketika riwayat penjualan memiliki komponen musiman yang signifikan. Perkiraan ramalan: Faktor perkalian. Misalnya, tentukan 110 dalam opsi pemrosesan untuk meningkatkan data riwayat penjualan tahun sebelumnya sebesar 10 persen. Diperlukan riwayat penjualan: Satu tahun untuk menghitung perkiraan, ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai) yang Anda tentukan. Tabel ini adalah sejarah yang digunakan dalam perhitungan ramalan: Ramalan Februari sama dengan 117 kali 1.1 128,7 dibulatkan menjadi 129. Prakiraan bulan Maret sama dengan 115 kali 1,1 126,5 dibulatkan menjadi 127. 3.2.2 Metode 2: Perhitungan Persen Selama Tahun Lalu Metode ini menggunakan Perhitungan yang Dihitung Formula Tahun Terakhir untuk membandingkan penjualan masa lalu periode tertentu dengan penjualan dari periode yang sama tahun sebelumnya. Sistem menentukan persentase kenaikan atau penurunan, dan kemudian mengalikan setiap periode dengan persentase untuk menentukan perkiraan. Untuk meramalkan permintaan, metode ini membutuhkan jumlah periode riwayat pesanan penjualan ditambah satu tahun riwayat penjualan. Metode ini berguna untuk meramalkan permintaan jangka pendek untuk item musiman dengan pertumbuhan atau penurunan. 3.2.2.1 Contoh: Metode 2: Perhitungan Persentase Selama Tahun Lalu Rumusan Perhitungan Selama Rumus Terakhir mengalikan data penjualan dari tahun sebelumnya dengan faktor yang dihitung oleh sistem, dan kemudian proyek tersebut akan menghasilkan tahun depan. Metode ini mungkin berguna dalam memproyeksikan pengaruh perluasan tingkat pertumbuhan baru-baru ini untuk produk ke tahun depan sambil mempertahankan pola musiman yang ada dalam riwayat penjualan. Perkiraan spesifikasi: Rentang sejarah penjualan yang digunakan dalam menghitung tingkat pertumbuhan. Misalnya, tentukan n sama dengan 4 dalam opsi pemrosesan untuk membandingkan riwayat penjualan selama empat periode terakhir sampai empat periode yang sama tahun sebelumnya. Gunakan rasio yang dihitung untuk membuat proyeksi untuk tahun depan. Diperlukan riwayat penjualan: Satu tahun untuk menghitung perkiraan ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan, dengan perkiraan n 4: Februari sama dengan 117 kali 0,9766 114,26 dibulatkan menjadi 114. Prakiraan bulan Maret sama dengan 115 kali 0,9766 112,31 dibulatkan menjadi 112. 3.2.3 Metode 3: Tahun lalu sampai tahun ini Metode ini menggunakan Penjualan tahun lalu untuk ramalan tahun depan. Untuk meramalkan permintaan, metode ini membutuhkan jumlah periode yang paling sesuai ditambah satu tahun sejarah pesanan penjualan. Metode ini berguna untuk meramalkan permintaan produk dewasa dengan tingkat permintaan atau permintaan musiman tanpa tren. 3.2.3.1 Contoh: Metode 3: Tahun Lalu sampai Tahun Ini Formula Tahun Lalu sampai Tahun Ini mengcopy data penjualan dari tahun sebelumnya sampai tahun depan. Metode ini mungkin berguna dalam penganggaran untuk mensimulasikan penjualan pada tingkat sekarang. Produknya sudah matang dan tidak memiliki tren dalam jangka panjang, namun pola permintaan musiman yang signifikan mungkin ada. Perkiraan spesifikasi: Tidak ada. Diperlukan riwayat penjualan: Satu tahun untuk menghitung perkiraan ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan: Prakiraan Januari sama dengan bulan Januari tahun lalu dengan perkiraan nilai sebesar 128. Prakiraan Februari sama dengan bulan Februari tahun lalu dengan nilai perkiraan sebesar 117. Perkiraan Maret sama dengan bulan Maret tahun lalu dengan perkiraan nilai 115. 3.2.4 Metode 4: Moving Average Metode ini menggunakan rumus Moving Average rata-rata jumlah periode yang ditentukan untuk diproyeksikan pada periode berikutnya. Anda harus menghitung ulangnya sesering mungkin (bulanan, atau setidaknya tiga bulanan) untuk mencerminkan tingkat permintaan yang berubah. Untuk meramalkan permintaan, metode ini membutuhkan jumlah periode yang paling sesuai dengan jumlah periode sejarah pesanan penjualan. Metode ini berguna untuk meramalkan permintaan terhadap produk dewasa tanpa tren. 3.2.4.1 Contoh: Metode 4: Moving Average Moving Average (MA) adalah metode populer untuk merata-ratakan hasil dari riwayat penjualan terakhir untuk menentukan proyeksi untuk jangka pendek. Metode perkiraan MA tertinggal dari tren. Prakiraan bias dan kesalahan sistematis terjadi ketika sejarah penjualan produk menunjukkan tren yang kuat atau pola musiman. Metode ini bekerja lebih baik untuk perkiraan perkiraan pendek produk dewasa daripada produk yang berada dalam tahap pertumbuhan atau keusangan dari siklus hidup. Perkiraan spesifikasi: n sama dengan jumlah periode riwayat penjualan yang digunakan dalam perhitungan perkiraan. Sebagai contoh, tentukan n 4 dalam opsi pemrosesan untuk menggunakan