# Laporan Akhir Eksplorasi Data

## 1. Ringkasan Eksekutif

Laporan Analisis Data Eksplorasi ini bertujuan untuk menggali wawasan tersembunyi dari data pemenuhan pesanan pelanggan guna meningkatkan kinerja bisnis, penjualan, dan memahami korelasi dengan produk. Data yang dianalisis mencakup seluruh siklus pemesanan, mulai dari pesanan berulang (RO), surat pesanan (SP), hingga perintah pengiriman (DO) dan daftar pengepakan (PL), yang merupakan komponen krusial dalam operasional perusahaan.

Analisis ini difokuskan pada pemahaman mendalam mengenai skala operasional, termasuk identifikasi jumlah unik outlet dan produk yang terlibat dalam transaksi. Selain itu, laporan ini akan memberikan gambaran tentang distribusi status pemenuhan pesanan pada setiap tahapan, seperti status SP (header dan detail), status DO, dan status RO, untuk menilai efisiensi dan potensi area perbaikan. Metrik volume keseluruhan seperti kuantitas pesanan (Qty RO) dan nilai pesanan (Value RO) juga menjadi sorotan utama untuk memberikan gambaran komprehensif tentang performa penjualan.

Wawasan yang diperoleh dari analisis ini diharapkan dapat mendukung pengambilan keputusan strategis dalam mengoptimalkan rantai pasok, mengidentifikasi produk berkinerja tinggi, serta meningkatkan kepuasan pelanggan melalui proses pemenuhan pesanan yang lebih efisien dan efektif. Meskipun kompleksitas data menuntut pendekatan kritis, potensi untuk mengungkap pendorong kinerja utama dan hambatan operasional sangatlah besar, yang pada akhirnya akan mengarahkan pada peningkatan bisnis yang signifikan.

## 2. Kualitas Data & Pra-pemrosesan

Kualitas data merupakan fondasi krusial bagi keakuratan dan keandalan setiap analisis. Bab ini menguraikan langkah-langkah pra-pemrosesan yang telah dilakukan untuk memastikan integritas, konsistensi, dan kesesuaian data dengan kebutuhan analisis. Tujuan utamanya adalah untuk membersihkan data dari inkonsistensi, nilai yang hilang, dan format yang tidak standar, sehingga siap untuk eksplorasi lebih lanjut.

### Metodologi Pra-pemrosesan Data

Proses pembersihan data melibatkan beberapa langkah utama:

1.  **Penanganan Duplikasi Data**:
    Identifikasi dan penghapusan baris data yang sama persis dilakukan untuk memastikan setiap entri unik merepresentasikan observasi yang berbeda. Setelah pemeriksaan menyeluruh, tidak ditemukan adanya baris duplikat dalam dataset, mengindikasikan bahwa data awal relatif bersih dari redudansi tingkat baris.

2.  **Standardisasi Tipe Data**:
    *   **Konversi Kolom Tanggal**: Kolom-kolom yang mengandung informasi waktu (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, `Lastupdate`) telah dikonversi secara sistematis ke format `datetime`. Langkah ini sangat penting untuk memungkinkan analisis berbasis waktu, seperti tren pesanan, durasi pemrosesan, dan efisiensi pengiriman. Konversi ini dilakukan dengan penanganan kesalahan, di mana nilai yang tidak valid akan diubah menjadi `NaT` (Not a Time) untuk kemudian ditangani sebagai nilai hilang.
    *   **Konversi Kolom Numerik**: Kolom yang seharusnya berisi nilai numerik (`Procod`, `Qty RO`, `Qty SP`, `Qty DO`, `Value PL`, `Value RO`) diperiksa dan dikonversi ke tipe data numerik yang sesuai.
        *   Nilai non-numerik pada kolom ini dikonversi menjadi `NaN` (Not a Number) untuk mengisolasi entri yang bermasalah.
        *   Untuk kolom `Procod`, nilai `NaN` kemudian diisi dengan `-1` dan dikonversi ke tipe `Int64Dtype`. Penggunaan `-1` bertujuan untuk menandai produk dengan kode yang tidak valid atau tidak diketahui.
        *   Untuk kolom `Qty RO`, `Qty SP`, dan `Qty DO` (kuantitas), nilai `NaN` diisi dengan `0` dan dikonversi ke tipe `Int64Dtype`. Ini mengasumsikan bahwa kuantitas yang tidak tercatat berarti tidak ada kuantitas yang dipesan atau dikirim.
        *   Untuk kolom `Value PL` dan `Value RO` (nilai moneter), nilai `NaN` diisi dengan `0.0` dan dikonversi ke tipe `Float64Dtype`. Ini mengasumsikan bahwa nilai yang tidak tercatat berarti nilai moneter nol.
        Standardisasi ini memastikan bahwa perhitungan agregasi, analisis statistik, dan perbandingan antar-kolom dapat dilakukan dengan benar.

