Peramalan permintaan: metode sederhana yang cukup untuk toko

Setiap pesanan pembelian adalah ramalan, entah disebut begitu atau tidak. Memesan seratus potong berarti menyatakan seratus potong akan terjual dalam periode tertentu.

Perbedaan antara toko yang meramal dan yang tidak bukan soal apakah ramalannya ada — melainkan apakah ramalan itu ditulis, sehingga bisa dibandingkan dengan kenyataan dan diperbaiki.

Yang diramal adalah permintaan, bukan penjualan

Ini pembedaan yang menentukan kualitas seluruh perhitungan, dan yang paling sering dilewatkan.

Data penjualan Anda mencatat apa yang terjual. Yang Anda butuhkan adalah apa yang ingin dibeli orang. Keduanya sama hanya kalau barangnya selalu tersedia.

Artikel yang habis di minggu kedua mencatat penjualan yang rendah untuk bulan itu. Kalau angka itu dipakai mentah untuk meramal bulan berikutnya, Anda akan memesan lebih sedikit — untuk barang yang sebenarnya terlalu laku. Kesalahan ini memperkuat dirinya sendiri: makin sering habis, makin rendah ramalannya, makin sedikit dipesan.

Perbaikannya tidak harus rumit. Cukup tandai periode di mana artikel mengalami saldo nol, dan perlakukan angka penjualan periode itu sebagai batas bawah, bukan sebagai permintaan sebenarnya. Estimasi kasar dari kecepatan jual sebelum habis sudah jauh lebih baik daripada memakai angka yang jelas terpotong.

Membersihkan data sebelum meramal

Beberapa hal lain yang mendistorsi riwayat kalau dipakai apa adanya:

Periode promo. Penjualan selama diskon besar bukan permintaan normal. Memasukkannya ke rata-rata menaikkan ramalan untuk periode tanpa promo.

Pembelian borongan. Satu pesanan besar dari satu pelanggan bisa mendominasi sebulan penjualan sebuah artikel. Kalau itu kejadian sekali, ia perlu dikeluarkan dari dasar perhitungan.

Periode tutup atau gangguan. Hari libur panjang, renovasi, atau gangguan sistem menghasilkan angka rendah yang bukan cerminan permintaan.

Yang dibutuhkan cuma satu kebiasaan: mencatat kejadian tidak biasa saat terjadi. Enam bulan kemudian, tidak akan ada yang ingat kenapa angka Maret aneh, dan angka aneh yang tidak dijelaskan akan diperlakukan sebagai data.

Metode yang cukup untuk sebagian besar toko

Rata-rata bergerak. Rata-rata penjualan beberapa periode terakhir. Cocok untuk barang inti yang permintaannya stabil.

Panjang periodenya adalah pilihan yang nyata: rata-rata tiga bulan bereaksi cepat terhadap perubahan tapi juga bereaksi terhadap kebisingan; rata-rata dua belas bulan stabil tapi lambat menyadari tren yang benar-benar berubah. Untuk barang inti, periode yang lebih panjang biasanya lebih baik.

Rata-rata bergerak dengan bobot. Sama, tapi periode yang lebih baru diberi bobot lebih besar. Kompromi wajar antara kedua sifat di atas.

Penyesuaian musiman. Untuk barang yang polanya berulang tiap tahun. Caranya: hitung rata-rata tahunan, lalu hitung untuk tiap bulan berapa rasio penjualan bulan itu terhadap rata-rata. Rasio-rasio itu — indeks musiman — dipakai untuk menyesuaikan ramalan dasar.

Ini butuh setidaknya dua siklus tahunan untuk membedakan pola musiman sejati dari kebetulan. Dengan satu tahun data, yang Anda lihat mungkin cuma satu tahun yang tidak biasa.

Penilaian manusia. Untuk barang baru tanpa riwayat, tidak ada metode statistik yang bisa dipakai. Yang tersedia: analogi dengan artikel serupa yang pernah dijual, dan pemesanan awal yang kecil dengan kesiapan menambah cepat.

Untuk barang baru, kecepatan mengisi ulang lebih menentukan daripada ketepatan ramalan awal. Ramalan pertama untuk barang yang belum pernah ada hampir pasti meleset; yang bisa dikendalikan adalah seberapa cepat Anda bisa memperbaikinya.

Mengukur seberapa meleset

Ramalan yang tidak pernah dibandingkan dengan hasil tidak akan pernah membaik. Yang perlu dicatat cuma dua angka per artikel per periode: yang diramalkan, dan yang terjadi.

Dua ukuran yang berguna dan berbeda:

Rata-rata besarnya meleset, tanpa memperhatikan arah. Ini menjawab: seberapa tepat ramalan saya secara umum.

Rata-rata meleset dengan arahnya, di mana kelebihan dan kekurangan saling mengurangi. Ini menjawab pertanyaan yang berbeda dan sering lebih penting: apakah saya cenderung meramal terlalu tinggi atau terlalu rendah.

Angka kedua yang paling sering mengungkap sesuatu. Kecenderungan sistematis ke satu arah lebih mudah diperbaiki daripada ramalan yang meleset acak — ia cuma butuh koreksi tetap, dan koreksi itu bisa langsung diterapkan.

Ketidakpastian adalah bagian dari ramalannya

Ramalan berupa satu angka menyembunyikan informasi paling berguna: seberapa yakin.

"Sekitar 80 potong" dan "antara 40 dan 120 potong" bisa berasal dari perhitungan yang sama, tapi menghasilkan keputusan pembelian yang berbeda. Yang kedua memberitahu bahwa stok pengaman perlu tebal, atau bahwa pemesanan sebaiknya dipecah menjadi dua tahap.

Cara sederhana mendapatkan rentang itu: lihat seberapa jauh penjualan aktual berayun dari rata-ratanya di periode-periode sebelumnya. Artikel dengan ayunan lebar butuh perlakuan berbeda dari artikel yang stabil, meskipun rata-ratanya sama persis.

Ini menghubungkan peramalan langsung ke keputusan stok pengaman: yang menentukan berapa banyak penyangga yang wajar bukan besarnya permintaan, melainkan seberapa tidak menentu permintaannya.

Yang menentukan hasilnya

Metode yang dipakai jarang menjadi faktor pembeda terbesar. Yang lebih menentukan:

Tingkat detailnya. Meramal per artikel per lokasi jauh lebih sulit dan jauh lebih sering meleset daripada meramal per kategori. Ramalan agregat secara alami lebih akurat karena kesalahan pada masing-masing barang saling meniadakan. Untuk keputusan pembelian, sering kali yang dibutuhkan cukup di tingkat kategori dengan pembagian internal berdasarkan proporsi historis.

Seberapa sering diperbarui. Ramalan yang ditinjau bulanan mengungguli ramalan tahunan yang lebih canggih, karena yang paling menentukan bukan ketepatan awal melainkan kecepatan menyadari bahwa asumsinya salah.

Kejujuran datanya. Semua metode di atas berjalan di atas riwayat penjualan. Kalau riwayatnya penuh kejadian tidak biasa yang tidak ditandai, atau kalau penjualan tercatat pada artikel yang salah, tidak ada metode yang bisa menyelamatkannya.

Ramalan yang baik bukan yang tepat. Ramalan yang baik adalah yang salahnya diketahui, terukur, dan mengecil dari waktu ke waktu.