3 Teknik Peramalan Atas Permintaan | Produk | Ekonomi

Poin-poin berikut menyoroti tiga teknik peramalan permintaan. Teknik-teknik tersebut meliputi: 1. Metode Survei 2. Metode Polling Opini 3. Metode Statistik.

1. Metode Survei :

Di bawah metode survei survei dilakukan tentang niat konsumen, pendapat para ahli, survei rencana manajerial, atau pasar. Data yang diperoleh melalui metode ini dianalisis, dan perkiraan permintaan dibuat. Metode-metode ini umumnya digunakan untuk membuat perkiraan permintaan jangka pendek.

Survei Konsumen :

Metode survei peramalan permintaan konsumen melibatkan wawancara langsung dengan konsumen potensial. Konsumen hanya dihubungi oleh pewawancara dan ditanya berapa banyak mereka akan bersedia untuk membeli produk tertentu di sejumlah tingkat harga produk alternatif.

Survei konsumen dapat berupa:

Sebuah. Enumerasi Lengkap

b. Survei Sampel, atau

c. Metode Penggunaan Akhir

Sebuah. Metode Enumerasi Lengkap:

Dalam survei penghitungan lengkap, semua konsumen produk dihubungi dan diminta untuk menunjukkan rencana mereka untuk membeli produksi yang dipermasalahkan untuk periode perkiraan.

Perkiraan permintaan untuk konsumsi total sensus diperoleh hanya dengan menambahkan permintaan yang dimaksudkan dari semua konsumen sebagai:

DF = Id 1 + ID 2 + ……… .. ID n ... (2.1)

Dimana,

DF = perkiraan permintaan untuk semua konsumen

ID 1 = permintaan yang diinginkan konsumen 1.

ID 2 = permintaan konsumen yang diinginkan 2.

Permintaan yang mungkin dari semua konsumen dirangkum untuk mendapatkan perkiraan penjualan. Metode ini memfasilitasi pengumpulan informasi langsung dan bebas dari bias. Metode ini juga memiliki kekurangan. Metode ini dapat diterapkan jika hanya produk-produk yang konsumennya berada di wilayah tertentu. Jika konsumen produk tersebar luas, metode ini terbukti mahal dan memakan waktu. Estimasi permintaan melalui metode ini mungkin tidak dapat diandalkan karena konsumen belum memikirkan sebelumnya apa yang akan mereka lakukan dalam situasi hipotetis ini.

Juga:

(i) Konsumen mungkin tidak mengetahui permintaan mereka yang sebenarnya dan karenanya mungkin tidak dapat atau mau menjawab pertanyaan;

(ii) Konsumen dapat memberikan jawaban hipotetis untuk pertanyaan hipotetis;

(iii) Respons mereka mungkin bias menurut harapan mereka sendiri tentang kondisi pasar;

(iv) Rencana mereka dapat diubah dengan perubahan pada faktor-faktor yang tidak termasuk dalam kuesioner, dan

(v) Ketika kita sampai pada efek iklan terhadap permintaan, masalah-masalah dari pendekatan wawancara langsung seperti itu menjadi semakin muncul.

b. Metode Survei Sampel:

Data yang berguna untuk perkiraan permintaan juga dapat diperoleh dari survei rencana konsumen. Berbeda dengan metode enumerasi lengkap, di bawah metode survei sampel, hanya beberapa konsumen potensial dari pasar yang relevan dipilih melalui metode pengambilan sampel yang tepat, diwawancarai. Survei dapat dilakukan melalui wawancara langsung atau mengirimkan kuesioner kepada konsumen sampel.

Total permintaan dapat diperkirakan dengan bantuan rumus berikut:

Dimana,

N populasi konsumen

∎ sampel yang disurvei.

Kemudian permintaan kemungkinan yang diungkapkan oleh setiap unit yang dipilih dirangkum untuk mendapatkan total permintaan untuk periode perkiraan. Total permintaan sampel kemudian dikalikan dengan rasio jumlah unit konsumsi dalam populasi dengan jumlah unit konsumen dalam sampel. Jika sampel yang dipilih cukup mewakili populasi, hasil sampel lebih cenderung serupa dengan hasil populasi. Metode ini lebih sederhana, ekonomis, dan hemat waktu dibandingkan dengan survei penghitungan lengkap.

Meskipun survei permintaan konsumen dapat memberikan data yang berguna untuk perkiraan, nilainya sangat tergantung pada keterampilan pencetusnya. Survei yang berarti membutuhkan perhatian yang cermat terhadap setiap fase proses. Pertanyaan harus dijabarkan dengan tepat untuk menghindari ambiguitas. Sampel survei harus dipilih dengan benar sehingga respons akan mewakili semua pelanggan. Akhirnya, metode administrasi survei harus menghasilkan tingkat respons yang tinggi dan menghindari bias jawaban mereka yang disurvei. Pertanyaan yang diutarakan dengan buruk atau sampel nonrandom dapat menghasilkan data yang nilainya kecil.

Bahkan survei yang dirancang paling hati-hati tidak selalu memprediksi permintaan konsumen dengan akurasi tinggi. Dalam beberapa kasus, responden tidak memiliki informasi yang cukup untuk menentukan apakah mereka akan membeli suatu produk. Dalam situasi lain, mereka yang disurvei mungkin terdesak waktu dan tidak mau mencurahkan banyak pemikiran untuk jawaban mereka.

Kadang-kadang respons dapat mencerminkan keinginan (baik sadar atau tidak sadar) untuk menempatkan diri dalam cahaya yang menguntungkan atau untuk mendapatkan persetujuan dari mereka yang melakukan survei. Karena keterbatasan ini, ramalan jarang bergantung sepenuhnya pada hasil survei konsumen. Sebaliknya, data ini dianggap sebagai sumber informasi tambahan untuk pengambilan keputusan.

c. Metode Penggunaan Akhir:

Metode penggunaan akhir peramalan permintaan memiliki sejumlah besar nilai teoritis dan praktis. Metode ini melibatkan survei perusahaan di semua industri yang menggunakan produk dan memproyeksikan penjualan produk yang sedang dipertimbangkan berdasarkan survei permintaan industri yang menggunakan produk ini sebagai produk setengah jadi. Permintaan untuk produk akhir adalah permintaan penggunaan akhir dari produk antara yang digunakan dalam produksi produk akhir ini.

