Teknik Peramalan Permintaan (Metode Survei dan Statistik)

Tantangan utama untuk memperkirakan permintaan adalah memilih teknik yang efektif.

Tidak ada metode khusus yang memungkinkan organisasi untuk mengantisipasi risiko dan ketidakpastian di masa depan. Secara umum, ada dua pendekatan untuk peramalan permintaan.

Pendekatan pertama melibatkan peramalan permintaan dengan mengumpulkan informasi mengenai perilaku pembelian konsumen dari para ahli atau melalui melakukan survei. Di sisi lain, metode kedua adalah memperkirakan permintaan dengan menggunakan data masa lalu melalui teknik statistik.

Dengan demikian, kita dapat mengatakan bahwa teknik peramalan permintaan dibagi menjadi metode survei dan metode statistik. Metode survei umumnya untuk peramalan jangka pendek, sedangkan metode statistik digunakan untuk memperkirakan permintaan dalam jangka panjang.

Dua pendekatan ini ditunjukkan pada Gambar-10:

Mari kita bahas teknik-teknik ini (seperti yang ditunjukkan pada Gambar-10).

Metode Survei :

Metode survei adalah salah satu metode peramalan permintaan yang paling umum dan langsung dalam jangka pendek. Metode ini mencakup rencana pembelian konsumen di masa depan dan niat mereka. Dalam metode ini, suatu organisasi melakukan survei dengan konsumen untuk menentukan permintaan untuk produk dan layanan mereka yang ada dan mengantisipasi permintaan di masa depan yang sesuai.

Metode survei melakukan tiga latihan, yang ditunjukkan pada Gambar-11:

Latihan-latihan yang dilakukan dalam metode survei (seperti yang ditunjukkan pada Gambar-11) dibahas sebagai berikut:

saya. Poling Opini Ahli:

Mengacu pada metode di mana para ahli diminta untuk memberikan pendapat mereka tentang produk tersebut. Secara umum, dalam suatu organisasi, perwakilan penjualan bertindak sebagai ahli yang dapat menilai permintaan produk di berbagai daerah, wilayah, atau kota.

Perwakilan penjualan berhubungan erat dengan konsumen; oleh karena itu, mereka sangat menyadari rencana pembelian masa depan konsumen, reaksi mereka terhadap perubahan pasar, dan persepsi mereka terhadap produk pesaing lainnya. Mereka memberikan perkiraan perkiraan permintaan untuk produk organisasi. Metode ini cukup sederhana dan lebih murah.

Namun, ia memiliki keterbatasan sendiri, yang dibahas sebagai berikut:

Sebuah. Memberikan perkiraan yang tergantung pada keterampilan pasar para ahli dan pengalaman mereka. Keterampilan ini berbeda dari individu ke individu. Dengan cara ini, membuat perkiraan permintaan yang tepat menjadi sulit.

b. Melibatkan penilaian subyektif dari penilai, yang dapat menyebabkan kelebihan atau kekurangan estimasi.

c. Tergantung pada data yang diberikan oleh perwakilan penjualan yang mungkin memiliki informasi yang tidak memadai tentang pasar.

d. Mengabaikan faktor-faktor, seperti perubahan Produk Nasional Bruto, ketersediaan kredit, dan prospek industri di masa depan, yang mungkin terbukti membantu dalam perkiraan permintaan.

ii. Metode Delphi:

Mengacu pada teknik pengambilan keputusan kelompok untuk memperkirakan permintaan. Dalam metode ini, pertanyaan diajukan secara individual dari sekelompok ahli untuk mendapatkan pendapat mereka tentang permintaan produk di masa depan. Pertanyaan-pertanyaan ini berulang kali ditanyakan hingga diperoleh konsensus.

Selain itu, dalam metode ini, setiap pakar diberikan informasi mengenai perkiraan yang dibuat oleh pakar lain dalam grup, sehingga ia dapat merevisi perkiraannya sehubungan dengan perkiraan orang lain. Dengan cara ini, ramalan diperiksa silang di antara para ahli untuk mencapai pengambilan keputusan yang lebih akurat.

Pernah ahli dibiarkan bereaksi atau memberikan saran tentang perkiraan orang lain. Namun, nama-nama para ahli tetap anonim saat bertukar perkiraan di antara para ahli untuk memfasilitasi penilaian yang adil dan mengurangi efek halo.

