Kybernetes

Sebuah model konseptual untuk otomatisasi produk harga dinamis dan

promosi penjualan untuk sebuah organisasi ritel
Anup Kumar
informasi artikel:
Untuk mengutip dokumen ini:
Anup Kumar, (2016), "Sebuah model konseptual untuk otomatisasi harga dinamis produk dan
promosi penjualan untuk sebuah organisasi ritel", Kybernetes, Vol. 45 Iss 3 pp 490 -. 507
Permanen link untuk dokumen ini:
http://dx.doi.org/10.1108/K-03-2015-0075
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Download di: 7 April 2016, Pada: 01:46 (PT)

Referensi: dokumen ini berisi referensi ke 62 dokumen lainnya. Untuk
menyalin dokumen ini:permissions@emeraldinsight.com
The fulltext dokumen ini telah didownload 66 kali sejak 2016 *
Pengguna yang didownload artikel ini juga men-download:
(2016), "Perbandingan ANFIS dan FAHP-FGP metode untuk pemilihan supplier", Kybernetes, Vol. 45
Iss 3 pp. 474-489http://dx.doi.org/10.1108/K-09-2014-0195
(2016), "Sebuah pendekatan untuk evaluasi rencana darurat untuk kejadian darurat
konvensional berdasarkan lembut set kasar kabur", Kybernetes, Vol. 45 Iss 3 pp. 461-
473http://dx.doi.org/10.1108/ K-03-2014-0055
(2016), "model ekuilibrium jaringan rantai pasokan loop tertutup dan metode Newton-nya",
Kybernetes, Vol. 45 Iss 3 pp. 393-410http://dx.doi.org/10.1108/K-08-2013-0179

Akses ke dokumen ini diberikan melalui berlangganan Emerald disediakan oleh SRM zamrud:
232.579 []
untuk Penulis
Jika Anda ingin menulis untuk ini, atau publikasi lainnya Emerald, maka silakan gunakan Emerald
kami untuk informasi Penulis layanan tentang bagaimana memilih yang publikasi untuk menulis
untuk dan panduan pengajuan yang tersedia untuk semua. kunjungan
silakanwww.emeraldinsight.com/authors untuk informasi lebih lanjut.
Tentang Emerald www.emeraldinsight.com
Emerald adalah penerbit global yang menghubungkan penelitian dan praktek untuk kepentingan
masyarakat. Perusahaan ini mengelola portofolio lebih dari 290 jurnal dan lebih 2.350 buku dan
volume seri buku, serta menyediakan berbagai pilihan produk secara online dan sumber daya
tambahan pelanggan dan layanan.
 Emerald adalah baik COUNTER 4 dan TRANSFER compliant. Organisasi merupakan mitra dari Komite Pu

* Konten terkait dan men-download informasi yang benar pada waktu download.
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)
 Isu dan teks penuh saat arsip jurnal ini tersedia di Emerald Insight di:
www.emeraldinsight.com/0368-492X.htm

K
45,
3
Sebuah model konseptual
untuk otomatisasi produk harga
dinamis dan promosi penjualan
490 untuk sebuah organisasi ritel
Anup Kumar
Departemen Operasi dan Analytics, Institut
Teknologi Manajemen, Ghaziabad, India
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Abstrak
Tujuan - Tujuan dari makalah ini adalah untuk menangkap variasi dinamis dalam penjualan produk
berdasarkan estimasi dinamis dari data time series dan mengusulkan model yang meniru discounting
harga dan strategi promosi untuk kategori produk dalam organisasi ritel. Sebuah upaya sederhana
telah dibuat dalam penelitian ini untuk menangkap hubungan antara promosi penjualan, diskon harga
dan strategi pengadaan batch kategori produk tertentu untuk memaksimalkan volume penjualan dan
profitabilitas.
Desain / metodologi / pendekatan - Data time series yang berkaitan dengan penjualan telah
digunakan untuk model perkiraan penjualan menggunakan bergerak kontrol rata-rata dan
proporsional dan derivatif; setelah perkiraan penjualan yang dihasilkan untuk memperkirakan
penjualan kategori produk tertentu. Ini memberikan masukan yang berharga untuk mengambil
keputusan sizing banyak mengenai pengadaan produk yang jauh berdampak pada promosi penjualan
dan keputusan harga cerdas. Sebuah kerangka konseptual dikembangkan untuk pemodelan strategi
pemotongan harga harga dinamis dalam ritel menggunakan fuzzy logic.
Temuan - Model menangkap efek lag promosi penjualan dan strategi discounting harga; strategi lain
telah dirumuskan berdasarkan perkiraan penjualan yang dilakukan untuk mengambil banyak yang
sizing keputusan mengenai pengadaan produk dalam kategori yang dipilih. Hal ini telah membantu
meminimalkan biaya persediaan dengan demikian menjaga profitabilitas organisasi ritel utuh.
keterbatasan penelitian / implikasi - Tidak ada data empiris yang tepat untuk memverifikasi model.
Mengingat pendekatan penelitian (pemodelan berdasarkan waktu sejarah series data kategori produk
tertentu) yang dilakukan, ada kemungkinan bahwa hasil penelitian mungkin berlaku untuk kategori
produk yang dipilih. Oleh karena itu, para peneliti disarankan untuk menguji proposisi yang diajukan
lebih lanjut untuk kategori produk lainnya.
Orisinalitas / nilai - Hasil penelitian ini memberikan pemahaman yang berharga tentang bagaimana
menggunakan data penjualan real-time untuk merancang dinamis model yang otomatis untuk
promosi penjualan produk dan harga diskonto strategi menggunakan fuzzy logic untuk organisasi
ritel.
Kata kunci Kausalitas, Modeling, Automation, Cerdas agen, logika Fuzzy
Jenis kertas kertas Penelitian

