Dalam rapat replenishment pada Senin pagi, tiga toko melaporkan bahwa stok minyak goreng yang banyak dicari pelanggan mulai menipis. Sementara itu, outlet lain masih memiliki produk yang sama dalam jumlah cukup untuk beberapa minggu. Distribution center (DC) juga masih menyimpan stok, tetapi jadwal pengiriman berikutnya sudah ditetapkan. Di saat yang sama, sebuah promosi baru saja berakhir dan meninggalkan stok kategori lain yang penjualannya tidak lagi sesuai perkiraan.
Situasi ilustratif ini menggambarkan masalah yang sering muncul dalam retail: stok tersedia di dalam jaringan bisnis, tetapi jumlah dan lokasinya belum selaras dengan permintaan. Bagi pengelola grocery, minimarket, dan supermarket, dampaknya terlihat dalam bentuk rak kosong, transfer barang yang sebenarnya bisa dihindari, pemesanan mendadak, kelebihan stok, dan modal kerja yang tertahan lebih lama dari yang direncanakan.
Tantangannya adalah menentukan produk apa yang perlu disimpan, berapa jumlahnya, di mana stok ditempatkan, dan kapan harus diisi kembali.
Permintaan yang berubah, lead time supplier yang tidak pasti, catatan stok yang tidak akurat, perubahan siklus hidup produk, dan tekanan biaya semuanya memengaruhi kinerja inventory. Contoh retail dalam artikel ini bersifat ilustratif untuk menjelaskan bagaimana tantangan tersebut memengaruhi keputusan sehari-hari dan bagaimana AI-powered inventory optimization dapat membantu.
Mengapa Masalah Manajemen Inventory Saling Berkaitan
Forecast yang terlalu tinggi dapat menyebabkan kelebihan stok. Pesanan yang terlambat dibuat dapat memicu kehabisan stok meskipun perkiraan permintaannya cukup tepat. Catatan stok yang tidak akurat dapat membuat proses replenishment memesan terlalu sedikit atau terlalu banyak. Masalah-masalah ini saling memengaruhi, sehingga perbaikan pada satu aktivitas saja belum tentu memperbaiki proses pengambilan keputusan secara keseluruhan.
Biaya inventory mencakup biaya menyimpan stok, melakukan pemesanan, dan menghadapi kehabisan stok. Retailer perlu menyeimbangkan berbagai tekanan ini, bukan hanya menekan satu indikator. Stok yang lebih rendah dapat mengurangi biaya penyimpanan, tetapi meningkatkan risiko kekurangan barang. Pesanan yang lebih besar dapat mempermudah pembelian, tetapi juga menambah kebutuhan ruang dan risiko produk menjadi lambat terjual.
Optimasi inventory berbasis AI dapat membantu proses tersebut dengan menghubungkan perkiraan permintaan, posisi stok, aturan replenishment, dan keputusan alokasi. Nilainya bergantung pada apakah rekomendasi yang dihasilkan dapat diterapkan oleh toko, DC, dan tim pembelian.
1. Permintaan Berubah Lebih Cepat daripada Kebijakan Inventory
Pola musiman, kondisi pasar, preferensi pelanggan, dan promosi dapat mengubah permintaan. Perubahan ini membuat kebutuhan stok mendatang lebih sulit diperkirakan dan mempersulit penentuan safety stock.
Dalam retail, produk yang sama dapat memiliki pola penjualan berbeda di minimarket kawasan perumahan, outlet dekat perkantoran, dan supermarket yang ramai pada akhir pekan. Rata-rata penjualan seluruh jaringan dapat menyamarkan perbedaan tersebut. Jika setiap outlet menerima jumlah yang hampir sama, sebagian toko bisa kehabisan barang sementara toko lain menumpuk stok, meskipun total pembelian terlihat wajar.
Bagaimana AI Dapat Membantu
Forecasting berbasis AI dapat mengevaluasi pola permintaan pada tingkat SKU dan lokasi menggunakan data yang relevan, seperti riwayat penjualan, pola hari dalam minggu, promosi, dan musim. Machine learning dapat membantu mengenali hubungan antara permintaan dan faktor-faktor tersebut. Namun, kinerjanya tetap perlu dibandingkan dengan metode pembanding yang sesuai.
Sebagai contoh, proses daily batch dapat memperbarui forecast dan rekomendasi menggunakan data terbaru yang tersedia. Dengan demikian, tim perencanaan dapat menyesuaikan pesanan berikutnya tanpa menganggap bahwa pola permintaan kemarin akan selalu berlaku.
