6 Metode Peramalan Penjualan Teratas

Artikel ini menyoroti enam metode peramalan penjualan teratas yang digunakan dalam suatu organisasi. Metode tersebut adalah: 1. Metode Opini Kolektif 2. Indikator Ekonomi 3. Metode Kuadrat Terkecil 4. Analisis Time Series 5. Metode Moving Averages Peramalan Penjualan 6. Metode Exponential Smoothing dan Moving Average.

Metode #1. Metode Opini Kolektif:

Dalam teknik ini peramalan bergantung pada pendapat salesman mengenai produk dan perkiraan ­permintaannya untuk tahun depan di daerah masing-masing. Mengingat salesman paling dekat dengan konsumen, mereka dapat memperkirakan dengan lebih baik tentang reaksi konsumen terhadap produk.

Estimasi ini diterima oleh manajer penjualan cabang dan mereka akan meninjau angka-angka ini dan membuat penyesuaian tertentu, untuk mencerminkan pengetahuan mereka tentang masing-masing penjual.

Beberapa dari yang terakhir mungkin telah menunjukkan di masa lalu bahwa mereka secara konsisten optimis dan perkiraan mereka dapat direvisi ke bawah, yang lain mungkin diketahui agak pesimis dan perkiraan mereka mungkin memerlukan revisi ke atas, penjual lainnya mungkin terbukti realistis. dan perkiraan mereka mungkin tetap tidak berubah.

Angka perkiraan yang telah disesuaikan ini kemudian tersedia bagi komite yang bertanggung jawab untuk membuat perkiraan akhir. Anggota komite ini mungkin termasuk manajer penjualan perusahaan, chief engineer, manajer produksi, manajer pemasaran dan ekonom. Mereka akan meninjau perkiraan berdasarkan faktor-faktor tertentu yang tidak diketahui oleh staf penjualan dan manajer penjualan cabang.

Ini mungkin termasuk hal-hal seperti perubahan yang diharapkan dalam desain produk, rencana untuk meningkatkan iklan, usulan kenaikan atau penurunan harga jual, teknik produksi baru yang akan meningkatkan kualitas produk, perubahan persaingan, perubahan kondisi ekonomi seperti daya beli konsumen, distribusi pendapatan, kredit, populasi dan kondisi kerja dll.

Dengan demikian metode opini kolektif mengambil keuntungan dari kebijaksanaan kolektif salesman dan eksekutif senior dari berbagai bidang yang berhubungan dengan manajemen penjualan.

Keuntungan:

1. Metodenya sederhana karena didasarkan pada kebijaksanaan kolektif para salesman dan eksekutif senior yang memiliki keahlian di berbagai bidang dan tidak memerlukan teknik statistik.
2. Estimasi permintaan didasarkan pada pengetahuan salesman yang bertanggung jawab langsung untuk memenuhi target penjualan sehingga tepat.
3. Untuk meluncurkan produk baru metode ini cukup bermanfaat.

Kerugian:

1. Karena tidak ada data masa lalu dan teknik statistik yang digunakan, metode ini hanya berguna untuk peramalan jangka pendek.
2. Penjual dapat memperkirakan penjualan di masa depan jika kuota penjualan ditetapkan untuk mereka.
3. Estimasi yang dibuat dengan metode ini mungkin tidak realistis karena penjual tidak memiliki pengetahuan tentang perubahan ekonomi.

Metode # 2. Indikator Ekonomi:

Metode peramalan penjualan ini didasarkan pada penggunaan indikator yang berfungsi untuk menggambarkan kondisi ekonomi yang berlaku selama periode waktu tertentu.

Beberapa indikator ekonomi tersebut adalah sebagai berikut:

1. Kontrak konstruksi diberikan untuk permintaan bahan bangunan.
2. Pendapatan petani untuk permintaan alat pertanian dan input lainnya.

3 Penghasilan pribadi untuk permintaan barang konsumsi.

4. Produksi mobil/Pendaftaran mobil untuk permintaan asesoris dan produk minyak bumi.
5. Posisi pekerjaan.
6. Pendapatan nasional bruto.
7. Harga konsumen.
8. Harga komoditas grosir.
9. Deposito bank.
10. Produksi industri.
11. Produksi baja.
12. Persediaan bisnis.

