Forecasting

Forecasting / peramalan adalah teknik yang menggunakan data historis untuk membuat keputusan berdasarkan informasi mengenai peristiwa atau kondisi di masa depan. Ini bukan sekadar menebak-nebak. Sebagai alat untuk bisnis dan investor, Forecasting memerlukan analisis ahli dan menerapkan model kompleks untuk mengalokasikan portofolio dan anggaran. Tapi seberapa andalkah prediksi seperti bola kristal ini? Lagi pula, para ekonom, investor, dan perencana keuangan sering kali menunjukkan bakat luar biasa dalam melontarkan humor pedas tentang seni prediksi ekonomi. “Satu-satunya fungsi Forecasting ekonomi,” kata ekonom terkenal abad ke-20 John Kenneth Galbraith, “adalah membuat astrologi terlihat terhormat.” Atau, seperti yang diungkapkan oleh ekonom yang sama berpengaruhnya, Paul A. Samuelson, model Wall Street “memprediksi sembilan dari lima resesi terakhir”.

Namun, Forecasting merupakan hal penting dalam praktik investasi dan bisnis modern. Bisnis merekrut dan memperluas berdasarkan prediksi angka penjualan, permintaan pasar, atau indikator ekonomi. Investor memperdagangkan saham, berinvestasi dalam dana, atau keluar dari pasar secara terburu-buru berdasarkan prediksi tentang harga saham, suku bunga, atau pergerakan pasar yang lebih luas. Namun, pekerjaan Forecasting tidak hanya diterapkan di ruang rapat dan lantai perdagangan. Pola belanja konsumen, tren pasar kerja, dan bahkan peristiwa geopolitik semuanya berada di bawah kendali para peramal.

Ingatlah diktum ekonom John Maynard Keynes bahwa “hal yang tak terelakkan tidak akan pernah terjadi. Di bawah ini kami merinci berbagai metode Forecasting dan bagaimana metode-metode tersebut memiliki tujuan yang sama: Untuk mengurangi ketidakpastian dan memberikan dasar bagi perencanaan yang dapat kita lakukan hari ini. Kami juga memberikan 12 prinsip yang dapat Anda terapkan ketika memperkirakan untuk menjadi lebih baik hasil.

Cara Kerja Forecasting

Saat ini, perkiraan memadukan analisis data, pembelajaran mesin, pemodelan statistik, dan penilaian ahli. Forecasting memberikan tolok ukur bagi perusahaan yang memerlukan perspektif operasi jangka panjang. Misalnya, sebagian besar pasar derivatif dalam opsi dan perdagangan berjangka merupakan hasil dari perkiraan bisnis dan investor, yang semuanya bertujuan untuk melakukan lindung nilai atau mengasuransikan bisnis terhadap perubahan pasar yang merugikan yang dapat merugikan perusahaan mereka.

Forecasting dalam Berinvestasi

Analis ekuitas menggunakan perkiraan untuk memprediksi bagaimana tren, seperti produk domestik bruto (PDB) atau pengangguran, akan berubah pada kuartal atau tahun mendatang. Ahli statistik menggunakan Forecasting untuk menganalisis potensi dampak perubahan dalam operasi bisnis. Analis kemudian memperoleh estimasi pendapatan yang sering kali dikumpulkan menjadi angka konsensus. Jika pengumuman pendapatan sebenarnya meleset dari perkiraan, hal ini dapat berdampak besar pada harga saham perusahaan.

Forecasting dalam Bisnis

Dalam manajemen bisnis, Forecasting berfungsi sebagai landasan pengambilan keputusan strategis, yang mempengaruhi hampir setiap aspek operasi organisasi. Dengan mencoba memprediksi tren dan kondisi melalui ukuran kualitatif dan kuantitatif yang dibahas di bawah ini, perusahaan bertujuan untuk memposisikan diri mereka secara menguntungkan di pasar. Prediksi ini memandu pilihan-pilihan penting mulai dari strategi memasuki pasar dan pengembangan produk hingga manajemen rantai pasokan dan perencanaan tenaga kerja, sehingga tugas yang sering dilakukan adalah beralih dari perkiraan ke perencanaan.

