Learning Forum — Nowcasting for Sales & Marketing

Pembuka

🎯 1. Analogi Masalah: Cerita Sales Manager

Bayangin ini: tanggal 20, jam kantor belum mulai. Lo lewat area kerja tim sales, dan salah seorang sales manager lagi menatap serius laptopnya.

🧑‍💼 "Kira-kira kita bakal hit target bulan ini nggak?"

"Kira-kira kita bakal hit target bulan ini nggak? Angka akhir bulan kita bakal di mana?"

Bagi sebagian orang, pertanyaan ini bisa dijawab dengan insting: "Kayaknya sih bisa" atau "Agak berat nih". Tapi apakah ada cara saintifik untuk menjawabnya? Menggunakan data yang sudah tersedia, kemudian melakukan estimasi angka sales di akhir bulan.

Inilah yang disebut Nowcasting.

💡 Kenapa ini penting? Karena di bisnis FMCG, menunggu sampai akhir bulan untuk tahu performa itu terlalu lambat. Keputusan strategis — restock, promo, eskalasi — perlu diambil hari ini, bukan 10 hari lagi.

Konsep

🔍 2. Apa Itu Nowcasting?

Kata nowcasting adalah gabungan dari "now" (sekarang) dan "forecasting" (meramalkan). Definisi sederhananya:

📌 Mengestimasi nilai suatu indikator pada periode SEKARANG (yang belum selesai), menggunakan data parsial yang sudah tersedia hari ini.

📜 Sejarah Singkat Nowcasting

Teknik ini awalnya populer di dunia makroekonomi. Bank sentral (seperti The Fed atau ECB) menggunakannya untuk mengestimasi GDP kuartal ini sebelum data resmi dirilis — yang biasanya butuh berbulan-bulan setelah kuartal berakhir. Mereka tidak mau menunggu; mereka butuh estimasi sekarang untuk membuat kebijakan.

📈 Awalnya nowcasting populer di dunia makroekonomi — estimasi GDP real-time

Seiring waktu, konsep ini diadopsi oleh dunia bisnis dan sales — karena prinsipnya sama: "Gue punya data parsial sampe hari ini, dan gue perlu estimasi akhir periode sebelum periode itu selesai."

⚡ Nowcasting vs Forecasting

Aspek	Nowcasting	Forecasting
Pertanyaan	"Bulan ini kita jual berapa?"	"Bulan depan kita jual berapa?"
Time Range	Saat ini (periode berjalan)	Masa depan (minggu/bulan/tahun depan)
Data yang digunakan	Data historikal + data parsial	Data historikal lengkap
Output	Estimasi nilai akhir periode berjalan	Prediksi nilai masa depan
Metode umum	Regresi, scaling, MIDAS	ARIMA, Prophet, LSTM

🌍 Contoh konkret nowcasting di bisnis:

Estimasi total sales bulan ini berdasarkan data 20 hari pertama
Estimasi revenue Q3 di pertengahan Juli
Prediksi apakah campaign iklan akan hit target sebelum campaign berakhir
Estimasi stok yang dibutuhkan berdasarkan tren order masuk hari ini

Metodologi

⚙️ 3. Cara Kerja Nowcasting

Prinsip dasarnya sederhana: manfaatkan data parsial + data historis → estimasi nilai akhir.

🖥️ Data parsial hari ini + pola historis = estimasi akhir periode

📊 Data Parsial
Penjualan hari 1-20

📜 Data Historis
18 bulan terakhir

🎯 Estimasi Akhir
Total 31 hari

Ilustrasi: Misal hari ini tanggal 20 Juli 2025. Kita punya data penjualan 1-20 Juli (44.955 karton) dan data historis 18 bulan sebelumnya. Pertanyaannya: "Dari pola historis, biasanya 20 hari pertama itu berapa persen dari total sebulan? Lalu kita proyeksikan."

# Data yang tersedia Penjualan H1-H20 : 44.955 karton Sisa hari : 11 hari % bulan terlewati : 64.5% Target bulan ini : 50.000 karton

Logika nowcasting: "Kalau rata-rata harian 20 hari pertama = 2.248 karton, dan biasanya pola hari-hari tersisa mirip, maka estimasi total = 44.955 + (2.248 × 11) = 69.680 karton."

