Kesalahan pengelolaan stok pertama sering terjadi jauh sebelum sistem membuat prediksi permintaan. Kesalahan itu bermula saat retailer memutuskan produk apa yang akan dijual, berapa banyak stok yang disiapkan, dan toko mana yang akan menerima produk tersebut.
Dampaknya mungkin baru terlihat beberapa bulan kemudian: ada produk yang terus habis, sementara varian lain menumpuk dan bergerak lambat. Tim kemudian sibuk memperbaiki forecast, memindahkan stok, atau menyiapkan diskon. Padahal sumber masalahnya bisa berada pada keputusan yang dibuat sebelum barang pertama kali dikirim ke toko.
Di sinilah perencanaan assortment menjadi penting. Assortment adalah pilihan produk yang tersedia untuk pelanggan di sebuah toko atau kanal. Perencanaannya bukan sekadar memilih katalog yang menarik. Ini adalah keputusan inventori paling awal, karena produk yang tidak tepat untuk suatu lokasi akan tetap menimbulkan masalah sekalipun proses pengisian ulangnya berjalan efisien.
Pada dasarnya, retailer perlu menjawab tiga pertanyaan:
- Produk apa yang dijual? SKU mana yang masuk ke dalam pilihan produk?
- Berapa kedalaman stoknya? Berapa unit yang layak disiapkan untuk setiap SKU?
- Di mana produk itu dijual? Toko atau kelompok toko mana yang benar-benar membutuhkan produk tersebut?
Jawaban atas tiga pertanyaan ini akan memengaruhi pembelian, alokasi awal, ketersediaan di rak, pemesanan ulang, hingga kebutuhan untuk memindahkan atau mengembalikan stok.
Assortment Diputuskan Sebelum Replenishment
Keputusan replenishment biasanya terasa mendesak. Stok menipis, titik pemesanan ulang tercapai, lalu sistem harus menentukan kapan dan berapa banyak barang yang dikirim. Sebaliknya, keputusan assortment bekerja lebih awal dan dampaknya sering tidak langsung terlihat.
Sebelum suatu SKU dapat diisi ulang di sebuah toko, retailer telah lebih dulu memutuskan bahwa SKU itu memang pantas berada di sana. Jika keputusan awalnya keliru, pengisian ulang yang cepat justru bisa terus memasok produk yang kurang sesuai dengan kebutuhan pelanggan setempat.
Bayangkan jaringan dengan ratusan toko. Varian minuman tertentu mungkin laris di dekat kampus, tetapi bergerak lambat di kawasan perumahan. Produk kebutuhan keluarga bisa memiliki pola sebaliknya. Jika kedua lokasi menerima pilihan dan jumlah stok yang sama hanya karena format tokonya serupa, rata-rata penjualan jaringan akan menutupi perbedaan yang menentukan hasil di masing-masing toko.
Karena itu, assortment, perkiraan permintaan, dan replenishment perlu dibaca sebagai rangkaian keputusan yang saling terkait. Digitalplace.ai membantu retailer menghubungkan pola permintaan dengan keputusan optimasi inventori dan pengisian ulang otomatis, sehingga masalah stok dapat ditelusuri sampai ke keputusan yang lebih awal.
Penjualan Historis Perlu Dibaca dengan Konteks
Data penjualan adalah titik awal yang masuk akal untuk menyusun assortment. Namun, memilih SKU dengan penjualan tertinggi lalu menghapus yang terendah terlalu menyederhanakan masalah.
Penjualan yang tercatat tidak selalu sama dengan permintaan sebenarnya. SKU yang tampak kurang laku mungkin sering kehabisan stok, sehingga pelanggan tidak pernah mendapat kesempatan membelinya. Sebaliknya, produk yang penjualannya cukup baik bisa saja memakai ruang rak dan modal kerja terlalu besar dibandingkan jumlah unit yang benar-benar terjual.
Analisis yang lebih berguna melihat penjualan bersama sinyal lain, seperti:
- Sell-through per SKU dan toko: seberapa besar stok yang benar-benar terjual dalam periode tertentu.
- Frekuensi kehabisan stok dan lamanya produk tidak tersedia.
- Kecepatan penjualan setelah barang kembali tersedia.
- Dampak promosi, musim, dan perubahan permintaan setempat.
- Usia stok, kontribusi kategori, serta margin.
- Kemungkinan pelanggan beralih ke varian lain saat satu SKU tidak tersedia.
- Perbedaan kinerja SKU yang sama di kelompok toko berbeda.
