Mengubah Kompleksitas Rantai Pasok menjadi Keunggulan Layanan Superior
Jika Amazon muncul hari ini dari udara tipis, sedikit orang yang sehat pikir akan merasa yakin dapat menjalankannya dengan menguntungkan.
Secara global, perusahaan menjual lebih dari 3 miliar produk melalui 11 pasar negara yang berbeda. Hanya di AS, Amazon memperkenalkan 208 juta produk baru pada tahun 2018 — sebagian besar adalah barang lambat, atau barang 'long-tail'. Namun meskipun kompleksitas dan skala yang ekstrem, keuntungan Juli 2018 Amazon melampaui ekspektasi pemegang saham dua kali lipat, menghasilkan keuntungan triwulanan sebesar $2,5 miliar.
Keberhasilan Amazon mungkin terlihat seperti kebetulan yang tidak mungkin direplikasi. Namun, ketika Anda memecahnya, Jeff Bezos menjadi manusia terkaya di dunia dengan menemukan cara untuk melakukan tiga hal yang tampaknya kontradiktif sekaligus: memberikan tingkat layanan yang luar biasa, dengan biaya terendah yang mungkin, dan mengelola kompleksitas. Saya berpendapat bahwa mencapai ketiganya dengan keberhasilan yang benar sulit bagi perusahaan apa pun tanpa kemampuan teknologi canggih.
Pertama, ubah pola pikir Anda. Sayangnya, di pasar dengan volatilitas permintaan yang meningkat dan harapan layanan yang lebih tinggi, terlalu banyak perusahaan terkunci dalam proses tradisional dan spiral berurutan yang famili. Tidak dapat meramalkan dengan andal kombinasi SKU yang semakin banyak, mereka memuat inventori untuk mengakomodasi permintaan long-tail yang tidak teratur. Ini pasti mengarah pada masalah seperti biaya freight tambahan dan inventori berlebih dan usang yang perlu dicoret atau dijual dengan diskon besar. Perencana terus berada dalam mode "memadamkan kebakaran" yang reaktif dan tidak efisien, menghabiskan sebagian besar waktu mereka untuk mengubah supliran yang disarankan dan memanipulasi tingkat layanan alih-alih mendorong kinerja.
Masalah rantai pasok seringkali sulit diperbaiki karena mereka memiliki solusi yang tidak intuitif. Jika Anda ingin mencapai keberhasilan "Amazonian," hal pertama yang harus Anda lakukan adalah keluar dari jalur Anda sendiri dan mencoba pendekatan baru. Seperti pepatah yang sudah lama dikenal, tanda pasti kegilaan adalah melakukan hal yang sama berulang kali dan mengharapkan hasil yang berbeda.
Rahasia perencanaan yang didorong layanan adalah probability forecasting dan optimasi campuran stok. Cara untuk mengelola kompleksitas dan mencapai tingkat layanan yang tinggi adalah dengan pertama kali melewati batas akurasi peramalan: Alih-alih meramalkan satu angka, pahami rentang kemungkinan permintaan dalam peramalan Anda. Metode ini disebut probability forecasting. Dengan pendekatan ini, Anda masih mendapatkan satu angka yang terkait dengan hasil yang paling mungkin. Namun, di sekitar angka ini Anda mendapatkan rentang hasil lainnya, masing-masing dengan probabilitas yang berbeda. Ini adalah alternatif dari forecasting "satu angka" tradisional, yang didasarkan pada rata-rata riwayat pesanan agregat.
Probability forecasting ideal untuk rantai pasok yang mencakup sejumlah besar barang long-tail dan menghadapi variabilitas dan ketidakpastian permintaan karena sejumlah besar faktor yang tidak dapat mereka model secara memadai. Seperti yang disimpulkan guru rantai pasok Lora Cecere di blognya Probabilistic Forecasting: Right Fit for Your Business?: "Untuk profil permintaan yang sulit, probabilistic forecasting adalah teknik baru dan kuat. Ini adalah jenis mesin. Forecasting semuanya tentang matematika yang lebih baik, dan kecocokan model data untuk menghasilkan hasil."
Rantai pasok Anda tidak perlu terlalu kompleks sebelum dapat mendapat manfaat dari probability forecasting. Berikut adalah contoh yang disederhanakan untuk menggambarkan. Katakanlah Anda ingin meramalkan permintaan untuk SKU ban mobil tertentu. Sistem peramalan satu angka akan melihat sejarah penjualan ban ini sebanyak empat unit per bulan dan mengidentifikasi rata-rata permintaan sebagai satu ban per minggu. Karena peramalan ini tidak menangani pelanggan yang mengganti empat sekaligus, ini akan terus mengusulkan peramalan dan tingkat inventori yang salah untuk memenuhi target tingkat layanan.
Untuk perencanaan inventori, Anda perlu mengetahui probabilitas dari setiap jumlah baris pesanan — untuk satu ban, dua ban, tiga ban, empat ban, dll. Probabilistic forecasting memberikan tepat informasi tersebut, mengidentifikasi pola pesanan (misalnya, ukuran pesanan, frekuensi pesanan) yang dapat digunakan inventori untuk melayani permintaan.
