Cara Membuat Sales Forecast Restoran untuk Persediaan dan Jadwal Produksi

Pernah mengalami stok bahan baku habis saat restoran sedang ramai, sementara di hari berikutnya justru banyak bahan tersisa? Masalah seperti ini sering muncul ketika keputusan pembelian dan produksi hanya mengandalkan perkiraan.

Padahal, prediksi penjualan restoran bisa membantu bisnis memperkirakan kebutuhan operasional dengan lebih terarah. Di sinilah sales forecast berperan. Jadi, restoran bisa menghubungkan data penjualan dengan keputusan pembelian, persediaan, dan aktivitas kitchen.

Forecast Bukan Menebak Omzet, tetapi Membantu Keputusan Operasional

Sales forecast sering dianggap sebagai perkiraan pendapatan dalam periode tertentu. Padahal, manfaatnya jauh lebih luas.

Bagi restoran, forecast yang berguna harus bisa menjawab pertanyaan praktis, berapa porsi yang kemungkinan terjual, bahan apa yang perlu disiapkan, dan kapan produksi harus dimulai?

Misalnya, target penjualan harian sebesar Rp15 juta memang penting untuk memantau performa bisnis. Namun, angka tersebut belum memberi gambaran mengenai kebutuhan dapur.

Tim tetap perlu mengetahui berapa porsi nasi goreng, ayam bakar, atau minuman yang harus dipersiapkan. Oleh sebab itu, prediksi penjualan restoran sebaiknya dibuat sampai tingkat produk atau kategori menu.

Baca juga: OLIN by ESB: Aplikasi AI untuk Bisnis Kuliner yang Mampu Meningkatkan Efisiensi dan Penjualan

Tentukan Granularity: Harian, Outlet, dan Menu

Sumber: istockphoto

Sebelum menghitung forecast, tentukan tingkat detail data yang dibutuhkan. Jangan langsung membuat satu angka untuk seluruh bisnis karena setiap outlet dan menu bisa memiliki pola permintaan berbeda.

Untuk restoran dengan satu outlet, forecast harian berdasarkan kategori menu mungkin sudah cukup sebagai langkah awal. Namun, bisnis dengan beberapa cabang sebaiknya memisahkan data berdasarkan outlet.

Sebagai contoh, outlet di kawasan perkantoran mungkin ramai saat makan siang pada hari kerja. Sementara itu, outlet di pusat perbelanjaan bisa mendapatkan lebih banyak pelanggan pada akhir pekan.

Detail menu juga perlu diperhatikan. Penjualan makanan utama, minuman, dessert, dan menu musiman memiliki karakteristik berbeda. Jika semuanya digabung, tim bisa kesulitan menerjemahkan hasil forecast menjadi kebutuhan bahan.

Buat Baseline dari Historical Sales

Setelah menentukan tingkat detail, langkah berikutnya adalah membuat baseline atau perkiraan dasar dari riwayat penjualan.

Salah satu cara sederhana yang bisa digunakan adalah moving average, yaitu menghitung rata-rata penjualan dari beberapa periode terakhir. Misalnya, penjualan ayam bakar dalam tiga hari terakhir adalah:

Rata-ratanya adalah:

(80 + 90 + 100) ÷ 3 = 90 porsi.

Dengan demikian, perkiraan awal untuk hari berikutnya adalah 90 porsi. Angka ini menjadi baseline, bukan keputusan final.

Mengapa begitu? Karena penjualan bisa dipengaruhi banyak faktor. Hari Kamis mungkin memiliki pola berbeda dari akhir pekan.

Ada juga kemungkinan menu sedang dipromosikan atau terjadi peningkatan jumlah pelanggan.

Jadi, gunakan rata-rata sebagai titik awal yang kemudian disesuaikan dengan kondisi operasional.

Sesuaikan dengan Weekday, Weekend, Seasonality, Promo, dan Event

Angka rata-rata belum tentu menggambarkan kebutuhan sebenarnya. Restoran perlu melihat pola penjualan berdasarkan hari dan situasi tertentu.

Perbedaan weekday dan weekend menjadi salah satu faktor yang paling mudah diamati. Jika penjualan akhir pekan secara konsisten lebih tinggi, forecast harus menggunakan pola khusus untuk Sabtu dan Minggu.

