AI untuk Analisis Stok dan Prediksi Kebutuhan Barang

Ada dua jenis kerugian di gudang yang sering luput dari laporan keuangan.

Yang pertama adalah barang yang terlalu lama berada di rak. Tidak laku, lalu mengendap, kehilangan masa jual, masuk musim yang berbeda, atau akhirnya harus dilepas dengan harga murah.

Yang kedua justru kebalikannya: barang habis ketika pelanggan sedang mencarinya.

Keduanya kelihatan seperti dua masalah yang berbeda. Padahal, sering kali sumbernya sama: kita tidak benar-benar tahu berapa banyak barang yang akan dibutuhkan.

Karena itu, keputusan pembelian akhirnya dibuat berdasarkan apa yang terlihat bulan lalu, pengalaman staf, atau sekadar feeling.

Masalahnya, feeling bekerja cukup baik ketika bisnis masih kecil. Ketika SKU mulai bertambah, cabang mulai banyak, dan pola penjualan berubah-ubah, cara itu mulai sulit diandalkan.

Stok mati dan stok kosong sama-sama mahal

Solusi paling sederhana biasanya terdengar masuk akal: kalau sering kehabisan, pesan lebih banyak.

Masalahnya, cara ini memang mengurangi stok kosong, tetapi sekaligus meningkatkan kemungkinan barang tidak terjual.

Sebaliknya, mengurangi pembelian bisa membuat gudang terlihat lebih sehat, tetapi risiko kehilangan penjualan ikut naik.

Jadi persoalannya bukan sekadar memilih antara stok banyak atau stok sedikit. Yang dibutuhkan adalah perkiraan permintaan yang lebih masuk akal.

Stok mati: uang yang berhenti bergerak

Barang yang mengendap bukan cuma masalah ruang gudang.

Ada modal yang tertahan di dalamnya. Uang tersebut seharusnya bisa dipakai untuk membeli barang lain yang perputarannya lebih cepat. Belum lagi biaya penyimpanan, risiko kerusakan, dan kemungkinan harus menjualnya dengan diskon.

Untuk produk yang punya masa kedaluwarsa, persoalannya bahkan lebih sederhana: lewat tanggalnya, nilai jualnya bisa turun menjadi nol.

Stok kosong: penjualan yang tidak pernah tercatat

Stok kosong sedikit lebih tricky.

Ketika seorang pelanggan datang dan barang yang dicari ternyata habis, sistem kasir biasanya hanya mencatat satu hal: tidak ada transaksi.

Pelanggan yang pergi tanpa membeli tidak meninggalkan data.

Kalau kondisi ini terus terjadi, data penjualan bisa memberikan kesimpulan yang keliru. Produk terlihat jarang terjual, lalu pesanan berikutnya dikurangi. Akibatnya, stok semakin sering kosong.

Ini semacam lingkaran kecil yang bisa berjalan tanpa disadari.

Karena itu, ada satu data sederhana yang sebaiknya mulai dicatat bahkan sebelum menggunakan model prediksi: kapan sebuah produk kehabisan stok.

Catat tanggal mulai kosong dan kapan stok kembali tersedia. Dengan begitu, angka nol dalam laporan penjualan tidak langsung dianggap sebagai tidak adanya permintaan.

Coba hitung kerugiannya dulu

Sebelum membuat model prediksi atau membeli sistem baru, ada baiknya berhenti sebentar dan menghitung biaya masalahnya.

Ambil satu periode, misalnya tiga bulan terakhir. Kemudian isi angka sebenarnya dari bisnis Anda.

Komponen	Cara menghitung	Nilai Anda
Nilai barang mengendap	Nilai beli SKU yang tidak bergerak > 90 hari	isi
Kerugian diskon obral	Selisih harga normal dan harga lepas, dikali unit	isi
Barang rusak atau kedaluwarsa	Nilai beli yang dihapus	isi
Hari kosong per SKU	Jumlah hari stok nol pada SKU yang biasanya laku	isi
Perkiraan penjualan hilang	Rata-rata penjualan harian SKU dikali hari kosong	isi
Margin yang hilang	Penjualan hilang dikali margin per unit	isi

Angka ini tidak perlu sempurna. Tujuannya hanya untuk mengetahui apakah masalah stok memang cukup mahal untuk dikerjakan.

Kalau setelah dihitung ternyata kerugiannya kecil, mungkin belum ada alasan untuk membuat sistem prediksi yang rumit. Perbaiki proses manualnya saja.

