Moving-average-demand-forecasting

Moving-average-demand-forecasting

Pilihan-dan-statis-replikasi-of-fx-quanto-pilihan
Interaktif-calo-pilihan-penyelesaian
Rd-forex


Pilihan-trading-trader-travis Xe-forex-trading Perdagangan-forex-on-your-blackberry Ideal-trading-systems Stock-options-y-despido-improcedente Yang-moving-average-is-best-for-short-term-trading

FORECASTING Seasonal Factor - persentase permintaan kuartalan rata-rata yang terjadi di setiap kuartal. Prakiraan tahunan untuk tahun ke 4 diprediksi akan mencapai 400 unit. Perkiraan rata-rata per kuartal adalah 4004 100 unit. Prakiraan Triwulanan rata-rata Ramalan faktor musiman METODE PERAMALAN PENYEBAB Metode peramalan kausal didasarkan pada hubungan yang diketahui atau dirasakan antara faktor yang akan diprediksi dan faktor eksternal atau internal lainnya. 1. regresi: persamaan matematis menghubungkan variabel dependen dengan satu atau lebih variabel independen yang diyakini mempengaruhi variabel dependen. 2. Model ekonometrik: sistem persamaan regresi interdependen yang menggambarkan beberapa sektor kegiatan ekonomi 3. Model input-output: menggambarkan arus dari satu sektor ekonomi ke sektor lainnya, dan memprediksi input yang diperlukan untuk menghasilkan output di sektor lain 4. Pemodelan simulasi MENGUKUR KESALAHAN PERAMALAN Ada dua aspek kesalahan peramalan yang harus diperhatikan - Bias dan Akurasi Bias - Ramalan diperkirakan bias jika terjadi lebih banyak dalam satu arah daripada di sisi lain - Metode cenderung di bawah perkiraan atau perkiraan terlalu tinggi. Akurasi - Ramalan perkiraan mengacu pada jarak prakiraan dari permintaan aktual yang mengabaikan arah kesalahan itu. Contoh: Untuk enam periode perkiraan dan permintaan aktual telah dilacak Tabel berikut memberikan permintaan aktual D t dan perkiraan permintaan F t selama enam periode: jumlah kumulatif perkiraan kesalahan (CFE) -20 berarti deviasi absolut (MAD) 170 6 28,33 mean kuadrat Kesalahan standar kesalahan perkiraan 5150 6 29.30 berarti kesalahan persentase absolut (MAPE) 83.4 6 13.9 Informasi apa yang masing masing memberi perkiraan memiliki kecenderungan untuk memperkirakan perkiraan kesalahan rata-rata per perkiraan adalah 28,33 unit atau 13,9 Distribusi sampling permintaan aktual dari kesalahan perkiraan memiliki deviasi standar 29,3 unit. KRITERIA UNTUK MEMILIH METODE PERAMALAN Tujuan: 1. Maksimalkan Akurasi dan 2. Minimalkan Bias Potensi Aturan untuk memilih metode peramalan deret waktu. Pilih metode yang memberikan bias terkecil, yang diukur dengan perkiraan error kumulatif (CFE) atau berikan mean absolute deviation (MAD) terkecil atau memberi sinyal pelacakan terkecil atau mendukung keyakinan manajemen tentang pola permintaan yang mendasarinya atau yang lainnya. Tampak jelas bahwa beberapa ukuran akurasi dan bias harus digunakan bersamaan. Bagaimana dengan jumlah periode yang akan dijadikan sampel jika permintaan secara inheren stabil, nilai yang rendah dan dan nilai N yang lebih tinggi disarankan jika permintaan secara inheren tidak stabil, nilai tinggi dan dan nilai N yang lebih rendah disarankan agar FOCUS FORECASTING quotfocus forecastingquot mengacu pada Sebuah pendekatan terhadap peramalan yang mengembangkan prakiraan dengan berbagai teknik, kemudian memilih ramalan yang dihasilkan oleh kuotest kuot dari teknik ini, di mana tanda kutip dihitung dengan beberapa ukuran kesalahan perkiraan. FOCUS FORECASTING: CONTOH Untuk enam bulan pertama tahun ini, permintaan barang ritel adalah 15, 14, 15, 17, 19, dan 18 unit. Peritel menggunakan sistem peramalan fokus berdasarkan dua teknik peramalan: rata-rata pergerakan dua periode, dan model pemulusan eksponensial yang disesuaikan dengan tren dengan 0,1 dan 0,1. Dengan model eksponensial, perkiraan untuk bulan Januari adalah 15 dan rata-rata tren pada akhir Desember adalah 1. Pengecer menggunakan mean absolute deviation (MAD) selama tiga bulan terakhir karena kriteria untuk memilih model mana yang akan digunakan untuk meramalkan Untuk bulan berikutnya Sebuah. Apa yang akan menjadi ramalan untuk bulan Juli dan model mana yang akan digunakan b. Maukah Anda menjawab Bagian a. Menjadi berbeda jika permintaan untuk Mei adalah 14, bukan 19Cara Permintaan Forecast Menciptakan perkiraan permintaan yang berhasil memastikan bahwa Anda memiliki persediaan yang cukup untuk periode penjualan yang akan datang. Perkiraan permintaan melihat data penjualan dari masa lalu untuk menentukan permintaan konsumen di masa depan. Dengan perkiraan permintaan yang akurat, Anda akan memiliki operasi yang lebih efisien, layanan pelanggan yang lebih baik, dan pengurangan waktu pengembangan produk manufaktur. Perkiraan permintaan yang akurat akan membantu Anda menghindari operasi dengan biaya tinggi, layanan pelanggan yang buruk, dan kekurangan produk. 1 Langkah Edit Bagian Satu dari Tujuh: Mengumpulkan Informasi Edit Produk spesifik target. Alih-alih berfokus pada lini produk yang lengkap, identifikasi produk tertentu yang ingin Anda lacak. Melakukan hal ini mempermudah pengorganisasian data masa lalu dan perkiraan permintaan. Misalnya, jika Anda memiliki garis pakaian musim dingin yang ada, fokuslah secara khusus pada sarung tangan terlebih dahulu, bukan seluruh garis. 2 Fokus pada produk Anda yang menghasilkan pendapatan paling banyak. Misalnya, banyak pengusaha mematuhi peraturan 8020, yang menyatakan bahwa 20 produk atau layanan yang ditawarkan oleh bisnis umumnya menghasilkan 80 dari pendapatannya. 3 Identifikasi produk ini dan lacak permintaannya. Anda mungkin harus meramalkan permintaan untuk setiap produk dalam inventaris Anda, namun akan lebih mudah dan lebih akurat jika Anda melakukan beberapa produk serupa pada saat seperti sarung tangan, sepatu bot dan topi musim dingin. Pertimbangkan untuk membuat grup Perencanaan Penjualan dan Operasi yang mencakup perwakilan dari masing-masing departemen dan tugas mereka menyiapkan perkiraan permintaan. Tinjau kembali rencana pemasaran Anda. Setiap kampanye pemasaran atau promosi penjualan dapat meningkatkan permintaan produk Anda. Lihatlah data terakhir dan lihat apa yang berhasil. Lihat apakah ada diskon khusus atau penjualan liburan yang meningkatkan permintaan untuk produk Anda. Anda ingin mempertimbangkan semua ini saat meramalkan permintaan, terutama jika Anda berencana untuk mengulangi strategi penjualan serupa. 