Masuk ke sebuah Indomaret, dan raknya nyaris tidak pernah kosong, juga nyaris tidak pernah menumpuk berlebihan. Itu bukan kebetulan. Jaringan ritel besar menjalankan sistem demand forecasting yang memprediksi, per toko dan per produk, apa yang akan laku minggu depan, dan purchase order mereka mengikuti prediksi itu. Sementara itu, kebanyakan pengecer independen memesan stok dengan cara yang sama seperti orang tua mereka dulu: berdasarkan perasaan, membulatkan dari bulan lalu, atau mengikuti saran sales dari supplier.

AI demand forecasting untuk ritel adalah teknologi di balik keunggulan jaringan besar tersebut, dan kini benar-benar sudah terjangkau. Tapi ada satu hal yang jarang diungkap vendor: AI adalah anak tangga paling atas, dan sebagian besar UKM sudah mendapat 80 persen manfaatnya dari anak tangga paling bawah, yang cuma butuh spreadsheet dan waktu semalam.

Artikel ini menelusuri tangga tersebut secara jujur: apa yang dilakukan tiap level, data apa yang dibutuhkan, dan bagaimana mengetahui kapan anak tangga berikutnya benar-benar layak dibayar.

Kenapa Forecasting Itu Bernilai Uang

Pemesanan stok yang buruk menguras kas dari dua arah sekaligus.

  • Overstock mengunci modal kerja dalam barang yang menumpuk diam. Untuk barang mudah rusak, ini langsung jadi kerugian nyata. Seorang pemilik minimarket di Tangerang yang saya wawancarai memperkirakan Rp 30 hingga 40 juta terparkir permanen di barang yang lambat laku, tapi terus dipesan ulang karena kebiasaan.
  • Stockout membuat Anda kehilangan penjualan hari itu juga, dan kadang kehilangan pelanggan untuk selamanya, karena mereka sudah menemukan barangnya di toko sebelah.

Forecasting menyerang kedua masalah ini sekaligus. Bahkan prediksi kasar yang akurasinya 20 persen lebih baik dari feeling langsung terasa di cash flow: lebih sedikit uang yang "tidur" di rak, lebih jarang minta maaf karena rak kosong.

Anak Tangga Pertama: Rata-Rata Musiman di Spreadsheet

Sebelum bicara AI, lakukan ini dulu. Ekspor data penjualan 12 hingga 24 bulan per produk dari POS Anda. Untuk setiap produk, hitung rata-rata penjualan bulanan, lalu hitung bagaimana tiap bulan kalender dibandingkan dengan rata-rata tersebut. Ramadan, musim masuk sekolah, akhir tahun: histori Anda sendiri sudah menyimpan pola musiman Anda.

Prediksi untuk bulan depan kemudian menjadi: rata-rata penjualan bulanan, dikalikan faktor musiman bulan tersebut, disesuaikan dengan tren yang terlihat. Pesan kuantitas itu dikurangi stok saat ini, ditambah buffer pengaman untuk produk-produk terlaris.

Sesederhana itu. Tidak ada machine learning, tidak ada biaya langganan. Untuk toko dengan beberapa ratus SKU, ini langsung mengalahkan feeling, karena feeling secara sistematis terlalu mengandalkan ingatan baru-baru ini dan mengabaikan pola lambat yang membosankan.

Dua keterbatasan yang jujur harus diakui: butuh disiplin untuk mengulang perhitungan tiap bulan, dan metode ini memperlakukan setiap produk secara terpisah, mengabaikan promosi, perubahan harga, dan cuaca.

Anak Tangga Kedua: Statistical Forecasting

Anak tangga berikutnya memakai metode statistik yang sudah mapan, seperti moving average dengan tren dan musiman yang sudah diperhitungkan (istilah bukunya adalah exponential smoothing). Poin praktis yang penting: banyak sistem inventory dan POS kelas menengah sudah menyertakan fitur ini, kadang dilabeli "saran pemesanan ulang" atau "auto-replenishment". Anda mungkin sudah membayar untuk fitur ini tanpa menyadarinya.

Apa yang didapat dibanding spreadsheet:

  • Update otomatis setiap hari, bukan hanya saat Anda sempat.
  • Menangani tren dan musiman per SKU tanpa Anda harus memelihara rumus.
  • Bisa memicu reorder point, sehingga sistem yang menandai "pesan 24 unit produk X sebelum Jumat", bukan Anda yang harus menyisir laporan.

Yang masih belum bisa dilakukan: belajar dari promosi, hari libur yang tanggalnya berubah tiap tahun, atau relasi antar produk. Metode ini hanya mengekstrapolasi histori masing-masing produk, tidak lebih.