Digitalplace.ai membantu tim retail menghubungkan demand forecasting per SKU dengan keputusan replenishment yang mempertimbangkan kebutuhan masing-masing outlet dan distribution center.
2. Kehabisan Stok dan Kelebihan Stok Bisa Terjadi Bersamaan
Kehabisan stok dan kelebihan inventory sering diperlakukan sebagai dua masalah terpisah. Padahal, keduanya dapat muncul ketika stok tidak selaras dengan permintaan. Karena itu, menyeimbangkan stok berlebih dan risiko kekurangan barang merupakan bagian penting dari manajemen inventory.
Bayangkan retailer yang merespons kekurangan barang dengan meningkatkan pesanan untuk seluruh kategori. Tambahan stok tersebut mungkin membantu beberapa produk populer, tetapi juga menambah inventory produk yang penjualannya lebih lambat. Ketersediaan membaik secara tidak merata, sementara lebih banyak modal terikat dalam stok. Keputusan seharusnya mempertimbangkan SKU mana yang membutuhkan tambahan stok, di lokasi mana, dan untuk berapa lama.
Ganti Penambahan Stok Menyeluruh dengan Keputusan yang Lebih Spesifik
Proses optimasi dapat menggabungkan forecast, stok yang layak dijual, pesanan yang sedang dalam perjalanan, dan batasan operasional untuk menentukan kebutuhan replenishment. Alih-alih menaikkan stok dengan cara yang sama di semua lokasi, retailer dapat mengambil keputusan yang lebih terarah.
Jika kelebihan stok sudah terjadi, pilihan yang dapat dievaluasi meliputi:
- Transfer ke outlet dengan permintaan lebih kuat, jika manfaatnya sebanding dengan biaya transportasi dan penanganan.
- Pengembalian ke DC, jika pengaturan operasional memungkinkan stok didistribusikan ulang.
- Pengurangan atau penghentian sementara replenishment, sambil menunggu stok yang ada terjual.
- Markdown atau penurunan harga, sesuai usia produk, masa simpan, margin, dan kebijakan komersial.
Tindakan yang tepat bergantung pada karakteristik produk dan kondisi operasional jaringan retail.
Panduan praktis keputusan stok
Sebelum Pesan Lagi:
Beli, Transfer Stok,
atau Perbaiki Data?
Peringatan stok rendah adalah titik awal. Periksa penyebabnya sebelum membuat pesanan baru.
Lakukan pemeriksaan secara berurutan. Pastikan stok yang layak dijual, periksa persediaan di seluruh jaringan, lalu hitung kebutuhan pengisian ulang yang masih tersisa.
Perbaiki Data
Yang perlu diperiksaApakah stok di sistem sesuai dengan stok fisik yang layak dijual? Periksa kesalahan penerimaan, transfer yang belum tercatat, barang rusak, dan barang yang salah penempatan.
Contoh di tokoSistem menunjukkan stok cukup, tetapi jumlah yang benar-benar tersedia untuk dijual lebih sedikit.
Keputusan: Sesuaikan catatan dengan hasil verifikasi dan hitung ulang kebutuhan. Jika rak kosong tetapi stok tersedia di gudang toko, isi kembali rak tersebut.
Transfer Stok
Yang perlu diperiksaApakah ada kelebihan stok yang layak dijual di outlet lain atau pusat distribusi (DC)? Bisakah stok tiba tepat waktu tanpa menimbulkan kekurangan di lokasi pengirim?
Contoh di tokoSatu outlet mulai kekurangan stok, sementara outlet lain memiliki persediaan melebihi perkiraan kebutuhannya.
Keputusan: Pertimbangkan transfer antar-toko atau pengembalian ke DC untuk distribusi ulang, dengan memperhatikan biaya, waktu, masa simpan, dan aturan operasional.
Beli Tambahan
Yang perlu diperiksaSetelah memperhitungkan stok layak jual, pesanan masuk yang sudah dikonfirmasi, dan transfer yang memungkinkan, apakah masih ada perkiraan kekurangan sebelum pengisian ulang berikutnya?
Contoh di tokoPerkiraan permintaan melampaui persediaan yang tersedia, dan tidak ada kelebihan stok yang sesuai untuk didistribusikan tepat waktu.
Keputusan: Pesan kebutuhan yang masih tersisa dengan memperhitungkan lead time, ketidakpastian permintaan, ukuran kemasan, minimum pemesanan, dan jadwal pengiriman.
