Blog TI | Digitalisasi Gudang yang Sukses Membutuhkan Data yang Andal | Bag 2/2

Mendapatkan Rekomendasi Rangkaian Tindakan dari Data Induk Material yang Valid

‘Data is the new oil’ (data adalah minyak bumi yang baru). Kutipan yang kini banyak digunakan secara luas ini dibuat oleh Meglena Kunevas pada tahun 2009. Berkaitan dengan minyak, diperlukan perkembangan tertentu, seperti mesin pembakaran atau bahan kimia khusus, untuk dapat memanfaatkan sumber daya yang berharga ini sepenuhnya. Pertimbangan serupa juga berlaku untuk gudang, di mana data menjalankan semua proses yang berjalan. Tetapi yang dibutuhkan adalah lebih dari sekadar data. Hanya jika kutipan tersebut dilanjutkan dengan ‘...tetapi informasi adalah emas yang baru’, barulah lingkaran itu bundar sempurna. Pada akhirnya, sasaran yang ingin dicapai adalah mengambil tindakan dari data dengan dasar informasi.

Khususnya dalam logistik gudang, alkimia virtual ini – pengayaan data menjadi informasi – dapat teramati dengan sangat baik. Sebagai contoh, pencarian lokasi penyimpanan, hanya andal jika algoritmenya memiliki pengetahuan yang cukup akurat tentang masing-masing tingkat stok dan situasi saat ini di gudang. Tentu saja, informasi seperti tingkat pengisian, jumlah kotak yang akan disimpan, atau jumlah kotak yang diminta dari lorong atau level shuttle juga sangat penting untuk analisis nilai kinerja gudang. Informasi ini bahkan lebih esensial lagi bila, untuk setiap langkah proses penyimpanan kotak, hasil untuk ke depannya harus didapatkan secara real time. Ini idealnya memungkinkan keseluruhan sistem penyimpanan terus berjalan stabil dan tidak menimbulkan kelebihan beban di area tertentu.

Jelas, memilih kotak untuk memenuhi pesanan dalam gudang berotomatisasi hanya dapat bekerja jika informasi berikut ini konsisten, selalu diperbarui, dan andal: lokasi penyimpanan saat ini, isi, dan jumlah, serta kemungkinan keterbatasan (reservasi atau halangan oleh kotak lainnya). Ini sudah diterima sebagai hal yang memang sudah seharusnya dan dianggap sebagai fungsionalitas dasar sistem WMS tanpa perlu disebutkan dalam lingkup pasokan.

Pergudangan yang Presisi Menghasilkan Data yang Andal

Manajemen gudang yang diatur dengan sempurna mengandalkan set data yang ekstensif, lengkap, dan selalu diperbarui. Agar WMS mencapai fungsionalitas penuhnya, sistem ini harus mengandalkan proses yang valid, manajemen gudang yang presisi oleh staf gudang, dan penggunaan data yang relevan.

Kerugian Kinerja Karena Kekurangan Analisis Data

Data yang hilang atau kurangnya analisis data tidak terelakkan akan menyebabkan kerugian kinerja di gudang. Misalnya, pesanan dari gudang tidak dapat diproses pada kecepatan yang sebanding dengan kecepatan pemrosesan pesaing. Selain itu, rentang penyimpanan produk individual menurun sampai beberapa jam, karena nilai parameter yang tidak konsisten dan usang untuk manajemen stok tidak lagi sesuai dengan persyaratan saat ini. Namun, ketika diperiksa secara visual ternyata gudang penuh karena ruang rak yang sangat dibutuhkan ternyata terisi oleh sejumlah besar produk yang salah.

Menyesuaikan Manajemen Stok dengan Struktur Pesanan

Ini adalah efek kurang bagus dari manajemen stok yang tidak selaras dengan struktur pesanan aktual. Ini bisa disebabkan oleh beberapa hal:

• Model yang dipilih untuk manajemen stok optimal tidak tepat.

• Setelah dipilih, model tersebut tidak pernah diperluas atau disesuaikan.

• Data yang mendasari manajemen stok tidak pernah diperbarui.