empat periode terakhir sebagai dasar proyeksi ke periode waktu berikutnya. Nilai yang besar untuk n (seperti 12) memerlukan lebih banyak riwayat penjualan. Ini menghasilkan perkiraan yang stabil, namun lamban untuk mengenali pergeseran tingkat penjualan. Sebaliknya, nilai kecil untuk n (seperti 3) lebih cepat merespons perubahan tingkat penjualan, namun perkiraan tersebut mungkin berfluktuasi secara luas sehingga produksi tidak dapat merespons variasinya. Riwayat penjualan yang disyaratkan: n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi perkiraan kinerja (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan: perkiraan Februari sama dengan (114 119 137 125) 4 123.75 dibulatkan menjadi 124. Prakiraan bulan Maret sama dengan (119 137 125 124) 4 126,25 dibulatkan menjadi 126. 3.2.5 Metode 5: Pendekatan Linier Metode ini Menggunakan rumus Pendekatan Linier untuk menghitung tren dari jumlah periode sejarah pesanan penjualan dan memproyeksikan tren ini ke perkiraan. Anda harus menghitung ulang tren setiap bulan untuk mendeteksi perubahan tren. Metode ini memerlukan jumlah periode yang paling sesuai dan jumlah periode riwayat penjualan yang ditentukan. Metode ini berguna untuk meramalkan permintaan akan produk baru, atau produk dengan tren positif atau negatif yang konsisten yang bukan karena fluktuasi musiman. 3.2.5.1 Contoh: Metode 5: Pendekatan Linier Linear Approximation menghitung tren yang didasarkan pada dua titik data penjualan historis. Kedua titik tersebut mendefinisikan garis tren lurus yang diproyeksikan ke masa depan. Use this method with caution because long range forecasts are leveraged by small changes in just two data points. Forecast specifications: n equals the data point in sales history that is compared to the most recent data point to identify a trend. For example, specify n 4 to use the difference between December (most recent data) and August (four periods before December) as the basis for calculating the trend. Minimum required sales history: n plus 1 plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast December of past year 1 (Trend) which equals 137 (1 times 2) 139. February forecast December of past year 1 (Trend) which equals 137 (2 times 2) 141. March forecast December of past year 1 (Trend) which equals 137 (3 times 2) 143. 3.2.6 Method 6: Least Squares Regression The Least Squares Regression (LSR) method derives an equation describing a straight line relationship between the historical sales data and the passage of time. LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized. The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods. The minimum requirement is two historical data points. This method is useful to forecast demand when a linear trend is in the data. 3.2.6.1 Example: Method 6: Least Squares Regression Linear Regression, or Least Squares Regression (LSR), is the most popular method for identifying a linear trend in historical sales data. The method calculates the values for a and b to be used in the formula: This equation describes a straight line, where Y represents sales and X represents time. Linear regression is slow to recognize turning points and step function shifts in demand. Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve. When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications: n equals the periods of sales history that will be used in calculating the values for a and b. For example, specify n 4 to use the history from September through December as the basis for the calculations. When data is available, a larger n (such as n 24) would ordinarily be used. LSR defines a line for as few as two data points. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Minimum required sales history: n periods plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: March forecast equals 119.5 (7 times 2.3) 135.6 rounded to 136. 3.2.7 Method 7: Second Degree Approximation To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of periods of sales order history times three. This method is not useful to forecast demand for a long-term period. 