AI & Commercial Analytics
AEGIS: Membaca Ancaman Pasar dari Perubahan Perilaku Toko
Bagaimana AEGIS menghubungkan prediksi pembelian, perubahan pilihan produk, lokasi toko, dan market share untuk membantu membaca indikasi ancaman pasar.
Bayangkan sebuah toko yang biasanya rutin melakukan pembelian. Berdasarkan riwayat transaksinya, toko itu diperkirakan akan kembali membeli dalam periode tertentu. Namun, sampai periode tersebut berakhir, transaksi yang diharapkan belum muncul.
Pada toko lain, pembelian masih terjadi, tetapi pilihan produknya mulai bergeser ke kategori yang lebih murah. Ketika toko-toko dengan perubahan serupa ternyata berada di wilayah yang berdekatan, muncul pertanyaan: apa yang sedang berubah di pasar tersebut?
Ilustrasi itu menggambarkan persoalan yang saya angkat melalui AEGIS, atau AI Powered EarlyGuard Intelligence System. Sebagai bagian dari CORE, AEGIS dikembangkan untuk membantu deteksi dini ancaman pasar dengan menghubungkan beberapa jenis data yang biasanya dibaca secara terpisah.
AEGIS telah saya uji coba menggunakan data perusahaan, dan keluarannya dapat digunakan sebagai bahan analisis. Sistem ini belum diadopsi untuk operasional perusahaan. Setelah saya keluar dari perusahaan, pengembangannya berlanjut sebagai proyek pribadi.
Bagian teknis berikut memformalkan cara membaca sinyal tersebut. Angka, ambang, dan potongan aturan pada contoh dibuat untuk penjelasan; semuanya perlu dibedakan dari parameter aktual sistem. Status uji coba di atas tidak berarti setiap rancangan evaluasi lanjutan yang dibahas sudah dijalankan.
Berangkat dari transaksi yang tidak terjadi
Data transaksi biasanya memberi perhatian besar pada pembelian yang sudah terjadi: berapa volume yang terjual, produk apa yang dibeli, dan toko mana yang berkontribusi paling besar. Saya tertarik pada kejadian yang lebih sulit terlihat di laporan tersebut, yaitu pembelian yang diperkirakan terjadi tetapi ternyata tidak muncul.
Untuk membaca sinyal itu, kita perlu memahami kebiasaan masing-masing toko. Toko yang membeli setiap minggu tentu berbeda dengan toko yang melakukan pembelian besar sekali dalam sebulan. Jeda tanpa transaksi baru menjadi menarik ketika dibandingkan dengan pola yang biasanya terjadi pada toko tersebut.
Dalam AEGIS, prediksi membantu membentuk ekspektasi itu. Saat periode prediksi selesai, hasilnya dibandingkan dengan transaksi aktual. Toko dengan peluang pembelian yang tinggi tetapi tidak melakukan pembelian menjadi kandidat untuk diperiksa lebih lanjut.
Satu prediksi yang meleset tetap perlu dibaca dengan hati-hati. Toko bisa menunda pembelian karena stok masih cukup, pesanan proyek belum masuk, pengiriman terlambat, atau kendala pembayaran. Prediksi juga memiliki kemungkinan salah. Karena itu, sinyal akan lebih bermakna jika penyimpangannya berulang atau disertai perubahan perilaku lain.
Ketelitian waktu ikut menentukan kualitas pembacaan. Data transaksi yang terlambat masuk dapat membuat toko tampak tidak membeli. Periode observasi perlu benar-benar selesai, dan kelengkapan datanya perlu diperiksa sebelum ketidakhadiran transaksi diperlakukan sebagai peringatan.
Mendefinisikan apa yang diprediksi
Unit analisis yang berguna adalah toko × tanggal prediksi. Pada tanggal t, sistem memakai informasi yang sudah tersedia untuk memperkirakan apakah toko akan membeli dalam horizon H, misalnya tujuh hari berikutnya.
y(i,t,H) = 1 jika volume transaksi valid toko i pada (t, t+H] > 0
0 jika periode sudah lengkap dan tidak ada pembelian
p(i,t,H) = perkiraan probabilitas y(i,t,H) = 1Prediksi ada atau tidaknya pembelian berbeda dengan prediksi besarnya volume. Jika model menghasilkan probabilitas membeli, angka 0,84 tidak berarti toko akan membeli 84 ton atau model memiliki akurasi 84%. Pada model yang terkalibrasi, kasus-kasus dengan probabilitas serupa diharapkan memiliki frekuensi kejadian yang sebanding ketika dievaluasi dalam jumlah memadai. Penjelasan ini mengikuti konsep kalibrasi probabilitas dalam dokumentasi scikit-learn.
