# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Analisis eksplorasi data ini bertujuan untuk mengidentifikasi wawasan tersembunyi guna meningkatkan kinerja, penjualan, dan memahami korelasi produk dalam konteks data pemenuhan pesanan pelanggan. Data mentah telah melalui proses pembersihan dan normalisasi menjadi tabel-tabel relasional (Outlet, Produk, Pesanan Berulang, Surat Pesanan, Pesanan Pengiriman, Daftar Pengepakan, dan Item Baris Pengiriman) untuk memastikan granularitas data yang tepat dan keandalan analisis lebih lanjut. Secara keseluruhan, dataset mencakup 125.426 baris transaksi pesanan, dengan total nilai pesanan ulang (Value RO) sebesar 54,448,574,048. Terlihat dominasi status pesanan "TERLAYANI PENUH" sebesar 98.95% dari total pesanan, namun terdapat 1.05% pesanan yang berstatus "CANCEL". Pembatalan ini menyumbang nilai RO sebesar 349,848,637, atau 0.64% dari total nilai pesanan. **Temuan Kunci:** * **Pendorong Nilai Penjualan Utama**: Kuantitas pesanan (`Qty RO`) adalah faktor paling signifikan yang mempengaruhi nilai penjualan per item baris, dengan tingkat kepentingan 0.9097. Produk dari grup Pharos (`Pharos YN` = 1) secara signifikan berkontribusi pada nilai penjualan dengan Total Value RO 32,480,304,735, dan partisipasi outlet dalam program Apotek Online (`AO YN` = 1) juga menunjukkan dampak yang kuat dengan Total Value RO 17,628,640,458. * **Performa Produk dan Korelasi**: Produk seperti 'POLYSILANE TAB. KUNYAH 5X8TAB', 'PRORIS SUSP 60 ML RASA JERUK', dan 'MICROLAX GEL OBAT PENCAHAR 5ML' adalah di antara 10 produk teratas berdasarkan nilai penjualan. Analisis asosiasi produk mengungkapkan korelasi yang sangat kuat antara beberapa produk, misalnya 'SP TROCHES STRAWBERRY 12 TAB' dan 'SP TROCHES MELON 12 TAB' dengan nilai *lift* 45.27. Ini menunjukkan potensi besar untuk strategi *cross-selling* atau *bundling*. * **Performa Outlet dan Divisi**: * Beberapa outlet menunjukkan nilai pembelian yang sangat tinggi, dengan 'TEKNOLOGI MEDIKA PRATAMA, PT' memimpin dengan Value RO 1,606,912,097 dari hanya 5 pesanan unik. * Divisi PHARMANET mendominasi volume transaksi (84.31% dari total baris) dan nilai penjualan (36,028,126,549 Value RO). Namun, divisi VIBRANT PBF menunjukkan rata-rata nilai pesanan per order (42,290,113) dan rata-rata kuantitas per order (1,464) yang jauh lebih tinggi dibandingkan PHARMANET (rata-rata nilai pesanan per order 2,246,423 dan rata-rata kuantitas per order 51). * Segmentasi outlet menggunakan clustering K-Means telah mengidentifikasi 4 kelompok perilaku pembelian yang berbeda, yang dapat digunakan untuk strategi penjualan yang ditargetkan. * **Operasional dan Logistik**: * Metode pembayaran 'BCA Virtual Account' adalah yang paling sering digunakan, menyumbang 41,442,647,055 Value RO. * Ekspedisi 'PT CENTURY', 'ANDALAN 21 EXPRESS', dan 'Anteraja' menangani volume penjualan terbesar. * Tingkat pembatalan tertinggi berdasarkan Divisi adalah VIBRANT PBF (1.77%), berdasarkan Ekspedisi adalah EXPD JAKTIM (1.81%), dan berdasarkan Metode Pembayaran adalah Term Of Payment (1.04%). * **Anomali Kualitas Data Pengiriman**: Ditemukan 2.685 catatan di mana 'Tgl Diterima' terjadi sebelum 'Tgl. Order' dan 2.687 catatan sebelum 'Tgl DO'. Anomali ini menunjukkan masalah serius dalam pencatatan tanggal pengiriman, yang membuat analisis ketepatan waktu pengiriman kurang dapat diandalkan. Mayoritas anomali ini terkait dengan 'PT CENTURY' sebagai ekspedisi (1,757 catatan) dan 'PHARMANET TANGERANG' sebagai asal gudang (1,450 catatan). **Rekomendasi Utama:** 1. **Fokus pada Kuantitas dan Produk Berpotensi Tinggi**: Mendorong peningkatan kuantitas pesanan per transaksi. Optimalkan promosi dan ketersediaan produk-produk Pharos. Manfaatkan wawasan korelasi produk untuk mengembangkan paket *bundling* atau rekomendasi *cross-selling* yang cerdas, terutama untuk pasangan produk dengan nilai *lift* tinggi seperti 'SP TROCHES STRAWBERRY 12 TAB' dan 'SP TROCHES MELON 12 TAB'. 2. **Kembangkan Strategi Penjualan Bertarget**: Gunakan segmentasi outlet untuk menyesuaikan penawaran, komunikasi, dan insentif. Lakukan investigasi lebih lanjut mengenai perbedaan kinerja antar divisi, khususnya mengapa VIBRANT PBF memiliki rata-rata nilai pesanan yang jauh lebih tinggi. Tingkatkan partisipasi dalam program Apotek Online untuk outlet yang belum bergabung. 3. **Tingkatkan Efisiensi Rantai Pasok dan Kurangi Pembatalan**: Selidiki penyebab spesifik di balik tingkat pembatalan yang lebih tinggi pada Divisi VIBRANT PBF, ekspedisi EXPD JAKTIM, dan metode pembayaran Term Of Payment. Implementasikan tindakan korektif untuk mengatasi masalah ini. 4. **Perbaiki Kualitas Data Fundamental**: Segera atasi inkonsistensi pada kolom tanggal pengiriman (`Tgl Diterima`) untuk memastikan keandalan analisis operasional. Audit proses entri data dan sinkronisasi sistem yang terkait dengan tanggal, terutama untuk 'PT CENTURY' dan 'PHARMANET TANGERANG'. Tanpa data tanggal yang akurat, pemantauan kinerja pengiriman dan identifikasi area perbaikan akan terhambat. ## 2. Pendahuluan Analisis data eksplorasi ini bertujuan untuk mendapatkan wawasan mendalam dari data pemenuhan pesanan pelanggan, dengan fokus pada peningkatan kinerja penjualan, optimalisasi operasional, dan identifikasi korelasi produk. Data yang dianalisis berasal dari tabel `omg_10003_b1_sheet1`, yang merekam seluruh proses transaksi mulai dari pesanan hingga pengiriman. Dataset ini berisi 125.426 baris transaksi, mencerminkan aktivitas pemesanan ulang (RO) oleh berbagai *outlet* pelanggan. Setiap baris memberikan detail lengkap tentang proses pesanan, termasuk: * **Repeat Order (RO)**: Diidentifikasi oleh `No. RO`, dengan detail kuantitas (`Qty RO`), nilai pesanan (`Value RO`), dan status pemenuhan (`Status RO`). Total nilai pesanan ulang (Value RO) dalam dataset ini mencapai 54,448,574,048. * **Surat Pesanan (SP)**: `No. SP` merepresentasikan pesanan yang masuk ke gudang untuk dilayani, dengan informasi status header (`Sts SP Header`), status detail (`Sts SP Detail`), tanggal (`Tgl. SP`), dan kuantitas (`Qty SP`). Satu RO dapat menghasilkan beberapa SP. * **Delivery Order (DO)**: `No. DO` dikeluarkan saat SP dilayani dan dikonfirmasi, mencakup status (`Status DO`), tanggal (`Tgl DO`), dan kuantitas (`Qty DO`). Satu SP menghasilkan satu DO. * **Packing List (PL)**: `No. PL` adalah dokumen administratif yang menyertai DO, dengan tanggal (`Tgl. PL`) dan nilai (`Value PL`). Data juga mencakup pengidentifikasi unik untuk *outlet* (`KodePI`, `OutCode`, `Cmc`) dan produk (`Procod`), serta indikator `Pharos YN` untuk produk dari Pharos Grup dan `AO YN` untuk partisipasi *outlet* dalam program Apotek Online. Sebelum analisis mendalam, data mentah telah melalui tahap pembersihan yang komprehensif, termasuk penghapusan duplikasi, konversi tipe data (terutama untuk kolom tanggal dan numerik), serta penanganan nilai-nilai yang hilang. Selanjutnya, data dinormalisasi menjadi beberapa tabel relasional yang lebih spesifik (Outlet, Produk, Pesanan Berulang, Surat Pesanan, Pesanan Pengiriman, Daftar Pengepakan, dan Item Baris Pengiriman). Langkah normalisasi ini krusial untuk memastikan granularitas data yang tepat dan memungkinkan analisis yang akurat, sesuai dengan "CRITICAL ANALYTICAL RULE - DATA GRANULARITY (GRAIN)". Observasi awal terhadap kualitas data menunjukkan adanya nilai kosong pada beberapa kolom penting, seperti `Tgl Diterima` (7.49%) dan `Value PL` (1.05%). Sebuah anomali data kritis ditemukan terkait dengan tanggal pengiriman: terdapat 2.685 catatan di mana `Tgl Diterima` tercatat lebih awal dari `Tgl. Order`, dan 2.687 catatan di mana `Tgl Diterima` lebih awal dari `Tgl DO`. Ketidaksesuaian ini secara signifikan memengaruhi keandalan analisis ketepatan waktu pengiriman, dengan sebagian besar anomali ini terkait dengan ekspedisi 'PT CENTURY' (1.757 catatan) dan 'PHARMANET TANGERANG' sebagai gudang asal (1.450 catatan). Anomali ini memerlukan investigasi lebih lanjut dan perbaikan pada proses pencatatan data untuk memastikan akurasi analisis operasional di masa mendatang. Laporan ini akan menggali lebih dalam berbagai aspek data, termasuk tren penjualan, kinerja produk dan *outlet*, analisis pembatalan pesanan, serta faktor-faktor kunci yang memengaruhi nilai penjualan. Tujuannya adalah untuk memberikan wawasan yang dapat ditindaklanjuti untuk mendukung pengambilan keputusan strategis dalam meningkatkan penjualan, efisiensi operasional, dan kepuasan pelanggan. ## 3. Kualitas Data & Pra-pemrosesan Kualitas data yang baik adalah fondasi utama bagi analisis eksplorasi yang akurat dan insights yang dapat ditindaklanjuti. Dalam bab ini, kami merinci langkah-langkah pra-pemrosesan yang telah dilakukan pada tabel `omg_10003_b1_sheet1` dan menyoroti anomali data kritis yang ditemukan, beserta implikasinya terhadap interpretasi bisnis. Pada awalnya, dataset terdiri dari 125.426 baris transaksi. Proses pembersihan data dimulai dengan identifikasi dan penghapusan duplikasi baris secara persis, memastikan setiap entri adalah unik sebelum analisis lebih lanjut. Langkah-langkah pra-pemrosesan meliputi: 1. **Konversi Tipe Data**: * Kolom tanggal seperti `Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, dan `Lastupdate` telah dikonversi ke format `datetime`. Proses ini berhasil dilakukan tanpa memperkenalkan nilai `NaT` baru untuk `Tgl. Order`, `Tgl. SP`, dan `Lastupdate`. Namun, terdapat nilai `null` yang dipertahankan dari data asli untuk `Tgl DO` (365 null), `Tgl. PL` (365 null), `Tgl Logbook` (585 null), `Tgl Ekspedisi` (460 null), dan `Tgl Diterima` (10.385 null). * Kolom numerik seperti `Qty RO`, `Procod`, `Qty SP`, `Qty DO`, `Value PL`, `Value RO`, dan `No. RO` dikonversi ke tipe data numerik. Selama proses ini, 1.740 nilai `null` pada kolom `Value PL` telah diisi menggunakan nilai median (145,203.0). 2. **Penanganan Nilai Hilang (Missing Values)**: * Untuk kolom pengidentifikasi kritis seperti `KodePI`, `OutCode`, `Cmc`, `No. SP`, `No. DO`, `No. PL`, dan `Nomor Resi`, baris yang memiliki nilai `null` dihilangkan untuk menjaga integritas data. Sebanyak 5.468 baris dihilangkan karena nilai `null` pada kolom `Cmc`, 286 baris karena `null` pada `No. DO`, dan 135 baris karena `null` pada `Nomor Resi`. * Untuk kolom kategorikal/tekstual, nilai `null` diisi menggunakan modus (nilai paling sering muncul) dari kolom tersebut. Contohnya, 7 `null` pada `Divisi` diisi dengan 'PHARMANET', 95 `null` pada `Kel. Class` diisi dengan 'A', dan 81 `null` pada `Nama Ekspedisi` diisi dengan 'Anteraja'. * Kolom `Keterangan` dan `Nama Penerima` yang bersifat tekstual diisi dengan *string* kosong (`''`) untuk 125.426 nilai `null`/`NaN`. 3. **Standardisasi Kolom Boolean**: * Kolom `Pharos YN` dan `AO YN` distandardisasi menjadi nilai boolean (`True`/`False`). Sebelum konversi, setiap nilai `null` (termasuk representasi string 'nan') diisi dengan modus kolom tersebut (`'N'` jika modus kosong) untuk 0 `null` pada `Pharos YN` dan 0 `null` pada `AO YN` yang muncul dalam proses pembersihan sebelumnya. Setelah itu, 'Y' dikonversi menjadi `True` dan 'N' menjadi `False`. 