Data jenis ini disusun dan diterbitkan oleh berbagai lembaga pemerintah seperti organisasi statistik pusat dan oleh kelompok swasta seperti asosiasi perdagangan dan organisasi riset bisnis.

Jika perusahaan atau organisasi menemukan bahwa ada hubungan antara satu atau beberapa kombinasi indikator ekonomi tersebut dan penjualan beberapa produknya, pendekatan peramalan penjualan ini dapat digunakan.

Lebih lanjut, indikator ekonomi yang dipilih atau relevan dapat terbukti menjadi yang terdepan, tertinggal, atau kebetulan.

Indikator utama adalah salah satu yang nilainya untuk periode tertentu akan mempengaruhi penjualan pada periode berikutnya. Misalnya, seorang pembuat tas sekolah mungkin mendapati bahwa penjualannya selama satu tahun tertentu dipengaruhi oleh jumlah anak yang lahir tiga atau empat tahun sebelumnya. Ini adalah jenis indikator ekonomi yang paling diinginkan karena nilainya akan diketahui pada saat perkiraan penjualan masa depan dibuat.

Indikator tertinggal adalah salah satu yang nilainya untuk periode tertentu akan mencerminkan penjualan di beberapa periode sebelumnya. Sebagai contoh, produsen bak pendingin gurun mungkin menemukan bahwa data persediaan bak untuk periode tertentu terkait dengan penjualannya selama beberapa periode sebelumnya.

Indikator kebetulan adalah salah satu yang nilainya untuk periode tertentu akan mempengaruhi penjualan pada periode itu. Misalnya, produsen pembuat susu bayi mungkin menemukan bahwa volume produksi pembuat susu selama periode tertentu dipengaruhi oleh laju pertumbuhan populasi selama periode yang sama. Ini adalah jenis indikator yang kurang diminati karena nilainya harus diestimasi untuk periode mendatang dimana peramalan penjualan dilakukan.

Peramalan penjualan dilakukan dengan bantuan persamaan kuadrat terkecil.

Keterbatasan:

1. Perlunya menemukan indikator yang tepat. Dalam beberapa kasus indikator yang diberikan mungkin benar, tetapi dalam kasus lain tidak ada satu indikator pun yang dapat diterapkan secara jelas dan mungkin diperlukan pendekatan trial error yang membosankan dan memakan waktu.
2. Indikator yang sesuai dapat berbeda dengan produk atau kelompok produk yang sedang dipertimbangkan.
3. Setelah menyelidiki semua alternatif yang mungkin, perusahaan mungkin menemukan bahwa tidak ada indikator tunggal atau gabungan yang sesuai. Dalam kasus seperti itu, metode peramalan ini tidak dapat digunakan. Namun perusahaan mungkin menemukan bahwa meskipun penjualannya tidak berkorelasi dengan indikator ekonomi apa pun, penjualan organisasi tetap ada.

Ini akan menjadi kasus ketika pangsa pasar perusahaan berfluktuasi secara luas. Pendekatan opini kolektif dapat digunakan.

4. Kesulitan lain berasal dari fakta bahwa indikator yang relevan mungkin mengatakan indeks tahunan, sedangkan perusahaan mungkin ingin meramalkan penjualan setiap bulan.
5. Keterbatasan lebih lanjut dari metode ini adalah bahwa metode ini tidak memberikan perkiraan penjualan untuk produk baru karena tidak ada data masa lalu yang dapat menjadi dasar analisis korelasi.

Hubungan antara dua Variabel:

Misalkan rekor industri selama tiga tahun terakhir produksi dan biaya produksi adalah:

Jika kita memplot output yang merupakan variabel independen v/s biaya manufaktur yang merupakan variabel dependen untuk setiap tiga tahun.

Grafik menunjukkan bahwa ketiga titik berada pada garis yang paling sesuai. Karena garis tersebut merupakan garis lurus maka terdapat korelasi linier yang kuat antara hasil produksi dan biaya produksi.

