Pesanan Pembelian Terlambat: Studi Kasus

Versi singkat

Tujuh gagasan di balik model ini

Keterlambatan ditentukan di hub

Setelah barang berada di laut, hanya sedikit yang bisa dilakukan. Peringatan yang berguna muncul saat barang masih berada di hub, atau bahkan sebelum pemasok mengirimkannya.

Satu peramalan, dua penilaian

Tanggal kedatangan hasil peramalan yang sama dibandingkan dengan tanggal jatuh tempo di lokasi (apakah kebutuhan terpenuhi?) dan dengan standar pengiriman (apakah logistik menjalankan tugasnya?).

Waktu bergantung pada tahapnya

Sebelum hub, tanggal janji pemasok menjadi dasar peramalan. Di hub, konsolidasi standar. Di laut, keberangkatan aktual.

Toleransi adalah jendela eskalasi

Setiap hub memiliki rentang hari ketika pesanan yang tampak terlambat masih bisa dipulihkan dengan mempercepat keberangkatan. Melewati rentang itu, pesanan tetap terlambat meskipun pelayarannya standar.

Data mentah per pengiriman, pesanan per baris

Setiap penerimaan (RTN) dinilai sendiri untuk aspek logistik. Kuantitasnya kemudian dijumlahkan per baris PO untuk memutuskan status lengkap dan status lokasi.

Mesin yang sama dijalankan untuk pengiriman keluar

Produk yang meninggalkan lokasi mengikuti pola kebalikannya: tanggal siap, hub, konsolidasi, pelayaran, penerimaan pelanggan. Hanya labelnya yang berubah.

Setiap angka adalah milik Anda

Semua nilai contoh adalah placeholder umum. Ganti dengan lead time, standar, dan toleransi Anda sendiri sebelum menarik kesimpulan.

1Pertanyaannya

Pesanan terbuka mana yang akan melewati tanggal jatuh temponya jika tidak ada perubahan, dan mana yang masih bisa diselamatkan?

Status seperti "Tepat waktu" atau "Terlambat" yang tercetak setelah pengiriman hanya menjelaskan masa lalu. Perencana membutuhkan kebalikannya: daftar pesanan yang mengarah ke keterlambatan yang sudah diurutkan, alasannya, dan tanggal batas ketika tindakan masih efektif. Model di halaman ini membangun daftar tersebut hanya dari lima tanggal per pengiriman: tanggal janji pemasok, penerimaan barang di hub (GR Offsite), mulai pengiriman, penerimaan di lokasi (GR Onsite), dan hari ini.

Tiga pertanyaan yang dijawab halaman ini. (1) Di mana posisi setiap pesanan dalam alur saat ini, dan apakah ia mulai bergeser? (2) Apakah penyebabnya pemasok, hub, atau pelayaran? (3) Jika pemasok terlambat, hub menahan barang lebih lama, atau pelayaran molor, berapa banyak pesanan yang menjadi terlambat, dan yang mana saja?

2Alur bisnis dari awal hingga akhir

Setiap pengiriman melewati empat fase yang sama. Setiap fase memiliki penanggung jawab dan KPI. Model mengukur keterlambatan di sepanjang rantai ini.

Pemasok atau pabrik3PL di hubKonsolidasi di hubPengangkut, bea cukai, darat

Masuk dan keluar adalah cerminan satu sama lain

Konsep	Masuk (material)	Keluar (produk)
Pesanan	Baris pesanan pembelian	Baris pesanan penjualan atau pengiriman
Janji awal	PO Delivery Date: pemasok mengirim ke hub	Tanggal siap kirim: pabrik menyerahkan ke hub
Penerimaan di hub	GR Offsite dicatat oleh 3PL	Penerimaan di hub dicatat oleh 3PL
Konsolidasi	Menggabungkan lot pemasok ke dalam kontainer atau kapal	Memuat kontainer dan menunggu batas waktu (cut-off) kapal
Pelayaran	Mulai pengiriman hingga kedatangan, kepabeanan, dan rute darat	Keberangkatan kapal hingga kedatangan, kepabeanan, dan last mile
Titik akhir	GR Onsite di lokasi	Bukti penerimaan di pelanggan
Target akhir	Due Site Date = PO Delivery Date + Lead Time	Tanggal jatuh tempo pelanggan = Tanggal siap + Lead Time
KPI pertama	RIFOT: pemasok diterima lengkap dan tepat waktu di hub	OTIF di asal: produk siap lengkap dan tepat waktu

