Perusahaan dapat mengetahui jumlah tenaga kerja yang tersedia hari ini, tetapi belum tentu mengetahui seberapa besar kebutuhan operasional yang akan muncul besok. Dalam konteks perencanaan tenaga kerja, demand forecasting adalah proses memperkirakan kebutuhan bisnis di masa mendatang agar organisasi dapat mengantisipasi perubahan workload sebelum menentukan kebutuhan tenaga kerja.
Pendekatan ini menggeser perencanaan dari pola reaktif menjadi lebih antisipatif. Alih-alih menggunakan jadwal atau jumlah karyawan periode sebelumnya sebagai asumsi kebutuhan berikutnya, perusahaan terlebih dahulu membaca bagaimana volume, waktu, lokasi, dan karakteristik demand kemungkinan berubah.
Mengapa Demand Perlu Diprediksi Sebelum Tenaga Kerja Direncanakan?
Perencanaan tenaga kerja sering berangkat dari supply: berapa orang yang tersedia, siapa yang masuk kerja, dan bagaimana jadwal sebelumnya disusun. Cara tersebut dapat bekerja ketika kebutuhan operasional relatif stabil, tetapi menjadi kurang responsif ketika demand berubah menurut waktu, lokasi, atau aktivitas bisnis.
Demand forecasting menawarkan titik awal berbeda dengan terlebih dahulu membaca kebutuhan yang kemungkinan akan dihadapi organisasi. Pendekatan ini dapat melengkapi strategic workforce planning karena keputusan SDM memiliki dasar yang lebih dekat dengan dinamika bisnis.
Jadwal Historis Tidak Sama dengan Demand Masa Depan
Jadwal periode sebelumnya hanya menunjukkan bagaimana tenaga kerja pernah dialokasikan, bukan apakah alokasi tersebut sesuai dengan kebutuhan aktual. Menggunakannya sebagai template terus-menerus dapat mempertahankan pola overstaffing atau understaffing yang sebenarnya sudah terjadi.
Data historis tetap penting, tetapi yang perlu dibaca adalah pola demand di balik jadwal tersebut. Perusahaan perlu memahami kapan volume pekerjaan meningkat, menurun, atau berubah sebelum memutuskan respons tenaga kerjanya.
Angka Rata-Rata Dapat Menyembunyikan Peak Demand
Dua hari dapat menghasilkan jumlah transaksi yang sama, tetapi memiliki distribusi demand yang sangat berbeda. Seribu transaksi yang tersebar merata selama sepuluh jam menimbulkan kebutuhan operasional berbeda dibandingkan jumlah yang sama dengan sebagian besar transaksi terkonsentrasi pada tiga jam tertentu.
Karena itu, forecasting tidak cukup hanya menghasilkan total demand untuk satu periode. Nilai forecast bagi workforce planning semakin besar ketika perusahaan dapat melihat kapan dan di mana kebutuhan tersebut muncul.
Apa Itu Demand Forecasting dalam Perencanaan Tenaga Kerja?
Demand forecasting adalah proses memperkirakan tingkat permintaan di masa mendatang berdasarkan data historis, pola yang teridentifikasi, dan informasi bisnis yang relevan. Demand dapat direpresentasikan oleh transaksi, jumlah pelanggan, order, tiket layanan, volume produksi, atau indikator lain yang mencerminkan aktivitas operasional.
Dalam workforce planning, forecast tersebut berfungsi sebagai business input, bukan keputusan tenaga kerja final. Perusahaan masih perlu menerjemahkan demand menjadi workload dan kapasitas sebelum menentukan jumlah maupun penempatan tenaga kerja.
Demand Forecasting Berbeda dengan Workforce Forecasting
Demand forecasting menjawab “Berapa besar kebutuhan bisnis yang kemungkinan terjadi?”, sedangkan workforce forecasting melihat kondisi atau kebutuhan tenaga kerja untuk merespons arah bisnis tersebut. Membedakan keduanya mencegah perusahaan menganggap setiap kenaikan demand otomatis membutuhkan penambahan headcount.