Misalkan sekarang biaya produksi bervariasi seperti yang ditunjukkan pada tabel berikut:

Grafik hubungan ini muncul seperti yang ditunjukkan oleh garis putus-putus. Sifat dari poin-poin ini sedemikian rupa sehingga tidak jatuh pada garis yang paling cocok. Namun mereka dekat dengan itu dan kita dapat mengatakan bahwa ada korelasi yang hampir linier antara kedua variabel tidak sekuat yang ditampilkan oleh kumpulan data pertama.

Oleh karena itu, kita tidak dapat memperkirakan dengan tepat biaya manufaktur untuk beberapa tingkat produksi atau output tertentu. Demikian pula dalam praktek yang sebenarnya mungkin ada korelasi lengkung antara dua variabel.

Metode yang relatif sederhana untuk menyesuaikan garis adalah metode kuadrat terkecil.

Metode kuadrat terkecil ini menghasilkan persamaan yang menggambarkan dan menempatkan garis yang paling cocok.

Metode # 3. Metode Kuadrat Terkecil:

Metode kuadrat terkecil menyediakan persamaan yang memberikan dua karakteristik garis yang paling cocok. Sebuah garis lurus dapat dijelaskan dalam dua hal yaitu kemiringannya dan perpotongan Y. Perpotongan Y adalah titik pada sumbu Y grafik antara dua variabel dimana garis memotong sumbu Y.

Jika kita mengetahui perpotongan Y dan kemiringan garis, persamaan garis dapat ditentukan dari persamaan umum untuk persamaan garis apa pun sebagai berikut:

Y’ = mx + a

di mana Y’ adalah nilai yang dihitung dari variabel dependen yang akan diramalkan.

a = Perpotongan Y dari garis yang paling cocok.

m = kemiringan garis yang paling cocok.

x = nilai variabel independen yang diberikan dalam hal nilai variabel dependen mana yang akan diramalkan.

Dengan cara ini semua ini berfungsi untuk menjelaskan apa persamaan garis itu dan persamaan dapat ditentukan jika kita telah menentukan letak garisnya.

Namun biasanya titik-titik tersebut tidak jatuh pada garis lurus maka kita harus memutuskan di mana letak garis tersebut. Ini pertama-tama harus menentukan persamaan garis yang paling cocok dan kemudian mencari posisi garis dengan menggunakan persamaan ini.

Metode kuadrat terkecil dapat membantu kita menemukan persamaan garis dengan bekerja langsung dengan data asli variabel dependen dan independen dengan membuat substitusi yang sesuai dalam ekspresi berikut.

−Y = na + m−x

−xY = a−x + m−x ²

dimana x = nilai yang diberikan dari variabel independen, yang mungkin merupakan indikator ekonomi.

Y – Nilai yang diberikan dari variabel dependen yang mungkin merupakan penjualan produk dalam kasus ini.

n = jumlah pengamatan berpasangan yang diberikan.

Sekali lagi: menggunakan kumpulan data sebelumnya selama tiga tahun, kami memiliki:

Mengganti nilai −x, −Y, −xY

−x dan n = 3 pada persamaan (1) & (2)

Kami memiliki 18 = 3a + 12m

80 = 12a + 56m

Selesaikan kedua persamaan ini untuk a &m

Kita mendapatkan a = 2m = 1

persamaan garis karena

Y = 1 * × + 2

Dengan kumpulan data kedua di mana korelasinya tidak begitu liner yang kita miliki

Mengganti nilai dalam persamaan (1) & (2) yang kita miliki

20 = 3a + 12m

92 = 12a + 56m

Memecahkan dua persamaan ini untuk a dan m kita dapatkan

a = 2/3 m = 2/3

Persamaan garis menjadi

Y ⁱ _c = [3/2x+2/3]

Persamaan garis ini dapat ditarik pada posisi yang benar dengan mencari minimal dua titik dan menghubungkannya.