Penyebab umum keterlambatan per fase (pengalaman umum, bukan data perusahaan)

Fase pemasok atau pabrik

Produksi atau pengadaan molor, lot parsial, dokumen belum siap, pemasok belum mengonfirmasi tanggal. Pesanan sudah terlambat sebelum pekerjaan logistik dimulai.

Fase pencatatan di hub

Barang menunggu di area penumpukan atau dermaga untuk inspeksi, pelabelan, atau pencatatan. Pemasok tampak terlambat di sistem padahal barangnya sudah ada secara fisik.

Fase konsolidasi

Menunggu lot lain untuk melengkapi kontainer, ruang booking, atau pelayaran berikutnya. Inilah fase ketika eskalasi masih dapat mengubah hasil.

Fase pelayaran, kepabeanan, dan darat

Kemacetan pelabuhan, transshipment, inspeksi, pelepasan bea cukai, pengangkutan truk. Sedikit yang dapat dipulihkan setelah kapal berangkat.

3KPI di sepanjang alur

Setiap KPI menjawab satu pertanyaan tentang satu fase. Bersama-sama, KPI menunjukkan siapa yang bertanggung jawab atas keterlambatan.

KPI	Pertanyaan	Dari	Ke	Dibandingkan dengan	Penanggung jawab
RIFOT	Apakah pemasok mengirim lengkap dan tepat waktu ke hub?	PO Delivery Date	GR Offsite (lengkap)	PO Delivery Date	Pemasok, pengadaan
GR tepat waktu	Berapa lama dari penerimaan fisik di 3PL hingga pencatatan GR?	Penerimaan fisik 3PL	Pencatatan GR Offsite	KPI GR (hari)	3PL
KPI konsolidasi	Berapa lama barang tertahan di hub sebelum pengiriman dimulai?	GR Offsite	Mulai Pengiriman	Hari konsolidasi standar per hub	3PL, logistik
Standar pelayaran	Apakah pelayaran, kepabeanan, dan rute darat memenuhi tabel pengiriman?	Mulai Pengiriman	GR Onsite	Lead Time − konsolidasi standar	Pengangkut, forwarder
Logistik tepat waktu	Apakah logistik secara keseluruhan memenuhi tabel pengiriman?	GR Offsite	GR Onsite	GR Offsite + Lead Time	Logistik
DIFOT	Apakah seluruh kuantitas sampai di lokasi tepat pada tanggal jatuh tempo?	PO Delivery Date	GR Onsite (lengkap)	Due Site Date	Rantai pasok secara keseluruhan

Mengapa langkah pencatatan GR penting. Jika pemasok mengirim tepat waktu tetapi 3PL mencatat penerimaan dua hari kemudian, RIFOT berbasis hub menunjukkan pemasok terlambat. Mencatat tanggal penerimaan fisik memisahkan keduanya. Model menerima tanggal tersebut sebagai kolom opsional dan membagi keterlambatan sesuai dengan itu.

Logistik tepat waktu

Logistik terlambat

Lokasi tepat waktu

Sehat. Tidak ada yang perlu dilakukan.

Masalah logistik tersembunyi. Lokasi terlindungi oleh pemasok yang datang lebih awal. Perbaiki prosesnya, tidak mendesak.

Lokasi terlambat

Penyebab pemasok. Eskalasi ke pengadaan.

Penyebab logistik. Prioritas tertinggi.

4Metode

Peramalan berbasis aturan dalam empat langkah, diterapkan pada setiap baris PO dan setiap penerimaan.

