Menggunakan fungsi FORECAST di Excel (dan Open Office Calc) menyalin Hak Cipta. Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Mari saya mulai dengan mengatakan bahwa Excels Forecast Function bukanlah sistem peramalan persediaan yang lengkap. Peramalan dalam manajemen persediaan umumnya melibatkan penghapusan kebisingan dari permintaan, kemudian menghitung dan menggabungkan tren, musiman, dan kejadian. Fungsi Forecast tidak akan melakukan semua hal ini untuk Anda (secara teknis bisa, tapi ada cara yang lebih baik untuk menyelesaikan beberapa hal ini). Tapi itu adalah fungsi kecil yang rapi yang mudah digunakan, dan pastinya bisa menjadi bagian dari sistem peramalan Anda. Menurut Microsoft Help pada fungsi Forecast. Fungsi FORECAST (x, knownys, knownxs) mengembalikan nilai prediksi variabel dependen (ditunjukkan dalam data oleh knownys) untuk nilai spesifik, x, dari variabel independen (ditunjukkan dalam data oleh knownxs) dengan menggunakan yang paling sesuai (Kuadrat terkecil) regresi linier untuk memprediksi nilai y dari nilai x. Jadi, apa sebenarnya ini berarti regresi linier adalah bentuk analisis regresi dan dapat digunakan untuk menghitung hubungan matematis antara dua (atau lebih) kumpulan data. Dalam peramalan, Anda akan menggunakan ini jika Anda mengira satu set data dapat digunakan untuk memprediksi kumpulan data lainnya. Misalnya, jika Anda menjual persediaan bangunan, Anda mungkin menemukan bahwa perubahan tingkat suku bunga dapat digunakan untuk memprediksi penjualan produk Anda. Ini adalah contoh klasik menggunakan regresi untuk menghitung hubungan antara variabel eksternal (suku bunga) dan variabel internal (penjualan Anda). Namun, seperti yang akan kita lihat nanti, Anda juga bisa menggunakan regresi untuk menghitung suatu hubungan dalam kumpulan data yang sama. Pendekatan tipikal terhadap analisis regresi melibatkan penggunaan regresi untuk menentukan hubungan matematis, namun juga membantu memberi gambaran tentang seberapa valid hubungan itu (yaitu bagian analisisnya). Fungsi Forecast melewatkan analisis, dan hanya menghitung sebuah hubungan dan secara otomatis menerapkannya pada output Anda. Hal ini mempermudah pengguna, namun menganggap hubungan Anda valid. Jadi intinya, fungsi Forecast menggunakan regresi linier untuk memprediksi nilai berdasarkan hubungan antara dua kumpulan data. Mari kita lihat beberapa contoh. Pada Gambar 1A, kami memiliki spreadsheet yang mencakup tingkat bunga rata-rata selama 4 tahun sebelumnya dan penjualan unit selama periode 4 tahun yang sama. Kami juga menunjukkan prediksi suku bunga untuk tahun ke 5. Kita dapat melihat contoh penjualan unit kita naik karena suku bunga turun, dan turun saat suku bunga naik. Dengan melihat contohnya, mungkin kita bisa menebak bahwa penjualan kita untuk tahun ke 5 berada di antara 5.000 dan 6.000 berdasarkan hubungan yang diamati antara tingkat suku bunga dan penjualan selama periode sebelumnya. Kita bisa menggunakan Fungsi Forecast untuk lebih tepat menghitung hubungan ini dan menerapkannya pada tahun ke 5. Pada Gambar 1B, Anda dapat melihat Fungsi Prakiraan yang diterapkan. Dalam kasus ini, formula di sel F4 adalah FORECAST (F2, B3: E3, B2: E2). Apa yang kita miliki di dalam tanda kurung dikenal sebagai argumen. Argumen benar-benar hanya sarana untuk melewatkan parameter ke fungsi yang digunakan (dalam kasus ini, fungsi Forecast). Setiap parameter dipisahkan dengan koma. Agar fungsi Forecast berfungsi, perlu diketahui nilai yang kita gunakan untuk memprediksi output kita (penjualan tahun ke 5 kita). Dalam kasus kami, parameter (suku bunga Tahun 5 kami) ada di sel