Properti Garis Kuadrat Terkecil:

Jika semua titik kita tidak jatuh pada garis dan korelasi lengkung ditunjukkan seperti yang telah kita lihat dengan kumpulan data kedua, substitusi nilai x yang diberikan dalam persamaan garis yang kita peroleh dengan metode kuadrat terkecil tidak akan menghasilkan perhitungan nilai Yc sama dengan nilai aktual kita.

Jika kita mengganti nilai output yang diberikan sebagai 2, 6, 4 dalam persamaan (4) kita tidak akan mendapatkan nilai aktual yang sesuai dari biaya produksi 4, 10, 6 sebagai berikut:

Untuk x = 2 Y _c = 3/2 x 2 + 2/3 = 3â…”

Untuk x = 6 Y _c = 3/2 x 6 + 2/3 = 9â…”

Untuk x = 4 Y _c = 3/2 x 4 + 2/3 = 6â…”

Seperti yang ditunjukkan dari tabel berikut ini adalah properti dari Garis kuadrat terkecil:

1. Jumlah penyimpangan yaitu perbedaan antara nilai sebenarnya dan nilai terhitung dari variabel dependen akan selalu nol.
2. Ciri kedua dari garis kuadrat terkecil adalah bahwa jumlah simpangan yang dikuadratkan adalah minimum.

Ini menunjukkan bahwa jika telah ditarik di posisi lain, total kuadrat dari penyimpangan yang dihasilkan akan lebih besar dari jumlah yang diperoleh dengan garis kuadrat terkecil.

Dalam kasus persamaan (1) dan (2) diselesaikan untuk a dan m, persamaan berikut diperoleh.

Koefisien Korelasi:

Ini adalah ukuran kuantitatif dari kekuatan hubungan yang dijelaskan oleh garis kuadrat terkecil. Besarnya koefisien korelasi akan bervariasi dengan tingkat korelasi yang ada antara variabel-variabel yang ditinjau.

Ekspresi dari mana koefisien korelasi ini ditentukan adalah sebagai berikut:

di mana Y _a = digunakan untuk nilai sebenarnya dari variabel dependen seperti biaya produksi.

Yc = nilai kalkulasi terkait dari variabel dependen yang ditemukan dari garis kuadrat terkecil.

YÌ… = rata-rata nilai sebenarnya dari variabel dependen.

Dalam persamaan (5) nilai pembilang (Y _a – Y _c ) ² tidak pernah kurang dari nol karena merupakan hasil penjumlahan kuadrat. Ini bisa maksimum menjadi nol ketika nilai sebenarnya dari variabel dependen sama dengan nilai yang dihitung. Dalam hal ini semua poin terletak pada garis yang paling sesuai. Dalam kasus seperti itu, pembilangnya adalah nol dan koefisien korelasi mencapai nilai maksimumnya, yaitu 1. Hal ini hanya akan terjadi jika kedua variabel berkorelasi sempurna.

Nilai minimum koefisien korelasi bisa nol yang menunjukkan tidak adanya korelasi antara kedua variabel.

Pembagian antara tingkat korelasi yang tinggi dan rendah sulit untuk dibuat tetapi tabel berikut memberikan nilai koefisien korelasi r yang diterima secara umum.

Dalam praktiknya, bentuk persamaan (6) yang berbeda digunakan untuk mencari nilai r.

Persamaan ini memungkinkan kita untuk menggambarkan nilai koefisien korelasi dengan bekerja langsung dengan data asli sehingga merupakan metode sederhana untuk menghitung nilai r.

Penerapan Metode Kuadrat Terkecil:

Contoh 1:

Sebuah perusahaan menemukan bahwa ada hubungan antara penjualan rupee dari salah satu kelompok produknya dan indikator ekonomi tertentu. Secara khusus perbandingan antara penjualan masa lalu dan nilai yang sesuai dari indikator ekonomi mengungkapkan hal berikut:

(a) Tentukan kekuatan hubungan dengan menghitung nilai koefisien korelasi kedua variabel.

(b) Tentukan persamaan garis yang paling cocok dengan menggunakan metode kuadrat terkecil.

