Studi kasus solusiAIP428
Peramalan permintaan berbantuan ML untuk perencanaan Cold chain
Studi kasus solusi adalah skenario berbasis pola masalah umum di industri. Isinya tidak merujuk klien tertentu dan bukan portofolio proyek MarkasDev. Portofolio proyek klien dipublikasikan terpisah.
Konteks industri
Rantai dingin untuk farmasi/pangan dengan suhu. Tekanan compliance dan audit semakin sering, sementara sistem warisan masih dominan.
Batasan
- Data kotor/outlier
- Promo tidak tercatat rapi
- Multi-lokasi
- Jendela cutover sempit
Pendekatan
Diagnose
Mengukur baseline: Horizon forecast, granularity, dan driver bisnis.
Deliver
Menghadirkan: Pipeline data → model hierarkis ringan → planning UI + override manusia.
Operate
Memantau: Bias monitoring, cold-start SKU/lokasi, review override.
Arsitektur tingkat tinggi
Sales/ops historyfeaturesforecast serviceplanning tools.
Outcome tipikal
MAPE membaik pada SKU/lokasi utama; override lebih terdokumentasi.
Outcome tipikal atau yang diharapkan, bukan klaim hasil proyek MarkasDev.Pertanyaan umum
AI ganti planner?
Tidak; mendukung planner.
Real-time forecast?
Biasanya daily/weekly cukup di awal.