PERAMALAN

Isi Materi
• Apakah Peramalan itu?
– Peramalan Horison Waktu
– Pengaruh terhadap Siklus Hidup Produk
• Jenis – jenis Peramalan
• Tujuh Langkah dalam Sistem
Peramalan
 Isi Materi (lanjutan)
• Pendekatan Peramalan
– Pendekatan Kualitatif
– Pendekatan Kuantitatif
• Peramalan Berdasarkan TIME-SERIES
– Dekomposisi Time Series
– Pendekatan Naïve
– Moving Averages
– Exponential Smoothing
– Regression and correlation analysis
– Measures of forecast accuracy
 Tujuan Pembelajaran (1)

Diharapkan dapat mengidentifikasi atau

mendefinisikan :
– Peramalan
– Jenis Peramalan
– Horison Waktu
– Pendekatan pendekatan Peramalan
 Tujuan Pembelajaran (2)
Diharapkan peserta kursus dapat
mengidentifikasi atau mendefinisikan :

– Moving averages
– Exponential smoothing
– Trend projections
– Analisa Regressi dan korelasi
– Pengukuran akurasi peramalan
 FORECASTING
Gila ajah

Penjualan
september 1.200
unit
Apa ??
1.2000
???

• Tanya pada yang berkompeten (expert)

• Cross check dengan data penjualan masa lalu

Perlu metoda bukan sekedar intuisi → Forecasting

7
 Peramalan
• Peramalan: Estimasi nilai atau
karakteristik masa depan

– prediksi (prediction)
– peramalan (forecast)
– kecenderungan (trend)

8
 Demand
• Faktor yang mempengaruhi demand
– Variasi random
– Rencana konsumen
– Daur hidup produk
– Pesaing
– Perilaku/sikap konsumen
– Waktu
– Siklus bisnis
Input Output
– Iklan Perusahaan Permintaan
– Sales effort
– Reputasi
– Desain produk
– Kebijaksanaan kredit
– Kualitas

9
 DATA
SUMBER :
– Arsip perusahaan
– Data pemerintah (laporan Biro Pusat Statistik,
Departemen, dll)
• FAKTOR INTERNAL THD PENJUALAN
– Kualitas, harga, delivery time, promosi, discount, dll

• FAKTOR EKSTERNAL
– Indikator perekonomian : GNP, tingkat pertumbuhan
ekonomi, tingkat inflasi, nilai tukar valuta asing, dll

10
Sistem Peramalan (1)
Data Historis

Data checked for

accuracy and
reasonableness

Tujuan Update sesuai

model kebutuhan

Knowledge of
changed
condition

Forecast Pembandingan
(Prediction) dengan kondisi
aktual

Feedback on
forecast
accuracy

11
 Konsiderasi (1)
• Ongkos dan manfaat
– Ongkos
• Ongkos pengembangan metoda
• Ongkos kegiatan peramalan
• Ongkos akibat kesalahan ramal
– Manfaat
• Mengerti hubungan antara permintaan dan faktor lain
• Kondisi dunia nyata Sistem pengendalian produksi

– "Untuk tujuan apa suatu ramalan dibuat akan menentukan pendekatan yang
diambil"

12
 Konsiderasi (2)
• Ketelitian
– Suatu ukuran seberapa tepat ramalan dari kondisi aktual

• Sederhana dalam perhitungan

– ketelitian tinggi vs sederhana dalam perhitungan

• Kemampuan menyesuaikan terhadap perubahan

• Lead time, perioda, horizon

13
Contoh kasus Peramalan di produk
Tupperware
• Setiap 50 pusat tapperware di dunia
bertanggung jawab membuat proyeksi
penjualan bulanan, kuartalan dan
tahunan secara tekomputerisasi
• Proyeksi di bagi dalam region dan
global, pada Kantor Pusat Tapperware
• Tupperware menggunakan semua
teknik peramalan yang kita bahas disini.
 Tiga Kunci Faktor Sukses
Tupperware
• Jumlah “consultants” atau perwakilan
penjualan yang representatif

