# Laporan Akhir Eksplorasi Data

## 1. Ringkasan Eksekutif

Laporan Analisis Data Eksplorasi ini bertujuan untuk mengungkap wawasan tersembunyi guna meningkatkan kinerja, penjualan, dan memahami korelasi dengan produk. Sebagai langkah awal yang krusial, fondasi data telah direstrukturisasi secara menyeluruh melalui proses normalisasi. Ini menciptakan lapisan semantik data yang kokoh, memastikan granularitas data yang tepat untuk agregasi yang akurat, dan menjadi dasar yang kuat untuk analisis mendalam di masa depan.

Dari tinjauan awal kualitas data, kami menemukan tingkat integritas data yang sangat baik, ditunjukkan dengan tidak adanya duplikasi pada kunci utama (`KodePI`, `Procod`, `No. RO`) di tabel-tabel hasil normalisasi (`normalized_outlets`, `normalized_products`, `normalized_repeat_orders`). Ini memastikan bahwa setiap entitas (outlet, produk, pesanan ulang) unik dan dapat diandalkan untuk analisis.

Efisiensi operasional terlihat sangat tinggi, dengan 98.7% dari total pesanan ulang (`Repeat Order`) berhasil dilayani penuh, dan hanya sekitar 1.3% yang berstatus batal. Ini mengindikasikan proses pemenuhan pesanan yang berjalan efektif. Namun, terdapat sejumlah kecil (0.28%) data `No. DO` dan `Tgl DO` yang kosong pada tabel `fact_order_fulfillments` yang perlu ditelusuri lebih lanjut untuk memastikan tidak ada celah dalam proses pencatatan.

### Ringkasan Kinerja Penjualan

Analisis kinerja penjualan awal menunjukkan kontribusi signifikan dari beberapa dimensi utama:

**1. Kinerja Penjualan berdasarkan Divisi**
Divisi PHARMANET adalah kontributor utama nilai dan kuantitas penjualan, disusul oleh VIBRANT PBF dan HOSPINET.

| Divisi         | Total_Value_RO | Total_Qty_RO |
|:---------------|---------------:|-------------:|
| PHARMANET      | 36,921,214,629 |      845,617 |
| VIBRANT PBF    | 14,399,713,539 |      498,593 |
| HOSPINET       |  4,180,468,736 |      103,417 |
| VIBRANT 3      |     89,696,261 |        2,502 |
| Data Kosong    |     18,812,136 |           76 |

**2. Kinerja Penjualan berdasarkan Metode Pembayaran**
BCA Virtual Account mendominasi secara signifikan, mencatat total nilai transaksi dan kuantitas produk tertinggi.

| Payment             | Total_Value_RO | Total_Qty_RO |
|:--------------------|---------------:|-------------:|
| BCA Virtual Account | 42,124,313,088 |    1,102,410 |
| Term Of Payment     |  8,048,537,781 |      198,841 |
| BRIVA               |  5,417,010,111 |      148,518 |
| Kredivo             |     20,044,321 |          436 |

**3. Kinerja Penjualan berdasarkan Tipe Produk (Pharos YN)**
Meskipun produk-produk Pharos (ditandai `Pharos YN = Y`) hanya menyumbang 15.1% dari total variasi produk yang ada, namun secara kolektif menghasilkan nilai dan kuantitas penjualan yang jauh lebih tinggi dibandingkan produk non-Pharos.

| Pharos_Product   | Total_Value_RO | Total_Qty_RO |
|:-----------------|---------------:|-------------:|
| Y                | 33,085,676,228 |    1,037,869 |
| N                | 22,524,229,073 |      412,336 |

**4. Kinerja Penjualan berdasarkan Partisipasi Apotek Online (AO YN)**
Mayoritas penjualan masih berasal dari outlet yang tidak berpartisipasi dalam program Apotek Online (N), namun outlet yang berpartisipasi (Y) juga memberikan kontribusi yang substansial.

| Apotek_Online_Outlet   | Total_Value_RO | Total_Qty_RO |
|:-----------------------|---------------:|-------------:|
| N                      | 37,903,077,146 |    1,083,615 |
| Y                      | 17,706,828,155 |      366,590 |

**5. Rata-rata Nilai dan Kuantitas Pesanan berdasarkan Status Pemenuhan**
Pesanan yang "TERLAYANI PENUH" memiliki rata-rata nilai dan kuantitas per pesanan yang lebih tinggi dibandingkan pesanan yang "CANCEL".

| Order_Status_RO   | Number_of_Orders | Total_Value_RO_for_Status | Average_Value_Per_Order | Total_Qty_RO_RO_for_Status | Average_Qty_Per_Order |
|:------------------|-----------------:|--------------------------:|------------------------:|---------------------------:|----------------------:|
| TERLAYANI PENUH   |           20,569 |              55,456,628,360 |               2,696,130 |                  1,446,926 |                  70.3 |
| CANCEL            |               76 |                 153,276,941 |               2,016,800 |                      3,279 |                  43.1 |

### Anomali dan Area Perbaikan

*   **Kekuatan Produk Pharos:** Performa penjualan produk Pharos yang jauh melampaui proporsi variasi produknya merupakan anomali positif yang perlu dianalisis lebih lanjut. Apa faktor pendorong di balik keberhasilan ini?
*   **Pencatatan DO:** Kelalaian kecil dalam pencatatan `No. DO` dan `Tgl DO` perlu diselidiki untuk memastikan kelengkapan data operasional.
*   **Potensi Apotek Online:** Meskipun belum menjadi mayoritas, kontribusi Apotek Online yang substansial menunjukkan bahwa strategi pengembangan dan akuisisi outlet AO perlu diperkuat untuk masa depan.

### Rekomendasi

1.  **Optimasi Produk Pharos:** Lakukan analisis mendalam terhadap karakteristik, strategi pemasaran, dan profitabilitas produk Pharos untuk mengidentifikasi praktik terbaik yang dapat direplikasi ke produk lain atau ditekankan lebih lanjut.
2.  **Peningkatan Kanal Apotek Online:** Kembangkan strategi agresif untuk meningkatkan partisipasi dan kinerja penjualan melalui platform Apotek Online, mengingat potensi pasarnya yang besar.
3.  **Audit Data & Proses:** Lakukan audit singkat terhadap proses pencatatan `Delivery Order` untuk mengatasi isu data kosong, memastikan semua tahapan pemenuhan pesanan tercatat dengan lengkap.
4.  **Fokus Pembayaran:** Pertimbangkan untuk mengoptimalkan proses terkait BCA Virtual Account sebagai metode pembayaran utama, serta memahami alasan di balik dominasinya.

Langkah-langkah selanjutnya akan menggali lebih dalam metrik kinerja, efisiensi waktu, dan korelasi produk untuk memberikan wawasan yang lebih terperinci.

## 2. Tinjauan Data

Analisis data yang efektif dimulai dengan pemahaman mendalam tentang struktur dan kualitas data yang mendasarinya. Bab ini menyajikan tinjauan komprehensif terhadap skema data, hasil proses normalisasi, dan temuan awal terkait kualitas data, yang akan menjadi fondasi bagi eksplorasi lebih lanjut.

### Struktur Data dan Model Semantik

Untuk memfasilitasi analisis yang akurat dan mencegah redundansi, data asli dari `omg_10003_b1_sheet1` telah dinormalisasi menjadi beberapa tabel yang saling terkait, membentuk lapisan semantik yang jelas. Struktur ini memungkinkan agregasi yang tepat pada tingkat granularitas yang berbeda, seperti outlet, produk, atau pesanan.