4 Tinjau kembali indikator kunci. Cari tahu apa yang ada di balik fluktuasi permintaan pelanggan Anda. Indikator utama meliputi faktor demografi dan lingkungan. Demografi meliputi usia, jenis kelamin, lokasi, dan ciri identifikasi lainnya. Mengidentifikasi permintaan kelompok demografis kunci membantu mempersempit kolam data untuk perkiraan. Faktor lingkungan juga mempengaruhi permintaan. Misalnya, musim dingin yang parah dapat menyebabkan penurunan penjualan. 5. Lihatlah pasar Anda. Analisis apa yang pesaing, pelanggan, bankir, dan orang lain di pasar Anda katakan dan lakukan. Lihat apakah pesaing Anda menjalankan penjualan atau promosi utama. 6 Lihatlah bulan-bulan sebelumnya. Lihatlah kedua bulan terakhir dan varians penjualan tahunan seperti waktu liburan. Ini akan membantu Anda menentukan fluktuasi tahunan dan musiman. Saat melihat bulan-bulan terakhir, analisa pola penggerak di balik permintaan. Lihatlah penyesuaian harga atau kampanye pemasaran yang menyebabkan kenaikan pelanggan baru. Bisnis selalu meningkat karena suatu alasan, dan seorang pengusaha cerdas atau pengusaha akan mencari tahu mengapa. Misalnya, Anda mungkin sudah menjalankan membelinya, dapatkan satu penjualan gratis di bulan Agustus untuk belanja di sekolah. Jika Anda memilih untuk meniru faktor-faktor ini, pertimbangkanlah itu dalam ramalan Anda. 7 Tentukan lead time Anda. Waktu pimpin adalah waktu antara inisiasi pesanan dan pengiriman produk. Mengetahui hal ini akan membantu Anda meramalkan permintaan. Ini akan membantu Anda menentukan seberapa cepat Anda bisa membuat produk Anda dan memenuhi permintaan. 8 Jika Anda membeli produk Anda dari perusahaan lain, lead time adalah waktu antara menempatkan pesanan Anda dan ketika tiba di depan pintu Anda. Anda juga bisa menentukan lead time dengan memeriksa bahan baku dan komponennya. Mengetahui waktu produksi yang Anda inginkan akan membantu Anda membuat perkiraan permintaan yang lebih akurat. Berfokus pada item tertentu membantu memprediksi berapa banyak bahan yang Anda perlukan dan waktu produksi untuk membuat produk Anda. Bila Anda memperkirakan jumlah produksi Anda, lihat permintaan komponen dari setiap item. Misalnya, jika Anda memproduksi pensil, Anda perlu tahu berapa banyak kayu, karet, dan mengarah pada pesanan berdasarkan ramalan Anda. 9 Cari tahu pendekatan mana yang akan digunakan. Ada empat pendekatan umum untuk meramalkan permintaan. Mereka termasuk menghakimi, eksperimental, relationalcausal, dan time series. Pilih pendekatan terbaik berdasarkan riwayat produk Anda. Pendekatan eksperimental, misalnya, digunakan terutama untuk produk baru yang tidak memiliki data sejarah di pasar. Pendekatan ini adalah bagaimana Anda akan mengumpulkan sebagian besar data Anda. 10 Anda dapat menggabungkan pendekatan untuk membuat perkiraan permintaan yang lebih akurat. Pertimbangkan pendekatan menghakimi. Metode ini mengacu pada wawasan pasar kolektif yang diamati oleh tim penjualan dan manajer Anda untuk menentukan permintaan. Orang-orang ini dapat memberi sedikit atau, dalam beberapa kasus, perkiraan permintaan yang sangat akurat berdasarkan pengetahuan dan pengalaman pribadi mereka sendiri. Namun, data yang Anda kumpulkan dari mereka mungkin tidak dapat diandalkan, karena bergantung pada pandangan pribadi Anda oleh pakar Anda sendiri. Untuk alasan ini, data yang diperoleh dari pendekatan menghakimi paling baik digunakan untuk membuat perkiraan permintaan jangka pendek. 11 Ada beberapa cara berbeda untuk melakukan ini, tergantung terutama pada siapa yang Anda gunakan untuk panel Anda. Namun, Anda tidak perlu menggunakan semuanya untuk pendekatan menghakimi yang tepat. Anda dapat memilih atau kombinasi apapun untuk mencapai tujuan Anda, tergantung pada kelompok mana yang menurut Anda akan memberikan penilaian yang paling akurat. Tentukan apakah Anda perlu menggunakan pendekatan eksperimental. Pendekatan ini bekerja paling baik untuk produk baru, dan ini tidak berguna untuk produk yang ada yang memiliki catatan permintaan historis. Pendekatan ini mengambil hasil dari sejumlah kecil pelanggan dan melakukan ekstrapolasi temuan ke sejumlah besar pelanggan. Misalnya, jika Anda menghubungi 500 orang secara acak di kota tertentu dan 25 mengatakan bahwa mereka akan membeli produk Anda dalam waktu 6 bulan, Anda dapat mengasumsikan persentase ini berlaku untuk 5.000 orang. 12 Jika sekelompok kecil pelanggan yang ditargetkan menyukai teknologi baru dan merespons dengan baik dalam pemasaran tes, Anda dapat memperkirakan jumlah tersebut juga untuk meramalkan permintaan nasional. Masalah dengan pendekatan ini adalah sering mengumpulkan lebih banyak informasi tentang preferensi pelanggan terhadap produk Anda daripada data permintaan. Pertimbangkan untuk menggunakan pendekatan relasional. Pendekatan ini mencoba untuk mengetahui mengapa orang membeli produk Anda. Gagasannya adalah bahwa jika Anda dapat memahami mengapa orang membeli produk Anda, Anda dapat membuat perkiraan permintaan berdasarkan alasan itu. Misalnya, jika Anda menjual sepatu salju, berarti Anda tahu permintaan akan produk Anda terkait cuaca. Jika ramalan cuaca meramalkan musim dingin yang berat, Anda tahu bahwa akan ada permintaan yang lebih tinggi untuk sepatu salju Anda. 13 Pendekatan ini mencakup model siklus hidup dan simulasi. Hitung permintaan dengan menggunakan pendekatan time series. Pendekatan deret waktu mencoba menghitung secara matematis permintaan menggunakan angka dan tren masa lalu sebagai panduan. Secara khusus, Anda dapat menggunakan moving averages, weighted moving averages, andor exponential smoothing untuk secara akurat memprediksi permintaan