Metode perkiraan akhir penggunaan terdiri dari empat tahap estimasi yang berbeda:

(1) Dapatkan informasi tentang potensi kegunaan produk tersebut.

(2) Tentukan 'norma' teknis konsumsi yang sesuai untuk masing-masing dan setiap penggunaan produk yang diteliti.

(3) Untuk penerapan norma-norma tersebut, perlu untuk mengetahui tingkat output yang diinginkan atau ditargetkan dari masing-masing industri untuk tahun referensi dan juga kemungkinan perkembangan dalam kegiatan ekonomi lainnya yang menggunakan produk dan kemungkinan target output.

(4) Akhirnya, konten produk-bijaksana dari item yang permintaannya akan diperkirakan, dikumpulkan yang memberikan perkiraan permintaan untuk produk secara keseluruhan untuk tahun terminal yang bersangkutan.

Dengan demikian, estimasi permintaan pengguna akhir untuk produk setengah jadi mungkin melibatkan banyak industri barang jadi yang menggunakan produk ini di dalam dan luar negeri. Begitu permintaan barang konsumsi akhir termasuk net ekspor impor diketahui, permintaan akan produk yang digunakan sebagai barang setengah jadi dalam produksi barang konsumsi akhir ini dengan bantuan koefisien input-output dapat diperkirakan. Tabel input-output yang berisi koefisien input-output untuk periode tertentu tersedia di setiap negara baik oleh pemerintah maupun oleh organisasi penelitian.

Kecuali dalam hal produk setengah jadi, perkiraan permintaan melalui metode penggunaan akhir tidak diinginkan atau tidak layak. Lebih lanjut, ketika jumlah pengguna akhir suatu produk meningkat, menjadi semakin tidak nyaman untuk menggunakan metode ini. Metode ini sangat berguna untuk industri yang sebagian besar barang-barang produsen, seperti aluminium.

Membuat perkiraan dengan metode ini membutuhkan membangun jadwal permintaan agregat yang mungkin untuk input di masa depan dengan mengkonsumsi industri dan berbagai sektor. Dalam metode ini, perubahan teknologi, struktural dan lainnya, yang mungkin mempengaruhi permintaan, ditangani dalam proses estimasi. Aspek pendekatan penggunaan akhir ini sangat penting.

Keuntungan Metode Penggunaan Akhir:

(1) Ini membantu untuk memperkirakan permintaan masa depan untuk produk industri secara rinci dengan jenis dan ukuran. Dengan menyelidiki pola penggunaan saat ini dari produk, pendekatan penggunaan akhir memberi setiap kesempatan untuk menentukan jenis, kategori dan ukuran yang kemungkinan akan diminta di masa depan.

(2) Metode ini membantu melacak dan menunjukkan kapan saja di masa depan ke mana dan mengapa konsumsi aktual telah menyimpang dari perkiraan permintaan. Revisi yang sesuai juga dapat dilakukan dari waktu ke waktu berdasarkan pemeriksaan tersebut.

2. Metode Jajak Pendapat :

Metode jajak pendapat membuat estimasi permintaan dengan menggunakan pendapat dari mereka yang memiliki pengetahuan pasar, seperti ahli pemasaran profesional dan konsultan, perwakilan penjualan dan eksekutif. Penilaian kolektif dari orang yang berpengetahuan dapat menjadi sumber informasi yang penting.

Bahkan, beberapa ramalan dibuat hampir seluruhnya berdasarkan wawasan pribadi para pembuat keputusan utama. Proses ini dapat melibatkan manajer yang berunding untuk mengembangkan proyeksi berdasarkan penilaian mereka terhadap kondisi ekonomi yang dihadapi perusahaan. Dalam keadaan lain, tenaga penjualan perusahaan dapat diminta untuk mengevaluasi prospek masa depan. Dalam kasus lain, konsultan dapat dipekerjakan untuk mengembangkan prakiraan berdasarkan pengetahuan mereka tentang industri.

Metode-metode ini meliputi:

saya. Opini Ahli:

Peneliti mengidentifikasi para ahli pada komoditas yang ramalan permintaannya sedang dicoba, dan menyelidiki dengan mereka pada kemungkinan permintaan untuk produk dalam periode perkiraan. Metode ini terdiri dari pengamanan pandangan salesman dan / atau personel manajemen penjualan. Ada banyak variasi.

Pandangan gabungan dari wiraniaga untuk ekspektasi penjualan masa depan dapat diamankan dengan meneliti dengan cermat pada level eksekutif berturut-turut dan estimasi penjualan masa depan yang disampaikan oleh salesman secara individual. Metode lain adalah dengan hanya mengandalkan pengetahuan khusus dari eksekutif penjualan perusahaan dalam menyiapkan perkiraan penjualan.

Kelebihan dari metode ini terdiri dari:

(a) Metode ini memanfaatkan pengetahuan khusus dari orang-orang yang paling dekat dengan pasar;

(b) Memberi tenaga penjualan kepercayaan diri yang lebih besar untuk mengembangkan kuota penjualan;

(c) Stabilitas yang lebih besar melalui besarnya sampel;

(D) Menempatkan tanggung jawab untuk perkiraan pada mereka yang diharapkan untuk menghasilkan hasil.

