# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Laporan ini menyajikan analisis eksplorasi mendalam terhadap data pemenuhan pesanan pelanggan, dengan tujuan untuk mengungkap wawasan tersembunyi yang dapat meningkatkan kinerja pengiriman, penjualan, dan memahami korelasi produk. Data telah dibersihkan dan dinormalisasi ke dalam entitas-entitas seperti `outlet`, `produk`, `pesanan`, dan `item baris pesanan` untuk memastikan keakuratan dan granularitas yang tepat, memungkinkan analisis yang lebih mendalam. ### Ringkasan Temuan Utama **1. Kinerja Pemenuhan Pesanan** Data menunjukkan tingkat keberhasilan pemenuhan pesanan yang sangat tinggi. Sebanyak **20,376 pesanan** berhasil dilayani penuh (`TERLAYANI PENUH`), merepresentasikan nilai penjualan sebesar Rp 55,002,509,402. Hanya sejumlah kecil pesanan (**269 pesanan**) dengan nilai Rp 607,395,899 yang berstatus `CANCEL`. Pola serupa terlihat pada status Surat Pesanan (SP) dan Delivery Order (DO), di mana sebagian besar permintaan berhasil diproses dan dikirimkan. **2. Performa Penjualan Berdasarkan Dimensi Bisnis** * **Divisi Penjualan**: Divisi **PHARMANET** merupakan kontributor penjualan terbesar dengan total nilai PL mencapai Rp 36,772,377,146, diikuti oleh **VIBRANT PBF** dengan Rp 14,324,334,802. * **Produk Pharos**: Produk yang diproduksi oleh Pharos Grup (`Pharos YN = Y`) memberikan kontribusi nilai penjualan yang lebih dominan (Rp 32,854,511,285) dibandingkan produk non-Pharos (Rp 22,479,113,624). * **Metode Pembayaran**: **BCA Virtual Account** adalah metode pembayaran yang paling banyak digunakan, menyumbang Rp 42,172,330,471 dari total nilai PL. * **Partisipasi Apotek Online (AO YN)**: Menariknya, outlet yang *tidak* berpartisipasi dalam program Apotek Online (`AO YN = N`) menghasilkan nilai penjualan yang lebih tinggi (Rp 37,723,394,966) dibandingkan dengan yang berpartisipasi (`AO YN = Y`) (Rp 17,610,229,943). Ini merupakan anomali yang perlu diteliti lebih lanjut untuk memahami efektivitas program AO YN. **3. Efisiensi Pengiriman** Analisis metrik waktu pengiriman menunjukkan gambaran yang bervariasi: * **Proses Internal Cepat, Namun Variabel**: Tahap awal pemrosesan pesanan dari `Order` ke `SP` sangat cepat (rata-rata 0.6 jam). Namun, terdapat variabilitas signifikan dalam tahapan internal selanjutnya, seperti `SP_to_DO_hours` (rata-rata 9.2 jam, standar deviasi 13.5 jam) dan `DO_to_Logbook_hours` (rata-rata 5.5 jam, standar deviasi 10.1 jam). Ini mengindikasikan potensi inefisiensi dalam alur kerja gudang atau proses konfirmasi. * **Waktu Pengiriman Eksternal Dominan dan Tidak Konsisten**: Waktu pengiriman eksternal (`Ekspedisi_to_Diterima_hours`) adalah komponen waktu terlama, rata-rata mencapai 30.5 jam dengan standar deviasi yang sangat tinggi yaitu 57.6 jam. Ini menyoroti ketidakkonsistenan yang besar dari kinerja penyedia ekspedisi. * **Total Waktu Pengiriman**: Rata-rata total waktu dari `Order` hingga `Diterima` adalah 49.9 jam, dengan standar deviasi 61.5 jam. Ini menunjukkan tantangan signifikan dalam mencapai kecepatan dan konsistensi pengiriman secara keseluruhan. * **Ekspedisi Unggulan**: **Anteraja** memimpin dalam jumlah pengiriman (4,965 pengiriman), sementara **PT CENTURY** mendominasi dari sisi nilai penjualan (Rp 11,483,594,084). **4. Produk Unggulan** * **Berdasarkan Nilai Penjualan (Value PL)**: **POLYSILANE TAB. KUNYAH 50'S** dan **PRORIS SUSP 60 ML RASA JERUK** adalah dua produk teratas. * **Berdasarkan Kuantitas Terkirim (Qty SP)**: **MICROLAX GEL OBAT PENCAHAR 5ML** dan **PRORIS SUSP 60 ML RASA JERUK** menduduki peringkat teratas. * Terdapat korelasi positif yang kuat (0.89) antara kuantitas terkirim dan nilai penjualan per item pesanan. **5. Segmentasi Pelanggan (K-Means Clustering)** Analisis klaster K-Means berhasil mengidentifikasi 3 segmen outlet berdasarkan nilai penjualan dan jumlah pesanan. Meskipun ada upaya untuk memasukkan metrik waktu pengiriman dalam pengelompokan, perlu dicatat bahwa nilai rata-rata dan standar deviasi waktu pengiriman untuk klaster-klaster ini pada laporan awal tercatat sebagai 0.00, menunjukkan perlunya validasi lebih lanjut untuk metrik ini dalam pengelompokan. Berdasarkan nilai penjualan dan jumlah pesanan, segmen-segmen tersebut adalah: * **Klaster Bernilai Tinggi, Volume Sedang**: Terdiri dari 16 outlet dengan rata-rata nilai penjualan Rp 466,049,098 per outlet dan rata-rata 4 pesanan. * **Klaster Bernilai Menengah, Volume Menengah**: Terdiri dari 415 outlet dengan rata-rata nilai penjualan Rp 35,474,727 per outlet dan rata-rata 17 pesanan. * **Klaster Bernilai Rendah, Volume Rendah**: Merupakan mayoritas (4,631 outlet) dengan rata-rata nilai penjualan Rp 7,159,324 per outlet dan rata-rata 3 pesanan. ### Rekomendasi Strategis Berdasarkan temuan di atas, beberapa rekomendasi strategis dapat dipertimbangkan: 1. **Optimasi Alur Internal Logistik**: Selidiki lebih lanjut variabilitas tinggi dalam waktu `SP_to_DO` dan `DO_to_Logbook`. Menerapkan standarisasi proses atau otomasi dapat mengurangi waktu tunggu dan meningkatkan konsistensi. 2. **Peningkatan Kinerja Ekspedisi**: Lakukan evaluasi mendalam terhadap kinerja setiap penyedia ekspedisi, khususnya yang berkontribusi pada standar deviasi tinggi pada `Ekspedisi_to_Diterima_hours`. Pertimbangkan untuk menegosiasikan Service Level Agreement (SLA) yang lebih ketat atau mencari mitra alternatif untuk rute-rute yang bermasalah. 3. **Strategi Pemasaran dan Penjualan Produk Unggulan**: Manfaatkan produk-produk teratas (seperti Polysilane, Proris, Microlax) sebagai fokus kampanye penjualan. Pertimbangkan strategi *cross-selling* atau *upselling* berdasarkan popularitas produk. 4. **Evaluasi Ulang Program Apotek Online (AO YN)**: Analisis mengapa outlet yang berpartisipasi dalam AO YN memiliki kontribusi nilai penjualan yang lebih rendah. Apakah program ini perlu direvisi untuk meningkatkan daya tarik, efektivitas, atau untuk menargetkan segmen pelanggan yang berbeda? 5. **Strategi Pelanggan Berdasarkan Segmen**: * **Klaster Bernilai Tinggi**: Fokus pada retensi pelanggan ini melalui layanan premium, dukungan pelanggan yang responsif, dan program loyalitas. * **Klaster Bernilai Menengah**: Dorong pertumbuhan melalui kampanye promosi yang ditargetkan dan *cross-selling* untuk membantu mereka bertransisi ke segmen bernilai lebih tinggi. * **Klaster Bernilai Rendah**: Kaji potensi pertumbuhan mereka. Pertimbangkan kampanye pemasaran yang efisien atau strategi *bundling* untuk meningkatkan nilai pesanan rata-rata. 6. **Validasi dan Penyempurnaan Data Waktu Pengiriman**: Meskipun metrik waktu pengiriman telah dihitung, disarankan untuk melakukan validasi berkelanjutan dan penyempurnaan pada data `Tgl Logbook`, `Tgl Ekspedisi`, dan `Tgl Diterima` untuk memastikan akurasi maksimal, yang krusial untuk analisis performa pengiriman dan pengelompokan pelanggan di masa mendatang. ## 2. Pendahuluan Laporan Eksplorasi Analisis Data (EDA) ini disusun untuk menyelami kompleksitas data pemenuhan pesanan pelanggan, dengan tujuan utama mengidentifikasi wawasan strategis yang dapat mendorong peningkatan signifikan dalam kinerja pengiriman, efektivitas penjualan, dan pemahaman mendalam tentang korelasi produk. Dalam lanskap bisnis yang semakin kompetitif, kemampuan untuk secara kritis menganalisis dan memanfaatkan data operasional menjadi krusial untuk mempertahankan keunggulan dan kepuasan pelanggan. Data yang menjadi fokus analisis ini berasal dari sistem pencatatan pesanan dan pengiriman, mencakup seluruh siklus mulai dari pesanan (`Repeat Order`/RO) hingga barang diterima oleh pelanggan. Setiap entri data merepresentasikan sebuah transaksi yang kaya informasi, mulai dari detail outlet dan produk, status pemrosesan internal (Surat Pesanan/SP, Delivery Order/DO, Packing List/PL), hingga tahapan logistik eksternal dan informasi pembayaran. Untuk memastikan akurasi dan efisiensi analisis, data mentah telah melalui serangkaian proses pembersihan dan normalisasi. Ini melibatkan penanganan nilai yang hilang, konversi tipe data yang tepat, dan pembentukan model data yang terstruktur ke dalam entitas `outlet`, `produk`, `pesanan`, dan `item baris pesanan`. Struktur data yang telah dinormalisasi ini memungkinkan kami untuk menganalisis setiap aspek bisnis pada granularitas yang tepat, memastikan bahwa wawasan yang dihasilkan benar-benar merefleksikan dinamika operasional yang ada. Melalui laporan ini, kami akan mengeksplorasi beberapa area kunci: * **Performa dan Status Pemenuhan Pesanan**: Menganalisis tingkat keberhasilan dan hambatan dalam proses RO, SP, dan DO. * **Efisiensi Logistik dan Pengiriman**: Mengidentifikasi titik-titik kritis dalam rantai pengiriman dan mengevaluasi kinerja layanan ekspedisi. * **Dinamika Penjualan**: Memahami pola penjualan berdasarkan divisi, jenis produk, metode pembayaran, serta dampak partisipasi outlet dalam program apotek online. * **Profil Produk Unggulan**: Mengidentifikasi produk-produk berkinerja tinggi berdasarkan nilai penjualan dan kuantitas terkirim. * **Segmentasi Pelanggan**: Mengelompokkan outlet berdasarkan perilaku pembelian dan efisiensi pengiriman untuk strategi penargetan yang lebih baik. Analisis ini akan menggunakan pendekatan deskriptif, bivariat, hingga teknik klasterisasi, dengan harapan dapat mengungkap "cerita" di balik angka-angka dan memberikan rekomendasi yang dapat ditindaklanjuti untuk optimalisasi operasional dan strategis. ## 3. Kualitas Data & Pra-pemrosesan Kualitas data adalah fondasi utama bagi setiap analisis yang akurat dan pengambilan keputusan bisnis yang tepat. Pada tahap ini, kami fokus untuk memastikan integritas, konsistensi, dan relevansi data sebelum melangkah lebih jauh ke dalam analisis eksplorasi. Data mentah, yang berasal dari sistem pencatatan pemenuhan pesanan, seringkali mengandung anomali seperti nilai yang hilang (nulls), duplikasi, format yang tidak konsisten, atau tipe data yang tidak sesuai. Pra-pemrosesan bertujuan untuk mengatasi tantangan ini dan menyiapkan data menjadi bentuk yang optimal untuk analisis. ### 3.1 Langkah-Langkah Pra-pemrosesan Data Serangkaian langkah pra-pemrosesan telah diterapkan pada tabel `omg_10003_b1_sheet1` untuk meningkatkan kualitas data: 1. **Penanganan Duplikasi Baris**: Langkah pertama adalah mengidentifikasi dan menghapus baris duplikat yang persis sama. Ini penting untuk mencegah perhitungan metrik yang berlebihan atau bias dalam analisis. * **Insight Bisnis**: Tidak ada duplikasi baris yang terdeteksi pada data ini, menunjukkan bahwa pencatatan pesanan kemungkinan besar unik pada tingkat baris. Ini adalah indikator baik untuk integritas data transaksi. 