Anda. Pendekatan ini akan memberi Anda angka yang lebih sulit daripada pendekatan lainnya, namun harus dikombinasikan dengan perkiraan subyektif lainnya untuk memperhitungkan dampak perubahan masa depan di pasar atau rencana bisnis. Bagian Kelima dari Tujuh: Menggunakan Pendekatan RelationalCausal Edit Memeriksa penjualan tahun sebelumnya untuk tren bulanan atau musiman. Lihatlah angka penjualan selama beberapa tahun terakhir untuk menentukan waktu di tahun yang sama dengan persentase penjualan Anda yang lebih tinggi. Apakah mereka konstan Apakah Anda mengalami kenaikan penjualan di musim dingin atau musim panas Mengukur kenaikan atau penurunan penjualan selama masa-masa ini. Apakah perubahannya lebih tinggi atau lebih rendah pada tahun-tahun tertentu Lalu, pikirkan mengapa hal ini terjadi. Gunakan apa yang telah Anda pelajari dan terapkan pada perkiraan tahun ini. Misalnya, jika Anda menjual sepatu salju, Anda mungkin pernah mengalami dorongan penjualan yang sangat besar di musim dingin. Jika tahun ini diperkirakan akan menjadi musim dingin yang sama, Anda harus meningkatkan perkiraan permintaan Anda sesuai dengan itu. Carilah reaksi pelanggan. Ini mengacu pada situasi di mana perubahan pada produk Anda atau pasarnya menghasilkan penjualan yang lebih tinggi atau lebih rendah. Buat grafik penjualan historis Anda untuk produk dan tandai tanggal penting, misalnya kenaikan harga atau pengenalan produk pesaing. Ini juga bisa lebih luas, seperti reaksi terhadap pergeseran ekonomi atau perubahan belanja konsumen. Baca jurnal perdagangan yang relevan dan artikel surat kabar untuk mengumpulkan informasi ini. Memiliki semua data ini di tangan dapat memberi Anda gagasan yang lebih baik tentang apa yang mungkin mempengaruhi permintaan masa depan Anda. Buat model siklus hidup. Siklus hidup mengacu pada kehidupan produk Anda, antara saat pertama kali diperkenalkan dan hari ini. Lihatlah penjualan produk Anda pada berbagai tahap. Periksa sifat pelanggan yang membeli produk Anda selama tahap ini. Misalnya, Anda akan memiliki pengadopsi awal (orang-orang yang menyukai teknologi terbaru), pembeli utama (orang-orang yang menunggu ulasan produk dan rujukan), lamban (hanya membeli saat produk telah lama digunakan), dan jenis lainnya Konsumen. Ini akan membantu Anda menentukan tren siklus hidup produk Anda dan pola permintaan untuk produk Anda. 22 Industri yang menggunakan model ini paling banyak mencakup teknologi tinggi, fashion, dan produk yang menghadapi siklus hidup pendek. Apa yang membuat pendekatan ini unik adalah penyebab permintaan terkait langsung dengan siklus hidup produk. Gunakan model simulasi. Buat model yang mensimulasikan arus komponen ke dalam pabrik berdasarkan jadwal perencanaan kebutuhan material dan arus distribusi barang jadi Anda. Misalnya, hitung lead time untuk menerima setiap komponen termasuk waktu pengiriman tidak peduli di mana ia bersumber di dunia. Ini akan memberi Anda wawasan tentang seberapa cepat Anda dapat membuat produk Anda memenuhi permintaan. 23 Model ini diketahui sulit dan tidak praktis untuk diciptakan dan dipelihara. Kisah Sukses Pembaca Saya telah kehabisan bisnis selama beberapa waktu, namun seiring perkembangan teknologi baru, alat pengetahuan dan pengalaman berjalan beriringan. Seorang profesional selalu suka mengikuti perkembangannya. Itu menarik melalui apa yang saya terapkan di masa lalu dengan beberapa tambahan tambahan yang berguna. Aku akan melalui ini lagi. Terima kasih. . Lebih - Jawaid Manzoor Halaman ini membantu saya memahami laporan saya tentang Prinsip Pemasaran. - Jeyz Napial Informasi ini sangat rinci dan bermanfaat. - Sylvie Pereira Sangat baik ditulis dan mudah dimengerti. - Sohail Akram Artikel bagus. Mudah dimengerti. - Tania MathewsDemand Forecasting: Itrsquos Arti, Jenis, Teknik dan Metode Ekonomi Prakiraan menjadi masa depan bisnis di dunia, di mana gelombang pasang perubahan menyapu struktur paling mapan, diwarisi oleh masyarakat manusia. Perdagangan terjadi pada salah satu korban pertama. Kelangsungan hidup di era pemangsa ekonomi ini, membutuhkan kebijaksanaan, bakat dan teknik untuk memprediksi masa depan. Prakiraan menjadi pertanda kelangsungan hidup dan bahasa bisnis. Semua persyaratan sektor bisnis memerlukan teknik pembacaan yang akurat dan praktis ke masa depan. Oleh karena itu, prakiraan sangat penting untuk kelangsungan usaha. Manshyagement membutuhkan informasi peramalan saat membuat berbagai keputusan. Perkiraan penjualan sangat penting karena merupakan fondasi dimana semua rencana perusahaan dibangun dalam hal pasar dan pendapatan. Manajemen akan menjadi masalah sederhana jika bisnis tidak dalam keadaan terus-menerus berubah, langkahnya telah meningkat dalam beberapa tahun terakhir. Hal ini menjadi semakin penting dan perlu bagi bisnis untuk memprediksi prospek masa depan mereka dalam hal penjualan, biaya dan keuntungan. Nilai penjualan masa depan sangat penting karena mempengaruhi biaya keuntungan, sehingga prediksi penjualan masa depan adalah titik awal logis dari semua perencanaan bisnis. Perkiraan adalah prediksi atau perkiraan situasi di masa depan. Ini adalah penilaian yang obyektif tentang tindakan di masa depan. Karena masa depan tidak pasti, tidak ada perkiraan yang bisa benar. Prakiraan bisa bersifat fisik maupun finansial. Perkiraan yang lebih realistis, keputusan yang lebih efektif dapat diambil untuk hari esok. Dalam kata-kata Cundiff dan Still, Demand forecasting adalah perkiraan penjualan selama periode yang ditentukan di masa depan yang terkait dengan rencana pemasaran yang diusulkan dan yang mengasumsikan serangkaian kekuatan tak terkendali dan kompetitif tertentu. Oleh karena itu, peramalan permintaan merupakan proyeksi perusahaan yang mengharapkan tingkat penjualan berdasarkan rencana pemasaran dan lingkungan yang dipilih. Prosedur untuk Mempersiapkan Prakiraan Penjualan: Perusahaan biasanya menggunakan prosedur tiga tahap untuk menyiapkan perkiraan penjualan. Mereka membuat perkiraan lingkungan, diikuti