Kerugian lanjut adalah:

(a) Tenaga penjual adalah penaksir yang buruk karena terlalu optimis;

(B) Salesman sering tidak menyadari pola ekonomi yang luas dan tidak dapat memperkirakan tren jangka panjang;

(c) Waktu tenaga penjualan dengan cara ini dibatasi untuk pekerjaan utama penjualan; dan;

(d) Salesman mungkin dengan sengaja mengecilkan permintaan jika kuota ditentukan berdasarkan informasi ini.

ii. Metode Delphi:

Metode Delphi adalah proses yang difasilitasi untuk mendapatkan konsensus dalam kelompok peserta anonim. Fasilitator mengirimkan kuesioner perkiraan untuk setiap anggota kelompok Delphi. Anonimitas sangat penting dalam metode ini untuk mencegah beberapa anggota kelompok mendominasi keputusan. Ketika kuesioner dikembalikan, tanggapan dirangkum secara statistik dan kemudian dikirim kembali ke grup. Setiap anggota Delphi memiliki pilihan untuk mengubah tanggapan mereka sebelumnya berdasarkan pada tanggapan dari kelompok. Ini adalah proses pengulangan yang berlanjut sampai konsensus diperoleh.

Metode Delphi digunakan untuk produk baru atau untuk prakiraan jangka panjang. Namun, ini adalah proses yang memakan waktu yang sangat tergantung pada kualitas kuesioner. Selanjutnya, peserta dapat memberikan tanggapan yang tidak memadai karena tidak ada akuntabilitas.

Di bawah metode Delphi, pendapat dikumpulkan dari para ahli dan upaya dilakukan untuk mencocokkannya. Hal ini dilakukan dengan menyatukan para ahli, mengatur pertemuan dan tiba pada kisaran yang sempit untuk ramalan dalam upaya untuk memberikan ramalan interval secara langsung dan untuk sampai pada ramalan titik dengan merusak penilaian keseluruhan peneliti atau koordinator latihan peramalan.

Secara umum, ramalan dilanjutkan melalui tahapan-tahapan berikut:

(i) Permintaan dibuat kepada semua ahli produk untuk memberikan perkiraan masing-masing untuk kemungkinan permintaan.

(ii) Jika perbedaan dalam prakiraan signifikan, para ahli diundang untuk konferensi tentang masalah ini, sajikan masalah yang berkaitan dengan perbedaan dalam perkiraan mereka. Dengan berdebat, meyakinkan orang lain dan mendapatkan keyakinan, bertukar pandangan dengan rekan kerja, upaya dilakukan untuk mempersempit batas kemungkinan permintaan.

(iii) Jika rentang variasi masih besar, latihan dilanjutkan hingga koordinator dapat mencapai kisaran yang dapat diterima.

(iv) Nyatakan kisaran yang telah tiba sebagai perkiraan permintaan interval untuk produk selama periode waktu pembuatannya.

(v) Ambil rata-rata sederhana dari nilai-nilai ramalan yang lebih rendah dan tertinggi dan nyatakan ramalan titik untuk variabel yang sedang diramalkan.

Penggunaan teknik Delphi dapat diilustrasikan dengan contoh sederhana. Misalkan panel enam ahli luar diminta untuk meramalkan penjualan perusahaan untuk tahun berikutnya. Bekerja secara independen, dua anggota panel memperkirakan kenaikan 8 persen, tiga anggota memprediksi kenaikan 5 persen, dan satu orang memprediksi tidak ada peningkatan penjualan. Berdasarkan tanggapan dari individu lain, masing-masing ahli kemudian diminta untuk membuat perkiraan penjualan yang direvisi. Beberapa dari mereka yang mengharapkan pertumbuhan penjualan yang cepat mungkin, berdasarkan penilaian rekan-rekan mereka, menyajikan perkiraan yang kurang optimis dalam iterasi kedua.

Sebaliknya, beberapa dari mereka yang memprediksi pertumbuhan lambat dapat menyesuaikan respons mereka ke atas. Namun, mungkin juga ada beberapa anggota panel yang memutuskan bahwa tidak ada penyesuaian perkiraan awal mereka. Asumsikan bahwa serangkaian prediksi kedua oleh panel mencakup satu perkiraan kenaikan penjualan 2 persen, satu dari 5 persen, dua dari 6 persen, dan dua dari 7 persen.

Para ahli kembali ditunjukkan tanggapan masing-masing dan diminta untuk mempertimbangkan perkiraan mereka lebih lanjut. Proses ini berlanjut sampai konsensus tercapai atau sampai iterasi lebih lanjut menghasilkan sedikit atau tidak ada perubahan dalam estimasi penjualan. Metode delphi cukup baik tetapi bisa membosankan dan mahal.

Dalam situasi di mana jumlah pakar tidak terlalu besar dan mereka kooperatif, dan peneliti memiliki dana yang diperlukan dan wewenang untuk melakukan tugas, metode Delphi bisa sesuai untuk perkiraan permintaan.

Nilai dari teknik Delphi adalah ini membantu anggota panel individu dalam menilai perkiraan mereka. Secara implisit, mereka dipaksa untuk mempertimbangkan mengapa penilaian mereka berbeda dari para ahli lainnya. Idealnya, proses evaluasi ini harus menghasilkan perkiraan yang lebih tepat dengan setiap iterasi. Kegunaan pendapat ahli tergantung pada keterampilan dan wawasan para pakar yang digunakan untuk membuat prediksi.

Satu masalah dengan metode Delphi bisa menjadi biayanya. Seringkali, orang yang paling berpengetahuan dalam suatu industri berada dalam posisi untuk meminta bayaran besar untuk pekerjaan mereka sebagai konsultan. Mereka mungkin dipekerjakan oleh perusahaan, tetapi memiliki tanggung jawab penting lainnya, yang berarti bahwa mungkin ada biaya peluang yang signifikan dalam melibatkan mereka dalam proses perencanaan.

