Pernahkah Anda bertanya-tanya apa saja yang ada di dalam desain produk? Jalur dari ide inovatif hingga produk jadi memiliki banyak elemen, perancang, dan langkah-langkah yang terlibat. Pekerjaan seorang insinyur desain produk membutuhkan pemikiran, kreativitas, inovasi, dan komunikasi tingkat tinggi. Itulah mengapa ada beberapa alat bantu utama yang digunakan insinyur desain produk untuk memastikan bahwa desain, peningkatan, dan modifikasi berjalan semulus mungkin.

Berikut adalah 8 alat bantu desain produk yang paling umum digunakan oleh insinyur desain produk:

Perangkat lunak desain berbantuan komputer (CAD)

Banyak orang telah mendengar tentang perangkat lunak CAD, meskipun mereka mungkin tidak menyadari kemampuannya yang luas. CAD adalah bentuk digital dari perancangan manual, dan digunakan dalam berbagai macam aplikasi teknik, arsitektur, dan desain. Seorang insinyur desain produk dapat menggunakan perangkat lunak CAD dalam berbagai tahap proses desain, mulai dari visualisasi awal hingga membuat dokumentasi konstruksi.

Perangkat lunak manajemen siklus hidup proyek (PLM)

PLM membantu tim insinyur desain produk melacak kemajuan proyek, mulai dari awal hingga produksi. Perangkat lunak ini membantu mengatur orang, data, dan sistem yang semuanya masuk ke dalam desain produk untuk memastikan bahwa proses desain berjalan semulus mungkin.

Perangkat lunak analisis elemen hingga (FEA)

FEA menyediakan simulasi komputer yang menguji aspek-aspek tertentu dari sebuah produk baru. Seorang insinyur desain produk dapat menggunakannya untuk menganalisis kekuatan objek atau struktur yang disimulasikan sebelum pengujian fisik tradisional dilakukan.

Perangkat lunak simulasi

Banyak insinyur desain produk menggunakan satu atau lebih dari banyak program perangkat lunak simulasi yang tersedia. Perangkat lunak simulasi memungkinkan para insinyur untuk menguji produk secara digital dengan berbagai cara sebelum prototipe selesai dibuat.

Printer 3D

Printer 3D adalah alat yang hebat untuk membantu insinyur desain produk memvisualisasikan produk akhir. Insinyur dapat mencetak prototipe komponen atau keseluruhan proyek untuk lebih memahami bagaimana desain diterjemahkan ke dalam tiga dimensi.

Alat manual

Seorang insinyur desain produk menggunakan semua jenis teknologi digital, tetapi mereka masih sering menggunakan pensil, kertas, penggaris, meja kerja, dan mesin perkakas untuk membantu proses desain.

Pekerjaan seorang insinyur desain produk bisa sangat kompleks dan membutuhkan pelatihan dan alat khusus seperti yang disebutkan di atas. Jika Anda memiliki ide inovatif yang ingin Anda wujudkan dalam bentuk produksi, jalan terbaik adalah bekerja sama dengan perusahaan desain produk yang berspesialisasi dalam jenis pekerjaan ini. Mereka dapat membawa ide Anda melalui langkah-langkah yang diperlukan untuk menghasilkan desain yang sudah jadi dan dapat diproduksi. Perusahaan seperti Integrated Design Systems mempekerjakan tim desain yang sangat terampil dan berpengalaman yang memahami seluk-beluk desain industri dan medis, pengujian analitis, estetika produk, dan branding.

Integrated Design Systems adalah perusahaan desain produk terkemuka yang dapat melihat berbagai kemungkinan dalam ide-ide Anda. Mereka mengubah ide-ide inovatif Anda dan membantu Anda mewujudkannya. Tim teknik desain produk di Integrated Design Systems memiliki lebih dari 35 tahun pengalaman dalam menghasilkan produk pemenang penghargaan. Mereka dikenal karena pemikirannya yang out-of-the-box, keandalan, dan efektivitas biaya. Hubungi kami untuk informasi lebih lanjut.

Disadur dari: idsys.com

Karakteristik penting

Tiga karakteristik penting riset operasi adalah orientasi sistem, penggunaan tim interdisipliner, dan penerapan metode ilmiah pada kondisi di mana penelitian dilakukan.

Orientasi sistem

Pendekatan sistematis terhadap masalah mengakui bahwa setiap bagian dari riset operasi sistem mempunyai pengaruh terhadap perilaku seluruh sistem. Meskipun setiap komponen berfungsi dengan baik, sistem secara keseluruhan mungkin tidak sebaik itu. Misalnya, merakit komponen mobil terbaik, apa pun mereknya, mungkin tidak akan menghasilkan mobil yang bagus atau bahkan berfungsi karena komponennya mungkin tidak kompatibel. Kinerja sistem ditentukan oleh interaksi antar bagian, bukan oleh tindakan masing-masing bagian.

Jadi, riset operasi mencoba mengevaluasi pengaruh perubahan di bagian mana pun dari sistem terhadap kinerja sistem keseluruhan dan menemukan alasan atas kemungkinan masalah yang muncul di satu bagian sistem di bagian lain atau dalam hubungan sistem. Dalam industri, masalah produksi dapat diselesaikan dengan mengubah kebijakan pemasaran. Misalnya, jika sebuah pabrik menghasilkan beberapa produk yang menguntungkan dalam jumlah besar dan produk yang kurang menguntungkan dalam jumlah kecil, produksi jangka panjang yang efisien dari produk-produk yang menguntungkan dalam jumlah besar mungkin terpaksa dihentikan karena volume rendah dalam jangka pendek. produksi - mengalahkan tujuan.

Seorang ilmuwan operasi dapat merekomendasikan pengurangan penjualan produk yang kurang menguntungkan dan meningkatkan penjualan produk yang menguntungkan dengan menetapkan sistem insentif bagi tenaga penjualan yang secara khusus memberikan kompensasi kepada mereka karena menjual produk tertentu.

Tim multidisiplin

Bidang sains dan teknologi telah berkembang pesat selama 100 tahun terakhir. Perkembangan ilmu pengetahuan akibat pesatnya pertumbuhan ilmu pengetahuan telah memberikan ilmu pengetahuan suatu sistem pengarsipan yang memungkinkan informasi dapat diklasifikasi secara sistematis. Sistem klasifikasi ini berguna untuk memecahkan banyak masalah dengan mengidentifikasi disiplin ilmu yang sesuai untuk solusinya. Namun, kesulitan muncul pada permasalahan yang lebih kompleks, terutama pada sistem yang terorganisir dan besar.

Oleh karena itu, penting untuk menemukan cara untuk menggabungkan perspektif disiplin ilmu yang berbeda. Penggunaan tim interdisipliner menjadi sangat penting dalam hal ini, karena metode yang digunakan bervariasi dari satu disiplin ke disiplin lain. Tim interdisipliner menyediakan lebih banyak metode dan alat penelitian daripada yang tersedia secara individual. Dengan demikian, riset operasional dicirikan oleh kombinasi departemen yang tidak biasa dalam kelompok penelitian dan penggunaan metode penelitian serbaguna.

Metodologi

Seiring perkembangan sains dan teknologi, metode riset telah berkembang pesat dalam kurun waktu seabad terakhir. Awalnya, eksperimen laboratorium menjadi metode utama dalam penelitian ilmiah. Namun, untuk sistem yang besar dan kompleks seperti yang terdapat dalam riset operasional, eksperimen laboratorium menjadi tidak memungkinkan. Bahkan jika memungkinkan, hasil dari eksperimen tersebut belum tentu dapat diterapkan secara langsung pada situasi nyata, seperti yang terjadi pada awal pengembangan radar. Oleh karena itu, perlu adanya metode alternatif yang dapat menggambarkan perilaku sistem secara akurat dalam konteks alaminya.

Pada saat ini, riset operasional telah menemukan solusi dengan menggunakan model sebagai representasi sistem yang akan diteliti. Dengan model yang baik, eksperimen, yang sering disebut sebagai simulasi, dapat dilakukan untuk menganalisis berbagai skenario dan memperoleh hasil yang berguna. Tahapan riset operasional dimulai dengan merumuskan masalah, yang melibatkan perancangan ukuran kinerja yang sesuai, identifikasi berbagai tindakan yang mungkin, dan penentuan variabel yang relevan. 

Tahapan riset operasi

Selanjutnya, konstruksi model menjadi tahap penting dalam proses ini. Model merupakan representasi sederhana dari dunia nyata yang mencakup variabel-variabel yang relevan dengan masalah yang dihadapi. Model dapat berupa fisik, grafis, atau simbolik, tergantung pada kompleksitas sistem yang dipelajari. Model simbolik sering digunakan dalam riset operasional karena fleksibilitasnya dalam mewakili sistem yang kompleks.

Formulasi masalah

Analisis riset operasional bertujuan untuk membentuk hubungan sebab-akibat antara variabel terkontrol dan tidak terkontrol serta kinerja sistem. Meskipun eksperimen dengan sistem sebenarnya sering kali berguna, terdapat pula metode analisis lainnya seperti inspeksi, penggunaan analogi, analisis operasional, dan eksperimen operasional. Pemilihan metode tergantung pada kompleksitas masalah yang dihadapi.

Konstruksi model

Model merupakan representasi sederhana dari dunia nyata yang hanya mencakup variabel-variabel yang relevan dengan permasalahan yang dihadapi. Model benda jatuh bebas, misalnya, tidak memperhitungkan warna, tekstur, atau bentuk benda. Beberapa model mungkin tidak mencakup semua variabel yang relevan karena hanya sebagian kecil variabel tersebut yang mampu menjelaskan fenomena yang ingin dijelaskan. Meskipun model menyederhanakan dunia nyata, kesalahan dalam prediksi seringkali bisa diabaikan karena manfaat besar dalam operasi yang diperoleh dari model tersebut.

Model riset operasi biasanya bersifat simbolik karena simbol mewakili properti sistem. Model fisik adalah representasi fisik dari sistem, seperti model kapal atau pesawat terbang, sementara model grafis lebih abstrak. Model simbolik lebih mudah dibangun dan dimanipulasi daripada model fisik.

Model simbolik sepenuhnya abstrak dan diberi makna ketika simbol-simbolnya didefinisikan. Struktur yang serupa dalam model simbolik dari sistem yang berbeda dapat mengungkapkan pola yang sama dalam perilaku sistem. Model analog adalah sistem yang memiliki struktur yang sama dengan sistem lainnya, meskipun isinya berbeda.

Meskipun model simbolik memiliki keuntungan, model fisik masih berguna dalam beberapa kasus, terutama untuk pengujian struktur dan mekanisme fisik. Model fisik dan grafis sering digunakan dalam tahap awal pembuatan model sistem simbolik.

Model riset operasi harus menjelaskan hubungan sebab akibat antara variabel terkontrol dan tidak terkontrol serta kinerja sistem. Ada empat pola konstruksi model, dua di antaranya melibatkan eksperimen: inspeksi, penggunaan analog, analisis operasional, dan eksperimen operasional.

Dalam beberapa kasus, model permasalahan mungkin terlalu rumit atau besar untuk dipecahkan. Namun, model dapat dibagi menjadi bagian-bagian yang dapat diselesaikan secara individual, dan solusi dari satu model dapat digunakan sebagai masukan bagi model lainnya.

Ada dua jenis prosedur untuk memperoleh solusi dari model: deduktif dan induktif. Dengan deduksi, seseorang langsung berpindah dari model ke solusi, sedangkan dengan induksi, seseorang mencoba dan membandingkan nilai-nilai yang berbeda dari variabel yang dikendalikan. Algoritma, heuristik, dan simulasi adalah beberapa prosedur yang digunakan untuk mencari solusi dari model riset operasi.

Mendapatkan solusi dari model

Prosedur untuk mencari solusi dari sebuah model dapat dilakukan secara deduktif atau induktif. Dalam pendekatan deduktif, seseorang langsung menggunakan model untuk mencari solusi, baik dalam bentuk simbolik maupun numerik. Matematika, seperti kalkulus, menyediakan prosedur analitis eksplisit untuk menemukan solusi yang disebut algoritma.

Meskipun tidak semua model dapat diselesaikan, dan beberapa terlalu kompleks untuk dipecahkan, model tersebut masih dapat digunakan untuk membandingkan solusi alternatif. Terkadang, dengan melakukan serangkaian perbandingan, setiap iterasi mungkin menghasilkan alternatif yang lebih baik dari sebelumnya. Proses pencarian solusi semacam ini disebut heuristik.

