AI untuk Alokasi Inventaris Multi-Gudang: Pengiriman dari Lokasi yang Tepat
Sebuah retailer peralatan fitness rumahan dengan tiga gudang (New Jersey, Texas, dan Nevada) mengirimkan 38% pesanan mereka dari gudang yang salah. Yang dimaksud salah adalah gudang yang bukan yang terdekat dengan pelanggan. Pesanan dari California dikirim dari New Jersey karena kebetulan inventaris ada di sana. Rata-rata biaya pengiriman untuk pengiriman lintas negara tersebut adalah $14,80 dibandingkan $6,20 untuk pesanan yang dipenuhi dari gudang terdekat.
Setelah menerapkan sistem alokasi inventaris berbasis AI yang menempatkan stok berdasarkan prediksi permintaan regional, tingkat pengiriman-dari-gudang-terdekat mereka meningkat dari 62% menjadi 84%. Biaya pengiriman tahunan turun sekitar $1,2 juta dari total pendapatan sekitar $28 juta. Peningkatan ini bukan berasal dari penambahan kapasitas gudang, melainkan dari keputusan yang lebih cerdas tentang di mana menempatkan inventaris yang ada.
Masalah Inti: Permintaan Tidak Terdistribusi Merata
Jika Anda menjual secara nasional dari beberapa gudang dan mengalokasikan inventaris secara merata di semua lokasi, hampir pasti Anda melakukan misalokasi. Permintaan untuk produk tertentu sangat bervariasi berdasarkan geografi. Retailer yang menjual pakaian outdoor mungkin melihat permintaan 4x lipat untuk jaket hujan di Pacific Northwest dibandingkan Arizona, sementara produk perlindungan matahari menunjukkan pola sebaliknya.
Pendekatan naif adalah mengalokasikan berdasarkan porsi permintaan total historis masing-masing gudang. Jika gudang East Coast Anda menangani 45% pesanan kuartal lalu, Anda menempatkan 45% inventaris baru di sana. Ini mengabaikan variasi geografis di tingkat produk. Distribusi pesanan keseluruhan mungkin 45/30/25 di tiga gudang Anda, tetapi SKU tertentu mungkin memiliki permintaan yang terbagi 20/50/30 karena preferensi regional, pola cuaca lokal, atau perbedaan demografis.
Apa yang Dioptimalkan oleh Model Alokasi AI
Model alokasi menyelesaikan masalah optimasi terkendala. Model ini ingin meminimalkan total biaya pemenuhan (biaya pengiriman ditambah biaya penanganan) sambil mempertahankan tingkat layanan yang memadai (tingkat ketersediaan stok dan kecepatan pengiriman) di semua wilayah, menghormati batasan kapasitas gudang, dan memperhitungkan inventaris dalam perjalanan dan yang sedang dipesan.
Input utamanya adalah prakiraan permintaan yang dipecah berdasarkan SKU dan wilayah. Alih-alih memperkirakan total permintaan lalu membaginya ke seluruh gudang, model ini memperkirakan permintaan di area layanan masing-masing gudang secara independen. Pelanggan di Denver mungkin dilayani oleh gudang Texas atau Nevada tergantung pada produk, tingkat stok saat ini, dan tarif pengiriman, sehingga model mempertimbangkan area layanan yang tumpang tindih.
Matriks biaya pengiriman memetakan biaya aktual pengiriman setiap produk (berdasarkan berat dan dimensi) dari setiap gudang ke setiap zona pengiriman. Ini bukan perhitungan jarak sederhana. Penetapan harga oleh jasa pengiriman mencakup struktur tarif berbasis zona, biaya berat dimensional, dan diskon volume yang bervariasi per gudang. Model ini menggunakan tarif negosiasi aktual Anda untuk optimasi biaya yang akurat.
Outputnya adalah rekomendasi alokasi untuk setiap pengiriman replenishment yang masuk. Alih-alih membagi purchase order 1.000 unit secara merata ke tiga gudang, model mungkin merekomendasikan 250 ke New Jersey, 450 ke Texas, dan 300 ke Nevada berdasarkan prakiraan permintaan saat ini, stok yang ada di setiap lokasi, dan skenario pengiriman yang meminimalkan biaya.
Logika Transfer: Kapan Memindahkan Inventaris Antar Gudang
Terkadang alokasi awal salah, atau pola permintaan bergeser di tengah musim. Model ini juga menghasilkan rekomendasi transfer, menyarankan kapan memindahkan inventaris dari satu gudang ke gudang lain secara efektif dari segi biaya. Perhitungan ini membandingkan biaya transfer antar gudang (biaya angkut ditambah penanganan di kedua ujung) dengan penghematan yang diharapkan dari pemenuhan pesanan masa depan dari lokasi yang lebih dekat.
