1.

Classifying Costs: Visual-Fit Method, High-Low Method, Least-Squares Regression Method, and
Multiple Regression

Cost estimation

Seperti yang ditunjukkan pembahasan sebelumnya, biaya yang berbeda menunjukkan variasi
pola perilaku biaya/cost behavior. Estimasi biaya adalah proses menentukan bagaimana biaya
tertentu berperilaku. Beberapa metode biasanya digunakan untuk memperkirakan hubungan
antara biaya dan aktivitas. Beberapa dari metode ini sederhana, sementara beberapa lainnya
cukup canggih. Di beberapa perusahaan, manajer menggunakan lebih dari satu metode
estimasi biaya. Hasil dari metode yang berbeda kemudian digabungkan oleh analis biaya
berdasarkan pengalaman dan penilaian.

Kami akan memeriksa beberapa metode estimasi biaya dalam konteks ilustrasi Donut Desire

Account-Classification Method

akun Metode klasifikasi untuk estimasi biaya, juga disebut analisis akun, melibatkan
pemeriksaan yang cermat terhadap akun buku besar organisasi.

Analis biaya mengklasifikasikan setiap item biaya dalam buku besar sebagai biaya variabel,
tetap, atau semivariabel.

Klasifikasi didasarkan pada pengetahuan analis tentang aktivitas organisasi dan pengalaman
dengan biaya organisasi.

Misalnya, mungkin jelas bagi analis yang akan pergi melalui buku besar bahwa biaya material
langsung adalah variabel, penyusutan bangunan ditetapkan, dan biaya utilitas semivariabel.

Setelah biaya diklasifikasikan, analis biaya memperkirakan jumlah biaya dengan memeriksa
catatan biaya pekerjaan, tagihan yang dibayar, kartu waktu kerja, atau dokumen sumber
lainnya. Tagihan pajak properti, misalnya, akan memberikan informasi yang diperlukan analis
biaya untuk memperkirakan biaya tetap ini.

Pemeriksaan dokumen sumber sejarah ini digabungkan dengan pengetahuan lain yang dapat
mempengaruhi biaya di masa depan. Misalnya, pemerintah kota pemerintah mungkin baru-
baru ini memberlakukan kenaikan pajak properti sebesar 10 persen, yang berlaku tahun
berikutnya. Untuk beberapa biaya, terutama yang diklasifikasikan sebagai semivariabel, analis
biaya dapat menggunakan salah satu dari beberapa metode yang lebih sistematis untuk
memasukkan data historis dalam estimasi biaya. Metode-metode ini akan dibahas selanjutnya.

Visual-fit method
Ketika biaya telah diklasifikasikan sebagai semivariabel, atau ketika analis tidak memiliki
gagasan yang jelas tentang perilaku item biaya, akan sangat membantu untuk menggunakan
metode visual-fit untuk memplot pengamatan terbaru dari biaya di berbagai tingkat aktivitas.
Diagram sebar yang dihasilkan membantu analis memvisualisasikan hubungan antara biaya dan
tingkat aktivitas (atau penggerak biaya). Sebagai ilustrasi, misalkan pengontrol Donut Desire
telah mengumpulkan data historis berikut untuk biaya utilitas perusahaan.

Diagram sebar dari data ini ditunjukkan pada Tampilan 6-8. Analis biaya secara visual
dapat menyesuaikan garis ke data ini dengan meletakkan penggaris pada titik-titik yang diplot.
Garis diposisikan sehingga jumlah titik plot yang kira-kira sama terletak di atas dan di bawah
garis. Dengan menggunakan metode ini, pengontrol Donut Desire secara visual menyesuaikan
dengan garis yang ditunjukkan pada Tampilan 6–8.

