Peramalan persediaan untuk non-data-scientist terdengar lebih sulit dari kenyataannya. Kebanyakan tim tidak memerlukan model kotak hitam. Mereka butuh riwayat penjualan yang bersih, metode yang bisa diulang, dan cara mendeteksi saat data berbohong. Jika suatu item kehabisan stok hari Jumat lalu, spreadsheet tidak kekurangan rumus - ia kekurangan konteks.
Itu kabar baik, karena metode sederhana sering kali lebih kuat dari yang orang kira. Dalam tinjauan Green dan Armstrong di Journal of Business Research, penulis menemukan 97 perbandingan dari 32 makalah dan tidak ada bukti bahwa kompleksitas tambahan meningkatkan akurasi peramalan. Peramalan tetap sulit, tetapi kemenangan pertama biasanya datang dari disiplin, bukan dari perangkat lunak canggih.
Peramalan yang berguna bukan yang punya paling banyak tab. Ini adalah peramalan yang bisa dijelaskan, dipertanyakan, dan digunakan oleh pembeli sebelum tenggat pesanan berikutnya.
Apa yang sebenarnya dilakukan peramalan persediaan yang berguna
Peramalan adalah estimasi permintaan masa depan dalam jendela waktu tertentu. Untuk persediaan, jendela itu harus sesuai dengan ritme pembelian Anda: lead time pemasok ditambah waktu hingga tinjauan berikutnya. Jika Anda memesan setiap Senin dan pemasok butuh 21 hari, yang penting adalah 28 hari ke depan, bukan rata-rata tahunan teoretis.
Peramalan memberi cukup peringatan untuk memesan ulang sebelum item A Anda mengalami kehabisan stok yang bisa dicegah.
Mencegah item lambat menyerap modal kerja hanya karena seseorang memesan sedikit lebih banyak demi rasa aman.
Penjualan, pembelian, dan operasional bisa berdebat atas satu angka, bukan mempertahankan tiga perasaan berbeda.
Peramalan bukan janji. Peramalan adalah titik awal. Anda tetap harus memperhitungkan masalah pemasok, acara komersial, dan penilaian bisnis. Tujuannya bukan kesempurnaan. Tujuannya adalah lebih sedikit kejutan.
Mulai dengan metode sederhana, lalu tambah kompleksitas hanya jika terbukti layak
Buku panduan NIST tentang smoothing menjelaskan rata-rata sebagai cara paling sederhana untuk menghaluskan data dan mengurangi variasi acak. Di situlah kebanyakan tim persediaan seharusnya memulai. Jika riwayat Anda cukup stabil, rata-rata bergerak dan metode smoothing akan memberi Anda acuan operasional dengan cepat.
Metode 1: rata-rata bergerak untuk permintaan stabil
Rata-rata bergerak mengambil beberapa periode terakhir yang sebanding dan meratakannya. Jika Anda meramalkan mingguan, rata-rata bergerak 4 minggu sering cukup untuk memulai. Contoh: jika 4 minggu terakhir menjual 92, 104, 96, dan 108 unit, peramalan dasar minggu depan adalah (92 + 104 + 96 + 108) / 4 = 100 unit.
Peramalan minggu depan = (minggu -1 + minggu -2 + minggu -3 + minggu -4) / 4. Gunakan periode yang sebanding: minggu dengan minggu, bulan dengan bulan.
Metode 2: exponential smoothing saat riwayat terbaru lebih penting
Jika penjualan terbaru lebih penting daripada riwayat lama, naikkan ke simple exponential smoothing. Dalam Forecasting: Principles and Practice, Hyndman dan Athanasopoulos menyajikannya sebagai rata-rata tertimbang dari aktual terbaru dan peramalan sebelumnya. Dalam bahasa sederhana: kemarin lebih penting dari kuartal lalu, tapi kuartal lalu tidak diabaikan. Itu membuat smoothing berguna saat permintaan bergeser tetapi tidak sangat musiman.
Metode 3: tambahkan faktor musiman saat kalender benar-benar penting
Jika permintaan naik dan turun mengikuti pola kalender berulang - hadiah Desember, akhir pekan musim panas, musim kembali ke sekolah, pesanan akhir bulan - pisahkan efek musiman dari level dasar. Dalam Forecasting: Principles and Practice, langkah praktisnya adalah meramalkan seri yang sudah disesuaikan musiman lalu menambahkan pola musiman kembali. Itu deskripsi teknis dari ide sederhana: Desember ini seharusnya lebih mirip Desember lalu daripada Mei lalu.