• Persentasi dealer yang “aktif” (jumlah

ini berubah setiap minggu dan bulan)

• Penjual per setiap dealer yang aktif, di

tentukan setiap minggu
 Konsensus Peramalan
Tupperware
• Meskipun masukkan berasal dari bagian
penjualan, pemasaran, finansial dan
produksi, peramalanakhir merupakan
konsensus dari partisipasi semua
manager.
• Langkah akhir dari Tupperware adalah the
“jury of executive opinion”
 Apakah Peramalan itu?
• Proses adalah
memprediksi kejadian Penjualanan
masa yang akan akan 200 M
datang
• Berbasis kepada
semua keputusan
bisnis
– Produksi
– Inventori
– Personil
– Fasilitas
 Jenis jenis Peramalan
berdasarkan Horison Waktu
• Peramalan jangka pendek
– Sampai dgn 1 thn; biasanya kurang dari 3 bln
– Penjadwalan kerja, penugasan kerja
• Peramalan jangka menengah
– 3 bulan hingga 3 tahun
– Sales & production planning, budgeting
• Peramalan jangka panjang
– Lebih dari 3+ tahun
– Perencanaan produk baru, fasilitas lokasi
Peramalan Jangka pendek vs. jangka panjang
• Jangka Medium/panjang peramalan
ditetapkan dengan isu yang komprehensif
dan mendukung keputusan managemen
berkenaan dengan perencanaan dan produk,
pabrik dan proses-proses.
• Jangka pendek peramalan biasanya
digunakan untuk pekerja dengan metodologi
yang berbeda dengan jangka panjang
• Jangka pendek peramalan lebih akurat dari
peramalan jangka panjang
Pengaruh Siklus Hidup Produk
Pengenalan, Pertumbuhan, Dewasa,
Penurunan
• Masa pegenalan dan pertumbuhan
memerlukan permalan yang lebih panjang
dari dua masa kedua
• Peramalan digunakan untuk
– Penempatan staff,
– Tingkat inventori dan
– Kapasitas pabrik
Sebagai produk yang menenpuh siklus hidupnya
 Strategi dan isu dalam siklus
hidup produk
Introduction Growth Maturity Decline
Best period to Practical to change Poor time to change image, Cost control
increase market price or quality image price, or quality critical
share
Strengthen niche Competitive costs become
R&D product critical
Company Strategy/Issues

engineering critical
Defend market position
Drive-thru restaurants Fax machines
3 1/2”
CD-ROM Floppy
disks
Sales
Station
Internet wagons
Color copiers

HDTV

Product design and Forecasting critical Standardization Little product

development critical Product and process differentiation
Less rapid product
Frequent product and process reliability changes - more minor Cost minimization
OM Strategy/Issues

design changes Competitive product changes

Short production runs
High production costs
Limited models
Attention to quality
improvements and options
Optimum capacity
Increase capacity Increasing stability of
Shift toward product process
focused
Long production runs
Enhance distribution
Product improvement and
cost cutting
Over capacity in the
industry
Prune line to eliminate
items not returning good
margin
Reduce capacity
 Jenis jenis Peramalan
• Peramalan Economi
– Membahas siklus bisnis mis, tingkat inflasi,
supply uang dsb.
• Permalan teknologi
– Memprediksi tingkat kemajuan teknologi
– Memprediksi tingkat penerimaan produk
baru
• Peramalan permintaan
– Memprediksi penjualan produk yang telah
ada
 Tujuh langkah peramalan
• Tentukan untuk apa peramalan
• Pilih item yang akan diramalkan
• Tentukan horison waktu peramalan
• Memilih model peramalan
• Mengumpulkan data
• Membuat peramalan
• Validasi dan implementasi hasilnya
 Permintaan produk yang
dipetakan selama 4 thn indikasi
Trend dan Musim
Seasonal peaks Trend component
Demand for product or service

Actual
demand line

Average demand
over four years
Random
variation
Year Year Year Year
1 2 3 4
 Permintaan Aktual, Moving
Average, Bobot Moving Average
35 Weighted moving average
30
Actual sales
25
Sales Demand