Untuk sebagian besar pengecer, anak tangga ini adalah titik istirahat yang masuk akal selama bertahun-tahun. Selisih antara anak tangga kedua dan feeling sangatlah besar. Selisih antara anak tangga kedua dan machine learning nyata, tapi jauh lebih kecil, dan hanya terbayar pada skala tertentu.

Anak Tangga Ketiga: Machine Learning, dan Kapan Ia Layak Dibayar

Model machine learning melangkah lebih jauh dari sekadar histori sebuah produk. Model ini bisa mempelajari bahwa mi instan melonjak menjelang long weekend, bahwa diskon harga produk A menggerus penjualan produk B, atau bahwa hujan menekan jumlah pengunjung di satu cabang tapi tidak di cabang lain. Platform cloud dari AWS, Google, dan lainnya membuat kelas teknologi ini jauh lebih murah dibanding lima tahun lalu, dan vendor forecasting ritel khusus menjualnya sebagai layanan.

Tapi ML baru layak dibayar kalau kondisi-kondisi berikut terpenuhi:

  1. Jumlah SKU dan volume. Ribuan SKU di banyak lokasi, dengan penjualan harian per SKU yang cukup agar polanya terlihat secara statistik. Satu toko yang hanya menjual 3 unit per minggu untuk sebagian besar item hampir tidak memberi apa pun untuk dipelajari model.
  2. Data historis yang bersih. Minimal dua tahun data penjualan per transaksi lengkap dengan timestamp, plus catatan promosi dan perubahan harga. Kalau histori Anda tersebar di campuran file Excel lama dan POS yang sudah diganti tahun lalu, benahi dulu pipeline datanya. Menyatukan catatan operasional ke dalam satu sistem yang andal adalah prasyarat, sama seperti pembukuan yang bersih mendahului analisis keuangan, poin yang saya bahas di Software Akuntansi Cloud: Tinggalkan Buku Besar Manual.
  3. Ada orang yang benar-benar bertindak atas hasilnya. Prediksi yang tidak dipercaya atau tidak dipakai siapa pun hanyalah pajangan. Buyer atau manajer toko harus bersedia membiarkan angka tersebut mengalahkan kebiasaan, setidaknya untuk uji coba di satu kategori.

Perkiraan ekonomi kasar untuk pengecer menengah di Indonesia: setup ML forecasting yang serius, baik lewat langganan SaaS maupun dibangun custom, berada di kisaran Rp 150 hingga 500 juta per tahun all-in. Kalau Anda menyimpan Rp 10 miliar dalam inventory dan sistem ini memangkas overstock serta stockout walau hanya beberapa persen, itu sudah cukup menutup biayanya. Kalau inventory Anda hanya Rp 500 juta, itu tidak akan pernah tertutup. Hitungannya sekasar itu.

Cara Menjalankan Tangga Ini di Lapangan

  • Bulan 1: Lakukan anak tangga pertama untuk 50 SKU teratas berdasarkan omzet. Bandingkan saran pemesanannya dengan apa yang akan Anda pesan berdasarkan feeling. Catat selisihnya.
  • Bulan 2 sampai 4: Aktifkan fitur reorder automation apa pun yang sudah ada di POS atau sistem inventory Anda, untuk satu kategori. Ukur jumlah hari stockout dan nilai dead stock sebelum dan sesudah.
  • Baru setelah itu evaluasi ML, dan hanya jika skala Anda memang mendukung. Uji coba di satu atau dua kategori bervolume tinggi terhadap holdout, artinya beberapa toko atau kategori tetap memakai metode lama sehingga Anda punya pembanding yang nyata. Nilai berdasarkan nilai inventory dan tingkat stockout, bukan seberapa keren tampilan dashboard-nya. Disiplin pengukuran ini sama dengan yang saya tekankan di Mengukur ROI Transformasi Digital Tanpa Menipu Diri Sendiri.

Satu peringatan soal vendor: siapa pun yang menjual AI forecasting tapi tidak menanyakan hal-hal sulit soal histori data Anda di pertemuan pertama, sebenarnya sedang menjual kata "AI", bukan hasilnya.

Intinya

Keunggulan sesungguhnya jaringan ritel besar bukan algoritma rahasia. Keunggulannya adalah keputusan pemesanan mengikuti angka, bukan perasaan, ditinjau secara terjadwal, di setiap tingkat kecanggihan. Anda bisa meniru disiplin itu bulan ini dengan spreadsheet, kuartal ini dengan fitur reorder yang mungkin sudah Anda miliki, dan nanti, kalau skala Anda memang mendukung, dengan machine learning.

Naiki tangganya secara berurutan. Melompat langsung ke AI tanpa data dan kebiasaan di bawahnya hanya membelikan Anda dashboard mahal di atas tebakan yang sama. Habiskan dulu anak tangga yang murah; di situlah sebagian besar uangnya berada.