Pendekatan induktif melibatkan uji coba dan perbandingan nilai-nilai yang berbeda dari variabel yang dikontrol. Jika prosedur tersebut secara berulang terus menerus meningkatkan solusi hingga mencapai solusi optimal atau tidak dapat ditingkatkan lebih lanjut, itu disebut sebagai iteratif. Untuk menghentikan proses tersebut, diperlukan suatu aturan yang menentukan titik di mana perbaikan yang diharapkan lebih kecil dari biaya pengujian. Hal ini dikenal sebagai aturan penghentian.

Beberapa algoritma terkenal seperti pemrograman linier, nonlinier, dan dinamis adalah prosedur iteratif berdasarkan teori matematika. Di sisi lain, simulasi dan optimasi eksperimental adalah prosedur iteratif yang didasarkan pada statistik.

Menguji model dan solusinya

Suatu model bisa memiliki kelemahan karena beberapa alasan, seperti memuat variabel yang tidak relevan, mengecualikan variabel yang penting, atau bahkan menggambarkan variabel dengan tidak tepat. Untuk menguji kelemahan suatu model, kita menggunakan metode statistik yang membutuhkan pemahaman tentang teori pengambilan sampel dan estimasi, desain eksperimen, dan teori pengujian hipotesis.

Teori estimasi pengambilan sampel berkaitan dengan cara memilih sampel item dari kelompok besar dan menggunakan data yang diamati untuk menggambarkan keseluruhan kelompok. Untuk menghemat waktu dan biaya, sampel biasanya dibuat sekecil mungkin. Ada berbagai teori desain pengambilan sampel dan estimasi, masing-masing menghasilkan estimasi dengan karakteristik yang berbeda.

Struktur model melibatkan fungsi-fungsi yang menghubungkan ukuran kinerja dengan variabel yang dikendalikan dan tidak dikendalikan. Misalnya, suatu bisnis mungkin ingin menunjukkan hubungan fungsional antara tingkat keuntungan (ukuran kinerja) dan variabel yang mereka kendalikan (seperti harga dan biaya iklan) dan variabel yang tidak mereka kendalikan (seperti kondisi ekonomi dan persaingan). Untuk menguji model, kita membandingkan nilai ukuran kinerja yang dihasilkan dari model dengan nilai sebenarnya dalam berbagai kondisi. Jika ada perbedaan yang signifikan, atau jika perbedaan tersebut bervariasi, maka model tersebut memerlukan penyesuaian.

Solusi yang dihasilkan dari suatu model diuji untuk melihat apakah menghasilkan kinerja yang lebih baik daripada beberapa alternatif. Pengujian ini dapat bersifat prospektif, memprediksi kinerja di masa depan, atau retrospektif, membandingkan solusi yang diusulkan dengan apa yang terjadi di masa lalu. Jika pengujian prospektif dan retrospektif tidak memungkinkan, solusi dapat dievaluasi dengan melakukan analisis sensitivitas, yaitu mengukur seberapa jauh perkiraan dalam solusi dapat salah sebelum solusi tersebut menjadi kurang baik dari prosedur pengambilan keputusan alternatif.

Perhitungan biaya dari penerapan suatu solusi harus dikurangkan dari keuntungan yang diharapkan dari solusi tersebut, sehingga dapat memperkirakan keuntungan bersih. Kesalahan atau inefisiensi dalam menerapkan solusi juga harus diperhitungkan dalam memperkirakan keuntungan bersih.

Menerapkan dan mengendalikan solusi

Terkadang, sebuah model bisa memiliki kelemahan karena beberapa alasan, seperti memasukkan variabel yang tidak relevan, mengabaikan variabel yang penting, atau bahkan menggambarkan variabel dengan tidak tepat. Untuk menguji kelemahan suatu model, kita menggunakan metode statistik yang memerlukan pemahaman tentang teori pengambilan sampel dan estimasi, desain eksperimen, serta teori pengujian hipotesis.

Teori pengambilan sampel berkaitan dengan cara memilih sampel item dari kelompok besar dan menggunakan data yang diamati untuk menggambarkan keseluruhan kelompok. Untuk menghemat waktu dan biaya, sampel biasanya dibuat sekecil mungkin. Ada berbagai teori tentang desain pengambilan sampel dan estimasi, masing-masing menghasilkan estimasi dengan karakteristik yang berbeda.

Struktur model melibatkan fungsi-fungsi yang menghubungkan kinerja dengan variabel yang dikontrol dan tidak dikontrol. Misalnya, sebuah perusahaan mungkin ingin menunjukkan hubungan antara tingkat keuntungan dengan variabel yang mereka kendalikan (seperti harga dan biaya iklan) dan variabel yang tidak mereka kendalikan (seperti kondisi ekonomi dan persaingan). Untuk menguji model, kita membandingkan nilai kinerja yang dihasilkan dari model dengan nilai-nilai yang sebenarnya dalam berbagai kondisi. Jika ada perbedaan yang signifikan, maka model tersebut memerlukan penyesuaian.

Solusi yang dihasilkan dari suatu model diuji untuk melihat apakah menghasilkan kinerja yang lebih baik daripada beberapa alternatif yang ada. Pengujian ini dapat bersifat prospektif, memprediksi kinerja di masa depan, atau retrospektif, membandingkan solusi yang diusulkan dengan apa yang terjadi di masa lalu. Jika pengujian prospektif dan retrospektif tidak mungkin, solusi dapat dievaluasi dengan melakukan analisis sensitivitas, yaitu mengukur seberapa jauh perkiraan dalam solusi dapat salah sebelum solusi tersebut menjadi kurang baik dari prosedur pengambilan keputusan alternatif.

Perhitungan biaya dari penerapan suatu solusi harus dikurangi dari keuntungan yang diharapkan dari solusi tersebut, sehingga dapat memperkirakan keuntungan bersih. Kesalahan atau inefisiensi dalam menerapkan solusi juga harus diperhitungkan dalam memperkirakan keuntungan bersih.

Komputer dan riset operasi

Simulasi

Simulasi merupakan sebuah metode untuk menghitung kinerja suatu sistem dengan mengevaluasi modelnya terhadap nilai-nilai variabel yang dipilih secara acak. Biasanya, simulasi dalam riset operasi melibatkan variabel "stokastik", yang berubah secara acak dalam distribusi probabilitas tertentu sepanjang waktu. Simulasi memerlukan penggunaan angka-angka acak dan prosedur untuk menghasilkannya, serta cara untuk mengubah angka-angka tersebut menjadi distribusi variabel yang relevan, mengambil sampel nilai-nilai tersebut, dan mengevaluasi kinerja yang dihasilkan.

Ada juga jenis simulasi yang melibatkan pengambilan keputusan oleh satu atau lebih pengambil keputusan nyata, yang disebut "permainan operasional". Permainan semacam ini biasanya digunakan dalam studi interaksi pengambil keputusan, terutama dalam situasi kompetitif. Namun, menarik kesimpulan dari permainan operasional ke dunia nyata masih merupakan tantangan.

Optimasi eksperimental adalah cara untuk melakukan eksperimen pada suatu sistem untuk menemukan solusi terbaik terhadap masalah yang ada di dalamnya. Eksperimen semacam itu dapat dilakukan secara bersamaan atau berurutan, dengan berbagai desain yang mungkin, tergantung pada situasi.

Analisis dan dukungan keputusan telah menjadi integral dalam organisasi bisnis dan pemerintahan sejak 1950-an. Pada awalnya, komputer digunakan untuk tugas-tugas seperti pencatatan, pembukuan, dan pemrosesan transaksi, yang sering disebut sebagai pemrosesan data. Meskipun penting, sebagian besar pekerjaan yang terlibat dalam pembangunan sistem tersebut tidak memerlukan metode riset operasi.

Analisis dan dukungan keputusan

Sejak diperkenalkan secara luas dalam organisasi bisnis dan pemerintahan pada tahun 1950an, aplikasi utama komputer adalah bidang pencatatan, pembukuan, dan pemrosesan transaksi. Aplikasi ini, biasa disebut pemrosesan data , mengotomatiskan aliran dokumen, memperhitungkan transaksi bisnis (seperti pemrosesan pesanan dan aktivitas inventaris dan pengiriman), dan memelihara catatan yang teratur dan akurat. Meskipun pemrosesan data sangat penting bagi sebagian besar organisasi, sebagian besar pekerjaan yang terlibat dalam perancangan sistem tersebut tidak memerlukan metode riset operasi.

Pada tahun 1960an, ketika komputer diterapkan pada masalah pengambilan keputusan rutin para manajer,sistem informasi manajemen (MIS) muncul. Sistem ini menggunakan data mentah (biasanya historis) dari sistem pemrosesan data untuk menyiapkan ringkasan manajemen, memetakan informasi tentang tren dan siklus, dan memantau kinerja aktual dibandingkan dengan rencana atau anggaran.

Baru-baru ini,sistem pendukung keputusan (DSS ) telah dikembangkan untuk memproyeksikan dan memprediksi hasil keputusan sebelum keputusan tersebut dibuat. Proyeksi ini memungkinkan para manajer dan analis untuk mengevaluasi kemungkinan konsekuensi dari keputusan dan mencoba beberapa alternatif di atas kertas sebelum menggunakan sumber daya yang berharga untuk program yang sebenarnya.

Perkembangan sistem informasi manajemen dan sistem pendukung keputusan membawa peneliti operasi dan insinyur industri ke garis depan dalam perencanaan bisnis. Sistem berbasis komputer ini memerlukan pengetahuan tentang suatu organisasi dan aktivitasnya selain keterampilan teknis dalam pemrograman komputer dan penanganan data. Permasalahan utama dalam MIS atau DSS mencakup bagaimana suatu sistem akan dimodelkan, bagaimana model sistem tersebut akan ditangani oleh komputer, data apa yang akan digunakan, seberapa jauh tren masa depan akan diekstrapolasi , dan seterusnya. Dalam sebagian besar pekerjaan ini, serta dalam pemodelan riset operasi yang lebih tradisional, teknik simulasi telah terbukti sangat berharga.

Alat perangkat lunak baru untuk pengambilan keputusan

Pertumbuhan pribadi yang eksplosif komputer dalam organisasi bisnis pada awal tahun 1980an melahirkan pertumbuhan paralel dalam perangkat lunak untuk membantu pengambilan keputusan. Alat-alat ini mencakup program spreadsheet untuk menganalisis masalah kompleks dengan jejak yang memiliki kumpulan data berbeda, program manajemen basis data yang memungkinkan pemeliharaan dan manipulasi informasi dalam jumlah besar secara teratur, dan program grafik yang dengan cepat dan mudah menyiapkan tampilan data yang terlihat profesional . Program bisnis (perangkat lunak) seperti ini dulunya berharga puluhan ribu dolar; sekarang mereka tersedia secara luas, dapat digunakan pada perangkat keras yang relatif murah, mudah digunakan tanpa mempelajari bahasa pemrograman, dan cukup kuat untuk menangani masalah bisnis yang rumit dan praktis.

Ketersediaan spreadsheet, basis data, dan program grafik pada komputer pribadi juga sangat membantu insinyur industri dan peneliti operasi yang pekerjaannya melibatkan konstruksi, solusi, dan pengujian model. Perangkat lunak yang mudah digunakan dan tidak memerlukan pengetahuan pemrograman yang luas memungkinkan pembuatan model yang lebih cepat dan hemat biaya dan juga membantu dalam mengkomunikasikan hasil analisis kepada manajemen. Memang benar, banyak manajer sekarang memiliki komputer di meja mereka dan bekerja dengan spreadsheet dan program lain sebagai bagian rutin dari tugas manajerial mereka.

Contoh model riset operasi dan aplikasinya

Seperti disebutkan sebelumnya, banyak masalah operasional sistem terorganisir memiliki struktur yang sama. Jenis struktur yang paling umum telah diidentifikasi sebagai masalah prototipe , dan pekerjaan ekstensif telah dilakukan pada pemodelan dan penyelesaiannya.

Meskipun semua permasalahan dengan struktur serupa tidak mempunyai model yang sama, permasalahan yang diterapkan pada permasalahan tersebut mungkin mempunyai struktur matematis yang sama dan karenanya dapat diselesaikan dengan satu prosedur. Beberapa permasalahan nyata terdiri dari kombinasi permasalahan-permasalahan yang lebih kecil, beberapa atau seluruh permasalahan tersebut termasuk dalam prototipe yang berbeda . Secara umum, model prototipe adalah yang terbesar yang dapat diselesaikan dalam satu langkah. Oleh karena itu, permasalahan besar yang terdiri dari kombinasi permasalahan prototipe biasanya harus dipecah menjadi unit-unit yang dapat dipecahkan; model keseluruhan yang digunakan adalah agregasi dari prototipe dan mungkin model lainnya.

