๐ OSCM – SESI 06
Forecasting & Demand Planning
Operations & Supply Chain Management
๐ฏ Tujuan Pembelajaran
- Memahami prinsip-prinsip fundamental forecasting dan keterbatasannya
- Membedakan metode kualitatif dan kuantitatif dalam peramalan
- Menerapkan model time series: moving average, exponential smoothing, trend projection, seasonality
- Mengukur akurasi forecast dengan MAD, MSE, MAPE, dan tracking signal
- Memahami konsep demand planning dan collaborative forecasting (CPFR)
- Menganalisis peran forecasting dalam keputusan operasi (kapasitas, inventory, scheduling)
- WORKSHOP Menerapkan fase Define dalam Design Thinking โ sintesis dari 4 round Empathize
๐ฅ Video Kuliah: Forecasting & Demand Planning
- Fokus: Forecasting methods, time series analysis, forecast error measurement, demand planning
- Poin Kunci: Perbedaan qualitative vs quantitative methods, kapan pakai masing-masing metode, pentingnya mengukur akurasi forecast
- Siapkan kalkulator: untuk mengikuti contoh perhitungan
1. Fondasi Forecasting: Seni & Ilmu Meramalkan Masa Depan
Apa itu Forecasting?
Forecasting adalah seni dan ilmu memprediksi kejadian di masa depan berdasarkan data historis, analisis tren, dan pertimbangan ahli. Dalam OSCM, forecasting adalah input fundamental untuk hampir semua keputusan operasi.
- Strategic planning: Fasilitas baru, ekspansi, investasi jangka panjang
- Demand planning: Berapa banyak yang harus diproduksi/disediakan?
- Inventory management: Berapa safety stock yang dibutuhkan?
- Scheduling: Kapan produksi dijalankan, siapa yang kerja shift apa?
- Capacity planning: Apakah kapasitas cukup untuk memenuhi demand?
- Budgeting: Proyeksi revenue, cost, profit
Tujuh Prinsip Forecasting
Forecasting bukan ilmu pasti โ ada prinsip-prinsip yang harus dipahami agar tidak terjebak ilusi kepastian:
| Prinsip | Penjelasan | Implikasi |
|---|---|---|
| 1. Forecasting selalu salah | Tidak ada model yang 100% akurat | Selalu siapkan buffer (safety stock, capacity cushion) |
| 2. Forecast aggregate lebih akurat | Meramal total lebih mudah daripada per item | Forecast di level keluarga produk, bukan SKU individual |
| 3. Jangka pendek lebih akurat | Semakin jauh ke depan, semakin tidak pasti | Update forecast secara berkala (rolling forecast) |
| 4. Forecast butuh error measure | Tanpa ukur error, tidak tahu kualitas forecast | Gunakan MAD, MSE, MAPE untuk evaluasi |
| 5. Jangan andalkan satu metode | Setiap metode punya kelemahan | Kombinasi beberapa metode (composite forecast) |
| 6. Forecast harus bias diantisipasi | Data historis tidak selalu mencerminkan masa depan | Adjust untuk promo, event, perubahan pasar |
| 7. Forecast adalah proses kolaboratif | Sales, marketing, operations harus sinkron | S&OP (Sales & Operations Planning) meeting rutin |
“All models are wrong, but some are useful.”
Artinya: Jangan cari forecast yang sempurna โ cari forecast yang cukup baik untuk pengambilan keputusan.
Dua Kategori Metode Forecasting
| Aspek | Qualitative Methods | Quantitative Methods |
|---|---|---|
| Dasar | Judgment, intuisi, opini ahli | Data historis, model matematika |
| Kapan dipakai | Data tidak ada, produk baru, perubahan drastis | Data historis tersedia, pola stabil |
| Subjektivitas | Tinggi | Rendah (tapi tetap ada) |
| Metode | Delphi, market research, sales force composite, executive opinion | Time series, causal models, machine learning |
| Contoh | Forecast produk baru, peluncuran brand | Forecast penjualan rutin, demand planning |
๐ Contoh Global: Procter & Gamble Forecasting
Konteks: P&G menjual ribuan SKU (sabun, deterjen, diaper) di 180+ negara
Qualitative: Panel ahli untuk produk baru (misal: Tide Pods pertama kali launch)
Quantitative: Time series model untuk produk existing, machine learning untuk promo optimization
Collaborative: S&OP meeting mingguan antara sales, marketing, supply chain
Result: Forecast accuracy 85-90%, inventory reduction 20%
๐ฎ๐ฉ Contoh Indonesia: PLN Load Forecasting
Konteks: PLN harus forecast kebutuhan listrik nasional untuk jadwal pembangkit
Qualitative: Expert judgment untuk dampak kebijakan baru (misal: insentif mobil listrik)
Quantitative: Time series model (ARIMA, exponential smoothing) untuk load harian/mingguan
Causal: Regresi dengan variabel GDP, suhu, harga listrik, pertumbuhan populasi
Result: Forecast accuracy 95%+ untuk harian, reserve margin 20-30%
2. Metode Kualitatif: Ketika Data Tidak Cukup
Kapan Pakai Metode Kualitatif?
