# 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

Bagian "Temuan Utama" ini merupakan inti dari analisis data, yang bertujuan untuk mengungkap wawasan kritis dan anomali yang dapat mendorong peningkatan kinerja bisnis. Fokus utama adalah untuk memberikan pemahaman mendalam mengenai skala operasional, efisiensi pemenuhan pesanan, dan faktor-faktor yang mempengaruhi penjualan.

Berdasarkan tujuan analisis yang ditetapkan, kami berencana untuk menyajikan metrik kuantitatif spesifik terkait jumlah unik outlet dan produk, distribusi status pesanan di setiap tahap (RO, SP, DO, PL), serta volume keseluruhan dalam bentuk kuantitas dan nilai pesanan (Qty RO, Value RO). Wawasan ini seharusnya berfungsi sebagai dasar untuk mengidentifikasi pendorong utama kinerja penjualan, potensi hambatan dalam proses logistik, dan korelasi antara produk tertentu atau partisipasi outlet dengan keberhasilan pemenuhan pesanan.

Namun, dalam proses eksekusi analisis, kami menghadapi kendala teknis yang mengakibatkan belum berhasilnya ekstraksi data kuantitatif yang diperlukan untuk bab ini. Oleh karena itu, metrik spesifik, distribusi status, maupun nilai total yang seharusnya menjadi "temuan utama" tidak dapat disajikan secara konkret pada laporan ini. Situasi ini menghambat kemampuan kami untuk:

*   Mengukur secara pasti jumlah outlet pelanggan yang paling aktif atau produk yang paling diminati.
*   Mengidentifikasi tahapan pemenuhan pesanan yang paling sering mengalami penundaan atau pembatalan, baik pada `Sts SP Header`, `Sts SP Detail`, `Status DO`, maupun `Status RO`.
*   Menentukan total kuantitas (`Qty RO`) dan nilai moneter (`Value RO`) pesanan yang dilayani atau yang memiliki status tertentu.
*   Menganalisis korelasi antara flag seperti `Pharos YN` (produk Pharos) atau `AO YN` (partisipasi Apotek Online) dengan volume penjualan atau tingkat keberhasilan pemenuhan pesanan.
*   Melakukan analisis regresi untuk mengidentifikasi faktor-faktor yang paling berpengaruh terhadap nilai pesanan berulang.

Tanpa adanya data numerik ini, identifikasi anomali, pengukuran kinerja yang objektif, dan formulasi rekomendasi berbasis data yang spesifik menjadi tidak memungkinkan pada tahap ini.

**Rekomendasi Lanjutan:**

Untuk mengatasi keterbatasan ini dan mewujudkan tujuan analisis data yang telah ditetapkan, sangat direkomendasikan untuk:

1.  **Prioritaskan Resolusi Teknis**: Segera lakukan investigasi mendalam terhadap penyebab kegagalan dalam ekstraksi dan agregasi data kuantitatif. Ini mungkin melibatkan peninjauan kembali skrip analisis, ketersediaan sumber daya komputasi, atau kompleksitas struktur data yang belum teratasi.
2.  **Ulangi Proses Analisis**: Setelah kendala teknis teratasi, proses analisis untuk menghasilkan metrik kunci yang disebutkan di atas harus segera diulang.
3.  **Fokus pada Metrik Kritis**: Setelah data tersedia, fokus utama harus pada penyajian metrik seperti jumlah unik entitas (outlet, produk, RO, SP, DO, PL), distribusi persentase untuk setiap status pemenuhan, dan agregat total kuantitas serta nilai moneter. Ini akan memberikan gambaran dasar yang kuat.
4.  **Ekspansi Analisis**: Setelah metrik dasar berhasil diekstraksi, lanjutkan dengan eksplorasi korelasi antara faktor-faktor seperti `Pharos YN`, `AO YN`, divisi, gudang asal, dan metode pembayaran terhadap kinerja penjualan dan efisiensi pemenuhan.

Langkah-langkah ini sangat penting untuk dapat melanjutkan ke tahap identifikasi wawasan bisnis yang actionable dan mendukung pengambilan keputusan strategis yang tepat di masa mendatang.

## 5. Rekomendasi

Berdasarkan kendala teknis yang dihadapi dalam proses ekstraksi dan agregasi data kuantitatif, sebagaimana diuraikan dalam bab 'Temuan Utama', laporan ini belum dapat menyajikan rekomendasi bisnis yang spesifik dan berbasis angka. Ketiadaan metrik kunci dan hasil analisis yang konkret menghambat identifikasi anomali, pengukuran kinerja yang objektif, serta formulasi strategi yang didukung data secara langsung. Oleh karena itu, rekomendasi pada bab ini akan berfokus pada langkah-langkah prioritas untuk memungkinkan analisis lebih lanjut, serta menguraikan potensi area rekomendasi setelah data dan temuan utama berhasil diidentifikasi.

### 5.1 Prioritaskan Resolusi Kendala Teknis Analisis Data

Langkah paling krusial saat ini adalah mengatasi hambatan teknis yang menghalangi ekstraksi dan pemrosesan data kuantitatif. Tanpa data yang valid dan teragregasi, potensi wawasan tersembunyi untuk meningkatkan kinerja bisnis, sales, dan pemahaman korelasi produk tidak dapat direalisasikan. Direkomendasikan untuk segera melakukan investigasi mendalam terhadap penyebab kegagalan analisis, yang mungkin mencakup peninjauan skrip, ketersediaan sumber daya komputasi, atau kompleksitas dalam penanganan struktur data. Setelah kendala teknis teridentifikasi dan diatasi, proses analisis data perlu diulang secara menyeluruh untuk menghasilkan metrik dan temuan yang dibutuhkan.

