ROI Optimasi Inventori: Framework Tiga Bagian untuk Mengubah Masalah Inventori Menjadi Hasil Finansial

Optimasi inventori sering terdengar paling mengesankan ketika dijelaskan dengan istilah teknis.

Akurasi forecast meningkat. Model belajar lebih cepat. Rekomendasi menjadi lebih otomatis. Sistem mampu memproses volume data yang semakin besar.

Namun, biasanya bukan itu yang menentukan apakah retailer akan melanjutkan investasi pada sebuah inisiatif AI.

Tim keuangan tidak akan mendanai “machine learning yang lebih baik” hanya karena teknologinya lebih canggih. Tim operasional juga tidak akan memperluas pilot hanya karena modelnya kompleks. Pertanyaan yang jauh lebih penting adalah apakah AI mampu meningkatkan hasil bisnis yang sudah dipahami perusahaan: pendapatan, margin, biaya inventori, modal kerja, dan efisiensi operasional.

Baca Juga

Demand Forecasting vs Inventory Optimization di Ritel: Apa Bedanya?

Demand Forecasting vs Inventory Optimization di Ritel: Apa Bedanya?

Untuk AI yang berkaitan dengan inventori, salah satu cara praktis untuk membangun business case adalah melihat tiga pengungkit finansial: mengurangi biaya overstock, memulihkan potensi pendapatan yang hilang akibat stockout, serta meningkatkan cara retailer menangani kelebihan stok sebelum margin terpaksa dikorbankan.

Digitalplace.ai bekerja sama dengan retailer sebagai partner optimasi inventori dan pengisian ulang otomatis.

Mulai dari Masalah Inventori, Bukan dari Kemampuan AI

Salah satu kesalahan yang cukup umum dalam proyek AI retail adalah memulai pembicaraan dari teknologi.

Diskusi dimulai dari apa yang bisa dilakukan sistem: forecasting, rekomendasi, otomatisasi, anomaly detection, optimization, atau AI agent. Kemampuan tersebut memang penting, tetapi semuanya belum merupakan hasil finansial.

Pendekatan yang lebih berguna adalah mengidentifikasi terlebih dahulu bagian mana dari kinerja inventori yang sudah menimbulkan tekanan ekonomi yang terukur, kemudian menilai apakah AI dapat memperbaiki keputusan yang menyebabkan masalah tersebut.

Dalam inventori, tekanan itu biasanya muncul dalam beberapa bentuk yang familiar. Terlalu banyak stok mengikat uang pada produk yang mungkin membutuhkan waktu lebih lama untuk terjual. Terlalu sedikit stok menimbulkan masalah ketersediaan dan kehilangan penjualan. Produk yang bergerak lambat sering berujung pada transfer stok, retur, promosi, markdown, dan pada akhirnya likuidasi.

Masalah-masalah tersebut mungkin terlihat terpisah karena ditangani oleh departemen yang berbeda. Namun, sering kali sumbernya berasal dari keputusan yang sama di bagian hulu: forecasting, purchasing, allocation, dan replenishment.

Karena itu, kerangka ROI yang praktis sebaiknya menghubungkan AI dengan ekonomi inventori, bukan sekadar kecanggihan model.

Struktur sederhananya dapat dibagi menjadi tiga bagian:

1. Pengurangan biaya overstock
2. Pemulihan pendapatan akibat stockout
3. Efisiensi pengelolaan excess inventory dan markdown

Nilainya bukan hanya pada mengukur setiap komponen secara terpisah. Insight yang lebih besar adalah memahami bagaimana perbaikan pada satu area dapat memengaruhi area lainnya.

1. Mengurangi Overstock: ROI Dimulai dari Inventori yang Sebenarnya Tidak Perlu Disimpan

Overstock mudah terlihat secara fisik, tetapi biaya finansialnya tidak selalu mudah dihitung.

Retailer mungkin tahu bahwa suatu kategori menyimpan terlalu banyak stok, tetapi biaya sebenarnya tersebar di banyak tempat. Ada modal yang digunakan untuk membeli barang, biaya penyimpanan dan penanganan, penggunaan ruang gudang dan backroom, eksposur terhadap shrinkage, serta opportunity cost karena dana tersebut tidak dapat digunakan untuk kebutuhan lain.