- Produk baru, belum ada data historis
- Perubahan drastis di pasar (pandemi, regulasi baru, teknologi disruptif)
- Jangka panjang (5-10 tahun ke depan)
- Konteks unik yang tidak tertangkap data
Empat Metode Kualitatif Utama
1. Delphi Method
Teknik terstruktur untuk mengumpulkan opini dari panel ahli secara anonim dan iteratif.
| Langkah | Aktivitas | Tujuan |
|---|---|---|
| 1. Pilih panel ahli | 5-20 orang dari berbagai latar belakang | Dapatkan perspektif beragam |
| 2. Kuesioner Round 1 | Tanya pendapat awal (anonim) | Kumpulkan baseline forecast |
| 3. Ringkas & feedback | Kirim ringkasan hasil Round 1 ke panel | Lihat variasi pendapat |
| 4. Kuesioner Round 2+ | Panel revisi pendapat berdasarkan feedback | Konvergen ke konsensus |
| 5. Final forecast | Rata-rata atau median dari Round terakhir | Final qualitative forecast |
๐ Contoh: Delphi untuk Teknologi Masa Depan
Konteks: RAND Corporation (1950-an) forecast teknologi militer
Panel: 15 ahli (militer, akademisi, industri)
Rounds: 3 iterasi
Result: Konsensus tentang timeline adopsi teknologi baru
Keunggulan: Mencegah “dominant voice” โ semua pendapat anonim, tidak ada yang diintimidasi oleh senior
2. Market Research
Survei sistematis kepada pelanggan potensial untuk mengukur minat, preferensi, dan willingness to pay.
| Metode | Cara | Kapan Dipakai |
|---|---|---|
| Survey | Online/offline questionnaire | Sample besar, generalisasi |
| Focus Group | Diskusi kelompok 6-10 orang | Deep insight, explorasi ide |
| In-depth Interview | Wawancara 1-on-1 mendalam | Understanding motivasi |
| Test Market | Launch produk di area terbatas | Validasi real purchase behavior |
๐ฎ๐ฉ Contoh: Indomie Varian Baru
Market Research:
- Focus group di 5 kota (Jakarta, Surabaya, Medan, Makassar, Bandung)
- Test rasa 10 varian baru, rating 1-10
- Willingness to pay: berapa mau bayar untuk varian premium?
- Test market di 100 toko selama 1 bulan
Result: Varian “Rendang” skor tertinggi 8.5/10, launch nasional
3. Sales Force Composite
Mengumpulkan estimasi dari tim penjualan yang paling dekat dengan pelanggan, lalu agregat ke atas.
- Salesperson di lapangan estimasi demand per wilayah/kustomer
- Sales manager review & adjust (karena salesperson cenderung optimis/pesimis)
- Regional manager agregat ke level nasional
- VP Sales finalize forecast
| Kelebihan | Kekurangan |
|---|---|
| โ Salesperson tahu kondisi lapangan | โ Bias: salesperson underestimate (target mudah dicapai) |
| โ Granular (per kustomer/wilayah) | โ Tidak paham tren makro |
| โ Cepat & murah | โ Bias recent events (terlalu dipengaruhi kejadian terakhir) |
4. Executive Opinion (Jury of Executive Opinion)
Panel eksekutif senior (CEO, CFO, CMO, COO) berkumpul dan buat forecast bersama.
๐ฎ๐ฉ Contoh: Startup Indonesia Forecasting
Konteks: Startup e-commerce akan launch Harbolnas (12.12)
Executive Opinion:
- CEO: “Tahun lalu 10.000 order, tahun ini target 25.000”
- CMO: “Budget marketing naik 2x, harusnya bisa 30.000”
- COO: “Warehouse capacity max 20.000, kita harus hati-hati”
- CFO: “Cash flow aman sampai 25.000 order”
Final forecast: 22.000 order (kompromi)
Reality: 28.000 order โ warehouse overload, delivery delay
Lesson: Executive opinion sering bias oleh optimisme & target
3. Time Series Models: Meramal dari Pola Historis CORE
Apa itu Time Series?
Time series adalah data yang dikumpulkan dalam urutan waktu (harian, mingguan, bulanan, tahunan). Time series models mengasumsikan bahwa pola masa lalu akan berlanjut ke masa depan.
Empat Komponen Time Series
Komponen Time Series
1. Level (Rata-rata)
2. Trend (Naik/Turun)
3. Seasonality (Pola Musiman)
4. Random/Irregular (Noise)
A. Naive Approach
Forecast paling sederhana: forecast periode berikutnya = actual periode terakhir.