Sekilas tentang garis biaya yang sesuai secara visual menunjukkan bahwa biaya utilitas
Donut Desire adalah biaya semivariabel dalam kisaran yang relevan. Diagram sebar
memberikan sedikit atau tidak ada informasi tentang hubungan biaya di luar kisaran yang
relevan. Ingat kembali dari diskusi biaya utilitas Donut Desire (lihat Exhibit 6-7) bahwa
pengontrol yakin biaya
pola perilaku menjadi lengkung di seluruh rentang aktivitas. Penilaian ini didasarkan pada
pengetahuan pengontrol tentang fasilitas perusahaan dan pemahaman tentang penggunaan
listrik oleh peralatan toko roti modern dan peralatan toko roti yang lebih tua. Seperti yang
ditunjukkan Peraga 6-7, bagaimanapun, biaya utilitas lengkung dapat didekati secara dekat
dengan biaya semivariabel dalam kisaran yang relevan. Data yang diplot dalam diagram pencar
berada dalam kisaran yang relevan. Akibatnya, data memberikan dasar yang kuat untuk
pendekatan semivariabel yang telah dipilih oleh pengontrol untuk digunakan.

Garis biaya yang sesuai secara visual dalam Tampilan 6–8 memotong sumbu vertikal
pada $ 1.500. Jadi, $ 1.500 adalah estimasi komponen biaya tetap dalam perkiraan biaya
semivariabel. Untuk menentukan

biaya variabel per unit, kurangi biaya tetap dari total biaya pada setiap tingkat aktivitas. Sisanya
adalah total biaya variabel untuk tingkat aktivitas tersebut.

Biaya variable unit= total biaya setip aktivias – biaya tetap

Misalnya, total biaya variabel untuk tingkat aktivitas 50.000 lusin item adalah $ 2.500
(biaya total $ 4.000 dikurangi biaya tetap $ 1.500). Ini menghasilkan biaya variabel sebesar $
0,05 per lusin item toko roti ($ 0,05 = $ 2.500 ÷ 50.000).

Perkiraan biaya variabel dan biaya tetap ini digunakan untuk perkiraan biaya
semivariabel yang dibahas sebelumnya dalam bab ini (Gambar 6-7). Taksiran ini hanya valid
dalam kisaran yang relevan.

Evaluation of Visual-Fit Method

Diagram sebar dan garis biaya yang sesuai secara visual memberikan langkah pertama yang
berharga dalam analisis setiap item biaya yang diduga semivariabel atau lengkung.

Metode ini mudah digunakan dan dijelaskan kepada orang lain, dan memberikan pandangan
yang berguna tentang pola perilaku biaya secara keseluruhan. Metode visual-fit juga
memungkinkan analis biaya yang berpengalaman untuk melihat outlier dalam data.

Pencilan adalah titik data yang berada jauh dari titik lain dalam diagram pencar dan tidak
mewakili data. Misalkan, misalnya, titik data untuk bulan Januari adalah $ 6.000 untuk 75.000
unit aktivitas. Tampilan 6–8 menunjukkan bahwa titik data seperti itu akan keluar dari garis
dengan data lainnya.

Analis biaya akan menindaklanjuti pengamatan biaya tersebut untuk menemukan alasan di
baliknya. Bisa jadi titik data salah. Mungkin tagihan utilitas salah dibaca saat data dikompilasi,
atau mungkin tagihan itu sendiri salah. Kemungkinan lain adalah observasi biaya benar tetapi
karena keadaan yang tidak biasa. Mungkin Toronto mengalami rekor gelombang dingin selama
Januari yang mengharuskan toko donat perusahaan menggunakan panas listrik yang sangat
tinggi. Mungkin oven di toko roti memiliki termostat yang rusak selama bulan Januari yang
menyebabkan oven terlalu panas secara konsisten sampai ditemukan dan diperbaiki. Pencilan
dapat terjadi karena banyak penyebab. Jika pencilan disebabkan oleh kesalahan atau keadaan
yang sangat tidak biasa, titik data harus diabaikan dalam analisis biaya.

Kelemahan yang signifikan dari metode visual-fit adalah kurangnya objektivitas. Dua analis
biaya dapat menarik dua garis biaya yang berbeda secara visual. Namun, ini biasanya bukan
masalah serius, terutama jika metode visual-fit digabungkan dengan metode lain yang lebih
objektif.

