Dilihat: 0 Penulis: Editor Situs Waktu Publikasi: 10-09-2026 Asal: Lokasi
Memutuskan berapa banyak pakaian yang akan diproduksi adalah salah satu keputusan terpenting yang diambil oleh sebuah merek pakaian.
Pesanan terlalu sedikit, dan produk populer dapat terjual habis sebelum pengiriman berikutnya tiba. Pesan terlalu banyak, dan merek mungkin akan memiliki persediaan berlebih, penurunan harga, dan uang terikat pada produk yang tidak terjual.
Oleh karena itu, jumlah produksi harus didasarkan pada penjualan tahun lalu atau intuisi pembeli.
Proses peramalan pakaian yang praktis melihat permintaan aktual, ketersediaan inventaris, musiman, promosi, waktu tunggu, stok pengaman, distribusi ukuran, dan anggaran yang tersedia.
Tujuannya adalah memperkirakan berapa banyak pelanggan yang kemungkinan akan membeli selama periode ketika inventaris baru akan tersedia, kemudian menentukan berapa banyak inventaris yang dibutuhkan merek untuk mendukung permintaan tersebut.
Untuk produsen pakaian OEM, perkiraan ini pada akhirnya menjadi pesanan produksi yang dipecah berdasarkan gaya, warna, dan ukuran.
Pada awalnya, peramalan tampak sederhana.
Jika sebuah merek menjual 1.000 buah model pada tahun lalu, maka merek tersebut mungkin akan memesan 1.000 buah lagi pada tahun ini.
Masalahnya adalah penjualan historis tidak selalu mewakili permintaan pelanggan sebenarnya.
Bayangkan sebuah T-shirt terjual 100 potong per minggu. Setelah empat minggu, ukuran Medium terjual habis. Pelanggan terus mencari Medium, tetapi merek tersebut tidak dapat menjual apa yang tidak lagi dimilikinya.
Rekor penjualan mungkin menunjukkan bahwa permintaan turun setelah minggu keempat.
Kenyataannya, produk tersebut menjadi tidak tersedia.
Penelitian yang diberikan menggambarkan hal ini sebagai sensor permintaan . Ketika suatu produk kehabisan stok, penjualan yang diamati bisa turun hingga nol meskipun pelanggan mungkin masih ingin membelinya. Menggunakan angka mentah ini secara langsung dapat menyebabkan Anda meremehkan jumlah produksi di masa depan.
Hal ini menciptakan siklus berbahaya:
Produk populer → terjual habis → data penjualan tampak lemah → pesanan berikutnya terlalu kecil → produk terjual habis lagi
Sementara itu, produk yang pergerakannya lambat dapat tetap berada dalam stok dan terus menghasilkan data penjualan.
Oleh karena itu, peramalan yang baik dimulai dengan menanyakan:
Apa yang sebenarnya ingin dibeli pelanggan ketika produk sudah tersedia?
Langkah pertama adalah mengumpulkan data penjualan historis untuk model, warna, dan ukuran yang diperkirakan.
Informasi yang berguna dapat mencakup:
Unit terjual
Tanggal penjualan
Persediaan tersedia
Periode kehabisan stok
Perubahan harga
Promosi
Peluncuran produk
Periode musiman
Penjualan berdasarkan ukuran
Penjualan berdasarkan saluran
Semakin detail datanya, semakin berguna ramalan tersebut.
Merek dengan riwayat penjualan selama beberapa tahun dapat mengidentifikasi pola berulang dengan lebih mudah dibandingkan merek yang hanya memiliki data beberapa bulan.
Namun, lebih banyak data tidak secara otomatis berarti perkiraan yang lebih baik.
Data perlu diinterpretasikan dengan benar.
Misalkan suatu merek memiliki periode penjualan 30 hari.
Produk tersedia selama 20 hari dan terjual 400 buah.
Jika merek hanya menghitung:
400 30 = 13,3 buah per hari
diasumsikan bahwa produk tersebut dapat terjual dengan harga tersebut sepanjang periode.
Namun, jika produk tidak tersedia selama 10 hari, tingkat penjualan yang diamati selama periode tersedia adalah:
400 20 = 20 buah per hari yang tersedia
Gambar kedua mungkin memberikan titik awal yang lebih baik untuk memperkirakan permintaan.
