# Laporan Akhir Eksplorasi Data

## 1. Ringkasan Eksekutif

Laporan ini menyajikan hasil Analisis Data Eksplorasi (EDA) awal yang bertujuan untuk memahami lebih dalam dinamika pemenuhan pesanan pelanggan, dengan fokus pada peningkatan kinerja penjualan dan identifikasi korelasi produk. Sebagai langkah pertama, ringkasan eksekutif ini memperkenalkan cakupan analisis fundamental yang telah dilakukan.

Analisis deskriptif awal telah difokuskan untuk mengukur skala operasional perusahaan. Ini mencakup identifikasi jumlah unik outlet pelanggan, ragam produk yang dipesan, serta volume dan jenis dokumen pesanan seperti Repeat Order (RO), Surat Pesanan (SP), Delivery Order (DO), dan Packing List (PL). Selain itu, kami juga mulai meninjau distribusi status pemenuhan pesanan (misalnya, status SP Header, SP Detail, Status DO, dan Status RO) untuk mendapatkan gambaran awal efisiensi proses. Metrik volume keseluruhan seperti total kuantitas dan nilai RO juga menjadi bagian dari pemeriksaan awal ini.

Pemeriksaan data pada tahap ini berfungsi sebagai landasan untuk membangun pemahaman yang komprehensif tentang operasi pemenuhan pesanan. Wawasan lebih lanjut mengenai pola spesifik, anomali, dan rekomendasi yang dapat ditindaklanjuti berdasarkan data kuantitatif akan disajikan dalam bab-bab berikutnya seiring dengan pendalaman analisis.

## 2. Kualitas Data & Pra-pemrosesan

Kualitas data adalah fondasi utama bagi setiap analisis yang akurat dan pengambilan keputusan yang tepat. Bab ini menguraikan langkah-langkah yang diambil untuk memastikan integritas, konsistensi, dan kebersihan data pemenuhan pesanan yang akan digunakan dalam analisis lebih lanjut. Proses pra-pemrosesan data berfokus pada identifikasi dan penanganan duplikasi, koreksi tipe data, serta pengelolaan nilai-nilai yang hilang atau tidak valid, sehingga data siap untuk dieksplorasi guna menemukan wawasan bisnis yang tersembunyi untuk meningkatkan kinerja dan penjualan.

### 2.1 Identifikasi dan Penanganan Duplikasi

Langkah pertama dalam pra-pemrosesan adalah mengidentifikasi dan menghapus setiap baris data yang merupakan duplikasi sempurna dari baris lain. Duplikasi data dapat menyebabkan perhitungan yang bias dan menyesatkan, seperti menggelembungkan jumlah pesanan atau nilai penjualan secara artifisial. Dengan menghilangkan entri ganda, kami memastikan bahwa setiap catatan dalam dataset merepresentasikan informasi unik, sehingga analisis selanjutnya akan didasarkan pada data yang realistis dan tidak terdistorsi.

### 2.2 Standardisasi Tipe Data

Data mentah seringkali memiliki format yang tidak konsisten yang dapat menghambat analisis. Oleh karena itu, standardisasi tipe data merupakan langkah krusial untuk memastikan data dapat diinterpretasikan dan diproses dengan benar:

*   **Kolom Tanggal**: Kolom-kolom yang merepresentasikan informasi waktu atau tanggal, seperti `Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, dan `Lastupdate`, dikonversi ke format *datetime* standar. Konversi ini esensial untuk memungkinkan analisis berbasis waktu yang akurat, seperti penghitungan durasi pemrosesan pesanan atau identifikasi tren musiman. Setiap nilai yang tidak dapat dikonversi dengan benar diubah menjadi 'Not a Time' (NaT), menandakan potensi anomali pada data tanggal asli.

*   **Kolom Numerik**: Kolom yang diharapkan berisi nilai numerik, seperti `Procod`, `Qty RO`, `Qty SP`, `Qty DO`, `Value PL`, dan `Value RO`, diperiksa dan distandardisasi. Nilai-nilai non-numerik yang ditemukan dalam kolom-kolom ini diubah menjadi 'Not a Number' (NaN) untuk mengisolasi entri yang tidak valid. Setelah proses pembersihan awal ini, kolom-kolom tersebut dikonversi ke tipe data numerik yang sesuai (bilangan bulat untuk kuantitas dan float untuk nilai moneter) untuk memastikan perhitungan matematis yang akurat. Misalnya, `Procod`, `Qty RO`, `Qty SP`, dan `Qty DO` dikonversi ke tipe bilangan bulat yang mendukung nilai kosong (Int64Dtype), sementara `Value PL` dan `Value RO` dikonversi ke tipe float (Float64Dtype).