Alokasi sumber daya

Masalah alokasi melibatkan distribusisumber daya di antara alternatif-alternatif yang bersaing untuk meminimalkan total biaya atau memaksimalkan keuntungan total. Masalah-masalah tersebut mempunyai komponen-komponen berikut: sekumpulan sumber daya yang tersedia dalam jumlah tertentu; serangkaian pekerjaan yang harus diselesaikan, masing-masing memerlukan sejumlah sumber daya tertentu; dan serangkaian biaya atau pengembalian untuk setiap pekerjaan dan sumber daya. Masalahnya adalah menentukan berapa banyak sumber daya yang dialokasikan untuk setiap pekerjaan.

Jika lebih banyak sumber daya yang tersedia daripada yang dibutuhkan, solusinya harus menunjukkan sumber daya mana yang tidak boleh digunakan, dengan mempertimbangkan biaya terkait. Demikian pula, jika terdapat lebih banyak pekerjaan daripada yang dapat dilakukan dengan sumber daya yang tersedia, solusinya harus menunjukkan pekerjaan mana yang tidak boleh dilakukan, sekali lagi dengan mempertimbangkan biaya terkait.

Jika setiap pekerjaan memerlukan tepat satu sumber daya ( misalnya, satu orang) dan setiap sumber daya hanya dapat digunakan pada satu pekerjaan, maka permasalahan yang dihasilkan adalah salah satu dari pekerjaan tersebut.penugasan. Jika sumber daya dapat dibagi, dan jika pekerjaan dan sumber daya dinyatakan dalam satuan pada skala yang sama, hal ini disebut transportasi atau masalah distribusi . Jika pekerjaan dan sumber daya tidak dinyatakan dalam satuan yang sama, maka hal ini merupakan masalah alokasi umum.

Masalah penugasan dapat berupa menugaskan pekerja ke kantor atau tempat kerja, truk ke jalur pengiriman, pengemudi ke truk, atau kelas ke ruangan. Masalah transportasi yang umum terjadi adalah pendistribusian gerbong barang kosong jika diperlukan atau penugasan pesanan ke pabrik untuk produksi. Masalah alokasi umum dapat terdiri dari penentuan mesin mana yang harus digunakan untuk membuat suatu produk tertentu atau rangkaian produk apa yang harus diproduksi di suatu pabrik selama periode tertentu.

Dalam masalah alokasi, biaya atau keuntungan per unit dapat bersifat independen atau saling bergantung; misalnya, keuntungan dari menginvestasikan satu dolar dalam upaya penjualan mungkin bergantung pada jumlah yang dibelanjakan untuk iklan. Jika alokasi yang dilakukan pada suatu periode mempengaruhi alokasi pada periode berikutnya, maka permasalahan tersebut dikatakan dinamis , dan waktu harus dipertimbangkan dalam penyelesaiannya.

Pemrograman linier

Pemrograman linier (LP) mengacu pada serangkaian teknik optimasi matematis yang telah terbukti efektif dalam memecahkan masalah alokasi sumber daya, khususnya yang ditemukan dalam sistem produksi industri. Metode pemrograman linier adalah teknik aljabar yang didasarkan pada serangkaian persamaan atau pertidaksamaan yang membatasi suatu masalah dan digunakan untuk mengoptimalkan ekspresi matematika yang disebut metode pemrograman linier.fungsi objektif . Fungsi tujuan dan batasan yang diberikan pada permasalahan harus bersifat deterministik dan dapat dinyatakan dalam bentuk linier. Pembatasan ini membatasi jumlah permasalahan yang dapat ditangani secara langsung, namun sejak diperkenalkannya program linier pada akhir tahun 1940an, banyak kemajuan telah dicapai untuk mengadaptasi metode ini pada permasalahan yang lebih kompleks.

Karena pemrograman linier mungkin merupakan matematika yang paling banyak digunakan teknik optimasi , banyak program komputer tersedia untuk memecahkan masalah LP. Misalnya saja, teknik LP kini digunakan secara rutin untuk permasalahan seperti pencampuran kilang minyak dan bahan kimia, pemilihan vendor atau pemasok untuk perusahaan manufaktur multi-pabrik besar , penentuan rute dan jadwal pengiriman, serta pengelolaan dan pemeliharaan armada truk.

Kontrol inventaris

Persediaan meliputi bahan mentah, bagian komponen, barang dalam proses, barang jadi, bahan pengemas dan pengemas, serta persediaan umum. Pengendalian persediaan, yang penting bagi kekuatan finansial suatu perusahaan, secara umum melibatkan penentuan pada titik mana dalam sistem produksi persediaan harus disimpan dan bagaimana bentuk serta ukurannya. Karena beberapa biaya unit meningkat seiring dengan ukuran inventaris—termasuk penyimpanan, keusangan , kerusakan, asuransi, investasi—dan biaya unit lainnya menurun seiring dengan ukuran inventaris—termasuk biaya penyiapan atau persiapan, penundaan karena kekurangan, dan sebagainya—hal ini merupakan bagian yang baik dari manajemen inventaris terdiri dari penentuan ukuran lot pembelian atau produksi yang optimal dan tingkat stok dasar yang akan menyeimbangkan pengaruh biaya yang berlawanan. Bagian lain dari masalah persediaan umum adalah menentukan tingkat (titik pemesanan ulang) dimana pesanan untuk pengisian kembali persediaan harus dimulai.

Pengendalian persediaan berkaitan dengan dua pertanyaan: kapan harus mengisi kembali persediaan dan berapa banyak. Ada dua sistem kontrol utama. Itusistem dua nampan (terkadang disebut sistem min-max) melibatkan penggunaan dua nampan, baik secara fisik atau di atas kertas. Wadah pertama ditujukan untuk memenuhi permintaan saat ini dan wadah kedua untuk memenuhi permintaan selama periode pengisian ulang. Ketika stok di nampan pertama habis , pesanan untuk jumlah tertentu dibuat. Itusistem siklus pemesanan ulang, atau sistem peninjauan siklus, terdiri dari pemesanan pada interval reguler yang tetap. Berbagai kombinasi sistem ini dapat digunakan dalam pembangunan prosedur pengendalian persediaan. Sistem dua tempat yang murni, misalnya, dapat dimodifikasi untuk memerlukan peninjauan stok secara siklis, bukan terus-menerus, dengan pesanan hanya dihasilkan ketika stok berada di bawah tingkat tertentu. Demikian pula, sistem siklus pemesanan ulang murni dapat dimodifikasi untuk memungkinkan pesanan dihasilkan jika stok berada di bawah tingkat pemesanan ulang di antara peninjauan siklus. Dalam variasi lainnya, jumlah pemesanan ulang dalam sistem siklus pemesanan ulang dibuat bergantung pada tingkat stok pada periode peninjauan atau kebutuhan untuk memesan produk atau bahan lain pada waktu yang sama atau keduanya.

Masalah persediaan klasik melibatkan penentuan berapa banyak sumber daya yang akan diperoleh , baik dengan membeli atau memproduksinya, dan apakah atau kapan memperolehnya untuk meminimalkan jumlah biaya yang meningkat seiring dengan besarnya persediaan dan biaya yang menurun seiring dengan peningkatan persediaan. . Biaya jenis pertama mencakup biaya modal yang diinvestasikan dalam persediaan, penanganan, penyimpanan, asuransi, pajak, penyusutan, kerusakan, dan keusangan. Biaya yang menurun seiring bertambahnya persediaan termasuk biaya kekurangan (yang timbul dari hilangnya penjualan), biaya pengaturan produksi, dan harga pembelian atau biaya produksi langsung. Biaya pengaturan mencakup biaya penempatan pesanan pembelian atau memulai proses produksi. Jika dipesan dalam jumlah besar, persediaan meningkat tetapi frekuensi pemesanan menurun, sehingga biaya setup menurun. Secara umum, semakin besar jumlah yang dipesan maka semakin rendah harga pembelian satuan karena adanya diskon kuantitas dan semakin rendah biaya produksi per unit akibat semakin besarnya efisiensi jangka panjang produksi. Variabel relevan lainnya mencakup permintaan sumber daya dan waktu antara penempatan dan pemenuhan pesanan.

Masalah inventaris muncul dalam berbagai konteks; misalnya, menentukan jumlah barang yang akan dibeli atau diproduksi, berapa banyak orang yang harus dipekerjakan atau dilatih, seberapa besar fasilitas produksi atau ritel baru yang harus dibangun atau berapa banyak yang harus disediakan, dan berapa banyak modal cair (operasional) yang harus tetap tersedia. Model inventaris untuk item tunggal telah dikembangkan dengan baik dan biasanya diselesaikan dengan kalkulus. Ketika jumlah pesanan untuk banyak item saling bergantung (seperti, misalnya, ketika ruang penyimpanan atau waktu produksi terbatas), masalahnya menjadi lebih sulit. Beberapa masalah yang lebih besar dapat diselesaikan dengan memecahnya menjadi masalah inventaris dan alokasi yang saling berinteraksi. Dalam permasalahan yang sangat besar, simulasi dapat digunakan untuk menguji berbagai aturan keputusan yang relevan.

Pendekatan Jepang

Pada tahun 1970-an beberapa perusahaan Jepang yang dipimpin olehToyota Motor Corporation , mengembangkan pendekatan yang sangat berbeda terhadap pengelolaan persediaan. MenciptakanDengan pendekatan “just-in-time” , elemen dasar dari sistem baru ini adalah pengurangan persediaan secara dramatis di seluruh sistem produksi total. Dengan mengandalkan penjadwalan yang cermat dan koordinasi pasokan, pihak Jepang memastikan bahwa suku cadang dan pasokan tersedia dalam jumlah yang tepat, dengan kualitas yang tepat, pada waktu yang tepat ketika dibutuhkan dalam proses produksi atau perakitan.

Ada dua hal yang membuat just-in-time berhasil—perhatian yang kuat terhadap kualitas di semua tingkat sistem secara keseluruhan meniadakan kebutuhan akan inventaris suku cadang untuk menutupi cacat yang ditemukan dalam proses manufaktur, dan koordinasi yang erat antara informasi dan rencana dengan pemasok dan vendor diperbolehkan. mereka untuk menyelaraskan jadwal dan pengiriman mereka dengan kebutuhan menit-menit terakhir dari produsen. Elemen pendekatan just-in-time kini telah diadopsi oleh banyak perusahaan di Amerika Serikat dan Eropa, meskipun banyak perusahaan yang tidak dapat menggunakan sistem ini secara maksimal karena jaringan pemasok mereka lebih besar dan tersebar lebih luas dibandingkan di Jepang.

Teknik Jepang kedua, disebutkanban (“kartu”), juga memungkinkan perusahaan Jepang menjadwalkan produksi dan mengelola inventaris dengan lebih efektif. Dalam sistem kanban , kartu atau tiket ditempelkan pada kumpulan komponen, rak, atau palet dalam proses pembuatan. Ketika suatu batch habis dalam proses perakitan, kanbannya dikembalikan ke departemen manufaktur dan batch lainnya segera dikirimkan. Karena jumlah total suku cadang atau batch dalam sistem dijaga konstan, koordinasi, penjadwalan, dan pengendalian inventaris menjadi sangat disederhanakan.

Disadur dari: www.britannica.com

Pengantar alat insinyur industri

Dalam permadani rumit teknik industri, alat dan perangkat lunak yang dimiliki seorang insinyur adalah benang merah yang menenun lanskap efisiensi dan inovasi. Instrumen-instrumen ini adalah pekerja keras yang tidak bersuara, yang mendukung upaya tanpa henti untuk mengoptimalisasi sistem dan proses. Mulai dari perangkat lunak simulasi yang canggih hingga teknik manufaktur ramping yang mutakhir, alat-alat ini sangat penting dalam merancang, menganalisis, dan menyempurnakan operasi yang kompleks.

Bagi Insinyur Industri, kemahiran dalam menggunakan alat-alat ini bukan hanya sebuah keuntungan-ini merupakan keharusan untuk membentuk tulang punggung industri, memastikan bahwa setiap roda gigi dalam mesin berputar dengan presisi dan tujuan. Memahami dan menguasai alat-alat ini juga merupakan landasan bagi mereka yang bercita-cita untuk mengukir karier di bidang teknik industri. Ini adalah persenjataan teknologi yang memungkinkan para insinyur masa depan untuk menerjemahkan pengetahuan teoretis menjadi solusi praktis dan berdampak.

Dalam bidang di mana efisiensi dan produktivitas adalah mata uang kesuksesan, menguasai perangkat lunak dan metodologi terbaru adalah bukti nyata komitmen seseorang terhadap keunggulan. Baik bagi pemula maupun profesional berpengalaman, menyelami dunia alat Insinyur Industri bukan hanya bersifat edukatif, tetapi juga merupakan langkah strategis untuk menjadi ujung tombak dalam evolusi industri yang tiada henti.

