# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Laporan Analisis Data Eksploratif ini bertujuan untuk menggali wawasan tersembunyi dari data pemenuhan pesanan pelanggan PT. Pharos, periode 1 hingga 30 Juni 2026. Analisis ini fokus pada peningkatan performa kinerja, penjualan, dan identifikasi korelasi bisnis terhadap produk, dengan pendekatan kritis terhadap kualitas data dan temuan. Secara keseluruhan, dataset mencakup 131,315 catatan pesanan. Mayoritas pesanan, yaitu 129,575 (98.7%), berhasil dipenuhi sepenuhnya (Status RO: TERLAYANI PENUH), dengan total nilai pesanan mencapai Rp 55,080,971,689. Tingkat pembatalan pesanan (Status RO: CANCEL) relatif rendah, hanya 1,740 pesanan (1.3%) dengan nilai Rp 528,933,612. Ini menunjukkan efisiensi operasional yang tinggi dalam memenuhi pesanan pelanggan secara umum. **Performa Utama Outlet dan Produk** Beberapa outlet menunjukkan kontribusi nilai pesanan yang signifikan. Berikut adalah 10 outlet teratas berdasarkan nilai pesanan (Value RO): | Nama Outlet | Total Value RO (Rp) | Total Qty RO | |:-------------------------------|--------------------:|-------------:| | TEKNOLOGI MEDIKA PRATAMA, PT | 1,606,912,097 | 49,929 | | SAKAJAJA MAKMUR ABADI, PT | 799,078,128 | 36,361 | | BAHTERA SEHAT SEJAHTERA, PT | 659,882,436 | 24,533 | | CARMELLA GUSTAVINDO, PT | 624,706,276 | 21,578 | | EVA SURYA PRATAMA PT | 597,144,492 | 20,746 | | SEMPURNA MITRA PERKASA, PT | 524,622,659 | 18,967 | | LESTARI JAYA SEJAHTERA, PT | 373,611,824 | 11,802 | | PODO MEKAR JAYA SENTOSA, PT | 368,541,248 | 14,230 | | IKON SURABAYA FARMAMART, PT | 359,560,284 | 13,738 | | BIMA SAKTI MEDICA, PT | 333,473,893 | 10,637 | Dari sisi produk, ada beberapa SKU yang mendominasi penjualan. Berikut adalah 10 produk teratas berdasarkan nilai pesanan (Value RO): | Prodes | Total Value RO (Rp) | Total Qty RO | |:-----------------------------------|--------------------:|-------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 4,038,741,140 | 110,380 | | PRORIS SUSP 60 ML RASA JERUK | 3,354,936,937 | 149,143 | | MICROLAX GEL OBAT PENCAHAR 5ML | 3,321,664,117 | 175,365 | | MICROLAX 3 X 5 ML | 2,692,334,063 | 52,995 | | POLYSILANE SUSPENSI 100 ML | 1,936,956,554 | 94,808 | | PRORIS FORTE 200MG SUSP 50ML | 1,640,458,155 | 61,213 | | CATAFLAM 50MG TAB 50'S | 1,446,660,391 | 4,359 | | MEFINAL 500MG CAP 100'S | 1,140,834,053 | 6,680 | | NEBACETIN POWDER 5GR | 1,018,609,407 | 52,669 | | ALBUSMIN 3 BLISTER @ 10 KAPSUL | 953,507,313 | 6,117 | **Wawasan Produk dan Saluran** Analisis terhadap produk Pharos (diproduksi oleh PT. Pharos) dan non-Pharos menunjukkan bahwa produk Pharos (Y) berkontribusi sebesar Rp 33,085,676,228 dari 59,301 pesanan, sedangkan produk non-Pharos (N) berkontribusi Rp 22,524,229,073 dari 72,014 pesanan. Ini mengindikasikan bahwa meskipun jumlah pesanan produk non-Pharos lebih banyak, produk Pharos memiliki nilai rata-rata per pesanan yang lebih tinggi. ```mermaid pie title "Total Value RO by Pharos YN" "Non-Pharos": 22524229073.0 "Pharos": 33085676228.0 ``` Sementara itu, partisipasi outlet dalam program Apotek Online (AO YN) juga mempengaruhi performa penjualan. Outlet yang tidak berpartisipasi (N) menyumbang Rp 37,903,077,146 dari 3,776 outlet unik, dibandingkan dengan outlet yang berpartisipasi (Y) yang menyumbang Rp 17,706,828,155 dari 1,286 outlet unik. Hal ini menunjukkan bahwa penjualan melalui saluran offline atau non-online masih mendominasi secara nilai dan jumlah outlet, meskipun outlet online juga memberikan kontribusi yang substansial. ```mermaid pie title "Total Value RO by Apotek Online (AO YN) Status" "Non-AO YN": 37903077146.0 "AO YN": 17706828155.0 ``` **Efisiensi dan Anomali Proses Pemenuhan** Durasi rata-rata proses pemenuhan pesanan yang berhasil (TERLAYANI PENUH) menunjukkan efisiensi: * Order ke SP: 0.02 hari * SP ke DO: 0.37 hari * DO ke Pengiriman (Ekspedisi): 0.38 hari * Waktu Transit Pengiriman: 1.18 hari * Total Waktu Pemenuhan (Order ke Diterima): 1.95 hari Namun, analisis awal mengidentifikasi anomali kritis berupa durasi waktu negatif yang sangat besar pada tahap pengiriman (`delivery_transit_days`) dan total waktu pemenuhan (`total_fulfillment_days`). Durasi negatif ini terjadi pada 444 pesanan dengan nilai RO total mencapai Rp 2,775,609,773 untuk transit, dan 446 pesanan dengan nilai RO total mencapai Rp 2,778,420,656 untuk total pemenuhan. Hal ini disebabkan oleh kesalahan input tanggal, di mana `Tgl Diterima` tercatat jauh sebelum `Tgl. Order` (rata-rata selisih mencapai sekitar 20,600 hari atau sekitar 56 tahun ke masa lalu). Anomali ini mengindikasikan masalah serius pada kualitas data, khususnya kolom `Tgl Diterima`, yang memerlukan perbaikan segera untuk mendapatkan metrik yang akurat. Beberapa ekspedisi dan gudang tertentu lebih sering terlibat dalam anomali ini, seperti PT CENTURY dan PHARMANET TANGERANG. **Analisis Pembatalan** Tingkat pembatalan pesanan secara keseluruhan berada pada 1.3%. Ketika dianalisis berdasarkan metode pembayaran, ditemukan variasi sebagai berikut: ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis "Payment Method" y-axis "Cancellation Rate (%)" 0 --> 100 bar ["BCA Virtual Account", "BRIVA", "Kredivo", "Term Of Payment"] barData = [6.3, 7.2, 0.0, 6.5] ``` Metode pembayaran BRIVA memiliki tingkat pembatalan tertinggi (7.2%), diikuti oleh Term Of Payment (6.5%) dan BCA Virtual Account (6.3%). Kredivo menunjukkan tingkat pembatalan 0.0%, namun perlu dicatat bahwa jumlah pesanan yang menggunakan Kredivo sangat kecil (24 pesanan), sehingga angka ini mungkin tidak representatif. Menariknya, pesanan yang dibatalkan cenderung memiliki waktu pemrosesan yang sedikit lebih lama di setiap tahap dibandingkan pesanan yang berhasil dipenuhi. Selain itu, tidak ada alasan pembatalan yang spesifik tercatat di kolom `Keterangan` untuk pesanan yang dibatalkan. **Segmentasi Outlet (K-Means Clustering)** Analisis clustering K-Means mengidentifikasi 4 segmen outlet yang berbeda berdasarkan perilaku pemesanan, nilai penjualan, tingkat pembatalan, preferensi produk (Pharos/non-Pharos), dan waktu pemenuhan. Sebanyak 5,062 outlet dianalisis setelah koreksi data tanggal. Berikut adalah karakteristik rata-rata setiap klaster: | Fitur Klaster | Klaster 0 (Rp) | Klaster 1 (Rp) | Klaster 2 (Rp) | Klaster 3 (Rp) | |:----------------------------------------|:---------------------|:---------------------|:---------------------|:---------------------| | Rata-rata Total Value RO per Outlet | 495,247,410 | 13,949,895 | 9,010,858 | 8,174,739 | | Rata-rata Total Qty RO per Outlet | 17,146 | 287 | 240 | 223 | | Rata-rata Tingkat Pembatalan Outlet (%) | 8.0 | 4.7 | **76.7** | 2.3 | | Rata-rata Waktu Pemenuhan Outlet (hari) | 2.81 | 2.20 | 2.86 | 2.18 | | Proporsi Nilai Produk Pharos Outlet (%) | 99.5 | 49.2 | 53.2 | 52.7 | | Rata-rata Indikator AO YN Outlet | 0.0 (Non-AO) | 1.0 (AO) | 0.15 (Kebanyakan Non) | 0.0 (Non-AO) | Kontribusi total nilai pesanan dari masing-masing klaster adalah: ```mermaid pie title "Total Value RO by Cluster" "Klaster 0": 6933463746 "Klaster 1": 17297870270 "Klaster 2": 2685235739 "Klaster 3": 28693335546 ``` Grafik di atas menunjukkan Klaster 3 menyumbang nilai penjualan terbesar secara keseluruhan, diikuti oleh Klaster 1, Klaster 0, dan Klaster 2. Perbandingan tingkat pembatalan antar klaster menunjukkan anomali yang signifikan pada Klaster 2: ```mermaid xychart-beta title "Average Cancellation Rate by Cluster" x-axis "Cluster" y-axis "Cancellation Rate (%)" 0 --> 100 bar ['Klaster 0', 'Klaster 1', 'Klaster 2', 'Klaster 3'] barData = [8.0, 4.7, 76.7, 2.3] ``` Klaster 2 menunjukkan tingkat pembatalan rata-rata yang sangat tinggi (76.7%), jauh di atas klaster lainnya. Outlet dalam klaster ini memiliki rata-rata nilai pesanan per outlet yang rendah dan sebagian kecil berpartisipasi dalam program Apotek Online. Perbandingan waktu pemenuhan rata-rata antar klaster adalah: ```mermaid xychart-beta title "Average Fulfillment Time by Cluster (Days)" x-axis "Cluster" y-axis "Days" bar ['Klaster 0', 'Klaster 1', 'Klaster 2', 'Klaster 3'] barData = [2.81, 2.2, 2.86, 2.18] ``` Klaster 2 juga memiliki waktu pemenuhan rata-rata yang sedikit lebih lama dibandingkan Klaster 1 dan Klaster 3. **Rekomendasi Eksekutif** Berdasarkan temuan-temuan di atas, beberapa rekomendasi utama dapat diajukan: 1. **Prioritaskan Kualitas Data Tanggal**: Segera perbaiki masalah kualitas data `Tgl Diterima` yang menyebabkan durasi negatif. Implementasikan validasi data yang ketat pada saat input untuk mencegah kejadian serupa di masa mendatang. Data yang akurat sangat krusial untuk analisis metrik performa. 2. **Investigasi Mendalam Klaster 2**: Klaster 2, dengan tingkat pembatalan 76.7%, memerlukan perhatian dan investigasi mendesak. Analisis lebih lanjut harus dilakukan untuk mengidentifikasi penyebab spesifik pembatalan massal di outlet-outlet ini, seperti masalah produk, layanan, atau kondisi pasar. Intervensi yang ditargetkan sangat diperlukan untuk memitigasi kerugian. 3. **Optimalkan Strategi Penjualan dan Pemasaran Berbasis Klaster**: * **Klaster 0 (High Value, High Pharos)**: Pertahankan hubungan baik dan dorong loyalitas. Pertimbangkan program reward eksklusif untuk outlet-outlet ini. * **Klaster 1 (Medium Value, AO YN)**: Dukung dan kembangkan lebih lanjut partisipasi mereka dalam Apotek Online. Promosikan keunggulan platform online untuk meningkatkan volume penjualan. * **Klaster 3 (Low Cancellation, High Total Value)**: Klaster ini merupakan fondasi yang stabil. Fokus pada peningkatan nilai pesanan rata-rata per outlet melalui program bundling atau penawaran khusus. 4. **Tinjau Metode Pembayaran**: Selidiki alasan di balik tingkat pembatalan yang lebih tinggi pada metode pembayaran BRIVA dan Term Of Payment. Mungkin ada masalah teknis, proses, atau preferensi pelanggan yang perlu ditangani. 5. **Perbaiki Pengumpulan Alasan Pembatalan**: Implementasikan sistem untuk secara konsisten mencatat alasan spesifik pembatalan pesanan. Data ini akan sangat berharga untuk memahami akar masalah dan mengembangkan strategi pencegahan pembatalan yang lebih efektif. 