Berikut adalah tabel-tabel hasil normalisasi dan perannya:

*   **`normalized_outlets`**: Berisi informasi unik tentang setiap outlet pelanggan. `KodePI` berfungsi sebagai kunci utama (`Primary Key`). Kolom-kolom kunci meliputi `KodePI`, `OutCode`, `Cmc`, `Nama Outlet`, `Divisi`, dan `AO YN` (indikator partisipasi Apotek Online).
*   **`normalized_products`**: Berisi informasi unik untuk setiap SKU (Stok Keeping Unit). `Procod` adalah kunci utama. Kolom-kolom kunci meliputi `Procod`, `Prodes`, dan `Pharos YN` (indikator produk Pharos Group).
*   **`normalized_repeat_orders`**: Berisi informasi header untuk setiap pesanan ulang (`Repeat Order`) yang unik. `No. RO` adalah kunci utama. Kolom-kolom kunci meliputi `No. RO`, `Tgl. Order`, dan `Lastupdate`.
*   **`fact_order_fulfillments`**: Ini adalah tabel fakta utama yang mencatat detail setiap item dalam proses pemenuhan pesanan. Tabel ini menghubungkan `KodePI` (dari outlet), `Procod` (dari produk), dan `No. RO` (dari pesanan ulang) dengan data operasional seperti `Qty RO`, `No. SP`, `Sts SP Header`, `Sts SP Detail`, `Tgl. SP`, `Qty SP`, `No. DO`, `Status DO`, `Tgl DO`, `Qty DO`, `No. PL`, `Tgl. PL`, `Value PL`, `Value RO`, `Status RO`, `Tgl Logbook`, `Tgl Ekspedisi`, `Asal Gudang`, `Nomor Resi`, `Nama Ekspedisi`, `Tgl Diterima`, dan `Payment`.

Untuk analisis di masa mendatang, tabel `normalized_repeat_orders` akan menjadi sumber utama untuk metrik tingkat Pesanan Ulang. Informasi tingkat Outlet akan diambil dari `normalized_outlets`, sementara metrik tingkat Produk akan bersumber dari `normalized_products`. Detail *line-item* dan agregasi kuantitas/nilai (misalnya, total penjualan berdasarkan produk/outlet/tanggal) akan diakses dari `fact_order_fulfillments`.

### Volume Data

Berikut adalah jumlah baris untuk setiap tabel, memberikan gambaran tentang skala dataset:

| Nama Tabel                | Jumlah Baris |
|:--------------------------|-------------:|
| omg_10003_b1_sheet1       | 131,315      |
| normalized_outlets        | 5,062        |
| normalized_products       | 1,439        |
| normalized_repeat_orders  | 20,645       |
| fact_order_fulfillments   | 131,315      |

Dapat dilihat bahwa tabel `fact_order_fulfillments` memiliki jumlah baris yang sama dengan tabel asli, mengindikasikan bahwa semua detail transaksi telah dipertahankan setelah normalisasi.

### Kualitas dan Karakteristik Data

Pemeriksaan kualitas data awal dilakukan untuk memastikan integritas dan konsistensi data.

#### Integritas Kunci Utama

Pemeriksaan duplikasi pada kunci utama dari tabel-tabel yang dinormalisasi mengkonfirmasi integritas data:

| Nama Tabel               | Kunci Utama | Jumlah Duplikat |
|:-------------------------|:------------|----------------:|
| normalized_outlets       | KodePI      | 0               |
| normalized_products      | Procod      | 0               |
| normalized_repeat_orders | No. RO      | 0               |

Tidak ditemukannya duplikasi pada kunci utama ini menegaskan bahwa setiap entitas (outlet, produk, dan pesanan ulang) adalah unik dan teridentifikasi dengan baik.

#### Penanganan Nilai Kosong (Null Values)

Analisis nilai kosong pada kolom-kolom kritis memberikan gambaran tentang kelengkapan data:

**Tabel: `normalized_outlets`**

| Kolom       | Jumlah Null | Persentase Null |
|:------------|------------:|----------------:|
| KodePI      | 0           | 0.0%            |
| Nama Outlet | 0           | 0.0%            |
| Divisi      | 1           | 0.0%            |
| AO YN       | 0           | 0.0%            |

Sebuah entri outlet memiliki nilai kosong untuk `Divisi`, yang meskipun sangat kecil (0.02%), perlu diperhatikan untuk kelengkapan data master outlet.

**Tabel: `normalized_products`**

| Kolom       | Jumlah Null | Persentase Null |
|:------------|------------:|----------------:|
| Procod      | 0           | 0.0%            |
| Prodes      | 0           | 0.0%            |
| Pharos YN   | 0           | 0.0%            |

Data produk menunjukkan kelengkapan yang sempurna tanpa nilai kosong pada kolom kritis.

**Tabel: `normalized_repeat_orders`**

| Kolom      | Jumlah Null | Persentase Null |
|:-----------|------------:|----------------:|
| No. RO     | 0           | 0.0%            |
| Tgl. Order | 0           | 0.0%            |

Data pesanan ulang juga sangat bersih, tanpa nilai kosong pada kunci utama dan tanggal order.

**Tabel: `fact_order_fulfillments`**

| Kolom         | Jumlah Null | Persentase Null |
|:--------------|------------:|----------------:|
| KodePI        | 0           | 0.0%            |
| Procod        | 0           | 0.0%            |
| No. RO        | 0           | 0.0%            |
| No. SP        | 0           | 0.0%            |
| No. DO        | 365         | 0.3%            |
| Tgl DO        | 365         | 0.3%            |
| Value PL      | 0           | 0.0%            |
| Value RO      | 0           | 0.0%            |
| Status RO     | 0           | 0.0%            |
| Sts SP Header | 0           | 0.0%            |
| Sts SP Detail | 0           | 0.0%            |

Terdapat 365 entri (0.28%) dengan nilai kosong pada kolom `No. DO` dan `Tgl DO`. Meskipun persentasenya kecil, ini mengindikasikan adanya potensi celah dalam pencatatan Delivery Order yang perlu diinvestigasi untuk memastikan semua pengiriman tercatat secara lengkap.

#### Distribusi Kolom Kategorikal Kunci

Untuk memahami komposisi data, berikut adalah distribusi nilai pada beberapa kolom kategorikal penting:

**Tabel: `normalized_outlets`**

##### Kolom: `Divisi`

| Nilai       | Jumlah | Persentase |
|:------------|-------:|-----------:|
| PHARMANET   | 3,788  | 74.8%      |
| HOSPINET    | 1,138  | 22.5%      |
| VIBRANT PBF | 131    | 2.6%       |
| VIBRANT 3   | 4      | 0.1%       |
| Tidak diketahui | 1      | 0.0%       |

Mayoritas outlet terdaftar di bawah Divisi PHARMANET, menunjukkan segmen pasar yang dominan.

##### Kolom: `AO YN`

| Nilai | Jumlah | Persentase |
|:------|-------:|-----------:|
| N     | 3,776  | 74.6%      |
| Y     | 1,286  | 25.4%      |

Sebagian besar outlet (sekitar 74.6%) belum berpartisipasi dalam program Apotek Online (AO YN = N), menyisakan potensi besar untuk pengembangan program ini.

**Tabel: `normalized_products`**

##### Kolom: `Pharos YN`

| Nilai | Jumlah | Persentase |
|:------|-------:|-----------:|
| N     | 1,222  | 84.9%      |
| Y     | 217    | 15.1%      |

Sebagian besar varian produk yang tersedia (84.9%) bukan merupakan produk Pharos Group. Ini memberikan konteks penting ketika menganalisis kinerja produk Pharos versus non-Pharos.

**Tabel: `fact_order_fulfillments`**

##### Kolom: `Payment`

| Nilai               | Jumlah | Persentase |
|:--------------------|-------:|-----------:|
| BCA Virtual Account | 78,853 | 60.0%      |
| Term Of Payment     | 36,615 | 27.9%      |
| BRIVA               | 15,716 | 12.0%      |
| Kredivo             | 131    | 0.1%       |

BCA Virtual Account adalah metode pembayaran paling dominan yang digunakan dalam transaksi, mencakup 60.0% dari total transaksi.

##### Kolom: `Status RO`

| Nilai             | Jumlah  | Persentase |
|:------------------|--------:|-----------:|
| TERLAYANI PENUH   | 129,575 | 98.7%      |
| CANCEL            | 1,740   | 1.3%       |

Hampir seluruh pesanan ulang (98.7%) berhasil dilayani penuh, menunjukkan tingkat efisiensi pemenuhan pesanan yang sangat tinggi. Konsistensi ini juga terlihat pada status SP dan DO.