4. **Pembersihan String 'nan' Literal**: * Dilakukan pemeriksaan akhir untuk memastikan tidak ada representasi string 'nan' literal yang tersisa di kolom objek lainnya. Ditemukan 23 `null` baru (berasal dari string 'nan') di kolom `OutCode` yang kemudian diisi dengan modus `'HHL'`. **Anomali Kritis: Durasi Pengiriman Negatif** Salah satu temuan kualitas data yang paling signifikan dan memerlukan perhatian khusus adalah adanya durasi pengiriman negatif. Ini terjadi ketika `Tgl Diterima` (tanggal barang diterima) tercatat lebih awal dari `Tgl. Order` (tanggal pesanan) atau `Tgl DO` (tanggal *delivery order*). Anomali semacam ini sangat memengaruhi keandalan analisis efisiensi operasional dan ketepatan waktu pengiriman. * **Prevalensi Anomali**: * Dari total 116.030 catatan yang memiliki `Tgl Diterima`, ditemukan 2.685 catatan di mana `Tgl Diterima` lebih awal dari `Tgl. Order`. * Sebanyak 2.687 catatan memiliki `Tgl Diterima` lebih awal dari `Tgl DO`. Berikut adalah contoh catatan dengan durasi pengiriman negatif yang menunjukkan ketidaksesuaian data tanggal: #### Contoh Catatan dengan Durasi `Order_to_Delivery_Duration` Negatif #### | Tgl. Order | Tgl DO | Tgl Diterima | Nama Ekspedisi | Asal Gudang | KodePI | |:--------------------|:--------------------|:--------------------|:-----------------|:-------------------|:---------| | 2026-06-02 09:04:00 | 2026-06-02 13:31:03 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET SOLO | G2002973 | | 2026-06-02 11:35:23 | 2026-06-02 14:28:59 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1007624 | | 2026-06-02 11:53:36 | 2026-06-02 14:26:49 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1000186 | | 2026-06-02 12:17:31 | 2026-06-02 16:02:11 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1007470 | | 2026-06-02 12:36:01 | 2026-06-02 14:34:45 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1007708 | | 2026-06-02 15:12:31 | 2026-06-02 16:05:09 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1007917 | | 2026-06-02 15:22:49 | 2026-06-02 16:11:19 | 1970-01-02 07:00:00 | PCP EXPRESS | PHARMANET MAKASSAR | Q1006486 | | 2026-06-02 15:41:07 | 2026-06-02 16:47:47 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1000066 | | 2026-06-02 15:57:59 | 2026-06-03 10:31:16 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET BOGOR | F2002410 | | 2026-06-02 15:57:59 | 2026-06-03 10:31:18 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET BOGOR | F2002410 | #### Contoh Catatan dengan Durasi `DO_to_Delivery_Duration` Negatif #### | Tgl. Order | Tgl DO | Tgl Diterima | Nama Ekspedisi | Asal Gudang | KodePI | |:--------------------|:--------------------|:--------------------|:-----------------|:-------------------|:---------| | 2026-06-02 09:04:00 | 2026-06-02 13:31:03 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET SOLO | G2002973 | | 2026-06-02 11:35:23 | 2026-06-02 14:28:59 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1007624 | | 2026-06-02 11:53:36 | 2026-06-02 14:26:49 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1000186 | | 2026-06-02 12:17:31 | 2026-06-02 16:02:11 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1007470 | | 2026-06-02 12:36:01 | 2026-06-02 14:34:45 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1007708 | | 2026-06-02 15:12:31 | 2026-06-02 16:05:09 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1007917 | | 2026-06-02 15:22:49 | 2026-06-02 16:11:19 | 1970-01-02 07:00:00 | PCP EXPRESS | PHARMANET MAKASSAR | Q1006486 | | 2026-06-02 15:41:07 | 2026-06-02 16:47:47 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET MEDAN | A1000066 | | 2026-06-02 15:57:59 | 2026-06-03 10:31:16 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET BOGOR | F2002410 | | 2026-06-02 15:57:59 | 2026-06-03 10:31:18 | 1970-01-02 07:00:00 | PT CENTURY | PHARMANET BOGOR | F2002410 | * **Ekspedisi dan Gudang yang Terkena Dampak Terbanyak**: * Ekspedisi 'PT CENTURY' memiliki jumlah catatan tertinggi dengan durasi `Order_to_Delivery_Duration` negatif (1.757 catatan) dan durasi `DO_to_Delivery_Duration` negatif (1.757 catatan). * Gudang asal 'PHARMANET TANGERANG' adalah yang paling terdampak, dengan 1.450 catatan durasi `Order_to_Delivery_Duration` negatif dan 1.450 catatan durasi `DO_to_Delivery_Duration` negatif. #### Top 5 `Nama Ekspedisi` dengan Catatan Durasi `Order_to_Delivery_Duration` Negatif Terbanyak #### | Count | count | |:-------------------|--------:| | PT CENTURY | 1757 | | ANDALAN 21 EXPRESS | 294 | | PCP EXPRESS | 209 | | INDAH LOGISTIK | 139 | | Anteraja | 90 | #### Top 5 `Asal Gudang` dengan Catatan Durasi `Order_to_Delivery_Duration` Negatif Terbanyak #### | Count | count | |:--------------------|--------:| | PHARMANET TANGERANG | 1450 | | PHARMANET MEDAN | 517 | | PHARMANET MAKASSAR | 121 | | PHARMANET MALANG | 94 | | PHARMANET LAMPUNG | 90 | #### Top 5 `Nama Ekspedisi` dengan Catatan Durasi `DO_to_Delivery_Duration` Negatif Terbanyak #### | Count | count | |:-------------------|--------:| | PT CENTURY | 1757 | | ANDALAN 21 EXPRESS | 296 | | PCP EXPRESS | 209 | | INDAH LOGISTIK | 139 | | Anteraja | 90 | #### Top 5 `Asal Gudang` dengan Catatan Durasi `DO_to_Delivery_Duration` Negatif Terbanyak #### | Count | count | |:--------------------|--------:| | PHARMANET TANGERANG | 1450 | | PHARMANET MEDAN | 517 | | PHARMANET MAKASSAR | 121 | | PHARMANET MALANG | 94 | | PHARMANET LAMPUNG | 90 | **Interpretasi dan Rekomendasi untuk Durasi Negatif** Kehadiran durasi pengiriman negatif menunjukkan masalah kualitas data yang signifikan yang dapat mengganggu analisis efisiensi operasional dan kepuasan pelanggan. **Penyebab Potensial:** 1. **Kesalahan Entri Data**: Kesalahan manual saat memasukkan tanggal. 2. **Masalah Sinkronisasi Sistem**: Discrepansi dari sistem yang berbeda yang mencatat tanggal, kemungkinan karena perbedaan zona waktu atau jam yang tidak sinkron. 3. **Kesalahan Logika dalam Alur Data**: `Tgl Diterima` mungkin dicatat lebih awal dari yang seharusnya jika itu mewakili tahap yang berbeda, atau jika `Tgl. Order`/`Tgl DO` dibackdate setelah `Tgl Diterima` dimasukkan. 4. **Misinterpretasi Kolom Tanggal**: `Tgl Diterima` mungkin tidak selalu berarti tanggal penerimaan fisik oleh pelanggan, melainkan mungkin konfirmasi internal pengiriman yang mendahului pengiriman aktual. 5. **Perbedaan Zona Waktu**: Jika `Tgl Diterima` dicatat dalam zona waktu yang berbeda dari `Tgl. Order` atau `Tgl DO`, hal itu dapat menyebabkan durasi negatif. **Rekomendasi:** 1. **Validasi Data Ketat**: Terapkan aturan validasi data yang ketat pada titik entri untuk kolom tanggal guna mencegah terjadinya tanggal yang tidak logis di masa mendatang (misalnya, tanggal penerimaan tidak boleh sebelum tanggal pesanan). 2. **Audit Sistem Sumber**: Lakukan audit proses pengumpulan dan integrasi data untuk `Tgl. Order`, `Tgl DO`, dan `Tgl Diterima` untuk mengidentifikasi titik pasti di mana ketidaksesuaian ini terjadi. 3. **Klarifikasi Definisi**: Konfirmasi ulang definisi bisnis yang tepat untuk setiap kolom tanggal dengan pemangku kepentingan untuk memastikan interpretasi dan penggunaan yang konsisten di seluruh sistem dan analisis. 4. **Penanganan untuk Analisis**: Untuk analisis ketepatan waktu di masa mendatang, durasi negatif ini harus ditangani dengan hati-hati. Opsi yang tersedia meliputi: * **Mengecualikan Catatan Anomali**: Jika jumlahnya kecil dan dianggap tidak relevan dengan pola keseluruhan. * **Imputasi**: Jika penyebabnya adalah kesalahan entri data, selidiki apakah imputasi yang masuk akal (misalnya, menetapkan ke 0 atau nilai positif kecil) sesuai berdasarkan logika bisnis. * **Rekalkulasi jika Terkait Zona Waktu**: Jika zona waktu adalah masalahnya, terapkan konversi zona waktu yang tepat sebelum menghitung durasi. 5. **Fokus pada Durasi Positif**: Untuk *insight* awal, pertimbangkan hanya catatan di mana durasi tidak negatif, sementara masalah kualitas data sedang ditangani. **Implikasi terhadap Analisis Lebih Lanjut** Anomali durasi pengiriman negatif yang ditemukan ini memiliki implikasi serius terhadap keakuratan analisis yang berkaitan dengan efisiensi operasional dan kinerja pengiriman. Semua analisis yang menggunakan metrik waktu pengiriman, seperti rata-rata waktu dari pesanan hingga pengiriman atau waktu dari *delivery order* hingga penerimaan, akan terpengaruh secara signifikan oleh data yang tidak valid ini. Oleh karena itu, dalam analisis selanjutnya yang melibatkan metrik waktu pengiriman, catatan dengan durasi negatif ini akan dikecualikan untuk memastikan bahwa *insight* yang dihasilkan relevan dan akurat. ## 4. Analisis Deskriptif Data Analisis deskriptif ini menyajikan gambaran komprehensif tentang karakteristik utama dataset pemenuhan pesanan pelanggan, `omg_10003_b1_sheet1`. Kami akan menjelajahi struktur data, distribusi nilai, dan metrik agregat yang memberikan pemahaman awal tentang volume bisnis, performa, dan perilaku transaksi. ### Gambaran Umum Dataset Dataset ini berisi total 125.426 baris transaksi, masing-masing merepresentasikan sebuah item baris pesanan. Analisis persentase nilai null menunjukkan kualitas data yang baik pada kolom-kolom operasional utama, meskipun beberapa kolom memiliki nilai null yang signifikan, terutama `Keterangan` dan `Nama Penerima` yang seluruhnya kosong, mengindikasikan bahwa informasi tersebut mungkin tidak tercatat atau tidak relevan untuk analisis saat ini. **Persentase Nilai Null per Kolom** | Kolom | Jumlah Null | Persentase Null | |:---------------|------------:|----------------:| | Keterangan | 125.426 | 100,0 | | Nama Penerima | 125.426 | 100,0 | | Tgl Diterima | 9.396 | 7,5 | | Value PL | 1.314 | 1,0 | | Kel. Class | 95 | 0,1 | | Tgl Logbook | 81 | 0,1 | | Nama Ekspedisi | 81 | 0,1 | | Divisi | 7 | 0,0 | ### Statistik Deskriptif Kolom Numerik Statistik deskriptif untuk kolom numerik memberikan wawasan tentang rentang, rata-rata, dan penyebaran data kuantitas dan nilai transaksi. Rata-rata `Qty RO` menunjukkan sekitar 11 unit per pesanan, dengan deviasi standar yang tinggi (73,30), menunjukkan variasi yang besar dalam ukuran pesanan. `Value RO` memiliki nilai rata-rata sekitar 434.109,15, dengan nilai maksimum mencapai 166.269.792,00, menyoroti adanya pesanan dengan nilai sangat besar. **Statistik Deskriptif Kolom Numerik** | Kolom | Count | Mean | Std | Min | 25% | 50% | 75% | Max | |:---------|----------:|-------------:|-------------:|-----:|----------:|----------:|----------:|------------:| | Qty RO | 125.426 | 11,33 | 73,30 | 0,00 | 1,00 | 3,00 | 6,00 | 7.200,00 | | Procod | 125.426 | 311.641,28 | 630.759,43 | 100.070,00 | 109.277,00 | 201.478,00 | 203.241,00 | 3.700.161,00 | | Qty SP | 125.426 | 11,24 | 73,09 | 0,00 | 1,00 | 3,00 | 6,00 | 7.200,00 | | Qty DO | 125.426 | 11,24 | 73,09 | 0,00 | 1,00 | 3,00 | 6,00 | 7.200,00 | | Value PL | 124.112 | 435.886,34 | 1.975.724,28 | 0,00 | 73.482,00 | 148.482,00 | 323.666,00 | 166.269.792,00 | | Value RO | 125.426 | 434.109,15 | 1.966.628,72 | 0,00 | 73.102,00 | 147.636,00 | 323.507,75 | 166.269.792,00 | | No. RO | 125.426 | 4.928.218,67 | 5.967,62 | 4.918.044,00 | 4.923.092,00 | 4.927.941,00 | 4.933.386,00 | 4.938.688,00 | ### Keunikan Kolom Pengidentifikasi Analisis keunikan pada kolom pengidentifikasi memberikan pemahaman tentang jumlah entitas unik dalam dataset. Ditemukan 4.685 outlet unik (`KodePI`, `Cmc`) dan 1.410 produk unik (`Procod`), yang menunjukkan bahwa dataset mencakup transaksi dari beragam pelanggan dan produk. Jumlah `No. RO`, `No. SP`, `No. DO`, dan `No. PL` yang unik menunjukkan bahwa satu pesanan berulang (RO) dapat berkaitan dengan beberapa surat pesanan (SP), *delivery order* (DO), atau *packing list* (PL) yang unik. **Keunikan Kolom Pengidentifikasi** | Kolom Pengidentifikasi | Jumlah