Peningkatan demand mungkin dapat ditangani melalui kapasitas yang tersedia, perubahan produktivitas, atau pengalokasian sumber daya yang berbeda. Sebaliknya, demand yang relatif stabil dapat tetap menimbulkan masalah apabila kapasitas tenaga kerja pada waktu atau lokasi tertentu tidak mencukupi.
Forecast Bukan Target yang Harus Terjadi
Forecast merupakan estimasi berdasarkan informasi yang tersedia pada saat perhitungan dilakukan. Nilainya bukan terletak pada kemampuan memprediksi masa depan secara sempurna, tetapi pada kemampuannya memberikan baseline yang lebih rasional untuk mempersiapkan keputusan.
Karena itu, hasil forecast perlu dibandingkan secara berkala dengan demand aktual. Selisih keduanya menjadi informasi penting untuk memahami apakah asumsi, data, atau pola bisnis telah berubah.
Demand Apa yang Sebenarnya Perlu Diprediksi?
Pertanyaan terpenting dalam forecasting bukan hanya “berapa banyak demand?”, tetapi juga seberapa detail demand perlu dipahami agar hasilnya relevan bagi keputusan operasional. Forecast bulanan dapat berguna bagi budgeting, tetapi belum tentu cukup untuk organisasi yang kebutuhan tenaga kerjanya berubah setiap hari atau bahkan setiap jam.
Tingkat granularitas karena itu perlu mengikuti keputusan yang ingin didukung. Semakin dekat forecast digunakan untuk perencanaan operasional, semakin penting dimensi waktu, lokasi, serta aktivitas di balik angka demand.
1. Volume Demand
Volume menunjukkan seberapa besar aktivitas yang diperkirakan perlu dilayani pada periode tertentu. Ukurannya dapat berupa jumlah pelanggan, transaksi, order, tiket, unit produksi, reservasi, atau indikator lain sesuai karakter bisnis.
Pemilihan metrik harus memiliki hubungan yang cukup kuat dengan workload. Metrik yang terlihat penting bagi bisnis belum tentu berguna untuk workforce planning apabila perubahan nilainya tidak memengaruhi pekerjaan yang harus dilakukan.
2. Waktu Terjadinya Demand
Total demand belum menjelaskan kapan kapasitas diperlukan. Perusahaan perlu mengenali distribusinya berdasarkan bulan, minggu, hari, jam, atau interval yang lebih spesifik apabila operasi memang membutuhkan tingkat detail tersebut.
Misalnya, kenaikan traffic pada Jumat pukul 17.00–21.00 lebih relevan bagi keputusan operasional dibanding sekadar mengetahui rata-rata traffic mingguan meningkat. Forecast berbasis waktu membantu perusahaan melihat peak dan low period yang dapat tersembunyi di balik angka agregat.
3. Lokasi Terjadinya Demand
Perusahaan dengan multi-entity HR yang mengelola banyak cabang, outlet, site, atau area operasional juga perlu memahami distribusi demand berdasarkan lokasi. Pertumbuhan secara agregat tidak selalu berarti setiap lokasi mengalami perubahan dengan tingkat yang sama.
Satu lokasi dapat mengalami lonjakan sementara lokasi lain relatif stabil atau menurun. Forecast per lokasi memberi gambaran yang lebih berguna dibanding menggunakan rata-rata perusahaan sebagai asumsi untuk seluruh unit.
4. Jenis Aktivitas yang Dipengaruhi
Satu jenis demand dapat memengaruhi beberapa aktivitas dengan intensitas berbeda. Peningkatan jumlah pengunjung, misalnya, dapat meningkatkan kebutuhan pada kasir, layanan pelanggan, pemenuhan barang, atau fungsi operasional lainnya.
