Menghitung Prioritas Slotting SKU dari Enam Variabel, Bukan Frekuensi Saja

Kalau prioritas slotting cuma dihitung dari satu angka, frekuensi baris pesanan per SKU, hasilnya kelihatan presisi padahal cuma mengukur separuh soal. Dua SKU bisa punya jumlah baris pesanan yang identik dan tetap butuh penempatan yang sama sekali berbeda begitu volume yang dipindah, cara penanganannya, atau barang apa yang biasa dipesan berbarengan dengannya ikut dihitung.

ABC analysis, yang selama ini jadi rujukan utama audit slotting, sebenarnya cuma menjawab satu pertanyaan: SKU mana yang paling sering diambil. Itu pertanyaan yang tepat untuk memulai, tapi tidak cukup untuk menentukan zona rak sendirian. Tulisan ini memecah perhitungan prioritas slotting jadi enam variabel yang masing-masing bisa mengubah jawabannya, dan menunjukkan cara menghitung tiap variabel dari data yang biasanya sudah ada di WMS atau catatan pengambilan manual.

Frekuensi Baris Pesanan: Input Pertama, Bukan Jawaban Akhir

Variabel pertama, dan yang paling mudah dihitung, adalah frekuensi baris pesanan per SKU selama periode representatif, idealnya 3-6 bulan yang tidak bertepatan dengan musim puncak atau promo besar. SKU diurutkan dari frekuensi tertinggi ke terendah, lalu dihitung persentase kumulatifnya terhadap total baris pesanan. Titik potong kelas A, B, dan C ditentukan dari bentuk kurva itu sendiri, bukan angka baku 80/15/5 yang dipaksakan sama untuk semua gudang.

Contoh berikut disederhanakan untuk menunjukkan cara menghitungnya, bukan catatan satu gudang tertentu: pada katalog dengan sekitar 1.100 SKU aktif, sekitar 165 SKU (15% dari katalog) bisa saja menyumbang sekitar 78% dari total baris pesanan harian, kelas A yang jumlah SKU-nya jauh lebih kecil dari porsi permintaannya.

Sejauh ini perhitungan ini sama persis dengan ABC analysis konvensional. Bedanya baru terlihat begitu SKU kelas A yang sama diperiksa lewat lima variabel berikutnya, karena frekuensi tinggi tidak berarti golden zone otomatis jadi pilihan yang benar untuk SKU itu.

Volume yang Dipindah per SKU, Bukan Cuma Jumlah Baris

Dua SKU dengan frekuensi baris pesanan yang sama bisa memindahkan volume barang yang jauh berbeda. Satu SKU mungkin dipesan 14 kali sehari dengan rata-rata satu dus kecil tiap pengambilan. SKU lain dipesan 14 kali sehari juga, tapi rata-rata satu pallet parsial tiap pengambilan. Frekuensinya sama, tapi kebutuhan ruang, alat bantu, dan jenis slotnya sama sekali berbeda.

SKU dengan volume besar per pengambilan lebih cocok ditempatkan di flow lane pallet dekat titik proses ketimbang rak shelving kecil yang dirancang untuk pengambilan satuan. Menaruh SKU bervolume besar di rak shelving kecil bukan cuma kurang efisien, biasanya juga tidak muat secara fisik atau memaksa picker bolak-balik mengambil dari beberapa slot untuk satu baris pesanan.

Batasan Penanganan yang Mengalahkan Urutan Frekuensi

Frekuensi dan volume menentukan seberapa dekat SKU idealnya ditempatkan. Batasan penanganan menentukan apakah SKU itu boleh ditempatkan di sana sama sekali, terlepas dari seberapa sering atau seberapa besar volumenya.

Begitu batasan penanganan diterapkan, sebagian SKU kelas A biasanya keluar dari kandidat golden zone berapa pun frekuensinya. Ini bukan pengecualian kecil, di banyak gudang consumer goods dan farmasi, batasan penanganan menyingkirkan lebih banyak SKU kelas A dari golden zone dibanding yang disingkirkan variabel volume.

Afinitas: SKU yang Sering Dipesan Bersamaan

Variabel keempat sering terlewat karena butuh data yang sedikit lebih rumit ditarik: baris pesanan mana yang sering muncul bersamaan dalam satu order. SKU yang secara individual masuk kelas B, bahkan kelas C, bisa tetap layak ditempatkan dekat SKU kelas A kalau keduanya rutin dipesan dalam order yang sama.

Analisis afinitas biasanya ditarik dari data co-occurrence sederhana: untuk tiap order, catat SKU apa saja yang muncul bersamaan, lalu hitung frekuensi tiap pasangan. Pasangan dengan porsi kemunculan tinggi jadi kandidat penempatan berdekatan, meski salah satu anggotanya sendirian tidak cukup sering untuk masuk kelas A.