Kybernetes
Vol. 45 No 3, 2016
pp. 490-507
© Emerald Grup Penerbitan
Terbatas 0368-492X
DOI 10,1108 / K-03-2015-0075
1. pengantar
dunia sedang menghadapi tantangan kelestarian lingkungan dari rantai pasokan.
manajemen rantai suplai ritel memainkan peran kunci untuk mengurangi jejak karbon
dari jaringan pasokan. ritel online memberikan perspektif yang lebih luas untuk
menurunkan emisi CO2. Para peneliti secara luas menciptakan ruang bagi ritel online
di mana rantai pasokan kelebihan bisa dimaksimalkan (Carrillo et al, 2014;. Van Loon
et al, 2015.). Organisasi mencari beberapa pilihan channel untuk mendapatkan saham
maksimum permintaan. Sementara mempertimbangkan perilaku pelanggan saat ini
sangat penting bagi para pemain dari rantai pasokan untuk menyeimbangkan jaringan
dalam hal pilihan ritel online dan offline (Melis et al, 2015;. Zhou dan Duan, 2015).
Prevalensi dan sifat harga promosi (yaitu kesepakatan
 jenis dan kedalaman diskon) di Amerika Serikat dan Inggris telah mengambil isu
utama yang berkelanjutan untuk organisasi ritel. (Bogomolova et al., 2015) telah Produk
menganalisis aspek-aspek penting dari strategi promosi penjualan dan diskon harga di harga dinamis
Inggris dan Amerika Serikat. Analisis ini terdiri dari 23 kategori di lima rantai ritel. dan promosi
Salah satu temuan utama adalah bahwa beberapa unit promosi - jenis kesepakatan penjualan
yang telah kurang diteliti - account untuk sekitar setengah dari semua kegiatan
promosi harga. Analisis juga mengidentifikasi peningkatan prevalensi promosi harga
sejak Krisis Keuangan Global, terutama didorong oleh promosi merek nasional. 491
Menjaga pandangan dari aspek-aspek penting dari organisasi ritel, penelitian ini
memfokuskan pada otomatisasi promosi penjualan dan strategi harga diskonto untuk
organisasi ritel.
Peningkatan kesadaran konsumen di dunia saat ini memaksa industri ritel untuk
berpikir tentang daya saing dalam hal kualitas, ketersediaan, dan harga (Afshari dan
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Benam, 2011; Das, 2014). harga dinamis adalah alat utama untuk baik online dan
toko pengecer untuk tidak hanya meningkatkan fleksibilitas dalam harga tetapi juga
tetap kompetitif (Levy et al., 2004). harga dinamis telah menjadi strategi harga besar
di beberapa industri seperti perhotelan, perjalanan, hiburan, energi, listrik dan eceran.
Pesaing pricing (Greenleaf, 1995), pasokan dan permintaan (Gustafsson et al., 2000),
sensitivitas harga (Gijsbrechts, 1993) dan faktor eksternal lainnya adalah variabel
utama yang mempengaruhi promosi produk dinamis dan strategi harga diskonto.
harga dinamis, karena menganggap tingkat persediaan,
data penjualan historis memainkan peran penting dalam peramalan penjualan masa
depan dan akibatnya mengembangkan kerangka kerja untuk strategi harga
(Cunningham dan Kerber, 2000). Mengembangkan perkiraan untuk kategori produk
tertentu penjualan merupakan perhatian utama bagi organisasi ritel (Schroeder et al.,
2010). Musiman dan analisis time series memainkan peran penting dalam penjualan
peramalan (Štěpnička et al., 2013). Ada sejumlah model keputusan dan alat yang
tersedia untuk menghasilkan penjualan ramalan seperti jaringan saraf, logika fuzzy
dan alat ekonometrik (Guo et al, 2013;. Hanssens dan Parsons, 1993; Kuo, 2001; Lal,
1990; Choi et al. 2014; Du et al, 2015;. Tanaka, 2010), yang dapat digunakan untuk
menghasilkan perkiraan penjualan. Tujuan kertas untuk mengembangkan harga
dinamis dan diskon Model, maka dalam lingkungan yang dinamis, adalah tepat untuk
penggunaan dinamis bergerak perkiraan rata-rata menggunakan teori kontrol disajikan
dalam Kumar et al. (2013a).
Pricing penelitian berperan penting dalam sistem harga cerdas (Rao, 1984;
Gijsbrechts, 1993), membantu untuk mengembangkan model harga mendiskonto
dinamis. sensitivitas harga terhadap produk, harga pasar produk dan perkiraan
penjualan adalah variabel utama yang menentukan pricing strategi dan sistem (Esary
et al., 2008). Batch kebijakan persediaan pemesanan dan pilihan yang tepat penataan
titik juga memainkan peran penting dalam penetapan harga dinamis dan diskon
(Elmaghraby dan Keskinocak, 2003). Titik data penjualan dan persediaan kebijakan
pengisian terus menerus dapat digunakan untuk mengotomatisasi harga dinamis
(Freeny Jr, 2000). harga referensi penting untuk meningkatkan profitabilitas dalam
harga dinamis dan sistem diskonto (Greenleaf, 1995), pengaruh manajemen kategori
dan merek dengan merek pendekatan untuk memutuskan harga dipelajari, untuk
meningkatkan pendapatan (Hall et al, 2010;. Mulhern dan Leone, 1991). ekspektasi
rasional dan teori pergerakan harga mempengaruhi sistem harga dinamis dan sistem
diskonto (Muth, 1961).
Driver utama untuk harga pengecer yang harga, volume pesaing penjualan atau
lalu lintas, harga produsen dan elastisitas harga produk (Nijs et al., 2007). Harga
intelijen memainkan peran penting untuk menemukan harga dinamis suatu produk
(Yeh, 2008).
 K Atas dasar pertimbangan menyatakan dan variabel, harga dinamis dan sistem diskonto
45, dikembangkan (Srinivasan dan Shamos, 2001).
3 Promosi penjualan adalah kunci untuk maksimalisasi keuntungan untuk sebuah
organisasi ritel. Kebutuhan model promosi penjualan yang dinamis dan signifikansi
mereka di berbagai sektor disorot oleh Blattberg dan Neslin (1993) dan Bemmaor dan
Mouchoux (1991). Efek jangka pendek dari promosi di dalam toko dan iklan ritel
pada penjualan merek dipelajari (Berck et al., 2008) untuk memaksimalkan volume
492 penjualan (Blattberg dan Neslin, 1993). kondisi ekonomi baru telah menyebabkan
inovasi dalam industri ritel, seperti lebih dinamis ritel pendekatan berdasarkan strategi
yang fleksibel. “Efek kesepakatan analisis kurva dan time series linier Model tidak
menyediakan kapasitas ekspresif yang cukup, dan model promosi nonlinear lebih
akurat mengikuti pola penjualan aktual yang diperoleh dalam menanggapi promosi
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

penjualan dilaksanakan.
inventory control dan lot sizing strategi dapat memainkan peran penting dalam
diskon dan pricing dari produk (Subrahmanyan dan Shoemaker, 1996;. Woo et al,
2005). manajemen persediaan sangat penting bagi perusahaan untuk menjadi biaya
yang kompetitif dan memperoleh keuntungan yang layak di pasar, tapi bagaimana
untuk mencapai manajemen persediaan yang luar biasa telah menjadi topik yang
populer baik di bidang akademik maupun dalam praktek nyata selama beberapa
dekade. Sebagai lingkungan produksi semakin semakin kompleks, berbagai macam
model matematika sedang dikembangkan, seperti pemrograman linear, pemrograman
nonlinier, mixed integer programming (MIP), pemrograman geometris, pemrograman
nonlinier berbasis gradien-dan pemrograman dinamis, untuk beberapa nama. Namun,
ketika masalah menjadi sangat kompleks, alat heuristik mungkin diperlukan untuk
memecahkan masalah. Untuk mengatasi lot sizing masalah dengan beberapa
pemasok, beberapa periode dan diskon kuantitas model MIP pertama dibangun.
Setelah itu algoritma genetika efisien diusulkan untuk mengatasi masalah itu bila
telah cukup rumit, untuk meminimalkan total biaya, biaya termasuk biaya pemesanan,
biaya penyimpanan, biaya pembelian dan biaya transportasi, di bawah persyaratan
bahwa ada kekurangan persediaan terjadi dalam sistem, dan untuk menentukan
tingkat persediaan yang tepat untuk setiap periode perencanaan (Lee et al, 2013;.
Dulaney dan Waller, 2002).
Beberapa peneliti telah difokuskan pada bagaimana menggunakan data penjualan
untuk memutuskan ruang ritel, strategi harga dan banyak sizing melalui model
terintegrasi. Lohse dan Spiller (1999) mempelajari bagaimana user interface pengaruh
lalu lintas dan penjualan suatu produk. Freeny Jr (2000) telah mengembangkan
“otomatis sinkron harga produk dan iklan sistem” dan menunjukkan bagaimana untuk
mengintegrasikan model (Cragun et al., 1998). Variabel sistem marjin harga
dikembangkan oleh Hartman dan Lewandowski (1998) yang mengarah pada
pengembangan sistem harga dinamis. Sebuah sistem manajemen harga diusulkan
untuk harga dinamis (Esary et al, 2008;.. Cragun et al, 1998; Marshall, 1993).
pemodelan dinamis dan kontrol informasi dapat digunakan untuk mengintegrasikan
model dan dalam manajemen rantai pasokan dalam organisasi ritel (Perkowski, 1999;
Sarimveis et al, 2008;. Sivakumar dan Weigand, 1997).
Logika fuzzy menjadi alat yang banyak diterima dalam pengambilan keputusan
dalam lingkungan fuzzy multi-dimensi, telah digunakan untuk menegaskan apa yang
akan di- admissibly jelas dalam logika klasik (Zadeh, 1974, 1975). Penjualan sistem
meramalkan telah dikembangkan menggunakan logika fuzzy untuk perencanaan yang
lebih baik dan kontrol (Kuo, 2001; Kuo dan Xue, 1998; Lin dan Hong, 2008).
 Dari tinjauan literatur di atas, jelas bahwa meskipun banyak penelitian telah
dilakukan untuk merancang model untuk promosi penjualan dan harga yang dinamis Produk
dan diskon strategi untuk organisasi ritel, namun ada masih ada kesenjangan dalam harga dinamis
literatur sebagai studi yang berkaitan dengan integrasi data penjualan dengan dan promosi
keputusan banyak persediaan sizing yang dapat membantu dalam otomatisasi harga penjualan
mendiskon perumusan strategi dalam lingkungan yang dinamis kabur masih tidak
cukup. Hal ini juga tampak bahwa ada beberapa link yang hilang sebagai aspek
penting seperti bagaimana untuk menangkap sensitivitas harga produk dalam 493
lingkungan harga dinamis dan bagaimana menangkap kausalitas juga belum cukup
dieksplorasi.
Mengingat kesenjangan dinyatakan atas-, upaya sederhana telah dibuat dalam studi
untuk mencapai tujuan yang disebutkan di bawah yang dapat membantu dalam
mengisi kesenjangan:
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

