Bahasa Indonesia
Demand Forecasting untuk E-commerce: Metode, Formula, dan Tools

Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Seorang warehouse manager pernah bercerita bahwa bagian terburuk dari pekerjaannya bukanlah kehabisan stok. Melainkan melihat satu palet produk terlaris musim lalu teronggok tak tersentuh selama empat bulan. Kedua masalah itu berakar pada penyebab yang sama: forecast yang tidak sesuai dengan kenyataan.
Demand forecasting adalah praktik memprediksi berapa banyak setiap produk yang akan Anda jual pada periode mendatang, sehingga Anda bisa membeli, mengatur tenaga kerja, dan memasarkan produk dengan tepat. Jika akurat, inventaris mengalir lancar. Jika meleset, Anda kehilangan penjualan karena rak kosong atau menimbun kas dalam stok yang tak terjual.
Panduan ini membahas metode forecasting yang benar-benar efektif untuk e-commerce, formula di baliknya, dan cara mengukur apakah forecast Anda membaik seiring waktu.
Mengapa Akurasi Forecasting Layak Diperjuangkan
Forecast yang buruk merugikan ke dua arah. Jika Anda kekurangan stok produk terlaris, Anda kehilangan penjualan, sering kali secara permanen, karena banyak pembeli memilih kompetitor daripada menunggu. Jika Anda kelebihan stok produk yang lambat terjual, Anda mengikat kas dan ruang gudang, dan pada akhirnya perlu markdown hanya untuk menghabiskannya.
Skala masalah ini di seluruh ritel lebih besar daripada yang dibayangkan kebanyakan operator. Riset dari IHL Group, yang dilaporkan oleh The Food Institute, menemukan bahwa inventory distortion (gabungan biaya stockout dan overstock) merugikan peritel sekitar $1,77 triliun per tahun di seluruh dunia, terbagi kira-kira antara $1,2 triliun penjualan yang hilang akibat stockout dan $562 miliar yang tertahan dalam overstock.
Key Facts: Demand Forecasting
- Inventory distortion global (stockout dan overstock digabungkan) merugikan peritel sekitar $1,77 triliun per tahun, menurut riset IHL Group yang dilaporkan oleh The Food Institute.
- Studi penting oleh peneliti Thomas Gruen dan Daniel Corsten menemukan bahwa rata-rata tingkat out-of-stock global di ritel barang konsumsi cepat laku adalah 8,3% di negara-negara maju.
- Pada tingkat out-of-stock 8,3%, pembeli hanya memiliki peluang sekitar 42% untuk menemukan semua item dalam daftar sepuluh produk dalam keadaan tersedia, yang menggambarkan bagaimana tingkat kesalahan kecil per produk menumpuk di seluruh katalog.
Kebanyakan bisnis e-commerce merasakan dampak ini secara tidak merata. Segelintir SKU andalan menghasilkan sebagian besar pendapatan sekaligus sebagian besar risiko stockout, sementara long tail produk yang lambat terjual diam-diam menyerap kas yang seharusnya bisa membiayai produk terlaris berikutnya. Forecasting yang baik memusatkan perhatian Anda tepat di titik yang biaya kesalahannya paling tinggi.
Metode Forecasting yang Efektif untuk E-commerce
Tidak setiap metode cocok untuk setiap produk. Pendekatan yang tepat bergantung pada seberapa banyak riwayat penjualan yang Anda miliki, seberapa fluktuatif permintaan, dan seberapa lama lead time yang dibutuhkan supplier Anda.

Rata-rata historis dan ekstrapolasi tren. Titik awal paling sederhana: ambil penjualan tahun lalu untuk periode yang sama, sesuaikan dengan tingkat pertumbuhan keseluruhan Anda, lalu gunakan sebagai forecast dasar. Metode ini cukup andal untuk produk stabil non-musiman dengan data penjualan bersih minimal satu tahun, tetapi cepat gagal untuk produk baru atau apa pun dengan permintaan yang tidak teratur.
Moving average. Alih-alih memakai satu periode historis, moving average meredam noise jangka pendek dengan merata-ratakan penjualan dalam jendela bergulir (misalnya 8 atau 12 minggu terakhir). Ini mengurangi risiko bereaksi berlebihan terhadap satu minggu yang luar biasa kuat atau lemah, meskipun tertinggal dari perubahan tren yang sesungguhnya.