6. **Pantau Kinerja Produk Unggulan**: Terus pantau dan jaga ketersediaan produk-produk dengan kontribusi nilai tertinggi (seperti Polysilane, Proris, Microlax) untuk memastikan kepuasan pelanggan dan mempertahankan momentum penjualan. ## 2. Pendahuluan Laporan ini menyajikan analisis eksploratif mendalam terhadap data pemenuhan pesanan pelanggan PT. Pharos selama bulan Juni 2026. Dengan total 131.315 catatan pesanan, analisis ini bertujuan untuk mengidentifikasi pola, wawasan tersembunyi, serta anomali yang dapat menjadi dasar untuk meningkatkan performa operasional, strategi penjualan, dan korelasi bisnis terhadap produk. Fokus utama adalah memahami dinamika proses pemesanan hingga pengiriman, mengidentifikasi faktor-faktor yang memengaruhi kepuasan pelanggan, dan menemukan peluang untuk efisiensi serta pertumbuhan bisnis. Data yang digunakan mencakup berbagai tahapan dalam siklus pemenuhan pesanan, mulai dari `Tgl. Order` hingga `Tgl Diterima`, beserta informasi detail mengenai outlet, produk, status pesanan (`Status RO`), surat pesanan (`SP`), surat jalan (`DO`), daftar pengepakan (`PL`), dan metode pembayaran (`Payment`). Sebelum analisis, data telah melalui serangkaian proses pembersihan untuk memastikan akurasi, termasuk penghapusan duplikasi, penanganan nilai hilang dengan imputasi median untuk kolom numerik, dan konversi tipe data yang sesuai, khususnya untuk kolom tanggal. Perlu dicatat, beberapa nilai hilang pada kolom `Value PL` (1.740 null) telah diisi dengan median, dan sejumlah kecil nilai NaT (Not a Time) diperkenalkan pada kolom tanggal (`Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`) akibat data yang tidak dapat diuraikan atau memang kosong. ### Gambaran Umum dan Performa Kunci Secara keseluruhan, mayoritas pesanan, yaitu 129.575 (sekitar 98,7%) berhasil dipenuhi sepenuhnya dengan status `TERLAYANI PENUH`, merepresentasikan total nilai transaksi sebesar Rp 55.080.971.689. Ini menunjukkan efisiensi operasional yang tinggi dalam melayani permintaan pelanggan. Sebaliknya, hanya 1.740 pesanan (sekitar 1,3%) yang berstatus `CANCEL`, dengan total nilai sebesar Rp 528.933.612. Analisis lebih lanjut pada kinerja penjualan menunjukkan kontribusi signifikan dari beberapa outlet dan produk kunci, sebagaimana telah disajikan pada Ringkasan Eksekutif. Outlet seperti TEKNOLOGI MEDIKA PRATAMA, PT dan produk seperti POLYSILANE TAB. KUNYAH 5X8TAB mendominasi volume dan nilai transaksi. Pemahaman terhadap pemain kunci ini sangat penting untuk strategi mempertahankan dan mengembangkan hubungan bisnis. ### Performa Produk Pharos dan Non-Pharos Peran produk yang diproduksi oleh PT. Pharos (`Pharos YN`) menjadi salah satu aspek penting dalam analisis ini. Produk Pharos (ditandai 'Y') menyumbang total nilai pesanan yang lebih tinggi dibandingkan produk Non-Pharos (ditandai 'N'). Meskipun jumlah pesanan produk Non-Pharos lebih banyak, produk Pharos menunjukkan nilai rata-rata per pesanan yang lebih besar. ```mermaid pie title "Total Value RO by Pharos YN" "Non-Pharos": 22524229073.0 "Pharos": 33085676228.0 ``` Dari grafik di atas, terlihat bahwa produk Pharos berkontribusi sekitar 59,5% dari total nilai pesanan, menegaskan dominasinya dalam portofolio penjualan perusahaan. ### Dampak Partisipasi Apotek Online (AO YN) Partisipasi outlet dalam program Apotek Online (AO YN) juga dianalisis untuk memahami bagaimana saluran ini memengaruhi penjualan. Ditemukan bahwa outlet yang tidak berpartisipasi (N) masih mendominasi dari segi total nilai penjualan dan jumlah outlet unik. ```mermaid pie title "Total Value RO by Apotek Online (AO YN) Status" "Non-AO YN": 37903077146.0 "AO YN": 17706828155.0 ``` Grafik ini menunjukkan bahwa meskipun program Apotek Online memiliki basis outlet yang lebih kecil, kontribusinya terhadap total nilai penjualan tetap substansial, mencapai sekitar 31,8%. Ini mengindikasikan bahwa sementara saluran tradisional masih menjadi tulang punggung, Apotek Online merupakan kanal pertumbuhan yang menjanjikan. ### Analisis Efisiensi Proses Pemenuhan Pesanan Untuk pesanan yang berhasil dipenuhi (`TERLAYANI PENUH`), rata-rata durasi setiap tahapan proses pemenuhan menunjukkan efisiensi yang relatif baik: * **Order ke SP (Surat Pesanan)**: Rata-rata 0,02 hari. Ini menunjukkan kecepatan luar biasa dalam penerbitan surat pesanan setelah order masuk. * **SP ke DO (Surat Jalan)**: Rata-rata 0,37 hari. Waktu yang singkat untuk konfirmasi dan persiapan di gudang setelah SP diterima. * **DO ke Pengiriman (Ekspedisi)**: Rata-rata 0,38 hari. Proses penyerahan barang ke pihak ekspedisi berlangsung cepat. * **Waktu Transit Pengiriman**: Rata-rata 1,18 hari. Durasi pengiriman dari gudang ke penerima cukup efisien. * **Total Waktu Pemenuhan (Order ke Diterima)**: Rata-rata 1,95 hari. Secara keseluruhan, proses dari pemesanan hingga barang diterima pelanggan kurang dari 2 hari. Distribusi status `Sts SP Header`, `Sts SP Detail`, dan `Status DO` sangat konsisten dengan `Status RO`, menegaskan bahwa mayoritas proses internal berjalan lancar seiring dengan status pesanan. ### Anomali Kritis: Data Tanggal Pengiriman yang Ilgogis Meski sebagian besar proses menunjukkan efisiensi, ditemukan anomali data yang sangat signifikan dan kritis terkait kolom `Tgl Diterima`. Analisis mengungkapkan adanya durasi waktu negatif yang sangat besar untuk tahap `delivery_transit_days` (waktu transit pengiriman) dan `total_fulfillment_days` (total waktu pemenuhan). Sebanyak 444 pesanan memiliki durasi transit negatif, dengan nilai RO yang terdampak mencapai Rp 2.775.609.773. Lebih lanjut, 446 pesanan mengalami total waktu pemenuhan negatif, dengan nilai RO sebesar Rp 2.778.420.656. Durasi negatif ini bukan berarti pengiriman terjadi sebelum pesanan, melainkan indikasi kuat adanya kesalahan input data yang masif pada kolom `Tgl Diterima`. Rata-rata durasi negatif ini mencapai sekitar -20.600 hari, yang setara dengan sekitar 56 tahun ke masa lalu dari `Tgl. Order`. Kesalahan ini secara fundamental merusak validitas perhitungan metrik waktu pemenuhan dan memerlukan perbaikan segera pada sumber data. Beberapa `Nama Ekspedisi` dan `Asal Gudang` lebih sering terlibat dalam anomali ini: * **Ekspedisi yang sering terlibat**: PT CENTURY (342 kasus), PCP EXPRESS (31 kasus), ANDALAN 21 EXPRESS (22 kasus). * **Gudang asal yang sering terlibat**: PHARMANET TANGERANG (271 kasus), PHARMANET MEDAN (82 kasus), PHARMANET MALANG (19 kasus). Anomali ini tidak hanya memengaruhi keakuratan analisis, tetapi juga menunjukkan adanya celah dalam proses validasi data di sistem. ### Analisis Pembatalan Pesanan Meskipun tingkat pembatalan secara keseluruhan rendah (1,3%), penting untuk memahami faktor-faktor yang memengaruhinya. Analisis berdasarkan metode pembayaran menunjukkan variasi yang menarik: ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis "Payment Method" y-axis "Cancellation Rate (%)" 0 --> 100 bar ["BCA Virtual Account", "BRIVA", "Kredivo", "Term Of Payment"] barData = [6.3, 7.2, 0.0, 6.5] ``` Metode pembayaran BRIVA memiliki tingkat pembatalan tertinggi (7,2%), diikuti oleh Term Of Payment (6,5%) dan BCA Virtual Account (6,3%). Kredivo menunjukkan tingkat pembatalan 0,0%, namun jumlah transaksi yang menggunakan Kredivo sangat kecil (24 pesanan unik), sehingga tingkat pembatalan ini mungkin tidak representatif. Perlu investigasi lebih lanjut mengenai alasan di balik perbedaan tingkat pembatalan ini antar metode pembayaran. Menariknya, pesanan yang dibatalkan cenderung memiliki rata-rata waktu pemrosesan yang sedikit lebih lama di setiap tahapan (SP ke DO, DO ke Pengiriman, Transit, dan Total Pemenuhan) dibandingkan pesanan yang berhasil dipenuhi. Hal ini mengindikasikan bahwa keterlambatan dalam proses pemenuhan mungkin menjadi salah satu pemicu pembatalan. Selain itu, kolom `Keterangan` untuk pesanan yang dibatalkan sebagian besar kosong, menunjukkan tidak adanya pencatatan alasan spesifik pembatalan, yang sangat membatasi kemampuan untuk menganalisis akar masalah. ### Segmentasi Outlet: Mengungkap Klaster Pelanggan Berbeda Melalui K-Means clustering, 5.062 outlet berhasil dikelompokkan menjadi 4 klaster berdasarkan perilaku pemesanan, nilai penjualan, tingkat pembatalan, preferensi produk (Pharos vs. non-Pharos), dan waktu pemenuhan. Setiap klaster menunjukkan karakteristik yang unik: #### Karakteristik Klaster Outlet (Rata-rata Nilai) | Fitur Klaster | Klaster 0 | Klaster 1 | Klaster 2 | Klaster 3 | |:----------------------------------------|:---------------------|:---------------------|:---------------------|:---------------------| | Rata-rata Total Value RO per Outlet | Rp 495.247.410 | Rp 13.949.895 | Rp 9.010.858 | Rp 8.174.739 | | Rata-rata Total Qty RO per Outlet | 17.146 | 287 | 240 | 223 | | Rata-rata Tingkat Pembatalan Outlet (%) | 8,0% | 4,7% | **76,7%** | 2,3% | | Rata-rata Waktu Pemenuhan Outlet (hari) | 2,81 | 2,20 | 2,86 | 2,18 | | Proporsi Nilai Produk Pharos Outlet (%) | 99,5% | 49,2% | 53,2% | 52,7% | | Rata-rata Indikator AO YN Outlet | 0,0 (Non-AO) | 1,0 (AO) | 0,15 (Kebanyakan Non) | 0,0 (Non-AO) | Kontribusi total nilai pesanan dari masing-masing klaster adalah: ```mermaid pie title "Total Value RO by Cluster" "Klaster 0": 6933463746 "Klaster 1": 17297870270 "Klaster 2": 2685235739 "Klaster 3": 28693335546 ``` Grafik ini menunjukkan bahwa Klaster 3 menyumbang nilai penjualan terbesar, diikuti oleh Klaster 1, Klaster 0, dan Klaster 2. Perbandingan tingkat pembatalan antar klaster menunjukkan temuan krusial: ```mermaid xychart-beta title "Average Cancellation Rate by Cluster" x-axis "Cluster" y-axis "Cancellation Rate (%)" 0 --> 100 bar ['Klaster 0', 'Klaster 1', 'Klaster 2', 'Klaster 3'] barData = [8.0, 4.7, 76.7, 2.3] ``` **Klaster 2** menunjukkan tingkat pembatalan rata-rata yang sangat tinggi (76,7%), jauh melampaui klaster lainnya. Outlet dalam klaster ini memiliki rata-rata nilai pesanan per outlet yang rendah dan sebagian besar tidak berpartisipasi dalam program Apotek Online. Tingkat pembatalan yang ekstrem ini memerlukan investigasi mendalam sebagai prioritas utama. Perbandingan rata-rata waktu pemenuhan antar klaster adalah sebagai berikut: ```mermaid xychart-beta title "Average Fulfillment Time by Cluster (Days)" x-axis "Cluster" y-axis "Days" bar ['Klaster 0', 'Klaster 1', 'Klaster 2', 'Klaster 3'] barData = [2.81, 2.2, 2.86, 2.18] ``` Klaster 2 juga menunjukkan waktu pemenuhan rata-rata yang sedikit lebih lama dibandingkan Klaster 1 dan Klaster 3. Ini mungkin berkorelasi dengan tingkat pembatalan yang tinggi. ### Ringkasan Insight dan Rekomendasi Awal Dari eksplorasi awal ini, beberapa poin kunci muncul: 1. **Prioritas Data Quality**: Anomali pada `Tgl Diterima` adalah masalah serius yang memerlukan tindakan korektif segera pada sistem input data untuk memastikan keakuratan metrik kinerja di masa mendatang. 2. **Fokus pada Klaster 2**: Tingkat pembatalan sebesar 76,7% pada Klaster 2 adalah bendera merah yang besar. Memahami akar masalah di klaster ini (misalnya, masalah produk, logistik, layanan pelanggan, atau keselarasan dengan program AO) harus menjadi prioritas investigasi berikutnya. 3. **Optimalisasi Strategi Berbasis Klaster**: Karakteristik unik setiap klaster menawarkan peluang untuk strategi yang ditargetkan. Misalnya, Klaster 0 yang memiliki nilai tinggi dan loyal terhadap produk Pharos perlu diperkuat hubungannya, sementara Klaster 1 yang berpartisipasi dalam AO YN dapat didorong lebih lanjut untuk memaksimalkan potensi saluran online. 4. **Evaluasi Metode Pembayaran**: Tingkat pembatalan yang lebih tinggi pada BRIVA dan Term Of Payment perlu diselidiki untuk mengidentifikasi penyebabnya, baik dari sisi teknis, proses, maupun preferensi pelanggan. 5. **Penguatan Pencatatan Alasan Pembatalan**: Sistem harus memastikan alasan pembatalan dicatat secara spesifik untuk memfasilitasi analisis akar masalah yang lebih efektif di masa depan. Bab selanjutnya akan mendalami Klaster 2 untuk mengungkap penyebab tingginya tingkat pembatalan dan memberikan rekomendasi yang lebih terperinci. ## 3. Kualitas Data & Pra-pemrosesan Kualitas data merupakan fondasi krusial bagi setiap analisis yang akurat dan pengambilan keputusan bisnis yang tepat. Pada bagian ini, kami akan menguraikan kondisi kualitas data mentah yang digunakan serta langkah-langkah pra-pemrosesan yang telah dilakukan untuk memastikan data siap digunakan dalam analisis lebih lanjut. Tujuannya adalah untuk mengidentifikasi potensi masalah, memperbaiki inkonsistensi, dan memastikan integritas data sebelum mendapatkan wawasan bisnis. ### Gambaran Umum Data Awal Dataset `omg_10003_b1_sheet1` mencakup detail pemenuhan pesanan pelanggan PT. Pharos. Sebelum proses pembersihan, data ini memiliki berbagai format, termasuk string untuk tanggal, nilai numerik yang mungkin bercampur dengan karakter non-numerik, serta keberadaan nilai-nilai yang hilang (null/NaN) di berbagai kolom. ### Langkah-langkah Pra-pemrosesan Data Serangkaian langkah pra-pemrosesan telah diterapkan untuk meningkatkan kualitas dan konsistensi data: 1. **Pembersihan Duplikasi**: Pemeriksaan terhadap baris duplikat identik telah dilakukan. Tidak ditemukan adanya baris duplikat dalam dataset, yang menunjukkan bahwa setiap catatan pesanan adalah unik. 2. **Penanganan Nilai Hilang (Numerik)**: Kolom-kolom numerik yang memiliki nilai hilang diimputasi menggunakan nilai median. Penggunaan median dipilih karena lebih tahan terhadap *outlier* dibandingkan rata-rata, sehingga menjaga representasi data yang lebih akurat. * Sebanyak 1.740 nilai null pada kolom `Value PL` diisi dengan nilai median `145.203,0`. * Kolom numerik lain seperti `Procod`, `Qty RO`, `Qty SP`, `Qty DO`, dan `Value RO` diperiksa dan dikonversi untuk memastikan tipe data numerik yang benar. Apabila ada nilai hilang, akan diisi dengan median masing-masing kolom. 