(c) Jika nilai indeks ekonomi untuk periode mendatang diharapkan sebesar 112, berapa penjualan yang dapat diharapkan selama periode tersebut. (Teknik Industri, RU, 1980)

Penyelesaian:

Asumsikan peramal linier dalam bentuk Y’ – mx + a di mana m & a adalah konstanta agar ini menjadi garis yang paling cocok

−Ya _a = na + m−x …(i)

−x Y _a = a−x + m−x ² …(ii)

Menempatkan nilai dari tabel dalam persamaan (i) dan (ii)

19,6 = 10a + 1025m

2067,1 = 1023a + 105673m

Memecahkan persamaan ini kita dapatkan

a = -7,78

m = 0,0951

Oleh karena itu persamaan garis yang paling cocok adalah

Y = -7,78 + 0,0951x Jawab.

Untuk periode mendatang ketika indeks ekonomi adalah 112 menggantikan x = 112

Y = -7,78 + 0,0951 x 112

= 2,8712 Penjualan yang diharapkan = Rs. 28712 | Jwb.

Menggunakan relasi.

Beberapa Regresi:

Dalam contoh sebelumnya telah diasumsikan bahwa penjualan suatu kelompok produk bergantung pada nilai satu indikator ekonomi saja, dalam banyak kasus penjualan suatu produk atau kelompok produk mungkin merupakan fungsi dari kombinasi indikator.

Jika hubungan antara penjualan dan indikator-indikator ekonomi ini atau beberapa indikator lainnya bersifat linier, maka dapat dijelaskan dengan menggunakan persamaan bentuk umum berikut:

Y’ – a + m ₁ + m ₁ x ₁ + m ₂ x ₂ + m ₃ x ₃

di mana a, m ₁ , m ₂ adalah konstanta dan x ₁ , x ₂ , x ₃ ., adalah variabel/indikator yang menjadi dasar ramalan penjualan. Konstanta yang tidak diketahui dapat ditentukan dengan menyelesaikan persamaan simultan. Prosedur yang terlibat adalah analisis regresi berganda.

Metode # 4. Analisis Deret Waktu:

Metode peramalan penjualan ini dianggap mirip dengan metode indikator ekonomi karena juga memerlukan analisis regresi. Time series adalah data kronologis yang memiliki kuantitas seperti volume penjualan atau penjualan dalam rupiah sebagai variabel dependen dan waktu sebagai variabel independen.

Deret waktu yang tersedia dengan organisasi mapan ini dianalisis sebelum membuat perkiraan. Ada teknik umum yang umumnya digunakan disebut sebagai “memproyeksikan tren”. Dalam metode ini garis tren diproyeksikan dengan metode kuadrat terkecil.

Variasi variabel dependen dapat dipisahkan sebagai:

(a) Perubahan periode panjang.

(b) Perubahan periode pendek.

Kecenderungan jangka panjang data untuk berubah, yaitu naik atau turun, disebut kecenderungan dasar yang dapat bersifat linier atau non-linier.

Perubahan periode pendek mungkin dari dua jenis:

(i) Reguler

(ii) Tidak teratur

Fluktuasi reguler adalah fluktuasi yang terjadi pada interval waktu yang teratur. Ini mungkin:

(a) Variasi musiman.

(b) Variasi siklik.

Variasi Musiman:

Variasi periodik yang paling umum adalah variasi musiman yang terjadi secara teratur dalam rentang waktu, kondisi cuaca, kebiasaan sosial dan festival, dll. Ini mempengaruhi penjualan berbagai produk (biasanya penggunaan konsumen).

Variasi Siklik:

Perubahan ini menunjukkan periodisitas dan terjadi selama periode waktu yang lebih singkat. Seperti variasi musiman, variasi siklik juga teratur. Tetapi sedangkan variasi musiman terjadi dalam jangka waktu satu tahun atau kurang, variasi siklik berulang dengan interval 5 sampai 10 tahun.

