AI Forecasting ala H&M: Peramalan Permintaan & Manajemen Stok Fashion yang Lebih Akurat (Panduan 2025)

Di bisnis fashion, jarak antara habis terjual cepat dan gudang penuh sisa sering kali ditentukan oleh satu hal: seberapa akurat kita menebak permintaan. H&M—salah satu raksasa fast fashion dunia—pernah “tersandung” stok tak terjual dalam jumlah besar pada 2018. Sejak itu mereka berbenah dengan AI forecasting untuk memperkirakan demand per kategori, menata alokasi stok, dan mempercepat keputusan dari hulu ke hilir. Kisah dan praktiknya memberi banyak pelajaran untuk brand mana pun—dari UMKM sampai label mapan.

Artikel ini membahas: apa itu AI forecasting, bagaimana H&M menerapkannya, arsitektur datanya secara praktis, contoh penerapan per kategori, serta langkah-langkah agar tim Anda bisa mulai—tanpa harus menjadi perusahaan raksasa terlebih dulu.

Mengapa H&M Beralih ke AI?

Setelah menghadapi tumpukan produk tak terjual beberapa tahun lalu, H&M menggeser strategi: dari mengandalkan intuisi toko menjadi organisasi berbasis data yang memakai AI untuk mencocokkan pasokan–permintaan di level SKU–toko–kategori–pasar. Mereka meresmikan kerja sama strategis dengan Google Cloud untuk membangun “enterprise data backbone”—fondasi data yang menyatukan sinyal dari toko, online, merek dalam grup, hingga pemasok—sebagai bahan bakar model AI/ML untuk supply chain dan pengalaman pelanggan.

Di tahun-tahun berikutnya, H&M menegaskan bahwa AI bukan sekadar proyek percobaan. Sejak 2018, mereka mulai mengoptimalkan product flow dengan AI; produk didigitalkan, diberi atribut yang kaya, lalu dilacak sepanjang value chain secara real-time agar penempatan stok tidak perlu “menebak-nebak” lagi.

Dalam wawancara dan publikasi internal, H&M menyebut AI-driven demand prediction sebagai alat untuk mengirim produk yang tepat, ke toko yang tepat, pada waktu yang tepat—sambil tetap menjaga standar etika melalui kerangka Responsible AI (9 prinsip).

H&M juga pernah menjelaskan ke media bahwa proyek AI mereka bertujuan mengalokasikan barang yang tepat ke toko yang tepat di pasar yang tepat, dan memperluasnya secara global—intinya, dari “satu resep untuk semua toko” menjadi asortimen yang dipersonalisasi per lokasi.

Apa Itu AI Forecasting

AI forecasting adalah peramalan permintaan (demand) dengan machine learning yang menggabungkan data historis dan sinyal eksternal untuk memprediksi berapa banyak yang akan laku, di mana, dan kapan—bahkan sampai varian ukuran/warna. Tidak sekadar time series klasik, model modern juga memasukkan feature seperti:

• Sinyal transaksi (POS, pengembalian, loyalty)
• Atribut produk (kategori, siluet, bahan, harga, warna)
• Konteks (cuaca, kalender libur, event lokal, tren media sosial)
• Saluran (toko A vs toko B, e-commerce vs marketplace)

Dengan data backbone yang rapi, retailer dapat menjalankan forecasting multi-level (SKU → kategori → merek → wilayah) sekaligus. H&M membangun pondasinya bersama Google Cloud agar data dari toko–online–pemasok mengalir ke satu “otak” analitik.

Bagaimana H&M Menerapkannya (Gambaran End-to-End)

1. Backbone Data

H&M membangun core data platform dan data mesh agar data dari toko, online, ekosistem merek, dan pemasok terkoneks; ini syarat model AI yang andal.

2. Feature Engineering

Setiap produk diperkaya atribut (kategori, cutting, bahan, warna, harga) sehingga algoritma bisa “mengerti” sifat produk dan mengaitkannya dengan pola permintaan lokal.