Langkah 1. Kelompokkan data mentah

Data mentah memiliki satu baris per penerimaan (RTN). Jika baris PO yang sama muncul lebih dari sekali dengan RTN berbeda, baris tersebut dikirim secara bertahap. Model mempertahankan kedua tingkat detail tersebut.

Tingkat RTN digunakan untuk penilaian logistik, karena setiap pengiriman memiliki tanggalnya sendiri.
Tingkat baris PO digunakan untuk keputusan lengkap dan penilaian lokasi, karena kuantitas dipesan per baris.

Langkah 2. Tentukan tahap setiap baris PO

Hanya peristiwa yang bertanggal pada atau sebelum tanggal acuan yang dihitung. Kuantitas dari semua penerimaan pada baris dijumlahkan.

Tahap	Uji (diperiksa dari bawah ke atas)
Diterima	Kuantitas di lokasi ≥ kuantitas PO
Di laut	Kuantitas dengan mulai pengiriman ≥ kuantitas PO
Di hub	Kuantitas dicatat di hub ≥ kuantitas PO (lengkap di hub)
Vendor	Selain itu, termasuk baris yang dikirim sebagian

Langkah 3. Ramalkan kedatangan

Tahap	Peramalan kedatangan	Logika
Vendor	MAX(tanggal acuan, PO Delivery Date) + Lead Time	Asumsikan pemasok mengirim pada tanggal janjinya. Setelah tanggal itu lewat, pengiriman paling awal adalah hari ini.
Di hub	Tanggal acuan + (Lead Time − Konsolidasi Standar)	Skenario terbaik: barang meninggalkan hub hari ini. Konsolidasi standar sudah terlewati.
Di laut	Mulai Pengiriman + (Lead Time − Konsolidasi Standar)	Tanggal keberangkatan adalah fakta. Yang tersisa hanya pelayaran standar.
Diterima	GR Onsite aktual	Final.

Asumsi. Lead Time sudah mencakup konsolidasi standar di hub. Due Site Date = PO Delivery Date + Lead Time, dan tanggal ini tidak boleh dipindahkan ketika pemasok mengirim lebih awal.

Langkah 4. Bandingkan dengan target, lalu terapkan rentangnya

Penilaian 1: status lokasi (per baris PO)

Target adalah Due Site Date. Target ini mencakup pemasok, sehingga menjawab apakah kebutuhan terpenuhi. Hanya final ketika baris sudah lengkap.

Penilaian 2: status logistik (per RTN)

Target adalah GR Offsite + Lead Time. Waktu mulai ketika barang masuk hub, sehingga pemasok dikecualikan dan setiap pengiriman dinilai sendiri.

Slack (target − peramalan)	Status	Arti untuk tindakan
> toleransi	Tepat waktu	Tidak perlu tindakan
0 hingga toleransi	Kemungkinan tepat waktu	Di dalam jendela eskalasi: bertindak sekarang agar tetap tepat waktu
−toleransi hingga −1	Kemungkinan terlambat	Terlambat hingga sebesar toleransi kecuali keberangkatan atau pelayaran dipercepat
< −toleransi	Terlambat	Terlambat bahkan pada waktu pelayaran standar
Toleransi = 0 (rute langsung)	Tepat waktu / Terlambat	Tidak ada penyangga hub, sehingga tidak ada kelas "Kemungkinan"

Toleransi sebelum pengiriman dipakai untuk tahap vendor dan hub; toleransi setelah pengiriman dipakai di laut. Keduanya adalah variabel per hub, dipisahkan untuk penilaian lokasi dan penilaian logistik.