(1) untuk mengembangkan kerangka kerja untuk model yang diusulkan yang
berkaitan dengan promosi penjualan yang dinamis dan harga yang dinamis
kabur mendiskon strategi (DPDS) dalam organisasi ritel; dan
(2) untuk mengembangkan model terintegrasi untuk harga dinamis dan banyak
ukuran dari produk dalam organisasi ritel.
Mengingat tujuan penelitian, tujuan penelitian untuk mengembangkan model yang
strategi promosi terintegrasi penjualan, harga mendiskonto strategi dan lot sizing
strategi, dan dari literatur review variabel telah diukir dampak strategi ini. data
penjualan historis, sensitivitas harga, kecerdasan harga dan persediaan dan banyak
sizing bergabung membentuk sistem harga dan harga dinamis mendiskon Model
(DPDM) yang dibahas di bagian mendatang. Bagian 2 berisi deskripsi singkat dari
kerangka yang diusulkan dan hadiah model pengendalian persediaan yang telah
digunakan untuk menghasilkan perkiraan penjualan dan ukuran lot. Bagian 3 berisi
penerapan logika fuzzy dalam merumuskan strategi pemotongan harga yang berbeda.
Bagian 4 berisi hasil dan diskusi.

2. Kerangka model yang diusulkan

Kerangka konseptual model yang diusulkan ditunjukkan pada Gambar 1, yang terdiri
dari lima entitas yang diinput ke harga dinamis dan diskon perumusan strategi.
Kerangka disajikan memiliki lima input dan satu output sebagai diskon dinamis.
Proses dinamis untuk memutuskan tentang diskon dapat dipahami dengan mengikuti
langkah-langkah.
Langkah 1: menghasilkan perkiraan penjualan menggunakan data penjualan
historis untuk perhitungan laju perubahan perkiraan penjualan.

inventory Control
Prakiraan penjualan

Lot Sizing Keputusan

Sistem Intelijen Harga

Dinamis Promosi Penjualan dan Harga Strategi

dinamis Diskon
Gambar
Harga Sensitivitas Data Base 1. Kerangka
model yang
diusulkan
 K Langkah 2: menggunakan mekanisme kontrol persediaan yang tepat, posisi persediaan
45, saat ini bisa dihitung dengan demikian menggunakan ukuran data penjualan
3 diperkirakan banyak dapat diperkirakan.
Langkah 3: dari harga sistem intelijen harga pesaing saat ini atau harga pasar dapat
dihasilkan.
Langkah 4: menggunakan ukuran lot, harga pasar dan elastisitas harga promosi
kategori produk penjualan dan strategi pricing dapat dirumuskan dan, pada gilirannya,
494 diskon dinamis dapat memutuskan menggunakan perusahaan strategi bersaing.
kerangka yang diusulkan merupakan integrasi dari beberapa model yang diusulkan
(Cragun et al, 1998;.. Esary et al, 2008; Perkowski, 1999; Schroeder et al, 2010.).
Fitur unik dari model yang terintegrasi yang diusulkan adalah pengambilan keputusan
berbasis aturan fuzzy yang belum dipertimbangkan oleh model-model sebelumnya.
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Model ini juga telah mempertimbangkan bagaimana menggunakan analisis real-time

untuk merumuskan DPDM; analisis real-time online untuk pelacakan harga yang
termasuk dalam model ini.
Entitas dijelaskan satu per satu dalam Bagian 2,1-2,4.

2.1 penjualan meramalkan

Peningkatan persaingan telah memaksa pengecer untuk meminimalkan biaya sehingga
dapat meningkatkan margin keuntungan mereka. Selain itu, perilaku konsumen
berfluktuasi telah mempengaruhi permintaan produk. Faktor di atas telah membuat
imperatif bagi pengecer untuk resor untuk meramalkan penjualan akurat sehingga
dapat memaksimalkan keuntungan mereka dan meminimalkan biaya. perkiraan
penjualan yang akurat dapat membantu pengecer untuk secara efisien merancang
produk sesuai dengan kebutuhan pelanggan, tepat waktu membuat mereka tersedia di
pasar dan meningkatkan pendapatan penjualan dan kepuasan pelanggan. Dalam era
globalisasi dan kompetisi cut-tenggorokan, peramalan penjualan memegang kunci
bagi keberhasilan suatu organisasi.
Peramalan penjualan adalah teknik yang membantu dalam prediksi penjualan di
masa depan berdasarkan data historis masa lalu. Pada tahun 1950, eksponensial
smoothing dan dekomposisi metode digunakan untuk perkiraan penjualan tetapi
dengan penemuan komputer di tahun 1960-an, metode canggih peramalan penjualan
seperti model ARIMA mulai membiasakan. Kemudian, metode ekonometrik dan
metode Bayesian yang jauh lebih maju dan dinamis yang digunakan untuk peramalan
penjualan. Algoritma komputasi cerdas atau lembut yang dikombinasikan teori kabur
dengan jaringan saraf dan dapat melakukan berbagai aplikasi dalam berbagai bidang
studi lebih disukai daripada metode tradisional.
Dinamis perkiraan penjualan meletakkan dasar untuk promosi produk dinamis dan
harga diskonto strategi. Banyak penelitian dilakukan untuk perkiraan penjualan yang
meliputi metode neural network, metode pedagang pakaian bulu, metode vector auto
regresi dan metode keputusan multi-kriteria lainnya (Guo et al, 2013;. Tanaka, 2010).
Rata-rata bergerak dengan metode kontrol proporsional dan derivatif (Kumar et al.,
2013b) peramalan dinamis yang memungkinkan pengendalian persediaan yang lebih
baik telah digunakan dalam penelitian ini.
data penjualan historis (192 titik data) dari kategori produk tunggal (ponsel dan
tablet) dalam organisasi ritel dipertimbangkan untuk penelitian. Sebuah perkiraan
penjualan yang dihasilkan dengan menggunakan metode rata-rata bergerak. Setelah
peramalan, kontrol proporsional dan derivatif (Kumar et al., 2013a, b) digunakan
untuk meminimalkan kesalahan perkiraan yang menurun secara signifikan
menggunakan kontrol proporsional dan derivatif. Prosedur untuk menghasilkan
perkiraan penjualan dinamis dijelaskan pada Gambar 2, dan sampel Tabel I
disediakan untuk ilustrasi.
T gai salah satu dari tiga input (ukuran lot, sensitivitas harga, tingkat perubahan
i permintaan) untuk perumusan harga dinamis kabur mendiskonto strategi.
n
g
k
a
t

p
e
r
u
b
a
h
a
n

d
a
r
i

p
e
r
k
i
r
a
a
n

p
e
n
j
u
a
l
a
n

d
i
a
m
b
i
l

s
e
b
a
 2.2 inventory control dan banyak sizing keputusan
Pengendalian persediaan adalah salah satu daerah yang signifikan dari manajemen Produk
operasi, untuk tetap kompetitif dan meminimalkan biaya. Sangat penting bagi harga dinamis
pengecer untuk memiliki mekanisme pengendalian persediaan yang efisien dan dan promosi
responsif. pengendalian persediaan sebagai agenda penelitian telah mendapat banyak penjualan
literatur (Chen dan Ho, 2013; Maity dan Maiti, 2008; Roy et al, 2009.). Samal dan
Pratihar (2014) telah mengusulkan mekanisme untuk meminimalkan biaya persediaan
di lingkungan kabur. kebijakan persediaan yang optimal dan discounting telah 495
menarik banyak peneliti, misalnya, Bera et al. (2012), Monica Lam dan Wong (1996),
Roy et al. (2009) dan Taleizadeh et al. (2015).
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Dinamis Proporsional dan Pengendalian Derivatif Gambar