Kami terlihat sendirian di dunia rantai pasok pada awal tahun 1990-an, saat kami pertama kali mempromosikan pendekatan ini sebagai alternatif untuk forecasting tradisional. Saat ini, dihadapkan pada kompleksitas rantai pasok yang luar biasa, ada lebih banyak dorongan bagi perusahaan untuk mencobanya. Secara pasti umpan balik yang kami terima adalah "Saya hanya berharap kami telah mulai melakukan ini lebih awal!"
Secara sekunder, optimasi campuran stok memungkinkan apa yang kami sebut "perencanaan yang didorong layanan," dengan memanfaatkan skala dan variabilitas — kompleksitas — portofolio SKU Anda di seluruh jaringan. Alih-alih menetapkan tingkat layanan yang sama untuk setiap SKU dalam suatu kelompok, setiap lokasi SKU di seluruh rantai pasok ditetapkan tingkat layanan sendiri yang dioptimalkan untuk mencapai tujuan bisnis. Misalnya, alih-alih menetapkan semua SKU dalam kelas tingkat layanan 98 persen, target global 98 persen dicapai dengan menetapkan tingkat layanan lokasi SKU individual secara optimal pada 99 persen, 97 persen, 99,5 persen, dll., mencapai tujuan pelayanan pelanggan yang sama secara keseluruhan dengan biaya inventori yang jauh lebih rendah.
Produsen lensa resep global Shamir Optical menerapkan forecasting berbasis probabilitas untuk menjadi lebih didorong layanan. Alih-alih menggunakan kebijakan inventori yang cocok untuk semua, Shamir menganalisis pola permintaan untuk menciptakan campuran target tingkat layanan yang berbeda untuk setiap SKU individual di setiap lokasi. Perusahaan mengurangi tingkat inventori lebih dari 25 persen secara keseluruhan, sambil secara konsisten mencapai tingkat layanan yang melebihi 99 persen.
Probabilistic forecasting tidak dapat dieksekusi dengan cukup cepat oleh perencana manusia. Untuk membuatnya bekerja, Anda perlu mengotomatisasi proses perencanaan dengan sistem self-adaptive yang menggunakan teknologi pembelajaran mesin — sebuah bentuk kecerdasan buatan. Untuk menghasilkan peramalan probabilitas, pertama-tama Anda perlu memodelkan rantai pasok Anda. Sebagian besar perusahaan mulai dengan kelompok contoh SKU untuk diuji dan diskalakan seiring waktu. Terhadap model Anda, kemudian Anda perlu mempertimbangkan dampak dari berbagai variabel permintaan yang luas. Ini dapat berupa input tradisional seperti riwayat pesanan, sumber korporat lain seperti data sistem manajemen hubungan pelanggan (CRM), dan bahkan sumber eksternal seperti cuaca, pasar saham dan tren media sosial. Karena model rantai pasok adalah sistem "hidup," pembelajaran mesin terus belajar dan menyesuaikan hasil seiring waktu, memungkinkan Anda untuk memperkenalkan sumber data baru sesuai kebutuhan. Penerapan AI memberikan wawasan mendalam tentang perilaku permintaan dan inventori untuk meningkatkan hasil.
Berita baik bagi manusia, Namun, adalah peramalan probabilitas, menurut desain, adalah titik awal — bukan akhir permainan. Mereka dirancang untuk memberikan perencana data yang mereka butuhkan tepat waktu untuk membuat keputusan nilai tentang kebijakan layanan dan tingkat inventori yang optimal di seluruh rantai pasok mereka.
Forecasting probabilitas yang diperkaya AI ini mewakili simbiosis ideal antara manusia dan mesin. Sistem menjadi lebih cerdas seiring waktu dengan mempertimbangkan input manusia, dan manusia menjadi lebih cerdas dengan belajar dari tingkat keberhasilan peramalan probabilitas. Ini membebaskan perencana untuk fokus pada layanan, bekerja pada proyek strategis dan menambahkan wawasan bisnis mereka ke sistem.
Bisnis Anda juga dapat berkembang dengan kompleksitas. Keindahan forecasting probabilitas adalah bahwa sementara tingkat layanan naik, biaya, limbah dan ketidakefisian turun. Ratusan perusahaan seperti Shamir Optical telah mendapatkan berbagai manfaat, dari membebaskan modal kerja hingga mengurangi usang, biaya transportasi dan pengiriman cepat serta penurunan harga. Banyak perusahaan melaporkan menjadi lebih responsif terhadap perubahan pasar dan dapat membuat keputusan strategis yang lebih baik.
Bagi orang yang melekat pada pendekatan deterministik "satu angka," forecasting probabilitas akan terasa tidak intuitif. Namun, kecuali Anda berada dalam bisnis komoditas dengan sedikit barang dan permintaan yang sepenuhnya dapat diprediksi, pendekatan satu angka tidak akan cukup. Amazon tidak hanya menggunakan metode ini, ia juga menawarkan alat forecasting probabilitas kepada mitra vendor. Bukankah saatnya Anda mencobanya?
Joseph Shamir adalah chief executive officer ToolsGroup.