Bagaimana optimasi berbasis AI membantu
AI membantu memprediksi permintaan per SKU dan lokasi, menggabungkannya dengan data stok dan pasokan, lalu menerapkan aturan operasional untuk mendukung keputusan replenishment dan alokasi stok. Pembaruan dalam daily batch memperbarui data perencanaan dan rekomendasi setiap hari.
Tindakan ini bisa dikombinasikan. Koreksi data dapat mengungkap kekurangan stok yang sebenarnya, sementara transfer mungkin hanya memenuhi sebagian kebutuhan. Kualitas data dan peninjauan oleh tim tetap diperlukan.
Hubungkan prediksi permintaan dengan keputusan stok.
Pelajari bagaimana Digitalplace.ai mendukung demand forecasting, replenishment, dan perencanaan inventory di seluruh outlet retail dan pusat distribusi.
3. Lead Time yang Berubah Membuat Pemesanan Ulang Lebih Sulit
Pesanan yang biasanya datang dalam waktu tertentu sesekali dapat membutuhkan waktu jauh lebih lama. Keterlambatan supplier, kendala transportasi, dan hambatan produksi dapat menyebabkan variasi lead time yang memengaruhi reorder point, kebutuhan safety stock, dan tingkat layanan.
Ketidakpastian ini menempatkan retailer pada pilihan yang sulit. Memesan lebih awal dapat memberikan perlindungan, tetapi jika dilakukan terus-menerus, inventory bisa meningkat tanpa kebutuhan yang jelas. Menunggu stok hampir habis dapat menekan jumlah persediaan, tetapi membuat toko rentan terhadap keterlambatan pengiriman. Forecast yang cukup baik belum menyelesaikan masalah jika proses replenishment menggunakan asumsi jadwal pengiriman yang tidak dapat dipenuhi supplier secara konsisten.
Perhitungkan Permintaan Selama Menunggu Pengisian Stok
Perencanaan inventory perlu mempertimbangkan perkiraan permintaan sampai pengiriman berikutnya diterima dan stok siap digunakan, beserta ketidakpastian waktu kedatangannya. Jika riwayat pemesanan dan penerimaan barang dapat dipercaya, analisis lead time dapat membantu menetapkan parameter perencanaan dan mengidentifikasi kondisi yang perlu ditinjau.
Optimasi berbasis AI dapat mendukung keputusan tersebut jika data lead time dan aturan terkait ikut diperhitungkan. Kolaborasi dengan supplier, alternatif sumber pasokan, dan rencana kontingensi tetap diperlukan. Sistem tidak dapat membuat supplier yang tidak memiliki barang mengirim tepat waktu.
4. Safety Stock Sulit Ditentukan secara Seimbang
Safety stock memberikan perlindungan terhadap ketidakpastian, tetapi perlindungan tersebut memiliki biaya. Besaran buffer yang sesuai bergantung pada variasi permintaan dan lead time. Tantangannya adalah menjaga ketersediaan tanpa menimbulkan biaya penyimpanan yang berlebihan.
Buffer tetap yang diterapkan pada semua SKU dapat menghasilkan kondisi yang tidak seimbang. Produk kebutuhan sehari-hari dengan pasokan tidak stabil mungkin memerlukan kebijakan berbeda dari produk lambat terjual yang dipasok secara konsisten. Dalam grocery retail, tambahan stok juga perlu dinilai berdasarkan masa simpan dan risiko barang terbuang. Perlindungan terhadap kehabisan stok dapat berubah menjadi risiko kedaluwarsa jika produk tidak terjual tepat waktu.
Sesuaikan Perlindungan Stok dengan Karakteristik Produk
Pendekatan optimasi dapat mengevaluasi kebutuhan buffer berdasarkan ketidakpastian forecast, kondisi replenishment, target layanan, dan biaya yang relevan. Retailer perlu meninjau kebijakan tersebut ketika kondisi berubah, bukan menganggap tingkat stok yang pernah ditetapkan akan selalu sesuai.
Tujuannya adalah menentukan pada produk dan lokasi mana tambahan inventory memberikan perlindungan ketersediaan yang sebanding dengan biaya dan risikonya.
5. Catatan Inventory yang Tidak Akurat Melemahkan Perencanaan
Kesalahan pencatatan, kehilangan, dan penempatan barang yang keliru dapat menyebabkan perbedaan antara stok fisik dan catatan sistem. Audit dan cycle counting membantu menemukan serta menyelesaikan selisih tersebut.
Misalnya, sistem menunjukkan stok sebuah outlet masih mencukupi, padahal sebagian unit hilang, rusak, atau tercatat secara keliru. Proses replenishment dapat menunda pesanan karena menganggap unit-unit tersebut masih tersedia untuk dijual. Forecast yang lebih canggih tidak memperbaiki saldo stok yang salah. Rekomendasi tetap dapat keliru karena keputusan dimulai dari gambaran inventory yang tidak akurat.
