Video: The Zeitgeist Movement Orientation Guide 2024
Seiring waktu, sebuah garis dasar cenderung untuk menampilkan perilaku yang konsisten: Tingkatnya meningkat, menurun, atau sisa stasioner (atau mungkin musiman atau siklik). Hubungan antara periode waktu membantu mengukur perilaku ini: hubungan antara satu bulan dan bulan berikutnya, atau antara seperempat dan berikutnya, atau antara seperempat dan kuartal yang sama di tahun sebelumnya.
Garis dasar Anda mungkin mencampuradukkan hubungan antara periode waktunya karena berbagai alasan, ada yang bagus dan buruk. Beberapa contoh:
- Siapa pun yang mengumpulkan data dasar (bukan Anda tentu saja) mengabaikan pendapatan penjualan pada tanggal 15 Juni sampai 30 Juni. Ini adalah masalah nyata, dan ini benar-benar tidak dapat dipertahankan. "Anjing itu memakan pekerjaan rumah saya" tidak memotongnya di sini.
- Gudang itu terbakar habis dan tidak ada yang bisa menjual apapun sampai pabrik bisa menyusul persediaan yang hilang. Sekali lagi, masalah sebenarnya, tapi itu tidak membantu perkiraan Anda bahkan jika polisi menangkap pembakar tersebut.
Alasannya adalah: Jika hampir semua baseline Anda terdiri dari pendapatan bulanan, dan satu periode waktu hanya mewakili setengah bulan, perkiraan apapun yang bergantung pada keseluruhan baseline akan dilempar. Angka tersebut menunjukkan contoh dari apa yang bisa terjadi.
Data buruk dari periode waktu terakhir dapat menyebabkan perkiraan yang buruk.Sel A1: B27 mengandung garis dasar dengan pendapatan akurat sepanjang. Eksponensial smoothing memberikan perkiraan untuk Agustus 2016 di sel C28.
Sel H1: I27 memiliki garis dasar yang sama, kecuali untuk sel I25. Untuk beberapa alasan (akuntansi ceroboh, kebakaran gudang, atau sesuatu yang lain), pendapatan untuk Mei 2016 telah dilaporkan tidak dilaporkan. Hasilnya adalah bahwa ramalan untuk Agustus 2016 lebih dari $ 6.000 kurang dari pada saat pendapatan 2016 adalah hasil dari kesalahan dan insiden satu kali saja. Enam ribu dolar mungkin tidak terdengar banyak, tapi dalam konteks ini perbedaan 8 persen. Dan bahkan lebih buruk lagi setelah masalah terjadi: Perbedaan dalam dua prakiraan tersebut adalah 17 persen pada bulan Juni 2016.
Jika data yang hilang tidak dapat ditemukan, karena mungkin kesalahan akuntansi, atau jika tidak ada kesalahan dibuat namun beberapa insiden yang benar-benar tidak biasa mengganggu proses penjualan selama Mei 2016, Anda mungkin memperkirakan perkiraan untuk bulan Mei. Beberapa cara yang masuk akal untuk melakukannya:
- Ambillah rata-rata bulan April dan Juni dan tetapkan rata-rata sampai bulan Mei.
- Gunakan Juni 2014 sampai April 2016 sebagai baseline, dan ramalkan Mei 2016. Kemudian gunakan perkiraan Mei 2016 di baseline penuh Anda, Januari 2014 sampai Juli 2016.
Situasi ini adalah alasan bagus untuk mencatat dasar Anda. Hanya melihat garis dasar, Anda mungkin tidak menyadari bahwa 2016 Mei adalah sebuah eksentrik. Tapi itu melompat keluar pada Anda jika Anda memetakan baseline - lihat gambar berikut, terutama bulan Juni sampai Agustus 2016 di setiap grafik.
Data Oddball melompat keluar saat Anda memetakan baseline.Jangan khawatir tentang perbedaan kecil sepanjang periode waktu baseline. Maret memiliki satu hari lagi di dalamnya daripada bulan April, tapi tidak perlu dikhawatirkan. Dua minggu yang hilang adalah masalah lain.