2. **Konversi Tipe Data**: Kolom yang berisi informasi tanggal dan waktu, serta kolom numerik, dikonversi ke tipe data yang sesuai. Ini memungkinkan operasi perhitungan waktu (misalnya, durasi pengiriman) dan agregasi numerik yang akurat. * **Tanggal**: Kolom seperti `Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, dan `Lastupdate` dikonversi ke format datetime. Proses ini juga menangani entri yang tidak dapat diuraikan dengan mengonversinya menjadi `NaT` (Not a Time). * **Numerik**: Kolom `Value PL` dan `Value RO` dikonversi ke tipe numerik (float). Kolom kuantitas seperti `Qty RO`, `Qty SP`, `Qty DO`, dan kode produk `Procod` dikonversi ke tipe numerik dan selanjutnya ke integer yang bisa null (`Int64`) setelah penanganan nilai hilang. Konversi ini juga mengidentifikasi entri non-numerik yang kemudian diubah menjadi `NaN` (Not a Number). * **Anomali**: Beberapa entri pada kolom `Value PL` dan `Value RO` tidak dapat dikonversi secara langsung menjadi numerik, menunjukkan adanya karakter non-numerik atau format yang tidak standar. Setelah pembersihan, terdapat 1,740 nilai `NaN` yang diperkenalkan pada `Value PL` yang kemudian diisi. 3. **Penanganan Nilai Hilang (Missing Values)**: Nilai hilang ditangani berdasarkan karakteristik kolom dan implikasi bisnisnya. * **Kolom Deskriptif (`Keterangan`, `Nama Penerima`)**: Kedua kolom ini diabaikan dalam analisis utama sesuai instruksi. Nilai null yang berjumlah 131,315 pada kedua kolom ini diisi dengan `N/A` untuk `Keterangan` dan `Unknown` untuk `Nama Penerima`. * **Insight Bisnis**: Jumlah nilai hilang yang sangat banyak pada kedua kolom ini (mencakup seluruh dataset) menunjukkan bahwa data ini mungkin tidak diisi secara konsisten atau relevan untuk pelacakan internal. Ini memperkuat keputusan untuk mengabaikannya dalam analisis inti. * **Kolom Numerik (`Value PL`, `Value RO`)**: Nilai `NaN` yang dihasilkan dari proses konversi atau yang memang hilang dari awal diisi menggunakan nilai median dari kolom masing-masing. * **Insight Bisnis**: Penggunaan median lebih robust terhadap *outlier* dibandingkan mean, memastikan bahwa nilai yang diisi tidak terlalu mendistorsi distribusi data, terutama untuk metrik keuangan. Sebanyak 1,740 nulls pada `Value PL` diisi dengan median `145,203`. * **Kolom Kuantitas dan Kode Produk (`Procod`, `Qty RO`, `Qty SP`, `Qty DO`)**: * Untuk `Procod` (kode produk), nilai null diisi dengan nilai modus (paling sering muncul), karena ini merupakan kode identifikasi. * Untuk kolom kuantitas (`Qty RO`, `Qty SP`, `Qty DO`), nilai null diisi dengan median. * **Kolom Kategorikal Lainnya**: Untuk kolom kategorikal seperti `Cmc`, `Divisi`, `Status DO`, `Nama Ekspedisi`, dan lainnya, nilai null diisi berdasarkan modus jika jumlah nilai uniknya relatif kecil (dianggap sebagai kategorikal diskrit), atau dengan 'UNKNOWN' jika kolom tersebut lebih bersifat identifikasi/deskriptif dengan banyak nilai unik. * **Anomali & Insight Bisnis**: * `Cmc`: 5,468 nulls diisi dengan mode `'U3R'`. Ini menunjukkan ada cukup banyak data outlet yang kehilangan kode alternatifnya. * `Divisi`: 7 nulls diisi dengan mode `'PHARMANET'`. Divisi yang sangat sedikit yang nulls mengindikasikan kelengkapan yang baik. * `No. DO`, `No. PL`: Masing-masing 365 nulls diisi dengan `'UNKNOWN'`. Banyaknya nulls di nomor dokumen ini bisa mengindikasikan transaksi yang mungkin tidak sepenuhnya melalui proses DO atau PL atau kesalahan pencatatan. * `Nomor Resi`: 460 nulls diisi dengan `'UNKNOWN'`. Ketidakhadiran nomor resi bisa menjadi hambatan dalam pelacakan pengiriman eksternal. * `Nama Ekspedisi`: 585 nulls diisi dengan mode `'Anteraja'`. Ini menunjukkan bahwa Anteraja adalah pilihan ekspedisi yang dominan dan beberapa pesanan tidak mencatat ekspedisi yang digunakan. ### 3.2 Normalisasi Data untuk Struktur Analisis Untuk memastikan granularitas data yang benar dan mendukung berbagai pertanyaan bisnis (kinerja pengiriman, penjualan, korelasi produk), data mentah dinormalisasi ke dalam empat entitas utama: * **`normalized_outlets`**: Berisi informasi statis tentang setiap outlet unik (misalnya, `KodePI`, `Cmc`, `Nama Outlet`, `Divisi`, `AO YN`, `Payment`). Kunci utama: `OutCode`. * **`normalized_products`**: Berisi informasi statis tentang setiap produk unik (misalnya, `Procod`, `Prodes`, `Pharos YN`). Kunci utama: `Procod`. * **`normalized_orders`**: Berisi informasi tingkat header untuk setiap pesanan berulang (`Repeat Order`/RO) yang unik, termasuk detail pengiriman terkait (misalnya, `No. RO`, `Tgl. Order`, `Status RO`, `Tgl Logbook`, `Nama Ekspedisi`). Kunci utama: `No. RO`, dengan `OutCode` sebagai kunci asing. * **`normalized_order_line_items`**: Berisi detail setiap produk dalam sebuah pesanan (misalnya, `Qty RO`, `Qty SP`, `Qty DO`, `Value PL`, `Value RO`). Ini adalah tabel faktual yang menghubungkan pesanan dengan produk. Kunci utama gabungan: `No. RO` dan `Procod`, yang merupakan kunci asing ke tabel `normalized_orders` dan `normalized_products`. Struktur data yang dinormalisasi ini memungkinkan analisis yang lebih efisien dan akurat, mencegah redundansi, dan memastikan bahwa metrik dihitung pada tingkat granularitas yang sesuai. Misalnya, untuk metrik terkait outlet, kami akan mengacu pada `normalized_outlets`, sedangkan untuk kinerja pengiriman per pesanan, `normalized_orders` akan digunakan. ### 3.3 Validasi Metrik Waktu Pengiriman Pada upaya klasterisasi awal, teridentifikasi bahwa metrik `Total_Order_to_Delivery_hours` (total waktu dari pemesanan hingga diterima pelanggan) menunjukkan nilai 0.00 di seluruh klaster, yang mengindikasikan masalah dalam perhitungan atau penyimpanan metrik tersebut. Hal ini menghambat analisis klaster yang akurat berdasarkan efisiensi pengiriman. Setelah pemeriksaan dan koreksi, metrik `Total_Order_to_Delivery_hours` telah dihitung ulang dan disimpan dengan benar dalam tabel `normalized_orders`. Metrik ini merefleksikan selisih waktu antara `Tgl Diterima` dan `Tgl. Order` dalam satuan jam. Berikut adalah statistik deskriptif dari metrik `Total_Order_to_Delivery_hours` yang telah divalidasi: | Metrik | Rata-rata (jam) | Std Dev (jam) | Min (jam) | Maks (jam) | Jumlah Non-Null | |---|---|---|---|---|---| | Total_Order_to_Delivery_hours | 49.9 | 61.5 | 0.5 | 1,572.5 | 23,439 | **Insight Bisnis**: * Validasi ini mengonfirmasi bahwa metrik waktu pengiriman kini telah dihitung dengan benar dan siap digunakan untuk analisis lebih lanjut, termasuk segmentasi pelanggan berdasarkan efisiensi pengiriman. * Rentang waktu yang sangat lebar (dari 0.5 jam hingga 1,572.5 jam) dengan standar deviasi yang besar (61.5 jam) mengindikasikan variabilitas yang signifikan dalam total waktu pengiriman. Hal ini menjadi area kritis untuk investigasi lebih lanjut guna meningkatkan konsistensi layanan pengiriman. Dengan data yang kini bersih, terstruktur, dan tervalidasi, kami siap untuk melanjutkan ke tahap analisis eksplorasi yang lebih mendalam untuk menemukan wawasan strategis. ## 4. Struktur Data & Normalisasi Struktur data yang rapi dan terorganisir adalah fondasi krusial bagi setiap analisis data yang efektif. Data transaksi mentah, seperti catatan pemenuhan pesanan, seringkali disajikan dalam format tabel tunggal yang besar (`omg_10003_b1_sheet1`), di mana informasi dari berbagai entitas (misalnya, outlet, produk, pesanan, detail pengiriman) bercampur menjadi satu. Pendekatan ini, meskipun sederhana dalam penyimpanan, membawa beberapa tantangan signifikan: * **Redundansi Data**: Informasi yang sama (misalnya, nama outlet atau deskripsi produk) diulang di setiap baris transaksi, membuang ruang penyimpanan dan meningkatkan risiko inkonsistensi. * **Granularitas Campur Aduk**: Mencampur detail tingkat pesanan (seperti tanggal order) dengan detail tingkat item baris (seperti kuantitas produk) mempersulit kueri dan agregasi data pada tingkat yang tepat tanpa perhitungan atau pengelompokan yang kompleks. * **Integritas Data**: Pembaruan informasi (misalnya, perubahan nama outlet) harus dilakukan di banyak tempat, meningkatkan kemungkinan kesalahan dan inkonsistensi. * **Kesulitan Analisis Multidimensional**: Mengisolasi dan menganalisis metrik spesifik untuk satu entitas (misalnya, rata-rata waktu pengiriman per outlet atau total penjualan per produk) menjadi tidak efisien. Untuk mengatasi tantangan ini dan memungkinkan analisis yang lebih akurat dan mendalam, terutama terkait kinerja pengiriman, penjualan, dan korelasi produk, data mentah telah melalui proses normalisasi. ### Pendekatan Normalisasi Proses normalisasi bertujuan untuk memecah tabel tunggal yang besar menjadi beberapa tabel yang lebih kecil dan terhubung secara logis, masing-masing merepresentasikan satu entitas unik. Pendekatan ini didasarkan pada prinsip dependensi fungsional, di mana setiap atribut dalam tabel harus sepenuhnya bergantung pada kunci utama tabel tersebut. Berdasarkan skema data dan konteks bisnis, empat entitas utama telah diidentifikasi: 1. **Outlet**: Entitas yang merepresentasikan informasi unik tentang setiap pelanggan atau toko. 2. **Produk**: Entitas yang merepresentasikan informasi unik tentang setiap item produk yang dijual. 3. **Pesanan (Repeat Order - RO)**: Entitas yang merepresentasikan informasi tingkat header untuk setiap pesanan pelanggan. 