20
15
10
Moving average
5
0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Month
 Realita Peramalan
• Peramalan jarang yang sempurna
• Kebanyakan metoda peramalan di
asumsikan pada kondisi sistem yang
stabil.
• Baik keluarga dan aggregat produk
lebih akurat dari peramalan produk
secara individu
 Pendekatan peramalan
Metoda kualitatif Metoda kuantitatif
• Digunakan pada • Digunakan pada
situasi vague dan situasi stabil dan
data sedikit historical data tetap
– Produk baru – Produk eksis
– Teknologi baru – Teknologi sekarang
• Melibatkan intuisi, • Melibatkan teknik
pengalaman matematik
– Mis. permalan – Mis. peramalan
penjualan di Internet penjualan tv bewarna
 Tinjauan metoda kualitatif
• Juri dari opini eksekutif
– Pandangan dari eksekutif tingkat tinggi, kadang-
kadang ditampilkan dalam model statistik
• Metode Delphi
– Panel para pakar, kesepakatan bersama
• Armada Penjualan
– Prediksi dari individu penjual yang di review
tanggungjawabnya, kemudian agregat.
• Survei Pasar Konsumen
– Langsung bertanya kepada konsumen
 Pandangan Eksekutif
• Melibatkan kelompok Juri kecil manager
tingkat atas
– Kelompok kerja bersama untuk
memprediksi permintaan
• Kombinasi pengalaman managerial dengan
model statistik
• Relatif lebih cepat
• Kurang menguntungkan ‘Group-think’

© 1995 Corel Corp.

 Kekuatan Armada Penjualan
• Setiap penjual
mempredikasi penjualannya Sales
• Kombinasi antara tingkat
nasional dan lokal
• Penjual biasanya paling
tahu keinginan pelanggan
• Biasanya sangat optimis.

© 1995 Corel Corp.

 Metoda Delphi
• Proses kelompok
interaktif Decision Makers
(Sales?)
• 3 jenis orang (Sales will be 50!)
Staff
– Pengambil (What will
keputusan sales be?
– Staff survey)

– Responden
Respondents
• Menurunkan (Sales will be 45, 50, 55)
‘group-think’
 Survey pasar pelanggan
How many hours will
• Menanyakan pada you use the Internet
pelanggan untuk next week?
rencana pembelian
• Apa yang dikatakan
pelanggan dan
realisasi jarang
berbeda
• Kadang kadang sukar
untuk menjawab
© 1995 Corel
Corp.
Tinjauan Pendekatan Kuantitatif
• Pendekatan Naïve
• Moving averages
• Exponential smoothing Model Time-
series
• Trend projection

• Linear regression Model

Assosiasi
Metoda Peramalan Kuantitatif
(Non-Naive)
Peramalan
Kuantitatif

Model Model
Time Series Asosiasi

Moving Exponential Trend Linear

Average Smoothing Projection Regression
 Apakah Time Series itu?
• Sekumpulan numerical data
– Data variabel diambil oleh surveyer pada waktu
yang reguler
• Peramalan berdasarkan kepad waktu masa
lalu
– Asumsikan bahwa faktor faktor yang
mempengaruhi akan berlangsung ke masa depan
• Contoh
Tahun: 1998 1999 2000 2001 2002
Penjln: 78.7 63.5 89.7 93.2 92.1
 Komponen Time Series

Trend Cyclical

Seasonal Random
 Komponen Trend
• Tidak terputus, semua pattern naik atau
turun
• Biasanya ttg populasi, teknologi dll.
• Durasi dalam beberapa tahun

Response

Mo., Qtr., Yr. © 1984-1994 T/Maker Co.

 Komponen Seasonal
• Pola berfluktuatif naik dan turun secara
reguler
• Menunjukkan cuaca, kebiasaan dsb.
• Kejadian ddlm waktu 1 tahun
Summer
Response
© 1984-1994 T/Maker Co.

