7.1 Peran Peramalan dalam Rantai Pasokan
Prakiraan permintaan membentuk dasar dari semua perencanaan rantai pasokan. Semua proses dorongan dalam rantai pasokan dilakukan untuk mengantisipasi permintaan pelanggan, sedangkan semua proses tarik dilakukan dalam menanggapi permintaan pelanggan.
Contoh:
-
Produksi: penjadwalan, persediaan, perencanaan agregat
-
Pemasaran: alokasi tenaga penjualan, promosi, pengenalana produksi baru
-
Keuangan: investasi pabrik/peralatan, perencanaan anggaran
-
Pegawai: perencanaan tenaga kerja, mempekerjakan, PHK
Ketika setiap tahap dalam rantai pasokan membuat perkiraan terpisah sendiri, perkiraan ini sering sangat berbeda. Hasilnya adalah ketidaksesuaian antara penawaran dan permintaan. Ketika semua tahap dari rantai pasokan bekerja sama untuk menghasilkan perkiraan kolaboratif, bagaimanapun, ramalan cenderung jauh lebih akurat. Pemimpin di banyak rantai pasokan meningkatkan kemampuan mereka untuk mencocokkan penawaran dan permintaan dengan bergerak ke arah peramalan kolaboratif. Mempertimbangkan nilai peramalan kolaboratif untuk Coca-Cola dan pembotolan nya. Coca-Cola memutuskan pada waktu promosi berdasarkan permintaan diperkirakan selama kuartal mendatang dimasukkan ke dalam perkiraan permintaan diperbarui. ramalan diperbarui sangat penting untuk pembotolan untuk merencanakan keputusan kapasitas dan produksi mereka.
Peramalan untuk produk yang permintaannya stabil seperti susu ataupun tisu toilet lebih mudah untuk diperkirakan. Sedangkan barang-barang fashion dan produk berteknologi tinggi sulit untuk diramalkan. Dalam kedua kasus, perkiraan kesalahan peramalan adalah penting ketika merancang rantai pasokan dan perencanaan responnya.
7.2 Karakteristik Peramalan
Perusahaan dan manajer rantai pasokan harus menyadari karakteristik berikut dari perkiraan.
1. Prakiraan selalu tidak akurat dan dengan demikian harus mencakup nilai yang diharapkan dari perkiraan dan ukuran kesalahan peramalan. Contohnya dua dealer mobil mengharapkan penjualan berkisar antara 100 dan 1.900 unit, sedangkan yang lain mengharapkan penjualan berkisar antara 900 dan 1.100 unit. Meskipun kedua dealer mengantisipasi penjualan rata-rata 1.000, kebijakan sumber untuk setiap dealer harus sangat berbeda, mengingat perbedaan dalam akurasi perkiraan. Dengan demikian, perkiraan kesalahan (atau permintaan ketidakpastian) adalah masukan kunci ke sebagian besar keputusan rantai pasokan.
2. Prakiraan jangka panjang biasanya kurang akurat dibandingkan perkiraan jangka pendek; yaitu, prakiraan jangka panjang memiliki standar deviasi yang lebih besar dari kesalahan relatif terhadap mean dari perkiraan jangka pendek. Sebagai contoh, jika seorang manajer toko tempat pesanan oleh 10, urutan disampaikan oleh 19:00 hari yang sama. Oleh karena itu, manajer memiliki untuk meramalkan apa yang akan menjual malam itu hanya kurang dari 12 jam sebelum penjualan yang sebenarnya. Perkiraan ini mungkin akan lebih akurat daripada jika manajer toko harus meramalkan kebutuhan satu minggu di awal.
3. Prakiraan agregat biasanya lebih akurat daripada perkiraan disagregat, karena mereka cenderung memiliki standar deviasi yang lebih kecil dari kesalahan relatif terhadap mean. Sebagai contoh, mudah untuk meramalkan produk domestik bruto (PDB) dari Amerika Serikat untuk tahun tertentu dengan kurang dari kesalahan 2 persen. Namun, jauh lebih sulit untuk meramalkan pendapatan tahunan untuk perusahaan dengan kurang dari kesalahan 2 persen, dan bahkan lebih sulit untuk meramalkan pendapatan untuk produk tertentu dengan tingkat akurasi yang sama. Perbedaan utama antara tiga perkiraan adalah tingkat agregasi. PDB memiliki agregasi di banyak perusahaan, dan pendapatan dari perusahaan adalah agregasi di beberapa lini produk. Semakin besar agregasi, semakin akurat ramalan.
4. Secara umum, lebih jauh ke rantai pasokan perusahaan adalah (atau jauh itu adalah dari konsumen), semakin besar distorsi informasi yang diterimanya. Salah satu contoh klasik dari fenomena ini adalah bullwhip effect, di mana variasi diperkuat sebagai perintah bergerak lebih jauh dari konsumen akhir. Peramalan kolaboratif berdasarkan penjualan ke pelanggan akhir membantu perusahaan hulu mengurangi kesalahan perkiraan.
7.3 Komponen dari Peramalan dan Metode Peramalan
Permintaan tidak muncul dalam ruang hampa. Sebaliknya, permintaan pelanggan dipengaruhi oleh berbagai faktor dan dapat diprediksi, setidaknya dengan beberapa kemungkinan. Pengetahuan kemungkinan kondisi pasar akan meningkatkan perkiraan. Sebagai contoh, jika manajer toko tahu bahwa cuaca cenderung hujan dan dingin pada hari berikutnya, ia dapat mengurangi ukuran pesanan es krim untuk ditempatkan dengan pemasok hulu, bahkan jika permintaan tinggi selama sebelumnya beberapa hari ketika cuaca panas. Dalam hal ini, perubahan kondisi pasar (cuaca) tidak akan diprediksi menggunakan data permintaan historis.
Sebuah perusahaan harus memiliki pengetahuan tentang berbagai faktor yang terkait dengan peramalan permintaan, seperti:
-
Permintaan dimasa lampau
-
Lead time pengisian produk
-
Merencanakan usaha periklanan atau pemasaran
-
Merencanakan diskon harga
-
Kondisi Ekonomi
-
Tindakan yang telah diambil pesaing
Metode peramalan diklasifikasikan berdasarkan empat jenis seperti berikut:
1. Qualitative: terutama subjektif dan bergantung pada penilaian manusia. Paling tepat ketika sedikit data historis yang tersedia atau ketika para ahli memiliki kecerdasan pasar yang dapat mempengaruhi ramalan. Metode tersebut juga mungkin diperlukan untuk meramalkan permintaan beberapa tahun ke depan dalam industri baru
2. Time series: metode peramalan menggunakan permintaan historis untuk membuat perkiraan. Didasarkan pada asumsi bahwa sejarah permintaan masa lalu merupakan indikator yang baik dari masa depan permintaan. Ini adalah metode paling sederhana untuk menerapkan dan dapat berfungsi sebagai titik awal yang baik untuk perkiraan permintaan.
3. Causal: mengasumsikan bahwa perkiraan permintaan sangat berkorelasi dengan faktor-faktor tertentu di lingkungan (keadaan ekonomi, suku bunga, dll). Sebagai contoh, harga produk sangat berkorelasi dengan permintaan. Perusahaan sehingga dapat menggunakan metode kausal untuk menentukan dampak dari promosi harga pada permintaan.
