(Peramalan)
Serangkaian waktu adalah aliran data yang mewakili pengukuran masa lalu.
Setiap acara
(pengamatan permintaan) diberi tanda waktu sehingga diketahui di mana
lokasinya
rangkaian data. Rangkaian waktu terdiri atas data yang direkam pada periode
waktu yang berbeda
seperti mingguan atau harian untuk variabel, yang bisa berupa unit yang
diproduksi atau tuntutan
diterima. Peramal mencoba memprediksi nilai atau kumpulan nilai berikutnya
yang akan terjadi
di masa depan. Dalam analisis deret waktu, sebab eksternal tidak dimasukkan ke
dalam gambar.
Pola rangkaian dianggap tergantung pada waktu. Itulah mengapa
definisi American Production and Inventory Control Society (APICS) menyatakan
"Nilai-nilai dari variabel adalah fungsi dari periode waktu." APICS sekarang
mencantumkan dirinya sebagai
Asosiasi Manajemen Operasi. Ekstrapolasi adalah proses pemindahan
dari data yang diamati (dulu dan sekarang) ke nilai yang tidak diketahui dari poin
masa depan. Itu
ekstrapolasi deret waktu adalah salah satu fungsi utama dari peramalan.
Data dalam rangkaian waktu dapat terdiri dari beberapa jenis variasi yang
berbeda.
Penting di antara mereka adalah variasi acak, kecenderungan yang meningkat
atau menurun,
dan variasi musiman. Variasi acak terjadi karena
permintaan jarang konstan pada tingkat tertentu. Variasi kecil terjadi dari satu
periode ke yang lain. Dalam banyak contoh, tidak ada penyebab spesifik yang
dapat ditetapkan untuk
variasi acak ini. Variasi acak adalah hasil dari lingkungan ekonomi
dan pasar tempat organisasi beroperasi.
Selain variasi acak, data time-series dapat menunjukkan peningkatan
atau tren menurun (lihat Gambar 3.2 untuk tren yang meningkat dan Gambar 3.3
untuk a
tren menurun). Jika time series menunjukkan tren linear yang meningkat, seperti
pada Gambar 3.3,
ada tingkat perubahan konstan (meningkat) dengan peningkatan waktu. Linear
penurunan juga bisa terjadi. Garis tren nonlinier terjadi di mana laju
perubahannya
250
300
350
400
200
150
100
Permintaan
50
0
0 20 40 60 80
Waktu
100 120 140
Gambar 3.2 Rangkaian waktu dengan variasi acak dan tren meningkat.
250
200
150
100
Permintaan
50
0
0 20 40 60 80
Waktu
100 120 140
Gambar 3.3 Rangkaian waktu dengan variasi acak dan tren menurun.
84 ◾ Sistem Manajemen Produksi dan Operasi
geometris. Dalam kasus seperti itu, adalah mungkin untuk mengekstrapolasikan
kurva dengan mata, tetapi tingkat
perubahan juga dapat dihitung, dan proyeksi dapat dibuat secara matematis.
Rangkaian waktu mungkin juga menunjukkan variasi musiman (atau siklus).
Gambar 3.4
menunjukkan variasi musiman ditambah dengan variasi acak, sedangkan Gambar
3.5 menggabungkan
ketiga komponen — variasi acak, tren yang meningkat, dan musiman
variasi. Misalnya, orang dapat mengamati variasi musiman dalam permintaan
untuk resor
hotel dan minyak pemanas rumah.
Ada kategori lain dari seri waktu yang berguna untuk diketahui. Untuk
Misalnya, fungsi langkah yang terlihat seperti tangga — naik atau turun juga
hadir dalam deret waktu. Diharapkan bahwa ramalan dapat memprediksi kapan
berikutnya
600
500
400
300
200
Permintaan
100
0
0 20 40 60 80
Waktu
100 120 140
Gambar 3.4 Rangkaian waktu dengan variasi acak dan variasi musiman.
600
700
500
400
300
200
Permintaan
100
0
0 20 40 60 80
Waktu
100 120 140
Gambar 3.5 Rangkaian waktu dengan variasi acak, variasi musiman, dan
peningkatan
kecenderungan.
