Masuklah ke sebuah supermarket pada pagi hari. Sebelum toko benar-benar ramai, store manager sudah harus mengambil keputusan: produk mana yang perlu dipesan ulang, berapa banyak stok yang harus masuk, item mana yang kemungkinan akan habis, dan produk mana yang sebaiknya tidak ditambah dulu.
Keputusan itu sering dibuat cepat. Kadang berdasarkan pengalaman. Kadang berdasarkan ingatan. Kadang berdasarkan pola minggu lalu.
Baca Juga :
Demand Forecasting vs Inventory Optimization di Ritel: Apa Bedanya?
Untuk satu toko kecil, cara ini mungkin masih terasa masuk akal. Manager yang berpengalaman biasanya tahu produk mana yang laku, kapan pelanggan mulai belanja lebih banyak, dan kategori mana yang perlu dijaga. Tetapi ketika jumlah SKU bertambah, cabang makin banyak, promosi makin sering, dan distribution center harus melayani banyak toko sekaligus, keputusan berbasis intuisi mulai kehilangan akurasi.
Masalahnya bukan karena tim retail tidak kompeten. Masalahnya adalah jumlah keputusan inventory sudah jauh lebih besar daripada kapasitas manusia untuk menghitungnya satu per satu.
Di sinilah demand forecasting dan inventory optimization mulai menggantikan tebakan.
Tiga Level Kematangan Inventory Retail
Sebagian besar retailer berada di salah satu dari tiga level kematangan inventory. Perbedaannya bukan hanya soal teknologi, tetapi soal bagaimana keputusan dibuat.
Level 1: Insting Store Manager
Pada level pertama, keputusan order banyak bergantung pada pengalaman store manager. Manager tahu pelanggan sekitar toko, ingat pola musim sebelumnya, dan bisa merasakan ketika produk tertentu bergerak lebih cepat dari biasanya.
Cara ini tidak selalu buruk. Untuk satu toko, insting lokal bisa sangat berguna. Masalahnya muncul ketika retailer mulai mengelola banyak cabang.
Pengetahuan yang hanya hidup di kepala satu orang sulit diaudit, sulit dibandingkan antar toko, dan sulit ditingkatkan secara sistematis. Ketika manager pindah atau keluar, sebagian besar pengetahuan itu ikut hilang. Retailer akhirnya bergantung pada orang, bukan pada sistem.
Level 2: Rata-Rata Penjualan
Level berikutnya adalah menggunakan angka rata-rata. Misalnya, sistem melihat penjualan beberapa minggu terakhir, lalu menghitung reorder berdasarkan average sales atau moving average.
Ini lebih baik daripada murni intuisi. Setidaknya keputusan mulai berbasis data historis.
Namun, rata-rata tetap punya batas besar: ia hanya menjelaskan masa lalu. Rata-rata tidak benar-benar memahami mengapa permintaan naik, mengapa turun, atau apakah pola tersebut akan terulang. Dalam retail, minggu depan sering kali tidak sama dengan minggu lalu.
Promosi, gajian, musim liburan, cuaca, event lokal, Ramadan, Natal, tahun ajaran baru, dan perubahan harga bisa membuat demand berubah cepat. Rata-rata sering terlambat membaca perubahan itu.
Level 3: Predictive Models
Pada level ketiga, retailer mulai menggunakan model prediktif. Model tidak hanya melihat penjualan historis, tetapi juga membaca banyak sinyal demand sekaligus: SKU, lokasi toko, pola kategori, musim, promosi, efek substitusi, perubahan demand lokal, dan perilaku pelanggan.
Perbedaannya bukan berarti model selalu “lebih pintar” daripada planner. Perbedaannya adalah model bisa membaca ratusan variabel secara konsisten, untuk setiap SKU dan setiap toko, lalu mengulang proses yang sama setiap hari tanpa lelah.
Di titik inilah Digital Place relevan sebagai partner teknologi untuk retailer yang ingin menghubungkan demand forecasting dengan inventory optimization, sehingga keputusan replenishment tidak lagi hanya bergantung pada rata-rata atau feeling lapangan.
Inventory Decision Maturity Map
Dari Tebakan Inventory ke Evidence-Based Ordering
Banyak keputusan inventory retail terlihat seperti keputusan berbasis data, padahal masih bergantung pada intuisi, rata-rata penjualan, atau spreadsheet sederhana. Peta ini menunjukkan bagaimana retailer bisa bergerak dari keputusan reaktif menuju demand forecasting dan inventory optimization yang lebih terukur.
