Gambar utama merupakan ilustrasi AI, bukan dokumentasi proyek Layana.ID.
AI demand forecasting membantu memperkirakan permintaan dari pola data. Bagi perusahaan dengan banyak SKU, cabang, atau promosi, nilainya perlu dibuktikan pada keputusan persediaan: apakah prediksi memberi dasar yang lebih baik untuk membeli, memproduksi, dan mendistribusikan barang?
Model yang terlihat akurat pada presentasi belum tentu mengurangi kelebihan stok. Demand planner perlu membedakan prediksi, rencana penjualan, dan pesanan aktual. Ketiganya mempunyai peran berbeda, dan tidak boleh dijumlahkan begitu saja menjadi kebutuhan barang.
Apa Itu AI Demand Forecasting?
IBM menjelaskan AI demand forecasting sebagai penggunaan AI untuk memperkirakan permintaan produk atau layanan melalui data historis dan faktor relevan lainnya. Penerapannya dapat mendukung perencanaan persediaan dan produksi. Kemampuan tersebut bukan jaminan bahwa model selalu mengalahkan metode sederhana pada setiap produk.
Dalam rancangan bisnis, keluaran yang diperlukan bukan sekadar satu angka. Tentukan produk, lokasi, satuan, periode, tanggal prediksi dibuat, serta rentang ketidakpastian bila model mendukungnya. Prediksi 500 unit untuk satu bulan tidak bisa langsung dipakai sebagai kebutuhan harian satu gudang.
Forecast Berbeda Dari Aturan Pemesanan
Forecast memperkirakan permintaan yang belum terjadi. Reorder point menentukan kapan pemesanan dilakukan berdasarkan kebijakan persediaan. Safety stock menyediakan penyangga terhadap variasi. MRP menerjemahkan kebutuhan menjadi kebutuhan bahan menurut struktur produk dan waktu. Memperbaiki forecast tidak otomatis memperbaiki seluruh kebijakan tersebut.
Gunakan prediksi sebagai masukan yang terkontrol ke proses perencanaan. Untuk tahap berikutnya, baca penentuan reorder point dan perhitungan safety stock. Hindari membiarkan model bahasa mengarang angka permintaan lalu langsung menghasilkan PO.
Data Penjualan Tidak Selalu Sama Dengan Permintaan
Penjualan nol saat barang habis bukan bukti pelanggan tidak membutuhkan produk. Retur, pembatalan, perubahan kemasan, promosi, dan perpindahan cabang juga dapat mengubah pola. Tim perlu memberi penanda agar model tidak membaca semua perubahan sebagai perilaku pelanggan yang normal.
- Transaksi: tanggal, SKU, lokasi, kuantitas, retur, dan status pesanan.
- Ketersediaan: periode stockout, kapasitas, serta pembatasan penjualan.
- Kalender: hari kerja, periode libur, promosi, dan kejadian yang relevan.
- Master produk: satuan, pengganti SKU, tanggal peluncuran, dan penghentian produk.
- Konteks komersial: kontrak pelanggan atau pesanan besar yang perlu dipisahkan dari permintaan rutin.
Tetapkan pemilik untuk setiap kolom. Jangan mengambil data eksternal hanya karena tersedia; pastikan relevan, berizin, dan tersedia pada saat prediksi seharusnya dibuat. Informasi yang baru diketahui setelah periode berakhir tidak boleh masuk ke pengujian seolah-olah sudah diketahui sebelumnya.
Uji Model Melawan Baseline Yang Masuk Akal
Baseline dapat berupa rata-rata bergerak atau nilai periode musiman sebelumnya, sesuai pola bisnis. Tujuannya menyediakan pembanding yang dapat dijalankan, bukan sengaja memilih pembanding lemah. Model yang lebih rumit harus memberikan nilai tambahan setelah biaya pengelolaan dan koreksi diperhitungkan.
Gunakan Pengujian Berurutan Menurut Waktu
Latih dengan data masa lalu, kemudian prediksi periode sesudahnya. Geser titik pengujian dan ulangi sehingga tim melihat beberapa kondisi, bukan satu bulan yang kebetulan cocok. Jangan membagi data deret waktu secara acak jika cara itu membocorkan informasi masa depan ke pelatihan.