Variasi tidak teratur:

Variasi ini terjadi tanpa ritme tertentu. Mereka dapat disebabkan oleh penyebab yang beroperasi secara kasual dan tidak teratur. Penyebabnya mungkin seperti kekeringan, banjir, perang, pemogokan dan gempa bumi dll.

Dalam teknik analisis deret waktu peramalan penjualan, suatu organisasi menganalisis penjualan masa lalunya untuk mengetahui apakah ada beberapa tren. Tren ini kemudian diproyeksikan ke masa depan dan penjualan terindikasi yang dihasilkan digunakan sebagai dasar untuk perkiraan penjualan. Metode ini akan menjadi jelas dengan bantuan ilustrasi berikut.

Misalkan produsen peralatan pengecatan (mungkin bingkai roller cat) memutuskan untuk meramalkan penjualan produknya tahun depan. Ia memulai dengan mengumpulkan data selama empat/lima tahun terakhir.

Pabrikan mengetahui dari pengalaman sebelumnya bahwa penjualan produknya berfluktuasi karena variasi musiman. Bahkan ia telah menemukan dari data sebelumnya bahwa permintaan pasar untuk produk tersebut minimal selama kuartal pertama tahun ini menghasilkan peningkatan penjualan karena kondisi cuaca yang membaik.

Demikian pula peningkatan yang lebih besar dalam penjualan terjadi selama kuartal ketiga tahun ini karena perbaikan lebih lanjut dalam kondisi cuaca dan musim festival. Namun dengan serangkaian kondisi cuaca yang kurang menguntungkan menghapus permintaan produk turun pada kuartal keempat.

Sebagai hasil dari variasi triwulanan ini, perusahaan memutuskan untuk mengembangkan peramalan per triwulan untuk tujuan perencanaan produksi.

Penerapan peramalan penjualan dengan teknik analisis deret waktu akan lebih jelas dengan bantuan ilustrasi berikut:

Meskipun jumlah data yang tersedia terbatas. Tentukan persamaan garis trend. Dengan persamaan tersebut, hitunglah nilai tren penjualan triwulanan untuk tahun ke- ⁴ . Kemudian sesuaikan nilai ini untuk memberikan variasi musiman yang diharapkan. (KUK (Non Departemen). Mei 1995, B.Tech, Mei 1998)

Penyelesaian:

Dengan kata lain, penjualan aktual pada kuartal pertama adalah 77% dari penjualan yang dihitung.

Demikian pula perhitungan penjualan untuk kuartal lainnya adalah sebagai berikut:

Untuk menyesuaikan nilai tren untuk memberikan variasi musiman yang diharapkan, kami menentukan besarnya faktor penyesuaian di luar musim ini dengan menemukan rata-rata variasi masa lalu selama kuartal pertama setiap tahun yaitu pada kuartal pertama , ^keempat , ^{dan keempat} .

Penjualan aktual sebagai persentase dari nilai penjualan yang dihitung selama empat kuartal.

Kolom terakhir dari tabel ini memberikan nilai faktor penyesuaian musiman untuk empat kuartal tahun ini sebagai 0,7097, 0,8663, 1,120, 1,30 yaitu, untuk 1 ^st , 2 ^nd , 3 ^rd dan 4 ^th dan perkalian dari penjualan yang dihitung untuk empat triwulan tahun ke-4 ^dengan faktor penyesuaian akan menghasilkan prakiraan penjualan yang disesuaikan untuk tahun yang sedang dipertimbangkan.

Keuntungan Analisis Deret Waktu:

1. Teknik ini kurang subyektif dibandingkan metode opini kolektif dan metode indikator ekonomi karena penerapannya tidak bergantung pada kemampuan organisasi untuk menemukan indikator yang tepat.
2. Dibandingkan dengan metode opini kolektif dan metode indikator ekonomi yang mungkin hanya menghasilkan perkiraan tahunan yang karenanya harus dipecah menjadi periode yang lebih pendek, organisasi dapat memperkirakan penjualan per tahun dengan menganalisis penjualan tahunan yang lalu, per bulan dengan menganalisis bulanan yang lalu penjualan atau bahkan per minggu dengan menganalisis penjualan mingguan sebelumnya.

