# Laporan Akhir Eksplorasi Data

## 1. Ringkasan Eksekutif

Laporan Analisis Data ini bertujuan untuk menggali wawasan tersembunyi dari data pemenuhan pesanan, mengidentifikasi faktor-faktor yang memengaruhi kinerja penjualan dan efisiensi operasional, serta memberikan rekomendasi strategis untuk peningkatan bisnis. Data yang dianalisis mencakup 120,805 catatan transaksi pesanan dari berbagai outlet, produk, gudang, dan metode pembayaran.

### Gambaran Umum Data

Secara keseluruhan, sistem pemenuhan pesanan perusahaan menunjukkan tingkat efisiensi yang tinggi, dengan 98.94% dari seluruh pesanan berhasil terlaksana sepenuhnya. Ini adalah indikator positif dari operasional yang berjalan baik. Data mencakup interaksi dari 4,784 outlet unik yang memesan 1,417 SKU (produk) yang berbeda.

Analisis awal menunjukkan bahwa produk yang diproduksi oleh Pharos Group (Pharos YN 'Yes') menyumbang total nilai RO (Repeat Order) dan kuantitas RO yang lebih tinggi secara agregat dibandingkan produk non-Pharos. Namun, perlu dicatat bahwa outlet yang tidak berpartisipasi dalam program Apotek Online (AO YN 'No') masih mendominasi total nilai dan kuantitas RO. Metode pembayaran BCA Virtual Account menjadi yang paling populer, digunakan dalam 61.4% transaksi.

### Performa Penjualan

Dua produk terlaris berdasarkan nilai RO adalah POLYSILANE TAB. KUNYAH 5X8TAB (Rp 3,620,312,279) dan PRORIS SUSP 60 ML RASA JERUK (Rp 3,091,584,783), menunjukkan dominasi yang kuat dari kategori produk tertentu. Demikian pula, beberapa outlet seperti TEKNOLOGI MEDIKA PRATAMA, PT dan SAKAJAJA MAKMUR ABADI, PT adalah kontributor terbesar terhadap nilai penjualan.

Perbandingan produk Pharos dan non-Pharos menunjukkan bahwa produk Pharos Group (Pharos YN: Yes) secara kumulatif menghasilkan penjualan lebih tinggi (Rp 30,529,656,565) dibandingkan non-Pharos (Rp 20,350,470,569). Namun, analisis regresi linear menunjukkan temuan yang menarik: setelah mengendalikan variabel lain, status `Pharos YN: Yes` cenderung berkorelasi negatif dengan nilai RO individual. Ini mengindikasikan bahwa meskipun produk Pharos secara total menghasilkan volume penjualan yang besar, nilai rata-rata per pesanan mungkin lebih rendah atau non-Pharos memiliki nilai per pesanan yang lebih tinggi dalam konteks tertentu.

Partisipasi dalam Apotek Online (AO YN) juga menunjukkan pola menarik. Meskipun outlet non-AO memiliki total nilai RO yang lebih tinggi (Rp 34,036,107,602), analisis regresi justru menunjukkan bahwa status `AO YN: Yes` berkorelasi positif dengan nilai RO. Ini berarti, per pesanan, outlet yang berpartisipasi di Apotek Online cenderung memberikan nilai yang lebih tinggi, mengisyaratkan keberhasilan program dalam meningkatkan kualitas transaksi, bukan sekadar kuantitas total.

### Efisiensi Logistik

Durasi rata-rata pengiriman dari Gudang (Tgl DO ke Tgl Diterima) adalah 1.28 hari, sementara dari pemesanan hingga diterima (Tgl Order ke Tgl Diterima) adalah 1.67 hari. Terdapat variasi signifikan dalam efisiensi pengiriman antar gudang dan ekspedisi. Gudang seperti PHARMANET JAKBAR (0.17 hari) dan PHARMANET JAKTIM (0.18 hari) menunjukkan kecepatan yang sangat baik, sementara PHARMANET TANGERANG memiliki durasi rata-rata terpanjang (4.72 hari).

`Nama Ekspedisi` juga berperan penting. EXPD INTERNAL JAKSEL (0.00 hari) dan EXPD Bogor (Sierra) (0.02 hari) adalah yang tercepat, sedangkan Media Transportasi Logistic (2.17 hari) membutuhkan waktu lebih lama. Analisis regresi menunjukkan bahwa durasi pengiriman yang lebih panjang ternyata berkorelasi positif dengan `Value RO`. Ini bisa mengindikasikan bahwa pesanan bernilai tinggi mungkin memerlukan proses logistik yang lebih kompleks, jarak pengiriman yang lebih jauh, atau pelanggan bersedia menunggu lebih lama untuk produk bernilai tinggi.

### Analisis Pembatalan Pesanan

Tingkat pembatalan pesanan secara keseluruhan adalah 1.06%. Analisis menunjukkan adanya perbedaan tingkat pembatalan di beberapa area:
*   **Divisi**: Divisi VIBRANT PBF (1.52%) dan HOSPINET (1.43%) memiliki tingkat pembatalan lebih tinggi dibandingkan PHARMANET (0.96%).
*   **Asal Gudang**: PHARMANET MEDAN (2.33%), PHARMANET JAKTIM (2.21%), PHARMANET TANGERANG (2.01%), dan PHARMANET SAMARINDA (2.01%) menunjukkan tingkat pembatalan yang lebih tinggi.
*   **Nama Ekspedisi**: EXPD JAKTIM (1.98%) dan EXPD SURABAYA 1 (1.83%) memiliki tingkat pembatalan yang relatif tinggi.
*   **Metode Pembayaran**: `Term Of Payment` memiliki tingkat pembatalan sedikit lebih tinggi (1.13%) dibandingkan `BCA Virtual Account` (0.99%).

Perbandingan pesanan yang dibatalkan dengan yang terlayani penuh menunjukkan bahwa pesanan yang dibatalkan cenderung memiliki `Qty RO` (5.33 vs. 10.68) dan `Value RO` (Rp 264,920 vs. Rp 409,230) yang lebih rendah. Yang lebih krusial, pesanan yang dibatalkan memiliki durasi pemrosesan internal yang secara signifikan lebih lama dari SP ke DO (`time_sp_to_do_hours`) (13.18 jam vs. 9.64 jam) dan sedikit lebih lama dalam durasi pengiriman (`delivery_duration_days`) (1.85 hari vs. 1.71 hari). Ini menunjukkan bahwa keterlambatan dalam proses internal dan pengiriman dapat menjadi pemicu utama pembatalan, terutama untuk pesanan dengan nilai lebih kecil.

### Faktor Penentu Nilai Pesanan (Regresi Linear)

Model regresi linear menjelaskan 80.05% variasi dalam `Value RO` dan mengidentifikasi beberapa faktor signifikan:
*   **Kuantitas Pesanan (`Qty DO`)**: Seperti yang diharapkan, kuantitas produk yang dikirim memiliki dampak positif yang sangat kuat terhadap `Value RO`.
*   **Partisipasi Apotek Online (`AO YN: Yes`)**: Outlet yang berpartisipasi dalam program Apotek Online cenderung memiliki `Value RO` yang lebih tinggi per pesanan.
*   **Durasi Pengiriman (`delivery_duration_days`)**: Durasi pengiriman yang lebih lama diasosiasikan dengan `Value RO` yang lebih tinggi, mengindikasikan kemungkinan pesanan bernilai tinggi memerlukan proses logistik yang lebih kompleks atau melibatkan jarak yang lebih jauh.
*   **Divisi**: Beberapa divisi (misalnya, VIBRANT PBF, VIBRANT 3, HOSPINET) dan PHARMANET secara signifikan memengaruhi `Value RO`.
*   **Asal Gudang & Nama Ekspedisi**: Banyak gudang dan nama ekspedisi memiliki dampak positif yang signifikan terhadap `Value RO`, menunjukkan kontribusi unik dari jalur logistik tertentu.
*   **Metode Pembayaran**: Metode pembayaran BRIVA dan Term Of Payment menunjukkan korelasi negatif dengan `Value RO` dibandingkan BCA Virtual Account.
*   **Pharos YN**: Seperti yang dijelaskan sebelumnya, status `Pharos YN: Yes` memiliki korelasi negatif dengan `Value RO` dalam model regresi, yang menunjukkan perlunya investigasi lebih lanjut mengenai nilai rata-rata per item atau kompleksitas pesanan produk Pharos versus non-Pharos.

### Rekomendasi

Berdasarkan temuan di atas, berikut adalah beberapa rekomendasi strategis:

1.  **Optimalisasi Efisiensi Logistik Internal**:
    *   **Fokus pada `time_sp_to_do_hours`**: Keterlambatan proses internal dari Surat Pesanan (SP) ke Delivery Order (DO) merupakan faktor signifikan dalam pembatalan. Prioritaskan investigasi dan perbaikan proses di gudang yang menunjukkan `time_sp_to_do_hours` yang tinggi, terutama untuk pesanan dengan `Qty RO` dan `Value RO` yang lebih rendah.
    *   **Peninjauan Kinerja Gudang dan Ekspedisi**: Lakukan evaluasi mendalam terhadap gudang dengan durasi pengiriman terlama (misalnya, PHARMANET TANGERANG) dan ekspedisi dengan kinerja lambat atau tingkat pembatalan tinggi (misalnya, EXPD JAKTIM, Media Transportasi Logistic) untuk mengidentifikasi akar masalah dan menerapkan perbaikan.

2.  **Strategi Penjualan dan Pemasaran Berbasis Wawasan**:
    *   **Maksimalkan Program Apotek Online**: Mengingat `AO YN: Yes` berkorelasi positif dengan `Value RO` per pesanan, dorong lebih banyak outlet untuk berpartisipasi dalam program Apotek Online dan targetkan promosi produk bernilai tinggi pada outlet-outlet ini.
    *   **Analisis Produk Pharos vs. Non-Pharos**: Selidiki lebih lanjut mengapa produk Pharos memiliki korelasi negatif dengan `Value RO` dalam model regresi. Ini bisa berarti strategi penetapan harga atau bundling yang berbeda diperlukan, atau promosi khusus untuk meningkatkan nilai per pesanan produk Pharos.
    *   **Fokus pada Produk Unggulan**: Terus manfaatkan popularitas dan kontribusi `Value RO` yang tinggi dari produk seperti POLYSILANE dan PRORIS, dan identifikasi peluang untuk produk serupa.

3.  **Mitigasi Pembatalan Pesanan**:
    *   **Intervensi Dini untuk Pesanan Kecil**: Karena pesanan yang dibatalkan cenderung memiliki kuantitas dan nilai lebih rendah, kembangkan sistem peringatan dini untuk pesanan kecil yang mengalami keterlambatan internal untuk memprioritaskan pemenuhan atau melakukan komunikasi proaktif dengan pelanggan.
    *   **Evaluasi Divisi dan Gudang Rentan Pembatalan**: Lakukan audit proses di divisi (VIBRANT PBF, HOSPINET) dan gudang (Medan, JakTim, Tangerang, Samarinda) dengan tingkat pembatalan tinggi.
    *   **Pertimbangkan Kembali Metode Pembayaran**: Evaluasi alasan di balik korelasi negatif `Term Of Payment` dan BRIVA dengan `Value RO` dan tingkat pembatalan yang sedikit lebih tinggi.

4.  **Eksplorasi Lebih Lanjut**:
    *   **Studi Mendalam Durasi Pengiriman vs. Value RO**: Lakukan analisis kausal mengapa durasi pengiriman yang lebih panjang berkorelasi positif dengan `Value RO`. Apakah ini karena pesanan besar, jarak jauh, atau faktor lain?
    *   **Model Pembatalan yang Lebih Robust**: Coba metode modeling alternatif atau lakukan rekayasa fitur untuk membangun model yang lebih robust untuk memprediksi pembatalan, mengingat masalah "Singular matrix" pada regresi logistik awal.
    *   **Analisis Geospasial**: Integrasikan data lokasi untuk memahami dampak geografis terhadap durasi pengiriman dan tingkat pembatalan.

