Category: Operations

Kapan Demand Planner Perlu Mengubah Hasil Peramalan dari Software?

Dalam konteks perencanaan rantai pasok, peramalan permintaan yang akurat adalah kunci keberhasilan operasional yang optimal. Salah satu tantangan utama adalah penggabungan hasil peramalan statistik dengan penyesuaian judgmental dari tim Sales & Marketing. Meskipun peramalan statistik mengandalkan metode kuantitatif berbasis data historis, penyesuaian judgmental sering kali dilakukan untuk mempertimbangkan faktor-faktor eksternal yang mungkin tidak tercakup dalam model statistik. Namun, sering kali, intervensi ini justru merugikan akurasi peramalan, terutama jika dilakukan tanpa pertimbangan yang tepat. Penelitian ini menggali kapan dan bagaimana seharusnya penyesuaian tersebut dilakukan dengan menggunakan salah satu pendekatan machine learning, yaitu “policy tree”.

Dalam banyak organisasi, demand planner harus memutuskan apakah mereka akan mengikuti peramalan statistik yang dihasilkan perangkat lunak atau mengubahnya berdasarkan penilaian pribadi yang didorong oleh wawasan mereka. Praktik ini, meskipun banyak diadopsi, tidak selalu mengarah pada peningkatan akurasi peramalan. Penelitian ini mengidentifikasi bahwa dengan menggunakan pendekatan pembelajaran kebijakan berbasis pohon kebijakan, perusahaan dapat menentukan kebijakan yang lebih baik untuk menyesuaikan peramalan statistik. Dengan menggunakan data lebih dari 12.000 titik peramalan dari lima perusahaan di Asia-Pasifik, hasil eksperimen menunjukkan bahwa kebijakan ini dapat menghasilkan peningkatan akurasi yang signifikan, antara 3 hingga 11 poin persentase lebih baik dibandingkan dengan kebijakan dasar.

Hasil dari pembelajaran data menunjukkan terdapat dua fitur utama yang menentukan kapan dan bagaimana demand planner perlu mengubah peramalan, yaitu “arah judgmental” dan “akurasi peramalan statistik”. Ketika arah judgmental dan peramalan statistik bertentangan, kebijakan ini menyarankan untuk tetap menggunakan peramalan statistik tanpa penyesuaian. Sebaliknya, jika kedua jenis peramalan menunjukkan kesesuaian, maka kebijakan ini menyarankan untuk menggunakan rata-rata sederhana antara keduanya. Pendekatan ini terbukti lebih efektif dibandingkan dengan pendekatan tradisional yang hanya mengandalkan penilaian subjektif atau sekadar mengambil rata-rata.

Penelitian ini menawarkan solusi baru yang dapat diterapkan dalam proses Sales and Operations Planning (S&OP). Dengan mengadopsi kebijakan yang direkomendasikan oleh pohon kebijakan, manajer dapat meningkatkan efisiensi dan akurasi dalam perencanaan permintaan. Namun, pengimplementasiannya tidaklah tanpa tantangan. Salah satu tantangan terbesar adalah kemungkinan hilangnya rasa tanggung jawab para peramal terhadap kualitas data yang mereka hasilkan jika mereka tahu bahwa peramalan mereka akan disesuaikan secara otomatis.

Implikasi manajerial dari penelitian ini cukup signifikan. Organisasi perlu memahami bahwa penyesuaian peramalan tidak selalu memberikan hasil yang diinginkan, terutama jika dilakukan dengan cara yang tidak sistematis. Oleh karena itu, penting bagi perusahaan untuk membangun kebijakan penyesuaian yang lebih terstruktur dan berbasis data untuk meningkatkan akurasi peramalan mereka. Dengan menggunakan pendekatan berbasis pembelajaran kebijakan ini, perusahaan dapat menciptakan kebijakan yang lebih personal dan relevan dengan kondisi pasar serta karakteristik permintaan mereka.

Solusi yang ditawarkan oleh penelitian ini, meskipun sederhana, memberikan wawasan baru tentang bagaimana teknologi machine learning dapat digunakan untuk mengoptimalkan proses peramalan dalam rantai pasokan. Hal ini membuka peluang bagi manajer untuk mengimplementasikan kebijakan berbasis data yang lebih efektif, mengurangi bias manusia, dan pada akhirnya meningkatkan kinerja perencanaan rantai pasokan mereka.

