Masalah retail klasik sederhana untuk dijelaskan dan susah diselesaikan.
Barang yang dicari customer habis.
Barang yang tidak dicari numpuk.
Kalau terlalu sedikit stock, kehilangan penjualan.
Kalau terlalu banyak, modal tertahan dan markdown naik.
Retail hidup di antara dua risiko itu.
AI masuk karena demand tidak pernah benar-benar diam.
Cuaca berubah.
Promo jalan.
Payday.
Ramadan.
Lebaran.
Back-to-school.
Trend TikTok.
Lokasi.
Competitor price.
Semua bisa mengubah demand.
Pada 2026, Microsoft menempatkan AI-driven demand forecasting, inventory optimization, dan exception-based planning sebagai tiga use case supply chain yang menghasilkan value besar untuk retail dan consumer goods. Microsoft juga menggambarkan predictive demand forecasting sebagai cara mengantisipasi demand dengan real-time signals untuk membantu assortment hyperlocal dan inventory planning.
Arah besarnya jelas.
Retail ingin membaca perubahan sebelum stock bergerak terlambat.
Traditional forecasting biasanya melihat history.
Produk A rata-rata laku 100 unit per minggu.
Jadi minggu depan pesan sekitar itu.
Masalahnya, history hanya salah satu signal.
Kalau hujan terus, category tertentu bisa naik.
Kalau influencer membuat satu item viral, demand meledak.
Kalau kompetitor discount agresif, demand turun.
Kalau ada event di area mall, foot traffic berubah.
AI bisa memasukkan lebih banyak signal.
Bukan jaminan benar.
Tapi peluang membaca shift lebih cepat meningkat.
Ini sangat penting untuk retail dengan banyak store.
Demand di Kemang tidak sama dengan Kelapa Gading.
Outlet dekat office district berbeda dari outlet residential.
Store di mall punya pattern weekend.
Store dekat kampus punya pattern lain.
Hyperlocal forecasting mencoba menangkap ini.
Tidak lagi satu forecast nasional untuk semua toko.
Assortment bisa berbeda.
Retailer sebenarnya sudah lama melakukan local assortment.
AI membuat granularity lebih scalable.
Planner tidak harus manual membaca setiap store-SKU combination.
Model membantu menemukan pattern.
Tapi problem forecast tetap keras.
Ada new product yang tidak punya history.
Ada promotion yang belum pernah dilakukan.
Ada stockout yang membuat history terlihat rendah padahal demand sebenarnya tinggi.
Ada cannibalization antarproduk.
Ada substitution.
Kalau produk A habis, customer beli B.
Model yang hanya membaca sales bisa salah menganggap B sedang naik organic.
Data perlu context.
Ini alasan retail AI tidak bisa hanya dipegang data science.
Merchandiser dan planner punya domain knowledge.
Mereka tahu campaign.
Display.
Supplier issue.
Store renovation.
Competitor move.
Model melihat angka.
Human melihat cerita di balik angka.
Keduanya harus digabung.
Demand sensing juga berbeda dari long-term planning.
Forecast tiga bulan untuk procurement punya uncertainty besar.
Forecast tiga hari untuk replenishment bisa memakai signal lebih current.
AI bisa bekerja pada horizon berbeda.
Untuk fresh food, horizon pendek sangat penting.
Overstock cepat berubah jadi waste.
Untuk fashion, salah assortment bisa berubah jadi markdown.
Untuk electronics, inventory mahal dan product cycle cepat.
Setiap category butuh model berbeda.
Jangan satu algorithm untuk semua.
Retail juga bisa memakai AI untuk allocation.
Stock masuk terbatas.
Dikirim ke store mana?
Kalau semua dibagi rata, tidak optimal.
Store dengan demand tinggi cepat habis.
Store lain kelebihan.
AI bisa membantu allocation berdasarkan expected demand, local pattern, dan inventory existing.
Again, keputusan kecil.
Satu box pindah ke store yang benar.
Kalau dilakukan ribuan kali, margin naik.
Replenishment adalah area lain.
Kapan order ulang?
Berapa banyak?
Minimum order.
Lead time.
Shelf capacity.