4. Simulation: meniru pilihan konsumen yang menimbulkan permintaan untuk sampai pada perkiraan. Menggunakan simulasi, perusahaan dapat menggabungkan time-series dan metode kausal untuk menjawab pertanyaan-pertanyaan. Maskapai penerbangan mensimulasikan perilaku pembelian pelanggan untuk meramalkan permintaan untuk kursi tarif tinggi bila tidak ada kursi yang tersedia di tarif yang lebih rendah.
Bahkan, beberapa studi telah menunjukkan bahwa menggunakan beberapa metode peramalan untuk membuat perkiraan gabungan lebih efektif daripada menggunakan salah satu metode saja.
Permintaan diamati (O) = komponen sistematis (S) + komponen acak (R)
Komponen sistematis mengukur nilai yang diharapkan dari permintaan dan terdiri dari apa yang akan kita sebut tingkat, deseasonalized permintaan saat ini; tren, tingkat pertumbuhan atau penurunan permintaan untuk periode berikutnya; dan musiman, fluktuasi musiman diprediksi dalam permintaan.
Komponen acak adalah bagian dari perkiraan yang menyimpang dari bagian sistematis. Tujuan dari peramalan adalah untuk menyaring komponen random (noise) dan memperkirakan komponen sistematik. Kesalahan perkiraan mengukur perbedaan antara perkiraan dan permintaan yang sebenarnya.
7.4 Pendekatan Dasar untuk Peramalan Permintaan
Berikut lima poin penting bagi suatu organisasi untuk meramalkan secara efektif:
1. Memahami tujuan peramalan.
2. Mengintegrasikan perencanaan permintaan dan peramalan seluruh rantai pasokan.
3. Mengidentifikasi faktor-faktor utama yang mempengaruhi perkiraan permintaan.
4. Prakiraan pada tingkat yang sesuai agregasi.
5. Membangun kinerja dan kesalahan langkah-langkah untuk ramalan.
Memahami Tujuan Peramalan
Contoh keputusan tersebut termasuk berapa banyak produk tertentu untuk membuat, berapa banyak untuk persediaan, dan berapa banyak untuk memesan. Semua pihak yang terkena dampak keputusan rantai pasokan harus menyadari hubungan antara keputusan dan ramalan. Kegagalan untuk membuat keputusan ini bersama-sama dapat mengakibatkan baik produk terlalu banyak atau terlalu sedikit dalam berbagai tahap rantai pasokan.
Mengintegrasikan Perencanaan Permintaan dan Peramalan Sepanjang Rantai Pasokan
Termasuk perencanaan kapasitas, perencanaan produksi, perencanaan promosi, dan pembelian, antara lain. Hal ini menyebabkan ketidaksesuaian antara penawaran dan permintaan, sehingga layanan pelanggan miskin. Untuk mencapai integrasi, itu adalah ide yang baik bagi perusahaan untuk memiliki tim lintas fungsional, dengan anggota dari masing-masing fungsi terpengaruh bertanggung jawab untuk peramalan permintaan dan ide yang lebih baik adalah untuk memiliki anggota dari perusahaan yang berbeda dalam rantai pasokan bekerja sama untuk membuat ramalan.
Mengidentifikasi Faktor Utama yang Mempengaruhi Prakiraan Permintaan
Perkiraan ini harus didasarkan pada permintaan, bukan pada data penjualan. Sebagai contoh, supermarket dipromosikan merek tertentu sereal pada bulan Juli 2014. Akibatnya, permintaan untuk sereal ini adalah tinggi, sedangkan permintaan lainnya, merek sereal sebanding rendah pada bulan Juli. Supermarket tidak harus menggunakan data penjualan dari 2014 untuk memperkirakan bahwa permintaan untuk merek ini akan tinggi pada bulan Juli 2015, karena ini hanya akan terjadi jika merek yang sama dipromosikan lagi pada bulan Juli 2015 dan merek lain merespon seperti yang mereka lakukan tahun sebelumnya. Ketika membuat perkiraan permintaan, supermarket harus memahami apa permintaan akan tanpa adanya kegiatan promosi dan bagaimana permintaan dipengaruhi oleh promosi dan tindakan pesaing.
Di sisi penawaran, perusahaan harus mempertimbangkan sumber pasokan yang tersedia untuk menentukan akurasi perkiraan yang diinginkan. Di sisi produk, perusahaan harus mengetahui jumlah varian produk yang dijual dan apakah varian ini pengganti atau melengkapi satu sama lain. Jika permintaan untuk produk pengaruh atau dipengaruhi oleh permintaan untuk produk lain, dua prakiraan terbaik yang dibuat bersama-sama.
Prakiraan di Tingkat Sesuai Agregasi
Mengingat bahwa perkiraan agregat yang lebih akurat daripada perkiraan disagregat, penting untuk meramalkan pada tingkat agregasi yang tepat, mengingat keputusan rantai pasokan yang didorong oleh perkiraan. Pertimbangkan pembeli di rantai ritel yang peramalan untuk memilih ukuran pesanan untuk kemeja. Keuntungan dari pendekatan ini adalah bahwa ia menggunakan intelijen pasar lokal yang masing-masing manajer toko memiliki. Masalah dengan pendekatan ini adalah bahwa hal itu membuat manajer toko meramalkan baik sebelum permintaan muncul pada saat perkiraan mereka tidak mungkin akurat.
Membangun Kinerja dan Mengukur Kesalahan untuk Prakiraan
Perusahaan harus membuat langkah-langkah kinerja yang jelas untuk mengevaluasi akurasi dan ketepatan waktu ramalan. Langkah-langkah ini harus dikaitkan dengan tujuan dari keputusan bisnis berdasarkan ramalan ini. Pertimbangkan sebuah perusahaan mail-order yang menggunakan perkiraan untuk menempatkan pesanan dengan pemasok, yang mengambil dua bulan untuk mengirimkan perintah. Pada akhir musim penjualan, perusahaan harus membandingkan permintaan aktual permintaan diperkirakan untuk memperkirakan akurasi ramalan. Kemudian berencana untuk mengurangi kesalahan ramalan masa depan atau menanggapi kesalahan ramalan diamati dapat dimasukkan ke dalam tempat.
7.5 Metode Peramalan Time-Series
Tujuan adalah untuk memprediksi komponen sistematik permintaan dan memperkirakan komponen acak. Dalam bentuk yang paling umum, komponen sistematis data permintaan mengandung tingkat, tren, dan faktor musiman. Persamaan untuk menghitung komponen sistematik dapat mengambil berbagai bentuk:
-
Multiplicative: komponen sistematik = tingkat * tren * faktor musiman
-
Additive: komponen sistematik = tingkat + tren + faktor musiman
-
Mixed: komponen sistematik = (tingkat + tren) * faktor musiman
Bentuk spesifik dari komponen sistematik berlaku untuk perkiraan yang diberikan tergantung pada sifat permintaan.