3. Forecasting Multi-Granular

Model memperkirakan demand pada horizon mingguan/harian di level toko–SKU–kategori. Pendekatan ini membantu alokasi awal (initial allocation) dan replenishment. Dalam wawancara, pimpinan AI H&M menekankan personalisasi merchandising mix per toko—jadi toko Soho New York dan Chelsea London bisa berbeda karena perilaku pelanggan berbeda.

4. Alokasi & Rebalancing

Output forecast memberi sinyal berapa yang dikirim, ditahan, atau dipindah antar toko. H&M menyatakan fokus proyek kuncinya adalah mengalokasikan barang yang tepat ke toko yang tepat—dan memperluasnya secara global.

5. Operasi Toko “Digiphysical”

Dengan alat digital di toko, staf dapat melihat ketersediaan lintas toko/online, memberi rekomendasi, dan mengurangi kebutuhan stok berlebih di lantai penjualan—karena produk bisa dicari & dipenuhi dari jaringan, bukan hanya dari satu ruang stok.

6. Governance & Responsible AI

H&M menekankan kerangka Responsible AI (fair, transparent, governed, dsb.) dan memakai AI sebagai pengungkit target iklim positif 2040—yang salah satunya lewat prediksi permintaan agar produksi lebih tepat dan limbah berkurang.

Contoh Skenario: Forecast per Kategori → Keputusan Nyata

Bayangkan kategori “Outerwear Women” di pasar Eropa Utara:

• Model AI menggabungkan historis penjualan outerwear, prakiraan cuaca (dingin ekstrem mempercepat permintaan down jacket), kalender diskon, dan tren sosial.
• Hasilnya: permintaan minggu depan untuk puffer jacket di Stockholm diprediksi naik 28% karena cold snap; di sisi lain, trench ringan di kota pesisir menurun.
• Sistem mengusulkan: tambah replenishment puffer ke 4 toko kota, tahan trench untuk toko online (karena tetap ada demand long tail), dan pindahkan stok dari toko yang lambat ke toko yang cepat.
• Toko tidak perlu menyimpan stok berlebih; staf bisa mencari ukuran/warna dari toko lain/online dan memenuhi order omnichannel.

Walau contoh di atas hipotetis, alur keputusannya mengikuti apa yang H&M paparkan: mix per toko yang dipersonalisasi dan alokasi dinamis berbasis data.

Apa Dampaknya di Industri?

Tak cuma H&M; laporan McKinsey – State of Fashion 2025 menunjukkan AI untuk demand forecasting dan optimasi inventori menjadi prioritas mayoritas eksekutif fashion. Dengan gen-AI dan machine learning, prediksi makin kontekstual dan cepat; retailer yang unggul di data umumnya lebih gesit di open-to-buy dan rotasi stok.

Di level operasional, jurnalisme teknologi juga menyorot bagaimana H&M memodernisasi toko fisik sambil mengintegrasikan operasi digitalnya—AI dipakai untuk supply chain, harga, pemasaran, dan memahami preferensi pelanggan.

“Dapur” AI Forecasting: Komponen yang Bisa Anda Tiru

1) Sumber data inti
POS (penjualan harian), pengembalian, trafik toko, stok per toko, kampanye promosi, kalender libur, cuaca, dan atribut produk (kategori, bahan, warna, harga). Fondasinya: satu sumber data kebenaran seperti yang dikejar H&M lewat data backbone.

2) Pemodelan
Mulai dari time series (Prophet/ARIMA+) hingga machine learning (gradient boosting, random forest) dan deep learning (RNN/Temporal Fusion Transformer). Retail modern memadukan hierarchical forecasting (SKU→kategori→pasar) dan feature exogenous (cuaca/event). (Google Cloud memaparkan kapabilitas ini untuk ritel melalui Vertex AI Forecast—relevan dengan kolaborasi data H&M).

3) Integrasi keputusan (MLOps)
Forecast harus “mengalir” ke:

• Open-to-Buy (OTB) mingguan/bulanan (berapa modal belanja).
• Initial allocation & replenishment per toko/online.
• Rebalancing (transfer antar toko).
• Penentuan harga/promosi (jika risiko overstock terdeteksi lebih awal).