Tapi tentu ini masih kasar — di sinilah kita butuh model yang lebih cerdas.

Tools

🧰 4. Macam-Macam Model Nowcasting

Ada beberapa pendekatan, dari yang paling sederhana sampai yang lebih kompleks. Berikut yang sudah saya tulis lengkap di blog:

📖 Baca selengkapnya: ikanx101.com/blog/nowcast-1/

📐 Model 1: Simple Scaling

Konsep: Ekstrapolasi harian — asumsikan sisa hari akan berjalan seperti rata-rata hari yang sudah lewat.

# Rumus Estimasi Total = Penjualan Parsial + (Rata-rata Harian × Sisa Hari)

# Hasil Estimasi : 69.680 karton (error: -1.04%) Aktual : 70.413 karton

✅ Kelebihan: Cepat, mudah, tanpa training data. ❌ Kelemahan: Tidak memperhitungkan pola hari tertentu (weekend, akhir bulan, dll).

📈 Model 2: Regression-Based Nowcasting

Konsep: Pakai data historis untuk membangun model regresi: total_penuh ~ parsial_20 + faktor_bulan. Lebih cerdas karena menangkap pola musiman.

📊 Regresi menangkap hubungan antara data parsial dan total bulanan, plus efek musiman

# Model lengkap dengan faktor bulan + hari raya total_penuh ~ parsial_20 + factor(bulan) + hariraya

# Hasil R-squared : 0.9775 Estimasi : 70.108 karton (error: -0.43%) CI 95% : [68.862 , 71.354]

✅ Kelebihan: Akurasi tinggi, bisa include variabel kontekstual (hari raya, promo). ❌ Kelemahan: Butuh data historis ≥ 12 bulan.

🧠 Model 3: MIDAS-lite (Leading Indicator)

Konsep: Manfaatkan leading indicator — sinyal yang muncul lebih awal dan berkorelasi dengan penjualan. MIDAS (Mixed Data Sampling) menggabungkan data frekuensi berbeda (harian + bulanan).

🔍 Search Index
Google Trends keyword

🌡️ Cuaca
Suhu rata-rata harian

🚀 Momentum Awal
5 hari pertama vs historis

# Model MIDAS-lite total_penuh ~ parsial_20 + suhu_rata + search_index + momentum_awal + factor(bulan) + hariraya

# Hasil R-squared : 0.9958 Estimasi : 67.099 karton (error: -4.71%)

✅ Kelebihan: Bisa menangkap informasi di luar data internal. ❌ Kelemahan: Butuh data tambahan, lebih kompleks, kadang overfit.

🔄 Model 4: Nowcasting Rolling

Konsep: Model yang melakukan update estimasi setiap hari sejak awal bulan. Hasilnya kurva yang semakin akurat seiring data bertambah. Dua versi: simple scaling rolling dan regresi rolling.

🔄 Grafik rolling nowcasting — estimasi konvergen ke nilai aktual seiring bertambahnya data

Hasil menarik: model regresi rolling cenderung under estimate (lebih aman), sementara simple scaling cenderung over estimate di awal. Tapi keduanya konvergen ke nilai yang mendekati aktual setelah hari ke-15—20.

Evaluasi

🏆 5. Bagaimana Menentukan Model Nowcasting Terbaik?

Di tulisan blog saya, ketiga model dicoba pada studi kasus yang sama. Hasilnya:

Model	Estimasi	CI Bawah	CI Atas	Error %	Hit Target?
Model 1: Simple Scaling	69.680	—	—	-1.04%	✅ Ya
Model 2: Regression	70.108	68.862	71.354	-0.43%	✅ Ya
Model 3: MIDAS-lite	67.099	66.506	67.692	-4.71%	✅ Ya
🎯 Aktual	70.413	—	—	—	—

Yang menarik: model kedua (regresi) memberikan error terkecil (-0.43%). Tapi semua model under estimate — yang menurut keyakinan saya, justru memberikan rasa aman bagi tim sales dibanding over estimate.