### 2.3 Penanganan Nilai Hilang (Missing Values)

Nilai yang hilang dalam dataset dapat mengganggu analisis dan menyebabkan kesalahan interpretasi, sehingga memerlukan strategi penanganan yang berbeda untuk jenis kolom yang berbeda:

*   **Kolom Tekstual dan Identifikasi**: Untuk kolom-kolom yang berisi teks deskriptif atau pengidentifikasi unik, seperti `Keterangan`, `Nama Penerima`, `Nomor Resi`, `KodePI`, `OutCode`, `Cmc`, `Nama Outlet`, `Prodes`, `No. RO`, `No. SP`, `No. DO`, dan `No. PL`, nilai yang hilang diisi dengan string kosong (`''`). Pendekatan ini dipilih berdasarkan asumsi bahwa ketiadaan informasi pada kolom-kolom ini dapat diartikan sebagai "tidak ada data" secara spesifik daripada nilai yang tidak diketahui atau salah.

*   **Kolom Kategorikal**: Kolom kategorikal yang mewakili pilihan atau status tertentu, seperti `Pharos YN`, `AO YN`, `Divisi`, `Asal Gudang`, `Kel. Class`, `Nama Ekspedisi`, `Status DO`, `Status RO`, `Sts SP Header`, `Sts SP Detail`, dan `Payment`, nilai-nilai yang hilang diisi dengan label `UNKNOWN`. Pendekatan ini memungkinkan kolom-kolom ini tetap dapat digunakan dalam analisis kategorikal tanpa kehilangan baris data yang mungkin penting, sekaligus secara eksplisit menandai data yang tidak lengkap.

*   **Kolom Numerik (Lanjutan)**: Setelah nilai non-numerik dikonversi menjadi NaN selama standardisasi tipe data, nilai NaN yang tersisa pada kolom kuantitas (`Qty RO`, `Qty SP`, `Qty DO`) diisi dengan 0, mengindikasikan tidak ada kuantitas yang tercatat. Untuk `Procod`, nilai NaN diisi dengan -1 untuk menandai produk yang tidak diketahui atau tidak valid, sedangkan untuk `Value PL` dan `Value RO`, nilai NaN diisi dengan 0.0, mengindikasikan tidak ada nilai moneter yang terkait. Penanganan ini memastikan bahwa perhitungan agregat pada kolom-kolom ini tidak terpengaruh oleh nilai kosong dan mempertahankan konteks bisnis yang relevan.

### 2.4 Kesimpulan dan Dampak pada Analisis

Serangkaian langkah pra-pemrosesan yang telah dijelaskan di atas secara signifikan meningkatkan kualitas data. Dengan menghilangkan duplikasi, mengkonversi tipe data ke format yang benar, dan menangani nilai-nilai yang hilang secara strategis, dataset kini lebih andal dan konsisten. Data yang bersih ini merupakan prasyarat penting untuk melakukan analisis mendalam mengenai kinerja penjualan, identifikasi korelasi produk, dan efisiensi operasional tanpa risiko bias yang disebabkan oleh masalah kualitas data. Proses ini memastikan bahwa setiap wawasan yang digali dari data memiliki dasar yang kuat dan dapat dipercaya untuk mendukung pengambilan keputusan bisnis yang lebih baik.

## 3. Tinjauan Data

Bab ini berfungsi sebagai landasan awal untuk memahami struktur dan skala operasional pemenuhan pesanan dalam dataset. Analisis deskriptif awal ini bertujuan untuk memberikan gambaran umum mengenai entitas-entitas bisnis utama serta distribusi status pemenuhan pesanan.