5Rumus

Tanggal dan standar

Due Site Date = PO Delivery Date + LT Target Logistik = GR Offsite (RTN ini) + LT Sisa LT setelah hub = LT − Konsolidasi Standar Tanggal keberangkatan terakhir = Due Site Date − (LT − Konsolidasi Standar)

Kuantitas per baris PO (peristiwa pada atau sebelum tanggal acuan)

Qty di hub = Σ qty RTN dengan GR Offsite ≤ tanggal acuan Lengkap di hub = (Qty di hub ≥ qty PO) Qty dikirim = Σ qty RTN dengan Mulai Pengiriman ≤ tanggal acuan Qty di lokasi = Σ qty RTN dengan GR Onsite ≤ tanggal acuan DIFOT = 1 jika diterima lengkap dan GR Onsite terakhir ≤ Due Site Date, selain itu 0

Peramalan, slack, dan status

Peramalan(Vendor) = MAX(tanggal acuan, PO Delivery Date) + LT Peramalan(Di hub) = tanggal acuan + (LT − Std) Peramalan(Di laut) = Mulai Pengiriman + (LT − Std) Slack = Target − Peramalan (positif = lebih awal) Status = rentang(Slack, toleransi)

Ke mana hari-hari itu pergi: pembagian tepat dari kedatangan yang terlambat

Untuk pengiriman yang sudah diterima, hari keterlambatan terhadap Due Site Date terbagi tepat menjadi empat bagian, karena Lead Time adalah jumlah konsolidasi standar dan sisa standar:

Kedatangan − Due Site Date = (Penerimaan 3PL − PO Delivery Date) pemasok + (GR Offsite − Penerimaan 3PL) pencatatan GR + (Mulai Pengiriman − GR Offsite − Konsolidasi Standar) waktu tinggal di hub vs KPI + (GR Onsite − Mulai Pengiriman − (LT − Std)) pelayaran vs standar

Contoh perhitungan, dihitung langsung dari tabel hub

Lapisan probabilitas (perluasan, bagian 10)

P(terlambat) = porsi dari N simulasi dengan Peramalan + kelebihan waktu di hub + keterlambatan pemasok + noise transit > Due Site Date kelebihan waktu di hub, keterlambatan pemasok = MAX(0, Normal(0, sd)) noise transit = Normal(0, sd)

6Pengaturan parameter

Isi bagian ini sebelum membaca hasil. Contoh umum sudah dimuat.

6.1 Umum

Gunakan tanggal hari ini sebagai tanggal acuan

Tanggal acuan tetap

Peristiwa setelah tanggal ini diabaikan

KPI GR tepat waktu (hari)

Dari penerimaan 3PL ke pencatatan GR

Kumpulan data yang digunakan

Set uji = 19 baris yang dipakai untuk memeriksa terhadap model Excel

6.2 Tabel parameter hub

Satu baris per rute. Konsolidasi standar adalah jumlah hari barang biasanya ditahan di hub; ini bagian dari Lead Time. Toleransi adalah jendela eskalasi dalam hari. Isi 0 untuk rute langsung.

Placeholder. Setiap angka di sini adalah contoh umum. Toleransi logistik disamakan dengan toleransi lokasi sampai Anda memutuskan lain.

6.3 Pengiriman (satu baris per RTN)

Kolom tingkat PO (hub, kuantitas PO, tanggal janji, lead time, tanda batal, penggantian tanggal acuan) dibaca dari baris pertama setiap baris PO. Pastikan nilainya sama di semua baris pada baris yang sama. Batal = X menghapus seluruh baris. Jika penggantian tanggal acuan dikosongkan, digunakan tanggal umum.

6.4 Pengaturan lapisan probabilitas (ilustrasi)

Keterlambatan pemasok, sd (hari)

Hanya tahap vendor

Kelebihan waktu di hub, sd (hari)

Tahap vendor dan hub

Noise transit, sd (hari)

Semua baris terbuka

Simulasi per baris

200 hingga 10,000

Placeholder. Sebaran ini tidak diperkirakan dari data. Dalam praktiknya, sebaran berasal dari riwayat setiap pemasok dan jalur (bagian 10).

7Hasil dan what-if

Geser tuas untuk melihat pesanan mana yang berubah status, dan mengapa. Semua hasil dihitung ulang seketika.