Metode statis
Mengasumsikan bahwa perkiraan tingkat, tren, dan musiman dalam komponen sistematis tidak bervariasi karena permintaan baru diamati. Dalam hal ini, kami memperkirakan masing-masing parameter tersebut berdasarkan data historis dan kemudian menggunakan nilai yang sama untuk semua perkiraan masa depan. Kami berasumsi bahwa komponen sistematik permintaan dicampur; itu adalah
komponen sistematik = (tingkat + tren) * faktor musiman
Pendekatan serupa dapat diterapkan untuk bentuk lain juga. Kita mulai dengan definisi dasar:
L = perkiraan tingkat di t = 0 (estimasi permintaan deseasonalized selama Masa t = 0)
T = perkiraan tren (kenaikan atau penurunan permintaan per periode)
St = perkiraan faktor musiman Periode t
Dt = permintaan yang sebenarnya diamati di Masa t
Ft = meramalkan permintaan untuk Periode t
Dalam metode peramalan statis, perkiraan di Masa t untuk permintaan di Masa t + l adalah produk dari tingkat di Masat + l dan faktor musiman untuk Periode t + l. Tingkat di Masa t + l adalah jumlah dari tingkat di Masa 0 (L) Dan (t + l) Kali tren T. Ramalan di Masa t untuk permintaan di Masat + l dengan demikian diberikan sebagai
Kami sekarang menggambarkan salah satu metode untuk memperkirakan tiga parameter L. T, dan S. Sebagai contoh, mempertimbangkan permintaan batu garam yang digunakan terutama untuk mencairkan salju. Garam ini diproduksi oleh perusahaan bernama Tahoe Salt, yang menjual garam melalui berbagai pengecer independen di sekitar wilayah Danau Tahoe Sierra Nevada Mountains. Di masa lalu, Tahoe Salt mengandalkan perkiraan permintaan dari sampel pengecer, tetapi perusahaan telah memperhatikan bahwa pengecer ini selalu melebih-lebihkan pembelian mereka, meninggalkan Tahoe (dan bahkan beberapa pengecer) terjebak dengan kelebihan persediaan. Setelah bertemu dengan pengecer, Tahoe telah memutuskan untuk menghasilkan perkiraan kolaboratif. Tahoe Salt ingin bekerja dengan pengecer untuk membuat perkiraan yang lebih akurat berdasarkan penjualan ritel yang sebenarnya garam mereka. Data permintaan ritel kuartalan selama tiga tahun terakhir ditunjukkan pada Tabel 7-1 dan memetakan pada Figure 7-1.
Pada Figure 7-1, mengamati bahwa permintaan untuk garam musiman, meningkat dari kuartal kedua tahun tertentu untuk kuartal pertama tahun berikutnya. Kuartal kedua setiap tahun memiliki permintaan terendah. Setiap siklus berlangsung empat kuartal, dan pola permintaan berulang setiap tahun. Ada juga tren pertumbuhan permintaan, dengan pertumbuhan penjualan selama tiga tahun terakhir. Perusahaan memperkirakan bahwa pertumbuhan akan berlanjut di tahun mendatang pada tingkat historis. Kami sekarang menggambarkan dua langkah berikut diperlukan untuk memperkirakan masing-masing tiga parameter tingkat, tren, dan faktor musiman.
1. Deseasonalize permintaan dan menjalankan regresi linier untuk memperkirakan tingkat dan tren.
2. Memperkirakan faktor musiman.
Memperkirakan Tingkat dan Tren
Tujuan dari langkah ini adalah untuk memperkirakan tingkat di Periode 0 dan tren. Kita mulai dengan deseasonalizing data permintaan. Permintaan deseasonalized merupakan permintaan yang akan telah diamati dengan tidak adanya fluktuasi musiman. Itu periodisitas (p) Adalah jumlah periode setelah siklus musiman berulang. Untuk permintaan Tahoe Salt ini, pola berulang setiap tahun. Mengingat bahwa kita mengukur permintaan secara triwulanan, periodisitas untuk permintaan di Tabel 7-1 adalah p = 4.
Untuk memastikan bahwa setiap musim diberikan bobot yang sama ketika deseasonalizing permintaan, kita mengambil rata-rata p periode berturut-turut dari permintaan. Rata-rata permintaan dari Masal + 1 ke Periode l + p menyediakan permintaan deseasonalized Periode l + (p + 1) / 2. Jikap aneh, metode ini menyediakan permintaan deseasonalized untuk jangka waktu yang ada. Jikap bahkan, metode ini memberikan permintaan deseasonalized pada titik antara Periodel + (p/ 2) dan Periode l + 1 + (p/ 2). Dengan mengambil rata-rata permintaan deseasonalized disediakan oleh Periodel + 1 untuk l + p dan l + 2 untukl + p + 1, kita memperoleh permintaan deseasonalized Periode l + 1 + (p/ 2) jika p bahkan. Dengan demikian, permintaan deseasonalized,Dt, Untuk Periode t, Dapat diperoleh sebagai berikut:
Dalam contoh kita, p = 4 bahkan. Untukt = 3, kita memperoleh permintaan deseasonalized menggunakan Persamaan 7.2 sebagai berikut:
Dengan prosedur ini, kita bisa memperoleh permintaan deseasonalized antara Periode 3 dan 10 seperti yang ditunjukkan pada Gambar 7-2 dan 7-3 (semua rincian yang tersedia di spreadsheet yang menyertainya Bab 7-Tahoe-garam).
Berikut ini hubungan linear antara permintaan deseasonalized, Dt, dan waktu t, Berdasarkan perubahan permintaan dari waktu ke waktu:
Dalam Persamaan 7.3, Dt merupakan permintaan deseasonalized dan bukan permintaan yang sebenarnya di Masa t, L mewakili tingkat atau permintaan deseasonalized di Periode 0, dan T merupakan laju pertumbuhan permintaan deseasonalized atau tren. Kita bisa memperkirakan nilai-nilai L dan T untuk permintaan deseasonalized menggunakan regresi linier dengan permintaan deseasonalized (lihat FIgure 7-2) sebagai variabel dependen dan waktu sebagai variabel independen. regresi tersebut dapat dijalankan menggunakan Microsoft Excel (Data|Analisis Data|Regresi). Ini urutan perintah membuka Regresi kotak dialog di Excel. Untuk buku kerja Tahoe Salt dalam Figure 7-2, dalam kotak dialog yang muncul, kita memasuki
dan klik tombol OK. Lembar baru yang berisi hasil regresi membuka. Lembar baru ini berisi taksiran untuk kedua tingkat awalL dan tren T. Awal level, L, Diperoleh sebagai koefisien intercept, dan tren, T, Diperoleh sebagai X koefisien variabel (Atau kemiringan) dari lembar berisi hasil regresi. Untuk contoh Tahoe Salt, kita memperolehL = 18.439 dan T = 524 (semua rincian yang tersedia di lembar kerja Regresi-1 dan nomor dibulatkan ke nilai integer). Untuk contoh ini, permintaan deseasonalized Dt Periode setiap t dengan demikian diberikan oleh
Hal ini tidak tepat untuk menjalankan regresi linier antara data permintaan asli dan waktu untuk memperkirakan tingkat dan tren karena data permintaan asli tidak linear dan regresi linier yang dihasilkan tidak akan akurat. Permintaan harus deseasonalized sebelum kita menjalankan regresi linier.
Memperkirakan Faktor Musiman
Kita sekarang dapat memperoleh permintaan deseasonalized untuk setiap periode menggunakan persamaan 7.4 (lihat FIgure 7-4).