Berikut representasi data yang dapat digunakan untuk menjelaskan dan mengembangkan sinyal. Daftar ini adalah kerangka fitur, bukan inventaris kolom implementasi yang telah diaudit.
| Kelompok informasi | Contoh representasi | Pemeriksaan yang diperlukan |
|---|---|---|
| Jeda pembelian | Hari sejak transaksi terakhir; median jarak antartransaksi | Hanya memakai transaksi sebelum waktu prediksi |
| Aktivitas | Jumlah hari bertransaksi atau jumlah pesanan pada jendela historis | Definisi transaksi konsisten; duplikasi tidak menambah frekuensi |
| Volume | Volume 4/8 pekan; perubahan terhadap baseline historis | Retur, pembatalan, satuan, dan kelengkapan periode konsisten |
| Pilihan produk | Porsi volume produk ekonomis; komposisi merek | Kategori produk sebanding sepanjang waktu |
| Konteks toko | Tier, wilayah, distributor, panjang riwayat | Perubahan identitas dan toko baru diperiksa |
| Kalender dan operasi | Hari kerja, libur, gangguan stok atau distribusi bila tersedia | Informasi tersedia pada saat keputusan dibuat |
| Pasar eksternal | Market share dengan periode referensi dan tanggal rilis | Tidak memakai rilis masa depan untuk prediksi historis |
Pemisahan waktunya menentukan apakah simulasi benar-benar menyerupai penggunaan di lapangan. Baris training hanya boleh menggunakan fitur yang diketahui sebelum targetnya terjadi. Contohnya, total pembelian pada pekan yang sedang diprediksi tidak boleh dimasukkan sebagai fitur untuk prediksi pekan tersebut. Data dengan struktur waktu juga memerlukan validasi berurutan agar informasi masa depan tidak masuk ke proses belajar, seperti prinsip dalam dokumentasi TimeSeriesSplit.
Contoh membaca prediksi yang tidak terwujud
| Pekan target | Probabilitas membeli | Volume aktual | Bacaan setelah data lengkap |
|---|---|---|---|
| M1 | 78% | 20 ton | Pembelian terjadi |
| M2 | 83% | 23 ton | Pembelian terjadi |
| M3 | 80% | 21 ton | Pembelian terjadi |
| M4 | 86% | 22 ton | Pembelian terjadi |
| M5 | 84% | 0 ton | Ekspektasi tinggi, pembelian tidak terjadi |
| M6 | 82% | 0 ton | Penyimpangan kembali terjadi |
Untuk contoh ini, sinyal sederhana dapat ditulis miss = (p ≥ 0,80) dan (y = 0). Ambang 0,80 tidak ditetapkan sebagai parameter produksi. Pilihan ambang perlu mempertimbangkan kualitas kalibrasi, peringatan palsu, dan kapasitas tim untuk melakukan pemeriksaan.
Penyimpangan dua pekan berturut-turut memberi konteks tambahan, tetapi probabilitas kedua kejadian tidak boleh langsung dikalikan untuk menghitung peluang “ancaman pasar”. Periode pembelian dapat saling bergantung, dan beberapa prediksi menggunakan informasi historis yang beririsan.
Perubahan pilihan produk menambah konteks
Sebuah toko dapat tetap aktif bertransaksi sambil mengubah pola belanjanya. Jika perhatian hanya tertuju pada status aktif atau total transaksi, perubahan di dalam keranjang pembelian ini mudah terlewat.
Salah satu sinyal yang saya perhatikan adalah pergeseran menuju produk dengan harga lebih rendah. Perubahan tersebut dapat mencerminkan pelanggan yang lebih sensitif terhadap harga, perubahan kebutuhan pembeli akhir, atau respons terhadap penawaran di pasar.
Cara membacanya perlu membedakan perpindahan kategori produk dengan penurunan harga produk yang sama. Harga transaksi yang turun karena diskon tidak otomatis berarti toko berpindah ke produk yang lebih murah. Ukuran kemasan, jenis produk, dan perubahan harga juga perlu dibuat sebanding agar interpretasinya tepat.
Data internal memiliki batas pengamatan. Ketika toko mengurangi pembelian dari perusahaan, data itu belum menunjukkan ke mana sisa belanjanya berpindah. Bahkan pergeseran ke produk yang lebih murah masih bisa terjadi di dalam portofolio merek perusahaan sendiri.