Memahami kotak peralatan insinyur industri

Dalam dunia teknik industri yang memiliki banyak aspek, penggunaan alat dan perangkat lunak yang mahir bukan hanya sebuah kenyamanan, tetapi juga sebuah keharusan. Aset teknologi ini memungkinkan Insinyur Industri untuk mengoptimalkan sistem, meningkatkan efisiensi, dan memastikan bahwa operasi berjalan pada kinerja puncak. Perangkat yang tepat dapat secara signifikan meningkatkan alur kerja, memfasilitasi pengambilan keputusan yang tepat, dan meningkatkan kolaborasi tim, yang semuanya merupakan komponen penting dalam bidang teknik industri. Alat dan platform yang dapat digunakan oleh Insinyur Industri sangat beragam, sama beragamnya dengan tantangan yang mereka hadapi. Mulai dari manajemen proyek hingga simulasi proses, setiap kategori alat memiliki tujuan tertentu, membantu membedah masalah yang kompleks, merampingkan proses produksi, dan mengelola sumber daya secara efektif. Memahami dan memanfaatkan alat-alat ini sangat penting bagi setiap Insinyur Industri yang ingin unggul di bidangnya.

Daftar alat insinyur industri

Manajemen proyek dan tugas

Alat bantu manajemen proyek dan tugas sangat penting bagi Insinyur Industri untuk merencanakan, melaksanakan, dan memantau proyek secara efisien. Alat-alat ini membantu memecah proyek besar menjadi tugas-tugas yang dapat dikelola, menugaskan sumber daya, dan melacak kemajuan untuk memastikan penyelesaian tepat waktu. Alat-alat ini sangat penting untuk menjaga kesinambungan alur kerja dan memastikan bahwa semua anggota tim selaras dengan tujuan proyek.

Alat-alat populer

• Microsoft project: Perangkat lunak manajemen proyek yang tangguh yang menawarkan penjadwalan terperinci, alokasi sumber daya, dan pelacakan kemajuan untuk membantu para insinyur mengelola proyek industri yang kompleks.
• Smartsheet: Alat bantu intuitif yang menggabungkan spreadsheet, bagan Gantt, dan fitur otomatisasi kerja untuk menyederhanakan perencanaan dan pelaksanaan proyek.
• Monday.com: Platform fleksibel yang beradaptasi dengan berbagai metodologi manajemen proyek, memungkinkan Insinyur Industri untuk menyesuaikan alur kerja dan berkolaborasi dengan tim secara efektif.

Simulasi dan optimasi proses

Alat simulasi dan pengoptimalan proses memungkinkan Insinyur Industri untuk memodelkan, menganalisis, dan meningkatkan sistem manufaktur dan alur kerja. Alat-alat ini mensimulasikan proses dunia nyata untuk mengidentifikasi kemacetan, menguji peningkatan, dan mengoptimalkan pemanfaatan sumber daya tanpa mengganggu operasi yang sebenarnya.

Alat-alat populer

• FlexSim: Perangkat lunak simulasi canggih yang memodelkan, mensimulasikan, dan menganalisis proses industri, membantu para insinyur untuk memvisualisasikan dan mengoptimalkan operasi.
• ARENA simulation: Alat simulasi peristiwa diskrit yang memungkinkan Insinyur Industri mereplikasi operasi yang kompleks dan mengevaluasi dampak skenario yang berbeda pada kinerja sistem.
• Simul8: Menawarkan kemampuan simulasi yang memberikan wawasan tentang efisiensi dan kinerja proses, memungkinkan pengambilan keputusan berbasis data dan peningkatan proses.

Analisis dan pelaporan data

Alat analisis dan pelaporan data sangat diperlukan bagi Insniyur Industri yang perlu memahami kumpulan data yang besar dan menerjemahkannya ke dalam wawasan yang dapat ditindaklanjuti. Alat-alat ini membantu dalam memantau kinerja sistem, mengidentifikasi tren, dan membuat keputusan yang tepat berdasarkan analisis kuantitatif.

Alat yang populer

• Microsoft excel: Alat serbaguna untuk analisis data, yang menyediakan berbagai fungsi dan fitur untuk analisis statistik, visualisasi data, dan pelaporan.
• Minitab: Perangkat lunak statistik khusus yang membantu Insinyur Industri dalam menganalisis data dan meningkatkan proses melalui alat statistik yang mudah digunakan.
• Tableau: Alat visualisasi data yang memungkinkan para insinyur membuat dasbor interaktif dan dapat dibagikan, yang dapat membantu dalam memahami data dan membuat keputusan strategis.

Manajemen kualitas

Alat bantu manajemen kualitas sangat penting untuk memastikan bahwa produk dan proses memenuhi standar dan peraturan yang disyaratkan. Alat-alat ini membantu dalam mendokumentasikan proses, mengelola audit, dan melacak ketidaksesuaian, yang berkontribusi pada peningkatan berkelanjutan dan kepuasan pelanggan.

Alat Bantu populer

• SPC untuk excel: Alat bantu perangkat lunak yang terintegrasi dengan Excel untuk menyediakan bagan pengendalian proses statistik (SPC) dan fitur manajemen kualitas.
• Qualio: Sistem manajemen mutu berbasis cloud yang dirancang untuk industri ilmu hayati, membantu menjaga kepatuhan dan mengelola proses mutu.
• TrackWise: Perangkat lunak manajemen mutu perusahaan (EQMS) yang memungkinkan pelacakan dan manajemen mutu global, memastikan kepatuhan dan mengurangi risiko.

Manajemen rantai pasokan dan logistik

Alat bantu manajemen rantai pasokan dan logistik merupakan kunci bagi Insinyur Industri untuk mengawasi seluruh siklus hidup produk, mulai dari pengadaan hingga pengiriman. Alat-alat ini membantu mengoptimalkan tingkat inventaris, mengelola hubungan dengan pemasok, dan memastikan distribusi barang yang efisien.

Alat yang populer

• SAP SCM: Solusi manajemen rantai pasokan komprehensif yang memberikan visibilitas dan kontrol menyeluruh atas rantai pasokan.
• Oracle SCM cloud: Rangkaian manajemen rantai pasokan berbasis cloud yang membantu mengelola siklus hidup produk, rantai pasokan, dan operasi logistik.
• Logility: Perangkat lunak optimasi rantai pasokan dan perencanaan tingkat lanjut yang mendukung perencanaan permintaan, optimasi inventaris, dan manajemen transportasi.

Kolaborasi dan komunikasi

Alat kolaborasi dan komunikasi sangat penting bagi Insinyur Industri untuk menjaga jalur komunikasi yang jelas dengan anggota tim, pemangku kepentingan, dan departemen lain. Alat-alat ini memfasilitasi berbagi informasi, kolaborasi real-time, dan koordinasi proyek.

Alat bantu populer

• Slack: Platform perpesanan yang meningkatkan komunikasi tim melalui saluran, pesan langsung, dan integrasi dengan berbagai alat kerja.
• Microsoft teams: Menggabungkan obrolan, rapat, panggilan, dan kolaborasi ke dalam satu platform, terintegrasi dengan aplikasi Microsoft Office untuk kerja tim yang lancar.
• Zoom: Alat konferensi video yang telah menjadi penting untuk rapat virtual, webinar, dan kolaborasi, terutama di lingkungan kerja jarak jauh dan hybrid.
• Tampilkan alat yang tepat dalam resume anda: Bandingkan resume Anda dengan deskripsi pekerjaan tertentu untuk mengidentifikasi dengan cepat alat bantu mana yang penting untuk disoroti dalam pengalaman Anda.

Mempelajari dan menguasai alat insinyur industri

Sebagai Insinyur Industri, penguasaan alat dan perangkat lunak bukan hanya tentang mengetahui tombol apa yang harus ditekan; ini tentang memahami bagaimana sumber daya ini dapat mengoptimalkan sistem, meningkatkan efisiensi, dan mendorong inovasi dalam operasi Anda. Pendekatan yang tepat untuk mempelajari alat-alat ini melibatkan perpaduan antara pengetahuan teoretis dan aplikasi praktis, sehingga Anda dapat memanfaatkan teknologi secara maksimal. Berikut ini adalah panduan strategis untuk membantu Anda menavigasi perjalanan mempelajari dan menguasai alat dan perangkat lunak penting di bidang teknik industri.

Bangun dasar teori yang kuat

Sebelum mempelajari perangkat lunak secara spesifik, sangat penting untuk memiliki pemahaman yang kuat tentang prinsip-prinsip teknik industri. Pengetahuan ini akan berfungsi sebagai lensa untuk mengevaluasi dan memanfaatkan alat apa pun. Mulailah dengan buku teks, artikel ilmiah, dan sumber daya online yang mencakup dasar-dasar pengoptimalan proses, rekayasa sistem, dan manufaktur ramping.

Terlibat dalam praktik langsung secara aktif

Teori saja tidak akan cukup; Anda perlu mengotori tangan Anda. Libatkan diri Anda dengan perangkat lunak melalui latihan praktis dan proyek nyata. Banyak perangkat lunak yang menawarkan versi demo atau lisensi edukasi yang memungkinkan Anda untuk mengeksplorasi kemampuannya tanpa komitmen finansial. Gunakan kesempatan ini untuk mengerjakan skenario tiruan atau menjadi sukarelawan untuk proyek-proyek yang dapat memberikan pengalaman praktis.

Berpartisipasi dalam kelompok pengguna dan jaringan profesional

Bergabunglah dengan forum, grup LinkedIn, atau asosiasi profesional yang terkait dengan teknik industri. Komunitas-komunitas ini sangat berharga untuk berbagi pengalaman, mempelajari praktik terbaik, dan menemukan cara orang lain memecahkan masalah menggunakan alat yang sama. Berjejaring dengan rekan-rekan juga dapat membuka peluang bimbingan dan pembelajaran kolaboratif.

Memanfaatkan sumber daya pelatihan resmi

Sebagian besar penyedia perangkat lunak menawarkan banyak materi pelatihan, termasuk webinar, tutorial, dan dokumentasi terperinci. Sumber daya ini dirancang untuk membantu Anda memahami fitur dan fungsi alat tersebut. Manfaatkan materi resmi ini sebaik-baiknya untuk membangun pengetahuan operasional yang solid tentang perangkat lunak.

Berinvestasi dalam kursus dan sertifikasi khusus

Untuk alat bantu yang merupakan bagian integral dari peran Anda, pertimbangkan untuk mengikuti kursus khusus atau mengikuti sertifikasi. Jalur pendidikan terstruktur ini sering kali memberikan pendalaman yang lebih dalam ke dalam kemampuan perangkat lunak yang canggih dan aplikasi strategis. Sertifikasi tidak hanya meningkatkan keahlian Anda, namun juga meningkatkan kredibilitas Anda sebagai ahli di bidang Anda.

Berkomitmen pada pembelajaran berkelanjutan

Bidang teknik industri bersifat dinamis, dengan kemajuan teknologi dan metodologi yang berkelanjutan. Berlanggananlah publikasi industri, hadiri webinar, dan ikuti pembaruan perangkat lunak untuk terus mengikuti perkembangan baru. Secara teratur menilai kembali perangkat Anda untuk memastikan perangkat tersebut selaras dengan standar industri saat ini dan tujuan profesional Anda.

Ajari Orang lain dan minta kritik yang membangun

Seiring dengan kemajuan kemampuan Anda, bagikan wawasan dan pengalaman Anda dengan rekan kerja. Mengajar dapat memperkuat pemahaman Anda sendiri dan menyoroti area yang perlu ditingkatkan. Selain itu, mintalah kritik yang membangun tentang pendekatan Anda dalam menggunakan alat ini. Umpan balik dari orang lain dapat memberikan perspektif baru dan membantu Anda menyempurnakan teknik Anda. Dengan mengikuti langkah-langkah ini, Anda tidak hanya akan belajar menggunakan alat dan perangkat lunak perekayasaan industri secara efektif, tetapi juga mengintegrasikannya dengan mulus ke dalam alur kerja Anda, sehingga Anda tetap menjadi yang terdepan dalam inovasi dan efisiensi di bidang Anda.

Pertanyaan umum alat untuk insinyur industri

• Bagaimana cara memilih alat yang tepat dari sekian banyak pilihan yang tersedia?

Insinyur Industri harus menyelaraskan pemilihan alat dengan tujuan operasional mereka-efisiensi, optimalisasi proses, dan kontrol kualitas. Prioritaskan alat bantu pembelajaran yang berstandar industri, seperti CAD untuk desain, perangkat lunak simulasi untuk pemodelan proses, dan sistem ERP untuk perencanaan sumber daya. Carilah masukan dari jaringan profesional dan pertimbangkan perangkat yang menawarkan sertifikasi untuk meningkatkan kredibilitas. Pilihlah yang sesuai dengan sektor industri spesifik Anda, baik manufaktur, logistik, maupun sistem layanan, untuk memastikan relevansi dan penerapannya.