Sumber: Budhi S. Wibowo (2023): When and how to adjust statistical forecasts in supply chains? Insight from causal machine learning, Journal of Business Analytics, DOI:10.1080/2573234X.2023.2248203
Disclaimer: Sebagian konten dalam tulisan dikembangkan dengan bantuan teknologi kecerdasan buatan (AI) dari platform OpenAI ChatGPT. AI digunakan untuk mengkonversi artikel ilmiah yang merupakan karya asli penulis ke dalam bahasa artikel populer. AI juga digunakan untuk membuat ilustrasi tulisan. Penulis tetap melakukan pengecekan dan pengeditan atas semua konten untuk memastikan akurasi, relevansi, serta kesesuaian dengan sumber aslinya.

Strategi Kolaborasi Manusia dan AI dalam Peramalan Rantai Pasok

Di dunia bisnis yang semakin kompetitif dan tidak pasti, akurasi peramalan menjadi hal yang sangat penting, terutama dalam pengelolaan rantai pasokan. Ketika peramalan permintaan tidak akurat, berbagai masalah bisa muncul, mulai dari pelayanan pelanggan yang buruk hingga kelebihan stok dan inefisiensi operasional. Salah satu cara yang banyak digunakan untuk meningkatkan akurasi peramalan adalah dengan menggabungkan peramalan AI dan keahlian manusia. Meskipun strategi ini efektif, tantangan utamanya adalah bagaimana memilih strategi yang tepat sesuai dengan kondisi pasar yang ada.

Penelitian yang dilakukan oleh Budhi Wibowo, Yoga Janu Prakoso, dan Nur Aini Masruroh (2023) memberikan wawasan baru dengan menilai efektivitas strategi gabungan peramalan berdasarkan konfigurasi produk-pasar yang terdapat dalam matriks Ansoff. Matriks Ansoff, yang pertama kali diperkenalkan oleh Igor Ansoff pada tahun 1957, digunakan untuk merencanakan strategi pertumbuhan perusahaan. Matriks ini membagi peluang pertumbuhan menjadi empat kategori berdasarkan dua dimensi utama: produk dan pasar. Keempat strategi tersebut adalah:

  1. Penetrasi Pasar: Fokus pada peningkatan penjualan produk yang sudah ada di pasar yang sudah ada. Perusahaan berusaha meningkatkan pangsa pasar melalui promosi, harga yang lebih kompetitif, atau perluasan distribusi.
  2. Pengembangan Lini Produk: Perusahaan menawarkan produk baru kepada pasar yang sudah ada, baik melalui inovasi produk atau perbaikan produk yang sudah ada.
  3. Ekspansi Pasar: Menjual produk yang ada ke pasar baru. Ini bisa melibatkan ekspansi geografis atau penargetan segmen pasar yang berbeda.
  4. Diversifikasi Produk: Mengembangkan produk baru untuk pasar yang baru, yang sering kali melibatkan risiko lebih tinggi karena perusahaan memasuki area yang belum dikenal.

Ketidakakuratan dalam peramalan permintaan dapat menyebabkan dampak negatif yang besar dalam rantai pasokan. Untuk mengatasinya, salah satu strategi yang umum digunakan adalah menggabungkan peramalan AI dan manusia. Masing-masing peramalan ini berasal dari sumber informasi yang berbeda, yang dapat saling melengkapi. Namun, tantangannya adalah tidak semua strategi gabungan peramalan dapat bekerja dengan efektif di semua kondisi pasar atau produk. Oleh karena itu, penting untuk memilih strategi yang tepat berdasarkan karakteristik pasar dan produk yang sedang dianalisis.

Penelitian ini menguji empat strategi gabungan peramalan yang berbeda, yaitu: (i) penyesuaian judgmental, (ii) koreksi statistik, (iii) kombinasi mekanis, dan (iv) input judgmental. Keempat strategi ini diuji dalam empat konfigurasi produk-pasar yang berbeda, yang mencakup berbagai kondisi dalam matriks Ansoff. Berikut adalah penjelasan singkat mengenai masing-masing strategi gabungan peramalan:

  1. Penyesuaian Manusia: Dalam strategi ini, peramalan AI digunakan terlebih dahulu, kemudian diperbaiki atau disesuaikan oleh manusia berdasarkan analisis subjektif mereka. Penyesuaian ini didasarkan pada pengetahuan dan pengalaman ahli yang mungkin tidak tercermin dalam data statistik.
  2. Koreksi AI: Di sini, peramalan manusia dikoreksi menggunakan AI. Koreksi ini bertujuan untuk mengurangi bias dalam peramalan manusia, terutama jika ada kecenderungan untuk terlalu optimis.
  3. Kombinasi sederhana: Dalam strategi ini, peramalan statistik dan judgmental digabungkan dengan rumus atau metode tertentu, seperti rata-rata sederhana. Metode ini bertujuan untuk mengurangi bias yang ada pada masing-masing jenis peramalan.
  4. Input Manusia: Strategi ini menggunakan peramalan manusia sebagai input dalam model AI. Pengetahuan manusia dimasukkan ke dalam model statistik untuk memberikan informasi tambahan yang mungkin tidak tersedia hanya dari data historis.

Hasil penelitian menunjukkan bahwa strategi gabungan peramalan dapat meningkatkan akurasi, tetapi tidak semua strategi efektif di setiap kondisi pasar atau produk. Dari keempat strategi yang diuji, strategi input manusia dan kombinasi sederhana terbukti memberikan peningkatan akurasi yang konsisten di semua konfigurasi produk-pasar. Sebaliknya, penyesuaian manusia dan koreksi AI hanya memberikan hasil yang baik ketika peramalan dilakukan di pasar yang sudah dikenal.

Penelitian ini memberikan wawasan penting bagi pengembangan ilmu peramalan operasional. Dengan menguji efektivitas gabungan peramalan di bawah konfigurasi produk-pasar, hasilnya menunjukkan bahwa peramalan judgmental dan statistik memiliki karakteristik yang saling melengkapi. Peramalan judgmental cenderung menghasilkan bias positif, sementara peramalan statistik lebih sering mengalami bias negatif. Dengan menggabungkan keduanya, bias-bias tersebut dapat dikurangi, dan akurasi peramalan dapat meningkat secara keseluruhan.

Bagi para manajer yang ingin meningkatkan akurasi peramalan dalam rantai pasokan mereka, penelitian ini menawarkan beberapa implikasi praktis. Pertama, daripada memilih hanya satu metode peramalan, lebih baik jika perusahaan mempertahankan kedua jenis peramalan—judgmental dan statistik—untuk saling melengkapi. Gabungan kedua metode ini bisa memberikan manfaat yang signifikan bila diterapkan dengan tepat.

Namun, penerapan strategi ini harus dilakukan dengan hati-hati. Dalam beberapa kasus, penyesuaian manusia yang tidak didasarkan pada pengetahuan yang cukup justru bisa merugikan akurasi peramalan. Oleh karena itu, penting bagi organisasi untuk melibatkan para ahli yang memiliki pemahaman mendalam tentang pasar dan produk dalam proses penyesuaian ini.

Secara keseluruhan, penelitian ini menekankan pentingnya menyesuaikan strategi peramalan dengan kondisi pasar dan produk tertentu. Dengan pendekatan yang tepat, organisasi dapat meningkatkan ketepatan peramalan mereka dan mengurangi risiko yang terkait dengan operasi rantai pasokan.

Sumber: Budhi S. Wibowo, Yoga J. Prakoso & Nur Aini Masruroh (2023) Performance of judgmental–statistical forecast combination strategies under product-market configurations, International Journal of Management Science and Engineering Management, 18:2, 104-117, DOI: 10.1080/17509653.2021.2015472
Disclaimer: Sebagian konten dalam tulisan dikembangkan dengan bantuan teknologi kecerdasan buatan (AI) dari platform OpenAI ChatGPT. AI digunakan untuk mengkonversi artikel ilmiah yang merupakan karya asli penulis ke dalam bahasa artikel populer. AI juga digunakan untuk membuat ilustrasi pada kepala tulisan. Gambar lain merupakan karya asli penulis. Penulis tetap melakukan pengecekan dan pengeditan atas semua konten untuk memastikan akurasi, relevansi, serta kesesuaian dengan sumber aslinya.