Penilaian Beban Kerja (Peramalan) ◾ 85
langkah akan terjadi dan seberapa jauh naik atau turunnya. Jika mereka terjadi
secara teratur, itu bagus
perkiraan dapat dibuat dari periode antara langkah-langkah dan waktu langkah-
langkah di masa depan.
Fungsi langkah adalah karakteristik sistem yang hanya dapat berubah dalam
jumlah tertentu.
Jadi, jika penjualan harus dilakukan dalam banyak 100 unit, maka setiap
perubahan permintaan
akan terjadi dalam ratusan unit langkah. Jika penjualan Desember 500, penjualan
untuk Januari
bisa 400, 500, atau 600, artinya bisa naik atau turun, atau tetap sama dengan
Penjualan bulan Desember 500.
Data deret waktu juga dapat mencerminkan semburan yang tidak teratur yang
disebut impuls. Jika lonjakan ini
muncul dari waktu ke waktu dan beberapa pola dapat dikaitkan dengan mereka,
mereka bisa
ditambahkan ke daftar apa yang dapat diekstrapolasikan atau diproyeksikan ke
masa depan.
Siklus jangka pendek dapat dibonceng pada siklus jangka panjang. Semua jenis
kombinasi
itu mungkin. Kuncinya adalah siklus, tren, dan langkah adalah dasar
palet untuk pengembangan model peramalan.
Istilah "analisis deret waktu" layak mendapat penjelasan. Analisis deret waktu
adalah
“Analisis dari setiap variabel yang diklasifikasikan berdasarkan waktu, di mana
nilai-nilai dari variabel tersebut
fungsi dari periode waktu. ”Analisis deret waktu berhubungan dengan
menggunakan pengetahuan tentang
siklus, tren, dan rata-rata untuk meramalkan acara mendatang. Itu selalu berguna
untuk dicoba ditemukan
hubungan kausal antara siklus terkenal, seperti musim, dan pola permintaan
yang sedang dilacak. Menggunakan simbol, perkiraan harus dibuat dari beberapa
rangkaian
angka x1, x2,…, xn. Angka-angka mungkin angka penjualan bulanan untuk tahun
lalu.
Pertanyaannya adalah: Apa gunanya membuat angka-angka ini untuk
menunjukkan bulanan
angka penjualan untuk tahun depan? Bagaimana seri waktu yang diperkirakan
akan digunakan? Produksi
jadwal akan disusun untuk memenuhi permintaan. Pesanan akan ditempatkan
untuk inventaris
dibeli. Pekerja akan dipekerjakan dan dilatih, atau dilepaskan sebagai kru
produksi
dirampingkan. Ruang sewa akan ditambah atau dikurangi, atau akan tetap sama.
Banyak
keputusan yang saling terkait membutuhkan prakiraan yang dapat dipercaya
sebelum dibuat.
Analisis deret waktu menggunakan metode statistik, termasuk analisis tren dan
siklus,
untuk memprediksi nilai masa depan berdasarkan sejarah penjualan atau apa
pun waktunya
seri menjelaskan. Pada bagian berikut, kita akan membahas moving average
(MA),
weighted moving average (WMA), pemulusan eksponensial (ES), dan analisis tren
metode untuk peramalan dan ekstrapolasi. Cara membuat ramalan saat musiman
variasi yang hadir juga dibahas.
Contoh: Pertimbangkan data yang diberikan pada Tabel 3.2. Misalkan jumlah
periode digunakan dalam meramalkan n = 3 dan bobotnya adalah 0,2, 0,3, dan
0,5. Berat tertinggi (dalam hal ini 0,5) ditugaskan untuk periode terbaru.
Misalnya, perkiraan untuk periode 4 akan dihitung dengan menggunakan berat
0,5 untuk periode 3, 0,3 untuk periode 2, dan 0,2 untuk periode 1. Perkiraan
untuk periode 4 akan menjadi Permintaan Permintaan Permintaan Prakiraan
Depan (4) 0.2 (1) 0.3 (2) 0.5 (3), cast (4) 0.2 100 0.3 80 0.5
90 89. Perkiraan permintaan untuk semua periode 4–10 ditunjukkan pada
Tabel 3.2. Komentar kolom mencakup nilai permintaan dan bobot terkait. Metode
WMA memungkinkan periode terbaru untuk memiliki dampak terbesar, dan
periode-periode berikutnya yang semakin berkurang. Perhatikan bahwa ketika
semua bobot sama (1 / n), maka WMA sama dengan MA. Bobot terbesar
ditugaskan ke peristiwa terbaru ketika ada yang berkelanjutan kecenderungan.