Samakan horizon dengan keputusan. Pembelian bahan dengan lead time delapan minggu memerlukan evaluasi yang sesuai delapan minggu, bukan hanya prediksi besok. Kelompokkan hasil menurut SKU, cabang, dan karakter permintaan agar produk volume besar tidak menyembunyikan kegagalan pada kelompok penting.
Contoh Perhitungan Error
Angka berikut hanya ilustrasi. Permintaan aktual tiga periode adalah 100, 120, dan 80 unit. Prediksi model adalah 90, 130, dan 100 unit. Error absolutnya 10, 10, dan 20 unit. MAE = 40/3 = 13,33 unit. WAPE pada kumpulan ini = 40/300 = 13,33%.
Jumlah prediksi 320 unit dibanding aktual 300 unit menunjukkan kecenderungan berlebih 20 unit. Dengan konvensi bias berupa jumlah prediksi dikurangi aktual, bias relatifnya 20/300 = 6,67%. Tuliskan konvensi tanda karena tim lain dapat menggunakan definisi kebalikan. WAPE tidak dapat dihitung dengan pembagi total aktual nol; produk permintaan jarang membutuhkan penilaian tambahan.
Hubungkan Akurasi Dengan Dampak Operasi
Error lebih kecil belum tentu menghasilkan stok lebih baik jika MOQ, umur simpan, dan jadwal pengiriman tidak ikut diperhitungkan. Simulasikan kebijakan pembelian menggunakan prediksi model dan baseline pada periode uji yang sama. Bandingkan service level yang didefinisikan jelas, kejadian kehabisan stok, persediaan berlebih, serta kebutuhan modal kerja.
Hindari mengubah banyak kebijakan sekaligus pada pilot. Jika model, safety stock, dan frekuensi pembelian diubah bersamaan, tim sulit mengetahui penyebab hasil. Catat intervensi planner beserta alasannya sehingga koreksi manual tidak hilang dari evaluasi.
Batas Otomasi Dan Peran PIC
Demand planner meninjau hasil serta kejadian khusus. Sales mengonfirmasi peluang besar tanpa mengubah pipeline menjadi pesanan pasti. Procurement memeriksa lead time dan MOQ. Finance menetapkan batas modal kerja. IT menjaga pipeline data, versi model, dan rekam jejak perhitungan.
Workflow dapat menyiapkan rekomendasi pembelian; persetujuan komitmen tetap mengikuti kewenangan perusahaan. Bila agent dipakai untuk mencari penyebab perubahan, pisahkan penjelasan naratif dari angka forecast yang dihitung oleh pipeline teruji. Agent tidak boleh mengubah versi prediksi tanpa jejak dan persetujuan yang sesuai.
Tahapan Pilot Yang Dapat Dievaluasi
- Pilih kelompok SKU dengan riwayat dan pemilik data yang memadai.
- Kunci baseline, horizon, metrik, serta aturan mengecualikan data bermasalah.
- Jalankan backtest dan tinjau kelompok yang gagal.
- Bandingkan rekomendasi model dengan keputusan planner tanpa langsung membuat pesanan.
- Perluas hanya bila kualitas, biaya, dan integrasi proses memenuhi kriteria yang disepakati.
Hentikan atau kembalikan ke baseline jika kualitas data memburuk, error melampaui batas, atau model mengubah rekomendasi tanpa penjelasan operasional yang bisa ditinjau. Gunakan versi prediksi yang tetap dapat ditelusuri setelah model diperbarui.
Pertanyaan Yang Sering Diajukan
Apakah ChatGPT Cukup Untuk Forecast Penjualan?
Asisten bahasa dapat membantu eksplorasi dan penjelasan, tetapi keluaran angka untuk perencanaan perlu metode, data, serta pengujian yang dapat diulang. Percakapan tanpa backtest bukan dasar yang memadai untuk komitmen stok.
Apakah Semua SKU Harus Memakai Model Yang Sama?
Tidak harus. Produk baru, musiman, dan permintaan jarang dapat membutuhkan perlakuan berbeda. Pilih pendekatan berdasarkan hasil uji dan biaya operasi, bukan kompleksitas model.
Petakan Data Dan Keputusan Persediaan Anda
Layana.ID menyediakan layanan AI dan machine learning serta integrasi sistem bisnis. Siapkan contoh data SKU, horizon pembelian, aturan persediaan, dan keputusan yang ingin diperbaiki. Diskusikan cakupan pilot prediksi permintaan dengan ukuran keberhasilan yang dapat diuji.