High – low method

Dalam metode tinggi-rendah, perkiraan biaya semivariabel dihitung menggunakan tepat dua
titik data. Tingkat aktivitas tinggi dan rendah dipilih dari kumpulan data yang tersedia. Tingkat
aktivitas ini, bersama dengan tingkat biaya terkait, digunakan untuk menghitung komponen
biaya variabel dan biaya tetap sebagai berikut:

Variable cost per dozen bakery items = Difference between the costs corresponding 

to the highest and lowest activity levels

Difference between the highest  

and lowest activity levels

= $7,035 - $5, 100 118,000 - 75,000 = $1,935 43,000

= $.045 per dozen items

Sekarang kita dapat menghitung biaya variabel total pada tingkat aktivitas tinggi atau rendah. Pada
aktivitas rendah sebanyak 75.000 lusin item, total biaya variabel adalah $ 3.375 ($ .045 × 75.000).
Dengan mengurangi total biaya variabel dari total biaya pada tingkat aktivitas 75.000 lusin, kami
memperoleh perkiraan biaya tetap sebesar $ 1.725 ($ 5.100 - $ 3.375). Perhatikan bahwa tingkat
aktivitas tinggi dan rendah digunakan untuk memilih dua titik data. Secara umum, kedua poin ini tidak
perlu harus sesuai dengan tingkat biaya tinggi dan rendah dalam kumpulan data.

Tampilan 6–9 menampilkan grafik biaya utilitas Donut Desire, yang didasarkan pada metode estimasi
biaya tinggi-rendah. Seperti dalam metode estimasi biaya manapun, estimasi pola perilaku biaya ini
harus dibatasi pada kisaran yang relevan

Evaluation of high- low method

Metode tinggi-rendah lebih objektif daripada metode visual-fit, karena tidak ada ruang untuk penilaian
analis biaya. Namun, metode tinggi-rendah memiliki kelemahan utama. Hanya dua titik data yang
digunakan untuk memperkirakan pola perilaku biaya; titik data lainnya diabaikan. Dalam hal ini, metode
visual-fit lebih unggul daripada metode tinggi-rendah, karena pendekatan sebelumnya menggunakan
semua data yang tersedia.

Least-Squares Regression Method

Teknik statistik dapat digunakan untuk memperkirakan secara obyektif pola perilaku biaya dengan
menggunakan semua data yang tersedia. Yang paling umum dari metode ini disebut kuadrat terkecil
regresi.

Untuk memahami metode ini, periksa Tampilan 6-10, yang mengulangi diagram sebar dari data biaya
utilitas Donut Desire. Pameran juga menyertakan garis biaya itu telah ditarik melalui titik data yang
diplot. Karena titik data tidak terletak di sepanjang garis lurus sempurna, setiap garis biaya yang ditarik
melalui diagram pencar ini akan kehilangan sebagian atau sebagian besar titik data. Tujuannya adalah
untuk menarik garis biaya sehingga membuat penyimpangan antara garis biaya dan titik data sekecil
mungkin.

Dalam metode regresi kuadrat-terkecil, garis biaya diposisikan sedemikian rupa untuk meminimalkan
jumlah deviasi kuadrat antara garis biaya dan titik data. Sisipan untuk Tampilan 6-10 menggambarkan
teknik ini secara grafis. Perhatikan bahwa deviasi antara garis biaya dan titik data diukur secara vertikal
pada grafik daripada tegak lurus ke garis. Garis biaya yang sesuai dengan data menggunakan regresi
kuadrat terkecil disebut garis regresi kuadrat terkecil (atau hanya garis regresi).