• Apakah ada alat bantu yang hemat biaya untuk perusahaan rintisan dan insinyur industri perorangan?

Insinyur Industri dalam lingkungan yang dinamis harus memprioritaskan alat bantu pembelajaran yang merampingkan efisiensi dan mengoptimalkan proses. Mulailah dengan menguasai fitur-fitur inti yang relevan dengan tugas-tugas Anda. Libatkan diri Anda dalam simulasi interaktif dan manfaatkan platform khusus industri seperti SME atau IISE untuk kursus yang ditargetkan. Bergabunglah dengan jaringan atau forum profesional untuk mendapatkan saran praktis. Terapkan alat bantu ini dalam skenario waktu nyata untuk mendapatkan pengalaman praktis, dengan fokus pada bagaimana alat bantu ini meningkatkan alur kerja operasional dan berkontribusi pada peningkatan sistem.

• Dapatkah menguasai alat tertentu secara signifikan meningkatkan prospek karier saya sebagai Insinyur Industri?

Insinyur Industri dapat tetap mengikuti perkembangan terkini dengan terlibat dalam pengembangan profesional dan jaringan industri. Bergabung dengan perkumpulan insinyur, menghadiri lokakarya teknis, dan mengikuti kursus khusus dapat meningkatkan pengetahuan tentang alat yang sedang berkembang. Selain itu, membaca publikasi industri, berpartisipasi dalam forum online, dan menghadiri pameran dagang atau konferensi adalah cara terbaik untuk menemukan teknologi dan metodologi inovatif, memastikan Insinyur Industri tetap menjadi yang terdepan dalam efisiensi dan pengoptimalan di bidangnya.

Disadur dari: tealhq.com

Perkiraan permintaan untuk rantai pasokan modern

Gambaran umum perkiraan permintaan
Peramalan permintaan mengacu pada proses perencanaan dan prediksi permintaan barang dan bahan untuk membantu bisnis tetap menguntungkan. Tanpa peramalan permintaan yang kuat, perusahaan berisiko mengalami pemborosan dan kelebihan pasokan yang mahal - atau kehilangan peluang karena gagal mengantisipasi kebutuhan, preferensi, dan niat pembelian pelanggan. 

Para profesional peramalan permintaan memiliki keterampilan dan pengalaman khusus. Ketika keterampilan tersebut ditambah dengan teknologi rantai pasokan modern dan analitik prediktif, rantai pasokan dapat menjadi lebih kompetitif dan efisien dari sebelumnya.

Mengapa perkiraan permintaan penting untuk rantai pasokan modern?

Setelah pandemi, perusahaan berada dalam iklim bisnis yang bergerak sangat cepat. Perilaku dan ekspektasi pelanggan berkembang dengan cepat dan karena semakin banyak bisnis yang mengadopsi praktik rantai pasokan yang dioptimalkan dan jaringan bisnis yang terhubung ke cloud, persaingan menjadi semakin ketat. Peramalan permintaan penting bagi rantai pasokan karena membantu menginformasikan proses operasional inti seperti perencanaan sumber daya material berbasis permintaan (DDMRP), logistik masuk, manufaktur, perencanaan keuangan, dan penilaian risiko. 

Bagaimana cara kerja perkiraan permintaan?

Yang terbaik, peramalan permintaan menggabungkan peramalan kualitatif dan kuantitatif, yang keduanya mengandalkan kemampuan untuk mengumpulkan wawasan dari berbagai sumber data di sepanjang rantai pasokan. Data kualitatif dapat dikurasi dari sumber eksternal seperti laporan berita, tren budaya dan media sosial, serta riset pesaing dan pasar. Data yang bersumber dari internal - seperti umpan balik dan preferensi pelanggan - juga berkontribusi besar terhadap gambaran perkiraan yang akurat. 
Data kuantitatif biasanya sebagian besar bersifat internal dan dapat dikumpulkan dari jumlah penjualan, periode puncak belanja, dan analisis Web dan pencarian. Teknologi modern menggunakan analitik canggih, basis data yang kuat, dan menggunakan kecerdasan buatan (AI) serta pembelajaran mesin untuk menganalisis dan memproses kumpulan data yang dalam dan kompleks. Ketika teknologi modern diterapkan pada peramalan kualitatif dan kuantitatif serta analisis prediktif, manajer rantai pasokan dapat memberikan tingkat akurasi dan ketahanan yang semakin meningkat. Perkiraan permintaan dicapai melalui analisis lanjutan dari wawasan rantai pasokan kualitatif dan kuantitatif.

Metode perkiraan permintaan

Bergantung pada industri, basis pelanggan, dan volatilitas produk, para profesional perencanaan permintaan menggunakan metode prakiraan berikut ini:

1. Peramalan permintaan - tingkat makro: Peramalan permintaan tingkat makro melihat kondisi ekonomi secara umum, kekuatan eksternal, dan pengaruh luas lainnya yang dapat mengganggu atau memengaruhi bisnis. Faktor-faktor ini membantu menginformasikan bisnis tentang risiko atau peluang regional dan global, serta membuat mereka tetap waspada terhadap perubahan budaya dan pasar secara umum.
2. Perkiraan permintaan - tingkat mikro: Perkiraan permintaan di tingkat mikro dapat dikhususkan untuk produk, wilayah, atau segmen pelanggan tertentu. Peramalan tingkat mikro sangat selaras dengan pergeseran pasar yang hanya terjadi sekali atau tidak terduga yang dapat menyebabkan lonjakan atau penurunan permintaan secara tiba-tiba. Misalnya, jika para ahli memprediksi gelombang panas di New York dan perusahaan Anda membuat AC portabel, mungkin ada baiknya Anda mempertimbangkan risiko untuk meningkatkan buffer inventaris Anda di area tersebut. 
3. Perkiraan permintaan - jangka pendek: Perkiraan permintaan jangka pendek dapat dilakukan pada tingkat mikro atau makro. Biasanya dilakukan untuk jangka waktu kurang dari 12 bulan untuk menginformasikan operasi sehari-hari. Misalnya, hal ini dapat melibatkan konsultasi dengan tim penjualan dan pemasaran perusahaan untuk mengetahui apakah mereka merencanakan acara promosi atau penjualan yang dapat menyebabkan lonjakan permintaan.
4. Perkiraan permintaan - jangka panjang: Perkiraan permintaan jangka panjang juga bisa bersifat mikro atau makro, tetapi biasanya melihat ke depan lebih dari satu tahun. Hal ini membantu bisnis membuat keputusan dengan informasi yang lebih baik tentang hal-hal seperti ekspansi, investasi perusahaan, akuisisi, atau kemitraan baru. Ketika bisnis memberikan waktu satu tahun atau lebih untuk menganalisis dan menguji pasar, mereka dapat memperoleh gambaran yang lebih kuat tentang tren permintaan seperti apa yang dapat mereka harapkan saat mereka membuka toko atau meluncurkan produk di negara atau wilayah baru.

Faktor-faktor yang memengaruhi perencanaan dan prakiraan permintaan

Silo adalah musuh perencanaan dan perkiraan permintaan yang akurat. Agar lebih akurat dan efisien, perencanaan rantai pasokan membutuhkan area bisnis yang sangat berbeda untuk terhubung secara real time dan terus menyumbangkan data dan wawasan. Dengan berbekal data sebanyak mungkin, peramal permintaan akan lebih siap untuk bergulat dengan faktor-faktor ini:
 
Peramalan musiman dan inventaris

Produk seperti tabir surya atau pohon Natal memiliki peningkatan musiman yang sangat jelas. Namun, musiman juga dapat berlaku untuk apa pun yang menyebabkan perilaku pelanggan berubah sepanjang tahun. Hal ini dapat mencakup peristiwa cuaca yang tidak terduga atau bahkan sesuatu seperti pandemi, yang menyebabkan orang tinggal di rumah dan berada di dalam ruangan lebih banyak daripada biasanya selama bulan-bulan musim panas.

Persaingan yang berkaitan dengan perkiraan permintaan

Pada tahun 2020-an, bisnis beroperasi di pasar yang kompetitif dan kompleks. Ekspektasi pelanggan berubah dengan cepat dan mencakup permintaan untuk siklus hidup produk yang lebih pendek, pengiriman yang lebih cepat, dan layanan yang lebih personal. Dengan lonjakan belanja online, pandemi menyebabkan penurunan loyalitas merek pelanggan, yang juga berkontribusi pada kekuatan persaingan yang lebih besar.

Jenis barang dan perkiraan permintaan 

Perkiraan permintaan dapat sangat bervariasi dari satu produk ke produk lainnya, bahkan dalam kategori produk yang sama. Misalnya, permintaan untuk kaos hitam dapat berubah dan tiba-tiba mulai melampaui permintaan untuk kaos putih. Kuncinya adalah bukan untuk mengetahui bahwa hal itu berubah, tetapi untuk mengetahui mengapa hal itu berubah. Nilai pelanggan seumur hidup, nilai pesanan rata-rata, dan kombinasi pembelian produk juga sangat bervariasi dan terkadang berubah secara tiba-tiba.

 

Dengan alat peramalan permintaan, Anda dapat lebih memahami dan memprediksi tren ini dan penyebabnya. Hal ini membantu bisnis mempelajari cara menyesuaikan, mempromosikan, atau menggabungkan item untuk mendorong lebih banyak pendapatan berulang dan untuk melihat lebih baik bagaimana satu SKU memengaruhi atau mendorong permintaan untuk yang lain.

Geografi

Secara tradisional, banyak bisnis yang mengelola hanya dengan beberapa gudang regional dan pusat distribusi yang melayani wilayah geografis yang luas. Namun, sebagian besar karena Efek Amazon, pelanggan sekarang mengharapkan pengiriman pada hari yang sama atau hari berikutnya. Ini berarti bahwa bisnis harus menempatkan pusat-pusat pemenuhan di seluruh negeri untuk mencapai kedekatan yang diperlukan untuk permintaan baru ini. Selain itu, ini tidak lagi menjadi tantangan B2C saja. Semakin banyak bisnis B2B yang juga merasakan tekanan kecepatan pengiriman.

Fenomena ini telah menyebabkan pergolakan besar dalam proses peramalan permintaan tradisional. Jika dulu perencana rantai pasokan hanya perlu mengkhawatirkan tingkat persediaan di beberapa lokasi, sekarang mereka harus menetapkan buffer dan tingkat stok yang akurat di ratusan pusat distribusi kecil. Dan jelas, hal ini menyebabkan peningkatan risiko dan potensi kerugian. Hal ini juga berarti bahwa para profesional perencanaan permintaan semakin bergantung pada solusi rantai pasokan yang terhubung dengan cloud untuk memberikan informasi dan data waktu nyata yang akurat untuk membantu mereka menjadi sangat akurat dengan inventaris mereka yang sekarang lebih kecil dan tersebar luas. 

Temukan beberapa manfaat dari peramalan permintaan, sebagai bagian dari perencanaan rantai pasokan yang terintegrasi.

Tiga langkah untuk memulai dengan perkiraan permintaan

Berikut adalah tiga langkah sederhana untuk membantu Anda menetapkan strategi perencanaan rantai pasokan yang baik dan praktik terbaik prakiraan permintaan: 

Biarkan prakiraan permintaan apa adanya.

• Perkiraan permintaan merupakan tulang punggung penting dalam proses perencanaan rantai pasokan dan mendasari banyak proses lainnya. Oleh karena itu, bisnis dapat tergoda untuk membiarkan peramalan permintaan menjadi praktik yang mencakup semua hal yang dibengkokkan dan digabungkan untuk mendukung berbagai fungsi perencanaan rantai pasokan lainnya. Jika digunakan dengan benar, peramalan permintaan memiliki tujuan yang jelas: memprediksi apa, berapa banyak, dan kapan pelanggan akan membeli. Fungsi rantai pasokan lainnya - seperti S&OP, optimalisasi inventaris, serta perencanaan respons dan pasokan - memberikan kemampuan yang saling melengkapi dalam sistem perencanaan bisnis yang terintegrasi. Jika alat bantu ini digunakan untuk fungsi spesifik yang telah dirancang, alat bantu peramalan permintaan dapat melakukan tugasnya dengan baik.

Perangkat lunak peramalan permintaan menyukai data, data, dan lebih banyak data.