Jika produk terus menua, bisnis juga mungkin harus mengorbankan margin melalui promosi, markdown, atau likuidasi.

Karena itu, kelebihan inventori tidak seharusnya hanya diukur sebagai “unit yang tersisa”.

Dampak finansialnya dapat mencakup:

• modal kerja yang tertahan dalam inventori,
• biaya pembiayaan atau carrying cost,
• penggunaan ruang gudang dan toko,
• biaya handling dan stock counting,
• inventory ageing,
• risiko shrinkage atau obsolete stock,
• potensi markdown di masa depan.

AI dapat membantu dengan meningkatkan demand forecast, mengidentifikasi pola over-forecasting yang terus berulang, mendeteksi ketidakseimbangan stok antar lokasi, serta membantu planner menyesuaikan purchase quantity dan replenishment lebih awal.

Namun, tujuannya bukan sekadar mengurangi inventori sebanyak mungkin. Pengurangan stok yang terlalu agresif dapat menciptakan masalah lain: stockout.

Tujuan yang lebih tepat adalah mengurangi inventori yang tidak produktif sambil tetap menjaga ketersediaan produk.

Karena itu, retailer sebaiknya menetapkan baseline sebelum pilot AI dimulai. Average inventory value, inventory ageing, asumsi carrying cost, DSI, frekuensi excess stock, dan markdown exposure dapat digunakan untuk menilai apakah posisi inventori benar-benar membaik setelah solusi diterapkan.

Digitalplace.ai menghubungkan demand forecasting dengan optimasi inventori dan keputusan replenishment agar retailer tidak hanya berfokus pada menyimpan stok lebih sedikit, tetapi pada mengurangi inventori yang kemungkinan tidak menghasilkan nilai yang cukup sambil tetap mempertahankan stok yang diperlukan untuk memenuhi demand.

2. Pemulihan Stockout: Demand yang Hilang Sering Tidak Terlihat dalam Data Penjualan

Overstock terlihat di laporan.

Stockout bisa jauh lebih sulit terlihat.

Jika sebuah toko biasanya mampu menjual 100 unit produk tetapi hanya memiliki 70 unit yang tersedia, sistem POS akan mencatat 70 unit penjualan. Sistem tersebut tidak otomatis mencatat 30 unit tambahan yang mungkin sebenarnya ingin dibeli pelanggan.

Sebagian pelanggan mungkin mengganti dengan produk lain, sebagian meninggalkan toko, dan sebagian lainnya menunda pembelian. Karena itu, data penjualan menunjukkan apa yang berhasil dijual, bukan selalu apa yang sebenarnya dapat terjual.

Perbedaan ini penting karena sistem forecasting yang hanya belajar dari observed sales dapat secara tidak sengaja belajar dari constrained demand (=permintaan sebenarnya yang tidak sepenuhnya terlihat di data penjualan karena dibatasi oleh ketersediaan stok)..

Toko yang berulang kali kehabisan stok mungkin terlihat memiliki demand historis yang sedang, padahal produk tersebut tidak tersedia selama sebagian periode penjualan. Jika data itu dibaca tanpa konteks ketersediaan, forecast berikutnya bisa tetap terlalu rendah. Akibatnya, retailer kembali melakukan under-allocation dan stockout kembali terjadi.

Analisis ROI stockout yang baik sebaiknya melihat lebih dari sekadar histori penjualan, termasuk:

• penjualan sebelum stockout terjadi,
• durasi periode out-of-stock,
• perilaku substitusi pelanggan,
• margin rata-rata produk,
• estimasi demand selama produk tidak tersedia,
• apakah demand berpindah ke SKU lain atau benar-benar hilang.

Estimasi sederhana dapat dimulai dari jumlah unit yang diperkirakan bisa terjual selama periode tersebut, kemudian dikalikan dengan margin per unit.

Namun, perhitungan sebaiknya tetap konservatif. Tidak setiap unit yang tidak tersedia otomatis menjadi lost sale, karena sebagian pelanggan mungkin melakukan substitusi.

Nilai AI yang sebenarnya di sini bukan hanya menghasilkan forecast yang lebih akurat. Nilainya adalah membantu bisnis mendeteksi risiko stockout cukup awal sehingga masih ada waktu untuk mengambil tindakan: menambah replenishment, menyesuaikan allocation, mempercepat pengiriman, atau melakukan rebalancing stok yang tersedia di lokasi lain.