Selain itu, para ahli tidak mau dipengaruhi oleh prediksi orang lain di panel. Meskipun prediksi oleh para ahli tidak selalu merupakan produk dari "data keras, " kegunaannya tidak boleh dianggap remeh. Memang, wawasan orang-orang yang terkait erat dengan suatu industri bisa sangat berharga dalam peramalan

aku aku aku. Survei Rencana Manajerial:

Survei rencana manajerial dapat menjadi sumber penting data untuk peramalan. Alasan untuk melakukan survei tersebut adalah bahwa rencana umumnya membentuk dasar untuk tindakan di masa depan. Misalnya, anggaran belanja modal untuk perusahaan besar biasanya direncanakan dengan baik sebelumnya. Dengan demikian survei rencana investasi oleh perusahaan-perusahaan tersebut harus memberikan perkiraan yang cukup akurat tentang permintaan barang modal di masa depan.

iv. Eksperimen Pasar:

Eksperimen pasar (aktual atau disimulasikan) dilakukan untuk menghasilkan perkiraan permintaan. Masalah potensial dengan metode survei adalah bahwa respons survei mungkin tidak diterjemahkan ke dalam perilaku konsumen yang sebenarnya. Konsumen tidak perlu melakukan apa yang mereka katakan akan mereka lakukan. Kelemahan ini sebagian dapat diatasi dengan menggunakan eksperimen pasar yang dirancang untuk menghasilkan data sebelum pengenalan skala penuh produk atau implementasi kebijakan.

Eksperimen pasar dapat dilakukan dalam dua bentuk:

(a) Pasar Uji:

Untuk menetapkan eksperimen pasar, perusahaan pertama-tama memilih pasar uji yang dapat terdiri dari beberapa kota, wilayah negara, atau sampel konsumen yang diambil dari milis. Eksperimen dapat menggabungkan sejumlah fitur seperti mengevaluasi persepsi konsumen terhadap produk baru di pasar pengujian. Dalam kasus lain, harga yang berbeda untuk produk yang ada mungkin ditetapkan di berbagai kota untuk menentukan elastisitas permintaan. Kemungkinan ketiga adalah tes reaksi konsumen terhadap kampanye iklan baru.

Ada beberapa faktor yang harus dipertimbangkan manajer dalam memilih pasar ujian. Lokasi harus ukuran yang dapat dikelola. Jika area terlalu besar mungkin mahal dan sulit untuk melakukan percobaan dan menganalisis data. Kedua, penghuni pasar uji harus mewakili populasi keseluruhan Amerika Serikat dalam hal usia, pendidikan, dan pendapatan jika tidak hasilnya tidak berlaku untuk area lain. Akhirnya, harus dimungkinkan untuk membeli iklan yang ditujukan hanya untuk mereka yang diuji.

(B) Tes Laboratorium:

Cara lain untuk melakukan eksperimen pasar adalah klinik konsumen atau eksperimen laboratorium terkontrol. Di sini, konsumen diberikan sejumlah uang untuk dibeli di toko barang yang ditentukan dengan harga, paket, pajangan dll. Dan respons konsumen terhadap variasi-variasi ini dipelajari. Dengan demikian percobaan laboratorium menghasilkan hasil yang sama dengan percobaan pasar lapangan.

Eksperimen pasar memiliki keunggulan dibandingkan survei karena mencerminkan perilaku konsumen yang sebenarnya, tetapi masih memiliki keterbatasan. Satu masalah adalah risiko yang terlibat. Dalam pasar uji di mana harga dinaikkan, konsumen dapat beralih ke produk pesaing. Setelah percobaan berakhir dan harga berkurang ke level semula, mungkin sulit untuk mendapatkan kembali pelanggan tersebut.

Masalah lain adalah bahwa perusahaan tidak dapat mengendalikan semua faktor yang mempengaruhi permintaan. Hasil beberapa eksperimen pasar dapat dipengaruhi oleh cuaca buruk, kondisi ekonomi yang berubah, atau taktik pesaing. Akhirnya, karena sebagian besar eksperimen memiliki durasi yang relatif singkat, konsumen mungkin tidak sepenuhnya menyadari perubahan harga atau iklan. Dengan demikian tanggapan mereka mungkin mengecilkan kemungkinan dampak dari perubahan itu.

Keterbatasan:

Metode eksperimen pasar memiliki batasan serius tertentu yang sangat mengurangi keandalan metode:

saya. Metode eksperimental sangat mahal sehingga perusahaan kecil tidak mampu membelinya. Menjadi urusan yang mahal, percobaan biasanya dilakukan dalam skala terlalu kecil untuk memungkinkan generalisasi dengan tingkat keandalan yang tinggi.

ii. Metode eksperimental didasarkan pada kondisi jangka pendek dan terkendali yang mungkin tidak ada di pasar yang tidak terkontrol. Oleh karena itu hasilnya mungkin tidak berlaku untuk kondisi pasar jangka panjang yang tidak terkendali.

aku aku aku. Perubahan dalam kondisi sosial ekonomi yang terjadi selama percobaan lapangan, seperti pemogokan atau pemutusan hubungan kerja lokal, program periklanan oleh pesaing, perubahan politik, bencana alam, dapat membatalkan hasil. Bermain-main dengan kenaikan harga dapat menyebabkan hilangnya pelanggan secara permanen karena merek kompetitif yang mungkin telah dicoba.

Meskipun ada keterbatasan ini, metode eksperimen pasar sering digunakan untuk memberikan estimasi alternatif permintaan, dan juga sebagai pemeriksaan atas hasil yang diperoleh dari studi statistik. Selain itu, metode ini menghasilkan koefisien elastisitas yang diperlukan untuk analisis statistik hubungan permintaan.

3. Metode Statistik :

Kami telah membahas metode survei dan eksperimental peramalan permintaan. Metode-metode ini lebih tepat memperkirakan permintaan suatu produk untuk jangka pendek.

Dalam bagian ini metode statistik yang bergantung pada data time-series dan cross-section dan sesuai untuk peramalan permintaan jangka panjang telah dibahas:

Berikut ini adalah metode statistik utama:

saya. Metode Proyeksi Tren

ii. Metode Barometrik, dan

aku aku aku. Metode Ekonometrik

saya. Metode Proyeksi Tren :

Proyeksi tren adalah salah satu teknik peramalan permintaan yang paling banyak digunakan. Tren deret waktu suatu variabel adalah perubahan jangka panjangnya? Metode ini membutuhkan data deret waktu yang panjang dan andal. Metode ini mengasumsikan bahwa faktor-faktor yang bertanggung jawab atas tren masa lalu dalam variabel yang akan diproyeksikan akan terus memainkan peran mereka di masa depan dengan cara yang sama dan pada tingkat yang sama seperti yang mereka lakukan di masa lalu dalam menentukan dan besarnya dan arah variabel. Mungkin ada tren linear atau nonlinier dalam permintaan suatu produk.