Batasan Analisis Deret Waktu:

1. Teknik ini tidak dapat digunakan untuk meramalkan penjualan produk baru atau relatif baru karena tidak ada data masa lalu atau data masa lalu yang cukup tersedia.
2. Jika fluktuasi tingkat permintaan yang signifikan terjadi dari bulan ke bulan dalam satu tahun karena variasi musim atau, 12 faktor penyesuaian mungkin diperlukan untuk menyesuaikan peramalan dalam satu tahun.
3. Dampak perubahan harga jual, kualitas produk, kondisi ekonomi, metode pemasaran dan upaya promosi penjualan yang dilakukan oleh organisasi tidak dapat dimasukkan ke dalam metode dengan cara yang memuaskan.

Metode #5. Moving Average Metode Peramalan Penjualan:

Dalam metode ini, peramalan penjualan diperoleh dengan mengambil rata-rata penjualan masa lalu selama sejumlah periode yang diinginkan (mungkin tahun, bulan, atau minggu). Memperpanjang rata-rata pergerakan untuk memasukkan lebih banyak periode dapat meningkatkan efek perataan tetapi menurunkan sensitivitas prakiraan.

Jangka waktu yang lama memberikan terlalu banyak peluang untuk terjadinya perubahan signifikan dalam pola permintaan. Untuk mengurangi risiko ini, organisasi dapat mendasarkan perkiraannya pada permintaan rata-rata selama periode singkat, misalnya tiga bulan. Penerapan teknik ini akan lebih jelas dengan ilustrasi berikut.

Perkiraan berdasarkan rata-rata bergerak yang tidak tertimbang untuk jumlah pelanggan:

Prakiraan ini didasarkan pada jumlah pelanggan rata-rata setelah dua minggu.

Oleh karena itu ramalan yang tidak disesuaikan untuk minggu ke-9 adalah 512. Pada akhir minggu ke-9 ramalan untuk minggu ke-10 akan didasarkan pada jumlah rata-rata pelanggan yang benar-benar berkunjung selama 7 minggu, 8 dan 9 dan seterusnya. Hasilnya adalah serangkaian rata-rata bergerak yang tercantum dalam tabel di atas.

Rata-Rata Bergerak Tertimbang:

Rata-rata bergerak yang dihitung di bagian sebelumnya dikenal sebagai tidak berbobot karena bobot yang sama diberikan ke setiap angka yang rata-ratanya dipastikan. Beberapa perusahaan mendasarkan ramalan mereka pada rata-rata pergerakan tertimbang.

Mari kita asumsikan bahwa jumlah pelanggan yang berkunjung selama interval dua minggu memberikan dasar yang kuat untuk ramalan minggu ketiga dan mari kita asumsikan lebih lanjut bahwa minggu pertama kurang penting daripada minggu kedua dan akibatnya kita menetapkan bobot 0,4 untuk minggu pertama dan 0,6 untuk minggu kedua . Rata-rata tertimbang untuk minggu ke-9 adalah

0,4 X 549 + 0,6(474) = 220 + 284 = 504

Demikian pula rata-rata pergerakan tertimbang untuk minggu-minggu lainnya tercantum dalam tabel berikut:

Perkiraan berdasarkan rata-rata pergerakan tertimbang untuk jumlah pelanggan.

Keuntungan Metode Rata-Rata Bergerak:

1. Teknik ini lebih sederhana daripada metode kuadrat terkecil.
2. Metode ini tidak dipengaruhi oleh prasangka pribadi orang yang menggunakannya.
3. Periode rata-rata bergerak setara dengan periode siklus. Variasi siklik dihilangkan.
4. Jika tren dalam data, jika ada, adalah linier, rata-rata bergerak memberikan gambaran yang baik tentang pergerakan data jangka panjang.
5. Teknik rata-rata bergerak memiliki kelebihan yaitu fleksibilitas, jika beberapa tahun ditambahkan, seluruh perhitungan tidak berubah karena penerapan kondisi baru.