Mewujudkan Perkiraan Menjadi Tindakan

Konsekuensi dari kesalahan perkiraan bisa sangat luas. Prediksi yang tepat memungkinkan perusahaan untuk meningkatkan cara mereka membagi sumber dayanya, apakah mereka dapat memanfaatkan prospek yang muncul, dan memitigasi risiko. Sebaliknya, perkiraan yang tidak akurat dapat menyebabkan strategi yang tidak selaras, penggunaan sumber daya yang tidak efisien, hilangnya peluang, dan risiko yang tidak dikelola atau diasuransikan. Berikut adalah dampak riak Forecasting terhadap berbagai fungsi bisnis:

• Strategi pasar: Proyeksi permintaan konsumen dan tren pasar yang akurat memberikan informasi kepada segmen mana yang akan ditargetkan dan cara memasarkan produk dan layanan.
• Perencanaan produksi: Perkiraan mendorong keputusan mengenai volume produksi, membantu menyeimbangkan biaya inventaris dengan kemampuan untuk memenuhi permintaan pelanggan.
• Manajemen rantai pasokan: Memprediksi ketersediaan sumber daya, ketergantungan pemasok, dan kendala keduanya sangat penting untuk menjaga kelancaran operasional dan mengendalikan biaya.
• Sumber daya manusia: Perencanaan tenaga kerja sangat bergantung pada perkiraan kebutuhan bisnis dan kondisi tenaga kerja di masa depan.
• Perencanaan keuangan: Proyeksi pendapatan, biaya, dan kondisi pasar mendukung penganggaran dan keputusan investasi.

Konsekuensi dari Forecasting yang buruk seringkali sangat parah. Perusahaan mungkin merasa kewalahan menghadapi kondisi pasar yang sedang menurun, kesulitan dengan kelebihan persediaan, atau tidak mampu memenuhi lonjakan permintaan yang tidak terduga.

Ini adalah poin yang baik untuk berhenti sejenak dan meninjau kembali, dengan tabel di bawah ini, perbedaan antara keduanya:

Forecasting vs. Planning in Business and Investing

Fitur	Forecasting	Perencanaan / Planning
Tujuan	Untuk memprediksi hasil masa depan berdasarkan data historis dan tren	Untuk menguraikan tindakan dan strategi spesifik untuk mencapai tujuan tertentu
Fokus	Terutama berdasarkan perkiraan apa yang mungkin terjadi	Terutama didasarkan pada penentuan apa yang harus terjadi dan bagaimana mewujudkannya
Cakrawala Waktu/ Time Horizon	Bisa jangka pendek, jangka menengah, atau jangka panjang, tergantung apa yang diramalkan	Biasanya terfokus pada masa depan yang dekat, namun dapat mencakup tujuan jangka panjang, seperti dalam perencanaan keuangan untuk tujuan pensiun
Metode	Analisis statistik, ekstrapolasi tren, penilaian ahli, simulasi, dll.	Penetapan tujuan, alokasi sumber daya, penganggaran, penjadwalan, perencanaan darurat, dll.
Keluaran	Estimasi kuantitatif (misalnya angka penjualan, harga saham, pangsa pasar) dan metode kualitatif	Rencana, anggaran, jadwal, dan ukuran kinerja yang dapat ditindaklanjuti
Gunakan dalam Berinvestasi	Memprediksi harga saham, tren pasar, dan indikator ekonomi, sehingga menjadi informasi dalam pengambilan keputusan investasi	Buat portofolio investasi, tetapkan tujuan keuangan, dan kembangkan strategi untuk mencapai tujuan tersebut
Gunakan dalam Bisnis	Digunakan untuk mengantisipasi permintaan, memperkirakan kinerja keuangan, menilai potensi pasar, dan mengidentifikasi risiko dan prospek	Digunakan untuk mengembangkan strategi bisnis, mengalokasikan sumber daya, mengelola operasi, dan meninjau kinerja

Teknik Forecasting

Kini kita dapat menjelajahi metode utama yang digunakan dalam Forecasting, yang masing-masing memiliki kekuatan dan waktu penerapan terbaiknya:

Metode kuantitatif dalam Forecasting

Teknik Forecasting kuantitatif mengandalkan data numerik dan model statistik untuk memprediksi hasil di masa depan. Metode-metode ini khususnya berguna untuk prakiraan jangka pendek hingga menengah dimana data historis tersedia dan polanya dapat diketahui.