Faktor musiman St Periode t adalah rasio permintaan aktualDt permintaan deseasonalized Dt dan diberikan sebagai
Untuk contoh Tahoe Salt, permintaan deseasonalized diperkirakan menggunakan Persamaan 7.4 dan faktor musiman diperkirakan menggunakan Persamaan 7.5 ditunjukkan pada Figure 7-4 (lihat lembar kerja Figure 7-4). Mengingat periodisitas p, Kita memperoleh faktor musiman untuk suatu periode tertentu dengan rata-rata faktor musiman yang sesuai dengan periode yang sama. Sebagai contoh, jika kita memiliki periodisitas p = 4, Periode 1, 5, dan 9 memiliki faktor musiman yang sama. Faktor musiman untuk periode ini diperoleh sebagai rata-rata dari tiga faktor musiman. mengingatr siklus musiman dalam data, untuk semua periode dalam bentuk pt+ i, 1 … i… p, Kita memperoleh faktor musiman
Untuk contoh Tahoe Salt, total 12 periode dan periodisitas p = 4 menyiratkan bahwa adar = 3 siklus musiman dalam data. Kami memperoleh faktor musiman menggunakan Persamaan 7.6 sebagai
Pada tahap ini, kita telah memperkirakan tingkat, tren, dan semua faktor musiman. Kita sekarang dapat memperoleh perkiraan untuk empat kuartal berikutnya menggunakan Persamaan 7.1. Dalam contoh, perkiraan untuk empat periode berikutnya dengan menggunakan metode peramalan statis diberikan oleh
Tahoe Salt dan pengecer sekarang memiliki perkiraan yang lebih akurat permintaan. Tanpa berbagi informasi jual melalui antara pengecer dan produsen, rantai pasokan ini akan memiliki perkiraan kurang akurat, dan berbagai produksi dan persediaan inefisiensi akan menghasilkan.
Peramalan adaptif
Dalam peramalan adaptif, perkiraan tingkat, tren, dan musiman diperbarui setelah setiap pengamatan permintaan. Keuntungan utama dari peramalan adaptif adalah bahwa perkiraan menggabungkan semua data baru yang diamati. Hal ini dapat dengan mudah dimodifikasi untuk dua kasus lain, namun. Kerangka tersebut juga bisa khusus untuk kasus di mana komponen sistematik tidak mengandung musiman atau trend. Kami berasumsi bahwa kita memiliki satu set data historis untukn periode dan permintaan yang bersifat musiman, dengan periodisitas p. Mengingat data kuartalan, dimana pola berulang setiap tahun, kami memiliki periodisitasp = 4.
Kita mulai dengan mendefinisikan beberapa istilah:
Lt = perkiraan tingkat pada akhir Masa t
Tt = perkiraan tren di akhir Masa t
St = perkiraan faktor musiman Periode t
Ft = meramalkan permintaan untuk Periode t (Dibuat di Masa t – 1 atau sebelumnya)
Dt = permintaan yang sebenarnya diamati di Masa t
et = Ft – Dt = perkiraan kesalahan dalam Masa t
Dalam metode adaptif, perkiraan untuk Periode t + l Masa t menggunakan estimasi tingkat dan tren di Masa t (Lt dan Tt masing-masing) dan diberikan sebagai
Empat langkah dalam rangka peramalan adaptif adalah sebagai berikut:
-
Initialize: Menghitung perkiraan awal dari tingkat (L0), trend (T0), dan faktor musiman (S1,. . . .Sp) Dari data yang diberikan. Hal ini dilakukan persis seperti dalam metode peramalan statis dibahas sebelumnya dalam bab denganL0 = L dan T0 = T.
-
Forecast: Mengingat perkiraan di Masa t, Meramalkan permintaan untuk Periode t + 1 menggunakan Persamaan 7.7. Perkiraan pertama kami adalah untuk Periode 1 dan dibuat dengan perkiraan tingkat, tren, dan faktor musiman di Masa 0.
-
Estimate error: Merekam permintaan aktual Dt+1 Periode t + 1 dan menghitung kesalahan et+1 di perkiraan untuk Periode t + 1 sebagai perbedaan antara perkiraan dan permintaan yang sebenarnya. Kesalahan Periodet + 1 dinyatakan sebagai
-
Modify estimates: Memodifikasi perkiraan tingkat (Lt+1), tren (Tt+1), dan faktor musiman (St+p+1), diberikan kesalahan et+1 dalam ramalan. Sangat diharapkan bahwa modifikasi sedemikian rupa sehingga jika permintaan lebih rendah dari perkiraan, perkiraan direvisi ke bawah, sedangkan jika permintaan lebih tinggi dari perkiraan, perkiraan direvisi ke atas.
Moving Average
Metode yang digunakan ketika permintaan tidak memiliki tren diamati atau musiman. Pada kasus ini,
Komponen sistematik permintaan = tingkat.
Dalam metode ini, tingkat di Masa t diperkirakan karena permintaan rata-rata selama terbaru N periode. Ini merupakan rata-rata bergerak periode N dan dievaluasi sebagai berikut:
Arus perkiraan untuk semua periode mendatang adalah sama dan didasarkan pada perkiraan saat ini tingkat. ramalan dinyatakan sebagai
Setelah mengamati permintaan untuk Periode t + 1, kami merevisi perkiraan sebagai berikut:
Untuk menghitung rata-rata bergerak baru, kita cukup menambahkan pengamatan terbaru dan menjatuhkan tertua. Seperti kita meningkatkan N, Rata-rata bergerak menjadi kurang responsif terhadap permintaan yang terakhir diamati. Kami menggambarkan penggunaan rata-rata bergerak dalam Contoh 7-1.
CONTOH 7-1 Moving Average
Supermarket telah mengalami permintaan mingguan susu D1 = 120, D2 = 127, D3 = 114, dan D4 = 122 galon selama empat minggu terakhir. perkiraan permintaan Periode 5 menggunakan empat periode rata-rata bergerak. Apa kesalahan perkiraan jika permintaan di Masa 5 ternyata menjadi 125 galon?
Analisis:
Kami membuat perkiraan untuk periode 5 pada akhir Periode 4. Dengan demikian, menganggap periode saat ini menjadi t = 4. Tujuan pertama kami adalah untuk memperkirakan tingkat di Periode 4. Menggunakan Persamaan 7.9, dengan N = 4, kami mendapatkan
Perkiraan permintaan untuk Periode 5, menggunakan Persamaan 7.10, dinyatakan sebagai
Karena permintaan di Periode 5, D5, 125 galon, kami memiliki kesalahan perkiraan untuk periode 5 dari
Setelah mengamati permintaan di Periode 5, estimasi yang direvisi dari tingkat Periode 5 diberikan oleh
Simple Exponential Smoothing
Tepat ketika permintaan tidak memiliki tren diamati atau musiman. Pada kasus ini,
komponen sistematik permintaan = tingkat
Estimasi awal tingkat, L0, diambil untuk menjadi rata-rata semua data historis karena permintaan telah diasumsikan tidak memiliki tren diamati atau musiman. data permintaan yang diberikan untuk Periode 1 sampai n, Kita memiliki berikut ini:
Arus perkiraan untuk semua periode mendatang adalah sama dengan perkiraan saat tingkat dan diberikan sebagai
Setelah mengamati permintaan, Dt+1, untuk Periode t + 1, kami merevisi perkiraan tingkat sebagai berikut:
Dimana Sebuah alfa adalah konstanta pemulusan untuk tingkat. Nilai revisi dari tingkat adalah rata-rata tertimbang dari nilai yang diamati dari tingkat (Dt+1) di Periode t + 1 dan perkiraan lama tingkat (Lt) Di Periode t. Menggunakan Persamaan 7.13, kita dapat mengekspresikan tingkat dalam suatu periode tertentu sebagai fungsi dari permintaan saat ini dan tingkat pada periode sebelumnya. Dengan demikian kita dapat menulis ulang Persamaan 7.13 sebagai
Sebuah sesuai dengan perkiraan yang lebih responsif terhadap pengamatan terakhir, sedangkan nilai yang lebih rendah dari Sebuah merupakan perkiraan yang lebih stabil yang kurang responsif terhadap pengamatan baru-baru ini. Kami menggambarkan penggunaan pemulusan eksponensial dalam Contoh 7-2.