Dalam sistem yang berubah dengan cepat, wt mungkin jauh lebih besar (≫)
daripada wt − 1 Moving averages mungkin digunakan untuk mengekstrapolasi
event-event selanjutnya jika hal-hal berikut terjadi: tidak ada pola siklus yang
terlihat, dan sistem tampaknya menghasilkan serangkaian nilai sedemikian rupa
sehingga kumpulan nilai terakhir memberikan yang terbaik perkiraan apa yang
akan menjadi nilai selanjutnya. Pengkajian Beban Kerja (Peramalan) ◾ 89 dan wt
≫ wt − 1 ≫ wt − 2, ..., dll, di mana berat adalah untuk periode t. Ini setara untuk
mengurangi ukuran n, yang telah dibahas dalam bagian tentang MA. Demikian,
WMA dapat melacak tren yang kuat lebih akurat daripada rata-rata bergerak
yang tidak tertimbang. Analisis kesalahan menggunakan nilai yang berbeda dari
n dan bobot yang berbeda harus dilakukan untuk temukan nilai terbaik dari n
dan bobot yang sesuai. Lihat bagian tentang analisis kesalahan
Nilai-nilai kecil dari α (yang akan analog dengan nilai-nilai besar n di MA)
digunakan
untuk sistem stabil di mana, paling banyak, jumlah minimum fluktuasi acak.
Nilai α yang besar digunakan untuk mengubah dan mengembangkan sistem di
mana banyak ketergantungan
ditempatkan pada pengamatan terakhir. Produk baru, saat mereka bergerak
melalui mereka
tahapan siklus hidup, mulai dengan nilai α yang besar, yang berangsur-angsur
berkurang sebagai produk
memasuki tahap pematangannya. Untuk sebagian besar sistem penjadwalan
produksi di keduanya
job shop dan flow shop, α tetap kecil, di sekitar 0,050-0,50, hingga
menurunkan respons sistem terhadap fluktuasi acak.
Metode ES memiliki keuntungan yang jelas atas metode MA dalam hal
jumlah memori yang diperlukan untuk menyimpan data. Selain konstanta
pemulusan
α, kapan saja kita perlu menyimpan hanya rata-rata yang dihaluskan secara
eksponensial dan
permintaan yang sebenarnya untuk periode sebelumnya. Untuk metode MA,
tuntutan yang sebenarnya
untuk periode terakhir harus disimpan.
Nilai α yang berbeda memberikan perkiraan yang berbeda seperti perkiraan yang
berbeda
diperoleh dengan mengubah nilai n dalam metode MA. Nilai kecil dari α
penyesuaian kecil untuk hasil ramalan seperti yang dibahas di atas —
memberikan hasil yang lebih halus
perkiraan. Ramalan halus diperoleh dalam metode MA jika n besar. Karena itu,
nilai yang lebih kecil dari nilai α dan besar dari n cenderung memberikan
perkiraan yang serupa. Demikian pula,
nilai-nilai besar dari nilai α dan kecil dari n cenderung memberikan hasil yang
sama. Bahkan, kapan
α = 1, atau n = 1, perkiraan dalam periode tertentu sama dengan permintaan di
sebelumnya
periode dan sistem peramalan sangat responsif terhadap perubahan
permintaan. Dalam hal ini, ramalan berfluktuasi karena permintaan yang
sebenarnya berfluktuasi. Namun,
perkiraan tertinggal permintaan oleh satu periode
Tabel 3.6 Langkah 2: Hitung Indeks Musiman (SI) untuk Setiap Kuartal
untuk Setiap Tahun
Perempat
Tahun
1
Perhitungan
untuk SI Tahun 1
Tahun
2
Perhitungan
untuk SI Tahun 2
Tahun
3
Perhitungan
untuk SI Tahun 3
Tahun
4
Perhitungan
untuk SI Tahun 4
Fall 1.228 = 2530/2060 1.211 = 2690/2221 1.216 = 2790/2295 1.194 =
2860/2395