Karena itu, perusahaan perlu memahami hubungan antara demand driver dan pekerjaan yang ditimbulkannya. Hubungan tersebut nantinya menjadi jembatan dari demand forecast menuju workforce requirement tanpa menjadikan forecast itu sendiri sebagai keputusan staffing.
Data Apa yang Dibutuhkan untuk Demand Forecasting?
Forecast yang berguna tidak selalu membutuhkan data sebanyak mungkin, tetapi membutuhkan data yang relevan dan konsisten. Perusahaan perlu mengetahui variabel mana yang benar-benar membantu menjelaskan pola perubahan demand.
Data historis memberikan baseline, sementara informasi mengenai kalender dan kondisi bisnis membantu menjelaskan mengapa masa depan mungkin berbeda dari masa lalu. Kombinasi keduanya mengurangi risiko forecast sekadar mengulang pola sebelumnya.
1. Historical Demand sebagai Baseline
Data transaksi, traffic, order, volume produksi, atau aktivitas layanan dapat menunjukkan pola yang pernah terjadi. Dari data tersebut, perusahaan dapat melihat baseline, tren, variasi, serta periode dengan perubahan demand yang berulang.
Kualitas data menjadi penting karena definisi yang berubah atau pencatatan yang tidak konsisten dapat menghasilkan pola yang menyesatkan. Prinsip ini sejalan dengan penggunaan people analytics dalam pengambilan keputusan HR: nilai data baru muncul ketika informasi dapat dipercaya dan masuk ke keputusan yang relevan.
2. Seasonality dan Kalender Operasional
Demand sering memiliki pola yang berulang berdasarkan hari kerja, akhir pekan, musim, hari libur, periode gajian, atau kalender bisnis. Pola tersebut perlu dibedakan dari pertumbuhan atau penurunan yang sifatnya lebih permanen.
Dengan memahami seasonality, perusahaan dapat menghindari interpretasi bahwa setiap lonjakan merupakan tren baru. Forecast juga menjadi lebih kontekstual karena membandingkan periode dengan kondisi yang memang relevan.
3. Business Events yang Belum Tercermin dalam Data
Data historis tidak mengetahui bahwa perusahaan akan menjalankan promosi besar, membuka cabang, memperpanjang jam operasional, mengadakan event, atau melakukan maintenance. Informasi semacam ini dapat membuat demand aktual berbeda signifikan dari baseline historis.
Karena itu, forecasting membutuhkan business context selain model statistik. Manajer operasional tetap berperan memberikan informasi mengenai kondisi mendatang yang belum dapat ditemukan dari data masa lalu.
Bagaimana Cara Kerja Demand Forecasting?
Demand forecasting bekerja dengan mengubah data historis dan konteks bisnis menjadi estimasi kebutuhan pada periode mendatang. Prosesnya tidak berhenti pada menjalankan sebuah model, tetapi mencakup penentuan apa yang diprediksi, tingkat detail yang diperlukan, serta evaluasi terhadap hasilnya.
Secara sederhana, alurnya dapat digambarkan sebagai:
Demand Driver → Historical Pattern → Forecast → Business Adjustment → Actual Demand → Review.
Siklus tersebut membuat forecast dapat terus diperbaiki ketika perusahaan memperoleh informasi baru.
1. Tentukan Demand Driver
Pertama, identifikasi variabel yang paling mencerminkan perubahan workload. Retail dapat menggunakan traffic atau transaksi, contact center menggunakan volume kontak, sementara manufaktur dapat menggunakan target produksi atau order.
Demand driver perlu dipilih berdasarkan hubungan operasional, bukan hanya karena datanya mudah diperoleh. Tujuannya adalah menemukan sinyal yang nantinya dapat diterjemahkan menjadi kebutuhan kerja.
2. Tentukan Horizon dan Granularitas Forecast
Perusahaan kemudian menentukan seberapa jauh ke depan forecast diperlukan dan dalam interval apa hasilnya akan digunakan. Forecast tahunan, bulanan, harian, dan per jam menjawab kebutuhan keputusan yang berbeda.