F2, jadi elemen pertama dari argumen kami adalah F2. Selanjutnya, perlu mengetahui di mana ia dapat menemukan nilai yang ada yang akan digunakan untuk menentukan hubungan yang akan diterapkan pada F2. Pertama kita perlu memasukkan sel yang mewakili nilai variabel dependen kita. Dalam kasus kami, ini akan menjadi unit kami terjual selama 4 tahun sebelumnya, oleh karena itu kami masuk B3: E3. Maka kita perlu memasukkan sel yang mewakili nilai variabel prediktor kita. Dalam kasus kami, ini akan menjadi suku bunga selama 4 tahun sebelumnya, oleh karena itu kita masuk B2: E2). Fungsi Forecast sekarang dapat membandingkan unit yang terjual selama tahun 1 sampai 4 dengan tingkat suku bunga di tahun yang sama, dan kemudian menerapkannya pada tingkat bunga Prediksi Tahun 5 yang diperkirakan untuk mendapatkan perkiraan penjualan kami untuk Tahun 5 dari 5.654 unit. Pada contoh sebelumnya, kita bisa melihat grafik untuk membantu mencoba memvisualisasikan hubungan. Sekilas, mungkin tidak terlihat begitu jelas karena kita memiliki hubungan terbalik (penjualan naik begitu suku bunga turun), namun jika Anda membalikkan salah satu grafik dengan hati-hati, Anda akan melihat hubungan yang sangat jelas. Itulah salah satu hal keren tentang Forecast Function (dan analisis regresi). Ini dapat dengan mudah menangani hubungan terbalik. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Sekarang mari kita lihat contoh lain. Pada Gambar 2A, kita melihat kumpulan data baru. Dalam contoh ini, tingkat suku bunga naik dan turun selama 4 tahun sebelumnya, namun penjualan unit kami menunjukkan tren kenaikan yang konsisten. Meskipun ada kemungkinan tingkat suku bunga memiliki dampak pada penjualan kami dalam contoh ini, jelaslah bahwa ada banyak faktor yang signifikan dalam bermain di sini. Dengan menggunakan fungsi perkiraan kami dengan data ini, kami memperkirakan perkiraan 7.118 unit untuk Tahun 5. Saya pikir sebagian besar dari kita akan melihat tren penjualan kita dan menyetujui kemungkinan penjualan kita untuk Tahun 5 sebanyak 9.000 unit. Seperti yang saya sebutkan sebelumnya, Fungsi Forecast mengasumsikan bahwa hubungan tersebut valid, oleh karena itu menghasilkan output berdasarkan kecocokan terbaik yang dapat diperoleh dari data yang diberikan kepadanya. Dengan kata lain, jika kita mengatakan bahwa ada sebuah hubungan, ia mempercayai kita dan menghasilkan output yang sesuai tanpa memberi kita pesan kesalahan atau sinyal yang menyiratkan bahwa hubungan tersebut sangat buruk. Jadi, hati-hati dengan apa yang anda minta. Contoh sebelumnya mencakup penerapan regresi klasik terhadap peramalan. Meskipun semua ini terdengar sangat apik, aplikasi regresi klasik ini tidak semudah yang Anda duga (Anda dapat melihat buku saya untuk informasi lebih lanjut tentang regresi dan mengapa ini bukan pilihan yang tepat untuk kebutuhan peramalan Anda). Tapi sekarang mari gunakan Fungsi Prakiraan untuk mengenali tren dalam kumpulan data tertentu. Mari kita mulai dengan melihat Gambar 3A. Di sini kita memiliki permintaan dengan tren yang sangat jelas. Sebagian besar dari kita harus bisa melihat data ini dan merasa nyaman memprediksi bahwa permintaan di Periode 7 kemungkinan akan menjadi 60 unit. Namun, jika Anda menjalankan data ini melalui kalkulasi peramalan yang umum digunakan dalam manajemen inventaris, Anda mungkin akan terkejut betapa miskinnya perhitungan ini bergantung pada tren. Karena Fungsi Prakiraan mengharuskan kita untuk memasukkan variabel dependen dan variabel prediktor, bagaimana kita menggunakan Fungsi Prakiraan jika kita hanya memiliki satu set data. Nah, secara teknis benar bahwa kita