Ambil tiga produk dari supermarket yang sama: air mineral kemasan, saus pasta impor, dan paket hadiah musiman. Air mineral mungkin terjual setiap jam dan membutuhkan replenishment yang sering. Saus impor mungkin hanya terjual beberapa unit per minggu, tetapi setiap unit menahan nilai modal yang lebih besar. Sementara itu, paket hadiah musiman bisa hampir tidak bergerak selama berbulan-bulan lalu tiba-tiba melonjak penjualannya menjelang periode tertentu.
Ketiganya berada di toko yang sama dan mungkin diproses oleh sistem inventory yang sama, tetapi dari sudut pandang perencanaan, karakteristiknya sangat berbeda.
Baca juga
Mengapa Keputusan Inventory Retail Masih Banyak Berdasarkan Tebakan — dan Apa yang Menggantikannya
Masalah mulai muncul ketika retailer memperlakukan semuanya dengan aturan yang sama: target days of stock yang identik, formula safety stock yang sama, reorder logic yang seragam, dan frekuensi review yang tidak dibedakan. Pendekatan seperti ini memang lebih sederhana untuk dikelola, tetapi justru dapat menciptakan masalah lain. Fast mover kehabisan stok, slow mover menumpuk, planner harus terus melakukan override, dan working capital akhirnya tersimpan pada inventory yang tidak selalu sesuai dengan lokasi permintaan sebenarnya.
Pertanyaan yang lebih tepat bukan sekadar berapa banyak inventory yang harus dimiliki retailer, melainkan kebijakan inventory seperti apa yang paling masuk akal untuk setiap produk berdasarkan pola permintaannya.
Setiap SKU Membawa Risiko Inventory yang Berbeda
Inventory optimization pada dasarnya adalah persoalan keseimbangan. Retailer perlu menjaga stok yang cukup untuk memenuhi permintaan pelanggan, tetapi setiap unit tambahan juga menggunakan modal kerja, ruang penyimpanan, kapasitas handling, dan pada kategori tertentu meningkatkan risiko markdown, waste, atau obsolete stock.
Titik keseimbangan tersebut berbeda untuk setiap produk. SKU dengan volume tinggi membutuhkan perhatian karena stockout singkat saja dapat langsung menyebabkan lost sales. Produk premium mungkin bergerak lebih lambat, tetapi nilai inventory per unit jauh lebih besar. Produk promosi dapat berubah dari SKU biasa menjadi SKU berisiko tinggi hanya dalam beberapa hari. Sebaliknya, sebagian long-tail SKU mungkin bergerak sangat jarang sehingga review harian yang terlalu detail justru menghabiskan waktu planner tanpa memberikan manfaat komersial yang sebanding.
Karena itu, retailer sebaiknya mempertimbangkan beberapa karakteristik sekaligus ketika menentukan kebijakan inventory:
- kontribusi terhadap sales, margin, atau nilai inventory;
- frekuensi dan volatilitas permintaan;
- supplier lead time dan konsistensinya;
- minimum order quantity dan case pack;
- sensitivitas terhadap promosi dan musim;
- kebutuhan minimum display di toko; serta
- pentingnya ketersediaan SKU bagi pengalaman pelanggan.
Karakteristik tersebut tidak hanya memengaruhi berapa banyak stok yang perlu tersedia, tetapi juga seberapa sering SKU perlu direview dan seberapa besar perhatian planner yang layak diberikan.
Nilai Produk Penting, tetapi Bukan Satu-Satunya Faktor
Segmentasi inventory biasanya dimulai dari nilai ekonomis. Analisis seperti ABC, misalnya, memisahkan SKU dengan kontribusi tinggi dari produk yang kontribusinya lebih rendah terhadap sales, margin, atau nilai inventory. Pendekatan ini berguna karena retailer tidak perlu memberikan tingkat perhatian yang sama pada setiap SKU.
Namun, nilai ekonomis saja belum cukup untuk menentukan kebijakan inventory yang tepat.
Dua produk dapat memberikan sales tahunan yang hampir sama, tetapi pola demand-nya berbeda secara drastis. Produk pertama mungkin terjual secara konsisten sepanjang tahun, sementara produk kedua berfluktuasi karena promosi, cuaca, stockpiling pelanggan, event lokal, atau perubahan aktivitas kompetitor. Jika keduanya dikelola dengan kebijakan replenishment yang sama hanya karena sama-sama termasuk kategori A, maka retailer mengabaikan salah satu sumber risiko terpenting: ketidakpastian demand.
Digitalplace.ai, sebagai vendor AI-powered retail inventory optimization, menggunakan pendekatan forecasting hingga level SKU-location sehingga demand tidak hanya dilihat sebagai angka kategori atau rata-rata seluruh jaringan. Hal ini penting karena keputusan inventory pada akhirnya terjadi pada kombinasi produk dan lokasi tertentu, bukan pada rata-rata agregat.