Kelebihan: Sangat mudah, tidak butuh data banyak, zero cost
Kekurangan: Tidak bisa menangkap perubahan, sering tidak akurat
B. Moving Average (MA)
Rata-rata dari n periode terakhir untuk menghaluskan fluktuasi acak.
| Bulan | Actual | Forecast (3-MA) |
|---|---|---|
| Jan | 100 | – |
| Feb | 120 | – |
| Mar | 110 | – |
| Apr | 130 | (100+120+110)/3 = 110 |
| Mei | 140 | (120+110+130)/3 = 120 |
| Jun | 150 | (110+130+140)/3 = 126.7 |
Weighted Moving Average (WMA)
Memberikan bobot berbeda untuk setiap periode โ biasanya periode terbaru dapat bobot lebih besar.
dengan ฮฃw = 1
Data: Jan=100, Feb=120, Mar=110
Forecast Apr: (0.5ร110) + (0.3ร120) + (0.2ร100) = 55 + 36 + 20 = 111
Insight: Bobot lebih besar untuk data terbaru membuat forecast lebih responsive terhadap perubahan.
C. Exponential Smoothing
Versi canggih dari weighted moving average โ memberikan bobot yang menurun secara eksponensial untuk data yang semakin lama.
atau bentuk alternatif:
ฮฑ (alpha) = smoothing constant, antara 0 dan 1. Nilai ฮฑ besar = forecast lebih responsive; ฮฑ kecil = forecast lebih smooth.
| Periode | Actual | Forecast | Perhitungan |
|---|---|---|---|
| 1 | 100 | 100 | (initial) |
| 2 | 120 | 100 | 100 + 0.3(100-100) = 100 |
| 3 | 110 | 106 | 100 + 0.3(120-100) = 106 |
| 4 | 130 | 107.2 | 106 + 0.3(110-106) = 107.2 |
| 5 | 140 | 114.0 | 107.2 + 0.3(130-107.2) = 114.0 |
Pemilihan ฮฑ (Alpha)
| Nilai ฮฑ | Karakteristik | Kapan Dipakai |
|---|---|---|
| ฮฑ = 0.1 – 0.3 | Smooth, kurang responsive | Data stabil, ingin hindari overreaction |
| ฮฑ = 0.4 – 0.6 | Balanced | Data dengan variasi moderate |
| ฮฑ = 0.7 – 0.9 | Responsive, volatile | Data berubah cepat, ingin cepat adapt |
D. Trend Projection (Linear Regression)
Memfit garis linear ke data historis untuk menangkap trend jangka panjang.
a = intercept, b = slope, t = time period
| Tahun (t) | Penjualan (y) | ty | tยฒ |
|---|---|---|---|
| 1 (2020) | 100 | 100 | 1 |
| 2 (2021) | 120 | 240 | 4 |
| 3 (2022) | 140 | 420 | 9 |
| 4 (2023) | 160 | 640 | 16 |
| ฮฃ | 520 | 1400 | 30 |
b = (4ร1400 – 10ร520) / (4ร30 – 100) = (5600-5200) / (120-100) = 400/20 = 20
a = (520 – 20ร10) / 4 = 320/4 = 80
Equation: Ft = 80 + 20t
Forecast 2024 (t=5): 80 + 20(5) = 180
E. Seasonality
Penyesuaian untuk pola berulang pada periode tertentu (harian, mingguan, bulanan, kuartalan).
Langkah Seasonal Adjustment:
- Hitung rata-rata demand per season (misal: per kuartal)
- Hitung overall average per period
- Hitung seasonal index = (average season / overall average)
- Deseasonalize data: Actual / Seasonal Index
- Forecast trend pada deseasonalized data
- Reseasonalize: Forecast ร Seasonal Index
๐ฎ๐ฉ Contoh: Seasonality di Industri Es Krim Indonesia
Pattern:
- Peak season: Maret-Agustus (musim kemarau, Lebaran, liburan sekolah)
- Low season: November-Februari (musim hujan)
Seasonal Index:
- Q1 (Jan-Mar): 0.95
- Q2 (Apr-Jun): 1.25
- Q3 (Jul-Sep): 1.20
- Q4 (Oct-Dec): 0.60
Forecast: Jika trend projection untuk 2024 = 1000 ton/tahun, maka:
- Q1: 250 ร 0.95 = 237.5 ton
- Q2: 250 ร 1.25 = 312.5 ton
- Q3: 250 ร 1.20 = 300 ton
- Q4: 250 ร 0.60 = 150 ton
Memilih Metode yang Tepat
| Karakteristik Data | Metode yang Cocok |
|---|---|
| Stabil, tidak ada trend/seasonality | Naive, Simple MA, Exponential Smoothing (ฮฑ kecil) |
| Ada trend | Trend projection, Double exponential smoothing (Holt’s) |
| Ada seasonality | Seasonal adjustment + trend projection, Winters’ method |
| Volatile, berubah cepat | Exponential smoothing (ฮฑ besar), short MA |
| Data baru, belum ada historis | Qualitative methods (Delphi, market research) |
4. Mengukur Akurasi Forecast: Error Metrics CRITICAL
Mengapa Ukur Error?