📌 Cara memilih model yang tepat:

Akurasi: Bandingkan error rate (MAPE, RMSE) pada data historis
Simplicity: Model sederhana lebih mudah dijelaskan & di-maintain
Data availability: MIDAS butuh data tambahan; Simple Scaling bisa tanpa data historis
Stability: Cek konsistensi error antar bulan — jangan sampai Model A bagus di Jan tapi jelek di Feb
Business context: Under estimate lebih aman? Atau lebih suka unbiased?

Catatan Penting

⚠️ 6. Limitasi Nowcasting

Tentu sebagaimana yang sering saya katakan, setiap model perhitungan (termasuk prediksi dan nowcasting) pasti memiliki limitasi yang perlu kita perhatikan saat menyimpulkan hasil dan mengambil keputusan.

🌪️ Kejutan di Sisa Bulan

Nowcasting bukan sulap. Jika ada kejadian tak terduga — bencana alam, kompetitor diskon besar, atau produk viral di TikTok — model tidak akan bisa memprediksinya dari data parsial.

📚 Butuh Data Historis

Kualitas model bergantung data historis. Model regresi butuh ≥ 12 bulan agar pola musiman tertangkap. Untuk produk baru, Simple Scaling mungkin lebih aman.

🔄 Perubahan Pola

Kalau ada perubahan besar — ekspansi kota baru, ganti distributor, launching SKU baru — pola historis bisa jadi tidak relevan. Model perlu di-retrain.

🎲 Ketidakpastian Inheren

Nowcasting memberikan estimasi, bukan kepastian. Selalu lihat confidence interval dan gunakan sebagai panduan, bukan kebenaran mutlak.

Kapan mulai percaya hasil nowcasting?

Dari grafik rolling nowcasting, estimasi biasanya stabil setelah hari ke-10 (~30% bulan). Idealnya:

Hari ke-10: Mulai jadikan nowcasting sebagai acuan keputusan
Hari ke-15: Mulai jadikan dasar eskalasi ke manajemen
Sebelum hari ke-10: Masih terlalu banyak noise, gunakan dengan hati-hati

Action

🏢 7. Contoh Implementasi di Nutrifood

Gimana kita bisa terapin nowcasting di konteks Nutrifood? Banyak banget peluangnya:

🥤 Estimasi Sales Produk Minuman

Sama persis seperti studi kasus di blog — kita punya data penjualan harian dari SAP/DPP. Bayangkan tiap tanggal 15, tim brand sudah bisa lihat: "Kira-kira kita bakal overshoot atau undershoot bulan ini?" — bukan nebak, tapi berbasis data.

📦 Forecasting Stok & Supply Chain

Estimasi permintaan akhir bulan dari data order masuk 3 minggu pertama. Bantu tim supply chain ambil keputusan reorder point lebih awal — hindari out-of-stock atau overstock.

📢 Evaluasi Campaign Berjalan

Lag trade promo atau campaign digital berjalan di pertengahan bulan? Nowcasting bisa estimasi apakah campaign akan hit target KPI sebelum campaign berakhir — sehingga bisa di-adjust real-time.

📊 Dashboard Real-Time untuk Manajemen

Bayangkan dashboard yang tiap pagi nunjukkin: "Estimasi akhir bulan: Rp X miliar | Target: Rp Y miliar | Status: 🟢/🟡/🔴". Manajemen bisa ambil keputusan strategis lebih cepat.

🚦 Strategi Respons Berdasarkan Hasil Nowcasting

Kondisi Estimasi	Sinyal	Hal yang Perlu Dilakukan
Estimasi ≫ Target	Over-track	Pastikan stok cukup, jangan sampai out-of-stock di akhir bulan. Siapkan reorder.
Estimasi sedikit di atas target	On-track	Maintain momentum. Monitor harian, tidak perlu intervensi besar.
Estimasi sedikit di bawah target	At risk	Aktivasi trade promo di channel yang under-perform. Push ke distributor.
Estimasi ≪ Target	Off track	Eskalasi ke manajemen. Pertimbangkan flash sale, subsidi harga sementara, atau revisi target.

💡 Takeaway utama: Nowcasting bukan sekadar "angka berapa" — tapi alat pengambilan keputusan. Dengan estimasi yang reliable, kita bisa bergerak dari reactive ke proactive. Dari "Lihat nanti aja" ke "Kita harus action sekarang."