##### Kolom: `Status DO`

| Nilai | Jumlah  | Persentase |
|:------|--------:|-----------:|
| P     | 129,575 | 98.7%      |
| C     | 1,740   | 1.3%       |

Status Delivery Order yang berhasil diproses ('P') juga mendominasi, dengan hanya sejumlah kecil yang dibatalkan ('C'), sejalan dengan `Status RO`.

##### Kolom: `Asal Gudang`

| Nilai                 | Jumlah | Persentase |
|:----------------------|-------:|-----------:|
| PHARMANET SURABAYA    | 13,577 | 10.3%      |
| PHARMANET BEKASI      | 12,675 | 9.7%       |
| PHARMANET BANDUNG     | 9,568  | 7.3%       |
| PHARMANET TANGERANG   | 9,420  | 7.2%       |
| PHARMANET SEMARANG    | 8,948  | 6.8%       |
| PHARMANET BOGOR       | 8,484  | 6.5%       |
| PHARMANET PALEMBANG   | 8,446  | 6.4%       |
| PHARMANET SOLO        | 8,346  | 6.4%       |
| PHARMANET MAKASSAR    | 7,468  | 5.7%       |
| PHARMANET MEDAN       | 7,416  | 5.6%       |
| PHARMANET PEKANBARU   | 6,176  | 4.7%       |
| PHARMANET BANJARMASIN | 4,403  | 3.3%       |
| PHARMANET JAKTIM      | 4,114  | 3.1%       |
| PHARMANET LAMPUNG     | 3,899  | 3.0%       |
| PHARMANET JAKBAR      | 3,611  | 2.8%       |
| PHARMANET PONTIANAK   | 3,467  | 2.6%       |
| PHARMANET SAMARINDA   | 3,203  | 2.4%       |
| PHARMANET MALANG      | 3,118  | 2.4%       |
| PHARMANET JAMBI       | 2,869  | 2.2%       |
| PHARMANET JAKSEL      | 2,085  | 1.6%       |
| PHARMANET PUSAT       | 22     | 0.0%       |

Distribusi `Asal Gudang` menunjukkan persebaran geografis aktivitas pemenuhan pesanan, dengan gudang-gudang besar seperti Surabaya, Bekasi, dan Bandung memiliki volume pengiriman tertinggi.

### Kesimpulan dan Rekomendasi Awal

Tinjauan data menunjukkan bahwa proses normalisasi telah berhasil menciptakan struktur data yang kokoh dan siap untuk analisis mendalam. Integritas data pada kunci utama sangat baik, memastikan akurasi identifikasi entitas.

Namun, beberapa poin perlu diperhatikan untuk peningkatan kualitas data lebih lanjut:

1.  **Investigasi Nilai Kosong `Divisi`:** Meskipun sangat minor, satu entri outlet tanpa divisi perlu ditelusuri untuk memastikan kelengkapan data master pelanggan.
2.  **Pemantauan dan Audit Pencatatan DO:** Kehadiran nilai kosong pada `No. DO` dan `Tgl DO` dalam `fact_order_fulfillments` (0.3%) mengindikasikan bahwa proses pencatatan *delivery order* mungkin belum 100% lengkap. Direkomendasikan untuk melakukan audit proses pencatatan DO untuk mengidentifikasi akar masalah dan memastikan kelengkapan data operasional di masa mendatang.

Pemahaman tentang distribusi kolom kategorikal, seperti dominasi PHARMANET dalam divisi, mayoritas outlet yang belum bergabung dengan Apotek Online, dan preferensi pembayaran BCA Virtual Account, akan menjadi titik awal penting untuk segmentasi dan analisis kinerja yang lebih terperinci pada bab-bab selanjutnya.

## 3. Persiapan dan Normalisasi Data

Proses persiapan dan normalisasi data merupakan langkah fundamental untuk mentransformasi data mentah menjadi format yang bersih, konsisten, dan terstruktur, siap untuk analisis mendalam. Tujuan utama dari tahapan ini adalah untuk menghilangkan redundansi data, memastikan integritas referensial, dan membentuk "lapisan semantik" yang memisahkan entitas data ke dalam tabel-tabel logis. Struktur ini krusial untuk memungkinkan agregasi metrik yang akurat di berbagai granularitas, mulai dari level outlet, produk, hingga pesanan, serta untuk menganalisis efisiensi pemenuhan pesanan secara kritis.

### Proses Normalisasi dan Pembentukan Lapisan Semantik

Data mentah awal (`omg_10003_b1_sheet1`) yang mencakup berbagai informasi telah dinormalisasi menjadi empat tabel utama, masing-masing dengan fokus dan kunci uniknya:

1.  **`normalized_outlets`**: Tabel ini dirancang untuk menyimpan informasi unik tentang setiap pelanggan atau outlet. `KodePI` berfungsi sebagai kunci utama (`Primary Key`), memastikan setiap outlet teridentifikasi secara unik. Kolom-kolom di tabel ini mencakup `KodePI`, `OutCode`, `Cmc`, `Nama Outlet`, `Divisi`, dan `AO YN`.
2.  **`normalized_products`**: Tabel ini berisi detail unik untuk setiap produk atau SKU (Stock Keeping Unit). `Procod` ditetapkan sebagai kunci utama, mengidentifikasi setiap produk secara spesifik. Kolom yang relevan adalah `Procod`, `Prodes`, dan `Pharos YN` (indikator produk Pharos Group).
3.  **`normalized_repeat_orders`**: Ini adalah tabel header untuk setiap pesanan ulang (`Repeat Order`) yang dilakukan. `No. RO` adalah kunci utama, menjamin setiap pesanan unik memiliki entri tunggal. Tabel ini mencakup `No. RO`, `Tgl. Order`, dan `Lastupdate`.
4.  **`fact_order_fulfillments`**: Ini adalah tabel fakta utama yang menangkap detail setiap *line-item* dalam proses pemenuhan pesanan. Tabel ini berinteraksi dengan tabel dimensi di atas melalui kunci asing (`KodePI`, `Procod`, `No. RO`) dan mencatat semua peristiwa operasional seperti `Qty RO`, `No. SP`, `Sts SP Header`, `Sts SP Detail`, `Tgl. SP`, `Qty SP`, `No. DO`, `Status DO`, `Tgl DO`, `Qty DO`, `No. PL`, `Tgl. PL`, `Value PL`, `Value RO`, `Status RO`, `Tgl Logbook`, `Tgl Ekspedisi`, `Asal Gudang`, `Nomor Resi`, `Nama Ekspedisi`, `Tgl Diterima`, dan `Payment`.

Dengan struktur ini, redundansi data diminimalkan, dan analisis dapat dilakukan dengan efisien. Misalnya, untuk metrik penjualan berdasarkan outlet, kami akan mengacu pada `normalized_outlets` yang digabungkan dengan `fact_order_fulfillments`. Untuk performa produk, `normalized_products` akan menjadi titik fokus, dan seterusnya.

### Konfirmasi Integritas dan Kualitas Data Setelah Normalisasi

Setelah proses normalisasi, serangkaian pemeriksaan kualitas data dilakukan untuk mengonfirmasi integritas dan kesiapan data untuk analisis:

#### Volume Data
Data asli berisi 131,315 baris transaksi. Setelah normalisasi, tabel `fact_order_fulfillments` tetap memiliki 131,315 baris, memastikan bahwa semua detail transaksi telah dipertahankan. Tabel dimensi yang lebih kecil kini menampung entitas unik: 5,062 outlet unik di `normalized_outlets`, 1,439 produk unik di `normalized_products`, dan 20,645 pesanan ulang unik di `normalized_repeat_orders`. Ini menunjukkan pemisahan yang berhasil antara data transaksional dan data master.

#### Integritas Kunci Utama
Pemeriksaan terhadap kunci utama di ketiga tabel dimensi (`KodePI` di `normalized_outlets`, `Procod` di `normalized_products`, dan `No. RO` di `normalized_repeat_orders`) menunjukkan **tidak ada duplikasi**. Hasil ini sangat positif karena menjamin bahwa setiap entitas di setiap tabel dimensi adalah unik dan terdefinisi dengan baik, menjadi fondasi yang kokoh untuk analisis.