Forecast tanpa pengukuran error seperti mengemudi tanpa speedometer โ Anda tidak tahu apakah sudah sampai tujuan atau masih tersesat. Error measurement memungkinkan kita:
- Evaluasi kualitas model forecasting
- Bandingkan beberapa metode
- Tune parameter (ฮฑ, n, dll)
- Detect bias (over-forecast atau under-forecast)
Empat Metrik Error Utama
1. MAD (Mean Absolute Deviation)
Rata-rata nilai absolut dari error โ mengukur magnitudo error tanpa memperdulikan arah.
2. MSE (Mean Squared Error)
Rata-rata kuadrat error โ memperbesar penalty untuk error besar.
3. MAPE (Mean Absolute Percentage Error)
Error dalam persentase โ mudah diinterpretasi dan dibandingkan antar produk.
4. Tracking Signal
Mengukur bias โ apakah forecast konsisten over-forecast atau under-forecast.
RSFE (Running Sum of Forecast Errors) = ฮฃ(At – Ft)
- TS โ 0: Forecast tidak bias (baik)
- TS > +4: Over-forecast konsisten (forecast terlalu tinggi)
- TS < -4: Under-forecast konsisten (forecast terlalu rendah)
- Action: Jika |TS| > 4, model perlu di-revisi
| Periode | Actual (A) | Forecast (F) | Error (A-F) | |Error| | Errorยฒ | |Error|/A |
|---|---|---|---|---|---|---|
| 1 | 100 | 105 | -5 | 5 | 25 | 0.05 |
| 2 | 120 | 110 | +10 | 10 | 100 | 0.083 |
| 3 | 110 | 115 | -5 | 5 | 25 | 0.045 |
| 4 | 130 | 120 | +10 | 10 | 100 | 0.077 |
| 5 | 140 | 130 | +10 | 10 | 100 | 0.071 |
| ฮฃ | +20 | 40 | 350 | 0.326 |
MAD = 40/5 = 8
MSE = 350/5 = 70
MAPE = (0.326/5) ร 100% = 6.52%
RSFE = +20
Tracking Signal = 20/8 = +2.5 (masih acceptable, tapi ada bias under-forecast)
Interpretasi MAPE
| MAPE | Interpretasi | Implikasi |
|---|---|---|
| < 10% | Sangat akurat | Bisa andalkan untuk keputusan kritis |
| 10-20% | Baik | Cukup untuk planning rutin |
| 20-50% | Acceptable | Perlu buffer besar, hati-hati |
| > 50% | Tidak akurat | Perlu metode lain atau kumpulkan data lebih baik |
๐ฎ๐ฉ Contoh: Forecast Accuracy di Tokopedia
Konteks: Tokopedia forecast demand per kategori untuk Harbolnas 12.12
Methods:
- Electronics: Time series + machine learning (MAPE 12%)
- Fashion: Seasonal model + social media trend (MAPE 25%)
- FMCG: Exponential smoothing (MAPE 8%)
- Produk baru: Qualitative + test market (MAPE 40%)
Insight: FMCG paling mudah di-forecast (pola stabil), produk baru paling sulit (tidak ada data)
Action: Safety stock berbeda per kategori โ FMCG 10%, Fashion 30%, produk baru 50%
Memilih Metrik yang Tepat
| Metrik | Kelebihan | Kekurangan | Kapan Dipakai |
|---|---|---|---|
| MAD | Mudah dihitung, interpretasi intuitif | Tidak memperbesar error besar | Monitoring rutin |
| MSE | Memperbesar penalty error besar | Satuan kuadrat, sulit interpretasi | Model optimization |
| MAPE | Persentase, mudah compare | Bias jika actual kecil | Compare antar produk/SKU |
| Tracking Signal | Detect bias | Hanya untuk bias, bukan magnitudo | Monitor bias model |
5. Demand Planning & Collaborative Forecasting CORE
Dari Forecasting ke Demand Planning
Forecasting adalah prediksi apa yang AKAN terjadi (what will happen).
Demand Planning adalah keputusan apa yang HARUS dilakukan berdasarkan forecast (what should we do).
| Forecasting: | “Bulan depan demand akan 10.000 unit” |
| Demand Planning: | “Karena forecast 10.000 unit, kita produksi 10.500 (buffer 5%), order bahan baku untuk 11.000, dan siapkan kapasitas overtime jika demand > 11.000” |
Sales & Operations Planning (S&OP)
S&OP adalah proses bulanan untuk menyelaraskan forecast dari sales/marketing dengan kapasitas dari operations/supply chain.