Keterbatasan Metode Rata-Rata Bergerak:

Berikut adalah kelemahan dari metode peramalan ini:

1. Tidak menghasilkan hubungan matematis yang dapat digunakan untuk peramalan penjualan.
2. Ada kecenderungan untuk mengambil jalan pintas yang mengakibatkan hilangnya data pada akhirnya
3. Banyak kehati-hatian diperlukan untuk pemilihan periode rata-rata pergerakan karena periode yang salah dipilih tidak akan memberikan gambaran tren yang benar.
4. Dalam kasus belokan tajam pada grafik asli, rata-rata bergerak akan mengurangi kelengkungan.
5. Sangat sensitif bahkan terhadap pergerakan kecil pada data.

Metode #6. Metode Exponential Smoothing dan Moving Average:

Metode peramalan penjualan ini merupakan modifikasi dari metode rata-rata bergerak atau lebih tepatnya merupakan perbaikan dari metode peramalan rata-rata bergerak. Metode ini mencoba menghilangkan batasan rata-rata bergerak dan menghilangkan kebutuhan untuk menyimpan data masa lalu yang ekstensif. Metode ini juga mencoba menghilangkan ketidakteraturan dalam pola permintaan.

Metode ini merepresentasikan bobot rata-rata dari pengamatan sebelumnya. Dalam hal ini pengamatan terbaru diberi bobot tertinggi yang menurun dalam perkembangan geometrik saat kita bergerak menuju pengamatan yang lebih tua.

Karena pengamatan terbaru yang cenderung mencerminkan informasi yang lebih up-to-date atau rata-rata dari seri diberi bobot lebih sehingga menjadi salah satu metode statistik peramalan penjualan yang paling akurat. Metode ini mempertahankan rata-rata permintaan berjalan dan menyesuaikannya untuk setiap periode secara proporsional dengan perbedaan antara angka permintaan aktual terakhir dan nilai rata-rata terakhir.

Ketika tidak ada tren dalam permintaan produk atau jasa, penjualan diperkirakan untuk periode berikutnya, dengan menggunakan metode pemulusan eksponensial dengan menggunakan ekspresi

Ramalan periode selanjutnya = a (permintaan aktual terbaru) + (1 – α) perkiraan lama permintaan aktual terkini dimana a merupakan nilai dari faktor pembobot yang disebut sebagai smoothing factor.

Metode ini mengikuti persamaan

F _n = F _{n -1} + α (D _n-1 – F _n-1 )

di mana F _n = perkiraan untuk periode berikutnya

F _n-1 = forecast untuk periode sebelumnya

D _n-1 = permintaan pada periode sebelumnya.

Jika a sama dengan 1, maka peramalan terbaru akan sama dengan permintaan aktual periode sebelumnya. Dalam praktiknya, nilai a umumnya dipilih antara 0,1 dan 0,3. Penerapan teknik tersebut ditunjukkan dengan menggunakan data metode rata-rata bergerak peramalan penjualan pada halaman 78. Dalam penerapan metode tersebut, kita akan menggunakan nilai a sebesar 0,10.

Dengan menggunakan persamaan (7), jika permintaan aktual untuk minggu ke-3 adalah 487, maka ramalan untuk minggu ke-4 adalah

0,10(487) + (1,00 – 0,10)550 = 544

Demikian pula, jika permintaan aktual untuk minggu ke-4 adalah 528 pelanggan, ramalan untuk minggu ke-5 adalah

0,10 (528) + (1,00 – 0,10) (544) = 542

Jika prosedur ini telah diterapkan selama periode 8 minggu, hasilnya ditunjukkan pada tabel berikut. Kesalahan peramalan yang tidak disesuaikan juga ditunjukkan pada kolom D = B – C. Jika nilai a tidak diberikan; itu dapat ditentukan oleh hubungan perkiraan a.

α = 2/ Jumlah periode dalam moving average + 1

Dalam persamaan (7) sejauh menyangkut faktor bobot a, ia dapat mengasumsikan nilai minimum 0 dan nilai maksimum 1. Semakin besar nilai a, semakin besar bobot yang ditempatkan pada data terbaru. Ketika ni