Penyesuaian musiman sepadan dengan usahanya. Dalam tinjauan Green dan Armstrong yang sama, penyesuaian musiman menurunkan MAPE dari 23,0 menjadi 17,7 persen pada 68 seri bulanan dalam M-Competition asli. Itu pengingat bahwa struktur kalender sederhana bisa mengalahkan banyak rumus tambahan.
Gunakan rata-rata bergerak 4 sampai 8 periode saat item terjual teratur dan levelnya tidak banyak bergeser.
Gunakan simple exponential smoothing saat permintaan bergerak perlahan dan periode terbaru layak mendapat bobot lebih.
Gunakan peramalan dasar plus faktor musiman saat kenaikan kalender yang sama berulang cukup sering untuk dipercaya.
Bersihkan riwayat sebelum mempercayai rumusnya
Metode peramalan penting, tetapi kualitas input lebih penting. Pengembalian, pesanan proyek satu kali, pengiriman kurang dari pemasok, dan lonjakan promosi semuanya bisa mendistorsi acuan dasar. Jika Anda memasukkan noise ke model, Anda hanya mengotomatisasi penilaian yang buruk.
Kehabisan stok adalah jebakan terbesar. Dalam penelitian tentang peramalan permintaan di bawah kebijakan stok penjualan hilang, penulis mencatat bahwa jika stok cukup tersedia, penjualan adalah estimasi permintaan yang tidak bias, tetapi saat kehabisan stok terjadi, penjualan meremehkan permintaan dan mendorong peramalan ke bawah. Itu menciptakan spiral yang paling dibenci operator: peramalan kurang, pesanan kurang, habis stok, ulang.
Saat rak kosong, penjualan berhenti mengukur permintaan dan mulai mengukur ketersediaan.
Contoh sederhana penyesuaian kehabisan stok
Misalkan suatu item terjual 210 unit dalam sebulan 30 hari, tetapi hanya tersedia selama 21 hari. Tarif harian naif adalah 7 unit. Tarif yang disesuaikan terhadap kehabisan stok adalah 10 unit karena 210 / 21 = 10. Untuk perencanaan pengisian ulang, angka kedua jauh lebih dekat dengan kenyataan. Angka pertama memasukkan kehabisan stok ke dalam peramalan bulan berikutnya.
Aturan riwayat bersih
- Tandai periode kehabisan stok:Catat hari atau minggu dengan ketersediaan nol agar dikecualikan atau disesuaikan, bukan dirata-ratakan.
- Pisahkan promosi dari acuan dasar:Minggu clearance atau lonjakan pemasaran harus masuk ke kolom acara, bukan menggelembungkan peramalan dasar secara permanen.
- Hapus pesanan satu kali:Pembelian proyek besar, pengisian peluncuran, dan transfer internal adalah acara perencanaan, bukan permintaan biasa.
- Gunakan kebenaran persediaan, bukan penjualan saja:Jika akurasi catatan lemah, perbaiki hitungan dulu. Catatan stok yang kotor mendistorsi riwayat dan pembelian. Lihat biaya sebenarnya dari tingkat stok yang tidak akurat.
- Ramalkan keluarga sebelum varian saat diperlukan:Riwayat tipis pada ukuran-warna atau varian kemasan sering lebih baik diramalkan di level grup dulu, lalu dialokasikan ke bawah.
Alur kerja spreadsheet yang bisa Anda jalankan setiap Senin
Anda bisa menjalankan peramalan yang layak dalam satu lembar kerja dengan baris per SKU dan kolom untuk 12 sampai 24 periode terakhir, penanda ketersediaan, catatan acara, peramalan, aktual, dan kesalahan. Intinya bukan membuat model yang cantik. Intinya adalah menciptakan rutinitas yang bisa diulang.
Rutinitas peramalan hari Senin
- Ekspor riwayat per minggu atau bulan:Mingguan lebih baik untuk item cepat bergerak. Bulanan cukup untuk item katalog yang lebih lambat.
- Tambahkan dua kolom bantu:satu untuk status stok, satu untuk catatan acara. Dua kolom itu mencegah sejumlah besar peramalan buruk.
- Pilih satu metode dasar per kelas item:Mulai dengan rata-rata bergerak untuk item stabil dan smoothing untuk yang bergeser perlahan.
- Terapkan musiman hanya saat berulang:Jika Anda bisa menunjuk kenaikan kalender yang sama lebih dari sekali, tambahkan faktor musiman. Jika tidak, tetap sederhana.