Exponential smoothing. Penyempurnaan dari moving average yang memberi bobot lebih besar pada periode terbaru dibandingkan periode lama, sehingga forecast bereaksi lebih cepat terhadap pergeseran permintaan yang nyata sambil tetap menyaring noise. Ini adalah metode standar di sebagian besar software perencanaan inventaris dan permintaan, dan mekanismenya layak dipahami meskipun software yang menjalankan perhitungannya.
Seasonal decomposition. Untuk produk dengan pola tahunan yang jelas, pisahkan riwayat penjualan Anda menjadi komponen tren, musiman, dan residual sebelum membuat forecast. Inilah metode di balik perencanaan produk musiman yang akurat, karena rata-rata historis mentah akan sangat meremehkan puncak dan melebih-lebihkan lembah untuk produk musiman mana pun.
Qualitative overlay. Tidak ada formula yang bisa menangkap momen viral di media sosial, kompetitor yang kehabisan stok, atau kampanye pemasaran yang direncanakan. Tambahkan penilaian kualitatif di atas output kuantitatif: kejadian dalam kalender promosi yang direncanakan, gangguan pasokan yang diketahui, dan data tren kategori semuanya harus masuk dalam angka akhir, bukan hanya perhitungan historis.
Untuk sebagian besar katalog, pendekatan yang praktis adalah menggabungkan metode: exponential smoothing atau moving average untuk produk yang penjualannya stabil, seasonal decomposition untuk apa pun yang memiliki pola tahunan, dan lapisan penyesuaian kualitatif untuk peristiwa bisnis terencana yang tidak terlihat oleh data historis.
Formula Forecasting Inti
Formula yang sederhana dan transparan lebih baik daripada model black-box yang tidak cukup Anda percayai untuk dijadikan dasar tindakan. Berikut versi yang berfungsi untuk sebagian besar katalog e-commerce:
Forecast Dasar = Penjualan Periode Lalu × (1 + Tingkat Pertumbuhan)
Forecast Disesuaikan = Forecast Dasar × Faktor Musiman × Faktor Tren
Safety Stock = Forecast Disesuaikan × Persentase Pengaman (biasanya 15-25%)
Total Kuantitas Pesanan = Forecast Disesuaikan + Safety Stock
Contoh perhitungan:
Penjualan tahun lalu untuk periode ini: 1.000 unit
Tingkat pertumbuhan tahunan: 15%
Forecast dasar: 1.000 × 1,15 = 1.150 unit
Faktor musiman (periode ini berjalan di atas rata-rata): 1,10
Faktor tren (produk mulai diminati): 1,05
Forecast disesuaikan: 1.150 × 1,10 × 1,05 = 1.328 unit
Safety stock (20%): 266 unit
Total kuantitas pesanan: 1.594 unit
Persentase pengaman sebaiknya disesuaikan dengan dua hal: seberapa tidak pasti forecast Anda, dan seberapa mahal stockout untuk produk tertentu tersebut. Produk andalan dengan margin tipis terhadap risiko stockout (pelanggan langsung berpindah merek) layak mendapat persentase pengaman yang lebih tinggi daripada aksesori yang lambat terjual dan rela ditunggu pelanggan selama seminggu.
Data Input yang Meningkatkan Kualitas Forecast
Formula hanya akan bekerja sebaik data yang mengisinya. Selain riwayat penjualan mentah, beberapa input tambahan secara konsisten meningkatkan akurasi.

Data kalender promosi. Setiap diskon, flash sale, atau bundle yang direncanakan mengubah ekspektasi permintaan untuk produk yang terdampak. Masukkan kalender strategi musiman dan promosi Anda langsung ke dalam forecast, agar promosi yang terjadwal tidak mengagetkan perencanaan inventaris Anda, seperti yang terjadi bila forecasting dan perencanaan promosi dikerjakan di spreadsheet terpisah.
Sinyal tren eksternal. Data tren pencarian, volume sebutan di media sosial, dan status stok kompetitor semuanya menggerakkan permintaan secara independen dari pola historis Anda sendiri. Produk yang disebut dalam video viral bisa melampaui forecast mana pun yang dibangun murni dari penjualan masa lalu, jadi bangunlah proses override manual untuk peristiwa semacam ini daripada berasumsi bahwa formula akan menangkapnya.
Lead time dan keandalan supplier. Akurasi forecast menjadi kurang berarti jika lead time supplier Anda tidak dapat diprediksi. Lacak waktu pengiriman aktual dibandingkan lead time yang dijanjikan untuk setiap supplier, lalu masukkan varians tersebut ke dalam waktu reorder Anda, bukan hanya ke dalam kuantitasnya.