3 Level Kematangan Keputusan Inventory
Insting Store Manager
Keputusan order bergantung pada pengalaman lokal, ingatan, dan feeling lapangan. Berguna untuk satu toko, tetapi sulit diskalakan ke banyak cabang.
Average Sales
Retailer mulai memakai data historis dan moving average. Lebih baik dari feeling, tetapi sering gagal membaca promosi, musim, payday, stockout, dan perubahan demand lokal.
Predictive Forecasting
Model membaca demand signal per SKU, toko, kategori, periode, promosi, dan pola lokasi untuk menghasilkan keputusan inventory yang lebih granular.
Skema Perubahan: Dari Data ke Keputusan
Demand Signals
Sales history, promosi, seasonality, payday, lokasi toko, stock position, bulk buying, dan pola kategori.
Forecast & Inventory Logic
Model membaca pola demand dan menghitung risiko stockout, overstock, slow mover, serta kebutuhan replenishment.
Operational Action
Order quantity, replenishment, store allocation, redistribution, return to DC, dan keputusan stok berikutnya.
Mengapa Rata-Rata Penjualan Sering Menyesatkan
| Situasi di Lapangan | Risiko Jika Hanya Melihat Rata-Rata | Keputusan yang Lebih Tepat |
|---|---|---|
| Lonjakan karena promosi | Penjualan terlihat naik, padahal kenaikan itu mungkin hanya sementara selama promo berjalan. | Pisahkan baseline demand dari efek promosi sebelum menentukan reorder berikutnya. |
| Pembelian besar yang tidak berulang | Satu transaksi besar bisa membuat rata-rata penjualan terlihat lebih tinggi dari demand sebenarnya. | Identifikasi outlier agar toko tidak melakukan order berlebihan. |
| Produk habis di rak | Sales terlihat rendah, padahal penyebabnya bukan demand turun, melainkan barang tidak tersedia. | Baca penjualan bersama stock availability dan indikasi lost sales. |
| Perbedaan perilaku antar lokasi | Rata-rata jaringan bisa menutupi fakta bahwa satu toko butuh stok lebih banyak dan toko lain lebih sedikit. | Gunakan forecast per toko, bukan hanya rata-rata nasional atau rata-rata semua cabang. |
| Perpindahan ke produk substitusi | Satu SKU terlihat turun, padahal pelanggan hanya berpindah ke produk lain dalam kategori yang sama. | Lihat hubungan antarproduk dan performa kategori, bukan hanya satu SKU secara terpisah. |
Key Takeaway
Forecasting yang baik bukan hanya menghasilkan angka prediksi. Nilainya muncul ketika demand forecast terhubung dengan inventory optimization, replenishment, allocation, dan eksekusi toko. Itulah perbedaan antara sekadar melihat data dan benar-benar membuat keputusan inventory yang lebih baik.
Mengapa Average Sales Sering Gagal
Average sales terlihat sederhana dan praktis. Jika suatu produk terjual 10 unit per minggu, maka order berikutnya dibuat mendekati angka tersebut. Masalahnya, retail jarang berjalan sesederhana itu.
Ada banyak pola yang membuat rata-rata menjadi menyesatkan.
Beberapa contoh yang sering terjadi:
- Promosi: diskon tidak selalu menaikkan demand dengan persentase yang stabil. Efeknya tergantung kedalaman diskon, display, channel promosi, produk pesaing, dan kategori.
- Bulk order: satu pembelian besar dari pelanggan tertentu bisa membuat average sales melonjak, padahal pembelian itu tidak akan terulang minggu depan.
- Seasonality: Ramadan, Natal, libur sekolah, payday, dan event lokal bisa mengubah demand secara berbeda di setiap lokasi.
- Halo effect: promosi satu produk bisa menaikkan demand produk pelengkap, walaupun produk pelengkap itu tidak ikut promosi.
- Stockpiling: pelanggan membeli banyak saat promo, lalu demand turun setelah promo selesai.
- Cannibalisation: demand berpindah ke produk substitusi di rak yang sama, sehingga satu SKU terlihat menurun padahal kategori secara total masih stabil.
Semua pola ini normal dalam retail. Masalahnya, moving average sering memperlakukan semuanya sebagai noise. Sementara itu, human planner hanya bisa mengoreksi beberapa faktor sekaligus, biasanya hanya untuk SKU prioritas.
Akibatnya, banyak keputusan inventory terlihat “berbasis data”, tetapi sebenarnya masih sangat terbatas.