Data yang Dapat Dipercaya Menjadi Fondasi Otomatisasi
Retailer membutuhkan proses yang jelas untuk penerimaan barang, transfer, retur, penghapusan stok, dan rekonsiliasi. Verifikasi fisik tetap penting ketika selisih inventory memengaruhi ketersediaan atau pemesanan.
Ada pula perbedaan antara barang yang tercatat berada di toko dan barang yang tersedia di rak. Pelaksanaan pengisian rak dan akurasi inventory perlu diperhatikan bersama perencanaan. Rekomendasi pemesanan tidak dapat memastikan bahwa unit yang sudah ada di toko telah ditempatkan di lokasi yang bisa dijangkau pelanggan.
6. Produk Berbeda Membutuhkan Strategi yang Berbeda
Tahap siklus hidup produk memerlukan strategi inventory yang berbeda. Segmentasi berdasarkan pola permintaan, profitabilitas, dan siklus hidup dapat membantu retailer memilih kebijakan yang sesuai.
Produk baru memiliki riwayat penjualan terbatas. Produk musiman memiliki periode penjualan tertentu. Produk kebutuhan pokok yang sudah mapan mungkin memiliki permintaan berulang, sementara produk yang mulai menurun membutuhkan replenishment yang dikurangi secara bertahap. Menerapkan kebijakan yang sama pada semuanya dapat menyebabkan kekurangan barang pada periode penting atau meninggalkan stok setelah permintaan melemah.
Gabungkan Forecasting dengan Konteks Produk
AI dapat membantu menganalisis pola, tetapi perencanaan tetap membutuhkan informasi produk dan pertimbangan komersial. Tim pembelian perlu menandai peluncuran produk, rencana penghentian penjualan, periode promosi, serta batasan masa simpan agar rekomendasi mencerminkan kondisi produk yang sebenarnya.
Riwayat penjualan dapat menyesatkan tanpa konteks tersebut. Lonjakan saat promosi tidak seharusnya otomatis menjadi asumsi replenishment normal setelah kampanye berakhir. SKU baru juga perlu dipantau dengan cermat ketika forecast awalnya masih bertumpu pada informasi yang terbatas.
7. Keputusan Toko dan Distribution Center Tidak Selalu Terhubung
Sebuah outlet dapat mengambil keputusan yang masuk akal secara lokal, tetapi menimbulkan tekanan pada bagian lain dalam jaringan. Jika banyak toko menaikkan pesanan secara mandiri, DC mungkin kesulitan memenuhinya. Jika pembelian hanya berfokus pada total permintaan, perbedaan kebutuhan lokasi dapat terabaikan.
Multi-echelon inventory optimization mempertimbangkan keputusan pada beberapa tingkat rantai pasok yang saling terhubung, termasuk DC dan outlet retail. Penerapannya membutuhkan integrasi data yang dapat dipercaya dan koordinasi yang baik karena keputusan pada satu tingkat memengaruhi kebutuhan tingkat lainnya.
Hubungkan Perencanaan di Seluruh Jaringan Retail
Kebutuhan toko perlu dievaluasi bersama stok DC, pasokan yang akan datang, dan prioritas alokasi. Pendekatan ini membantu menentukan lokasi mana yang menerima stok ketika pasokan terbatas, serta apakah inventory yang ada dapat didistribusikan ulang sebelum membuat pembelian tambahan.
Digitalplace.ai dapat mendukung perencanaan terhubung dengan mengaitkan demand forecasting, replenishment, dan alokasi stok antar-outlet dan DC. Pembaruan daily batch membantu tim meninjau kebutuhan menggunakan data yang diperbarui, sementara aturan operasional menjaga rekomendasi tetap sesuai dengan jadwal pengiriman, batasan pemesanan, dan prioritas perencanaan retailer.
8. Pengurangan Biaya Perlu Diseimbangkan dengan Ketersediaan Produk
Mengurangi inventory menjadi pilihan menarik ketika modal kerja berada dalam tekanan. Namun, pengurangan yang menyebabkan kekurangan barang berulang dapat melemahkan penjualan dan pengalaman pelanggan. Sebaliknya, ketersediaan tinggi yang dicapai melalui stok berlebihan dapat menyamarkan produktivitas inventory yang rendah. Evaluasi biaya penyimpanan, pemesanan, dan kehabisan stok secara bersamaan membantu retailer memahami konsekuensi setiap pilihan.