Analisis Rangkaian Waktu

Metode ini menganalisis titik data historis, seperti angka penjualan atau harga saham, untuk mengidentifikasi pola atau tren dari waktu ke waktu. Hubungan statistik ini kemudian diekstrapolasi ke masa depan untuk menghasilkan perkiraan dengan interval kepercayaan guna memahami kemungkinan hasil tertentu. Seperti halnya semua metode Forecasting, kesuksesan tidak dijamin.

Teknik seperti rata-rata bergerak dan pemulusan eksponensial membantu meratakan fluktuasi untuk menyoroti tren yang mendasarinya, sehingga lebih mudah untuk memprediksi nilai di masa depan. Inilah inti analisis teknikal dalam berinvestasi. Selain itu, perkiraan deret waktu sering kali melibatkan analisis tren dan fluktuasi siklus.

Analisis regresi

Model regresi menilai hubungan antara suatu variabel terikat dengan satu atau lebih variabel bebas. Misalnya, sebuah perusahaan mungkin menggunakan analisis regresi untuk memahami bagaimana pengeluarannya untuk pemasaran atau kondisi ekonomi mempengaruhi penjualannya. Dengan menjalin hubungan ini, bisnis dapat mengetahui bagaimana merencanakan kapan anggaran pemasaran dibutuhkan atau ketika kondisi ekonomi berubah.

Model Ekonometrika

Ekonometrika adalah bidang khusus yang menjembatani ilmu ekonomi, matematika, dan statistik. Ini berfokus pada penggunaan metode statistik untuk menganalisis data ekonomi dan menguji teori ekonomi. Ahli ekonometrika mengembangkan model yang mengukur hubungan antar variabel ekonomi, seperti bagaimana perubahan suku bunga mempengaruhi investasi atau bagaimana pengeluaran pemerintah berdampak pada pertumbuhan ekonomi.

Analis menggunakan model ini untuk memprediksi pertumbuhan PDB, tingkat inflasi, dan tingkat pengangguran. Model ekonometrik sangat berharga untuk perencanaan dan pembuatan kebijakan jangka panjang.

Model kuantitatif cenderung berbagi aspek-aspek berikut:

• Pembuatan model: Analis kuantitatif membuat model matematis berdasarkan teori ekonomi dan keuangan, menggabungkan variabel-variabel yang diyakini mempengaruhi apa yang diteliti, baik PDB atau harga saham dari waktu ke waktu.
• Analisis data: Data dunia nyata dikumpulkan dan diperiksa untuk memperkirakan hubungan antar variabel.
• Pengujian hipotesis: Uji statistik digunakan untuk menilai validitas model dan asumsinya, menentukan apakah hubungan yang diidentifikasi signifikan secara statistik. Simulasi sering digunakan pada saat ini, baik dalam studi investasi, bisnis, atau makroekonomi.
• Forecasting: Model kuantitatif kemudian dapat digunakan untuk menghasilkan prediksi mengenai hasil perekonomian di masa depan, sehingga pengambil keputusan dapat mulai membuat perencanaan.

Kelebihan dan Kekurangan Metode Kuantitatif dalam Forecasting
Strengths and Weaknesses of Quantitative Methods in Forecasting
Kekuatan	Kelemahan
Tujuan: Berdasarkan data numerik dan model statistik, mengurangi potensi dampak bias pribadi	Kaku: Mungkin kesulitan beradaptasi terhadap perubahan atau kejadian mendadak yang tidak tercatat dalam data historis
Konsisten: Memberikan hasil yang terstandarisasi dan dapat diulang, memfasilitasi perbandingan antar periode waktu	Dapat melewatkan informasi non-kuantitatif: Tidak mudah memasukkan faktor kualitatif atau pendapat ahli
Mengukur hubungan: Dapat mengungkap korelasi dan pola dalam kumpulan data besar	Membutuhkan data yang memadai: Mengandalkan data historis yang cukup untuk membangun model yang andal
Scalable: Dapat diterapkan pada kumpulan data besar dan masalah perkiraan yang kompleks	Bisa jadi terlalu rumit: Model yang canggih mungkin sulit diinterpretasikan atau dijelaskan kepada pemangku kepentingan