Sejarah Data Penjualan
Moving Average Prakiraan Dinamis Penjualan Forecast 2. Prosedur
untuk
menghasilkan
dinamis
perkiraan penjualan

kesalahan Mutlak
Prakiraan
Jumlah Ramalan Prakiraan dengan (sebanding perkiraan
cuaca kesalahan
aktual menggun Ramalan proporsional dan dan (sebanding Mutlak
akan cuaca
unit bergerak kesalahan kontrol derivatif turunan dan derivatif perkiraan
kesalahan
Waktu Terjual rata-rata (Bergerak derivatif dengan α ¼ 0,99 kontrol) kontrol) (Bergerak
rata-rata.) rata-rata.)
2010 Jan 1.608 1,865.0019 (257) (468) 1,612.40 (4.68) 4,684695333 257.2859
2010 1.652 1,841.95077 (190) 44 1,651.62 0.44 0,443470667 189.8877
Februari
2010 Mar 2.071 1,629.88953 441 419 2,066.87 4.19 4,189964667 441,17
2010 Apr 1658 1,861.5613 (204) (413) 1,661.86 (4.13) 4.133302 203.8319667
2010 Mei 1670 1,864.39443 (195) 12 1,669.52 0,12 0,119075333 194.7575667
2010 Juni 2088 1,663.6831 424 419 2,083.98 4.19 4.185272 424.4809667
2010 Juli 1.680 1,878.90047 (199) (408) 1,684.39 (4.08) 4.078476 198,584
2010 1.680 1,884.24027 (204) 0 1,680.38 0.00 0,000642667 203.8595333
Agustus
2010 2.097 1,680.3486 416 416 2,092.36 4.16 4,161393333 416.1714667
September
2010 1.694 1,888.4504 (194) (402) 1,698.50 (4.02) 4,020420667 193.9724
Oktober
2010 Nov 1.707 1,895.49903 (189) 12 1,706.59 0,12 0,122371333 188.7839
2010 2.107 1,700.59657 407 401 2,103.47 4.01 4,0076 406.8785667
Desember
2011 Jan 1737 1,907.09513 (170) (370) 1,740.90 (3.70) 3,702818667 169.9018667
2011 1734 1,922.3342 (188) (3) 1,734.28 (0.03) 0,029388667 188.0798
Februari
2011 Mar 2156 1,735.72383 421 422 2,152.19 4.22 4,22161 420.6915667
2011 April 1.757 1,945.3349 (188) (399) 1,761.16 (3.99) 3.992494 188.1689
2011 Mei 1730 1,956.7907 (227) (27) 1,730.03 (0.27) 0,274081333 227.0328333
2011 Juni 2.168 1,743.46193 424 438 2,163.54 4.38 4,381645333 424.4604667
2011 Juli 1.750 1,948.84013 (199) (418) 1,754.13 (4.18) 4.179698 198.8875333
2011 1748 1,958.9375 (211) (2) 1,748.36 (0.02) 0,016099333 210.5948333
Agustus
2011 2208 1,749.14763 459 460 2,203.44 4.60 4,596954667 458.8905
September
2011 1.783 1,978.1904 (196) (425) 1,786.92 (4.25) 4,253714667 195.5237333
Oktober Nilai-nilai yang ditunjukkan dalam kurung
Catatan: menggunakan
adalah negatif kontrol PD
 K inventory control modul dari DPDS diusulkan menyediakan informasi untuk
45, menentukan ukuran lot ekonomi mengenai pengadaan kategori produk yang
3 memainkan peran penting dalam mengembangkan DPDM diusulkan.
Model pengendalian persediaan dinamis dasar yang menyediakan tingkat dinamis
perubahan perkiraan permintaan di lokasi ritel (j) ditunjukkan pada Gambar 3.
Sebuah model matematika untuk satu item telah dikembangkan untuk lokasi ritel
(j) untuk menjelaskan model pengendalian persediaan di atas.
496 Notasi yang digunakan dalam model di lokasi ritel (j) untuk pemasok (i) dan pelanggan
(K) adalah Sj (t) persediaan di lokasi ritel (j) pada waktu t; Qij (t) agar masuk di
lokasi ritel (j) pada waktu t; Qjk (t) penjualan aktual di lokasi ritel (j) pada waktu t;
Oji (t) ukuran lot-order di lokasi ritel (j) pada waktu t; OKJ (t) adalah sama dengan
Qjk (t-1) (penjualan aktual pada waktu (t-1)); hj (t) faktor keputusan ukuran lot pada
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

waktu t (fungsi transfer untuk keputusan ukuran lot); l adalah lead time untuk kategori
produk.
Persamaan keseimbangan di lokasi ritel j adalah sebagai berikut:
sjðtÞ ¼ sjðt-1ÞþQijðt-1th-QjkðtÞ (1)

Σ
OjiðtÞ ¼ hjðtÞ ~ HAIkjðtÞ-sjðtÞΣ (2)

8
> 0 ojðt-1Þp0 Ojðt-
QjkðtÞ ¼ < 1th 0 pojðt-1ÞpSjðt-1th (3)
>:
sjðt-1th 0 PSJðt-1Þpojðt-1th

OjiðtÞ ¼ hjðtÞ ~ ΣOKJðtÞ-sjðt-1th-Qijðt-lÞþ QjkðtÞΣ (4)

OKJðtÞ¼ Penjualan f orecast pada waktu tðperintah pada waktu tÞ

.
¼ Qjkðt-1Þþa QjkðtÞ-Qjkðt-1Þ (5)
Nilai α tergantung pada jenis produk Σ dan strategi pemasaran yang digunakan, itu
bervariasi antara 0 dan 1. Berikut nilai α dihitung dengan simulasi yang sama dengan
0,99 karena perkiraan tergantung pada penjualan baru-baru ini dan kesalahan
perkiraan kurang.

Qaku j(T) Qjk(T)

Sj(T)

Gambar 3.
inventory control
dinamis dasar HAIJi(T) HAIkj(T)
model hj(T)
 Ukuran lot diputuskan oleh mekanisme peramalan dan pengendalian persediaan yang
diusulkan yang membantu merumuskan diskon kuantitas jadwal. Produk
Telah diasumsikan bahwa harga dan ukuran banyak negotiable dalam sebagian harga dinamis
besar kasus. Kuantitas diskon jadwal yang diatur oleh ukuran banyak telah digunakan dan promosi
untuk waktu yang lama di banyak negara. Model yang diusulkan memanfaatkan penjualan
diskon kuantitas jadwal sebagai masukan, yang disajikan pada Tabel II untuk
merumuskan DPDS. Sebuah jumlah rinci diskon function (QDF) untuk memutuskan
ukuran lot dibahas oleh Schotanus et al. (2009). Konsep QDF membantu merumuskan 497
fungsi keanggotaan fuzzy ukuran lot variabel.

2.3 sistem intelijen Harga

dunia sekarang terhubung dan data yang besar yang tersedia di internet dan berbagai
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

sumber media, tampaknya seperti bergerak dunia pada kecepatan yang lebih cepat.
Organisasi berusaha untuk bereaksi dengan terhubung secara global dan perubahan
lingkungan; alat yang dikembangkan untuk memproses data besar untuk pengambilan
keputusan. ritel online adalah masa depan organisasi ritel seperti yang diperkirakan
oleh banyak penulis. Oleh karena itu, keadaan infrastruktur seni diperlukan untuk
menangani data real-time secara online sehingga menciptakan sistem harga intelijen
untuk melacak harga pasar dan harga pesaing dari produk. harga pasar dan harga
pesaing digunakan untuk merumuskan strategi pemotongan harga dalam penelitian
ini.
Harga blok intelijen dalam kerangka yang diusulkan memberikan masukan
mengenai harga pesaing dari produk. harga pesaing adalah salah satu variabel
keputusan besar dalam merumuskan DPDS yang bisa digali dari intelijen harga.
pengecer online menggunakan business analytics untuk menemukan harga pesaing.
Mekanisme perlu dikembangkan untuk pengecer secara offline juga untuk membantu
mereka melacak harga pesaing. Dalam studi ini, harga pesaing dari kategori produk
diambil dari database pengecer.
harga pasar diasumsikan sebagai harga acuan untuk kategori produk. Harga pasar
dari suatu produk adalah variabel utama untuk pricing strategi. Harga sistem intelijen
konseptual menyediakan harga pasar saat ini dari kategori produk melalui real-time
streaming analisis data. Real-time analisis data adalah konsep di mana satu dapat
menggunakan Process Analytic Online untuk mengetahui harga dan harga saat ini
tren kategori produk.

