Daftar Isi:
- baseline
- menunjukkan seberapa kuat dua variabel terkait. Nilai yang mungkin berkisar dari -1. 0 sampai +1 0, namun dalam prakteknya Anda tidak pernah menemukan korelasi yang begitu ekstrem. Koefisien korelasi yang lebih dekat adalah +/- 1. 0, semakin kuat hubungan antara kedua variabel tersebut. Korelasi 0 0 berarti tidak ada hubungan. Jadi, Anda mungkin menemukan korelasi +0. 7 (cukup kuat) antara jumlah tenaga penjualan yang Anda miliki dan total pendapatan yang mereka bawa: Semakin besar jumlah repetisi, semakin banyak yang terjual. Dan Anda mungkin menemukan korelasi dari -0. 1 (cukup lemah) antara berapa banyak rep menjual dan nomor teleponnya.
- Faktor redaman
- Sebenarnya penggunaan istilah redaman agak aneh. Sebagian besar teks pada smoothing eksponensial mengacu pada konstanta pemulusan. Faktor redaman adalah 1. 0 dikurangi konstanta pemulusan. Tidak masalah istilah yang Anda gunakan; Anda hanya menyesuaikan rumus yang sesuai.
- aktual
- Rata-rata Bergerak
- Regresi
- Bagaimana Anda mengetahui nilai variabel prediktor masa depan? Jika Anda akan menggunakan harga satuan sebagai prediktor, salah satu cara yang baik adalah untuk mengetahui dari Manajemen Produk berapa yang akan dikenakannya per unit selama masing-masing berikutnya, katakanlah empat per empat. Cara lain melibatkan tanggal: Ini sangat mungkin, dan bahkan biasa, untuk menggunakan tanggal (seperti bulan dalam tahun) sebagai variabel prediktor.
- Trend
Video: Pembuatan Aplikasi Dasar Sistem Informasi Rumah Sakit Web JSP dan JSTL Menggunakan Netbeans IDE 7.2 2025
Anda harus mendapatkan pegangan pada terminologi khusus yang digunakan dalam peramalan penjualan untuk beberapa alasan praktis. Salah satunya adalah Anda mungkin diminta untuk menjelaskan prakiraan Anda kepada atasan Anda atau dalam rapat, misalnya, manajer penjualan.
Alasan lain yang bagus adalah bahwa Excel menggunakan banyak istilah ini, seperti halnya program lain, dan mencari tahu apa yang terjadi jauh lebih mudah jika Anda tahu arti istilah itu.
Omong - omong, jawaban Anda untuk si aleck pintar seharusnya, "Tidak. Saya telah bekerja dengan dasar ini begitu lama sehingga saya tahu bahwa saya mendapatkan hasil terbaik dengan smoothing eksponensial. Yang, seperti yang Anda tahu, adalah salah satu bentuk yang dapat diambil ARIMA. "
BaselineA
baseline
adalah urutan data yang disusun secara kronologis. Beberapa contoh baseline mencakup total pendapatan bulanan mulai Januari 2010 sampai Desember 2015, jumlah unit terjual setiap minggu mulai 1 Januari 2015, sampai 31 Desember 2016, dan total pendapatan kuartalan dari Q1 2007 sampai Q4 2016. Data yang disusun seperti ini kadang-kadang disebut rangkaian waktu.
menunjukkan seberapa kuat dua variabel terkait. Nilai yang mungkin berkisar dari -1. 0 sampai +1 0, namun dalam prakteknya Anda tidak pernah menemukan korelasi yang begitu ekstrem. Koefisien korelasi yang lebih dekat adalah +/- 1. 0, semakin kuat hubungan antara kedua variabel tersebut. Korelasi 0 0 berarti tidak ada hubungan. Jadi, Anda mungkin menemukan korelasi +0. 7 (cukup kuat) antara jumlah tenaga penjualan yang Anda miliki dan total pendapatan yang mereka bawa: Semakin besar jumlah repetisi, semakin banyak yang terjual. Dan Anda mungkin menemukan korelasi dari -0. 1 (cukup lemah) antara berapa banyak rep menjual dan nomor teleponnya.