Oleh karena itu, saya memperlakukan perubahan pilihan produk sebagai petunjuk untuk menelusuri penyebabnya. Jika muncul bersamaan dengan pembelian yang tidak memenuhi ekspektasi, keduanya memberi alasan yang lebih kuat untuk memeriksa kondisi toko.
Mengukur pergeseran produk dengan porsi volume
Salah satu ukuran ilustratifnya adalah economic_mix = volume produk ekonomis / total volume produk sebanding. Penggunaan volume membantu memisahkan komposisi produk dari perubahan nilai transaksi akibat harga.
| Ukuran pada contoh Toko B | Periode acuan | Periode terbaru |
|---|---|---|
| Total volume produk sebanding | 50 ton | 30 ton |
| Volume produk ekonomis | 10 ton | 18 ton |
| Porsi produk ekonomis | 20% | 60% |
Pada contoh sintetis ini, porsi produk ekonomis naik 40 poin persentase, sedangkan volume total turun 40%. Dua informasi itu membawa pesan berbeda: pembelian melemah, dan komposisinya bergeser. Toko B sengaja berbeda dari Toko A pada Figure 2; saat total pembelian nol, porsi produk tidak terdefinisi dan harus ditandai tidak tersedia, bukan dianggap nol atau 100%.
Jendela pembanding juga perlu setara. Perbandingan satu pekan dengan satu bulan dapat menimbulkan kesan pergeseran yang sebenarnya berasal dari panjang periode. Perubahan klasifikasi produk atau kemasan perlu dikendalikan sebelum angka porsi dibandingkan.
Ketika beberapa toko menunjukkan pola yang sama
Lokasi membantu mengubah analisis dari persoalan satu toko menjadi persoalan wilayah. Toko yang terlambat membeli mungkin menghadapi kendala sendiri. Beberapa toko berdekatan yang mengalami perubahan serupa dalam periode yang sama dapat mengarah pada kondisi pasar yang lebih luas.
Misalnya, dalam sebuah skenario ilustratif, beberapa toko di satu area sama-sama melewati jadwal pembelian yang diperkirakan. Sebagian juga meningkatkan porsi produk ekonomis. Pola ini layak mendapat perhatian, tetapi masih memerlukan penjelasan: apakah ada tekanan harga, perubahan permintaan, atau gangguan pasokan yang memengaruhi area itu?
Kedekatan lokasi tidak cukup dijadikan satu-satunya alasan. Wilayah dengan jumlah toko lebih banyak secara alami dapat menghasilkan lebih banyak peringatan. Pembacaan yang lebih adil mempertimbangkan proporsi toko yang terdampak, perilaku historis wilayah, dan kesamaan karakter tokonya.
Gangguan pada distributor atau rute pengiriman yang sama juga bisa menimbulkan pola geografis serupa. Inilah alasan mengapa peta sinyal perlu diikuti pemeriksaan konteks operasional. Saya ingin AEGIS membantu tim menentukan area yang perlu ditelusuri, dengan alasan yang cukup jelas untuk memulai percakapan di lapangan.
Memakai penyebut yang tepat untuk sinyal wilayah
Ukuran yang lebih informatif daripada jumlah peringatan saja adalah alert_rate = jumlah toko bersinyal / jumlah toko dengan pengamatan yang memenuhi syarat. Dalam perbandingan antarperiode, penyebutnya harus konsisten atau perubahan cakupannya dijelaskan.
| Contoh sintetis | Toko bersinyal | Toko terpantau lengkap | Proporsi terbaru | Proporsi periode acuan |
|---|---|---|---|---|
| Area A | 4 | 10 | 40% | 10% |
| Area B | 4 | 40 | 10% | 8% |
| Area C | 1 | 10 | 10% | 10% |
Area A dan B sama-sama memiliki empat toko bersinyal. Namun, perubahan proporsinya berbeda: Area A naik 30 poin persentase, sementara Area B naik 2 poin. Dalam contoh ini seluruh toko pada penyebut dipantau lengkap di kedua periode, sehingga perubahan proporsi bisa dibandingkan langsung.
Sepuluh toko tetap merupakan jumlah kecil; perubahan beberapa toko saja dapat menggeser proporsinya cukup jauh. Karena itu, konsentrasi wilayah perlu dibaca bersama jumlah observasi, durasi pola, dan ketidakpastian. Pembagian berdasarkan wilayah administratif atau radius tertentu juga merupakan pilihan analitik yang perlu diuji, bukan bukti adanya satu penyebab bersama.