Dengan mengimplementasikan rekomendasi ini, perusahaan dapat secara signifikan meningkatkan kinerja penjualan, mengoptimalkan rantai pasokan, dan mengurangi kerugian akibat pembatalan pesanan, pada akhirnya mendorong pertumbuhan bisnis yang lebih berkelanjutan.

## 2. Kualitas Data & Pra-pemrosesan

Kualitas data merupakan fondasi utama bagi setiap analisis yang akurat dan pengambilan keputusan yang tepat. Tanpa data yang bersih dan terstruktur, wawasan yang dihasilkan bisa menyesatkan dan rekomendasi yang diberikan menjadi tidak relevan. Oleh karena itu, tahapan pra-pemrosesan data adalah langkah krusial untuk memastikan integritas dan keandalan dataset sebelum melangkah lebih jauh ke analisis mendalam.

### 2.1 Proses Pra-pemrosesan Data

Proses pra-pemrosesan data dilakukan dengan beberapa langkah sistematis untuk mengatasi masalah umum seperti data duplikat, format yang tidak konsisten, serta nilai yang hilang (missing values) atau tidak valid. Dataset awal `omg_10003_b1_sheet1` yang berjumlah 131,315 baris telah melalui serangkaian pembersihan sebagai berikut:

#### 2.1.1 Penanganan Data Duplikat

Langkah pertama adalah mengidentifikasi dan menghapus baris-baris data yang sama persis (duplikat). Setelah pemeriksaan menyeluruh, **tidak ditemukan adanya baris data duplikat** dalam dataset ini, menunjukkan bahwa setiap entri pesanan adalah unik pada tingkat rekaman.

#### 2.1.2 Konversi Tipe Data dan Penanganan Tanggal Invalid

Beberapa kolom yang seharusnya berformat tanggal (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, `Lastupdate`) diidentifikasi memiliki nilai yang tidak dapat diuraikan sebagai format tanggal yang valid. Untuk mengatasi hal ini, nilai-nilai yang tidak valid dikonversi menjadi `NaT` (Not a Time). Karena kolom-kolom tanggal ini krusial untuk analisis linimasa pemenuhan pesanan, baris-baris yang mengandung `NaT` pada salah satu atau lebih kolom tanggal tersebut dihapus.

Sebagai hasilnya, **10,510 baris dihapus** dari dataset karena mengandung tanggal yang tidak dapat diuraikan. Ini menyisakan **120,805 baris data bersih** untuk analisis lebih lanjut. Hilangnya sebagian data ini perlu menjadi perhatian, namun merupakan langkah penting untuk menghindari bias dalam perhitungan durasi atau tren berbasis waktu.

#### 2.1.3 Penanganan Nilai Hilang (Missing Values)

Nilai yang hilang dalam dataset ditangani secara spesifik tergantung pada tipe dan kepentingan kolom:

*   **Kolom String/Kategorikal:**
    *   Kolom `'Keterangan'` dan `'Nama Penerima'` yang tidak digunakan dalam analisis utama, namun memiliki nilai hilang yang cukup banyak, diisi dengan `‘N/A’` dan `‘UNKNOWN’` masing-masing. Sebanyak **120,805 nilai kosong** pada setiap kolom ini berhasil diisi.
    *   Kolom `'Cmc'` memiliki **4,856 nilai kosong** yang diisi dengan `‘N/A’`.
    *   Kolom `'Divisi'` memiliki **7 nilai kosong** yang diisi dengan `‘N/A’`.
    *   Kolom `'Kel. Class'` yang juga tidak digunakan dalam analisis utama, memiliki **98 nilai kosong** yang diisi dengan `‘N/A’`.
    *   Kolom lain seperti `'OutCode'`, `'Prodes'`, `'Asal Gudang'`, `'Nomor Resi'`, `'Nama Ekspedisi'`, dan `'Payment'` tidak memiliki nilai kosong yang signifikan atau sudah bersih.

*   **Kolom Numerik:**
    *   Kolom `'Qty RO'`, `'Value RO'`, `'Qty SP'`, `'Qty DO'`, dan `'Procod'` tidak memiliki nilai hilang setelah konversi tipe data ke numerik.
    *   Kolom `'Value PL'` teridentifikasi memiliki **1,278 nilai kosong**. Nilai-nilai ini diisi dengan nilai median dari kolom tersebut, yaitu `142,299.0`, untuk menjaga distribusi data dan mencegah bias.

#### 2.1.4 Standardisasi Format Data Kategorikal

Beberapa kolom kategorikal seperti `'Pharos YN'` dan `'AO YN'` menggunakan format singkat `‘Y’` atau `‘N’`. Untuk meningkatkan keterbacaan dan konsistensi, nilai-nilai ini distandardisasi menjadi `‘Yes’` dan `‘No’`. Sebanyak **120,805 nilai** pada masing-masing kolom telah berhasil distandardisasi. Selain itu, jika ada nilai kosong, akan diisi dengan `'Unknown'` (namun tidak ditemukan nilai kosong pada kedua kolom ini setelah standardisasi).

### 2.2 Dampak dan Implikasi Kualitas Data

Proses pra-pemrosesan ini memiliki dampak signifikan terhadap integritas dataset:

*   **Pengurangan Ukuran Dataset:** Penghapusan 10,510 baris karena tanggal yang tidak valid mengurangi jumlah total data yang tersedia untuk analisis. Meskipun ini mengorbankan sebagian data, langkah ini penting untuk memastikan validitas perhitungan durasi. Jumlah data yang hilang ini menunjukkan potensi isu pada proses pencatatan tanggal di sumber data, terutama mengingat kolom `'Tgl Diterima'` yang memiliki rentang tanggal sangat luas (1970-01-02 hingga 2026-08-18) yang tidak konsisten dengan kolom tanggal lainnya.
*   **Peningkatan Keandalan Numerik:** Imputasi nilai hilang pada `'Value PL'` dengan median memastikan bahwa metrik finansial tetap dapat dianalisis tanpa distorsi besar.
*   **Konsistensi Kategorikal:** Standardisasi `'Pharos YN'` dan `'AO YN'` memudahkan interpretasi dan analisis perbandingan antara kategori.
*   **Penanganan Nilai Kosong yang Tepat:** Pengisian nilai kosong pada kolom string dengan 'N/A' atau 'UNKNOWN' membantu menjaga kelengkapan data tanpa membuat asumsi yang salah, sambil secara eksplisit menandai data yang semula tidak ada.

Secara keseluruhan, meskipun ada kehilangan data akibat tanggal yang tidak valid, dataset yang dihasilkan jauh lebih bersih dan lebih andal untuk analisis lanjutan, terutama dalam perhitungan metrik waktu dan agregasi berdasarkan kategori.

### 2.3 Rekomendasi untuk Peningkatan Kualitas Data

Berdasarkan temuan selama proses pra-pemrosesan, berikut adalah beberapa rekomendasi untuk meningkatkan kualitas data di masa mendatang:

1.  **Validasi Input Tanggal Otomatis**: Terapkan validasi input otomatis pada sistem pencatatan data untuk kolom tanggal (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, `Lastupdate`). Pastikan hanya format tanggal yang benar dan masuk akal yang dapat dimasukkan. Anomali seperti `'Tgl Diterima'` yang tercatat pada tahun 1970 perlu segera diidentifikasi dan dikoreksi pada sumbernya.
2.  **Audit Data Periodik**: Lakukan audit rutin terhadap dataset untuk mengidentifikasi dan mengoreksi inkonsistensi atau nilai kosong yang tidak terdeteksi oleh validasi otomatis.
3.  **Standarisasi Entri Data**: Pastikan semua kolom kategorikal memiliki daftar pilihan yang telah ditentukan dan seragam di seluruh sistem input untuk menghindari variasi ejaan atau format (misalnya, untuk kolom `'Divisi'`, `'Asal Gudang'`, atau `'Nama Ekspedisi'`).
4.  **Kebijakan Penanganan Data Hilang**: Tentukan kebijakan yang jelas mengenai bagaimana nilai hilang harus dicatat pada sumber data, apakah dengan mengisi nilai default, 'N/A', atau tidak mencatat sama sekali, untuk mengurangi kebutuhan akan imputasi yang dapat menimbulkan bias.
5.  **Perbaikan Proses Pencatatan**: Selidiki mengapa ada begitu banyak nilai kosong pada kolom seperti `'Keterangan'`, `'Nama Penerima'`, dan `'Cmc'`. Mungkin ada celah dalam prosedur operasional standar (SOP) atau sistem yang tidak mengharuskan pengisian data ini.


## 3. Gambaran Umum Data

Setelah melalui tahapan pembersihan dan pra-pemrosesan data, dataset `omg_10003_b1_sheet1` kini siap untuk dieksplorasi lebih lanjut. Bab ini menyajikan gambaran umum komprehensif mengenai struktur, distribusi, dan karakteristik utama dari data pemenuhan pesanan, yang akan menjadi dasar bagi analisis yang lebih mendalam di bab-bab berikutnya. Total ada **120,805** catatan transaksi pesanan yang telah dibersihkan dan divalidasi.

### Identitas Unik dalam Data

Dataset ini merepresentasikan interaksi antara berbagai entitas bisnis. Pemahaman mengenai jumlah dan karakteristik unik dari entitas-entitas ini sangat penting:

| Identifier | Count |
|:-----------|------:|
| Unique KodePI (Outlets) | 4,784 |
| Unique OutCode (Outlets) | 4,784 |
| Unique Cmc (Outlets) | 4,443 |
| Unique Nama Outlet | 4,381 |
| Unique Procod (SKUs) | 1,417 |

Terlihat bahwa `KodePI` dan `OutCode` memiliki jumlah entitas unik yang sama persis (4,784), menegaskan peran keduanya sebagai pengidentifikasi unik utama untuk outlet pelanggan. Namun, `Cmc` dan `Nama Outlet` memiliki jumlah unik yang sedikit lebih rendah. Hal ini bisa mengindikasikan adanya beberapa `KodePI`/`OutCode` yang terkait dengan `Cmc` atau `Nama Outlet` yang sama, atau ada kasus di mana informasi `Cmc` dan `Nama Outlet` belum sepenuhnya unik atau konsisten antar entri. Untuk `Procod`, terdapat 1,417 SKU berbeda yang diperdagangkan, menunjukkan keragaman produk yang ditawarkan.

### Distribusi Status Transaksi

Salah satu metrik terpenting dalam pemenuhan pesanan adalah status transaksi. Data menunjukkan konsistensi yang sangat tinggi dalam status pesanan di berbagai tahap proses:

#### Status RO
| Status RO | Count | Percentage |
|:----------|------:|-----------:|
| TERLAYANI PENUH | 119,527 | 98.9% |
| CANCEL | 1,278 | 1.1% |

#### Sts SP Header
| Sts SP Header | Count | Percentage |
|:--------------|------:|-----------:|
| P | 119,527 | 98.9% |
| C | 1,278 | 1.1% |

#### Sts SP Detail
| Sts SP Detail | Count | Percentage |
|:--------------|------:|-----------:|
| P | 119,527 | 98.9% |
| C | 1,278 | 1.1% |

#### Status DO
| Status DO | Count | Percentage |
|:----------|------:|-----------:|
| P | 119,527 | 98.9% |
| C | 1,278 | 1.1% |

Sebagian besar pesanan, yaitu **98.9%**, berhasil diselesaikan hingga tahap 'TERLAYANI PENUH' atau 'P' (Processed/Dilayani), menunjukkan efisiensi operasional yang sangat baik dalam proses pemenuhan. Hanya sebagian kecil, sekitar **1.1%**, dari pesanan yang mengalami pembatalan ('CANCEL' atau 'C'). Konsistensi persentase ini di seluruh kolom status (`Status RO`, `Sts SP Header`, `Sts SP Detail`, `Status DO`) menunjukkan bahwa status pembatalan atau pelayanan final telah dicatat secara seragam dan akurat di seluruh alur kerja.