Jenis korelasi khusus adalah autokorelasi, yang menghitung kekuatan hubungan antara satu pengamatan di awal dan pengamatan sebelumnya (seringkali, namun tidak selalu, hubungan antara dua pengamatan berturut-turut).Autokorelasi memberi tahu Anda kekuatan hubungan antara apa yang terjadi sebelumnya dan apa yang terjadi setelahnya. Hal ini pada gilirannya membantu Anda menentukan jenis teknik peramalan yang akan digunakan. Berikut adalah contoh bagaimana menghitung autokorelasi yang mungkin membuat konsep ini sedikit lebih jelas:
= CORREL (A2: A50, A1: A49) Rumus Excel ini menggunakan fungsi CORREL untuk menunjukkan seberapa kuat (atau seberapa lemahnya) hubungan antara nilai apa pun ada di A2: A50 dan yang ada di A1: A49. Autokorelasi yang paling berguna melibatkan garis dasar yang diurutkan berdasarkan urutan kronologis. (Autokorelasi semacam ini tidak sama dengan autokorelasi yang dihitung dalam model ARIMA. Siklus Siklus
mirip dengan pola musiman, namun Anda tidak mempertimbangkannya dalam pola. cara yang sama seperti yang Anda lakukan musiman. Kemajuan bisa berlangsung beberapa tahun, dan downswing mungkin akan melakukan hal yang sama. Selanjutnya, satu siklus penuh mungkin memakan waktu empat tahun untuk menyelesaikannya, dan yang berikutnya hanya dua tahun. Contoh yang bagus adalah siklus bisnis: Resesi mengejar ledakan, dan Anda tidak pernah tahu berapa lama masing-masing akan bertahan. Sebaliknya, musim tahunan memiliki panjang yang sama, atau hampir begitu.
Faktor redaman
Faktor redaman adalah pecahan antara 0 0 dan 1. 0 yang Anda gunakan dalam eksponensial smoothing untuk menentukan berapa banyak kesalahan dalam perkiraan sebelumnya akan digunakan dalam penghitungan perkiraan berikutnya
Sebenarnya penggunaan istilah redaman agak aneh. Sebagian besar teks pada smoothing eksponensial mengacu pada konstanta pemulusan. Faktor redaman adalah 1. 0 dikurangi konstanta pemulusan. Tidak masalah istilah yang Anda gunakan; Anda hanya menyesuaikan rumus yang sesuai.
Eksponensial smoothing Istilah bodoh, meski secara teknis akurat. Menggunakan eksponensial smoothing, Anda membandingkan perkiraan sebelumnya dengan
aktual
sebelumnya (dalam konteks ini, aktual adalah hasil penjualan yang disyaratkan oleh Akuntansi - setelah fakta - yang Anda hasilkan). Kemudian Anda menggunakan kesalahan - yaitu, perbedaan antara perkiraan sebelumnya dan perkiraan sebelumnya - untuk menyesuaikan perkiraan berikutnya dan, Anda berharap, membuatnya lebih akurat daripada jika Anda tidak memperhitungkan kesalahan sebelumnya. Periode perkiraan Periode perkiraan adalah jangka waktu yang diwakili oleh setiap pengamatan di baseline Anda. Istilah ini digunakan karena perkiraan Anda biasanya mewakili waktu yang sama seperti setiap pengamatan dasar. Jika baseline Anda terdiri dari pendapatan penjualan bulanan, perkiraan Anda biasanya untuk bulan yang akan datang. Jika baseline terdiri dari penjualan kuartalan, perkiraan Anda biasanya untuk kuartal berikutnya. Dengan menggunakan pendekatan regresi, Anda dapat membuat perkiraan lebih jauh ke masa depan daripada hanya satu periode perkiraan, namun perkiraan Anda yang lebih jauh dapatkan dari pengamatan aktual terbaru, semakin tipis es.
