Peramalan Permintaan dengan AI dan Data ERP: Panduan Realistis untuk Stok dan Pembelian

Hampir setiap keputusan operasional di perusahaan dagang dan manufaktur bermula dari satu pertanyaan: berapa banyak yang akan terjual? Jawaban atas pertanyaan itu menentukan berapa banyak barang dipesan dari pemasok, berapa banyak bahan baku disiapkan, berapa orang dijadwalkan di gudang, dan berapa banyak uang yang tertahan di persediaan. Di banyak perusahaan, jawabannya masih berasal dari perasaan bagian pembelian atau rata-rata penjualan tiga bulan terakhir di spreadsheet.

Peramalan permintaan dengan bantuan AI menjanjikan cara yang lebih baik. Namun janji itu sering disampaikan secara berlebihan, seolah model canggih bisa menebak masa depan dengan tepat. Artikel ini membahas peramalan permintaan secara realistis: data ERP apa yang dibutuhkan, metode apa yang masuk akal untuk perusahaan menengah, cara mengukur apakah ramalan benar-benar membaik, dan bagaimana menghubungkan hasilnya dengan keputusan pembelian dan produksi.

Ringkasan

• Ramalan tidak pernah tepat; tujuannya adalah mengurangi kesalahan dan menyadari ketidakpastian, bukan menghilangkannya
• Data penjualan historis di ERP adalah fondasi, tetapi perlu dibersihkan dari distorsi seperti stok kosong, promosi, dan pesanan luar biasa
• Mulailah dengan metode statistik sederhana sebagai pembanding, baru gunakan machine learning jika terbukti lebih akurat
• Ukur akurasi dan bias ramalan secara rutin per kelompok barang, bukan hanya angka rata-rata keseluruhan
• Ramalan baru bernilai jika terhubung ke perencanaan pembelian, produksi, dan stok pengaman di ERP, dengan ruang bagi penilaian manusia

Mengapa peramalan permintaan penting

Kesalahan ramalan selalu berujung pada biaya. Ramalan yang terlalu tinggi membuat gudang penuh barang yang lambat laku, modal kerja tertahan, dan risiko barang rusak atau kedaluwarsa meningkat. Ramalan yang terlalu rendah membuat stok habis, pelanggan beralih ke pesaing, dan tim terpaksa melakukan pembelian darurat dengan harga lebih mahal. Keduanya langsung memengaruhi arus kas.

Ramalan yang lebih baik tidak harus sempurna untuk memberi manfaat. Mengurangi kesalahan pada barang-barang bernilai tinggi atau bervolume besar saja sudah bisa memperbaiki tingkat layanan dan menurunkan persediaan secara bersamaan. Itulah sebabnya peramalan permintaan sering menjadi salah satu penerapan AI yang paling mudah dihubungkan dengan hasil bisnis yang terukur.

Data yang dibutuhkan dari ERP

Model peramalan hanya sebaik data yang diberikan kepadanya. Sebagian besar data yang dibutuhkan sebenarnya sudah ada di ERP, asalkan dicatat dengan rapi.

• Riwayat penjualan atau pengiriman per barang, per lokasi, dan per hari atau minggu
• Riwayat stok, untuk mengetahui kapan barang kosong sehingga penjualan tidak mencerminkan permintaan sebenarnya
• Riwayat promosi, diskon, dan perubahan harga
• Data barang: kategori, tanggal mulai dijual, status aktif atau dihentikan, dan barang pengganti
• Data pelanggan atau kanal untuk penjualan B2B, karena pesanan besar dari satu pelanggan bisa mendistorsi pola
• Waktu tunggu pemasok dan jumlah pesanan minimum, yang dibutuhkan saat ramalan diubah menjadi rencana pembelian

Kualitas master data sangat menentukan. Jika satu produk tercatat dengan beberapa kode berbeda, atau barang pengganti tidak dihubungkan dengan barang lama, model akan melihat riwayat yang terputus-putus.