7.1 Tuas what-if

Proyeksi ke depan jika tidak ada tindakan 0 d

Waktu bergerak maju, tanpa peristiwa baru

Pemasok molor sebesar 0 d

Hanya baris tahap vendor

Hub menahan barang lebih lama sebesar 0 d

Baris vendor dan hub. 0 = berangkat hari ini

Pelayaran molor sebesar 0 d

Semua baris terbuka. Negatif = lebih cepat

7.2 Ringkasan utama

7.3 Pesanan mana yang kemungkinan terlambat tiba

Diurutkan berdasarkan probabilitas terlambat tiba, lalu berdasarkan slack. Kolom status berasal dari model berbasis aturan; kolom probabilitas adalah perluasan di bagian 10.

7.4 Linimasa baris terbuka dan tertutup

7.5 Jumlah status, dasar dibandingkan what-if

7.6 Penilaian logistik per pengiriman, dan ke mana hari-hari itu pergi

Kolom di sebelah kanan membagi hari terhadap tabel pengiriman menjadi pemasok, pencatatan GR, waktu tinggal di hub terhadap KPI, dan pelayaran terhadap standar. Negatif = lebih baik dari standar. Tanda strip berarti tahap tersebut belum terjadi.

7.7 Rantai KPI dari data (tidak terpengaruh oleh tuas)

Persentase dari contoh umum hanya membuktikan bahwa rumusnya berfungsi. Angka tersebut bukan ukuran kinerja.

7.8 Pemeriksaan mandiri terhadap model Excel

8Membaca hasil

Jangan membaca "Kemungkinan tepat waktu" sebagai aman

Artinya pesanan berada di dalam jendela eskalasi. Dengan asumsi skenario terbaik (berangkat hari ini), baris dengan slack nol tidak memiliki ruang untuk variasi apa pun. Kolom probabilitas menunjukkannya: baris dengan slack nol sering kali memiliki probabilitas terlambat yang tinggi begitu variasi diperhitungkan.

Tindak baris hub lebih dulu

Baris vendor bergantung pada janji yang tidak bisa Anda ubah. Baris laut tidak bisa diubah. Baris hub memiliki tanggal sekaligus tuas, sehingga menjadi prioritas pertama untuk eskalasi.

Baca kedua status secara bersamaan

Baris yang terlambat pada status lokasi tetapi tepat waktu pada logistik adalah masalah pemasok. Baris yang tepat waktu di lokasi tetapi terlambat pada logistik adalah masalah tersembunyi yang terlindungi oleh pemasok yang datang lebih awal.

Uji tuas satu per satu

Penahanan di hub selama tujuh hari dan keterlambatan pelayaran selama tujuh hari sama-sama menambah tujuh hari pada kedatangan baris hub. Keduanya berbeda dalam hal siapa yang memiliki perbaikannya dan kapan Anda masih bisa bertindak.

9Peta literatur

Model berbasis aturan adalah baseline transparan yang menjadi titik awal riset terkini. Peta ini menunjukkan tiga makalah yang memperluasnya.

Tangga kematangan peramalan

Level 0 · Rentang berbasis aturan (model ini)Lead time tetap per rute, toleransi tetap per hub, empat label. Transparan dan mudah diaudit.

Baseline Makalah 1Baseline Makalah 2

Level 1 · Probabilitas terlambatGanti satu tanggal dengan distribusi yang dibangun dari riwayat, sehingga setiap pesanan memiliki probabilitas dan interval.

Makalah 2Makalah 3

Level 2 · Hari keterlambatan, bukan hanya labelPertama klasifikasikan terlambat atau tidak, lalu prediksi jumlah hari keterlambatan. Ini adalah "prediksi hari keterlambatan" yang masih belum dimiliki model.

Makalah 3

Level 3 · Ambang adaptifToleransi yang berubah mengikuti variabilitas yang teramati per rute, bukan satu rentang tetap per hub.

Makalah 1

Level 4 · Aturan keputusanUbah probabilitas menjadi tindakan dengan aturan biaya: percepat, peringatkan lokasi, atau terima.