memiliki satu set data (kita Sejarah permintaan), sebenarnya kita memiliki hubungan yang terjadi di dalam rangkaian data ini. Dalam hal ini, hubungan kita berbasis waktu. Oleh karena itu, kita dapat menggunakan setiap periode permintaan sebagai variabel prediktor untuk periode permintaan berikut. Jadi kita hanya perlu memberi tahu Forecast Function untuk menggunakan permintaan pada Periode 1 sampai 5 sebagai data yang ada untuk variabel prediktor, dan menggunakan permintaan pada Periode 2 sampai 6 sebagai data yang ada untuk variabel dependen. Kemudian beritahu untuk menerapkan hubungan ini dengan permintaan di Periode 6 untuk menghitung perkiraan kami untuk Periode 7. Anda dapat melihat pada Gambar 3B, formula kami di Cell I3 adalah FORECAST (H2, C2: H2, B2: G2). Dan itu mengembalikan perkiraan 60 unit. Tentunya contoh ini tidak realistis karena permintaannya terlalu rapi (tidak berisik). Jadi mari kita lihat Gambar 3C dimana kita menerapkan perhitungan yang sama ini ke beberapa data yang lebih realistis. Saya hanya ingin menyatakan kembali, bahwa sementara Fungsi Forecast berguna, ini bukan sistem peramalan. Saya biasanya lebih memilih untuk memiliki sedikit lebih banyak kendali atas bagaimana saya menerapkan dan memperluas tren ke ramalan saya. Selain itu, Anda ingin menghapus elemen lain dari permintaan Anda yang tidak terkait dengan permintaan dan tren dasar Anda. Misalnya, Anda ingin menghapus efek musiman atau acara (seperti promosi) dari permintaan Anda sebelum menerapkan Fungsi Forecast. Anda kemudian akan menerapkan indeks musiman dan indeks kejadian apapun ke output dari Forecast Function. Anda juga dapat bermain-main dengan input Anda untuk mendapatkan hasil yang diinginkan. Misalnya, Anda mungkin ingin mencoba merapikan terlebih dahulu riwayat permintaan Anda (melalui moving average, weighted moving average, atau eksponensial smoothing), dan menggunakan variabel prediktor tersebut bukan permintaan mentah. Untuk informasi lebih lanjut tentang Peramalan, lihat buku saya Inventory Management Explained. Menggunakan Fungsi Forecast di Open Office Calc. Bagi pengguna Openoffice. org Calc. Fungsi Forecast bekerja hampir sama seperti di Excel. Namun, ada sedikit perbedaan dalam sintaks yang digunakan di Calc. Dimanapun Anda menggunakan koma dalam sebuah argumen dalam Fungsi Excel, Anda malah akan menggunakan titik koma di Calc. Jadi, daripada Formula Excel Anda akan masuk ke Halaman Artikel untuk artikel lebih banyak oleh Dave Piasecki. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Dave Piasecki. Adalah owneroperator dari Inventory Operations Consulting LLC. Sebuah perusahaan konsultan yang menyediakan layanan yang berkaitan dengan manajemen persediaan, penanganan material, dan operasi gudang. Dia memiliki pengalaman lebih dari 25 tahun dalam manajemen operasi dan dapat dijangkau melalui situs webnya (inventaris), di mana dia menyimpan informasi tambahan yang relevan. My Business Inventory Operations Consulting LLC menyediakan bantuan Cepat, Terjangkau, Pakar dengan Manajemen Inventaris dan Operasi Gudang. My BooksSmall Bisnis Bagaimana Memindahkan Rata-rata di Excel 2010 Moving averages memprediksi nilai masa depan. Hemera TechnologiesAbleStockGetty Images Microsoft Excel 2010s Fungsi RATA-RATA menghitung mean aritmatika seri, yang jumlahnya dibagi dengan jumlah item dalam rangkaian. Bila setiap nomor di seri berbeda, rata-rata perubahannya dengan setiap item data baru. Ini membentuk seri sekunder yang melacak rata-rata pergerakan asli seri. Rata-rata bergerak menunjukkan tren dalam data. Misalnya, jika spreadsheet melacak inventaris bisnis Anda yang berubah, rata-rata penjualan yang bergerak dapat membantu Anda menentukan tingkat persediaan ideal Anda pada akhir setiap bulan. 