Mo., Qtr.
Pola Umum Seasonal
Perioda Panjang “Season” Jumlah pola
dalam “Seasons”
Minggu Hari 7

Bulan Minggu 4–4½

Bulan Hari 28 – 31

Thun Kuartal 4

Tahun Bulan 12

Tahun Minggu 52
 Komponen Cyclical
• Pergerakan berulang naik dan turun
• Interaksi faktor faktor yang mempengaruhi
ekonomi
• Biasanya berdurasi 2-10 tahun

Cycle
Response

Mo., Qtr., Yr.

 Komponen Random
• Tidak tersistimatik , fluktuasi ‘residual’
• Random variabel atau kejadian yang tak
© 1984-1994 T/Maker Co.

terduga
– Tsunami
– Tornado

• Durasi pendek dan tidak berulang

 Model umum Time Series

• Setiap nilai observasi dalam time series

adalah keluaran (atau jumlah)
komponen time series
• Multiplicative model
– Yi = Ti · Si · Ci · Ri (jika data kuartalan atau
bulanan )

• Additive model
– Yi = Ti + Si + Ci + Ri (jika data kuartalan atau
bulanan )
 Pendekatan Naive
• Asumsikan perminataan
berikutnya sama dengan
perioda sebelumnya
– Mis, Bila bulan Mai
penjualan 48, maka bln
Juni akan 48
• Kadang-kadang biaya
efisien dan efektif
© 1995 Corel Corp.
 Metoda Moving Average
• MA adalah rata rata aritmetik series
• Digunakan bila sedikit dan tidak ada trend
• Kadang kadang pakai juga utk smoothing
– Seluruhnya disediakan untuk impresi data masa
lalu
• Persamaan

MA =  Permintaan data n Perioda seb.

n
 Contoh Moving Average
Anda manager museum yang menjual replikasi
sejarah. Anda akan meramalkan penjualan
(000) untuk thn 2003 dgn menggunakan 3-
perioda moving average.
1998 4
1999 6
2000 5
2001 3
2002 7

© 1995 Corel Corp.

 Solusi Moving Average
Time Response Moving Moving
Yi Total Average
(n=3) (n=3)
1998 4 NA NA
1999 6 NA NA
2000 5 NA NA
2001 3 4+6+5=15 15/3 = 5
2002 7
2003 NA
 Solusi Moving Average
Time Response Moving Moving
Yi Total Average
(n=3) (n=3)
1998 4 NA NA
1999 6 NA NA
2000 5 NA NA
2001 3 4+6+5=15 15/3 = 5
2002 7 6+5+3=14 14/3=4 2/3
2003 NA
 Solusi Moving Average
Time Response Moving Moving
Yi Total Average
(n=3) (n=3)
1998 4 NA NA
1999 6 NA NA
2000 5 NA NA
2001 3 4+6+5=15 15/3=5.0
2002 7 6+5+3=14 14/3=4.7
2003 NA 5+3+7=15 15/3=5.0
 Grafik Moving Average

Penjualan

8 Actual
6
Peramalan
4
2
95 96 97 98 99 00
Thn
Bobot Metoda Moving Average
• Digunakan bila trend adalah saat ini
– Data usang biasanya kurang penting
• Bobot berdasarkan intuisi
– Biasanya antara 0 & 1, & jumlah 1.0
• Persamaan
Σ(Bobot perioda n) (Permintaan perioda n)
WMA =
Σ Bobot
Pemintaan aktual, Moving Average,
Moving Average Berbobot
35 Weighted moving average
30
Actual sales
25
Sales Demand

20
15
10
Moving average
5
0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Month
 Kelemahan Metoda
Moving Average
• Penigkatan n membuat peramalan
kurang sensitif untuk perubahan
• Trend peramalan tidak terlalu baik
• Memerlukan banyak data historik

© 1984-1994 T/Maker Co.