Sebagian besar, tren linier dan laju pertumbuhan konstan digunakan untuk memprediksi permintaan di masa depan. Metode-metode ini menghilangkan kebutuhan untuk riset pasar yang mahal karena informasi yang diperlukan seringkali sudah tersedia dengan perusahaan. Karena metode ini tidak mengungkapkan hubungan sebab dan akibat, metode ini dianggap sebagai 'pendekatan naif'.

Meskipun demikian, “Tidak ada yang gratis dalam penerapan pendekatan semacam itu. Ini hanya merupakan salah satu dari beberapa cara untuk memperoleh wawasan tentang apa yang mungkin terjadi di masa depan dan apakah proyeksi yang dibuat menggunakan cara-cara ini dianggap sebagai yang paling tepat akan sangat tergantung pada keandalan data masa lalu dan pada penilaian yang ada. untuk dilakukan dalam analisis akhir. "

Untuk memperkirakan permintaan melalui metode proyeksi tren, data deret waktu tentang penjualan diperlukan. Dalam kasus perusahaan mapan dengan sejarah bisnis yang panjang, data tersebut tersedia dalam catatan penjualan. Perusahaan baru dapat memperoleh data yang diperlukan dari perusahaan yang ada yang memiliki industri yang sama.

Tiga teknik penting proyeksi tren berdasarkan data deret waktu dijelaskan di bawah ini:

(i) Metode Grafis, Inspeksi atau Freehand:

Dengan metode ini, grafik data historis tentang variabel yang diramalkan dibuat, kemudian diekstrapolasi secara visual hingga periode perkiraan, dan akhirnya nilai variabel dalam periode perkiraan dibaca dari grafik untuk menghasilkan perkiraan yang diperlukan.

Pada Gbr.2.1 penjualan dalam ribuan unit ditunjukkan pada sumbu Y dan waktu mulai dari 1994 hingga 2001 ditunjukkan pada sumbu X. Data penjualan diplot pada grafik dan titik-titik diplot digabungkan melalui garis. Kemudian ditarik garis dengan jarak minimum dari titik-titik tersebut. Dengan memperluas garis tren, kami dapat memperkirakan perkiraan penjualan untuk tahun 2005 atau 2007.

Meskipun metode ini sederhana dan ekonomis, namun perkiraan yang diperoleh menderita dari subjektivitas dan bias pribadi analis dalam ekstrapolasi kurva. Namun, karena data historis dari tidak ada variabel ketika diplot biasanya terletak pada ekstrapolasi kurva halus tidak akan pernah menjadi unik dan metode akan selalu menderita dari subjektivitas.

Teknik grafis dijelaskan dengan bantuan ilustrasi berikut:

Ilustrasi:

Dengan menggunakan metode grafik atau tangan bebas, paskan tren garis lurus ke data deret waktu berikut tentang penjualan perusahaan.

Memilih skala yang sesuai, tahun ditandai sepanjang sumbu x dan nilai penjualan yang sesuai ditandai di sepanjang sumbu y. Poin yang diperoleh kemudian bergabung dengan garis lurus yang menunjukkan perilaku nilai jual selama periode tertentu. Kemudian kami menggambar garis lurus tangan bebas melalui titik-titik data aktual untuk menghaluskan data deret waktu mendapatkan tren. Perilaku data aktual dan garis tren ditunjukkan pada Gambar.2.1.

(ii) Metode Fitting Tret atau Least Square:

Dengan metode ini, ekstrapolasi data historis dilakukan melalui estimasi persamaan tren alternatif.

Persamaan tren adalah persamaan di mana variabel dalam perkiraan dibuat hanya sebagai fungsi waktu:

Teknik ini menggunakan rumus statistik untuk menemukan garis tren yang paling cocok dengan data yang tersedia. Garis tren adalah persamaan estimasi yang dapat digunakan untuk memperkirakan permintaan dengan mengekstrapolasi garis untuk masa depan dan membaca nilai-nilai penjualan yang sesuai pada grafik.

Tren Linier:

Persamaan tren penjualan linier ditulis sebagai:

Penjualan = a + b (jumlah tahun)

Atau S = a + bT.…… (2.3)

di mana, a dan b dihitung dari data masa lalu dan

T adalah angka tahun yang dibutuhkan ramalan.

Ilustrasi berikut menjelaskan bagaimana perkiraan permintaan dilakukan dengan bantuan Metode Least Square.

Ilustrasi:

Catatan penjualan perusahaan hipotetis mengungkapkan data berikut

Perkirakan penjualan untuk tahun 2003 dan 2005.

Solusi- Untuk menemukan nilai a dan b dalam persamaan tren S = a + b

kita perlu menyelesaikan dua persamaan normal, yaitu.

Mengganti nilai-nilai di atas dalam dua persamaan normal, kita dapatkan

270 = 6a + 36b

1.784 = 30a + 286b

Memecahkan persamaan ini untuk a dan b, kita dapatkan.

a = 1, 53 dan

b = 6.8.

Dengan demikian persamaan tren menjadi S = 1, 53 + 6.8T.

Tahun 2003 dan 2005 mengambil angka tahun 14 dan 16. Dengan mengganti nilai-nilai ini untuk T. kami mendapatkan penjualan untuk tahun-tahun ini sebagai Rs. 96, 73 crores dan Rs. 110, 33 crores masing-masing.

Metode tren pada dasarnya adalah metode objektif. Persamaan tren yang diberikan di atas mengasumsikan bahwa ada perubahan linear (atau proporsional) dalam penjualan dari waktu ke waktu. Faktanya, persamaan tren dapat berbentuk linear atau non-linear.