### Gambaran Statistik Nilai Kuantitatif

Analisis statistik deskriptif untuk kolom-kolom numerik memberikan pemahaman awal tentang volume pesanan dan nilai transaksional:

| Metric | Qty RO | Value RO | Qty SP | Qty DO | Value PL |
|:-------|-------:|---------:|-------:|-------:|---------:|
| Mean | 11 | 421,176 | 11 | 11 | 419,911 |
| Median | 3 | 141,870 | 3 | 3 | 142,299 |
| Min | 0 | 0 | 0 | 0 | 0 |
| Max | 7,200 | 166,269,792 | 7,200 | 7,200 | 166,269,792 |
| Sum | 1,329,066 | 50,880,127,134 | 1,319,582 | 1,319,582 | 50,727,356,532 |

Dari tabel di atas, terlihat adanya perbedaan yang signifikan antara nilai rata-rata (mean) dan median untuk semua metrik kuantitatif (`Qty RO`, `Value RO`, `Qty SP`, `Qty DO`, `Value PL`). Hal ini mengindikasikan distribusi data yang sangat miring ke kanan (right-skewed), dengan keberadaan pesanan-pesanan bervolume atau bernilai sangat besar (outliers) yang menarik nilai rata-rata ke atas. Nilai maksimum yang sangat tinggi (misalnya, `Value RO` hingga Rp 166 juta) menegaskan adanya transaksi skala besar. Total kumulatif `Value RO` mencapai lebih dari Rp 50 triliun, mencerminkan volume bisnis yang substansial.

Perlu dicatat juga bahwa `Qty RO`, `Qty SP`, dan `Qty DO` memiliki nilai rata-rata dan median yang sangat dekat, yang mendukung konteks bisnis bahwa 1 Repeat Order (RO) akan diterbitkan menjadi 1 Surat Pesanan (SP) dan kemudian 1 Delivery Order (DO) dengan kuantitas yang serupa. Selisih antara `Value RO` dan `Value PL` (Packing List) sangat kecil, menunjukkan keselarasan nilai antara pesanan dan dokumen pengiriman.

### Karakteristik Kategorikal

Distribusi variabel kategorikal memberikan wawasan tentang segmen pasar dan operasional perusahaan:

#### Pharos YN (Produk Pharos Grup)
| Flag | Count | Percentage |
|:-----|------:|-----------:|
| No | 65,845 | 54.5% |
| Yes | 54,960 | 45.5% |

Distribusi produk Pharos vs. non-Pharos relatif seimbang, dengan produk non-Pharos sedikit mendominasi jumlah transaksi. Ini menunjukkan bahwa perusahaan tidak hanya bergantung pada produk internal Pharos Grup tetapi juga mendistribusikan produk dari vendor lain secara signifikan.

#### AO YN (Partisipasi Apotek Online)
| Flag | Count | Percentage |
|:----|------:|-----------:|
| No | 74,553 | 61.7% |
| Yes | 46,252 | 38.3% |

Sebagian besar transaksi (61.7%) masih berasal dari outlet yang tidak berpartisipasi dalam program Apotek Online. Meskipun demikian, hampir 40% transaksi berasal dari outlet yang telah menjadi bagian dari program Apotek Online, menunjukkan adopsi yang cukup baik dan potensi pertumbuhan untuk inisiatif digital ini.

#### Divisi
| Divisi | Count | Percentage |
|:-------|------:|-----------:|
| PHARMANET | 101,359 | 83.9% |
| HOSPINET | 17,117 | 14.2% |
| VIBRANT PBF | 2,277 | 1.9% |
| VIBRANT 3 | 45 | 0.0% |
| N/A | 7 | 0.0% |

Divisi PHARMANET secara signifikan mendominasi volume transaksi dengan 83.9% dari total, diikuti oleh HOSPINET (14.2%). Divisi VIBRANT PBF dan VIBRANT 3 memiliki kontribusi yang jauh lebih kecil. Ini menggarisbawahi PHARMANET sebagai pilar utama operasional bisnis.

#### Asal Gudang (Top 5 berdasarkan jumlah transaksi)
| Asal Gudang | Count | Percentage |
|:------------|------:|-----------:|
| PHARMANET SURABAYA | 13,108 | 10.8% |
| PHARMANET BEKASI | 12,540 | 10.4% |
| PHARMANET BANDUNG | 9,379 | 7.8% |
| PHARMANET TANGERANG | 9,352 | 7.7% |
| PHARMANET SEMARANG | 8,847 | 7.3% |

Transaksi tersebar di berbagai gudang, dengan PHARMANET SURABAYA dan PHARMANET BEKASI menjadi dua gudang dengan volume tertinggi, masing-masing menyumbang lebih dari 10% dari total pesanan. Ini menunjukkan infrastruktur logistik yang terdistribusi dan pentingnya gudang-gudang regional dalam pemenuhan pesanan. Terdapat banyak gudang lain yang berkontribusi pada sisa volume transaksi, memastikan jangkauan distribusi yang luas.

#### Metode Pembayaran
| Payment Method | Count | Percentage |
|:---------------|------:|-----------:|
| BCA Virtual Account | 74,176 | 61.4% |
| Term Of Payment | 33,772 | 28.0% |
| BRIVA | 12,727 | 10.5% |
| Kredivo | 130 | 0.1% |

BCA Virtual Account adalah metode pembayaran yang paling populer, digunakan dalam 61.4% transaksi, diikuti oleh Term Of Payment (28.0%) dan BRIVA (10.5%). Preferensi yang jelas terhadap BCA Virtual Account menunjukkan dominasi pembayaran digital dan kebutuhan untuk terus memastikan kelancaran proses pembayaran ini.

### Rentang Waktu Data

Kolom tanggal memberikan konteks temporal untuk dataset:

| Date Column | Min Date | Max Date |
|:------------|:---------|:---------|
| Tgl. Order | 2026-06-01 | 2026-06-30 |
| Tgl DO | 2026-06-01 | 2026-07-02 |
| Tgl Diterima | 1970-01-02 | 2026-08-18 |

Sebagian besar transaksi dalam dataset ini tercatat terjadi pada bulan Juni 2026, dengan tanggal order berkisar dari 1 Juni hingga 30 Juni 2026. Tanggal Delivery Order (Tgl DO) dan Tgl. PL mengikuti pola yang sama, umumnya dalam rentang waktu yang berdekatan dengan Tgl. Order, menunjukkan siklus pemenuhan pesanan yang cepat.

Namun, terdapat anomali signifikan pada kolom `Tgl Diterima`, dengan nilai minimum yang tercatat pada **1970-01-02**. Tanggal ini sangat jauh di masa lalu dibandingkan dengan rentang tanggal transaksi lainnya, yang mayoritas di tahun 2026. Anomali ini dapat menunjukkan:
1.  **Nilai Default/Placeholder**: Tanggal ini mungkin digunakan sebagai nilai default ketika tanggal sebenarnya tidak tersedia.
2.  **Kesalahan Entri Data**: Kemungkinan adanya kesalahan manual atau sistem saat mencatat tanggal penerimaan.

Meskipun baris yang berisi tanggal tidak valid telah dihapus pada tahap pembersihan, keberadaan tanggal 1970 ini untuk `Tgl Diterima` yang *masih ada* setelah pembersihan menunjukkan bahwa sistem menganggapnya sebagai tanggal yang valid, namun secara bisnis ini merupakan data yang tidak wajar. Anomali ini perlu diselidiki lebih lanjut karena dapat memengaruhi analisis durasi pengiriman jika tidak ditangani dengan benar pada tahapan analisis berikutnya.

### Ringkasan Umum dan Implikasi Bisnis Awal

Dataset ini memberikan gambaran yang jelas mengenai operasional pemenuhan pesanan perusahaan. Tingkat keberhasilan pemenuhan pesanan yang sangat tinggi (98.9%) adalah indikator kinerja yang kuat. PHARMANET adalah divisi dominan, dan BCA Virtual Account adalah metode pembayaran yang paling disukai. Kehadiran outlet Apotek Online yang signifikan menunjukkan relevansi inisiatif digital perusahaan.

Namun, beberapa poin memerlukan perhatian lebih lanjut:
*   Variasi dalam pengidentifikasi unik outlet (`Cmc`, `Nama Outlet`) bisa menunjukkan masalah konsistensi data master.
*   Perbedaan besar antara rata-rata dan median nilai kuantitatif mengindikasikan bahwa sebagian kecil pesanan bernilai sangat tinggi menyumbang sebagian besar pendapatan, yang membutuhkan strategi manajemen pelanggan dan logistik yang spesifik.
*   Anomali `Tgl Diterima` pada tahun 1970 harus ditangani untuk menghindari distorsi dalam analisis berbasis waktu seperti durasi pengiriman.

Secara keseluruhan, data ini adalah sumber informasi yang kaya untuk memahami pola transaksi, efisiensi operasional, dan area potensial untuk peningkatan kinerja bisnis.

## 4. Analisis Performa Penjualan & Efisiensi Logistik

Bab ini akan mengupas tuntas performa penjualan dan efisiensi logistik perusahaan, yang merupakan dua pilar utama dalam operasi bisnis. Kami akan menganalisis produk dan outlet mana saja yang menjadi pendorong utama pendapatan, serta bagaimana faktor-faktor seperti jenis produk (Pharos vs. Non-Pharos) dan partisipasi dalam program Apotek Online (AO) memengaruhi penjualan. Lebih lanjut, kami akan mengevaluasi efisiensi rantai pasokan dengan mengukur durasi pengiriman dan membandingkan kinerja antar gudang dan ekspedisi yang berbeda, dengan tujuan mengidentifikasi area yang memerlukan perbaikan.

### 4.1 Performa Penjualan

Analisis performa penjualan bertujuan untuk mengidentifikasi kontributor terbesar terhadap pendapatan dan memahami pola penjualan berdasarkan kategori produk dan jenis outlet.

#### 4.1.1 Produk Unggulan Berdasarkan Nilai RO (Repeat Order)

Identifikasi produk-produk dengan nilai penjualan tertinggi (Value RO) sangat penting untuk strategi inventaris dan pemasaran. Tabel berikut menampilkan 10 produk teratas yang paling banyak menyumbang pendapatan:

| Procod | Prodes | Total Value RO |
|--------|--------|----------------|
| 200850 | POLYSILANE TAB. KUNYAH 5X8TAB | 3,620,312,279 |
| 201478 | PRORIS SUSP 60 ML RASA JERUK | 3,091,584,783 |
| 201630 | MICROLAX GEL OBAT PENCAHAR 5ML | 3,073,399,175 |
| 202144 | MICROLAX 3 X 5 ML | 2,443,303,870 |
| 201784 | POLYSILANE SUSPENSI 100 ML | 1,806,640,425 |
| 110492 | PRORIS FORTE 200MG SUSP 50ML | 1,486,693,859 |
| 104115 | CATAFLAM 50MG TAB 50'S | 1,279,658,216 |
| 103842 | MEFINAL 500MG CAP 100'S | 1,007,896,840 |
| 102056 | NEBACETIN POWDER 5GR | 933,032,573 |
| 304507 | ALBUSMIN 3 BLISTER @ 10 KAPSUL | 895,939,918 |

**Insight Bisnis:**
*   Dua produk **POLYSILANE** (Tablet Kunyah dan Suspensi) dan dua produk **MICROLAX** mendominasi daftar penjualan tertinggi, menunjukkan tingginya permintaan untuk produk pencernaan dan antasida. Produk-produk ini adalah *cash cow* perusahaan yang perlu terus dijaga ketersediaannya dan mungkin dipertimbangkan untuk program promosi khusus.
*   **PRORIS** (Suspensi Jeruk dan Forte) juga merupakan kontributor signifikan, mengindikasikan kuatnya pasar untuk obat demam/flu pada anak.
*   Produk-produk ini kemungkinan memiliki margin keuntungan yang baik atau volume penjualan yang sangat tinggi, menjadikannya kunci keberhasilan penjualan perusahaan.