Pendekatan Hibrid atau Gabungan untuk Forecasting

Para peneliti telah lama tertarik pada metode mana yang paling berhasil dan dalam situasi apa. Tentu saja, berbagai bidang keuangan dan disiplin ilmu lain cenderung berpihak pada metode kuantitatif atau kualitatif (misalnya, quants tidak mungkin menghasilkan studi tentang manfaat riset pasar atau metode penilaian lainnya). Namun para peneliti sering kali menemukan bahwa menentukan metode mana yang akan digunakan bergantung pada berbagai faktor. Misalnya, perusahaan mungkin menggunakan analisis rangkaian waktu untuk mengidentifikasi tren historis dan melengkapinya dengan wawasan dari riset pasar untuk memperhitungkan perubahan terkini dalam perilaku konsumen. Mengingat hal ini, tidak mengherankan jika para peneliti telah menunjukkan secara empiris bahwa pendekatan gabungan atau hibrida sering kali memberikan hasil terbaik dengan memanfaatkan yang terbaik dari kedua pendekatan tersebut untuk menghasilkan prediksi yang lebih tepat. Baik penilaian manusia maupun metode kuantitatif tidak lebih unggul secara universal. Sebaliknya, kekuatan mereka seringkali saling melengkapi.

Metode Quantitative bekerja paling baik dalam memproses kumpulan data yang besar dan mengidentifikasi pola di dalamnya, terutama bila dilengkapi dengan AI dan pembelajaran mesin, sedangkan penilaian manusia paling baik dalam menafsirkan situasi ambigu dan menggabungkan pengetahuan kontekstual yang mungkin tidak dapat ditangkap hanya dengan data. Meninjau penelitian terbaru di bidang ini, kami memilih poin-poin penting berikut tentang penggabungan pendekatan kualitatif dan kuantitatif:

• Gabungkan di bagian akhir, bukan bagian awal: Setiap pendekatan perkiraan harus dilakukan sendiri-sendiri. Independensi ini memastikan bahwa setiap metode memberikan perspektif tersendiri mengenai hasil masa depan, bebas dari pengaruh teknik Forecasting lainnya.
• Jangan gunakan penilaian kualitatif untuk mengoreksi data: Poin terakhir sejalan dengan kesalahan yang sering ditemukan dengan menggunakan keahlian kualitatif untuk mengoreksi data kuantitatif. Ini adalah cara paling populer untuk menggabungkan pendekatan, namun seringkali paling tidak akurat.
• Gunakan beragam sumber informasi: Pendekatan gabungan yang efektif bergantung pada metode yang memanfaatkan kumpulan data yang berbeda. Misalnya, perkiraan statistik biasanya menggunakan data historis dan metrik kuantitatif, sedangkan perkiraan yang bersifat menghakimi sering kali menggunakan wawasan kualitatif, sentimen pasar, dan intuisi pakar. Keberagaman sumber informasi ini meningkatkan kekuatan kesimpulan yang dihasilkan.
• Keahlian itu penting: Saat memasukkan perkiraan yang bersifat menghakimi, sangat penting bahwa perkiraan tersebut berasal dari individu dengan keahlian domain yang relevan. Kriteria ini mengakui bahwa Forecasting yang bersifat menghakimi dan efektif memerlukan lebih dari sekedar intuisi umum mengenai suatu bidang. Hal ini memerlukan pemahaman mendalam tentang bidang atau industri tertentu yang Forecastingnya sedang dilakukan. Singkatnya, meskipun mungkin tampak baik untuk menyertakan pakar dengan pengetahuan yang lebih umum, namun semakin terperinci keahliannya, semakin baik.

