Karyawan AI untuk Forecast Penjualan: Kapan Restock Tanpa Menebak

Forecast penjualan yang berguna bukan angka tunggal yang terlihat meyakinkan. Ia adalah rentang permintaan yang diuji terhadap masa lalu, dilengkapi asumsi, horizon, dan aturan keputusan stok. Untuk UMKM, online seller, dan Solo Player, keluaran terbaik bukan “bulan depan pasti terjual 480 unit”, melainkan rentang permintaan, stok tersedia, pasokan yang pasti datang, lead time, serta alasan kapan rekomendasi harus ditinjau manusia.

Karyawan AI untuk forecast penjualan adalah agen yang mengumpulkan data dan konteks yang diizinkan, memisahkan permintaan normal dari kejadian khusus, membandingkan baseline, menjalankan backtest, lalu menghasilkan proposal restock beserta tingkat ketidakpastian dan exception. Agen tidak menggantikan keputusan pemilik atas kas, kapasitas penyimpanan, atau risiko barang kedaluwarsa.

Tesisnya sederhana: jangan otomatisasi pembelian sebelum Anda bisa mengukur kesalahan ramalan. Forecast sederhana yang transparan dan teruji sering lebih berguna daripada model rumit yang tidak dapat diaudit.

Forecast bukan target penjualan

Tiga angka sering tercampur:

• forecast memperkirakan apa yang kemungkinan terjadi berdasarkan data dan asumsi;
• target menyatakan hasil yang ingin dicapai;
• rencana menjelaskan tindakan untuk mengubah hasil, seperti promo atau kanal baru.

Jika target Rp100 juta dimasukkan sebagai forecast karena “harus optimistis”, kebutuhan stok membengkak tanpa dasar. Jika promo yang sudah disetujui tidak masuk model, forecast tertinggal dari rencana.

Setiap versi sebaiknya menampilkan baseline tanpa intervensi baru dan adjusted forecast setelah memasukkan promo, hari libur, perubahan harga, penutupan toko, atau kejadian lain yang memiliki bukti. Selisihnya adalah keputusan bisnis, bukan fakta historis.

Mengapa angka tunggal menyesatkan

Buku terbuka Forecasting: Principles and Practice menjelaskan bahwa prediction interval menyatakan rentang tempat nilai masa depan diharapkan berada pada probabilitas tertentu. Semakin jauh horizon, rentang umumnya semakin lebar.

Riset kompetisi M5 memperlihatkan perbedaan penting ini. M5 Accuracy Competition mengevaluasi forecast penjualan ritel pada puluhan ribu time series hierarkis. M5 Uncertainty Competition meminta sembilan kuantil untuk menggambarkan distribusi penjualan masa depan, bukan hanya satu titik tengah.

UMKM tidak perlu meniru infrastruktur Walmart. Pelajarannya adalah keputusan stok memerlukan sisi bawah dan atas karena biaya kehabisan stok berbeda dari biaya kelebihan stok. Produk cepat rusak mungkin memakai skenario konservatif. Barang bermargin tinggi dengan lead time panjang mungkin membutuhkan perlindungan lebih besar terhadap stockout.

Tentukan unit keputusan terlebih dahulu

Forecast harian per SKU tidak selalu lebih baik. SKU lambat bisa memiliki banyak hari nol sehingga angka harian memberi presisi palsu. Agregasi mingguan atau kelompok pola permintaan mungkin lebih masuk akal.

Penelitian Shenstone dan Hyndman tentang intermittent demand membahas data dengan banyak periode nol dan mengkritisi asumsi model Croston. Mereka menunjukkan bahwa point forecast saja tidak menyelesaikan representasi ketidakpastian. Kesimpulan praktisnya: jangan memilih metode karena namanya populer; uji pada pola item Anda.

Data minimum yang dibutuhkan

Forecast dapat dimulai tanpa menunggu data sempurna, tetapi inputnya harus jelas:

1. tanggal atau periode;
2. produk, SKU, atau kategori;
3. jumlah terjual;
4. harga aktual;
5. status stockout;
6. retur dan pembatalan;
7. kanal penjualan;
8. promo yang benar-benar berjalan;
9. hari tutup atau gangguan;
10. lead time pemasok dan minimum order.