Makalah 2

Asal setiap bagian model. H1 rentang toleransi tetap → baseline Makalah 1. H2 lead time tabel pengiriman yang statis → baseline Makalah 2. H3 empat label tanpa hari keterlambatan → Makalah 3. H4 asumsi "pemasok mengirim tepat waktu" → lapisan probabilitas (Makalah 2 dan 3).

Makalah 1 · Sistem Peringatan Dini Cerdas untuk Keterlambatan Pemasok

Pemodelan probabilistik dinamis yang dikalibrasi IoT pada rantai pasok engineer-to-order.

GagasanMembandingkan sistem peringatan ambang tetap dengan sistem adaptif. Ambang tetap menjaga alarm palsu tetap rendah dalam kondisi stabil; ambang adaptif lebih baik mendeteksi dalam kondisi berisiko tinggi.

PemetaanToleransi per hub kami adalah baseline ambang tetap. Langkah berikutnya adalah menetapkannya dari variabilitas yang teramati pada setiap jalur.

Makalah 2 · Conformal Predictive Distributions for Order Fulfillment Time Forecasting

Meramalkan distribusi waktu pemenuhan, dengan aturan biaya untuk keputusan.

GagasanAturan berbasis tabel yang statis gagal menangkap ketidakpastian. Distribusi prediksi lebih baik dalam mengidentifikasi pengiriman terlambat dan menjadi masukan bagi aturan keputusan berbasis biaya.

PemetaanTabel pengiriman kami adalah baseline statis. Lapisan probabilitas di halaman ini adalah pengganti sederhana untuk distribusi prediksi.

Makalah 3 · Uncertainty-Aware Delivery Delay Duration Prediction via Multi-Task Deep Learning

Klasifikasikan keterlambatan terlebih dahulu, lalu prediksi durasinya.

GagasanMemprediksi berapa lama pengiriman terlambat, bukan hanya apakah terlambat, mendukung peramalan probabilistik.

PemetaanEmpat label kami sesuai dengan langkah klasifikasi. Kolom hari keterlambatan di bagian 7 adalah langkah durasi dalam bentuk berbasis aturan.

Catatan membaca: hanya abstrak dan pendahuluan makalah-makalah ini yang ditinjau, dan dua di antaranya adalah preprint. Kumpulan datanya (manufaktur engineer-to-order, e-commerce, pengiriman industri) berbeda dengan pesanan pembelian impor, sehingga angka akurasi yang dilaporkan tidak berlaku untuk data Anda.

10Cara menyempurnakan model

Sembilan celah, apa yang menutup masing-masing, dan apakah halaman ini sudah menampilkannya.

#	Celah dalam model berbasis aturan	Peningkatan	Di halaman ini	Data yang dibutuhkan
1	Asumsi "vendor tepat waktu" membuat tahap vendor tampak aman	Probabilitas terlambat dari riwayat pemasok dan jalur, ditambah tanggal yang dikonfirmasi pemasok	Aktif (sebaran placeholder)	Tanggal konfirmasi, pengakuan, jumlah penjadwalan ulang
2	Toleransi tetap untuk setiap pemasok dan jalur	Turunkan rentang dari persentil lead time historis per rute	Peta jalan	20 hingga 30 pengiriman selesai per rute
3	Peramalan hub mengasumsikan keberangkatan hari ini	Gunakan tanggal konsolidasi atau cut-off yang direncanakan; uji skenario penahanan di hub	Tuas aktif	Jadwal booking dan kapal per rute
4	Keterlambatan pencatatan GR tersembunyi di dalam keterlambatan pemasok	Catat tanggal penerimaan fisik 3PL dan pisahkan keterlambatannya	Aktif (kolom opsional)	Tanggal penerimaan fisik 3PL
5	Pengiriman parsial dinilai sebagai satu kesatuan	Nilai logistik per penerimaan, lengkap per baris	Aktif	Kuantitas dan tanggal tingkat penerimaan
6	Waktu pelayaran standar, tanpa sinyal kapal	Masukkan ETA kapal dan peristiwa pelabuhan begitu pengiriman berada di laut	Peta jalan	Umpan data pengangkut atau pelacakan
7	Tidak ada umpan balik	Snapshot status harian per baris, lalu hit rate, bias, dan tracking signal dari error ETA	Peta jalan	Tabel snapshot dalam alur data
8	Hanya label, tanpa prioritas	Tambahkan hari terlambat, nilai, tingkat kritikalitas, dan tanggal kebutuhan; urutkan berdasarkan risiko	Hari dan probabilitas aktif	Tanggal kebutuhan, nilai, kritikalitas
9	Pengiriman keluar tidak diukur dengan cara yang sama	Jalankan mesin yang sama pada pengiriman yang meninggalkan lokasi	Aktif (sakelar arah)	Tanggal siap, penerimaan hub, keberangkatan kapal, penerimaan pelanggan