### 3.1 Skala Operasional dan Entitas Utama

Kami memulai tinjauan dengan mengkuantifikasi jumlah entitas inti yang terlibat dalam proses pemenuhan pesanan. Ini mencakup identifikasi unik dari:
*   **Outlet Pelanggan**: Analisis ini melibatkan pemeriksaan kode-kode identifikasi outlet seperti `KodePI`, `OutCode`, dan `Cmc` untuk menentukan cakupan basis pelanggan yang dilayani. Pemahaman tentang jumlah outlet unik ini penting untuk menilai jangkauan bisnis.
*   **Produk**: Kami menganalisis kolom `Procod` dan `Prodes` untuk mengidentifikasi ragam produk yang dipesan. Ini memberikan gambaran tentang portofolio produk yang aktif dalam transaksi.
*   **Tipe Pesanan**: Berbagai jenis dokumen pesanan seperti `No. RO` (Repeat Order), `No. SP` (Surat Pesanan), `No. DO` (Delivery Order), dan `No. PL` (Packing List) juga ditinjau untuk memahami alur dan kompleksitas setiap pesanan dari awal hingga akhir. Setiap tipe pesanan merepresentasikan tahapan yang berbeda dalam siklus pemenuhan.

### 3.2 Distribusi Status Pemenuhan dan Metrik Volume

Selanjutnya, fokus tinjauan beralih ke efisiensi dan status pemenuhan pesanan di berbagai tahap:
*   **Status Pemenuhan SP dan DO**: Distribusi status pesanan diperiksa pada tingkat `Sts SP Header`, `Sts SP Detail`, dan `Status DO`. Hal ini penting untuk mengidentifikasi di mana pesanan cenderung mengalami hambatan atau pembatalan, serta untuk mengukur tingkat keberhasilan pemrosesan. Status 'P' menunjukkan pesanan sudah dilayani, 'N' dalam proses, dan 'C' dibatalkan.
*   **Status RO Keseluruhan**: Kolom `Status RO` memberikan pandangan agregat tentang bagaimana Repeat Order dilayani, dengan status 'TERLAYANI PENUH' menjadi indikator kunci keberhasilan.
*   **Metrik Volume Keseluruhan**: Kami juga meninjau metrik volume seperti total `Qty RO` (Kuantitas Repeat Order) dan `Value RO` (Nilai Repeat Order) untuk mendapatkan gambaran tentang skala transaksi dan nilai ekonomi dari pesanan yang masuk.

Analisis ini menyediakan pemahaman dasar mengenai komposisi data, volume pesanan, dan status pemenuhan secara keseluruhan. Tanpa rincian kuantitatif spesifik dari setiap kategori, kami menyadari bahwa ini adalah gambaran tingkat tinggi. Temuan lebih rinci dan berbasis angka akan memungkinkan identifikasi tren, anomali, dan area spesifik untuk perbaikan operasional di bab-bab berikutnya.

## 4. Analisis Status Pemenuhan Pesanan

Analisis Status Pemenuhan Pesanan bertujuan untuk mengevaluasi efektivitas dan efisiensi operasional dalam memenuhi pesanan pelanggan dari awal hingga akhir. Bab ini seharusnya menganalisis secara mendalam berbagai status pemenuhan, seperti `Status RO`, `Sts SP Header`, `Sts SP Detail`, dan `Status DO`, untuk mengidentifikasi pola, kendala, dan area potensial untuk perbaikan.

Secara spesifik, analisis pada bab ini diharapkan dapat memberikan wawasan mengenai:
*   **Tingkat Pemenuhan Pesanan (RO)**: Mengkuantifikasi proporsi pesanan yang "TERLAYANI PENUH" dibandingkan dengan status lain, mengindikasikan seberapa sering pesanan pelanggan berhasil dipenuhi sesuai permintaan awal.
*   **Efisiensi Pemrosesan Surat Pesanan (SP)**: Menganalisis distribusi status `Sts SP Header` dan `Sts SP Detail` (P: dilayani, N: dalam proses, C: dibatalkan) untuk memahami tahap mana dalam pembuatan SP yang paling sering mengalami hambatan atau pembatalan. Ini juga melibatkan perbandingan kuantitas yang diminta (`Qty RO`) dengan kuantitas yang disetujui dalam SP (`Qty SP`).
*   **Kinerja Delivery Order (DO)**: Mengevaluasi `Status DO` (P: dilayani, N: dalam proses, C: dibatalkan) dan membandingkan `Qty SP` dengan `Qty DO` untuk melihat apakah ada perbedaan antara apa yang disetujui dalam SP dan apa yang benar-benar dikirimkan.
*   **Disparitas Kuantitas dan Nilai**: Mengidentifikasi selisih antara `Qty RO` dan `Qty DO`, serta `Value RO` dan `Value PL` (yang mencerminkan nilai yang dikirimkan), untuk memahami sejauh mana pesanan awal pelanggan dapat dipenuhi secara kuantitas maupun nilai moneter.
*   **Durasi Pemenuhan**: Analisis durasi antara tanggal-tanggal penting, seperti `Tgl. Order` ke `Tgl DO` atau `Tgl. SP` ke `Tgl DO`, untuk mengukur waktu siklus pemenuhan dan mengidentifikasi potensi keterlambatan.