2.4 Harga Database sensitivitas

Dalam rangka mengembangkan DPDM, sensitivitas harga atau elastisitas kategori
produk sangat penting. Harga satu kategori produk mungkin sensitif terhadap begitu
banyak variabel; database sensitivitas harga yang diperlukan untuk mengembangkan
untuk mengetahui hubungan antara harga dan variabel lain seperti penjualan dalam
penelitian ini.
sensitivitas harga telah dihitung dengan menggunakan data penjualan historis
menggunakan korelasi. Sebuah model sensitivitas harga (PSM) membantu dalam
matematis menganalisis efek dari

Banyak ukuran Diskon (%)

200-300 10
300-400 15 Tabel II.
400-600 20 diskon kuantitas
600 dan di atas 20 susunan acara
 K perubahan harga produk pada permintaan pembeli untuk produk tersebut. Ini
45, membantu juga untuk memprediksi sensitivitas harga pembeli untuk produk (s).
3 Model ini memegang banyak signifikansi sebagai perhitungan sensitivitas harga
yang dilakukan melalui model ini digunakan dalam model harga yang dinamis untuk
memprediksi perubahan penjualan produk dengan harga yang berbeda saat
menentukan harga produk yang memaksimalkan keuntungan.
Dengan kata lain, PSM menganalisa bagaimana perubahan dalam harga telah
498 mempengaruhi penjualan produk (s) di masa lalu dan menggunakan hasil ini untuk
memprediksi efek pada penyesuaian harga di masa depan.
Selain di atas, DPDM diusulkan membantu untuk menentukan fungsi sensitivitas
harga yang terpisah dari setiap produk atau kategori segmen. Untuk tujuan peramalan
menggunakan metode statistik seperti regresi linier atau analisis regresi nonlinear
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

dengan menggunakan kurva-pas berdasarkan eksponensial, listrik, logaritmik,

Gompertz, fungsi logistik atau parabola dan juga menggunakan berbagai averaging,
menghaluskan dan teknik dekomposisi untuk lebih meningkatkan akurasi perkiraan.

3. Dinamis harga kabur discounting strategi-metodologi yang diusulkan

fuzzy set digunakan untuk memetakan strategi discounting harga dengan tiga input
kabur: sensitivitas harga, tingkat perubahan perkiraan permintaan dan ukuran lot.
Output himpunan fuzzy terdiri dari harga yang dinamis mendiskon variabel linguistik
seperti penjualan mega menawarkan, bumper penjualan menawarkan, penjualan big-
bang menawarkan dan penjualan normal menawarkan.

masukan kabur setOutput kabur set

1. sensitivitas harga: {0,1} promosi produk
8> dinamis dan harga
2. Tingkat perubahan Besar-letusan-Penjualan-
perkiraan permintaan: {} 9> Menawarkan
-10,10 Mega-Penjualan-Menawarkan =
3. ukuran lot: {Q, Q} Strategi: <
14
> Bumper-Penjualan-Menawarkan
>;
>
Normal-Penjualan-Menawarkan
:
Kisaran diskon akan dihitung berdasarkan harga dan pembelian biaya pesaing dari
produk. Kisaran mendiskontokan akan:
harga pesaing - (biaya pembelian + diharapkan persediaan holding cost).

3.1 fuzzification
fungsi keanggotaan. Tiga masukan kabur variabel telah diusulkan untuk promosi
penjualan yang dinamis dan harga mekanisme diskon dan mereka telah dipetakan
untuk promosi produk dinamis dan penetapan harga strategi seperti yang ditunjukkan
di atas. Pemetaan variabel-variabel ini untuk pengambilan keputusan fuzzy dalam
format yang ditetapkan benar dikenal sebagai fuzzification dan untuk ini, keanggotaan
yang tepat untuk setiap variabel yang dipilih berdasarkan data historis. fungsi
keanggotaan untuk variabel input dan output yang telah ditetapkan di bawah ini
menggunakan data historis.
Variabel Output linguistik didefinisikan sebagai:
(1) big-bang-penjualan-tawaran D ⩾ 40;
(2) mega-penjualan-tawaran 30 ⩽ Do40;
 (3) bumper-penjualan-tawaran 20 ⩽ Do30; dan
(4) yang normal penjualan-tawaran-10 ⩽ Do20.
Produk
harga dinamis
“D” menunjukkan persentase diskon. dan promosi
Oleh karena itu, satu set universal “S” didefinisikan untuk nilai-nilai diskon mana
“S” adalah fungsi kontinu mulai dari 0 sampai 50, “D” adalah bagian dari “S.” Fungsi
penjualan
keanggotaan variabel output (diskon nilai) ditunjukkan pada Gambar 4.
Biarkan A̰denote himpunan fuzzy sensitivitas harga; Tingkat B̰denote perubahan 499
perkiraan permintaan; dan ukuran lot C̰denote.
Fungsi keanggotaan linguistik telah ditentukan oleh kesimpulan. fungsi
keanggotaan untuk variabel masukan linguistik (A):
(1) sensitivitas harga yang tinggi;
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

(2) sensitivitas harga menengah;

(3) sensitivitas harga rendah; dan
(4) sensitif terhadap perubahan harga.
Fungsi keanggotaan sensitivitas harga yang ditunjukkan pada Gambar 5.
fungsi keanggotaan untuk variabel masukan linguistik (B):
(1) tingkat tinggi perubahan (lebih besar dari 5 persen);

Plot poin:
plot fungsi keanggotaan 181

mf1 MF2 mf3 MF4

1

0,5

Gambar
0 4. Keanggotaan
05101520 25 30354045 50
fungsi nilai-nilai
mendiskon
variabel output “output1”

Plot poin:
Keanggotaan plot fungsi 181

mf1 mf2mf3
MF4 1

0,5

Gambar
0 5. Keanggotaan
00.10.20.30.40.50.60.70.80.9
1
fungsi sensitivitas
harga
variabel masukan “Harga sensitivitas”
 K (2) tingkat menengah perubahan (antara 2 dan 5 persen);
45,
3 (3) tingkat rendah perubahan (antara 0 dan 2 persen); dan
(4) tingkat negatif (kurang dari 0 persen).
Fungsi keanggotaan tingkat perubahan dalam permintaan ditunjukkan pada Gambar 6.
fungsi keanggotaan untuk variabel masukan linguistik (C):
500 (1) tinggi-diskon ukuran lot (lebih besar dari Q1 dan kurang dari Q4);
(2) menengah-diskon ukuran lot (antara Q2 dan Q1); dan
(3) rendah diskon ukuran lot (antara Q3 dan Q2).
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Fungsi keanggotaan ukuran lot ditunjukkan pada Gambar 7.

Jadwal Q1, Q2 dan Q3 disediakan pada Tabel II. Tabel II mewakili nilai diskon
untuk berbagai tertentu ukuran produk banyak; Jadwal ini mungkin berbeda untuk
kategori produk yang berbeda dan strategi promosi perusahaan.
Tabel III hadiah yang berbeda mungkin aturan untuk pengambilan keputusan
fuzzy, aturan pembentukan adalah bagian utama dari memberikan masukan cerdas
untuk program untuk memilih output cocok untuk aturan yang diberikan dalam
lingkungan yang kabur.