Replenishment dan Ukuran Pick Face

Variabel kelima bukan soal di mana SKU ditaruh, tapi seberapa besar slotnya. SKU dengan frekuensi tinggi butuh pengisian ulang (replenishment) dari gudang reserve ke pick face lebih sering dibanding SKU yang jarang bergerak. Kalau pick face-nya terlalu kecil untuk volume yang lewat, replenishment terjadi berkali-kali dalam satu shift, dan setiap kali itu terjadi di jam sibuk, lorong utama tersendat karena picker lain harus mengalah memberi jalan.

SKU kelas A dengan pick face yang terlalu kecil sering terlihat 'sering kosong' di lantai, padahal masalahnya bukan kekurangan stok, tapi ukuran slotnya yang tidak sepadan dengan kecepatan barang itu bergerak.

Pergeseran Musiman pada Kelas SKU

Variabel keenam mengubah semua perhitungan di atas tergantung kapan datanya ditarik. Kelas ABC yang dihitung dari data bulan biasa bisa meleset jauh untuk SKU yang permintaannya melonjak musiman, produk terkait Lebaran, musim hujan, atau periode promosi besar.

Untuk SKU dengan pola musiman yang jelas, solusinya bukan reslotting permanen dua kali setahun, tapi zona cadangan dekat titik proses yang dibuka khusus selama periode puncak, lalu dikembalikan ke penempatan normal begitu musim itu lewat. Gudang yang kapasitasnya sudah mepet saat peak season biasanya juga menghadapi masalah lonjakan volume secara umum, bukan cuma soal slotting SKU musiman.

Menggabungkan Enam Variabel Jadi Satu Urutan Penempatan

Urutan praktisnya bukan menghitung keenam variabel serentak lalu menjumlahkannya jadi satu skor tunggal, itu perhitungan yang gampang terlihat presisi tapi angkanya sulit dipertanggungjawabkan begitu ditanya asal bobotnya. Urutan yang lebih bisa dikerjakan: hitung frekuensi dan volume dulu untuk mendapat kandidat kelas A, saring dengan batasan penanganan sebagai filter keras, cek afinitas untuk kandidat tambahan yang layak ikut pindah, sesuaikan ukuran slot dengan pola replenishment, lalu tandai SKU yang perlu perlakuan musiman terpisah dari layout permanen.

Sebelum-Sesudah: Proyeksi Dampak Frekuensi Saja vs Enam Variabel

Contoh berikut disederhanakan untuk menunjukkan dampaknya, bukan catatan satu gudang tertentu, memakai angka dari ilustrasi kelas A di atas: 42 SKU kelas A yang tersimpan di zona jauh, rata-rata 70 meter dari titik proses, masing-masing dipesan 14 kali per hari, dengan kecepatan jalan picker diasumsikan 1,2 meter per detik.

Selisih proyeksi antara dua skenario itu kecil, sekitar 6 menit kerja per hari. Yang membedakan bukan besar penghematannya, tapi apakah rencana itu bisa benar-benar dijalankan tanpa perlu dibongkar ulang begitu picker mengangkat karton berat dari rak setinggi bahu berkali-kali sehari.

Menerapkan Metode Ini ke Data Gudang Anda Sendiri

Keenam variabel di atas tidak butuh alat baru untuk mulai dihitung. Sebagian besar sudah tersimpan di WMS atau sistem order yang berjalan, dan yang belum tersedia bisa didekati dari catatan manual selama beberapa minggu.

1. 1Tarik data frekuensi dan volume per SKU selama 3-6 bulan representatif, lalu hitung kelas ABC dari kurva kumulatifnya, bukan angka baku 80/15/5.
2. 2Susun daftar batasan penanganan sebagai filter keras: berat di atas ambang angkat manual, mudah pecah, berbahaya, atau butuh suhu khusus. Saring kandidat kelas A dengan daftar ini sebelum menentukan zona.
3. 3Jalankan analisis co-occurrence sederhana dari data order untuk menemukan pasangan SKU yang sering dipesan bersamaan, lalu tandai kandidat yang layak ikut dipindah berdekatan meski frekuensi individunya biasa saja.
4. 4Bandingkan frekuensi replenishment dengan ukuran pick face saat ini untuk SKU kelas A, terutama yang sering terlihat kosong padahal stoknya sebenarnya ada di gudang reserve.
5. 5Ulangi kelas ABC untuk periode musiman kalau bisnis Anda punya pola permintaan yang jelas berubah mengikuti musim, dan siapkan zona cadangan sementara alih-alih reslotting permanen berulang kali.
6. 6Baru setelah lima langkah di atas, petakan hasilnya ke zona rak, dan urutkan pengerjaan reslotting dari SKU dengan selisih jarak dan volume terbesar dulu.

Picker paling produktif bukan yang paling cepat berjalan, tapi yang jaraknya paling pendek karena tata letak di belakangnya sudah dihitung dari enam variabel itu, bukan cuma dari satu angka frekuensi yang kebetulan paling gampang ditarik dari laporan.