Predictive Analytics untuk Pengambilan Keputusan: Syarat yang Harus Dipenuhi Sebelum Ramalan Itu Berguna

Kebanyakan bisnis yang sampai ke pertanyaan ini sebenarnya tidak kekurangan model. Yang kurang adalah catatan yang bisa dipercaya tentang apa yang sudah terjadi, karena prosesnya masih berjalan di spreadsheet dan di ingatan satu orang.

Urutan yang jujur biasanya tidak dimulai dari model. Keluarkan dulu prosesnya dari spreadsheet, lalu pastikan datanya tercatat sebagai akibat dari pekerjaan sehari-hari, bukan sebagai tugas tambahan. Setelah itu baru ramalkan satu atau dua hal yang benar-benar menggerakkan uang. Predictive analytics sendiri satu cabang dari keputusan yang lebih besar soal AI dan otomasi. Soal biaya dan kapan modalnya kembali kami bahas di panduan AI dan otomasi untuk bisnis.

Untuk apa sebenarnya ramalan dibuat

Predictive analytics paling mudah didefinisikan lewat keputusan yang diubahnya, bukan lewat tekniknya. Bentuknya satu angka yang punya tanggal: perkiraan penjualan dua minggu ke depan, atau kemungkinan satu invoice telat dibayar.

Angka itu berguna kalau membuat seseorang bertindak berbeda. Kepala gudang memesan lebih banyak, manajer menambah satu orang di shift pagi, atau admin menelepon pelanggan sebelum jatuh tempo dan bukan sesudahnya.

Kalau tidak ada tindakan yang berubah, yang Anda bayar hanya hiasan. Banyak dashboard ramalan berakhir seperti itu: angkanya tampil rapi, semua orang mengangguk di rapat, dan keputusan tetap diambil dengan cara lama.

Karena itu pertanyaan pertama bukan "data apa yang kita punya", melainkan "keputusan mana yang mau kita ubah, dan siapa yang berwenang mengubahnya". Kalau pemilik keputusannya tidak jelas, ramalan sebagus apa pun akan menguap.

Keputusan yang paling pantas diramal lebih dulu

Ada beberapa kandidat yang biasanya cocok untuk bisnis yang sedang tumbuh, dan semuanya punya dua ciri: biayanya sudah terasa hari ini, dan ada orang yang bisa langsung bertindak atasnya.

Permintaan dan stok untuk beberapa pekan ke depan. Terlalu banyak stok berarti uang mengendap di gudang, dan terlalu sedikit berarti pesanan lepas ke penjual lain. Pemiliknya jelas: orang yang menandatangani pembelian.

Invoice mana yang kemungkinan telat dibayar. Kalau Anda bisa menebak di awal bulan, penagihan bisa dimulai lebih cepat ke pelanggan yang memang berisiko, bukan ke semua orang sekaligus.

Pelanggan mana yang mulai berhenti membeli. Pada bisnis dengan pembelian berulang, penurunan biasanya terlihat beberapa pekan sebelum pelanggan benar-benar hilang. Satu telepon di saat yang tepat lebih murah daripada mencari pelanggan baru.

Kapan permintaan masuk akan menumpuk. Tim support dan tim operasional sering tahu pola ini secara samar. Kalau polanya dihitung, jadwal shift bisa disusun berdasarkan angka, bukan firasat.

Pilih satu saja untuk mulai, karena dua keputusan sekaligus biasanya berakhir dengan dua hal setengah jadi.

Kenapa spreadsheet menghambat ramalan

Ramalan butuh riwayat yang konsisten. Spreadsheet yang diisi manual justru menghasilkan riwayat yang tidak konsisten.

Kolom berubah di tengah tahun karena ada yang menambah "keterangan". Sel lama ditimpa waktu ada koreksi, jadi angka kemarin hilang tanpa jejak. Nama pelanggan ditulis tiga versi: "PT Maju", "Maju", dan "maju jaya". Status pesanan hanya ditandai warna, dan arti warnanya ada di kepala satu orang di bagian admin.

Semua itu tidak masalah untuk bekerja sehari-hari, karena orangnya tahu maksudnya. Masalah muncul begitu Anda ingin menghitung pola dari dua tahun data, sebab mesin tidak bisa menebak maksud yang hanya hidup di kepala.