- Ramalkan jendela pengisian ulang:Estimasi permintaan sepanjang lead time pemasok ditambah jarak ke tinjauan pesanan berikutnya.
- Catat setiap penimpaan:Jika penjualan bilang ada pelanggan baru yang menambah 300 unit bulan depan, masukkan penimpaan dan alasannya. Penimpaan tersembunyi menghancurkan pembelajaran.
Tiga pemeriksaan akurasi yang bisa dihitung orang biasa
Anda tidak perlu dashboard penuh statistik. Anda butuh beberapa ukuran yang memberi tahu apakah peramalan salah secara sistematis dan seberapa besar.
Rata-rata kesalahan bertanda. Bias positif berarti Anda terus meramalkan berlebihan. Bias negatif berarti Anda secara kronis meramalkan terlalu rendah dan mengundang kehabisan stok.
Mean absolute error, rata-rata kesalahan dalam unit. Seperti dicatat Green dan Armstrong, MAE adalah ukuran sederhana dan berguna untuk keputusan produksi dan pengendalian persediaan.
Weighted absolute percentage error. Dokumentasi perencanaan permintaan AWS Supply Chain menggunakan WAPE sebagai metrik akurasi agregat karena menunjukkan total kesalahan peramalan relatif terhadap total permintaan aktual.
Gunakan MAPE dengan hati-hati. Dalam panduan akurasi Hyndman, MAPE menjadi tidak terdefinisi saat permintaan aktual nol dan bisa meledak saat aktual mendekati nol. Itu menjadikannya pilihan buruk untuk item lambat, produk baru, atau seri apa pun dengan periode permintaan nol yang sering.
Mulai dengan bias, MAE, dan WAPE. Tambahkan metrik yang lebih canggih hanya setelah ketiganya stabil dan dipahami.
Uji balik sebelum memasukkannya ke pembelian
Peramalan tidak siap hanya karena terlihat masuk akal. Peramalan siap setelah Anda mengujinya pada periode masa lalu yang tidak dilihatnya. Panduan cross-validation seri waktu Hyndman menjelaskan rolling forecast origin: bergerak melalui riwayat, ramalkan ke depan, dan rata-ratakan kesalahannya. Itu versi dewasa dari bertanya, 'Apakah ini akan berhasil kuartal lalu?'
Uji balik cepat
- Sisihkan 8 sampai 12 periode terakhir:Jangan gunakan untuk membangun model pertama.
- Jalankan setiap metode kandidat:rata-rata bergerak, smoothing, dan versi musiman apa pun yang ingin Anda bandingkan.
- Ukur bias, MAE, dan WAPE:Nilai metode pada periode yang tidak dilihatnya.
- Pilih metode yang bisa dijelaskan orang:Jika dua metode hasilnya dekat, pilih yang benar-benar akan dijalankan tim.
Ketahui di mana spreadsheet mulai kesulitan
- Produk baru: Pinjam riwayat dari item serupa, kategori, atau rencana peluncuran karena SKU baru belum punya pola stabil.
- Permintaan tidak teratur atau intermiten: Ramalkan di level keluarga atau kategori dulu, lalu rencanakan pengisian ulang individu dengan tinjauan manual lebih banyak.
- Promosi dan bisnis proyek: Tambahkan penimpaan acara secara terpisah alih-alih meminta model dasar menebak acara khusus.
- Akurasi persediaan lemah: Jika penerimaan, penyesuaian, dan kontrol lokasi lemah, perbaiki prosesnya dulu. Peramalan di atas catatan buruk tetap membeli jumlah yang salah.
Di sinilah prioritas penting. Gunakan analisis ABC untuk memutuskan item mana yang layak mendapat perhatian peramalan paling banyak, dan padukan peramalan dengan tinjauan stok pengaman yang disiplin agar ketidakpastian tidak berubah menjadi pembelian berlebihan secara menyeluruh.
Kesimpulan
Peramalan persediaan untuk non-data-scientist bukan soal matematika canggih, melainkan soal kejujuran operasional. Bersihkan riwayat. Mulai dengan rata-rata bergerak atau smoothing. Tambahkan musiman hanya saat berulang. Ukur bias dan kesalahan absolut. Uji balik sebelum mempercayai angkanya.
Langkah selanjutnya: pilih 20 SKU penting, buat satu lembar kerja mingguan, dan bandingkan peramalan versus aktual selama 8 minggu ke depan. Setelah itu, peramalan akan berhenti terasa teoretis dan mulai menjadi bagian dari cara Anda membeli.