Menghubungkan sinyal toko dengan market share
Data market share memberi konteks eksternal untuk membaca perubahan yang muncul dalam transaksi internal. Kombinasi ini membantu membedakan penurunan aktivitas karena pasar sedang melemah dengan penurunan posisi relatif perusahaan di wilayah tertentu.
Jika transaksi sejumlah toko turun sementara pangsa pasar perusahaan relatif stabil, pelemahan permintaan pasar menjadi salah satu penjelasan yang perlu diperiksa. Jika pola transaksi melemah bersamaan dengan penurunan pangsa pasar, dugaan tekanan persaingan menjadi lebih relevan untuk ditelusuri.
Perbandingannya harus menggunakan wilayah, periode, kategori produk, dan basis pengukuran yang selaras. Market share berbasis nilai dapat berubah karena harga, sementara market share berbasis volume membaca perubahan jumlah penjualan. Data regional juga perlu dipahami sesuai cakupannya ketika dipakai untuk menilai sinyal dari area yang lebih kecil.
Waktu tersedianya data ikut berpengaruh. Jika market share baru diterbitkan setelah periode penjualan berakhir, data itu berperan sebagai konfirmasi lanjutan. Sistem perlu menunjukkan kapan data terakhir diperbarui agar pengguna memahami seberapa mutakhir dukungan untuk sebuah indikasi.
Melalui pembacaan berlapis ini, sebuah peringatan dapat memiliki alasan yang lebih lengkap: beberapa toko tidak membeli sesuai ekspektasi, terdapat pergeseran pilihan produk, pola terkonsentrasi di area yang sama, dan data pasar menunjukkan perubahan posisi merek. Masing-masing sinyal menambah konteks, sementara penyebab akhirnya tetap perlu diverifikasi.
Menjaga keselarasan antara transaksi dan pangsa pasar
Untuk market share berbasis volume, definisinya adalah volume merek / volume seluruh pasar pada cakupan yang sama. Perubahan share dinyatakan dalam poin persentase: share yang turun dari 30% ke 27% berarti turun 3 poin persentase, atau turun 10% secara relatif terhadap share awal. Kedua ukuran tidak boleh dipertukarkan.
| Area contoh | Perubahan proporsi toko bersinyal | Perubahan market share | Arah pemeriksaan |
|---|---|---|---|
| A | +30 pp | −3,0 pp | Periksa penyebab bersama, termasuk tekanan pasar dan distribusi |
| B | +2 pp | −0,4 pp | Lihat persistensi dan kondisi masing-masing toko |
| C | 0 pp | +0,2 pp | Pantau toko bersinyal; belum tampak pelemahan share dalam contoh |
Pola Area A memberi alasan lebih kuat untuk investigasi, tanpa menetapkan penyebabnya. Share dapat turun karena volume pesaing tumbuh meskipun volume merek sendiri stabil. Untuk memahami mekanismenya, volume pasar total dan volume merek tetap perlu diperiksa.
Setiap catatan market share idealnya menyimpan dua tanggal: periode yang diukur dan waktu data dirilis. Pada simulasi historis, hanya rilis yang sudah tersedia pada tanggal keputusan yang boleh digunakan. Angka pasar tingkat provinsi juga tidak boleh disalin menjadi fakta tingkat toko; fungsinya adalah konteks dengan cakupan yang lebih luas.
Membawa peringatan ke tindak lanjut yang masuk akal
Nilai sebuah peringatan terasa ketika tim memahami apa yang perlu diperiksa. Label risiko saja belum cukup untuk menentukan tindakan.
Dalam alur tindak lanjut AEGIS, informasi yang perlu menyertai peringatan mencakup toko dan wilayah terdampak, periode perubahan, perilaku yang menyimpang, serta data pendukungnya. Dari informasi tersebut, tim dapat memeriksa ketersediaan barang, menghubungi toko, mengevaluasi kondisi harga, atau melakukan kunjungan pelanggan.
Sebagai contoh, jika hasil pemeriksaan menunjukkan masalah pasokan, tindak lanjut perlu diarahkan pada ketersediaan dan distribusi. Jika toko menyampaikan tekanan harga yang juga terlihat pada data produk dan pasar, tim dapat mengevaluasi penawaran yang lebih sesuai. Respons yang tepat bergantung pada temuan lapangan setelah peringatan muncul.