Unik | |:-----------------------|------------:| | KodePI | 4.685 | | OutCode | 4.684 | | Cmc | 4.685 | | Procod | 1.410 | | No. RO | 19.544 | | No. SP | 22.286 | | No. DO | 22.286 | | No. PL | 22.286 | ### Distribusi dan Metrik Agregat Kategorikal #### Divisi Divisi PHARMANET mendominasi sebagian besar transaksi, menyumbang 84,3% dari total baris dan nilai penjualan terbesar. Namun, divisi VIBRANT PBF menunjukkan rata-rata nilai pesanan per order yang signifikan lebih tinggi meskipun jumlah pesanan lebih sedikit, menunjukkan potensi nilai transaksi yang besar per pelanggan. **Jumlah Nilai (Baris)** | Divisi | Jumlah | Persentase | |:------------|--------:|-----------:| | PHARMANET | 105.738 | 84,3 | | HOSPINET | 17.137 | 13,7 | | VIBRANT PBF | 2.499 | 2,0 | | VIBRANT 3 | 45 | 0,0 | **Metrik Agregat** | Divisi | Value RO | Value PL | |:------------|-------------:|-------------:| | PHARMANET | 36.028.126.549 | 35.815.682.801 | | VIBRANT PBF | 14.336.348.462 | 14.255.523.057 | | HOSPINET | 3.988.098.880 | 3.931.519.396 | | VIBRANT 3 | 77.188.021 | 77.188.021 | #### Asal Gudang Distribusi penjualan berdasarkan gudang asal menunjukkan kontribusi signifikan dari berbagai gudang PHARMANET di seluruh Indonesia. PHARMANET SURABAYA, PHARMANET BEKASI, dan PHARMANET BANDUNG adalah gudang dengan jumlah transaksi terbesar. **Jumlah Nilai (Baris) - Top 10** | Asal Gudang | Jumlah | Persentase | |:--------------------|--------:|-----------:| | PHARMANET SURABAYA | 13.232 | 10,6 | | PHARMANET BEKASI | 12.425 | 9,9 | | PHARMANET BANDUNG | 9.259 | 7,4 | | PHARMANET TANGERANG | 8.924 | 7,1 | | PHARMANET SEMARANG | 8.501 | 6,8 | | PHARMANET SOLO | 8.175 | 6,5 | | PHARMANET BOGOR | 8.040 | 6,4 | | PHARMANET PALEMBANG | 7.991 | 6,4 | | PHARMANET MAKASSAR | 7.026 | 5,6 | | PHARMANET MEDAN | 6.960 | 5,5 | **Metrik Agregat - Top 10** | Asal Gudang | Value RO | Value PL | |:--------------------|------------:|------------:| | PHARMANET SURABAYA | 7.275.728.027 | 7.211.090.858 | | PHARMANET MEDAN | 5.033.534.966 | 4.969.496.924 | | PHARMANET BEKASI | 4.475.779.203 | 4.461.264.478 | | PHARMANET TANGERANG | 3.908.672.422 | 3.860.449.336 | | PHARMANET BOGOR | 3.739.326.454 | 3.714.407.077 | | PHARMANET BANDUNG | 3.338.681.746 | 3.330.557.660 | | PHARMANET SEMARANG | 2.798.671.637 | 2.787.818.548 | | PHARMANET JAKTIM | 2.754.518.912 | 2.722.193.155 | | PHARMANET MAKASSAR | 2.737.804.535 | 2.730.881.745 | | PHARMANET SOLO | 2.567.417.477 | 2.563.878.608 | #### Status RO Sebagian besar pesanan, yakni 99,0%, berstatus "TERLAYANI PENUH", yang mencerminkan efisiensi operasional yang tinggi dalam pemenuhan pesanan. Namun, terdapat 1,0% pesanan yang dibatalkan (`CANCEL`), yang meskipun kecil, merepresentasikan nilai pesanan sebesar 349.848.637 yang tidak terealisasi. **Jumlah Nilai (Baris)** | Status RO | Jumlah | Persentase | |:----------------|--------:|-----------:| | TERLAYANI PENUH | 124.112 | 99,0 | | CANCEL | 1.314 | 1,0 | **Metrik Agregat** | Status RO | Value RO | Value PL | |:----------------|-------------:|-------------:| | TERLAYANI PENUH | 54.098.725.411 | 54.098.725.411 | | CANCEL | 349.848.637 | 0 | #### Payment Metode pembayaran 'BCA Virtual Account' adalah yang paling populer, digunakan dalam lebih dari 60% transaksi dan menyumbang nilai penjualan tertinggi. **Jumlah Nilai (Baris)** | Payment | Jumlah | Persentase | |:--------------------|--------:|-----------:| | BCA Virtual Account | 75.717 | 60,4 | | Term Of Payment | 35.126 | 28,0 | | BRIVA | 14.454 | 11,5 | | Kredivo | 129 | 0,1 | **Metrik Agregat** | Payment | Value RO | Value PL | |:--------------------|-------------:|-------------:| | BCA Virtual Account | 41.442.647.055 | 41.191.500.931 | | Term Of Payment | 7.776.311.035 | 7.706.632.458 | | BRIVA | 5.212.702.521 | 5.183.678.585 | | Kredivo | 16.913.437 | 16.913.437 | #### Nama Ekspedisi Anteraja, PT CENTURY, dan LION PARCEL adalah ekspedisi dengan volume transaksi tertinggi berdasarkan jumlah baris. Namun, PT CENTURY dan ANDALAN 21 EXPRESS memiliki kontribusi nilai penjualan tertinggi. **Jumlah Nilai (Baris) - Top 10** | Nama Ekspedisi | Jumlah | Persentase | |:-------------------------------|--------:|-----------:| | Anteraja | 24.450 | 19,5 | | PT CENTURY | 20.511 | 16,4 | | LION PARCEL | 17.580 | 14,0 | | PCP EXPRESS | 13.711 | 10,9 | | ANDALAN 21 EXPRESS | 9.598 | 7,7 | | INDAH LOGISTIK | 8.308 | 6,6 | | PT. TUNAS ANTARNUSA MUDA KARGO | 6.303 | 5,0 | | GLOBALINDO 21 EXPRESS | 5.067 | 4,0 | | EXPD BEKASI | 4.963 | 4,0 | | PT. LESTARI JAYA RAYA | 3.098 | 2,5 | **Metrik Agregat - Top 10** | Nama Ekspedisi | Value RO | Value PL | |:-------------------------------|-------------:|-------------:| | PT CENTURY | 11.360.087.689 | 11.287.728.356 | | ANDALAN 21 EXPRESS | 6.745.563.672 | 6.685.454.258 | | Anteraja | 5.700.365.470 | 5.660.996.618 | | LION PARCEL | 5.386.444.969 | 5.333.062.674 | | PCP EXPRESS | 4.097.142.955 | 4.065.762.456 | | PT. TUNAS ANTARNUSA MUDA KARGO | 3.798.618.508 | 3.794.977.405 | | INDAH LOGISTIK | 2.900.476.272 | 2.888.624.081 | | EXPD BEKASI | 2.711.085.131 | 2.703.298.489 | | EXPD JAKTIM | 2.300.329.152 | 2.275.082.849 | | GLOBALINDO 21 EXPRESS | 2.274.402.508 | 2.265.190.764 | #### Status SP dan DO Status `P` (sudah dilayani) mendominasi secara signifikan pada `Sts SP Header`, `Sts SP Detail`, dan `Status DO`, yang masing-masing menunjukkan 99,0% dari total transaksi. Hal ini konsisten dengan `Status RO` yang sebagian besar adalah "TERLAYANI PENUH", menegaskan tingkat pemenuhan yang tinggi dalam alur pesanan. Status `C` (Cancel) menyumbang sisanya. **Jumlah Nilai (Baris) dan Metrik Agregat** | Status | Jumlah | Persentase | Value RO | Value PL | |:-----------------|--------:|-----------:|-------------:|-------------:| | Sts SP Header P | 124.112 | 99,0 | 54.098.725.411 | 54.098.725.411 | | Sts SP Header C | 1.314 | 1,0 | 349.848.637 | 0 | | Sts SP Detail P | 124.112 | 99,0 | 54.098.725.411 | 54.098.725.411 | | Sts SP Detail C | 1.314 | 1,0 | 349.848.637 | 0 | | Status DO P | 124.112 | 99,0 | 54.098.725.411 | 54.098.725.411 | | Status DO C | 1.314 | 1,0 | 349.848.637 | 0 | #### Pharos YN (Produk Pharos Group) Produk non-Pharos (`Pharos YN = 0`) menyumbang sebagian besar jumlah baris transaksi (54,6%), tetapi produk Pharos (`Pharos YN = 1`) menghasilkan nilai RO yang lebih tinggi (32.480.304.735 dibandingkan 21.968.269.313), menunjukkan bahwa produk Pharos cenderung memiliki nilai per unit yang lebih tinggi atau dibeli dalam kuantitas yang lebih besar. **Jumlah Nilai (Baris)** | Pharos YN | Jumlah | Persentase | |----------:|--------:|-----------:| | 0 | 68.509 | 54,6 | | 1 | 56.917 | 45,4 | **Metrik Agregat** | Pharos YN | Value RO | Value PL | |----------:|-------------:|-------------:| | 1 | 32.480.304.735 | 32.248.534.314 | | 0 | 21.968.269.313 | 21.850.191.097 | **Performa Penjualan Item Baris Berdasarkan 'Pharos YN' dan 'AO YN'** Ketika dilihat pada tingkat item baris, kombinasi produk Pharos (`Pharos YN = 1`) dengan outlet yang tidak berpartisipasi di Apotek Online (`AO YN = 0`) menghasilkan `Total_Value_RO` tertinggi, meskipun rata-rata nilai per item baris sangat bervariasi. | Pharos YN | AO YN | Total Item Baris | Total Value RO | Rata-rata Value RO per Item Baris | Total Qty RO | Rata-rata Qty RO per Item Baris | Jumlah Unik RO | |----------:|------:|-----------------:|----------------:|----------------------------------:|-------------:|---------------------------:|---------------:| | 0 | 0 | 40.441 | 12.107.702.217 | 299.391 | 241.143 | 5 | 8.425 | | 0 | 1 | 28.068 | 9.860.567.096 | 351.309 | 157.890 | 5 | 5.895 | | 1 | 0 | 36.385 | 24.712.231.373 | 679.187 | 814.409 | 22 | 9.417 | | 1 | 1 | 20.532 | 7.768.073.362 | 378.339 | 207.082 | 10 | 5.533 | #### AO YN (Partisipasi Apotek Online) Outlet yang tidak berpartisipasi dalam Apotek Online (`AO YN = 0`) menyumbang porsi terbesar dari total pesanan dan nilai penjualan. Namun, partisipasi dalam program Apotek Online (`AO YN = 1`) juga menunjukkan kontribusi yang substansial. **Jumlah Nilai (Baris)** | AO YN | Jumlah | Persentase | |------:|--------:|-----------:| | 0 | 76.826 | 61,2 | | 1 | 48.600 | 38,8 | **Metrik Agregat** | AO YN | Value RO | Value PL | |------:|-------------:|-------------:| | 0 | 36.819.933.590 | 36.583.704.085 | | 1 | 17.628.640.458 | 17.515.021.326 | **Performa Penjualan Tingkat Pesanan Berdasarkan 'AO YN'** Secara rata-rata, outlet yang tidak berpartisipasi di Apotek Online (`AO YN = 0`) memiliki nilai pesanan rata-rata per order (`Avg_Order_Value_RO`) yang lebih tinggi dibandingkan dengan yang berpartisipasi (`AO YN = 1`), meskipun jumlah pesanan unik (`Unique_RO_Count`) juga lebih tinggi. | AO YN | Jumlah Unik RO | Total Nilai Pesanan RO | Rata-rata Nilai Pesanan RO | Total Kuantitas Pesanan RO | Rata-rata Kuantitas Pesanan RO | |------:|---------------:|-----------------------:|---------------------------:|---------------------------:|-------------------------------:| | 0 | 12.063 | 36.819.933.590 | 3.052.303 | 1.055.552 | 87 | | 1 | 7.481 | 17.628.640.458 | 2.356.455 | 364.972 | 48 | #### Kel. Class Distribusi `Kel. Class` didominasi oleh kategori 'A' (97,0%), sedangkan kelas lainnya memiliki proporsi yang sangat kecil. Kolom ini diabaikan untuk analisis lebih mendalam karena relevansi yang terbatas berdasarkan arahan bisnis. **Distribusi untuk 'Kel. Class'** | Kel. Class | Jumlah | Persentase | |:-----------|--------:|-----------:| | A | 121.503 | 97,0 | | B | 2.120 | 1,7 | | C | 1.464 | 1,2 | | F | 136 | 0,1 | | D | 108 | 0,1 | ### Tren Penjualan Berdasarkan Waktu Data penjualan yang tersedia hanya mencakup bulan Juni 2026, dengan total `Value RO` sebesar 54.448.574.048. Hal ini menunjukkan bahwa dataset mungkin hanya merepresentasikan segmen waktu yang terbatas. **Penjualan Bulanan (Value RO)** | Bulan | Total Value RO | |:----------|---------------:| | 2026-06 | 54.448.574.048 | Beberapa hari di bulan Juni 2026 menonjol dengan nilai penjualan yang sangat tinggi, dengan tanggal 11 Juni 2026 menjadi hari tersibuk dengan `Value RO` mencapai 6.008.972.941. **10 Hari Teratas Penjualan (berdasarkan Value RO)** | Hari | Total Value RO | |:-----------|---------------:| | 2026-06-11 | 6.008.972.941 | | 2026-06-13 | 5.057.768.352 | | 2026-06-12 | 4.641.390.850 | | 2026-06-30 | 3.838.000.273 | | 2026-06-04 | 2.644.740.125 | | 2026-06-29 | 2.469.880.903 | | 2026-06-08 | 2.372.433.675 | | 2026-06-18 | 2.175.912.732 | | 2026-06-10 | 1.802.614.494 | | 2026-06-15 | 1.782.373.882 | ### Produk dan Outlet Berkinerja Tinggi Analisis deskriptif menyoroti produk dan outlet yang paling berkontribusi terhadap nilai penjualan. 