Namun, perlu dicatat bahwa selama proses analisis data eksplorasi, belum ada hasil kuantitatif spesifik atau temuan berbasis metrik yang dihasilkan untuk bab ini. Oleh karena itu, kami tidak dapat menyajikan angka pasti, persentase, atau tabel data yang merinci status pemenuhan pesanan pada titik ini. Tanpa data dan metrik yang konkret, identifikasi anomali, *insight* mendalam, maupun rekomendasi yang dapat ditindaklanjuti terkait status pemenuhan pesanan tidak dapat diformulasikan.

Analisis mendalam mengenai status pemenuhan pesanan, termasuk tingkat keberhasilan, alasan pembatalan, dan efisiensi waktu, akan menjadi fokus utama setelah data yang relevan berhasil diekstrak dan diolah pada tahap selanjutnya.

## 5. Pengaruh Flag Bisnis (Pharos YN, AO YN)

Bab ini didedikasikan untuk memahami bagaimana dua flag bisnis penting—`Pharos YN` (indikator produk yang diproduksi oleh Pharos Group) dan `AO YN` (indikator partisipasi outlet dalam program Apotek Online)—memengaruhi dinamika pemenuhan pesanan. Tujuannya adalah untuk mengungkap korelasi antara flag-flag ini dengan metrik kinerja utama seperti total kuantitas pesanan (`Qty RO`), nilai pesanan (`Value RO`), dan tingkat keberhasilan pemenuhan pesanan, khususnya status `TERLAYANI PENUH`. Pemahaman ini diharapkan dapat memberikan wawasan strategis mengenai pendorong penjualan dan efisiensi operasional.

Analisis ini sangat krusial karena dapat membantu mengidentifikasi:
*   Apakah produk dari Pharos Group memiliki pola penjualan atau tingkat pemenuhan yang berbeda dibandingkan dengan produk lain.
*   Bagaimana partisipasi dalam program Apotek Online memengaruhi volume dan nilai pesanan, serta kualitas pemenuhan bagi outlet-outlet yang terlibat.
*   Potensi anomali atau peluang di mana salah satu flag ini secara signifikan berkorelasi dengan status pesanan yang tidak terpenuhi atau tertunda.

Meskipun tujuan analisis ini telah ditetapkan, perlu dicatat bahwa pada tahap eksplorasi data ini, proses komputasi untuk menghasilkan metrik dan tabel analisis spesifik terkait `Pharos YN` dan `AO YN` belum berhasil diselesaikan. Oleh karena itu, kami belum dapat menyajikan data kuantitatif, persentase, atau temuan rinci yang mengukur pengaruh langsung dari flag bisnis ini terhadap total kuantitas, nilai, dan status pemenuhan pesanan.

Tanpa hasil analisis numerik yang konkret, tidak mungkin untuk menarik kesimpulan yang kuat, mengidentifikasi anomali berbasis data, atau merumuskan rekomendasi yang dapat ditindaklanjuti pada saat ini. Wawasan yang berasal dari analisis ini akan sangat berharga untuk strategi penjualan dan optimalisasi operasional di masa depan, dan akan menjadi fokus dalam iterasi analisis berikutnya.

## 6. Kesimpulan dan Rekomendasi

Berdasarkan serangkaian upaya analisis eksplorasi data yang telah dilakukan dan didokumentasikan dalam bab-bab sebelumnya, termasuk upaya normalisasi data, analisis deskriptif entitas utama, evaluasi status pemenuhan pesanan, serta investigasi pengaruh flag bisnis (Pharos YN, AO YN), dapat disimpulkan bahwa sebagian besar tujuan analisis kuantitatif belum berhasil dicapai secara konkret.