Penjualan nol karena tidak ada permintaan berbeda dari nol karena stok habis. Jika disamakan, model belajar bahwa pelanggan tidak tertarik saat barang justru tidak tersedia.

Periksa dulu tanggal, ID, duplikasi, dan format lokal memakai panduan validasi CSV. Untuk identitas SKU dan varian, gunakan panduan katalog produk.

Workflow sembilan langkah dari data ke restock

1. Tulis kontrak forecast

Dokumentasikan objek, unit waktu, horizon, waktu pembuatan, sumber, definisi transaksi valid, variabel eksternal, metrik evaluasi, dan approver. Model tujuh hari tidak layak dinilai menggunakan keputusan tiga bulan.

2. Bekukan dataset pada cutoff

Setiap run harus memiliki data cutoff. Hanya informasi yang tersedia sebelum titik itu yang boleh dipakai. Catat jumlah baris, rentang tanggal, produk aktif, stockout, dan perubahan sumber.

Tanpa cutoff, informasi masa depan dapat bocor ke training sehingga backtest tampak hebat tetapi gagal saat dipakai nyata.

3. Rawat event register

Pisahkan kalender rutin, hari libur, promo berbukti, perubahan harga, stockout, penutupan, pesanan besar yang tidak berulang, dan gangguan platform. Jangan menghapus lonjakan hanya karena terlihat aneh. Karyawan AI harus mencari bukti apakah ia kesalahan data, promosi, atau permintaan sah.

4. Buat baseline sederhana

Gunakan sedikitnya:

• naïve: periode depan sama dengan periode terakhir;
• seasonal naïve: sama dengan hari atau minggu sejenis;
• moving average atau median pada jendela yang disepakati.

Baseline adalah lawan tanding. Jika model AI tidak konsisten mengalahkannya pada data yang belum dilihat, kompleksitas belum menghasilkan nilai.

5. Jalankan rolling-origin backtest

Forecasting: Principles and Practice menjelaskan time-series cross-validation: setiap test hanya menggunakan observasi yang terjadi sebelumnya, lalu origin bergeser maju. Ini lebih realistis daripada pembagian data acak.

Uji horizon yang sesuai keputusan. Jika pemasok butuh 14 hari, nilai ramalan 14 hari, bukan hanya satu hari ke depan.

6. Gunakan beberapa metrik

• MAE mudah dibaca dalam unit;
• RMSE menghukum miss besar lebih berat;
• MASE/RMSSE membandingkan seri dengan baseline;
• bias mendeteksi kecenderungan terlalu tinggi atau rendah;
• coverage mengukur seberapa sering aktual masuk rentang prediksi.

MAPE bermasalah ketika aktual nol atau sangat kecil—hal yang umum pada SKU lambat. Satu skor agregat tidak cukup untuk melepas approval.

7. Keluarkan kuantil, skenario, dan asumsi

Output minimum meliputi forecast tengah, batas bawah dan atas, horizon, driver, event, data hilang, perbandingan baseline, tingkat kepercayaan operasional, dan alasan eskalasi.

Contoh: “Permintaan 14 hari: median 84 unit, rentang kerja 68–108; stok 42; 30 unit pasti tiba dalam lima hari; proposal awal 20 unit, tetapi tahan approval karena promo akhir pekan belum dikonfirmasi.”

8. Ubah forecast menjadi proposal reorder

Forecast bukan jumlah pembelian. Gunakan:

kebutuhan selama lead time + safety buffer − stok tersedia − pasokan pasti datang

Tambahkan minimum order, pack size, gudang, umur simpan, kas, dan tanggal kedatangan. Purchase order draft bukan pasokan pasti. Untuk nilai besar, agen berhenti pada proposal. Panduan purchase order dapat melanjutkan kontrol setelah keputusan beli dibuat.