3. **Penanganan Nilai Hilang (Kategorikal & Teks)**: * Untuk kolom teks deskriptif seperti `Keterangan` dan `Nama Penerima`, nilai null diimputasi dengan string kosong (''). Ini mengasumsikan bahwa ketiadaan nilai berarti informasi tersebut tidak disediakan atau tidak relevan, daripada nilai yang benar-benar hilang. Sebanyak 131.315 nilai null pada kedua kolom tersebut diisi dengan string kosong. * Untuk kolom kategorikal atau identifikasi lainnya seperti `Cmc`, `Divisi`, `No. DO`, `No. PL`, `Kel. Class`, `Nomor Resi`, `Nama Ekspedisi`, nilai null diimputasi dengan nilai modus (nilai yang paling sering muncul) dari masing-masing kolom. Contoh: * 5.468 nilai null pada kolom `Cmc` diisi dengan modus `'U3R'`. * 7 nilai null pada kolom `Divisi` diisi dengan modus `'PHARMANET'`. * 365 nilai null pada kolom `No. DO` diisi dengan modus `'B16260601130'`. * 365 nilai null pada kolom `No. PL` diisi dengan modus `'B16260601130'`. * 107 nilai null pada kolom `Kel. Class` diisi dengan modus `'A'`. * 460 nilai null pada kolom `Nomor Resi` diisi dengan modus `'260045834'`. * 585 nilai null pada kolom `Nama Ekspedisi` diisi dengan modus `'Anteraja'`. 4. **Standardisasi Tipe Data (Tanggal)**: Semua kolom yang berisi informasi tanggal (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, `Lastupdate`) telah dikonversi ke format datetime standar. Proses ini secara otomatis mengubah string tanggal yang valid menjadi objek datetime dan menandai tanggal yang tidak dapat diurai atau kosong sebagai `NaT` (Not a Time). * Beberapa kolom, seperti `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, dan `Tgl Diterima`, memiliki nilai null awal yang tetap ada sebagai `NaT` setelah konversi, menunjukkan bahwa nilai-nilai tersebut memang kosong atau tidak valid pada sumbernya. Contohnya, 10.385 nilai `NaT` tetap ada di kolom `Tgl Diterima`. ### Anomali Kritis dan Dampak Bisnis Meskipun langkah-langkah pra-pemrosesan berhasil mengatasi banyak isu kualitas data, sebuah anomali kritis yang memiliki dampak signifikan terhadap analisis metrik waktu telah teridentifikasi. Anomali ini terutama berkaitan dengan kolom `Tgl Diterima`. 1. **Durasi Waktu Negatif yang Ilgogis**: Analisis awal metrik waktu pemenuhan pesanan (seperti `delivery_transit_days` dan `total_fulfillment_days`) menunjukkan adanya durasi negatif yang sangat besar. Ini terjadi ketika `Tgl Diterima` tercatat jauh *sebelum* `Tgl. Order`, bahkan hingga puluhan tahun ke belakang. * **Dampak pada Pengiriman (`delivery_transit_days`)**: Sebanyak 444 pesanan menunjukkan durasi transit negatif, dengan total nilai pesanan yang terpengaruh mencapai Rp 2.775.609.773. Rata-rata durasi negatif ini berkisar sekitar -20.624 hari. * **Dampak pada Total Pemenuhan (`total_fulfillment_days`)**: Sebanyak 446 pesanan menunjukkan total waktu pemenuhan negatif, dengan total nilai pesanan yang terpengaruh mencapai Rp 2.778.420.656. Rata-rata durasi negatif ini berkisar sekitar -20.530 hari. **Entitas yang Terlibat dalam Anomali `delivery_transit_days` Negatif:** Anomali ini tidak tersebar secara acak, melainkan terkonsentrasi pada beberapa ekspedisi dan gudang asal tertentu. | Nama Ekspedisi | Jumlah RO Terdampak | Total Nilai RO Terdampak (Rp) | |:----------------------------------|--------------------:|------------------------------:| | PT CENTURY | 342 | 1,784,511,599 | | PCP EXPRESS | 31 | 83,587,269 | | ANDALAN 21 EXPRESS | 22 | 214,347,746 | | PT. TUNAS ANTARNUSA MUDA KARGO | 15 | 591,710,502 | | INDAH LOGISTIK | 10 | 24,172,481 | | Asal Gudang | Jumlah RO Terdampak | Total Nilai RO Terdampak (Rp) | |:--------------------|--------------------:|------------------------------:| | PHARMANET TANGERANG | 271 | 866,756,886 | | PHARMANET MEDAN | 82 | 1,018,249,670 | | PHAROS MALANG | 19 | 593,475,341 | | PHAROS MAKASSAR | 14 | 59,647,417 | | PHAROS JAKSEL | 8 | 42,415,247 | Anomali ini mengindikasikan adanya masalah fundamental pada proses pencatatan `Tgl Diterima` di sistem sumber data. Kesalahan ini membuat perhitungan metrik waktu pemenuhan menjadi tidak valid dan dapat menyesatkan dalam evaluasi kinerja logistik. Untuk analisis lebih lanjut, baris data dengan durasi waktu yang tidak logis ini telah disaring atau dikoreksi (misalnya, dengan mengganti tanggal yang tidak masuk akal dengan `NaT` atau mengabaikannya) agar hasil analisis tidak bias. 2. **Keterangan Pembatalan yang Tidak Spesifik**: Untuk pesanan yang dibatalkan (`Status RO` = 'CANCEL'), kolom `Keterangan` sebagian besar berisi string kosong (''). Ini berarti tidak ada alasan spesifik yang dicatat untuk pembatalan pesanan. Hal ini sangat membatasi kemampuan untuk menganalisis akar penyebab pembatalan dan mengembangkan strategi pencegahan yang efektif. Sebanyak 1.740 pesanan yang dibatalkan tidak memiliki keterangan spesifik. ### Ringkasan Kualitas Data Pasca-pemrosesan Secara keseluruhan, setelah langkah-langkah pra-pemrosesan, data telah menjadi lebih bersih dan terstruktur untuk analisis. Nilai hilang telah ditangani dengan strategi yang sesuai (median untuk numerik, modus untuk kategorikal, dan string kosong untuk teks), dan tipe data telah distandardisasi, terutama untuk kolom tanggal. Namun, anomali kritis pada pencatatan `Tgl Diterima` dan ketiadaan alasan pembatalan yang spesifik merupakan tantangan kualitas data yang signifikan dan memerlukan perhatian lebih lanjut di tingkat operasional. ### Rekomendasi Berdasarkan temuan kualitas data dan anomali yang teridentifikasi, berikut adalah rekomendasi untuk peningkatan data di masa mendatang: 1. **Perbaikan Sistem Pencatatan Tanggal**: * **Validasi Input `Tgl Diterima`**: Implementasikan validasi yang ketat pada sistem input `Tgl Diterima` untuk memastikan tanggal penerimaan tidak lebih awal dari `Tgl. Order`, `Tgl DO`, atau `Tgl Ekspedisi`. * **Audit Data Historis**: Lakukan audit menyeluruh terhadap data historis, khususnya kolom `Tgl Diterima`, untuk mengidentifikasi dan memperbaiki entri yang salah secara sistematis. Ini penting untuk mendapatkan metrik kinerja yang akurat di masa mendatang. * **Pelatihan Pengguna**: Berikan pelatihan kepada staf yang bertanggung jawab atas input data mengenai pentingnya akurasi data tanggal dan cara menghindari kesalahan umum. 2. **Pencatatan Alasan Pembatalan yang Rinci**: * **Wajibkan Pengisian Alasan Pembatalan**: Ubah kolom `Keterangan` menjadi kolom wajib diisi dengan pilihan alasan pembatalan yang terstandarisasi (misalnya, pilihan dropdown) saat `Status RO` diubah menjadi 'CANCEL'. Ini akan memungkinkan analisis akar penyebab yang lebih mendalam dan membantu dalam merumuskan strategi pengurangan pembatalan. * **Kategorisasi Alasan**: Buat kategori alasan pembatalan yang jelas dan terdefinisi (misalnya, stok kosong, harga tidak sesuai, pelanggan berubah pikiran, pengiriman terlalu lama, dll.) untuk memudahkan analisis dan pelaporan. 3. **Pemantauan Kualitas Data Berkelanjutan**: * **Dashboard Kualitas Data**: Kembangkan dashboard atau laporan rutin yang memantau metrik kualitas data utama, seperti persentase nilai hilang, konsistensi tanggal, dan durasi proses, untuk mendeteksi anomali sejak dini. * **Automasi Peringatan**: Siapkan sistem peringatan otomatis untuk memberi tahu tim terkait jika ada inkonsistensi data yang terdeteksi, terutama untuk durasi waktu yang tidak logis atau jumlah null yang tinggi di kolom penting. Dengan mengatasi masalah kualitas data ini pada akarnya, PT. Pharos dapat membangun fondasi yang lebih kuat untuk analisis yang akurat, meningkatkan efisiensi operasional, dan pada akhirnya mendorong pertumbuhan bisnis. ## 4. Tinjauan Data & Distribusi Kunci Bab ini menyajikan tinjauan komprehensif terhadap data transaksi, menyoroti distribusi kunci dan pola-pola penting yang muncul dari dataset pemenuhan pesanan. Tujuannya adalah untuk memahami gambaran besar operasional, mengidentifikasi pendorong utama kinerja, serta mengungkap anomali yang memerlukan perhatian lebih lanjut. Analisis ini akan mencakup metrik penjualan, efisiensi proses, dan perilaku pelanggan. ### Gambaran Umum Data Transaksi Dataset ini mencakup total **131.315** catatan pesanan yang direkam selama periode **1 Juni 2026** hingga **30 Juni 2026**. Ini memberikan gambaran bulanan yang padat tentang aktivitas pemenuhan pesanan. Mayoritas pesanan, yaitu **129.575** (98,7%), berhasil diselesaikan dengan status `TERLAYANI PENUH`, menunjukkan efisiensi operasional yang tinggi. Total nilai pesanan untuk status ini mencapai **Rp 55.080.971.689**. Namun, terdapat **1.740** pesanan (1,3%) yang berstatus `CANCEL` dengan total nilai **Rp 528.933.612**. Meskipun persentasenya kecil, nilai yang dibatalkan tetap signifikan dan memerlukan analisis lebih lanjut. ### Outlet dan Produk Berkinerja Tinggi Mengidentifikasi outlet dan produk dengan kontribusi terbesar adalah kunci untuk memahami pendorong utama pendapatan. Berikut adalah daftar 10 outlet dan 10 produk teratas berdasarkan `Value RO` (nilai pesanan): **10 Outlet Teratas Berdasarkan Nilai Pesanan (Value RO)** | Nama Outlet | Total Value RO (Rp) | Total Qty RO | |:-------------------------------|--------------------:|-------------:| | TEKNOLOGI MEDIKA PRATAMA, PT | 1.606.912.097 | 49.929 | | SAKAJAJA MAKMUR ABADI, PT | 799.078.128 | 36.361 | | BAHTERA SEHAT SEJAHTERA, PT | 659.882.436 | 24.533 | | CARMELLA GUSTAVINDO, PT | 624.706.276 | 21.578 | | EVA SURYA PRATAMA PT | 597.144.492 | 20.746 | | SEMPURNA MITRA PERKASA, PT | 524.622.659 | 18.967 | | LESTARI JAYA SEJAHTERA, PT | 373.611.824 | 11.802 | | PODO MEKAR JAYA SENTOSA, PT. | 368.541.248 | 14.230 | | IKON SURABAYA FARMAMART, PT | 359.560.284 | 13.738 | | BIMA SAKTI MEDICA, PT | 333.473.893 | 10.637 | Daftar ini menunjukkan bahwa PT. Teknologi Medika Pratama merupakan kontributor nilai pesanan terbesar, hampir dua kali lipat dari outlet di posisi kedua. Mengelola hubungan dengan outlet-outlet berkinerja tinggi ini sangat penting untuk menjaga stabilitas pendapatan. **10 Produk Teratas Berdasarkan Nilai Pesanan (Value RO)** | Prodes | Total Value RO (Rp) | Total Qty RO | |:-----------------------------------|--------------------:|-------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 4.038.741.140 | 110.380 | | PRORIS SUSP 60 ML RASA JERUK | 3.354.936.937 | 149.143 | | MICROLAX GEL OBAT PENCAHAR 5ML | 3.321.664.117 | 175.365 | | MICROLAX 3 X 5 ML | 2.692.334.063 | 52.995 | | POLYSILANE SUSPENSI 100 ML | 1.936.956.554 | 94.808 | | PRORIS FORTE 200MG SUSP 50ML | 1.640.458.155 | 61.213 | | CATAFLAM 50MG TAB 50'S | 1.446.660.391 | 4.359 | | MEFINAL 500MG CAP 100'S | 1.140.834.053 | 6.680 | | NEBACETIN POWDER 5GR | 1.018.609.407 | 52.669 | | ALBUSMIN 3 BLISTER @ 10 KAPSUL | 953.507.313 | 6.117 | Produk-produk seperti Polysilane, Proris, dan Microlax mendominasi dalam hal nilai penjualan. Penting untuk memastikan ketersediaan stok yang memadai dan strategi pemasaran yang konsisten untuk produk-produk inti ini. ### Distribusi Produk Pharos vs Non-Pharos Pembagian produk berdasarkan status `Pharos YN` (apakah diproduksi oleh PT. Pharos atau tidak) menunjukkan tren yang menarik. Produk yang diproduksi oleh Pharos (Y) menyumbang total nilai pesanan yang lebih tinggi meskipun jumlah pesanannya lebih sedikit dibandingkan produk non-Pharos (N). Ini menunjukkan bahwa produk Pharos cenderung memiliki nilai per unit atau per pesanan yang lebih tinggi. **Distribusi Nilai Pesanan Berdasarkan Asal Produk (Pharos YN)** | Pharos YN | Jumlah Pesanan | Total Value RO (Rp) | |:----------|---------------:|--------------------:| | Y | 59.301 | 33.085.676.228 | | N | 72.014 | 22.524.229.073 | ```mermaid pie title "Total Value RO by Pharos YN" "N": 22524229073.0 "Y": 33085676228.0 ``` Produk Pharos berkontribusi sekitar 59,5% dari total nilai pesanan, menegaskan dominasi portofolio produk perusahaan sendiri dalam hal nilai finansial. ### Pengaruh Partisipasi Apotek Online (AO YN) Analisis dampak partisipasi outlet dalam program Apotek Online (AO YN) menunjukkan bahwa outlet yang tidak berpartisipasi (N) masih menjadi mayoritas dalam hal total nilai pesanan dan jumlah outlet unik. Namun, outlet yang berpartisipasi (Y) juga memberikan kontribusi yang signifikan. **Distribusi Nilai Pesanan Berdasarkan Partisipasi Apotek Online (AO YN)** | AO YN | Jumlah Outlet Unik | Total Value RO (Rp) | Total Qty RO | |:------|-------------------:|--------------------:|-------------:| | N | 3.776 | 37.903.077.146 | 1.083.615 | | Y | 1.286 | 17.706.828.155 | 366.590 | ```mermaid pie title "Total Value RO by Apotek Online (AO YN) Status" "N": 37903077146.0 "Y": 17706828155.0 ``` Program Apotek Online menyumbang sekitar 31,8% dari total nilai pesanan. Meskipun jumlah outlet yang berpartisipasi lebih kecil, kontribusi nilai yang dihasilkan cukup besar, menandakan potensi pertumbuhan yang baik di kanal online. Strategi untuk mengoptimalkan kedua saluran ini perlu disesuaikan dengan karakteristik masing-masing. ### Efisiensi Proses Pemenuhan Pesanan Setelah proses pembersihan data yang ketat untuk menghilangkan durasi waktu yang tidak valid (yang dijelaskan secara rinci di Bab 3), kita dapat mengamati metrik waktu pemenuhan pesanan yang lebih andal untuk pesanan yang `TERLAYANI PENUH`. **Rata-rata Waktu Pemenuhan untuk Pesanan `TERLAYANI PENUH` (dalam Hari)** | Tahap Proses | Rata-rata (Hari) | Median (Hari) | |:------------------------------------|-----------------:|--------------:| | Order ke SP | 0,02 | 0,02 | | SP ke DO | 0,37 | 0,12 | | DO ke Pengiriman (Ekspedisi) | 0,38 | 0,18 | | Waktu Transit Pengiriman | 1,18 | 0,70 | | Total Waktu Pemenuhan (Order ke Diterima) | 1,95 | 1,34 | Rata-rata waktu pemenuhan dari Order hingga Diterima adalah sekitar **1,95 hari**. Tahap Order ke SP terjadi sangat cepat, menunjukkan efisiensi dalam proses awal. Waktu transit pengiriman menjadi tahap terlama, namun mediannya (0,70 hari) menunjukkan bahwa sebagian besar pengiriman diselesaikan dalam waktu kurang dari satu hari. Perlu dicatat bahwa `Status DO`, `Sts SP Header`, dan `Sts SP Detail` sebagian besar memiliki distribusi yang konsisten dengan `Status RO`, yaitu mayoritas berstatus 'P' (Processed/Penuh) dan sebagian kecil 'C' (Cancel). Ini mengindikasikan bahwa status internal proses pemenuhan sejalan dengan status akhir pesanan. ### Metode Pembayaran dan Tingkat Pembatalan Analisis metode pembayaran mengungkapkan perbedaan dalam tingkat pembatalan pesanan. **Tingkat Pembatalan Berdasarkan Metode Pembayaran** | Payment Method | Total Pesanan Unik | Pesanan Dibatalkan | Tingkat Pembatalan (%) | |:--------------------|-------------------:|-------------------:|-----------------------:| | BCA Virtual Account | 11.894 | 745 | 6,3 | | BRIVA | 2.021 | 145 | 7,2 | | Kredivo | 24 | 0 | 0,0 | | Term Of Payment | 6.706 | 434 | 6,5 | ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis "Payment Method" y-axis "Cancellation Rate (%)" 0 --> 100 bar ["BCA Virtual Account", "BRIVA", "Kredivo", "Term Of Payment"] barData = [6.3, 7.2, 0.0, 6.5] ``` Metode pembayaran BRIVA memiliki tingkat pembatalan tertinggi sebesar 7,2%, diikuti oleh Term Of Payment (6,5%) dan BCA Virtual Account (6,3%). Meskipun Kredivo menunjukkan 0,0% pembatalan, jumlah pesanan yang menggunakan metode ini sangat kecil, sehingga kurang representatif. Perbedaan ini mengindikasikan bahwa ada faktor-faktor terkait metode pembayaran atau proses yang menyertainya yang dapat memengaruhi keputusan pelanggan untuk membatalkan pesanan. Ketika membandingkan rata-rata durasi pemenuhan antara pesanan `TERLAYANI PENUH` dan `CANCEL`, ditemukan bahwa pesanan yang dibatalkan cenderung memiliki rata-rata waktu pemrosesan yang sedikit lebih lama di setiap tahapan proses pemenuhan. Ini mendukung hipotesis bahwa keterlambatan mungkin menjadi pemicu pembatalan. ### Anomali Kritis: Data Tanggal yang Ilgogis Sebagaimana telah dibahas pada Bab 3, salah satu anomali paling kritis dalam data adalah keberadaan durasi waktu yang sangat negatif pada tahap pengiriman (`delivery_transit_days`) dan total waktu pemenuhan (`total_fulfillment_days`). Ini disebabkan oleh kesalahan pencatatan di mana `Tgl Diterima` tercatat jauh di masa lalu, bahkan puluhan tahun sebelum `Tgl. Order`. **Ringkasan Anomali Durasi Negatif Pengiriman (Delivery Transit Days)** | Metrik | Nilai | |:----------------------------------------|:---------------------| | Jumlah RO dengan Durasi Negatif | 444 | | Total Value RO Terdampak (Rp) | 2.775.609.773 | | Rata-rata Durasi Negatif (Hari) | -20.624,2 | Anomali ini tidak hanya memengaruhi validitas metrik waktu, tetapi juga menunjukkan masalah fundamental dalam proses input data. Beberapa entitas lebih sering terlibat dalam anomali ini: **Top 5 Ekspedisi yang Terlibat dalam Durasi Negatif (Delivery Transit Days)** | Nama Ekspedisi | Jumlah RO Terdampak | Total Value RO Terdampak (Rp) | |:----------------------------------|--------------------:|------------------------------:| | PT CENTURY | 342 | 1.784.511.599 | | PCP EXPRESS | 31 | 83.587.269 | | ANDALAN 21 EXPRESS | 22 | 214.347.746 | | PT. TUNAS ANTARNUSA MUDA KARGO | 15 | 591.710.502 | | INDAH LOGISTIK | 10 | 24.172.481 | **Top 5 Asal Gudang yang Terlibat dalam Durasi Negatif (Delivery Transit Days)** | Asal Gudang | Jumlah RO Terdampak | Total Value RO Terdampak (Rp) | |:--------------------|--------------------:|------------------------------:| | PHARMANET TANGERANG | 271 | 866.756.886 | | PHARMANET MEDAN | 82 | 1.018.249.670 | | PHARMANET MALANG | 19 | 593.475.341 | | PHARMANET MAKASSAR | 14 | 59.647.417 | | PHARMANET JAKSEL | 8 | 42.415.247 | Pengidentifikasian entitas-entitas ini memberikan titik fokus untuk investigasi lebih lanjut mengenai penyebab kesalahan data dan perbaikan proses. ### Segmentasi Outlet: Klaster Kinerja Analisis klaster K-Means pada 5.062 outlet berhasil mengidentifikasi 4 segmen pelanggan yang berbeda berdasarkan perilaku pemesanan mereka. Klaster-klaster ini menunjukkan distribusi yang bervariasi dalam hal nilai pesanan, tingkat pembatalan, preferensi produk Pharos, dan waktu pemenuhan. **Total Nilai RO per Klaster** ```mermaid pie title "Total Value RO by Cluster" "Cluster 0": 6933463746 "Cluster 1": 17297870270 "Cluster 2": 2685235739 "Cluster 3": 28693335546 ``` Klaster 3 memiliki kontribusi nilai pesanan terbesar secara keseluruhan, diikuti oleh Klaster 1. Ini menunjukkan bahwa sebagian besar pendapatan berasal dari segmen pelanggan ini. **Rata-rata Tingkat Pembatalan per Klaster** ```mermaid xychart-beta title "Average Cancellation Rate by Cluster" x-axis "Cluster" y-axis "Cancellation Rate (%)" 0 --> 100 bar ['Cluster 0', 'Cluster 1', 'Cluster 2', 'Cluster 3'] barData = [7.98, 4.67, 76.71, 2.3] ``` Klaster 2 menunjukkan tingkat pembatalan rata-rata yang sangat tinggi yaitu 76,7%, jauh di atas klaster lainnya. Ini adalah anomali yang sangat mencolok dan memerlukan investigasi mendalam untuk memahami akar penyebabnya. **Rata-rata Waktu Pemenuhan per Klaster (dalam Hari)** ```mermaid xychart-beta title "Average Fulfillment Time by Cluster (Days)" x-axis "Cluster" y-axis "Days" bar ['Cluster 0', 'Cluster 1', 'Cluster 2', 'Cluster 3'] barData = [2.81, 2.2, 2.86, 2.18] ``` Klaster 2 juga menunjukkan waktu pemenuhan rata-rata yang sedikit lebih lama dibandingkan Klaster 1 dan Klaster 3. Keterlambatan ini mungkin berkorelasi dengan tingginya tingkat pembatalan pada klaster tersebut. Karakteristik lengkap setiap klaster telah dijelaskan secara rinci di Bab 1 dan 2. ### Kesimpulan Awal Tinjauan data dan distribusi kunci ini telah mengungkap beberapa wawasan penting: * Dominasi outlet dan produk tertentu dalam penjualan, yang menunjukkan perlunya fokus pada mempertahankan hubungan dengan pemain kunci. * Kontribusi nilai yang lebih tinggi dari produk Pharos, meskipun jumlah pesanan non-Pharos lebih banyak. * Peran signifikan program Apotek Online sebagai saluran penjualan, meski saluran tradisional masih memimpin. * Efisiensi yang relatif baik dalam proses pemenuhan pesanan secara umum. * Anomali kritis pada data tanggal pengiriman (`Tgl Diterima`) yang menyebabkan durasi negatif, memerlukan perbaikan sistematis. * Variasi tingkat pembatalan antar metode pembayaran, dengan BRIVA menunjukkan tingkat tertinggi. * Identifikasi Klaster 2 sebagai segmen outlet dengan tingkat pembatalan yang sangat tinggi, menjadi area prioritas untuk investigasi lebih lanjut. Wawasan ini menjadi dasar untuk analisis yang lebih terfokus di bab-bab selanjutnya, terutama untuk memahami akar penyebab anomali dan merumuskan rekomendasi strategis yang dapat meningkatkan kinerja bisnis. ## 5. Analisis Proses Pemenuhan Pesanan Proses pemenuhan pesanan adalah tulang punggung operasional PT. Pharos, memastikan setiap produk yang dipesan pelanggan sampai pada tujuan dengan efisien. Bab ini akan mengulas secara mendalam tahapan-tahapan proses ini, mengevaluasi efisiensinya, mengidentifikasi anomali kritis, serta menganalisis faktor-faktor yang mempengaruhi keberhasilan atau pembatalan pesanan. ### Tahapan dan Efisiensi Proses Pemenuhan Proses pemenuhan pesanan di PT. Pharos melibatkan beberapa tahapan kunci, dimulai dari saat pesanan diterima hingga barang berhasil diterima oleh pelanggan. Untuk pesanan yang berstatus `TERLAYANI PENUH`, metrik waktu menunjukkan efisiensi yang cukup baik: **Rata-rata Waktu Pemenuhan untuk Pesanan `TERLAYANI PENUH` (dalam Hari)** | Tahap Proses | Rata-rata (Hari) | Median (Hari) | |:--------------------------------------|-----------------:|--------------:| | Order ke SP (Surat Pesanan) | 0,02 | 0,02 | | SP ke DO (Delivery Order) | 0,37 | 0,12 | | DO ke Pengiriman (Tgl Ekspedisi) | 0,38 | 0,18 | | Waktu Transit Pengiriman (Tgl Diterima) | 1,18 | 0,70 | | Total Waktu Pemenuhan (Order ke Diterima) | 1,95 | 1,34 | Dari tabel di atas, terlihat bahwa proses dari penerimaan order hingga penerbitan Surat Pesanan (SP) berlangsung sangat cepat, rata-rata hanya 0,02 hari. Ini menunjukkan otomatisasi yang baik atau respons yang cepat di tahap awal. Tahap Surat Pesanan ke Delivery Order (DO) dan DO ke pengiriman ekspedisi juga relatif singkat, masing-masing rata-rata 0,37 dan 0,38 hari. Durasi terlama dalam rantai pemenuhan adalah waktu transit pengiriman, dengan rata-rata 1,18 hari. Namun, nilai median yang lebih