CONTOH 7-2 Simple Exponential Smoothing
Pertimbangkan supermarket pada Contoh 7-1, di mana permintaan mingguan untuk susu telah D1 = 120, D2 = 127, D3 = 114, dan D4 = 122 galon selama empat minggu terakhir. Perkiraan permintaan Periode 5 menggunakan pemulusan eksponensial sederhana denganSebuah = 0,1.
Analisis
Dalam hal ini, kita memiliki data permintaan n = 4 periode. Menggunakan Persamaan 7.11, estimasi awal tingkat (dibulatkan ke 2 desimal) dinyatakan oleh
Perkiraan untuk periode 1 (menggunakan Persamaan 7.12) dengan demikian diberikan oleh
Permintaan diamati untuk Periode 1 adalah D1 = 120. Perkiraan kesalahan untuk Periode 1 diberikan oleh
Dengan Sebuah = 0.1, estimasi yang direvisi dari tingkat Periode 1 menggunakan Persamaan 7.13 diberikan oleh
Mengamati bahwa perkiraan tingkat Periode 1 lebih rendah dari Periode 0 karena permintaan di Periode 1 lebih rendah dari perkiraan untuk Periode 1. Dengan demikian kita memperolehF2 = L1 = 120,68. Mengingat bahwa D2 = 127, kita memperoleh L2 = (0,1 × 127) + (0,9 × 120,68) = 121,31. Hal ini memberikan F3 = L2 = 121,31. Mengingat bahwa D3 = 114, kita memperoleh L3 = (0,1 × 114) + (0,9 × 121,31) = 120,58. Hal ini memberikan F4 = L3 =120,58. Mengingat bahwa D4 = 122, kita memperoleh L4 = (0,1 × 122) + (0,9 × 120,58) = 120,72. Hal ini memberikan F5 = L4 = 120,72.
Trend-Corrected Exponential Smoothing (Holt Model)
Metode ini sesuai jika permintaan diasumsikan memiliki tingkat dan tren dalam komponen sistematis, tetapi tidak ada musiman. Dalam hal ini, kita memiliki komponen sistematis permintaan= tingkat + Tren Kami mendapatkan estimasi awal tingkat dan tren dengan menjalankan regresi linier antara permintaan, Dt, Dan waktu, Masa t, Dalam bentuk
Dalam hal ini, menjalankan regresi linier antara permintaan dan periode waktu yang tepat karena kita telah mengasumsikan bahwa permintaan memiliki kecenderungan tetapi tidak ada musiman. Hubungan yang mendasari antara permintaan dan waktu dengan demikian linear. Konstan b mengukur perkiraan permintaan pada Periode t = 0 dan perkiraan kami dari tingkat awal L0. Kemiringan Sebuah mengukur tingkat perubahan dalam permintaan per dan perkiraan awal kami tren T0. Di Masa t, Mengingat perkiraan tingkat Lt dan tren Tt, Perkiraan untuk periode mendatang dinyatakan sebagai
Setelah mengamati permintaan untuk Periode t, kami merevisi perkiraan untuk tingkat dan trend sebagai berikut:
Dimana alfa adalah konstanta smoothing untuk tingkat dan betaadalah konstanta smoothing untuk tren. Perhatikan bahwa di masing-masing dua update, estimasi direvisi (tingkat atau trend) adalah rata-rata tertimbang dari nilai diamati dan perkiraan lama. Kami menggambarkan penggunaan model Holt dalam Contoh 7-3 (lihat spreadsheet terkaitContoh 1-4 Bab 7).
CONTOH 7-3 Model Holt
Produsen elektronik telah melihat permintaan untuk peningkatan pemain terbaru MP3 selama enam bulan terakhir. permintaan diamati (dalam ribuan) telahD1 = 8415, D2 = 8732, D3 = 9014, D4 = 9808, D5 = 10.413, dan D6 = 11.961. perkiraan permintaan Periode 7 menggunakan trend-dikoreksi pemulusan eksponensial denganSebuah = 0,1, b = 0,2.
Analisis
Langkah pertama adalah untuk mendapatkan perkiraan awal dari tingkat dan trend menggunakan regresi linier. Kami pertama kali menjalankan regresi linier (menggunakan alat data Excel Analisis data Regresi) antara permintaan dan periode waktu. Estimasi tingkat awal L0 diperoleh sebagai koefisien intercept, dan tren T0 diperoleh sebagai variabel koefisien X (Atau kemiringan) dalam spreadsheet contoh 1-4 Bab 7 (Ada beberapa variasi antara spreadsheet dan hasil yang ditunjukkan di sini karena pembulatan). Untuk data MP3 player, kita memperoleh
Perkiraan untuk periode 1 (menggunakan Persamaan 7.14) dengan demikian diberikan oleh
Permintaan diamati untuk Periode 1 adalah D1 = 8415. Kesalahan Periode 1 dengan demikian diberikan oleh
Dengan Sebuah = 0,1, b = 0,2, estimasi yang direvisi dari tingkat dan tren untuk Periode 1 menggunakan Persamaan 7.15 dan 7.16 diberikan oleh
Mengamati bahwa estimasi awal untuk permintaan di periode 1 terlalu rendah. Akibatnya, update kami telah meningkatkan perkiraan tingkatL1 Periode 1 dari 8040 ke 8078 dan perkiraan tren dari 673 ke 681. Menggunakan Persamaan 7.14, dengan demikian kita mendapatkan berikut perkiraan untuk Periode 2:
Melanjutkan dengan cara ini, kita memperoleh L2 = 8755, T2 = 680, L3 = 9393, T3 = 672,L4 = 10.039, T4 = 666, L5 = 10.676, T5 = 661, L6 = 11.399, T6 = 673. Ini memberi kita perkiraan untuk Periode 7 dari
Trend- and Seasonality-Corrected Exponential Smoothing (Winter’s Model)
Metode ini sesuai jika komponen sistematik permintaan memiliki tingkat, tren, dan faktor musiman. Dalam hal ini kita memiliki
komponen sistematik permintaan = (tingkat + trend) * faktor musiman
Asumsikan periodisitas permintaan untuk menjadi p. Untuk memulai, kita perlu perkiraan awal dari tingkat (L0), trend (T0), dan faktor musiman (S1,. . . .Sp). Kami memperoleh perkiraan ini menggunakan prosedur untuk peramalan statis dijelaskan sebelumnya dalam bab ini. di Masat, Mengingat perkiraan tingkat, Lt, Tren, Tt, Dan faktor musiman, St,. . . .St+p-1, perkiraan untuk periode mendatang diberikan oleh
Pada mengamati permintaan untuk Periode t + 1, kami merevisi perkiraan untuk tingkat, tren, dan faktor musiman sebagai berikut:
Dimana alfa adalah konstanta pemulusan untuk tingkat; betaadalah konstanta pemulusan untuk tren; dan gamma adalah konstanta smoothing untuk faktor musiman. Perhatikan bahwa di setiap update (tingkat, tren, atau faktor musiman), estimasi yang direvisi adalah rata tertimbang dari nilai diamati dan perkiraan lama. Kami menggambarkan penggunaan model Winter dalam Contoh 7-4 (lihat lembar kerja contoh 7-4).