Memilih Metode Forecasting yang Tepat

Metode Forecasting yang benar bergantung pada jenis dan ruang lingkup ramalan tersebut. Metode kualitatif lebih memakan waktu dan biaya, namun dapat menghasilkan perkiraan yang sangat akurat mengingat cakupannya yang terbatas. Misalnya, mereka mungkin digunakan untuk memprediksi seberapa baik peluncuran produk baru suatu perusahaan dapat diterima oleh masyarakat. Untuk analisis yang lebih cepat dan mencakup cakupan yang lebih luas, metode kuantitatif seringkali lebih berguna. Melihat kumpulan data besar, paket perangkat lunak statistik saat ini dapat menghitung angka dalam hitungan menit atau detik. Namun, semakin besar kumpulan data dan semakin kompleks analisisnya, maka biayanya akan semakin mahal. Oleh karena itu, para peramal sering kali melakukan analisis biaya-manfaat secara cepat—perkiraan kecil—untuk menentukan metode mana yang akan meningkatkan peluang mereka dalam melakukan prediksi yang akurat dengan biaya dan waktu yang paling sedikit.

Perbedaan Penganggaran dan Forecasting

Meskipun sering disebutkan secara bersamaan, penganggaran dan perkiraan memiliki peran yang terpisah namun saling melengkapi dalam perencanaan keuangan, investasi, dan manajemen bisnis. Penganggaran pada dasarnya adalah alat perencanaan, sehingga memiliki beberapa elemen yang terlihat di atas ketika kita membahas perencanaan dan bukan perkiraan.

Penganggaran adalah perkiraan rinci pendapatan dan pengeluaran di masa depan sehingga Anda memiliki peta jalan untuk mengalokasikan sumber daya dan menetapkan target kinerja. Anggaran seringkali merupakan dokumen yang lebih statis, yang mewakili komitmen dan harapan manajemen pada periode tersebut.

Berikut ciri-ciri utama penganggaran:

1. Berorientasi pada tujuan: Anggaran mencerminkan target keuangan tertentu.
2. Pemantauan pengeluaran: Mereka memberikan dasar untuk memantau dan mengendalikan pengeluaran.
3. Kerangka waktu tetap: Biasanya mencakup periode fiskal tertentu, seringkali satu tahun.
4. Fokus internal: Terutama digunakan untuk manajemen internal dan akuntansi.

Sedangkan Forecasting adalah memperkirakan hasil keuangan berdasarkan data saat ini dan data historis. Jadi, saat Anda memperkirakan, Anda tidak menetapkan target. Sebaliknya, Anda mengantisipasi apa yang akan terjadi di masa depan dan mengapa Anda melakukannya, membantu organisasi dan investor menyesuaikan strategi dan merespons perubahan kondisi. Berikut ciri-ciri utama Forecasting:

1. Prediktif: Bertujuan untuk memproyeksikan hasil yang mungkin terjadi, bukan menetapkan target.
2. Dapat beradaptasi: Diperbarui secara berkala untuk memasukkan informasi baru.
3. Berbagai cakrawala waktu: Dapat mencakup periode jangka pendek atau panjang.
4. Mempertimbangkan faktor eksternal: Mempertimbangkan kondisi dan tren pasar, bukan hanya kondisi internal suatu portofolio, bisnis, atau sektor ekonomi.

Penganggaran vs. Forecasting

Penganggaran

• Tujuan dan fokus: Penganggaran menetapkan target keuangan dan mengalokasikan sumber daya
• Cakrawala waktu: Biasanya mencakup periode tertentu (biasanya satu tahun)
• Kekhususan: Sangat detail dengan item baris tertentu
• Aplikasi: Digunakan untuk menetapkan tujuan, mengendalikan biaya, dan mengukur kinerja
• Frekuensi peninjauan dan penyesuaian: Ditinjau dan disesuaikan setiap tahun—relatif statis

Forecasting

• Tujuan dan fokus: Forecasting memprediksi hasil dan tren keuangan di masa depan
• Cakrawala waktu: Bisa jangka pendek (bulanan/triwulanan) atau jangka panjang
• Kekhususan: Kurang detail, fokus pada tren keuangan yang lebih luas
• Aplikasi: Digunakan untuk perencanaan dan pengambilan keputusan strategis
• Frekuensi peninjauan dan penyesuaian: Ditinjau dan disesuaikan secara berkala (bulanan/triwulanan)