Transfer masuk akal ketika gudang penerima diproyeksikan kehabisan stok dalam waktu lead time untuk pesanan replenishment baru, gudang pengirim memiliki kelebihan inventaris di luar kebutuhan proyeksi untuk 30 hari ke depan, dan biaya transfer lebih rendah dari total penghematan biaya pengiriman pada pesanan yang seharusnya dikirim dari lokasi yang lebih jauh.
Perhitungan transfer sering kali menguntungkan untuk produk ringan dengan perputaran tinggi. Memindahkan satu palet produk perawatan kulit dari New Jersey ke Nevada mungkin membutuhkan biaya $180 untuk pengiriman LTL, tetapi jika ini mencegah 200 pesanan dikirim lintas negara dengan biaya tambahan $8,60 masing-masing, penghematannya adalah $1.720 dikurangi biaya transfer $180. Untuk barang berat atau berukuran besar, biaya transfer lebih tinggi dan perhitungannya lebih jarang menguntungkan.
Menangani Pengiriman Terpisah
Pesanan multi-item menciptakan masalah optimasi sekunder. Jika pelanggan memesan tiga item dan satu hanya tersedia di gudang East Coast sementara dua lainnya ada di gudang West Coast, Anda memiliki tiga opsi: kirim semuanya dari East Coast (dua item menempuh jarak lebih jauh dari yang diperlukan), pisahkan pengiriman menjadi dua paket (total biaya pengiriman lebih tinggi tetapi pengiriman lebih cepat untuk dua item West Coast), atau tunggu sampai semua item tersedia di satu lokasi (pengiriman keseluruhan lebih lambat).
Model AI mengevaluasi opsi-opsi ini untuk setiap pesanan multi-item berdasarkan perbedaan biaya aktual, ekspektasi pengiriman pelanggan (standar vs. dipercepat), dan apakah pelanggan menunjukkan sensitivitas terhadap pengiriman terpisah di masa lalu (beberapa pelanggan mengeluh tentang menerima beberapa paket). Pilihan optimal bervariasi per pesanan dan tidak ada satu kebijakan terbaik tunggal.
Mengurangi pengiriman terpisah sering kali merupakan peluang penghematan yang lebih besar daripada mengoptimalkan alokasi item tunggal. Sebuah retailer peralatan rumah tangga menemukan bahwa 22% pesanan multi-item mereka dikirim sebagai pengiriman terpisah dengan biaya tambahan rata-rata $7,40 per pesanan. Dengan menyesuaikan alokasi inventaris untuk memastikan item yang sering dibeli bersamaan disimpan di gudang yang sama, mereka mengurangi pengiriman terpisah menjadi 13% dan menghemat $340.000 per tahun.
Kebutuhan Data dan Implementasi
Membangun model alokasi yang efektif memerlukan beberapa set data: riwayat pesanan dengan lokasi pelanggan (tingkat kode pos), data pemenuhan gudang (gudang mana yang mengirim setiap pesanan), tabel tarif pengiriman untuk semua jasa pengiriman aktif dan tingkat layanan, posisi inventaris saat ini di setiap gudang yang diperbarui setidaknya setiap hari, dan data purchase order untuk replenishment yang masuk.
Model itu sendiri bisa berupa solver linear programming untuk optimasi alokasi, dikombinasikan dengan model prakiraan permintaan (gradient boosting atau neural network) untuk prediksi permintaan regional. Solver open-source seperti Google OR-Tools atau PuLP menangani optimasi dengan baik, dan prakiraan permintaan dapat menggunakan framework ML standar apa pun.
Integrasi dengan WMS (Warehouse Management System) dan OMS (Order Management System) Anda sangat penting. Rekomendasi alokasi perlu mengalir ke proses penerimaan Anda sehingga inventaris yang masuk diarahkan ke gudang yang tepat. Logika routing pesanan di OMS Anda perlu mempertimbangkan prioritas gudang dari model alokasi saat menetapkan lokasi pemenuhan untuk pesanan baru.
Bagi retailer ecommerce yang mengoperasikan beberapa pusat pemenuhan, alokasi inventaris adalah salah satu masalah yang terasa mudah dikelola sampai Anda menghitung angkanya. Perbedaan antara alokasi naif yang dibagi rata dan alokasi yang dioptimalkan biasanya berkisar antara 15-25% dalam total penghematan biaya pengiriman. Pada bisnis senilai $20 juta yang menghabiskan 8% pendapatan untuk pengiriman, itu berarti $240.000 hingga $400.000 per tahun, yang cukup untuk mendanai sistem alokasi berkali-kali lipat dan masih menyisakan dana untuk perbaikan lainnya.