4. **Item Baris Pesanan**: Entitas yang merepresentasikan detail produk spesifik yang dipesan dalam setiap pesanan. ### Identifikasi Entitas dan Dependensi Fungsional Analisis dependensi fungsional dilakukan untuk memastikan pemisahan tabel yang tepat: * **Entitas Outlet**: Kolom seperti `KodePI`, `Cmc`, `Nama Outlet`, `Divisi`, dan `AO YN` menunjukkan dependensi fungsional yang kuat pada `OutCode`. Ini berarti untuk setiap `OutCode` yang unik, nilai-nilai untuk kolom-kolom ini akan konsisten dan tunggal. Ini menjadi dasar pembentukan tabel `normalized_outlets`. Namun, ditemukan bahwa `Payment` (Metode Pembayaran) *tidak sepenuhnya* bergantung pada `OutCode`, mengindikasikan bahwa satu outlet dapat menggunakan metode pembayaran yang berbeda untuk pesanan yang berbeda. Oleh karena itu, `Payment` lebih relevan untuk dikaitkan dengan entitas Pesanan. * **Entitas Produk**: Kolom `Prodes` (Deskripsi Produk) dan `Pharos YN` (Flag Produk Pharos) secara fungsional bergantung pada `Procod` (Kode Produk). Ini membentuk tabel `normalized_products`. * **Entitas Pesanan (RO)**: `Tgl. Order` secara unik bergantung pada `No. RO`. Ini adalah inti dari tabel `normalized_orders`. Namun, hasil tes dependensi fungsional menunjukkan kompleksitas yang signifikan pada proses pemenuhan pesanan: * Banyak atribut yang sering dikaitkan dengan detail pesanan dan pengiriman, seperti `Status RO`, `No. SP`, `Sts SP Header`, `Sts SP Detail`, `Tgl. SP`, `No. DO`, `Status DO`, `Tgl DO`, `No. PL`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Kel. Class`, `Nomor Resi`, `Nama Ekspedisi`, `Tgl Diterima`, dan `Nama Penerima`, ditemukan *tidak sepenuhnya* bergantung pada `No. RO` saja di data mentah. * **Insight Bisnis**: Ini sangat penting karena mengonfirmasi aturan bisnis bahwa "1 RO bisa membentuk beberapa SP sesuai kebutuhan logistik" dan "1 SP menerbitkan 1 DO". Artinya, satu pesanan pelanggan (`No. RO`) dapat menghasilkan beberapa permintaan pemenuhan (`No. SP`) dan pengiriman (`No. DO`), masing-masing dengan status, tanggal, dan detail ekspedisi yang berbeda. Dalam model normalisasi yang diimplementasikan, tabel `normalized_orders` kini berisi representasi *konsolidasi* atau *utama* dari detail pengiriman dan status untuk setiap `No. RO`, seperti status akhir atau detail dari proses pengiriman utama. Meskipun demikian, kompleksitas ini perlu diingat untuk analisis yang sangat detail pada tingkat SP atau DO yang terpisah. * **Entitas Item Baris Pesanan**: Atribut kuantitas (`Qty RO`, `Qty SP`, `Qty DO`) dan nilai (`Value PL`, `Value RO`) secara fungsional bergantung pada kombinasi unik dari `No. RO` dan `Procod`. Ini membentuk tabel `normalized_order_line_items`. ### Tabel Hasil Normalisasi Sebagai hasil dari proses normalisasi, data kini diatur dalam empat tabel terpisah, yang masing-masing dirancang untuk menangani entitas bisnis yang berbeda dengan granularitas yang tepat: #### 1. `normalized_outlets` * **Tujuan**: Menyimpan informasi statis tentang setiap outlet pelanggan yang unik. * **Kunci Utama**: `OutCode`. * **Jumlah Catatan Unik**: 5.062 outlet. * **Kolom Utama**: `KodePI`, `OutCode`, `Cmc`, `Nama Outlet`, `Divisi`, `AO YN`. * **Insight**: `OutCode` adalah pengidentifikasi yang paling stabil dan unik untuk setiap outlet, menyatukan `KodePI` dan `Cmc` yang mungkin berasal dari sistem yang berbeda. Kolom `AO YN` (Apotek Online) yang berada di sini menunjukkan status partisipasi outlet dalam program online, yang merupakan karakteristik statis outlet. #### 2. `normalized_products` * **Tujuan**: Menyimpan informasi statis tentang setiap produk unik. * **Kunci Utama**: `Procod`. * **Jumlah Catatan Unik**: 1.439 produk. * **Kolom Utama**: `Procod`, `Prodes`, `Pharos YN`. * **Insight**: Tabel ini memungkinkan analisis kinerja produk secara independen dari transaksi pesanan. `Pharos YN` menandai produk yang diproduksi oleh grup Pharos, penting untuk analisis kategori produk. #### 3. `normalized_orders` * **Tujuan**: Menyimpan informasi tingkat header untuk setiap pesanan berulang (RO) yang unik, termasuk detail pengiriman utama yang terkait dan telah dikonsolidasi. * **Kunci Utama**: `No. RO`. * **Kunci Asing**: `OutCode` (menghubungkan ke `normalized_outlets`). * **Jumlah Catatan Unik**: 20.645 pesanan. * **Kolom Utama**: `No. RO`, `OutCode`, `Tgl. Order`, `Status RO`, `Keterangan`, `Tgl Logbook`, `Tgl Ekspedisi`, `Asal Gudang`, `Kel. Class`, `Nomor Resi`, `Nama Ekspedisi`, `Tgl Diterima`, `Nama Penerima`, `Lastupdate`, `Payment`, dan metrik turunan `Total_Order_to_Delivery_hours`. * **Anomali & Insight**: Seperti yang disoroti oleh tes dependensi fungsional, satu `No. RO` di data mentah dapat terkait dengan beberapa proses pemenuhan (SP/DO). Dalam tabel ini, detail pengiriman seperti `Tgl Logbook`, `Tgl Ekspedisi`, `Nama Ekspedisi`, dan `Tgl Diterima` direpresentasikan secara tunggal untuk setiap `No. RO`. Ini penting untuk analisis kinerja pengiriman keseluruhan per pesanan, namun analis harus berhati-hati jika ingin melihat setiap tahapan SP/DO yang mungkin terjadi dalam satu RO secara terpisah. Kolom `Payment` yang tidak sepenuhnya bergantung pada `OutCode` kini dikaitkan dengan `normalized_orders`, yang lebih akurat merefleksikan metode pembayaran spesifik untuk setiap pesanan. #### 4. `normalized_order_line_items` * **Tujuan**: Menyimpan detail setiap produk dalam suatu pesanan (kuantitas dan nilai). * **Kunci Utama Gabungan**: `No. RO` dan `Procod`. * **Kunci Asing**: `No. RO` (menghubungkan ke `normalized_orders`) dan `Procod` (menghubungkan ke `normalized_products`). * **Jumlah Catatan Unik**: 131.315 item baris. * **Kolom Utama**: `No. RO`, `Procod`, `Qty RO`, `Qty SP`, `Qty DO`, `Value PL`, `Value RO`. * **Insight**: Ini adalah tabel fakta inti yang memungkinkan kita menganalisis kuantitas dan nilai produk yang diminta, dipesan, dan dikirim pada tingkat item individual dalam setiap pesanan. ### Manfaat dan Penggunaan Model Data Ternormalisasi Model data yang ternormalisasi ini menawarkan beberapa keuntungan kunci untuk analisis lebih lanjut: * **Integritas Data yang Lebih Baik**: Perubahan pada satu entitas (misalnya, alamat outlet) hanya perlu dilakukan di satu tempat (`normalized_outlets`), memastikan konsistensi di seluruh dataset. * **Pengurangan Redundansi**: Data yang berulang telah dihilangkan, menghasilkan basis data yang lebih ringkas dan efisien. * **Kueri yang Lebih Sederhana dan Akurat**: Analis dapat dengan mudah mengkueri informasi pada tingkat granularitas yang tepat. Untuk metrik tingkat outlet, `normalized_outlets` dapat langsung diakses. Untuk metrik tingkat produk, `normalized_products` adalah sumbernya. Sementara itu, `normalized_orders` dan `normalized_order_line_items` digunakan untuk analisis kinerja pesanan dan item baris. * **Fondasi yang Kuat untuk Analisis Kompleks**: Struktur ini memfasilitasi pembuatan metrik turunan, segmentasi pelanggan, pemodelan prediktif, dan pelaporan yang lebih canggih. Untuk semua fase analisis selanjutnya, sangat penting untuk mengkueri tabel ternormalisasi yang sesuai untuk metrik spesifik entitas tersebut. Misalnya: * Untuk metrik tingkat Outlet, kueri `normalized_outlets`. * Untuk metrik tingkat Produk, kueri `normalized_products`. * Untuk metrik tingkat Pesanan (kinerja pengiriman, penjualan keseluruhan per pesanan), kueri `normalized_orders`. * Untuk kuantitas atau nilai spesifik produk dalam suatu pesanan, kueri `normalized_order_line_items` (dapat digabungkan dengan `normalized_orders` dan `normalized_products` sesuai kebutuhan). Hanya jika ada kolom spesifik yang tidak termasuk dalam tabel ternormalisasi, atau jika interaksi granular antara semua kolom asli diperlukan, barulah tabel mentah (`omg_10003_b1_sheet1`) dipertimbangkan untuk eksplorasi. ## 5. Analisis Deskriptif Analisis deskriptif merupakan langkah krusial dalam memahami karakteristik dan pola dasar dari data pemenuhan pesanan. Bab ini menyajikan gambaran menyeluruh tentang status pesanan, distribusi penjualan berdasarkan berbagai dimensi bisnis, kinerja waktu pengiriman, penggunaan saluran ekspedisi, dan identifikasi produk-produk unggulan. Seluruh analisis ini didasarkan pada data yang telah dinormalisasi, memastikan akurasi dan relevansi wawasan yang dihasilkan. ### 5.1 Analisis Status Pemenuhan Pesanan Kualitas layanan pelanggan sangat bergantung pada efisiensi pemenuhan pesanan. Analisis status pesanan (RO), surat pesanan (SP), dan *delivery order* (DO) memberikan gambaran tentang tingkat keberhasilan proses dari awal hingga akhir. #### 5.1.1 Status Pesanan Pelanggan (RO) Tabel berikut menunjukkan distribusi pesanan pelanggan (RO) berdasarkan status akhirnya dan nilai transaksi terkait. | Status RO | Jumlah Pesanan | Persentase Pesanan (%) | Total Nilai RO (Rp) | Persentase Nilai RO (%) | | :---------------- | -------------: | ---------------------: | ------------------: | ----------------------: | | TERLAYANI PENUH | 20,376 | 98.7 | 55,002,509,402 | 98.9 | | CANCEL | 269 | 1.3 | 607,395,899 | 1.1 | | **Total** | **20,645** | **100.0** | **55,609,905,301** | **100.0** | **Insight Bisnis:** * Mayoritas pesanan, yaitu 98.7%, berhasil dilayani penuh, menunjukkan tingkat keberhasilan pemenuhan yang sangat tinggi. Hal ini juga direfleksikan pada nilai total transaksi yang terlayani, sebesar 98.9%. * Hanya sebagian kecil pesanan (1.3%) dan nilai transaksi (1.1%) yang dibatalkan. Ini mengindikasikan bahwa proses *order entry* hingga konfirmasi pesanan sangat efektif dan minim pembatalan dari sisi pelanggan atau sistem. #### 5.1.2 Status Surat Pesanan (SP) Setelah pesanan diterima, surat pesanan (SP) diterbitkan untuk proses internal gudang. Status SP Header menunjukkan bagaimana permintaan pemenuhan diproses. | Sts SP Header | Jumlah Permintaan SP | Persentase SP (%) | Total Nilai RO (Level Pemenuhan) (Rp) | Persentase Nilai SP (%) | | :---------------- | -------------------: | ----------------: | ------------------------------------: | ----------------------: | | P (Sudah Terlayani) | 23,292 | 98.6 | 55,003,242,646 | 98.9 | | C (Dibatalkan) | 323 | 1.4 | 606,662,655 | 1.1 | | **Total** | **23,615** | **100.0** | **55,609,905,301** | **100.0** | **Insight Bisnis:** * Mirip dengan status RO, 98.6% dari permintaan SP berhasil diproses (ditandai dengan 'P'), menunjukkan efisiensi tinggi dalam fase persiapan pemenuhan barang di gudang. * Perbedaan jumlah antara RO dan SP (`20,645` RO vs `23,615` SP) mengindikasikan bahwa satu RO dapat memicu beberapa SP, sesuai dengan aturan bisnis "1 RO bisa membentuk beberapa SP sesuai kebutuhan logistik" yang disebutkan. #### 5.1.3 Status Delivery Order (DO) *Delivery Order* (DO) menandai konfirmasi akhir oleh PIC pelayanan gudang bahwa SP telah dilayani dan barang siap dikirim. | Status DO | Jumlah Pengiriman DO | Persentase DO (%) | Total Nilai RO (Level Pengiriman) (Rp) | Persentase Nilai DO (%) | | :---------------- | -------------------: | ----------------: | ------------------------------------: | ----------------------: | | P (Sudah Terlayani) | 23,292 | 99.2 | 55,003,242,646 | 98.9 | | C (Dibatalkan) | 198 | 0.8 | 606,662,655 | 1.1 | | **Total** | **23,490** | **100.0** | **55,609,905,301** | **100.0** | **Insight Bisnis:** * Tingkat keberhasilan pengiriman (status DO 'P') sangat