Jadi perbaikan pertama biasanya bukan membuat model, melainkan merekam prosesnya dengan benar. Kalau pesanan dicatat lewat form di sistem, tanggal, jumlah, dan statusnya tercatat seragam karena memang begitu bentuk sistemnya. Riwayat yang bisa diramalkan muncul sebagai hasil sampingan dari pekerjaan harian, tanpa ada yang perlu disuruh rajin mengisi.

Ini juga alasan kenapa banyak proyek "AI" di UKM sebenarnya proyek merapikan pencatatan. Bagian itu kurang menarik dibicarakan, tetapi di situlah sebagian besar nilainya.

Berapa data yang sebenarnya cukup

Tidak ada angka ajaib, tetapi ada dua hal yang bisa Anda periksa sendiri.

Yang pertama adalah panjang riwayat. Untuk meramal pola mingguan, Anda butuh cukup banyak minggu agar polanya terlihat berulang, bukan kebetulan. Untuk pola musiman seperti Lebaran atau akhir tahun, Anda butuh beberapa kali musim yang sama, dan itu artinya hitungan tahun. Kalau datanya baru enam bulan, ramalan musiman masih berupa tebakan yang dibungkus angka.

Yang kedua adalah keteraturan. Beberapa ratus baris dari proses yang selalu dicatat dengan cara yang sama lebih berguna daripada puluhan ribu baris hasil export yang isinya campur aduk. Data besar yang berantakan menghabiskan waktu untuk dibersihkan, dan hasil bersihannya sering jauh lebih kecil daripada yang dibayangkan.

Kalau keduanya belum ada, pekerjaan yang tepat sekarang adalah mulai mencatat. Tentukan sekarang apa yang ingin Anda ramalkan setahun lagi, lalu pastikan sistemnya merekam data yang dibutuhkan mulai bulan ini. Setahun menunggu terasa lama, tetapi setahun berikutnya tetap akan lewat dengan atau tanpa catatan itu.

Metode sederhana sebelum machine learning

Metode ramalan punya tangganya sendiri, dan sebagian besar keputusan di UKM berhenti di anak tangga bawah.

Paling bawah adalah aturan sederhana. "Kalau stok di bawah rata-rata penjualan dua minggu, pesan lagi." Tidak ada model sama sekali, tetapi keputusannya berubah dan hasilnya langsung terasa.

Di atasnya ada rata-rata bergerak dan pola musiman. Anda menghitung rata-rata penjualan beberapa pekan terakhir, lalu menyesuaikannya dengan pola bulan tertentu. Cara ini sudah menyelesaikan banyak urusan perencanaan stok, dan siapa pun di tim bisa mengerti angkanya datang dari mana.

Anak tangga berikutnya regresi, yang menghubungkan hasil dengan beberapa faktor sekaligus: jumlah pesanan, hari dalam minggu, harga, dan promo yang sedang berjalan. Hasilnya masih bisa dijelaskan dalam satu kalimat kepada orang yang akan memakainya.

Model yang dilatih baru masuk akal ketika faktornya banyak, hubungannya tidak lurus, dan datanya memang tersedia dalam jumlah besar dan rapi. Sampai titik itu, metode yang lebih sederhana biasanya memberi hasil yang cukup dengan biaya yang jauh lebih kecil.

Ada alasan kedua untuk tetap di bawah selama mungkin. Metode yang konvensional dan bisa dijelaskan juga metode yang bisa dirawat orang berikutnya. Kami membangunnya dengan cara yang sudah terbukti. Alasan di balik tiap pilihan dicatat berdampingan dengan kodenya, supaya developer yang masuk setahun kemudian bisa memperbaikinya tanpa menebak.

Di mana ramalan itu diletakkan di dalam software

Ramalan paling berguna kalau muncul di dalam sistem yang memang sudah dipakai orang, tepat di saat keputusan diambil.

Perkiraan stok muncul di halaman pembelian, di sebelah tombol pesan. Tanda risiko telat bayar muncul di daftar invoice, bukan di laporan bulanan terpisah. Kalau orang harus membuka dashboard lain untuk melihat angkanya, sebagian besar hari mereka tidak akan membukanya.

Angka itu juga perlu ditemani alasannya. "Perkiraan naik karena empat pekan terakhir naik dan bulan ini biasanya ramai" lebih bisa dipakai daripada satu angka tanpa keterangan. Orang yang memakainya perlu tahu kapan boleh mengabaikan angka itu.