Langkah S&OP:
- Data Gathering: Kumpulkan data sales historis, forecast, inventory
- Demand Planning: Sales & marketing buat unconstrained demand forecast
- Supply Planning: Operations buat capacity plan berdasarkan demand
- Pre-S&OP Meeting: Identifikasi gap antara demand & supply
- Executive S&OP Meeting: Keputusan final โ approve plan, alokasi resource
- Execution: Implementasi plan, monitoring, feedback
๐ Contoh Global: Unilever S&OP
Frequency: Monthly cycle
Participants: Sales, Marketing, Supply Chain, Finance, R&D
Tools: SAP APO, advanced forecasting algorithms
Result: Forecast accuracy naik dari 65% ke 85%, inventory reduction 20%, service level 98%
๐ฎ๐ฉ Contoh Indonesia: Indofood S&OP
Challenge: 14 pabrik, 500+ distributor, 200,000+ outlet, ribuan SKU
Process:
- Weekly: Regional demand review
- Monthly: National S&OP meeting (HQ + regional heads)
- Quarterly: Strategic review dengan direksi
Result: Out-of-stock rate < 2%, inventory turnover 12x/year
Collaborative Planning, Forecasting, and Replenishment (CPFR)
CPFR adalah framework kolaborasi antara retailer dan supplier untuk berbagi data dan membuat forecast bersama.
- Forecasts setup: Kesepakatan metode & sistem
- Sales history: Share data historis
- Forecast: Buat forecast awal masing-masing
- Exception criteria: Tentukan threshold untuk exception
- Exception items: Identifikasi item dengan forecast berbeda signifikan
- Exception resolution: Diskusi & resolve perbedaan
- Order generation: Generate order berdasarkan final forecast
- Order forecasting: Forecast order ke supplier
- Order generation (supplier): Supplier prepare berdasarkan order forecast
๐ Contoh Global: Walmart & P&G CPFR
Pioneers: Walmart & P&G adalah pelopor CPFR (1995)
Collaboration:
- P&G akses real-time sales data dari Walmart POS
- Joint forecast untuk setiap SKU di setiap store
- Automatic replenishment โ P&G kirim barang tanpa PO manual
Result: Inventory reduction 40%, out-of-stock reduction 30%, sales increase 10%
๐ฎ๐ฉ Contoh Indonesia: Indomaret & Unilever
Collaboration:
- Indomaret share POS data ke Unilever (daily/weekly)
- Unilever buat forecast & usulkan replenishment
- Indomaret approve/adjust berdasarkan promo & local event
Result: Out-of-stock turun dari 8% ke 3%, inventory turnover naik 25%
Demand Sensing & Advanced Analytics
Tren terbaru dalam demand planning menggunakan advanced analytics dan machine learning:
| Teknologi | Aplikasi | Contoh |
|---|---|---|
| Machine Learning | Pattern recognition, non-linear relationships | |
| POS Data Real-time | Demand sensing โ detect perubahan cepat | |
| Social Media Analytics | Sentiment analysis, trend detection | |
| IoT & Sensor Data | Real-time consumption tracking | |
| Weather Data | Weather-sensitive demand |
๐ฎ๐ฉ Contoh Indonesia: Gojek Demand Sensing
Data Sources:
- Real-time order data (per menit)
- Weather data (hujan โ demand ojek naik)
- Event data (konser, pertandingan โ demand spike)
- Traffic data (macet โ demand GoRide naik)
- Historical pattern (jam sibuk, hari libur)
Algorithm: Machine learning (gradient boosting, neural networks)
Application: Dynamic pricing (surge pricing), driver allocation, promo targeting
Result: Forecast accuracy 85-90% untuk 1 jam ke depan, revenue optimization 15%
๐ฅ Video Pendalaman: Forecasting Applications
- Fokus: Aplikasi forecasting di industri nyata, demand planning best practices
- Poin Kunci: Bagaimana perusahaan besar mengelola forecast accuracy, integrasi forecasting dengan supply chain decisions
- Catatan: Siapkan pertanyaan untuk diskusi setelah menonton
6. Workshop DT 05: Problem Definition Round 01 WORKSHOP
๐จ Workshop DT 05: Problem Definition Round 01
Tujuan: Beralih dari fase Empathize (divergent) ke fase Define (convergent) โ merumuskan masalah secara tajam berdasarkan 4 round Empathize sebelumnya.