'POLYSILANE TAB. KUNYAH 5X8TAB' adalah produk terlaris, sementara 'TEKNOLOGI MEDIKA PRATAMA, PT' merupakan outlet dengan nilai penjualan tertinggi. **10 Produk Teratas berdasarkan Nilai Penjualan (Value RO)** | Prodes | Total Penjualan RO | Jumlah Unik RO | |:-------------------------------|-------------------:|---------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 3.992.346.234 | 3.824 | | PRORIS SUSP 60 ML RASA JERUK | 3.310.936.325 | 3.488 | | MICROLAX GEL OBAT PENCAHAR 5ML | 3.289.227.149 | 2.618 | | MICROLAX 3 X 5 ML | 2.654.037.223 | 1.795 | | POLYSILANE SUSPENSI 100 ML | 1.913.500.157 | 2.620 | | PRORIS FORTE 200MG SUSP 50ML | 1.612.924.308 | 2.345 | | CATAFLAM 50MG TAB 50'S | 1.410.148.277 | 1.635 | | MEFINAL 500MG CAP 100'S | 1.112.019.511 | 1.863 | | NEBACETIN POWDER 5GR | 1.006.754.089 | 1.656 | | ALBUSMIN 3 BLISTER @ 10 KAPSUL | 936.049.651 | 1.459 | **10 Outlet Teratas berdasarkan Nilai Penjualan (Value RO)** | KodePI | Nama Outlet | Total Penjualan RO | Jumlah Unik RO | |:---------|:--------------------------|-------------------:|---------------:| | FF001204 | TEKNOLOGI MEDIKA PRATAMA, PT | 1.606.912.097 | 5 | | F1004325 | BAHTERA SEHAT SEJAHTERA, PT | 659.882.436 | 1 | | F4002268 | CARMELLA GUSTAVINDO, PT | 624.706.276 | 4 | | F1003085 | EVA SURYA PRATAMA PT | 597.144.492 | 3 | | A1007302 | SEMPURNA MITRA PERKASA, PT | 524.622.659 | 2 | | G1004201 | LESTARI JAYA SEJAHTERA, PT | 373.540.778 | 4 | | H1004404 | PODO MEKAR JAYA SENTOSA, PT. | 368.541.248 | 3 | | H1006153 | IKON SURABAYA FARMAMART, PT | 359.560.284 | 3 | | D1003699 | BIMA SAKTI MEDICA, PT | 333.473.893 | 3 | | G1004186 | INTI TERAFARMA INDONESIA, PT | 332.749.536 | 4 | ### Tingkat Pembatalan Berdasarkan Kategori Meskipun tingkat pembatalan secara keseluruhan rendah (1,0% dari total baris), analisis lebih lanjut per kategori mengungkapkan variasi. Divisi VIBRANT PBF, ekspedisi EXPD JAKTIM, dan metode pembayaran 'Term Of Payment' menunjukkan tingkat pembatalan yang relatif lebih tinggi dibandingkan dengan rata-rata. **Tingkat Pembatalan oleh 'Divisi' (Top 10 Tertinggi)** | Divisi | Total RO Count | Dibatalkan RO Count | Tingkat Pembatalan | |:------------|---------------:|--------------------:|:-------------------| | VIBRANT PBF | 339 | 6 | 1,8% | | HOSPINET | 3.148 | 35 | 1,1% | | PHARMANET | 16.038 | 135 | 0,8% | | VIBRANT 3 | 12 | 0 | 0,0% | **Tingkat Pembatalan oleh 'Nama Ekspedisi' (Top 10 Tertinggi)** | Nama Ekspedisi | Total RO Count | Dibatalkan RO Count | Tingkat Pembatalan | |:----------------------|---------------:|--------------------:|:-------------------| | EXPD JAKTIM | 441 | 8 | 1,8% | | EXPD SURABAYA 1 | 135 | 2 | 1,5% | | FARDHA MANDIRI | 366 | 5 | 1,4% | | ANDALAN 21 EXPRESS | 1.391 | 19 | 1,4% | | PT CENTURY | 3.320 | 36 | 1,1% | | EXPD JAKBAR | 396 | 4 | 1,0% | | PCP EXPRESS | 2.043 | 20 | 1,0% | | Anteraja | 4.138 | 40 | 1,0% | | LION PARCEL | 2.809 | 25 | 0,9% | | PT. LESTARI JAYA RAYA | 319 | 2 | 0,6% | **Tingkat Pembatalan oleh Metode Pembayaran (Top 10 Tertinggi)** | Payment | Total RO Count | Dibatalkan RO Count | Tingkat Pembatalan | |:--------------------|---------------:|--------------------:|:-------------------| | Term Of Payment | 6.368 | 66 | 1,0% | | BRIVA | 1.833 | 16 | 0,9% | | BCA Virtual Account | 11.321 | 94 | 0,8% | | Kredivo | 22 | 0 | 0,0% | ## 5. Analisis Tren & Performa Penjualan Bab ini menyelami dinamika penjualan untuk mengungkap pola, mengidentifikasi pendorong kinerja, serta menyoroti area peluang dan tantangan. Dengan menganalisis tren dari waktu ke waktu, performa produk dan *outlet* teratas, serta dampak pembatalan pesanan, kami bertujuan untuk memberikan wawasan yang dapat mengarahkan strategi peningkatan penjualan dan efisiensi operasional. ### Tren Penjualan Berdasarkan Waktu Periode data yang tersedia terbatas pada bulan Juni 2026, namun memberikan gambaran aktivitas penjualan dalam kurun waktu tersebut. #### Penjualan Bulanan (Value RO) Pada bulan Juni 2026, total nilai pesanan ulang (`Value RO`) mencapai **54.448.574.048**. Data ini menunjukkan volume transaksi yang substansial dalam satu bulan, mengindikasikan aktivitas bisnis yang tinggi. | Bulan | Total Value RO | |:--------|---------------:| | 2026-06 | 54.448.574.048 | Analisis harian menunjukkan fluktuasi yang signifikan dalam volume penjualan, dengan beberapa hari mencatatkan puncak transaksi yang luar biasa. #### 10 Hari Teratas Penjualan (berdasarkan Value RO) | Hari | Total Value RO | |:-----------|---------------:| | 2026-06-11 | 6.008.972.941 | | 2026-06-13 | 5.057.768.352 | | 2026-06-12 | 4.641.390.850 | | 2026-06-30 | 3.838.000.273 | | 2026-06-04 | 2.644.740.125 | | 2026-06-29 | 2.469.880.903 | | 2026-06-08 | 2.372.433.675 | | 2026-06-18 | 2.175.912.732 | | 2026-06-10 | 1.802.614.494 | | 2026-06-15 | 1.782.373.882 | Puncak penjualan pada tanggal 11 Juni 2026 (lebih dari 6 miliar rupiah) menunjukkan adanya peristiwa atau promosi khusus yang perlu diinvestigasi lebih lanjut untuk memahami pendorong di baliknya dan mereplikasi keberhasilannya. ### Performa Produk Unggulan Memahami produk mana yang paling berkontribusi terhadap pendapatan adalah kunci untuk strategi inventaris dan pemasaran. #### 10 Produk Teratas berdasarkan Nilai Penjualan (Value RO) | Prodes | Total Penjualan RO | Jumlah Unik RO | |:-------------------------------|-------------------:|---------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 3.992.346.234 | 3.824 | | PRORIS SUSP 60 ML RASA JERUK | 3.310.936.325 | 3.488 | | MICROLAX GEL OBAT PENCAHAR 5ML | 3.289.227.149 | 2.618 | | MICROLAX 3 X 5 ML | 2.654.037.223 | 1.795 | | POLYSILANE SUSPENSI 100 ML | 1.913.500.157 | 2.620 | | PRORIS FORTE 200MG SUSP 50ML | 1.612.924.308 | 2.345 | | CATAFLAM 50MG TAB 50'S | 1.410.148.277 | 1.635 | | MEFINAL 500MG CAP 100'S | 1.112.019.511 | 1.863 | | NEBACETIN POWDER 5GR | 1.006.754.089 | 1.656 | | ALBUSMIN 3 BLISTER @ 10 KAPSUL | 936.049.651 | 1.459 | Produk-produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB` dan `PRORIS SUSP 60 ML RASA JERUK` secara konsisten menunjukkan performa penjualan yang kuat, baik dari segi nilai maupun frekuensi pesanan. Hal ini mengindikasikan permintaan pasar yang stabil untuk produk-produk ini. #### Performa Penjualan Item Baris Berdasarkan 'Pharos YN' dan 'AO YN' Analisis mendalam pada tingkat item baris mengungkapkan bagaimana produk Pharos (`Pharos YN`) dan partisipasi *outlet* dalam Apotek Online (`AO YN`) mempengaruhi nilai penjualan dan kuantitas. | Pharos YN | AO YN | Total Item Baris | Total Value RO | Rata-rata Value RO per Item Baris | Total Qty RO | Rata-rata Qty RO per Item Baris | Jumlah Unik RO | |----------:|------:|-----------------:|---------------:|----------------------------------:|-------------:|---------------------------:|---------------:| | 0 | 0 | 40.441 | 12.107.702.217 | 299.391 | 241.143 | 5 | 8.425 | | 0 | 1 | 28.068 | 9.860.567.096 | 351.309 | 157.890 | 5 | 5.895 | | 1 | 0 | 36.385 | 24.712.231.373 | 679.187 | 814.409 | 22 | 9.417 | | 1 | 1 | 20.532 | 7.768.073.362 | 378.339 | 207.082 | 10 | 5.533 | * Produk Pharos (`Pharos YN = 1`) yang dijual ke *outlet* yang tidak berpartisipasi di Apotek Online (`AO YN = 0`) menghasilkan **`Total Value RO` tertinggi** sebesar 24.712.231.373 dan `Rata-rata Value RO per Item Baris` tertinggi sebesar 679.187. Ini menunjukkan bahwa produk Pharos memiliki nilai intrinsik yang lebih tinggi per item, terutama ketika dijual melalui saluran tradisional. * Meskipun demikian, produk Pharos yang dijual melalui Apotek Online (`Pharos YN = 1, AO YN = 1`) juga menunjukkan nilai per item baris yang baik (378.339), dan `Jumlah Unik RO` yang cukup besar (5.533). * Analisis korelasi produk (Market Basket Analysis) yang telah dilakukan sebelumnya mengidentifikasi asosiasi kuat antara beberapa produk, seperti `SP TROCHES STRAWBERRY 12 TAB` dan `SP TROCHES MELON 12 TAB` dengan *lift* 45.27. Ini membuka peluang untuk strategi *cross-selling* atau *bundling* guna meningkatkan nilai transaksi. ### Performa Outlet Unggulan Identifikasi *outlet* dengan kinerja tinggi membantu dalam mengalokasikan sumber daya dan mengembangkan hubungan strategis. #### 10 Outlet Teratas berdasarkan Nilai Penjualan (Value RO) | KodePI | Nama Outlet | Total Penjualan RO | Jumlah Unik RO | |:---------|:--------------------------|-------------------:|---------------:| | FF001204 | TEKNOLOGI MEDIKA PRATAMA, PT | 1.606.912.097 | 5 | | F1004325 | BAHTERA SEHAT SEJAHTERA, PT | 659.882.436 | 1 | | F4002268 | CARMELLA GUSTAVINDO, PT | 624.706.276 | 4 | | F1003085 | EVA SURYA PRATAMA PT | 597.144.492 | 3 | | A1007302 | SEMPURNA MITRA PERKASA, PT | 524.622.659 | 2 | | G1004201 | LESTARI JAYA SEJAHTERA, PT | 373.540.778 | 4 | | H1004404 | PODO MEKAR JAYA SENTOSA, PT. | 368.541.248 | 3 | | H1006153 | IKON SURABAYA FARMAMART, PT | 359.560.284 | 3 | | D1003699 | BIMA SAKTI MEDICA, PT | 333.473.893 | 3 | | G1004186 | INTI TERAFARMA INDONESIA, PT | 332.749.536 | 4 | `TEKNOLOGI MEDIKA PRATAMA, PT` menonjol sebagai *outlet* teratas dengan total penjualan melebihi 1,6 miliar rupiah dari hanya 5 pesanan unik. Ini menunjukkan bahwa beberapa *outlet* memiliki volume pembelian per pesanan yang sangat tinggi, meskipun frekuensi transaksinya mungkin tidak sebanyak yang lain. Segmentasi *outlet* yang telah dilakukan sebelumnya dapat membantu dalam mengembangkan strategi yang disesuaikan untuk masing-masing kelompok *outlet*, dari *high-value* hingga *low-frequency*. ### Analisis Pembatalan Pesanan Pembatalan pesanan dapat mengindikasikan masalah dalam proses penjualan atau logistik, serta potensi kehilangan pendapatan. #### Ringkasan Status RO | Status RO | Total Value RO | Value % | Total Items RO | Unique RO Count | RO % | |:----------------|---------------:|--------:|---------------:|----------------:|-----:| | CANCEL | 349.848.637 | 0.6 | 7.115 | 1.153 | 5.6 | | TERLAYANI PENUH | 54.098.725.411 | 99.4 | 1.413.409 | 19.544 | 94.4 | Meskipun sebagian besar pesanan berhasil dipenuhi (94.4% dari jumlah RO unik), pembatalan masih terjadi dan merepresentasikan kerugian nilai sebesar 349.848.637, atau 0.6% dari total nilai transaksi. Tingkat pembatalan yang lebih tinggi ditemukan pada Divisi VIBRANT PBF, ekspedisi EXPD JAKTIM, dan metode pembayaran 'Term Of Payment', sebagaimana dibahas pada Bab 4 (Analisis Deskriptif Data). Penyelidikan lebih lanjut terhadap penyebab pembatalan di area-area ini sangat penting untuk mengurangi kerugian dan meningkatkan kepuasan pelanggan. ### Faktor Pendorong Utama Nilai Penjualan (Value RO) Analisis *feature importance* menggunakan RandomForestRegressor mengidentifikasi faktor-faktor yang paling berpengaruh terhadap nilai penjualan per item baris (`Value RO`). #### Feature Importance dari RandomForestRegressor | Feature | Importance | |:---------------------------------|-----------:| | Qty RO | 0.9097 | | Asal Gudang_PHARMANET JAKBAR | 0.0211 | | Pharos YN | 0.0085 | | Asal Gudang_PHARMANET JAKTIM | 0.0070 | | Asal Gudang_PHARMANET MEDAN | 0.0065 | | AO YN | 0.0058 | | Divisi_VIBRANT PBF | 0.0048 | | Asal Gudang_PHARMANET BOGOR | 0.0044 | | Asal Gudang_PHARMANET BANDUNG | 0.0029 | | Asal Gudang_PHARMANET SURABAYA | 0.0028 | | Asal Gudang_PHARMANET SEMARANG | 0.0028 | | Payment_BCA Virtual Account | 0.0026 | | Asal Gudang_PHARMANET BEKASI | 0.0024 | | Asal Gudang_PHARMANET PONTIANAK | 0.0022 | | Divisi_PHARMANET | 0.0022 | Temuan ini sangat jelas: **Kuantitas pesanan (`Qty RO`) adalah pendorong utama nilai penjualan**, dengan tingkat kepentingan 0.9097. Ini adalah hubungan yang bersifat langsung dan paling signifikan. Selain kuantitas, faktor-faktor lain seperti gudang asal (`Asal Gudang`), apakah produk merupakan produk Pharos (`Pharos YN`), partisipasi *outlet* dalam Apotek Online (`AO YN`), divisi penjualan (`Divisi`), dan metode pembayaran (`Payment`) juga memiliki pengaruh yang signifikan. Misalnya, `Asal Gudang_PHARMANET JAKBAR` dan `Pharos YN` menunjukkan kontribusi yang menonjol di antara faktor-faktor non-kuantitas. ### Kesimpulan dan Rekomendasi Analisis tren dan performa penjualan menyoroti beberapa area penting untuk peningkatan bisnis: 1. **Optimalkan Kuantitas Pesanan**: Karena `Qty RO` adalah pendorong utama nilai penjualan, strategi harus berfokus pada insentif untuk pembelian dalam jumlah lebih besar. Ini bisa melalui diskon volume, paket bundling, atau program loyalitas yang mendorong pembelian grosir. 