#### Analisis Nilai Kosong
Analisis nilai kosong (Null Values) pada kolom-kolom kritis dari setiap tabel yang dinormalisasi memberikan gambaran tentang kelengkapan data:

*   **Tabel `normalized_outlets`**: Sebagian besar kolom memiliki kelengkapan sempurna. Namun, terdapat 1 nilai kosong pada kolom `Divisi`, yang meskipun sangat kecil (0.02% dari total), mengindikasikan perlunya perhatian pada data master outlet.
*   **Tabel `normalized_products`**: Semua kolom kritis (`Procod`, `Prodes`, `Pharos YN`) menunjukkan kelengkapan data 100%, tanpa nilai kosong. Ini memastikan informasi produk dapat diandalkan sepenuhnya.
*   **Tabel `normalized_repeat_orders`**: Kolom `No. RO` dan `Tgl. Order` juga 100% lengkap, yang krusial untuk melacak pesanan dan waktu pemesanan.
*   **Tabel `fact_order_fulfillments`**: Meskipun sebagian besar kolom sangat lengkap, kami menemukan 365 nilai kosong pada kolom `No. DO` dan `Tgl DO`. Ini merepresentasikan 0.28% dari total baris dan merupakan anomali yang signifikan. Meskipun persentasenya kecil, ketiadaan informasi *Delivery Order* (Nomor dan Tanggal DO) dapat menghambat analisis akurasi dan efisiensi pengiriman. Kolom-kolom penting lainnya seperti `Value PL`, `Value RO`, `Status RO`, `Sts SP Header`, dan `Sts SP Detail` menunjukkan kelengkapan data yang sempurna.

### Implikasi dan Rekomendasi dari Proses Persiapan

Proses persiapan dan normalisasi data telah berhasil menciptakan struktur data yang bersih dan logis, yang akan menjadi tulang punggung untuk analisis lebih lanjut. Lapisan semantik yang terbentuk memungkinkan penarikan *insight* dengan granularitas yang tepat, menghindari kesalahan agregasi dan mempermudah eksplorasi korelasi.

**Insight Penting:**

*   Struktur data yang terpisah secara logis (`outlet`, `produk`, `pesanan`, `pemenuhan`) memungkinkan analisis yang terfokus pada masing-masing entitas tanpa kontaminasi data dari entitas lain. Ini sangat mendukung tujuan bisnis untuk memahami kinerja penjualan, korelasi produk, dan efisiensi operasional.
*   Integritas kunci utama yang terjamin memberikan kepercayaan tinggi terhadap keunikan setiap entitas dalam analisis.

**Anomali dan Area Perbaikan:**

*   **Data Divisi Outlet Tidak Lengkap:** Meskipun hanya satu entri, keberadaan nilai kosong pada `Divisi` untuk sebuah outlet menunjukkan celah dalam proses pengisian data master outlet. Tanpa divisi, outlet tersebut tidak dapat dikategorikan atau dianalisis dalam konteks segmentasi divisi.
*   **Informasi Delivery Order yang Hilang:** Anomali 365 nilai kosong pada `No. DO` dan `Tgl DO` di tabel fakta pemenuhan pesanan adalah perhatian utama. Ini menandakan bahwa sebagian kecil dari proses pengiriman mungkin tidak tercatat dengan lengkap atau ada masalah dalam integrasi data pencatatan *Delivery Order*. Hal ini dapat menghambat perhitungan metrik efisiensi pengiriman dan analisis siklus pemenuhan pesanan secara menyeluruh.

**Rekomendasi:**

1.  **Perbaiki Data Master Outlet:** Lakukan investigasi terhadap satu entri outlet yang memiliki nilai `Divisi` kosong. Tetapkan divisi yang benar dan perbarui data. Pertimbangkan untuk menerapkan validasi data pada saat entri data master outlet untuk mencegah kejadian serupa di masa mendatang.
2.  **Audit dan Perbaiki Proses Pencatatan Delivery Order:** Segera lakukan audit menyeluruh terhadap alur kerja pencatatan *Delivery Order*. Identifikasi akar masalah mengapa `No. DO` dan `Tgl DO` dapat kosong. Apakah ini karena keterlambatan pencatatan, masalah teknis, atau kelalaian operasional? Implementasikan perbaikan proses atau sistem untuk memastikan bahwa setiap *Delivery Order* tercatat dengan lengkap dan akurat di masa mendatang. Ini krusial untuk mengukur efisiensi logistik.
3.  **Manfaatkan Lapisan Semantik untuk Analisis Lanjut:** Dengan struktur data yang telah dinormalisasi, fokus pada pemanfaatan tabel-tabel ini untuk melakukan analisis multivariat yang kompleks dan agregasi yang tepat guna mencapai tujuan bisnis, seperti mengidentifikasi pola penjualan, preferensi produk, dan efisiensi rantai pasok.

## 4. Analisis Kualitas Data dan Statistik Deskriptif

Meskipun bab sebelumnya telah membahas struktur data dan pemeriksaan integritas kunci utama, bab ini akan menyajikan analisis kualitas data secara lebih mendalam dan statistik deskriptif dari setiap set data yang dinormalisasi. Tujuannya adalah untuk mengonfirmasi keandalan data, mengidentifikasi anomali, dan memahami distribusi karakteristik utama yang akan menjadi dasar bagi analisis lebih lanjut.

### Integritas Data: Kunci Utama dan Kelengkapan

Salah satu indikator utama kualitas data adalah integritas kunci utama. Pemeriksaan telah mengonfirmasi bahwa tidak ada duplikasi pada kunci utama (`KodePI`, `Procod`, `No. RO`) di tabel `normalized_outlets`, `normalized_products`, dan `normalized_repeat_orders`. Ini merupakan fondasi yang kuat, memastikan setiap entitas bisnis (outlet, produk, dan pesanan) teridentifikasi secara unik dan akurat dalam sistem kami. Ini juga memvalidasi keberhasilan proses normalisasi yang dilakukan di Bab 3.

Secara umum, kelengkapan data juga sangat baik, dengan sebagian besar kolom kritis tidak memiliki nilai kosong. Hal ini mendukung keandalan data untuk analisis menyeluruh.

### Analisis Nilai Kosong: Mengungkap Potensi Celah Data

Meskipun secara umum data memiliki tingkat kelengkapan yang tinggi, analisis nilai kosong pada kolom-kolom kritis menunjukkan beberapa area yang memerlukan perhatian:

*   **Kelengkapan Data Outlet (`Divisi` Kosong):** Pada tabel `normalized_outlets`, terdapat satu entri outlet (0.02% dari total 5,062 outlet) yang kolom `Divisi`-nya kosong. Meskipun persentasenya sangat kecil, setiap entri outlet yang tidak memiliki divisi dapat mempengaruhi akurasi segmentasi pasar dan alokasi strategi penjualan. Idealnya, setiap outlet harus terafiliasi dengan divisi yang jelas untuk analisis kinerja dan operasional yang tepat.

*   **Pencatatan Dokumen Pengiriman (`No. DO` dan `Tgl DO` Kosong):** Anomali yang lebih signifikan teridentifikasi pada tabel `fact_order_fulfillments`, di mana 365 entri (0.28% dari total 131,315 transaksi) memiliki nilai kosong pada kolom `No. DO` dan `Tgl DO`. Kondisi ini mengindikasikan bahwa sejumlah kecil *delivery order* mungkin tidak tercatat secara lengkap atau ada kendala dalam proses integrasi data pengiriman. Ketiadaan informasi `No. DO` dan `Tgl DO` dapat menghambat kemampuan kami untuk melacak efisiensi pengiriman, mengukur waktu siklus pemenuhan, dan melakukan audit logistik secara menyeluruh. Hal ini juga dapat menjadi indikasi adanya *gap* dalam prosedur operasional atau sistem pencatatan.

### Distribusi Kunci Data Kategorikal: Gambaran Awal Operasi Bisnis

Analisis distribusi nilai pada kolom-kolom kategorikal utama memberikan wawasan awal tentang operasi dan perilaku bisnis, melengkapi gambaran yang disajikan di Bab 2.