Durasi: 90-120 menit
Format: Kelompok 3-5 orang
Transisi dari Empathize ke Define
Setelah 4 round Empathize, Anda punya banyak data kualitatif: user persona, empathy map, journey map, stakeholder map, worker perspective, insights, dan HMW questions. Sekarang saatnya menyintesis semua itu menjadi problem statement yang tajam.
- “A problem well stated is a problem half solved” โ Charles Kettering
- Problem statement harus spesifik, actionable, dan human-centered
- Hindari solusi di tahap ini โ fokus pada masalah, bukan jawaban
- Problem statement yang baik membuka ruang solusi, bukan menutup
Evolusi Design Thinking Rounds
โ Sesi 02: Empathy Round 01 โ Operasi
Fokus: Masalah operasi (bottleneck, inefisiensi)
โ Sesi 03: Empathy Round 02 โ Customer
Fokus: Customer experience (journey, emosi, kebutuhan)
โ Sesi 04: Empathy Round 03 โ Supply Chain
Fokus: Multi-stakeholder perspective
โ Sesi 05: Empathy Round 04 โ Worker
Fokus: Worker perspective (ergonomi, makna pekerjaan)
๐ฏ Sesi 06: Define Round 01 โ Problem Statement
Fokus: Sintesis insights โ Problem statement yang tajam
Tools untuk Define Phase
1. Point of View (POV) Statement
Formula untuk merumuskan masalah dari perspektif pengguna:
[User] needs to [verb] because [insight].
Contoh:
“Seorang driver Gojek perlu menemukan tempat istirahat yang nyaman dan aman karena dia bekerja 12 jam/hari dan tidak ada shelter yang memadai di rute-rute tertentu.”
2. Problem Statement (How Might We)
Mengubah POV menjadi pertanyaan yang membuka ruang solusi:
How might we [action] for [user] so that [outcome]?
Contoh:
“How might we menciptakan network tempat istirahat yang nyaman untuk driver ojek online di Jakarta sehingga mereka bisa bekerja lebih produktif tanpa mengorbankan kesehatan?”
3. Affinity Diagram
Teknik untuk mengelompokkan insights dari 4 round Empathize menjadi tema-tema besar.
Langkah Affinity Diagram:
- Tulis semua insights dari 4 round Empathize di sticky notes (1 insight = 1 note)
- Sebarkan semua notes di meja/dinding
- Kelompokkan notes yang mirip (tanpa diskusi dulu โ lakukan secara intuitif)
- Beri nama untuk setiap cluster (theme)
- Identifikasi cluster terbesar/memiliki energi tertinggi
- Itu adalah area fokus untuk problem statement
4. 5 Whys (Root Cause Analysis)
Tanya “kenapa” 5 kali untuk mencapai akar masalah:
Problem: Pelanggan menunggu 30+ menit
Why 1? Karena antrian panjang
Why 2? Karena proses order lambat
Why 3? Karena kasir juga merangkap ambil makanan
Why 4? Karena layout tidak memisahkan fungsi
Why 5? Karena tidak ada analisis process design saat setup
Root Cause: Lack of process design thinking
HMW: “How might we redesign kantin layout dan workflow sehingga customer bisa dilayani dalam 10 menit?”
๐ Panduan Pelaksanaan Workshop Round 05
Langkah 1: Review Output 4 Round Empathize (15 menit)
Kumpulkan semua output dari Sesi 02-05:
- Round 01: Operation issues, bottleneck, inefficiencies
- Round 02: Customer journey, pain points, emotions
- Round 03: Stakeholder map, conflicts, trade-offs
- Round 04: Worker perspective, ergonomic issues, meaning of work
Langkah 2: Affinity Diagram (30 menit)
Sintesis semua insights:
- Tulis semua insights di sticky notes (minimal 20 notes)
- Kelompokkan berdasarkan kemiripan
- Beri nama untuk setiap cluster
- Voting untuk cluster paling penting
Langkah 3: POV Statement (20 menit)
Untuk cluster terpilih, buat POV statement:
- Siapa user-nya? (spesifik, bukan “semua orang”)
- Apa yang mereka butuhkan? (verb, bukan noun)
- Apa insight yang mendasarinya? (dari Empathize rounds)
Buat minimal 3 alternatif POV, pilih yang paling powerful.
Langkah 4: 5 Whys Analysis (15 menit)
Untuk POV terpilih, gali akar masalah dengan 5 Whys. Dokumentasikan chain of whys.
Langkah 5: HMW Questions (20 menit)
Generate 5-10 HMW questions dari POV & 5 Whys. Variasikan:
- HMW yang AMBIGUOUS (ruang solusi luas)
- HMW yang SPECIFIC (ruang solusi sempit)
- HMW yang REALISTIC (bisa dilakukan sekarang)
- HMW yang WILD (out of the box)
Voting untuk 3 HMW terbaik.