2. **Manfaatkan Potensi Produk Pharos dan Apotek Online**: Produk dari Pharos Group secara konsisten menunjukkan nilai penjualan yang tinggi per item baris. Promosikan dan perluas jangkauan produk Pharos. Demikian pula, program Apotek Online (`AO YN`) terbukti menjadi faktor penting. Perusahaan harus mempertimbangkan untuk mendorong lebih banyak *outlet* untuk berpartisipasi dan mengoptimalkan strategi penjualan melalui kanal ini. 3. **Kembangkan Strategi Pemasaran Berbasis Hari Puncak**: Hari-hari penjualan puncak dapat menjadi target untuk kampanye pemasaran, promosi khusus, atau penguatan operasional. Memahami mengapa tanggal-tanggal tertentu, seperti 11 Juni, mencapai penjualan luar biasa akan sangat berharga. 4. **Fokus pada *Outlet* dan Produk Berkinerja Tinggi**: Berikan perhatian khusus pada *outlet* yang secara konsisten menghasilkan nilai penjualan tinggi, seperti `TEKNOLOGI MEDIKA PRATAMA, PT`, untuk mempertahankan dan meningkatkan hubungan. Demikian pula, prioritaskan ketersediaan dan promosi produk teratas seperti `POLYSILANE TAB. KUNYAH 5X8TAB`. Gunakan wawasan dari analisis korelasi produk untuk strategi *cross-selling* dan *bundling* yang lebih cerdas. 5. **Mitigasi Pembatalan Pesanan**: Selidiki penyebab spesifik di balik tingkat pembatalan yang lebih tinggi pada Divisi VIBRANT PBF, ekspedisi EXPD JAKTIM, dan metode pembayaran 'Term Of Payment'. Solusi mungkin melibatkan perbaikan proses operasional, komunikasi yang lebih baik dengan pelanggan, atau evaluasi ulang kebijakan tertentu untuk segmen-segmen ini. Dengan berfokus pada area-area ini, perusahaan dapat secara proaktif meningkatkan kinerja penjualan, mengoptimalkan alokasi sumber daya, dan membangun strategi yang lebih kuat. ## 6. Analisis Performa Berdasarkan Kategori Bab ini mengkaji performa penjualan dan operasional berdasarkan berbagai kategori kunci, memberikan wawasan mendalam tentang bagaimana atribut seperti divisi, metode pembayaran, jenis produk (Pharos YN), partisipasi Apotek Online (AO YN), dan ekspedisi memengaruhi kinerja. Analisis ini bertujuan untuk mengidentifikasi kekuatan, kelemahan, dan area potensial untuk peningkatan. ### Performa Penjualan Berdasarkan Divisi Analisis performa penjualan berdasarkan divisi menunjukkan variasi yang signifikan dalam volume, nilai, dan karakteristik pesanan. Divisi PHARMANET mendominasi sebagian besar transaksi, tetapi divisi lain menunjukkan pola pembelian yang unik. | Divisi | Jumlah RO Unik | Total Value RO | Rata-rata Value RO Per Order | Total Qty RO | Rata-rata Qty RO Per Order | |:------------|---------------:|---------------:|-----------------------------:|-------------:|---------------------------:| | PHARMANET | 16.038 | 36.028.126.549 | 2.246.423 | 823.283 | 51 | | VIBRANT PBF | 339 | 14.336.348.462 | 42.290.113 | 496.403 | 1.464 | | HOSPINET | 3.148 | 3.988.098.880 | 1.266.867 | 98.716 | 31 | | VIBRANT 3 | 12 | 77.188.021 | 6.432.335 | 2.046 | 170 | | UNKNOWN | 7 | 18.812.136 | 2.687.448 | 76 | 11 | Divisi **VIBRANT PBF** menonjol dengan nilai penjualan rata-rata per pesanan (`Avg Value RO Per Order`) yang sangat tinggi, yaitu 42.290.113, jauh melampaui PHARMANET (2.246.423) meskipun jumlah pesanan uniknya jauh lebih sedikit (339 berbanding 16.038). Demikian pula, rata-rata kuantitas per pesanan (`Avg Qty RO Per Order`) untuk VIBRANT PBF adalah 1.464, menunjukkan bahwa divisi ini cenderung menerima pesanan dalam jumlah yang sangat besar. Hal ini mengindikasikan karakteristik pelanggan atau jenis produk yang berbeda yang ditangani oleh VIBRANT PBF, yang menghasilkan nilai transaksi yang jauh lebih tinggi per pesanan. Divisi **VIBRANT 3** juga menunjukkan rata-rata nilai dan kuantitas per order yang tinggi dibandingkan PHARMANET dan HOSPINET, meski dengan volume transaksi terkecil. ### Dampak Pharos YN dan AO YN pada Nilai Pesanan Kombinasi antara produk Pharos (ditandai `Pharos YN = 1`) dan partisipasi outlet dalam program Apotek Online (ditandai `AO YN = 1`) menunjukkan pola yang menarik dalam performa penjualan. #### Performa Penjualan Item Baris Berdasarkan 'Pharos YN' dan 'AO YN' | Pharos YN | AO YN | Total Item Baris | Total Value RO | Rata-rata Value RO per Item Baris | Total Qty RO | Rata-rata Qty RO per Item Baris | Jumlah RO Unik | |----------:|------:|-----------------:|---------------:|----------------------------------:|-------------:|---------------------------:|---------------:| | 0 | 0 | 40.441 | 12.107.702.217 | 299.391 | 241.143 | 5 | 8.425 | | 0 | 1 | 28.068 | 9.860.567.096 | 351.309 | 157.890 | 5 | 5.895 | | 1 | 0 | 36.385 | 24.712.231.373 | 679.187 | 814.409 | 22 | 9.417 | | 1 | 1 | 20.532 | 7.768.073.362 | 378.339 | 207.082 | 10 | 5.533 | * Produk-produk dari Pharos Grup (`Pharos YN = 1`) yang dijual ke outlet yang *tidak* berpartisipasi dalam Apotek Online (`AO YN = 0`) menghasilkan `Total Value RO` tertinggi sebesar 24.712.231.373. Mereka juga memiliki rata-rata nilai per item baris tertinggi (679.187) dan rata-rata kuantitas per item baris tertinggi (22). Hal ini mengindikasikan bahwa produk Pharos memiliki daya tarik yang kuat di pasar tradisional dan sering dibeli dalam jumlah besar, menyumbang nilai signifikan. * Sebaliknya, produk Pharos yang dijual melalui Apotek Online (`Pharos YN = 1, AO YN = 1`) memiliki rata-rata nilai per item baris yang lebih rendah (378.339) dan rata-rata kuantitas per item baris yang lebih kecil (10), meskipun tetap memberikan kontribusi yang substansial terhadap total penjualan (7.768.073.362 Total Value RO). Ini bisa menunjukkan perbedaan perilaku pembelian antara saluran online dan tradisional, atau strategi penetapan harga yang berbeda. #### Performa Penjualan Tingkat Pesanan Berdasarkan 'AO YN' | AO YN | Jumlah RO Unik | Total Nilai Pesanan RO | Rata-rata Nilai Pesanan RO | Total Kuantitas Pesanan RO | Rata-rata Kuantitas Pesanan RO | |------:|---------------:|-----------------------:|---------------------------:|---------------------------:|-------------------------------:| | 0 | 12.063 | 36.819.933.590 | 3.052.303 | 1.055.552 | 87 | | 1 | 7.481 | 17.628.640.458 | 2.356.455 | 364.972 | 48 | Secara keseluruhan, outlet yang *tidak* berpartisipasi dalam program Apotek Online (`AO YN = 0`) memiliki rata-rata nilai pesanan per order yang lebih tinggi (3.052.303) dibandingkan dengan outlet yang berpartisipasi (2.356.455). Ini mungkin mencerminkan bahwa outlet non-AO cenderung melakukan pesanan dengan volume atau nilai yang lebih besar dalam satu transaksi. ### Performa Penjualan Berdasarkan Metode Pembayaran Metode pembayaran memiliki korelasi langsung dengan total nilai penjualan, frekuensi pesanan, dan karakteristik transaksi. | Payment | Jumlah RO Unik | Total Value RO | Rata-rata Value RO Per Order | Total Qty RO | Rata-rata Qty RO Per Order | |:--------------------|---------------:|---------------:|-----------------------------:|-------------:|---------------------------:| | BCA Virtual Account | 11.321 | 41.442.647.055 | 3.660.688 | 1.085.344 | 96 | | Term Of Payment | 6.368 | 7.776.311.035 | 1.221.154 | 192.219 | 30 | | BRIVA | 1.833 | 5.212.702.521 | 2.843.809 | 142.543 | 78 | | Kredivo | 22 | 16.913.437 | 768.793 | 418 | 19 | `BCA Virtual Account` adalah metode pembayaran paling dominan, menyumbang total Value RO tertinggi (41.442.647.055) dan rata-rata nilai pesanan per order tertinggi (3.660.688). Hal ini menunjukkan bahwa pelanggan yang menggunakan BCA Virtual Account cenderung melakukan pembelian dengan nilai yang besar dan kuantitas yang lebih tinggi per pesanan. `Term Of Payment` memiliki rata-rata nilai pesanan per order terendah (1.221.154) di antara metode pembayaran utama, meskipun jumlah RO uniknya cukup tinggi. ### Performa Pengiriman Berdasarkan Nama Ekspedisi Pemilihan ekspedisi berdampak pada volume penjualan yang dilayani. #### Performa Penjualan Berdasarkan 'Nama Ekspedisi' (Top 10 berdasarkan Total Value RO) | Nama Ekspedisi | Jumlah RO Unik | Total Value RO | Rata-rata Value RO Per Order | Total Qty RO | Rata-rata Qty RO Per Order | |:-------------------------------|---------------:|---------------:|-----------------------------:|-------------:|---------------------------:| | PT CENTURY | 3.319 | 11.361.003.311 | 3.423.020 | 302.388 | 91 | | ANDALAN 21 EXPRESS | 1.390 | 6.744.075.049 | 4.851.853 | 202.260 | 146 | | Anteraja | 4.138 | 5.704.188.702 | 1.378.489 | 122.303 | 30 | | LION PARCEL | 2.810 | 5.389.305.639 | 1.917.902 | 126.365 | 45 | | PCP EXPRESS | 2.044 | 4.099.282.523 | 2.005.520 | 102.553 | 50 | | PT. TUNAS ANTARNUSA MUDA KARGO | 915 | 3.798.618.508 | 4.151.496 | 128.377 | 140 | | INDAH LOGISTIK | 1.103 | 2.900.661.294 | 2.629.793 | 81.767 | 74 | | EXPD BEKASI | 760 | 2.711.021.084 | 3.567.133 | 60.592 | 80 | | EXPD JAKTIM | 441 | 2.302.360.324 | 5.220.772 | 55.811 | 127 | | GLOBALINDO 21 EXPRESS | 756 | 2.274.724.568 | 3.008.895 | 58.093 | 77 | `PT CENTURY` dan `ANDALAN 21 EXPRESS` adalah ekspedisi dengan kontribusi nilai penjualan tertinggi. `ANDALAN 21 EXPRESS` memiliki rata-rata nilai per order tertinggi (4.851.853) dan rata-rata kuantitas per order tertinggi (146), menunjukkan bahwa mereka mungkin melayani pengiriman untuk pesanan dengan volume besar. `Anteraja` memiliki jumlah RO unik tertinggi (4.138) tetapi rata-rata nilai dan kuantitas per order yang lebih rendah, mengindikasikan bahwa mereka melayani banyak pesanan dengan nilai per transaksi yang lebih kecil. #### Anomali Kualitas Data: Durasi Pengiriman Sebagaimana dibahas secara rinci pada Bab 3, analisis ketepatan waktu pengiriman terhambat oleh masalah kualitas data yang signifikan. Ditemukan adanya durasi pengiriman negatif, di mana `Tgl Diterima` tercatat lebih awal dari `Tgl. Order` atau `Tgl DO`. Contoh rata-rata durasi yang dihitung, yang menyertakan anomali ini, menunjukkan nilai negatif yang tidak logis: | Nama_Ekspedisi | Jumlah RO Unik | Avg_Order_to_Shipment_Duration | Avg_Order_to_Delivery_Duration | |:-------------------------------|---------------:|:-------------------------------|:-------------------------------| | PT CENTURY | 3.244 | 0.55 days | -2032.29 days | | EXPD INTERNAL SEMARANG | 12 | 0.12 days | -1719.14 days | | EXPD JAKSEL | 265 | 0.55 days | -621.65 days | | Media Transportasi Logistic | 54 | 0.73 days | -379.64 days | | ANDALAN 21 EXPRESS | 1.301 | 1.37 days | -346.69 days | | PT. TUNAS ANTARNUSA MUDA KARGO | 906 | 0.06 days | -339.00 days | | PCP EXPRESS | 2.037 | 0.68 days | -301.29 days | | GLOBALINDO 21 EXPRESS | 753 | 0.76 days | -189.38 days | | INDAH LOGISTIK | 1.064 | 0.81 days | -152.46 days | | Anteraja | 4.035 | 0.62 days | -34.55 days | Angka-angka rata-rata durasi `Order_to_Delivery_Duration` yang sangat negatif, seperti `-2032.29 hari` untuk `PT CENTURY` atau `-1719.14 hari` untuk `EXPD INTERNAL SEMARANG`, secara jelas menunjukkan adanya kesalahan pencatatan tanggal. Oleh karena itu, analisis komparatif ketepatan waktu pengiriman yang akurat antar ekspedisi dan gudang asal tidak dapat dilakukan dengan data ini sampai anomali tersebut diperbaiki. Ini adalah masalah kualitas data yang krusial yang perlu diatasi untuk mendapatkan wawasan operasional yang valid. ### Tingkat Pembatalan Berdasarkan Kategori Pembatalan pesanan dapat menjadi indikator ketidakpuasan pelanggan atau masalah operasional. Tingkat pembatalan bervariasi antar kategori, sebagaimana telah disajikan secara detail pada Bab 4 (Analisis Deskriptif Data). Beberapa poin penting meliputi: * **Divisi**: `VIBRANT PBF` memiliki tingkat pembatalan tertinggi (1.77%), diikuti oleh `HOSPINET` (1.11%). * **Nama Ekspedisi**: `EXPD JAKTIM` mencatatkan tingkat pembatalan tertinggi (1.81%), diikuti oleh `EXPD SURABAYA 1` (1.48%) dan `FARDHA MANDIRI` (1.37%). * **Metode Pembayaran**: `Term Of Payment` memiliki tingkat pembatalan tertinggi (1.04%), sedikit lebih tinggi dari `BRIVA` (0.87%) dan `BCA Virtual Account` (0.83%). Variasi ini menunjukkan adanya masalah spesifik yang perlu diinvestigasi lebih lanjut dalam proses atau layanan yang berkaitan dengan kategori-kategori ini. ### Rekomendasi Berdasarkan analisis performa per kategori, beberapa rekomendasi dapat dirumuskan: 1. **Optimalkan Strategi Divisi**: * Selidiki faktor-faktor yang mendorong rata-rata nilai pesanan dan kuantitas pesanan yang sangat tinggi pada divisi **VIBRANT PBF** dan **VIBRANT 3**. Pahami karakteristik pelanggan dan produk mereka untuk mereplikasi kesuksesan di divisi lain atau untuk mengembangkan strategi penjualan yang disesuaikan. * Bagi divisi dengan volume tinggi seperti **PHARMANET**, fokus pada peningkatan rata-rata nilai pesanan melalui *cross-selling*, *up-selling*, atau program loyalitas. 