Keuntungan utama dari metode ini adalah waktu dan biaya efektif karena sejumlah ahli didekati dalam waktu singkat tanpa menghabiskan sumber daya lainnya. Namun, metode ini dapat mengarah pada pengambilan keputusan subyektif.

aku aku aku. Metode Eksperimen Pasar:

Melibatkan pengumpulan informasi yang diperlukan mengenai permintaan saat ini dan masa depan untuk suatu produk. Metode ini melakukan studi dan eksperimen pada perilaku konsumen di bawah kondisi pasar aktual. Dalam metode ini, beberapa area pasar dipilih dengan fitur serupa, seperti populasi, tingkat pendapatan, latar belakang budaya, dan selera konsumen.

Eksperimen pasar dilakukan dengan bantuan mengubah harga dan pengeluaran, sehingga perubahan yang dihasilkan dalam permintaan dicatat. Hasil ini membantu dalam memperkirakan permintaan di masa depan.

Ada berbagai keterbatasan metode ini, yaitu sebagai berikut:

Sebuah. Mengacu pada metode yang mahal; oleh karena itu, mungkin tidak terjangkau oleh organisasi skala kecil

b. Mempengaruhi hasil eksperimen karena berbagai kondisi sosial-ekonomi, seperti pemogokan, ketidakstabilan politik, bencana alam

Metode Statistik :

Metode statistik adalah serangkaian metode peramalan permintaan yang kompleks. Metode ini digunakan untuk meramalkan permintaan dalam jangka panjang. Dalam metode ini, permintaan diperkirakan berdasarkan data historis dan data cross-sectional.

Data historis mengacu pada data masa lalu yang diperoleh dari berbagai sumber, seperti neraca tahun-tahun sebelumnya dan laporan survei pasar. Di sisi lain, data cross-sectional dikumpulkan dengan melakukan wawancara dengan individu dan melakukan survei pasar. Tidak seperti metode survei, metode statistik berbiaya efektif dan dapat diandalkan karena unsur subjektivitas minimum dalam metode ini.

Metode statistik yang berbeda ini ditunjukkan pada Gambar-12:

Metode statistik yang berbeda (seperti yang ditunjukkan pada Gambar-12).

Metode Proyeksi Tren :

Proyeksi tren atau metode kuadrat terkecil adalah metode klasik peramalan bisnis. Dalam metode ini, sejumlah besar data yang dapat diandalkan diperlukan untuk memperkirakan permintaan. Selain itu, metode ini mengasumsikan bahwa faktor-faktor, seperti penjualan dan permintaan, yang bertanggung jawab atas tren masa lalu akan tetap sama di masa depan.

Dalam metode ini, prakiraan penjualan dilakukan melalui analisis data masa lalu yang diambil dari pembukuan tahun sebelumnya. Dalam kasus organisasi baru, data penjualan diambil dari organisasi yang sudah ada di industri yang sama. Metode ini menggunakan data deret waktu tentang penjualan untuk memperkirakan permintaan suatu produk.

Tabel-1 menunjukkan data time-series XYZ Organization:

Metode proyeksi tren melakukan tiga metode lagi dalam akun, yaitu sebagai berikut:

saya. Metode Grafis:

Membantu meramalkan penjualan masa depan suatu organisasi dengan bantuan grafik. Data penjualan diplot pada grafik dan garis digambar pada titik diplot.

Mari kita pelajari ini melalui grafik yang ditunjukkan pada Gambar-13:

Gambar-13 menunjukkan kurva yang diplot dengan memperhitungkan data penjualan XYZ Organization (Tabel-1). Garis P ditarik melalui titik-titik tengah kurva dan S adalah garis lurus. Jalur ini diperpanjang untuk mendapatkan penjualan di masa depan untuk tahun 2010 yaitu sekitar 47 ton. Metode ini sangat sederhana dan lebih murah; namun, proyeksi yang dibuat dengan metode ini mungkin didasarkan pada bias pribadi peramal.

ii. Metode Trend pas:

Menyiratkan metode kuadrat terkecil di mana garis tren (kurva) disesuaikan dengan data deret waktu penjualan dengan bantuan teknik statistik.

Dalam metode ini, ada dua jenis tren yang diperhitungkan, yang dijelaskan sebagai berikut:

Sebuah. Tren Linier:

Menyiratkan tren di mana penjualan menunjukkan tren meningkat.

Dalam tren linear, persamaan tren garis lurus berikut dipasang:

S = A + BT

Dimana

S = penjualan tahunan

T = waktu (dalam tahun)

A dan B adalah konstan

B memberikan ukuran peningkatan penjualan tahunan

b. Tren Eksponensial:

Menyiratkan tren peningkatan penjualan selama beberapa tahun terakhir pada tingkat yang meningkat atau tingkat yang konstan.