Plot poin:
plot fungsi keanggotaan 181

mf1 MF2 mf3 MF4

1

0,5

Gambar 6. fungsi
keanggotaan dari
tingkat perubahan 0
permintaan -6-4-20 246
variabel masukan “Tingkat perkiraan permintaan”

Plot poin:
plot fungsi keanggotaan 181

mf1 MF2 mf3

1

0,5

Gambar 7. fungsi
keanggotaan dari 0
ukuran lot 0100200300 400500600
variabel masukan “ukuran Lot”
Atas dasar fungsi keanggotaan dan aturan rinci pada Tabel III, sistem antarmuka
kabur telah dirumuskan menggunakan MAT LAB seperti yang dijelaskan dalam Produk
Tabel IV-VI. Tabel IV memiliki input dan output fungsi variabel keanggotaan dan harga dinamis
nama linguistik nya. Tabel IV telah diubah pada Tabel V untuk pemahaman yang dan promosi
lebih baik dari input dan output variabel kabur. Tabel VI menyediakan output untuk penjualan
berbagai kombinasi input dalam aturan tertentu.
501

AntecedentsConsequent

Jika sensitivitas harga harga highApply dinamis dan discounting Jika sensitivitas
harga adalah mediumApply dinamis harga
dan pendiskontoan
Jika sensitivitas harga harga lowDynamic dan discounting mungkin tidak bekas Jika
perubahan harga insensitiveDo tidak menggunakan harga dinamis dan pendiskontoan
Jika perubahan permintaan ramalan (D) adalah highReduce diskon dan meningkatkan harga
produk Jika perubahan perkiraan permintaan (D) adalah Meningkatkan menengah diskon dan
mengurangi harga
Jika perubahan permintaan ramalan (D) adalah lowIncrease diskon dan mengurangi Tabel III.
harga Jika perubahan perkiraan Anteseden dan
permintaan (D) adalah Diskon negatif adalah tinggi dan harga rendah konsekuen kabur
Jika ukuran lot highDiscount adalah tinggi pembentukan
Jika ukuran lot mediumDiscount adalah moderat aturan
Jika ukuran lot lowDiscount adalah rendah

Ketik fungsi keanggotaan

variabel linguistik (Trapesium) dan rangeInput

(1) Harga tinggi sensitivityMF4 'MF4': 'trapmf', [0,6999 0,7667

1,033¼1.3] sensitivitas harga (A)
(2) harga menengah sensitivityMF3 'mf3': 'trapmf',
¼ [0,3667 0,4333
0,6799 0,7867]
(3) Harga rendah sensitivityMF2 'MF2': 'trapmf',
¼ [0,07834 0,2051
0,3401 0,3933]
(4) Sensitif terhadap harga changeMF1 'mf1': ¼ 'trapmf', [- 0,3 -,03333 0.01
0,09]
(1) tingkat tinggi perubahan MF4 ¼ 'MF4': 'trapmf', [4,9 5,1 6,4 9,596] Tingkat permintaan
(lebih besar dari 5%) ramalan (B)
(2) tingkat menengah perubahan MF3 ¼ 'mf3': 'trapmf', [1,1 1,9 3,8 5]
(antara 1 dan 5%)
(3) tingkat rendah perubahan MF2 ¼ 'MF2': 'trapmf', [- 0,45 -0,05 0,15
(antara 0-0,5 dan 1,5%) 1,35]
(4) tingkat negatif (kurang dari -0,5%) MF1 ¼ 'mf1': 'trapmf', [- 9,6 -6,4 -1 -0,6]
(1) -Diskon tinggi ukuran lot MF3 ¼ 'mf3': 'trapmf', [395 401 590 600] ukuran Lot (C)
(lebih besar dari Q1)
(2) Low-diskon ukuran lot (antara MF2 ¼ 'MF2': 'trapmf', [190 201 390 400]
Q3 dan Q2)
(3) Tidak ada ukuran diskon lot (kurang dari Q3) MF1 ¼ 'mf1': 'trapmf', [0 100 150 200]
Keluaran
(1) Big-bang-penjualan menawarkan D ⩾ 40MF4 ¼ 'MF4': Tingkat 'trapmf', [39,5 40,1 49 Tabel IV.
50] Diskon di
(2) Mega-penjualan menawarkan 30 ⩽ Do40 MF3 ¼ 'mf3': 'trapmf', [9, persentase (D)
[29 30.1 39 40] 1
(3) Bumper-penjualan menawarkan 20 ⩽ Do30 MF2 ¼ 'MF2': 9,9
'trapmf', [19 20.1 29 30] 19
(4) penjualan tawaran yang normal 10 ⩽ Do20 MF1 ¼ 'mf1': 'trapmf', 20]
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

variabel linguistik dan fungsi keanggotaan (MF)

 K
45, Ketik fungsi keanggotaan masukan Ketik fungsi keanggotaan output (trapesium) dan
(Trapesium) dan rangeInput jangkauan
3 Keluaran

MF4 ¼ 'MF4': 'trapmf', [0,6999 0,7667 1,033 Input 1 output MF1 ¼ 'mf1': 'trapmf', [9,1 9,9 19
20]
1.3] MF2 ¼ 'MF2': 'trapmf', [19 20.1 29 30]
MF3 ¼ 'mf3': 'trapmf', [0,3667 MF3 ¼ 'mf3': 'trapmf', [29 30.1 39 40]
502 0,4333 MF4 ¼ 'MF4': 'trapmf', [39,5 40,1 49 50]
0,6799 0,7867]
MF2 'MF2':
¼ 'trapmf', [0,07834
0,2051 0,3401 0,3933]
MF1 ¼ 'mf1': 'trapmf', [- 0,3 -,03333 0.01
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

0,09]
MF4 ¼ 'MF4': 'trapmf', [4.9 5.1 6.4 9,596] Masukan 2
MF3 ¼ 'mf3': 'trapmf', [1,1 1,9 3,8 5]
MF2 ¼ 'MF2': 'trapmf', [- 0,45 -0,05 0,15
Tabel V. 1,35]
Jenis dan berbagai MF1 ¼ 'mf1': 'trapmf', [- 9,6 -6,4 -1 -0,6]
fungsi input dan MF3 ¼ 'mf3': 'trapmf', [395 401 590 600] Masukan 3
keanggotaan output MF2 ¼ 'MF2': 'trapmf', [190 201 390 400]
(MF) MF1 ¼ 'mf1': 'trapmf', [0 100 150 200]

aturan
Mem Keluara
asukk n
an
serial no. SEBUAH B C D
1 1 1 1 1 (1): 1
2 1 1 1 1 (1): 1
3 1 2 1 1 (1): 1
4 1 3 1 1 (1): 1
5 1 4 1 1 (1): 1
6 1 4 1 1 (1): 1
7 1 4 1 1 (1): 1
8 2 1 4 1 (1): 1
9 3 1 4 1 (1): 1
10 4 1 4 1 (1): 1
11 2 2 2 1 (1): 1
12 3 2 4 1 (1): 1
13 4 2 4 1 (1): 1
14 4 3 1 1 (1): 1
15 4 4 1 1 (1): 1
Tabel VI. 16 4 1 4 1 (1): 1
aturan fuzzy 17 3 1 3 1 (1): 1

Model MAT LAB FIS ditunjukkan pada Gambar 8, dan aturan-aturan fuzzy
diformulasikan untuk DPDM ditunjukkan pada Gambar 9.

4. Hasil dan diskusi

Model menangkap yang diusulkan pengaruh laju perubahan permintaan, ukuran lot
dan sensitivitas harga pada promosi penjualan dan kabur strategi harga yang dinamis
untuk mengembangkan DPDM. Bagaimana menghitung tingkat perubahan
permintaan diperkirakan, banyak ukuran dan sensitivitas harga juga telah dibahas di
berbagai bagian. dinamis Fuzzy mendiskonto strategi telah dirumuskan berdasarkan
perkiraan penjualan, sensitivitas harga dan
 Produk
harga dinamis
dan promosi
penjualan

503
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Model
Gambar 8. FIS
disusun dengan
menggunakan
MAT LAB

Gambar 9.
Aturan fuzzy
DPDM
ukuran lot yang dilakukan untuk mengambil keputusan harga pendiskontoan
mengenai pengadaan kategori produk. Hal ini telah membantu meminimalkan biaya
persediaan dengan demikian menjaga profitabilitas organisasi ritel utuh.
Ketidakpastian dalam perkiraan penjualan, harga pesaing dan pengadaan
diminimalisir dalam model yang diusulkan oleh
 K menggunakan logika fuzzy. Model yang diusulkan mungkin berguna untuk
45, otomatisasi harga mendiskon strategi dari organisasi ritel, yang disebutkan dalam
3 tujuan kedua penelitian.
Mengingat pendekatan penelitian (pemodelan berdasarkan data time series historis
dari kategori produk tertentu) yang dilakukan pada kategori produk tertentu di lokasi
ritel, ada kemungkinan bahwa hasil penelitian mungkin hanya berlaku untuk kategori
produk yang terpilih. Oleh karena itu, para peneliti disarankan untuk menguji
504 proposisi yang diajukan lebih lanjut untuk kategori lain dari produk.
Studi ini memberikan pemahaman yang berharga tentang bagaimana menggunakan
real-data penjualan waktu untuk merumuskan dinamis promosi penjualan produk dan
harga diskonto strategi menggunakan fuzzy logic dalam organisasi ritel. Ia telah
membantu dalam merancang model yang diusulkan. Perpanjangan penelitian dapat
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

mencakup pengujian model yang diusulkan lebih kategori produk lainnya, relaksasi
dalam kendala dan penambahan variabel input lainnya. Selain itu, studi penelitian di
masa depan ke arah ini juga dapat mempertimbangkan menggabungkan buatan-neuro
fuzzy antarmuka untuk lebih meningkatkan kinerja model yang diusulkan.