Mengapa metode regresi didasarkan pada meminimalkan kuadrat penyimpangan antara garis biaya dan
titik data? Jawaban lengkap untuk pertanyaan ini terletak pada teori statistik. Singkatnya, ahli teori
statistik telah membuktikan bahwa garis regresi kuadrat-terkecil memiliki beberapa properti yang sangat
diinginkan untuk membuat prediksi biaya dan menarik kesimpulan tentang perkiraan hubungan antara
biaya dan aktivitas. Seperti biasa, estimasi regresi kuadrat-terkecil dari pola perilaku biaya harus dibatasi
pada kisaran yang relevan.

Equation Form of Least-Squares Regression Line

Garis regresi kuadrat-terkecil yang ditunjukkan pada Tampilan 6-10 dapat diwakili oleh persamaan garis
lurus. Dalam persamaan berikut, X menunjukkan tingkat aktivitas Donat Desire selama sebulan, dan Y
menunjukkan perkiraan biaya utilitas untuk tingkat aktivitas tersebut.

Perpotongan garis pada sumbu vertikal dilambangkan dengan a, dan kemiringan garis dilambangkan
dengan b. Dalam rentang yang relevan, a diartikan sebagai estimasi komponen biaya tetap, dan b
diartikan sebagai estimasi biaya variabel per unit aktivitas.

Y = a + bX (1)

Dalam analisis regresi,

X disebut sebagai variabel independen, karena ini adalah variabel yang mendasari estimasi.

Y disebut sebagai variabel terikat, karena perkiraannya bergantung pada variabel bebas.

Garis regresi kuadrat terkecil untuk biaya utilitas Donut Desire ditunjukkan di bawah ini dalam bentuk
persamaan.

Y = 1,920 + .0448X

Estimated utilities cost for one month Activity level for one month

Dalam rentang aktivitas yang relevan, estimasi regresi komponen biaya tetap adalah $ 1.920 per bulan,
dan estimasi regresi komponen biaya variabel adalah $ .0448 per lusin item roti.

Ada beberapa paket perangkat lunak statistik yang tersedia yang melakukan analisis regresi. Namun,
metode umum untuk menghitung estimasi regresi kuadrat terkecil adalah dengan gunakan aplikasi
spreadsheet seperti Microsoft® Excel. Pendekatan ini tercakup dalam lampiran bab ini, yang mungkin
ingin Anda baca sekarang.

Evaluation of Least-Squares Regression Method

Kita telah melihat bahwa regresi kuadrat terkecil adalah metode objektif estimasi biaya yang
memanfaatkan semua data yang tersedia. Selain itu, garis regresi memiliki sifat statistik yang diinginkan
untuk membuat prediksi biaya dan menarik kesimpulan tentang hubungan antara biaya dan aktivitas.
Metode ini membutuhkan komputasi yang jauh lebih banyak daripada metode visual-fit atau high-low.
Namun, program komputer sudah tersedia untuk melakukan regresi kuadrat terkecil.

Evaluating a Particular Least-Squares Regression Line

Kami telah melihat manfaat regresi kuadrat terkecil secara umum. Bagaimana seorang analis biaya
mengevaluasi suatu hal tertentu garis regresi berdasarkan kumpulan data tertentu? Sejumlah kriteria
dapat digunakan, termasuk kelayakan ekonomi dan kesesuaian.

Analis biaya harus selalu mengevaluasi garis regresi dari perspektif kemasukakalan ekonomi. Apakah
garis regresi masuk akal secara ekonomi? Apakah secara intuitif masuk akal bagi analis biaya?
Jika tidak, analis harus mempertimbangkan kembali menggunakan garis regresi untuk membuat prediksi
biaya. Bisa jadi variabel independen yang dipilih bukan merupakan prediktor yang baik untuk perilaku
biaya yang dianalisis. Mungkin variabel independen lain harus dipertimbangkan. Atau, mungkin ada
kesalahan dalam data yang menjadi dasar regresi berbasis.

Solusi Memeriksa ulang data akan menyelesaikan masalah ini. Bisa jadi asumsi mendasar yang
mendasari metode regresi telah dilanggar. Dalam kasus ini, analis mungkin harus menggunakan
beberapa metode estimasi biaya lainnya.