Rutin back-test untuk peningkatan 7

Simpan satu baris per baris PO per hari beserta statusnya. Ketika suatu baris selesai, bandingkan statusnya pada hari T−14 dengan hasilnya:

Hit rate (Kemungkinan terlambat) = baris berlabel Kemungkinan terlambat atau Terlambat pada T−14 yang benar-benar terlambat ÷ baris berlabel demikian Terlewat = baris yang terlambat tetapi berstatus Tepat waktu atau Kemungkinan tepat waktu pada T−14 Bias error ETA = rata-rata (kedatangan aktual − kedatangan peramalan) Tracking signal = error ETA kumulatif ÷ MAD selidiki ketika melewati ±4

Kalibrasi ulang setiap toleransi ketika hit rate bergeser. Toleransi yang lebih rendah menaikkan porsi label Terlambat dan menurunkan porsi baris yang terlewat; nilai yang tepat menyeimbangkan alarm palsu dengan peringatan yang terlewat untuk bisnis Anda.

Urutan pembangunan yang disarankan

Catat tanggal penerimaan fisik 3PL dan tanggal konfirmasi pemasok (perubahan data kecil, manfaat atribusi besar).
Mulai snapshot harian sekarang; butuh berbulan-bulan untuk terisi dan setiap peningkatan berikutnya bergantung padanya.
Perkirakan sebaran per rute dari riwayat dan ganti sebaran placeholder.
Tambahkan tanggal keberangkatan yang direncanakan di hub, lalu ETA kapal.
Urutkan baris terbuka berdasarkan risiko, nilai, dan tanggal kebutuhan.

11Batasan dan sumber

Batasan.

Semua nilai contoh (lead time, hub, toleransi, tanggal) adalah placeholder umum, bukan data perusahaan.
Peramalan berbasis aturan dengan lead time standar tetap. Tidak ada ETA kapal, tanggal konfirmasi pemasok, maupun riwayat lead time.
Lapisan probabilitas menggunakan sebaran yang Anda masukkan. Ini adalah ilustrasi gagasan, bukan model yang terkalibrasi.
Sebuah baris dihitung lengkap hanya ketika jumlah kuantitasnya mencapai kuantitas PO. Pengiriman berlebih dihitung lengkap; satuan harus sama.
GR Offsite terbaru digunakan sebagai tanggal lengkap. Jika penerimaan tambahan tiba setelah baris lengkap, tanggal ikut berubah.
Toleransi logistik adalah placeholder. Belum divalidasi dengan data aktual.

Sumber

Intelligent Early Warning System for Supplier Delays Using Dynamic IoT-Calibrated Probabilistic Modeling in Smart Engineer-to-Order Supply Chains (jurnal).
Conformal Predictive Distributions for Order Fulfillment Time Forecasting (preprint arXiv).
Uncertainty-Aware Delivery Delay Duration Prediction via Multi-Task Deep Learning (preprint arXiv).
Ukuran error peramalan (bias, MAD, tracking signal) dan metrik keandalan mengikuti praktik manajemen rantai pasok yang umum.