Beranda / Studi Kasus / Intelijen SKU Frisian Flag
Data ERP ada di sana.
Tidak ada yang bisa menggunakannya cukup cepat.
Tantangan
Frisian Flag Indonesia mengelola ratusan SKU di saluran ritel modern trade. Produk susu dan turunannya bersifat sensitif terhadap waktu: jendela kadaluarsa pendek, siklus pengisian ulang harus presisi, dan SKU yang bergerak lambat yang terlalu lama di rak menjadi kerugian penghapusan.
Sistem ERP menyimpan sebagian besar data yang dibutuhkan bisnis: tingkat stok, riwayat pergerakan, tanggal batch, catatan pengisian ulang. Namun data tersebut tersimpan dalam sistem yang dibangun untuk mencatat transaksi, bukan untuk menyajikan keputusan. Pada saat informasi sampai ke seseorang yang bisa bertindak — melalui ekspor manual, laporan mingguan, dan pembaruan dari perwakilan lapangan — jendela untuk melakukan sesuatu yang berguna sering kali sudah tertutup.
Konsekuensinya muncul di dua tempat. Produk yang mendekati kadaluarsa ditandai terlambat, meninggalkan waktu yang tidak cukup untuk menjalankan promosi, mengalihkan stok, atau menarik item sebelum menjadi pemborosan. Dan keputusan pengisian ulang — tanpa sinyal yang andal tentang apa yang sebenarnya bergerak di toko mana — sering kali terlalu awal atau terlalu terlambat.
Data bagus, tersimpan di tempat yang salah, mencapai orang yang salah, terlambat. Tidak ada peringatan dini tentang kadaluarsa. Tidak ada kepastian waktu pengisian ulang. Tidak ada gambaran SKU mana yang benar-benar menghasilkan di rak.
Apa yang PGI sampaikan
PGI merancang dan membangun platform analitik dan ML end-to-end yang menarik dari ERP Frisian Flag yang ada, menerapkan model machine learning pada data stok dan penjualan historis, dan menghadirkan output yang dapat ditindaklanjuti melalui dashboard Power BI yang dapat diakses oleh tim perencanaan pusat maupun tim lapangan.
Platform ini tidak dibangun untuk menggantikan apa yang sudah dilakukan tim. Platform ini dibangun untuk memberi mereka informasi cukup awal sehingga mereka benar-benar bisa melakukan sesuatu.
- Analisis Kinerja SKU — peringkat kecepatan penjualan per toko dan wilayah, identifikasi produk lambat, pelacakan tingkat penjualan dari waktu ke waktu, kontribusi SKU terhadap pendapatan kategori, penandaan produk berkinerja rendah berdasarkan ambang batas
- Pelacakan Kadaluarsa dan Peringatan — visibilitas kadaluarsa per batch per toko, hitung mundur bergulir ke kadaluarsa per SKU, pemicu peringatan pada ambang batas hari yang dapat dikonfigurasi, kuantifikasi volume stok berisiko, tampilan dashboard per toko dan per produk
- Prediksi Pengisian Ulang — model XGBoost yang dilatih pada penjualan historis, sinyal permintaan per toko, SKU, dan hari dalam seminggu, tanggal kehabisan stok yang diprediksi per lokasi, kuantitas dan waktu pengisian ulang yang direkomendasikan, model dilatih ulang pada data aktual bergulir
Cara model ML dibangun
Model prediksi pengisian ulang dibangun dalam Python menggunakan XGBoost, dilatih pada data transaksi dan pergerakan historis yang diekstrak dari ERP. Waktu yang signifikan dihabiskan untuk rekayasa fitur sebelum pemodelan dimulai — mengidentifikasi variabel mana yang benar-benar memprediksi kejadian kehabisan stok versus mana yang merupakan noise dalam data.
Fitur utama yang dimasukkan ke model: kecepatan penjualan per SKU per toko, pola hari dalam seminggu dan musiman, riwayat lead time dari siklus pengisian ulang sebelumnya, dan tingkat stok saat ini relatif terhadap rata-rata pengeluaran mingguan. Model menghasilkan tanggal kehabisan stok yang diprediksi dan titik pemicu pengisian ulang yang direkomendasikan untuk setiap kombinasi SKU-toko.
Pelacakan kadaluarsa ditangani secara terpisah melalui sistem berbasis aturan di samping lapisan ML. Tanggal batch diambil dari ERP, dicocokkan dengan tingkat stok toko saat ini, dan disajikan melalui tampilan peringatan yang diprioritaskan yang memberi perencana gambaran jelas tentang apa yang berisiko dalam tujuh, empat belas, dan tiga puluh hari ke depan.
Semua output — peringkat SKU, peringatan kadaluarsa, dan rekomendasi pengisian ulang — disampaikan melalui dashboard Power BI yang dirancang dalam kolaborasi erat dengan tim perencanaan dan lapangan Frisian Flag. Tujuannya adalah membuat antarmuka yang bisa dibaca dan ditindaklanjuti oleh perwakilan lapangan tanpa perlu memahami model di baliknya.
Hasil terukur
vs proses manual sebelumnya
(dari laporan mingguan)
pengisian ulang, dalam satu dashboard
Perbedaan antara peringatan tujuh hari dan peringatan satu hari adalah perbedaan antara markdown dan penghapusan. Pemborosan terkait kadaluarsa berkurang. Keputusan pengisian ulang menjadi lebih cepat dan lebih pasti. Gambaran SKU menjadi jujur.
Teknologi & kemampuan
Menghadapi tantangan serupa?
Bicarakan analitik SKU, peramalan permintaan, atau platform ERP-ke-intelijen Anda dengan tim kami.