Winter 1.117 = 2300/2060 1.090 = 2420/2221 1,050 = 2410/2295 1.086 =
2600/2395
Spring 0.922 = 1900/2060 0.900 = 2000/2221 0.917 = 2105/2295 0.908 =
2175/2395
Musim Panas 0,733 = 1510/2060 0,799 = 1775/2221 0,817 = 1875/2295 0,812
= 1945/2395
Tabel 3.7 Langkah 3: Hitung SI Rata-Rata untuk Setiap
Perempat
Perhitungan SI Rata-rata Triwulan
Fall 1.212 = (1.228 + 1.211 +1.216 + 1.194) / 4
Winter 1.086 = (1.117 + 1.09 +1.05 + 1.086) / 4
Musim semi 0,912 = (0,922 + 0,9 + 0,917 + 0,908) / 4
Musim panas 0,790 = (0,733 + 0,799 + 0,817 + 0,812) / 4
Gambar 3.6 Analisis deret waktu. Tabel 3.10 Data untuk Analisis Deret Waktu
Waktu: Independen Variabel (x) 1 2 3 4 5 6 7 8 9 10 Permintaan: Tanggungan
Variabel (y) 9 15 32 48 52 60 39 65 90 93 98 ◾ Sistem Manajemen Produksi dan
Operasi 3.4 Analisis Regresi Metode lain yang berharga yang membantu
meramalkan adalah analisis regresi. Ini Metode ini berguna untuk membangun
hubungan antara dua set angka itu adalah seri waktu. Misalnya, ketika
serangkaian angka Y (seperti bulanan penjualan kamera selama beberapa tahun)
secara kausal berhubungan dengan rangkaian X jumlah (anggaran iklan bulanan),
maka itu bermanfaat untuk mendirikan sebuah hubungan antara X dan Y untuk
memperkirakan Y. Asumsi pertama yaitu umumnya dibuat dalam analisis regresi
adalah hubungan antara yang berkorelasi pasangan adalah linear. Ini adalah
asumsi termudah untuk diperiksa. Namun, jika hubungan tidak linier
dihipotesiskan, ada metode yang kuat, tetapi lebih kompleks untuk melakukan
nonlinear analisis regresi. Dalam analisis regresi, X adalah variabel independen
dan Y adalah variabel dependen. Contoh: Pertimbangkan data yang diberikan
pada Tabel 3.11. Tabel ini memberikan 10 observasi untuk nilai X (variabel
independen) dan nilai-nilai yang sesuai dari Y (dependen variabel). Data diplot
pada Gambar 3.7. Kita dapat memasukkan garis lurus (disebut garis regresi) ke
data ini. Baris ini akan menjadi perkiraan cara di mana nilai X mempengaruhi
nilai Y. Untuk ini Misalnya, tren linier diasumsikan. Setelah garis ditentukan, itu
dapat digunakan mengekstrapolasikan permintaan masa depan — nilai Y.
Persamaan garis regresi adalah
Untuk memilih metode perkiraan tertentu, katakan ES, kami akan menghitung
nilai
MAD dengan menggunakan nilai α yang berbeda. Nilai α yang meminimalkan
MAD akan menjadi
terpilih. Demikian pula, diterapkan pada metode MA, kami akan menghitung
MAD untuk berbeda
nilai-nilai n. N yang meminimalkan MAD akan dipilih. Prosedur serupa akan
dilakukan
digunakan dengan metode WMA untuk menemukan kombinasi terbaik dari
bobot.
Manajer mengubah perkiraan yang diturunkan dengan metode numerik karena
mereka
tahu tentang faktor-faktor lain yang tidak termasuk dalam perhitungan. Ini
menghasilkan
modifikasi ramalan yang bisa disebut prediksi dan perkiraan. Oleh karena itu,
bijaksana untuk menyimpan riwayat semua kesalahan peramalan. Ini harus
dilakukan untuk semua
metode yang digunakan dan untuk semua personel yang membuat ramalan,
prediksi,
dan perkiraan. Beberapa orang pandai memprediksi dan yang lainnya tidak. Juga,
beberapa orang pandai meramalkan hanya dalam keadaan tertentu dan tidak
baik
dalam segala situasi.