#### 4.1.2 Outlet Unggulan Berdasarkan Nilai RO

Memahami outlet mana yang menyumbang pendapatan terbesar membantu dalam alokasi sumber daya penjualan dan manajemen hubungan pelanggan (CRM). Berikut adalah 10 outlet teratas berdasarkan Total Value RO:

| Nama Outlet | Total Value RO |
|-------------|----------------|
| TEKNOLOGI MEDIKA PRATAMA, PT | 1,606,912,097 |
| SAKAJAJA MAKMUR ABADI, PT | 758,938,308 |
| BAHTERA SEHAT SEJAHTERA, PT | 659,882,436 |
| CARMELLA GUSTAVINDO, PT | 624,706,276 |
| EVA SURYA PRATAMA PT | 597,144,492 |
| SEMPURNA MITRA PERKASA, PT | 524,622,659 |
| LESTARI JAYA SEJAHTERA, PT | 373,540,778 |
| IKON SURABAYA FARMAMART, PT | 359,560,284 |
| PODO MEKAR JAYA SENTOSA, PT. | 343,412,008 |
| BIMA SAKTI MEDICA, PT | 333,473,893 |

**Insight Bisnis:**
*   Outlet **TEKNOLOGI MEDIKA PRATAMA, PT** menonjol sebagai pelanggan terbesar dengan nilai transaksi yang jauh melampaui yang lain, menunjukkan statusnya sebagai *key account* yang sangat penting.
*   Sebagian besar outlet di daftar ini adalah perusahaan besar atau grup apotek, mengindikasikan bahwa fokus pada pelanggan institusional atau grosir dapat sangat menguntungkan.
*   Strategi CRM khusus dan program loyalitas dapat dikembangkan untuk mempertahankan dan meningkatkan nilai dari outlet-outlet unggulan ini.

#### 4.1.3 Performa Penjualan Produk Pharos vs Non-Pharos

Penting untuk memahami kontribusi penjualan dari produk yang diproduksi oleh Pharos Group (`Pharos YN: Yes`) dibandingkan dengan produk dari pihak ketiga (`Pharos YN: No`).

| Pharos YN | Total Value RO | Total Qty RO |
|-----------|----------------|--------------|
| No | 20,350,470,569 | 371,559 |
| Yes | 30,529,656,565 | 957,507 |

**Insight Bisnis:**
*   Produk **Pharos Group (Pharos YN: Yes)** secara agregat menyumbang total nilai RO (sekitar Rp 30,5 miliar) dan kuantitas RO (sekitar 957 ribu unit) yang jauh lebih tinggi dibandingkan produk non-Pharos (sekitar Rp 20,3 miliar dan 371 ribu unit).
*   Ini menegaskan dominasi produk internal Pharos Group dalam portofolio penjualan perusahaan.
*   Meskipun demikian, analisis regresi linear yang dilakukan sebelumnya menunjukkan bahwa `Pharos YN: Yes` berkorelasi negatif dengan `Value RO` individual setelah mengendalikan faktor lain. Ini dapat berarti bahwa produk Pharos cenderung memiliki nilai per unit yang lebih rendah atau dijual dalam volume yang lebih besar dengan nilai transaksi per pesanan yang lebih kecil dibandingkan produk non-Pharos yang mungkin merupakan produk spesialis atau bernilai tinggi.
*   Strategi penetapan harga dan bundling untuk produk Pharos dapat ditinjau untuk mengoptimalkan `Value RO` per pesanan.

#### 4.1.4 Performa Penjualan Outlet Apotek Online (AO YN) vs Non-AO

Evaluasi program Apotek Online (AO YN) dengan membandingkan performa penjualan outlet yang berpartisipasi dan yang tidak berpartisipasi.

| AO YN | Total Value RO | Total Qty RO |
|-------|----------------|--------------|
| No | 34,036,107,602 | 982,130 |
| Yes | 16,844,019,532 | 346,936 |

**Insight Bisnis:**
*   **Outlet Non-AO (AO YN: No)** masih mendominasi total nilai RO (sekitar Rp 34 miliar) dan kuantitas RO (sekitar 982 ribu unit). Ini tidak mengejutkan karena jumlah outlet non-AO mungkin lebih banyak atau mereka adalah pelanggan yang sudah lama dengan volume transaksi besar.
*   Meskipun demikian, program Apotek Online (`AO YN: Yes`) terbukti berkorelasi positif dengan `Value RO` pada tingkat pesanan individual seperti yang ditunjukkan oleh analisis regresi. Ini berarti, rata-rata, pesanan dari outlet yang berpartisipasi dalam AO cenderung memiliki nilai yang lebih tinggi.
*   Hal ini mengindikasikan bahwa program Apotek Online berhasil menarik atau mendorong transaksi bernilai lebih tinggi dari outlet pesertanya. Perusahaan harus terus mendorong adopsi program ini ke lebih banyak outlet dan menargetkan promosi produk bernilai tinggi pada outlet AO untuk memaksimalkan potensi.

### 4.2 Efisiensi Logistik

Efisiensi logistik adalah kunci untuk kepuasan pelanggan dan pengurangan biaya operasional. Bagian ini akan menganalisis durasi pengiriman dari berbagai perspektif.

#### 4.2.1 Durasi Pengiriman Keseluruhan

Durasi rata-rata memberikan gambaran umum tentang kecepatan proses pemenuhan pesanan secara keseluruhan.

*   **Durasi Rata-rata Pengiriman** (dari Tgl DO ke Tgl Diterima): **1.28 hari**
    *   Ini mengukur waktu dari saat pesanan siap dikirim (DO) hingga diterima oleh pelanggan.
*   **Durasi Rata-rata Pemenuhan Pesanan** (dari Tgl Order ke Tgl Diterima): **1.67 hari**
    *   Ini mengukur total waktu dari saat pesanan masuk hingga diterima pelanggan.

**Insight Bisnis:**
*   Waktu pemrosesan internal (Tgl Order ke Tgl DO) rata-rata adalah sekitar `1.67 - 1.28 = 0.39 hari` atau sekitar 9.4 jam. Ini adalah indikasi yang baik bahwa pesanan diproses dengan relatif cepat di gudang setelah diterima.
*   Durasi pengiriman rata-rata 1.28 hari menunjukkan bahwa mayoritas pengiriman terjadi dalam 1-2 hari setelah DO diterbitkan, yang merupakan kinerja yang kompetitif.

#### 4.2.2 Durasi Rata-rata Pengiriman (Tgl DO ke Tgl Diterima) per Asal Gudang

Kinerja gudang sangat bervariasi dan dapat menjadi penentu utama kepuasan pelanggan. Tabel berikut menampilkan durasi pengiriman rata-rata untuk setiap gudang asal:

| Asal Gudang | Rata-rata Durasi Pengiriman (hari) |
|-------------|------------------------------------|
| PHARMANET JAKBAR | 0.17 |
| PHARMANET JAKTIM | 0.18 |
| PHARMANET BANJARMASIN | 0.25 |
| PHARMANET JAKSEL | 0.34 |
| PHARMANET BEKASI | 0.52 |
| PHARMANET BOGOR | 0.53 |
| PHARMANET PALEMBANG | 0.74 |
| PHARMANET SOLO | 0.97 |
| PHARMANET BANDUNG | 0.98 |
| PHARMANET MAKASSAR | 1.08 |
| PHARMANET SEMARANG | 1.09 |
| PHARMANET MALANG | 1.11 |
| PHARMANET SURABAYA | 1.38 |
| PHARMANET JAMBI | 1.38 |
| PHARMANET MEDAN | 1.51 |
| PHARMANET LAMPUNG | 1.78 |
| PHARMANET SAMARINDA | 1.83 |
| PHARMANET PONTIANAK | 1.86 |
| PHARMANET PEKANBARU | 1.88 |
| PHARMANET TANGERANG | 4.72 |

**Insight Bisnis:**
*   **Gudang Berkinerja Terbaik:** Gudang-gudang di area Jakarta seperti **PHARMANET JAKBAR** (0.17 hari), **PHARMANET JAKTIM** (0.18 hari), dan **PHARMANET JAKSEL** (0.34 hari), serta **PHARMANET BANJARMASIN** (0.25 hari), menunjukkan kecepatan pengiriman yang luar biasa. Ini kemungkinan disebabkan oleh kedekatan dengan tujuan pengiriman atau efisiensi operasional internal yang tinggi.
*   **Gudang Performa Terburuk:** **PHARMANET TANGERANG** memiliki durasi pengiriman rata-rata yang sangat jauh lebih lama yaitu 4.72 hari, hampir empat kali lipat dari rata-rata keseluruhan. Ini adalah anomali yang signifikan dan memerlukan investigasi mendalam.
*   Gudang-gudang seperti PHARMANET PEKANBARU, PONTIANAK, SAMARINDA, dan LAMPUNG juga menunjukkan durasi pengiriman yang lebih tinggi dari rata-rata nasional, kemungkinan karena faktor geografis atau infrastruktur logistik di wilayah tersebut.

**Rekomendasi:**
*   Lakukan audit operasional menyeluruh pada **PHARMANET TANGERANG** untuk mengidentifikasi penyebab utama keterlambatan (misalnya, kekurangan staf, masalah transportasi, rute yang tidak efisien, atau masalah pada proses *last-mile delivery*).
*   Pertimbangkan untuk mengoptimalkan rute pengiriman dan mungkin menambahkan mitra ekspedisi lokal untuk gudang-gudang dengan durasi pengiriman yang lebih lama.
*   Pelajari praktik terbaik dari gudang-gudang berkinerja tinggi (misalnya, PHARMANET JAKBAR) dan coba replikasi di gudang lain jika memungkinkan.

#### 4.2.3 Durasi Rata-rata Pengiriman (Tgl DO ke Tgl Diterima) per Nama Ekspedisi

Pemilihan mitra ekspedisi yang tepat sangat memengaruhi kecepatan pengiriman. Tabel berikut menunjukkan durasi pengiriman rata-rata per nama ekspedisi:

| Nama Ekspedisi | Rata-rata Durasi Pengiriman (hari) |
|----------------|------------------------------------|
| EXPD INTERNAL JAKSEL | 0.00 |
| EXPD Bogor (Sierra) | 0.02 |
| EXPD JAKBAR | 0.02 |
| EXPD INTERNAL SEMARANG | 0.03 |
| EXPD JAKTIM | 0.04 |
| EXPD SURABAYA 1 | 0.13 |
| EXPD BEKASI | 0.17 |
| EXPD INTERNAL BOGOR | 0.24 |
| EXPD BANJARMASIN | 0.25 |
| EXPD JAKSEL | 0.48 |
| Anteraja | 0.53 |
| Antaraja Same Day | 0.63 |
| EXPD MEDAN | 0.67 |
| ANDALAN 21 EXPRESS | 1.41 |
| PT. TUNAS ANTARNUSA MUDA KARGO | 1.58 |
| PT CENTURY | 1.66 |
| LION PARCEL | 1.69 |
| GLOBALINDO 21 EXPRESS | 1.71 |
| PCP EXPRESS | 1.71 |
| INDAH LOGISTIK | 2.07 |
| Media Transportasi Logistic | 2.17 |

**Insight Bisnis:**
*   **Ekspedisi Internal:** Ekspedisi dengan label "EXPD INTERNAL" dan "EXPD" yang diikuti dengan nama lokasi (misalnya, EXPD INTERNAL JAKSEL, EXPD Bogor (Sierra), EXPD JAKBAR) menunjukkan kecepatan pengiriman yang superior. Ini sangat wajar karena ekspedisi internal biasanya memiliki kendali penuh atas rute dan jadwal, memungkinkan pengiriman yang sangat cepat, bahkan pada hari yang sama.
*   **Ekspedisi Pihak Ketiga Cepat:** Anteraja dan Antaraja Same Day menunjukkan kinerja yang baik, dengan rata-rata pengiriman di bawah 1 hari.
*   **Ekspedisi Performa Lebih Lambat:** Beberapa ekspedisi seperti Media Transportasi Logistic (2.17 hari) dan INDAH LOGISTIK (2.07 hari) memiliki durasi pengiriman yang lebih lama dari rata-rata.

**Rekomendasi:**
*   **Prioritaskan Ekspedisi Internal:** Maksimalkan penggunaan ekspedisi internal atau mitra lokal yang terbukti sangat cepat, terutama untuk pengiriman di area metropolitan yang padat.
*   **Evaluasi Ulang Kontrak Ekspedisi:** Lakukan evaluasi berkala terhadap kinerja semua mitra ekspedisi pihak ketiga. Pertimbangkan untuk menegosiasikan ulang kontrak atau mengalihkan volume pengiriman dari ekspedisi dengan performa lambat ke yang lebih cepat.
*   **Pantau Performa Rute:** Durasi pengiriman bisa sangat bervariasi tergantung rute. Penting untuk terus memantau kinerja ekspedisi pada rute-rute spesifik untuk memastikan mereka memenuhi SLA (Service Level Agreement).