Tren Non-Linear:

Banyak data deret waktu mengenai kegiatan bisnis dan ekonomi yang menunjukkan pertumbuhan awal yang konstan dan tidak mendekati batas atas tertentu dapat digambarkan oleh fungsi eksponensial.

Bentuk persamaan eksponensial mungkin dari bentuk berikut:

Sekarang kita dapat menerapkan prosedur pas tren linear. Akhirnya, nilai-nilai a dan b dapat ditentukan dengan mengambil antilogaritma dari a dan b masing-masing, yaitu,

a = antilog a dan b = antilog b

Menempatkan nilai estimasi a dan b ini dalam persamaan (2.4). kami mendapatkan tren eksponensial yang diperlukan.

Ilustrasi:

Keuntungan dari keprihatinan selama lima tahun yang berakhir tahun 2001:

Temukan nilai tren untuk tahun 1997 - 2001 menggunakan persamaan bentuk

Y = abX

Larutan:

Persamaan yang akan dipasang adalah Y = abX

atau Log Y = log a + T log b

y = A + BX

di mana Y = log Y, A = log a dan B = log b

Nilai a dan b dapat diperoleh dari persamaan normal berikut:

Sy = Na + bS X

SXy = aSX + bSX2 ... (2.7)

Pemasangan Tren Eksponensial:

Menempatkan nilai dari tabel di 2.2

5.06803 = 6A A = 1.1397 a = antilog (1.1397) = 13.79

4, 7366 = 10A B = 0, 4737 b = antilog (0, 4737) = 2, 977

Menempatkan nilai-nilai a dan b dalam (2.2), tren yang cocok adalah

Y = (13, 79) (2, 997) x, di mana X = (x - 1999)

Untuk perhitungan nilai tren, kami menggunakan persamaan 2.6

y = 1, 1397 + 0, 4737 X

Jadi dalam tabel di atas nilai tren dari 1997 hingga 2001 telah dihitung. Tren log ganda dari formulir.

Tren persamaan log ganda digunakan ketika tingkat pertumbuhan meningkat.

Persamaannya ditulis sebagai:

Y = aTb… (2.8)

Atau bentuk logaritmik ganda

Log Y = log a + b log T… (2.9)

Tren bentuk polinomial

Y = a + bT + cT2 ... (2.10)

Dalam persamaan ini Y adalah variabel (mungkin penjualan), T adalah waktu, a, b dan c adalah konstanta dan e = 2, 718. Setelah parameter persamaan diperkirakan, menjadi mudah untuk memperkirakan permintaan untuk waktu yang akan datang.

Kita juga dapat membangun persamaan tren untuk polinomial derajat lebih tinggi dari tiga, tetapi jarang digunakan dalam peramalan bisnis dalam praktiknya. Dalam kasus tren polinomial tingkat kedua, slope dS / dT mengubah arah (dari positif ke negatif, atau sebaliknya) hanya sekali. Demikian pula dalam kasus tren polinomial tingkat ketiga, kemiringan berubah arah hanya dua kali.

Pemilihan garis tren terbaik dari berbagai persamaan tren linear dan non-linear tergantung pada pertimbangan teoretis dan kesesuaian empiris. Setelah keputusan diambil mengenai persamaan yang paling tepat untuk data penjualan yang diberikan, perkiraan dapat dibuat dengan menyesuaikan persamaan dengan data.

(iii) Pemulusan Eksponensial:

Jika variabel dalam perkiraan tidak mengikuti tren tertentu, metode tren tidak sesuai. Metode penghalusan akan lebih bermanfaat. Ada versi-metode smoothing-smoothing sederhana (rata-rata) dan smoothing tertimbang. Salah satu karakteristik dari metode ini adalah bahwa setiap pengamatan memiliki bobot yang sama.

Dalam perataan sederhana, rata-rata sederhana dari jumlah pengamatan tertentu (disebut 'urutan') diambil, sedangkan pada yang terakhir, rata-rata tertimbang dikeluarkan. Karena, pengamatan yang lebih baru akan berisi informasi yang lebih akurat tentang masa depan daripada yang ada di awal seri untuk memperkirakan masa depan, bobot lebih disukai daripada smoothing sederhana dan bobot diberikan dalam urutan menurun seiring berjalannya waktu dari yang sekarang. observasi ke yang lalu. Misalnya, riwayat penjualan selama tiga bulan terakhir mungkin lebih relevan dalam memperkirakan penjualan di masa mendatang daripada data untuk penjualan sepuluh tahun di masa lalu.

Perataan eksponensial adalah teknik peramalan deret waktu yang memberikan bobot lebih besar pada pengamatan yang lebih baru.

Langkah pertama adalah memilih konstanta penghalusan, ±, di mana 0 <± <1, 0.

Jika ada n pengamatan dalam deret waktu, perkiraan untuk periode selanjutnya n + 1 dihitung sebagai rata-rata tertimbang dari nilai yang diamati dari deret pada periode n dan nilai perkiraan untuk periode yang sama.

Formula untuk rata-rata tertimbang dapat ditulis sebagai:

Dimana,

F n + 1 adalah nilai perkiraan untuk periode berikutnya,

Xn adalah nilai yang diamati untuk pengamatan terakhir, dan

Fn adalah perkiraan nilai untuk periode terakhir dalam deret waktu.

Nilai perkiraan untuk F dan semua periode sebelumnya dihitung dengan cara yang sama. Secara khusus,

Untuk pengamatan kedua t = 2 dan pergi ke yang terakhir.

Konstanta smoothing eksponensial yang dipilih menentukan bobot yang diberikan untuk pengamatan yang berbeda dalam deret waktu. Saat mendekati 1.0, pengamatan terbaru diberi bobot lebih besar. Misalnya, jika ± = 1, 0, maka (1- ±) = 0. Sebaliknya, nilai yang lebih rendah untuk ± memberikan bobot lebih besar untuk pengamatan dari periode sebelumnya.