Metoda Exponential Smoothing

• Bentuk dr bobot rerata moving average

– Bobot menurun secara eksponensial
– Pergerakan data yang diperhalus
• Memerlukan konstanta penghalusan ()
– Range dari 0 to 1
– Pemilihan subjektif
• Melibatkan data yang tercatat masa lalu
 Persamaan Exponential
Smoothing
• Ft = At - 1 + (1-)At - 2 + (1- )2·At - 3
+ (1- )3At - 4 + ... + (1- )t-1·A0
– Ft = Peramalan baru
– At = Permintaan aktual periode sebelumnya
  = konstants Smoothing
• Ft = Ft-1 + (At-1 - Ft-1)
– Peramalan menggunakan komputer
 Contoh Exponential Smoothing
Selama 8 kuartal terakhir, Pelabuhan Baltimore menurunkan
gandum sejumlah tertentu. ( = .10). Peramalan kuartal
pertama adalah 175..
Kuartal Aktual
1 180 Cari peramalan
2 168 pada kuartal ke 9.
3 159
4 175
5 190
6 205
7 180
8 182
9 ?
 Solusi Exponential Smoothing
Ft = Ft-1 + 0.1(At-1 - Ft-1)
Peramalan, F t
Quarter Actual
( α = .10)
1 180 175.00 (Given)
2 168 175.00 +
3 159
4 175
5 190
6 205
 Solusi Exponential Smoothing
Ft = Ft-1 + 0.1(At-1 - Ft-1)
Forecast, F t
Quarter Actual
(α = .10)
1 180 175.00 (Given)
2 168 175.00 + .10(
3 159
4 175
5 190
6 205
 Solusi Exponential Smoothing
Ft = Ft-1 + 0.1(At-1 - Ft-1)
Forecast, Ft
Quarter Actual
(α = .10)
1 180 175.00 (Given)
2 168 175.00 + .10(180 -
3 159
4 175
5 190
6 205
 Solusi Exponential Smoothing
Ft = Ft-1 + 0.1(At-1 - Ft-1)
Forecast, Ft
Quarter Actual
(α = .10)
1 180 175.00 (Given)
2 168 175.00 + .10(180 - 175.00)
3 159
4 175
5 190
6 205
 Solusi Exponential Smoothing
Ft = Ft-1 + 0.1(At-1 - Ft-1)
Forecast, Ft
Quarter Actual
(α = .10)
1 180 175.00 (Given)
2 168 175.00 + .10(180 - 175.00) = 175.50
3 159
4 175
5 190
6 205
 Solusi Exponential Smoothing
Ft = Ft-1 + 0.1(At-1 - Ft-1)
Forecast, F t
Quarter Actual
(α = .10)
1 180 175.00 (Given)
2 168 175.00 + .10(180 - 175.00) = 175.50
3 159 175.50 + .10(168 - 175.50) = 174.75
4 175
5 190
6 205
Solusi Exponential Smoothing
Ft = Ft-1 + 0.1(At-1 - Ft-1)
Forecast, F t
Time Actual
( α = .10)
4 175 174.75 + .10(159 - 174.75) = 173.18
5 190 173.18 + .10(175 - 173.18) = 173.36
6 205 173.36 + .10(190 - 173.36) = 175.02
7 180 175.02 + .10(205 - 175.02) = 178.02
8 182 178.02 + .10(180 - 178.02) = 178.22
9 ? 178.22 + .10(182 - 178.22) = 178.58
Effek Peramalan Konstanta
Smoothing 
Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Weights
= Prior Period 2 periods ago 3 periods ago
 (1 - ) (1 - )2

= 0.10 10%
= 0.90
Effek Peramalan Konstanta
Smoothing 
Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Weights
= Prior Period 2 periods ago 3 periods ago
 (1 - ) (1 - )2

= 0.10 10% 9%
= 0.90
 250
Impact of 
200 Forecast (0.5)
Actual Tonage

150 Forecast (0.1)

Actual

100

50

0
1 2 3 4 5 6 7 8 9
Quarter
 Memilih 
Mencari Mean Absolute Deviation (MAD) yang minimum