3.  **Penanganan Nilai Hilang (Missing Values)**:
    Nilai yang hilang dalam dataset ditangani berdasarkan jenis kolomnya:
    *   **Kolom Tekstual/ID**: Kolom seperti `Keterangan`, `Nama Penerima`, `Nomor Resi`, `KodePI`, `OutCode`, `Cmc`, `Nama Outlet`, `Prodes`, `No. RO`, `No. SP`, `No. DO`, dan `No. PL` yang mengandung nilai kosong atau `NaN` diisi dengan string kosong (`''`). Penanganan ini menjaga struktur data dan sesuai dengan instruksi untuk mengabaikan beberapa kolom (`Keterangan`, `Nama Penerima`) dalam analisis.
    *   **Kolom Kategorikal**: Kolom kategorikal seperti `Pharos YN`, `AO YN`, `Divisi`, `Asal Gudang`, `Kel. Class`, `Nama Ekspedisi`, `Status DO`, `Status RO`, `Sts SP Header`, `Sts SP Detail`, dan `Payment` yang memiliki nilai hilang diisi dengan string `'UNKNOWN'`. Pendekatan ini memungkinkan kategori yang tidak diketahui untuk tetap dipertahankan dalam analisis tanpa diasumsikan sebagai kategori lain, meskipun untuk kolom `Kel. Class` telah diinstruksikan untuk diabaikan dalam analisis.

### Implikasi dan Rekomendasi

Proses pra-pemrosesan data ini telah secara signifikan meningkatkan kualitas data, menjadikannya lebih andal dan siap untuk analisis mendalam. Dengan standardisasi tipe data dan penanganan nilai hilang, risiko kesalahan interpretasi akibat data yang tidak konsisten telah diminimalkan.

**Rekomendasi:**
Untuk menjaga kualitas data di masa mendatang, sangat disarankan untuk menerapkan validasi data yang lebih ketat pada tahap input data di sumbernya. Hal ini mencakup:
*   Mencegah entri non-numerik pada kolom kuantitas dan nilai moneter.
*   Memastikan semua kolom tanggal memiliki format yang konsisten dan valid.
*   Mengurangi nilai hilang dengan membuat kolom yang relevan menjadi wajib diisi pada sistem input, atau menyediakan mekanisme yang jelas untuk penandaan nilai yang benar-benar tidak diketahui atau tidak berlaku.
Implementasi praktik terbaik dalam pengumpulan data akan secara substansial mengurangi kebutuhan akan pra-pemrosesan yang ekstensif dan mempercepat siklus analisis data.

## 3. Tinjauan Data

Bab Tinjauan Data ini bertujuan untuk memberikan pemahaman awal dan gambaran menyeluruh mengenai skala serta karakteristik data pemenuhan pesanan. Analisis ini sangat krusial untuk membangun fondasi pemahaman sebelum masuk ke eksplorasi yang lebih mendalam, memungkinkan identifikasi entitas utama, volume transaksi, dan pola dasar dalam proses operasional.