Permintaan per channel. Jika Anda menjual melalui situs sendiri, Amazon, dan wholesale ritel, pola permintaan sering berbeda per channel bahkan untuk SKU yang sama. Melakukan forecasting di tingkat channel, lalu menjumlahkannya menjadi total kuantitas pesanan, akan menangkap pergeseran yang terlewat oleh forecast gabungan.
Mengukur dan Meningkatkan Akurasi Forecast
Anda tidak bisa memperbaiki apa yang tidak Anda ukur, dan sebagian besar tim e-commerce tidak pernah melacak akurasi forecast secara formal sampai musim yang buruk memaksa mereka membahasnya.

Metrik standarnya adalah Mean Absolute Percentage Error, atau MAPE, yang mengukur seberapa jauh forecast Anda meleset sebagai persentase dari penjualan aktual:
MAPE = (|Penjualan Aktual - Penjualan Forecast| / Penjualan Aktual) × 100
Contoh:
Forecast: 1.000 unit
Aktual: 1.150 unit
MAPE = (|1.150 - 1.000| / 1.150) × 100 = 13%
MAPE yang lebih rendah berarti forecast yang lebih akurat. Tidak ada satu target universal, karena akurasi yang dapat diterima berbeda menurut kategori dan volatilitas permintaan, tetapi melacak MAPE Anda sendiri dari waktu ke waktu, per kategori produk, menunjukkan dengan tepat di mana upaya forecasting membuahkan hasil dan di mana tidak.
Lacak akurasi per kategori, bukan hanya secara keseluruhan. MAPE gabungan di seluruh katalog menyembunyikan cerita sebenarnya. Produk stabil bervolume tinggi mungkin ter-forecast dalam kisaran 10%, sementara produk baru atau sangat musiman bisa mencapai 40% atau lebih. Mengetahui kategori mana yang paling sulit di-forecast menunjukkan di mana Anda perlu menambah safety stock, memperpendek siklus reorder, atau berinvestasi pada data yang lebih baik.
Tinjau kesalahan, bukan hanya rata-rata. Produk dengan selisih forecast terbesar layak ditinjau akar masalahnya. Apakah karena gangguan pasokan, sinyal promosi yang terlewat, tren eksternal yang tidak terdeteksi siapa pun, atau sekadar riwayat data yang tidak memadai untuk produk baru? Setiap penyebab mengarah ke perbaikan yang berbeda.
Masukkan kembali data akurasi ke forecast berikutnya. Jika sebuah kategori secara konsisten melampaui forecast sebesar 20%, itu bukan noise, melainkan sinyal bahwa asumsi tingkat pertumbuhan Anda terlalu konservatif untuk kategori tersebut. Sesuaikan inputnya, bukan hanya buffer safety stock.
Tools dan Sistem Forecasting
Forecasting dengan spreadsheet manual cocok untuk katalog kecil, tetapi tidak lagi memadai begitu Anda mengelola lebih dari beberapa lusin SKU di banyak channel.
Software demand planning khusus mengotomatiskan perhitungan moving average, exponential smoothing, dan seasonal decomposition, lalu menambahkan peringatan reorder point dan pelacakan lead time supplier. Sebagian besar platform terintegrasi langsung dengan sistem inventory management Anda sehingga forecast dan purchase order berada dalam satu workflow, bukan dua tools yang terpisah.
Saat mengevaluasi platform, prioritaskan tiga kemampuan di atas dashboard yang mencolok: kemampuan melakukan forecast di tingkat channel (bukan hanya total permintaan), laporan pelacakan MAPE atau akurasi yang terlihat sehingga Anda dapat mengaudit kinerja tools itu sendiri, dan jalur mudah untuk menambahkan override manual di atas forecast otomatis untuk peristiwa yang diketahui yang tidak dapat dilihat algoritma.
Sistem apa pun yang Anda gunakan, tahanlah godaan untuk memperlakukan outputnya sebagai kebenaran mutlak. Proses forecasting yang paling andal menggabungkan baseline statistik otomatis dengan langkah peninjauan oleh manusia, terutama untuk produk andalan yang stockout atau overstock-nya membawa biaya tertinggi.
Membangun Kebiasaan Forecasting, Bukan Sekadar Sebuah Forecast
Forecast yang dihitung sekali lalu dilupakan nyaris tidak lebih baik daripada tanpa forecast sama sekali. Bisnis yang memperoleh nilai nyata dari demand forecasting memperlakukannya sebagai kebiasaan rutin yang terkait dengan proses riset dan validasi produk serta analytics dan tracking mereka, bukan latihan spreadsheet satu kali.