Backroom.
Supplier schedule.
Semua constraint.
AI agent bisa membantu membuat recommendation atau bahkan action pada kasus low-risk.
Microsoft pada 2026 menulis bahwa planner mulai bekerja lebih banyak secara exception-based, dengan AI mengurus routine allocation dan replenishment sementara manusia fokus ke anomaly dan keputusan penting.
Ini shift yang menarik.
Planner tidak lagi menyentuh setiap SKU.
Planner menyentuh SKU yang membutuhkan judgement.
Tapi automation harus punya guardrail.
Kalau model tiba-tiba melihat demand spike, jangan otomatis order 10x tanpa constraint.
Bisa jadi data error.
Bisa jadi one-off event.
Threshold dan approval tetap perlu.
Retail juga bisa menggunakan external signals.
Weather.
Search trend.
Social buzz.
Event calendar.
Economic indicators.
Competitor.
Tapi external data tidak selalu reliable.
Trend viral bisa hilang cepat.
Social mention bukan sales.
Search interest bukan conversion.
Model harus belajar correlation, tapi human harus tahu limitation.
Ada risk overreaction.
Kalau setiap viral signal langsung mengubah inventory, supply chain jadi nervous.
Bullwhip effect bisa membesar.
AI yang terlalu responsive belum tentu baik.
Demand planning membutuhkan smoothing dan business rule.
Tujuannya bukan merespons semua noise.
Tujuannya membedakan signal dari noise.
Ini salah satu pekerjaan paling sulit.
Data quality lagi-lagi penting.
POS data harus benar.
Inventory on-hand harus akurat.
Kalau system bilang stock masih 20 tetapi rak kosong karena shrinkage atau record error, replenishment terlambat.
AI tidak bisa memperbaiki phantom inventory hanya dengan model lebih pintar.
Retail perlu cycle count.
RFID jika relevan.
Process discipline.
System integration.
AI duduk di atas foundation itu.
Promotions juga memengaruhi forecast.
Discount 20 persen tidak sama dengan 50 persen.
Display end-cap berbeda dari shelf biasa.
Campaign social media bisa menambah lift.
Kalau promotion metadata tidak tercatat, model sulit belajar.
Retailer perlu memperlakukan marketing activity sebagai data.
Bukan hanya sales.
Ini salah satu area di mana silo organisasi menghambat AI.
Marketing punya calendar.
Merchandising punya assortment.
Supply chain punya inventory.
Store operations punya execution.
Kalau sistem tidak terhubung, forecast kehilangan context.
Agentic retail pada akhirnya membutuhkan shared data layer.
Ada juga pricing.
Demand forecast dan pricing optimization saling terkait.
Harga berubah, demand berubah.
Promotion mengubah elasticity.
AI bisa membantu scenario.
Kalau price turun 5 persen, apa kemungkinan unit naik?
Apa impact margin?
Apakah inventory cukup?
Tapi jangan biarkan algorithm mengejar revenue tanpa policy.
Fairness dan customer trust juga matter.
Dynamic pricing yang terlalu agresif bisa memicu backlash.
Untuk grocery atau kebutuhan penting, sensitivity tinggi.
Business objective harus jelas.
Retail juga punya challenge new product.
Tidak ada history.
AI bisa menggunakan similarity.
Produk mirip.
Category.
Price point.
Brand.
Store profile.
Launch pattern.
Ini membantu cold start.
Tapi human merchandising tetap penting.
Fashion trend baru tidak selalu bisa dijelaskan history.
Taste manusia masih punya role.
AI juga bisa membantu detect slow mover lebih awal.
Daripada menunggu akhir season, model melihat sell-through lemah.
Retailer bisa pindah stock.
Ubah display.
Kurangi reorder.
Promosi lebih cepat.
Early action mengurangi markdown besar di belakang.
Ini contoh membaca demand sebelum inventory terjebak.
Untuk Indonesia, seasonality punya nuance kuat.
Ramadan dan Lebaran.
Natal dan Tahun Baru.
Back-to-school.
Payday.
Harbolnas.
Campaign marketplace.
Cuaca.
Regional festival.