### Entitas dan Volume Transaksi Utama

Dalam tinjauan data ini, fokus utama adalah mengidentifikasi dan menghitung jumlah unik dari entitas bisnis kunci yang terlibat dalam proses pemesanan. Ini mencakup:

*   **Outlet Pelanggan**: Identifikasi jumlah outlet pelanggan yang unik melalui kode `KodePI`, `OutCode`, dan `Cmc`. Pemahaman ini penting untuk mengukur jangkauan operasional dan basis pelanggan.
*   **Produk**: Penghitungan jumlah produk unik berdasarkan `Procod` dan `Prodes` untuk mengetahui keragaman portofolio yang diperdagangkan.
*   **Tipe Pesanan**: Mengukur volume berbagai tipe pesanan yang terekam, yaitu `Repeat Order (RO)`, `Surat Pesanan (SP)`, `Delivery Order (DO)`, dan `Packing List (PL)`. Angka-angka ini memberikan gambaran tentang total aktivitas pemesanan di setiap tahapan.

Pemahaman akan jumlah entitas dan volume transaksi unik ini esensial untuk mengukur skala operasional perusahaan serta memberikan konteks untuk analisis kinerja lebih lanjut.

### Distribusi Status Pemenuhan Pesanan

Tinjauan data juga mencakup pemeriksaan distribusi status pada setiap tahapan kunci dalam alur pemenuhan pesanan. Kolom-kolom status yang relevan adalah:

*   `Sts SP Header` dan `Sts SP Detail`: Menunjukkan status surat pesanan di tingkat header dan detail. Status 'P' (sudah dilayani), 'N' (dalam proses), dan 'C' (dibatalkan) akan dianalisis distribusinya.
*   `Status DO`: Mengindikasikan status perintah pengiriman.
*   `Status RO`: Menunjukkan status akhir pesanan berulang, apakah 'Terlayani penuh' atau kondisi lainnya.

Analisis distribusi status ini krusial untuk mengidentifikasi potensi hambatan (bottleneck) atau inefisiensi dalam proses operasional. Misalnya, persentase pesanan yang dibatalkan pada tahap `SP` versus `DO` dapat menunjukkan masalah yang berbeda.

### Metrik Volume Keseluruhan

Selain jumlah unik dan distribusi status, tinjauan data juga akan fokus pada metrik volume keseluruhan yang langsung berkaitan dengan performa bisnis:

*   **Total `Qty RO`**: Agregasi total kuantitas produk yang dipesan melalui semua pesanan berulang. Ini adalah indikator langsung dari volume barang yang ditangani.
*   **Total `Value RO`**: Agregasi total nilai moneter dari semua pesanan berulang. Metrik ini sangat penting untuk menilai pendapatan dan kinerja penjualan secara keseluruhan.

### Wawasan dan Rekomendasi Awal

Secara konseptual, dari tinjauan data ini, kita akan dapat membangun pemahaman dasar mengenai skala operasi, mengidentifikasi entitas paling aktif, dan mendeteksi distribusi status yang dominan pada setiap tahapan. Wawasan awal ini diharapkan dapat menunjukkan area yang mungkin memerlukan investigasi lebih lanjut, seperti perbedaan signifikan antara `Qty RO` dan `Qty DO`, atau tingginya angka pesanan yang berstatus 'N' (dalam proses) pada `Sts SP Detail`.

Namun, perlu dicatat bahwa berdasarkan hasil yang tersedia dari langkah analisis sebelumnya, metrik kuantitatif spesifik (seperti jumlah pasti outlet unik, total kuantitas, atau distribusi persentase status) untuk bagian ini belum dapat dihasilkan. Oleh karena itu, diskusi mengenai anomali dan rekomendasi tindakan saat ini masih bersifat konseptual dan akan sangat bergantung pada ketersediaan data numerik yang relevan di analisis selanjutnya.