AI dapat membantu membaca kombinasi sinyal dalam skala besar. Tujuannya bukan hanya menemukan produk paling laris, melainkan memahami mengapa sebuah produk cocok di satu tempat tetapi tidak di tempat lain, dan apakah pilihan produk saat ini masih sesuai dengan cara pelanggan berbelanja.
Kesalahan Forecast yang Berulang Bisa Menandakan Masalah Assortment
Ketika forecast terus meleset, respons pertama biasanya memperbaiki model: menambah data historis, menyesuaikan pola musiman, atau mengubah parameter. Langkah ini bisa tepat, tetapi bukan satu-satunya kemungkinan.
Misalnya, sebuah SKU berulang kali diperkirakan akan terjual tinggi di sejumlah toko, tetapi penjualan aktual selalu tertinggal. Setelah pola ini terjadi berkali-kali, pertanyaannya bukan hanya “Bagaimana memperbaiki forecast?” Retailer juga perlu bertanya, “Apakah produk ini memang perlu tersedia di toko tersebut, dan apakah jumlah stoknya terlalu dalam?”
Sebaliknya, produk yang berkali-kali terjual lebih cepat daripada perkiraan mungkin membutuhkan lebih dari sekadar pesanan ulang yang lebih besar. Produk tersebut bisa memerlukan tambahan ruang rak, distribusi ke lebih banyak toko, atau perubahan alokasi awal.
Perbedaan ini penting. Tidak semua persoalan stok harus diselesaikan pada tahap replenishment. Kadang tindakan terbaik adalah mengubah pilihan produk atau lokasi penjualannya. Bagi Digitalplace.ai, optimasi inventori mencakup hubungan antara prediksi permintaan dan keputusan stok, termasuk mengenali kapan pola masalah yang berulang perlu dijawab melalui assortment, alokasi, atau replenishment yang berbeda.
Satu Jaringan Tidak Selalu Membutuhkan Assortment yang Sama
Standarisasi assortment memudahkan pengadaan dan operasional. Namun, menyeragamkan seluruh toko dapat mengabaikan kebutuhan pelanggan yang berbeda.
Toko di kawasan perkantoran mungkin ramai saat jam makan siang dan menonjolkan produk siap konsumsi. Supermarket di area keluarga bisa lebih kuat pada kemasan besar dan kebutuhan belanja mingguan. Toko kecil di lingkungan permukiman dapat mengandalkan produk praktis untuk pembelian mendadak. Ketiganya mungkin berada di bawah merek ritel yang sama, tetapi melayani misi belanja yang berbeda.
Solusinya juga bukan membuat setiap toko memiliki katalog yang sepenuhnya unik. Penyesuaian yang terlalu rinci dapat mempersulit pembelian, planogram, distribusi, dan pengelolaan SKU. Pendekatan yang lebih realistis adalah mengelompokkan toko berdasarkan pola permintaan, kemudian menyusun assortment dalam tiga lapisan:
- Assortment inti: produk yang relevan di hampir seluruh jaringan.
- Assortment per kelompok toko: produk untuk lokasi dengan karakter dan perilaku belanja serupa.
- Assortment lokal: pilihan terbatas untuk kebutuhan yang sangat spesifik di suatu area.
Dengan cara ini, retailer mempertahankan efisiensi skala jaringan sambil memberi ruang bagi kebutuhan pelanggan setempat.
Data Memerlukan Penilaian Manusia
Data historis kuat dalam menunjukkan perubahan yang sudah meninggalkan jejak transaksi. Namun, kondisi sekitar toko bisa berubah sebelum dampaknya muncul dalam angka penjualan.
Kompetitor baru mungkin akan buka di dekat toko. Gedung perkantoran bisa ditutup sementara. Kompleks perumahan baru dapat membawa ribuan calon pelanggan. Perubahan akses jalan atau pembukaan kampus juga dapat mengubah pola kunjungan. Jika tim hanya melihat data tahun lalu, perubahan ini belum tentu terlihat.
Di sinilah pengetahuan tim lapangan dan kategori tetap penting. Manajer toko dapat mengetahui perkembangan kawasan lebih cepat daripada sistem. Tim kategori memahami peluncuran produk pemasok dan perubahan preferensi pelanggan. Tim regional bisa melihat pergeseran demografi yang belum cukup lama terjadi untuk terbaca sebagai tren.
AI membantu mendeteksi pola yang sudah terlihat dalam data. Manusia menambahkan konteks tentang perubahan yang belum menjadi data. Assortment yang lebih baik lahir dari gabungan keduanya.