Kriteria lain yang biasa digunakan untuk mengevaluasi garis regresi tertentu adalah untuk menilai
kesesuaiannya. Metode statistik dapat digunakan untuk menentukan secara objektif seberapa baik a
garis regresi cocok dengan data yang menjadi dasarnya. Jika garis regresi cocok dengan data, sebagian
besar variasi dalam variabel dependen akan dijelaskan oleh variasi dalam variabel independen. Salah
satu ukuran goodness of fit yang sering digunakan dijelaskan dalam lampiran di akhir bab ini.

Multiple Regression

Dalam setiap metode estimasi biaya yang dibahas sejauh ini, kami telah mendasarkan estimasi pada satu
variabel independen. Selain itu, semua pola perilaku biaya Donut Desire ditentukan sehubungan dengan
satu aktivitas (atau penggerak biaya), lusinan item roti yang diproduksi dan dijual. Namun, mungkin ada
dua atau lebih variabel independen yang merupakan prediktor penting dari perilaku biaya.

Sebagai ilustrasi, kami akan melanjutkan analisis biaya utilitas Donut Desire. Perusahaan menggunakan
listrik untuk dua tujuan utama:

mengoperasikan peralatan memasak, seperti penggorengan dan oven berlemak, serta memanaskan
toko roti dan donat. Biaya listrik untuk produksi makanan merupakan fungsi dari aktivitas perusahaan,
yang diukur dalam lusinan item toko roti yang diproduksi dan dijual. Namun, biaya listrik untuk pemanas
toko donat lebih terkait dengan jumlah pelanggan daripada jumlah item roti yang terjual. Biaya pemanas
toko donat naik setiap kali pintu toko dibuka, mengakibatkan hilangnya panas. Dua pelanggan yang
membeli setengah lusin donat masing-masing menghasilkan biaya pemanasan yang lebih besar daripada
satu pelanggan yang membeli selusin donat.

Misalkan pengontrol Donut Desire ingin memperkirakan pola perilaku biaya untuk biaya utilitas yang
didasarkan pada unit penjualan dan jumlah pelanggan. Metode regresi berganda dapat digunakan untuk
tujuan ini. Regresi berganda adalah metode statistik yang memperkirakan hubungan linier (garis lurus)
antara satu variabel dependen dan dua atau lebih variabel independen. Dalam kasus Donut Desire,
persamaan regresi berikut akan diperkirakan.

Y = a + b1X1 + b2X2

where Y denotes the dependent variable, utilities cost

X1 denotes the first independent variable, dozens of bakery items sold

 X2 denotes the second independent variable, number of customers served

Dalam persamaan regresi (2),

a menunjukkan estimasi regresi komponen biaya tetap,

b1 menunjukkan estimasi regresi biaya utilitas variabel per lusin. item roti, dan

b2 menunjukkan estimasi regresi biaya utilitas variabel per pelanggan yang dilayani.

Persamaan regresi berganda kemungkinan akan memungkinkan pengontrol Donut Desire membuat
prediksi biaya yang lebih akurat daripada yang dapat dibuat dengan regresi dibahas sebelumnya. Regresi
sederhana didasarkan pada satu variabel independen. Regresi berganda dibahas lebih luas dalam
akuntansi biaya dan teks statistik.

Data Collection Issues

Terlepas dari metode yang digunakan, estimasi biaya yang dihasilkan hanya akan sebaik data yang
menjadi dasarnya. Pengumpulan data sesuai untuk estimasi biaya membutuhkan seorang analis biaya
yang terampil dan berpengalaman. Enam masalah yang sering mempersulit proses pengumpulan data:

1. Data yang hilang. Dokumen sumber yang salah tempat atau kegagalan untuk mencatat transaksi
dapat mengakibatkan hilangnya data.

2. Pencilan. Kami telah membahas pengamatan ekstrim dari hubungan biaya-aktivitas ini. Jika pencilan
ditentukan untuk mewakili kesalahan atau keadaan yang sangat tidak biasa, pencilan harus dihilangkan
dari kumpulan data.

