Tiga Kasus Nyata di Mana Dashboard Inventaris Memangkas Pemborosan dan Menghemat Biaya

Sebuah jaringan toko convenience di Inggris dengan lebih dari 200 gerai punya masalah food waste yang tidak bisa mereka lihat dengan jelas. Proses markdown-nya manual, dijalankan berdasarkan aturan waktu yang kaku, dan hampir tidak menghasilkan data yang bisa ditindaklanjuti. Manajer tidak bisa mengetahui toko mana yang over-order, SKU mana yang menggerogoti margin, atau apakah markdown dilakukan cukup awal agar produk sempat terjual. Pemborosannya nyata dan terukur. Visibilitasnya tidak.

Situasi itu berulang setiap minggu di ribuan gerai grocery, convenience, dan food service di seluruh dunia. Yang membuat tiga kasus berikut layak dipelajari adalah bahwa masing-masing operator berhasil bergerak dari kegelapan itu menuju visibilitas yang jelas berbasis dashboard — dan kemudian melaporkan hasilnya.

Southern Co-op: Mengubah Kekacauan Markdown Menjadi Sinyal Data di 200-Plus Gerai

Southern Co-op mengoperasikan lebih dari 200 toko convenience dan food di Inggris bagian selatan. Pada 2021, jaringan ini menerapkan platform WasteInsight dari Retail Insight, menggantikan sistem markdown berbasis waktu yang kaku dengan sistem yang menggunakan data penjualan historis, level stok, dan aturan per kategori untuk menghasilkan rekomendasi harga dinamis yang dikirim langsung ke perangkat genggam staf toko.

Hasilnya diukur terhadap baseline 2019. Food waste sebagai persentase penjualan turun 0,19 poin persentase. Markdown sebagai persentase penjualan turun 0,97 poin persentase. Angka-angka itu terdengar kecil jika dilihat terpisah, tetapi di lebih dari 200 toko yang beroperasi pada skala retail, pergeseran hampir satu poin dalam markdown berarti pemulihan margin yang signifikan.

Dampak yang lebih tahan lama justru bersifat operasional. Tim Southern Co-op menggambarkan sistem lama sebagai sesuatu yang tidak transparan — harga tetap pada waktu tetap tanpa feedback loop. Dashboard baru memberi tim buying dan operasional pandangan yang akurat dan terukur atas aktivitas waste dan markdown di seluruh jaringan. Kepatuhan terhadap standar penetapan harga menjadi terlihat dan bisa diukur untuk pertama kalinya. Proses markdown, dengan kata-kata mereka sendiri, menjadi “jauh lebih transparan dan proaktif.”

Pergeseran itulah — dari intuisi ke feedback loop yang tertutup — yang mencegah pemborosan pada skala besar. Ketika seorang manajer toko dapat melihat bahwa kategori chilled tertentu secara konsisten over-order setiap hari Kamis, ia bisa bertindak minggu depan alih-alih baru mengetahui polanya di review kuartalan.

Dollar General dan Shelf Engine: Mengotomatiskan Pemesanan Produk Segar di 3.000 Toko

Produk segar adalah kategori yang paling sulit dikelola oleh pengecer convenience atau discount mana pun. Umur simpan yang pendek, permintaan yang bervariasi, dan lead time beberapa hari berarti bahkan kesalahan forecast yang kecil pun menciptakan pemborosan. Dollar General secara historis mengendalikan shrink sebagian dengan membatasi stok produk segar — strategi yang mengurangi masalah waste tapi juga membatasi peluang pertumbuhan.

Pada akhir 2022, Dollar General menguji coba sistem pemesanan otomatis berbasis AI dari Shelf Engine untuk produk segar di lebih dari 400 toko. Sistem ini menyerap data point-of-sale, jadwal pengiriman vendor, ukuran case-pack, dan kalender promosi untuk menghasilkan rekomendasi pemesanan per-SKU, per-toko, per-hari — menghilangkan tebakan manual yang biasanya mendorong sekaligus over-ordering maupun stockout.

Setelah pilot, Dollar General melakukan rollout nasional, mencapai sekitar 3.000 toko pada akhir tahun fiskal 2023. Tujuan yang dinyatakan secara publik adalah meningkatkan ketersediaan produk segar sekaligus memangkas waste dan shrink — dua hasil yang biasanya saling bertentangan, tetapi yang dirancang untuk dicapai bersama oleh pemesanan berbasis data.

Logika bisnis di sini penting untuk dipahami oleh operator SMB atau multi-unit mana pun. Dashboard reorder otomatis tidak sekadar mengurangi waste secara terpisah. Mereka mengubah ekonomi penyediaan kategori dengan tingkat spoilage tinggi: ketika Anda bisa melakukan forecast secara akurat, Anda bisa menyediakan lebih banyak produk segar tanpa risiko yang proporsional lebih tinggi. Ekspansi Dollar General ke kategori segar pada skala ini tidak akan rasional secara komersial tanpa lapisan visibilitas tersebut.