Langkah 6: Constraints & Assumptions (15 menit)
Untuk setiap HMW terpilih, identifikasi:
- Constraints: Batasan yang harus dihormati (budget, waktu, regulasi, dll)
- Assumptions: Asumsi yang harus divalidasi (apakah user benar-benar butuh ini?)
Langkah 7: Presentasi (20 menit)
Setiap kelompok presentasi 5 menit + 1 menit Q&A. Fokus pada:
- POV statement yang tajam
- Root cause dari 5 Whys
- 3 HMW questions terpilih
- Constraints & assumptions kunci
Template Output Define Round 01
[User] needs to [verb] because [insight].
2. 5 Whys Chain:
Problem โ Why 1 โ Why 2 โ Why 3 โ Why 4 โ Why 5 (root cause)
3. Top 3 HMW Questions:
1. How might we…?
2. How might we…?
3. How might we…?
4. Key Constraints:
โข …
โข …
5. Key Assumptions to Validate:
โข …
โข …
- โ Human-centered: Fokus pada user, bukan teknologi atau bisnis
- โ Specific enough: Cukup spesifik untuk memberikan fokus
- โ Broad enough: Cukup luas untuk memberikan kebebasan kreatif
- โ Actionable: Tim bisa mulai bekerja dengan statement ini
- โ Inspiring: Memotivasi tim untuk mencari solusi
- โ Hindari: “Kita perlu buat app” (ini solusi, bukan masalah)
- โ Hindari: “Kita perlu tingkatkan revenue” (ini tujuan bisnis, bukan user need)
Output dari Define Round 01 ini akan jadi input untuk Ideate phase di sesi berikutnya, di mana Anda akan generate banyak ide solusi untuk HMW questions yang sudah dirumuskan.
๐ Key Takeaways Sesi 06
- Forecasting selalu salah โ tapi beberapa model lebih berguna dari yang lain. Selalu siapkan buffer.
- 7 prinsip forecasting: Selalu salah, aggregate lebih akurat, jangka pendek lebih akurat, butuh error measure, jangan andalkan satu metode, antisipasi bias, proses kolaboratif.
- Qualitative methods (Delphi, market research, sales force composite, executive opinion) untuk produk baru atau perubahan drastis.
- Time series models: Naive, Moving Average, Exponential Smoothing, Trend Projection, Seasonality โ pilih sesuai pola data.
- Error metrics: MAD (magnitudo), MSE (penalize error besar), MAPE (persentase), Tracking Signal (bias).
- Demand planning adalah keputusan berdasarkan forecast โ bukan forecast itu sendiri.
- S&OP menyelaraskan forecast (sales/marketing) dengan capacity (operations/supply chain).
- CPFR adalah kolaborasi retailer-supplier untuk forecast bersama & automatic replenishment.
- Demand sensing dengan machine learning & real-time data adalah tren terbaru.
- Define phase (DT Round 05) mentransformasi insights dari 4 round Empathize menjadi problem statement yang tajam.
- POV statement: [User] needs to [verb] because [insight].
- HMW questions: How might we [action] for [user] so that [outcome]?
- 5 Whys untuk mencapai akar masalah, bukan hanya gejala.
๐ฌ Diskusi & Tugas Kelompok
Tugas 1: Forecasting Method Selection
Pilih 3 produk/jasa berbeda (misal: Indomie, Gojek, fashion brand). Untuk masing-masing:
- Metode forecasting apa yang paling cocok? Mengapa?
- Apa tantangan utama dalam forecasting produk/jasa tersebut?
- Bagaimana mereka menangani forecast error?
Tugas 2: Time Series Calculation
Diberikan data penjualan 12 bulan terakhir. Hitung:
- 3-month moving average
- Exponential smoothing dengan ฮฑ = 0.3
- Linear trend projection
- Bandingkan akurasi dengan MAD dan MAPE
Tugas 3: S&OP Simulation
Role-play S&OP meeting untuk satu perusahaan:
- Sales: forecast naik 30% karena promo
- Operations: capacity hanya bisa naik 15%
- Finance: budget terbatas untuk overtime
- Supply Chain: supplier lead time 3 bulan
Hasilkan keputusan final yang disepakati semua fungsi.
Tugas 4: Workshop Output Submission
Kumpulkan output Workshop DT 05 – Define Round 01:
- Affinity Diagram (foto)
- POV Statement
- 5 Whys Analysis
- Top 3 HMW Questions
- Constraints & Assumptions
Tugas 5: Forecasting in Indonesian Context
Analisis tantangan forecasting khusus di Indonesia:
- Bagaimana forecast dengan data yang tidak lengkap?
- Bagaimana menangani seasonality Lebaran, Harbolnas, tahun ajaran baru?
- Bagaimana dampak infrastruktur yang tidak merata terhadap demand planning?
