Organisasi dapat menggunakan informasi yang terkumpul dari hasil silent commerce untuk memperoleh akurasi yang lebih baik; efisiensi di dalam sistem pergudangan; ketepatan di dalam perbaikan produk, memenuhi pesanan dan layanan pelanggan; serta putaran inventori yang lebih cepat. Silent commerce memungkinkan manufaktur mengganti produk rusak secara cepat dari rantai produksi dan logistik. Produk dapat ?menyatakan? bahwa mereka berada di tempat yang salah, hilang atau dicuri, sehingga mengurangi kemungkinan kesalahan inventori dan memperbaiki keamanan produk.

Mengapa silent commerce muncul? Apa saja contohnya?

Dewasa ini, tantangan utama para pebisnis bukanlah sekadar mengelola data yang semakin berkesan overload. Mengumpulkan satu terabyte data di dalam satu warehouse tanpa menganalisisnya untuk manfaat aksi bisnis merupakan pekerjaan sia-sia. Aktivitas tersebut sama saja dengan membuang-buang uang ketimbang investasi. Sebenarnya, yang terpenting dalam pengelolaan informasi bukanlan berapa banyak informasi yang dimiliki, melainkan apa yang dilakukan dengan informasi itu.

Proses pengelolaan data yang sederhana adalah OODA (Observasi, Orientasi, Decision, Act). OODA merupakan suatu pola loop karena suatu tindakan pada akhirnya mengubah situasi, sehingga proses pengelolaan mulai lagi dengan observasi terhadap realitas baru. Perolehan keberhasilan adalah yang dapat menjalankan loop tersebut dengan lebih cepat, sehingga setiap saat mampu mengontrol situasi.

Saat ini, banyak waktu yang diterapkan untuk tahap observasi dari siklus OODA, dan banyak dari data tersebut yang bersifat historis (seperti hasil penjualan, kinerja produk) ketimbang status terakhir (misalnya, di mana produk saya dalam alur rantai persediaan?). RFID (Radio Frequency Identification) bersamaan dengan sistem sensor mengubah kondisi tersebut dengan kemampuan melakukan observasi untuk kita, dan memberikan laporan sesuai kondisi real time. Tantangannya adalah bagaimana secepatnya melakukan orientasi, mengambil keputusan dan bertindak.

Orientasi merupakan proses menggunakan kemampuan analitis untuk memahami apa yang diungkap oleh data, sehingga bisa membuat keputusan yang informatif dan bertindak lebih cepat. Tipe analisis yang dapat berlaku di dalam menggunakan data silent commerce secara umum dibagi atas dua kategori: analisis deskriptif yang berusaha memahami informasi yang dimiliki, dan analisis prediktif yang berusaha memprediksi info yang belum dimiliki.

Analisis deskriptif berusaha mencari fakta dalam data. Analisis seperti ini dapat melakukan perhitungan sederhana hingga aturan-aturan asosiatif dan algoritme. Sebelum melakukan analisis apa pun, sangat penting mengetahui pertanyaan apa yang ingin diperoleh dari data Anda dan tindakan apa yang akan Anda lakukan bila mengetahui jawabannya.

Sebagai contoh, gudang swalayan memasang RFID murah melalui pola grid di atas lantai gudang mereka yang luas. Peralatan berharga mereka, seperti forklift, dilengkapi dengan sensor RFID dan akses jaringan Wi-Fi. Dengan set-up seperti itu, setiap data lokasi forklift masuk ke database. Lantas, pertanyaan apa yang dapat diajukan? Tindakan apa yang sebaiknya diambil?

Observasi: “Rata-rata berapa persen di dalam satu hari forklift saya aktif?” Orientasi: Menganalisis lokasi historis forklift dengan menggunakan teknik online analytical processing melalui agregasi dan transformasi. Keputusan: Swalayan menentukan bahwa forklift mereka banyak tidak bergerak dalam satu hari. Tindakan: Swalayan mengurangi jumlah forklift yang aktif.

Analisis prediktif menggunakan data untuk meramal fakta atau mengantisipasi kejadian. Model seperti ini menyelesaikan variabel yang tidak diketahui dengan memanfaatkan tren-tren dan pola-pola terdeteksi di dalam data yang diketahui. Walaupun terdapat elemen inheren probabilitas yang terlibat, analisis prediktif tidak selalu mendekati akurasi 100% untuk bisa menjadi info yang berharga. Sederhananya, lebih baik ada daripada sekadar memperoleh data acak. Seperti halnya banyak dari kita yang memperhatikan ramalan cuaca, walaupun kadang tidak sesuai kenyataan. Data silent commerce dapat memperbaiki beberapa fungsi seperti inventori dan ramalan permintaan, serta analisis prediktif bisa mengarah pada aplikasi real time.

Sebagai contoh, dengan visibilitas yang disediakan oleh RFID, peritel dapat mengakses lokasi reinventorinya secara real time jauh hari sebelum produknya sampai di tujuan. Dengan data ini, suatu swalayan dapat membangun dan mempergunakan model prediktif untuk mengusulkan tanggal yang paling memungkinkan dan jam kedatangan untuk tiap item produk. Sebagai hasilnya, swalayan tersebut dapat meminimalisasi biaya mahal untuk mengecek stok barang atau mengurangi kemungkinan kehabisan stok.

Di samping itu, RFID di rak-rak ritel mampu memahami secara detail item yang dibeli, dipegang dan dikembalikan atau tidak pernah disentuh. Model prediktif belajar dari data tersebut untuk mengusulkan lokasi yang lebih menguntungkan. Dengan demikian, swalayan lebih menyadari kebutuhan antara persediaan dan permintaan sehingga dapat bertindak secara lebih tepat.

Pada akhirnya, investasi silent commerce tidak lagi hanya untuk mengikuti tren teknologi buat memperoleh data sebanyak-banyaknya tetapi juga untuk mengikuti analisis kebutuhan pasar yang berdampak pada kinerja bisnis Anda.