Terutama dalam masa e-commerce dan belanja online serta interkoneksi global pelanggan melalui media sosial, model manajemen stok klasik, yang didokumentasikan dalam buku, menjadi semakin usang. Model klasik ini juga didasarkan pada pembelian 'kebetulan'. Namun, masih dapatkah kita saat ini menyebutnya kebetulan jika beberapa pelanggan (secara tidak terduga) memesan produk yang sama secara bersamaan? Atau apakah sekarang menjadi semakin dapat diprediksi bahwa platform media sosial tertentu, termasuk influencernya, diikuti dengan setia sebagai sumber data?

Pemeliharaan Data dan Manajemen Metadata – Investasi untuk Masa Depan

Untuk mendapatkan jawaban bagi pertanyaan tersebut, kita harus fokus pada data pesanan. Hanya inilah yang dapat memberikan informasi tentang keputusan berikut ini:

• Konsep logistik yang tepat.

• Model manajemen stok yang sesuai dan tepat.

• Parameterisasi yang optimal (pada saat observasi).

• Indikator-indikator dari pasar, yang bila terjadi kelebihan/kekurangan kebutuhan stok, akan memicu pertimbangan ulang atas model dan/atau parameter.

Mari kita perhatikan ‘analisis bagaimana-jika’ masa lalu baru-baru ini terkait dengan pertanyaan berikut ini: Bagaimana jika saya sudah menyesuaikan ulang model/parameter saya beberapa bulan yang lalu atau melakukan perubahan yang disarankan dalam penetapan barang? Karena data pesanan yang teramati, adalah mungkin untuk mendapatkan kesan yang cukup signifikan mengenai potensi efisiensi dan kinerja yang belum dimanfaatkan. Dengan mengingat dinamika pasar yang semakin meningkat, periode waktu untuk pertimbangan ulang semakin lama menjadi semakin singkat. Memulai hanya setelah masalah struktural selesai diidentifikasi akan sangat terlambat. Terutama untuk perencanaan (ulang) lokasi, data yang hilang secara mencolok bertentangan dengan hasil perencanaan optimal dalam hal konsep dan keberlanjutan lokasi gudang baru.

Meningkatkan Efisiensi dan Mengurangi Biaya Logistik

Masa depan tanpa langkah menuju digitalisasi sulit dibayangkan. Terlepas dari strategi yang sudah diuraikan dalam artikel blog sebelumnya, algoritme canggih memungkinkan digunakannya pendekatan yang bahkan lebih kompleks lagi. Kemungkinan untuk meningkatkan efisiensi, yang disebutkan dalam artikel blog ini, secara signifikan mengurangi bagian biaya logistik.

Sudah ada sejumlah perusahaan contoh yang bereaksi dini untuk secara aktif memanfaatkan data mereka dan menghasilkan fakta melalui mekanisme keputusan otomatis yang dijalankan oleh data. Keputusan itu telah terbukti berhasil. Ini memungkinkan mereka untuk tidak hanya bereaksi terhadap perubahan dengan cara yang lebih cepat dan hemat biaya, namun juga memungkinkan mereka memperoleh manfaat dari dinamika pasar yang telah menjadi transparan berkat data demikian.

Prosedur ini direkomendasikan oleh SSI SCHAEFER dalam setiap kasus, karena penggunaan aktif data pelanggan melalui mekanisme keputusan otomatis yang telah disebutkan di atas dapat membawa kinerja gudang pelanggan ke tingkat yang benar-benar baru. Jika Anda berminat, jangan ragu untuk menghubungi SSI SCHAEFER sebagai mitra Anda.

Tentang Penulis:

Markus Klug lulus dari TU Wien dalam Matematika Terapan. Dia mengerjakan beberapa riset pascasarjana di Glasgow mengenai Metode berbasis Kernel dan kemungkinan bidang aplikasinya untuk model simulasi kejadian-diskret. Setelah itu dia mengelola berbagai proyek riset dan inovasi nasional dan internasional terkait dengan logistik pengangkutan, logistik lokasi, dan rantai pasokan global di pusat riset industri terapan Seibersdorf.

Markus Klug telah menjadi bagian dari SSI SCHAEFER sejak tahun 2013 dan bertanggung jawab atas penggunaan analisis dan simulasi data, peran yang kemudian bertumbuh hingga mencakup sains data dan kecerdasan buatan/pembelajaran mesin.