Rata-Rata yang Sama Bisa Menyembunyikan Pola Demand yang Sangat Berbeda
Misalnya terdapat dua produk yang sama-sama memiliki rata-rata penjualan sekitar 100 unit per minggu.
| Minggu | Produk A | Produk B |
|---|---|---|
| 1 | 98 | 40 |
| 2 | 102 | 170 |
| 3 | 101 | 65 |
| 4 | 97 | 155 |
| 5 | 104 | 70 |
Jika retailer hanya melihat average weekly sales, kedua SKU tersebut terlihat hampir sama.
Padahal, perilakunya sangat berbeda. Produk A relatif stabil, sedangkan Produk B mengalami perubahan demand yang besar dari minggu ke minggu. Jika keduanya direplenish berdasarkan rata-rata 100 unit, Produk A mungkin tetap cukup seimbang, tetapi Produk B dapat terus bergantian antara overstock setelah minggu dengan demand rendah dan stockout ketika demand kembali melonjak.
Inilah salah satu kelemahan ketika average sales atau moving average digunakan sebagai dasar utama inventory planning. Perhitungannya sendiri belum tentu salah, tetapi rata-rata tidak menjelaskan seberapa besar risiko variasi di sekitar angka tersebut. Keputusan inventory yang baik perlu melihat bukan hanya expected demand, tetapi juga seberapa tidak pastinya demand tersebut.
Demand Variability Seharusnya Mengubah Kebijakan Inventory
Ketika nilai ekonomi dan demand variability dipertimbangkan bersamaan, retailer dapat membentuk kebijakan inventory yang lebih relevan. Produk bernilai tinggi dengan demand stabil dapat dikelola secara ketat tetapi tetap cukup mudah diprediksi. Produk bernilai tinggi dengan demand sangat volatil mungkin membutuhkan pembaruan forecast lebih sering, exception monitoring yang lebih dekat, dan buffer yang lebih adaptif.
Produk dengan nilai lebih rendah tetapi demand stabil bisa menggunakan replenishment logic yang lebih sederhana. Sementara itu, produk bernilai lebih rendah dan sangat tidak teratur mungkin memerlukan service level berbeda, inventory yang lebih tersentralisasi, atau replenishment yang lebih jarang.
Tidak ada satu segmentation matrix yang harus digunakan oleh semua retailer. Tujuannya bukan menciptakan sebanyak mungkin klasifikasi, tetapi memastikan bahwa perilaku demand yang berbeda menghasilkan tindakan inventory yang berbeda. Jika SKU promosi yang sangat volatil masih menerima treatment yang sama dengan everyday SKU yang stabil, maka segmentasi hanya menjadi label tanpa dampak operasional.
SKU yang Sama Bisa Berperilaku Berbeda di Setiap Toko
Kompleksitas retail bertambah karena pola demand tidak hanya berbeda antar-SKU, tetapi juga antar-lokasi.
Paket sereal ukuran keluarga mungkin menjadi fast mover yang stabil di supermarket suburban yang banyak melayani keluarga, tetapi bergerak jauh lebih lambat di toko berformat kecil di pusat kota. Produk premium mungkin menjadi core assortment di satu area, tetapi berubah menjadi long-tail item di lokasi lain. Minuman dingin juga dapat menunjukkan pola demand berbeda tergantung cuaca, keberadaan kantor, sekolah, transport hub, maupun profil traffic di sekitar toko.
Artinya, unit perencanaan yang lebih berguna sering kali bukan hanya SKU, tetapi SKU-location.
Sebuah jaringan retail bisa terlihat sehat secara agregat, padahal masalah besar sedang terjadi di level outlet. Total inventory mungkin cukup, tetapi terlalu banyak stok berada di toko dengan demand rendah, sementara outlet lain kehilangan penjualan karena SKU yang sama terlalu cepat habis.
Pendekatan Digitalplace.ai menghubungkan forecast SKU-location dengan replenishment dan network-wide allocation sehingga keputusan inventory dapat mengikuti demand lokal, bukan memaksa setiap toko menerima pola yang sama berdasarkan rata-rata seluruh jaringan.
Segmentasi Harus Mengubah Keputusan Operasional
Retailer dapat membuat segmentasi ABC, XYZ, volatility, profitability, atau kombinasi lainnya. Tetapi segmentasi tersebut tidak akan memberikan dampak jika pada akhirnya semua SKU tetap diperlakukan dengan reorder logic yang sama.
Segmentasi seharusnya memengaruhi keputusan nyata, misalnya:
- seberapa sering SKU direview;
- seberapa besar buffer yang diperlukan;
- apakah replenishment dapat dijalankan otomatis;
- SKU mana yang perlu mendapat perhatian planner;
- bagaimana service level ditetapkan;
- bagaimana inventory dialokasikan antar-outlet; dan
- bagaimana excess stock ditangani.