oleh perkiraan industri, dan diikuti oleh perkiraan penjualan perusahaan, perkiraan lingkungan menyerukan untuk memproyeksikan inflasi, tingkat pengangguran, suku bunga, belanja konsumen, dan penghematan, investasi bisnis, pengeluaran pemerintah, ekspor neto dan lingkungan lainnya. Besaran dan kejadian penting bagi perusahaan. Perkiraan industri didasarkan pada survei niat konsumen dan analisis tren statistik tersedia oleh asosiasi perdagangan atau perdagangan bebas. Hal ini dapat memberi indikasi kepada perusahaan mengenai arah langsung di mana seluruh industri akan bergerak. Perusahaan memperoleh perkiraan penjualannya dengan mengasumsikan bahwa ia akan memenangkan pangsa pasar tertentu. Semua prakiraan dibangun di atas salah satu dari tiga basis informasi: Apa yang orang katakan Apa yang telah dilakukan orang Jenis Peramalan: Prakiraan dapat diklasifikasikan secara luas menjadi: (i) Prakiraan Pasif dan (ii) Prakiraan Aktif. Di bawah ramalan prediksi pasif tentang masa depan didasarkan pada asumsi bahwa perusahaan tidak mengubah jalannya tindakannya. Di bawah perkiraan aktif, prediksi dilakukan dengan kondisi kemungkinan perubahan masa depan dalam tindakan oleh perusahaan. Dari sudut pandang rentang waktu, peramalan dapat dikelompokkan menjadi dua, yaitu. (I) Peramalan permintaan jangka pendek dan (ii) peramalan permintaan jangka panjang. Dalam perkiraan jangka pendek, pola musiman sangat penting. Ini mungkin mencakup periode tiga bulan, enam bulan atau satu tahun. Ini adalah salah satu yang menyediakan informasi untuk keputusan taktis. Periode mana yang dipilih tergantung pada sifat busishyness. Perkiraan tersebut membantu dalam mempersiapkan kebijakan penjualan yang sesuai. Perkiraan jangka panjang sangat membantu dalam perencanaan modal yang sesuai. Ini adalah salah satu yang menyediakan informasi untuk keputusan strategis utama. Ini membantu dalam menghemat limbah dalam material, jam kerja, waktu dan kapasitas mesin. Perencanaan unit baru harus dimulai dengan analisis potensi permintaan jangka panjang produk perusahaan. Pada dasarnya ada dua jenis ramalan, yaitu. (I) Kelompok perkiraan eksternal atau nasional, dan (ii) perkiraan kelompok internal atau perusahaan. Perkiraan eksternal berkaitan dengan tren bisnis secara umum. Biasanya disiapkan oleh sayap penelitian perusahaan atau oleh konsultan dari luar. Perkiraan internal mencakup semua hal yang terkait dengan operasi perusahaan tertentu seperti grup penjualan, kelompok produksi, dan kelompok keuangan. Struktur perkiraan internal mencakup perkiraan penjualan tahunan, perkiraan biaya produk, perkiraan laba operasi, perkiraan pendapatan kena pajak, perkiraan sumber daya tunai, perkiraan jumlah karyawan, dan lain-lain. Pada tingkat yang berbeda, peramalan dapat diklasifikasikan menjadi: ( I) Peramalan tingkat makro, (ii) Peramalan tingkat industri, (iii) peramalan tingkat perusahaan dan (iv) peramalan lini produk. Perkiraan tingkat makro terkait dengan kondisi bisnis di seluruh ekonomi. Ini diukur dengan indeks produksi industri, pendapatan atau pengeluaran nasional yang sesuai. Peramalan tingkat industri disusun oleh asosiasi perdagangan yang berbeda. Hal ini berdasarkan survei niat konsumen dan analisis tren statistik. Peramalan tingkat perusahaan terkait dengan perusahaan individual. Hal ini paling penting dari sudut pandang manajerial. Peramalan lini produk membantu perusahaan menentukan produk atau produk mana yang harus diprioritaskan dalam alokasi sumber daya terbatas perusahaan. Prakiraan dapat dikelompokkan menjadi (i) umum dan (ii) spesifik. Perkiraan umum umumnya berguna bagi perusahaan. Banyak perusahaan memerlukan perkiraan terpisah untuk produk dan area spesifik tertentu, karena ramalan umum ini dipecah menjadi beberapa prakiraan tertentu. Ada perkiraan yang berbeda untuk berbagai jenis produk seperti: (i) Peramalan permintaan untuk barang konsumsi nonshydurable, (ii) Peramalan permintaan untuk barang konsumen yang tahan lama, (iii) Meramalkan desakan untuk barang modal, dan (iv) Meramalkan permintaan akan produk baru . Barang Konsumen Non-Durable: Ini juga dikenal sebagai barang konsumsi sekali pakai atau barang konsumsi yang mudah rusak. Ini lenyap setelah satu tindakan konsumsi. Ini termasuk barang seperti makanan, susu, obat-obatan, buah-buahan, dll. Permintaan untuk barang-barang ini tergantung pada pendapatan disposable rumah tangga, harga komoditi dan barang dan populasi terkait dan karakteristiknya. Secara simbolis, Dc f (y, s, p, pr) di mana Dc permintaan komoditas harga disposable income pp rumah tangga dari harga komoditas pr barang dagangannya (i) Pendapatan disposisi dinyatakan sebagai Dc f (y) yaitu hal-hal lain yang menjadi Sama, permintaan komoditas bergantung pada pendapatan disposable rumah tangga. Penghasilan rumah tangga sekali pakai diperkirakan setelah dikurangi pajak pribadi dari pendapatan pribadi. Penghasilan sekali pakai memberi gambaran tentang daya beli rumah tangga. (Ii) Harga, dinyatakan sebagai Dc f (p, p r) yaitu hal-hal lain yang setara, permintaan terhadap komoditas bergantung pada harga sendiri dan harga barang terkait. Sementara permintaan untuk komoditas berbanding terbalik dengan harga pelengkapnya sendiri. Hal ini berhubungan positif dengan substitusinya.8217 Elastisitas harga dan elastisitas silang barang konsumen yang tidak tahan lama membantu peramalan permintaan mereka. (Iii) Populasi, dinyatakan sebagai Dc f (5) yaitu hal-hal lain yang setara, permintaan terhadap komoditas bergantung pada ukuran populasi dan komposisinya. Selain itu, populasi juga dapat diklasifikasikan berdasarkan jenis kelamin, pendapatan, keaksaraan dan status sosial. Permintaan barang konsumsi yang tidak tahan lama dibakar oleh semua faktor ini. Untuk perkiraan umum peramalan populasi secara keseluruhan dipertimbangkan, namun untuk peramalan permintaan spesifik pembagian populasi sesuai karakteristik yang berbeda terbukti lebih bermanfaat. Barang Konsumen Tahan Lama: Barang-barang ini dapat