Prediksi Stok dan Permintaan dengan AI untuk UMKM

Prediksi permintaan (demand forecasting) adalah memperkirakan berapa banyak suatu produk akan terjual dalam periode ke depan, berdasarkan penjualan masa lalu dan faktor yang diketahui, lalu memakainya untuk memutuskan kapan dan berapa banyak memesan stok.

Salah perkiraan selalu ada harganya, ke dua arah. Stok berlebih berarti uang tertahan di gudang, risiko barang kedaluwarsa atau ketinggalan model, dan diskon paksa untuk menghabiskannya. Stok kurang berarti pembeli pergi ke toko lain, rating marketplace turun karena pesanan dibatalkan, dan momen ramai seperti menjelang Lebaran lewat begitu saja. Kabar baiknya, UMKM tidak perlu sistem rumit untuk mengurangi kedua risiko itu.

Data apa yang dibutuhkan?

Sebelum bicara AI, pastikan data dasarnya ada. Tanpa data ini, metode apa pun hanya menebak.

• Riwayat penjualan per produk per hari atau minggu, minimal beberapa bulan. Untuk melihat pola tahunan seperti Ramadan, idealnya lebih dari satu tahun.
• Catatan stok habis. Ini sering terlupa. Kalau produk kosong selama seminggu, penjualan nol di minggu itu bukan berarti tidak ada permintaan. Tanpa catatan ini, prediksi akan terus terlalu rendah.
• Catatan promo dan kejadian khusus: diskon besar, kampanye iklan, produk viral, atau toko tutup.
• Waktu tunggu pemasok (lead time): berapa hari dari memesan sampai barang siap dijual.

Kalau penjualan masih dicatat di beberapa tempat, langkah pertama adalah menyatukannya. Aplikasi kasir dan inventaris seperti yang dibahas di Odoo untuk UMKM membantu karena penjualan dan stok tercatat di satu sistem. Cara merapikan ekspor penjualan dengan bantuan AI ada di analisis data penjualan dengan AI.

Metode prediksi: dari yang sederhana sampai model AI

Rata-rata bergerak

Cara paling sederhana: ambil rata-rata penjualan beberapa minggu terakhir, misalnya empat minggu, dan pakai sebagai perkiraan minggu depan. Setiap minggu, jendelanya bergeser. Variasi yang sedikit lebih baik adalah rata-rata tertimbang, yang memberi bobot lebih besar pada minggu terbaru.

Kelebihannya: mudah dihitung di spreadsheet, mudah dipahami, dan cukup akurat untuk produk yang penjualannya stabil. Kekurangannya: selalu terlambat menangkap perubahan, dan buta terhadap musim. Kalau dipakai mentah-mentah, rata-rata bergerak baru "sadar" Ramadan sudah tiba ketika Ramadan hampir selesai.

Penyesuaian musiman manual

Langkah berikutnya adalah mengalikan perkiraan dasar dengan faktor musim. Caranya: lihat penjualan produk itu di periode yang sama tahun lalu, bandingkan dengan rata-rata normalnya, lalu pakai rasionya. Kalau tahun lalu penjualan kue kering di minggu menjelang Lebaran beberapa kali lipat dari minggu biasa, kamu punya dasar untuk menaikkan stok tahun ini.

Perhatikan bahwa Ramadan dan Lebaran bergeser sekitar sebelas hari lebih awal setiap tahun dalam kalender Masehi. Jadi yang dibandingkan adalah "minggu ketiga Ramadan" dengan "minggu ketiga Ramadan", bukan "Maret" dengan "Maret". Harbolnas dan tanggal kembar seperti 11.11 dan 12.12 lebih mudah karena tanggalnya tetap, tetapi efeknya sangat bergantung pada apakah tokomu ikut promo.

Model machine learning

Model AI untuk forecasting, dari metode statistik deret waktu sampai model machine learning, bisa menangkap pola yang lebih rumit sekaligus: tren, musim mingguan dan tahunan, efek promo, hari libur, bahkan pengaruh antarproduk. Banyak sistem ERP dan pustaka analisis data menyediakan fitur ini, dan asisten AI dengan fitur analisis file pun bisa menjalankan model sederhana atas file penjualanmu.

Tapi model ini haus data. Dengan riwayat beberapa bulan dan ratusan produk yang masing-masing laku sedikit, model canggih sering tidak lebih baik dari rata-rata bergerak yang disesuaikan musim, dan lebih sulit dijelaskan ketika hasilnya aneh.

Perbandingan metode

Dari prediksi ke keputusan: titik pesan ulang

Prediksi hanya berguna bila diterjemahkan menjadi kapan memesan. Di sinilah titik pesan ulang (reorder point): jumlah stok yang, bila tercapai, berarti kamu harus memesan sekarang.

Rumus dasarnya: perkiraan penjualan per hari dikali waktu tunggu pemasok, ditambah stok pengaman. Misalnya perkiraan penjualan sebuah produk 10 unit per hari dan pemasok butuh 5 hari, maka kebutuhan selama menunggu adalah 50 unit. Tambahkan stok pengaman untuk berjaga bila penjualan lebih ramai atau pemasok terlambat, misalnya 20 unit. Titik pesan ulangnya 70 unit. Angka ini hanya contoh hitungan, bukan patokan.

Stok pengaman adalah tempat kamu memutuskan seberapa besar risiko kehabisan yang bisa diterima. Produk andalan yang membuat pelanggan kembali layak diberi stok pengaman lebih besar. Produk pelengkap yang mudah diganti boleh lebih tipis.

Setelah titik pesan ulang ditentukan, laporan stok yang menipis bisa dikirim otomatis setiap pagi, misalnya lewat alur seperti di laporan penjualan harian otomatis dengan n8n.

Kapan cukup spreadsheet, kapan butuh model AI?

Spreadsheet dengan rata-rata bergerak dan faktor musim sudah cukup bila produkmu puluhan, bukan ribuan, penjualannya relatif stabil, dan kamu punya waktu meninjau angka setiap minggu. Untuk sebagian besar toko kecil, metode ini sudah memberi perbaikan yang berarti dengan usaha kecil, karena yang sering hilang bukan kecanggihan model tetapi kebiasaan mengecek stok terhadap angka yang jelas.

Model AI mulai masuk akal bila jumlah produk sudah terlalu banyak untuk ditinjau satu per satu, riwayat datanya lebih dari setahun dan tercatat rapi (termasuk stok habis dan promo), dan selisih kecil dalam akurasi berarti uang yang cukup besar. Bahkan saat itu, jalankan model AI berdampingan dengan metode sederhana selama beberapa bulan, lalu bandingkan mana yang lebih dekat dengan penjualan nyata sebelum benar-benar beralih.

Apa pun metodenya, ukur kesalahannya. Setiap akhir minggu, bandingkan perkiraan dengan penjualan sebenarnya. Kalau perkiraan untuk produk tertentu terus meleset ke arah yang sama, ada pola yang belum ditangkap.