Dunia bisnis saat ini dihadapkan pada dinamika yang kompleks dan penuh dengan volatilitas. Disrupsi, baik yang bersifat internal maupun eksternal, telah menjadi fenomena yang kian sering terjadi dan dapat mengganggu kelancaran rantai pasok. Fluktuasi permintaan, perubahan geopolitik, dan perkembangan teknologi merupakan beberapa contoh faktor yang dapat memicu disrupsi dalam rantai pasok.

Source : https://unsplash.com/photos/person-using-macbook-pro-npxXWgQ33ZQ

 Artikel ini membahas bagaimana Kecerdasan Buatan (Artificial Intelligence – AI) berperan dalam transformasi pengambilan keputusan di rantai pasok.

 

Bayangkan, dibandingkan dengan metode konvensional yang membutuhkan waktu lama untuk mencari informasi, AI mampu menjelajahi internet dengan kecepatan dan ketelitian yang jauh lebih unggul untuk menemukan sumber pasokan alternatif (Agrawal et al., 2024).

Mari kita lihat beberapa solusi AI dalam menjaga keamanan rantai pasok:

 

  • Optimalisasi Pengambilan Keputusan: AI berperan dalam menggantikan proses peramalan (forecasting) stok barang menjadi sebuah keputusan langsung. AI akan menganalisis data historis penjualan, faktor yang mempengaruhi permintaan, hingga keterbatasan produksi dan pengiriman. Dengan data tersebut, AI dapat memberikan rekomendasi terbaik terkait jumlah produksi, pemesanan ulang stok, dan lokasi penyimpanan barang yang akan memaksimalkan kinerja perusahaan, seperti peningkatan profit atau ketersediaan produk dengan investasi yang lebih rendah pada persediaan barang.
  • Kembaran Digital (Digital Twin): AI membangun representasi digital seluruh jaringan rantai pasok, mulai dari aliran material hingga proses pengambilan keputusan semua pihak yang terlibat. Hal ini memungkinkan perencana rantai pasok untuk mengukur KPI secara akurat, baik untuk skenario permintaan dan pasokan di masa lalu maupun masa depan. Dengan “kembaran digital” ini, perusahaan dapat menguji dampak dari berbagai skenario atau strategi rantai pasok terhadap KPI, misalnya jika waktu pengiriman menjadi dua kali lipat karena perlambatan di jalur pelayaran tertentu.
  • Arsitektur Data Terintegrasi: AI membutuhkan sistem penyimpanan data yang terintegrasi dengan semua sistem manajemen basis data yang ada di seluruh rantai pasok (perusahaan, pemasok, distributor, dan pelanggan). Sistem ini harus mampu mengumpulkan data lintas tim, lokasi, dan produk, serta memungkinkan pembaruan dan akses informasi secara hampir real time.

Artikel ini menekankan pentingnya membangun kepercayaan terhadap sistem AI. Tidak seperti metode “black box” yang seringkali membuat ragu para pengambil keputusan, AI yang diimplementasikan dengan baik akan didasari oleh data yang relevan dengan bisnis dan memberikan visualisasi yang mudah dipahami. Dengan demikian, semua pemangku kepentingan dapat menerima rekomendasi yang dihasilkan oleh sistem AI.

Studi Kasus:

  • Perusahaan Peralatan Semikonduktor: Setelah menerapkan AI, perusahaan ini dapat mencapai tingkat pemenuhan pesanan (fill rate) yang lebih tinggi dengan biaya yang lebih rendah. Sistem AI juga membantu para manajer untuk memahami dengan tepat perubahan yang perlu dilakukan dan alasan di baliknya, sehingga mereka lebih percaya diri dalam menerima rekomendasi AI.
  • Perusahaan Elektronik Konsumen: AI mengungkapkan kekurangan dalam pengelolaan persediaan, di mana pusat distribusi dengan volume penjualan tertinggi justru memiliki persediaan barang paling sedikit. Model AI kemudian memberikan rekomendasi kebijakan persediaan yang optimal untuk lokasi tersebut. Selain itu, AI juga membantu perusahaan dalam mempengaruhi keputusan persediaan para pelanggannya.

 

Kesimpulan:

Untuk memanfaatkan AI secara optimal, perusahaan memerlukan persiapan yang matang, seperti:

  • Tim perencanaan yang beragam:Tim ini harus melibatkan berbagai pihak internal dan eksternal, seperti pemasaran, penjualan, keuangan, logistik rantai pasok, produksi, IT, ilmuwan data, dan pakar riset operasi.
  • Keahlian data:Perusahaan membutuhkan tim yang mampu mengumpulkan dan mengakses data yang diperlukan dari berbagai sumber serta memverifikasi output yang dihasilkan oleh AI.
  • Proses perencanaan yang fleksibel:Perusahaan perlu mendesain ulang proses perencanaan agar lebih cepat dan responsif terhadap perubahan.
  • Key Performance Indicator (KPI) yang jelas:Tetapkan KPI yang akan menjadi landasan pengambilan keputusan, seperti tingkat pemenuhan pesanan, biaya dan margin keuntungan, serta perputaran persediaan.

 

 

Referensi :

Agrawal, N., Cohen, M. A., Deshpande, R., & Deshpande, V. (2024). How Machine Learning Will Transform Supply Chain Management. Harvard Business Review. https://hbr.org/2024/03/how-machine-learning-will-transform-supply-chain-management