1. Klik quotFilequot pada Excels Ribbon. 2. Klik quotOptionsquot di sisi kiri layar untuk membuka jendela Excel Options. 3. Klik quotAdd-Insquot di jendela kiri jendela. 4. Klik tombol berlabel quotGoquot di sebelah kotak drop-down berlabel quotExcel Add-insquot untuk membuka jendela Add-Ins. 5. Centang kotak berlabel quotAnalysis ToolPak. quot Klik quotOK. quot 6. Klik quotDataquot pada Excels Ribbon. 7. Klik quotData Analysisquot pada kelompok Analisis untuk membuka jendela Analisis Data. 8. Pilih quotMoving Averagequot di jendela Analisis Data. Klik quotOKquot untuk membuka jendela quotMoving Averagequot. 9. Klik tombol di kotak teks berlabel quotInput Range. quot Klik dan pilih data yang rata-rata bergeraknya ingin Excel Anda temukan. 10. Klik tombol di kotak teks berlabel quotOutput Range. quot Klik dan pilih sel tempat Anda ingin rata-rata bergerak muncul. 11. Masukkan nilai pada kotak teks berlabel quotInterval. quot Nilai ini menggambarkan jumlah angka yang rata-rata harus dipertimbangkan. Misalnya, jika setiap rata-rata harus menghitung tiga angka sebelumnya, masukkan quot3.quot 12. Klik quotOK. quot Excel akan memasukkan rata-rata bergerak seri. Tentang Penulis Ryan Menezes adalah seorang penulis dan blogger profesional. Ia memiliki gelar Bachelor of Science dalam jurnalisme dari Universitas Boston dan telah menulis untuk American Civil Liberties Union, perusahaan pemasaran InSegment dan layanan manajemen proyek Assembla. Dia juga anggota Mensa dan American Parliamentary Debate Association. Photo Credits Hemera TechnologiesAbleStockGetty Images Related Searches Artikel Lainnya Grafik Cara Membuat Grafik di Excel Dengan Lembar Kerja Rata-rata Kumulatif Cara Membuat Lembar Spreadsheet Dengan Tanggal di Sisi Atas Y-Axis Bagaimana Menambahkan Y-Axis Kedua di Excel Buat Seri Kedua di Grafik Akhir Grafik Bagaimana Melakukan Grafik Dua-Sisi di Excel Juga Menonton Sim AS Lokal Olahraga Dunia Hiburan Gaya Hidup Jobs Jobs Mobil Real Estat Beriklan Bersama Kami Membeli iklan untuk web, media sosial, dan media cetak melalui Hearst Media Services Tempatkan iklan Iklan di koran atau online Tempatkan iklan yang ditargetkan di bagian khusus seperti publikasi mingguan atau lingkungan Layanan Pelanggan Hubungi Kami Edisi amp Apps Ikuti salinan Chron Copyright 2017 Koran Hearst, LLCExcel Sales Forecasting For Dummies Cheat Sheet Ketika Anda mulai belajar peramalan, Ini sering merupakan ide bagus untuk bersandar pada alat Excel dalam analisis Data add-in. Tapi jangkauan mereka cukup terbatas dan sebelum terlalu lama Anda cenderung menemukan diri Anda memanfaatkan fungsi lembar kerja Excel8217s secara langsung. Bila Anda mendapati diri Anda menggunakan semua statistik inferensial yang menyertai fungsi LINEST, Anda akan tahu bahwa saatnya untuk menyusun dasar Anda untuk perkiraan formal. 6 Analisis Data Excel Add-in Tools Analisis Data add-in, sebelumnya dikenal sebagai Analysis ToolPak, memasukkan formula untuk Anda sehingga Anda dapat berkonsentrasi pada apa yang terjadi dengan data Anda. Ini memiliki tiga alat berbeda yang secara langsung berguna dalam peramalan Moving Average, Exponential Smoothing, dan Regression serta beberapa lainnya yang bisa membantu. Berikut daftar beberapa alat yang merupakan bagian dari analisis Data add-in. Sebenarnya ada tiga alat ANOVA yang berbeda. Tidak ada yang secara khusus berguna untuk peramalan, namun masing-masing alat dapat membantu Anda memahami kumpulan data yang mendasari perkiraan Anda. Alat