### 4.3 Kesimpulan dan Rekomendasi

Analisis performa penjualan menunjukkan dominasi produk-produk Pharos Group dan beberapa produk spesifik seperti POLYSILANE dan PRORIS. Outlet institusional atau grup apotek adalah penggerak utama pendapatan, dan program Apotek Online menunjukkan potensi untuk mendorong transaksi bernilai tinggi. Di sisi logistik, perusahaan memiliki kecepatan pemrosesan internal yang baik, namun terdapat disparitas signifikan dalam durasi pengiriman antar gudang dan ekspedisi, dengan PHARMANET TANGERANG dan beberapa ekspedisi pihak ketiga menjadi area yang memerlukan perhatian mendesak.

**Rekomendasi Utama:**

1.  **Optimalkan Rantai Pasok di Gudang Kritis:** Lakukan audit menyeluruh dan implementasikan langkah perbaikan segera di **PHARMANET TANGERANG** untuk mengurangi durasi pengiriman yang tidak efisien. Hal yang sama berlaku untuk gudang-gudang lain dengan durasi pengiriman di atas rata-rata nasional.
2.  **Manajemen Kinerja Mitra Logistik:** Secara proaktif kelola dan evaluasi kinerja ekspedisi pihak ketiga. Alokasikan volume pengiriman secara strategis berdasarkan performa rute dan durasi pengiriman, serta pertimbangkan untuk berinvestasi lebih pada ekspedisi internal untuk pengiriman cepat di area kunci.
3.  **Strategi Penjualan Produk dan Outlet Unggulan:**
    *   Pertahankan dan maksimalkan ketersediaan serta promosi untuk produk-produk terlaris (`POLYSILANE`, `PRORIS`, `MICROLAX`).
    *   Tingkatkan fokus pada `key accounts` (outlet terbesar) melalui program loyalitas dan layanan pelanggan yang dipersonalisasi.
    *   Terus kembangkan dan dorong adopsi program Apotek Online, serta promosikan produk bernilai tinggi kepada peserta AO, mengingat korelasinya yang positif dengan `Value RO` per pesanan.
4.  **Analisis Lebih Lanjut Produk Pharos:** Lakukan studi mendalam mengapa produk Pharos, meskipun berkontribusi besar secara total, memiliki korelasi negatif dengan `Value RO` individual dalam model regresi. Ini dapat membuka peluang untuk mengoptimalkan strategi harga atau bundling.

Dengan menerapkan rekomendasi ini, perusahaan dapat tidak hanya meningkatkan volume penjualan dan kepuasan pelanggan, tetapi juga secara signifikan menghemat biaya dan mengoptimalkan operasional logistik mereka.

## 5. Faktor-faktor yang Mempengaruhi Nilai Pesanan (Value RO)

Dalam bab ini, kami akan menyelami lebih dalam faktor-faktor yang secara signifikan memengaruhi Nilai Pesanan (Value RO). Dengan menggunakan analisis regresi linear berganda, tujuan kami adalah untuk mengidentifikasi dan mengukur dampak dari berbagai variabel, mulai dari karakteristik produk, partisipasi outlet dalam program khusus, hingga efisiensi logistik dan metode pembayaran, terhadap `Value RO`. Pemahaman ini krusial untuk merumuskan strategi yang lebih bertarget guna meningkatkan nilai rata-rata setiap transaksi.

Model regresi linear yang kami kembangkan mampu menjelaskan sekitar **80.1%** variasi dalam `Value RO` (nilai R-squared: 0.8005). Angka ini menunjukkan bahwa model kami memiliki daya prediksi yang kuat dalam mengidentifikasi pendorong utama nilai pesanan.

### Faktor-faktor Kunci yang Memengaruhi Nilai Pesanan (Value RO)

Berikut adalah ringkasan koefisien regresi untuk variabel-variabel yang secara statistik signifikan (dengan nilai p < 0.05), yang menunjukkan arah dan kekuatan pengaruhnya terhadap `Value RO`. Nilai koefisien ini merepresentasikan perubahan `Value RO` (dalam Rupiah) untuk setiap unit perubahan pada variabel prediktor, dengan asumsi variabel lain konstan.

#### Koefisien Regresi Signifikan (p < 0.05)
| Variabel | Koefisien | Std Error | t-value | P-value |
|:------------------------------------|-----------:|----------:|--------:|--------:|
| const | 46,925.87 | 19,254.40 | 2.44 | 0.0148 |
| Qty DO | 23,108.10 | 37.12 | 622.46 | 0.0000 |
| Durasi Pengiriman (hari) | 5,372.56 | 1,150.31 | 4.67 | 0.0000 |
| Pharos YN Yes | -59,357.56 | 5,249.24 | -11.31 | 0.0000 |
| AO YN Yes | 43,602.05 | 5,713.36 | 7.63 | 0.0000 |
| Divisi N/A | 2,267,643.37 | 332,586.83 | 6.82 | 0.0000 |
| Divisi PHARMANET | 28,114.35 | 8,225.84 | 3.42 | 0.0006 |
| Divisi VIBRANT 3 | 580,869.00 | 131,491.39 | 4.42 | 0.0000 |
| Divisi VIBRANT PBF | 1,117,280.14 | 21,785.19 | 51.29 | 0.0000 |
| Asal Gudang PHARMANET BANJARMASIN | 49,655.47 | 18,663.28 | 2.66 | 0.0078 |
| Asal Gudang PHARMANET BOGOR | 38,352.63 | 16,138.90 | 2.38 | 0.0175 |
| Asal Gudang PHARMANET JAKBAR | 191,868.45 | 25,990.60 | 7.38 | 0.0000 |
| Asal Gudang PHARMANET JAKTIM | 96,811.63 | 26,051.93 | 3.72 | 0.0002 |
| Asal Gudang PHARMANET JAMBI | 83,127.97 | 22,691.61 | 3.66 | 0.0002 |
| Asal Gudang PHARMANET MEDAN | 177,965.41 | 17,866.69 | 9.96 | 0.0000 |
| Asal Gudang PHARMANET PONTIANAK | 195,504.74 | 29,829.65 | 6.55 | 0.0000 |
| Asal Gudang PHARMANET SAMARINDA | 49,045.00 | 22,233.43 | 2.21 | 0.0274 |
| Asal Gudang PHARMANET SURABAYA | 45,247.48 | 15,083.52 | 3.00 | 0.0027 |
| Asal Gudang PHARMANET TANGERANG | 62,535.63 | 15,995.08 | 3.91 | 0.0001 |
| Nama Ekspedisi EXPD BANJARMASIN | 49,655.47 | 18,663.28 | 2.66 | 0.0078 |
| Nama Ekspedisi EXPD BEKASI | 168,485.39 | 22,835.35 | 7.38 | 0.0000 |
| Nama Ekspedisi EXPD JAKBAR | 147,798.24 | 33,954.44 | 4.35 | 0.0000 |
| Nama Ekspedisi EXPD JAKSEL | 112,218.44 | 50,065.88 | 2.24 | 0.0250 |
| Nama Ekspedisi EXPD JAKTIM | 259,865.77 | 32,458.82 | 8.01 | 0.0000 |
| Nama Ekspedisi EXPD MEDAN | 183,347.57 | 73,707.83 | 2.49 | 0.0129 |
| Nama Ekspedisi EXPD SURABAYA 1 | 85,064.88 | 36,782.50 | 2.31 | 0.0207 |
| Nama Ekspedisi INDAH LOGISTIK | 87,807.88 | 22,326.31 | 3.93 | 0.0001 |
| Nama Ekspedisi LION PARCEL | 36,731.92 | 12,899.30 | 2.85 | 0.0044 |
| Nama Ekspedisi Media Transportasi Logistic | 159,944.00 | 36,854.77 | 4.34 | 0.0000 |
| Nama Ekspedisi PCP EXPRESS | 45,631.04 | 17,626.67 | 2.59 | 0.0096 |
| Nama Ekspedisi PT CENTURY | 92,125.16 | 15,950.40 | 5.78 | 0.0000 |
| Nama Ekspedisi PT. TUNAS ANTARNUSA MUDA KARGO | 52,102.76 | 19,929.35 | 2.61 | 0.0089 |
| Payment BRIVA | -51,600.67 | 9,063.00 | -5.69 | 0.0000 |
| Payment Term Of Payment | -60,252.22 | 6,279.32 | -9.60 | 0.0000 |

### Interpretasi dan Wawasan Bisnis

#### 5.1 Kuantitas Produk (`Qty DO`) sebagai Pendorong Utama

Tidak mengejutkan, `Qty DO` (kuantitas produk yang dikirimkan) memiliki dampak positif yang sangat kuat dan signifikan terhadap `Value RO` (koefisien: 23,108.10). Ini berarti, setiap penambahan satu unit produk yang dikirimkan, `Value RO` rata-rata akan meningkat sekitar Rp 23,108. Ini adalah hubungan yang logis; semakin banyak barang dalam pesanan, semakin tinggi nilai total pesanan tersebut.

#### 5.2 Fenomena Durasi Pengiriman yang Positif

Salah satu temuan yang menarik dan mungkin terlihat anomali adalah korelasi positif antara `Durasi Pengiriman (hari)` dan `Value RO` (koefisien: 5,372.56). Ini mengindikasikan bahwa pesanan dengan `Value RO` yang lebih tinggi cenderung memiliki durasi pengiriman yang lebih lama.

**Wawasan Anomali:** Ini bukan berarti pengiriman yang lebih lambat menyebabkan nilai pesanan meningkat. Sebaliknya, hal ini mungkin menunjukkan bahwa pesanan bernilai tinggi seringkali adalah:
*   Pesanan dalam jumlah besar atau kompleks yang memerlukan penanganan logistik ekstra dan waktu pemrosesan yang lebih lama.
*   Pesanan yang dikirim ke lokasi yang lebih jauh atau terpencil, yang secara inheren membutuhkan waktu pengiriman lebih lama tetapi juga mungkin memiliki nilai pesanan yang lebih tinggi karena melibatkan distribusi ke daerah yang kurang terlayani atau pesanan konsolidasi.
*   Pelanggan untuk pesanan bernilai tinggi mungkin memiliki toleransi yang lebih besar terhadap waktu tunggu, atau mereka lebih fokus pada ketersediaan produk tertentu daripada kecepatan pengiriman instan.

#### 5.3 Karakteristik Produk dan Partisipasi Outlet

1.  **Produk Pharos (`Pharos YN Yes`)**: Mengejutkannya, status `Pharos YN Yes` memiliki koefisien negatif yang signifikan (-59,357.56). Ini berarti, dengan variabel lain konstan, pesanan yang mengandung produk Pharos Group cenderung memiliki `Value RO` rata-rata sekitar Rp 59,357 lebih rendah dibandingkan pesanan tanpa produk Pharos.
    *   **Wawasan Anomali:** Meskipun pada analisis awal produk Pharos secara agregat menyumbang total `Value RO` yang lebih tinggi, hasil regresi ini menyiratkan bahwa `Value RO` per pesanan *individual* untuk produk Pharos mungkin lebih rendah. Hal ini bisa terjadi jika produk Pharos cenderung memiliki harga satuan yang lebih rendah, atau sering dipesan dalam kuantitas yang lebih kecil dalam setiap transaksi, atau produk non-Pharos yang diperdagangkan memiliki margin/harga yang lebih tinggi per unit. Perusahaan perlu meninjau strategi penetapan harga, *bundling*, atau promosi untuk produk Pharos agar dapat meningkatkan nilai per transaksi.

2.  **Partisipasi Apotek Online (`AO YN Yes`)**: Outlet yang berpartisipasi dalam program Apotek Online memiliki koefisien positif yang signifikan (43,602.05). Ini menegaskan bahwa outlet `AO YN Yes` cenderung memiliki `Value RO` rata-rata sekitar Rp 43,602 lebih tinggi per pesanan dibandingkan dengan outlet non-AO.
    *   **Wawasan Bisnis:** Ini adalah indikasi kuat keberhasilan program Apotek Online dalam mendorong transaksi yang lebih bernilai. Program ini berhasil menarik atau memfasilitasi pesanan yang lebih besar atau lebih mahal dari partisipannya.