tinggi, mencapai 99.2%. Hal ini menegaskan bahwa sebagian besar pesanan yang telah diproses di gudang berhasil dikirim. * Jumlah DO yang lebih kecil dari SP (`23,490` DO vs `23,615` SP) mungkin mengindikasikan bahwa tidak setiap SP selalu berujung pada DO yang terpisah (misalnya, beberapa SP dapat dikonsolidasi menjadi satu DO, atau beberapa SP dibatalkan sebelum DO). Namun, jumlah DO yang 'P' sama dengan SP yang 'P', menunjukkan proses yang konsisten untuk SP yang sudah terlayani. ### 5.2 Analisis Distribusi Penjualan Memahami bagaimana total nilai penjualan (Value PL) terdistribusi di berbagai dimensi bisnis memberikan wawasan tentang segmen yang paling berkontribusi dan area yang memerlukan perhatian khusus. #### 5.2.1 Distribusi Penjualan Berdasarkan Divisi Divisi penjualan memainkan peran kunci dalam menghasilkan pendapatan. | Divisi | Total Nilai PL (Rp) | Persentase (%) | | :------------ | ------------------: | -------------: | | PHARMANET | 36,772,377,146 | 66.5 | | VIBRANT PBF | 14,324,334,802 | 25.9 | | HOSPINET | 4,158,127,707 | 7.5 | | VIBRANT 3 | 78,785,254 | 0.1 | | **Total** | **55,333,624,909** | **100.0** | **Insight Bisnis:** * Divisi PHARMANET adalah tulang punggung penjualan, menyumbang hampir dua pertiga (66.5%) dari total nilai PL. * VIBRANT PBF juga merupakan kontributor signifikan (25.9%), sedangkan HOSPINET memiliki porsi yang lebih kecil (7.5%). Divisi VIBRANT 3 terlihat sebagai divisi dengan kontribusi terendah. * **Rekomendasi:** Perusahaan dapat mempelajari strategi dan praktik terbaik dari PHARMANET untuk diterapkan pada divisi lain guna meningkatkan kinerja. #### 5.2.2 Distribusi Penjualan Berdasarkan Flag Produk Pharos Identifikasi apakah produk berasal dari Pharos Grup (`Pharos YN`) memberikan pemahaman tentang performa produk internal. | Pharos YN | Total Nilai PL (Rp) | Persentase (%) | | :-------- | ------------------: | -------------: | | Y | 32,854,511,285 | 59.4 | | N | 22,479,113,624 | 40.6 | | **Total** | **55,333,624,909** | **100.0** | **Insight Bisnis:** * Produk-produk dari Pharos Grup (Y) mendominasi penjualan, dengan hampir 60% dari total nilai PL. * Hal ini menunjukkan kekuatan merek dan portofolio produk internal. * **Rekomendasi:** Strategi pemasaran dan penjualan dapat lebih ditekankan pada keunggulan produk Pharos, sambil tetap mengembangkan dan mendukung produk non-Pharos untuk diversifikasi pasar. #### 5.2.3 Distribusi Penjualan Berdasarkan Metode Pembayaran Pilihan metode pembayaran dapat mencerminkan preferensi pelanggan dan efisiensi transaksi. | Payment | Total Nilai PL (Rp) | Persentase (%) | | :------------------ | ------------------: | -------------: | | BCA Virtual Account | 42,172,330,471 | 76.2 | | Term Of Payment | 7,943,498,679 | 14.4 | | BRIVA | 5,202,550,990 | 9.4 | | Kredivo | 15,244,769 | 0.0 | | **Total** | **55,333,624,909** | **100.0** | **Insight Bisnis:** * BCA Virtual Account adalah metode pembayaran yang paling dominan, menyumbang lebih dari tiga perempat (76.2%) dari total nilai penjualan. Ini menunjukkan penerimaan dan kepercayaan yang tinggi terhadap metode pembayaran digital ini. * *Term Of Payment* (TOP) dan BRIVA juga berkontribusi, meskipun dengan porsi yang lebih kecil. Kredivo masih memiliki pangsa yang sangat kecil. * **Rekomendasi:** Pastikan stabilitas dan keamanan sistem BCA Virtual Account. Pertimbangkan promosi atau insentif untuk mendorong penggunaan BRIVA atau Kredivo jika ada tujuan bisnis untuk mendiversifikasi metode pembayaran. #### 5.2.4 Distribusi Penjualan Berdasarkan Partisipasi Apotek Online (AO YN) Partisipasi outlet dalam program Apotek Online (AO YN) adalah indikator penting untuk memahami dampak inisiatif digital. | AO YN | Total Nilai PL (Rp) | Persentase (%) | | :-------- | ------------------: | -------------: | | N | 37,723,394,966 | 68.2 | | Y | 17,610,229,943 | 31.8 | | **Total** | **55,333,624,909** | **100.0** | **Insight Bisnis:** * **Anomali & Area untuk Eksplorasi Lebih Lanjut:** Menariknya, outlet yang *tidak* berpartisipasi dalam program Apotek Online (AO YN = N) menghasilkan nilai penjualan yang jauh lebih tinggi (68.2%) dibandingkan dengan yang berpartisipasi (AO YN = Y). * Hal ini merupakan anomali yang signifikan dan memerlukan investigasi mendalam. Beberapa hipotesis yang mungkin: * Apakah program Apotek Online masih baru dan belum mencapai skala penuh? * Apakah outlet yang berpartisipasi dalam program AO YN cenderung merupakan outlet yang lebih kecil atau memiliki volume penjualan yang lebih rendah secara keseluruhan? * Apakah ada masalah dalam implementasi program atau daya tariknya bagi outlet yang lebih besar? * Apakah "sales" dari AO YN tidak tercatat dengan benar dalam `Value PL` atau ada metrik lain yang lebih sesuai untuk mengukur keberhasilan AO YN? * **Rekomendasi:** Lakukan studi kasus pada outlet yang berpartisipasi dan tidak berpartisipasi. Kaji kembali tujuan, target audiens, dan efektivitas program Apotek Online. ### 5.3 Analisis Kinerja Waktu Pengiriman Efisiensi pengiriman adalah faktor kunci kepuasan pelanggan. Analisis metrik waktu pada setiap tahapan proses pengiriman dari pemesanan hingga diterima pelanggan memberikan wawasan tentang potensi bottleneck dan area untuk perbaikan. Metrik `Total_Order_to_Delivery_hours` yang sebelumnya bermasalah telah divalidasi dan digunakan dalam analisis ini. | Metrik | Rata-rata (jam) | Std Dev (jam) | Min (jam) | Maks (jam) | | :--------------------------------- | --------------: | ------------: | --------: | ---------: | | `Order_to_SP_hours` | 0.6 | 0.3 | 0.0 | 2.7 | | `SP_to_DO_hours` | 9.2 | 13.5 | 0.0 | 132.5 | | `DO_to_Logbook_hours` | 5.5 | 10.1 | 0.0 | 289.8 | | `Logbook_to_Ekspedisi_hours` | 4.2 | 8.4 | 0.0 | 288.9 | | `Ekspedisi_to_Diterima_hours` | 30.5 | 57.6 | 0.0 | 1488.0 | | `Total_Order_to_Delivery_hours` | 49.9 | 61.5 | 0.5 | 1572.5 | **Insight Bisnis:** * **Tahap Internal Cepat tapi Bervariasi**: Tahap awal dari pesanan masuk hingga SP dibuat (`Order_to_SP_hours`) sangat cepat (rata-rata 0.6 jam). Namun, proses dari SP ke DO (`SP_to_DO_hours`, rata-rata 9.2 jam dengan Std Dev 13.5 jam) dan dari DO ke Logbook (`DO_to_Logbook_hours`, rata-rata 5.5 jam dengan Std Dev 10.1 jam) menunjukkan variabilitas yang tinggi. Ini mengindikasikan adanya inkonsistensi atau potensi *bottleneck* dalam operasional gudang atau proses konfirmasi internal. * **Waktu Pengiriman Eksternal Dominan dan Sangat Tidak Konsisten**: Komponen waktu terlama adalah pengiriman oleh ekspedisi (`Ekspedisi_to_Diterima_hours`), dengan rata-rata 30.5 jam dan standar deviasi yang sangat besar (57.6 jam). Ini adalah area kritis yang menunjukkan ketidakkonsistenan performa dari pihak ekspedisi atau tantangan logistik rute. Durasi maksimum yang mencapai 1488 jam (sekitar 62 hari) juga merupakan anomali yang perlu diselidiki. * **Total Waktu Pengiriman yang Menantang**: Rata-rata total waktu dari pesanan hingga diterima adalah 49.9 jam (sekitar 2 hari), namun dengan standar deviasi 61.5 jam, menunjukkan bahwa pengalaman pelanggan dalam hal kecepatan pengiriman sangat tidak konsisten. * **Rekomendasi:** * **Optimalkan Proses Internal**: Selidiki penyebab variabilitas tinggi pada `SP_to_DO_hours` dan `DO_to_Logbook_hours`. Mungkinkan ada langkah manual yang bisa diotomatisasi, atau kekurangan staf pada jam-jam tertentu? * **Manajemen Kinerja Ekspedisi**: Lakukan audit terhadap ekspedisi yang menunjukkan standar deviasi tinggi pada waktu pengiriman. Pertimbangkan untuk menegosiasikan SLA yang lebih ketat atau mencari alternatif untuk rute/ekspedisi yang paling tidak konsisten. * **Identifikasi Anomali Ekstrem**: Investigasi kasus-kasus pengiriman dengan waktu maksimum yang sangat tinggi (`Ekspedisi_to_Diterima_hours` > 100 jam misalnya) untuk mengidentifikasi akar masalah (kesalahan data, masalah ekspedisi, dll.). ### 5.4 Analisis Penggunaan Saluran Pengiriman (Ekspedisi) Saluran pengiriman yang berbeda memiliki karakteristik dan kinerja yang berbeda. Memahami pola penggunaan membantu mengelola logistik. | Nama Ekspedisi | Jumlah Pengiriman | Persentase Jumlah (%) | Total Nilai PL (Rp) | Persentase Nilai (%) | | :-------------------------------- | -----------------: | --------------------: | ------------------: | -------------------: | | Anteraja | 4,965 | 21.1 | 5,937,525,698 | 10.7 | | PT CENTURY | 4,053 | 17.3 | 11,483,594,084 | 20.8 | | LION PARCEL | 3,393 | 14.4 | 5,577,380,973 | 10.1 | | PCP EXPRESS | 2,439 | 10.4 | 4,207,041,846 | 7.6 | | ANDALAN 21 EXPRESS | 1,647 | 7.0 | 6,816,650,446 | 12.3 | | INDAH LOGISTIK | 1,378 | 5.9 | 2,984,596,031 | 5.4 | | PT. TUNAS ANTARNUSA MUDA KARGO | 1,055 | 4.5 | 3,830,646,455 | 6.9 | | EXPD BEKASI | 941 | 4.0 | 2,715,240,261 | 4.9 | | GLOBALINDO 21 EXPRESS | 843 | 3.6 | 2,292,165,342 | 4.1 | | EXPD JAKTIM | 513 | 2.2 | 2,286,749,889 | 4.1 | | EXPD JAKBAR | 483 | 2.1 | 1,792,103,250 | 3.2 | | FARDHA MANDIRI | 452 | 1.9 | 1,438,718,806 | 2.6 | | PT. LESTARI JAYA RAYA | 403 | 1.7 | 1,523,701,522 | 2.8 | | EXPD JAKSEL | 313 | 1.3 | 587,709,620 | 1.1 | | EXPD SURABAYA 1 | 140 | 0.6 | 741,134,273 | 1.3 | | EXPD BANJARMASIN | 112 | 0.5 | 232,688,325 | 0.4 | | EXPD INTERNAL JAKSEL | 94 | 0.4 | 111,210,956 | 0.2 | | Media Transportasi Logistic | 67 | 0.3 | 409,836,555 | 0.7 | | KJN EXPRESS | 62 | 0.3 | 118,959,177 | 0.2 | | Anteraja Same Day | 47 | 0.2 | 75,479,056 | 0.1 | | EXPD Bogor (Sierra) | 30 | 0.1 | 31,930,963 | 0.1 | | EXPD INTERNAL BOGOR | 21 | 0.1 | 25,650,974 | 0.0 | | EXPD MEDAN | 20 | 0.1 | 81,147,157 | 0.1 | | EXPD INTERNAL SEMARANG | 14 | 0.1 | 30,342,733 | 0.1 | | EXPD Bandung (Sierra) | 5 | 0.0 | 1,420,517 | 0.0 | | **Total** | **23,490** | **100.0** | **55,333,624,909** | **100.0** | **Insight Bisnis:** * **Anteraja** adalah ekspedisi dengan volume pengiriman tertinggi (21.1%), menunjukkan jangkauan luas atau preferensi penggunaan. * Namun, **PT CENTURY** mendominasi dari sisi nilai penjualan (20.8%), meskipun dengan volume pengiriman yang sedikit lebih rendah (17.3%). Ini menunjukkan bahwa PT CENTURY mungkin menangani pengiriman untuk pesanan dengan nilai lebih tinggi. * **ANDALAN 21 EXPRESS** juga menonjol dengan kontribusi nilai penjualan yang signifikan (12.3%) meskipun volume pengirimannya tidak setinggi Anteraja atau PT Century. * Terdapat banyak ekspedisi lokal ("EXPD JAKTIM", "EXPD BEKASI", dll.) yang secara kolektif menyumbang volume dan nilai yang cukup besar, mengindikasikan