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.