ANOVA membantu Anda membedakan antara contoh misalnya, apakah orang-orang yang tinggal di Tennessee seperti merek mobil tertentu lebih baik daripada mereka yang tinggal di Vermont Alat ini penting, terlepas dari metode yang Anda gunakan untuk membuat ramalan. Jika Anda memiliki lebih dari satu variabel, ini dapat memberi tahu Anda seberapa kuat kedua variabel terkait (plus atau minus 1.0 kuat, 0,0 berarti tidak ada hubungan). Jika Anda hanya memiliki satu variabel, ini bisa memberi tahu Anda seberapa kuat satu periode waktu terkait dengan yang lain. Gunakan alat Statistik Deskriptif untuk mendapatkan pegangan pada hal-hal seperti rata-rata dan standar deviasi data Anda. Memahami statistik dasar ini penting agar Anda tahu apa yang terjadi dengan prakiraan Anda. Nama alat ini terdengar tidak menyenangkan dan menakutkan, yang alatnya tidak. Bila Anda hanya memiliki satu variabel sesuatu seperti pendapatan penjualan atau penjualan unit, Anda akan melihat nilai aktual sebelumnya untuk memprediksi yang berikutnya (mungkin bulan sebelumnya, atau bulan yang sama di tahun sebelumnya). Semua alat ini adalah menyesuaikan ramalan berikutnya dengan menggunakan kesalahan pada perkiraan sebelumnya. Rata-rata bergerak menunjukkan rata-rata hasil dari waktu ke waktu. Yang pertama mungkin rata-rata untuk bulan Januari, Februari, dan Maret yang kedua akan menjadi rata-rata untuk bulan Februari, Maret, dan April dan seterusnya. Metode peramalan ini cenderung berfokus pada sinyal (apa yang sebenarnya terjadi di garis dasar) dan untuk meminimalkan kebisingan (fluktuasi acak pada garis dasar). Regresi berhubungan erat dengan korelasi. Gunakan alat ini untuk meramalkan satu variabel (seperti penjualan) dari yang lain (seperti tanggal atau iklan). Ini memberi Anda beberapa nomor untuk digunakan dalam sebuah persamaan, seperti Sales 50000 (10 Date). 4 Fungsi Peramalan Excel Excel memiliki banyak alat bagus untuk peramalan penjualan. Mengetahui fungsi berikut sangat membantu untuk mendapatkan data Anda secara berurutan. Simak fungsi peramalan praktis berikut. Versi lembar kerja alat analisis Korelasi Data Analysis add-in. Perbedaannya adalah bahwa CORREL menghitung ulang saat data masukan berubah, dan alat Korelasi tidak. Contoh: CORREL (A1: A50, B1: B50). Selain itu, CORREL hanya memberi Anda satu korelasi, namun alat Korelasi dapat memberi Anda keseluruhan matriks korelasi. Anda bisa menggunakan fungsi ini daripada alat analisis Regresi Data Regresi. (Nama fungsi adalah kependekan dari perkiraan linier.) Untuk regresi sederhana, pilih dua kolom dan lima baris. Anda perlu memasukkan array-fungsi ini. Ketik, misalnya, LINEST (A1: A50, B1: B50,, TRUE) lalu tekan CtrlShiftEnter. Fungsi ini berguna karena memberi Anda perkiraan nilai secara langsung, sedangkan LINEST memberi Anda persamaan yang harus Anda gunakan untuk mendapatkan perkiraan. Misalnya, gunakan TREND (A1: A50, B1: B50, B51) di mana Anda meramalkan nilai baru berdasarkan apa yang ada di B51. Fungsi FORECAST mirip dengan fungsi TREND. Sintaksnya sedikit berbeda. Misalnya, gunakan FORECAST (B51, A1: A50, B1: B50) di mana Anda meramalkan nilai baru berdasarkan nilai di B51. Juga, FORECAST menangani hanya satu prediktor, namun TREND dapat menangani beberapa prediktor. Apa yang Anda dapatkan dari Excel LINEST Function for Sales Forecasting Excel8217s LINEST function adalah alat praktis untuk peramalan penjualan. Mengetahui apa yang dapat Anda lakukan dengan itu akan membuat peramalan Anda bekerja dengan mudah. Berikut adalah ikhtisar singkat tentang fungsi LINEST Excel8217s, baris demi baris:
No comments:
Post a Comment