rendah (0,70 hari) menunjukkan bahwa sebagian besar pesanan tiba dalam waktu kurang dari satu hari setelah diserahkan ke ekspedisi. Secara keseluruhan, total waktu pemenuhan dari Order hingga Diterima adalah sekitar 1,95 hari, yang mengindikasikan proses yang efisien dalam skala bulanan yang teridentifikasi. ### Anomali Kritis: Inkonsistensi Data Tanggal Pengiriman Meskipun efisiensi proses pemenuhan secara umum terlihat baik, analisis data mengungkapkan adanya anomali kritis pada pencatatan tanggal, khususnya kolom `Tgl Diterima`. Ditemukan bahwa sejumlah pesanan memiliki durasi waktu pengiriman (`delivery_transit_days`) dan total waktu pemenuhan (`total_fulfillment_days`) yang bernilai negatif. Ini terjadi ketika `Tgl Diterima` tercatat jauh *sebelum* `Tgl. Order`, mengindikasikan adanya kesalahan input data yang signifikan, bukan secara fisik barang diterima lebih awal. Rata-rata durasi negatif ini mencapai sekitar -20.600 hari, atau setara dengan sekitar 56 tahun ke masa lalu. **Ringkasan Anomali Durasi Negatif** | Metrik | Jumlah RO Terdampak | Total Nilai RO Terdampak (Rp) | Rata-rata Durasi Negatif (Hari) | |:----------------------------------------|--------------------:|------------------------------:|--------------------------------:| | Durasi Transit Pengiriman | 444 | 2,775,609,773 | -20.624,2 | | Total Waktu Pemenuhan | 446 | 2,778,420,656 | -20.531,0 | Anomali ini tidak hanya memengaruhi validitas metrik waktu, tetapi juga menunjukkan masalah fundamental dalam proses input data yang dapat mengaburkan kinerja operasional yang sebenarnya. Untuk memastikan akurasi analisis, baris data dengan durasi negatif yang tidak logis ini telah difilter atau diperlakukan khusus dalam perhitungan metrik waktu. Lebih lanjut, anomali ini terdistribusi secara tidak merata dan terdeteksi lebih sering pada beberapa ekspedisi dan gudang asal tertentu: **Top 5 Ekspedisi Terlibat dalam Durasi Transit Negatif** | Nama Ekspedisi | Jumlah RO Terdampak | Total Nilai RO Terdampak (Rp) | |:----------------------------------|--------------------:|------------------------------:| | PT CENTURY | 342 | 1,784,511,599 | | PCP EXPRESS | 31 | 83,587,269 | | ANDALAN 21 EXPRESS | 22 | 214,347,746 | | PT. TUNAS ANTARNUSA MUDA KARGO | 15 | 591,710,502 | | INDAH LOGISTIK | 10 | 24,172,481 | **Top 5 Asal Gudang Terlibat dalam Durasi Transit Negatif** | Asal Gudang | Jumlah RO Terdampak | Total Nilai RO Terdampak (Rp) | |:--------------------|--------------------:|------------------------------:| | PHARMANET TANGERANG | 271 | 866,756,886 | | PHARMANET MEDAN | 82 | 1,018,249,670 | | PHARMANET MALANG | 19 | 593,475,341 | | PHARMANET MAKASSAR | 14 | 59,647,417 | | PHARMANET JAKSEL | 8 | 42,415,247 | Identifikasi ekspedisi dan gudang asal ini menjadi titik fokus untuk investigasi lebih lanjut guna mengidentifikasi akar penyebab kesalahan pencatatan dan implementasi perbaikan proses. ### Analisis Pembatalan Pesanan dan Keterkaitan dengan Efisiensi Meski tingkat pembatalan secara keseluruhan rendah (1,3%), penting untuk memahami faktor-faktor yang mungkin berkontribusi pada pembatalan. Analisis perbandingan waktu pemenuhan antara pesanan yang `TERLAYANI PENUH` dan `CANCEL` menunjukkan pola yang menarik: **Perbandingan Rata-rata Waktu Pemenuhan Berdasarkan Status RO (dalam Hari)** | Tahap Proses | Rata-rata `TERLAYANI PENUH` (Hari) | Rata-rata `CANCEL` (Hari) | |:--------------------------------------|-----------------------------------:|--------------------------:| | Order ke SP | 0,02 | 0,02 | | SP ke DO | 0,37 | 0,52 | | DO ke Pengiriman | 0,38 | 0,42 | | Waktu Transit Pengiriman | 1,18 | 1,23 | | Total Waktu Pemenuhan (Order ke Diterima) | 1,95 | 2,20 | Dari tabel di atas, terlihat bahwa pesanan yang dibatalkan cenderung memiliki rata-rata waktu pemrosesan yang sedikit lebih lama di hampir setiap tahapan, terutama pada tahap `SP ke DO` dan `Total Waktu Pemenuhan`. Perbedaan ini, meskipun kecil, mendukung hipotesis bahwa keterlambatan dalam proses pemenuhan dapat menjadi salah satu pemicu pembatalan pesanan. Selain itu, analisis `Keterangan` untuk pesanan yang dibatalkan menunjukkan bahwa hampir semua (1,740 pesanan) tidak memiliki alasan spesifik yang dicatat, melainkan hanya string kosong. Ini sangat membatasi kemampuan untuk melakukan analisis akar masalah yang mendalam mengenai penyebab pembatalan dan menghambat perumusan strategi pencegahan yang efektif. Tingkat pembatalan juga bervariasi berdasarkan metode pembayaran: ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis "Payment Method" y-axis "Cancellation Rate (%)" 0 --> 100 bar ["BCA Virtual Account", "BRIVA", "Kredivo", "Term Of Payment"] barData = [6.3, 7.2, 0.0, 6.5] ``` BRIVA dan Term Of Payment memiliki tingkat pembatalan yang sedikit lebih tinggi dibandingkan BCA Virtual Account. Meskipun Kredivo memiliki tingkat pembatalan 0,0%, jumlah transaksinya sangat kecil sehingga belum representatif. Hal ini mengindikasikan bahwa ada faktor-faktor spesifik terkait proses pembayaran atau ekspektasi pelanggan yang perlu diselidiki. ### Dampak Segmentasi Outlet terhadap Proses Pemenuhan Analisis K-Means clustering telah mengidentifikasi Klaster 2 sebagai segmen outlet dengan karakteristik pemenuhan pesanan yang paling bermasalah. Klaster ini menunjukkan rata-rata tingkat pembatalan yang sangat tinggi yaitu 76,7%, jauh di atas klaster lainnya. Rata-rata waktu pemenuhan untuk outlet di Klaster 2 adalah 2,86 hari, yang sedikit lebih lama dibandingkan Klaster 1 (2,20 hari) dan Klaster 3 (2,18 hari). Fakta bahwa Klaster 2 memiliki tingkat pembatalan yang sangat tinggi dan waktu pemenuhan yang sedikit lebih panjang sangat mengkhawatirkan. Hal ini menunjukkan bahwa ada masalah sistemik yang perlu diinvestigasi secara mendalam pada segmen pelanggan ini, yang bisa jadi berhubungan dengan isu logistik, ketersediaan produk, atau layanan pelanggan yang buruk. ### Kesimpulan dan Rekomendasi Analisis proses pemenuhan pesanan menyoroti efisiensi yang relatif baik di sebagian besar tahapan, namun juga mengungkap tantangan signifikan terkait kualitas data dan kinerja pada segmen pelanggan tertentu. **Kesimpulan Utama:** * **Efisiensi Umum Baik:** Sebagian besar pesanan diproses dan dikirimkan dalam waktu yang relatif singkat, rata-rata kurang dari 2 hari untuk pesanan yang terpenuhi sepenuhnya. * **Anomali Data Kritis:** Kesalahan fatal pada pencatatan `Tgl Diterima` menyebabkan durasi pengiriman dan pemenuhan yang negatif secara tidak logis, memengaruhi jutaan rupiah nilai transaksi. Anomali ini terkonsentrasi pada beberapa ekspedisi dan gudang tertentu. * **Keterlambatan dan Pembatalan:** Pesanan yang dibatalkan cenderung mengalami sedikit keterlambatan di beberapa tahapan proses pemenuhan. * **Kurangnya Informasi Pembatalan:** Ketiadaan alasan spesifik untuk pesanan yang dibatalkan menghambat analisis akar masalah. * **Klaster 2: Area Masalah Prioritas:** Segmen outlet Klaster 2 memiliki tingkat pembatalan yang sangat tinggi dan waktu pemenuhan yang sedikit lebih lambat, menunjukkan adanya masalah serius pada segmen ini. **Rekomendasi:** 1. **Perbaikan Kualitas Data Tanggal yang Mendesak:** * **Validasi Input Otomatis:** Segera implementasikan sistem validasi pada `Tgl Diterima` untuk mencegah input tanggal yang lebih awal dari `Tgl. Order`, `Tgl DO`, atau `Tgl Ekspedisi`. * **Audit dan Koreksi Data Historis:** Lakukan audit menyeluruh pada data historis yang terkait dengan `Tgl Diterima` untuk mengidentifikasi dan mengoreksi semua entri yang salah. Ini krusial untuk mendapatkan metrik kinerja yang akurat. * **Investigasi Spesifik Ekspedisi/Gudang:** Lakukan investigasi mendalam pada ekspedisi (terutama PT CENTURY) dan gudang (terutama PHARMANET TANGERANG dan MEDAN) yang paling sering terlibat dalam anomali data `Tgl Diterima` untuk memahami penyebabnya dan menerapkan perbaikan di tingkat operasional. 2. **Peningkatan Pencatatan Alasan Pembatalan:** * **Wajibkan Pengisian:** Jadikan pengisian alasan pembatalan sebagai langkah wajib setiap kali status pesanan diubah menjadi `CANCEL`. * **Standardisasi Kategori:** Sediakan daftar pilihan kategori alasan pembatalan yang jelas (misalnya, "Stok Kosong", "Harga Tidak Sesuai", "Perubahan Pikiran Pelanggan", "Keterlambatan Pengiriman", "Barang Rusak", "Masalah Pembayaran"). Data ini akan menjadi aset berharga untuk analisis akar masalah dan strategi mitigasi. 3. **Prioritaskan Investigasi Klaster 2:** * **Analisis Root Cause:** Lakukan analisis akar masalah terperinci untuk outlet-outlet di Klaster 2. Fokus pada produk yang sering dibatalkan, asal gudang, ekspedisi, metode pembayaran, serta karakteristik operasional lainnya yang mungkin berkontribusi pada tingkat pembatalan yang sangat tinggi. * **Intervensi Terarget:** Kembangkan dan implementasikan strategi intervensi yang disesuaikan untuk Klaster 2, seperti peningkatan komunikasi, penawaran khusus, atau perbaikan layanan logistik, untuk mengurangi tingkat pembatalan. 4. **Optimalisasi Proses Berdasarkan Waktu Pemenuhan:** * **Analisis Waktu SP ke DO:** Meskipun rata-rata cepat, nilai median yang lebih rendah dari rata-rata menunjukkan adanya variasi. Identifikasi faktor-faktor yang menyebabkan proses SP ke DO lebih lama untuk sebagian pesanan dan cari peluang untuk standarisasi atau percepatan. * **Pemantauan Ekspedisi:** Lakukan evaluasi berkala terhadap kinerja ekspedisi, terutama terkait waktu transit dan penanganan data `Tgl Diterima`, untuk memastikan standar kualitas layanan terpenuhi. Dengan menerapkan rekomendasi ini, PT. Pharos tidak hanya akan meningkatkan kualitas datanya, tetapi juga dapat mengoptimalkan proses pemenuhan pesanan, mengurangi tingkat pembatalan, dan pada akhirnya meningkatkan kepuasan pelanggan serta profitabilitas. ## 6. Faktor Pendorong Performa & Pembatalan Memahami faktor-faktor yang mendorong kinerja positif dan yang memicu pembatalan pesanan adalah kunci untuk mengoptimalkan operasional dan strategi bisnis PT. Pharos. Bab ini akan menggali lebih dalam temuan-temuan dari analisis sebelumnya untuk mengidentifikasi pendorong utama keberhasilan dan akar masalah pembatalan, termasuk anomali data yang signifikan. ### A. Faktor Pendorong Performa (Performance Drivers) Kinerja penjualan dan operasional PT. Pharos selama Juni 2026 didominasi oleh beberapa elemen kunci: #### Outlet dan Produk Unggulan Konsentrasi nilai pesanan pada segelintir outlet dan produk menunjukkan adanya "bintang" kinerja yang signifikan. Outlet-outlet teratas, seperti TEKNOLOGI MEDIKA PRATAMA, PT dan SAKAJAJA MAKMUR ABADI, PT, secara konsisten menyumbang volume dan nilai transaksi tertinggi. Demikian pula, produk-produk seperti POLYSILANE TAB. KUNYAH 5X8TAB, PRORIS SUSP 60 ML RASA JERUK, dan MICROLAX GEL OBAT PENCAHAR 5ML mendominasi penjualan. Keberadaan outlet dan produk unggulan ini adalah pilar utama pendapatan perusahaan dan harus menjadi fokus strategi retensi dan ketersediaan stok. #### Performa Produk Pharos vs. Non-Pharos Distribusi nilai pesanan antara produk yang diproduksi oleh PT. Pharos (`Pharos YN = Y`) dan non-Pharos (`Pharos YN = N`) menunjukkan bahwa produk Pharos memiliki kontribusi nilai yang lebih besar meskipun jumlah pesanan non-Pharos sedikit lebih banyak. Hal ini mengindikasikan bahwa produk-produk internal cenderung memiliki nilai rata-rata per transaksi yang lebih tinggi atau margin yang lebih baik. **Total Nilai RO Berdasarkan Asal Produk (Pharos YN)** | Pharos YN | Jumlah Pesanan | Total Value RO (Rp) | |:------------|---------------:|--------------------:| | Y | 