12 Prinsip Forecasting yang Efektif

Forecasting yang efektif adalah keterampilan penting dalam bisnis dan keuangan, yang memberikan dasar bagi keputusan yang dapat menentukan keberhasilan atau kehancuran suatu bisnis atau portofolio. Meskipun tidak ada perkiraan yang sempurna, perusahaan dan investor dengan perkiraan yang dapat diandalkan akan lebih siap menghadapi ketidakpastian, meraih prospek, dan mempertahankan keunggulan kompetitif. Prinsip-prinsip berikut, diambil dari wawasan para ahli dan mereka yang memiliki pengalaman praktis, merupakan inti dari Forecasting yang efektif:

1. Bersikaplah metodis: Hasil terbaik diperoleh dari perkiraan yang mengikuti proses yang sistematis dan terdefinisi dengan baik. Menggunakan pendekatan yang sistematis dan berulang memastikan konsistensi, memungkinkan perbaikan berkelanjutan, dan meningkatkan keandalan prediksi Anda.
2. Melihat ke belakang untuk melihat ke depan: Aturan yang dikutip oleh beberapa peneliti adalah melihat ke belakang setidaknya dua kali lebih jauh ke masa lalu dibandingkan perkiraan Anda ke masa depan. Ini berarti melihat kembali sejarah. Peramal dapat mengidentifikasi pola yang dapat membantu memprediksi masa depan jika mereka memeriksa tren dalam jangka waktu yang lama. Masa lalu yang terjadi saat ini tidak dapat diandalkan, sehingga para peramal harus melihat ke masa lalu setidaknya dua kali lebih jauh dibandingkan meramalkan masa depan. Hal tak terduga terjadi, dan sejarah tidak selalu terulang. Waspadai sejarah, jangan menjadi tawanannya.
3. Rangkullah ketidakpastian: Ramalan cuaca yang sempurna adalah untuk para dewa, bukan untuk Anda. Semua prediksi mengandung ketidakpastian, yang mencerminkan sifat lingkungan bisnis yang kompleks dan dinamis.
4. Hitung ketidakpastian Anda jika memungkinkan: Perkiraan yang dapat memberikan “distribusi” kemungkinan—sebuah maskapai penerbangan yang memprediksi harga bahan bakar jet antara harga minimum dan harga maksimum, misalnya—sangat membantu dalam perencanaan karena hal tersebut tidak menjadikan prediksi tersebut sebagai segalanya. urusan -atau-tidak sama sekali.
5. Waspadai wild card: Ini adalah peristiwa dengan probabilitas rendah dengan potensi dampak tinggi di tepi rentang yang mungkin terjadi. Mengakui outlier dan kejadian tak terduga sangat penting untuk
6. Akurasi yang lebih besar ditemukan pada agregat: Perkiraan akan lebih tepat bila diterapkan pada kategori atau kelompok yang lebih luas dibandingkan item individual. Prinsip ini, yang dikenal sebagai hukum bilangan besar, merupakan inti dari statistik dan berarti bahwa prakiraan menghasilkan prediksi yang lebih andal untuk data agregat.
7. Perhatikan “kurva S”: Dalam ilmu data, kurva berbentuk S terjadi ketika beberapa proses dimulai dengan lambat, dipercepat dengan cepat, dan kemudian mendatar. Menurut peramal cuaca yang berbasis di Silicon Valley, Paul Saffo, mengenali pola ini sejak dini dapat membantu Anda mengantisipasi berbagai tahap perkembangan di berbagai bidang dan membuat rencana yang sesuai. Peramal harus mengidentifikasi pola kurva S ketika pola tersebut mulai muncul, dan mereka kemudian dapat mencari pemicu titik belok, bukan titik belok itu sendiri (ketika perubahan yang dilakukan mungkin sudah terlambat).
8. Semakin lama waktunya, semakin banyak kesalahan yang bisa terjadi: Keakuratan perkiraan biasanya berkurang seiring dengan bertambahnya jangka waktu. Prediksi jangka pendek umumnya menawarkan presisi yang lebih tinggi dibandingkan proyeksi jangka panjang. Variabel yang tidak terduga dapat menambah pengaruhnya seiring berjalannya waktu.
9. Carilah hal-hal yang aneh: Rangkullah hal-hal yang tidak sesuai. Ide-ide baru sering kali muncul sebagai sinyal lemah yang sulit dikenali karena tampak aneh atau tidak sesuai dengan kategori yang ada. “Keingintahuan yang aneh” ini terkadang merupakan indikator tren masa depan. Misalnya, penjualan barang virtual dalam game online pada akhir tahun 1990an menandai kebangkitan perdagangan dunia virtual seperti Second Life. Para peramal harus peka terhadap indikator-indikator ini, yang sering kali tampak hanya sekedar keingintahuan atau kegagalan, namun sebenarnya bisa menjadi pertanda perubahan yang signifikan.
10. Memegang pandangan yang kuat dengan lemah: Namun, jangan jatuh cinta pada hal-hal aneh. Aturan utama dalam Forecasting, seperti yang diungkapkan oleh seorang peneliti, adalah “bersikap konservatif” dan hanya mengandalkan pengetahuan dan metode yang konsisten dengan permasalahan yang ada. Hal ini juga berarti bahwa peramal harus terbuka terhadap informasi baru yang bertentangan dengan asumsi awal mereka. Terkadang, bukti substansial bisa menyesatkan, sementara bukti yang terlihat lemah bisa menunjukkan tren di masa depan. Peramal harus selalu bersedia merevisi atau membuang perkiraan ketika muncul bukti-bukti yang bertentangan. Jika para peramal mengadopsi proses opini yang kuat dan opini yang lemah, rentang ketidakpastian mereka akan semakin disempurnakan seiring berjalannya waktu menuju prediksi yang lebih akurat. Aturan ini mendorong penyempurnaan yang berkesinambungan dibandingkan hanya mengandalkan perkiraan tunggal yang tidak dapat diubah.
11. Menggabungkan metode secara independen: Saat menggunakan beberapa metode perkiraan, pastikan metode tersebut dihasilkan secara terpisah, berdasarkan sumber informasi yang berbeda, dan gabungkan keahlian domain jika relevan. Para peneliti telah menemukan bahwa hal ini menghasilkan prediksi yang lebih akurat.
12. Ketahui kapan sebaiknya tidak meramalkan: Terkadang, masa depan terlalu tidak pasti untuk membuat prediksi apa pun. Selama periode transformasi yang dramatis dan cepat, peramal yang baik akan menahan diri untuk tidak membuat prediksi yang pasti dan malah mencari indikator-indikator baru yang dapat memberikan petunjuk tentang masa depan. Hal ini hanyalah cerminan dari kenyataan bahwa bahkan pada saat terjadi perubahan yang signifikan, sering kali terdapat lebih banyak elemen yang tetap konstan dibandingkan elemen baru yang muncul. Peramal cuaca harus menyadari keterbatasan pengetahuan mereka dan menghindari membuat pernyataan ketika terdapat terlalu banyak ketidakpastian.