CONTOH 7-4 Winter’s Model
Mempertimbangkan data permintaan Tahoe Salt pada Tabel 7-1. perkiraan permintaan untuk Periode 1 menggunakan kecenderungan dan musiman-dikoreksi pemulusan eksponensial denganSebuah = 0,1, b = 0,2, g = 0,1.
Analisis
Kami mendapatkan perkiraan awal dari tingkat, tren, dan faktor musiman persis seperti dalam kasus statis. Mereka dinyatakan sebagai berikut:
Perkiraan untuk periode 1 (menggunakan Persamaan 7.17) dengan demikian diberikan oleh
Permintaan diamati untuk Periode 1 adalah D1 = 8.000. Perkiraan kesalahan untuk Periode 1 dengan demikian diberikan oleh
Dengan Sebuah = 0,1, b = 0,2, g = 0.1, estimasi yang direvisi dari tingkat dan tren untuk Periode 1 dan faktor musiman Periode 5, menggunakan Persamaan 7.18, 7.19, dan 7.20, diberikan oleh
Perkiraan permintaan untuk Periode 2 (menggunakan Persamaan 7.17) dengan demikian diberikan oleh
Metode peramalan yang telah kita bahas dan situasi di mana mereka umumnya berlaku adalah sebagai berikut:
Metode peramalan
Jika Tahoe Salt menggunakan metode peramalan adaptif untuk data sell-through yang diperoleh dari pengecer, model Winter adalah pilihan terbaik, karena pengalaman permintaan, baik tren dan musiman. Prakiraan kesalahan membantu mengidentifikasi kasus di mana metode peramalan yang digunakan adalah tidak pantas.
7.6 Ukuran Prakiraan Kesalahan
Seperti disebutkan sebelumnya, setiap contoh permintaan memiliki komponen acak. Sebuah metode peramalan yang baik harus menangkap komponen sistematik permintaan tetapi tidak komponen acak. Kesalahan perkiraan mengandung informasi berharga dan harus dianalisis secara hati-hati karena dua alasan:
1. Manajer menggunakan analisis kesalahan untuk menentukan apakah metode peramalan saat ini memprediksi komponen sistematik permintaan akurat.
2. Semua rencana kontingensi harus memperhitungkan kesalahan perkiraan. Pertimbangkan sebuah perusahaan mail-order dengan dua pemasok. Selama kesalahan yang diamati berada dalam perkiraan kesalahan sejarah, perusahaan dapat terus menggunakan metode peramalan mereka saat ini. Menemukan kesalahan yang baik di luar perkiraan sejarah mungkin menunjukkan bahwa metode peramalan yang digunakan tidak lagi sesuai atau permintaan telah berubah secara fundamental. Seperti yang didefinisikan sebelumnya, perkiraan kesalahan untuk Periode t diberikan oleh et, Di mana berikut ini berlaku:
Artinya, kesalahan dalam Masa t adalah perbedaan antara perkiraan untuk Periode t dan permintaan yang sebenarnya di Masa t. Adalah penting bahwa seorang manajer memperkirakan kesalahan perkiraan yang dibuat setidaknya sejauh di muka sebagai waktu yang diperlukan untuk manajer untuk mengambil tindakan apapun ramalan akan digunakan untuk. Salah satu ukuran kesalahan perkiraan adalah mean squared error (MSE), di mana berikut memegang (denominator dalam Persamaan 7.21 juga dapat memilikin – 1 bukannya n):
MSE dapat berhubungan dengan varians dari kesalahan prediksi. Akibatnya, kami memperkirakan bahwa komponen random permintaan memiliki mean 0 dan varians dari MSE. MSE membandingkan metode peramalan jika biaya kesalahan besar jauh lebih besar daripada keuntungan dari perkiraan yang sangat akurat. Menggunakan MSE sebagai ukuran kesalahan adalah tepat ketika kesalahan perkiraan memiliki distribusi yang simetris tentang nol.
Tentukan deviasi absolut Masa t. Di, Menjadi nilai absolut dari kesalahan dalam Masa t; itu adalah
Tentukan mean absolute deviation (MAD) menjadi rata-rata deviasi mutlak atas semua periode, seperti yang diungkapkan oleh
MAD dapat digunakan untuk memperkirakan standar deviasi dari komponen acak dengan asumsi bahwa komponen acak terdistribusi normal. Dalam hal ini standar deviasi dari komponen acak
Kami kemudian memperkirakan bahwa rata-rata komponen random adalah 0, dan standar deviasi dari komponen acak permintaans. MAD adalah ukuran yang lebih baik dari kesalahan daripada MSE jika kesalahan perkiraan tidak memiliki distribusi simetris. Bahkan ketika distribusi kesalahan simetris, MAD adalah pilihan yang tepat ketika memilih metode peramalan jika biaya kesalahan perkiraan sebanding dengan ukuran kesalahan.
Itu mean absolute percentage error (MAPE) adalah rata-rata kesalahan mutlak sebagai persentase dari permintaan dan diberikan oleh
MAPE merupakan ukuran yang baik dari kesalahan perkiraan saat yang mendasari perkiraan memiliki musim yang signifikan dan permintaan bervariasi dari satu periode ke periode berikutnya. Metode 1 hasil perkiraan kesalahan dari 190, 200, 245, dan 180; Metode 2 hasil perkiraan kesalahan dari 100, 120, 500, dan 100 lebih empat kuartal. Metode 1 memiliki MSE lebih rendah dan relatif MAD ke metode 2 dan akan lebih disukai jika salah kriteria yang digunakan. Jika permintaan sangat musiman, namun, dan rata-rata 1.000, 1.200, 4.800, dan 1.100 dalam empat periode, Metode 2 hasil dalam MAPE dari 9,9 persen, sedangkan Metode 1 hasil dalam MAPE yang lebih tinggi, 14,3 persen. Dalam hal ini, dapat dikatakan bahwa Metode 2 harus lebih suka Metode 1.
Secara umum, salah satu kebutuhan metode untuk melacak dan mengendalikan metode peramalan. Salah satu pendekatan adalah dengan menggunakan jumlah kesalahan perkiraan untuk mengevaluasiBias, mana berikut ini berlaku:
Bias akan berfluktuasi di sekitar 0 jika kesalahan ini benar-benar acak dan tidak bias satu cara atau yang lain. Idealnya, jika kita merencanakan semua kesalahan, kemiringan garis lurus terbaik melewati harus 0.
Itu tracking signal (TS) adalah rasio bias dan MAD dan diberikan sebagai
Jika TS di setiap periode adalah di luar jangkauan {6, ini adalah sinyal bahwa ramalan adalah bias dan baik underforecasting (TS 6 -6) atau overforecasting (TS 7 +6). Hal ini bisa terjadi karena metode peramalan cacat atau pola permintaan yang telah bergeser. TS negatif mendeteksi bahwa metode peramalan secara konsisten meremehkan permintaan dan memberitahu manajer. Sinyal pelacakan juga bisa mendapatkan besar ketika permintaan tiba-tiba turun (seperti yang dilakukan untuk banyak industri pada tahun 2009) atau meningkat dengan jumlah yang signifikan, membuat data historis kurang relevan. McClain (1981) merekomendasikan metode “menurun alpha” bila menggunakan pemulusan eksponensial ketika smoothing mulai konstan besar (untuk memberikan bobot yang lebih besar data terakhir) tapi kemudian menurun dari waktu ke waktu. Jika kami bertujuan untuk meratakan konstan jangka panjang a = 1 – r, Pendekatan alpha menurun akan mulai dengan a0 = 1 dan ulang konstanta sebagai berikut:
Dalam jangka panjang, smoothing konstan akan berkumpul untuk Sebuah = 1 – r dengan perkiraan menjadi lebih stabil dari waktu ke waktu.