### 5.2 Rencana Aksi untuk Analisis Lanjutan dan Rekomendasi Berbasis Data

Setelah kendala teknis teratasi dan data kuantitatif berhasil diekstraksi, langkah-langkah berikut sangat disarankan untuk menghasilkan rekomendasi bisnis yang actionable:

#### 5.2.1 Optimasi Efisiensi Pemenuhan Pesanan

Dengan ketersediaan data mengenai distribusi status `Sts SP Header`, `Sts SP Detail`, `Status DO`, dan `Status RO`, perusahaan dapat:

*   **Identifikasi Hambatan Proses (Bottlenecks)**: Menentukan tahapan mana dalam alur pemenuhan pesanan (dari RO hingga PL) yang paling sering mengalami status 'N' (dalam proses) atau 'C' (cancel). Analisis ini akan mengarahkan pada area spesifik yang membutuhkan intervensi operasional, perbaikan alur kerja, atau alokasi sumber daya tambahan untuk mengatasi penundaan atau pembatalan.
*   **Peningkatan Kecepatan Pengiriman**: Menganalisis durasi antar-tahapan penting dalam proses (misalnya, waktu antara `Tgl. Order` dan `Tgl Diterima`, atau antara `Tgl Logbook` dan `Tgl Ekspedisi`). Identifikasi tahapan dengan durasi paling lama akan membantu menemukan inefisiensi logistik dan peluang untuk mempercepat siklus pengiriman, yang berpotensi meningkatkan kepuasan pelanggan.

#### 5.2.2 Peningkatan Kinerja Penjualan dan Produk

Analisis terhadap total kuantitas (`Qty RO`) dan nilai moneter (`Value RO`) pesanan yang dikombinasikan dengan karakteristik produk (`Prodes`, `Pharos YN`) dan outlet (`Nama Outlet`, `AO YN`) dapat memberikan wawasan strategis untuk:

*   **Strategi Portofolio Produk**: Mengidentifikasi produk-produk unggulan dengan nilai penjualan tinggi atau kuantitas pesanan yang signifikan. Jika data `Pharos YN` dapat dianalisis, akan terlihat apakah produk dari Pharos Grup memiliki kontribusi penjualan yang berbeda, memungkinkan keputusan yang lebih baik mengenai fokus promosi atau pengembangan produk baru.
*   **Targeting Outlet dan Segmentasi Pasar**: Memahami outlet pelanggan mana yang paling aktif dalam melakukan pesanan (`KodePI`, `OutCode`, `Cmc`) dan apakah partisipasi dalam program Apotek Online (`AO YN`) berkorelasi dengan volume atau nilai pesanan yang lebih tinggi. Informasi ini sangat berharga untuk mengembangkan strategi pemasaran yang lebih terfokus, program loyalitas yang disesuaikan, atau inisiatif pengembangan bisnis untuk outlet yang kurang aktif.
*   **Analisis Tren Penjualan Berbasis Waktu**: Dengan memanfaatkan kolom tanggal pesanan dan pengiriman, perusahaan dapat mengidentifikasi pola musiman atau tren peningkatan/penurunan penjualan untuk produk atau outlet tertentu. Hal ini memungkinkan perencanaan inventaris yang lebih akurat dan kampanye penjualan yang lebih responsif.

#### 5.2.3 Peningkatan Pengalaman Pelanggan

Melalui pemahaman yang lebih baik tentang status pemenuhan dan efisiensi pengiriman, perusahaan dapat:

*   **Manajemen Ekspektasi Pelanggan**: Memberikan informasi status pesanan yang lebih transparan dan akurat kepada pelanggan, mulai dari penerimaan pesanan hingga perkiraan waktu pengiriman. Komunikasi yang proaktif dapat secara signifikan meningkatkan kepercayaan dan kepuasan pelanggan.
*   **Pengurangan Pembatalan Pesanan**: Mengidentifikasi akar masalah yang menyebabkan pembatalan pesanan (`Status RO` bukan 'Terlayani Penuh' atau `Sts SP Header`/`Sts SP Detail` berstatus 'C'). Dengan memahami penyebabnya, perusahaan dapat mengambil tindakan korektif, seperti peningkatan ketersediaan stok, perbaikan proses logistik, atau komunikasi yang lebih baik, untuk mengurangi kejadian pembatalan di masa depan.

### 5.3 Implementasi Sistem Pemantauan Metrik Kritis

Untuk memastikan keberlanjutan dan kemampuan analisis di masa mendatang, direkomendasikan untuk mengembangkan dan mengimplementasikan sistem pemantauan (dashboard) yang secara otomatis mengumpulkan, menganalisis, dan menyajikan metrik-metrik kunci yang telah disebutkan. Sistem ini harus mampu:

*   Memantau jumlah unik outlet, produk, dan berbagai tipe pesanan (RO, SP, DO, PL).
*   Melaporkan distribusi status pemenuhan secara real-time atau periodik di setiap tahapan.
*   Menyajikan total `Qty RO` dan `Value RO` serta perbandingannya dari waktu ke waktu, termasuk perbandingan kinerja antara produk Pharos dan non-Pharos, serta outlet AO YN dan non-AO YN.

Dengan implementasi sistem ini, manajemen dapat mengambil keputusan yang lebih cepat dan responsif berdasarkan data yang akurat dan terkini, mengubah data mentah menjadi wawasan strategis yang berkelanjutan untuk pertumbuhan dan optimasi bisnis.