Persamaan tren yang tepat digunakan adalah sebagai berikut:

Y = aTb

Dimana

Y = penjualan tahunan

T = waktu dalam tahun

a dan b adalah konstan

Mengubah ini menjadi logaritma, persamaannya adalah:

Log Y = Log a + b Log T

Keuntungan utama dari metode ini adalah mudah digunakan. Selain itu, persyaratan data metode ini sangat terbatas (karena hanya data penjualan yang diperlukan), sehingga metode ini tidak mahal.

Namun, metode ini juga mengalami keterbatasan tertentu, yaitu sebagai berikut:

1. Menganggap bahwa laju perubahan variabel di masa lalu akan tetap sama di masa depan juga, yang tidak berlaku dalam situasi praktis.

2. Gagal diterapkan untuk estimasi jangka pendek dan di mana tren adalah siklus dengan banyak fluktuasi

3. Gagal mengukur hubungan antara variabel dependen dan independen.

aku aku aku. Metode Kotak-Jenkins:

Mengacu pada metode yang hanya digunakan untuk prediksi jangka pendek. Metode ini memperkirakan permintaan hanya dengan data seri waktu stasioner yang tidak mengungkapkan tren jangka panjang. Ini digunakan dalam situasi di mana data deret waktu menggambarkan variasi bulanan atau musiman dengan beberapa derajat keteraturan. Misalnya, metode ini dapat digunakan untuk memperkirakan perkiraan penjualan pakaian wol selama musim dingin.

Metode Barometrik :

Dalam metode barometrik, permintaan diprediksi berdasarkan peristiwa masa lalu atau variabel kunci yang terjadi di masa kini. Metode ini juga digunakan untuk memprediksi berbagai indikator ekonomi, seperti tabungan, investasi, dan pendapatan. Metode ini diperkenalkan oleh Harvard Economic Service pada 1920 dan selanjutnya direvisi oleh National Bureau of Economic Research (NBER) pada 1930-an.

Teknik ini membantu dalam menentukan tren umum kegiatan bisnis. Sebagai contoh, anggaplah pemerintah membagikan tanah kepada masyarakat XYZ untuk membangun bangunan. Ini menunjukkan bahwa akan ada permintaan tinggi untuk semen, batu bata, dan baja.

Keuntungan utama dari metode ini adalah bahwa itu berlaku bahkan tanpa adanya data masa lalu. Namun, metode ini tidak berlaku untuk produk baru. Selain itu, ia kehilangan penerapannya ketika tidak ada jeda waktu antara indikator ekonomi dan permintaan.

Metode Ekonometrik :

Metode ekonometrik menggabungkan alat statistik dengan teori ekonomi untuk peramalan. Prakiraan yang dibuat oleh metode ini sangat dapat diandalkan daripada metode lainnya. Model ekonometrik terdiri dari dua jenis metode yaitu, model regresi dan model persamaan simultan.

Kedua jenis metode ini dijelaskan sebagai berikut:

saya. Metode Regresi:

Lihat metode peramalan permintaan yang paling populer. Dalam metode regresi, fungsi permintaan untuk suatu produk diperkirakan di mana permintaan adalah variabel dependen dan variabel yang menentukan permintaan adalah variabel independen.

Jika hanya satu variabel yang mempengaruhi permintaan, maka itu disebut fungsi permintaan variabel tunggal. Dengan demikian, teknik regresi sederhana digunakan. Jika permintaan dipengaruhi oleh banyak variabel, maka itu disebut fungsi permintaan multi-variabel. Oleh karena itu, dalam kasus seperti itu, regresi berganda digunakan.

Teknik regresi sederhana dan berganda dibahas sebagai berikut:

Sebuah. Regresi Sederhana:

Mengacu pada mempelajari hubungan antara dua variabel di mana satu adalah variabel independen dan yang lainnya adalah variabel dependen.

Persamaan untuk menghitung regresi sederhana adalah sebagai berikut:

Y = a + bx

Di mana, Y = Nilai estimasi Y untuk nilai X yang diberikan

b = Jumlah perubahan dalam Y yang dihasilkan oleh perubahan satuan dalam X

a dan b = Konstanta

Persamaan untuk menghitung a dan b adalah sebagai berikut:

Mari kita belajar menghitung regresi sederhana dengan bantuan contoh. Misalkan seorang peneliti ingin mempelajari hubungan antara kepuasan karyawan (kelompok penjualan) dan penjualan suatu organisasi.