Gejala Inventory yang Masih Berjalan dengan Tebakan
Retailer tidak selalu perlu melakukan audit data besar untuk mengetahui bahwa keputusan inventory masih terlalu banyak berbasis tebakan. Gejalanya bisa terlihat langsung di toko dan laporan keuangan.
1. Forecasting Blind Spots
Blind spot terjadi ketika sistem tidak mampu membaca pola demand yang berubah. Misalnya, promosi menghasilkan demand yang jauh lebih tinggi dari perkiraan, atau periode tertentu membuat penjualan naik hanya di beberapa lokasi, bukan semua toko.
Ketika ini terjadi, store team biasanya tahu lebih cepat daripada sistem. Mereka melihat rak kosong, pelanggan kecewa, atau produk tertentu habis terlalu cepat. Tetapi pada saat data resmi menunjukkan masalahnya, peluang penjualan sudah lewat.
2. Stockout pada SKU Cepat Bergerak
Produk yang paling penting sering kali justru paling cepat habis. Setiap facing kosong berarti potensi penjualan hilang. Lebih dari itu, stockout juga mengikis kepercayaan pelanggan.
Jika pelanggan beberapa kali tidak menemukan produk yang mereka cari, mereka belajar bahwa toko tersebut tidak selalu bisa diandalkan untuk produk itu.
3. Overstock pada Slow Movers
Kebalikan dari stockout adalah overstock. Produk yang bergerak lambat terus menumpuk di rak, gudang toko, atau distribution center. Secara visual, masalah ini kadang tidak terlihat serius karena stok masih ada. Tetapi secara finansial, modal kerja terkunci di barang yang tidak bergerak.
Overstock juga menciptakan biaya lain: storage cost, risiko kedaluwarsa, risiko markdown, dan kebutuhan rebalancing antar toko.
Dalam banyak kasus, solusi overstock tidak selalu diskon. Retailer juga bisa melakukan redistribusi stok ke toko dengan demand lebih tinggi, return to DC, atau penyesuaian alokasi berikutnya.
4. Replenishment Masih Tradisional
Banyak proses replenishment masih berjalan berdasarkan feeling, spreadsheet, atau formula sederhana. Ini membuat keputusan reorder tampak mudah, tetapi tidak cukup akurat untuk menangani variasi demand yang kompleks.
Pada akhirnya, retailer mengalami dua masalah sekaligus: modal kerja tertahan di produk yang salah, sementara demand nyata tidak terpenuhi di produk yang benar.
Apa yang Menggantikan Tebakan?
Mengganti tebakan bukan berarti hanya membeli software forecasting. Yang lebih penting adalah menutup loop antara data, analisis, keputusan, dan eksekusi.
Loop tersebut biasanya terdiri dari empat bagian.
1. Data Masuk Secara Terjadwal
Toko dan distribution center mengirimkan data penjualan dan stok secara rutin. Dalam praktik retail, data tidak selalu harus real-time. Untuk banyak jaringan toko, scheduled upload harian sudah cukup kuat, terutama jika kondisi perangkat, koneksi, atau infrastruktur toko belum seragam.
Yang penting adalah disiplin data: sales, stock position, stock movement, promo, dan replenishment harus masuk secara konsisten.
2. Model Membaca Demand Signals
Model tidak hanya membaca angka penjualan. Model membaca sinyal di balik penjualan.
Apakah kenaikan demand terjadi karena promosi? Apakah penurunan demand terjadi karena stockout? Apakah satu SKU turun karena pelanggan pindah ke produk substitusi? Apakah demand naik di toko tertentu karena lokasi, musim, atau pola pelanggan lokal?
Pertanyaan-pertanyaan seperti ini sulit dijawab dengan average sales sederhana.
3. Forecast dan Replenishment Quantity Dihasilkan per SKU dan Lokasi
Hasil forecasting harus cukup granular. Bukan hanya “kategori ini naik”, tetapi SKU mana, di toko mana, dalam periode apa, dan berapa jumlah replenishment yang dibutuhkan.
Inilah perbedaan besar antara forecasting sebagai laporan dan forecasting sebagai decision engine. Forecast yang baik seharusnya membantu tim menentukan tindakan berikutnya.
4. Eksekusi ke Distribution Center dan Supplier
Forecast baru benar-benar bernilai jika bisa memengaruhi order. Distribution center perlu tahu berapa stok yang dikirim ke toko. Procurement perlu tahu berapa quantity yang harus dipesan ke supplier. Store team perlu tahu produk mana yang perlu dijaga ketersediaannya.