- Studi kasus: Bulog forecasting kebutuhan beras nasional
๐ Referensi
- Russell, R. S. & Taylor, B. W. Operations and Supply Chain Management โ Chapter 09 (Forecasting & Demand Planning)
- Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (2020). Forecasting: Methods and Applications. Wiley.
- Chambers, C., Mullick, S., & Smith, D. (2019). Harnessing the Power of Forecasting in S&OP. Journal of Business Forecasting.
- Barratt, M., & Oliveira, A. (2001). Identifying the Determinants of Collaborative Forecasting Success. Supply Chain Management.
- Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice. OTexts. (Free online book)
- Brown, T. (2009). Change by Design. Harper Business. (Design Thinking framework)
๐ Open Educational Resource (OER)
Materi ini disusun sebagai sumber belajar terbuka untuk mahasiswa, dosen, dan praktisi Operations & Supply Chain Management di Indonesia dan negara berkembang lainnya.
๐ Selamat Belajar!
Forecasting is the art of being wrong with confidence โ and then making good decisions anyway.
Peramalan dan Perencanaan Permintaan (Forecasting and Demand Planning)
4
1. Tujuan Sesi
Sesi ini bertujuan membangun pemahaman bahwa peramalan (forecasting) merupakan fondasi utama bagi hampir seluruh keputusan operasional, mulai dari kapasitas, persediaan, hingga penjadwalan produksi. Mahasiswa diarahkan untuk menyadari bahwa tanpa peramalan yang memadai, operasi akan berjalan secara reaktif dan tidak terkoordinasi.
Fokus sesi bukan pada perhitungan matematis semata, tetapi pada bagaimana hasil peramalan digunakan secara manajerial.
2. Konsep Dasar Peramalan dalam Operasi
Peramalan adalah proses memperkirakan permintaan di masa depan dengan memanfaatkan data historis, pola permintaan, serta asumsi yang relevan. Dalam praktik, peramalan tidak pernah sepenuhnya akurat karena masa depan selalu mengandung ketidakpastian.
Oleh karena itu, peramalan harus dipahami sebagai alat bantu pengambilan keputusan, bukan kebenaran absolut.
3. Pola Permintaan dan Implikasinya
Permintaan dapat menunjukkan pola yang berbeda, seperti stabil, tren meningkat atau menurun, musiman, maupun fluktuatif secara acak. Setiap pola memiliki implikasi yang berbeda terhadap keputusan operasi.
Kesalahan dalam mengenali pola permintaan sering kali menyebabkan masalah seperti kelebihan persediaan, kekurangan kapasitas, atau penurunan tingkat layanan.
4. Peran Data Historis dalam Peramalan
Data historis menjadi dasar utama dalam peramalan, namun tidak selalu mencerminkan kondisi masa depan. Perubahan teknologi, preferensi pelanggan, kebijakan harga, dan kondisi ekonomi dapat membuat data masa lalu menjadi kurang relevan.
Mahasiswa belajar bahwa data historis harus ditafsirkan secara kritis, bukan digunakan secara mekanis.
5. Perencanaan Permintaan (Demand Planning)
Demand planning menghubungkan hasil peramalan dengan keputusan nyata dalam operasi, seperti perencanaan produksi, pengadaan bahan, dan distribusi. Proses ini menuntut koordinasi lintas fungsi, terutama antara pemasaran, operasi, dan rantai pasok.
Tanpa demand planning yang baik, peramalan tidak akan memberikan dampak nyata terhadap kinerja organisasi.
6. Peran Pertimbangan Manajerial (Managerial Judgment)
Hasil peramalan sering kali perlu disesuaikan dengan informasi kontekstual yang tidak tercermin dalam data, seperti rencana promosi, peluncuran produk baru, atau perubahan kebijakan.
Sesi ini menekankan bahwa pertimbangan manajerial dan data harus saling melengkapi, bukan saling menggantikan.
7. Contoh Aplikasi Peramalan dan Demand Planning
Contoh penerapan peramalan dapat dilihat pada sektor ritel, transportasi, layanan kesehatan, dan manufaktur. Organisasi-organisasi ini menggunakan peramalan untuk mengantisipasi lonjakan atau penurunan permintaan dan menyesuaikan kapasitas serta persediaan.
Contoh ini membantu mahasiswa memahami hubungan langsung antara peramalan dan kinerja operasi.
8. ๐ฅ Video Pendukung
Demand Forecasting and Demand Planning in Operations
๐ Catatan:
Video digunakan untuk membantu visualisasi hubungan antara peramalan, perencanaan permintaan, dan keputusan operasional, bukan untuk menggantikan pembahasan konseptual di kelas.
Key Takeaway
Peramalan tidak bertujuan menghilangkan ketidakpastian, tetapi membantu manajer membuat keputusan yang lebih siap dan terkoordinasi dalam menghadapi ketidakpastian tersebut.