#### 5.4 Pengaruh Divisi Produk

Beberapa divisi menunjukkan dampak signifikan terhadap `Value RO`:
*   **Divisi PHARMANET**: Memiliki koefisien positif yang signifikan (28,114.35). Pesanan dari divisi ini cenderung memiliki `Value RO` lebih tinggi dibandingkan dengan divisi yang menjadi kategori dasar (kemungkinan HOSPINET atau lainnya yang dihilangkan). Ini menggarisbawahi peran PHARMANET sebagai pendorong nilai.
*   **Divisi VIBRANT 3** dan **VIBRANT PBF**: Kedua divisi ini memiliki koefisien yang sangat tinggi dan positif (580,869.00 dan 1,117,280.14). Meskipun jumlah transaksinya lebih kecil (seperti yang terlihat di bab "Gambaran Umum Data"), pesanan dari divisi ini cenderung memiliki `Value RO` yang jauh lebih tinggi. Ini menunjukkan bahwa produk-produk dari divisi VIBRANT mungkin adalah produk spesialistik atau bernilai tinggi.
*   **Divisi N/A**: Koefisiennya juga sangat tinggi (2,267,643.37). Ini menunjukkan bahwa pesanan yang tidak memiliki informasi divisi memiliki `Value RO` yang secara signifikan lebih tinggi. Ini adalah anomali yang perlu diselidiki. Mungkin ini adalah pesanan khusus atau data yang salah kategorisasi yang secara kebetulan bernilai tinggi.

#### 5.5 Peran Asal Gudang dan Nama Ekspedisi

Beberapa `Asal Gudang` dan `Nama Ekspedisi` juga secara signifikan memengaruhi `Value RO` secara positif, menunjukkan bahwa asal logistik tertentu cenderung menangani pesanan dengan nilai lebih tinggi. Contohnya:
*   **Asal Gudang PHARMANET JAKBAR** (191,868.45), **PHARMANET MEDAN** (177,965.41), dan **PHARMANET PONTIANAK** (195,504.74) menunjukkan kontribusi positif yang sangat substansial.
*   Demikian pula, ekspedisi seperti **EXPD JAKTIM** (259,865.77), **EXPD BEKASI** (168,485.39), dan **Media Transportasi Logistic** (159,944.00) berkorelasi dengan `Value RO` yang lebih tinggi.
*   **Wawasan Bisnis:** Hal ini dapat mencerminkan spesialisasi gudang dalam melayani jenis pesanan tertentu, atau kebutuhan pengiriman ke wilayah geografis tertentu yang sering melibatkan pesanan bernilai lebih tinggi.

#### 5.6 Dampak Metode Pembayaran

Metode pembayaran `BRIVA` (-51,600.67) dan `Term Of Payment` (-60,252.22) memiliki koefisien negatif yang signifikan. Ini berarti, dibandingkan dengan metode pembayaran yang menjadi dasar (kemungkinan `BCA Virtual Account` yang tidak muncul karena dieliminasi untuk menghindari multikolinearitas), pesanan yang menggunakan `BRIVA` atau `Term Of Payment` cenderung memiliki `Value RO` yang lebih rendah.
*   **Wawasan Bisnis:** `BCA Virtual Account` mungkin menjadi pilihan untuk transaksi bernilai tinggi karena kemudahan atau batas transaksinya, sementara `BRIVA` dan `Term Of Payment` lebih sering digunakan untuk pesanan dengan nilai yang lebih kecil. Ini bisa mengindikasikan segmentasi pelanggan berdasarkan preferensi pembayaran yang juga berkorelasi dengan nilai pesanan mereka.

### Rekomendasi Strategis

Berdasarkan temuan regresi ini, berikut adalah rekomendasi untuk mengoptimalkan `Value RO`:

1.  **Promosikan dan Perluas Program Apotek Online**: Mengingat korelasi positif yang kuat antara partisipasi AO dan `Value RO` per pesanan, perusahaan harus terus berinvestasi dalam program ini. Dorong lebih banyak outlet untuk bergabung dan kembangkan strategi untuk memaksimalkan nilai pesanan dari peserta AO yang sudah ada (misalnya, melalui promosi produk bernilai tinggi atau *bundling* eksklusif).
2.  **Kaji Ulang Strategi Produk Pharos**: Selidiki lebih lanjut mengapa produk Pharos memiliki koefisien negatif terhadap `Value RO` individual. Apakah ada peluang untuk meningkatkan harga jual rata-rata, memperkenalkan produk Pharos premium, atau mendorong pembelian dalam jumlah lebih besar untuk meningkatkan nilai transaksi rata-rata?
3.  **Optimalisasi Proses untuk Pesanan Bernilai Tinggi**: Meskipun durasi pengiriman yang lebih lama berkorelasi dengan `Value RO` yang lebih tinggi, ini bukan berarti harus sengaja memperlambat pengiriman. Sebaliknya, pahami karakteristik pesanan bernilai tinggi ini. Apakah mereka memerlukan pengepakan khusus, rute yang lebih kompleks, atau melibatkan negosiasi yang lebih panjang? Optimalisasi proses untuk pesanan ini dapat meningkatkan kepuasan pelanggan tanpa mengorbankan nilai.
4.  **Investigasi Anomali Divisi N/A**: Temuan koefisien yang sangat tinggi untuk `Divisi N/A` mengindikasikan masalah data atau kategori khusus. Lakukan investigasi untuk mengidentifikasi apa yang masuk ke dalam kategori ini dan pastikan semua pesanan diklasifikasikan dengan benar untuk analisis yang lebih akurat di masa mendatang.
5.  **Segmentasi Berdasarkan Metode Pembayaran**: Manfaatkan wawasan tentang metode pembayaran. Jika `BCA Virtual Account` berkorelasi dengan `Value RO` yang lebih tinggi, mungkin ada peluang untuk mempromosikan metode ini untuk pesanan besar atau menawarkan insentif bagi penggunaannya. Untuk `BRIVA` dan `Term Of Payment` yang cenderung digunakan untuk pesanan lebih kecil, perusahaan dapat menyesuaikan strategi pemasaran atau penawaran produk.
6.  **Pemanfaatan Kapasitas Gudang dan Ekspedisi Spesifik**: Dengan adanya gudang dan ekspedisi yang berkorelasi positif dengan `Value RO` yang tinggi, perusahaan dapat menganalisis apakah ada spesialisasi dalam jenis produk atau target pasar yang dilayani oleh entitas logistik ini. Pengetahuan ini dapat digunakan untuk mengalokasikan pesanan atau sumber daya secara lebih efisien.

Dengan memahami dan bertindak berdasarkan faktor-faktor ini, perusahaan dapat secara proaktif mengelola strategi penjualan dan operasional mereka untuk mendorong peningkatan `Value RO` secara keseluruhan.

## 6. Analisis Pembatalan Pesanan

Analisis pembatalan pesanan adalah aspek krusial dalam memahami kepuasan pelanggan dan efisiensi operasional. Tingkat pembatalan yang tinggi dapat mengindikasikan masalah dalam proses pemesanan, ketersediaan produk, atau logistik. Dalam bab ini, kami akan menganalisis faktor-faktor yang berkontribusi terhadap pembatalan pesanan untuk mengidentifikasi area yang memerlukan perbaikan.

Perlu dicatat bahwa selama analisis ini, **2,860 baris data dihapus** karena memiliki durasi waktu yang negatif atau tidak valid (misalnya, tanggal penerimaan tercatat sebelum tanggal pengiriman atau kesalahan perhitungan lainnya). Hal ini memastikan bahwa perhitungan durasi yang digunakan untuk perbandingan adalah akurat.

Secara keseluruhan, tingkat pembatalan pesanan dalam dataset ini adalah sekitar **1.06%** dari total pesanan, yang merupakan angka yang relatif rendah dan menunjukkan efisiensi pemenuhan pesanan yang baik secara umum. Namun, bahkan persentase kecil ini dapat memiliki dampak signifikan terhadap pendapatan dan kepuasan pelanggan jika tidak ditangani.

### 6.1 Tingkat Pembatalan Berdasarkan Faktor Kategorikal

Mari kita selami lebih dalam bagaimana tingkat pembatalan bervariasi di seluruh kategori kunci:

#### 6.1.1 Tingkat Pembatalan Berdasarkan Divisi

Divisi produk menunjukkan perbedaan dalam tingkat pembatalan:

| Divisi      | Total Orders | Canceled Orders | Cancellation Rate (%) |
|:------------|-------------:|----------------:|----------------------:|
| VIBRANT PBF |        2,165 |              33 |                   1.5 |
| HOSPINET    |       16,759 |             240 |                   1.4 |
| PHARMANET   |       98,974 |             946 |                   1.0 |
| N/A         |            7 |               0 |                   0.0 |
| VIBRANT 3   |           40 |               0 |                   0.0 |

**Wawasan Bisnis:**
*   Divisi **VIBRANT PBF** dan **HOSPINET** memiliki tingkat pembatalan yang sedikit lebih tinggi (1.5% dan 1.4%) dibandingkan dengan PHARMANET (1.0%). Hal ini mungkin mengindikasikan bahwa produk dari divisi ini memiliki sensitivitas yang lebih tinggi terhadap ketersediaan atau waktu pengiriman, atau target pasar mereka lebih cenderung membatalkan pesanan.
*   Meskipun Divisi PHARMANET memiliki volume pesanan yang jauh lebih besar, tingkat pembatalannya relatif lebih rendah.

#### 6.1.2 Tingkat Pembatalan Berdasarkan Pharos YN

Perbandingan antara produk yang diproduksi oleh Pharos Group dan non-Pharos:

| Pharos YN | Total Orders | Canceled Orders | Cancellation Rate (%) |
|:----------|-------------:|----------------:|----------------------:|
| Yes       |       53,742 |             632 |                   1.2 |
| No        |       64,203 |             587 |                   0.9 |

**Wawasan Bisnis:**
*   Pesanan yang mengandung produk **Pharos Group** (`Pharos YN: Yes`) memiliki tingkat pembatalan yang sedikit lebih tinggi (1.2%) dibandingkan produk non-Pharos (0.9%).
*   Ini bisa disebabkan oleh berbagai faktor, seperti ekspektasi pelanggan yang berbeda untuk produk internal, atau mungkin ada isu pasokan sesekali yang lebih sering memengaruhi produk Pharos.

#### 6.1.3 Tingkat Pembatalan Berdasarkan AO YN

Peran partisipasi outlet dalam program Apotek Online (AO) terhadap pembatalan:

| AO YN | Total Orders | Canceled Orders | Cancellation Rate (%) |
|:------|-------------:|----------------:|----------------------:|
| Yes   |       45,072 |             468 |                   1.0 |
| No    |       72,873 |             751 |                   1.0 |

**Wawasan Bisnis:**
*   Tingkat pembatalan hampir identik antara outlet yang berpartisipasi dalam Apotek Online (`AO YN: Yes`) dan yang tidak (`AO YN: No`), keduanya sekitar 1.0%. Ini menunjukkan bahwa partisipasi dalam program AO tidak secara signifikan memengaruhi kecenderungan pembatalan pesanan.