• Ketika teknologi rantai pasokan - terutama yang berhubungan dengan peramalan permintaan dan inventaris - didukung dengan AI dan pembelajaran mesin, teknologi tersebut akan menjadi lebih baik, lebih akurat, dan lebih berwawasan dengan semakin banyak data yang Anda berikan. Jangan hanya mengandalkan data yang melihat ke belakang seperti penjualan masa lalu atau kinerja produk sebelumnya. Carilah sumber tambahan seperti berita, politik, tren sosial, dan wawasan pelanggan.
• Saat ini, data tidak harus linier dan sederhana untuk dianalisis secara efektif. Alat manajemen data modern dapat mengkurasi dan memproses kumpulan data yang besar dan kompleks. AI dan pembelajaran mesin menghadirkan kecepatan dan kecerdasan yang tidak hanya memungkinkan analisis yang canggih dan prediktif, tetapi juga belajar dari pengalaman dan input data kumulatif. 

Anggarkan dan rencanakan dengan tepat untuk mengoptimalkan perkiraan permintaan.

• Perencanaan rantai pasokan membutuhkan pendekatan yang realistis dan strategis untuk menjadi yang terbaik. Praktik dan alur kerja lama sulit untuk disesuaikan, dan orang cenderung menolak perubahan. Namun pada akhirnya, perkiraan permintaan dan perencanaan rantai pasokan yang lebih baik dapat meningkatkan profitabilitas dan mengurangi risiko serta kerugian sambil memberikan pengalaman kerja yang lebih efisien dan efisien kepada anggota tim rantai pasokan Anda. Dengan mengalokasikan anggaran dan sumber daya tim sejak dini, bisnis dapat membantu mendukung dukungan yang lebih baik dan peluncuran rencana pengoptimalan rantai pasokan yang lebih lancar.

Tampilan dasbor perencanaan permintaan

Menjadi lebih kompetitif dengan analisis prediktif dan perkiraan permintaan

Setiap langkah yang Anda ambil menuju transformasi digital rantai pasokan Anda akan membawa Anda lebih dekat dengan visibilitas dan efisiensi yang Anda butuhkan dalam iklim bisnis yang kompetitif saat ini. Bekerjasamalah dengan manajer rantai pasokan dan pemimpin tim di seluruh bisnis Anda untuk mulai memecah silo dan mempelajari di mana risiko terbesar mungkin bersembunyi - serta peluang terbesar untuk meraih kemenangan jangka panjang dan jangka pendek. Kemudian, bicaralah dengan vendor perangkat lunak Anda untuk mempelajari lebih lanjut tentang mengintegrasikan solusi perencanaan rantai pasokan ke dalam operasi Anda. 

Perkiraan permintaan untuk rantai pasokan modern

Peramalan permintaan membantu menginformasikan proses operasional inti seperti perencanaan sumber daya material berbasis permintaan (DDMRP), logistik masuk, manufaktur, perencanaan keuangan, dan penilaian risiko. 

Jelajahi alat bantu perkiraan permintaan

 Kurangi risiko saat mengubah rantai pasokan dan dorong pertumbuhan yang berkelanjutan, 3-5 Juni.
Daftar sekarang

Gambaran umum perkiraan permintaan

Peramalan permintaan mengacu pada proses perencanaan dan prediksi permintaan barang dan bahan untuk membantu bisnis tetap menguntungkan. Tanpa peramalan permintaan yang kuat, perusahaan berisiko mengalami pemborosan dan kelebihan yang mahal - atau kehilangan peluang karena gagal mengantisipasi kebutuhan, preferensi, dan niat pembelian pelanggan.

Para profesional peramalan permintaan memiliki keterampilan dan pengalaman khusus. Ketika keterampilan tersebut ditambah dengan teknologi rantai pasokan modern dan analitik prediktif, rantai pasokan dapat menjadi lebih kompetitif dan efisien dari sebelumnya.

Mengapa perkiraan permintaan penting untuk rantai pasokan modern?

Setelah pandemi, perusahaan berada dalam iklim bisnis yang bergerak sangat cepat. Perilaku dan ekspektasi pelanggan berkembang dengan cepat dan karena semakin banyak bisnis yang mengadopsi praktik rantai pasokan yang dioptimalkan dan jaringan bisnis yang terhubung ke cloud, persaingan menjadi semakin ketat. Peramalan permintaan penting bagi rantai pasokan karena membantu menginformasikan proses operasional inti seperti perencanaan sumber daya material berbasis permintaan (DDMRP), logistik masuk, manufaktur, perencanaan keuangan, dan penilaian risiko. 

Bagaimana cara kerja perkiraan permintaan?

Yang terbaik, peramalan permintaan menggabungkan peramalan kualitatif dan kuantitatif, yang keduanya mengandalkan kemampuan untuk mengumpulkan wawasan dari berbagai sumber data di sepanjang rantai pasokan. Data kualitatif dapat dikurasi dari sumber eksternal seperti laporan berita, tren budaya dan media sosial, serta riset pesaing dan pasar. Data yang bersumber dari internal - seperti umpan balik dan preferensi pelanggan - juga berkontribusi besar terhadap gambaran perkiraan yang akurat. 
 
Data kuantitatif biasanya sebagian besar bersifat internal dan dapat dikumpulkan dari jumlah penjualan, periode puncak belanja, dan analisis Web dan pencarian. Teknologi modern menggunakan analitik canggih, basis data yang kuat, dan menggunakan kecerdasan buatan (AI) serta pembelajaran mesin untuk menganalisis dan memproses kumpulan data yang dalam dan kompleks. Ketika teknologi modern diterapkan pada peramalan kualitatif dan kuantitatif serta analisis prediktif, manajer rantai pasokan dapat memberikan tingkat akurasi dan ketahanan yang semakin meningkat. Perkiraan permintaan dicapai melalui analisis lanjutan dari wawasan rantai pasokan kualitatif dan kuantitatif.

Metode perkiraan permintaan

Bergantung pada industri, basis pelanggan, dan volatilitas produk, para profesional perencanaan permintaan menggunakan metode prakiraan berikut ini:

• Peramalan permintaan - tingkat makro: Peramalan permintaan tingkat makro melihat kondisi ekonomi secara umum, kekuatan eksternal, dan pengaruh luas lainnya yang dapat mengganggu atau memengaruhi bisnis. Faktor-faktor ini membantu menginformasikan bisnis tentang risiko atau peluang regional dan global, serta membuat mereka tetap waspada terhadap perubahan budaya dan pasar secara umum.
• Perkiraan permintaan - tingkat mikro: Perkiraan permintaan di tingkat mikro dapat dikhususkan untuk produk, wilayah, atau segmen pelanggan tertentu. Peramalan tingkat mikro sangat selaras dengan pergeseran pasar yang hanya terjadi sekali atau tidak terduga yang dapat menyebabkan lonjakan atau penurunan permintaan secara tiba-tiba. Misalnya, jika para ahli memprediksi gelombang panas di New York dan perusahaan Anda membuat AC portabel, mungkin ada baiknya Anda mempertimbangkan risiko untuk meningkatkan buffer inventaris Anda di area tersebut. 
• Perkiraan permintaan - jangka pendek: Perkiraan permintaan jangka pendek dapat dilakukan pada tingkat mikro atau makro. Biasanya dilakukan untuk jangka waktu kurang dari 12 bulan untuk menginformasikan operasi sehari-hari. Misalnya, hal ini dapat melibatkan konsultasi dengan tim penjualan dan pemasaran perusahaan untuk mengetahui apakah mereka merencanakan acara promosi atau penjualan yang dapat menyebabkan lonjakan permintaan.
• Perkiraan permintaan - jangka panjang: Perkiraan permintaan jangka panjang juga bisa bersifat mikro atau makro, tetapi biasanya melihat ke depan lebih dari satu tahun. Hal ini membantu bisnis membuat keputusan dengan informasi yang lebih baik tentang hal-hal seperti ekspansi, investasi perusahaan, akuisisi, atau kemitraan baru. Ketika bisnis memberikan waktu satu tahun atau lebih untuk menganalisis dan menguji pasar, mereka dapat memperoleh gambaran yang lebih kuat tentang tren permintaan seperti apa yang dapat mereka harapkan saat mereka membuka toko atau meluncurkan produk di negara atau wilayah baru.

Faktor-faktor yang memengaruhi perencanaan dan prakiraan permintaan

Silo adalah musuh perencanaan dan perkiraan permintaan yang akurat. Agar lebih akurat dan efisien, perencanaan rantai pasokan membutuhkan area bisnis yang sangat berbeda untuk terhubung secara real time dan terus menyumbangkan data dan wawasan. Dengan berbekal data sebanyak mungkin, peramal permintaan akan lebih siap untuk bergulat dengan faktor-faktor ini:

 Peramalan musiman dan inventaris

Produk seperti tabir surya atau pohon Natal memiliki peningkatan musiman yang sangat jelas. Namun, musiman juga dapat berlaku untuk apa pun yang menyebabkan perilaku pelanggan berubah sepanjang tahun. Hal ini dapat mencakup peristiwa cuaca yang tidak terduga atau bahkan sesuatu seperti pandemi, yang menyebabkan orang tinggal di rumah dan berada di dalam ruangan lebih banyak daripada biasanya selama bulan-bulan musim panas.

Persaingan yang berkaitan dengan perkiraan permintaan

Pada tahun 2020-an, bisnis beroperasi di pasar yang kompetitif dan kompleks. Ekspektasi pelanggan berubah dengan cepat dan mencakup permintaan untuk siklus hidup produk yang lebih pendek, pengiriman yang lebih cepat, dan layanan yang lebih personal. Dengan lonjakan belanja online, pandemi menyebabkan penurunan loyalitas merek pelanggan, yang juga berkontribusi pada kekuatan persaingan yang lebih besar.

 

Jenis barang dan perkiraan permintaan

 

Perkiraan permintaan dapat sangat bervariasi dari satu produk ke produk lainnya, bahkan dalam kategori produk yang sama. Misalnya, permintaan untuk kaos hitam dapat berubah dan tiba-tiba mulai melampaui permintaan untuk kaos putih. Kuncinya adalah bukan untuk mengetahui bahwa hal itu berubah, tetapi untuk mengetahui mengapa hal itu berubah. Nilai pelanggan seumur hidup, nilai pesanan rata-rata, dan kombinasi pembelian produk juga sangat bervariasi dan terkadang berubah secara tiba-tiba.

 

Dengan alat peramalan permintaan, Anda dapat lebih memahami dan memprediksi tren ini dan penyebabnya. Hal ini membantu bisnis mempelajari cara menyesuaikan, mempromosikan, atau menggabungkan item untuk mendorong lebih banyak pendapatan berulang dan untuk melihat lebih baik bagaimana satu SKU memengaruhi atau mendorong permintaan untuk yang lain.

Geografi

Secara tradisional, banyak bisnis yang mengelola hanya dengan beberapa gudang regional dan pusat distribusi yang melayani wilayah geografis yang luas. Namun, sebagian besar karena Efek Amazon, pelanggan sekarang mengharapkan pengiriman pada hari yang sama atau hari berikutnya. Ini berarti bahwa bisnis harus menempatkan pusat-pusat pemenuhan di seluruh negeri untuk mencapai kedekatan yang diperlukan untuk permintaan baru ini. Selain itu, ini tidak lagi menjadi tantangan B2C saja. Semakin banyak bisnis B2B yang juga merasakan tekanan kecepatan pengiriman.

Fenomena ini telah menyebabkan pergolakan besar dalam proses peramalan permintaan tradisional. Jika dulu perencana rantai pasokan hanya perlu mengkhawatirkan tingkat persediaan di beberapa lokasi, sekarang mereka harus menetapkan buffer dan tingkat stok yang akurat di ratusan pusat distribusi kecil. Dan jelas, hal ini menyebabkan peningkatan risiko dan potensi kerugian. Hal ini juga berarti bahwa para profesional perencanaan permintaan semakin bergantung pada solusi rantai pasokan yang terhubung dengan cloud untuk memberikan informasi dan data waktu nyata yang akurat untuk membantu mereka menjadi sangat akurat dengan inventaris mereka yang sekarang lebih kecil dan tersebar luas. 

Temukan beberapa manfaat dari peramalan permintaan, sebagai bagian dari perencanaan rantai pasokan yang terintegrasi.

Tiga langkah untuk memulai dengan perkiraan permintaan

Berikut adalah tiga langkah sederhana untuk membantu Anda menetapkan strategi perencanaan rantai pasokan yang baik dan praktik terbaik prakiraan permintaan: 

Biarkan prakiraan permintaan apa adanya.

Perkiraan permintaan merupakan tulang punggung penting dalam proses perencanaan rantai pasokan dan mendasari banyak proses lainnya. Oleh karena itu, bisnis dapat tergoda untuk membiarkan peramalan permintaan menjadi praktik yang mencakup semua hal yang dibengkokkan dan digabungkan untuk mendukung berbagai fungsi perencanaan rantai pasokan lainnya.