Penelitian ini merekomendasikan penghitungan Tingkat Penjualan yang sebenarnya menggunakan periode ketika SKU benar-benar tersedia daripada memperlakukan periode kehabisan stok sebagai permintaan nol.
Proses ini sering disebut dengan demand unconstraining.
Ide dasarnya sangat jelas:
Jika pelanggan tidak dapat membeli produk, hari-hari tersebut tidak secara otomatis diartikan sebagai hari-hari dimana pelanggan tidak menginginkannya.
Setelah riwayat penjualan dibersihkan, merek memerlukan perkiraan dasar.
Baseline adalah perkiraan permintaan normal sebelum peristiwa khusus seperti promosi besar atau lonjakan yang tidak biasa ditambahkan.
Produk yang berbeda mungkin memerlukan metode perkiraan yang berbeda.
Untuk produk dasar dengan permintaan yang relatif stabil, rata-rata pergerakan dapat memberikan titik awal yang berguna.
Misalnya, kaos hitam biasa yang terjual secara konsisten sepanjang tahun mungkin tidak memerlukan sistem perkiraan yang rumit.
Merek dapat memeriksa penjualan terkini dan menetapkan rata-rata yang representatif.
Jika penjualan secara konsisten meningkat atau menurun, perkiraan tersebut harus memperhitungkan tren tersebut.
Misalnya, jika model pakaian dalam inti terus berkembang selama beberapa musim, penggunaan model pakaian dalam yang lama saja dapat meremehkan permintaan di masa depan.
Model tren linier dapat berguna untuk situasi seperti ini.
Beberapa produk mengikuti pola musiman yang dapat diprediksi.
Pakaian renang, pakaian dalam musim dingin, pakaian termal, dan produk musiman lainnya dapat memiliki pola penjualan yang sangat berbeda sepanjang tahun.
Oleh karena itu ramalan tersebut perlu membedakan antara:
Pertumbuhan atau penurunan normal
Dan
Permintaan musiman yang berulang
Penelitian ini mengidentifikasi pemulusan eksponensial dan model ETS sebagai pendekatan peramalan yang berguna karena dapat memperhitungkan kesalahan, tren, dan musiman.
Bagi sebagian besar merek kecil, memahami prinsip ini lebih penting daripada memilih algoritma perkiraan yang rumit.
Penjualan besar-besaran dapat membuat suatu produk tampak jauh lebih populer daripada biasanya.
Bayangkan sebuah merek biasanya menjual 100 buah model per minggu.
Selama kampanye diskon 30%, ia menjual 250 buah.
Menggunakan angka 250 sebagai kondisi normal baru akan menghasilkan perkiraan produksi yang sangat agresif.
Masalah yang sama dapat terjadi pada:
Penjualan kilat
Kampanye influencer
Kampanye periklanan besar
Promosi liburan
Peluncuran produk baru
Penurunan harga sementara
Penelitian ini merekomendasikan untuk memisahkan peningkatan promosi dari permintaan dasar, kemudian menambahkan dampak promosi yang direncanakan kembali ke perkiraan masa depan jika diperlukan.
Misalnya:
Permintaan normal: 100 unit/minggu
Peningkatan promosi yang diharapkan: +40%
Perkiraan selama promosi: sekitar 140 unit/minggu
Peningkatan yang tepat harus berasal dari data historis merek itu sendiri, bila memungkinkan.
Permintaan pakaian sangat terkait dengan waktu dalam setahun.
Permintaan pelanggan dapat berubah karena:
Suhu
Iklim
Hari libur
Periode kembali ke sekolah
Musim perjalanan
Kalender promosi
Musim mode
Oleh karena itu, sebuah merek harus membandingkan periode serupa saat membuat perkiraan.
Misalnya, menggunakan penjualan bulan Desember untuk memperkirakan permintaan produk musiman di bulan Juli dapat memberikan hasil yang sangat menyesatkan.
Merek harus bertanya:
Apa yang dijual produk ini, atau produk serupa, pada musim yang sama di tahun-tahun sebelumnya?
Musiman menjadi sangat penting ketika waktu tunggu produksi panjang.
Jika sebuah pabrik memerlukan waktu beberapa bulan untuk memproduksi dan mengirimkan pesanan khusus, merek harus memperkirakan permintaan jauh sebelum musim penjualan sebenarnya dimulai.