Catatan sejarah dari informasi terkait sangat penting. Perusahaan mendapatkan
keuntungan besar
keuntungan dengan mencari tahu siapa yang dapat membuat perkiraan yang baik
dalam situasi apa.
Lebih lanjut, ada situasi di mana orang dapat belajar membuat prakiraan,
prediksi,
dan perkiraan sebagai hasil dari umpan balik tentang seberapa baik mereka telah
melakukannya di
lalu. Ketika suatu catatan tidak disimpan, semua potensi keuntungan seperti itu
hilang.
102 ◾ Sistem Manajemen Produksi dan Operasi
3.9.1 Pendahuluan dan Pertumbuhan Produk Baru (Barang dan jasa) Ada dua
fase awal produk baru tahap siklus hidup. Ini adalah pengantar awal dan
pertumbuhan penjualan produk. "Ide" untuk produk dan pengembangannya
mendahului pendahuluan. Seluruh tim bekerja untuk memastikan kelayakan
pemasaran ide, serta kelayakan membuatnya dan pengiriman saya t. Penelitian
dan Pengembangan (R & D) mungkin telah membuat produk sampel sehingga
riset pasar dapat menguji penerimaan pelanggannya. Ketika disetujui, P / OM dan
rekayasa ayunan ke dalam tindakan untuk menciptakan sistem produksi yang
dapat membuat dan / atau merakitnya. Selama proses membawa gagasan ini ke
kenyataan, ada banyak Analisis "buat atau beli". Semua ini tidak mudah.
Dibutuhkan banyak upaya dan perhatian terhadap detail. Ada banyak sekali
waktu dan bakat yang dibutuhkan untuk membuat konsep produk, mendesain
spesifiknya, mengatur proses untuk membuatnya, biaya, uji coba, dan sebagainya.
Kapan produk diterima, dirilis untuk produksi dan pemasaran. Semua ini terjadi
di tahap perkenalan.
3.9.2 Kematangan dan Penurunan Produk Baru (Barang dan jasa) Ketika produk
atau layanan baru berhenti tumbuh, itu dianggap matang. Ini berarti volumenya
distabilkan pada tingkat kejenuhan untuk merek tersebut. Para pesaing telah
membagi pasar, dan hanya peristiwa luar biasa, seperti pemogokan di pabrik
pesaing, dapat memindahkan saham dan volume. Selama fase pendahuluan, P /
OM harus berurusan dengan memproduksi lebih besar dan jumlah produk yang
lebih besar. Sekarang hubungan pemasaran-produksi tercapai keseimbangan.
Pemasaran mengambil tindakan spesifik selama fase ini untuk mempertahankan
bagian produk dari pasar. Harga sering diturunkan. Koordinasi antara P / OM dan
penjualan sangat penting untuk memenuhi jadwal pengiriman tepat waktu.
Akhirnya, produk mulai kehilangan bagian, volume turun, dan, tergantung pada
strategi, produk tersebut baik diulang atau dihentikan. Diharapkan bahwa
produk baru akan diperkenalkan sebelumnya yang memiliki tumbuh ke tingkat
yang wajar. Ini adalah pengganti untuk produk lain dan memiliki ditugaskan
kapasitas produk yang telah diganti. Siklus dari produk baru serupa dengan yang
digantikan yang dilaluinya Pengkajian Beban Kerja (Peramalan) ◾ 105
pengenalan, pertumbuhan, pematangan, dan penurunan. Gambar 3.10
mengilustrasikan lintasan yang mewakili evolusi tahapan siklus hidup produk
atau layanan baru
Gambar 3.10 Lintasan mewakili evolusi siklus hidup produk atau layanan baru
tahapan.
106 ◾ Sistem Manajemen Produksi dan Operasi
telah menurun dalam banyak kategori karena perubahan teknologi yang cepat
juga
sebagai perilaku kompetitif agresif.