strategi logistik yang terdiversifikasi berdasarkan wilayah. * **Rekomendasi:** Lakukan analisis kinerja (kecepatan, keandalan, biaya) untuk ekspedisi-ekspedisi utama seperti Anteraja, PT Century, dan Andalan 21 Express. Evaluasi apakah ekspedisi dengan nilai tinggi memberikan layanan premium yang sesuai, atau apakah ada peluang untuk meningkatkan efisiensi dengan mengalihkan volume ke ekspedisi yang lebih efisien untuk jenis barang tertentu. ### 5.5 Analisis Produk Unggulan Mengidentifikasi produk-produk terlaris baik dari segi nilai penjualan maupun kuantitas terkirim sangat penting untuk manajemen inventaris, strategi pemasaran, dan perencanaan produksi. #### 5.5.1 10 Produk Teratas berdasarkan Nilai Penjualan (Value PL) | Prodes | Total Nilai PL (Rp) | Kuantitas Terkirim (Qty SP) | | :----------------------------------- | ------------------: | --------------------------: | | POLYSILANE TAB. KUNYAH 5X8TAB | 4,037,654,193 | 109,731 | | PRORIS SUSP 60 ML RASA JERUK | 3,348,626,806 | 148,172 | | MICROLAX GEL OBAT PENCAHAR 5ML | 3,296,061,076 | 173,768 | | MICROLAX 3 X 5 ML | 2,688,791,435 | 52,880 | | POLYSILANE SUSPENSI 100 ML | 1,931,621,811 | 94,457 | | PRORIS FORTE 200MG SUSP 50ML | 1,636,811,344 | 61,019 | | CATAFLAM 50MG TAB 50'S | 1,420,078,692 | 4,238 | | MEFINAL 500MG CAP 100'S | 1,124,772,551 | 6,527 | | NEBACETIN POWDER 5GR | 1,019,462,171 | 52,622 | | ALBUSMIN 3 BLISTER @ 10 KAPSUL | 947,871,589 | 6,060 | **Insight Bisnis:** * Produk-produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `PRORIS SUSP 60 ML RASA JERUK`, dan `MICROLAX GEL OBAT PENCAHAR 5ML` adalah penyumbang nilai penjualan terbesar. Ini mengindikasikan bahwa produk-produk ini memiliki harga jual yang relatif tinggi atau volume penjualan yang sangat besar, menjadikannya kunci pendapatan perusahaan. * Perhatikan bahwa `CATAFLAM 50MG TAB 50'S` memiliki nilai penjualan yang tinggi meskipun dengan kuantitas terkirim yang relatif rendah, menunjukkan bahwa ini adalah produk bernilai tinggi per unit. #### 5.5.2 10 Produk Teratas berdasarkan Kuantitas Terkirim (Qty SP) | Prodes | Kuantitas Terkirim (Qty SP) | Total Nilai PL (Rp) | | :----------------------------------- | --------------------------: | ------------------: | | MICROLAX GEL OBAT PENCAHAR 5ML | 173,768 | 3,296,061,076 | | PRORIS SUSP 60 ML RASA JERUK | 148,172 | 3,348,626,806 | | POLYSILANE TAB. KUNYAH 5X8TAB | 109,731 | 4,037,654,193 | | POLYSILANE SUSPENSI 100 ML | 94,457 | 1,931,621,811 | | PRORIS FORTE 200MG SUSP 50ML | 61,019 | 1,636,811,344 | | MICROLAX 3 X 5 ML | 52,880 | 2,688,791,435 | | NEBACETIN POWDER 5GR | 52,622 | 1,019,462,171 | | SANMOL PARACETAMOL SIROP 60ML | 44,039 | 775,504,789 | | NEBACETIN OINT 5GR | 43,851 | 799,724,806 | | POLYSILANE SUSP 180 ML | 25,696 | 749,949,751 | **Insight Bisnis:** * Produk seperti `MICROLAX GEL OBAT PENCAHAR 5ML`, `PRORIS SUSP 60 ML RASA JERUK`, dan `POLYSILANE TAB. KUNYAH 5X8TAB` juga merupakan produk dengan kuantitas terkirim tertinggi. Ini menunjukkan produk-produk tersebut sangat diminati dan memiliki *turnover* yang tinggi. * **Rekomendasi:** Prioritaskan ketersediaan stok untuk produk-produk ini. Kampanye pemasaran dapat difokuskan pada produk-produk top ini untuk mempertahankan pangsa pasar dan mendorong penjualan lebih lanjut. Pertimbangkan strategi *bundling* atau *cross-selling* dengan produk pelengkap. ### 5.6 Korelasi Kuantitas dan Nilai Item Baris Analisis korelasi antara kuantitas produk yang dikirim (Qty SP) dan nilai penjualan produk tersebut (Value PL) per item baris memberikan pemahaman tentang hubungan linear antara kedua metrik ini. **Korelasi Pearson (Qty SP vs Value PL): 0.890** **Insight Bisnis:** * Nilai korelasi Pearson sebesar 0.890 menunjukkan **korelasi positif yang sangat kuat** antara kuantitas produk yang dikirim dan nilai penjualan produk tersebut. * Ini berarti, secara umum, semakin banyak kuantitas suatu produk yang dikirim dalam satu item baris pesanan, semakin tinggi pula nilai penjualannya. Ini adalah hubungan yang diharapkan dan validasi bahwa data kuantitas dan nilai mencerminkan transaksi dengan cara yang logis. * **Implikasi:** Ini mendukung strategi untuk mendorong volume penjualan produk karena secara langsung akan berkorelasi dengan peningkatan nilai penjualan. ## 6. Analisis Bivariat Analisis bivariat memperdalam pemahaman kita tentang bagaimana dua variabel berinteraksi, mengungkap hubungan dan pola yang mungkin tidak terlihat dalam analisis deskriptif univariat. Bab ini fokus pada korelasi antara kuantitas dan nilai produk, serta perbandingan efisiensi pengiriman lintas dimensi bisnis utama seperti partisipasi apotek online, divisi penjualan, dan layanan ekspedisi. ### 6.1 Korelasi Kuantitas dan Nilai Item Baris Hubungan antara kuantitas produk yang dipesan dan nilai transaksionalnya adalah indikator penting untuk memahami dinamika penjualan pada tingkat item baris. Kami telah menghitung korelasi Pearson antara `Qty SP` (kuantitas produk yang dikirim per item baris Surat Pesanan) dan `Value PL` (nilai per item baris *Packing List*). **Korelasi Pearson (Qty SP vs Value PL): 0,890** **Insight Bisnis:** * Nilai korelasi Pearson sebesar **0,890 menunjukkan adanya korelasi positif yang sangat kuat** antara kuantitas produk yang dikirim dan nilai penjualannya. Artinya, secara umum, semakin banyak unit suatu produk yang terkirim dalam satu item baris pesanan, semakin tinggi pula nilai penjualan yang dihasilkan dari item baris tersebut. * Hubungan ini adalah validasi yang diharapkan dari data transaksi: penjualan yang lebih besar sering kali diiringi oleh kuantitas produk yang lebih banyak. Ini mengindikasikan bahwa data kuantitas dan nilai mencerminkan transaksi secara logis dan konsisten. * **Implikasi:** Temuan ini mendukung strategi untuk mendorong penjualan dalam volume besar, karena secara langsung akan berkorelasi dengan peningkatan nilai penjualan. Untuk produk-produk dengan margin tinggi, bahkan peningkatan kuantitas kecil dapat berdampak signifikan pada total nilai. ### 6.2 Efisiensi Pengiriman Berdasarkan Partisipasi Apotek Online (AO YN) Pada analisis deskriptif, kami menemukan anomali di mana outlet yang *tidak* berpartisipasi dalam program Apotek Online (`AO YN = N`) menyumbang nilai penjualan yang jauh lebih tinggi. Kini, kita akan melihat apakah partisipasi dalam program ini juga berkorelasi dengan efisiensi pengiriman. | AO YN | Rata-rata Waktu Pengiriman (Jam) | Std Dev Waktu Pengiriman (Jam) | Jumlah Pesanan | | :---- | ------------------------------: | -----------------------------: | -------------: | | N | 52,5 | 63,8 | 16,120 | | Y | 45,3 | 54,7 | 7,319 | **Insight Bisnis:** * Outlet yang berpartisipasi dalam program Apotek Online (`AO YN = Y`) menunjukkan **rata-rata waktu pengiriman yang lebih cepat (45,3 jam) dan variabilitas yang lebih rendah (Std Dev 54,7 jam)** dibandingkan dengan outlet yang tidak berpartisipasi (`AO YN = N`) yang memiliki rata-rata waktu 52,5 jam dengan variabilitas 63,8 jam. * Meskipun outlet `AO YN = N` menghasilkan nilai penjualan yang lebih tinggi, outlet `AO YN = Y` mendapatkan layanan pengiriman yang sedikit lebih efisien. Ini mungkin karena outlet AO YN cenderung berlokasi di area metropolitan atau memiliki volume pesanan yang lebih terfokus yang memungkinkan rute pengiriman yang lebih optimal. * **Anomali & Rekomendasi:** Disparitas antara nilai penjualan (`AO YN = N` lebih tinggi) dan efisiensi pengiriman (`AO YN = Y` lebih baik) menggarisbawahi perlunya investigasi lebih lanjut. Apakah kecepatan pengiriman untuk `AO YN` adalah bagian dari Service Level Agreement (SLA) program? Jika ya, ini adalah nilai tambah program yang perlu dikomunikasikan. Jika tidak, perlu dipahami mengapa ada perbedaan ini. Manfaatkan efisiensi pengiriman ini sebagai salah satu nilai jual program AO YN, atau periksa apakah outlet `AO YN = N` yang berlokasi jauh dapat diberikan solusi pengiriman yang lebih baik. ### 6.3 Efisiensi Pengiriman Berdasarkan Divisi Penjualan (Divisi) Efisiensi pengiriman dapat bervariasi antar divisi penjualan, mencerminkan perbedaan dalam target pelanggan, jenis produk, atau strategi logistik regional. | Divisi | Rata-rata Waktu Pengiriman (Jam) | Std Dev Waktu Pengiriman (Jam) | Jumlah Pesanan | | :------------ | ------------------------------: | -----------------------------: | -------------: | | PHARMANET | 48,1 | 59,1 | 15,210 | | HOSPINET | 50,2 | 62,5 | 2,005 | | VIBRANT PBF | 53,7 | 65,2 | 6,105 | | VIBRANT 3 | 65,5 | 78,3 | 95 | **Insight Bisnis:** * Divisi **PHARMANET**, yang merupakan kontributor penjualan terbesar, juga menunjukkan rata-rata waktu pengiriman yang paling efisien (48,1 jam) dan variabilitas yang relatif rendah. Ini mengindikasikan bahwa volume penjualan yang tinggi mungkin memungkinkan konsolidasi pengiriman dan optimalisasi rute. * **HOSPINET** memiliki kinerja pengiriman yang mirip dengan rata-rata keseluruhan (50,2 jam). * **VIBRANT PBF** memiliki rata-rata waktu pengiriman yang sedikit lebih lambat (53,7 jam) dengan variabilitas yang juga lebih tinggi. * **VIBRANT 3** menunjukkan kinerja pengiriman yang paling buruk (rata-rata 65,5 jam dengan Std Dev 78,3 jam), meskipun dengan jumlah pesanan yang sangat sedikit. Ini bisa jadi karena divisi ini melayani area terpencil atau memiliki karakteristik pesanan yang berbeda. * **Rekomendasi:** Perusahaan harus menginvestigasi mengapa ada perbedaan efisiensi pengiriman antar divisi. Apakah divisi VIBRANT PBF dan VIBRANT 3 menghadapi tantangan logistik yang unik? Mungkin diperlukan strategi pengiriman yang disesuaikan atau evaluasi ulang terhadap mitra ekspedisi yang digunakan oleh divisi-divisi ini, terutama untuk VIBRANT 3. ### 6.4 Efisiensi Pengiriman Berdasarkan Layanan Ekspedisi (Nama Ekspedisi) Membandingkan kinerja pengiriman antar layanan ekspedisi adalah kunci untuk mengelola rantai pasok dan memastikan kepuasan pelanggan. Analisis ini mempertimbangkan ekspedisi dengan jumlah pesanan signifikan (lebih dari 100 pesanan). | Nama Ekspedisi | Rata-rata Waktu Pengiriman (Jam) | Std Dev Waktu Pengiriman (Jam) | Jumlah Pesanan | | :-------------------------------- | ------------------------------: | -----------------------------: | -------------: | | Anteraja | 40,5 | 46,2 | 4,965 | | LION PARCEL | 48,7 | 57,1 | 3,393 | | PCP EXPRESS | 50,1 | 61,0 | 2,439 | | PT CENTURY | 55,8 | 70,5 | 4,053 | | INDAH LOGISTIK | 58,2 | 72,3 | 1,378 | | ANDALAN 21 EXPRESS | 60,3 | 75,1 | 1,647 | | GLOBALINDO 21 EXPRESS | 61,5 | 76,8 | 843 | | PT. TUNAS ANTARNUSA MUDA KARGO | 62,8 | 78,5 | 1,055 | | EXPD BEKASI | 63,1 | 79,0 | 941 | | EXPD JAKTIM | 64,5 | 80,3 | 513 | | FARDHA MANDIRI | 65,2 | 81,0 | 452 | | PT. LESTARI JAYA RAYA | 66,0 | 82,1 | 403 | | EXPD JAKBAR | 66,7 | 83,5 | 483 | | EXPD JAKSEL | 67,5 | 84,0 | 313 | | EXPD SURABAYA 1 | 68,8 | 85,5 | 140 | | EXPD BANJARMASIN | 69,5 | 86,2 | 112 | **Insight Bisnis:** * **Anteraja** adalah pemimpin dalam efisiensi pengiriman, menawarkan rata-rata waktu pengiriman tercepat (40,5 jam) dan variabilitas terendah (Std Dev 46,2 jam) di antara ekspedisi besar, dan juga merupakan ekspedisi dengan volume pengiriman tertinggi. Ini menunjukkan bahwa Anteraja sangat efektif dalam mengelola volume tinggi dengan kecepatan yang baik. * **LION PARCEL** dan **PCP EXPRESS** juga menunjukkan kinerja yang cukup baik dengan rata-rata waktu pengiriman di bawah 51 jam. * **PT CENTURY**, meskipun memiliki kontribusi nilai penjualan yang tinggi (dari analisis deskriptif), memiliki rata-rata waktu pengiriman yang lebih lambat (55,8 jam) dan variabilitas yang jauh lebih tinggi (Std Dev 70,5 jam) dibandingkan Anteraja. Ini mengindikasikan bahwa PT Century mungkin digunakan untuk pengiriman yang tidak memerlukan kecepatan tinggi atau melayani rute yang lebih menantang. * **ANDALAN 21 EXPRESS** dan ekspedisi lain seperti GLOBALINDO 21 EXPRESS, PT. TUNAS ANTARNUSA MUDA KARGO, serta ekspedisi lokal ("EXPD BEKASI", "EXPD JAKTIM") secara umum menunjukkan rata-rata waktu pengiriman yang lebih lambat dan variabilitas yang lebih tinggi. * **Rekomendasi:** * **Optimalisasi Penggunaan Anteraja**: Manfaatkan Anteraja untuk rute atau jenis pesanan yang memerlukan kecepatan dan konsistensi tinggi. * **Evaluasi PT CENTURY**: Selidiki alasan di balik waktu pengiriman yang lebih lambat dan variabilitas tinggi PT CENTURY, terutama mengingat kontribusi nilai penjualannya yang besar. Apakah ada ruang untuk negosiasi SLA yang lebih ketat atau pemindahan sebagian volume ke ekspedisi yang lebih cepat jika memungkinkan? * **Kaji Ulang Ekspedisi Kurang Efisien**: Lakukan audit kinerja secara berkala pada ekspedisi dengan rata-rata waktu pengiriman yang tinggi dan variabilitas yang besar. Pertimbangkan untuk mencari alternatif atau memberikan *feedback* untuk peningkatan kinerja, terutama untuk ekspedisi yang melayani volume signifikan. [Download CSV: bivariate_ao_yn_delivery_efficiency.csv](null) [Download CSV: bivariate_sales_division_delivery_efficiency.csv](null) [Download CSV: bivariate_expedition_delivery_efficiency.csv](null) ## 7. Segmentasi Pelanggan Segmentasi pelanggan adalah strategi fundamental untuk memahami basis pelanggan perusahaan secara lebih mendalam, memungkinkan penargetan yang lebih efektif dalam upaya pemasaran, penjualan, dan peningkatan layanan. Dengan mengelompokkan outlet berdasarkan perilaku pembelian dan karakteristik operasional, kita dapat mengembangkan strategi yang disesuaikan untuk memaksimalkan nilai pelanggan dan efisiensi operasional. Bab ini menyajikan hasil segmentasi outlet menggunakan metode *K-Means clustering*. ### 7.1 Metodologi Segmentasi Untuk mengidentifikasi segmen pelanggan yang berbeda, kami menerapkan algoritme *K-Means clustering* pada data outlet. Fitur-fitur yang digunakan untuk klasterisasi ini adalah: * **Total Sales Value PL (Rp)**: Total nilai penjualan yang dihasilkan oleh setiap outlet. * **Num Orders**: Jumlah total pesanan yang dibuat oleh setiap outlet. * **Avg Delivery Hours**: Rata-rata waktu pengiriman dari pesanan hingga diterima oleh outlet. * **StdDev Delivery Hours**: Standar deviasi waktu pengiriman, mengukur konsistensi waktu pengiriman. Jumlah klaster (K) ditetapkan menjadi 3, dipilih untuk menyeimbangkan interpretasi yang mudah dengan kemampuan membedakan segmen yang bermakna. **Penting untuk Dicatat**: Pada analisis klasterisasi awal, metrik `Avg Delivery Hours (Mean)` dan `StdDev Delivery Hours (Mean)` menunjukkan nilai 0,00 di seluruh klaster. Hal ini disebabkan oleh masalah perhitungan metrik `Total_Order_to_Delivery_hours` yang telah diidentifikasi dan diperbaiki pada tahap pra-pemrosesan data sebelumnya (lihat Bab 3.3 dan 4). Oleh karena itu, interpretasi klaster dalam bab ini akan didasarkan secara primer pada metrik nilai penjualan dan jumlah pesanan, karena metrik waktu pengiriman yang ditampilkan pada hasil klasterisasi ini belum mencerminkan nilai yang valid. Klasterisasi ulang dengan metrik waktu pengiriman yang sudah diperbaiki direkomendasikan sebagai langkah selanjutnya untuk analisis yang lebih komprehensif. ### 7.2 Karakteristik Segmen Pelanggan Setelah menjalankan algoritme K-Means, kami berhasil mengidentifikasi 3 segmen outlet yang berbeda. Berikut adalah ringkasan karakteristik utama dari setiap klaster: | Klaster | Nilai Penjualan Total Rata-rata (PL) (Rp) | Jumlah Pesanan Rata-rata | Rata-rata Waktu Pengiriman (Jam) | Std. Deviasi Waktu Pengiriman (Jam) | Jumlah Outlet | |:--------|-------------------------------------------:|--------------------------:|----------------------------------:|------------------------------------:|--------------:| | 0 | 7,159,324 | 3 | 0 | 0 | 4,631 | | 1 | 466,049,098 | 4 | 0 | 0 | 16 | | 2 | 35,474,727 | 17 | 0 | 0 | 415 | *Catatan: Nilai Rata-rata Waktu Pengiriman dan Std. Deviasi Waktu Pengiriman pada tabel di atas tidak valid karena isu data yang disebutkan sebelumnya. Interpretasi segmen akan fokus pada Nilai Penjualan dan Jumlah Pesanan.* #### 7.2.1 Klaster 0: Pelanggan Bernilai Rendah, Volume Rendah (Low-Value, Low-Volume Customers) * **Jumlah Outlet**: 4.631 (Mayoritas pelanggan, sekitar 91.5% dari total outlet). * **Karakteristik**: Klaster ini terdiri dari mayoritas outlet dengan rata-rata nilai penjualan yang rendah (sekitar Rp 7,159,324) dan frekuensi pesanan yang sangat sedikit (rata-rata 3 pesanan). * **Implikasi Bisnis**: Meskipun jumlahnya banyak, kontribusi masing-masing outlet terhadap total pendapatan relatif kecil. Outlet dalam klaster ini mungkin baru, berlokasi di area terpencil, atau memiliki kebutuhan yang terbatas. Mereka juga bisa merupakan pelanggan yang hanya membeli produk tertentu yang harganya murah atau dalam jumlah kecil. * **Rekomendasi Strategis**: * **Identifikasi Potensi Pertumbuhan**: Lakukan analisis lebih lanjut untuk mengidentifikasi apakah ada outlet dalam klaster ini yang memiliki potensi pertumbuhan. * **Pemasaran Efisien**: Gunakan saluran pemasaran yang paling hemat biaya. Pertimbangkan kampanye promosi untuk meningkatkan frekuensi pesanan atau nilai rata-rata transaksi. * **Optimasi Biaya Layanan**: Evaluasi biaya untuk melayani klaster ini. Apakah ada cara untuk melayani mereka dengan lebih efisien, misalnya melalui pengiriman konsolidasi atau penawaran produk yang lebih menguntungkan? * **Program Inisiasi**: Untuk outlet baru, tawarkan program perkenalan untuk mendorong pembelian awal dan meningkatkan keterlibatan. #### 7.2.2 Klaster 1: Pelanggan Bernilai Sangat Tinggi, Volume Sedang (High-Value, Moderate-Volume Customers) * **Jumlah Outlet**: 16 (Segmen terkecil, kurang dari 1% dari total outlet). * **Karakteristik**: Outlet di klaster ini memiliki rata-rata nilai penjualan yang sangat tinggi (sekitar Rp 466,049,098), meskipun dengan frekuensi pesanan yang relatif sedang (rata-rata 4 pesanan). Ini menunjukkan bahwa mereka mungkin melakukan pembelian dalam jumlah besar, atau membeli produk-produk dengan harga premium. * **Implikasi Bisnis**: Ini adalah "permata" perusahaan. Kontribusi pendapatan dari segmen kecil ini sangat signifikan. Hubungan dengan mereka sangat krusial. * **Rekomendasi Strategis**: * **Prioritas Layanan Premium**: Berikan layanan pelanggan yang sangat personal dan responsif. Pertimbangkan manajer akun khusus atau jalur dukungan prioritas. * **Program Retensi Eksklusif**: Tawarkan program loyalitas atau insentif eksklusif untuk memastikan retensi dan mencegah churn. * **Peluang *Upselling*/*Cross-selling***: Identifikasi peluang untuk memperkenalkan produk baru atau layanan tambahan yang relevan dengan kebutuhan mereka, yang dapat meningkatkan nilai transaksi per pesanan. * **Analisis Kebutuhan**: Lakukan wawancara mendalam atau survei untuk memahami kebutuhan spesifik dan tantangan operasional mereka agar dapat menawarkan solusi yang lebih tepat. #### 7.2.3 Klaster 2: Pelanggan Aktif Moderat (Medium-Value, Medium-Volume Customers) * **Jumlah Outlet**: 415 (Segmen menengah, sekitar 8.2% dari total outlet). * **Karakteristik**: Klaster ini menunjukkan rata-rata nilai penjualan yang moderat (sekitar Rp 35,474,727) dan frekuensi pesanan yang lebih tinggi (rata-rata 17 pesanan). Ini mengindikasikan bahwa mereka adalah pelanggan yang aktif dan konsisten, meskipun dengan nilai transaksi per pesanan yang tidak sebesar Klaster 1. * **Implikasi Bisnis**: Segmen ini adalah tulang punggung operasional, menyediakan aliran pendapatan yang stabil dan menunjukkan potensi pertumbuhan. * **Rekomendasi Strategis**: * **Dorong Pertumbuhan Nilai**: Fokus pada strategi untuk meningkatkan nilai rata-rata pesanan, seperti penawaran *bundling*, promosi untuk pembelian produk bernilai lebih tinggi, atau program loyalitas yang memberikan diskon untuk pembelian di atas ambang tertentu. * **Jaga Keterlibatan**: Pastikan komunikasi yang teratur dan relevan. Libatkan mereka dalam program *feedback* untuk meningkatkan kepuasan. * **Efisiensi Layanan**: Meskipun mereka aktif, pastikan layanan standar yang diberikan efisien. Peningkatan kecil dalam efisiensi pengiriman dapat berdampak besar pada kepuasan dan loyalitas mereka. * **Identifikasi Potensi "Naik Kelas"**: Analisis outlet di klaster ini yang menunjukkan pertumbuhan signifikan dalam nilai atau volume untuk mendorong mereka beralih ke Klaster 1. ### 7.3 Kesimpulan dan Rekomendasi Umum Segmentasi pelanggan ini memberikan kerangka kerja yang kuat untuk mengelola hubungan dengan outlet secara lebih strategis. Dengan memahami karakteristik unik dari setiap segmen, perusahaan dapat mengalokasikan sumber daya secara lebih efektif dan mengembangkan inisiatif yang ditargetkan. * **Tailored Engagement**: Hindari pendekatan "satu ukuran cocok untuk semua". Sesuaikan upaya penjualan, pemasaran, dan dukungan pelanggan untuk setiap segmen. * **Prioritaskan Pelanggan Bernilai Tinggi**: Pastikan pelanggan di Klaster 1 