Gaya baru menimbulkan masalah perkiraan karena tidak ada riwayat penjualan langsung.
Sebuah merek tidak dapat menghitung penjualan tahun lalu untuk produk yang tidak ada tahun lalu.
Penelitian ini merekomendasikan penggunaan pengelompokan berbasis atribut dan pemetaan item serupa untuk produk baru. Daripada menebak-nebak angka yang ada, perencana dapat membandingkan produk baru dengan produk yang sudah ada yang memiliki karakteristik penting yang sama.
Atribut yang relevan dapat mencakup:
Kategori produk
Bayangan hitam
Konstruksi kain
Berat kain
Harga
Margin sasaran
Warna
Kompleksitas pola
Misalnya, sebuah merek meluncurkan hoodie French Terry 280 GSM baru.
Itu bisa terlihat pada hoodies sebelumnya dengan serupa:
Berat kain
Konstruksi
Harga
Target pelanggan
Bugar
Penempatan warna
Produk-produk tersebut dapat memberikan titik awal yang lebih berguna daripada sekadar memilih jumlah yang sembarangan.
Produk baru mengandung lebih banyak ketidakpastian dibandingkan produk lama.
Oleh karena itu, suatu merek dapat mempertimbangkan:
Produksi awal yang lebih kecil
Praorder
Minat pelanggan awal
Kinerja historis produk serupa
Pengisian ulang yang fleksibel
Siklus produksi yang lebih pendek jika tersedia
Hal ini dapat mengurangi risiko melakukan terlalu banyak inventaris sebelum permintaan sebenarnya menjadi jelas.
Perkiraan permintaan hanyalah setengah dari masalah.
Sebuah merek juga perlu mengetahui berapa lama waktu yang dibutuhkan untuk mengganti inventarisnya.
Misalkan sebuah merek mengharapkan untuk menjual 500 buah per bulan.
Jika pengisian ulang memerlukan waktu dua minggu, merek tersebut mengalami satu masalah inventaris.
Jika pengisian ulang membutuhkan waktu empat bulan, merek tersebut memiliki masalah yang sangat berbeda.
Penelitian ini menekankan bahwa waktu produksi pabrik tidak boleh diperlakukan sebagai waktu tunggu seluruh rantai pasokan. Total waktu tunggu dapat mencakup pengadaan material, pengambilan sampel dan persetujuan, produksi massal, transportasi, bea cukai, dan pemrosesan masuk.
Rantai pasokan pakaian yang disederhanakan terlihat seperti:
Pengadaan bahan
↓
Pengambilan sampel dan persetujuan
↓
Produksi massal
↓
Angkutan
↓
Proses bea cukai dan masuk
↓
Ketersediaan gudang
Merek harus memperkirakan kebutuhan inventaris sepanjang periode ini.
Hal ini sangat penting terutama untuk kain khusus dan warna khusus, karena persiapan bahan dapat menambah waktu secara signifikan.
Perkiraan masih merupakan perkiraan.
Permintaan aktual mungkin lebih tinggi dari perkiraan.
Produksi juga bisa memakan waktu lebih lama dari yang direncanakan.
Stok pengaman memberikan penyangga terhadap ketidakpastian ini.
Penelitian ini mengidentifikasi dua sumber risiko utama:
Variabilitas permintaan
Variabilitas waktu tunggu
Misalnya, sebuah merek mengharapkan untuk menjual 1.000 buah selama waktu yang diperlukan untuk mengisi kembali persediaan.
Jika permintaan tiba-tiba meningkat atau produksi tertunda, 1.000 buah mungkin tidak cukup.
Stok pengaman memberikan perlindungan tambahan.
Aturan sederhana seperti “selalu menghasilkan 10% ekstra” mungkin tampak mudah.
Namun, produk yang berbeda memiliki tingkat risiko yang berbeda pula.
Kaos hitam yang stabil dengan permintaan yang dapat diprediksi sepanjang tahun mungkin memerlukan penyangga yang berbeda dari gaya busana musiman yang penjualannya sangat tidak dapat diprediksi.
Penelitian ini merekomendasikan penggunaan strategi peramalan dan persediaan pengaman yang berbeda berdasarkan kepentingan pendapatan dan prediktabilitas permintaan , dengan menggunakan klasifikasi ABC-XYZ.
