Cara Mengubah Kompleksitas Rantai Pasokan Menjadi Layanan Hebat
Jika Amazon terwujud hari ini begitu saja, hanya sedikit orang waras yang akan merasa yakin dapat menjalankannya secara menguntungkan.
Secara global, perusahaan menjual lebih dari 3 miliar produk melalui 11 pasar negara yang berbeda. Di AS saja, Amazon memperkenalkan 208 juta produk baru pada tahun 2018 — sebagian besar merupakan produk slow mover, atau item 'long-tail'. Namun terlepas dari kompleksitas dan skalanya yang ekstrem, pendapatan Amazon Juli 2018 menggandakan ekspektasi pemegang saham, menghasilkan laba kuartalan sebesar $2,5 miliar.
Keberhasilan Amazon mungkin tampak seperti kebetulan yang tidak mungkin untuk ditiru. Namun, ketika Anda merincinya, Jeff Bezos menjadi manusia terkaya di dunia dengan menemukan cara melakukan tiga hal yang tampaknya bertentangan sekaligus:memberikan tingkat layanan yang luar biasa, dengan biaya serendah mungkin, dan mengelola kompleksitas. Saya berpendapat bahwa mencapai ketiganya dengan kesuksesan sejati sulit diperoleh perusahaan mana pun tanpa kemampuan teknologi canggih.
Pertama, ubah pola pikir Anda. Sayangnya, di pasar dengan volatilitas permintaan yang meningkat dan ekspektasi layanan yang lebih tinggi, terlalu banyak perusahaan yang terjebak dalam proses tradisional dan spiral ke bawah yang sudah dikenal. Karena tidak dapat memperkirakan dengan andal peningkatan jumlah kombinasi SKU, kombinasi tersebut memuat inventaris untuk mengakomodasi permintaan yang tidak menentu dan berekor panjang. Ini selalu mengarah pada masalah seperti biaya pengiriman tambahan dan persediaan berlebih dan usang yang perlu dihapuskan atau dijual dengan diskon besar. Para perencana terus-menerus berada dalam mode “pemadam kebakaran” yang reaktif dan tidak efisien, menghabiskan sebagian besar waktunya untuk mengubah pengisian yang disarankan dan memanipulasi tingkat layanan alih-alih mendorong kinerja.
Masalah rantai pasokan seringkali paling sulit untuk diperbaiki karena memiliki solusi yang berlawanan dengan intuisi. Jika Anda ingin mencapai kesuksesan "Amazon", hal pertama yang harus Anda lakukan adalah keluar dari jalan Anda sendiri dan mencoba pendekatan baru. Seperti pepatah lama, tanda pasti kegilaan adalah melakukan hal yang sama berulang-ulang dan mengharapkan hasil yang berbeda.
Rahasia perencanaan berbasis layanan adalah peramalan probabilitas dan optimalisasi bauran stok. Cara untuk mengelola kompleksitas dan mencapai tingkat layanan yang tinggi adalah dengan terlebih dahulu menerobos penghalang akurasi perkiraan:Alih-alih memperkirakan satu angka, pahami berbagai kemungkinan permintaan dalam perkiraan Anda. Metode ini disebut peramalan probabilitas. Dengan menggunakan pendekatan ini, Anda masih mendapatkan satu angka yang terkait dengan hasil yang paling mungkin. Namun, dengan terikat di sekitar angka ini, Anda mendapatkan serangkaian kemungkinan hasil lainnya, masing-masing dengan probabilitas yang berbeda. Ini merupakan alternatif dari perkiraan “satu angka” tradisional, yang didasarkan pada rata-rata jumlah riwayat pesanan agregat.
Peramalan probabilitas sangat ideal untuk rantai pasokan yang mencakup sejumlah besar item ekor panjang dan menghadapi variabilitas dan ketidakpastian permintaan karena sejumlah besar faktor yang tidak dapat mereka modelkan secara memadai. Seperti yang disimpulkan oleh guru rantai pasokan Lora Cecere dalam blognya Probabilistic Forecasting:Right Fit for Your Business?:“Untuk profil permintaan yang sulit, peramalan probabilistik adalah teknik baru dan kuat. Ini adalah jenis mesin. Peramalan adalah tentang matematika yang lebih baik, dan kecocokan model data untuk mendorong hasil.”
Rantai pasokan Anda tidak harus terlalu rumit sebelum dapat memperoleh manfaat dari perkiraan probabilitas. Berikut adalah contoh yang terlalu disederhanakan untuk diilustrasikan. Katakanlah Anda ingin memperkirakan permintaan untuk SKU ban mobil tertentu. Sistem peramalan nomor tunggal akan melihat sejarah penjualan ban ini sebanyak empat unit per bulan dan mengidentifikasi permintaan rata-rata sebagai satu ban per minggu. Karena prakiraan ini tidak ditujukan kepada pelanggan yang mengganti keempat ban sekaligus, prakiraan ini akan terus mengusulkan prakiraan yang salah dan karenanya tingkat inventaris untuk memenuhi tingkat layanan yang ditargetkan.
Untuk perencanaan inventaris, Anda perlu mengetahui probabilitas setiap kuantitas pesanan baris — untuk satu ban, dua ban, tiga ban, empat ban, dll. Peramalan probabilistik memberikan informasi tersebut dengan tepat, mengidentifikasi pola pesanan (misalnya, ukuran pesanan, pesanan frekuensi) yang dapat digunakan inventaris untuk melayani permintaan.