Penjualan bukan selalu permintaan

Salah satu jebakan terbesar adalah menganggap angka penjualan sama dengan permintaan. Jika suatu barang kosong selama dua minggu, penjualannya nol, padahal pelanggan tetap mencari. Jika data ini dipakai mentah-mentah, model akan meramalkan permintaan lebih rendah, stok makin sedikit, dan barang makin sering kosong. Periode stok kosong perlu ditandai dan dikoreksi sebelum data dipakai untuk melatih model.

Hal serupa berlaku untuk promosi. Lonjakan penjualan saat diskon besar bukan pola normal, dan sering diikuti penurunan setelahnya karena pelanggan sudah menimbun. Pesanan proyek satu kali dari pelanggan besar juga sebaiknya dipisahkan dari permintaan rutin.

Metode peramalan: dari sederhana ke canggih

Metode statistik dasar

Rata-rata bergerak, pemulusan eksponensial, dan model yang memperhitungkan tren dan musim sudah dipakai selama puluhan tahun. Metode ini mudah dipahami, cepat dihitung, dan sering memberikan hasil yang cukup baik untuk barang dengan pola permintaan stabil. Yang terpenting, metode ini menjadi pembanding wajib. Model AI apa pun harus dibuktikan lebih akurat daripada metode sederhana ini sebelum layak dipakai.

Machine learning

Model machine learning, misalnya model berbasis pohon keputusan atau jaringan saraf, dapat mempertimbangkan banyak faktor sekaligus: harga, promosi, hari libur, cuaca, hari gajian, hingga data dari barang-barang serupa. Keunggulannya terlihat pada portofolio dengan ribuan barang, banyak lokasi, dan pengaruh promosi yang kuat. Satu model bisa belajar dari pola di seluruh portofolio, sehingga barang dengan riwayat pendek ikut terbantu oleh pola barang lain di kategori yang sama.

Namun machine learning bukan jaminan. Untuk perusahaan dengan sedikit barang dan riwayat data yang pendek, model rumit bisa justru kalah dari metode sederhana karena terlalu menyesuaikan diri dengan kebetulan di masa lalu. Selain itu, model yang sulit dijelaskan cenderung tidak dipercaya oleh tim pembelian, sehingga hasilnya diabaikan.

Model bahasa dan AI generatif

AI generatif seperti model bahasa besar bukan alat utama untuk menghitung angka ramalan. Perannya lebih tepat sebagai pendukung: merangkum mengapa ramalan suatu barang berubah, menjawab pertanyaan perencana dalam bahasa sehari-hari, atau membantu mengolah informasi tidak terstruktur seperti rencana promosi dari tim pemasaran. Pembahasan lebih luas tentang batasan ini ada di artikel risiko AI dalam operasional.

Tidak semua barang perlu diramal dengan cara yang sama

Portofolio barang biasanya terdiri dari beberapa kelompok dengan karakter berbeda. Memperlakukan semuanya dengan satu metode jarang memberi hasil terbaik.

• Barang laris dengan permintaan stabil: metode statistik atau machine learning biasanya bekerja baik, fokus pada akurasi
• Barang musiman: perlu riwayat beberapa musim dan perhatian khusus pada awal dan akhir musim
• Barang dengan permintaan jarang dan tidak teratur, misalnya suku cadang: metode khusus untuk permintaan sporadis, dan sering lebih tepat dikelola dengan aturan stok minimum
• Barang baru tanpa riwayat: gunakan pola dari barang serupa dan penilaian tim penjualan, lalu perbarui cepat setelah data awal masuk
• Barang yang akan dihentikan: kurangi pembelian secara terencana agar tidak tersisa stok mati

Pengelompokan ini melengkapi klasifikasi barang berdasarkan nilai yang dibahas dalam artikel perencanaan stok dan pembelian ulang.

Mengukur apakah ramalan membaik

Tanpa pengukuran, sulit menilai apakah proyek AI benar-benar memberi manfaat. Ada dua hal yang perlu dipantau. Pertama, akurasi: seberapa jauh ramalan meleset dari kenyataan. Ukuran yang umum dipakai antara lain persentase kesalahan absolut rata-rata dan kesalahan absolut yang dibobot dengan volume atau nilai penjualan. Kedua, bias: apakah ramalan cenderung selalu terlalu tinggi atau selalu terlalu rendah. Bias yang konsisten sering lebih merugikan daripada kesalahan acak, karena terus menumpuk stok atau terus membuat barang kosong.