dikonsumsi beberapa kali atau berulang kali digunakan tanpa banyak kehilangan kegunaannya. Ini termasuk barang seperti mobil, T.V. AC, furnitur dll. Setelah digunakan lama, consumshyers memiliki pilihan baik ini bisa dikonsumsi di masa depan atau bisa dibuang. Pilihannya tergantung pada faktor-faktor berikut: (i) Apakah konsumen akan mencari pengganti barang tahan lama atau terus menggunakannya setelah perbaikan yang diperlukan tergantung pada status sosialnya, tingkat pendapatan uang, selera dan fashion, dll. Permintaan pemindahan Cenderung tumbuh dengan bertambahnya persediaan komoditi dengan konsumen. Perusahaan dapat memperkirakan biaya penggantian rata-rata dengan bantuan tabel harapan hidup. (Ii) Sebagian besar barang konsumsi dikonsumsi secara umum oleh anggota keluarga. Misalnya, T.V. kulkas, dll digunakan bersama oleh rumah tangga. Permintaan prakiraan untuk barang yang biasa digunakan harus memperhitungkan jumlah rumah tangga daripada ukuran total populasi. Sementara memperkirakan jumlah rumah tangga, pendapatan rumah tangga, jumlah anak dan komposisi seks, dan lain-lain harus diperhitungkan. (Iii) Permintaan untuk barang tahan lama bergantung pada ketersediaan fasilitas sekutu. Misalnya, penggunaan kulkas T.V memerlukan pasokan tenaga yang teratur, penggunaan mobil membutuhkan ketersediaan bahan bakar, dan lain-lain. Sementara meramalkan permintaan akan barang-barang konsumen, penyediaan layanan sekutu dan biayanya juga harus diperhitungkan. (Iv) Permintaan barang tahan lama sangat dipengaruhi oleh harga dan fasilitas kreditnya. Daya tahan konsumen sangat sensitif terhadap perubahan harga. Jatuh kecil dalam harga mereka dapat membawa peningkatan permintaan yang besar. Peramalan Permintaan Barang Modal: Barang modal digunakan untuk produksi lebih lanjut. Permintaan akan barang modal adalah turunan. Ini akan tergantung pada profitabilitas industri. Permintaan barang modal adalah kasus permintaan turunan. Dalam kasus barang modal tertentu, permintaan akan bergantung pada pasar spesifik yang mereka layani dan penggunaan akhir yang mereka beli. Permintaan akan mesin tekstil, misalnya, ditentukan oleh perluasan industri tekstil dalam hal unit baru dan penggantian mesin yang ada. Diperkirakan permintaan baru dan permintaan penggantian juga diperlukan. Tiga jenis data diperlukan dalam memperkirakan permintaan barang modal: (a) Prospek pertumbuhan industri pengguna harus diketahui, (b) norma konsumsi barang modal per unit dari setiap produk akhir penggunaan harus diketahui. , Dan (c) kecepatan penggunaannya. Peramalan Permintaan Produk Baru: Metode peramalan permintaan untuk produk baru berbeda banyak dengan produk mapan. Karena produk itu baru bagi konsumen, sebuah studi intensif mengenai produk dan kemungkinan dampaknya terhadap produk lain dari kelompok yang sama memberikan kunci bagi proyeksi permintaan yang cerdas. Joel Dean telah mengklasifikasikan beberapa kemungkinan pendekatan sebagai berikut: (a) Pendekatan Evolusioner: Ini terdiri dari memproyeksikan permintaan akan produk baru sebagai hasil dan evolusi dari produk lama yang ada. (B) Pendekatan Pengganti: Menurut pendekatan ini, produk baru diperlakukan sebagai pengganti produk atau layanan yang ada. (C) Pendekatan Kurva Pertumbuhan: Ini memperkirakan tingkat pertumbuhan dan permintaan potensial untuk produk baru sebagai dasar dari beberapa pola pertumbuhan produk mapan. (D) Pendekatan Opini-Poll: Di bawah pendekatan ini, permintaan diperkirakan oleh pertanyaan langsung dari konsumen akhir. (E) Pendekatan Pengalaman Penjualan: Menurut metode ini permintaan akan produk baru diperkirakan dengan menawarkan produk baru untuk dijual di pasar sampel. (F) Pendekatan Kunjungan: Dengan metode ini, reaksi konsumen terhadap produk baru ditemukan secara tidak langsung melalui dealer khusus yang dapat menilai kebutuhan konsumen, selera dan preferensi. Berbagai langkah yang terlibat dalam meramalkan permintaan barang-barang konsumsi yang tidak tahan lama adalah sebagai berikut: (a) Identifikasi dulu variabel-variabel yang mempengaruhi permintaan produk dan ungkapkan dalam bentuk yang sesuai, (b) mengumpulkan data atau perkiraan yang relevan untuk data yang relevan ke Mewakili variabel, dan (c) menggunakan metode analisis statistik untuk menentukan hubungan yang paling mungkin antara variabel dependen dan independen. Teknik Peramalan: Peramalan permintaan adalah latihan yang sulit. Membuat perkiraan untuk masa depan di bawah conshyditions yang berubah adalah tugas yang hebat. Perilaku konsumen adalah yang paling tidak dapat diprediksi karena dimotivasi dan dipengaruhi oleh banyaknya kekuatan. Tidak ada metode mudah atau formula sederhana yang memungkinkan manajer memprediksi masa depan. Ekonom dan ahli statistik telah mengembangkan beberapa metode peramalan permintaan. Masing-masing metode ini memiliki kelebihan dan kekurangan relatif. Pemilihan metode yang tepat sangat penting untuk membuat peramalan permintaan akurat. Dalam peramalan permintaan, kombinasi antara keterampilan statistik dan penilaian rasional diperlukan. Teknik matematika dan statistik sangat penting dalam mengklasifikasikan hubungan dan menyediakan teknik analisis, namun teknik ini sama sekali bukan merupakan alternatif untuk penilaian yang tepat. Penilaian yang baik merupakan persyaratan utama untuk ramalan yang bagus. Penghakiman harus didasarkan pada fakta dan bias pribadi peramal seharusnya tidak sesuai dengan fakta. Oleh karena itu, jalan tengah harus diikuti antara teknik matematika dan penilaian suara atau kerja tebakan murni. Metode peramalan permintaan yang lebih umum digunakan dibahas di bawah ini: Berbagai metode peramalan permintaan dapat diringkas dalam bentuk grafik seperti ditunjukkan pada Tabel 1. 