Optimalisasi Manajemen Inventaris dan Distribusi Produk Adidas Menggunakan Model GMM-TSLM
Model GMM dan TSLM dalam Prediksi Inventaris milik Adli Rikanda Saputra dapat membantu Adidas untuk dapat mengoptimalkan persediaan mereka, menghindari kelebihan persediaan yang tidak perlu dan kehabisan stok pada saat yang sama.
Table of Contents
Yuk, kenalan dengan Adli Rikanda Saputra, salah satu alumni Algoritma Data Science School dari Batch Thea. Dalam proyeknya, Adli telah mengembangkan model prediksi yang sangat akurat untuk memprediksi permintaan dan persediaan produk Adidas di Amerika Serikat. Model ini menggunakan algoritma GMM-TSLM (Gaussian Mixture Model - Time Series Linear Model) untuk menganalisis data historis dan faktor-faktor pasar untuk menghasilkan prediksi yang sangat akurat.
Pandemi COVID-19 telah mengubah perilaku konsumen dan mempengaruhi kebutuhan perusahaan seperti Adidas dalam mempertahankan inventaris yang optimal dan menyesuaikan diri dengan perubahan permintaan. Selain itu, pandemi juga mendorong peralihan ke e-commerce dan belanja online, membuat kehadiran online yang kuat dan jaringan pengiriman yang efisien menjadi kunci penting bagi perusahaan. Dalam menghadapi tantangan ini, Adidas telah menggunakan teknologi canggih dan analisis data untuk meningkatkan prediksi permintaan, mengurangi stok yang berlebihan atau kekurangan, serta menyederhanakan rantai pasokan mereka.
Penggunaan Model GMM dan TSLM dalam Prediksi Inventaris
Adli menggunakan model GMM (Generalized Method of Moment) untuk mengidentifikasi variabel prediktor yang paling signifikan dalam memprediksi permintaan untuk produk perangkat lunak Adidas. Model GMM memungkinkan Adli untuk memperkirakan parameter permintaan yang bervariasi seiring waktu dan lokasi, dengan mempertimbangkan data time series dan cross-sectional. Dengan menggunakan output model GMM, Adli memilih variabel prediktor yang memiliki koefisien tertinggi.
Selanjutnya, Adli menggunakan model TSLM (Time Series Linear Model) untuk membangun model peramalan inventaris. Model ini memperhitungkan data time series, tren, dan variabel prediktor yang diidentifikasi melalui model GMM. Dengan memasukkan variabel prediktor yang paling signifikan dalam model TSLM, kompleksitas model dapat dikurangi sambil meningkatkan akurasi prediksi. Adli menguji akurasi model menggunakan pendekatan backtesting pada data historis, untuk mengevaluasi kinerja model dalam memprediksi permintaan perangkat lunak.
Hasil dan Manfaat Model GMM dan TSLM dalam Prediksi Inventaris
Melalui penggunaan model GMM-TSLM, Adli berhasil mengembangkan model prediksi inventaris perangkat lunak Adidas dengan akurasi tinggi. Model ini mampu memperkirakan permintaan dengan tepat, membantu perusahaan dalam mengoptimalkan manajemen inventaris, mengurangi biaya yang terkait dengan stok berlebihan atau kekurangan, dan meningkatkan kinerja bisnis. Hasil prediksi menunjukkan Adjusted R Squared sebesar 0,19 dan Mean Absolute Error sebesar 365, yang mengindikasikan tingkat kecocokan dan kesalahan prediksi yang dapat diterima. Adli juga menerapkan model ini pada data Adidas di berbagai wilayah di AS, seperti Tenggara, Midwest, Selatan, Timur Laut, dan Barat, untuk memenuhi permintaan yang unik dari masing-masing wilayah. Hasilnya menunjukkan bahwa model GMM-TSLM berhasil memberikan perkiraan inventaris yang akurat dan membantu Adidas dalam mengatur distribusi produk dengan lebih efisien. Selain itu masih banyak manfaat lainnya seperti berikut ini:
- Optimalisasi inventaris
Model GMM-TSLM membantu Adidas dalam mengoptimalkan inventaris dengan memprediksi permintaan dengan akurasi tinggi. Hal ini membantu perusahaan menghindari kelebihan atau kekurangan stok yang dapat mengakibatkan biaya yang tidak perlu.
- Distribusi yang efisien
Dengan memahami pola permintaan di setiap wilayah, Adidas dapat mengalokasikan inventaris dengan lebih efisien. Hal ini memungkinkan perusahaan untuk mengatur pengiriman produk dengan tepat waktu, meminimalkan biaya pengiriman, dan meningkatkan kepuasan pelanggan.
- Penyesuaian terhadap perubahan permintaan
Model GMM-TSLM memungkinkan Adidas untuk dengan cepat merespons perubahan permintaan yang terjadi, terutama dalam situasi yang tidak terduga seperti pandemi. Dengan adanya prediksi yang akurat, perusahaan dapat melakukan penyesuaian strategis dalam manajemen inventaris dan distribusi untuk tetap memenuhi kebutuhan pelanggan.
- Pengurangan biaya
Dengan menghindari stok yang berlebihan atau kekurangan, Adidas dapat mengurangi biaya yang terkait dengan penyimpanan, penumpukan, dan kehilangan penjualan akibat ketidaktersediaan produk. Ini membantu meningkatkan efisiensi operasional dan profitabilitas perusahaan.
Kesimpulan
Dengan menerapkan model GMM-TSLM, Adidas dapat meningkatkan manajemen inventaris dan distribusi produk mereka. Model ini memungkinkan perusahaan untuk memprediksi permintaan dengan akurasi tinggi, mengoptimalkan alokasi inventaris, dan merespons perubahan permintaan dengan cepat. Dalam konteks bisnis yang terus berubah, prediksi yang akurat dan efisiensi operasional menjadi faktor penting dalam mempertahankan keunggulan kompetitif. Melalui penggunaan model ini, Adidas dapat memperkuat posisinya dalam industri dan meningkatkan kepuasan pelanggan.
Nah, itulah dashboard yang dibuat oleh Adli pada student project-nya setelah mengikuti program pembelajaran bersama Algoritma Data Science School. Jika Anda ingin mengetahui lebih lanjut project yang Adli buat, Anda bisa mengunjungi Github dan LinkedIn Adli dan jika Anda tertarik mengikuti jejak Adli, #JadiTalentaData bersama Algoritma!
GET TO KNOW ADLI!
- Linkedin: https://www.linkedin.com/in/adlirikanda
- Rpubs: https://www.rpubs.com/adlirikanda
- Github: https://www.github.com/adlirikanda
- Shiny Project: https://adlirikanda.shinyapps.io/ADIDAS_SHINY/