59,301 | 33,085,676,228 | | N | 72,014 | 22,524,229,073 | ```mermaid pie title "Total Value RO by Pharos YN" "Non-Pharos": 22524229073.0 "Pharos": 33085676228.0 ``` Produk Pharos menyumbang sekitar 59.5% dari total nilai pesanan, menunjukkan bahwa mereka adalah inti dari portofolio pendapatan perusahaan. Tingkat pembatalan untuk produk Pharos (1.1%) juga sedikit lebih tinggi dibandingkan non-Pharos (0.7%), yang mungkin perlu diinvestigasi lebih lanjut apakah terkait dengan kompleksitas produk atau proses. #### Peran Apotek Online (AO YN) Partisipasi outlet dalam program Apotek Online (`AO YN`) juga menjadi faktor pendorong performa. Meskipun outlet yang tidak berpartisipasi (`N`) masih mendominasi dari segi total nilai penjualan dan jumlah outlet unik, kontribusi dari outlet yang berpartisipasi (`Y`) sangat signifikan. **Total Nilai RO Berdasarkan Partisipasi Apotek Online (AO YN)** | AO YN | Jumlah Outlet Unik | Total Value RO (Rp) | Total Qty RO | |:--------|-------------------:|--------------------:|-------------:| | N | 3,776 | 37,903,077,146 | 1,083,615 | | Y | 1,286 | 17,706,828,155 | 366,590 | ```mermaid pie title "Total Value RO by Apotek Online (AO YN) Status" "Non-AO YN": 37903077146.0 "AO YN": 17706828155.0 ``` Outlet yang berpartisipasi dalam Apotek Online menyumbang sekitar 31.8% dari total nilai pesanan, yang merupakan kontribusi substansial. Ini menunjukkan bahwa program Apotek Online adalah kanal penjualan yang efektif dan memiliki potensi pertumbuhan yang besar. Outlet AO YN menunjukkan rata-rata nilai pesanan per outlet yang lebih tinggi, mengindikasikan bahwa mereka mungkin adalah pelanggan yang lebih strategis atau memiliki kemampuan penjualan yang lebih besar. #### Efisiensi Proses Pemenuhan Untuk pesanan yang berhasil `TERLAYANI PENUH`, proses pemenuhan berjalan sangat efisien. Rata-rata total waktu dari `Tgl. Order` hingga `Tgl Diterima` hanya sekitar 1.95 hari (median 1.34 hari). Tahap awal seperti Order ke SP (0.02 hari) dan SP ke DO (0.37 hari) menunjukkan respons dan koordinasi internal yang sangat cepat. Efisiensi ini secara langsung berkontribusi pada kepuasan pelanggan dan keberhasilan pemenuhan pesanan secara keseluruhan. ### B. Faktor Pemicu Pembatalan (Cancellation Triggers) Meskipun sebagian besar pesanan terlayani penuh, adanya 1,740 pesanan dengan status `CANCEL` (1.3% dari total) dan nilai total Rp 528,933,612 memerlukan perhatian serius untuk memahami akar penyebabnya. #### Dampak Keterlambatan Proses Analisis menunjukkan bahwa pesanan yang dibatalkan cenderung memiliki waktu pemrosesan yang sedikit lebih lama di beberapa tahapan dibandingkan pesanan yang terlayani penuh. **Perbandingan Rata-rata Waktu Pemenuhan Berdasarkan Status RO (dalam Hari)** | Tahap Proses | Rata-rata `TERLAYANI PENUH` (Hari) | Rata-rata `CANCEL` (Hari) | |:------------------------------------|-----------------------------------:|--------------------------:| | Order ke SP | 0.02 | 0.02 | | SP ke DO | 0.37 | 0.52 | | DO ke Pengiriman | 0.38 | 0.42 | | Waktu Transit Pengiriman | 1.18 | 1.23 | | Total Waktu Pemenuhan | 1.95 | 2.20 | Perbedaan durasi ini, meskipun kecil, menunjukkan bahwa keterlambatan kumulatif di sepanjang rantai pasokan mungkin berkontribusi pada keputusan pelanggan untuk membatalkan pesanan. Tahap `SP ke DO` menunjukkan perbedaan yang paling mencolok (0.37 hari vs 0.52 hari), mengindikasikan bahwa penanganan internal setelah surat pesanan mungkin menjadi area yang perlu dioptimalkan untuk mengurangi pembatalan. #### Metode Pembayaran Tingkat pembatalan bervariasi secara signifikan berdasarkan metode pembayaran, menunjukkan potensi masalah atau ketidakcocokan dalam proses pembayaran tertentu. **Tingkat Pembatalan Berdasarkan Metode Pembayaran** | Payment Method | Total Pesanan Unik | Pesanan Dibatalkan | Tingkat Pembatalan (%) | |:--------------------|-------------------:|-------------------:|-----------------------:| | BCA Virtual Account | 11,894 | 745 | 6.3 | | BRIVA | 2,021 | 145 | 7.2 | | Kredivo | 24 | 0 | 0.0 | | Term Of Payment | 6,706 | 434 | 6.5 | ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis "Payment Method" y-axis "Cancellation Rate (%)" 0 --> 100 bar ["BCA Virtual Account", "BRIVA", "Kredivo", "Term Of Payment"] barData = [6.3, 7.2, 0.0, 6.5] ``` BRIVA menunjukkan tingkat pembatalan tertinggi sebesar 7.2%, diikuti oleh Term Of Payment (6.5%) dan BCA Virtual Account (6.3%). Meskipun Kredivo memiliki tingkat pembatalan 0.0%, jumlah transaksinya sangat kecil (24 pesanan unik) sehingga tidak representatif. Tingkat pembatalan yang lebih tinggi untuk BRIVA dan Term Of Payment perlu diselidiki lebih lanjut. Apakah ada masalah teknis, kendala waktu pembayaran, atau preferensi pelanggan yang kurang terakomodasi dengan metode-metode ini? #### Kurangnya Informasi Alasan Pembatalan Salah satu hambatan terbesar dalam memahami faktor pemicu pembatalan adalah ketiadaan alasan spesifik yang tercatat. Untuk semua 1,740 pesanan yang dibatalkan, kolom `Keterangan` berisi string kosong. Ini sangat membatasi kemampuan untuk melakukan analisis akar masalah yang mendalam dan merumuskan strategi pencegahan yang efektif. Tanpa data ini, upaya untuk mengurangi pembatalan menjadi spekulatif. #### Anomali Data Tanggal yang Ilgogis Anomali data yang telah dibahas sebelumnya, di mana `Tgl Diterima` tercatat jauh di masa lalu (rata-rata -20,600 hari) untuk 444 pesanan, bukan hanya masalah kualitas data tetapi juga berpotensi menjadi indikator masalah operasional yang lebih dalam yang secara tidak langsung berkontribusi pada pembatalan. Meskipun baris-baris ini difilter untuk analisis durasi, keberadaannya menunjukkan: 1. **Celah Sistemik**: Masalah serius dalam proses pencatatan data yang bisa berarti masalah pada sistem atau pelatihan staf. 2. **Keterlambatan Ekstrem**: Jika data `Tgl Diterima` tidak diinput sama sekali atau diinput sangat terlambat (mungkin sebagai tanggal default lama), ini bisa mengindikasikan pesanan yang tertunda sangat lama dan akhirnya dibatalkan, tetapi tidak tercatat dengan benar. **Top 5 Ekspedisi yang Terlibat dalam Anomali Durasi Transit Negatif** | Nama Ekspedisi | Jumlah RO Terdampak | Total Value RO Terdampak (Rp) | |:-------------------------------|--------------------:|------------------------------:| | PT CENTURY | 342 | 1,784,511,599 | | PCP EXPRESS | 31 | 83,587,269 | | ANDALAN 21 EXPRESS | 22 | 214,347,746 | | PT. TUNAS ANTARNUSA MUDA KARGO | 15 | 591,710,502 | | INDAH LOGISTIK | 10 | 24,172,481 | **Top 5 Asal Gudang yang Terlibat dalam Anomali Durasi Transit Negatif** | Asal Gudang | Jumlah RO Terdampak | Total Value RO Terdampak (Rp) | |:--------------------|--------------------:|------------------------------:| | PHARMANET TANGERANG | 271 | 866,756,886 | | PHARMANET MEDAN | 82 | 1,018,249,670 | | PHARMANET MALANG | 19 | 593,475,341 | | PHARMANET MAKASSAR | 14 | 59,647,417 | | PHARMANET JAKSEL | 8 | 42,415,247 | Konsentrasi anomali ini pada ekspedisi seperti PT CENTURY dan gudang seperti PHARMANET TANGERANG dan PHARMANET MEDAN mengindikasikan perlunya audit mendalam pada proses dan sistem mereka. ### C. Segmentasi Outlet: Kasus Klaster 2 (Outlet Segmentation: Case of Cluster 2) Analisis K-Means clustering telah mengidentifikasi empat segmen outlet, dengan Klaster 2 menonjol sebagai anomali kritis dalam hal pembatalan. **Rata-rata Tingkat Pembatalan Berdasarkan Klaster** ```mermaid xychart-beta title "Average Cancellation Rate by Cluster" x-axis "Cluster" y-axis "Cancellation Rate (%)" 0 --> 100 bar ['Cluster 0', 'Cluster 1', 'Cluster 2', 'Cluster 3'] barData = [7.98, 4.67, 76.71, 2.3] ``` Klaster 2 menunjukkan tingkat pembatalan rata-rata yang sangat tinggi, yaitu 76.7%. Ini jauh melampaui tingkat pembatalan klaster lainnya (Klaster 0 sekitar 8.0%, Klaster 1 sekitar 4.7%, dan Klaster 3 sekitar 2.3%). Karakteristik Klaster 2 secara rata-rata: * **Tingkat Pembatalan Sangat Tinggi**: 76.7% * **Nilai RO Per Outlet Rendah**: Rp 9,010,858 * **Volume RO Per Outlet Rendah**: 240 unit * **Waktu Pemenuhan Lebih Lama**: Rata-rata 2.86 hari **Rata-rata Waktu Pemenuhan Berdasarkan Klaster (Hari)** ```mermaid xychart-beta title "Average Fulfillment Time by Cluster (Days)" x-axis "Cluster" y-axis "Days" bar ['Cluster 0', 'Cluster 1', 'Cluster 2', 'Cluster 3'] barData = [2.81, 2.2, 2.86, 2.18] ``` Waktu pemenuhan rata-rata 2.86 hari untuk Klaster 2 sedikit lebih lama dibandingkan Klaster 1 dan Klaster 3 yang memiliki tingkat pembatalan rendah. Kombinasi tingkat pembatalan yang sangat tinggi, nilai pesanan yang rendah, dan waktu pemenuhan yang lebih lama menunjukkan bahwa outlet di Klaster 2 mungkin menghadapi masalah sistemik yang signifikan, atau merupakan outlet "bermasalah" yang terus-menerus membatalkan pesanan karena berbagai alasan yang tidak tercatat. Ini adalah prioritas utama untuk investigasi lebih lanjut. ### D. Rekomendasi Berdasarkan analisis faktor pendorong performa dan pemicu pembatalan, berikut adalah rekomendasi strategis: 1. **Prioritaskan Penyelamatan Klaster 2**: * **Investigasi Mendalam**: Segera lakukan investigasi mendalam terhadap outlet-outlet di Klaster 2. Identifikasi produk apa yang paling sering dibatalkan, metode pembayaran apa yang digunakan, asal gudang dan ekspedisi yang terlibat, serta pola waktu pembatalan. Lakukan wawancara langsung dengan outlet jika memungkinkan untuk memahami masalah dari perspektif mereka. * **Intervensi Bertarget**: Setelah akar masalah teridentifikasi (misalnya, masalah stok, kualitas produk, logistik yang buruk, atau isu layanan pelanggan), terapkan intervensi yang spesifik untuk klaster ini. Pertimbangkan untuk sementara mengkarantina atau memberikan perhatian khusus pada pesanan dari outlet-outlet ini untuk memastikan pemenuhan yang lancar. * **Pembersihan Data/Pelanggan**: Jika ditemukan bahwa pembatalan ini disebabkan oleh pelanggan yang tidak serius atau masalah yang tidak dapat diatasi, pertimbangkan kebijakan untuk mengelola atau bahkan menonaktifkan akun mereka jika terus merugikan operasional. 2. **Perbaiki Proses Pencatatan Alasan Pembatalan**: * **Wajibkan Pengisian Keterangan**: Modifikasi sistem pemesanan untuk membuat kolom `Keterangan` wajib diisi dengan pilihan alasan pembatalan terstandardisasi (misalnya, *dropdown menu*) setiap kali status pesanan diubah menjadi `CANCEL`. Pilihan harus mencakup "Stok Kosong", "Harga Tidak Sesuai", "Pelanggan Berubah Pikiran", "Keterlambatan Pengiriman", "Barang Rusak", "Masalah Pembayaran", dsb. * **Analisis Periodik**: Lakukan analisis reguler terhadap alasan pembatalan untuk mengidentifikasi tren dan akar masalah yang berulang, memungkinkan tindakan korektif yang proaktif. 3. **Tingkatkan Akurasi Data Tanggal Pengiriman (`Tgl Diterima`)**: * **Sistem Validasi Otomatis**: Implementasikan validasi *real-time* dalam sistem input data untuk mencegah `Tgl Diterima` dicatat lebih awal dari `Tgl. Order`, `Tgl DO`, atau `Tgl Ekspedisi`. * **Audit dan Pelatihan**: Lakukan audit rutin pada gudang dan ekspedisi yang sering terlibat dalam anomali (terutama PT CENTURY, PHARMANET TANGERANG, PHARMANET MEDAN) untuk mengidentifikasi penyebab kesalahan input dan memberikan pelatihan ulang kepada staf yang relevan. * **Koreksi Data Historis**: Pertimbangkan upaya untuk membersihkan data historis `Tgl Diterima` yang tidak logis untuk analisis di masa mendatang, atau setidaknya tandai data tersebut sebagai tidak valid. 