Misalnya, jika penjualan perusahaan selama sepuluh minggu terakhir diberikan di bawah ini:

Dengan asumsi F 2 = F 1 = X 1 . Jika ± = 0, 20, maka

F 3 = 0, 20 (430) + 0, 80 (400) = 406, 0 dan

F 4 = 0, 20 (420) + 0, 80 (406) = 408, 8

Nilai perkiraan untuk berbagai nilai ± dapat dihitung.

Perlu dicatat bahwa data yang dihaluskan menunjukkan fluktuasi yang jauh lebih sedikit daripada data penjualan asli. Perhatikan juga bahwa saat ± meningkat, fluktuasi dalam F meningkat, karena perkiraan memberikan bobot lebih kepada nilai terakhir yang diamati dalam deret waktu.

Nilai ± dapat digunakan sebagai konstanta penghalusan. Kriteria untuk memilih konstanta mungkin penilaian intuitif analis mengenai bobot yang harus diberikan ke titik data yang lebih baru. Tetapi ada juga dasar empiris untuk memilih nilai ±.

Dengan demikian, metode pemulusan eksponensial memungkinkan data yang lebih baru diberikan bobot lebih besar dalam menganalisis data deret waktu. Begitu pengamatan tambahan tersedia, mudah untuk memperbarui perkiraan. Tidak perlu memperkirakan ulang persamaan, seperti yang akan diperlukan dengan persamaan tren. Namun, metode ini tidak memberikan prakiraan yang sangat akurat jika ada tren signifikan dalam data. Jika tren waktu positif, prakiraan berdasarkan smoothing eksponensial kemungkinan akan terlalu rendah, sedangkan tren waktu negatif akan menghasilkan perkiraan terlalu tinggi. Penghalusan eksponensial sederhana bekerja paling baik ketika tidak ada tren waktu yang dapat dilihat dalam data.

ii. Peramalan Barometrik :

Trend projection and exponential smoothing use time series data for forecasting the future. In the absence of a clear pattern in a time series, the data are of no avail for forecasting. An alternative approach is to find a second series of data that is correlated with the first. A time-series that is correlated with another time-series is called an indicator of the second series. As meteorologists use barometer to forecast weather, economists use economic indicators as a barometer to forecast trends in business activities.

Barometric method of forecasting was first developed and used in the 1920s by the Harvard Economic Service, failed to predict the Great Depression of the 1930s, but revived, refined and developed further in the late 1930s in the US by the National Bureau of Economic Research (NBER). Initially, the technique was developed to forecast the general trend in overall economic activities, but it can be applied to forecast prospects of demand for a product. The technique identifies relevant economic indicators on the movement of which future trends are forecast.

The barometric forecasting technique identifies the relevant economic indicators, constructs an index of these indicators and observing movements of the index forecasts future trends.

Two techniques are discussed for barometric forecasting:

1. Leading Indicators, and

2. Composite and Diffusion Indices

1. Leading Indicators Method :

This method involves three steps:

saya. Identification of the leading indicator for the variable under forecasting.

ii. Estimation of the relationship between the variable under forecasting and its leading indicator.

aku aku aku. Derivation of forecasts

Three types of economic indicators are identified for constructing the index:

Sebuah. Leading Indicators,

b. Co-Incidental Indicators

c. Lagging Indicators.

Sebuah. Leading Indicators:

If changes in one series consistently occur prior to changes in another series, a leading indicator has been identified. The leading indicators move up or down ahead of some other indicators. Leading indicators are of primary interest for the purposes of forecasting.

As a meteorologist makes use of changes in barometric pressure for weather forecast, leading indicators can be used to predict variations in general economic conditions. Movement in the capital formation, new orders for durable goods, new building permits, corporate profits after tax, index of the prices of input, change in the value of inventories, requests for loans from financial institutions and change in bank rate are examples of leading indicators.

b. Co-Incidental Indicators:

If two data series increase or decrease at the same time, one series may be regarded as a coincident indicator of the other series. In other words, the co-incidental economic indicators move up or down simultaneously with the level of economic activity.

Gross national product at constant prices, rate of employment, sales by different sectors, the rates at which commercial banks accept deposits from and lend to the private sector are more or less the coincident series with regard to the Bank rate, rate of employment in non-agricultural sectors are the examples of co-incidental series.

c. Lagging Indicators:

The lagging indicators follow a change after some time lag. NBER identified some of the lagging indices such as rate for short-term loans, outstanding loans, labour cost per unit of manufactured output and the rate at which private money lenders accept deposits and lend to individuals is lagging series with reference to both the Bank rate and commercial banks' deposit and lending rates.

It is not that for every variable there is a leading variable but for some they do exist. Thus, through this kind of search, one may be able to find an appropriate leading variable for the variable. If no such variable is available, this method of forecasting is also not available. Leading indicators can be used as inputs for forecasting aggregate economic variables such as GNP, aggregate consumers' expenditure, aggregate capital expenditure, etc.

The value of leading indicators method depends on the accuracy of the indicator, adequacy and constancy of lead- time, the reason as to why one series predicts another and the cost and time necessary for data collection

2. Diffusion Indices:

The construction of an index improves the barometric forecasting. Such indices represent a single time series made up of a number of individual leading indicators. The purpose of combining the data is to smooth out the random fluctuations in each individual series and the resulting index provides more accurate forecasts.

The index is a measure of the proportion of the individual times series that increase from one month to the next. For example, if eight of the indicators increased from June to July, the diffusion index for July would be 8/11 or 72.7 percent. When the index is over 50 percent for several months, it can be forecast that economic conditions have begun to improve. As the index approaches 100 percent, the likelihood of improvement increases. On the other hand, if less than 50 percent of the indicators exhibit an increase, a downturn is indicated.

However, the technique suffers from several weaknesses:

Sebuah. The prediction record of this technique is far from perfect.

b. On several occasions indices have forecast recessions that have not occurred. The lead- time also varies from variable to variable.

c. While this approach signals the likely direction of changes in economic conditions, it says little about the magnitude of such change. As such it provides only a qualitative forecast.

d. Also strenuous efforts have been made to identify indicators of general economic conditions the managers of individual firms may find it difficult to identify leading indicators that provide accurate forecasts for their specific needs.