2. **Manfaatkan Potensi Produk Pharos**: * Mengingat `Pharos YN = 1` dengan `AO YN = 0` (produk Pharos di saluran non-Apotek Online) memiliki rata-rata nilai per item baris dan kuantitas per item baris tertinggi, perusahaan harus terus memperkuat saluran penjualan tradisional untuk produk Pharos. * Analisis lebih lanjut diperlukan untuk memahami mengapa nilai per item baris lebih rendah untuk produk Pharos di Apotek Online. Ini bisa menjadi indikasi kebutuhan untuk strategi penetapan harga, promosi, atau pengalaman pengguna yang berbeda di platform online. 3. **Tinjau Metode Pembayaran**: * Metode `BCA Virtual Account` adalah pendorong utama nilai penjualan. Pastikan pengalaman pembayaran melalui kanal ini mulus dan terus dorong penggunaannya. * Investigasi mengapa `Term Of Payment` memiliki tingkat pembatalan tertinggi. Apakah ada masalah dengan verifikasi kredit, proses penagihan, atau jangka waktu pembayaran yang tidak sesuai? 4. **Tingkatkan Kualitas Data Pengiriman**: * Ini adalah rekomendasi yang paling kritis dan mendesak. Tanpa data tanggal pengiriman yang akurat, analisis efisiensi operasional dan kepuasan pelanggan terkait pengiriman tidak dapat diandalkan. Perusahaan harus segera mengidentifikasi akar masalah durasi pengiriman negatif (misalnya, kesalahan entri data, masalah sinkronisasi sistem) dan menerapkan solusi validasi data yang ketat. * Setelah data diperbaiki, analisis yang valid dapat dilakukan untuk mengidentifikasi ekspedisi atau gudang asal yang paling efisien dan area yang memerlukan peningkatan. 5. **Mitigasi Tingkat Pembatalan Bertarget**: * Fokus pada Divisi `VIBRANT PBF`, ekspedisi `EXPD JAKTIM`, dan metode pembayaran `Term Of Payment` untuk menyelidiki penyebab spesifik tingginya tingkat pembatalan. Solusi dapat mencakup perbaikan operasional, pelatihan staf, atau penyesuaian kebijakan untuk mengurangi kerugian penjualan. Dengan menerapkan rekomendasi ini, perusahaan dapat mengoptimalkan strategi penjualan dan operasional, memanfaatkan kekuatan kategori yang berkinerja baik, dan mengatasi tantangan yang teridentifikasi untuk meningkatkan kinerja bisnis secara keseluruhan. ## 7. Analisis Tingkat Pembatalan Pesanan Tingkat pembatalan pesanan merupakan metrik penting yang dapat mengindikasikan masalah dalam proses penjualan, logistik, atau bahkan ketidakpuasan pelanggan. Analisis mendalam terhadap pesanan yang dibatalkan membantu mengidentifikasi akar masalah dan peluang untuk perbaikan operasional serta peningkatan retensi pelanggan. ### Ringkasan Pembatalan Pesanan Keseluruhan Secara keseluruhan, sebagian besar pesanan dalam dataset berhasil dipenuhi, sebagaimana terlihat dari `Status RO`. Namun, sejumlah kecil pesanan yang dibatalkan merepresentasikan kerugian nilai yang signifikan. **Ringkasan Status RO** | Status RO | Total Value RO | Value % | Total Items RO | Unique RO Count | RO % | |:----------------|---------------:|--------:|---------------:|----------------:|-----:| | CANCEL | 349,848,637 | 0.6 | 7,115 | 1,153 | 5.6 | | TERLAYANI PENUH | 54,098,725,411 | 99.4 | 1,413,409 | 19,544 | 94.4 | Dari total pesanan, 1.153 pesanan unik dibatalkan, yang menyumbang 5.6% dari total jumlah pesanan unik. Pembatalan ini mengakibatkan kerugian `Value RO` sebesar 349.848.637, atau 0.6% dari total nilai transaksi. Meskipun persentase nilai yang hilang tampak kecil, jumlah absolutnya cukup substansial dan memerlukan perhatian untuk mengurangi potensi kerugian di masa mendatang. ### Tingkat Pembatalan Berdasarkan Divisi Tingkat pembatalan pesanan bervariasi di antara divisi-divisi penjualan, menunjukkan adanya perbedaan dalam operasional atau karakteristik pelanggan di setiap divisi. **Tingkat Pembatalan Berdasarkan 'Divisi'** | Divisi | Total RO Count | Cancelled RO Count | Cancellation Rate | |:------------|---------------:|-------------------:|:------------------| | VIBRANT PBF | 339 | 6 | 1.77% | | HOSPINET | 3,148 | 35 | 1.11% | | PHARMANET | 16,038 | 135 | 0.84% | | VIBRANT 3 | 12 | 0 | 0.00% | Divisi **VIBRANT PBF** menunjukkan tingkat pembatalan tertinggi sebesar 1.77%, meskipun total jumlah pesanannya relatif kecil. **HOSPINET** berada di posisi kedua dengan tingkat pembatalan 1.11%. Divisi **PHARMANET**, yang memiliki volume transaksi terbesar, mencatat tingkat pembatalan yang lebih rendah yaitu 0.84%. Perbedaan ini mengindikasikan bahwa masalah pembatalan mungkin lebih terkonsentrasi pada divisi dengan volume lebih rendah, atau ada faktor spesifik dalam operasional VIBRANT PBF dan HOSPINET yang menyebabkan tingkat pembatalan yang lebih tinggi. ### Tingkat Pembatalan Berdasarkan Nama Ekspedisi Kualitas layanan pengiriman dapat menjadi faktor penting dalam pembatalan pesanan. Analisis tingkat pembatalan per nama ekspedisi menyoroti performa logistik. **Tingkat Pembatalan Berdasarkan 'Nama Ekspedisi'** | Nama Ekspedisi | Total RO Count | Cancelled RO Count | Cancellation Rate | |:-------------------------------|---------------:|-------------------:|:------------------| | EXPD JAKTIM | 441 | 8 | 1.81% | | EXPD SURABAYA 1 | 135 | 2 | 1.48% | | FARDHA MANDIRI | 366 | 5 | 1.37% | | ANDALAN 21 EXPRESS | 1,391 | 19 | 1.37% | | PT CENTURY | 3,320 | 36 | 1.08% | | EXPD JAKBAR | 396 | 4 | 1.01% | | PCP EXPRESS | 2,043 | 20 | 0.98% | | Anteraja | 4,138 | 40 | 0.97% | | LION PARCEL | 2,809 | 25 | 0.89% | | PT. LESTARI JAYA RAYA | 319 | 2 | 0.63% | **EXPD JAKTIM** memiliki tingkat pembatalan tertinggi di antara semua ekspedisi dengan 1.81%, diikuti oleh **EXPD SURABAYA 1** (1.48%), serta **FARDHA MANDIRI** dan **ANDALAN 21 EXPRESS** (masing-masing 1.37%). Ekspedisi dengan volume tinggi seperti **PT CENTURY** dan **Anteraja** menunjukkan tingkat pembatalan yang relatif lebih rendah, yaitu 1.08% dan 0.97% secara berturut-turut. Ini menunjukkan bahwa beberapa ekspedisi mungkin mengalami tantangan operasional yang lebih besar yang berkontribusi pada pembatalan pesanan. Meskipun demikian, perlu diingat bahwa analisis kualitas data pada Bab 3 telah mengidentifikasi masalah signifikan pada kolom tanggal pengiriman, terutama terkait dengan ekspedisi seperti PT CENTURY, yang dapat memengaruhi interpretasi akurasi data terkait pengiriman secara keseluruhan. ### Tingkat Pembatalan Berdasarkan Metode Pembayaran Metode pembayaran juga dapat berkolerasi dengan tingkat pembatalan, seringkali mencerminkan karakteristik pelanggan atau proses verifikasi pembayaran. **Tingkat Pembatalan Berdasarkan 'Payment' Method** | Payment | Total RO Count | Cancelled RO Count | Cancellation Rate | |:--------------------|---------------:|-------------------:|:------------------| | Term Of Payment | 6,368 | 66 | 1.04% | | BRIVA | 1,833 | 16 | 0.87% | | BCA Virtual Account | 11,321 | 94 | 0.83% | | Kredivo | 22 | 0 | 0.00% | Metode pembayaran **Term Of Payment** mencatat tingkat pembatalan tertinggi sebesar 1.04%. Ini sedikit lebih tinggi dibandingkan dengan **BRIVA** (0.87%) dan **BCA Virtual Account** (0.83%). Tingkat pembatalan yang lebih tinggi untuk Term Of Payment bisa disebabkan oleh berbagai faktor, seperti masalah verifikasi kredit, perubahan kebutuhan pelanggan selama periode pembayaran, atau kendala administratif lainnya. Metode pembayaran **Kredivo** tidak menunjukkan pembatalan dari 22 pesanan. ### Kesimpulan dan Rekomendasi Tingkat pembatalan pesanan, meskipun secara keseluruhan relatif rendah, menyoroti area spesifik yang memerlukan perbaikan untuk mengurangi kerugian dan meningkatkan kepuasan pelanggan. 1. **Investigasi Akar Masalah di Divisi Berisiko Tinggi**: Divisi **VIBRANT PBF** dan **HOSPINET** menunjukkan tingkat pembatalan yang lebih tinggi. Perlu dilakukan investigasi mendalam untuk memahami penyebab spesifik pembatalan di divisi-divisi ini. Apakah terkait dengan jenis produk yang mereka jual, segmen pelanggan, atau proses internal mereka? 2. **Evaluasi Kinerja Ekspedisi**: Ekspedisi seperti **EXPD JAKTIM**, **EXPD SURABAYA 1**, **FARDHA MANDIRI**, dan **ANDALAN 21 EXPRESS** memiliki tingkat pembatalan yang lebih tinggi. Perusahaan harus mengevaluasi kinerja ekspedisi-ekspedisi ini, mengidentifikasi titik-titik lemah dalam proses pengiriman mereka, dan bekerja sama untuk menerapkan solusi. Ini bisa mencakup pelatihan, peningkatan komunikasi, atau peninjauan ulang kontrak layanan. Penting juga untuk mencatat masalah kualitas data tanggal pengiriman yang telah ditemukan (Bab 3), yang mungkin memperburuk atau menyamarkan masalah kinerja ekspedisi yang sebenarnya. Perbaikan kualitas data adalah prasyarat untuk evaluasi yang akurat. 3. **Tinjau Proses Pembayaran "Term Of Payment"**: Tingkat pembatalan yang lebih tinggi untuk metode pembayaran **Term Of Payment** memerlukan pemeriksaan lebih lanjut. Apakah ada kendala dalam proses persetujuan, komunikasi dengan pelanggan, atau jadwal pembayaran yang menyebabkan pembatalan? Optimalisasi proses ini dapat membantu mengurangi pembatalan. 