Kami memotong angka kesepian di dunia rantai pasokan di awal 1990-an, ketika kami pertama kali mulai memperjuangkan pendekatan ini sebagai alternatif dari peramalan tradisional. Saat ini, dihadapkan dengan kompleksitas rantai pasokan yang luar biasa, ada lebih banyak platform yang membara bagi perusahaan untuk mencobanya. Umpan balik yang kami dapatkan selalu berupa “Saya hanya berharap kami mulai melakukan ini lebih awal!”
Kedua, pengoptimalan stock mix memungkinkan apa yang kami sebut “perencanaan berbasis layanan”, dengan memanfaatkan skala dan variabilitas — kompleksitas — portofolio SKU Anda di seluruh jaringan. Alih-alih menetapkan tingkat layanan yang sama untuk setiap SKU dalam grup, setiap lokasi SKU di seluruh rantai pasokan ditetapkan tingkat layanannya sendiri yang dioptimalkan untuk mencapai tujuan bisnis. Misalnya, alih-alih menetapkan semua SKU di kelas tingkat layanan 98 persen, target global 98 persen dicapai dengan secara optimal menetapkan tingkat layanan lokasi SKU individu pada 99 persen, 97 persen, 99,5 persen, dll., mencapai hal yang sama tujuan tingkat layanan pelanggan secara keseluruhan dengan biaya inventaris yang jauh lebih sedikit.
Produsen lensa resep global Shamir Optical menerapkan perkiraan berbasis probabilitas untuk menjadi lebih berorientasi pada layanan. Daripada menggunakan kebijakan inventaris satu ukuran untuk semua, Shamir menganalisis pola permintaan untuk membuat campuran target tingkat layanan yang berbeda untuk setiap SKU individu di setiap lokasi. Perusahaan mengurangi tingkat persediaan lebih dari 25 persen secara keseluruhan, sementara secara konsisten mencapai tingkat layanan melebihi 99 persen.
Peramalan probabilistik praktis tidak dapat dieksekusi cukup cepat oleh perencana manusia. Untuk membuatnya bekerja, Anda perlu mengotomatiskan proses perencanaan dengan sistem self-adaptive yang menggunakan teknologi pembelajaran mesin — suatu bentuk kecerdasan buatan. Untuk menghasilkan perkiraan probabilitas, pertama-tama Anda perlu memodelkan rantai pasokan Anda. Sebagian besar perusahaan memulai dengan kelompok sampel SKU untuk diuji dan ditingkatkan dari waktu ke waktu. Terhadap model Anda, Anda kemudian perlu mempertimbangkan dampak berbagai variabel permintaan potensial. Ini bisa berupa input tradisional seperti riwayat pesanan, sumber perusahaan lain seperti data sistem manajemen hubungan pelanggan (CRM), dan bahkan sumber eksternal seperti cuaca, pasar saham, dan tren media sosial. Karena model rantai pasokan adalah sistem "hidup", pembelajaran mesin terus menerus mempelajari dan menyesuaikan hasilnya dari waktu ke waktu, memungkinkan Anda untuk memperkenalkan sumber data baru sesuai kebutuhan. Menerapkan A.I. memberikan wawasan mendalam tentang perilaku permintaan dan inventaris untuk meningkatkan hasil.
Kabar baiknya bagi manusia, bagaimanapun, adalah bahwa perkiraan probabilitas, secara desain, merupakan titik awal — bukan permainan akhir. Mereka dirancang untuk memberi perencana data yang mereka butuhkan tepat waktu untuk membuat pertimbangan yang tepat tentang kebijakan layanan dan tingkat inventaris optimal yang sesuai di seluruh rantai pasokan mereka.
Peramalan probabilitas yang ditambah AI ini mewakili simbiosis ideal antara manusia dan mesin. Sistem menjadi lebih pintar dari waktu ke waktu dengan mempertimbangkan input manusia, dan manusia menjadi lebih pintar dengan belajar dari tingkat keberhasilan perkiraan probabilitas. Ini membebaskan perencana untuk fokus pada layanan, mengerjakan proyek strategis, dan menambahkan wawasan bisnis mereka ke sistem.
Bisnis Anda juga dapat berkembang dengan kompleksitas. Keindahan peramalan probabilitas adalah bahwa sementara tingkat layanan naik, biaya, pemborosan, dan inefisiensi turun. Ratusan perusahaan seperti Shamir Optical telah memperoleh berbagai manfaat, mulai dari membebaskan modal kerja hingga mengurangi keusangan, transportasi, dan mempercepat biaya serta penurunan harga. Banyak perusahaan melaporkan menjadi lebih responsif terhadap perubahan pasar dan mampu membuat keputusan strategis yang lebih baik.
Bagi orang-orang yang menganut pendekatan deterministik “satu angka”, peramalan probabilitas akan terasa berlawanan dengan intuisi. Namun, kecuali Anda berada dalam bisnis komoditas dengan sedikit barang dan permintaan yang benar-benar dapat diprediksi, pendekatan satu angka tidak akan memotongnya. Amazon tidak hanya menggunakan metode ini, tetapi juga menawarkan alat perkiraan probabilitas kepada vendor mitra. Bukankah sudah waktunya Anda mencobanya?
Joseph Shamir adalah CEO ToolsGroup.