Konsep dasarnya berguna bahkan tanpa melakukan analisis statistik lengkap:
Produk bernilai tinggi + dapat diprediksi: lindungi ketersediaan dengan hati-hati.
Produk bernilai tinggi + tidak dapat diprediksi: pantau permintaan dengan cermat dan sesuaikan dengan cepat.
Produk bernilai rendah + tidak dapat diprediksi: hindari menghabiskan terlalu banyak inventaris.
Hal ini membantu merek membelanjakan investasi inventaris di tempat yang paling penting.
Setelah suatu merek mengetahui perkiraan permintaan dan stok pengamannya, merek tersebut dapat menentukan kapan pesanan produksi lain harus dilakukan.
Inilah Titik Pemesanan Ulang (ROP).
Secara konseptual:
Titik Pemesanan Ulang = Perkiraan permintaan selama waktu tunggu + Stok pengaman
Misalnya, jika sebuah merek memperkirakan akan menjual 1.500 unit selama waktu tunggu pengisian ulang dan menginginkan 300 unit lagi sebagai penyangga keamanan:
ROP = 1.800 unit
Ketika posisi inventaris yang tersedia mencapai tingkat tersebut, merek harus mempertimbangkan untuk memulai pesanan pengisian berikutnya.
Penelitian tersebut menggambarkan titik pemesanan kembali sebagai ambang batas persediaan yang memicu pesanan pembelian baru, berdasarkan perkiraan permintaan sepanjang total waktu tunggu ditambah stok pengaman.
Poin pentingnya adalah waktu.
Sebuah merek tidak boleh menunggu hingga persediaan mencapai nol sebelum menghubungi produsennya jika produsen memerlukan waktu berminggu-minggu atau berbulan-bulan untuk mengisi kembali produknya.
Mengetahui bahwa suatu merek membutuhkan 5.000 buah tidak berarti pabrik berapa banyak buah untuk setiap ukuran yang harus diproduksi.
Urutan produksi mungkin harus:
XS : 350
S : 900
M : 1.900
L : 1.300
XL : 550
Rasio pastinya bergantung pada basis pelanggan merek dan riwayat penjualan.
Ini disebut kurva ukuran.
Penelitian ini menyoroti masalah penting di sini: rasio penjualan mentah dapat terdistorsi ketika ukuran populer terjual lebih awal.
Misalkan Medium berulang kali terjual habis.
Penjualan historisnya mungkin sebenarnya mewakili jumlah unit Medium yang berhasil dijual oleh merek tersebut, bukan jumlah yang diinginkan pelanggan.
Oleh karena itu, merek harus menganalisis permintaan berdasarkan ukuran selama periode ketika setiap ukuran benar-benar tersedia.
Hal ini sangat penting terutama untuk pakaian dalam karena ukuran berkaitan erat dengan kesesuaian, kenyamanan, dan kepuasan pelanggan.
Oleh karena itu, perkiraan produksi harus menjawab dua pertanyaan terpisah:
Berapa banyak potongan yang harus kita buat?
Dan
Bagaimana seharusnya potongan-potongan itu didistribusikan ke berbagai ukuran?
Ramalan permintaan dapat menghasilkan kebutuhan produksi yang sangat besar.
Merek masih perlu menentukan apakah mereka mampu memproduksi dan menyimpan inventaris tersebut.
Di sinilah perencanaan keuangan memasuki proses.
Penelitian ini menggambarkan Open-to-Buy (OTB) sebagai kendala finansial yang membantu merekonsiliasi perkiraan SKU bottom-up dengan jumlah belanja inventaris yang dapat didukung oleh bisnis.
Untuk merek pakaian yang lebih kecil, konsepnya dapat disederhanakan:
Perkirakan persediaan yang Anda butuhkan, lalu periksa apakah kas dan anggaran inventaris yang tersedia dapat mendukungnya.
Jika perkiraan menyarankan pemesanan 20.000 buah namun bisnis hanya dapat membiayai 12.000 buah dengan aman, maka merek perlu membuat prioritas.
Ia mungkin memilih untuk:
Lindungi produk inti
Kurangi gaya yang bergerak lambat
Kurangi kedalaman warna
Luncurkan lebih sedikit SKU
Gunakan pesanan awal yang lebih kecil
Tunda produk dengan prioritas lebih rendah
Rencanakan produksi lain yang dijalankan nanti
Di sinilah peramalan menjadi keputusan bisnis dan bukan sekedar latihan matematis belaka.