Memilih Produk yang Tepat Belum Cukup: Jumlahnya Juga Harus Tepat
Sebuah SKU bisa tepat untuk suatu toko, tetapi jumlah stoknya tetap berlebihan. Sebaliknya, stok yang terlalu tipis untuk produk populer dapat menyebabkan kehabisan berulang. Penjualan yang tercatat kemudian terlihat lebih rendah daripada potensi permintaannya karena pelanggan tidak selalu menemukan produk itu di rak.
Kedalaman stok perlu mempertimbangkan permintaan yang diperkirakan, frekuensi pengiriman, lead time pemasok, kapasitas toko, kebutuhan minimum display, stok pengaman, dan sisa waktu penjualan. Faktor terakhir sangat penting untuk barang musiman.
Stok yang terasa wajar pada awal musim dapat menjadi masalah beberapa minggu sebelum musim berakhir. Waktu untuk menjualnya dengan margin penuh semakin pendek. Retailer mungkin perlu memindahkannya ke toko dengan permintaan lebih tinggi, mengembalikannya ke distribution center (DC) jika memungkinkan, atau baru kemudian mempertimbangkan promosi dan penurunan harga.
Artinya, penilaian terhadap jumlah stok tidak boleh dilepaskan dari waktu. Jumlah unit yang sama dapat sehat pada satu tahap siklus penjualan, tetapi berlebihan pada tahap berikutnya.
Keputusan Awal yang Lebih Baik Mengurangi Koreksi di Hilir
Assortment yang baik tidak akan menghapus seluruh risiko kehabisan atau kelebihan stok. Permintaan bisa berubah, pemasok bisa terlambat, dan promosi tidak selalu berjalan sesuai perkiraan. Namun, keputusan awal yang lebih tepat mengurangi banyaknya masalah yang harus dibenahi kemudian.
Alurnya dapat dibaca sebagai berikut:
Pilihan assortment → Pembelian → Alokasi awal → Replenishment → Pemindahan atau retur stok bila diperlukan → Promosi, markdown, atau likuidasi bila stok tetap tidak terserap
Jika pilihan produk tidak sesuai dengan permintaan setempat, setiap tahap setelahnya harus bekerja lebih keras. Barang dipindahkan antartoko, dikembalikan ke DC, atau dijual dengan margin lebih rendah. Jika sejak awal produk ditempatkan di lokasi dan jumlah yang lebih tepat, peluangnya untuk terjual sesuai rencana menjadi lebih besar.
Karena itu, evaluasi assortment tidak cukup berhenti pada pertanyaan “Produk apa yang terjual tahun lalu?” Retailer juga perlu memeriksa SKU mana yang sering dipindahkan, lokasi mana yang berulang kali memerlukan pengiriman darurat, produk apa yang menjadi stok berumur, dan di mana markdown terkonsentrasi.
Sebagai mitra optimasi inventori dan auto replenishment, Digitalplace.ai membantu retailer menghubungkan forecast, posisi stok, permintaan per toko, dan perilaku replenishment. Pola kehabisan, kelebihan stok, atau kesalahan forecast pada kombinasi SKU dan lokasi tertentu dapat menjadi sinyal untuk meninjau kembali produk yang dijual, jumlah yang disiapkan, dan aliran stok di dalam jaringan.
Optimasi Inventori Dimulai Lebih Awal dari yang Banyak Orang Kira
Optimasi inventori sering dibayangkan dimulai ketika barang sudah berada di gudang atau toko. Padahal keputusan yang membentuk hasil akhirnya sudah dibuat jauh sebelumnya.
Sebelum menentukan kapan memesan ulang, retailer memutuskan apakah produk itu masuk dalam assortment. Sebelum menetapkan jumlah replenishment, retailer menentukan kedalaman stok yang layak. Sebelum menemukan stok berlebih di suatu toko, perusahaan telah memilih lokasi yang menerima barang tersebut.
Proses perencanaan assortment yang kuat karena itu tidak hanya bertanya, “Apa yang terjual sebelumnya?” Pertanyaan yang lebih lengkap adalah: “Di mana produk itu terjual, dalam kondisi apa, seberapa konsisten, masalah stok apa yang muncul sesudahnya, dan apa yang telah berubah tetapi belum terlihat dalam data historis?”
Tujuannya bukan menyusun pilihan produk yang paling akurat menggambarkan masa lalu. Tujuannya adalah menyiapkan pilihan produk yang lebih sesuai untuk permintaan berikutnya.