4) Pengukuran & pembelajaran
Pantau MAPE/WAPE per kategori, service level, dan weeks of supply. Buat eksperimen A/B: toko yang memakai rekomendasi AI vs kontrol.

5) Tata kelola
Audit bias (mis. bias ukuran/warna tertentu di lokasi tertentu), privasi data pelanggan, dan explainability—H&M menekankan Responsible AI untuk menyeimbangkan inovasi & etika.

Mini Contoh Perhitungan (Kategori “Dress”)

• Penjualan historis 12 minggu terakhir: rata-rata 520 unit/minggu, deviasi 90.
• Model AI memproyeksi naik 15% karena event liburan → 598 unit/minggu.
• Service level target 92% (z ≈ 1,41), lead time 2 minggu → safety stock ≈ z × σ × √LT = 1,41 × 90 × √2 ≈ 180.
• Kebutuhan 2 minggu = 2 × 598 + 180 ≈ 1.376 unit.
• Sistem memecah alokasi ke 30 toko berdasar kecepatan historis + sinyal lokal (cuaca, event) dan menahan 10% untuk buffer e-commerce.Hasil akhirnya bukan hanya angka total, melainkan siapa dapat berapa, kapan dikirim, dan kapan ditambah—inti dari AI-assisted OTB & replenishment.

Pelajaran Penting dari H&M (Bisa Diadopsi Brand Lokal)

1. Bangun fondasi data dahulu. Mulai dari POS rapi, katalog produk beratribut (kategori, bahan, warna, harga), dan stok real-time. H&M menempatkan backbone data sebagai prasyarat AI.
2. Mulai dari satu kategori prioritas. Misalnya “tops wanita” → latih model sederhana → uji di 5–10 toko → iterasi.
3. Jadikan toko sebagai sensor. Bekali staf/digital tools agar pencarian stok lintas toko/online mudah, sehingga stok fisik per toko bisa lebih ringan.
4. Alokasi dinamis mengalahkan tebakan awal besar-besaran. Pendekatan H&M memindahkan fokus ke alokasi & rebalancing berbasis sinyal.
5. Budayakan Responsible AI. Atur kebijakan data, fairness, dan explainability sejak awal—H&M mempublikasikan prinsipnya secara terbuka.

Tantangan & Cara Menghindarinya

• Data tersebar & kotor. Solusi: skema data yang konsisten, kamus atribut produk, dan pipeline pembersihan otomatis.
• Model bagus, keputusan macet. Pastikan forecast terintegrasi ke OTB, alokasi, dan replenishment—bukan jadi dashboard pasif.
• Over-automation. Ikuti pendekatan H&M: Amplified Intelligence—AI merekomendasikan, manusia memutuskan.
• Etika & privasi. Terapkan prinsip Responsible AI; audit bias dan minimalkan data personal yang tak perlu.

Penutup

Perjalanan H&M menunjukkan bahwa AI forecasting bukan sekadar trend tech, melainkan alat strategi untuk menyatukan kreativitas desain, efisiensi supply chain, dan pengalaman pelanggan—dari gudang sampai fitting room. Dengan data backbone yang solid, model prediktif yang kontekstual, dan tata kelola AI yang bertanggung jawab, prediksi permintaan bukan lagi “tebakan mahal”, melainkan keunggulan kompetitif yang bisa diukur.

Jika Anda baru mulai, tiru resep H&M dalam versi ringkas: rapikan data → pilih satu kategori → uji di sebagian toko → integrasikan ke alokasi & replenishment → ukur & ulangi. Pelan tapi pasti, stok makin presisi, promosi lebih tepat, dan pelanggan merasa “selalu ada yang pas” setiap kali datang ke toko atau membuka aplikasi.

Download E-Book Mendesain dan Video Tutorial Menjahit dari kami kalau kamu ingin belajar desain fashion secara otodidak.