Referensi
Afshari, H. dan Benam, FH (2011), “logistik 14-ritel”, di Kardar, RZFR (Ed.), Logistics
operations dan Manajemen, Elsevier, London, pp. 267-289.
Bemmaor, AC dan Mouchoux, D. (1991), “Mengukur efek jangka pendek dari promosi di
dalam toko dan iklan ritel pada penjualan merek: percobaan faktorial”, Journal
Pemasaran KembaliCari, Vol. 28 No 2, hlm. 202-214.
Bera, UK, Maiti, MK dan Maiti, M. (2012), “Model Persediaan dengan kabur lead-time dan
permintaan dinamis dari waktu ke waktu cakrawala terbatas menggunakan algoritma
genetika multi-tujuan”, Bersamamputers & matematik dengan Aplikasi, Vol. 64 No 6,
pp. 1822-1838.
Berck, P., Brown, J., Perloff, JM dan Villas-Boas, SB (2008), “Penjualan: tes teori tentang
kausalitas dan waktu”, international Journal of Organisasi Industri, Vol. 26 No 6, pp.
1257-1273.
Blattberg, RC dan Neslin, SA (1993), “model promosi Bab 12 penjualan”, di Eliashberg, J. dan
Lilien, GL (Eds), Handbooks di Riset Operasi dan Ilmu Manajemen, Vol. 5, Elsevier,
pp. 553-609.
Bogomolova, S., Dunn, S., Trinh, G., Taylor, J. dan Volpe, RJ (2015), “promosi Harga lanskap
di AS dan Inggris: menggambarkan praktik ritel untuk menginformasikan agenda
penelitian mendatang”, Journal dari Kembalitailing dan Layanan Konsumen, Vol. 25,
Juli, pp. 1-11.
Carrillo, JE, Vakharia, AJ dan Wang, R. (2014), “implikasi lingkungan untuk ritel online”,
european Journal of Riset Operasional, Vol. 239 No 3, pp. 744-755.
Chen, S.-P. dan Ho, Y.-H. (2013), “kebijakan persediaan optimal untuk masalah tukang koran
kabur dengan diskon kuantitas”,infIlmu ormation, Vol. 228, pp. 75-89.
Choi, T.-M., Hui, C.-L., Liu, N., Ng, S.-F. dan Yu, Y. (2014), “Cepat peramalan penjualan
fashion dengan data dan waktu terbatas”,deSistem Pendukung keputusannya, Vol. 59,
hlm. 84-92.
Cragun, BJ, Kelsey, TM dan Lund, SH (1998), Sistem Seleksi Otomatis Promosi Penjualan dan
Metode: Google Paten.
Cunningham, SW dan Kerber, RG (2000), Metode dan Alat untuk Penjualan Mengoptimalkan
Promosi Produk Berbasis Setelah Historical Data, Google Paten.
Das, G. (2014), “Kaitan kesadaran pengecer, asosiasi pengecer, pengecer persepsi kualitas dan
loyalitas pengecer dengan niat beli: studi makanan India merek ritel”, Journal dari
K 292.
e
m
b
a
l
i
t
a
i
l
i
n
g

d
a
n

L
a
y
a
n
a
n

K
o
n
s
u
m
e
n
,

V
o
l
.

2
1

N
o

3
,

p
p
.

2
8
4
-
 Du, W., Leung, SYS dan Kwong, CK (2015), “A berbasis optimasi model jaringan saraf
multiobjective untuk peramalan pengisian jangka pendek dalam industri fashion”, Produk
Neurocomputing, Vol. 151, Bagian 1, pp. 342-353. harga dinamis
Dulaney, EF dan Waller, MA (2002), Sistem, Metode dan Pasal Manufaktur untuk Optimalkan dan promosi
Inventarisasi dan Pemanfaatan Merchandising Shelf Angkasa, Google Paten.
penjualan
Elmaghraby, W. dan Keskinocak, P. (2003), “Dinamis harga di hadapan pertimbangan
persediaan: gambaran penelitian, praktek saat ini, dan arah masa depan”, management
science, Vol. 49 No 10, pp. 1287-1309. 505
Esary, NC, Lee, SC, Marais, HL dan Sarkar, M. (2008), Metode dan Sistem untuk Membuat
Keputusan Harga dalam Paten Harga Management System, Google.
Fisher, M. dan Raman, A. (1996), “Mengurangi biaya ketidakpastian permintaan melalui
respon akurat untuk penjualan awal”, operations penelitian, Vol. 44 No 1, pp. 87-99.
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Freeny, CC Jr (2000), Harga Synchronous Produk Automated dan Sistem Periklanan, Google
Paten.
Gijsbrechts, E. (1993), “Harga dan penelitian harga dalam pemasaran konsumen: beberapa
perkembangan terakhir”, international Journal of Research in Pemasaran, Vol. 10 No 2,
hlm. 115-151.
Greenleaf, EA (1995), “Dampak dari efek harga referensi pada profitabilitas promosi harga”,
maIlmu rketing, Vol. 14 No 1, pp. 82-104.
Guo, ZX, Wong, WK dan Li, M. (2013), “A-pengambilan keputusan cerdas model multivariat
untuk peramalan penjualan ritel”, deSistem Pendukung keputusannya, Vol. 55 No 1, pp.
247-255.
Gustafsson, N., Halbert, RV dan Thrun, JM (2000), Sistem Manajemen Dinamis Ekuilibrium
Pasar, Proses dan Pasal Manufaktur, Google Paten.
Hall, JM, Kopalle, PK dan Krishna, A. (2010), “Pengecer dinamis harga dan pemesanan
keputusan: manajemen kategori dibandingkan merek-by-merek pendekatan”, Journal
Ritel, Vol. 86 No 2, hlm. 172-183.
Hanssens, DM dan Parsons, LJ (1993), “Bab 9 ekonometrik dan time-series model respon
pasar”, di Eliashberg, J. dan Lilien, GL (Eds), Handbooks di Riset Operasi dan maIlmu
nagement, Vol. 5, Elsevier, pp. 409-464.
Hartman, DJ dan Lewandowski, F. (1998), Variable Margin Pricing System, Google Paten.
Kumar, A., Mukherjee, K. dan Kumar, N. (2013a), “Sebuah sistem pendukung keputusan untuk
mekanisme kontrol persediaan dalam sistem rantai pasokan dinamis mengingat pasokan-
harga perdagangan-off menggunakan teori kontrol”, international Jurnal Kinerja Bisnis
dan Supply Chain Modelling, Vol. 5 No 3, pp. 308-324.
Kumar, A., Mukherjee, K. dan Kumar, N. (2013b), “Pemodelan, simulasi dan analisis
mekanisme kontrol dari sistem rantai pasokan dinamis mengingat pasokan-harga teori
kontrol trade-off, menggunakan”, buProses siness Manajemen Journal, Vol. 19 No 6,
pp. 933-946.
Kuo, R. (2001), “sistem peramalan penjualan A berdasarkan jaringan saraf kabur dengan bobot
awal yang dihasilkan oleh algoritma genetika”, european Journal of Riset Operasional,
Vol. 129 No 3, pp. 496-517.
Kuo, RJ dan Xue, K. (1998), “sistem pendukung keputusan A untuk peramalan penjualan
melalui jaringan saraf kabur dengan bobot kabur asimetris”, deSistem Pendukung
keputusannya, Vol. 24 No 2, hlm. 105-126.
Lal, R. (1990), “transaksi perdagangan Produsen dan promosi harga eceran”, Journal
Pemasaran KembaliCari, Vol. 27 No 4, pp. 428-444.
Lee, AHI, Kang, H.-Y., Lai, C.-M. dan Hong, W.-Y. (2013), “Sebuah terpadu model untuk lot
sizing dengan pemilihan supplier dan diskon kuantitas”,Apmenghujani Pemodelan
Matematika, Vol. 37 No 7, pp. 4733-4746.
 K Levy, M., Grewal, D., Kopalle, PK dan Hess, JD (2004), “Muncul tren dalam praktek harga
45, eceran: implikasi untuk penelitian”, Journal Ritel, Vol. 80 No 3, pp. Xiii-xxi.
3 Lin, C. dan Hong, C. (2008), “Menggunakan pengetahuan pelanggan dalam merancang katalog
elektronik”, Exnakal Sybatang dengan Aplikasi, Vol. 34 No 1, pp. 119-127.
Lohse, GL dan Spiller, P. (1999), “Internet toko ritel desain: bagaimana antarmuka pengguna
pengaruh lalu lintas dan penjualan”, Journal of Computer-Mediated Communication,
Vol. 5 No. 2.
506 Maity, K. dan Maiti, M. (2008), “Pendekatan numerik untuk masalah pengendalian persediaan
yang optimal multi-tujuan untuk memburuk multi-item di bawah inflasi kabur dan
diskon”, Bersamamputers & Matematika dengan Aplikasi, Vol. 55 No. 8, pp. 1794-
1807.
Marshall, R. (1993), Metode Penelitian Pemasaran dan Sistem Manajemen Produsen
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

