Dalam rantai pasokan hari ini, bagaimana Anda meramalkan barang-barang yang tidak dibuat untuk dipesan?
Dalam rantai pasokan modern, peramalan diperlukan untuk perusahaan yang memproduksi barang untuk inventaris dan yang tidak dibuat untuk dipesan. Produsen akan menggunakan peramalan material untuk memastikan bahwa mereka menghasilkan tingkat material yang memuaskan pelanggan mereka tanpa menghasilkan situasi kelebihan kapasitas di mana terlalu banyak persediaan diproduksi dan tetap di rak.
Sama halnya, ramalan tidak boleh gagal dan pabrikan menemukan mereka tanpa inventori untuk memenuhi pesanan pelanggan.
Biaya gagal mempertahankan perkiraan yang akurat dapat menjadi bencana finansial.
Prakiraan dapat berupa:
- Statistik
- Non-Statisional
Prakiraan dikembangkan untuk barang jadi, komponen dan suku cadang layanan perusahaan. Ramalan ini digunakan oleh tim produksi untuk mengembangkan produksi atau pembelian pemicu, kuantitas, dan tingkat persediaan pengaman .
Prakiraan tidak statis dan harus ditinjau oleh manajemen secara berkala. Ini untuk memastikan bahwa informasi tentang tren masa depan, lingkungan internal atau eksternal dimasukkan ke dalam ramalan untuk memberikan perhitungan yang lebih akurat.
Peramalan Statistik
Dalam perangkat lunak manajemen rantai suplai, ramalan adalah perhitungan yang memberikan data dari transaksi real-time dan didasarkan pada serangkaian variabel yang dikonfigurasi untuk sejumlah situasi perkiraan statistik.
Para profesional perencanaan diharuskan untuk menggunakan perangkat lunak ini untuk menyediakan situasi perkiraan terbaik dan seringkali hal ini dibiarkan tanpa pemeriksaan untuk jangka waktu lama.
Untuk menggunakan teknik peramalan terbaik dalam perangkat lunak rantai suplai, perencana harus meninjau keputusan mereka sehubungan dengan lingkungan internal dan eksternal.
Mereka harus menyesuaikan perhitungan untuk memberikan perkiraan yang lebih akurat berdasarkan informasi terkini yang mereka miliki.
Perkiraan statistik adalah perkiraan terbaik dari apa yang akan terjadi di masa depan berdasarkan permintaan yang telah terjadi di masa lalu.
Data permintaan historis dapat digunakan untuk menghasilkan perkiraan menggunakan regresi linier sederhana . Ini memberi bobot yang sama terhadap permintaan periode historis dan memproyeksikan permintaan ke masa depan.
Namun, perkiraan hari ini lebih menekankan pada data permintaan yang lebih baru daripada data yang lebih lama. Ini disebut smoothing dan diproduksi dengan memberi bobot lebih pada data terbaru. Pemulusan eksponensial mengacu pada pembobotan yang lebih besar yang diberikan pada periode historis yang lebih baru. Oleh karena itu, periode dua bulan yang lalu memiliki bobot yang lebih besar daripada periode enam bulan yang lalu.
Faktor Alfa
Pembobotan ini disebut Faktor Alfa dan semakin tinggi pembobotan, atau faktor Alfa, semakin sedikit periode historis yang digunakan untuk membuat ramalan.
Misalnya, faktor Alpha yang tinggi memberikan pembobotan yang tinggi pada periode terakhir dan permintaan dari periode selama satu tahun atau dua tahun yang lalu diberi bobot yang sangat ringan sehingga tidak ada hubungannya dengan perkiraan keseluruhan. Faktor Alpha yang rendah berarti data historis lebih relevan dengan perkiraan.
Periode historis umumnya berisi data permintaan dari bulan tetap, yaitu Juni atau Juli. Namun, ini menyebabkan kesalahan dalam perhitungan karena beberapa bulan memiliki lebih banyak hari daripada bulan lainnya dan jumlah hari kerja dapat bervariasi.
Beberapa perusahaan menggunakan permintaan harian untuk mengatasi kesalahan ini, meskipun jika peramal memahami kesalahan, periode historis bulanan dapat digunakan bersama dengan indikator pelacakan untuk mengidentifikasi kapan perkiraan menyimpang secara signifikan dari permintaan yang sebenarnya. Tingkat di mana sinyal sinyal pelacakan penyimpangan ditentukan oleh peramal atau perangkat lunak dan bervariasi antara industri, perusahaan dan produk.
Penyimpangan kecil mungkin memerlukan intervensi ketika produk yang diprediksi bernilai tinggi, sedangkan barang bernilai rendah mungkin tidak memerlukan ramalan itu diteliti sampai tingkat tinggi.
Prakiraan Non-Statistik
Peramalan non-statistik ditemukan dalam perangkat lunak manajemen rantai suplai di mana permintaan diperkirakan berdasarkan jumlah yang ditentukan oleh perencana produksi.
Ini terjadi ketika perencana masuk dalam kuantitas subyektif yang mereka percayai permintaan akan tanpa referensi apa pun terhadap permintaan historis.
Peramalan non-statistik lainnya yang terjadi adalah ketika permintaan untuk suatu item didasarkan pada hasil perencanaan kebutuhan material (MRP) berjalan.
Ini membutuhkan permintaan untuk barang jadi dan meledakkan tagihan bahan sehingga permintaan dihitung untuk bagian-bagian komponen. Permintaan komponen kemudian dapat diubah oleh perencana berdasarkan penilaian dan pengetahuan mereka tentang lingkungan saat ini.
Ramalan yang dihasilkan didasarkan pada permintaan saat ini dan tidak akan menggabungkan permintaan apa pun dari periode sebelumnya. Banyak perusahaan akan menggunakan kombinasi perkiraan statistik dan nonstatistik di lini produk mereka.
Peramalan statistik didasarkan pada perhitungan yang rumit dan permintaan di masa mendatang dapat ditentukan berdasarkan permintaan dari periode historis.
Perkiraan memberikan perencana panduan untuk permintaan di masa mendatang, tetapi tidak ada perkiraan yang benar-benar akurat dan pengalaman dan pengetahuan perencana tentang lingkungan saat ini dan masa depan penting dalam menentukan permintaan masa depan untuk produk perusahaan.
Artikel ini telah diperbarui oleh Gary Marion, Ahli Rantai Pasokan dan Logistik untuk The Balance.