3. Jangka waktu tidak sesuai. Satuan waktu untuk mengukur variabel dependen dan independen
mungkin tidak cocok. Misalnya, aktivitas produksi dapat dicatat setiap hari, tetapi biaya dapat dicatat
setiap bulan. Solusi umum adalah menggabungkan data produksi untuk mendapatkan total bulanan.

4. Kompromi dalam memilih periode waktu. Dalam memilih lamanya periode waktu pengumpulan data,
terdapat beberapa tujuan yang bertentangan. Salah satu tujuannya adalah untuk mendapatkan poin
data sebanyak mungkin, yang menyiratkan periode waktu yang singkat. Tujuan lainnya adalah memilih
periode waktu yang cukup lama untuk memastikan bahwa sistem akuntansi telah secara akurat
menghubungkan biaya dengan periode waktu. Jika, untuk

Misalnya, biaya yang dihasilkan dari aktivitas produksi dalam satu periode dicatat di periode selanjutnya,
data biaya dan aktivitas tersebut tidak akan cocok dengan baik. Jangka waktu yang lebih lama
menghasilkan lebih sedikit jeda perekaman dalam data.

5. Biaya yang dialokasikan dan diskresioner. Biaya tetap sering kali dialokasikan berdasarkan aktivitas
perunit. Misalnya, biaya overhead produksi tetap seperti penyusutan dialokasikan ke unit produksi.
Akibatnya, biaya tersebut mungkin tampak bervariasi dalam catatan biaya. Biaya diskresioner sering kali
dianggarkan dengan cara yang membuatnya tampak variabel. Biaya seperti periklanan, misalnya, dapat
ditetapkan setelah manajemen memutuskan tingkat periklanan. Namun, jika kebijakan manajemen
adalah menganggarkan iklan berdasarkan dana penjualan, biaya akan tampak bervariasi bagi analis
biaya. Seorang analis berpengalaman akan berhati-hati terhadap biaya tersebut dan mengambil langkah
untuk mempelajari bagaimana jumlahnya ditentukan.

6. Inflasi. Selama periode inflasi, data biaya historis mungkin tidak mencerminkan perilaku biaya di masa
depan. Salah satu solusinya adalah memilih data historis dari periode inflasi rendah dan kemudian
memperhitungkan tingkat inflasi saat ini. Pendekatan lain yang lebih canggih juga tersedia, dan mereka
tercakup dalam teks akuntansi biaya.

Big data

Jumlah informasi yang kita hadapi setiap hari terkadang tampak berlebihan. (Berapa banyak kontak
media sosial yang Anda alami hari ini saja?) Namun jumlah data yang tersedia untuk sebagian besar
organisasi besar adalah milyaran kali lebih hebat dari apa yang kita lihat sebagai individu. Dan di luar
cakupan satu organisasi, "jumlah data yang dibuat dan disimpan di tingkat global hampir tidak
terbayangkan, dan terus bertambah." 7

Ledakan virtual data ini telah melahirkan catch-phrase big data, yang berarti volume data terstruktur
dan tidak terstruktur yang sangat besar sehingga sulit untuk diproses menggunakan metode tradisional.

Bayangkan mencoba memahami perilaku biaya atau membuat keputusan menggunakan data yang
begitu banyak! Manajer (dan akuntan manajerial) tertarik dengan kemungkinan bahwa data besar berisi
informasi yang penting dan relevan, dan yang dapat membantu mereka mendapatkan keuntungan dari
pesaing mereka atau mencapai tujuan mereka dengan lebih baik. Tetapi mereka juga diintimidasi oleh
tantangan menemukan jarum pepatah di tumpukan jerami.

Characteristics of big data

Ada apa dengan data besar yang menghadirkan tantangan seperti itu?

Analis industri Doug Laney adalah orang pertama yang mengartikulasikan karakteristik penentu data
besar "sebagai tiga Vs."