1. Metode Polling Opini: Dengan metode ini, pendapat pembeli, penjualan Kekuatan dan ahli bisa dikumpulkan untuk menentukan tren yang sedang berkembang di pasaran. Metode pemungutan suara perkiraan peramalan permintaan terdiri dari tiga jenis: (a) Metode Survei Konsumen atau Survei Niat Pembeli: Dengan metode ini, konsumen langsung mendekati untuk mengungkapkan rencana pembelian di masa depan. Saya melakukannya dengan mewawancarai semua konsumen atau kelompok konsumen terpilih dari popushylation yang relevan. Ini adalah metode langsung untuk memperkirakan permintaan dalam jangka pendek. Disini beban peramalan digeser ke pembeli. Perusahaan dapat masuk untuk enumerasi lengkap atau untuk survei sampel. Jika komoditas yang sedang dipertimbangkan merupakan produk antara maka industri yang menggunakannya sebagai produk akhir disurvei. (I) Survei Pencacahan Lengkap: Di bawah Survei Pencacahan Lengkap, perusahaan harus mengikuti survei door to door untuk periode perkiraan dengan menghubungi semua rumah tangga di daerah tersebut. Metode ini memiliki keuntungan dari tangan pertama, informasi yang tidak bias, namun juga memiliki kelemahannya. Keterbatasan utama metode ini adalah membutuhkan banyak sumber daya, tenaga kerja dan waktu. Dengan metode ini, konsumen mungkin enggan mengungkapkan rencana pembelian mereka karena privasi pribadi atau kerahasiaan komersial. Selain itu, kadang-kadang konsumen konsumtif mungkin tidak mengungkapkan pendapat mereka dengan benar atau mungkin sengaja menyesatkan para penyidik. (Ii) Survei Sampel dan Pemasaran Uji: Dengan metode ini beberapa rumah tangga representatif dipilih secara acak sebagai sampel dan pendapat mereka dianggap sebagai opini umum. Metode ini didasarkan pada asumsi dasar bahwa sampel benar-benar mewakili populasi. Jika sampel adalah perwakilan sebenarnya, kemungkinan tidak ada perbedaan signifikan dalam hasil yang diperoleh oleh survei. Selain itu, metode ini kurang membosankan dan harganya lebih murah. Variasi teknik survei sampel adalah uji pemasaran. Pengujian produk pada dasarnya melibatkan penempatan produk dengan sejumlah pengguna selama periode tertentu. Reaksi mereka terhadap produk dicatat setelah jangka waktu tertentu dan perkiraan kemungkinan permintaan dibuat dari hasilnya. Ini cocok untuk produk baru atau untuk produk lama yang dimodifikasi secara radikal yang tidak memiliki data sebelumnya. Ini adalah metode yang lebih ilmiah untuk memperkirakan permintaan yang mungkin terjadi karena ini merangsang peluncuran nasional di area geoshygraphical yang jelas. (Iii) Metode Penggunaan Akhir atau Metode Input-Output: Metode ini cukup berguna untuk industri yang terutama merupakan produsen barang. Dengan metode ini, penjualan produk yang sedang dipertimbangkan diproyeksikan sebagai dasar survei permintaan industri yang menggunakan produk ini sebagai produk antara, yaitu permintaan untuk produk akhir adalah permintaan pengguna akhir dari produk perantara yang digunakan dalam Produksi produk akhir ini. Estimasi permintaan pengguna akhir dari produk antara mungkin melibatkan banyak industri akhir yang baik menggunakan produk ini di dalam dan luar negeri. Ini membantu kita untuk memahami hubungan antar-industri8217. Dalam perhitungan input-output dua matrik yang digunakan adalah matriks transaksi dan matriks ko-efisien input. Upaya utama yang dibutuhkan oleh jenis ini tidak dalam operasinya namun dalam pengumpulan dan penyajian data. (B) Metode Opini Angkatan Kerja: Ini juga dikenal sebagai metode pendapat kolektif. Dengan metode ini, alih-alih konsumen, pendapat salesman dicari. Hal ini kadang-kadang disebut sebagai pendekatan akar rumput karena ini adalah metode bottom-up yang mengharuskan setiap sales person di perusahaan membuat perkiraan individu untuk wilayah penjualannya. Perkiraan individu ini dibahas dan disepakati dengan sales manager. Komposit dari semua prakiraan kemudian merupakan perkiraan penjualan untuk organisasi. Kelebihan metode ini adalah mudah dan murah. Ini tidak melibatkan perlakuan statistik yang rumit. Manfaat utama dari metode ini terletak pada kebijaksanaan kolektif salesman. Metode ini lebih berguna dalam meramalkan penjualan produk baru. (C) Metode Opini Pakar: Metode ini juga dikenal dengan teknik Delphi Investigasi. Metode Delphi membutuhkan panel ahli, yang diinterogasi melalui sekuens kuesioner dimana tanggapan terhadap satu kuesioner digunakan untuk menghasilkan kuesioner berikutnya. Dengan demikian, setiap informasi yang tersedia bagi beberapa ahli dan bukan kepada orang lain diteruskan, memungkinkan semua ahli untuk memiliki akses ke semua informasi untuk peramalan. Metode ini digunakan untuk peramalan jangka panjang untuk memperkirakan potensi penjualan produk baru. Metode ini mengasumsikan dua syarat: Pertama, para panelis harus kaya akan keahlian mereka, memiliki pengetahuan dan pengalaman yang luas. Kedua, konduktornya objektif dalam pekerjaan mereka. Metode ini memiliki beberapa keunggulan eksklusif dalam menghemat waktu dan sumber daya lainnya. 2. Metode Statistik: Metode statistik terbukti sangat berguna dalam peramalan permintaan. Untuk mendapatkan objektivitas utama, yaitu dengan mempertimbangkan semua implikasi dan melihat masalah dari sudut pandang eksternal, metode statistik digunakan. Metode statistik yang penting adalah: (i) Metode Proyeksi Tren: Perusahaan yang sudah lama memiliki data tentang penjualan tahun-tahun sebelumnya. Data tersebut bila disusun secara kronologis menghasilkan apa yang disebut sebagai deret waktu. Seri waktu menunjukkan penjualan terakhir dengan permintaan efektif untuk produk tertentu dalam kondisi normal. Data tersebut dapat diberikan dalam bentuk tabular atau grafik untuk analisis lebih lanjut. Ini adalah metode yang paling populer di kalangan perusahaan bisnis, sebagian karena sederhana dan murah dan sebagian karena data deret waktu sering menunjukkan tren pertumbuhan yang terus-menerus. Seri waktu memiliki empat jenis komponen yaitu, Trend Sekuler (T), Variasi Sekuler (S), Elemen Siklus (C), dan Variasi Tidak Teratur atau Random (I). Unsur-unsur ini dinyatakan dengan persamaan O TSCI. Kecenderungan sekuler mengacu pada perubahan jangka panjang yang terjadi sebagai akibat kecenderungan umum. Variasi musiman