Selain aturan-aturan ini, Anda sebaiknya mempraktikkan prinsip nomor satu tentang apa yang harus dilakukan setelah Anda menerapkan perkiraan melalui perencanaan dan anggaran: Menilai kembali keakuratan perkiraan secara teratur menggunakan ukuran yang tepat dan menyesuaikan model Anda sesuai kebutuhan untuk meningkatkan kinerja secara keseluruhan. waktu.

Kesimpulan

Prakiraan membantu manajer, analis, dan investor membuat keputusan yang tepat tentang masa depan. Tanpa ramalan yang baik, banyak dari kita yang tidak tahu apa-apa dan hanya menebak-nebak atau berspekulasi. Dengan menggunakan analisis data kualitatif dan kuantitatif, peramal dapat lebih memahami apa yang akan terjadi. Bisnis menggunakan perkiraan dan proyeksi untuk menginformasikan keputusan manajerial dan alokasi modal. Analis menggunakan perkiraan untuk memperkirakan pendapatan perusahaan untuk periode berikutnya. Para ekonom juga dapat membuat perkiraan tingkat makro, seperti memperkirakan pertumbuhan PDB atau perubahan lapangan kerja. Namun, karena kita tidak dapat mengetahui masa depan secara pasti, dan karena prakiraan sering kali bergantung pada data historis, keakuratan prakiraan tersebut selalu disertai dengan kemungkinan terjadinya kesalahan—dan, dalam beberapa kasus, mungkin saja meleset.