Forecasting (Peramalan) adalah bagian penting dari setiap bisnis, dimana kita akan menebak apa yang akan terjadi. Perencanaanmerupakan salah satu langkah penting yang dilakukan oleh setiap organisasi untuk memahami permintaan Historis dan menentukan kebutuhan di masa depan.
Ada beberapa klasifikasi metode Bussiness Forecasting :
- Qualitative vs Quntitative
- Time Series vs Causal
Dalam Bussiness Forecasting kits harus menyadari metode apa yang tepat untuk mencocokan situasi perkiraan. Sejumlah besar perkiraan akan menjadi variabel yang diukur secara Quantitative.
Perbedaan antara metode Quantitative dan metode Qualitative adalah tentang bagaimana prediksi tersebut diturunkan.
- Metode Quantitative diturunkan menggunakan beberapa algoritma dan matematika yang berdasarkan data Quantitative.
- Metode Qualitative prediksinya ialah berdasarkan pada penilaian atau pendapat.
Perbedaan antara Metode Time Series dan Metode Causal adalah bergantung pada banyak variabel yang digunakan untuk menghasilkan peramalan.
- Metode Time Series ( Deret Waktu ) bergantung pada historis dimana kita memiliki permintaan yang tercatat dari waktu ke waktu dari masa lalu hingga saat ini.
- Metode Causal melalui prediksi dari seri target atau variabel terkait dengan variabel lain atau deret waktu yang ingin kita fokuskan.
Klasifikasi yang bergun untuk Forcasting atau peramalan adalah :
- Time Series Data
- Cross Sectional Data
Berbagai jenis pola yang biasanya kita lihat dalam Time Series adalah tingkat permintaan dasar yang memberi kita nilai awal, seperti Tren apa yang mungkin bertahan, jadi permintaan naik seiring waktu atau turun seiring waktu.
Apa itu data Time Series Data? Menurut Wikipedia, data Time Series adalah serial dari kumpulan data yang teratur oleh urutan waktu. Frekuensi urutan waktu yang dimiliki oleh Time series data bisa meliputi tahunan, bulanan, jam, atau bahkan mili-detik. Selama data tersebut disimpan dalam urutan waktu, data itu adalah data Time Series.
Cross Sectional Data merupakan pengukuran pada variabel yang berada pada satu titik waktu tetapi tersebar diseluruh populasi.
Teknik yang paling penting untuk mendeskripsikan dan mendapatkan pola data Time Series adalah untuk men-decompose data. Teknik ini akan membagi Time Series data menjadi beberapa bagian atau components yaitu:
Level
Level menunjukan nilai yang mendasarinya dari seri pada sumbu Vertikal untuk Periode Waktu tertentu. Tingkat deret waktunya konstan selama satu periode waktu, dan dapat berubah ke tingkat lain untuk periode waktu yang berbeda yang dikarenakan komponen lainnya.
Trend
Trend adalah kecenderungan untuk tingkat waktu yang mendasarinya baik meningkat atau menurun dari periode ke periode. Dimana trend ini tidak perlu konsisten selama deret waktu dan tidak perlu linier.
Seasonality
Seasonality adalah sistematis dan berfluktuasi berulang dalam deret waktu yang biasanya terjadi dalam jangkat waktu yang ditentukan dengan baik. Fluktuasi ini biasanya berulang sendiri dalam iterasi masa depan dari periode yang ditetapkan.
Cyclical
Cyclical serupa dengan fluktuasi Seasonality, tetapi priode siklus tidak teratur tidak seperti Seasonality. Hal ini membuat komponen sulit untuk diprediksi yang biasanya dinilai secara subyektif.
“Banyak orang mungkin berpendapat bahwa ramalan selalu memiliki ketidakakuratan, karena tidak selalu mencapai angka yang tepat seperti yang diprediksi sebelumnya. Namun, perlu diingat bahwa bahkan jika kita mendekati hasil yang diprediksi, itu sendiri merupakan keuntungan. Terlepas dari apakah ramalan itu akurat atau tidak, hal tersebut dapat meningkatkan kinerja seluruh rantai pasokan secara signifikan.”