3. Excess Inventory: Efisiensi Markdown Penting, tetapi Markdown Bukan Satu-Satunya Pilihan

Ketika inventori tidak terjual secepat yang diharapkan, diskusi retail sering langsung mengarah ke markdown.

Dalam beberapa situasi, markdown memang keputusan yang tepat.

Namun, tidak selalu.

Sebelum menurunkan harga, retailer sebaiknya memastikan apakah produk benar-benar overstock di seluruh jaringan atau hanya berada di lokasi yang salah.

Sebuah SKU mungkin bergerak lambat di Store A, sementara Store B hampir mengalami stockout. Dalam situasi seperti ini, memberikan diskon di Store A dapat mengorbankan margin secara tidak perlu jika stok tersebut sebenarnya bisa dipindahkan ke Store B atau dikembalikan ke distribution center untuk dialokasikan kembali.

Hal ini menciptakan decision tree yang lebih luas untuk excess inventory:

Apakah masih ada demand di lokasi lain?
→ Pertimbangkan transfer antar toko.

Apakah stok dapat dikonsolidasikan dan dialokasikan ulang?
→ Pertimbangkan retur ke DC.

Apakah demand memang lemah di seluruh jaringan?
→ Pertimbangkan promosi atau markdown.

Apakah nilai ekonominya sudah terlalu rendah?
→ Pertimbangkan likuidasi.

Markdown optimization tetap penting, tetapi sebaiknya ditempatkan di dalam strategi inventory rebalancing yang lebih luas.

AI dapat mendukung proses ini dengan memodelkan sell-through trajectory, mengidentifikasi stok yang menua lebih cepat dari perkiraan, mendeteksi toko dengan demand yang lebih kuat, serta memperkirakan apakah transfer, retur, promosi, atau markdown kemungkinan memberikan hasil yang lebih baik.

AI juga dapat membantu retailer bertindak lebih awal.

Produk yang sudah teridentifikasi bermasalah enam minggu sebelum akhir selling period memberikan lebih banyak pilihan dibandingkan produk yang baru diketahui bermasalah tiga hari sebelum clearance menjadi tidak terhindarkan.

Intervensi lebih awal mempertahankan fleksibilitas.

Dan fleksibilitas membantu melindungi margin.

Tiga Pengungkit ROI Ini Saling Terhubung

Ketiga bagian dalam framework ini sebaiknya tidak diperlakukan sebagai manfaat yang berdiri sendiri.

Forecast yang buruk dapat menciptakan overstock di satu tempat dan stockout di tempat lain. Allocation yang tidak tepat dapat menghasilkan masalah yang sama meskipun total stok secara keseluruhan sebenarnya sudah cukup.

Excess stock yang terlambat terdeteksi pada akhirnya menciptakan tekanan markdown yang lebih besar. Stockout berulang dapat memicu emergency replenishment atau mendorong retailer menambah safety stock terlalu tinggi, yang kemudian meningkatkan carrying cost di bagian lain.

Lifecycle inventori penuh dengan hubungan finansial seperti ini.

Contoh sederhananya:

Forecast error
→ purchase quantity atau allocation yang tidak tepat
→ overstock / stockout
→ transfer atau emergency replenishment
→ tekanan markdown
→ margin erosion atau likuidasi

Karena itu, memperbaiki keputusan di bagian hulu dapat menciptakan nilai di bagian hilir.

Forecast yang lebih baik dapat mengurangi pembelian yang tidak perlu. Allocation yang lebih tepat dapat mengurangi stockout sekaligus excess inventory di tingkat toko. Deteksi excess stock lebih awal dapat memungkinkan transfer sebelum markdown diperlukan. Replenishment yang lebih baik dapat mengurangi lost sales tanpa harus meningkatkan safety stock di seluruh jaringan.

Inilah sebabnya ROI AI retail dapat terakumulasi sepanjang lifecycle inventori.

Namun, manfaat yang berasal dari sumber yang sama tidak seharusnya dihitung dua kali secara finansial. Hubungan operasionalnya tetap perlu dipahami, tetapi perhitungan ROI harus berhati-hati agar tidak melakukan double counting.