Siklus hidup produk telah semakin cepat, yang berarti bahwa pertumbuhan
harus dilakukan
terjadi lebih cepat. Produk tidak bertahan lama dan harus matang
diganti lebih sering. Diperlukan lebih banyak pengenalan produk baru untuk
menggantikan waning
produk. Tantangan untuk P / OM adalah kecepatan penyesuaian yang diperlukan
ke semua tahap siklus kehidupan berubah dan sering melalui mereka, yaitu,
ekspansi dan kontraksi tanaman, sumber rantai pasokan baru, persediaan yang
sudah usang
permintaan segera untuk produk baru (mis., iPhone 5).
P / OM berpikir sangat penting untuk masing-masing dari empat tahap. Desain
baru itu
akan memasuki produksi telah selesai. Masih banyak pertanyaan yang harus
dijawab
dijawab. Berapa banyak produk yang harus dibuat untuk distribusi saat start-up?
Bagaimana
banyak produk yang diperlukan untuk menjaga agar jalur pasokan tetap terisi
untuk memenuhi permintaan
selama pertumbuhan? Berapa kapasitas yang akan digunakan pada setiap
tahapan? Berapa banyak
pelatihan akan konfigurasi kerja yang berkembang membutuhkan? Membuat
atau membeli keputusan
bisa berubah. Apa yang harus dibeli pada awalnya, pada volume yang lebih
rendah, mungkin lebih baik
dibuat di pabrik, pada volume yang lebih tinggi yang terkait dengan kedewasaan.
Itu
rantai pasokan global adalah faktor dinamis yang menuntut informasi terkini
dan rencana yang berubah dengan cepat.
3.9.4 Perlindungan Produk yang Matang (Dewasa) (Barang dan jasa) Organisasi
yang berhasil dengan pengenalan produk baru mereka bisa bank telah memiliki
produk atau layanan yang menghasilkan arus kas. Bank" tidak sebagus dulu,
karena tingkat kompetitif produk baru perkenalan telah meningkat tajam dalam
beberapa tahun terakhir. P / OM membutuhkan uang tunai untuk membayar
tenaga kerja dan membeli bahan dari pemasok. Umumnya, P / OM menghabiskan
lebih banyak uang daripada departemen lain di perusahaan. Akun-akun kas
untuk operasi biaya mungkin total 70% dari semua uang yang dihabiskan oleh
perusahaan. Untuk memenuhi persyaratan arus kas dan memiliki rencana yang
tepat di tempat membutuhkan kemampuan meramalkan yang sangat baik dari
dinamika pasar. Ini adalah fase di mana banyak perusahaan besar gagal
meramalkan perubahan dan mereka kehilangan keunggulan atau bangkrut.
Contohnya termasuk, Betamax Sony, Blockbuster, Borders, Circuit City, Digital
Peralatan, Eastman Kodak, Enron, Global Crossing, Lehman Brothers, Nortel,
Polaroid, Pan Am, Gambar Lebih Tajam, Sun Microsystems, dan Wang
Laboratories. Masing-masing dan setiap situasi ini mungkin dihindari jika
peramalan dilakukan menarik perhatian ke tebing yang berada di depan lintasan
mereka yang bergerak cepat. Karena organisasi global, ada lebih banyak pesaing
di dalam gim, dan karena ada lebih banyak pesaing, setiap organisasi bersaing
lebih keras. Meningkat persaingan telah menyebabkan tingkat volatilitas pasar
yang lebih tinggi. Namun demikian, untuk sebagian besar kategori produk, masih
ada banyak peluang untuk mendapat manfaat dari yang matang tahap siklus
hidup produk. Manfaat P / OM dari keamanan produk yang sudah ada
Pengkajian Beban Kerja (Peramalan) ◾ 107 karena mereka memiliki bahan yang
stabil dan persyaratan keterampilan tenaga kerja. Mereka juga menyediakan
kesempatan untuk meningkatkan produktivitas proses-proses ini. Namun,
penting untuk mendapatkan perkiraan yang baik tentang waktu ketika pasar
ekuilibrium memburuk. Pangsa pasar memburuk perlahan-lahan pada awalnya
dan kemudian parah ketika titik kritis tercapai. Tiba-tiba, sistem produksi
