Studi Kasus: Penurunan Write-Off Barang Kedaluwarsa Setelah Memakai WMS (Sebelum dan Sesudah) 

Skenario ilustrasi. Studi kasus ini memakai pelanggan fiktif dan angka umum untuk menunjukkan cara membaca hasil sebelum dan sesudah penerapan pelacakan expiry per unit. Ini bukan laporan pelanggan nyata. Hasil di gudang Anda akan berbeda, bergantung pada kondisi awal, disiplin tim, dan penyebab kedaluwarsa Anda. 

Klaim “menurunkan kedaluwarsa” tidak berarti banyak sampai ada angka dan konteksnya. Skenario berikut menggambarkan sebuah Distributor suplemen dan perawatan tubuh dengan dua gudang, dan bagaimana write-off kedaluwarsanya berubah setelah mereka beralih dari Excel dan modul stok ERP ke WMS dengan pelacakan expiry per unit. Termasuk apa yang berhasil dan apa yang tidak sesuai harapan. 

Ini bagian dari panduan lengkap manajemen expiry date. 

Ringkasan Hasil 

Periode pengukuran: sebelum = 12 bulan sebelum go-live; sesudah = 12 bulan setelah masa stabilisasi 2 bulan. Nilai persediaan rata-rata Rp8 miliar pada kedua periode. 

Profil Pelanggan (Skenario) 

• Industri: distribusi suplemen dan perawatan tubuh. 

• Skala: sekitar 600 SKU aktif (220 di antaranya berumur simpan), 2 gudang, sekitar 1.200 baris pesanan per hari, penjualan tahunan sekitar Rp60 miliar. 

• Channel: marketplace sekitar 45%, modern trade sekitar 30%, toko tradisional dan reseller sekitar 25%. 

• Sistem sebelumnya: spreadsheet untuk batch dan expiry, ditambah modul stok ERP yang hanya mengenal jumlah per SKU. 

• Tantangan khas: batch sering terpecah ke dua gudang, retur marketplace tinggi, dan pelanggan modern trade mensyaratkan sisa umur minimum yang ketat. 

Kondisi Sebelum: Apa yang Tidak Berjalan 

1. Visibilitas expiry yang terlambat. Sebagian besar barang kedaluwarsa baru diketahui saat opname semesteran. Barang near-expiry biasanya baru ditangani ketika sisa umurnya sudah di bawah 30 hari, saat pilihan penyelamatan tinggal sedikit.
2. FEFO bergantung pada ingatan petugas. Dalam audit sampel 200 baris picking, hanya 62% yang mengambil batch yang seharusnya. Petugas cenderung mengambil barang yang paling mudah dijangkau.
3. Batch campur dan data tidak akurat. Dari 50 lokasi sampel, 14% berisi lebih dari satu batch. Akurasi data expiry hanya 91%, terutama karena input manual dan format tanggal yang tertukar pada barang impor.
4. Retur sulit diverifikasi. Retur marketplace sekitar 6% dari pesanan. Karena batch dan sisa umur tidak bisa dipastikan, sebagian besar retur dikarantina lalu dimusnahkan, padahal sebagian masih layak jual.
5. Kerugian terukur. Write-off kedaluwarsa 12 bulan terakhir senilai Rp600 juta (nilai pokok), ditambah biaya penyimpanan, modal, dan pemusnahan Rp150 juta, total Rp750 juta atau 7,5% dari nilai persediaan rata-rata. Hasil analisis penyebab:

Sekitar 60% kerugian (FEFO dan barang tersembunyi) bisa ditangani langsung oleh sistem. Sisanya membutuhkan perbaikan perencanaan pembelian dan kebijakan retur. Metode analisis ini dibahas di Dampak Barang Kedaluwarsa terhadap Keuangan. 

Keputusan: Mengapa Memilih Pelacakan Expiry per Unit 

Tiga alasan utama: batch sering terpecah ke dua gudang sehingga sulit ditelusuri, retur marketplace membutuhkan identifikasi per unit, dan dua pelanggan modern trade mulai meminta kemampuan ketelusuran. 