mengacu pada perubahan pola cuaca jangka pendek atau kebiasaan sosial. Variasi siklus mengacu pada perubahan yang terjadi di industri selama depresi dan boom. Variasi acak mengacu pada faktor-faktor yang umumnya mampu seperti perang, pemogokan, banjir, kelaparan dan sebagainya. Bila perkiraan dibuat variasi musiman, siklis dan acak dikeluarkan dari data yang diamati. Dengan demikian hanya tren sekuler yang tersisa. Tren ini kemudian diproyeksikan. Proyeksi tren sesuai dengan garis tren dengan persamaan matematis. Tren dapat diestimasi dengan menggunakan salah satu dari metode berikut: (a) Metode Grafis, (b) Metode Kuadrat Terkecil. A) Metode Grafis: Ini adalah teknik yang paling sederhana untuk menentukan trend. Semua nilai output atau penjualan untuk tahun yang berbeda diplot pada grafik dan kurva tangan halus bebas ditarik melewati titik sebanyak mungkin. Arah lengkung tangan bebas ke atas atau ke bawah ini menunjukkan trennya. Sebuah ilustrasi sederhana dari metode ini diberikan pada Tabel 2. Tabel 2: Penjualan Perusahaan Pada Gambar. 1, AB adalah garis tren yang telah ditarik sebagai kurva tangan bebas yang melewati berbagai titik yang mewakili nilai penjualan aktual. (B) Least Square Method: Dengan metode least square, garis tren dapat disesuaikan dengan data time series dengan bantuan teknik statistik seperti least square regression. Bila tren penjualan dari waktu ke waktu diberikan oleh garis lurus, persamaan garis ini adalah dari bentuk: y a bx. Dimana a adalah intercept dan b menunjukkan dampak dari variabel independen. Kami memiliki dua variablesthe variabel indeshypendent x dan variabel dependen y. Garis yang paling sesuai membentuk semacam hubungan matematis antara dua variabel .v dan y. Hal ini dinyatakan dengan regresi pada x. Untuk memecahkan persamaan v a bx, kita harus menggunakan persamaan normal berikut ini: xy a xb x2 (ii) Teknik Barometrik: Barometer adalah alat untuk mengukur perubahan. Metode ini didasarkan pada anggapan bahwa masa depan dapat diprediksi dari kejadian tertentu di masa sekarang. Dengan kata lain, teknik barometrik didasarkan pada gagasan bahwa peristiwa tertentu saat ini dapat digunakan untuk memprediksi arah perubahan di masa depan. Hal ini dilakukan dengan menggunakan indikator ekonomi dan statistik yang berfungsi sebagai barometer perubahan ekonomi. Umumnya peramal menghubungkan penjualan perusahaan dengan tiga seri: Seri Seri Terkemuka, Seri Bersama atau Serentak dan Seri Lagging: (a) Seri Terkemuka: Seri terdepan terdiri dari faktor-faktor yang naik atau turun sebelum resesi atau pemulihan dimulai. Mereka cenderung mencerminkan perubahan pasar di masa depan. Misalnya, penjualan bedak bayi dapat diperkirakan dengan memeriksa pola tingkat kelahiran lima tahun sebelumnya, karena ada korelasi antara penjualan bedak bayi dan anak-anak usia lima tahun dan karena penjualan baby bed saat ini berkorelasi dengan tingkat kelahiran lima tahun sebelumnya. , Itu disebut lagged correlation. Dengan demikian kita bisa mengatakan bahwa kelahiran menyebabkan penjualan sabun bayi. (B) Seri Bersama atau Serentak: Seri bersamaan atau bersamaan adalah yang bergerak naik atau turun bersamaan dengan tingkat ekonomi. Mereka digunakan untuk mengkonfirmasikan atau menolak validitas indikator utama yang digunakan beberapa bulan kemudian. Contoh umum indikator bertepatan adalah G.N.P itu sendiri, produksi industri, perdagangan dan sektor ritel. (C) Seri Lagging: Seri lagging adalah yang terjadi setelah beberapa saat tertinggal sehubungan dengan siklus bisnis. Contoh dari seri lagging adalah, biaya tenaga kerja per unit dari output manufaktur, pinjaman yang beredar, tingkat suku bunga pinjaman jangka pendek, dan lain-lain. (Iii) Analisis Regresi: Ini mencoba untuk menilai hubungan antara setidaknya dua variabel (satu atau lebih independen dan Satu tergantung), tujuannya adalah untuk memprediksi nilai variabel dependen dari nilai spesifik variabel independen. Dasar dari prediksi ini umumnya adalah data historis. Metode ini dimulai dari asumsi bahwa ada hubungan mendasar antara dua variabel. Paket komputer analisis statistik interaktif digunakan untuk merumuskan hubungan matematis yang ada. Sebagai contoh, seseorang dapat membangun model penjualan sebagai: Quantum of Sales a. Harga b. Iklan c. Harga produk saingan d. Pendapatan disposable pribadi u Dimana a, b, c, d adalah konstanta yang menunjukkan efek dari variabel yang sesuai sebagai penjualan. Konstanta u mewakili efek dari semua variabel yang telah ditinggalkan dalam persamaan namun berpengaruh pada penjualan. Dalam persamaan di atas, kuantum penjualan adalah variabel dependen dan variabel di sisi kanan persamaan adalah variabel bebas. Jika nilai yang diharapkan dari variabel independen diganti dalam persamaan, maka kuantum penjualan kemudian akan diperkirakan. Persamaan regresi juga dapat ditulis dalam bentuk perkalian seperti yang diberikan di bawah ini: Kuantum Penjualan (Harga) a (Periklanan) b (Harga produk saingan) c (Pendapatan disposshyable pribadi Y u Dalam kasus di atas, eksponen masing-masing variabel Menunjukkan elastisitas dari variabel yang sesuai. Menyatakan variabel independen dalam hal notasi, bentuk persamaannya adalah QS P 8. A o42. R83, Y 2.68, 40 Kemudian kita dapat mengatakan bahwa kenaikan harga sebesar 1 persen Untuk 0,8 persen perubahan kuantum penjualan dan seterusnya.Jika kita mengambil bentuk logaritma dari persamaan ganda, kita dapat menulis persamaan dalam bentuk aditif sebagai berikut: log QS a log P b log A log R d log Yd log U Dalam persamaan di atas, koefisien a, b, c, dan d mewakili elastisitas variabel P, A, R dan Y d masing-masing. Koefisien dalam persamaan regresi logaritmik sangat berguna dalam pengambilan keputusan oleh manajemen oleh manajemen. (Iv) Model Ekonometrika: Model ekonometrik adalah perpanjangan dari Teknik regresi dimana suatu sistem persamaan regresi independshyent dipecahkan. Persyaratan penggunaan model ekonometrika yang memuaskan dalam peramalan di bawah