4. **Optimalkan Komunikasi dengan Pelanggan**: Dalam banyak kasus, pembatalan dapat dicegah dengan komunikasi proaktif yang efektif. Memperbaiki alur informasi kepada pelanggan mengenai status pesanan, potensi penundaan, atau masalah pembayaran dapat mengurangi kebutuhan untuk pembatalan. Dengan fokus pada area-area ini, perusahaan dapat secara signifikan mengurangi tingkat pembatalan, memulihkan potensi pendapatan yang hilang, dan pada akhirnya meningkatkan efisiensi operasional dan kepuasan pelanggan. ## 8. Analisis Asosiasi Produk (Market Basket Analysis) Analisis Asosiasi Produk atau yang dikenal juga dengan Market Basket Analysis, bertujuan untuk mengidentifikasi produk-produk mana yang sering dibeli bersamaan oleh pelanggan. Wawasan ini sangat berharga untuk memahami perilaku pembelian pelanggan dan dapat digunakan untuk meningkatkan strategi penjualan seperti penjualan silang (cross-selling), penggabungan produk (bundling), penempatan produk, dan manajemen inventaris. Analisis ini menjawab tujuan bisnis untuk melihat "korelasi dengan produk" guna meningkatkan kinerja dan penjualan. Dengan menggunakan algoritma Apriori, kami telah mengidentifikasi beberapa aturan asosiasi produk teratas berdasarkan nilai *lift*. Nilai *lift* yang lebih besar dari 1 menunjukkan adanya asosiasi positif, yang berarti produk-produk tersebut dibeli bersama lebih sering daripada yang diharapkan secara acak. Semakin tinggi nilai *lift*, semakin kuat asosiasinya. Untuk analisis ini, kami menggunakan ambang batas dukungan minimum (Minimum Support) sebesar 0.005, yang berarti itemset yang ditemukan muncul di setidaknya 627 Repeat Order. ### 10 Aturan Asosiasi Produk Teratas berdasarkan Lift Aturan-aturan ini diurutkan berdasarkan nilai *lift*, di mana nilai *lift* > 1 menunjukkan asosiasi positif, dan nilai yang lebih tinggi menunjukkan asosiasi yang lebih kuat. | Anteseden | Konsekuen | Dukungan | Kepercayaan | Lift | |:-----------------------------------|:---------------------------------------------|---------:|------------:|--------:| | SP TROCHES STRAWBERRY 12 TAB | SP TROCHES MELON 12 TAB | 0.0053 | 0.4262 | 45.2730 | | SP TROCHES MELON 12 TAB | SP TROCHES STRAWBERRY 12 TAB | 0.0053 | 0.5652 | 45.2730 | | MKP CAP LANG 30ML (N) | MKP CAP LANG 15 ML, MKP CAP LANG 60ML (N) | 0.0060 | 0.2906 | 38.3802 | | MKP CAP LANG 15 ML, MKP CAP LANG 60ML (N) | MKP CAP LANG 30ML (N) | 0.0060 | 0.7973 | 38.3802 | | MKP CAP LANG 30ML (N), MKP CAP LANG 60ML (N) | MKP CAP LANG 15 ML | 0.0060 | 0.5566 | 34.3163 | | MKP CAP LANG 15 ML | MKP CAP LANG 30ML (N), MKP CAP LANG 60ML (N) | 0.0060 | 0.3722 | 34.3163 | | MKP CAP LANG 60ML (N) | MKP CAP LANG 15 ML, MKP CAP LANG 30ML (N) | 0.0060 | 0.2688 | 29.5128 | | MKP CAP LANG 15 ML, MKP CAP LANG 30ML (N) | MKP CAP LANG 60ML (N) | 0.0060 | 0.6629 | 29.5128 | | POLYSILANE SUSPENSI 100 ML, POLYSILANE TAB. KUNYAH 5X8TAB, PRAXION 250MG/5ML FORTE 60 ML | POLYSILANE SUSP 180 ML, PRAXION SUSP 60ML RASA JERUK | 0.0051 | 0.3546 | 28.8771 | | POLYSILANE SUSP 180 ML, PRAXION SUSP 60ML RASA JERUK | POLYSILANE SUSPENSI 100 ML, POLYSILANE TAB. KUNYAH 5X8TAB, PRAXION 250MG/5ML FORTE 60 ML | 0.0051 | 0.4167 | 28.8771 | ### Interpretasi Aturan Asosiasi * **Dukungan (Support)**: Menunjukkan seberapa sering itemset (gabungan anteseden dan konsekuen) muncul dalam total Repeat Order. Misalnya, dukungan 0.0053 untuk aturan "SP TROCHES STRAWBERRY 12 TAB" -> "SP TROCHES MELON 12 TAB" berarti pasangan produk ini muncul dalam 0.5% dari semua Repeat Order. * **Kepercayaan (Confidence)**: Menunjukkan seberapa sering aturan tersebut benar. Misalnya, kepercayaan 0.4262 untuk aturan di atas berarti bahwa 42.6% dari transaksi yang berisi "SP TROCHES STRAWBERRY 12 TAB" juga berisi "SP TROCHES MELON 12 TAB". * **Lift**: Mengindikasikan seberapa besar kemungkinan konsekuen dibeli jika anteseden sudah dibeli, relatif terhadap probabilitas konsekuen dibeli secara independen. Nilai *lift* lebih besar dari 1 menunjukkan asosiasi positif (produk dibeli bersama lebih sering daripada yang diharapkan). Nilai *lift* sama dengan 1 menunjukkan tidak ada asosiasi, dan *lift* kurang dari 1 menunjukkan asosiasi negatif. Dari tabel di atas, terlihat jelas asosiasi yang sangat kuat antara varian produk 'SP TROCHES STRAWBERRY 12 TAB' dan 'SP TROCHES MELON 12 TAB' dengan nilai *lift* mencapai 45.27. Ini menunjukkan bahwa pelanggan yang membeli satu varian sangat mungkin juga membeli varian lainnya. Demikian pula, ada asosiasi yang kuat antar berbagai ukuran produk 'MKP CAP LANG' dan antara produk-produk 'POLYSILANE' dan 'PRAXION' tertentu. ### Rekomendasi Bisnis Berdasarkan asosiasi produk ini, bisnis dapat mempertimbangkan strategi-strategi berikut: 1. **Peluang Penjualan Silang (Cross-selling)**: Ketika pelanggan membeli produk anteseden, rekomendasikan atau promosikan produk konsekuen yang terkait. Misalnya, jika seorang pelanggan membeli "SP TROCHES STRAWBERRY 12 TAB", sistem dapat secara proaktif menyarankan "SP TROCHES MELON 12 TAB". 2. **Penggabungan Produk (Product Bundling)**: Buat penawaran khusus atau paket bundel untuk produk-produk yang sering dibeli bersama. Ini dapat meningkatkan nilai transaksi rata-rata dan mendorong pembelian lebih banyak. Contohnya adalah membuat paket "Keluarga MKP Cap Lang" yang berisi ketiga ukuran. 3. **Penempatan Produk yang Dioptimalkan**: Di toko fisik, tempatkan produk-produk yang berasosiasi lebih dekat satu sama lain. Untuk platform online, fitur kombinasi ini di bagian "Pelanggan juga membeli" atau "Produk terkait". 4. **Manajemen Inventaris**: Pastikan ketersediaan stok produk konsekuen yang memadai ketika produk anteseden sedang populer, untuk mengantisipasi pembelian bersama. Ini berlaku khususnya untuk produk-produk seperti 'MKP CAP LANG' yang sering dibeli dalam kombinasi ukuran berbeda. 5. **Kampanye Pemasaran**: Rancang kampanye pemasaran yang menyoroti hubungan antar produk ini untuk mendorong permintaan item pelengkap. Promosikan manfaat menggunakan kombinasi produk yang saling melengkapi. ## 9. Segmentasi Outlet (K-Means Clustering) Segmentasi *outlet* menggunakan metode *K-Means Clustering* bertujuan untuk mengelompokkan *outlet* berdasarkan perilaku pembelian mereka. Analisis ini mempertimbangkan berbagai karakteristik seperti total nilai penjualan, total kuantitas, frekuensi pesanan, keragaman produk, dan tingkat pembatalan. Hasil segmentasi ini sangat penting untuk merumuskan strategi penjualan yang lebih bertarget, kampanye pemasaran yang disesuaikan, dan rekomendasi produk yang relevan, yang secara langsung mendukung tujuan bisnis untuk meningkatkan kinerja dan penjualan. Analisis pengelompokan berhasil mengelompokkan *outlet* menjadi 4 segmen berbeda. Setiap segmen menunjukkan karakteristik yang unik dalam hal volume penjualan, frekuensi pesanan, keragaman produk, tingkat pembatalan, serta partisipasi dalam program Apotek Online (AO YN) dan pembelian produk Pharos. ### Karakteristik Klaster (Nilai Rata-rata) Tabel berikut menyajikan karakteristik rata-rata dari setiap klaster. Perlu dicatat bahwa kolom "Klaster ID" secara implisit direpresentasikan oleh nilai di kolom pertama dari data asli yang disediakan dalam hasil temuan, yang mengidentifikasi klaster 3, 0, 2, dan 1. | Klaster ID | Total Value RO | Total Qty RO | Jumlah Pesanan | Produk Unik | Rata-rata Nilai per Pesanan | Tingkat Pembatalan | Proporsi AO YN | Proporsi Produk Pharos | Jumlah Outlet | Persentase Outlet | |:----------:|:---------------|:-------------|:---------------|:------------|:---------------------------:|:------------------:|:--------------:|:----------------------:|:--------------|:------------------| | 3 | 487,331,691 | 16,996 | 3 | 28 | 191,070,431 | 0.1% | 0 | 1.0% | 14 | 0.3% | | 0 | 34,326,890 | 743 | 13 | 70 | 3,606,622 | 0.1% | 0 | 0.3% | 528 | 11.3% | | 2 | 7,537,325 | 170 | 4 | 18 | 2,447,534 | 0.1% | 1 | 0.6% | 1,052 | 22.4% | | 1 | 6,978,993 | 198 | 3 | 14 | 2,880,039 | 0.1% | 0 | 0.6% | 3,091 | 66.0% | ### Interpretasi Klaster * **Klaster 3 (Klaster Bernilai Sangat Tinggi, Jumlah Kecil)**: Klaster ini, meskipun hanya terdiri dari 14 *outlet* (0.3% dari total), menunjukkan `Total Value RO` rata-rata per *outlet* yang sangat tinggi (487,331,691) dan `Rata-rata Nilai per Pesanan` yang juga sangat besar (191,070,431). Ini adalah klaster *high-value* yang strategis, dengan *outlet* yang cenderung membeli dalam volume dan nilai yang besar per pesanan. Tingkat pembatalannya rendah (0.1%), dan mereka memiliki proporsi produk Pharos yang cukup tinggi (1.0%). Mereka tidak berpartisipasi di Apotek Online (Proporsi AO YN 0). * **Klaster 0 (Klaster Bernilai Tinggi, Pembelian Beragam)**: Klaster ini mencakup 528 *outlet* (11.3% dari total). Outlet di klaster ini memiliki `Total Value RO` rata-rata yang tinggi (34,326,890) dengan `Jumlah Pesanan` rata-rata 13 dan `Produk Unik` rata-rata 70, menunjukkan keragaman pembelian yang sangat baik. `Rata-rata Nilai per Pesanan` mereka adalah 3,606,622. Tingkat pembatalannya rendah (0.1%), dan mereka juga tidak berpartisipasi di Apotek Online (Proporsi AO YN 0), dengan proporsi produk Pharos yang rendah (0.3%). * **Klaster 2 (Klaster Menengah, Partisipasi AO YN)**: Klaster ini adalah klaster terbesar kedua, meliputi 1,052 *outlet* (22.4% dari total). Outlet di sini memiliki `Total Value RO` rata-rata 7,537,325 dan `Rata-rata Nilai per Pesanan` 2,447,534. Ciri khas klaster ini adalah partisipasi aktif di Apotek Online (Proporsi AO YN 1), menunjukkan bahwa *outlet* ini cenderung memanfaatkan platform digital. Mereka memiliki proporsi produk Pharos yang cukup tinggi (0.6%). * **Klaster 1 (Klaster Bernilai Rendah, Mayoritas)**: Klaster ini merupakan yang terbesar, mencakup 3,091 *outlet* (66.0% dari total). Outlet di klaster ini memiliki `Total Value RO` rata-rata paling rendah (6,978,993) dengan `Rata-rata Nilai per Pesanan` 2,880,039. Mereka cenderung memiliki `Jumlah Pesanan` (3) dan `Produk Unik` (14) yang lebih sedikit. Mereka juga tidak berpartisipasi di Apotek Online (Proporsi AO YN 0). Tingkat pembatalan mereka adalah 0.1%, dan proporsi produk Pharos yang dibeli adalah 0.6%. ### Rekomendasi Bisnis Segmentasi ini menyediakan dasar yang kuat untuk mengembangkan strategi yang ditargetkan guna mengoptimalkan kinerja penjualan dan keterlibatan *outlet*. 1. **Fokus pada Klaster Bernilai Sangat Tinggi (Klaster 3)**: *Outlet* di klaster ini memberikan kontribusi penjualan terbesar per *outlet*. Fokus pada strategi retensi, penawaran premium, dan layanan yang dipersonalisasi. Eksplorasi peluang *up-selling* atau *cross-selling* berdasarkan potensi nilai transaksi yang sangat tinggi. 2. **Kembangkan Klaster Bernilai Tinggi dan Beragam (Klaster 0)**: *Outlet* ini menunjukkan frekuensi dan keragaman pembelian yang baik. Pertimbangkan program loyalitas dan insentif untuk meningkatkan volume pesanan atau memperkenalkan produk-produk baru yang relevan, terutama produk Pharos, mengingat proporsi saat ini yang masih rendah (0.3%). 3. **Manfaatkan Potensi Klaster Partisipan Apotek Online (Klaster 2)**: Klaster ini aktif di Apotek Online. Optimalkan strategi pemasaran digital dan promosi khusus melalui platform online. Analisis lebih lanjut dapat dilakukan untuk memahami preferensi produk mereka di saluran online dan meningkatkan penjualan produk Pharos (proporsi 0.6%) melalui kanal ini. 4. **Tingkatkan Klaster Bernilai Rendah dan Mayoritas (Klaster 1)**: Klaster terbesar ini menawarkan potensi besar jika dapat ditingkatkan. Investigasi alasan di balik aktivitas yang rendah dan sesuaikan kampanye promosi untuk mengaktifkan kembali mereka atau meningkatkan frekuensi/nilai pesanan mereka. Pertimbangkan untuk mendorong partisipasi di Apotek Online dan mempromosikan produk Pharos. 