Prediksi dan otomasi paling pantas dibangun di titik di mana pekerjaan manual memang jadi penyumbatan, misalnya menyortir permintaan masuk, membaca dokumen, atau meringkas. Jangan dipasang sebagai peningkatan umum di semua lini. Contoh-contoh sekelas UKM yang lebih konkret kami kumpulkan di penggunaan AI di bisnis yang sedang tumbuh.

Fitur prediksi pertama bisa dikerjakan sebagai satu tahap tersendiri, dengan lingkup dan harga disepakati tertulis sebelum tahap itu dimulai. Discovery menghasilkan rencana tertulis beserta harga tetap yang tetap milik Anda. Kalau setelah tahap pertama ternyata ramalannya tidak membantu keputusan, Anda berhenti di situ tanpa perlu berdebat.

Memeriksa apakah ramalannya cukup baik

Ramalan yang tidak pernah dibandingkan dengan kenyataan akan melenceng pelan-pelan tanpa ada yang sadar. Pasar berubah, produk berganti, pelanggan besar datang atau pergi, dan pola lama berhenti berlaku.

Caranya sendiri sederhana: simpan ramalannya, lalu simpan juga apa yang benar-benar terjadi. Setelah beberapa pekan Anda punya daftar selisihnya, dan selisih itu yang jadi bahan penilaian.

Tentukan di awal berapa tingkat meleset yang masih layak dipakai. Untuk pemesanan stok, meleset sedikit mungkin masih jauh lebih baik daripada menebak. Untuk keputusan yang mahal dibatalkan, batasnya tentu lebih ketat. Kesepakatan ini dibuat sebelum sistemnya jalan, bukan sesudah angkanya keluar dan semua orang mencari pembenaran.

Tampilkan selisih itu kepada orang yang memakai ramalannya, bukan hanya di laporan untuk manajemen. Kepala gudang yang melihat perkiraan bulan lalu meleset jauh di satu kategori akan menyesuaikan sendiri cara ia memakainya. Penyesuaian seperti itu jadi bahan paling berguna untuk perbaikan berikutnya.

Kapan sebaiknya ini tidak dibangun

Beberapa keadaan sebaiknya tidak berujung pada pembangunan apa pun.

Kalau tool berlangganan yang sudah ada sudah meramalkan hal yang Anda butuhkan, saran yang benar adalah membeli tool itu. Banyak sistem akuntansi, sistem kasir, dan platform toko online sudah punya perkiraan penjualan dan peringatan stok di dalamnya. Membangun ulang yang sudah ada jarang masuk akal secara biaya, dan kami akan mengatakannya kalau memang begitu keadaannya.

Kalau pertanyaannya tentang masa lalu, yang dibutuhkan laporan, bukan ramalan. "Produk mana yang paling banyak terjual kuartal lalu" dijawab dengan tabel biasa.

Kalau keputusannya hanya diambil beberapa kali setahun, waktu yang dihemat tidak akan menutup biaya pembangunan. Rapat satu jam dengan orang yang mengerti barangnya lebih murah.

Kalau sudah ada orang di tim yang memang tahu polanya dan tebakannya jarang meleset, mulailah dengan menuliskan cara ia berpikir. Sering kali hasilnya berupa aturan sederhana yang bisa langsung dipakai orang lain, dan itu sudah menyelesaikan masalah terbesarnya: pengetahuan yang hanya ada di satu kepala.

Cara membedakannya sebelum mengeluarkan uang cukup singkat. Sebutkan keputusannya, siapa pemiliknya, dan apa yang akan ia lakukan berbeda kalau angkanya ada. Kalau salah satu dari tiga itu tidak bisa Anda isi, tunda dulu.

Bawa satu keputusan yang ingin Anda ramalkan

Tidak ada deck dan tidak ada daftar periksa untuk diunduh di sini. Pilih satu keputusan yang paling sering membuat Anda menebak, entah soal stok, penagihan, atau jadwal orang, lalu ceritakan lewat satu panggilan gratis.

Kami akan melihat apakah catatan yang ada sudah cukup untuk meramalkannya. Jawaban jujurnya bisa saja tool yang sudah ada di pasaran, atau merapikan pencatatan prosesnya lebih dulu. Kalau memang perlu dibangun, Discovery memberi rencana tertulis beserta harga tetap, dan keduanya tetap milik Anda entah Anda melanjutkan bersama kami atau tidak.

Hubungi kami di WhatsApp +62 851-1769-7889 atau email hello@arktik.id.