Retail model global perlu dilatih atau dikonfigurasi dengan calendar lokal.
Jangan assume pattern Amerika cocok.
Store network Indonesia juga geografis luas.
Lead time antarwilayah beda.
Demand forecast harus connect ke logistics reality.
Mengetahui demand tinggi tidak membantu kalau replenishment butuh 10 hari dan supplier tidak punya stock.
Forecast harus menjadi decision support.
Bukan hanya prediction score.
Retailer perlu menghubungkan forecast dengan action.
Buy.
Allocate.
Replenish.
Transfer.
Markdown.
Supplier negotiation.
Kalau forecast cuma tinggal di dashboard, value kecil.
Ini mengapa agentic planning menarik.
Model menemukan anomaly.
Planner review.
Agent menjalankan perubahan.
Loop lebih pendek.
Tapi audit trail penting.
Siapa mengubah purchase order?
Kenapa?
Model version apa?
Rule apa?
Retail bisa punya ribuan automated decisions.
Tanpa log, sulit debug.
Human override juga harus dilacak.
Planner senior sering punya intuition.
Jika mereka terus menolak recommendation untuk kategori tertentu, jangan anggap user resistant.
Mungkin model kehilangan context.
Review override bisa mengungkap signal baru.
Store manager juga punya local knowledge.
Ada construction di depan mall.
Ada event.
Ada competitor baru.
Data pusat belum tahu.
AI system harus punya channel untuk memasukkan local context.
Kalau tidak, central intelligence justru buta.
Ada satu danger: forecast accuracy menjadi satu-satunya KPI.
Forecast penting.
Tapi business outcome lebih penting.
Stockout.
Waste.
Markdown.
Inventory turn.
Working capital.
Service level.
Gross margin.
Forecast bisa sedikit lebih akurat tetapi tidak menghasilkan keputusan lebih baik karena process lambat.
Ukur end-to-end.
Microsoft 2026 menekankan ROI dan economics dalam retail AI.
Ini sehat.
Retail tidak butuh AI karena futuristik.
Retail butuh margin.
Jadi setiap use case harus kembali ke economics.
Berapa inventory berkurang?
Berapa lost sales turun?
Berapa markdown turun?
Berapa planner time kembali?
Berapa waste berkurang?
Kalau tidak ada metric, AI hanya dashboard baru.
Pada akhirnya retail selalu bermain melawan ketidakpastian.
Customer berubah pikiran.
Trend muncul.
Cuaca berubah.
Competitor bergerak.
AI tidak membuat masa depan pasti.
Ia hanya membantu membaca signal lebih cepat dan membuat respons lebih granular.
Dan sering kali value terbesar bukan memprediksi satu trend besar.
Value terbesar adalah memindahkan 20 unit dari store yang salah ke store yang benar sebelum customer datang.
Keputusan kecil.
Tapi di retail, keputusan kecil itu terjadi jutaan kali.
Ada satu faktor yang sangat menentukan forecast retail: lost sales yang tidak tercatat. Kalau customer datang mencari barang lalu rak kosong, POS tidak mencatat transaksi yang gagal. History menunjukkan demand rendah padahal demand sebenarnya lebih tinggi.
Retailer perlu proxy.
Search di app.
Out-of-stock event.
Customer inquiry.
Substitution.
Store feedback.
AI bisa membantu menggabungkan signal semacam itu sehingga demand tidak hanya dibaca dari barang yang berhasil terjual.
Store execution juga menentukan. Forecast bisa benar, inventory ada di backroom, tapi rak kosong. Secara customer, tetap stockout. Computer vision atau task agent bisa membantu mendeteksi shelf gap dan memberi task ke staff.
Jadi “membaca demand sebelum stok bergerak” bukan satu model forecast. Ia sistem yang menghubungkan demand, inventory accuracy, allocation, replenishment, dan execution di store.
Kalau salah satu putus, prediction bagus tidak menghasilkan margin.
Forecast hanya berguna ketika keputusan lapangan ikut bergerak.
Prediction harus berujung pada action yang benar di toko.
Bacaan terkait
Artikel ini berada dalam Industry Intelligence dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Reports dan analisis mendalam.