## 4. Temuan Utama

Bab "Temuan Utama" ini bertujuan untuk menyajikan wawasan konkret dan berbasis data yang diperoleh dari analisis eksplorasi. Fokus utama adalah mengidentifikasi pola, anomali, serta peluang peningkatan kinerja bisnis, penjualan, dan korelasi produk berdasarkan metrik kuantitatif.

Dalam upaya untuk mencapai tujuan ini, serangkaian analisis deskriptif dasar telah direncanakan dan dieksekusi. Ini termasuk kuantifikasi entitas bisnis utama seperti jumlah unik outlet dan produk, serta volume berbagai jenis pesanan (Repeat Order, Surat Pesanan, Delivery Order, dan Packing List). Selain itu, analisis juga dimaksudkan untuk memeriksa distribusi status pemenuhan pesanan pada setiap tahapan (`Sts SP Header`, `Sts SP Detail`, `Status DO`, `Status RO`) dan metrik volume keseluruhan seperti total kuantitas pesanan (`Qty RO`) dan total nilai pesanan (`Value RO`).

Namun, berdasarkan hasil dari langkah analisis yang telah dijalankan, tidak ada metrik kuantitatif spesifik (angka, persentase, atau nilai keuangan) yang berhasil dihasilkan untuk bagian ini. Dengan tidak adanya data numerik konkret dari temuan, tidak mungkin untuk mengidentifikasi anomali, menyoroti wawasan domain-spesifik, atau memberikan rekomendasi tindakan yang didukung oleh bukti data yang solid.

Oleh karena itu, temuan utama untuk bab ini tidak dapat disajikan dalam bentuk data kuantitatif. Untuk iterasi analisis di masa mendatang, penting untuk memastikan bahwa langkah-langkah analisis deskriptif dasar ini berhasil dieksekusi dan menghasilkan metrik yang dapat ditindaklanjuti, agar dapat mengungkap wawasan yang diperlukan untuk pengambilan keputusan strategis.

## 5. Rekomendasi

Meskipun analisis eksplorasi data ini telah melakukan upaya signifikan dalam pembersihan dan penstandardan data pada tahap pra-pemrosesan, serta mengidentifikasi entitas-entitas utama yang relevan, kami menghadapi keterbatasan dalam menghasilkan temuan kuantitatif spesifik. Keterbatasan ini menghambat kemampuan kami untuk merumuskan rekomendasi yang berbasis pada angka dan metrik konkret dari analisis yang sudah berjalan. Oleh karena itu, rekomendasi berikut lebih bersifat strategis dan berorientasi pada proses, bertujuan untuk memfasilitasi analisis data yang lebih mendalam di masa mendatang dan meningkatkan kapabilitas pengambilan keputusan berbasis data.

### 1. Prioritaskan Generasi Temuan Kuantitatif Konkret

Langkah krusial berikutnya adalah memastikan bahwa analisis deskriptif dan inferensial dapat secara efektif menghasilkan metrik kuantitatif. Tanpa angka-angka spesifik mengenai jumlah outlet unik, volume dan nilai RO, distribusi status pemenuhan, atau korelasi antar variabel, identifikasi anomali, wawasan domain-spesifik, dan rekomendasi operasional yang terarah tidak dapat dilakukan. Oleh karena itu, kami merekomendasikan untuk:
*   **Verifikasi Lingkungan Analisis**: Pastikan bahwa semua komponen teknis dan kueri analisis berfungsi dengan benar untuk dapat mengekstraksi dan mengagregasi data sesuai dengan tujuan.
*   **Validasi Ulang Proses Analisis**: Tinjau kembali alur kerja analisis untuk mengidentifikasi potensi kesalahan atau hambatan yang mencegah perhitungan metrik kunci.