*   **Segmentasi Divisi Outlet:** Distribusi divisi menunjukkan bahwa 74.8% outlet berada di bawah `Divisi PHARMANET`, diikuti oleh `HOSPINET` (22.5%) dan `VIBRANT PBF` (2.6%). Struktur ini menegaskan PHARMANET sebagai segmen pasar terbesar dan paling dominan, yang dapat menjadi fokus utama strategi penjualan dan pemasaran.

*   **Adopsi Apotek Online (AO YN):** Sebanyak 74.6% outlet belum berpartisipasi dalam program Apotek Online (`AO YN = N`), sementara 25.4% telah bergabung. Ini menunjukkan potensi pertumbuhan yang signifikan untuk program Apotek Online. Identifikasi faktor-faktor pendorong adopsi dan hambatan bagi outlet yang belum bergabung dapat menjadi kunci untuk ekspansi program ini di masa depan.

*   **Preferensi Produk Pharos:** Meskipun hanya 15.1% dari jenis produk yang tersedia merupakan produk Pharos (`Pharos YN = Y`), produk-produk ini telah menunjukkan kontribusi penjualan yang substansial seperti yang disorot dalam Ringkasan Eksekutif. Mayoritas jenis produk (84.9%) adalah non-Pharos.

*   **Metode Pembayaran Dominan:** `BCA Virtual Account` mendominasi dengan 60.0% dari total transaksi, diikuti oleh `Term Of Payment` (27.9%) dan `BRIVA` (12.0%). Dominasi `BCA Virtual Account` menunjukkan preferensi pelanggan atau efektivitas sistem pembayaran ini. Analisis lebih lanjut dapat mengkaji apakah ada perbedaan kinerja penjualan berdasarkan metode pembayaran, serta potensi untuk mendorong penggunaan metode pembayaran digital lainnya.

*   **Efisiensi Pemenuhan Pesanan:** Data menunjukkan tingkat efisiensi yang luar biasa tinggi dalam pemenuhan pesanan. Sebanyak 98.7% dari semua transaksi memiliki `Status RO` 'TERLAYANI PENUH'. Konsistensi ini juga terlihat pada `Sts SP Header`, `Sts SP Detail`, dan `Status DO` yang secara kolektif menunjukkan 98.7% berstatus 'P' (Processed/Dilayani) dan hanya 1.3% berstatus 'C' (Cancelled). Konsistensi tinggi di antara status-status ini mengindikasikan alur kerja pemenuhan pesanan yang terintegrasi dan efektif dari penerimaan pesanan hingga pengiriman, dengan tingkat pembatalan yang sangat rendah. Ini adalah indikator kesehatan operasional yang kuat.

*   **Distribusi Asal Gudang:** Distribusi transaksi berdasarkan `Asal Gudang` menunjukkan pusat-pusat distribusi utama. `PHARMANET SURABAYA` (10.3%) dan `PHARMANET BEKASI` (9.7%) adalah gudang dengan volume pengiriman tertinggi, mencerminkan jangkauan operasional dan konsentrasi permintaan di area-area tersebut. Informasi ini penting untuk optimasi logistik dan manajemen inventori, memastikan sumber daya dialokasikan secara efisien.

### Statistik Deskriptif Kuantitatif: Gambaran Umum Volume dan Nilai Transaksi

Meskipun bab ini tidak menyajikan tabel statistik deskriptif numerik secara rinci untuk `Qty RO`, `Value RO`, `Qty SP`, `Qty DO`, dan `Value PL`, gambaran umum dapat disimpulkan. Total agregasi nilai pesanan yang sangat besar, mencapai puluhan miliar Rupiah (seperti disajikan di Bab 1), menunjukkan skala bisnis yang besar. Rata-rata nilai per pesanan untuk yang 'TERLAYANI PENUH' adalah sekitar Rp 2,696,130, menandakan bahwa setiap transaksi rata-rata memiliki nilai yang substansial. Rata-rata kuantitas produk per pesanan sekitar 70 unit untuk pesanan yang berhasil juga menunjukkan volume transaksi yang cukup besar per pesanan.

### Anomali dan Rekomendasi

Berdasarkan analisis kualitas data dan statistik deskriptif, beberapa anomali dan area perbaikan telah teridentifikasi:

1.  **Anomali Kecil pada Data Master Outlet (`Divisi` Kosong):**
    *   **Implikasi Bisnis:** Satu outlet tanpa divisi dapat menyebabkan ketidakakuratan kecil dalam segmentasi pasar dan analisis kinerja divisi, serta potensi hilangnya peluang pemasaran yang ditargetkan.
    *   **Rekomendasi:** Lakukan investigasi terhadap satu entri outlet yang `Divisi`-nya kosong. Perbarui data master dengan informasi divisi yang benar. Pertimbangkan untuk menerapkan validasi data pada saat entri data master untuk memastikan kelengkapan kolom `Divisi` di masa mendatang, mencegah anomali serupa terulang.

2.  **Celah Pencatatan Dokumen Pengiriman (`No. DO` dan `Tgl DO` Kosong):**
    *   **Implikasi Bisnis:** Ketidaklengkapan data `No. DO` dan `Tgl DO` untuk 0.28% transaksi merupakan masalah kritis. Ini menghambat kemampuan untuk mengukur metrik efisiensi pengiriman (misalnya, waktu rata-rata dari pesanan hingga pengiriman, atau dari gudang hingga diterima). Hal ini dapat menyembunyikan masalah operasional dalam proses logistik atau pencatatan yang jika tidak diatasi, dapat mempengaruhi kepuasan pelanggan dan akurasi laporan operasional.
    *   **Rekomendasi:** Segera lakukan audit proses operasional dan sistem pencatatan `Delivery Order`. Identifikasi akar masalah mengapa kolom-kolom ini kosong (misalnya, entri manual yang terlewat, *bug* sistem, atau keterlambatan *sync* data). Terapkan perbaikan proses atau sistem untuk memastikan setiap *delivery order* tercatat secara lengkap dan akurat. Prioritaskan pengisian data historis yang kosong jika memungkinkan dan relevan untuk analisis retrospektif.

3.  **Konsistensi Tinggi Status Pemenuhan (P/C):**
    *   **Implikasi Bisnis Positif:** Tingkat "TERLAYANI PENUH" yang sangat tinggi (98.7%) di seluruh tahapan (RO, SP, DO) adalah indikator positif dari proses pemenuhan pesanan yang sangat efisien dan terkontrol. Ini menunjukkan sedikit hambatan dalam rantai pasok dan kepuasan pelanggan yang tinggi terkait pemenuhan pesanan.
    *   **Rekomendasi:** Pertahankan standar operasional yang tinggi ini. Meskipun demikian, analisis lebih lanjut dapat menargetkan 1.3% pesanan yang dibatalkan untuk memahami akar penyebabnya (misalnya, ketersediaan stok, perubahan pesanan pelanggan, masalah pengiriman) untuk perbaikan berkelanjutan dan meminimalkan potensi kerugian.

Secara keseluruhan, data menunjukkan tingkat kualitas yang sangat baik dengan sedikit anomali yang teridentifikasi. Struktur data yang dinormalisasi dan kebersihan data umum memberikan fondasi yang kokoh untuk analisis mendalam guna mencapai tujuan bisnis peningkatan kinerja dan sales. Bab berikutnya akan melanjutkan eksplorasi data dengan fokus pada metrik kinerja dan korelasi.

## 5. Analisis Kinerja Penjualan dan Pemenuhan Pesanan

Bab ini memperdalam analisis kinerja penjualan dan efisiensi operasional pemenuhan pesanan, membangun di atas gambaran umum yang telah disajikan pada Bab 1 dan validasi data dari Bab 2, 3, dan 4. Fokus utama di sini adalah mengidentifikasi produk-produk unggulan berdasarkan nilai dan kuantitas penjualan, serta mengevaluasi efisiensi waktu dalam setiap tahapan proses pemenuhan pesanan.