Chosen Foods: Mengeliminasi Risiko Spoilage di Distribusi

Kasus ketiga berada di hulu rantai pasokan. Chosen Foods, sebuah merek konsumen yang dijual melalui jaringan grocery natural dan specialty, punya masalah yang familiar: inventaris yang bergerak melalui jaringan distribusi UNFI terkadang tiba di rak toko terlalu dekat dengan tanggal kedaluwarsanya untuk bisa terjual. Risiko spoilage itu nyata dan biayanya ditanggung oleh merek.

Melalui spoilage dashboard dari Crisp, Chosen Foods mendapatkan pandangan atas weeks-on-hand versus weeks-to-expiration di seluruh distribution center UNFI. Dashboard menghitung berapa lama sebuah SKU tertentu akan bertahan di setiap DC relatif terhadap umur simpannya, menandai unit yang berisiko tidak bisa dijual sebelum meninggalkan gudang. Dengan bertindak secara proaktif berdasarkan sinyal-sinyal tersebut — menyeimbangkan kembali inventaris antar DC, menyesuaikan timing replenishment, atau mengarahkan stok berisiko ke saluran yang perputarannya lebih cepat — Chosen Foods mencapai zero expected waste dalam modul tersebut.

Hasil itu penting melampaui metrik waste itu sendiri. Bagi merek CPG yang menjual melalui distributor besar, spoilage di level DC terasa ganda: Anda kehilangan biaya inventaris sekaligus merusak metrik fill-rate Anda di hadapan retailer. Dashboard yang membuat risiko kedaluwarsa terlihat beberapa minggu ke depan mengubah apa yang tadinya write-off reaktif menjadi keputusan routing yang bisa dicegah.

Pola yang Sama di Ketiganya

Tiga kasus ini mencakup convenience retail, discount grocery, dan distribusi CPG — sektor berbeda, geografi berbeda, konteks operasional berbeda. Namun pola strukturalnya identik:

• Ketidakjelasan adalah akar masalahnya. Di setiap kasus, pemborosan terjadi bukan karena operator tidak punya kemauan untuk mencegahnya, melainkan karena mereka tidak punya sinyal untuk ditindaklanjuti tepat waktu.
• Visibilitas mendahului tindakan. Dashboard tidak secara otomatis mengeliminasi waste; ia memunculkan keputusan spesifik — timing markdown, kuantitas reorder, rebalancing DC — yang kemudian bisa diambil oleh manusia dengan lebih baik.
• Feedback loop-nya bersifat kumulatif. Southern Co-op menggambarkan perbaikan inkremental tahun demi tahun. Dollar General berekspansi setelah pilot yang berhasil. Chosen Foods membangun proses yang bisa diulang. Perbaikan satu kali tidak bersifat kumulatif; proses berbasis data bersifat demikian.

RELEX, yang platform forecastingnya melayani jaringan grocery besar secara global, melaporkan pencegahan 350 juta kilogram food waste di seluruh basis pelanggannya sepanjang 2024. Angka agregat itu mencerminkan apa yang terjadi ketika feedback loop yang dijelaskan di atas beroperasi pada skala besar dan dalam jangka waktu panjang.

Bagi merchant Shopify yang mengelola produk mudah rusak, toko WooCommerce dengan SKU yang perputarannya lambat, atau operator food multi-unit yang berusaha mengendalikan shrink sebelum menggerogoti margin kuartal depan — titik masuknya jauh lebih kecil dari deployment Dollar General dan prinsip-prinsipnya sama. Pertanyaannya bukan apakah dashboard mengurangi waste. Bukti yang terdokumentasi sudah jelas. Pertanyaannya adalah keputusan mana dalam operasi spesifik Anda yang saat ini tidak terlihat, dan berapa biayanya setiap bulan selama kondisi itu bertahan.

Jika Anda ingin mendiskusikan seperti apa lapisan visibilitas itu untuk bisnis Anda, kami senang berdiskusi tanpa biaya. Tidak ada presentasi produk — hanya percakapan langsung tentang di mana celah data Anda berada dan apakah layak untuk ditangani.

---

Sumber: Southern Co-op WasteInsight Case Study — Retail Insight; Shelf Engine dan Dollar General National Expansion — PR Newswire; Retail Data Strategies to Reduce Waste (Chosen Foods/UNFI) — Crisp; Grocery Store Food Waste — RELEX Solutions. Angka berlaku per pertengahan 2026; verifikasi ke sumber primer sebelum mengambil keputusan. Ini adalah keterlibatan pihak ketiga yang terdokumentasi secara publik dan dikutip sebagai contoh industri, bukan klien Teknologia Solutions.