Dia telah mengambil umpan balik dari karyawan dalam bentuk kuesioner dan meminta mereka untuk menilai tingkat kepuasan mereka pada skala 10-pointer di mana 10 adalah yang tertinggi dan 1 adalah yang terendah. Peneliti telah mengambil data penjualan untuk setiap individu anggota kelompok penjualan. Dia telah mengambil rata-rata penjualan bulanan selama satu tahun untuk setiap individu.

Data yang dikumpulkan diatur dalam Tabel-2:

Perhitungan rata-rata untuk kepuasan karyawan (X) dan penjualan adalah sebagai berikut:

Ini adalah persamaan regresi di mana peneliti dapat mengambil nilai X apa pun untuk menemukan nilai estimasi Y.

Misalnya, jika nilai X adalah 9, maka nilai Y akan dihitung sebagai berikut:

Y = -1, 39 + 1, 61X

Y = -1, 39 + 1, 61 (9)

Y = 13.

Dengan bantuan contoh sebelumnya, dapat disimpulkan bahwa jika seorang karyawan puas, maka outputnya akan meningkat.

b. Regresi Berganda:

Mengacu pada mempelajari hubungan antara lebih dari satu variabel independen dan dependen.

Dalam kasus dua variabel independen dan satu variabel dependen, persamaan berikut digunakan untuk menghitung regresi berganda:

Y = a + b1X1 + b2X2

Di mana, Y (variabel dependen) = Nilai estimasi Y untuk nilai X1 dan X yang diberikan

X1 dan X2 = Variabel independen

b1 = Jumlah perubahan dalam Y yang dihasilkan oleh perubahan satuan dalam X

b2 = Jumlah perubahan dalam Y yang dihasilkan oleh perubahan satuan dalam X2

a, b1 dan b2 = Konstanta

Persamaan yang digunakan untuk menghitung nilai a dan b adalah sebagai berikut:

Jumlah persamaan tergantung pada jumlah variabel independen. Jika ada dua variabel independen, maka akan ada tiga persamaan dan seterusnya.

Mari kita belajar menghitung regresi berganda dengan bantuan contoh. Misalkan peneliti ingin mempelajari hubungan antara persentase menengah, persentase kelulusan, dan persentase MAT dari kelompok yang terdiri dari 25 siswa.

Penting untuk dicatat bahwa persentase menengah dan persentase kelulusan adalah variabel independen dan persentase MAT adalah variabel dependen. Peneliti ingin mengetahui apakah persentase dalam MAT tergantung pada persentase menengah dan kelulusan atau tidak.

Data yang dikumpulkan ditunjukkan pada Tabel-3:

Persamaan yang diperlukan untuk menghitung regresi berganda adalah sebagai berikut:

Persamaan ini digunakan untuk menyelesaikan persamaan regresi berganda secara manual. Namun, Anda juga dapat menggunakan SPSS untuk mengetahui regresi berganda.

Jika kita menggunakan SPSS pada contoh sebelumnya, kita akan mendapatkan output seperti pada Tabel-4:

Tabel-5 menunjukkan ringkasan model regresi. Dalam tabel ini, R adalah koefisien korelasi antara variabel independen dan dependen, yang sangat tinggi dalam kasus ini. R Square menunjukkan bahwa sebagian besar variasi dalam model ditunjukkan oleh peluang kerja di suatu negara. Kesalahan estimasi standar cukup rendah yaitu 1, 97. Ini juga menunjukkan bahwa variasi dalam data saat ini kurang.

Tabel-6 menunjukkan koefisien model regresi:

Tabel-6 menunjukkan bahwa nilai t yang dihitung lebih besar dari nilai t signifikansi. Dengan demikian, koefisien menunjukkan hubungan sebab dan akibat antara variabel independen dan dependen.

Tabel-7 menunjukkan tabel AN OVA untuk dua variabel yang diteliti:

Tabel-7 menunjukkan analisis variasi dalam model. Baris regresi menunjukkan variasi yang terjadi karena model regresi. Namun, baris sisa menunjukkan variasi yang terjadi secara kebetulan. Pada Tabel-7, nilai jumlah kuadrat untuk baris regresi lebih besar dari nilai jumlah kuadrat untuk baris residual; oleh karena itu, sebagian besar variasi diproduksi hanya karena model.