Jika: Kesalahan Peramalan = Perminataan - Peramalan

 forecast errors
Maka: MAD =
n
 Model Linear Regression
• Memperlihatkan hubungan linearantara
varabel dependent dan independent
– Contoh: Sales & advertising (not time)

Y-intercept Slope

Y^ i = a + b X i
Dependent Independent (explanatory)
(response) variable variable
Persamaan Linear Regression
Persamaan: Ŷi = a + bx i
n
 x i y i − nx y
Slope: b = i =1
n
 x − nx
2
i
2
i =1

Y-Intercept: a = y − bx
 Tabel Komputasi

2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
 Koefisien Interpretasi
• Slope (b)
– Perkiraan perubahan Y dengan b utk tiap 1 unit
meningkatkan nilai X
• jika b = 2, maka penjualan (Y) diharapkan meningkat 2
untuk tiap 1 unit meningkatkan nilai advertising (X)
• Y-interprestasi (a)
– Rerata nilai Y ketika X = 0
• Jika a = 4, maka penjualan rerata (Y) adalah yg
diharapkan menjadi ketika advertising (X) adlh 0
 Variasi Random Error

• Variasi aktual Y dari preediksi Y

• Measured by standard error of estimate
– Sample standard deviation of errors
– Denoted SY,X
• Affects several factors
– Parameter significance
– Prediction accuracy
 Least Squares Assumptions
• Relationship is assumed to be linear.
Plot the data first - if curve appears to
be present, use curvilinear analysis.
• Relationship is assumed to hold only
within or slightly outside data range. Do
not attempt to predict time periods far
beyond the range of the data base.
• Deviations around least squares line are
assumed to be random.
Standard Error of the Estimate
n
(
 i c
y − y )2

S y,x = i =1

n−2

n n n

y 2
i − a  y i − b xi y i
= i =1 i =1 i =1

n−2
 Correlation

• Answers: ‘how strong is the linear

relationship between the variables?’
• Coefficient of correlation Sample
correlation coefficient denoted r
– Values range from -1 to +1
– Measures degree of association
• Used mainly for understanding
 Sample Coefficient of
Correlation

n n n
n  x i yi −  x i  yi
r= i = i = i =
 n   n   n   n  
n  x i −   x i   n  yi −   yi  
 i =  i =    i =  i =  
 Coefficient of Correlation and
Regression Model
Y r=1 Y r = -1
Y^i = a + b X i
Y^i = a + b X i
X X
Y r = .89 Y r=0

Y^i = a + b X i Y^i = a + b X i
X X
r2 = square of correlation coefficient (r), is the percent of the variation
in y that is explained by the regression equation
 Guidelines for Selecting
Forecasting Model
• You want to achieve:
– No pattern or direction in forecast error
^
• Error = (Yi - Yi) = (Actual - Forecast)
• Seen in plots of errors over time
– Smallest forecast error
• Mean square error (MSE)
• Mean absolute deviation (MAD)
 Pattern of Forecast Error

Trend Not Fully

Accounted for Desired Pattern
Error Error

0 0

Time (Years) Time (Years)

 Forecast Error Equations
• Mean Square Error (MSE)
n

 (y − ŷ )  forecast errors
i i
2
2

MSE = i =1
=
n n
• Mean Absolute Deviation (MAD)
n

 | y − yˆ |  | forecast errors |
i i
MAD = i =1
=
n n

• Mean Absolute Percent Error (MAPE)

n actuali − forecast i
 actual i =1
MAPE = 100 i

n
 Selecting Forecasting Model
Example
You’re a marketing analyst for Hasbro Toys. You’ve forecast sales with a
linear model & exponential smoothing. Which model do you use?