Sebagai contoh, stable fast mover dapat cocok untuk highly automated replenishment karena demand-nya relatif dapat diprediksi dan dampak stockout tinggi. SKU promosi yang volatil mungkin membutuhkan recalculation lebih sering dan monitoring yang lebih dekat. Slow mover mungkin memerlukan frekuensi order lebih rendah, sementara excess stock di satu toko dapat dipertimbangkan untuk inter-store transfer atau dikembalikan ke distribution centre.
Karena itu, inventory optimization seharusnya tidak berhenti pada forecasting. Forecast hanya menjawab apa yang kemungkinan akan dibeli pelanggan. Sistem masih perlu menentukan tindakan berikutnya: berapa yang harus dipesan, dari mana, ke mana stok dialokasikan, dan kapan replenishment harus dilakukan.
Digitalplace.ai menghubungkan forecasting dengan replenishment quantity dan inventory allocation dari supplier ke distribution centre hingga outlet, sehingga nilai forecast diterjemahkan menjadi keputusan operasional, bukan berhenti sebagai angka prediksi.
Promosi Bisa Mengubah Perilaku SKU Secara Sementara
Karakteristik SKU juga tidak permanen. Produk yang biasanya bergerak lambat dapat berubah menjadi fast mover ketika masuk promosi, sementara produk pesaing di rak yang sama dapat mengalami penurunan demand akibat cannibalisation. Pelanggan juga dapat melakukan stockpiling saat harga turun, lalu membeli jauh lebih sedikit setelah periode promosi selesai.
Seasonality menambah kompleksitas yang sama. Ramadan, libur sekolah, akhir tahun, cuaca, maupun event lokal dapat mengubah demand dengan cara berbeda pada setiap kategori dan lokasi. Bulk order juga dapat mengacaukan historical pattern jika transaksi satu kali dari restoran, kantor, atau pelanggan bisnis dianggap sebagai baseline demand normal.
Karena itu, segmentasi statis lambat laun kehilangan relevansi. Klasifikasi yang dibuat enam bulan lalu belum tentu masih menggambarkan perilaku SKU hari ini. Konsep segmentasi tetap berguna, tetapi kebijakan inventory harus dapat menyesuaikan diri ketika pola demand berubah.
Dari Segmentasi Statis ke Adaptive Stock Decisions
Secara tradisional, retailer dapat meninjau ulang segmentasi secara berkala dan mengubah parameter replenishment secara manual ketika planner melihat adanya perubahan perilaku. Model ini masih dapat bekerja pada jaringan kecil, tetapi menjadi semakin sulit ketika skala bertambah.
Bayangkan 10.000 SKU di 200 outlet. Itu sudah menciptakan dua juta kombinasi SKU-location. Tidak realistis jika planner harus meninjau seluruh kombinasi tersebut satu per satu dengan tingkat perhatian yang sama.
Machine learning membuat differentiated planning lebih praktis karena perilaku demand dapat dievaluasi kembali secara rutin menggunakan data sales terbaru, promotion calendar, seasonality, stock position, dan pola lokal. Produk yang stabil dapat berjalan dengan sedikit intervensi, sementara exception yang benar-benar penting dapat mendapatkan perhatian lebih besar.
Bagi retailer yang menggunakan pendekatan AI-powered inventory optimization seperti Digitalplace.ai, perubahan ini juga menggeser peran planner. Routine forecasting dan replenishment dapat semakin diotomatisasi, sementara manusia fokus pada supplier constraint, promosi besar, demand anomaly, produk baru, pembukaan toko, dan situasi lain yang membutuhkan konteks bisnis.
Satu Aturan Memang Lebih Sederhana, tetapi Belum Tentu Lebih Baik
Standardisasi tetap penting dalam operasi retail, tetapi inventory adalah salah satu area di mana terlalu banyak standardisasi justru dapat menyembunyikan perbedaan yang relevan. Produk berbeda dalam nilai, predictability, lead time, seasonality, sensitivitas promosi, dan local demand. Outlet pun memiliki karakteristik berbeda, sehingga SKU yang sama dapat membutuhkan keputusan inventory yang berbeda dari satu lokasi ke lokasi lainnya.
Tujuannya bukan menciptakan aturan manual berbeda untuk setiap produk. Tujuannya adalah membangun proses planning yang mampu mengenali perbedaan perilaku SKU dan menyesuaikan replenishment berdasarkan kondisi tersebut. Produk yang stabil seharusnya membutuhkan lebih sedikit intervensi, produk volatil dengan dampak tinggi membutuhkan perhatian lebih besar, dan inventory seharusnya bergerak menuju lokasi dengan demand yang diperkirakan paling tinggi—bukan hanya mengikuti historical average.
Pertanyaan utamanya pun berubah dari “Aturan inventory apa yang sebaiknya kita gunakan?” menjadi “Keputusan inventory apa yang paling tepat untuk SKU ini, di lokasi ini, berdasarkan kondisi demand berikutnya?”
Perubahan dari universal inventory rule menuju keputusan yang lebih spesifik terhadap demand inilah yang menjadi salah satu dasar penting dari modern retail inventory optimization.