Setelah permintaan, musim, waktu tunggu, stok pengaman, kurva ukuran, dan anggaran ditinjau, merek dapat menentukan kebutuhan produksinya.
Alur kerja yang disederhanakan adalah:
Penjualan bersejarah
↓
Hapus distorsi kehabisan stok
↓
Membangun permintaan dasar
↓
Sesuaikan dengan musim dan promosi yang direncanakan
↓
Pertimbangkan waktu tunggu produksi dan pengiriman
↓
Tambahkan stok pengaman yang sesuai
↓
Tentukan titik pemesanan kembali
↓
Terapkan kurva ukuran
↓
Periksa anggaran inventaris
↓
Mengeluarkan pesanan produksi
Penelitian ini merangkum protokol perencanaan tujuh langkah serupa, dimulai dengan permintaan historis yang tidak dibatasi dan diakhiri dengan pesanan pembelian terkunci yang dikeluarkan untuk produsen.
Dari sudut pandang produsen, perkiraan produksi yang baik pada akhirnya harus menjadi pesanan pembelian yang jelas.
Pabrik dapat menerima:
Gaya
Warna
Jumlah keseluruhan
Rincian ukuran
Spesifikasi bahan
Persyaratan pengemasan
Tanggal pengiriman
Persyaratan pengiriman
Persyaratan kualitas
Kualitas informasi ini mempengaruhi perencanaan produksi.
Misalnya, pabrikan mungkin dapat memproduksi 10.000 potong model, namun jadwal produksi tetap bergantung pada ukuran spesifik dan rincian warna, ketersediaan kain, trim, batas waktu pengiriman, dan persyaratan lainnya.
Inilah sebabnya mengapa peramalan dan manufaktur berhubungan erat.
Perencanaan permintaan suatu merek menentukan seberapa banyak merek ingin menjualnya dan kapan.
Perencanaan produksi pabrikan menentukan bagaimana mengubah persyaratan tersebut menjadi pakaian fisik.
Tidak ada perkiraan yang sempurna.
Tujuan peramalan adalah untuk membuat keputusan yang lebih baik dalam kondisi ketidakpastian.
Jika permintaan aktual lebih tinggi dari perkiraan, merek mungkin mengalami:
Kehabisan stok
Penjualan yang hilang
Produksi darurat
Pengiriman dipercepat
Ketidakpuasan pelanggan
Jika permintaan lebih rendah dari perkiraan, merek mungkin menghadapi:
Persediaan berlebih
Diskon
Kerugian penurunan harga
Biaya gudang
Uang tunai terikat pada produk yang tidak terjual
Oleh karena itu, sistem peramalan terbaik memantau penjualan aktual secara terus menerus.
Perkiraan tersebut akan berubah seiring dengan tersedianya informasi baru.
Misalnya:
Perkiraan awal → penjualan aktual → perkiraan permintaan yang diperbarui → rencana produksi yang direvisi
Hal ini sangat berguna untuk produk fesyen dengan siklus hidup yang pendek.
Bayangkan sebuah merek pakaian dalam memiliki gaya inti yang terjual sepanjang tahun.
Data historis menunjukkan bahwa, setelah memperhitungkan kehabisan stok, produk tersebut biasanya terjual sekitar 800 buah per bulan.
Merek mengharapkan peningkatan musiman sekitar 20%.
Hal ini memberikan proyeksi permintaan kira-kira:
800 × 1,20 = 960 buah per bulan
Proses manufaktur dan logistik memerlukan waktu tiga bulan mulai dari penempatan pesanan hingga ketersediaan inventaris.
Oleh karena itu, merek perlu merencanakan kira-kira:
960 × 3 = 2.880 buah
Perusahaan kemudian menambahkan penyangga keamanan yang sesuai berdasarkan risiko permintaan dan pasokannya.
Misalkan merek tersebut memutuskan bahwa 320 buah lainnya menyediakan penyangga perencanaan yang sesuai.
Kebutuhan inventaris menjadi kira-kira:
2.880 + 320 = 3.200 buah
Langkah terakhir adalah membagi potongan-potongan tersebut sesuai dengan kurva ukuran yang diharapkan.