Actual Linear Model Exponential

Smoothing
Year Sales Forecast Forecast (.9)

1998 1 0.6 1.0

1999 1 1.3 1.0
2000 2 2.0 1.9
2001 2 2.7 2.0
2002 4 3.4 3.8
 Linear Model Evaluation
|Error|
Year Yi Y^ i Error Error2 |Error|
Actual
1998 1 0.6 0.4 0.16 0.4 0.40
1999 1 1.3 -0.3 0.09 0.3 0.30
2000 2 2.0 0.0 0.00 0.0 0.00
2001 2 2.7 -0.7 0.49 0.7 0.35
2002 4 3.4 0.6 0.36 0.6 0.15
Total 0.0 1.10 2.0 1.20
MSE = Σ Error2 / n = 1.10 / 5 = 0.220
MAD = Σ |Error| / n = 2.0 / 5 = 0.400
MAPE = 100 Σ|absolute percent errors|/n= 1.20/5 = 0.240
Exponential Smoothing Model
^
Evaluation |Error|
Year Y Y Error Error2 |Error|
i i Actual
1998 1 1.0 0.0 0.00 0.0 0.00
1999 1 1.0 0.0 0.00 0.0 0.00
2000 2 1.9 0.1 0.01 0.1 0.05
2001 2 2.0 0.0 0.00 0.0 0.00
2002 4 3.8 0.2 0.04 0.2 0.05
Total 0.3 0.05 0.3 0.10
MSE = Σ Error2 / n = 0.05 / 5 = 0.01
MAD = Σ |Error| / n = 0.3 / 5 = 0.06
MAPE = 100 Σ |Absolute percent errors|/n = 0.10/5 = 0.02
Exponential Smoothing Model
Evaluation
Linear Model:
MSE = Σ Error2 / n = 1.10 / 5 = .220
MAD = Σ |Error| / n = 2.0 / 5 = .400
MAPE = 100 Σ|absolute percent errors|/n= 1.20/5 = 0.240
Exponential Smoothing Model:
MSE = Σ Error2 / n = 0.05 / 5 = 0.01
MAD = Σ |Error| / n = 0.3 / 5 = 0.06
MAPE = 100 Σ |Absolute percent errors|/n = 0.10/5 = 0.02
 Tracking Signal
• Measures how well the forecast is
predicting actual values
• Ratio of running sum of forecast errors
(RSFE) to mean absolute deviation (MAD)
– Good tracking signal has low values
• Should be within upper and lower control
limits
Tracking Signal Equation
RSFE
TS =
MAD

n
 (y i − ŷ i )
= i =
MAD

 forecast error
=
MAD
 Tracking Signal Computation
Mo Fcst Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10
2 100 95
3 100 115 Error = Actual - Forecast
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10
2 100 95
3 100 115 RSFE =  Errors
= NA + (-10) = -10
4 100 100
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10
2 100 95
3 100 115 Abs Error = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10
2 100 95
3 100 115 Cum |Error| =  |Errors|
= NA + 10 = 10
4 100 100
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0
2 100 95
3 100 115 MAD =  |Errors|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95
3 100 115 TS = RSFE/MAD
= -10/10 = -1
4 100 100
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5
3 100 115
4 100 100 Error = Actual - Forecast
= 95 - 100 = -5
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15
3 100 115
4 100 100 RSFE =  Errors
= (-10) + (-5) = -15
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15 5
3 100 115
4 100 100 Abs Error = |Error|
= |-5| = 5
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15 5 15
3 100 115
4 100 100 Cum Error =  |Errors|
= 10 + 5 = 15
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15 5 15 7.5
3 100 115
4 100 100 MAD =  |Errors|/n
= 15/2 = 7.5
5 100 125
6 100 140
 Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15 5 15 7.5 -2
3 100 115
4 100 100 TS = RSFE/MAD
= -15/7.5 = -2
5 100 125
6 100 140
 Plot of a Tracking Signal
Signal exceeded limit

Tracking signal
Upper control limit
+

0 Acceptable range

-
Lower control limit

Time
 Tracking Signals
160 3
140 2

Tracking Singal
Actual Demand

120 Forecast
100 1
80 Actual demand 0
60 Tracking Signal
-1
40
20 -2
0 -3
0 1 2 3 4 5 6 7
Time
 Forecasting in the Service
Sector
• Presents unusual challenges
– special need for short term records
– needs differ greatly as function of industry and
product
– issues of holidays and calendar
– unusual events