Jika digunakan dengan benar, peramalan permintaan memiliki tujuan yang jelas: memprediksi apa, berapa banyak, dan kapan pelanggan akan membeli. Fungsi rantai pasokan lainnya - seperti S&OP, optimalisasi inventaris, serta perencanaan respons dan pasokan - memberikan kemampuan yang saling melengkapi dalam sistem perencanaan bisnis yang terintegrasi. Jika alat bantu ini digunakan untuk fungsi spesifik yang telah dirancang, alat bantu peramalan permintaan dapat melakukan tugasnya dengan baik.

Perangkat lunak peramalan permintaan menyukai data, data, dan lebih banyak data.

Ketika teknologi rantai pasokan - terutama yang berhubungan dengan peramalan permintaan dan inventaris - didukung dengan AI dan pembelajaran mesin, teknologi tersebut akan menjadi lebih baik, lebih akurat, dan lebih berwawasan dengan semakin banyak data yang Anda berikan. Jangan hanya mengandalkan data yang melihat ke belakang seperti penjualan masa lalu atau kinerja produk sebelumnya. Carilah sumber tambahan seperti berita, politik, tren sosial, dan wawasan pelanggan.

Saat ini, data tidak harus linier dan sederhana untuk dianalisis secara efektif. Alat manajemen data modern dapat mengkurasi dan memproses kumpulan data yang besar dan kompleks. Selain itu, AI dan pembelajaran mesin menghadirkan kecepatan dan kecerdasan yang tidak hanya memungkinkan analisis yang canggih dan prediktif, tetapi juga belajar dari pengalaman dan input data kumulatif. 

Anggarkan dan rencanakan dengan tepat untuk mengoptimalkan perkiraan permintaan.

Perencanaan rantai pasokan membutuhkan pendekatan yang realistis dan strategis untuk menjadi yang terbaik. Praktik dan alur kerja lama sulit untuk disesuaikan, dan orang cenderung menolak perubahan. Namun pada akhirnya, perkiraan permintaan dan perencanaan rantai pasokan yang lebih baik dapat meningkatkan profitabilitas dan mengurangi risiko serta kerugian sambil memberikan pengalaman kerja yang lebih efisien dan efisien kepada anggota tim rantai pasokan Anda. Dengan mengalokasikan anggaran dan sumber daya tim sejak dini, bisnis dapat membantu mendukung dukungan yang lebih baik dan peluncuran rencana pengoptimalan rantai pasokan yang lebih lancar.

Tampilan dasbor perencanaan permintaan

Menjadi lebih kompetitif dengan analisis prediktif dan perkiraan permintaan

Setiap langkah yang Anda ambil menuju transformasi digital rantai pasokan Anda akan membawa Anda lebih dekat dengan visibilitas dan efisiensi yang Anda butuhkan dalam iklim bisnis yang kompetitif saat ini. Bekerjasamalah dengan manajer rantai pasokan dan pemimpin tim di seluruh bisnis Anda untuk mulai memecah silo dan mempelajari di mana risiko terbesar mungkin bersembunyi - serta peluang terbesar untuk meraih kemenangan jangka panjang dan jangka pendek. Kemudian, bicaralah dengan vendor perangkat lunak Anda untuk mempelajari lebih lanjut tentang mengintegrasikan solusi perencanaan rantai pasokan ke dalam operasi Anda. 

Disadur dari: www.sap.com

Mengapa riset operasi sangat mengagumkan

Matematika adalah bahasa alam semesta, dan menurut definisinya, matematika itu logis. Tetapi melakukan matematika bukan hanya logika - Ini adalah proses yang sangat kreatif dalam memanfaatkan alat yang diberikan matematika kepada kita. Dalam riset operasi, Anda dapat berkreasi dengan alat matematika untuk memecahkan beberapa masalah yang sangat menarik!

Riset Operasi (Operations Research/OR) adalah bidang matematika terapan di mana alat-alat matematika tidak hanya digunakan untuk menyelidiki matematika lebih lanjut, tetapi juga untuk memodelkan, menganalisis, dan memecahkan masalah dalam domain OR.

Motivasi untuk memahami riset operasi

Pengambilan keputusan di masa depan akan sedekat mungkin dengan otomatisasi penuh (bayangkan otomatisasi tingkat "Tony Stark"). Salah satu bidang penelitian yang menyelidiki dan memajukan transisi ini adalah OR. Pada intinya, OR adalah bidang matematika terapan yang mengintegrasikan metode analitik tingkat lanjut dalam pengambilan keputusan.

Ketika masalah dan lingkungan keputusan menjadi semakin kompleks, penting untuk memajukan penelitian yang menekankan antarmuka manusia-teknologi untuk menghindari kesalahpahaman. Contoh horor klasik masa depan adalah jika seorang pengambil keputusan berusaha memaksimalkan kebahagiaan pelanggan, dan sistem (AI) menerjemahkannya dengan membuat semua orang dalam keadaan koma yang diinfus dopamin seperti yang terjadi di "The Matrix" (yang mungkin sudah kita alami...).

Tetapi ada juga masalah yang lebih nyata yang kita hadapi saat ini. Misalnya, penentuan rute untuk pengiriman paket di mana jarak total rute harus diminimalkan sambil tetap memaksimalkan jumlah paket yang dikirim. Dua tujuan tersebut, dalam kasus ekstrim, akan membuat para pengemudi tidak dapat mengantarkan paket atau tidak memiliki waktu luang, tetapi ada banyak contoh yang tidak optimal di antaranya. Dan masalah ini hanyalah puncak gunung es, Jack. Jadi, sangat penting bagi para pengambil keputusan di masa depan untuk mengintegrasikan preferensi mereka dengan benar untuk menghindari situasi seperti ini - dan Riset Operasi menyelidiki hal ini dengan tepat!

Saya mengenal OR sebagai mahasiswa pascasarjana di bidang matematika dan ekonomi, di mana ada dua pilihan yang bisa dipelajari; OR atau Rekayasa Finansial. Dibandingkan satu sama lain, Teknik Keuangan berhubungan dengan pengambilan keputusan di bidang keuangan, perdagangan, dan risiko/investasi, sedangkan Riset Operasi lebih umum di industri dan bisnis. Meskipun, beberapa terminologi menempatkan Rekayasa Keuangan sebagai sub-kategori yang lebih khusus untuk bidang OR yang lebih luas.

Apa yang dimaksud dengan riset operasi?

Secara umum, OR berkaitan dengan mendapatkan nilai ekstrim dari beberapa fungsi objektif dunia nyata; maksimum (keuntungan, kinerja, utilitas, atau hasil), minimum (kerugian, risiko, jarak, atau biaya). Metode ini menggabungkan teknik-teknik dari pemodelan matematika, optimasi, dan analisis statistik dengan menekankan pada antarmuka antara manusia dan teknologi. Namun, salah satu kesulitan dalam menjawab pertanyaan ini adalah banyaknya tumpang tindih dalam terminologi ilmiah - dan terkadang istilah-istilah tersebut menjadi sangat populer, sehingga mempengaruhi lanskap terminologi. Misalnya, popularitas istilah yang tidak jelas dan luas seperti AI dan Big Data yang keduanya sangat cocok untuk pemasaran, namun tidak ada artinya dalam diskusi penelitian. Oleh karena itu, saya telah mencoba mengilustrasikannya dalam bentuk bidang, subbidang, dan masalah yang dibahas dalam Gbr. 3.

Sebagai catatan, saya sangat dibatasi oleh representasi 2D karena ada beberapa hubungan lain antara disiplin ilmu daripada yang ditunjukkan di sini. Misalnya, teori probabilitas dan statistik menjadi bagian intrinsik dari pembelajaran mesin. Ilustrasi oleh 

Riset operasi memiliki asal-usul historis pada abad ke-17 ketika pendekatan teori permainan dan nilai ekspektasi digunakan untuk memecahkan masalah. Versi modern dari OR berasal dari perang dunia kedua ketika menjadi jelas bahwa militer perlu menyelesaikan beberapa masalah logistik dan rantai pasokan yang signifikan yang muncul dalam perang.

Saat itu, OR didefinisikan sebagai "metode ilmiah yang memberikan departemen eksekutif dasar kuantitatif untuk mengambil keputusan terkait operasi di bawah kendali mereka" dan disebut sebagai "analisis operasional" (masih ada di Denmark) atau "manajemen kuantitatif".

Masa depan riset operasi?

Fitur yang menarik dari OR adalah penerapan pengetahuan, keterampilan, dan alat bantu di berbagai industri. Saat ini, OR diterapkan dalam versi yang kurang lebih terspesialisasi di sebagian besar bisnis dan industri - mulai dari pertanian, perdagangan energi, produksi, dan penjualan hingga industri luar angkasa, penetapan harga aset, operasi militer, dan peramalan permintaan. Kasus penggunaan yang paling terkenal mungkin adalah:

• Manajemen rantai pasokan
• Manajemen logistik dan inventaris
• Masalah perutean dan pencarian jalur
• Pemeliharaan prediktif
• Masalah penjadwalan dan penugasan
• Masalah evaluasi (pengambilan keputusan multi-kriteria)
• Rekayasa sistem
• Peramalan

Penyebut umum dalam hal alat bantu adalah empat keterampilan berikut ini, yang memungkinkan Anda untuk:

• Memanfaatkan metode optimasi matematis, seperti pemrograman linier, pemrograman dinamis, pemrograman stokastik, dll.
• Mengembangkan algoritme solusi. Sering kali solusi diperlukan dalam waktu yang hampir bersamaan. Artinya, solusi optimal tidak diperlukan. Seseorang 'hanya' menginginkan solusi yang cukup baik. Untuk masalah besar dengan kompleksitas tinggi (misalnya, masalah NP-Hard), algoritma solusi seperti heuristik yang terinspirasi oleh pakar atau algoritma genetika yang terinspirasi oleh bio, optimasi koloni semut, atau bahkan jaringan syaraf tiruan atau metode peningkatan gradien yang terinspirasi oleh pohon keputusan. Hal ini tergantung pada kerangka kerja masalah dan apakah pendekatan solusi berbasis model atau berbasis data.
• Melakukan simulasi ekstensif untuk menyelidiki aspek ketahanan dan fleksibilitas dari pendekatan solusi yang diturunkan. Baik dengan simulasi Monte Carlo, analisis sensitivitas, dll.
• Melakukan analisis ekstensif terhadap masalah-misalnya untuk mengidentifikasi jalur kritis dalam jaringan. Sebagai contoh untuk mengilustrasikan pentingnya analisis yang tepat, dalam analisis jaringan, lebih khusus lagi dalam jaringan lalu lintas, telah diamati bahwa dengan menghilangkan jalan, dimungkinkan untuk meningkatkan arus lalu lintas. Hal ini disebut sebagai paradoks Braess, dan juga telah ditemukan untuk mengelabui sistem lain, seperti jaringan listrik, biologi, dan strategi olahraga tim. Jadi, sangat penting untuk menganalisis solusi dengan benar.

Disadur dari: towardsdatascience.com

Apa itu desain sistem dan mengapa hal itu diperlukan?

Desain Sistem, setiap pengembang di dunia pasti melalui istilah ini sebelum mengembangkan arsitektur atau desain untuk perangkat lunak. Desain sistem adalah proses mendesain elemen-elemen sistem seperti arsitektur, modul dan komponen, antarmuka yang berbeda dari komponen-komponen tersebut, dan data yang melewati sistem tersebut.

Desain Sistem, setiap pengembang di dunia melewati istilah ini sebelum mengembangkan arsitektur atau desain untuk perangkat lunak.Desain sistem adalah proses mendesain elemen-elemen sistem seperti arsitektur, modul, dan komponen, antarmuka yang berbeda dari komponen-komponen tersebut, dan data yang melewati sistem itu.

Tujuan dari proses Desain Sistem adalah untuk menyediakan data dan informasi rinci yang cukup tentang sistem dan elemen sistemnya untuk memungkinkan implementasi yang konsisten dengan entitas arsitektur seperti yang didefinisikan dalam model dan pandangan arsitektur sistem.

Dalam merancang sistem, beberapa elemen yang perlu diperhatikan

• Arsitektur  

Ini adalah model konseptual yang mendefinisikan struktur, perilaku, dan lebih banyak pandangan dari sebuah sistem. Kita dapat menggunakan diagram alir untuk merepresentasikan dan mengilustrasikan arsitektur.

• Modul

Ini adalah komponen yang menangani satu tugas tertentu dalam sebuah sistem. Kombinasi dari modul-modul tersebut membentuk sistem.

• Komponen

Ini menyediakan fungsi tertentu atau kelompok fungsi terkait. Komponen ini terdiri dari modul-modul.