Ini adalah contoh yang disederhanakan dan bukan rumus universal. Peramalan nyata harus memperhitungkan perubahan harga, promosi, ketersediaan inventaris, musiman, variabilitas waktu tunggu, dan siklus hidup produk.
Yang penting adalah urutannya:
Permintaan → periode penjualan → waktu tunggu → penyangga risiko → distribusi ukuran → kuantitas produksi
Sebuah merek tidak memerlukan sistem perkiraan AI yang canggih untuk meningkatkan perencanaan produksinya.
Hal ini bisa dimulai dengan disiplin data yang lebih baik.
Catat saat setiap gaya dan ukuran tidak tersedia.
Jika tidak, penjualan yang rendah mungkin disalahartikan sebagai permintaan yang rendah.
Catat diskon dan kampanye besar-besaran sehingga lonjakan penjualan yang tidak biasa tidak secara otomatis menjadi dasar baru.
Jumlah total penjualan tingkat gaya dapat menyembunyikan perbedaan penting antar ukuran.
Catat berapa lama waktu yang dibutuhkan pesanan sebenarnya dari pesanan pembelian hingga resi gudang.
Setelah setiap periode penjualan, bandingkan perkiraan permintaan dengan hasil sebenarnya.
Gunakan produk dan atribut serupa sebagai referensi daripada berpura-pura bahwa produk baru memiliki data historis.
Perkiraan harus berubah ketika informasi baru mengubah permintaan yang diharapkan.
Setelah jumlah produksi telah ditentukan, produsen memerlukan pesanan yang jelas.
Untuk proyek pakaian adat, informasi berguna meliputi:
Nomor gaya
jalur warna
Jumlah keseluruhan
Rincian ukuran
Spesifikasi kain
Persyaratan pemangkasan
Persyaratan pengemasan
Baku mutu
Tanggal pengiriman yang ditargetkan
Tujuan pengiriman
Urutan produksi yang jelas mengurangi kemungkinan kesalahpahaman antara merek dan pabrik.
Hal ini juga memungkinkan produsen untuk merencanakan kain, pemotongan, kapasitas penjahitan, dan sumber daya produksi lainnya dengan lebih efektif.
Untuk hubungan OEM jangka panjang, data produksi historis juga dapat berguna.
Waktu tunggu produksi aktual, konsumsi bahan, masalah kualitas, dan jumlah pesanan semuanya dapat membantu meningkatkan perencanaan di masa depan.
Tidak ada satu angka pun yang dapat menjamin kuantitas produksi yang tepat.
Ramalan yang kuat menggabungkan beberapa informasi.
Penjualan historis memberi tahu merek apa yang terjadi.
Analisis kehabisan stok membantu mengungkap permintaan yang mungkin terlewatkan oleh data penjualan.
Musiman dan promosi menjelaskan perubahan yang tidak biasa.
Waktu tunggu menentukan seberapa jauh persediaan ke depan perlu direncanakan.
Stok pengaman melindungi terhadap ketidakpastian.
Kurva ukuran mengubah total permintaan menjadi rincian produksi praktis.
Batasan anggaran menjaga rencana inventaris tetap realistis secara finansial.
Bersama-sama, faktor-faktor ini menciptakan dasar yang lebih kuat untuk memutuskan berapa banyak pakaian yang akan diproduksi.
Untuk merek pakaian, perubahan yang paling bermanfaat sering kali berasal dari:
'Terakhir kali kita menjual sebanyak ini, jadi ayo pesan dalam jumlah yang sama.'
ke:
'Berapa banyak yang sebenarnya diminta pelanggan, bagaimana permintaan tersebut akan berubah, dan berapa banyak inventaris yang kita perlukan untuk memenuhi waktu hingga kita dapat mengisinya kembali?'
Pertanyaan itu mengarah pada keputusan produksi yang lebih baik.
Dan bagi produsen OEM, hal ini menciptakan hubungan yang lebih jelas antara permintaan pelanggan dan rencana produksi fisik.
Perencanaan produksi yang baik dimulai sebelum pesanan pembelian. Semakin baik perkiraan permintaan, semakin besar peluang tersedianya produk, ukuran, dan kuantitas yang tepat saat pelanggan menginginkannya.