1. Volume. Organisasi mengumpulkan data dari berbagai sumber, termasuk transaksi bisnis, catatan
pemerintah, media sosial, dan banyak sumber lainnya. Di masa lalu, menyimpan data dalam jumlah
besar tidak mungkin dilakukan, tetapi teknologi penyimpanan baru telah meringankan beban.

2. Kecepatan. Data mengalir dengan kecepatan yang belum pernah terjadi sebelumnya dan harus
dikelola secara tepat waktu. Teknologi baru mendorong kebutuhan untuk menangani torrent

data mendekati waktu nyata.

3. Variasi. Data datang dalam semua jenis format - dari terstruktur, data numerik dalam database
tradisional hingga informasi tidak terstruktur, seperti dokumen teks,
email, video, audio, dan transaksi keuangan.

Potential uses of big data

Menyimpan dan memproses data besar menyebabkan hal yang belum pernah terjadi sebelumnya
tantangan bagi sebagian besar organisasi besar. Selain itu, hanya memiliki akses ke volume data yang
besar tidak ada gunanya kecuali jika dapat dikelola dan dianalisis secara efektif.

Jadi, apa saja manfaat yang dapat diperoleh dari kemampuan menganalisis data dalam jumlah yang
sangat besar?

Di antara kegunaan yang berbagai organisasi temukan untuk akses mereka yang hebat Jumlah datanya
adalah sebagai berikut:

- memprediksi kebutuhan dan keinginan pelanggan akan produk dan layanan baru;
- meminimalkan risiko dan penipuan di perbankan;
- mengidentifikasi siswa berisiko dalam pendidikan;
- mengelola lembaga pemerintah, utilitas dan pola lalu lintas;
- meningkatkan output dan kualitas di bidang manufaktur;
- mengelola transaksi secara efektif dalam bisnis ritel dan mengelola rute dalam layanan
pengiriman ekspres.

Menangani manajemen dan analisis big data berada di luar cakupan ini buku pelajaran. Tetapi seperti
yang Anda pikirkan tentang pengambilan keputusan dan berbagai penggunaan data akuntansi di
perusahaan yang kita diskusikan, ingatlah bahwa informasi dan wawasan yang mereka tawarkan akan
sering datang sebagai bagian dari gelombang pasang bit dan byte. Semua manajer, dan mungkin
khususnya akuntan manajerial, perlu mempelajari keterampilan untuk memanfaatkan potensi data
besar.

Engineering Method of Cost Estimation

Semua metode estimasi biaya yang diteliti sejauh ini didasarkan pada data historis.

Setiap metode memperkirakan hubungan antara biaya dan aktivitas dengan mempelajari hubungan
yang diamati di masa lalu.

Metode estimasi biaya yang sama sekali berbeda adalah mempelajari proses yang mengakibatkan
timbulnya biaya. Pendekatan ini disebut metode teknik estimasi biaya. Di perusahaan manufaktur,
misalnya, dilakukan studi rinci tentang teknologi produksi, material, dan tenaga kerja yang digunakan
dalam proses manufaktur. Daripada menanyakan berapa biaya material pada periode terakhir,
pendekatan engineering adalah menanyakan berapa banyak material yang dibutuhkan dan berapa
biayanya. Insinyur industri terkadang melakukan studi waktu dan gerak, yang menentukan langkah-
langkah yang diperlukan orang untuk melakukan tugas manual yang merupakan bagian dari proses
produksi. Pola perilaku biaya untuk berbagai jenis biaya kemudian diperkirakan berdasarkan analisis
teknik.
Studi biaya teknik memakan waktu dan mahal, tetapi mereka sering memberikan perkiraan perilaku
biaya yang sangat akurat. Selain itu, dalam industri teknologi tinggi yang berkembang pesat, mungkin
tidak ada data historis yang menjadi dasar estimasi biaya. Industri seperti rekayasa genetika,
superkonduktivitas, dan elektronik berkembang begitu cepat sehingga data historis seringkali tidak
relevan dalam memperkirakan biaya.