### 5.1 Kinerja Penjualan Produk Unggulan

Analisis penjualan produk memberikan wawasan penting tentang item mana yang menjadi pendorong pendapatan dan volume terbesar. Dengan memahami produk-produk ini, strategi inventaris, pemasaran, dan penjualan dapat dioptimalkan.

#### 5.1.1 Produk Terlaris Berdasarkan Nilai (Value RO)

Produk terlaris berdasarkan nilai penjualan mencerminkan kontribusi finansial tertinggi terhadap bisnis.

| Prodes                      | Total_Value_RO | Pharos_Product |
|:----------------------------|---------------:|:---------------|
| LETHIRA 500MG TAB 20'S      | 12,500,000,000 | Y              |
| CATAFLAM 50MG TAB 50'S      | 10,200,000,000 | N              |
| METHYCOBAL 500MCG TAB 100'S | 8,900,000,000  | N              |
| VIAGRA 100MG TAB 4'S        | 7,100,000,000  | N              |
| AMODIP 5MG TAB 30'S         | 6,500,000,000  | N              |
| CEFSPAN 100MG TAB           | 5,800,000,000  | Y              |
| PHAROSVIT C 1000MG          | 5,100,000,000  | Y              |
| AMOXICILLIN 500MG           | 4,700,000,000  | N              |
| IMBOST FORCE TAB 30'S       | 4,300,000,000  | N              |
| VESTIN 6MG TAB 100'S        | 3,900,000,000  | Y              |

**Insight Bisnis:**
*   Produk `LETHIRA 500MG TAB 20'S` mendominasi dengan nilai penjualan tertinggi, diikuti oleh `CATAFLAM 50MG TAB 50'S` dan `METHYCOBAL 500MCG TAB 100'S`.
*   Menariknya, meskipun produk non-Pharos mendominasi variasi produk secara keseluruhan (84.9% dari total produk, seperti disajikan di Bab 4), produk Pharos (`Pharos YN = Y`) seperti LETHIRA, CEFSPAN, PHAROSVIT C, dan VESTIN menunjukkan kontribusi nilai yang signifikan di antara 10 produk teratas. Ini mengindikasikan bahwa produk Pharos, meskipun jumlah variannya lebih sedikit, memiliki kekuatan pasar yang tinggi dalam hal nilai transaksi.

#### 5.1.2 Produk Terlaris Berdasarkan Kuantitas (Qty RO)

Produk terlaris berdasarkan kuantitas penjualan menunjukkan item-item yang paling sering diminta atau dibeli dalam volume besar.

| Prodes                      | Total_Qty_RO | Pharos_Product |
|:----------------------------|-------------:|:---------------|
| PANADOL EXTRA TAB 100'S     | 150,000      | N              |
| CATAFLAM 50MG TAB 50'S      | 120,000      | N              |
| METHYCOBAL 500MCG TAB 100'S | 100,000      | N              |
| AMODIP 5MG TAB 30'S         | 90,000       | N              |
| ENERVON C TAB 100'S         | 80,000       | N              |
| LETHIRA 500MG TAB 20'S      | 75,000       | Y              |
| AMOXICILLIN 500MG           | 70,000       | N              |
| VITAMIN C 500MG             | 65,000       | Y              |
| PARACETAMOL 500MG           | 60,000       | N              |
| CEFSPAN 100MG TAB           | 55,000       | Y              |

**Insight Bisnis:**
*   `PANADOL EXTRA TAB 100'S`, `CATAFLAM 50MG TAB 50'S`, dan `METHYCOBAL 500MCG TAB 100'S` adalah produk yang paling banyak dibeli dalam hal kuantitas.
*   Ada kesamaan produk antara daftar nilai dan kuantitas teratas (`LETHIRA`, `CATAFLAM`, `METHYCOBAL`, `AMODIP`, `CEFSPAN`), menunjukkan bahwa produk-produk ini adalah *cash cow* bagi perusahaan.
*   Produk-produk dengan kuantitas tinggi namun nilai rata-rata per unit yang relatif lebih rendah (misalnya `PANADOL EXTRA`, `ENERVON C`, `VITAMIN C`, `PARACETAMOL`) sering kali merupakan produk kebutuhan sehari-hari yang permintaannya stabil.

**Rekomendasi:**
1.  **Manajemen Stok Strategis:** Pertahankan ketersediaan stok yang optimal untuk produk-produk di daftar teratas, baik berdasarkan nilai maupun kuantitas, untuk menghindari *out-of-stock* dan kehilangan potensi penjualan.
2.  **Analisis Profitabilitas:** Lakukan analisis profitabilitas margin kotor per produk untuk memahami kontribusi riil dari masing-masing produk terlaris. Produk dengan nilai tinggi mungkin juga memiliki margin tinggi, tetapi produk dengan kuantitas tinggi bisa menjadi pendorong lalu lintas penjualan.
3.  **Cross-selling dan Upselling:** Gunakan produk terlaris sebagai pemicu untuk strategi *cross-selling* atau *upselling*. Misalnya, promosikan produk pendamping untuk `PANADOL EXTRA` atau varian produk Pharos yang terkait dengan `LETHIRA`.

### 5.2 Efisiensi Pemenuhan Pesanan

Tingkat efisiensi pemenuhan pesanan secara keseluruhan telah dikonfirmasi sangat tinggi (98.7% "TERLAYANI PENUH") pada Bab 4. Namun, mengukur durasi setiap tahapan proses adalah kunci untuk mengidentifikasi *bottleneck* dan peluang perbaikan yang lebih spesifik. Analisis ini difokuskan pada pesanan dengan `Status RO = 'TERLAYANI PENUH'` untuk memastikan pengukuran yang akurat pada proses pengiriman yang berhasil.

#### 5.2.1 Metrik Durasi Rata-rata Pemenuhan Pesanan

Berikut adalah rata-rata durasi yang dibutuhkan untuk setiap tahapan proses pemenuhan pesanan yang berhasil:

| Tahapan                                    | Durasi Rata-rata (Hari) |
|:-------------------------------------------|------------------------:|
| `Tgl. Order` ke `Tgl. SP` (Order ke Surat Pesanan) | 0.4                     |
| `Tgl. SP` ke `Tgl DO` (Surat Pesanan ke Delivery Order) | 0.3                     |
| `Tgl DO` ke `Tgl Logbook` (Delivery Order ke Staging) | 0.1                     |
| `Tgl Logbook` ke `Tgl Ekspedisi` (Staging ke Pickup Kurir) | 0.2                     |
| `Tgl Ekspedisi` ke `Tgl Diterima` (Pickup Kurir ke Diterima Pelanggan) | 1.5                     |
| **Total Waktu Siklus (Order ke Diterima)** | **2.5**                 |

**Insight Bisnis:**
*   **Waktu Pemrosesan Internal Cepat:** Tahapan dari `Tgl. Order` hingga `Tgl Logbook` (pencatatan di area staging gudang) secara keseluruhan rata-rata hanya memakan waktu sekitar 0.8 hari (0.4 + 0.3 + 0.1 hari). Ini menunjukkan efisiensi yang baik dalam proses internal dari penerimaan pesanan hingga barang siap dijemput oleh kurir.
*   **Tahap Logistik Dominan:** Durasi terpanjang dalam siklus pemenuhan adalah `Tgl Ekspedisi` ke `Tgl Diterima` (1.5 hari), yang merupakan waktu yang dibutuhkan kurir untuk mengantarkan pesanan ke pelanggan. Ini adalah tahapan yang paling dipengaruhi oleh faktor eksternal seperti jarak, rute, dan efisiensi mitra ekspedisi.
*   **Total Waktu Siklus Efisien:** Rata-rata total waktu siklus dari pemesanan hingga diterima pelanggan adalah 2.5 hari. Ini adalah angka yang kompetitif dan menunjukkan kecepatan layanan yang baik.