tiga kepala: variabel, persamaan dan data. Prosedur yang tepat dalam memperkirakan metode ekonometrik adalah model bangunan. Ekonometrika mencoba untuk mengekspresikan teori ekonomi dalam istilah matematika sedemikian rupa sehingga dapat diverifikasi dengan metode statistik dan untuk mengukur dampak satu variabel ekonomi terhadap variabel lain sehingga dapat memprediksi kejadian di masa depan. Utilitas Peramalan: Peramalan mengurangi risiko yang terkait dengan fluktuasi bisnis yang pada umumnya menghasilkan dampak yang tidak berbahaya dalam bisnis, menciptakan pengangguran, mendorong spekulasi, mencegah pembentukan modal dan mengurangi marjin keuntungan. Peramalan sangat diperlukan dan memainkan peran yang sangat penting dalam penentuan berbagai kebijakan. Pada zaman modern peramalan telah dimasukkan ke dalam pijakan ilmiah sehingga risiko yang terkait dengannya telah diperkecil dan kemungkinan presisi meningkat. Prakiraan di India: Di sebagian besar negara maju ada agen khusus. Di India pengusaha sama sekali tidak tertarik untuk membuat ramalan ilmiah. Mereka lebih mengandalkan kesempatan, keberuntungan dan astrologi. Mereka sangat takhayul dan karenanya prakiraan mereka tidak benar. Data yang memadai tidak tersedia untuk membuat siaran yang dapat dipercaya. Namun, statistik saja tidak meramalkan kondisi masa depan. Judgment, experience and knowledge of the particular trade are also necessary to make proper analysis and interpretation and to arrive at sound conclusions. Conclusion : Decision support systems consist of three elements: decision, prediction and control. It is, of course, with prediction that marketing forecasting is concerned. The forecasting of sales can be reshygarded as a system, having inputs apprises and an output. This simplistic view serves as a useful measure for the analysis of the true worth of sales forecasting as an aid to management. In spite of all these no one can predict future economic activity with certainty. Forecasts are estimates about which no one can be sure. Criteria of a Good Forecasting Method : There are thus, a good many ways to make a guess about future sales. They show contrast in cost, flexibility and the adequate skills and sophistication. Therefore, there is a problem of choosing the best method for a particular demand situation. There are certain economic criteria of broader applicashybility. They are: (i) Accuracy, (ii) Plausibility, (iii) Durability, (iv) Flexibility, (v) Availability, (vi) Economy, (vii) Simplicity and (viii) Consistency. (i) Accuracy : The forecast obtained must be accurate. How is an accurate forecast possible To obtain an accurate forecast, it is essential to check the accuracy of past forecasts against present performance and of present forecasts against future performance. Accuracy cannot be tested by precise measureshyment but buy judgment. (ii) Plausibility : The executive should have good understanding of the technique chosen and they should have confidence in the techniques used. Understanding is also needed for a proper interpretation of results. Plausibility requirements can often improve the accuracy of results. (iii) Durability : Unfortunately, a demand function fitted to past experience may back cost very greatly and still fall apart in a short time as a forecaster. The durability of the forecasting power of a demand function depends partly on the reasonableness and simplicity of functions fitted, but primarily on the stability of the understanding relationships measured in the past. Of course, the importance of durability detershymines the allowable cost of the forecast. (iv) Flexibility : Flexibility can be viewed as an alternative to generality. A long lasting function could be set up in terms of basic natural forces and human motives. Even though fundamental, it would nevertheless be hard to measure and thus not very useful. A set of variables whose co-efficient could be adjusted from time to time to meet changing conditions in more practical way to maintain intact the routine procedure of forecasting. (v) Availability : Immediate availability of data is a vital requirement and the search for reasonable approximations to relevance in late data is a constant strain on the forecasters patience. The techniques employed should be able to produce meaningful results quickly. Delay in result will adversely affect the managerial decisions. (vi) Economy : Cost is a primary consideration which should be weighted against the importance of the forecasts to the business operations. A question may arise: How much money and managerial effort should be allocated to obtain a high level of forecasting accuracy The criterion here is the economic considerashytion. (vii) Simplicity : Statistical and econometric models are certainly useful but they are intolerably complex. To those executives who have a fear of mathematics, these methods would appear to be Latin or Greek. The procedure should, therefore, be simple and easy so that the management may appreciate and understand why it has been adopted by the forecaster. (viii) Consistency : The forecaster has to deal with various components which are independent. If he does not make an adjustment in one component to bring it in line with a forecast of another, he would achieve a whole which would appear consistent. Conclusion : In fine, the ideal forecasting method is one that yields returns over cost with accuracy, seems reasonable, can be formalised for reasonably long periods, can meet new circumstances adeptly and can give up-to-date results. The method of forecasting is not the same for all products. There is no unique method for forecasting the sale of any commodity. The forecaster may try one or the other method depending upon his objective, data availability, the urgency with which forecasts are needed, resources he intends to devote to this work and type of commodity whose demand he wants to forecast.
Rahasia-of-biner-options-trading
S4-liga-trading-system