### 2. Peningkatan Berkelanjutan Kualitas Data di Sumber

Bab Kualitas Data telah mengidentifikasi dan menangani berbagai isu, tetapi pencegahan selalu lebih baik daripada pengobatan. Untuk mendukung analisis yang lebih akurat dan tepat waktu di masa depan, sangat direkomendasikan untuk:
*   **Implementasi Validasi Data Input**: Menerapkan aturan validasi yang ketat pada sistem input data untuk mencegah entri yang tidak valid atau tidak lengkap. Ini termasuk memastikan kolom numerik hanya menerima angka, kolom tanggal memiliki format yang benar, dan kolom wajib diisi.
*   **Standardisasi Proses Pencatatan**: Meninjau dan menstandardisasi proses operasional yang berkaitan dengan pencatatan data. Misalnya, memastikan konsistensi dalam penamaan produk (`Prodes`), kode outlet (`KodePI`, `OutCode`, `Cmc`), dan status (`Sts SP Header`, `Sts SP Detail`, `Status DO`, `Status RO`).
*   **Penanganan Nilai Hilang yang Proaktif**: Mengidentifikasi akar penyebab nilai hilang (misalnya, di kolom `Nomor Resi`, `Nama Ekspedisi`) dan menerapkan solusi untuk meminimalkan kejadiannya. Jika nilai benar-benar tidak tersedia, definisikan metode standar untuk penandaannya (misalnya, menggunakan kode khusus "N/A" atau "Tidak Tersedia" daripada membiarkannya kosong).

### 3. Fokus pada Metrik Kinerja Utama (KPI)

Setelah data kuantitatif tersedia, penting untuk membangun dan secara rutin memantau Key Performance Indicators (KPIs) yang relevan dengan tujuan bisnis. Berdasarkan konteks data pemenuhan pesanan, beberapa KPI yang perlu dipertimbangkan adalah:
*   **Tingkat Pemenuhan RO Penuh**: Persentase `RO` yang berstatus `TERLAYANI PENUH`.
*   **Waktu Siklus Pemenuhan**: Rata-rata durasi antara `Tgl. Order` dan `Tgl Diterima`.
*   **Nilai Rata-rata Pesanan**: Rata-rata `Value RO` per pesanan atau per outlet.
*   **Kontribusi Produk Pharos**: Persentase `Qty RO` dan `Value RO` yang berasal dari produk dengan `Pharos YN = 'Y'`.
*   **Efektivitas Apotek Online (AO)**: Perbandingan kinerja (`Qty RO`, `Value RO`, tingkat pembatalan) outlet yang berpartisipasi dalam program `AO YN = 'Y'` dengan yang tidak.

### 4. Area Potensial untuk Investigasi Lebih Lanjut (Konseptual)

Berdasarkan tujuan awal analisis, beberapa area konseptual yang sangat menjanjikan untuk investigasi di masa depan meliputi:
*   **Analisis Waktu Siklus Pengiriman**: Menganalisis durasi antara `Tgl Logbook` dan `Tgl Ekspedisi`, serta antara `Tgl Ekspedisi` dan `Tgl Diterima` untuk mengidentifikasi hambatan dalam logistik pengiriman dan kinerja ekspedisi.
*   **Korelasi Divisi dan Gudang**: Membandingkan efisiensi dan volume pemenuhan pesanan antar `Divisi` dan `Asal Gudang` untuk mengidentifikasi praktik terbaik atau area yang memerlukan perbaikan.
*   **Dampak Metode Pembayaran**: Menganalisis pengaruh `Payment` terhadap status pemenuhan dan waktu siklus pesanan.
*   **Analisis Perilaku Outlet**: Mengelompokkan outlet berdasarkan pola pemesanan, produk favorit, atau tingkat partisipasi dalam program `AO YN` untuk strategi pemasaran atau penjualan yang lebih terarah.

Dengan menindaklanjuti rekomendasi ini, diharapkan analisis data di masa mendatang dapat menghasilkan wawasan yang jauh lebih spesifik, terukur, dan dapat ditindaklanjuti untuk mendukung peningkatan kinerja bisnis secara holistik.