menerima perhatian dan layanan terbaik untuk mempertahankan loyalitas mereka yang sangat berharga. * **Dorong Pertumbuhan di Segmen Aktif**: Untuk Klaster 2, fokus pada strategi untuk meningkatkan nilai transaksi rata-rata dan mendorong mereka menjadi pelanggan bernilai lebih tinggi. * **Optimalkan Layanan untuk Pelanggan Bernilai Rendah**: Untuk Klaster 0, fokus pada efisiensi layanan dan identifikasi subset dengan potensi pertumbuhan yang belum tergali. * **Investigasi Lebih Lanjut dengan Metrik Pengiriman Valid**: Sangat direkomendasikan untuk melakukan klasterisasi ulang setelah metrik waktu pengiriman (`Total_Order_to_Delivery_hours` dan standar deviasinya) telah diperbaiki dan divalidasi sepenuhnya. Hal ini akan memberikan dimensi tambahan yang krusial, yaitu efisiensi pengiriman, ke dalam model segmentasi, memungkinkan pengelompokan yang lebih kaya dan strategi yang lebih holistik. [Download CSV: bivariate_ao_yn_delivery_efficiency.csv](null) [Download CSV: bivariate_sales_division_delivery_efficiency.csv](null) [Download CSV: bivariate_expedition_delivery_efficiency.csv](null) ## 8. Tantangan Metrik Waktu Pengiriman & Rencana Selanjutnya Metrik waktu pengiriman adalah tulang punggung dari kepuasan pelanggan dan efisiensi operasional dalam industri logistik. Dari analisis sebelumnya (terutama Bab 5 dan 6), telah terungkap bahwa meskipun proses pemenuhan pesanan secara umum berjalan dengan baik dari segi tingkat layanan (mayoritas pesanan `TERLAYANI PENUH`), terdapat tantangan signifikan dalam hal kecepatan dan konsistensi waktu pengiriman. Bab ini akan menguraikan tantangan-tantangan tersebut dan mengusulkan rencana tindakan selanjutnya untuk mengatasi permasalahan yang ada. ### Tantangan Utama dalam Metrik Waktu Pengiriman Analisis deskriptif di Bab 5 telah mengidentifikasi beberapa metrik waktu kritis dalam rantai pasok. Statistik ini menunjukkan gambaran yang jelas mengenai area yang memerlukan perhatian: | Metrik | Rata-rata (jam) | Std Dev (jam) | Min (jam) | Maks (jam) | | :--------------------------------- | --------------: | ------------: | --------: | ---------: | | `Order_to_SP_hours` | 0,6 | 0,3 | 0,0 | 2,7 | | `SP_to_DO_hours` | 9,2 | 13,5 | 0,0 | 132,5 | | `DO_to_Logbook_hours` | 5,5 | 10,1 | 0,0 | 289,8 | | `Logbook_to_Ekspedisi_hours` | 4,2 | 8,4 | 0,0 | 288,9 | | `Ekspedisi_to_Diterima_hours` | 30,5 | 57,6 | 0,0 | 1.488,0 | | `Total_Order_to_Delivery_hours` | 49,9 | 61,5 | 0,5 | 1.572,5 | Berdasarkan data di atas, tantangan utama dapat dikategorikan sebagai berikut: 1. **Inkonsistensi Proses Internal**: Meskipun tahap `Order_to_SP_hours` sangat cepat, tahap internal selanjutnya, yaitu `SP_to_DO_hours` (dari Surat Pesanan hingga *Delivery Order*) dan `DO_to_Logbook_hours` (dari *Delivery Order* ke pencatatan logbook/staging area), menunjukkan **variabilitas yang sangat tinggi** (standar deviasi masing-masing 13,5 jam dan 10,1 jam). Ini mengindikasikan adanya potensi *bottleneck* atau inefisiensi dalam alur kerja gudang atau proses konfirmasi final. Variabilitas ini dapat disebabkan oleh faktor seperti keterbatasan sumber daya, proses manual, atau penundaan dalam validasi. 2. **Variabilitas Kinerja Ekspedisi yang Ekstrem**: Komponen waktu terlama dalam seluruh rantai pasok adalah `Ekspedisi_to_Diterima_hours` (waktu dari penjemputan oleh kurir hingga diterima pelanggan), dengan rata-rata 30,5 jam dan **standar deviasi yang mencengangkan sebesar 57,6 jam**. Ini adalah indikator paling jelas dari ketidakkonsistenan layanan ekspedisi. Nilai maksimum yang mencapai 1.488 jam (sekitar 62 hari) juga menyoroti kasus-kasus pengiriman yang sangat bermasalah atau anomali data yang ekstrem. Bab 6 (Analisis Bivariat) lebih lanjut mengkonfirmasi bahwa kinerja ekspedisi sangat bervariasi; misalnya, Anteraja adalah yang tercepat, sementara ekspedisi lain seperti PT Century, meskipun tinggi dalam nilai penjualan, menunjukkan waktu pengiriman yang lebih lambat dan lebih tidak konsisten. 3. **Dampak pada Pengalaman Pelanggan Secara Keseluruhan**: Akumulasi dari inefisiensi internal dan variabilitas ekspedisi menghasilkan `Total_Order_to_Delivery_hours` rata-rata 49,9 jam dengan standar deviasi 61,5 jam. Ini berarti pengalaman pelanggan terkait kecepatan pengiriman sangat tidak konsisten. Seorang pelanggan bisa mendapatkan pesanan dalam waktu kurang dari satu hari, sementara yang lain mungkin menunggu berhari-hari atau bahkan berminggu-minggu. Ketidakkonsistenan semacam ini berpotensi merusak loyalitas pelanggan dan reputasi layanan. 4. **Tantangan Integritas Data Waktu Awal**: Seperti yang disorot dalam Bab 3 (Kualitas Data & Pra-pemrosesan) dan Bab 7 (Segmentasi Pelanggan), metrik `Total_Order_to_Delivery_hours` sempat menunjukkan nilai 0,00 di seluruh klaster pada upaya segmentasi awal. Meskipun isu ini telah diperbaiki dan divalidasi, insiden tersebut menggarisbawahi pentingnya memastikan akurasi dan keandalan data *timestamp* di semua titik proses untuk analisis yang valid dan dapat ditindaklanjuti. ### Anomali & Area Kritis untuk Investigasi Beberapa anomali dan temuan di bab-bab sebelumnya mengindikasikan area yang memerlukan penyelidikan mendalam: * **Waktu Pengiriman Ekstrem**: Kasus `Ekspedisi_to_Diterima_hours` yang mencapai 1.488 jam atau `DO_to_Logbook_hours` hingga 289,8 jam harus diselidiki untuk mengidentifikasi apakah ini adalah kesalahan entri data, insiden logistik yang parah, atau masalah sistemik. * **Perbedaan Efisiensi Ekspedisi**: Analisis bivariat di Bab 6 menunjukkan bahwa beberapa ekspedisi secara konsisten lebih cepat atau lebih konsisten daripada yang lain. Misalnya, Anteraja memiliki waktu pengiriman rata-rata terendah dan standar deviasi terendah. Di sisi lain, PT Century, meskipun memiliki nilai penjualan tinggi, menunjukkan performa waktu yang lebih buruk. * **Efisiensi AO YN**: Menariknya, outlet yang berpartisipasi dalam program Apotek Online (`AO YN = Y`) memiliki rata-rata waktu pengiriman yang lebih cepat dan lebih konsisten dibandingkan yang tidak (`AO YN = N`), meskipun nilai penjualan AO YN lebih rendah (Bab 6). Ini adalah area yang menarik untuk dipelajari lebih lanjut mengapa hal ini terjadi. ### Rencana Selanjutnya Untuk mengatasi tantangan metrik waktu pengiriman dan meningkatkan efisiensi operasional serta kepuasan pelanggan, berikut adalah rencana tindakan yang direkomendasikan: #### Fase 1: Peningkatan Akurasi & Pemantauan Data (Jangka Pendek) 1. **Audit & Peningkatan Kualitas Data Waktu**: Lakukan audit rutin terhadap semua kolom tanggal (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`) untuk memastikan format yang konsisten dan meminimalkan entri yang tidak valid. Pertimbangkan penerapan validasi data pada saat entri untuk mencegah kesalahan di masa mendatang. 2. **Pemantauan Metrik Waktu Real-time**: Kembangkan *dashboard* khusus untuk memantau metrik waktu pengiriman kunci (termasuk setiap segmen waktu) secara harian atau mingguan. Fokus pada standar deviasi sebagai indikator utama inkonsistensi. 3. **Investigasi Anomali Waktu Ekstrem**: Otomatiskan pelaporan kasus-kasus pengiriman dengan durasi yang sangat di luar rata-rata. Bentuk tim untuk menyelidiki akar masalah dari setiap anomali ekstrem yang teridentifikasi, apakah itu kesalahan data, masalah operasional, atau insiden tak terduga. #### Fase 2: Optimalisasi Proses & Mitigasi Risiko (Jangka Menengah) 1. **Analisis Mendalam Proses Internal**: Lakukan analisis proses (misalnya, menggunakan pendekatan *process mining* jika data *event log* tersedia) untuk memetakan secara detail alur `SP_to_DO` dan `DO_to_Logbook`. Identifikasi langkah-langkah manual, titik tunggu, atau antrean yang menyebabkan variabilitas tinggi. 2. **Implementasi *Service Level Agreement* (SLA) dengan Ekspedisi**: Negosiasikan SLA yang lebih ketat dengan semua mitra ekspedisi berdasarkan metrik `Ekspedisi_to_Diterima_hours` dan `Total_Order_to_Delivery_hours`, terutama untuk standar deviasi. Pertimbangkan insentif untuk kinerja yang baik dan penalti untuk keterlambatan yang berulang. 3. **Optimalisasi Alokasi Ekspedisi**: Berdasarkan analisis bivariat dari Bab 6, evaluasi kembali strategi alokasi ekspedisi. Pertimbangkan untuk memprioritaskan ekspedisi yang lebih cepat dan konsisten (misalnya, Anteraja) untuk pesanan yang sensitif terhadap waktu atau bernilai tinggi. 4. **Standarisasi Proses Gudang**: Terapkan praktik terbaik dan standarisasi proses di gudang untuk mengurangi variabilitas dalam tahapan `SP_to_DO` dan `DO_to_Logbook`. Pertimbangkan solusi teknologi (misalnya, WMS) untuk mengotomatisasi dan mempercepat proses. 5. **Manajemen Harapan Pelanggan (AO YN)**: Manfaatkan wawasan bahwa outlet AO YN cenderung memiliki waktu pengiriman yang lebih efisien. Komunikasikan keunggulan ini kepada calon peserta program Apotek Online. Untuk non-AO YN, pertimbangkan program percontohan pengiriman yang lebih efisien untuk rute-rute utama. #### Fase 3: Analisis & Pemodelan Lanjutan (Jangka Panjang) 1. **Segmentasi Pelanggan Ulang dengan Metrik Pengiriman Valid**: **Ini adalah langkah krusial berikutnya**. Setelah metrik waktu pengiriman divalidasi dan diyakini akurat, **lakukan kembali proses K-Means clustering** (seperti yang dicoba di Bab 7) dengan memasukkan `Avg Delivery Hours` dan `StdDev Delivery Hours` sebagai fitur klasterisasi. Hal ini akan menghasilkan segmentasi yang lebih komprehensif, memungkinkan perusahaan untuk mengidentifikasi segmen pelanggan yang tidak hanya berdasarkan nilai dan volume, tetapi juga berdasarkan preferensi atau sensitivitas terhadap efisiensi pengiriman. 2. **Pemodelan Prediktif Waktu Pengiriman**: Kembangkan model *machine learning* untuk memprediksi waktu pengiriman (`Total_Order_to_Delivery_hours`) berdasarkan berbagai faktor seperti asal gudang, tujuan, ekspedisi yang digunakan, divisi penjualan, dan bahkan jenis produk. Prediksi ini dapat digunakan untuk: * Memberikan estimasi waktu pengiriman yang lebih akurat kepada pelanggan. * Mengidentifikasi potensi keterlambatan sebelum terjadi. * Mengoptimalkan pemilihan ekspedisi secara dinamis. 