Despite these limitations, the use of indices improves the accuracy of barometric forecasting.

aku aku aku. Econometric Methods :

The most popular method of demand estimation among economists is perhaps the regression method that employs both the principles of economic theory and appropriate statistical methods of estimation. It requires historical data (time series and/or cross section) on the variable under forecasting and its determinants.

In other words regression analysis denotes methods by which the relationship between quantity demanded and one or more independent variables (like income, price of the commodity, prices of related goods, advertisement expenditure) is estimated. It includes measurement of error that is inherent in the estimation process.

This method involves four steps:

(a) Identification of the variables that influence the demand for the good whose function is under estimation.

(b) Collection of historical/cross section data on all the relevant variables.

(c) Choosing an appropriate form for the function.

(d) Estimation of the function.

(i) Simple Linear Regression:

Simple regression analysis is used when the quantity demanded is estimated a function of a single independent variable such as price. In case of linear trend in the dependent variable, we can fit a straight line to the data, whose general form would be, for example,

Sales = a + b. Harga

Fitting of the straight -line regression equation can be done either graphically or by least squares method.

In the least squares method of estimating regression line,

S = a + bP, … (2.13)

We have to find the values of the constants, a and b by solving the two linear equations:

SS= na + Sb P

SPS = SPa+ bS P2 … (2.14)

The table 4.4 provides sales data at different price levels for a hypothetical company:

Substituting the values of in the two least square equations, and solving the equations we get the values of terms a and b.

a=64.94

b=1.53

The regression equation can therefore be written as

S= 64.94 +1.53 P … (2.16)

If we assign the values to P, we can get the corresponding estimated sales.

(ii) Multivariate Regression:

Multiple linear regression generates a forecast by linking two or more independent variables to the demand for a product. For example, sales of ice cream may be dependent on the price that is charged for the product, the temperature, and the number of hours of daylight. A model would be developed which described this relationship. Given a specific price, a temperature, and a number of daylight hours, a demand forecast for ice cream will be generated.

Estimation of the parameters of an equation with more than one independent variable is called multiple regressions. In principle, the concept of estimation with multiple regression is the same as with simple linear regression, but the necessary computations can be much more complicated. For an equation with three or more independent variables, the time required to calculate the values and likelihood of an arithmetic error make manual computation impractical. Consequently, virtually all regression analysis involving multivariate equations uses computers.

Because most economic relationships involve more than a simple relationship between a dependent and a single independent variable, multiple regression techniques are widely used in economics. For example, the demand for a product usually depends on more than just the price of the good. Other variables, such as income and prices of other goods can also have an influence.

Thus, a simple regression equation involving only quantity and price would be incomplete and probably would result in an incorrect estimation of the relationship between quantity and price. This is because the effects of other variables omitted from the equation are not taken into account. Similarly, a regression equation that included only the rate of output as the determinant of costs could generate inaccurate results because other factors, such as input prices, also affect costs.

With multiple regression, it is important that the user understands how to interpret the estimated coefficients of the equation. For example, it is assumed that costs are a function of output and price of labor. Thus the multiple regression equation can be written as:

Y = A + bX + cZ, … (2.17)

Where Y is the total cost

X is output,

Z is the price of labor

a, b, c, are the coefficients to be estimated.

The coefficients of X and Z indicate the effect on total cost of a one-unit change in each variable, holding the influence of the other variable constant. For example, b shows the change in total costs for a one-unit change in output, assuming that the price of labor stays the same. The coefficient of Z estimates the effect of a unit change in labor price, assuming that the rate of output is unchanged.

The multi-variable regression equation is used where demand for a commodity is deemed to be the function of many variables or in cases in which number of explanatory variables is greater than one.

The procedure of multiple regression analysis may be described as follows:

saya. Specify the independent variables that are supposed to explain the variations in the dependent variable. For example the demand for the product will be explained by the variables that are generally taken to be the determinants of demand viz., price of the product, prices of related good, consumer's income and their tastes and preference.

For estimating the demand for durable consumer goods, (eg refrigerators, house, scooters), the other variables which are considered are availability of credit and prevailing rate of interest. For estimating demand for capital goods, the relevant variables are additional corporate investment, rate of depreciation, cost of capital goods, cost of other inputs, market rate of interest etc. These variables are treated as independent variables.

ii. The second step is to collect time-series data on the independent variables.

aku aku aku. Specify the form of equation that can appropriately describe the nature and extent of relationship between the dependent and independent variables.

iv. The final step is to estimate the parameters in the chosen equations with the help of statistical techniques.

The form of equation and the degree of consistency of the explanatory variable in the estimated demand function determines the reliability of the demand. The greater the degree of consistency, the higher is the reliability of the estimated demand and vice versa.

Linear Function:

When the relationship between demand and its determinants is' linear the most common form of equation for estimating demand is as follows:

Dx = a + bPx + cPy + dY+ jA … (2.18)

where Dx = quantity demanded of commodity x; P= price of commodity X, Y= consumer's income; P= price of the substitute; A= advertisement expenditure; a is constant (the intercept), and b, c, d, and j are the parameters expressing the relationship between demand and Px, , Py, Y and A respectively.

In a linear function, quantity demanded changes at a constant rate with respect to change in independent variables Px, Y, Py and A. The regression coefficients are estimated by using the least square method and then, the demand can be easily forecast.

Simultaneous Equations:

The simultaneous equations method, also called the complete system approach to forecasting, is the most sophisticated econometric method of forecasting. It involves specification of a number of economic relations, one each for behavioral variable- estimation and solution of which yield the forecasting equations similar to the estimated regression equation.

One outstanding advantage of this method is that in this method we estimate the future values only predetermined variables, unlike regression equation where the value of both exogenous and endogenous variables have to be predicted. The method suffers from the demerit of complexity.

 

Tinggalkan Komentar Anda