Studi kasus: Masalah prakiraan permintaan retail untuk bisnis e-commerce
Untuk mengilustrasikan konsep pemrakiraan dengan lebih mendetail, pertimbangkan kasus bisnis e-commerce yang menjual produk secara online. Mengoptimalkan keputusan dalam rantai pasokan (misalnya, manajemen stok) sangat penting untuk daya saing inti bisnis ini karena membantu memiliki jumlah produk yang akurat di lokasi yang sesuai untuk pemenuhan permintaan. Hal ini pada dasarnya berarti memiliki banyak pilihan yang tersedia dengan waktu pengiriman yang lebih pendek dan harga yang kompetitif, yang menghasilkan kepuasan pelanggan lebih tinggi. Input penting untuk sistem perangkat lunak rantai pasokan yakni prediksi permintaan atau prakiraan potensi penjualan setiap produk dalam katalog. Prakiraan ini memungkinkan keputusan penting di langkah selanjutnya, antara lain keputusan yang utama yakni:
-
Perencanaan tingkat makro (prakiraan strategis): Untuk bisnis secara keseluruhan, apa proyeksi pertumbuhan dalam hal total penjualan/pendapatan? Di mana bisnis harus (lebih) aktif secara geografis? Bagaimana seharusnya tenaga kerja dikelola?
-
Prakiraan permintaan (atau inventaris): Berapa unit dari setiap produk yang diharapkan akan dijual per lokasi?
-
Aktivitas promosi (prakiraan taktis): Bagaimana seharusnya promosi dijalankan? Haruskah produk dilikuidasi?
Sisa studi kasus berfokus pada masalah kedua, yang merupakan bagian dari kelompok masalah prakiraan operasional (Januschowski & Kolassa, 2019). Dokumen ini mengikuti masalah utama: data, model (prediktor), kesimpulan (prakiraan), dan produksionisasi.
Untuk studi kasus ini, penting untuk diingat bahwa masalah prakiraan adalah sarana untuk suatu tujuan. Meskipun prakiraan sangat penting bagi bisnis, keputusan rantai pasokan di langkah selanjutnya adalah yang lebih penting. Dalam studi kasus kami, keputusan-keputusan ini diambil oleh sistem pembelian otomatis yang mengandalkan model pengoptimalan matematika dari penelitian operasi. Sistem ini mencoba meminimalkan ekspektasi biaya untuk bisnis.
Kata kuncinya yakni ekspektasi, yang berarti bahwa prakiraan seharusnya mencakup tidak hanya satu kemungkinan masa depan tetapi semua kemungkinan masa depan, dengan pembobotan yang sesuai menurut probabilitas hasil tertentu. Oleh karena itu, yang terutama memampukan pengambilan keputusan di langkah selanjutnya adalah distribusi penuh nilai-nilai prakiraan dan bukannya hanya memiliki prakiraan titik. Gambar berikut menunjukkan prakiraan probabilistik (juga disebut sebagai prakiraan densitas). Perhatikan bahwa Anda dapat memperoleh prakiraan satu titik (masa depan yang paling mungkin) dengan mudah dari prakiraan probabilistik ini, tetapi beralih dari prakiraan titik ke prakiraan probabilistik akan lebih sulit.
Dengan prakiraan probabilistik, Anda dapat memperoleh statistik yang berbeda darinya dan menyesuaikan hasilnya untuk membantu mengambil keputusan yang ingin Anda ambil. Bisnis e-commerce mungkin memiliki sejumlah produk utama yang mereka hampir tidak pernah ingin kehabisan stok. Dalam hal ini, gunakan kuantil tinggi (misalnya, persentil ke-90), yang berarti 90% dari waktu produk akan tersedia. Untuk produk lain, seperti produk yang penggantinya lebih mudah ditemukan (seperti pensil), menggunakan persentil yang lebih rendah mungkin lebih tepat.
Di Amazon Forecast, Anda dapat memperoleh kuantil yang berbeda dari prakiraan probabilistik dengan mudah.
Ilustrasi prakiraan probabilistik
Pada gambar sebelumnya, garis hitam adalah nilai aktual; garis hijau gelap adalah median dari distribusi prakiraan; area berarsir hijau gelap adalah interval prediksi yang Anda harapkan untuk 50% dari nilai; dan area hijau muda adalah interval prediksi yang Anda harapkan untuk 90% dari nilai aktual.
Bagian berikut mencakup langkah-langkah yang terlibat untuk memecahkan masalah prakiraan untuk bisnis ini, termasuk:
