Bisakah Konsolidasi Pesanan Makanan Online Jadi Solusi Ramah Lingkungan?

Belakangan ini, semakin banyak orang yang memilih memesan makanan melalui layanan pengiriman makanan on-line untuk menghemat waktu dan tenaga. Tidak perlu repot-repot keluar rumah atau mengantri di restoran, cukup pesan melalui aplikasi dan makanan akan diantar langsung ke depan pintu rumah. Namun, semakin banyak kendaraan pengiriman makanan yang beredar di jalanan dapat menyebabkan biaya yang lebih tinggi, kemacetan lalu lintas yang semakin parah, dan emisi karbon yang meningkat.

Untuk mengatasi dampak negatif tersebut, sejumlah pakar telah merekomendasikan konsolidasi pengiriman dengan menggabungkan beberapa pesanan dari restoran yang berbeda untuk dikirim ke beberapa pelanggan secara bersamaan. Dalam konteks ini, Radhitya Virya Paramasuri dan Budhi S. Wibowo dari Universitas Gadjah Mada (UGM) melakukan penelitian untuk mengetahui dampak langsung dari konsolidasi pesanan dari perspektif berbagai pemangku kepentingan, seperti pelanggan, pengemudi, penyedia layanan, dan lingkungan. Dalam penelitian tersebut, mereka menggunakan model simulasi berbasis agen berdasarkan data pengiriman nyata dari konsumen di Yogyakarta, Indonesia.

Hasil dari simulasi menunjukkan bahwa dengan pola pesanan yang ada hanya sebagian kecil dari semua pesanan yang dapat dikonsolidasikan karena batasan jendela waktu pengiriman dan kompleksitas rute yang diperlukan. Namun, pada situasi di mana konsolidasi pengiriman memungkinkan, metode konsolidasi ini dapat memberikan manfaat nyata bagi bisnis dan lingkungan.

Penerapan konsolidasi pesanan makanan dapat mengurangi biaya bagi pelanggan dan meningkatkan produktivitas pengemudi. Selain itu, pengiriman konsolidasi juga dapat mengurangi emisi karbon, yang dapat memberikan dampak positif pada citra merek penyedia layanan dan menarik pelanggan yang lebih peduli lingkungan. Temuan ini tentunya menjadi kabar baik bagi penyedia dan pengguna layanan pengiriman makanan.

Namun, ada beberapa dampak negatif dari penerapan konsolidasi pengiriman makanan, yaitu pelanggan harus menunggu lebih lama dan pengemudi dapat menghasilkan pendapatan per pesanan yang lebih rendah. Tentunya, hal ini dapat mempengaruhi pemangku kepentingan dalam pengambilan keputusan.

Walau berpotensi memberikan pendapatan yang lebih kecil, konsolidasi pesanan sebenarnya dapat memberikan manfaat nyata bagi penyedia layanan. Hasil penelitian menunjukkan bahwa konsolidasi pesanan dapat menghasilkan durasi perjalanan yang lebih singkat, sehingga pengemudi dapat memanfaatkan waktu mereka secara lebih efisien dan menyelesaikan lebih banyak pesanan, yang pada akhirnya meningkatkan pendapatan penyedia layanan. Di sisi lain, emisi karbon yang lebih rendah dari pengiriman yang dikonsolidasikan dapat membangun citra merek positif dan menarik lebih banyak pelanggan yang peduli lingkungan.

Bagi pengemudi, konsolidasi pesanan dapat meningkatkan efisiensi mereka dan memungkinkan mereka untuk menghasilkan lebih banyak penghasilan dengan jumlah kerja yang sama. Manfaat ini dapat menarik lebih banyak pengemudi untuk bergabung dengan usaha pengiriman makanan sehingga dapat meningkatkan persaingan dan meningkatkan layanan yang lebih baik untuk pelanggan.

Sedangkan bagi pelanggan, waktu tunggu yang lebih lama akibat konsolidasi pesanan tentunya dapat memengaruhi kepuasan dan loyalitas pelanggan. Oleh karena itu, penyedia layanan dapat mempertimbangkan untuk menawarkan insentif kepada pelanggan yang bersedia menunggu lebih lama akibat pesanan yang dikonsolidasikan. Insentif tersebut dapat berupa cashback atau insentif non-finansial seperti poin hijau dan penghargaan lewat sosial media. Selain itu, penyedia layanan dapat juga berinvestasi untuk mengembangkan algoritma perencanaan rute yang lebih efisien untuk memastikan waktu pengiriman yang wajar, mesikipun melalui proses konsolidasi.

Dalam era digital saat ini, layanan pengiriman makanan online semakin populer dan menjamur di mana-mana. Namun, kita perlu ingat bahwa setiap tindakan yang kita lakukan selalu memiliki dampak, baik itu positif maupun negatif. Sehingga sebagai konsumen, kita perlu mempertimbangkan dampak lingkungan dari setiap tindakan kita dan memilih layanan pengiriman yang berkelanjutan. Dari sini, dapat disimpulkan bahwa penting untuk mengembangkan strategi bisnis yang berkelanjutan dan efektif dalam memenuhi kebutuhan semua pihak, sambil mempertimbangkan dampak yang mungkin terjadi pada lingkungan.

Sumber: Sunarso, R. V., & Wibowo, B. S. (2023). The impact of consolidating on-demand food delivery on sustainability: A simulation study. LOGI: Scientific Journal on Transport and Logistics, 14(1), 286-297.
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.