#### 6.1.4 Tingkat Pembatalan Berdasarkan Asal Gudang (Top 10 Tertinggi)

Tingkat pembatalan sangat bervariasi antar gudang asal:

| Asal Gudang           | Total Orders | Canceled Orders | Cancellation Rate (%) |
|:----------------------|-------------:|----------------:|----------------------:|
| PHARMANET MEDAN       |        6,705 |             156 |                   2.3 |
| PHARMANET JAKTIM      |        4,075 |              90 |                   2.2 |
| PHARMANET TANGERANG   |        7,802 |             157 |                   2.0 |
| PHARMANET SAMARINDA   |        2,986 |              60 |                   2.0 |
| PHARMANET BANJARMASIN |          721 |              11 |                   1.5 |
| PHARMANET JAKBAR      |        3,530 |              40 |                   1.1 |
| PHARMANET SURABAYA    |       13,092 |             146 |                   1.1 |
| PHARMANET MAKASSAR    |        4,061 |              44 |                   1.1 |
| PHARMANET SEMARANG    |        8,821 |              93 |                   1.1 |
| PHARMANET PEKANBARU   |        5,918 |              62 |                   1.0 |

**Wawasan Bisnis & Anomali:**
*   **PHARMANET MEDAN** (2.3%), **PHARMANET JAKTIM** (2.2%), **PHARMANET TANGERANG** (2.0%), dan **PHARMANET SAMARINDA** (2.0%) memiliki tingkat pembatalan yang secara signifikan lebih tinggi dari rata-rata keseluruhan.
*   PHARMANET TANGERANG juga sebelumnya diidentifikasi memiliki durasi pengiriman rata-rata terlama. Tingkat pembatalan yang tinggi di gudang-gudang ini mungkin terkait dengan masalah operasional, ketersediaan stok, atau keterlambatan pengiriman yang memicu pelanggan untuk membatalkan pesanan.

#### 6.1.5 Tingkat Pembatalan Berdasarkan Nama Ekspedisi (Top 10 Tertinggi)

Nama ekspedisi juga berkorelasi dengan tingkat pembatalan:

| Nama Ekspedisi        | Total Orders | Canceled Orders | Cancellation Rate (%) |
|:----------------------|-------------:|----------------:|----------------------:|
| EXPD JAKTIM           |        2,377 |              47 |                   2.0 |
| EXPD SURABAYA 1       |          655 |              12 |                   1.8 |
| ANDALAN 21 EXPRESS    |        8,953 |             142 |                   1.6 |
| EXPD INTERNAL BOGOR   |          131 |               2 |                   1.5 |
| EXPD BANJARMASIN      |          721 |              11 |                   1.5 |
| Antaraja Same Day     |          204 |               3 |                   1.5 |
| EXPD Bogor (Sierra)   |          171 |               2 |                   1.2 |
| EXPD JAKBAR           |        1,831 |              21 |                   1.1 |
| LION PARCEL           |       17,486 |             197 |                   1.1 |
| PCP EXPRESS           |       14,243 |             153 |                   1.1 |

**Wawasan Bisnis & Anomali:**
*   **EXPD JAKTIM** (2.0%) dan **EXPD SURABAYA 1** (1.8%) menunjukkan tingkat pembatalan yang lebih tinggi. Ini mungkin mencerminkan kinerja layanan pengiriman atau keandalan dari ekspedisi-ekspedisi ini di rute tertentu.
*   Ekspedisi internal seperti EXPD INTERNAL BOGOR dan EXPD BANJARMASIN juga memiliki tingkat pembatalan yang cukup tinggi, yang perlu menjadi perhatian karena biasanya ekspedisi internal diharapkan lebih terkontrol.

#### 6.1.6 Tingkat Pembatalan Berdasarkan Metode Pembayaran

Metode pembayaran juga menunjukkan sedikit variasi dalam tingkat pembatalan:

| Payment           | Total Orders | Canceled Orders | Cancellation Rate (%) |
|:------------------|-------------:|----------------:|----------------------:|
| Term Of Payment   |       33,218 |             377 |                   1.1 |
| BRIVA             |       12,481 |             127 |                   1.0 |
| BCA Virtual Account |       72,116 |             715 |                   1.0 |
| Kredivo           |          130 |               0 |                   0.0 |

**Wawasan Bisnis:**
*   `Term Of Payment` memiliki tingkat pembatalan sedikit lebih tinggi (1.1%) dibandingkan `BCA Virtual Account` (1.0%) dan `BRIVA` (1.0%). Meskipun perbedaannya kecil, ini mungkin mengindikasikan bahwa pesanan dengan pembayaran tempo lebih rentan dibatalkan.

### 6.2 Perbandingan Metrik Numerik antara Pesanan Dibatalkan dan Terlayani Penuh

Untuk memahami karakteristik pesanan yang dibatalkan, mari kita bandingkan metrik kuantitatif utama antara pesanan yang dibatalkan dan yang terlayani penuh.

#### 6.2.1 Statistik Qty RO (Kuantitas Pesanan)

| Status Pesanan    | Mean Qty RO | Median Qty RO | Std Dev Qty RO |
|:------------------|------------:|--------------:|---------------:|
| Terlayani Penuh   |        10.7 |           3.0 |           70.5 |
| Dibatalkan        |         5.3 |           2.0 |           24.2 |

**Wawasan Bisnis:**
*   Pesanan yang dibatalkan cenderung memiliki **kuantitas pesanan yang jauh lebih rendah** (rata-rata 5.3 unit) dibandingkan pesanan yang terlayani penuh (rata-rata 10.7 unit). Ini mengindikasikan bahwa pesanan kecil atau dengan kuantitas rendah lebih rentan untuk dibatalkan. Pelanggan mungkin memiliki komitmen yang lebih rendah untuk pesanan ini atau lebih sensitif terhadap penundaan/masalah.

#### 6.2.2 Statistik Value RO (Nilai Pesanan)

| Status Pesanan    | Mean Value RO | Median Value RO | Std Dev Value RO |
|:------------------|--------------:|----------------:|-----------------:|
| Terlayani Penuh   |     409,230.1 |       140,434.0 |      1,900,020.2 |
| Dibatalkan        |     264,920.4 |       109,596.0 |        683,293.2 |

**Wawasan Bisnis:**
*   Mirip dengan `Qty RO`, pesanan yang dibatalkan memiliki **nilai pesanan yang secara signifikan lebih rendah** (rata-rata Rp 264,920) dibandingkan pesanan yang terlayani penuh (rata-rata Rp 409,230). Temuan ini memperkuat gagasan bahwa pesanan dengan nilai finansial yang lebih kecil memiliki probabilitas pembatalan yang lebih tinggi.

#### 6.2.3 Statistik delivery_duration_days (Durasi Pengiriman)

| Status Pesanan    | Mean delivery_duration_days | Median delivery_duration_days | Std Dev delivery_duration_days |
|:------------------|----------------------------:|------------------------------:|-------------------------------:|
| Terlayani Penuh   |                        1.71 |                          1.15 |                           2.46 |
| Dibatalkan        |                        1.85 |                          1.25 |                           2.51 |

**Wawasan Bisnis:**
*   Meskipun tidak terlalu drastis, pesanan yang dibatalkan memiliki **durasi pengiriman rata-rata yang sedikit lebih lama** (1.85 hari) dibandingkan yang terlayani penuh (1.71 hari). Ini menunjukkan bahwa keterlambatan dalam proses pengiriman dapat menjadi salah satu faktor pemicu pembatalan.

#### 6.2.4 Statistik time_order_to_sp_hours (Waktu Order ke SP)

| Status Pesanan    | Mean time_order_to_sp_hours | Median time_order_to_sp_hours | Std Dev time_order_to_sp_hours |
|:------------------|----------------------------:|------------------------------:|-------------------------------:|
| Terlayani Penuh   |                        0.57 |                          0.57 |                           0.32 |
| Dibatalkan        |                        0.58 |                          0.56 |                           0.33 |

**Wawasan Bisnis:**
*   Waktu pemrosesan dari penerimaan order hingga Surat Pesanan (SP) relatif **mirip** antara pesanan yang terlayani penuh dan yang dibatalkan. Ini menunjukkan bahwa tahap awal pemrosesan order bukanlah faktor utama yang menyebabkan pembatalan.

#### 6.2.5 Statistik time_sp_to_do_hours (Waktu SP ke DO)

| Status Pesanan    | Mean time_sp_to_do_hours | Median time_sp_to_do_hours | Std Dev time_sp_to_do_hours |
|:------------------|-------------------------:|---------------------------:|----------------------------:|
| Terlayani Penuh   |                       9.64 |                       3.24 |                       13.58 |
| Dibatalkan        |                      13.18 |                       5.44 |                       17.73 |

**Wawasan Bisnis & Anomali Paling Krusial:**
*   Ini adalah temuan yang paling menonjol: pesanan yang dibatalkan memiliki **durasi pemrosesan internal yang jauh lebih lama dari Surat Pesanan (SP) ke Delivery Order (DO)** (rata-rata 13.18 jam) dibandingkan pesanan yang terlayani penuh (rata-rata 9.64 jam).
*   Perbedaan signifikan ini (sekitar 3.5 jam lebih lama secara rata-rata) menunjukkan bahwa **keterlambatan dalam proses internal gudang** antara saat pesanan diotorisasi (SP) dan siap untuk dikirim (DO) adalah pendorong utama di balik pembatalan pesanan. Pelanggan mungkin kehilangan kesabaran atau menemukan alternatif jika pesanan mereka tertahan terlalu lama di tahap ini.

### 6.3 Rekomendasi untuk Mengurangi Pembatalan Pesanan

Berdasarkan analisis di atas, fokus utama untuk mengurangi tingkat pembatalan harus pada perbaikan efisiensi internal dan identifikasi area bottleneck:

1.  **Prioritaskan Perbaikan Proses `SP ke DO`**:
    *   **Identifikasi Akar Masalah**: Lakukan audit mendalam terhadap proses operasional di gudang-gudang (terutama PHARMANET MEDAN, JAKTIM, TANGERANG, SAMARINDA) dan divisi (VIBRANT PBF, HOSPINET) yang menunjukkan `time_sp_to_do_hours` yang tinggi dan tingkat pembatalan yang tinggi. Identifikasi penyebab spesifik keterlambatan (misalnya, kekurangan staf, proses *picking* yang tidak efisien, masalah sistem, atau ketersediaan stok).
    *   **Automatisasi dan Optimalisasi**: Terapkan solusi otomatisasi atau optimasi proses untuk mempercepat transisi dari SP ke DO, terutama untuk pesanan dengan `Qty RO` dan `Value RO` rendah yang cenderung lebih sensitif terhadap waktu.
    *   **SLA Internal**: Tetapkan *Service Level Agreement* (SLA) internal yang ketat untuk waktu pemrosesan SP ke DO dan pantau kepatuhannya secara teratur.

2.  **Manajemen Gudang dan Ekspedisi Berkinerja Buruk**:
    *   **Investigasi Gudang Kritis**: Selidiki secara spesifik gudang PHARMANET MEDAN, JAKTIM, TANGERANG, dan SAMARINDA. Selain durasi pengiriman yang lama, tingkat pembatalan yang tinggi di gudang-gudang ini mengindikasikan masalah yang lebih luas.
    *   **Evaluasi Mitra Ekspedisi**: Tinjau kinerja ekspedisi EXPD JAKTIM dan EXPD SURABAYA 1. Jika memungkinkan, alihkan volume pengiriman dari mitra yang lambat dan memiliki tingkat pembatalan tinggi ke mitra yang lebih andal dan efisien.
    *   **Pelatihan dan Pengawasan**: Berikan pelatihan kepada staf gudang dan ekspedisi tentang pentingnya kecepatan pemrosesan dan dampaknya terhadap pembatalan pesanan. Tingkatkan pengawasan terhadap metrik kinerja ini.

3.  **Strategi untuk Pesanan Bernilai Rendah**:
    *   Karena pesanan yang dibatalkan cenderung memiliki `Qty RO` dan `Value RO` yang lebih rendah, pertimbangkan untuk menerapkan jalur pemrosesan yang dipercepat (`fast-track`) untuk pesanan kecil atau memberikan informasi yang lebih proaktif kepada pelanggan mengenai status pesanan mereka.
    *   Sistem peringatan dini (alert) dapat dibangun untuk pesanan kecil yang melebihi ambang batas `time_sp_to_do_hours` tertentu, memungkinkan intervensi cepat atau komunikasi proaktif dengan pelanggan.

4.  **Re-evaluasi Kebijakan Pembayaran**:
    *   Meskipun perbedaannya kecil, tingkat pembatalan yang sedikit lebih tinggi untuk `Term Of Payment` dapat ditinjau. Mungkin ada peluang untuk meningkatkan komunikasi atau insentif bagi pelanggan yang memilih metode pembayaran langsung untuk pesanan tertentu.

Dengan memprioritaskan perbaikan pada bottleneck internal dari SP ke DO dan mengatasi masalah kinerja pada gudang serta ekspedisi tertentu, perusahaan dapat secara efektif mengurangi tingkat pembatalan pesanan, meningkatkan kepuasan pelanggan, dan pada akhirnya mempertahankan lebih banyak pendapatan.