digunakan bahan dan tenaga untuk membuat produk atau memberikan layanan
yang tidak diinginkan oleh siapa pun. Apa telah memicu keadaan ini? Apakah
tulisan tangan di dinding? Mungkinkah Polaroid sudah meramalkan kamera
digital? Jawaban yang menarik dan konklusif adalah "ya." setiap kasus yang
disebutkan sebelumnya, dengan metode yang tepat dan visi yang jelas, perkiraan
bisa melihat apa yang akan terjadi meskipun penyebab masalah tidak bisa
diantisipasi dan prediksi waktu mungkin telah salah. Kasus Pan Am memberikan
contoh yang menarik. Penerbangan Pan Am 103 pada Rabu, 21 Desember 1988
dihancurkan oleh bom di atas Lockerbie, Skotlandia membunuh semua 259 orang
di dalam pesawat. Efek pada pemesanan langsung dan rentetan publisitas yang
terus berlangsung membuat asosiasi negatif terus meningkat di masa depan
pikiran selebaran. Tidak dapat diketahui jika Pan Am bisa membalikkan
penurunan pendapatan tetapi banyak yang mengira bahwa upaya kreatif dalam
skala besar mungkin berhasil. Apa yang diketahui adalah bahwa manajemen Pan
Am berusaha menunggu tanpa itu meramalkan kebangkrutan yang tak
terelakkan yang akan terjadi ketika faktor beban turun di bawah impas.
Perencanaan produksi untuk periode hunian yang sangat rendah mungkin
menghemat cukup uang untuk mengatasi badai. Peramalan tidak memainkan
bagian di Pan Saya berencana setelah bencana
Dengan definisi saat ini, pengeboman ini adalah peristiwa angsa hitam yang
merupakan kejadian
itu sangat langka, tidak terduga, dan bahkan mustahil. Pada abad keenam belas,
angsa hitam dianggap tidak ada. Belakangan, disadari bahwa angsa hitam adalah
sangat jarang tetapi mereka terjadi di alam. Teori peramalan Black Swan relevan
dalam banyak situasi (seperti pembunuhan Chicago Tylenol yang belum
terpecahkan — keracunan ini
terjadi pada tahun 1982). Johnson & Johnson membuat keputusan P / OM besar
untuk mendesain ulang
paket dan untuk mempublikasikan dengan pengeluaran pemasaran ekstensif
kualitas baru mereka
kontrol (keselamatan) tindakan. Kasus Tylenol sering dikutip karena J & J
menggunakan perkiraan
untuk benar mengarahkan upaya pemasaran dan strategi P / OM. Bencana
dihindari
dan manajemen krisis benar-benar berhasil. Ketika desain produk didirikan dan
merek (seperti aturan slide Keuffel & Esser, rekaman vinil RCA 45 rpm, 3,25
floppy
disk drive, dan Kodak film 35 mm) menghilang di pasaran, penting untuk
diperhatikan
bahwa banyak produsen terkejut tetapi sangat sedikit konsumen yang terkejut.
Ringkasan
Perencanaan strategis membutuhkan kerja tim. P / OM harus menjadi bagian dari
tim. Bab 3 membahas peran P / OM dalam membantu mengembangkan strategi
dan menerangi P / OM tugas untuk melaksanakannya. P / OM bertanggung jawab
untuk mencari dan mengadopsi "Praktik terbaik." Tahap siklus-hidup
dikembangkan. Ini termasuk pengantar dan pertumbuhan produk baru, diikuti
dengan kematangan dan kemerosotan mereka. P / OM adalah
diharapkan untuk melindungi produk yang sudah mapan. Tantangannya sulit
ketika pesaing memperkenalkan inovasi yang mengganggu. Pengakuan masalah
dan tindakan cepat untuk berurusan dengan gangguan diperlukan. Peramalan
sangat penting untuk pengelolaan tahapan siklus hidup yang tepat. Ekstrapolasi
dan korelasi adalah metode vital yang digunakan dengan analisis deret waktu.
Penting lainnya metode peramalan yang dibahas meliputi MA, WMA, analisis
regresi, koefisien korelasi, koefisien determinasi, beberapa perkiraan, dan
Metode Delphi. Juga, sarana untuk mengevaluasi metode peramalan yang
berbeda dengan membandingkan jenis kesalahan yang mereka hasilkan.