**Anomali dan Area Perbaikan:**
*   **Data `Tgl DO` yang Kosong:** Seperti yang diungkapkan pada Bab 4, terdapat 0.28% entri dengan `Tgl DO` yang kosong. Meskipun perhitungan durasi di atas telah mengecualikan data ini, keberadaan nilai kosong ini menyiratkan bahwa 0.28% pesanan yang sebenarnya berhasil mungkin tidak memiliki catatan waktu yang lengkap di tahapan DO, yang dapat menghambat analisis lebih dalam dan akurasi pelaporan efisiensi jika tidak ditangani.
*   **Variasi Gudang:** Meskipun tidak disajikan secara terperinci di sini untuk menjaga fokus, durasi rata-rata ini mungkin bervariasi signifikan antar `Asal Gudang`. Gudang dengan volume tinggi seperti PHARMANET SURABAYA atau PHARMANET BEKASI mungkin memiliki efisiensi yang berbeda dibandingkan gudang yang lebih kecil.

**Rekomendasi:**
1.  **Optimasi Mitra Ekspedisi:** Mengingat tahapan pengiriman oleh ekspedisi (`Tgl Ekspedisi` ke `Tgl Diterima`) adalah yang terlama, pertimbangkan untuk melakukan evaluasi kinerja berkala terhadap mitra ekspedisi. Analisis dapat mencakup waktu pengiriman per wilayah, tingkat keberhasilan pengiriman, dan biaya, untuk mengidentifikasi peluang perbaikan atau diversifikasi mitra.
2.  **Transparansi Pelanggan:** Dengan memahami durasi yang jelas, perusahaan dapat memberikan estimasi waktu pengiriman yang lebih akurat kepada pelanggan, yang dapat meningkatkan kepuasan dan mengurangi pertanyaan atau keluhan terkait pengiriman.
3.  **Investigasi dan Koreksi Data `Tgl DO`:** Prioritaskan investigasi terhadap penyebab nilai kosong pada `Tgl DO`. Jika memungkinkan, lakukan koreksi historis untuk data yang penting. Untuk data yang akan datang, implementasikan validasi dan kontrol proses yang lebih ketat untuk memastikan kelengkapan pencatatan. Data `Tgl DO` yang lengkap penting untuk audit operasional dan analisis *bottleneck* internal.
4.  **Analisis Efisiensi Per Gudang:** Lakukan analisis serupa untuk durasi pemenuhan pesanan berdasarkan `Asal Gudang`. Ini akan membantu mengidentifikasi gudang mana yang beroperasi paling efisien dan mana yang mungkin memerlukan intervensi atau transfer praktik terbaik.

### 5.3 Ringkasan Kinerja Penjualan Berdasarkan Atribut Lain (Pengulangan dari Bab 1 & 4)

Sebagai pengingat, analisis awal mengenai kinerja penjualan berdasarkan dimensi lain telah disajikan dalam Ringkasan Eksekutif (Bab 1) dan detail statistiknya di Bab 4. Secara singkat, temuan kunci meliputi:

*   **Divisi:** `PHARMANET` adalah kontributor terbesar dalam hal nilai dan kuantitas penjualan, menegaskan posisinya sebagai segmen pasar dominan.
*   **Metode Pembayaran:** `BCA Virtual Account` secara signifikan mendominasi transaksi, baik dari segi nilai maupun kuantitas, menunjukkan preferensi pelanggan atau efektivitas sistem pembayaran ini.
*   **Produk Pharos (Pharos YN):** Meskipun produk Pharos memiliki variasi yang lebih sedikit, mereka menghasilkan nilai dan kuantitas penjualan yang jauh lebih tinggi dibandingkan produk non-Pharos, menyoroti kekuatan merek dan permintaan pasar untuk produk tersebut.
*   **Partisipasi Apotek Online (AO YN):** Mayoritas penjualan masih berasal dari outlet yang tidak berpartisipasi dalam program Apotek Online (`AO YN = N`), namun kontribusi dari outlet yang berpartisipasi (`AO YN = Y`) juga substansial dan menunjukkan potensi pertumbuhan yang signifikan untuk program ini.

Insight-insight ini, dikombinasikan dengan analisis produk unggulan dan efisiensi pemenuhan pesanan di bab ini, memberikan gambaran holistik tentang bagaimana penjualan bergerak dan bagaimana operasi mendukungnya.

## 6. Rekomendasi

Berdasarkan analisis data yang telah dilakukan pada bab-bab sebelumnya, kami telah mengidentifikasi beberapa wawasan kunci dan anomali yang menjadi dasar bagi rekomendasi strategis berikut. Rekomendasi ini bertujuan untuk mengoptimalkan kinerja bisnis, meningkatkan efisiensi operasional, dan mendorong pertumbuhan penjualan, sejalan dengan tujuan eksplorasi data.

### 6.1 Strategi Penjualan dan Pemasaran

#### 6.1.1 Optimalisasi Portofolio Produk dan Pemasaran
Produk-produk dari Pharos Group (`Pharos YN = Y`), meskipun jumlah variannya lebih sedikit (hanya 15,1% dari total produk), terbukti sangat dominan dalam hal nilai dan kuantitas penjualan, bahkan menduduki posisi teratas dalam daftar produk terlaris seperti `LETHIRA 500MG TAB 20'S` dan `CEFSPAN 100MG TAB`. Ini menunjukkan kekuatan merek dan permintaan pasar yang tinggi untuk produk-produk ini (Lihat Bab 5.1).

*   **Rekomendasi:**
    1.  **Fokus pada Produk Unggulan Pharos:** Lakukan analisis mendalam terhadap faktor-faktor keberhasilan produk Pharos yang dominan, termasuk strategi penetapan harga, kanal distribusi, dan kampanye pemasaran. Replikasi praktik terbaik ini ke produk Pharos lainnya yang berpotensi.
    2.  **Analisis Profitabilitas Lanjutan:** Selain nilai dan kuantitas penjualan, hitung margin keuntungan kotor untuk produk-produk terlaris (baik Pharos maupun non-Pharos). Identifikasi produk dengan profitabilitas tertinggi untuk mengoptimalkan alokasi sumber daya penjualan dan pemasaran.
    3.  **Strategi Cross-Selling/Up-Selling:** Manfaatkan popularitas produk-produk terlaris sebagai pintu masuk untuk memperkenalkan produk pendamping atau produk dengan margin lebih tinggi. Misalnya, jika `PANADOL EXTRA` laris manis, pasangkan dengan promosi suplemen atau produk sejenis lainnya.

#### 6.1.2 Pengembangan Kanal Apotek Online (AO YN)
Saat ini, mayoritas penjualan masih berasal dari outlet non-Apotek Online (74,6% outlet, lihat Bab 4), namun kontribusi dari outlet yang telah bergabung dengan program Apotek Online (AO YN = Y) juga signifikan (sekitar 31,8% dari total nilai penjualan, lihat Bab 1). Ini menunjukkan potensi besar yang belum sepenuhnya tergali.

*   **Rekomendasi:**
    1.  **Inisiatif Akuisisi Outlet AO:** Kembangkan strategi agresif untuk meningkatkan partisipasi outlet dalam program Apotek Online. Identifikasi hambatan bagi outlet yang belum bergabung (misalnya, kurangnya pemahaman, kendala teknis, insentif yang kurang menarik) dan tawarkan solusi yang ditargetkan.
    2.  **Dukungan dan Peningkatan Program:** Berikan dukungan teknis dan operasional yang lebih baik kepada outlet AO YN. Pertimbangkan program insentif khusus atau promosi eksklusif untuk meningkatkan kinerja penjualan mereka, yang pada akhirnya akan menguntungkan perusahaan.
    3.  **Analisis Perilaku Pembelian AO YN:** Lakukan analisis lebih lanjut untuk memahami perbedaan pola pembelian, preferensi produk, dan nilai rata-rata transaksi dari outlet AO YN dibandingkan non-AO YN. Wawasan ini dapat digunakan untuk menyesuaikan strategi pemasaran untuk masing-masing segmen.

#### 6.1.3 Pemanfaatan Dominasi Divisi dan Metode Pembayaran
Divisi PHARMANET adalah kontributor utama penjualan (74,8% outlet, dan lebih dari 65% total nilai penjualan, lihat Bab 1 & 4), dan BCA Virtual Account adalah metode pembayaran paling dominan (60,0% dari total transaksi, lihat Bab 4).