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.

Mengapa driver ojol lebih baik ‘mangkal’ daripada berkeliling?

Siapa sih yang tidak kenal dengan layanan ojek online seperti Uber atau Grab? Dalam penggunaan layanan tersebut, kadangkala kita harus menunggu beberapa menit untuk mendapatkan sopir yang menerima permintaan kita. Namun, apakah kamu pernah bertanya-tanya apa yang dilakukan sopir selama menunggu penumpang berikutnya?

Belum lama ini, sebuah penelitian yang dilakukan oleh Maraya Aghnia Suharno dan Budhi Wibowo dari UGM membahas pertanyaan tersebut dan menemukan bahwa sopir ojek online lebih baik memarkir kendaraannya dan menunggu permintaan berikutnya daripada berkeliling mencari penumpang baru.

Ketika seorang sopir menyelesaikan tugasnya mengantar penumpang, ia mungkin harus menunggu beberapa menit sebelum mendapatkan permintaan berikutnya. Beberapa sopir memilih untuk berkeliaran di sekitar kota mencari penumpang berikutnya, sementara yang lain lebih memilih untuk memarkir mobilnya dan menunggu permintaan berikutnya.

Penelitian tersebut menemukan bahwa sopir yang memarkir kendaraannya dan menunggu permintaan berikutnya mendapatkan penghasilan yang lebih baik dan menjangkau penumpang dengan waktu yang lebih singkat dibandingkan dengan sopir yang berkeliaran mencari penumpang baru. Ketika sopir berkeliling di sekitar kota, mereka harus menempuh jarak yang lebih jauh dan membakar lebih banyak bahan bakar, yang tentu saja mengeluarkan biaya lebih banyak, menciptakan polusi, dan dapat mempengaruhi kesejahteraan dan risiko kecelakaan mereka.

Penelitian dilakukan dengan menggunakan simulasi berbasis agen dengan memanfaatkan data terbuka dari taksi kuning di kota New York sebagai proksi pola permintaan dan penawaran dalam sistem ojek online. Simulasi tersebut dibangun untuk memperkirakan dampak parkir dan berkeliaran pada sopir, penumpang, dan perusahaan ojek online. Temuan penelitian menyarankan bahwa perusahaan ojek online dapat mengambil manfaat dengan mendorong sopir mereka untuk memarkir kendaraan mereka di area yang ramai dan menunggu permintaan berikutnya, daripada berkeliaran tanpa tujuan.

Berbagai manfaat nyata dapat diperoleh jika perusahaan ojek online mendorong sopirnya untuk memarkir kendaraannya dan menunggu permintaan berikutnya. Pertama, dapat mengurangi kemacetan lalu lintas dan polusi udara karena sopir tidak berkeliaran terlalu jauh. Kedua, dapat mengurangi waktu tunggu penumpang karena sopir akan lebih dekat dengan penumpang ketika permintaan datang. Ketiga, dapat menghemat uang sopir karena mereka tidak perlu berkeliaran terlalu jauh, yang akan menghasilkan keuntungan yang lebih tinggi. Terakhir, hal ini juga dapat mengurangi kelelahan, meningkatkan kesejahteraan dan fokus, sehingga mengurangi risiko kecelakaan saat mengemudi.

Lalu, apa yang dapat dilakukan perusahaan ojek online untuk mendorong sopirnya memarkir kendaraannya dan menunggu permintaan berikutnya?

  • Pertama, perusahaan ojek online bisa menyediakan lebih banyak tempat parkir bagi sopir di daerah-daerah sibuk. Hal ini akan memudahkan sopir untuk mencari tempat parkir dan menunggu permintaan selanjutnya.
  • Solusi lainnya adalah dengan menjalin kerja sama dengan tempat parkir yang sudah ada, seperti mal atau parkir gedung, untuk menyediakan tempat parkir yang dapat digunakan secara bersama-sama oleh para sopir ojek online. Hal ini akan memungkinkan sopir untuk memarkir kendaraan di lokasi yang lebih terpusat sehingga lebih mudah bagi penumpang untuk menemukan mereka dan mengurangi waktu yang dihabiskan sopir untuk mencari penumpang.
  • Perusahaan ojek online juga dapat memberikan edukasi kepada para sopir mengenai manfaat memarkir kendaraan dan menunggu permintaan berikutnya, baik bagi diri mereka sendiri maupun lingkungan sekitar. Hal ini dapat membantu meningkatkan kesadaran para sopir mengenai pentingnya tindakan yang ramah lingkungan dan juga mengurangi risiko kecelakaan akibat kelelahan karena berkendara terus-menerus.

Sebagai kesimpulan, para sopir ojek online sebaiknya memarkir kendaraannya dan menunggu permintaan berikutnya daripada berkendara secara terus-menerus. Hal ini akan memberikan banyak manfaat, termasuk mengurangi kemacetan lalu lintas, polusi udara, waktu tunggu penumpang, dan meningkatkan keuntungan para sopir. Dengan bekerja sama dengan penyedia tempat parkir, perusahaan ojek online dapat menciptakan praktik ojek online yang lebih efisien dan berkelanjutan yang menguntungkan semua pihak yang terlibat.

Sumber: Maraya Agnia, Budhi Wibowo (2023) Analyzing the Impact of Cruising and Parking by Drivers to Ride Hailing Service's Quality using SImulation. Skripsi, Teknik Industri, Universitas Gadjah Mada (private library collection).
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.