4. **Optimalkan Proses Berdasarkan Metode Pembayaran**: * **Investigasi BRIVA dan Term Of Payment**: Selidiki lebih lanjut mengapa BRIVA dan Term Of Payment memiliki tingkat pembatalan yang lebih tinggi. Apakah ini terkait dengan proses verifikasi pembayaran yang lama, batas waktu pembayaran yang ketat, atau kendala lain yang membuat pelanggan berubah pikiran? * **Penyempurnaan Pengalaman Pembayaran**: Pertimbangkan untuk menyederhanakan alur pembayaran atau menyediakan opsi yang lebih fleksibel untuk metode-metode ini guna mengurangi gesekan yang dapat menyebabkan pembatalan. 5. **Perkuat Strategi untuk Pendorong Performa**: * **Dukungan Produk Unggulan**: Pastikan ketersediaan stok yang konsisten dan strategi pemasaran yang kuat untuk produk-produk terlaris. * **Pengembangan Apotek Online**: Terus investasikan dalam program Apotek Online (AO YN) untuk meningkatkan partisipasi outlet dan mengoptimalkan platform untuk penjualan. Tawarkan insentif atau dukungan yang lebih besar kepada outlet yang berpartisipasi. * **Manajemen Hubungan Pelanggan (CRM) untuk Outlet Unggulan**: Pertahankan dan perkuat hubungan dengan outlet-outlet berkinerja tinggi melalui program loyalitas, diskon eksklusif, atau layanan personal. Dengan mengimplementasikan rekomendasi ini, PT. Pharos dapat secara signifikan meningkatkan efisiensi operasional, mengurangi kerugian akibat pembatalan, dan pada akhirnya mendorong pertumbuhan bisnis yang berkelanjutan. ## 7. Segmentasi Outlet Pelanggan Analisis segmentasi pelanggan merupakan strategi kunci untuk memahami heterogenitas perilaku outlet dan mengembangkan pendekatan pemasaran serta operasional yang lebih terarah. Dengan menggunakan metode K-Means clustering, kami mengelompokkan 5.062 outlet unik menjadi empat segmen berbeda berdasarkan sejumlah metrik penting, termasuk nilai penjualan (Value RO), kuantitas pesanan (Qty RO), tingkat pembatalan, preferensi produk (Pharos vs. non-Pharos), serta efisiensi waktu pemenuhan. Analisis ini bertujuan untuk mengungkap wawasan tersembunyi dan mengidentifikasi area yang memerlukan perhatian khusus. Sebelum proses clustering, data telah disiapkan dengan cermat, termasuk koreksi terhadap anomali tanggal pengiriman yang teridentifikasi di bab sebelumnya, di mana 2.846 baris data `Tgl Diterima` yang tidak logis telah ditangani untuk memastikan akurasi perhitungan durasi. ### Karakteristik Segmen Outlet Berikut adalah ringkasan karakteristik rata-rata untuk setiap segmen (klaster) outlet yang teridentifikasi: | Fitur Klaster | Klaster 0 | Klaster 1 | Klaster 2 | Klaster 3 | |:------------------------------------------|:--------------------------|:--------------------------|:--------------------------|:--------------------------| | Rata-rata Total Value RO per Outlet (Rp) | 495,247,410 | 13,949,895 | 9,010,858 | 8,174,739 | | Rata-rata Total Qty RO per Outlet | 17,146 | 287 | 240 | 223 | | Rata-rata Tingkat Pembatalan Outlet (%) | 8.0% | 4.7% | **76.7%** | 2.3% | | Rata-rata Waktu Pemenuhan Outlet (hari) | 2.81 | 2.20 | 2.86 | 2.18 | | Proporsi Nilai Produk Pharos Outlet (%) | 99.5% | 49.2% | 53.2% | 52.7% | | Proporsi Partisipasi AO YN Outlet (%) | 0.0% | 100.0% | 15.4% | 0.0% | Mari kita telaah lebih dalam setiap klaster: #### Klaster 0: Pelanggan Premium & Loyal Pharos Klaster ini menunjukkan rata-rata nilai pesanan per outlet yang sangat tinggi (Rp 495.247.410) dan kuantitas pesanan yang besar (17.146 unit), jauh di atas klaster lainnya. Hal yang paling menonjol adalah loyalitas mereka terhadap produk Pharos, dengan hampir semua nilai pesanan (99.5%) berasal dari produk Pharos. Outlet di klaster ini tidak terlibat dalam program Apotek Online (0.0% partisipasi AO YN) dan memiliki rata-rata waktu pemenuhan yang sedikit lebih lama (2.81 hari) dengan tingkat pembatalan moderat (8.0%). Klaster ini mewakili pelanggan berharga yang mengandalkan produk inti perusahaan. #### Klaster 1: Pelanggan Apotek Online yang Potensial Outlet di klaster ini secara eksklusif (100.0%) berpartisipasi dalam program Apotek Online (AO YN). Mereka memiliki rata-rata nilai pesanan yang lebih rendah dibandingkan Klaster 0 (Rp 13.949.895) dan kuantitas yang lebih sedikit (287 unit), namun menunjukkan tingkat pembatalan yang relatif rendah (4.7%) dan waktu pemenuhan tercepat kedua (2.20 hari). Preferensi produk mereka seimbang antara Pharos dan non-Pharos (sekitar 49.2% produk Pharos). Klaster ini adalah indikator kesuksesan program Apotek Online dan memiliki potensi besar untuk pertumbuhan. #### Klaster 2: Anomali Pembatalan Tinggi Ini adalah klaster yang paling mengkhawatirkan dan memerlukan perhatian mendesak. Klaster 2 dicirikan oleh tingkat pembatalan rata-rata yang sangat tinggi, mencapai **76.7%**. Outlet di klaster ini memiliki rata-rata nilai pesanan (Rp 9.010.858) dan kuantitas (240 unit) yang relatif rendah, serta waktu pemenuhan terlama (2.86 hari). Partisipasi mereka dalam program Apotek Online juga rendah (15.4%). Proporsi nilai produk Pharos berada di sekitar 53.2%. Tingkat pembatalan yang ekstrem ini menunjukkan adanya masalah sistemik yang perlu diinvestigasi secara mendalam. #### Klaster 3: Fondasi Stabil dengan Efisiensi Tinggi Klaster ini memiliki rata-rata nilai pesanan (Rp 8.174.739) dan kuantitas (223 unit) yang paling rendah per outlet. Namun, mereka menonjol dengan tingkat pembatalan terendah (2.3%) dan waktu pemenuhan tercepat (2.18 hari). Seperti Klaster 0, outlet di klaster ini tidak berpartisipasi dalam program Apotek Online (0.0% AO YN). Preferensi produk mereka cukup seimbang (sekitar 52.7% produk Pharos). Meskipun nilai per outlet rendah, klaster ini merupakan fondasi yang stabil dan efisien dari basis pelanggan. ### Distribusi Nilai Pesanan Berdasarkan Klaster Visualisasi di bawah ini menunjukkan kontribusi total nilai pesanan dari masing-masing klaster: ```mermaid pie title "Total Value RO by Cluster" "Cluster 0": 6933463746 "Cluster 1": 17297870270 "Cluster 2": 2685235739 "Cluster 3": 28693335546 ``` Dari grafik, Klaster 3, meskipun memiliki rata-rata nilai pesanan per outlet yang paling rendah, menyumbang total nilai pesanan terbesar secara keseluruhan (Rp 28,693,335,546), diikuti oleh Klaster 1 (Rp 17,297,870,270). Klaster 0 (Rp 6,933,463,746) dan Klaster 2 (Rp 2,685,235,739) memiliki kontribusi total nilai yang lebih kecil. Ini mengindikasikan bahwa Klaster 3 mungkin terdiri dari banyak outlet kecil yang secara kolektif memberikan kontribusi substansial. ### Tingkat Pembatalan Rata-rata Berdasarkan Klaster Anomali paling signifikan terlihat pada tingkat pembatalan: ```mermaid xychart-beta title "Average Cancellation Rate by Cluster" x-axis "Cluster" y-axis "Cancellation Rate (%)" 0 --> 100 bar ['Cluster 0', 'Cluster 1', 'Cluster 2', 'Cluster 3'] barData = [7.98, 4.67, 76.71, 2.3] ``` Klaster 2 menunjukkan tingkat pembatalan yang sangat tinggi yaitu 76.7%, jauh di atas klaster lainnya. Ini adalah *red flag* utama yang membutuhkan investigasi dan penanganan segera. ### Waktu Pemenuhan Rata-rata Berdasarkan Klaster ```mermaid xychart-beta title "Average Fulfillment Time by Cluster (Days)" x-axis "Cluster" y-axis "Days" bar ['Cluster 0', 'Cluster 1', 'Cluster 2', 'Cluster 3'] barData = [2.81, 2.2, 2.86, 2.18] ``` Meskipun Klaster 2 memiliki tingkat pembatalan tertinggi, waktu pemenuhan rata-rata mereka (2.86 hari) tidak jauh berbeda dari Klaster 0 (2.81 hari). Namun, sedikit lebih lambat dibandingkan Klaster 1 (2.20 hari) dan Klaster 3 (2.18 hari) yang memiliki tingkat pembatalan jauh lebih rendah. Perbedaan waktu ini, meskipun tidak drastis, mungkin berkontribusi terhadap tingginya tingkat pembatalan. ### Wawasan dan Anomali Utama 1. **Prioritas Klaster 2**: Tingkat pembatalan 76.7% pada Klaster 2 adalah anomali kritis. Ini bukan sekadar angka, melainkan cerminan dari masalah serius yang dihadapi outlet-outlet di segmen ini atau masalah pada interaksi mereka dengan sistem pemenuhan pesanan PT. Pharos. Investigasi mendalam tentang akar penyebab pembatalan ini sangat penting. 2. **Peran Krusial Klaster 0 dan Klaster 3**: Klaster 0 adalah "VIP" dalam hal nilai per outlet dan loyalitas terhadap produk Pharos. Klaster 3 adalah "tulang punggung" dengan kontribusi total nilai terbesar dan tingkat pembatalan terendah, menunjukkan efisiensi dalam pemenuhan pesanan mereka. Keduanya adalah segmen yang harus dipertahankan dan dikembangkan. 3. **Potensi Klaster 1**: Klaster ini sepenuhnya terlibat dalam program Apotek Online dan memiliki tingkat pembatalan yang rendah. Ini menunjukkan bahwa platform online berfungsi dengan baik untuk segmen ini dan memiliki potensi pertumbuhan yang besar jika didukung dengan strategi yang tepat. 4. **Korelasi Waktu Pemenuhan dan Pembatalan**: Meskipun perbedaan durasi tidak besar, Klaster dengan tingkat pembatalan rendah cenderung memiliki waktu pemenuhan yang lebih cepat (Klaster 1 dan 3), sementara klaster dengan tingkat pembatalan lebih tinggi cenderung memiliki waktu pemenuhan yang sedikit lebih lambat (Klaster 0 dan 2). Ini memperkuat argumen bahwa efisiensi logistik berkontribusi pada kepuasan pelanggan dan pengurangan pembatalan. ### Rekomendasi Berdasarkan segmentasi ini, PT. Pharos dapat merumuskan strategi yang lebih bertarget: 1. **Fokus Utama: Penyelamatan dan Analisis Klaster 2**: * **Investigasi Mendalam (Deep Dive)**: Lakukan analisis *root cause* terperinci untuk setiap outlet di Klaster 2. Kumpulkan data tambahan jika memungkinkan, seperti riwayat komunikasi pelanggan, masalah stok yang pernah terjadi, atau ulasan produk. * **Identifikasi Pola Pembatalan**: Cari tahu produk apa yang paling sering dibatalkan, metode pembayaran yang digunakan, gudang asal, dan ekspedisi yang terlibat. * **Intervensi Cepat**: Kembangkan strategi intervensi yang disesuaikan, seperti: * **Proses Konfirmasi Otomatis**: Untuk pesanan dari outlet Klaster 2, implementasikan sistem konfirmasi ganda (misalnya, via telepon atau pesan) sebelum SP atau DO diterbitkan. * **Insentif untuk Pemenuhan**: Tawarkan insentif kecil kepada outlet ini untuk setiap pesanan yang berhasil dipenuhi. * **Perbaikan Layanan**: Jika masalah terkait layanan logistik atau produk, segera komunikasikan dan perbaiki. * **Evaluasi Hubungan Bisnis**: Jika setelah intervensi intensif tingkat pembatalan tetap tinggi dan merugikan, pertimbangkan untuk mengevaluasi kembali kelayakan hubungan bisnis dengan outlet-outlet ini. 2. **Strategi untuk Klaster 0 (Pelanggan Premium)**: * **Program Loyalitas Eksklusif**: Berikan penghargaan dan pengakuan kepada outlet di klaster ini melalui program loyalitas, diskon khusus, atau akses prioritas ke produk baru. * **Manajemen Akun Proaktif**: Tugaskan Account Manager khusus untuk menjaga hubungan baik dan memastikan kepuasan mereka. * **Optimalkan Ketersediaan Produk Pharos**: Pastikan stok produk Pharos yang menjadi andalan mereka selalu tersedia untuk menjaga loyalitas dan mencegah pembatalan. 3. **Strategi untuk Klaster 1 (Pelanggan Apotek Online)**: * **Promosi dan Dukungan AO YN**: Tingkatkan promosi program Apotek Online dan berikan dukungan teknis serta pemasaran yang lebih baik untuk membantu outlet ini memaksimalkan penjualan online mereka. * **Analisis Preferensi Produk**: Dalam klaster ini, proporsi produk Pharos dan non-Pharos seimbang. Lakukan analisis lebih lanjut untuk memahami preferensi produk spesifik mereka dan sesuaikan penawaran. * **Percepat Pemenuhan**: Dorong waktu pemenuhan yang lebih cepat lagi untuk mempertahankan tingkat pembatalan yang rendah dan meningkatkan pengalaman online. 