Tetapkan jadwal tinjauan yang tetap: mingguan untuk produk andalan yang mendekati periode puncak, bulanan untuk katalog secara keseluruhan. Bandingkan forecast dengan aktual setiap siklus, hitung MAPE, dan sesuaikan input yang keliru, alih-alih sekadar menambah angka safety stock sampai masalah berhenti muncul di dashboard.
Setelah dua atau tiga siklus disiplin ini, sebagian besar tim melihat akurasi forecast mereka membaik secara berarti, bukan karena formulanya menjadi lebih cerdas, melainkan karena inputnya. Itulah manfaat sesungguhnya dari demand forecasting: bukan prediksi yang sempurna, melainkan proses yang semakin sedikit melesetnya setiap kali Anda menjalankannya.
Pertanyaan yang Sering Diajukan tentang Demand Forecasting
Apa itu demand forecasting dalam e-commerce?
Demand forecasting adalah proses memprediksi berapa banyak setiap produk yang akan Anda jual pada periode mendatang, menggunakan data penjualan historis, pola musiman, dan sinyal eksternal, sehingga Anda dapat merencanakan inventaris, tenaga kerja, dan pemasaran tanpa membeli berlebihan atau kehabisan stok.
Apa metode demand forecasting terbaik untuk e-commerce?
Sebagian besar katalog e-commerce diuntungkan dengan menggabungkan metode: exponential smoothing atau moving average untuk produk stabil, seasonal decomposition untuk produk dengan pola tahunan yang jelas, dan qualitative overlay untuk peristiwa promosi atau tren yang diketahui yang tidak dapat ditangkap oleh data historis saja.
Bagaimana cara menghitung safety stock?
Safety stock biasanya dihitung sebagai forecast permintaan yang telah disesuaikan dikalikan persentase pengaman, sering kali 15% hingga 25%, dengan persentase pastinya disesuaikan dengan ketidakpastian forecast dan seberapa mahal stockout untuk produk tertentu tersebut.
Apa itu MAPE dan mengapa penting?
MAPE, atau Mean Absolute Percentage Error, mengukur seberapa jauh forecast menyimpang dari penjualan aktual dalam bentuk persentase. Melacak MAPE per kategori produk dari waktu ke waktu menunjukkan dengan tepat di mana proses forecasting Anda akurat dan di mana ia membutuhkan input yang lebih baik.
Berapa biaya yang ditanggung peritel akibat demand forecasting yang buruk?
Inventory distortion global akibat stockout dan overstock yang digabungkan diperkirakan sebesar $1,77 triliun per tahun di seluruh ritel, menurut riset IHL Group yang dilaporkan oleh The Food Institute, yang menegaskan betapa besar pendapatan dan kas yang dipertaruhkan ketika forecast meleset.
Seberapa sering saya harus memperbarui demand forecast?
Tinjau produk andalan setiap minggu, terutama menjelang periode puncak, dan tinjau katalog secara keseluruhan setiap bulan. Bandingkan forecast dengan penjualan aktual setiap siklus dan sesuaikan input yang mendasarinya, bukan hanya buffer safety stock, ketika suatu kategori terus-menerus meleset.
Sumber Daya Terkait
Perkuat sistem forecasting dan inventaris Anda dengan panduan terkait berikut:
- Inventory Management - Ubah forecast yang akurat menjadi reorder point dan keputusan pembelian.
- Perencanaan Produk Musiman - Terapkan seasonal decomposition pada periode pendapatan terbesar Anda.
- Strategi Musiman & Promosi - Masukkan kalender promosi Anda ke dalam forecast alih-alih memperlakukannya secara terpisah.
- Dynamic Pricing - Selaraskan keputusan harga dengan sinyal permintaan yang sama yang menggerakkan forecast Anda.
- Riset & Validasi Produk - Bangun sinyal permintaan awal untuk produk baru sebelum data historis tersedia.
- Setup Analytics & Tracking - Bangun data pipeline yang menjaga input forecast Anda tetap bersih.

Sales Operations Practice Lead
On this page
- Mengapa Akurasi Forecasting Layak Diperjuangkan
- Metode Forecasting yang Efektif untuk E-commerce
- Formula Forecasting Inti
- Data Input yang Meningkatkan Kualitas Forecast
- Mengukur dan Meningkatkan Akurasi Forecast
- Tools dan Sistem Forecasting
- Membangun Kebiasaan Forecasting, Bukan Sekadar Sebuah Forecast
- Sumber Daya Terkait