7.7 Memilih Smoothing Konstan yang Terbaik
Yang dipilih memiliki dampak langsung pada kepekaan perkiraan data terakhir. Jika seorang manajer memiliki rasa yang baik dari pola permintaan yang mendasari, yang terbaik adalah menggunakan konstanta pemulusan yang tidak lebih besar dari 0,2. Kami menggambarkan dampak dari memilih konstanta smoothing yang meminimalkan ukuran kesalahan yang berbeda dengan menggunakan data permintaan 10-periode ditampilkan dalam sel B3: B12 Gambar 7-5 (menyertai spreadsheetBab 7-Tahoe-garam dan lembar kerja Angka 7-5, 6). Tingkat awal diperkirakan menggunakan Persamaan 7.11 dan ditunjukkan pada sel C2. The konstanta pemulusanSebuah diperoleh dengan menggunakan Solver
Dengan meminimalkan MSE (sel F13) pada akhir 10 periode seperti yang ditunjukkan pada Gambar 7-5. Perkiraan yang ditunjukkan pada Gambar 7-5 menggunakan dihasilkan tersebutSebuah = 0,54 dan memberikan MSE = 2460, MAD = 42,5, dan MAPE= 2,1 persen.
Smooting konstanta juga dapat dipilih dengan menggunakan Solver dengan meminimalkan MAD atau MAPE pada akhir 10 periode. Pada Gambar 7-6, kami menunjukkan hasil dari meminimalkan MAD (G13 sel). Perkiraan dan kesalahan dengan yang dihasilkan tersebutSebuah = 0,32 ditunjukkan pada Gambar 7-6. Dalam hal ini, MSE meningkatkan ke 2570 (dibandingkan dengan 2460 pada Gambar 7-5), sedangkan MAD menurun ke 39,2 (dibandingkan dengan 42,5 pada Gambar 7-5) dan MAPE menurun menjadi 2,0 persen (dibandingkan dengan 2,1 persen pada Gambar 7-5). Perbedaan utama antara kedua perkiraan dalam Periode 9 (periode dengan kesalahan terbesar, ditampilkan di D11 sel), ketika meminimalkan MSE mengambil konstanta pemulusan yang mengurangi kesalahan besar, sedangkan meminimalkan MAD mengambil konstanta pemulusan yang memberikan bobot yang sama untuk mengurangi semua kesalahan bahkan jika kesalahan besar mendapatkan agak lebih besar.
7.8 Peramalan Permintaan pada Tahoe Salt
Contoh Tahoe Salt sebelumnya dalam dengan sejarah jual melalui permintaan dari pengecer, ditampilkan pada Tabel 7-1. Data permintaan juga ditampilkan dalam kolom B dari Gambar 7-7. Tahoe Salt sedang melakukan negosiasi kontrak dengan pemasok untuk empat kuartal antara kuartal kedua tahun 4 dan kuartal pertama Tahun 5.
Tim peramalan memutuskan untuk menerapkan setiap metode peramalan adaptif dibahas dalam bab ini untuk data historis. Tujuannya adalah untuk memilih metode peramalan yang paling tepat dan kemudian menggunakannya untuk meramalkan permintaan untuk empat kuartal berikutnya. Tim memutuskan untuk memilih metode peramalan didasarkan pada kesalahan yang terjadi ketika masing-masing metode yang digunakan pada 12 kuarter data permintaan historis.
Permintaan dalam hal ini jelas memiliki kedua tren dan musiman dalam komponen sistematis. Dengan demikian, tim awalnya mengharapkan Winter’s model untuk menghasilkan perkiraan yang terbaik.
Moving Average
Tim peramalan awalnya memutuskan untuk menguji empat periode rata-rata bergerak untuk peramalan. Semua perhitungan ditunjukkan pada Gambar 7-7 tim ini menggunakan Persamaan 7.9 untuk memperkirakan tingkat dan Persamaan 7.10 untuk meramalkan permintaan.
Seperti yang ditunjukkan oleh kolom K pada Gambar 7-7, TS baik dalam {6 range, yang menunjukkan bahwa ramalan menggunakan empat periode rata-rata bergerak tidak mengandung bias yang signifikan. Memang, bagaimanapun, memiliki MAD12 cukup besar dari 9719, dengan MAPE12 dari 49 persen. Dari Gambar 7-7, perhatikan bahwa
Jadi, dengan menggunakan rata-rata bergerak empat periode, perkiraan untuk Periode 13 melalui 16 (menggunakan Persamaan 7.10) diberikan oleh
Mengingat bahwa MAD12 adalah 9719, estimasi standar deviasi dari kesalahan peramalan, menggunakan empat periode rata-rata bergerak, 1.25* 9719 = 12.149. Dalam hal ini, standar deviasi dari kesalahan peramalan relatif cukup besar dengan ukuran perkiraan.
Simple Exponential Smoothing
Tim peramalan berikutnya menggunakan pendekatan pemulusan eksponensial sederhana, dengan Sebuah = 0,1, untuk meramalkan permintaan. Metode ini juga diuji pada 12/4 data historis. Menggunakan Persamaan 7.11, tim memperkirakan tingkat awal untuk Periode 0 menjadi permintaan rata-rata untuk Periode 1 sampai 12 (lihat Gambar 7-8).
Tingkat awal adalah rata-rata dari entri permintaan di sel B3 ke B14 pada Gambar 7-8 dan hasil dalam
Tim kemudian menggunakan Persamaan 7.12 untuk meramalkan permintaan untuk periode berikutnya. Perkiraan tingkat diperbarui setiap periode menggunakan Persamaan 7.13. Hasilnya ditunjukkan pada Gambar 7-8. Seperti yang ditunjukkan oleh TS, yang berkisar dari -1,38 ke 2,15, perkiraan menggunakan pemulusan eksponensial sederhana dengan = 0,1 tidak menunjukkan bias yang signifikan. Namun, ia memiliki MAD12 cukup besar dari 10.208, dengan MAPE12 dari 59 persen. Dari Gambar 7-8, perhatikan bahwa
Dengan demikian, perkiraan untuk empat kuartal berikutnya (menggunakan Persamaan 7.12) diberikan oleh
Dalam hal ini, MAD12 adalah 10.208 dan MAPE12 adalah 59 persen. Dengan demikian, estimasi standar deviasi dari kesalahan peramalan menggunakan pemulusan eksponensial sederhana adalah 1,25 * 10.208 = 12.760. Dalam hal ini, standar deviasi dari kesalahan peramalan relatif cukup besar dengan ukuran perkiraan.