Jika forecasting hanya berhenti di dashboard, hasilnya terbatas. Nilai terbesar muncul ketika forecasting terhubung ke replenishment, allocation, inventory management, dan procurement.
Digital Place membantu retailer menghubungkan demand forecasting dengan inventory optimization dan automatic replenishment, dari level supplier purchase quantity, distribution center, hingga replenishment per toko yang sesuai dengan demand lokal.
Mengapa Harus Mulai dari Simulation, Bukan Langsung Rollout
Cara paling sehat untuk menilai sistem forecasting bukan langsung mengganti seluruh proses operasional. Mulailah dengan simulation.
Retailer bisa menggunakan data transaksi historis dua sampai tiga tahun untuk menguji bagaimana model membaca pola demand. Periode ini biasanya cukup untuk menangkap seasonality, festive cycles, tren tahunan, dan variasi demand antar periode.
Simulation membantu retailer menjawab pertanyaan penting:
- Apakah forecast lebih akurat daripada metode saat ini?
- Apakah stockout bisa turun?
- Apakah Days Sales of Inventory bisa membaik?
- Apakah lost sales bisa dikurangi?
- Apakah replenishment bisa berjalan lebih otomatis?
- Apakah margin dan working capital membaik?
Dengan simulation, retailer tidak perlu mengambil keputusan berdasarkan janji vendor. Mereka bisa melihat estimasi dampaknya berdasarkan data mereka sendiri.
Apa yang Perlu Diukur Saat Menguji Forecasting
Agar evaluasi tidak bias, retailer perlu melihat beberapa metrik sekaligus. Forecast accuracy penting, tetapi tidak cukup.
Forecast yang akurat tidak selalu menghasilkan inventory decision yang baik jika tidak terhubung ke replenishment.
Metrik yang lebih praktis untuk retail biasanya mencakup:
- Out-of-stock rate
- Lost sales
- Days Sales of Inventory
- Inventory turnover
- Replenishment accuracy
- Service level
- Net margin impact
- Working capital released
- System uptime
- Manual workload reduction
Dengan cara ini, retailer tidak hanya bertanya, “Apakah forecast-nya akurat?” tetapi juga “Apakah keputusan inventory menjadi lebih baik?”
Dari Guesswork ke Evidence-Based Ordering
Pada akhirnya, masalah utama dalam inventory retail bukan hanya tentang kurangnya data. Banyak retailer sudah punya data. Masalahnya adalah data tersebut belum berubah menjadi keputusan yang lebih baik.
Toko punya data sales. Gudang punya data stok. Procurement punya data purchase order. Promotion team punya kalender promosi. Tetapi jika semua data itu berjalan sendiri-sendiri, keputusan order tetap akan mengandalkan intuisi, spreadsheet, dan average sales.
Retailer perlu mengubah proses dari guesswork menjadi evidence-based ordering.
Artinya, setiap order seharusnya bisa dijelaskan oleh sinyal yang jelas: demand, stock position, lead time, replenishment rule, promo impact, service level, dan kapasitas supply.
Jika keputusan order bisa dijelaskan, maka keputusan itu bisa diaudit. Jika bisa diaudit, maka bisa diperbaiki. Jika bisa diperbaiki, maka inventory performance bisa meningkat secara konsisten.
Kesimpulan: Tebakan Bukan Kegagalan, tetapi Batas Kapasitas
Keputusan inventory yang berbasis tebakan bukan selalu tanda bahwa tim retail tidak mampu. Sering kali, itu hanya tanda bahwa kompleksitas operasional sudah melampaui kapasitas manusia dan spreadsheet.
Semakin banyak toko, SKU, promosi, supplier, dan pola demand yang harus dikelola, semakin sulit mengandalkan pengalaman saja.
Yang menggantikan tebakan bukan sekadar dashboard baru. Yang dibutuhkan adalah model yang membaca demand per SKU dan per lokasi, replenishment yang terhubung ke keputusan operasional, serta feedback loop yang menunjukkan apakah sistem benar-benar bekerja.
Pertanyaan terbaik untuk mulai mengevaluasi kondisi inventory hari ini adalah sederhana:
Berapa banyak order minggu ini yang bisa dijelaskan oleh data dan demand signal, bukan hanya oleh pengalaman?
Jika jawabannya belum banyak, berarti ruang perbaikannya masih sangat besar.