Di dalam CORE, AEGIS memberi masukan pada proses penentuan prioritas dan tindak lanjut komersial. Pemilihan toko untuk program, pengelolaan loyalty, dan pemantauan performa kemudian menyediakan konteks untuk meninjau keputusan berikutnya. Untuk evaluasi lanjutan, hal yang perlu dicatat adalah berapa banyak peringatan yang terkonfirmasi, seberapa cepat diperiksa, dan apa yang terjadi setelah tindakan dilakukan.
Contoh aturan yang dapat ditelusuri
Daripada membuat skor gabungan dengan bobot yang belum teruji, logika contoh dapat terlebih dahulu disusun sebagai aturan yang alasannya terlihat. Potongan di bawah adalah pseudocode penjelasan, bukan salinan kode produksi AEGIS.
jika periode belum lengkap atau transaksi belum tervalidasi:
status = "menunggu data"
selain itu:
kumpulkan bukti dari:
pembelian yang menyimpang dari prediksi
pergeseran komposisi produk, jika pembelian tersedia
perubahan proporsi toko bersinyal dalam wilayah
perubahan market share dengan cakupan yang sebanding
jika bukti internal berulang dan ada dukungan konteks wilayah/pasar:
rekomendasi = "investigasi bersama tim wilayah"
selain itu jika terdapat sinyal tingkat toko:
rekomendasi = "pemeriksaan toko dan pemantauan berikutnya"Peringatan juga perlu menyimpan tanggal prediksi, batas akhir pengamatan, versi model, kesegaran data, dan alasan yang memicunya. Catatan ini memungkinkan pengguna membedakan perubahan perilaku toko dari perubahan model atau data sumber. Sinyal produk dan sinyal kehilangan transaksi dapat berasal dari toko berbeda di area yang sama; seluruh sinyal tidak harus dipaksakan muncul pada satu toko.
Apa yang perlu diukur setelah uji coba
Pernyataan bahwa keluaran dapat digunakan sebagai bahan analisis adalah status uji coba proyek ini. Untuk membuktikan kualitas prediksi dan nilai operasional lebih jauh, beberapa ukuran berikut relevan. Belum ada angka hasil untuk ukuran-ukuran tersebut yang disajikan dalam artikel ini.
| Lapisan evaluasi | Ukuran yang relevan | Mengapa diperlukan |
|---|---|---|
| Probabilitas pembelian | Kalibrasi; Brier score, yaitu rata-rata (p − y)² | Memeriksa kesesuaian probabilitas terhadap hasil pembelian aktual |
| Pemilihan peringatan | Proporsi peringatan yang terkonfirmasi dari kasus yang diperiksa | Menilai kegunaan antrean pemeriksaan; kasus yang belum diperiksa tidak otomatis negatif |
| Cakupan deteksi | Proporsi kasus masalah yang diketahui dan berhasil ditandai | Memerlukan sumber label yang juga mencakup toko tanpa peringatan |
| Kecepatan | Waktu dari sinyal ke verifikasi atau tindakan | Menilai apakah sistem membantu respons lebih cepat |
| Beban operasional | Jumlah toko unik yang perlu diperiksa per tim per pekan | Menghindari antrean yang melampaui kapasitas tindak lanjut |
| Dampak bisnis | Perubahan hasil dengan pembanding yang layak | Memisahkan dampak tindakan dari musim, kondisi pasar, dan perbedaan toko |
Definisi “terkonfirmasi” perlu ditetapkan terlebih dahulu. Masalah stok, keterlambatan distribusi, dan tekanan kompetitor merupakan temuan yang berbeda. Jika semuanya digabung sebagai satu label, sistem mungkin terlihat mampu menemukan masalah tetapi belum tentu mampu mendeteksi ancaman kompetitor secara spesifik.
Uji coba dengan data perusahaan memberi saya dasar untuk melanjutkan pengembangan ini. Karena AEGIS belum digunakan secara rutin oleh perusahaan, saya belum menempatkan peningkatan market share atau hasil retensi sebagai capaian operasional proyek.
Yang ingin saya bangun adalah kemampuan untuk melihat perubahan lebih awal dan memberi tim alasan yang jelas untuk bertindak. Ketika satu toko mengubah kebiasaan belanjanya, kita mendapat sebuah petunjuk. Ketika petunjuk itu berulang, muncul di wilayah yang sama, dan didukung perubahan data pasar, kita memiliki dasar yang lebih kuat untuk memulai investigasi.
Lihat posisi AEGIS dan modul pendukungnya di portfolio CORE.