4. **Strategi untuk Klaster 3 (Fondasi Stabil)**: * **Peningkatan Rata-rata Nilai Pesanan**: Meskipun tingkat pembatalan rendah, rata-rata nilai pesanan per outlet di klaster ini rendah. Tawarkan program *bundling*, diskon kuantitas, atau rekomendasi produk tambahan untuk mendorong peningkatan ukuran pesanan. * **Efisiensi Terus Ditingkatkan**: Pertahankan dan terus tingkatkan efisiensi proses pemenuhan untuk klaster ini, karena mereka adalah kontributor volume yang stabil. * **Edukasi Potensi AO YN**: Meskipun mereka saat ini tidak berpartisipasi dalam AO YN, edukasi mereka tentang manfaat program online ini untuk diversifikasi saluran penjualan mereka. Dengan menerapkan rekomendasi yang disesuaikan untuk setiap segmen, PT. Pharos dapat mengoptimalkan sumber dayanya, mengatasi masalah kritis pada Klaster 2, dan secara keseluruhan meningkatkan kinerja penjualan serta kepuasan pelanggan. ## 8. Kesimpulan & Rekomendasi Laporan Analisis Data Eksploratif ini telah menguraikan kinerja operasional pemenuhan pesanan PT. Pharos selama bulan Juni 2026, menyoroti kekuatan, area yang memerlukan perbaikan, serta anomali kritis yang menjadi penghambat. Dengan data dari 131.315 catatan pesanan, kami telah mengidentifikasi pola penjualan, efisiensi logistik, dan perilaku pelanggan yang bervariasi. ### A. Kesimpulan Utama 1. **Kinerja Operasional yang Solid dengan Poin Peningkatan:** Secara keseluruhan, PT. Pharos menunjukkan tingkat pemenuhan pesanan yang sangat tinggi, mencapai 98.7% (`TERLAYANI PENUH`), dengan total nilai transaksi lebih dari Rp 55 miliar. Ini menandakan efisiensi yang baik dalam rantai pasok. Waktu rata-rata pemenuhan pesanan yang berhasil dari `Tgl. Order` hingga `Tgl Diterima` adalah sekitar 1.95 hari, menunjukkan respons dan koordinasi internal yang cepat. Produk-produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `PRORIS SUSP 60 ML RASA JERUK`, dan `MICROLAX GEL OBAT PENCAHAR 5ML` merupakan pendorong utama pendapatan. 2. **Dualitas Produk (Pharos vs. Non-Pharos):** Produk yang diproduksi oleh PT. Pharos sendiri (`Pharos YN = Y`) menyumbang nilai pesanan yang lebih tinggi (Rp 33,085,676,228) dibandingkan produk non-Pharos (Rp 22,524,229,073), meskipun jumlah pesanan untuk produk non-Pharos lebih banyak. Ini mengindikasikan bahwa produk Pharos memiliki nilai rata-rata per transaksi yang lebih besar atau merupakan segmen premium. ```mermaid pie title "Total Value RO by Pharos YN" "Non-Pharos": 22524229073.0 "Pharos": 33085676228.0 ``` 3. **Dinamika Saluran Penjualan (Apotek Online AO YN):** Saluran penjualan tradisional atau non-online masih mendominasi secara nilai (Rp 37,903,077,146 dari 3,776 outlet unik) dan jumlah outlet, tetapi program Apotek Online (`AO YN = Y`) memberikan kontribusi yang signifikan (Rp 17,706,828,155 dari 1,286 outlet unik). Hal ini menegaskan potensi besar dari kanal online sebagai mesin pertumbuhan. ```mermaid pie title "Total Value RO by Apotek Online (AO YN) Status" "Non-AO YN": 37903077146.0 "AO YN": 17706828155.0 ``` 4. **Anomali Data Kritis `Tgl Diterima`:** Anomali paling serius yang teridentifikasi adalah kesalahan pencatatan `Tgl Diterima` yang menyebabkan durasi waktu negatif yang tidak logis (rata-rata -20,600 hari) untuk 444 pesanan senilai lebih dari Rp 2,7 miliar. Ini bukan hanya masalah kualitas data, melainkan juga menunjukkan celah sistemik dalam proses input dan validasi data yang secara fundamental merusak akurasi metrik logistik. Ekspedisi seperti PT CENTURY dan gudang seperti PHARMANET TANGERANG dan MEDAN teridentifikasi sering terlibat dalam anomali ini. 5. **Faktor Pembatalan Pesanan:** Meskipun tingkat pembatalan secara keseluruhan rendah (1.3%), pesanan yang dibatalkan cenderung mengalami sedikit keterlambatan di setiap tahapan proses pemenuhan dibandingkan pesanan yang berhasil dipenuhi. Metode pembayaran BRIVA (7.2%), Term Of Payment (6.5%), dan BCA Virtual Account (6.3%) menunjukkan tingkat pembatalan yang relatif lebih tinggi. Lebih lanjut, ketiadaan alasan spesifik yang tercatat di kolom `Keterangan` untuk semua 1,740 pesanan yang dibatalkan sangat menghambat analisis akar masalah. ```mermaid xychart-beta title "Cancellation Rate by Payment Method" x-axis "Payment Method" y-axis "Cancellation Rate (%)" 0 --> 100 bar ["BCA Virtual Account", "BRIVA", "Kredivo", "Term Of Payment"] barData = [6.3, 7.2, 0.0, 6.5] ``` 6. **Segmentasi Pelanggan: Klaster 2 sebagai Alarm Merah:** Analisis K-Means clustering mengidentifikasi empat segmen outlet pelanggan: * **Klaster 0 (Premium & Loyal Pharos)**: Outlet bernilai tinggi, sangat loyal pada produk Pharos, dan tidak berpartisipasi dalam AO YN. * **Klaster 1 (Potensi Apotek Online)**: Outlet yang seluruhnya berpartisipasi di AO YN, dengan tingkat pembatalan rendah, dan waktu pemenuhan yang baik. * **Klaster 3 (Fondasi Stabil & Efisien)**: Terdiri dari banyak outlet kecil yang secara kolektif menyumbang nilai total terbesar, memiliki tingkat pembatalan terendah, dan waktu pemenuhan tercepat. * **Klaster 2 (Anomali Pembatalan Ekstrem)**: Ini adalah segmen paling krusial, dengan tingkat pembatalan rata-rata yang sangat tinggi, yaitu **76.7%**. Outlet di klaster ini memiliki nilai pesanan yang rendah dan waktu pemenuhan yang sedikit lebih lambat. ```mermaid pie title "Total Value RO by Cluster" "Cluster 0": 6933463746 "Cluster 1": 17297870270 "Cluster 2": 2685235739 "Cluster 3": 28693335546 ``` ```mermaid xychart-beta title "Average Cancellation Rate by Cluster" x-axis "Cluster" y-axis "Cancellation Rate (%)" 0 --> 100 bar ['Klaster 0', 'Klaster 1', 'Klaster 2', 'Klaster 3'] barData = [8.0, 4.7, 76.7, 2.3] ``` ```mermaid xychart-beta title "Average Fulfillment Time by Cluster (Days)" x-axis "Cluster" y-axis "Days" bar ['Klaster 0', 'Klaster 1', 'Klaster 2', 'Klaster 3'] barData = [2.81, 2.2, 2.86, 2.18] ``` ### B. Rekomendasi Strategis Berdasarkan kesimpulan di atas, berikut adalah rekomendasi yang dapat diterapkan PT. Pharos untuk meningkatkan kinerja, mengurangi pembatalan, dan mengoptimalkan strategi bisnis: 1. **Prioritas Utama: Perbaikan Kualitas Data dan Proses:** * **A. Validasi dan Koreksi `Tgl Diterima` yang Mendesak:** * **Implementasi Sistem Validasi Otomatis:** Segera kembangkan dan terapkan sistem validasi *real-time* untuk kolom `Tgl Diterima` agar tidak bisa diinput tanggal yang lebih awal dari `Tgl. Order`, `Tgl DO`, atau `Tgl Ekspedisi`. * **Audit Menyeluruh dan Koreksi Data Historis:** Lakukan audit forensik pada data historis `Tgl Diterima` yang tidak logis dan koreksi data tersebut jika memungkinkan. Data yang telah terkoreksi akan memungkinkan perhitungan metrik logistik yang akurat di masa mendatang. * **Investigasi Mendalam pada Pihak Terlibat:** Selidiki lebih lanjut proses kerja di ekspedisi (terutama PT CENTURY) dan gudang (PHARMANET TANGERANG dan MEDAN) yang sering terlibat dalam anomali ini untuk mengidentifikasi akar penyebab kesalahan input dan menerapkan perbaikan proses atau pelatihan ulang staf. * **B. Pencatatan Alasan Pembatalan yang Rinci dan Wajib:** * **Modifikasi Sistem:** Ubah sistem pemesanan agar pengisian kolom `Keterangan` menjadi wajib dengan pilihan alasan pembatalan yang terstandarisasi (misalnya, *dropdown menu*) setiap kali status pesanan diubah menjadi `CANCEL`. Pilihan harus mencakup "Stok Kosong", "Harga Tidak Sesuai", "Perubahan Pikiran Pelanggan", "Keterlambatan Pengiriman", "Barang Rusak", "Masalah Pembayaran", dll. * **Analisis Periodik Alasan Pembatalan:** Lakukan analisis bulanan terhadap alasan pembatalan yang tercatat untuk mengidentifikasi tren, produk atau proses yang bermasalah, dan memungkinkan tindakan korektif yang proaktif. 2. **Penanganan Klaster 2 yang Kritis:** * **A. Investigasi Akar Masalah Mendalam:** * Lakukan analisis *root cause* terperinci untuk setiap outlet di Klaster 2. Ini harus melibatkan data historis mereka, jenis produk yang sering dibatalkan, metode pembayaran yang digunakan, gudang asal, ekspedisi, serta pola waktu pembatalan. * Jika memungkinkan, lakukan pendekatan langsung (wawancara atau survei) dengan perwakilan outlet di Klaster 2 untuk memahami masalah dari perspektif mereka. * **B. Intervensi Bertarget dan Evaluasi Hubungan Bisnis:** * **Proses Konfirmasi Ganda:** Untuk pesanan dari outlet Klaster 2, implementasikan sistem konfirmasi ganda (misalnya, via telepon atau pesan singkat) sebelum Surat Pesanan (SP) atau Delivery Order (DO) diterbitkan. * **Peningkatan Prioritas Layanan:** Berikan perhatian khusus pada pesanan dari klaster ini, memastikan kecepatan pemenuhan dan komunikasi yang jelas. * **Evaluasi Kembali Kelayakan Bisnis:** Jika setelah intervensi intensif, tingkat pembatalan tetap tinggi dan terus merugikan operasional, pertimbangkan untuk mengevaluasi kembali kelayakan hubungan bisnis dengan outlet-outlet ini atau menerapkan kebijakan pembatasan tertentu (misalnya, pembayaran di muka penuh). 3. **Optimalisasi Strategi Berbasis Segmentasi Pelanggan:** * **A. Klaster 0 (Premium & Loyal Pharos):** * **Program Loyalitas Eksklusif:** Hadiahi outlet di klaster ini dengan program loyalitas, diskon khusus, atau akses awal ke produk baru Pharos untuk mempertahankan dan memperkuat loyalitas mereka. * **Manajemen Akun Proaktif:** Tugaskan Account Manager khusus untuk menjalin hubungan pribadi yang kuat dan memastikan kepuasan mereka. * **Ketersediaan Produk Kritis:** Pastikan stok produk-produk Pharos yang menjadi andalan mereka selalu tersedia. * **B. Klaster 1 (Potensi Apotek Online):** * **Pengembangan Program AO YN:** Tingkatkan dukungan teknis dan pemasaran untuk outlet yang berpartisipasi dalam Apotek Online. Promosikan fitur-fitur baru dan berikan pelatihan untuk memaksimalkan penggunaan platform. * **Analisis Preferensi Produk:** Lakukan analisis produk lebih dalam untuk memahami preferensi spesifik mereka terhadap produk Pharos dan non-Pharos, lalu sesuaikan penawaran. * **C. Klaster 3 (Fondasi Stabil & Efisien):** * **Peningkatan Rata-rata Nilai Pesanan:** Meskipun kontributor nilai total terbesar, nilai pesanan per outlet rendah. Tawarkan program *bundling*, diskon kuantitas, atau rekomendasi produk tambahan untuk mendorong peningkatan ukuran pesanan. * **Edukasi Potensi AO YN:** Edukasi outlet ini tentang manfaat dan kemudahan bergabung dengan program Apotek Online untuk mendiversifikasi saluran penjualan mereka. 4. **Peninjauan Proses Pembayaran:** * **Investigasi Mendalam BRIVA dan Term Of Payment:** Selidiki mengapa metode pembayaran BRIVA dan Term Of Payment memiliki tingkat pembatalan yang lebih tinggi. Apakah ada masalah teknis, kendala batas waktu pembayaran, atau pengalaman pengguna yang kurang optimal? * **Penyederhanaan Proses:** Pertimbangkan untuk menyederhanakan alur pembayaran atau memberikan informasi yang lebih jelas terkait batas waktu dan proses verifikasi untuk mengurangi friksi yang dapat menyebabkan pembatalan. 5. **Penguatan Manajemen Produk dan Rantai Pasok:** * **Pemantauan Stok Produk Unggulan:** Secara proaktif pantau dan kelola stok produk-produk terlaris untuk menghindari kehabisan stok yang dapat memicu pembatalan atau kehilangan penjualan. * **Evaluasi Kinerja Logistik Berkelanjutan:** Lakukan evaluasi berkala terhadap kinerja semua mitra logistik dan gudang, tidak hanya terkait waktu pemenuhan, tetapi juga akurasi pencatatan data dan penanganan pesanan secara keseluruhan. Dengan menerapkan rekomendasi ini, PT. Pharos tidak hanya akan meningkatkan kualitas data dan efisiensi operasional, tetapi juga dapat secara strategis mengelola berbagai segmen pelanggannya untuk mengurangi pembatalan, meningkatkan kepuasan pelanggan, dan pada akhirnya mendorong pertumbuhan bisnis yang berkelanjutan dan profitabilitas.