Pada Bab 3, Tinjauan Data, kami berupaya untuk memberikan gambaran umum mengenai skala operasional dan entitas utama. Demikian pula, Bab 4, Analisis Status Pemenuhan Pesanan, dan Bab 5, Pengaruh Flag Bisnis, dirancang untuk mengungkap pola, kendala, dan korelasi penting antara berbagai parameter dengan kinerja pemenuhan pesanan. Namun, seperti yang telah dijelaskan dalam laporan ini, proses komputasi untuk menghasilkan metrik kuantitatif, persentase, dan tabel data yang spesifik untuk bab-bab tersebut mengalami hambatan. Hasil-hasil analisis yang diharapkan, seperti tingkat pemenuhan pesanan secara spesifik, perbandingan kuantitas RO vs DO, durasi pemenuhan, atau dampak langsung dari produk Pharos Group dan program Apotek Online terhadap nilai atau volume pesanan, tidak dapat disajikan pada laporan ini karena kegagalan dalam eksekusi analisis.

Oleh karena itu, pada tahap ini, tidak ada angka, persentase, atau temuan spesifik yang dapat dirujuk untuk menarik kesimpulan yang kuat atau mengidentifikasi anomali berbasis data secara detail. Laporan ini merupakan representasi dari upaya awal dan tantangan dalam memperoleh wawasan kuantitatif yang diperlukan.

**Rekomendasi:**

Untuk melanjutkan tujuan awal dari analisis ini dan mendapatkan wawasan bisnis yang berharga guna meningkatkan kinerja penjualan dan mengidentifikasi korelasi produk, beberapa rekomendasi strategis perlu ditindaklanjuti:

1.  **Tinjau Ulang dan Optimalkan Proses Analisis Data**: Perlu dilakukan peninjauan ulang terhadap *script* analisis data yang gagal dieksekusi. Hal ini termasuk memastikan alokasi sumber daya komputasi yang memadai, optimalisasi *query* atau algoritma, serta validasi ulang terhadap integritas data setelah tahapan pra-pemrosesan untuk mencegah kegagalan berulang.
2.  **Prioritaskan Generasi Metrik Kunci**: Fokuskan upaya untuk berhasil menghasilkan metrik-metrik kunci yang telah disebutkan dalam tujuan setiap bab. Ini meliputi:
    *   Metrik skala operasional (jumlah unik outlet, produk, RO, SP, DO, PL).
    *   Distribusi status pemenuhan (Sts SP Header, Sts SP Detail, Status DO, Status RO) dengan angka dan persentase yang jelas.
    *   Total `Qty RO` dan `Value RO` sebagai dasar volume transaksi.
    *   Pengukuran `Qty RO` vs `Qty DO` dan `Value RO` vs `Value PL` untuk menganalisis disparitas pemenuhan.
    *   Analisis durasi pemenuhan dari `Tgl. Order` ke `Tgl DO` secara kuantitatif.
    *   Pengaruh `Pharos YN` dan `AO YN` terhadap `Qty RO`, `Value RO`, dan `Status RO` melalui tabel perbandingan atau analisis statistik.
3.  **Visualisasi Data yang Lebih Kaya**: Setelah data kuantitatif berhasil diekstraksi, gunakan visualisasi yang sesuai (misalnya, grafik batang untuk distribusi status, grafik garis untuk tren waktu, atau *scatter plot* untuk korelasi) untuk mempresentasikan temuan secara lebih intuitif dan naratif.
4.  **Analisis Multivariat Lanjutan**: Jika memungkinkan, setelah metrik dasar berhasil dikumpulkan, lanjutkan dengan analisis multivariat atau regresi untuk mengidentifikasi faktor-faktor yang paling berpengaruh terhadap keberhasilan pemenuhan pesanan dan nilai penjualan, seperti yang diindikasikan pada salah satu tujuan analisis (regresi untuk dampak `Pharos YN`, `AO YN`, logistik, dan pembayaran terhadap `Value RO`).

Dengan menyelesaikan langkah-langkah ini, diharapkan analisis dapat menghasilkan wawasan yang akurat dan dapat ditindaklanjuti, memungkinkan manajemen untuk membuat keputusan strategis yang lebih baik dalam meningkatkan kinerja, penjualan, dan mengoptimalkan proses pemenuhan pesanan.