Perusahaan menimbang tiga alternatif: memperbaiki spreadsheet dengan disiplin lebih ketat, memperluas modul ERP, dan WMS khusus. Faktor penentunya adalah FEFO yang dikunci sistem, filter sisa umur per channel, dan pelacakan item-level untuk SKU bernilai tinggi. Kerangka perbandingannya ada di Excel vs WMS. 

Intervensi: Apa yang Diubah 

1. Proses penerimaan. Semua penerimaan dipindai. Sistem memvalidasi tanggal, menolak input yang tidak wajar, dan menahan barang dengan sisa umur di bawah standar. Pengiriman multi-batch dipisahkan per batch sebelum input. 
2. Penataan gudang. Aturan satu lokasi satu batch diterapkan. Dibuat zona near-expiry di dekat dock pengiriman dan zona karantina terkunci untuk retur serta barang kedaluwarsa. Lihat Penataan Lokasi. 
3. Aturan pengeluaran. FEFO otomatis dengan filter sisa umur per channel (misalnya modern trade, marketplace, dan toko tradisional memiliki ambang berbeda). Replenishment dari reserve ke picking juga mengikuti FEFO. Lihat Cara Menerapkan FEFO. 
4. Peringatan dini. Peringatan berjenjang 90, 60, dan 30 hari ke pembelian, penjualan, dan manajer gudang. Setiap Senin ada rapat 30 menit untuk meninjau 20 SKU near-expiry dengan nilai terbesar. Lihat Alert dan Early Warning. 
5. Retur dan pemusnahan. Alur retur khusus: isolasi, identifikasi, inspeksi, hitung sisa umur, lalu disposisi. Pemusnahan melalui persetujuan bertingkat dengan dokumentasi. Lihat Retur Barang dan Prosedur Pemusnahan. 
6. Pelacakan item-level. Diterapkan pada 60 SKU yang bernilai tinggi atau sering diretur. SKU lainnya memakai batch-level yang disiplin. Delapan pemasok utama diminta membubuhkan barcode 2D; untuk tiga pemasok yang belum siap, label dicetak internal saat penerimaan. Lihat Barcode 2D dan GS1 DataMatrix. 
7. Pelatihan dan manajemen perubahan. Tiga sesi pelatihan masing-masing 2 jam untuk sekitar 35 petugas, ditambah pendampingan di lantai gudang selama dua minggu pertama setelah go-live. 

Timeline Implementasi 

Total sekitar 24 minggu dari persiapan hingga stabil. 

Hasil Setelah Go-Live 

• Write-off kedaluwarsa 
• Write-off turun dari Rp600 juta menjadi Rp330 juta per tahun (rasio 7,5% menjadi 4,1% dari nilai persediaan). Total biaya kedaluwarsa, termasuk penyimpanan, modal, dan pemusnahan, turun dari Rp750 juta menjadi Rp410 juta. Perlu dicatat bahwa permintaan dan portofolio produk relatif stabil di kedua periode, sehingga penurunan tidak banyak dipengaruhi faktor musiman. 
• Kepatuhan FEFO dan akurasi data 
• Kepatuhan FEFO naik dari 62% ke 96% pada audit sampel 200 baris picking. Akurasi data expiry naik dari 91% ke 99,2% pada audit sampel penerimaan. Lokasi dengan batch campur turun dari 14% ke 3%. 
• Waktu operasional 
• Stok opname selesai dalam 2 hari dari sebelumnya 5 hari karena penghitungan dipandu pemindaian dan dilakukan lebih sering lewat cycle count. Penolakan pengiriman karena sisa umur turun dari 14 menjadi 3 per bulan. 
• Ketelusuran 
• Dalam simulasi recall pada satu batch, waktu untuk menemukan seluruh unit di kedua gudang dan menyusun daftar penerimanya turun dari sekitar 6 jam menjadi sekitar 15 menit. 