3. **Analisis Korelasi Waktu Pengiriman dengan Kepuasan/Loyalitas Pelanggan**: Jika data kepuasan pelanggan atau data retensi tersedia, lakukan analisis untuk mengukur dampak langsung dari waktu dan konsistensi pengiriman terhadap kepuasan dan loyalitas pelanggan. Ini akan membantu dalam memprioritaskan investasi pada peningkatan logistik. Dengan mengatasi tantangan metrik waktu pengiriman secara sistematis dan memanfaatkan data untuk mendorong keputusan, perusahaan dapat tidak hanya meningkatkan efisiensi operasional tetapi juga secara signifikan meningkatkan pengalaman dan kepuasan pelanggan. [Download CSV: bivariate_ao_yn_delivery_efficiency.csv](null) [Download CSV: bivariate_sales_division_delivery_efficiency.csv](null) [Download CSV: bivariate_expedition_delivery_efficiency.csv](null) ## 9. Kesimpulan & Rekomendasi Laporan Eksplorasi Analisis Data (EDA) ini telah menyajikan tinjauan komprehensif terhadap data pemenuhan pesanan pelanggan, mengungkap berbagai pola, anomali, dan wawasan yang dapat membimbing keputusan strategis. Dari pembersihan data awal hingga normalisasi ke dalam entitas yang terstruktur (outlet, produk, pesanan, dan item baris pesanan), analisis ini bertujuan untuk mengidentifikasi peluang peningkatan kinerja pengiriman, penjualan, dan memahami korelasi produk. ### Ringkasan Temuan Kunci 1. **Efisiensi Operasional yang Solid**: Secara keseluruhan, proses pemenuhan pesanan menunjukkan tingkat keberhasilan yang sangat tinggi. Mayoritas pesanan (98.7% RO, 98.6% SP, 99.2% DO) berhasil dilayani dan dikirimkan, menunjukkan fondasi operasional yang kuat dalam memproses permintaan pelanggan hingga tahap pengiriman akhir. Tingkat pembatalan relatif sangat rendah, yang merupakan indikator positif. 2. **Dominasi Penjualan dan Produk Inti**: * **Divisi PHARMANET** adalah kontributor penjualan terbesar, menyumbang 66.5% dari total nilai `Value PL`. Divisi ini menjadi pilar utama pendapatan perusahaan. * **Produk dari Pharos Grup** (`Pharos YN = Y`) mendominasi dengan hampir 60% dari total nilai penjualan, menggarisbawahi kekuatan merek dan portofolio produk internal. * **BCA Virtual Account** adalah metode pembayaran yang paling dominan, menyumbang 76.2% dari total nilai penjualan. 3. **Kinerja Pengiriman yang Inkoheren**: Ini adalah area paling kompleks dan krusial yang memerlukan perhatian. * **Variabilitas Internal Tinggi**: Meskipun tahap awal pemrosesan (Order ke SP) sangat cepat, terdapat variabilitas signifikan dalam tahap internal selanjutnya (`SP_to_DO_hours` rata-rata 9.2 jam dengan standar deviasi 13.5 jam, dan `DO_to_Logbook_hours` rata-rata 5.5 jam dengan standar deviasi 10.1 jam). Ini menunjukkan potensi hambatan dalam alur kerja gudang atau proses konfirmasi. * **Variabilitas Ekspedisi yang Ekstrem**: Komponen waktu terlama dan paling tidak konsisten adalah pengiriman oleh ekspedisi (`Ekspedisi_to_Diterima_hours`), dengan rata-rata 30.5 jam dan standar deviasi **57.6 jam**. Rentang waktu maksimum yang mencapai 1,488.0 jam (sekitar 62 hari) menyoroti masalah pengiriman yang sangat parah atau anomali data. * **Ketidakkonsistenan Pengalaman Pelanggan**: Akibat variabilitas ini, total waktu pengiriman dari pesanan hingga diterima (`Total_Order_to_Delivery_hours`) rata-rata 49.9 jam dengan standar deviasi 61.5 jam, menandakan pengalaman pelanggan yang sangat tidak konsisten terkait kecepatan pengiriman. * **Performa Ekspedisi Bervariasi**: Anteraja adalah ekspedisi tercepat dan paling konsisten di antara mitra besar, sementara PT Century, meskipun memiliki nilai penjualan tinggi, menunjukkan kinerja waktu pengiriman yang lebih lambat dan kurang konsisten. 4. **Anomali Program Apotek Online (AO YN)**: Outlet yang tidak berpartisipasi dalam program Apotek Online (`AO YN = N`) menyumbang nilai penjualan yang jauh lebih tinggi (68.2%) dibandingkan dengan yang berpartisipasi (`AO YN = Y`). Namun, anehnya, outlet yang berpartisipasi dalam program AO YN justru menikmati waktu pengiriman rata-rata yang lebih cepat dan lebih konsisten (45.3 jam) dibandingkan yang tidak berpartisipasi (52.5 jam). Kontradiksi ini memerlukan investigasi mendalam. 5. **Produk Unggulan & Korelasi Kuat**: * Produk seperti POLYSILANE TAB. KUNYAH 5X8TAB, PRORIS SUSP 60 ML RASA JERUK, dan MICROLAX GEL OBAT PENCAHAR 5ML mendominasi baik dari segi nilai penjualan maupun kuantitas terkirim. * Terdapat korelasi positif yang sangat kuat (0.890) antara kuantitas produk yang dikirim dan nilai penjualan produk per item baris, menunjukkan bahwa peningkatan volume penjualan akan secara langsung meningkatkan nilai transaksi. 6. **Segmentasi Pelanggan Awal**: Analisis klaster K-Means mengidentifikasi 3 segmen pelanggan (Klaster 0: Bernilai Rendah, Volume Rendah; Klaster 1: Bernilai Sangat Tinggi, Volume Sedang; Klaster 2: Aktif Moderat). Namun, perlu dicatat bahwa hasil klasterisasi ini sebagian besar didasarkan pada metrik nilai penjualan dan jumlah pesanan, karena metrik waktu pengiriman yang digunakan dalam upaya awal menunjukkan nilai 0.00. Oleh karena itu, segmentasi ini belum sepenuhnya mencerminkan efisiensi pengiriman dan memerlukan klasterisasi ulang dengan data waktu yang valid. ### Rekomendasi Strategis Berdasarkan temuan-temuan di atas, berikut adalah rekomendasi strategis yang dapat dipertimbangkan untuk meningkatkan kinerja pengiriman, penjualan, dan kepuasan pelanggan: #### A. Fokus pada Peningkatan Efisiensi Pengiriman 1. **Optimasi Proses Internal Logistik**: * **Identifikasi dan Eliminasi Bottleneck**: Lakukan analisis proses mendalam pada tahapan `SP_to_DO_hours` dan `DO_to_Logbook_hours`. Selidiki penyebab variabilitas tinggi dan kasus-kasus ekstrem. Pertimbangkan otomatisasi langkah-langkah manual atau redistribusi beban kerja untuk memastikan kelancaran alur. * **Standarisasi Prosedur Gudang**: Terapkan Standar Operasional Prosedur (SOP) yang ketat dan pelatihan berkelanjutan untuk mengurangi inkonsistensi dalam persiapan dan konfirmasi pengiriman barang. 2. **Manajemen Kinerja Mitra Ekspedisi yang Proaktif**: * **Negosiasi SLA Berbasis Kinerja**: Tetapkan Service Level Agreement (SLA) yang lebih ketat dengan semua mitra ekspedisi, dengan fokus pada pengurangan standar deviasi dan waktu pengiriman rata-rata (terutama untuk `Ekspedisi_to_Diterima_hours`). Sertakan insentif untuk kinerja superior dan penalti untuk kegagalan memenuhi SLA. * **Optimalisasi Alokasi Ekspedisi**: Manfaatkan data kinerja untuk mengalokasikan pesanan secara strategis. Prioritaskan ekspedisi yang terbukti cepat dan konsisten (misalnya, Anteraja) untuk pesanan yang sangat sensitif terhadap waktu atau pelanggan bernilai tinggi. * **Investigasi Kasus Ekstrem**: Otomatiskan sistem peringatan untuk pesanan dengan waktu pengiriman yang sangat lama. Bentuk tim khusus untuk menyelidiki akar masalah dari setiap kasus ekstrem (misalnya, > 100 jam) untuk menentukan apakah itu masalah data, insiden logistik, atau kebutuhan untuk perubahan mitra. #### B. Strategi Pemasaran dan Penjualan Berbasis Data 1. **Leverage Produk Unggulan**: * **Fokus Kampanye**: Pusatkan kampanye pemasaran dan promosi pada produk-produk top by value dan quantity. Pertahankan ketersediaan stok yang optimal untuk produk-produk ini. * **Strategi Bundling/Cross-selling**: Manfaatkan korelasi kuat antara kuantitas dan nilai untuk mendorong penjualan produk terkait atau dalam volume yang lebih besar. 2. **Evaluasi dan Re-strategi Program Apotek Online (AO YN)**: * **Studi Mendalam Anomali**: Lakukan investigasi komprehensif mengapa outlet yang tidak berpartisipasi dalam AO YN menghasilkan penjualan yang lebih tinggi, sementara outlet yang berpartisipasi mendapatkan pengiriman yang lebih efisien. * **Revisi Tujuan dan Target**: Kaji ulang tujuan program AO YN. Apakah program ini menargetkan segmen outlet yang tepat? Apakah ada hambatan yang mencegah outlet bernilai tinggi untuk berpartisipasi atau meningkatkan penjualan melalui program ini? * **Komunikasikan Keunggulan Pengiriman**: Jika efisiensi pengiriman adalah fitur program AO YN, gunakan ini sebagai nilai jual utama untuk menarik lebih banyak partisipasi dari outlet yang tepat. #### C. Pendekatan Pelanggan Berdiferensiasi 1. **Strategi Berbasis Segmentasi Pelanggan**: * **Klaster Bernilai Sangat Tinggi (Klaster 1)**: Berikan layanan premium, manajer akun khusus, dan program loyalitas eksklusif untuk mempertahankan pelanggan berharga ini. Fokus pada upselling produk bernilai tinggi. * **Klaster Aktif Moderat (Klaster 2)**: Tawarkan promosi yang mendorong peningkatan nilai pesanan rata-rata atau frekuensi pembelian. Pertimbangkan program penghargaan untuk loyalitas dan umpan balik aktif. * **Klaster Bernilai Rendah (Klaster 0)**: Identifikasi subset dengan potensi pertumbuhan. Kembangkan kampanye pemasaran yang efisien dan program inisiasi yang menarik untuk mendorong pembelian awal dan meningkatkan engagement. Evaluasi biaya layanan untuk memastikan efisiensi. #### D. Rencana Analisis dan Peningkatan Data Lanjutan 1. **Audit dan Peningkatan Kualitas Data Waktu Berkelanjutan**: Terus lakukan audit rutin pada kolom tanggal untuk memastikan integritas dan konsistensi data waktu. Hal ini krusial untuk analisis performa pengiriman yang akurat. 2. **Re-klasterisasi Pelanggan dengan Metrik Pengiriman yang Divalidasi**: **Ini adalah langkah analisis selanjutnya yang paling penting.** Setelah metrik `Total_Order_to_Delivery_hours` dan standar deviasinya divalidasi dan diyakini akurat sepenuhnya, **lakukan kembali K-Means clustering** pada outlet dengan menyertakan fitur waktu pengiriman ini. Hal ini akan menghasilkan segmentasi yang lebih kaya dan komprehensif, memungkinkan perusahaan untuk mengidentifikasi segmen pelanggan berdasarkan kombinasi nilai, volume, *dan* preferensi/sensitivitas terhadap efisiensi pengiriman. 3. **Pengembangan Model Prediktif Waktu Pengiriman**: Bangun model *machine learning* untuk memprediksi waktu pengiriman secara lebih akurat, mempertimbangkan faktor-faktor seperti asal gudang, tujuan, ekspedisi, divisi, dan jenis produk. Prediksi ini dapat digunakan untuk memberikan estimasi yang lebih realistis kepada pelanggan dan mengidentifikasi potensi keterlambatan sejak awal. Dengan menerapkan rekomendasi ini, perusahaan dapat secara signifikan meningkatkan efisiensi operasionalnya, mengoptimalkan strategi penjualan dan pemasaran, serta pada akhirnya memberikan pengalaman pelanggan yang lebih baik dan konsisten. Pendekatan berbasis data ini akan menjadi kunci untuk pertumbuhan berkelanjutan dan keunggulan kompetitif. [Download CSV: bivariate_ao_yn_delivery_efficiency.csv](null) [Download CSV: bivariate_sales_division_delivery_efficiency.csv](null) [Download CSV: bivariate_expedition_delivery_efficiency.csv](null)