Tapi kalau nilainya sudah signifikan, barulah investasi pada analisis data mulai masuk akal.

Data yang sebenarnya dibutuhkan tidak sebanyak itu

Pertanyaan berikutnya biasanya: “Data kami cukup tidak?”

Jawabannya tergantung pada seberapa jauh prediksi yang ingin dibuat. Namun untuk tahap awal, kebanyakan bisnis tidak membutuhkan data sebanyak yang mereka bayangkan.

Setidaknya ada beberapa hal yang perlu tersedia.

Transaksi penjualan per hari per SKU. Data harian jauh lebih berguna daripada rekap bulanan karena pola Senin, akhir pekan, atau hari tertentu bisa ikut terlihat.
Riwayat minimal satu tahun untuk produk yang memiliki pola musiman. Kalau produknya relatif stabil sepanjang tahun, enam bulan sudah cukup untuk mulai melihat pola mingguan.
Riwayat penerimaan barang. Tanpa data ini, sistem sulit membedakan penjualan rendah karena memang sepi dengan penjualan rendah karena barang sedang kosong.
Lead time pemasok. Prediksi permintaan baru berguna ketika kita tahu berapa lama barang membutuhkan waktu untuk sampai.
Penanda kejadian khusus. Promo besar, toko tutup, libur panjang, renovasi, dan kejadian lain yang membuat penjualan tidak normal perlu ditandai.

Yang belum perlu dikejar sejak awal adalah data pelanggan, cuaca, atau data kompetitor.

Data tersebut memang bisa membantu pada tahap berikutnya. Tetapi menunggu sampai semua data tersedia biasanya justru membuat proyek tidak pernah dimulai.

Retail Indonesia punya pola yang tidak selalu cocok dengan kalender

Di atas kertas, membuat model prediksi terdengar sederhana. Masukkan histori penjualan, cari pola, lalu prediksi beberapa minggu ke depan.

Di lapangan, ceritanya sedikit berbeda.

Ritel Indonesia punya beberapa pola yang perlu dipahami sebelum mempercayai hasil model begitu saja.

Hari raya berpindah setiap tahun. Lebaran tidak jatuh pada bulan yang sama setiap tahun dalam kalender Masehi. Membandingkan penjualan “Mei tahun ini” dengan “Mei tahun lalu” bisa menghasilkan kesimpulan yang keliru. Untuk kasus seperti ini, tanggal atau periode Hijriah lebih relevan.
Efek hari raya tidak hanya berupa satu lonjakan. Penjualan bisa naik menjelang hari raya, turun tajam ketika banyak orang mudik, kemudian kembali bergerak setelahnya. Kalau semuanya dianggap sebagai satu puncak, stok bisa datang pada waktu yang salah.
Gajian punya pengaruh. Pada kategori tertentu, awal dan akhir bulan bisa memiliki karakter penjualan yang sangat berbeda dibanding pertengahan bulan.
Tahun ajaran juga punya musimnya sendiri. Untuk beberapa kategori, musim sekolah bisa jauh lebih berpengaruh dibanding musim hujan atau kemarau.
Setiap lokasi bisa punya kebiasaan berbeda. Toko di kawasan perkantoran mungkin ramai pada hari kerja, sementara toko di kawasan perumahan justru mendapatkan volume lebih besar pada akhir pekan.

Karena itu, kalau bisnis punya beberapa cabang, jangan buru-buru menggabungkan semua data menjadi satu angka. Lihat dulu perilaku masing-masing lokasi.

Jangan berharap model langsung sempurna

Prediksi permintaan bukan alat untuk melihat masa depan.

Lebih tepat kalau menganggapnya sebagai cara untuk memperkecil ketidakpastian.

Di bulan pertama, model kemungkinan akan bekerja cukup baik pada produk yang penjualannya rutin dan volumenya tinggi. Sebaliknya, produk yang hanya terjual beberapa unit dalam sebulan memang jauh lebih sulit diprediksi.

Untuk produk seperti itu, aturan sederhana seperti reorder point bisa saja lebih masuk akal daripada model statistik yang kompleks.

Hal yang sama berlaku untuk cara mengukur keberhasilan.

Jangan berhenti pada pertanyaan, “Akurasi modelnya berapa persen?”

Satu angka akurasi tidak banyak memberi tahu tentang apa yang sebenarnya terjadi di gudang.