Dampak finansial 

Dengan horizon tiga tahun, total manfaat sekitar Rp1,2 miliar berbanding total biaya sekitar Rp600 juta, atau ROI sekitar 100%. Angka ini lebih tinggi dari contoh konservatif di Cara Menghitung ROI, karena skenario ini mengasumsikan penurunan yang lebih besar dari porsi kerugian yang bisa dicegah sistem. Di dunia nyata, selalu uji hasil pada skenario konservatif lebih dulu. 

Apa yang Tidak Berjalan Sesuai Rencana 

• Adopsi di shift malam lambat. Kepatuhan FEFO shift malam baru sekitar 85% pada bulan ketiga, dan baru menyusul setelah ada penanggung jawab shift dan umpan balik mingguan. 

• Label pemasok tidak seragam. Tiga dari delapan pemasok utama belum bisa menyediakan barcode 2D, sehingga pelabelan internal menambah beban kerja di dock penerimaan selama beberapa bulan. 

• Integrasi marketplace butuh penyesuaian. Pada minggu pertama, sempat terjadi overselling karena stok barang karantina masih ikut terhitung. Perbaikannya: definisi stok layak jual per channel dan stok pengaman. Lihat Integrasi WMS. 

• Sebagian write-off tetap ada. Sisa Rp330 juta sebagian besar berasal dari pembelian berlebih pada SKU lambat dan produk yang dihentikan prinsipal. Itu bukan masalah yang bisa diselesaikan sistem; perlu perbaikan perencanaan pembelian yang berbasis sisa umur. 

Pelajaran Utama 

• Data master yang bersih menentukan separuh keberhasilan. SKU ganda dan satuan yang tidak konsisten menunda konfigurasi hampir dua minggu. 

• Aturan yang dikunci sistem lebih efektif daripada imbauan. Kepatuhan FEFO melonjak setelah picking dipandu dan pengambilan yang salah ditolak. 

• Peringatan hanya berguna bila ada pemilik tindakan. Rapat mingguan 30 menit yang melibatkan penjualan dan pembelian membuat daftar near-expiry benar-benar ditindaklanjuti. 

• Item-level paling terasa pada SKU bernilai tinggi dan retur. Untuk SKU lain, batch-level yang disiplin sudah cukup. Lihat Lot/Batch vs Item-Level. 

• Sistem tidak menyelesaikan masalah pembelian. Seperempat kerugian berasal dari pembelian berlebih, dan itu perlu keputusan manajemen, bukan sekadar software. 

Kutipan Pelanggan 

[ISI: tempatkan kutipan asli pelanggan di sini bila studi kasus ini diganti dengan data nyata. Jangan menerbitkan kutipan karangan.] 

Rencana ke Depan (Skenario) 

Tahap berikutnya dalam skenario ini: memperluas item-level ke 60 SKU tambahan, menambah gudang ketiga, dan menggabungkan data sisa umur ke proses perencanaan pembelian agar pesanan ulang tidak melebihi kemampuan jual sebelum expiry. 

Catatan untuk Tim: Mengubah Skenario Ini Menjadi Studi Kasus Nyata 

• Pilih pelanggan dengan hasil terukur dan kesediaan dipublikasikan. 

• Kumpulkan data mentah, bukan hanya angka ringkasan, agar dapat diverifikasi. 

• Pastikan periode sebelum dan sesudah sebanding (musim yang sama, atau jelaskan perbedaannya). 

• Catat faktor lain yang mungkin memengaruhi hasil. 

• Dapatkan persetujuan tertulis atas seluruh isi, termasuk nama dan kutipan, sebelum terbit. 

• Jangan membulatkan ke atas atau memilih periode terbaik secara selektif. 

• Perbarui secara berkala; hasil setelah 6 atau 12 bulan lebih meyakinkan daripada bulan pertama. 

Kesimpulan 

Studi kasus yang baik menunjukkan kondisi awal yang nyata, perubahan yang spesifik, hasil yang terukur, dan kendala yang jujur. Dengan struktur ini, pembaca bisa menilai apakah situasi pelanggan mirip dengan situasi mereka sendiri. 

Ingin melihat bagaimana hasil serupa dapat dicapai di gudang Anda? Jadwalkan demo WMS dengan fokus expiry tracking dan bawa data stok Anda sendiri.