Masukkan Modal Kerja ke dalam Pembahasan ROI

Revenue dan margin biasanya mendapatkan perhatian paling besar, tetapi optimasi inventori memiliki dimensi finansial lain yang sama penting: modal kerja.

Inventori adalah uang yang sudah keluar dari bisnis tetapi belum kembali melalui penjualan.

Ketika excess stock berkurang, sebagian modal tersebut berpotensi dilepaskan. Ketika sell-through meningkat, siklus kas dapat bergerak lebih cepat. Ketika aged inventory berkurang, lebih sedikit modal yang tertahan pada merchandise dengan nilai ekonomi yang terus menurun.

Hal ini tidak berarti setiap pengurangan inventori langsung berubah menjadi free cash.

Retailer tetap membutuhkan stok yang cukup untuk menjalankan operasi, dan kebijakan inventori juga dipengaruhi oleh lead time, perjanjian supplier, minimum order quantity, dan service-level target.

Namun, peningkatan working capital tetap perlu menjadi bagian dari business case karena manfaat ini sering tidak terlihat jika retailer hanya berfokus pada sales metrics.

Sebagai partner optimasi inventori dan pengisian ulang otomatis, Digitalplace.ai membantu retailer menghubungkan demand signal, posisi inventori, dan keputusan replenishment sehingga inisiatif AI dapat dievaluasi melalui hasil operasional dan finansial secara bersamaan—baik dalam bentuk pengurangan excess stock yang dapat dihindari, penurunan risiko stockout, inventory rebalancing yang lebih baik, maupun berkurangnya modal kerja yang tertahan pada inventori yang tidak bergerak secara produktif.

Ukur Baseline Sebelum Mengklaim ROI

ROI AI akan sulit dipertanggungjawabkan jika retailer tidak mengetahui titik awalnya.

Sebelum pilot dimulai, tim sebaiknya menetapkan baseline untuk kategori, store cluster, atau kelompok SKU yang menjadi target.

Tergantung use case-nya, baseline tersebut dapat mencakup:

• average inventory value,
• carrying cost,
• DSI atau stock cover,
• frekuensi stockout,
• estimasi lost sales,
• frekuensi transfer stok,
• nilai excess stock,
• markdown rate,
• markdown depth,
• liquidation value,
• gross margin.

Setelah itu, hasil pilot sebaiknya dibandingkan dengan reference period yang kredibel atau control group jika memungkinkan.

Pendekatan seperti ini jauh lebih berguna dibandingkan hanya menunjukkan model accuracy.

Model forecasting yang menjadi 10% lebih akurat tetapi tidak menghasilkan perubahan terukur pada inventori atau availability belum tentu layak mendapatkan investasi tambahan.

Sebaliknya, peningkatan forecast accuracy yang lebih kecil tetapi mampu secara material mengurangi excess stock atau stockout dapat menghasilkan nilai ekonomi yang jauh lebih besar.

Danai Hasil Bisnis, Bukan Sekadar Kemampuan Teknologi

Business case AI retail yang kuat dimulai dari masalah operasional yang sudah memiliki konsekuensi finansial.

Bukan:

“Kami ingin menggunakan AI forecasting.”

Tetapi:

“Kami menyimpan terlalu banyak inventori pada kategori ini.”

Bukan:

“Kami ingin automated replenishment.”

Tetapi:

“Kami berulang kali kehilangan availability di toko dengan demand tinggi, sementara lokasi lain justru memiliki overstock.”

Dan bukan:

“Kami membutuhkan markdown yang lebih pintar.”

Tetapi:

“Kami perlu mengidentifikasi excess stock lebih awal agar memiliki lebih banyak pilihan sebelum diskon menjadi tidak terhindarkan.”

Perubahan cara berpikir ini mengubah seluruh pembicaraan.

Retailer tidak lagi bertanya apakah AI terlihat canggih.

Mereka mulai bertanya apakah AI menghasilkan nilai yang dapat diukur.

Dan untuk AI yang berkaitan dengan inventori, ROI menjadi lebih mudah disusun ketika dilihat melalui tiga hasil finansial yang saling terhubung: lebih sedikit inventori yang tidak produktif, lebih sedikit penjualan yang hilang, dan keputusan yang lebih baik terhadap stok yang tidak lagi bergerak sesuai rencana.