• Antarmuka 

ni adalah batas bersama di mana komponen-komponen sistem bertukar informasi dan berhubungan.

• Data

Ini adalah pengelolaan informasi dan aliran data.

Tugas utama yang dilakukan selama proses desain sistem

Seperti inisialisasi definisi desain

Merencanakan serta mengidentifikasi teknologi yang diperlukan untuk menyusun dan menerapkan elemen sistem beserta antarmuka fisiknya merupakan langkah awal yang krusial. Selain itu, perlu juga untuk mengevaluasi teknologi dan elemen sistem yang mungkin mengalami keusangan atau perubahan seiring dengan berjalannya sistem. Selanjutnya, perlu direncanakan potensi penggantian untuk mengantisipasi perubahan tersebut. Akhirnya, dokumentasikan dengan baik strategi definisi desain, termasuk segala kebutuhan dan persyaratan sistem, produk, atau layanan yang diperlukan untuk proses desain tersebut.

Inisialisasi definisi desain.

Merencanakan dan Mengidentifikasi teknologi yang akan menyusun dan mengimplementasikan elemen-elemen sistem dan antarmuka fisiknya.Tentukan teknologi dan elemen sistem mana yang memiliki risiko untuk menjadi usang atau berevolusi selama tahap operasi sistem. Rencanakan potensi penggantinya. Mendokumentasikan strategi definisi desain, termasuk kebutuhan dan persyaratan sistem, produk, atau layanan yang memungkinkan untuk melakukan desain.

Menetapkan karakteristik desain

Tetapkan karakteristik desain yang berkaitan dengan karakteristik arsitektur dan periksa apakah karakteristik tersebut dapat diimplementasikan.Tentukan antarmuka yang tidak didefinisikan oleh proses Arsitektur Sistem yang perlu didefinisikan saat detail desain berkembang.

Mendefinisikan dan mendokumentasikan karakteristik desain setiap elemen sistem.

• Menilai alternatif untuk mendapatkan elemen sistem
• Menilai opsi desain.
• Pilih alternatif yang paling tepat.
• Jika keputusan dibuat untuk mengembangkan elemen sistem, sisa proses definisi desain dan proses implementasi digunakan. Jika keputusannya adalah membeli atau menggunakan kembali elemen sistem, proses akuisisi dapat digunakan untuk mendapatkan elemen sistem.

Mengelola desain

• Menangkap dan mempertahankan alasan untuk semua pilihan di antara alternatif dan keputusan untuk desain, karakteristik arsitektur.
• Menilai dan mengendalikan evolusi karakteristik desain.
• Tugas Utama yang Dilakukan Selama Proses Desain Sistem

Inisialisasi definisi desain

• Merencanakan dan Mengidentifikasi teknologi yang akan menyusun dan mengimplementasikan elemen-elemen sistem dan antarmuka fisiknya.
• Tentukan teknologi dan elemen sistem mana yang memiliki risiko untuk menjadi usang atau berevolusi selama tahap operasi sistem. Rencanakan potensi penggantinya.
• Mendokumentasikan strategi definisi desain, termasuk kebutuhan dan persyaratan sistem, produk, atau layanan yang memungkinkan untuk melakukan desain.

Menetapkan karakteristik desain

• Tetapkan karakteristik desain yang berkaitan dengan karakteristik arsitektur dan periksa apakah karakteristik tersebut dapat diimplementasikan.
• Tentukan antarmuka yang tidak ditentukan oleh prosesor Arsitektur Sistem yang perlu disempurnakan seiring dengan berkembangnya detail desain.
• Mendefinisikan dan mendokumentasikan karakteristik desain setiap elemen sistem.
• Menilai alternatif untuk mendapatkan elemen sistem

Menilai opsi desain.

• Pilih alternatif yang paling tepat.
• Jika keputusan dibuat untuk mengembangkan elemen sistem, sisa proses definisi desain dan proses implementasi digunakan. Jika keputusannya adalah membeli atau menggunakan kembali elemen sistem, proses akuisisi dapat digunakan untuk mendapatkan elemen sistem.

Mengelola desain

• Menangkap dan mempertahankan alasan untuk semua pilihan di antara alternatif dan keputusan untuk desain, karakteristik arsitektur.
• Menilai dan mengendalikan evolusi karakteristik desain.
• Langkah-langkah dasar untuk merancang sistem
• Memperjelas dan menyepakati ruang lingkup sistem

Kasus pengguna

• Deskripsi urutan kejadian yang, jika digabungkan, akan menghasilkan sistem yang melakukan sesuatu yang berguna
• Siapa yang akan menggunakannya?
• Bagaimana mereka akan menggunakannya?

Kendala

• Terutama mengidentifikasi lalu lintas dan kendala penanganan data dalam skala besar.
• Skala sistem seperti permintaan per detik, jenis permintaan, data yang ditulis per detik, data yang dibaca per detik)
• Persyaratan sistem khusus seperti multi-threading, berorientasi baca atau tulis.
• Desain arsitektur tingkat tinggi (Desain abstrak)
• Membuat sketsa komponen penting dan hubungan di antara mereka, tetapi tidak membahas secara detail.
• Lapisan layanan aplikasi (melayani permintaan)
• Buat daftar berbagai layanan yang dibutuhkan.

Lapisan penyimpanan data

Contoh: Biasanya, sistem yang dapat diskalakan mencakup server web (penyeimbang beban), layanan (partisi layanan), basis data (klaster basis data master/slave), dan sistem caching.

Desain Komponen

• Komponen + API spesifik yang diperlukan untuk masing-masing komponen.
• Desain berorientasi objek untuk fungsionalitas.
  • Memetakan fitur-fitur ke dalam modul-modul: Satu skenario untuk satu modul.
  • Pertimbangkan hubungan antar modul:
    • Fungsi tertentu harus memiliki instance yang unik (Singletons)
    • Objek inti dapat terdiri dari banyak objek lain (komposisi).
    • Satu objek adalah objek lain (pewarisan)
• Desain skema basis data.

Memahami Kemacetan

• Mungkin sistem Anda membutuhkan penyeimbang beban dan banyak mesin di belakangnya untuk menangani permintaan pengguna. * Atau mungkin datanya sangat besar sehingga Anda perlu mendistribusikan database Anda ke banyak mesin. Apa saja kerugian yang terjadi jika melakukan hal tersebut?
• Apakah basis data terlalu lambat dan apakah perlu cache dalam memori?

Menskalakan desain abstrak Anda
Penskalaan vertikal
Anda menskalakan dengan menambahkan lebih banyak daya (CPU, RAM) ke mesin yang sudah ada.

Penskalaan horizontal
Anda menskalakan dengan menambahkan lebih banyak mesin ke dalam kumpulan sumber daya.

Caching

• Penyeimbangan beban membantu Anda menskalakan secara horizontal di seluruh jumlah server yang terus meningkat, tetapi caching akan memungkinkan Anda untuk menggunakan sumber daya yang sudah Anda miliki dengan lebih baik, serta membuat persyaratan produk yang sebelumnya tidak dapat dicapai menjadi layak.
• Caching aplikasi membutuhkan integrasi eksplisit dalam kode aplikasi itu sendiri. Biasanya, ini akan memeriksa apakah sebuah nilai ada di dalam cache; jika tidak, ambil nilai tersebut dari database.
• Caching basis data cenderung "gratis". Ketika Anda mengaktifkan database Anda, Anda akan mendapatkan beberapa tingkat konfigurasi default yang akan memberikan beberapa tingkat caching dan kinerja. Pengaturan awal tersebut akan dioptimalkan untuk kasus penggunaan umum, dan dengan menyesuaikannya dengan pola akses sistem Anda, Anda biasanya dapat memperoleh banyak peningkatan kinerja.
• Cache dalam memori adalah yang paling ampuh dalam hal kinerja mentah. Hal ini karena cache menyimpan seluruh kumpulan data dalam memori dan akses ke RAM jauh lebih cepat dibandingkan akses ke disk. Misalnya, Memcached atau Redis.
• misalnya, Hasil prakalkulasi (misalnya, jumlah kunjungan dari setiap domain yang dirujuk pada hari sebelumnya),
• misalnya, Pra-menghasilkan indeks yang mahal (misalnya, cerita yang disarankan berdasarkan riwayat klik pengguna)
• misalnya, Menyimpan salinan data yang sering diakses di backend yang lebih cepat (misalnya, Memcached, bukan PostgreSQL.

Penyeimbangan beban

• Server publik dari layanan web yang dapat diskalakan tersembunyi di balik penyeimbang beban. Penyeimbang beban ini mendistribusikan beban (permintaan dari pengguna Anda) secara merata ke grup/kelompok server aplikasi Anda.
• Jenis: Klien pintar (sulit untuk membuatnya sempurna), Penyeimbang beban perangkat keras ($$$ tetapi dapat diandalkan), Penyeimbang beban perangkat lunak (hibrida - berfungsi untuk sebagian besar sistem)

Replikasi basis data

Replikasi database adalah penyalinan data secara elektronik yang sering dilakukan dari database di satu komputer atau server ke database di komputer atau server lain sehingga semua pengguna memiliki informasi yang sama. Hasilnya adalah database terdistribusi di mana pengguna dapat mengakses data yang relevan dengan tugas mereka tanpa mengganggu pekerjaan orang lain. Implementasi replikasi database untuk tujuan menghilangkan ambiguitas data atau ketidakkonsistenan di antara para pengguna dikenal sebagai normalisasi.

Partisi basis data
Partisi data relasional biasanya mengacu pada penguraian tabel Anda baik berdasarkan baris (horizontal) atau kolom (vertikal).

Mengurangi Peta (Map-Reduce)

• Untuk sistem yang cukup kecil, Anda sering kali dapat menggunakan query ad-hoc pada database SQL, tetapi pendekatan tersebut mungkin tidak dapat ditingkatkan secara sepele setelah jumlah data yang disimpan atau beban tulis memerlukan sharding database Anda dan biasanya akan membutuhkan slave khusus untuk tujuan melakukan query ini (pada titik ini, mungkin Anda lebih suka menggunakan sistem yang dirancang untuk menganalisis data dalam jumlah besar, daripada melawan database Anda).
• Menambahkan layer pengurangan peta memungkinkan untuk melakukan data dan/atau operasi yang intensif dalam jumlah waktu yang masuk akal. Anda dapat menggunakannya untuk menghitung pengguna yang disarankan dalam grafik sosial, atau untuk menghasilkan laporan analitik. misalnya, Hadoop, dan mungkin Hive atau HBase.

Lapisan Platform (Layanan)

• Memisahkan platform dan aplikasi web memungkinkan Anda untuk menskalakan bagian-bagiannya secara independen. Jika Anda menambahkan API baru, Anda dapat menambahkan server platform tanpa menambahkan kapasitas yang tidak perlu untuk tingkat aplikasi web Anda.
• Menambahkan lapisan platform dapat menjadi cara untuk menggunakan kembali infrastruktur Anda untuk beberapa produk atau antarmuka (aplikasi web, API, aplikasi iPhone, dll.) tanpa menulis terlalu banyak kode boilerplate yang berlebihan untuk menangani cache, database, dll.

Pertimbangan desain Sistem Aplikasi Web

• Keamanan (CORS)
• Menggunakan CDN
  • Jaringan pengiriman konten (CDN) adalah sistem server terdistribusi (jaringan) yang mengirimkan halaman web dan konten Web lainnya kepada pengguna berdasarkan lokasi geografis pengguna, asal halaman web, dan server pengiriman konten.
  • Layanan ini efektif dalam mempercepat pengiriman konten situs web dengan lalu lintas tinggi dan situs web yang memiliki jangkauan global. Semakin dekat server CDN dengan pengguna secara geografis, semakin cepat konten dikirimkan ke pengguna.
  • CDN juga memberikan perlindungan dari lonjakan lalu lintas yang besar.
• Pencarian Teks Lengkap
• Menggunakan Sphinx/Lucene/Solr - yang mencapai respons pencarian cepat karena, alih-alih mencari teks secara langsung, ia mencari indeks sebagai gantinya.
• Dukungan offline/Peningkatan progresif
  • Pekerja Layanan
• Pekerja Web
• Perenderan Sisi Server
• Pemuatan aset secara asinkron (Lazy load item)
• Meminimalkan permintaan jaringan (Http2 + bundling/sprite, dll.)
• Produktivitas pengembang/Peralatan
• Aksesibilitas
• Internasionalisasi
• Desain responsif
• Kompatibilitas browser

Desain sistem diperlukan untuk pengembangan perangkat lunak, desain sistem memberi tahu kami persyaratan dan mengisi kesenjangan besar antara pengembang dan pengguna. Desain sistem adalah sumber kebenaran tunggal untuk pengalaman produk Anda.

Disadur dari: segwitz.com