Bagi grocery dan supermarket, penilaian tersebut juga dapat mencakup risiko kedaluwarsa, kebutuhan markdown, dan upaya memindahkan stok antar-lokasi. Transfer mungkin lebih tepat daripada pembelian baru, tetapi hanya jika biaya, waktu, dan perkiraan penjualannya mendukung keputusan itu.
Ukur Hasil Bisnisnya
Retailer sebaiknya mengevaluasi forecast dan keputusan inventory menggunakan beberapa indikator yang saling melengkapi:
- Ketersediaan produk dan frekuensi kehabisan stok.
- Inventory turnover dan jumlah hari persediaan.
- Kelebihan stok dan stok yang menua.
- Barang terbuang dan markdown, jika relevan.
- Modal kerja yang terikat dalam inventory.
- Beban kerja pemesanan dan penanganan kondisi yang membutuhkan tinjauan khusus.
Akurasi forecast berguna, tetapi belum menggambarkan seluruh hasil. Model perlu mendukung keputusan pemesanan dan alokasi yang lebih baik dalam kondisi operasional retailer.
Apa yang Dibutuhkan untuk Optimasi Inventory Berbasis AI?
Optimasi berbasis AI menggabungkan prediksi dengan aturan pengambilan keputusan. Forecasting memperkirakan permintaan, sedangkan optimasi mengevaluasi cara meresponsnya dengan mempertimbangkan inventory yang tersedia, prioritas layanan, dan berbagai batasan. Sebagian keputusan tersebut dapat menggunakan metode matematis konvensional bersama machine learning. Solusi praktis dapat menggabungkan metode pengendalian inventory, optimasi matematis, dan forecasting berbasis AI.
Sebelum memperluas otomatisasi, retailer perlu memastikan kode SKU dan lokasi konsisten, serta menyiapkan riwayat penjualan, inventory, pemesanan, penerimaan barang, dan informasi promosi. Aturan minimum order quantity, ukuran kemasan, kalender pengiriman, masa simpan, dan tanggung jawab persetujuan juga perlu ditetapkan jika memengaruhi keputusan. Informasi yang tidak lengkap atau tidak konsisten dapat membatasi manfaat rekomendasi meskipun model forecasting cukup canggih.
Tim juga membutuhkan proses untuk meninjau pengecualian, memperbaiki kesalahan input, dan menangani kejadian tidak biasa. Otomatisasi bekerja lebih baik ketika keputusan rutin mengikuti aturan yang jelas dan orang yang bertanggung jawab dapat melakukan intervensi ketika konteks atau risiko membutuhkannya.
Langkah Praktis untuk Memperbaiki Keputusan Inventory Retail
Retailer dapat memulai dari masalah operasional yang spesifik dan pilot yang hasilnya dapat diukur:
- Identifikasi masalah yang berulang. Tentukan apakah persoalan utama adalah kekurangan barang, kelebihan stok, pasokan tidak konsisten, catatan tidak akurat, atau alokasi antar-lokasi.
- Tetapkan baseline. Ukur ketersediaan, jumlah inventory, stok yang menua, dan beban kerja pemesanan sebelum mengubah proses.
- Validasi data dan aturan. Rekonsiliasi catatan stok yang penting dan dokumentasikan batasan yang memengaruhi replenishment.
- Pilih cakupan yang dapat dikelola. Mulai dari kategori dan outlet tertentu agar hasilnya dapat dievaluasi secara bermakna.
- Hubungkan forecast dengan tindakan. Tentukan bagaimana rekomendasi menjadi pesanan, keputusan alokasi, atau tinjauan pengecualian.
- Tinjau konsekuensi setiap keputusan. Nilai apakah ketersediaan membaik dengan jumlah inventory, biaya, dan risiko barang terbuang yang tetap dapat diterima.
Berbagai masalah inventory yang berulang mengarah pada kebutuhan yang sama: keputusan stok harus memperhitungkan ketidakpastian, perbedaan produk, dan hubungan antar-lokasi. Optimasi berbasis AI dapat membantu retailer mengelola kompleksitas tersebut ketika data yang dapat dipercaya, kebijakan yang sesuai, dan pelaksanaan yang disiplin berjalan bersama.
Jika jaringan retail Anda menghadapi kehabisan stok berulang, inventory yang tidak seimbang, atau pemesanan manual yang repetitif, pelajari solusi Inventory Optimization Digitalplace.ai dan diskusikan bagaimana forecasting, replenishment, serta alokasi stok dapat mendukung kebutuhan operasional Anda.