Untuk workforce planning operasional, forecast yang terlalu agregat dapat menyembunyikan periode ketika workload benar-benar meningkat. Sebaliknya, tingkat detail yang terlalu tinggi tanpa data memadai dapat menghasilkan volatilitas yang sulit diinterpretasikan.
3. Identifikasi Baseline dan Pola Historis
Data historis dianalisis untuk melihat level demand normal, tren, seasonality, serta variasi yang berulang. Pada tahap ini, perusahaan juga perlu mengenali outlier agar kejadian luar biasa tidak otomatis dianggap sebagai pola normal.
Baseline memberikan titik pembanding bagi periode berikutnya. Namun, baseline tidak seharusnya digunakan secara mekanis karena kondisi bisnis dapat berubah setelah data tersebut terbentuk.
4. Buat Baseline Forecast
Setelah pola diketahui, perusahaan dapat menggunakan metode forecasting yang sesuai untuk menghasilkan estimasi awal. Metodenya dapat berupa moving average, time-series, atau pendekatan lain yang sesuai dengan pola dan kualitas data.
Model yang lebih kompleks tidak otomatis menghasilkan keputusan yang lebih baik. Forecast perlu cukup akurat untuk kebutuhan bisnis sekaligus dapat dipahami, dievaluasi, dan diperbarui ketika kondisi berubah.
5. Masukkan Business Context
Baseline forecast selanjutnya ditinjau berdasarkan informasi yang belum tercermin dalam data historis. Promosi, event, perubahan jam operasional, pembukaan lokasi, atau faktor eksternal tertentu dapat menjadi alasan melakukan adjustment.
Tahap ini membuat forecasting menjadi kombinasi antara data dan judgment, bukan persaingan antara keduanya. Sistem dapat menemukan pola dalam jumlah data yang besar, sementara manusia memberikan konteks terhadap perubahan yang belum pernah terjadi.
6. Bandingkan Forecast dengan Actual Demand
Setelah periode berjalan, perusahaan perlu membandingkan hasil forecast dengan demand aktual. Perbedaan tersebut membantu mengidentifikasi apakah forecast cenderung terlalu tinggi, terlalu rendah, atau hanya meleset pada kondisi tertentu.
Evaluasi perlu dilakukan pada granularitas yang relevan dengan penggunaannya. Forecast bulanan dapat terlihat akurat meskipun prediksi per hari atau lokasi masih menghasilkan deviasi besar.
Dari Demand Forecasting ke Penjadwalan Tenaga Kerja
Demand forecasting membantu perusahaan memperkirakan kebutuhan bisnis sebelum menentukan kapasitas tenaga kerja. Tahap berikutnya adalah menerjemahkan forecast tersebut menjadi workforce requirement hingga jadwal yang sesuai dengan kebutuhan operasional.
Pelajari bagaimana pendekatan penjadwalan tenaga kerja berbasis demand menghubungkan demand dengan keputusan scheduling. Untuk melihat bagaimana pendekatan tersebut diterapkan melalui teknologi, kenali juga SunFish HR Smart Scheduler dalam menghubungkan demand planning dengan penyusunan jadwal tenaga kerja.
FAQ
Apa saja contoh forecasting?
Contohnya meliputi forecasting penjualan, permintaan, produksi, persediaan, dan kebutuhan tenaga kerja.
Apa yang dimaksud dengan peramalan permintaan?
Peramalan permintaan adalah proses memperkirakan demand pada periode mendatang berdasarkan data historis dan faktor bisnis.
Apa saja 3 metode forecasting?
Tiga metode forecasting adalah moving average, time-series forecasting, dan causal forecasting.
Apa contoh permintaan (demand)?
Contohnya jumlah pelanggan, transaksi, pesanan, tiket layanan, reservasi, atau unit produksi.