Ukur akurasi pada tingkat yang relevan dengan keputusan. Jika pembelian dilakukan per barang per gudang setiap minggu, akurasi harus diukur di tingkat itu juga, bukan hanya total penjualan bulanan perusahaan. Bandingkan selalu dengan metode pembanding sederhana dan dengan ramalan manual yang dipakai sebelumnya.

Dari angka ramalan ke keputusan

Ramalan yang tersimpan di laporan terpisah jarang mengubah apa pun. Nilainya muncul ketika ramalan mengalir ke proses perencanaan di ERP: menghitung titik pemesanan ulang, menentukan stok pengaman berdasarkan ketidakpastian ramalan dan waktu tunggu pemasok, menyusun rencana produksi, dan menyiapkan draf pesanan pembelian yang ditinjau bagian pembelian.

Stok pengaman sebaiknya tidak ditetapkan sebagai angka tetap untuk semua barang. Barang yang ramalannya sering meleset atau pemasoknya tidak dapat diandalkan memerlukan penyangga lebih besar dibanding barang yang permintaannya stabil. Hubungkan juga perencanaan dengan penilaian kinerja pemasok, karena waktu tunggu yang tidak konsisten sama merugikannya dengan ramalan yang meleset.

Peran penilaian manusia

Tim penjualan dan pemasaran sering tahu hal yang tidak ada di data: pelanggan besar yang akan membuka cabang baru, pesaing yang sedang kehabisan stok, atau kampanye yang akan diluncurkan bulan depan. Sistem yang baik memberi ruang bagi penyesuaian manual, tetapi mencatat siapa yang mengubah, berapa besar, dan alasannya. Dengan catatan ini, perusahaan bisa menilai apakah penyesuaian manual benar-benar memperbaiki ramalan atau justru menambah bias.

Langkah memulai

1. 01Pilih satu kategori barang yang penting dan datanya relatif rapi sebagai proyek percontohan
2. 02Kumpulkan riwayat penjualan dan stok minimal untuk beberapa musim, lalu tandai periode stok kosong, promosi, dan pesanan luar biasa
3. 03Hitung akurasi ramalan yang dipakai saat ini sebagai titik awal
4. 04Bangun metode statistik sederhana sebagai pembanding, lalu uji model yang lebih canggih terhadapnya
5. 05Hubungkan ramalan terbaik ke perhitungan titik pemesanan ulang dan draf pesanan pembelian di ERP
6. 06Pantau akurasi, bias, tingkat ketersediaan barang, dan nilai persediaan setiap bulan, lalu perluas ke kategori lain

Jika data masih tersebar di beberapa sistem, langkah awal mungkin justru menyatukannya, misalnya melalui data warehouse. Bagi perusahaan yang baru mulai, artikel memulai AI automation untuk operasional memberi gambaran tentang memilih proyek AI pertama yang realistis.

Kesalahan umum

• Melatih model dengan data penjualan mentah tanpa mengoreksi periode stok kosong
• Mengukur akurasi hanya pada total, sehingga kesalahan besar di tingkat barang tidak terlihat
• Langsung memakai model rumit tanpa pembanding sederhana
• Membiarkan ramalan berhenti di laporan tanpa terhubung ke proses pembelian
• Mengabaikan masukan tim penjualan, atau sebaliknya membiarkan penyesuaian manual tanpa catatan dan evaluasi

Kesimpulan

Peramalan permintaan dengan AI bukan sihir, tetapi juga bukan sekadar tren. Dengan data ERP yang bersih, metode yang dipilih berdasarkan bukti, pengukuran akurasi yang jujur, dan integrasi ke proses pembelian dan produksi, perusahaan menengah dapat mengurangi stok berlebih dan stok kosong secara bersamaan. Mulailah dari satu kategori, ukur hasilnya, dan perluas secara bertahap. Hasil yang konsisten dan terukur jauh lebih berharga daripada model paling canggih yang tidak dipercaya timnya sendiri.