Trend-Corrected Exponential Smoothing (Holt’s Model)
Tim selanjutnya menyelidiki penggunaan model Holt. Dalam hal ini, komponen sistematis
permintaan diberikan oleh
komponen sistematik permintaan = tingkat + tren
Tim berlaku metodologi dibahas sebelumnya. Sebagai langkah pertama, memperkirakan tingkat di Periode 0 dan tren awal. Seperti dijelaskan dalam Contoh 7-3, perkiraan ini diperoleh dengan menjalankan regresi linier antara permintaan, Dt, dan waktu, Masa t. Dari regresi dari data yang tersedia (lihat lembar kerja Holts-regresi), tim memperoleh berikut:
Dari 12/4 yang menuntut data yang tersedia (lihat lembar kerja Figure 7-9)
Mereka membuat ramalan menggunakan Persamaan 7.14, memperbarui tingkat menggunakan Persamaan 7.15, dan memperbarui tren menggunakan Persamaan 7.16. Hasilnya ditunjukkan pada Gambar 7-9. Seperti yang ditunjukkan oleh TS yang berkisar dari – 2,15-2,00, tren-dikoreksi pemulusan eksponensial dengan = 0,1 dan b = 0,2 tampaknya tidak signifikan berlebihan atau underforecast. Namun, ramalan memiliki MAD12 cukup besar dari 8836, dengan MAPE12 dari 52 persen. Dari Gambar 7-9, perhatikan bahwa
Dengan demikian, dengan menggunakan model Holt (Persamaan 7.14), perkiraan untuk empat periode berikutnya diberikan oleh
pengikut:
Dalam hal ini, MAD12 = 8836. Dengan demikian, estimasi standar deviasi dari kesalahan peramalan dengan menggunakan model Holt dengan = 0 0,1 dan b = 0 0,2 1.25 * 8, 836 = 11,0 45. Dalam hal ini, standar
deviasi kesalahan perkiraan relatif terhadap ukuran ramalan agak lebih kecil daripada itu
dengan dua metode sebelumnya. Namun, masih cukup besar.
Trend- and Seasonality-Corrected Exponential Smoothing (Winter’s Model)
Tim selanjutnya menyelidiki penggunaan model Winter untuk membuat ramalan. Sebagai langkah pertama, memperkirakan tingkat dan tren untuk Periode 0, dan faktor musiman untuk Periode 1 sampai p = 4. Kemudian, tim memperkirakan tingkat awal dan tren dengan menjalankan regresi antara permintaan deseasonalized dan waktu. Informasi ini digunakan untuk memperkirakan faktor musiman. Untuk data permintaan pada Gambar 7-2, seperti yang dibahas dalam Contoh 7-4, tim memperoleh berikut:
Kemudian menggunakan model Winter dengan = 0,05, b = 0,1, g = 0,1 untuk mendapatkan perkiraan. Semua perhitungan ditunjukkan pada Gambar 7-10 (lihat lembar kerja Gambar 7-10).
Tim membuat perkiraan menggunakan Persamaan 7.17, update tingkat menggunakan Persamaan 7.18, update tren menggunakan Persamaan 7.19, dan update faktor musiman menggunakan Persamaan 7.20.
Dalam hal ini, MAD dari 1469 dan MAPE dari 8 persen secara signifikan lebih rendah dari yang diperoleh dengan metode lainnya. Dari Gambar 7-10, perhatikan bahwa
L12 = 2 4791 T12 = 532 S13 = 0. 47 S14 = 0,68 S15 = 1,17 S16 = 1,67 Dengan menggunakan model Winter (Persamaan 7.17), perkiraan untuk empat periode berikutnya adalah
Dalam hal ini, MAD12 = 1.469. Dengan demikian, estimasi standar deviasi dari kesalahan peramalan dengan menggunakan model Winter dengan = 0,05, b = 0,1, dan g = 0,1 adalah 1,25 * 1,4 69 = 1836. Dalam hal ini, standar deviasi dari perkiraan kesalahan relatif terhadap perkiraan permintaan jauh lebih kecil daripada dengan metode lain. Tim mengkompilasi perkiraan kesalahan selama empat metode peramalan seperti yang ditunjukkan pada Tabel 7-2.
Berdasarkan informasi kesalahan pada Tabel 7-2, tim peramalan memutuskan untuk menggunakan model Winter. Hal ini tidak mengherankan bahwa hasil model Winter di paling akurat perkiraan, karena data permintaan memiliki kedua tren pertumbuhan serta musiman. Dengan menggunakan model Winter, tim memperkirakan berikut permintaan untuk empat kuartal mendatang:
Kuartal Kedua, Tahun 4: 11.902
Kuartal Ketiga, Tahun 4: 17.581
Kuartal Keempat, Tahun 4: 30.873
Kuartal Pertama, Tahun 5: 44.955
Standar deviasi dari kesalahan peramalan adalah 1.836.
7.9 Peran IT dalam Peramalan
Sebuah paket peramalan yang baik memberikan perkiraan di berbagai macam produk yang diperbarui secara real time dengan memasukkan informasi permintaan baru. Hal ini membantu perusahaan merespon dengan cepat terhadap perubahan pasar dan menghindari biaya reaksi tertunda. Sebagai perencanaan permintaan nama menyarankan, modul-modul ini memfasilitasi pembentukan permintaan. modul perencanaan permintaan yang baik berisi alat untuk melakukan apa jika analisis mengenai dampak potensi perubahan harga pada permintaan. Alat-alat ini membantu menganalisis dampak dari promosi pada permintaan dan dapat digunakan untuk menentukan tingkat dan waktu promosi.
Perkembangan penting adalah penggunaan permintaan berkorelasi data (misalnya harga, cuaca, pembelian lainnya, data sosial) untuk meningkatkan akurasi perkiraan atau, dalam beberapa kasus, memacu permintaan. Perlu diingat bahwa tidak satupun dari alat ini adalah sangat mudah. Perkiraan hampir selalu akurat. Sebuah sistem IT yang baik akan membantu melacak kesalahan perkiraan sejarah sehingga mereka dapat dimasukkan ke dalam keputusan masa depan. Sebuah ramalan yang terstruktur, bersama dengan ukuran kesalahan, secara signifikan dapat meningkatkan pengambilan keputusan. Bahkan dengan semua alat-alat canggih ini, kadang-kadang lebih baik untuk mengandalkan intuisi manusia dalam peramalan.
7.10 Peramalan dalam Praktek
Berkolaborasi dalam perkiraan pembangunan.
Kolaborasi dengan mitra rantai suplai seseorang sering dapat membuat perkiraan yang lebih akurat. Dibutuhkan investasi waktu dan usaha untuk membangun hubungan dengan mitra seseorang untuk mulai berbagi informasi dan menciptakan perkiraan kolaboratif. Namun, manfaat rantai pasokan kolaborasi sering urutan besarnya lebih besar dari biaya. Akibatnya, perusahaan harus bertujuan untuk menempatkan penjualan dan operasi proses di tempat berencana yang menyatukan penjualan dan operasi fungsi ketika merencanakan.
Berbagi hanya data yang benar-benar memberikan nilai.
Nilai data tergantung pada di mana satu duduk dalam rantai pasokan. Namun, penjualan produsen ke distributor yang, pada gilirannya, menjual ke pengecer tidak perlu semua point-of-sale rinci. Menjaga data bersama dengan apa yang benar-benar diperlukan berkurang investasi di IT dan meningkatkan kemungkinan kolaborasi sukses.
Pastikan untuk membedakan antara permintaan dan penjualan
Seringkali, perusahaan membuat kesalahan dengan melihat penjualan sejarah dan dengan asumsi bahwa ini adalah apa permintaan sejarah itu. Untuk mendapatkan permintaan benar, namun, penyesuaian perlu dibuat untuk permintaan yang belum terpenuhi karena stockouts, tindakan pesaing, harga, dan promosi. Kegagalan untuk melakukannya menghasilkan perkiraan yang tidak mewakili realitas saat ini.