Penawaran Kupon Diskon, Google Paten.

Melis, K., Campo, K., Breugelmans, E. dan Lamey, L. (2015), “Dampak dari multi-channel
bauran ritel pada pilihan toko online:? Tidak peduli pengalaman online”, Journal Ritel,
Vol. 91 No 2, hlm. 272-288.
Monica Lam, S. dan Wong, DS (1996), “Sebuah model matematika fuzzy sendi masalah ukuran
lot ekonomi dengan istirahat beberapa harga”, european Journal of Riset Operasional,
Vol. 95 No 3, pp. 611-622.
Mulhern, FJ dan Leone, RP (1991), “harga implisit bundling produk ritel: pendekatan
multiproduct untuk memaksimalkan profitabilitas toko”, the Journal Pemasaran, Vol. 55
No 4, pp. 63-76.
Muth, JF (1961), “harapan Rasional dan teori pergerakan harga”, Econometrica: Journal dari
Ekonometrik Masyarakat, Vol. 29 No 3, pp. 315-335.
Nijs, VR, Srinivasan, S. dan Pauwels, K. (2007), “driver Ritel-harga dan keuntungan pengecer”,
maIlmu rketing, Vol. 26 No 4, pp. 473-487.
Perkowski, TJ (1999), Sistem dan Metode Menyampaikan Produk Konsumen Informasi Terkait
untuk Konsumen dalam Retail Lingkungan Menggunakan berbasis Internet
Information Server dan Agen Penjualan, Paten Google.
Rao, VR (1984), “Pricing penelitian dalam pemasaran: keadaan seni”, Journal Bisnis, Vol. 57
No 1, pp. S39-S60.
Roy, A., Maiti, MK, Kar, S. dan Maiti, M. (2009), “Sebuah model persediaan untuk item yang
memburuk dengan ditampilkan saham permintaan tergantung di bawah inflasi dan waktu
diskonto atas horizon perencanaan acak kabur”, Apmenghujani Pemodelan Matematika,
Vol. 33 No 2, hlm. 744-759.
Samal, NK dan Pratihar, DK (2014), “Optimalisasi variabel permintaan model economic order
kabur persediaan kuantitas tanpa dan dengan Backordering”, Bersamamputers &
Industrial engineering, Vol. 78, hlm. 148-162.
Sarimveis, H., Patrinos, P., Tarantilis, CD dan Kiranoudis, CT (2008), “pemodelan dinamis dan
kontrol sistem rantai pasokan: tinjauan”, Bersamamputers & Riset Operasi, Vol. 35 No
11, pp. 3530-3561.
Schotanus, F., Telgen, J. dan de Boer, L. (2009), “Terurai diskon kuantitas”, omega, Vol. 37
No 3, pp. 510-521.
Schroeder, GG, Klim, AK, Heinz, GM, Phillips, KL, Raynor, WJ, Sengbusch, BD dan Lindsay, JD
(2010), US Patent dan Trademark Office, US Patent No 7.689.456, Washington, DC.
Sivakumar, K. dan Weigand, RE (1997), “Model harga eceran pertandingan jaminan”, Journal
dari business Penelitian, Vol. 39 No 3, pp. 241-255.
Soguero-Ruiz, C., Gimeno-Blanes, FJ, Mora-Jiménez, I., Martínez-Ruiz, MDP, Rojo-Álvarez dan JL
(2014), “Analisis nonlinier statistik untuk promosi diandalkan pengambilan keputusan”,
digital Signal Processing, Vol. 33, hlm. 156-168.
Srinivasan, K. dan Shamos, M. (2001), Metode dan Sistem Dinamis Pricing, Google Paten.
 Stěpnička, M., Cortez, P., Donasi, JP dan Stěpničková, L. (2013), “Peramalan waktu
musiman seri dengan kecerdasan komputasi: metode baru dan potensi Produk
kombinasi mereka”, Expert Sistem dengan Aplikasi, Vol. 40 No 6, pp. 1981-1992. harga dinamis
Subrahmanyan, S. dan Shoemaker, R. (1996), “Mengembangkan optimal harga dan persediaan dan promosi
kebijakan untuk pengecer yang menghadapi permintaan yang tidak pasti”, Journal Ritel,
Vol. 72 No 1, pp. 7-30. penjualan
Taleizadeh, AA, Noori-daryan, M. dan Cárdenas-Barron, LE (2015), “Bersama optimasi harga,
frekuensi pengisian ulang, siklus pengisian dan tingkat produksi di vendor dikelola 507
sistem persediaan dengan item memburuk”, international Jurnal Ekonomi Produksi,
Vol. 159, Januari, pp. 285-295.
Tanaka, K. (2010), “model peramalan penjualan A untuk produk tren penjualan baru dirilis dan
nonlinier”, Expert Sistem dengan Aplikasi, Vol. 37 No 11, pp. 7387-7393.
Tellis, GJ dan Zufryden, FS (1995), “Menanggulangi labirin keputusan pengecer:? Yang merek
Didownload oleh Uni Emirat Arab University At 01:46 7 April 2016 (PT)

untuk diskon, berapa banyak, kapan dan mengapa”, maIlmu rketing, Vol. 14 No 3, pp.
271-299.
van Loon, P., Deketele, L., Dewaele, J., McKinnon, A. dan Rutherford, C. (2015), “Analisis
komparatif dari emisi karbon dari ritel online yang bergerak cepat barang konsumen”,
Journal dari Produksi bersih, Vol. 106, November, pp. 478-486.
Woo, J., Levy, M. dan Alkitab, J. (2005), Inventarisasi dan Harga Pendukung Keputusan, Paten
Google. Yeh, C.-H. (2008), “Efek dari intelijen pada penemuan harga dan efisiensi
pasar”,Journal dari
EcPerilaku onomic & Organisasi, Vol. 68 Nos 3-4, hlm. 613-625.
Zadeh, LA (1974), the Konsep Variabel Linguistic dan Aplikasi untuk perkiraan
Kembaliasoning, Springer.
Zadeh, LA (1975), “Konsep variabel linguistik dan aplikasi untuk perkiraan penalaran-III”,
infIlmu ormation, Vol. 9 No 1, pp. 43-80.
Zhou, W. dan Duan, W. (2015), “Sebuah studi empiris tentang bagaimana situs web pihak
ketiga mempengaruhi mekanisme umpan balik antara secara online word-of-mulut dan
penjualan ritel”, dekeputusannya Dukungan Sybatang, Vol. 76, Agustus, pp. 14-23.

Penulis yang sesuai

Anup Kumar dapat dihubungi di: anunewin@yahoo.co.in

Untuk petunjuk tentang cara untuk memesan cetak ulang artikel ini, silahkan kunjungi website kami:
www.emeraldgrouppublishing.com/licensing/reprints.htm
Atau hubungi kami untuk informasi lebih lanjut: permissions@emeraldinsight.com