Rata-rata Bergerak
Anda mungkin pernah mengalami konsep moving averages di suatu tempat di sepanjang garis. Idenya adalah bahwa rata-rata menyebabkan kebisingan di baseline untuk dibatalkan, membuat Anda memiliki gagasan yang lebih baik tentang sinyal (apa yang sebenarnya terjadi dari waktu ke waktu, tidak terpengaruh oleh kesalahan acak yang tak terelakkan).Ini adalah rata-rata
karena rata-rata beberapa pengamatan berturut-turut, seperti rata-rata penjualan pada bulan Januari, Februari, dan Maret. Ini bergerak karena periode waktu yang rata-rata bergerak maju dalam waktu - jadi, rata-rata pergerakan pertama bisa termasuk Januari, Februari, dan Maret; rata bergerak kedua bisa meliputi bulan Februari, Maret, dan April; dan seterusnya. Tidak ada persyaratan bahwa setiap rata-rata bergerak mencakup tiga nilai - bisa jadi dua, atau empat, atau lima, atau bahkan lebih mungkin. Variabel prediktor Anda umumnya menemukan istilah ini digunakan saat Anda meramalkan dengan regresi. Variabel prediktor
adalah variabel yang Anda gunakan untuk memperkirakan nilai variabel masa depan yang ingin diramalkan. Misalnya, Anda mungkin menemukan hubungan yang dapat diandalkan antara harga jual unit dan volume penjualan. Jika Anda tahu berapa banyak perusahaan Anda yang ingin dikenai biaya per unit selama kuartal berikutnya, Anda dapat menggunakan hubungan tersebut untuk memperkirakan volume penjualan untuk kuartal berikutnya. Dalam contoh ini, harga satuan penjualan adalah variabel prediktor.
Regresi
Jika Anda menggunakan pendekatan regresi terhadap peramalan penjualan, itu karena Anda telah menemukan hubungan yang dapat diandalkan antara pendapatan penjualan dan satu atau lebih variabel prediktor. Anda menggunakan hubungan itu, ditambah pengetahuan Anda tentang variabel prediktor masa depan, untuk membuat ramalan Anda.
Bagaimana Anda mengetahui nilai variabel prediktor masa depan? Jika Anda akan menggunakan harga satuan sebagai prediktor, salah satu cara yang baik adalah untuk mengetahui dari Manajemen Produk berapa yang akan dikenakannya per unit selama masing-masing berikutnya, katakanlah empat per empat. Cara lain melibatkan tanggal: Ini sangat mungkin, dan bahkan biasa, untuk menggunakan tanggal (seperti bulan dalam tahun) sebagai variabel prediktor.
Musiman Selama rentang waktu setahun, garis dasar Anda mungkin naik dan turun secara musiman. Mungkin Anda menjual produk yang penjualannya naik saat cuaca hangat dan turun saat cuaca dingin. Jika Anda dapat melihat kira-kira pola yang sama terjadi dalam setiap tahun selama periode beberapa tahun, Anda tahu bahwa Anda melihat musiman.
Anda dapat memanfaatkan pengetahuan itu untuk memperbaiki prakiraan Anda. Ini berguna untuk membedakan musim dari siklus. Anda tidak pernah tahu berapa lama siklus yang diberikan akan bertahan. Tapi masing-masing empat musim dalam setahun adalah tiga bulan. Trend
Trend
A adalah kecenderungan tingkat garis dasar untuk naik atau turun seiring berjalannya waktu. Tren kenaikan pendapatan tentu saja merupakan kabar baik bagi tenaga penjualan dan manajemen penjualan, untuk tidak mengatakan apa pun tentang perusahaan lainnya. Dasar penjualan yang menurun, meski jarang kabar baik, dapat memberi tahu Marketing and Product Management bahwa mereka perlu membuat dan bertindak berdasarkan beberapa keputusan, mungkin juga keputusan yang menyakitkan. Terlepas dari arah tren, fakta bahwa ada kecenderungan dapat menyebabkan masalah bagi perkiraan Anda dalam beberapa konteks - namun ada beberapa cara untuk mengatasi masalah tersebut.