Nilai F yang dihitung sangat besar dibandingkan dengan nilai signifikansi. Oleh karena itu, kita dapat mengatakan bahwa persentase menengah dan persentase kelulusan memiliki efek yang kuat pada persentasi MAT seorang siswa.

Persamaan simultan:

Libatkan beberapa persamaan simultan.

Ada dua jenis variabel yang termasuk dalam model ini, yaitu sebagai berikut:

saya. Variabel Endogen:

Lihat input yang ditentukan dalam model. Ini adalah variabel yang dikendalikan.

ii. Variabel eksogen:

Lihat input model. Contohnya adalah waktu, pengeluaran pemerintah, dan kondisi cuaca. Variabel-variabel ini ditentukan di luar model.

Untuk mengembangkan model yang lengkap, variabel endogen dan eksogen ditentukan terlebih dahulu. Setelah itu, data yang diperlukan pada variabel eksogen dan endogen dikumpulkan. Terkadang, data tidak tersedia dalam bentuk yang diperlukan, sehingga perlu disesuaikan ke dalam model.

Setelah pengembangan data yang diperlukan, model diperkirakan melalui beberapa metode yang sesuai. Akhirnya, model diselesaikan untuk setiap variabel endogen dalam hal variabel eksogen. Prediksi ini akhirnya dibuat.

Tindakan Statistik Lainnya :

Terlepas dari metode statistik, ada metode lain untuk peramalan permintaan. Langkah-langkah ini sangat spesifik dan hanya digunakan untuk dataset tertentu. Oleh karena itu, penggunaan di sana tidak dapat digeneralisasi untuk semua jenis penelitian.

Langkah-langkah ini ditunjukkan pada Gambar-14:

Berbagai jenis ukuran statistik (seperti yang ditunjukkan pada Gambar-14) dibahas sebagai berikut:

aku aku aku. Nomor indeks:

Mengacu pada langkah-langkah yang digunakan untuk mempelajari fluktuasi dalam suatu variabel atau kelompok variabel terkait sehubungan dengan periode waktu / periode dasar. Mereka paling sering digunakan dalam penelitian ekonomi dan keuangan untuk mempelajari berbagai faktor, seperti harga dan kuantitas suatu produk. Faktor-faktor yang bertanggung jawab untuk masalah diidentifikasi dan dihitung.

Ada empat jenis nomor indeks, yaitu sebagai berikut:

Sebuah. Nomor indeks sederhana:

Mengacu pada angka yang mengukur perubahan relatif dalam satu variabel sehubungan dengan tahun dasar.

b. Nomor indeks komposit:

Mengacu pada angka yang mengukur perubahan relatif dalam kelompok variabel terkait sehubungan dengan tahun dasar.

c. Nomor indeks harga:

Mengacu pada angka yang mengukur perubahan relatif dalam harga suatu komoditas dalam periode waktu yang berbeda.

d. Nomor indeks kuantitas:

Mengacu pada angka yang mengukur perubahan relatif dalam jumlah fisik barang yang diproduksi, dikonsumsi atau dijual untuk suatu komoditas dalam periode waktu yang berbeda.

Analisis Rangkaian Waktu: Mengacu pada serangkaian pengamatan selama periode interval waktu yang sama. Misalnya menganalisis pertumbuhan suatu perusahaan dari penggabungannya dengan situasi saat ini. Analisis deret waktu berlaku di berbagai bidang, seperti sektor publik, ekonomi, dan penelitian.

Ada berbagai komponen analisis deret waktu, yaitu sebagai berikut:

Sebuah. Tren sekuler:

Mengacu pada tren yang dilambangkan dengan T dan lazim selama periode waktu tertentu. Tren sekuler untuk seri data dapat naik atau turun. Tren naik menunjukkan peningkatan dalam suatu variabel, seperti kenaikan harga komoditas; sedangkan, tren menurun menunjukkan fase menurun, seperti penurunan tingkat penyakit dan penjualan untuk produk tertentu.

b. Osilasi Waktu Singkat:

Mengacu pada tren yang tetap untuk periode waktu yang lebih singkat.

Ini dapat diklasifikasikan ke dalam tiga tren berikut:

1. Tren musiman:

Mengacu pada tren yang dilambangkan oleh S dan terjadi tahun demi tahun untuk periode tertentu. Alasan untuk tren tersebut adalah kondisi cuaca, festival, dan beberapa kebiasaan lainnya. Contoh tren musiman adalah peningkatan permintaan wol di musim dingin dan peningkatan penjualan untuk manis di dekat Diwali.