Lebih baik lihat setidaknya tiga hal:

Seberapa jauh prediksi dari penjualan sebenarnya. Lihat per SKU dan kelompokkan berdasarkan kecepatan perputarannya.
Ke mana arah kesalahannya. Prediksi yang selalu terlalu rendah bisa lebih berbahaya daripada prediksi yang kadang terlalu tinggi dan kadang terlalu rendah.
Apa dampaknya terhadap bisnis. Apakah jumlah hari stok kosong berkurang? Apakah barang mengendap berkurang? Pada akhirnya, dua hal inilah yang menentukan apakah sistem tersebut berguna.

Karena itu, tidak perlu langsung menyerahkan keputusan pembelian kepada mesin.

Jalankan rekomendasi model berdampingan dengan cara lama selama beberapa siklus pemesanan. Biarkan tim membandingkan hasilnya dengan pengalaman mereka sendiri.

Kepercayaan biasanya tidak muncul dari dashboard yang bagus. Ia muncul setelah rekomendasi sistem terbukti benar beberapa kali pada produk yang memang mereka kenal.

Kapan prediksi stok justru tidak diperlukan?

Tidak semua bisnis membutuhkan sistem seperti ini.

Kalau SKU masih sedikit dan seorang staf sudah hafal pola penjualannya, menambahkan sistem prediksi bisa saja hanya membuat proses lebih panjang.

Begitu juga dengan bisnis yang produknya dibuat berdasarkan pesanan. Masalah utamanya bukan berapa banyak stok yang harus disimpan, melainkan berapa kapasitas produksi yang harus disiapkan.

Ada juga masalah yang tidak bisa diselesaikan oleh prediksi.

Kalau pemasok sering terlambat, model seakurat apa pun tidak akan banyak membantu. Kalau data penjualan belum dicatat dengan baik, belum ada banyak hal yang bisa dipelajari mesin.

Dalam kondisi seperti itu, pekerjaan pertama bukan membuat AI.

Rapikan pencatatan dulu.

Jangan membuat dashboard baru kalau keputusan sudah terjadi di tempat lain

Satu kesalahan yang cukup umum dalam proyek analisis data adalah membuat dashboard yang bagus, lalu berharap orang akan membukanya setiap hari.

Biasanya tidak bertahan lama.

Rekomendasi stok akan jauh lebih berguna kalau muncul di tempat orang memang mengambil keputusan pembelian.

Ada beberapa cara untuk melakukannya, dari yang paling sederhana.

Ekspor terjadwal. Data kasir ditarik setiap malam, diproses, kemudian hasil rekomendasi dikirim sebagai daftar pemesanan lewat email atau pesan. Cara ini relatif murah dan mudah dihentikan kalau hasilnya tidak sesuai.
Rekomendasi langsung di sistem stok. Sistem menampilkan jumlah yang disarankan ketika staf membuat pesanan. Angka tersebut masih bisa diubah oleh manusia, tetapi keputusan tidak lagi dimulai dari halaman kosong.
Pemesanan otomatis. Ini baru masuk akal setelah pola produk benar-benar stabil dan bisnis sudah punya batas nilai transaksi serta mekanisme persetujuan yang jelas.

Jadi, sebelum memikirkan model yang lebih canggih, pastikan sistem kasir atau stok Anda bisa mengeluarkan data transaksi harian dalam format yang bisa diproses.

Ini mungkin terdengar seperti detail teknis kecil. Sebenarnya justru fondasinya.

Dari data kasir menjadi keputusan pembelian

Di titik ini, teknologi bukan lagi soal membuat model AI yang terlihat canggih.

Yang lebih penting adalah rantai sederhananya: transaksi tercatat dengan benar, stok diketahui, pola permintaan terbaca, lalu rekomendasi muncul sebelum keputusan pembelian dibuat.

Misalnya pada Coffee Shop Management System yang kami bangun, data penjualan dan stok bahan berada dalam satu sistem. Artinya, data harian tidak perlu dikumpulkan ulang dari beberapa tempat sebelum dianalisis.

Dari sana, analisis dan otomasi bisa ditempatkan sebagai lapisan berikutnya melalui AI automation. Sementara untuk bisnis yang sudah memiliki sistem sendiri, kebutuhan integrasinya bisa ditangani melalui pengembangan aplikasi khusus.

Karena pada akhirnya, tujuan prediksi stok bukan membuat bisnis terlihat lebih “AI”.

Tujuannya jauh lebih sederhana: membeli barang yang memang kemungkinan besar akan terjual, pada waktu yang tepat, dalam jumlah yang masuk akal.