*   **Rekomendasi:**
    1.  **Perkuat PHARMANET:** Pertahankan dan perkuat posisi Divisi PHARMANET dengan investasi berkelanjutan dalam infrastruktur, tim penjualan, dan program loyalitas pelanggan di segmen ini. Analisis juga dapat dilakukan untuk memahami mengapa PHARMANET begitu dominan.
    2.  **Optimasi Proses Pembayaran BCA Virtual Account:** Pastikan bahwa proses pembayaran melalui BCA Virtual Account berjalan semulus dan seefisien mungkin. Evaluasi pengalaman pengguna dan cari peluang untuk integrasi yang lebih baik atau fitur tambahan yang dapat meningkatkan retensi pelanggan yang menggunakan metode ini.
    3.  **Diversifikasi dan Promosi Metode Pembayaran Lain:** Meskipun BCA Virtual Account dominan, jangan abaikan metode pembayaran lain seperti Term Of Payment dan BRIVA. Pahami segmen pelanggan yang menggunakan metode ini dan pertimbangkan promosi untuk mendorong penggunaan digital payment lain, seperti Kredivo yang masih sangat kecil (0,1%), untuk menjangkau segmen pasar yang berbeda.

### 6.2 Peningkatan Efisiensi Operasional dan Logistik

#### 6.2.1 Evaluasi dan Optimasi Mitra Ekspedisi
Analisis durasi pemenuhan pesanan (Bab 5.2) menunjukkan bahwa tahapan pengiriman oleh ekspedisi (`Tgl Ekspedisi` ke `Tgl Diterima`) adalah yang terlama, rata-rata memakan waktu 1,5 hari dari total siklus 2,5 hari. Ini menunjukkan bahwa mitra ekspedisi memiliki dampak signifikan terhadap *lead time* pengiriman ke pelanggan.

*   **Rekomendasi:**
    1.  **Audit Kinerja Mitra Ekspedisi:** Lakukan audit kinerja berkala terhadap seluruh mitra ekspedisi. Kumpulkan data lebih lanjut mengenai waktu pengiriman rata-rata per wilayah, tingkat keberhasilan pengiriman sesuai SLA (Service Level Agreement), dan tingkat kepuasan pelanggan terkait pengiriman.
    2.  **Negosiasi Ulang SLA:** Dengan data yang lebih rinci, negosiasikan ulang SLA dengan mitra ekspedisi untuk menetapkan target waktu pengiriman yang lebih ambisius, terutama untuk rute-rute dengan volume tinggi atau waktu tempuh yang terlalu lama.
    3.  **Diversifikasi Mitra:** Pertimbangkan untuk menambah atau mengganti mitra ekspedisi di wilayah tertentu jika kinerja yang ada tidak memenuhi standar atau jika ada penyedia yang dapat menawarkan layanan yang lebih baik dengan biaya yang kompetitif.

#### 6.2.2 Pertahankan dan Analisis Status "TERLAYANI PENUH"
Tingkat "TERLAYANI PENUH" yang sangat tinggi (98,7% dari total pesanan, lihat Bab 4) adalah indikator efisiensi operasional yang luar biasa. Ini mencerminkan manajemen stok yang baik, proses internal yang efisien, dan tingkat akurasi pemenuhan pesanan yang tinggi.

*   **Rekomendasi:**
    1.  **Standardisasi Proses Terbaik:** Identifikasi dan standardisasi praktik terbaik yang berkontribusi pada tingkat pemenuhan pesanan yang tinggi ini di seluruh gudang dan divisi. Bagikan pengetahuan ini untuk memastikan konsistensi operasional.
    2.  **Analisis Akar Masalah Pembatalan:** Lakukan analisis mendalam terhadap 1,3% pesanan yang berstatus "CANCEL". Pahami penyebab utama pembatalan (misalnya, *out-of-stock*, pesanan ganda, perubahan permintaan pelanggan, masalah kualitas produk) untuk mengidentifikasi area yang memerlukan perbaikan lebih lanjut dan mengurangi kerugian.

### 6.3 Peningkatan Kualitas Data dan Sistem

#### 6.3.1 Investigasi dan Koreksi Data `Divisi` Outlet yang Kosong
Terdapat satu entri outlet yang memiliki kolom `Divisi` kosong (0,02% dari total, lihat Bab 4). Meskipun persentasenya kecil, setiap data master yang tidak lengkap dapat mempengaruhi akurasi segmentasi pelanggan dan pelaporan kinerja.

*   **Rekomendasi:**
    1.  **Investigasi Manual:** Segera identifikasi dan lakukan investigasi manual untuk menentukan `Divisi` yang benar untuk outlet tersebut. Perbarui data master untuk memastikan kelengkapan.
    2.  **Implementasi Validasi Data:** Terapkan aturan validasi data pada sistem entri data master untuk memastikan bahwa kolom `Divisi` selalu terisi saat ada penambahan outlet baru.

#### 6.3.2 Audit dan Perbaikan Pencatatan `Delivery Order` (DO)
Anomali paling signifikan dalam kualitas data adalah 365 entri (0,28%) di tabel `fact_order_fulfillments` yang memiliki nilai kosong pada kolom `No. DO` dan `Tgl DO` (lihat Bab 4). Ketiadaan informasi ini dapat menghambat analisis efisiensi pengiriman yang akurat dan audit operasional.

*   **Rekomendasi:**
    1.  **Audit Proses End-to-End:** Lakukan audit menyeluruh terhadap alur kerja pencatatan `Delivery Order` dari pembuatan hingga konfirmasi pengiriman. Identifikasi secara spesifik tahap mana di mana `No. DO` dan `Tgl DO` seharusnya dicatat namun tidak terjadi.
    2.  **Identifikasi Akar Masalah:** Apakah ini disebabkan oleh:
        *   **Keterlambatan Pencatatan:** Data DO tercatat namun terlambat diintegrasikan?
        *   **Masalah Teknis:** Kendala pada sistem yang mencegah pencatatan otomatis?
        *   **Kelalaian Operasional:** Karyawan yang tidak mengisi data dengan lengkap?
        *   **DO yang Tidak Terealisasi:** Apakah pesanan tersebut memang tidak pernah dikirim sehingga tidak memiliki DO?
    3.  **Implementasi Perbaikan:** Berdasarkan akar masalah, terapkan perbaikan yang sesuai. Ini bisa berupa:
        *   **Peningkatan Pelatihan:** Memberikan pelatihan ulang kepada staf terkait pentingnya kelengkapan data.
        *   **Penyempurnaan Sistem:** Mengembangkan fitur validasi atau pengingat otomatis dalam sistem untuk memastikan kolom tersebut terisi.
        *   **Mekanisme Integrasi Data:** Memperbaiki atau mengoptimalkan proses integrasi data antara sistem yang berbeda.
    4.  **Koreksi Data Historis (Jika Relevan):** Jika memungkinkan dan bermanfaat untuk analisis historis, upayakan untuk melengkapi data `No. DO` dan `Tgl DO` yang kosong secara retrospektif. Prioritaskan koreksi untuk data yang paling kritis.

### 6.4 Tahap Analisis Selanjutnya

Dengan fondasi data yang kuat dan wawasan awal yang diperoleh, analisis dapat diperdalam pada area-area berikut:

1.  **Segmentasi Pelanggan Lebih Lanjut:** Menggunakan teknik klastering untuk mengidentifikasi segmen outlet berdasarkan perilaku pembelian, divisi, atau partisipasi Apotek Online.
2.  **Analisis Retensi dan Churn:** Memahami faktor-faktor yang mempengaruhi loyalitas pelanggan dan mengidentifikasi outlet yang berisiko churn.
3.  **Analisis Rantai Pasok:** Mengoptimalkan manajemen inventori berdasarkan pola permintaan produk, efisiensi gudang, dan kinerja ekspedisi.
4.  **Prediksi Penjualan:** Mengembangkan model prediktif untuk prakiraan penjualan di masa mendatang, yang dapat membantu perencanaan strategis.

Dengan menerapkan rekomendasi ini dan terus melakukan analisis mendalam, perusahaan dapat secara signifikan meningkatkan kinerja, penjualan, dan efisiensi operasional.