## 7. Kesimpulan & Rekomendasi

Laporan ini telah mengupas tuntas data pemenuhan pesanan untuk mengungkap berbagai aspek penting yang memengaruhi kinerja penjualan, efisiensi operasional, dan kepuasan pelanggan. Dengan analisis mendalam terhadap 120,805 catatan transaksi, kami berhasil mengidentifikasi kekuatan, kelemahan, serta peluang strategis yang dapat dimanfaatkan perusahaan.

Secara keseluruhan, perusahaan menunjukkan kinerja yang kuat dengan **98.9% pesanan berhasil terlayani penuh**. Ini adalah bukti operasional yang solid. Namun, di balik angka yang mengesankan ini, terdapat detail-detail dan anomali yang, jika ditindaklanjuti, dapat membawa peningkatan signifikan pada margin keuntungan, efisiensi logistik, dan kepuasan pelanggan.

### Ikhtisar Temuan Kunci

1.  **Performa Penjualan Unggul pada Produk dan Outlet Spesifik:**
    *   **Produk 'Cash Cow'**: POLYSILANE (tablet dan suspensi), PRORIS, dan MICROLAX adalah pendorong utama pendapatan, menunjukkan permintaan pasar yang tinggi pada kategori produk pencernaan dan obat flu/demam.
    *   **Outlet Berkontribusi Tinggi**: TEKNOLOGI MEDIKA PRATAMA, PT. berdiri sebagai *key account* yang sangat vital, diikuti oleh sejumlah grup apotek dan institusi besar lainnya. Fokus pada outlet-outlet ini melalui program loyalitas dan layanan personal akan sangat menguntungkan.
    *   **Dominasi Divisi PHARMANET**: Divisi PHARMANET menyumbang sebagian besar volume transaksi (83.9%), menggarisbawahi posisinya sebagai tulang punggung operasional penjualan.

2.  **Dampak Program Apotek Online (AO YN) yang Positif pada Nilai Pesanan:**
    *   Meskipun outlet non-AO masih mendominasi total volume penjualan, analisis regresi menunjukkan bahwa **partisipasi dalam program Apotek Online (AO YN: Yes) berkorelasi positif dan signifikan terhadap nilai pesanan (Value RO) individual**. Ini berarti, per pesanan, outlet AO cenderung memesan produk bernilai lebih tinggi. Ini adalah indikator keberhasilan program dalam meningkatkan kualitas transaksi, bukan hanya kuantitas.

3.  **Anomali dan Peluang pada Produk Pharos Group:**
    *   Secara agregat, produk **Pharos Group (Pharos YN: Yes) menyumbang total nilai RO (Rp 30.5 Triliun) yang lebih tinggi** dibandingkan produk non-Pharos (Rp 20.3 Triliun). Namun, analisis regresi linear mengungkapkan **korelasi negatif yang signifikan antara `Pharos YN: Yes` dan `Value RO` per pesanan**. Ini menyiratkan bahwa, meskipun volume penjualan total tinggi, produk Pharos mungkin memiliki nilai rata-rata per unit atau per pesanan yang lebih rendah dibandingkan produk non-Pharos. Ini memerlukan investigasi lebih lanjut untuk optimalisasi strategi produk Pharos.

4.  **Variasi Signifikan dalam Efisiensi Logistik:**
    *   **Rata-rata Durasi Pengiriman yang Baik**: Waktu rata-rata pengiriman dari gudang ke pelanggan (Tgl DO ke Tgl Diterima) adalah 1.28 hari, menunjukkan kecepatan yang kompetitif secara keseluruhan.
    *   **Disparitas Kinerja Gudang**: Terdapat perbedaan besar antar gudang. PHARMANET JAKBAR (0.17 hari) dan PHARMANET JAKTIM (0.18 hari) adalah yang tercepat, sementara **PHARMANET TANGERANG merupakan anomali dengan durasi pengiriman rata-rata terlama (4.72 hari)**.
    *   **Kinerja Ekspedisi**: Ekspedisi internal (misalnya, EXPD INTERNAL JAKSEL, EXPD Bogor Sierra) adalah yang tercepat. Beberapa ekspedisi pihak ketiga (misalnya, Media Transportasi Logistic, INDAH LOGISTIK) menunjukkan kinerja yang lebih lambat.
    *   **Durasi Pengiriman dan Value RO**: Analisis regresi menunjukkan **durasi pengiriman yang lebih lama berkorelasi positif dengan `Value RO`**. Ini bukan berarti memperlambat pengiriman, melainkan mengindikasikan bahwa pesanan bernilai tinggi mungkin lebih kompleks, melibatkan jarak lebih jauh, atau pelanggan lebih toleran terhadap waktu tunggu.

5.  **Penyebab Utama Pembatalan Pesanan: Keterlambatan Proses Internal:**
    *   Tingkat pembatalan pesanan secara keseluruhan rendah (1.06%).
    *   **Pesanan yang dibatalkan cenderung memiliki kuantitas (Qty RO) dan nilai (Value RO) yang lebih rendah**. Ini mengindikasikan bahwa pesanan kecil lebih rentan terhadap pembatalan.
    *   **Anomali Paling Krusial**: Perbedaan paling signifikan antara pesanan yang terlayani penuh dan yang dibatalkan terletak pada **waktu pemrosesan internal dari Surat Pesanan (SP) ke Delivery Order (DO)**. Pesanan yang dibatalkan membutuhkan waktu rata-rata 13.18 jam untuk beralih dari SP ke DO, sementara pesanan terlayani penuh hanya 9.64 jam. Ini adalah indikator kuat bahwa **keterlambatan di tahap internal gudang merupakan pemicu utama pembatalan.**
    *   **Gudang dan Ekspedisi Rentan Pembatalan**: PHARMANET MEDAN (2.3%), PHARMANET JAKTIM (2.2%), PHARMANET TANGERANG (2.0%), dan PHARMANET SAMARINDA (2.0%) memiliki tingkat pembatalan tertinggi. Demikian pula, EXPD JAKTIM dan EXPD SURABAYA 1 terkait dengan tingkat pembatalan yang lebih tinggi.

6.  **Pengaruh Metode Pembayaran**:
    *   BCA Virtual Account adalah metode pembayaran dominan (61.4%).
    *   Analisis regresi menunjukkan bahwa `BRIVA` dan `Term Of Payment` berkorelasi negatif dengan `Value RO` dibandingkan BCA Virtual Account, mengindikasikan nilai pesanan yang lebih rendah. `Term Of Payment` juga memiliki tingkat pembatalan sedikit lebih tinggi (1.1%).

### Rekomendasi Strategis

Berdasarkan temuan-temuan di atas, berikut adalah rekomendasi yang terstruktur untuk mendorong pertumbuhan penjualan dan meningkatkan efisiensi operasional secara berkelanjutan:

#### 1. Optimalisasi Efisiensi Logistik Internal untuk Mengurangi Pembatalan

Fokus utama harus pada perbaikan proses internal, terutama dari tahap Surat Pesanan (SP) ke Delivery Order (DO), yang terbukti menjadi bottleneck signifikan.

*   **Audit dan Perbaiki Proses SP ke DO**: Lakukan audit mendalam pada proses operasional di gudang-gudang dengan tingkat pembatalan tinggi (PHARMANET MEDAN, JAKTIM, TANGERANG, SAMARINDA) dan divisi (VIBRANT PBF, HOSPINET). Identifikasi akar masalah keterlambatan (misalnya, *picking* yang lambat, masalah sistem, kurangnya staf, atau isu ketersediaan stok).
*   **Tetapkan dan Pantau SLA Internal**: Implementasikan *Service Level Agreement* (SLA) yang ketat untuk waktu pemrosesan SP ke DO. Pastikan pemantauan rutin dilakukan dan berikan *feedback* serta pelatihan berkelanjutan kepada tim logistik.
*   **Prioritaskan Pesanan Sensitif**: Kembangkan sistem peringatan dini atau jalur pemrosesan cepat (*fast-track*) untuk pesanan dengan kuantitas dan nilai yang lebih rendah, karena pesanan ini lebih rentan terhadap pembatalan akibat keterlambatan.

#### 2. Manajemen Kinerja Gudang dan Mitra Ekspedisi

Perbedaan kinerja antar gudang dan ekspedisi menuntut pendekatan yang lebih proaktif.

*   **Investigasi Mendalam PHARMANET TANGERANG**: Gudang ini memiliki durasi pengiriman terlama dan tingkat pembatalan tinggi. Lakukan investigasi operasional menyeluruh untuk mengidentifikasi masalah akar dan implementasikan perbaikan struktural (misalnya, optimalisasi rute, penambahan sumber daya, perbaikan infrastruktur).
*   **Evaluasi Mitra Ekspedisi Periodik**: Kaji ulang kontrak dan performa ekspedisi pihak ketiga secara berkala, khususnya EXPD JAKTIM dan EXPD SURABAYA 1 yang memiliki tingkat pembatalan lebih tinggi. Pertimbangkan untuk mengalihkan volume pengiriman ke mitra yang lebih andal dan efisien di rute tertentu.
*   **Maksimalkan Ekspedisi Internal**: Manfaatkan keunggulan ekspedisi internal yang sangat cepat untuk area-area kunci atau pengiriman *last-mile* yang kritis.

#### 3. Strategi Penjualan dan Pemasaran Berbasis Wawasan

Manfaatkan data untuk mengoptimalkan strategi penjualan dan memitigasi anomali.

*   **Perluas dan Maksimalkan Program Apotek Online**: Dorong lebih banyak outlet untuk bergabung dengan program Apotek Online. Kembangkan strategi promosi yang menargetkan peserta AO dengan produk-produk bernilai tinggi atau *bundling* eksklusif, mengingat korelasi positif AO YN dengan `Value RO` per pesanan.
*   **Re-evaluasi Strategi Produk Pharos**: Selidiki mengapa produk Pharos memiliki `Value RO` per pesanan yang lebih rendah. Apakah ada potensi untuk memperkenalkan varian premium, meningkatkan harga jual rata-rata, atau menyusun paket bundling yang menarik untuk meningkatkan nilai transaksi rata-rata produk Pharos?
*   **Fokus pada Produk Unggulan dan Key Accounts**: Terus jaga ketersediaan dan promosi intensif untuk produk-produk terlaris seperti POLYSILANE, PRORIS, dan MICROLAX. Pertahankan hubungan erat dengan outlet-outlet 'key account' melalui layanan pelanggan premium dan penawaran yang disesuaikan.
*   **Optimalisasi Penawaran Metode Pembayaran**: Analisis lebih lanjut mengapa `BRIVA` dan `Term Of Payment` berkorelasi dengan `Value RO` yang lebih rendah. Mungkin ada ruang untuk mendorong penggunaan BCA Virtual Account dengan insentif untuk pesanan bernilai tinggi, atau menyesuaikan penawaran produk untuk pelanggan yang cenderung menggunakan metode pembayaran lain.

#### 4. Peningkatan Kualitas Data Lanjutan

Meskipun data telah dibersihkan, masih ada area yang memerlukan perhatian.

*   **Penanganan Anomali Tanggal Diterima**: Selidiki akar masalah `Tgl Diterima` yang tercatat pada 1970-01-02. Meskipun data ini sudah ditangani di pra-pemrosesan, perbaikan pada sistem sumber akan mencegah terulangnya anomali ini di masa mendatang.
*   **Klarifikasi 'Divisi N/A'**: Selidiki pesanan yang masuk kategori `Divisi N/A` yang menunjukkan `Value RO` yang sangat tinggi. Pastikan semua pesanan memiliki klasifikasi divisi yang tepat untuk analisis yang lebih akurat.

Dengan mengimplementasikan rekomendasi-rekomendasi ini, perusahaan tidak hanya dapat meningkatkan efisiensi operasional dan mengurangi kerugian akibat pembatalan, tetapi juga dapat merumuskan strategi penjualan yang lebih cerdas dan berfokus pada pendorong nilai, yang pada akhirnya akan mempercepat pertumbuhan bisnis yang berkelanjutan.