2. Tren Siklus:

Mengacu pada tren yang dilambangkan oleh C dan bertahan lebih dari satu tahun. Tren siklus tidak bersifat berkelanjutan atau musiman. Contoh tren siklus adalah siklus bisnis.

3. Tren tidak teratur:

Mengacu pada tren yang dilambangkan oleh I dan bersifat pendek dan tidak terduga. Contoh tren tidak teratur adalah gempa bumi, letusan gunung berapi, dan banjir.

Analisis Pohon Keputusan:

Mengacu pada model yang digunakan untuk mengambil keputusan dalam suatu organisasi. Dalam analisis pohon keputusan, struktur tipe pohon diambil untuk memutuskan solusi terbaik untuk suatu masalah. Dalam analisis ini, pertama-tama kita akan menemukan berbagai opsi yang dapat kita terapkan untuk menyelesaikan masalah tertentu.

Setelah itu, kita bisa mengetahui hasil dari setiap opsi. Pilihan / keputusan ini terhubung dengan simpul kuadrat sementara hasilnya ditunjukkan dengan simpul lingkaran. Alur pohon keputusan harus dari kiri ke kanan.

Bentuk pohon keputusan ditunjukkan pada Gambar-15:

Mari kita memahami cara kerja pohon keputusan dengan bantuan contoh. Misalkan organisasi ingin memutuskan jenis segmentasi untuk meningkatkan basis pelanggan.

Masalah ini dapat diselesaikan dengan menggunakan pohon keputusan yang ditunjukkan pada Gambar-16:

Pada Gambar-16, pohon keputusan menunjukkan dua jenis segmentasi, yaitu segmentasi demografis dan segmentasi geografis. Sekarang, kami akan menganalisis hasil dari dua segmentasi ini. Untuk menganalisis segmentasi demografis, perusahaan harus mengeluarkan S 40.000 (perkiraan biaya). Hasil segmentasi demografis bisa baik, sedang, dan buruk.

Perkiraan pendapatan yang diproyeksikan selama tiga tahun untuk tiga opsi (baik, sedang, dan buruk) adalah sebagai berikut:

Bagus = $ 21500000

Sedang = $ 950000

Buruk = S300000

Probabilitas yang ditetapkan untuk hasil adalah 0, 4 untuk yang baik, 0, 5 untuk yang sedang, dan 0, 1 untuk yang buruk.

Sekarang, kami menghitung hasil segmentasi demografis dengan cara berikut:

Bagus = 0, 4 * 2100000 = 840000

Sedang = 0, 5 * 950000 = 475000

Buruk = 0, 1 * 300000 = 30000

Demikian pula, dalam hal segmentasi geografis, biaya yang dikeluarkan adalah $ 70000 (perkiraan biaya). Hasil dari segmentasi geografis dapat menjadi baik dan buruk.

Estimasi pendapatan yang diproyeksikan selama tiga tahun untuk dua opsi (baik dan buruk) adalah sebagai berikut:

Bagus = $ 1350000

Buruk = $ 260000

Probabilitas yang ditetapkan untuk hasil adalah 0, 6 untuk yang baik dan 0, 4 untuk yang buruk.

Sekarang, kami menghitung hasil segmentasi geografis dengan cara berikut:

Bagus = 0, 6 * 1350000 = $ 810000

Buruk = 0, 4 * 260000 = $ 104000

Sekarang, kami akan menganalisis dua hasil untuk mengambil keputusan untuk memilih satu segmentasi dari dua segmentasi dengan cara berikut:

Untuk segmentasi demografis:

Bagus = 840000-40000 = $ 800000

Sedang = 475000-40000 = $ 435000

Buruk = 30000-40000 = $ (10000)

Demikian pula, untuk segmentasi geografis:

Bagus = 810000-70000 = $ 740000

Buruk = 104000-70000 = $ 340000

Seperti yang dapat kita lihat dari perhitungan bahwa jika kita memilih segmentasi demografis, maka laba maksimum yang diperkirakan adalah $ 800.000. Dalam segmentasi demografis, ada kemungkinan terjadi kerugian (10.000), jika produk tidak berhasil di pasar.

Jika kita memilih segmentasi geografis, maka estimasi laba maksimum adalah $ 740000. Dalam segmentasi geografis, kita akan mendapat untung lebih sedikit (S 340000), jika produk tidak berhasil di pasar. Karena itu, lebih baik menggunakan segmentasi geografis untuk memasarkan produk, karena tidak ada kerugian yang terlibat di dalamnya.

 

Tinggalkan Komentar Anda