Forecast total terlihat mendekati penjualan aktual, tetapi gudang tetap kelebihan satu produk dan kekurangan produk lain. Ini bisa terjadi karena error saling menutup pada angka total. Untuk membaca forecast accuracy, tim perlu memeriksa besarnya kesalahan, arah kecenderungan, dan tingkat rincian yang sesuai dengan keputusan persediaan.
Artikel ini membahas evaluasi prediksi untuk planner dan manajer operasi. Pembahasan pemilihan use case serta pilot AI tersedia terpisah di AI demand forecasting untuk bisnis.
Tetapkan definisi sebelum menghitung
Gunakan A sebagai aktual dan F sebagai forecast. Pada artikel ini, error bertanda adalah F − A: angka positif berarti prediksi terlalu tinggi. Perusahaan boleh memakai konvensi sebaliknya, tetapi harus menuliskannya pada dashboard.
Bandingkan forecast yang tersedia ketika keputusan dibuat. Untuk pembelian dengan lead time dua bulan, jangan menilai hanya forecast yang diperbarui sehari sebelum periode berakhir. Evaluasi seperti itu terlihat bagus tetapi tidak menggambarkan kualitas keputusan pembelian.
Contoh hitungan tiga produk
Ilustrasi satu periode: aktual produk A, B, dan C masing-masing 100, 200, dan 10 unit; forecast-nya 110, 180, dan 20 unit. Error absolut menjadi 10, 20, dan 10 unit. Total aktual 310 unit, total forecast 310 unit, dan jumlah error absolut 40 unit.
- MAPE: rata-rata persentase error absolut per observasi. Hasil contoh = (10% + 10% + 100%) / 3 = 40%.
- WAPE: jumlah error absolut dibagi jumlah aktual. Hasil contoh = 40 / 310 × 100% = sekitar 12,90%.
- Bias agregat: jumlah (F − A) dibagi jumlah A. Hasil contoh = 0 / 310 = 0%, meskipun setiap produk mengalami error.
Perhitungan ini merupakan contoh matematis, bukan hasil proyek. Definisi WAPE dan kendala pembagi mendekati nol juga dijelaskan dalam dokumentasi metrik Amazon Forecast. Metrik tersebut dapat dipakai sebagai konsep evaluasi tanpa harus memilih layanan vendornya.
Kapan masing-masing metrik menyesatkan?
MAPE memberi bobot yang sama pada persentase tiap observasi. Produk berpenjualan rendah dapat mendominasi hasil; aktual nol membuat pembagian tidak terdefinisi. Jangan mengganti nol dengan angka kecil secara diam-diam karena itu mengubah arti hasil.
WAPE lebih dipengaruhi produk bervolume besar dan tidak terdefinisi ketika jumlah aktual nol. Nilai portofolio yang rendah dapat menutupi masalah pada SKU penting. Bias agregat menunjukkan arah kecenderungan, tetapi error positif dan negatif dapat saling menghapus.
Karena itu, tampilkan error dalam unit bersama metrik persentase. Untuk barang dengan permintaan terputus-putus, evaluasi ketersediaan dan biaya persediaan juga diperlukan. Tidak ada ambang “akurasi bagus” yang berlaku untuk semua produk dan horizon.
Dashboard yang membantu mengambil tindakan
- Pisahkan hasil menurut horizon, keluarga produk, lokasi, dan kelas prioritas.
- Bandingkan model dengan baseline sederhana pada periode uji yang sama.
- Simpan versi forecast, tanggal potong, perlakuan stok kosong, dan data yang dikecualikan.
- Periksa SKU dengan error besar, lalu tentukan tindakan: koreksi data, perbaikan asumsi, atau perubahan kebijakan stok.
Jangan menyebut 100% dikurangi WAPE sebagai satu-satunya ukuran mutu; ketika error sangat besar, angka tersebut bahkan dapat negatif. Untuk menghubungkan evaluasi dengan transaksi dan keputusan pembelian, diskusikan rancangan dashboard dan alur data bersama Layana.
Bawa hasil evaluasi ke rapat S&OP sebagai dasar memperbaiki asumsi. Jika pesanan berubah lebih tajam daripada konsumsi, periksa juga bullwhip effect dalam rantai pasok.