Seasonality juga perlu diperhitungkan. Misalnya, restoran di kawasan wisata mungkin mengalami lonjakan pelanggan saat musim liburan. Sementara itu, restoran di sekitar perkantoran bisa mengalami perubahan permintaan ketika banyak karyawan bekerja dari rumah.

Promo dan event juga dapat mengubah pola penjualan. Program diskon, peluncuran menu baru, konser, pameran, atau kegiatan di sekitar outlet berpotensi meningkatkan permintaan.

Namun, jangan langsung menaikkan forecast hanya karena ada promo. Periksa hasil campaign sebelumnya jika tersedia. Misalnya, promo paket makan siang pernah meningkatkan penjualan kategori rice bowl sebesar 20%.

Angka tersebut bisa menjadi referensi, tetapi tetap perlu disesuaikan dengan kondisi campaign terbaru.

Ubah Sales Forecast Menjadi Kebutuhan Bahan dan Production Plan

Inilah tahap yang membuat forecast benar-benar berguna bagi operasional. Angka penjualan harus diterjemahkan menjadi jumlah produksi dan kebutuhan bahan baku.

Misalnya, forecast menunjukkan restoran akan menjual 120 porsi ayam bakar besok. Berdasarkan resep standar, setiap porsi membutuhkan 150 gram ayam. Maka kebutuhan ayam adalah:

120 porsi × 150 gram = 18.000 gram atau 18 kilogram.

Jika restoran menetapkan cadangan operasional sebesar 5%, kebutuhan yang disiapkan menjadi sekitar 18,9 kilogram. Contoh alurnya bisa dilihat berikut ini:

Selanjutnya, periksa stok yang tersedia. Jika persediaan ayam di gudang masih 5 kilogram, restoran perlu menyiapkan pembelian sekitar 13,9 kilogram untuk memenuhi kebutuhan tersebut.

Lakukan perhitungan serupa untuk bahan lainnya, seperti beras, sayuran, bumbu, dan kemasan. Dari sini, tim purchasing dapat menyusun kebutuhan pembelian, sedangkan kitchen bisa membuat jadwal persiapan dan produksi.

Perlu diingat, cadangan bahan sebaiknya disesuaikan dengan karakteristik produk dan risiko operasional. Bahan mudah rusak perlu dikelola lebih hati-hati daripada bahan yang memiliki masa simpan lebih panjang.

Baca juga: Peran Artificial Intelligence dalam Bisnis: 15 Aplikasi AI yang Wajib Diketahui

Hitung Forecast Error dengan Membandingkan Forecast dan Actual

Sumber: istockphoto

Forecast nggak selalu sesuai dengan penjualan aktual. Karena itu, restoran perlu mengukur selisih antara perkiraan dan hasil sebenarnya.

Cara paling sederhana adalah mengurangi angka forecast dengan actual sales. Misalnya, restoran memperkirakan penjualan 120 porsi ayam bakar, tetapi kenyataannya hanya terjual 108 porsi. Artinya, forecast lebih tinggi 12 porsi.

Untuk melihat besar kesalahannya dalam persentase, gunakan rumus:

Forecast Error (%) = |Forecast - Actual| ÷ Actual × 100%

Jangan hanya melihat besar selisihnya. Cari juga penyebabnya agar perbaikan forecast bisa dilakukan dengan tepat.

Kapan Forecast Perlu Di-update?

Forecast sebaiknya bukan dokumen yang dibuat sekali lalu dibiarkan. Kondisi bisnis bisa berubah dalam hitungan hari, bahkan jam.

Restoran perlu memperbarui perkiraan ketika ada perubahan permintaan yang signifikan. Misalnya, reservasi grup meningkat, promo berjalan lebih baik dari perkiraan, supplier mengalami keterlambatan, atau salah satu menu mendadak populer.

Untuk kebutuhan operasional, forecast harian bisa ditinjau sebelum purchasing dan produksi dimulai. Jika restoran memiliki beberapa outlet, manajer juga dapat melakukan penyesuaian berdasarkan kondisi masing-masing cabang.

Ketika penjualan aktual mulai berbeda jauh dari perkiraan, jangan menunggu sampai akhir bulan. Periksa data terbaru dan sesuaikan kebutuhan stok maupun jadwal produksi.

Hindari Menggunakan Data Tahun Lalu secara Mentah

Data tahun sebelumnya memang berguna untuk memahami pola musiman. Namun, menggunakannya secara langsung bisa menghasilkan perkiraan yang kurang relevan.