9. Tutup loop dengan forecast-versus-actual

Bandingkan forecast dan rentang dengan aktual, stockout, promo yang benar-benar berjalan, error, bias, pembelian, sisa, lost sales, serta override manusia. Bila model gagal karena promo tidak tercatat, perbaiki event register. Bila override manusia berulang kali lebih baik, cari informasi yang belum masuk model.

Contoh: kedai dengan bahan mudah rusak

Sebuah kedai menentukan belanja ayam untuk tujuh hari. Jumat–Minggu biasanya lebih ramai, tetapi dua minggu lalu penjualan turun karena hujan dan kedai tutup lebih awal.

Workflow yang sehat:

1. pisahkan ayam terjual, rusak, dan dipakai internal;
2. tandai hari tutup dan stockout;
3. jadikan seasonal naïve sebagai baseline;
4. backtest beberapa model untuk horizon tujuh hari;
5. keluarkan rentang kebutuhan;
6. kurangi stok aman dan pengiriman yang pasti;
7. batasi order karena umur simpan;
8. minta approval di atas kapasitas atau anggaran;
9. rekonsiliasi pembelian, pemakaian, penjualan, dan sisa.

Misalnya median kebutuhan 94 kg dengan rentang kerja 82–112 kg. Stok layak 18 kg dan pengiriman pasti 30 kg. Proposal tidak otomatis 64 kg. Agen menawarkan order bertahap yang mengurangi waste atau order lebih tinggi yang menekan risiko stockout, lalu pemilik memilih.

Exception yang menghentikan otomatisasi

Rekomendasi masuk review bila:

• data terbaru terlambat atau tidak lengkap;
• terlalu banyak periode mengalami stockout;
• produk baru belum punya analog yang layak;
• promo, harga, atau kanal berubah tanpa detail;
• forecast jauh di luar pola;
• prediction interval terlalu lebar;
• lead time atau minimum order berubah;
• nominal melampaui batas;
• barang sensitif kedaluwarsa;
• model kalah dari baseline pada backtest terbaru.

Model yang pernah bagus tidak mendapat jabatan tetap. Ia harus dievaluasi ulang.

Metrik bisnis setelah model

Selain akurasi, pantau fill rate, durasi stockout, waste, inventory days, modal tertahan, emergency purchase, selisih lead time, persentase proposal yang dioverride, serta apakah override memperbaiki hasil.

Model terbaik membantu keputusan ekonomi, bukan sekadar memenangkan tabel metrik.

Kapan AgentBuff relevan

AgentBuff adalah ekosistem karyawan AI asal Indonesia. Pengguna mengelola agen lewat chat, memberi peran, skills, dan tools, menghubungkannya ke data atau aplikasi kerja yang diizinkan, serta menjalankan workflow dan tugas terjadwal yang mengembalikan hasil nyata.

Dalam forecast penjualan, AgentBuff relevan sebagai analis operasional: mengumpulkan data yang disetujui, menjalankan pemeriksaan dan model, membandingkan baseline, menyiapkan exception report, lalu mengirim proposal restock untuk approval. Mulailah dari satu kategori dan batas nominal kecil. Pelajari di halaman karyawan AI, atau coba AgentBuff tanpa langsung memberi hak membuat pesanan.

Checklist implementasi

• Forecast, target, dan rencana dipisahkan.
• Unit, horizon, dan frekuensi review tertulis.
• Penjualan nol dibedakan dari stockout.
• Dataset memiliki cutoff dan versi.
• Promo serta kejadian khusus punya bukti.
• Baseline sederhana tersedia.
• Backtest mengikuti urutan waktu.
• Metrik mencakup error, bias, dan coverage.
• Forecast disajikan sebagai rentang atau kuantil.
• Reorder memasukkan stok, inbound, lead time, MOQ, umur simpan, dan kas.
• Exception menghentikan aksi otomatis.
• Proposal bernilai besar menunggu approval.
• Forecast-versus-actual ditinjau rutin.

Sumber dan bacaan utama

• Hyndman & Athanasopoulos — Forecasting: Principles and Practice
• Makridakis dkk. — M5 Accuracy Competition
• Makridakis dkk. — M5 Uncertainty Competition
• Shenstone & Hyndman — Stochastic Models Underlying Croston’s Method