3.2.7.1 Example: Method 7: Second Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula: Y a b X c X 2 The objective of this method is to fit a curve to the sales history data. This method is useful when a product is in the transition between life cycle stages. For example, when a new product moves from introduction to growth stages, the sales trend might accelerate. Karena istilah orde kedua, ramalan dapat dengan cepat mendekati tak terhingga atau turun menjadi nol (tergantung pada apakah koefisien c positif atau negatif). This method is useful only in the short term. Forecast specifications: the formula find a, b, and c to fit a curve to exactly three points. You specify n, the number of time periods of data to accumulate into each of the three points. In this example, n 3. Actual sales data for April through June is combined into the first point, Q1. Juli sampai September ditambahkan bersama untuk menciptakan Q2, dan Oktober sampai Desember ke Q3. The curve is fitted to the three values Q1, Q2, and Q3. Required sales history: 3 times n periods for calculating the forecast plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (May) (Jun) which equals 125 122 137 384 Q2 (Jul) (Aug) (Sep) which equals 140 129 131 400 Q3 (Oct) (Nov) (Dec) which equals 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2 . Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis. Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March. This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation: Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation Three equations describe the three points on the graph: (1) Q1 a bX cX 2 where X 1(Q1 a b c) (2) Q2 a bX cX 2 where X 2(Q2 a 2b 4c) (3) Q3 a bX cX 2 where X 3(Q3 a 3b 9c) Solve the three equations simultaneously to find b, a, and c: Subtract equation 1 (1) from equation 2 (2) and solve for b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substitute this equation for b into equation (3): (3) Q3 a 3(Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3(Q2 ndash Q1) Finally, substitute these equations for a and b into equation (1): (1)Q3 ndash 3(Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 The Second Degree Approximation method calculates a, b, and c as follows: a Q3 ndash 3(Q2 ndash Q1) 370 ndash 3(400 ndash 384) 370 ndash 3(16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 times ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 This is a calculation of second degree approximation forecast: Y a bX cX 2 322 85X (ndash23) (X 2 ) When X 4, Q4 322 340 ndash 368 294. The forecast equals 294 3 98 per period. When X 5, Q5 322 425 ndash 575 172. The forecast equals 172 3 58.33 rounded to 57 per period. When X 6, Q6 322 510 ndash 828 4. The forecast equals 4 3 1.33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year: 3.2.8 Method 8: Flexible Method This method enables you to select the best fit number of periods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast. This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated. This method is useful to forecast demand for a planned trend. 3.2.8.1 Example: Method 8: Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future. Dalam metode Percent Over Last Year, proyeksi didasarkan pada data dari periode waktu yang sama tahun sebelumnya. You can also use the Flexible Method to specify a time period, other than the same period in the last year, to use as the basis for the calculations. Faktor perkalian For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period. For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history: the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. Metode ini menghitung rata-rata tertimbang penjualan akhir-akhir ini untuk mencapai proyeksi untuk jangka pendek. More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. Nilai yang besar untuk n (seperti 12) memerlukan lebih banyak riwayat penjualan. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. Namun, alih-alih menugaskan bobot secara sewenang-wenang ke data historis, formula digunakan untuk menetapkan bobot yang menurun secara linier dan jumlahnya menjadi 1,00. Metode ini kemudian menghitung rata-rata tertimbang penjualan akhir-akhir ini untuk mencapai proyeksi untuk jangka pendek. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. Namun, Metode 12 juga mencakup sebuah istilah dalam persamaan peramalan untuk menghitung tren yang merapikan. The forecast is composed of a smoothed average that is adjusted for a linear trend. Bila ditentukan dalam opsi pengolahan, ramalan juga disesuaikan untuk musiman. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD adalah ukuran kesalahan perkiraan. POA adalah ukuran prakiraan bias. Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD adalah ukuran dari besaran rata-rata kesalahan yang diharapkan, dengan metode peramalan dan riwayat data. Karena nilai absolut yang digunakan dalam perhitungan, kesalahan positif tidak membatalkan kesalahan negatif. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Bila prakiraan konsisten terlalu tinggi, persediaan terakumulasi dan biaya persediaan meningkat. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. Dalam layanan, besarnya kesalahan perkiraan biasanya lebih penting daripada perkiraan bias. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.