Misalnya, penjualan Desember tahun lalu mencapai 5.000 porsi. Tahun ini restoran sudah membuka dua cabang baru, menambah menu, dan mengubah jam operasional. Kondisi tersebut tentu membuat pola penjualan berbeda.

Hal yang sama berlaku jika ada perubahan harga, renovasi outlet, atau penyesuaian kapasitas kitchen. Data lama perlu diperiksa terlebih dahulu sebelum digunakan sebagai dasar perhitungan.

Gunakan riwayat penjualan sebagai referensi, lalu sesuaikan dengan kondisi bisnis saat ini. Dengan begitu, prediksi penjualan restoran tetap relevan untuk kebutuhan stok dan produksi.

Manual Forecasting vs Data-Driven dan AI Forecasting

Pada tahap awal, spreadsheet bisa menjadi alat yang cukup untuk membuat forecast. Tim cukup memasukkan data penjualan, menghitung rata-rata, lalu menyesuaikannya berdasarkan hari atau campaign.

Namun, cara manual mulai terasa berat ketika jumlah outlet dan variasi menu bertambah.

Data dari setiap cabang harus dikumpulkan, diperiksa, dan disatukan. Proses ini membutuhkan waktu dan berisiko menimbulkan kesalahan pencatatan.

Pendekatan data-driven menggunakan data transaksi yang lebih terstruktur untuk membantu membaca pola penjualan.

Sementara itu, AI forecasting dapat membantu menganalisis hubungan yang lebih kompleks, seperti tren permintaan, musim, dan perubahan perilaku pelanggan.

Meski begitu, AI bukan jaminan hasil selalu akurat. Kualitas data, konsistensi pencatatan, dan pemahaman terhadap kondisi lapangan tetap menentukan kegunaannya.

Untuk bisnis dengan banyak outlet, sistem yang mampu membaca histori penjualan lintas cabang dapat menjadi decision support yang lebih praktis.

Manajer bisa menggunakan hasil analisis sebagai dasar keputusan, kemudian menyesuaikannya dengan informasi terbaru dari outlet.

FAQ Seputar Prediksi Penjualan Restoran

1. Seberapa sering restoran perlu membuat sales forecast?

Untuk kebutuhan stok dan produksi, forecast sebaiknya diperbarui secara harian atau sesuai siklus pembelian. Evaluasi mingguan juga berguna untuk melihat pola permintaan.

2. Apakah restoran kecil perlu menggunakan sales forecast?

Perlu. Restoran kecil tetap bisa menggunakan metode sederhana seperti rata-rata penjualan beberapa hari terakhir untuk memperkirakan kebutuhan bahan.

3. Apa perbedaan sales forecast dan target penjualan?

Target penjualan merupakan angka yang ingin dicapai bisnis, sedangkan sales forecast adalah perkiraan penjualan berdasarkan data dan kondisi yang tersedia.

4. Bagaimana jika penjualan aktual jauh berbeda dari forecast?

Periksa penyebabnya, seperti perubahan permintaan, promo, event, stok kosong, atau gangguan operasional. Setelah itu, perbarui perkiraan dan sesuaikan rencana produksi.

Kesimpulan

Sales forecast yang baik bukan hanya membantu restoran memperkirakan omzet. Lebih dari itu, hasilnya harus bisa digunakan untuk menentukan kebutuhan bahan baku, mengatur jadwal produksi, dan mengurangi risiko stok berlebih maupun kekurangan persediaan.

Mulailah dari data penjualan yang tersedia. Pisahkan berdasarkan outlet dan menu, buat baseline sederhana, lalu sesuaikan dengan weekday, seasonality, promo, serta event.

Setelah itu, bandingkan forecast dengan penjualan aktual agar perkiraan berikutnya semakin relevan. Ketika bisnis berkembang, prediksi penjualan restoran akan semakin membutuhkan data yang terhubung dan mudah dianalisis.

Mengandalkan spreadsheet terpisah bisa menyulitkan tim saat harus membaca histori penjualan dari banyak cabang.

Untuk mendukung pengambilan keputusan berbasis data, kamu bisa mengenal OLIN by ESB. Solusi ini dapat menjadi bagian dari upaya bisnis dalam memanfaatkan data operasional untuk memperoleh insight yang lebih terarah.