5. **Perhatian Khusus pada Tingkat Pembatalan**: Meskipun tingkat pembatalan secara keseluruhan rendah di semua klaster (sekitar 0.1%), terus pantau dan identifikasi akar penyebab pembatalan di setiap segmen. Ini bisa melibatkan produk spesifik, masalah pengiriman, atau masalah pembayaran, dan membutuhkan intervensi yang ditargetkan. Dengan memahami karakteristik unik setiap klaster, perusahaan dapat mengalokasikan sumber daya secara lebih efisien dan merancang inisiatif yang lebih efektif untuk mendorong pertumbuhan di seluruh basis *outlet* mereka. ## 10. Faktor Pendorong Nilai Penjualan (Value RO) Analisis terhadap faktor-faktor pendorong nilai penjualan (`Value RO`) adalah krusial untuk memahami elemen-elemen yang paling berpengaruh dalam transaksi pelanggan. Identifikasi pendorong utama ini memungkinkan perusahaan untuk mengalokasikan sumber daya secara lebih efisien dan merancang strategi penjualan yang lebih efektif. Dalam Bab 5, telah dilakukan analisis *feature importance* menggunakan model *RandomForestRegressor* untuk mengidentifikasi variabel-variabel yang paling berkontribusi terhadap `Value RO` per item baris. Hasil analisis tersebut secara jelas menunjukkan bahwa **kuantitas pesanan (`Qty RO`) adalah pendorong utama dan paling dominan** dari nilai penjualan, dengan tingkat kepentingan yang sangat tinggi. Ini menggarisbawahi hubungan langsung antara volume pesanan dan nilai penjualan yang dihasilkan. Selain kuantitas, beberapa faktor lain yang signifikan dalam memengaruhi `Value RO` antara lain: * **Pharos YN**: Indikator apakah produk berasal dari Pharos Group. Produk Pharos menunjukkan kontribusi yang menonjol terhadap nilai penjualan. * **AO YN**: Indikator partisipasi *outlet* dalam program Apotek Online. Partisipasi ini juga merupakan faktor penting dalam menentukan nilai penjualan. * **Asal Gudang**: Lokasi gudang asal memiliki pengaruh yang bervariasi, dengan gudang seperti `PHARMANET JAKBAR` menunjukkan kontribusi yang signifikan. * **Divisi**: Divisi penjualan tertentu, seperti `VIBRANT PBF`, juga memberikan dampak yang substansial. * **Payment**: Metode pembayaran, khususnya `BCA Virtual Account`, juga termasuk dalam faktor pendorong yang relevan. Detail kuantitatif mengenai tingkat kepentingan masing-masing fitur telah disajikan lengkap pada Bab 5. Bab ini akan berfokus pada implikasi strategis dari temuan tersebut dan rekomendasi yang dapat diterapkan untuk memaksimalkan `Value RO`. ### Implikasi Strategis dan Rekomendasi untuk Peningkatan Nilai Penjualan Berdasarkan identifikasi faktor-faktor pendorong nilai penjualan, berikut adalah beberapa rekomendasi strategis untuk meningkatkan `Value RO`: 1. **Fokus pada Peningkatan Kuantitas Pesanan (`Qty RO`)**: Karena `Qty RO` adalah pendorong nilai penjualan yang paling dominan, strategi harus diarahkan untuk mendorong *outlet* agar memesan dalam jumlah yang lebih besar. Ini dapat diimplementasikan melalui: * **Diskon Volume**: Tawarkan diskon atau insentif progresif untuk pembelian dalam kuantitas tertentu. * **Program Bundling**: Rancang paket produk (bundling) berdasarkan analisis asosiasi produk (Market Basket Analysis) yang telah dilakukan pada Bab 8. Misalnya, gabungkan "SP TROCHES STRAWBERRY 12 TAB" dengan "SP TROCHES MELON 12 TAB" dalam satu penawaran. * **Program Loyalitas**: Berikan keuntungan lebih bagi *outlet* yang secara konsisten melakukan pembelian dalam volume besar. 2. **Optimasi dan Pemanfaatan Portofolio Produk Pharos**: Produk dari Pharos Group (`Pharos YN` = 1) secara konsisten menunjukkan kontribusi nilai penjualan yang tinggi. Sebagaimana disorot dalam Bab 6, produk Pharos yang dijual ke *outlet* non-Apotek Online (`Pharos YN` = 1, `AO YN` = 0) menghasilkan `Total Value RO` tertinggi (24.712.231.373) dan rata-rata nilai per item baris tertinggi (679.187). Oleh karena itu: * **Prioritaskan Promosi Produk Pharos**: Tingkatkan upaya pemasaran dan promosi untuk produk-produk Pharos. * **Perluas Ketersediaan**: Pastikan ketersediaan produk Pharos yang optimal di semua saluran penjualan. * **Edukasi Produk**: Lakukan edukasi kepada *outlet* mengenai keunggulan dan manfaat produk Pharos untuk mendorong pembelian yang lebih besar dan sering. 3. **Penguatan dan Ekstensi Program Apotek Online (AO YN)**: Partisipasi *outlet* dalam program Apotek Online (`AO YN`) juga merupakan faktor pendorong nilai penjualan yang signifikan. Meskipun *outlet* non-AO memiliki rata-rata nilai pesanan per order yang lebih tinggi (3.052.303 dibandingkan 2.356.455 untuk *outlet* AO YN), program AO YN tetap menyumbang `Total Value RO` sebesar 17.628.640.458 (Bab 6). * **Dorong Partisipasi Outlet Baru**: Identifikasi *outlet* non-AO yang berpotensi tinggi untuk bergabung ke program Apotek Online. * **Optimalkan Strategi Penjualan Digital**: Kembangkan promosi dan penawaran khusus yang disesuaikan untuk platform Apotek Online. * **Analisis Perilaku Pembelian AO YN**: Pahami lebih dalam perbedaan perilaku pembelian antara *outlet* AO YN dan non-AO untuk menyempurnakan strategi untuk masing-masing segmen. 4. **Strategi Penjualan Berbasis Lokasi Gudang dan Divisi**: Faktor `Asal Gudang` dan `Divisi` juga memiliki pengaruh terhadap `Value RO`. * **Identifikasi Best Practices**: Pelajari operasional dan strategi penjualan di gudang-gudang berkinerja tinggi (misalnya `PHARMANET JAKBAR`, `PHARMANET JAKTIM`, `PHARMANET MEDAN`) dan divisi seperti `VIBRANT PBF` (yang menunjukkan `Avg Value RO Per Order` sebesar 42.290.113, seperti yang disajikan di Bab 6). Replikasi praktik terbaik ini ke lokasi atau divisi lain. * **Alokasi Sumber Daya Bertarget**: Alokasikan sumber daya penjualan dan pemasaran secara proporsional atau strategis berdasarkan potensi yang ditunjukkan oleh gudang dan divisi tertentu. 5. **Pengelolaan Optimal Metode Pembayaran**: `BCA Virtual Account` adalah metode pembayaran paling dominan dan menyumbang `Total Value RO` tertinggi (41.442.647.055) dengan rata-rata nilai pesanan per order tertinggi (3.660.688) (Bab 6). * **Prioritaskan Kelancaran BCA Virtual Account**: Pastikan sistem pembayaran melalui BCA Virtual Account selalu stabil dan efisien untuk mendukung volume transaksi yang tinggi. * **Penyelidikan Pembayaran Term Of Payment**: Metode `Term Of Payment` memiliki tingkat pembatalan tertinggi (1.04%, sebagaimana diuraikan di Bab 7). Lakukan investigasi untuk memahami penyebab tingginya pembatalan ini dan implementasikan solusi yang diperlukan. 6. **Penerapan Strategi Berbasis Segmentasi Outlet**: Segmentasi *outlet* yang dilakukan pada Bab 9 (K-Means Clustering) menghasilkan empat klaster berbeda dengan karakteristik perilaku pembelian yang unik. Pemanfaatan segmentasi ini secara optimal akan meningkatkan `Value RO`: * **Klaster Bernilai Sangat Tinggi (Klaster 3)**: Fokus pada retensi dan layanan premium untuk 14 *outlet* ini, yang menyumbang `Total Value RO` rata-rata 487.331.691 per *outlet*. * **Klaster Bernilai Tinggi dan Pembelian Beragam (Klaster 0)**: Dorong peningkatan volume pembelian dan perkenalkan produk Pharos kepada 528 *outlet* di klaster ini. * **Klaster Partisipan Apotek Online (Klaster 2)**: Optimalkan strategi digital dan promosi khusus Apotek Online untuk 1.052 *outlet* ini. * **Klaster Bernilai Rendah dan Mayoritas (Klaster 1)**: Kembangkan program aktivasi dan insentif untuk mendorong peningkatan frekuensi dan nilai pesanan dari 3.091 *outlet* ini. 7. **Peningkatan Kualitas Data Logistik untuk Analisis Akurat**: Meskipun bukan pendorong langsung `Value RO`, kualitas data logistik yang buruk (seperti anomali durasi pengiriman negatif yang ditemukan di Bab 3 dan Bab 6) menghambat analisis efisiensi operasional. Peningkatan kualitas data `Tgl Diterima` sangat penting untuk mendapatkan wawasan yang akurat mengenai kinerja pengiriman. Layanan pengiriman yang efisien dan andal pada akhirnya dapat meningkatkan kepuasan pelanggan dan, secara tidak langsung, mendorong `Value RO` melalui pengalaman pembelian yang positif. Dengan mengintegrasikan rekomendasi-rekomendasi ini, perusahaan dapat secara holistik meningkatkan nilai penjualan dengan menargetkan faktor-faktor yang paling berpengaruh, mengoptimalkan proses, dan memanfaatkan segmentasi pelanggan. ## 11. Kesimpulan & Rekomendasi Analisis eksplorasi data ini telah memberikan wawasan mendalam mengenai operasi pemenuhan pesanan pelanggan, yang meliputi penjualan, kinerja produk, karakteristik *outlet*, efisiensi operasional, dan kualitas data. Meskipun data menunjukkan kinerja penjualan yang kuat dan proses pemenuhan yang efisien secara keseluruhan, terdapat beberapa area kritis yang memerlukan perhatian dan peluang signifikan untuk peningkatan. **1. Peningkatan Penjualan dan Strategi Produk** * **Pendorong Utama Nilai Penjualan**: Kuantitas pesanan (`Qty RO`) adalah faktor paling dominan yang memengaruhi nilai penjualan (`Value RO`), dengan tingkat kepentingan 0,9097. Ini menegaskan bahwa strategi harus fokus pada peningkatan volume pembelian per transaksi. Produk dari Pharos Group (`Pharos YN=1`) juga merupakan kontributor nilai yang sangat signifikan, dengan Total Value RO sebesar 32.480.304.735. * **Peluang Korelasi Produk (Market Basket Analysis)**: Analisis asosiasi produk mengungkapkan korelasi yang sangat kuat, seperti antara `SP TROCHES STRAWBERRY 12 TAB` dan `SP TROCHES MELON 12 TAB` (lift 45,27), serta berbagai ukuran `MKP CAP LANG`. Ini adalah peluang emas untuk strategi *cross-selling* dan *bundling*. * **Performa Produk dan Divisi Berbeda**: Sementara PHARMANET mendominasi volume transaksi, Divisi VIBRANT PBF menunjukkan rata-rata nilai pesanan per order (42.290.113) dan rata-rata kuantitas per order (1.464) yang jauh lebih tinggi. Hal ini menunjukkan karakteristik pasar atau produk yang berbeda yang dapat dieksplorasi untuk replikasi keberhasilan di divisi lain atau untuk strategi penjualan yang disesuaikan. * **Pengaruh Apotek Online (AO YN)**: Outlet yang tidak berpartisipasi di Apotek Online (`AO YN=0`) cenderung memiliki rata-rata nilai pesanan per order yang lebih tinggi (3.052.303) dibandingkan dengan yang berpartisipasi (2.356.455), meskipun `AO YN=1` tetap menyumbang Total Value RO sebesar 17.628.640.458. Menariknya, produk Pharos yang dijual melalui saluran non-AO menghasilkan rata-rata nilai per item baris tertinggi (679.187). * **Segmentasi Outlet**: Segmentasi K-Means mengidentifikasi empat kelompok *outlet* dengan perilaku pembelian yang berbeda, seperti `Klaster 3` (hanya 14 *outlet* tetapi dengan `Total Value RO` rata-rata 487.331.691 per *outlet*), `Klaster 0` (528 *outlet* dengan keragaman produk tinggi), `Klaster 2` (1.052 *outlet* partisipan AO YN), dan `Klaster 1` (klaster mayoritas dengan nilai rendah). **2. Optimalisasi Operasional dan Logistik** * **Tingkat Pembatalan Bervariasi**: Meskipun status "TERLAYANI PENUH" sangat dominan (99,4% dari nilai RO), ada kerugian `Value RO` sebesar 349.848.637 dari pembatalan. Tingkat pembatalan lebih tinggi tercatat pada Divisi VIBRANT PBF (1,77%), ekspedisi EXPD JAKTIM (1,81%), dan metode pembayaran Term Of Payment (1,04%). Hal ini mengindikasikan area spesifik untuk penyelidikan dan perbaikan operasional. * **Anomali Data Kritis**: Adanya 2.685 catatan dengan `Tgl Diterima` sebelum `Tgl. Order` dan 2.687 catatan sebelum `Tgl DO` merupakan masalah kualitas data yang serius. Anomali ini terutama terkait dengan ekspedisi PT CENTURY (1.757 catatan) dan gudang PHARMANET TANGERANG (1.450 catatan). Anomali ini membuat analisis ketepatan waktu pengiriman tidak dapat diandalkan. **Rekomendasi Strategis** Berdasarkan temuan di atas, berikut adalah rekomendasi yang dapat ditindaklanjuti: 1. **Mendorong Pembelian dalam Jumlah Lebih Besar (Volume)**: * **Implementasikan Diskon Volume atau Harga Bertingkat**: Berikan insentif kepada *outlet* untuk membeli `Qty RO` yang lebih banyak. * **Promosikan Bundling Produk**: Manfaatkan temuan Market Basket Analysis (Bab 8) dengan menciptakan paket *bundling* untuk produk-produk yang sering dibeli bersama, seperti varian SP TROCHES atau MKP CAP LANG. Ini akan meningkatkan nilai rata-rata transaksi. 2. **Mengoptimalkan Pemanfaatan Produk Pharos dan Program Apotek Online**: * **Prioritaskan Promosi Produk Pharos**: Dengan kontribusinya yang tinggi terhadap `Value RO`, tingkatkan upaya pemasaran dan pastikan ketersediaan produk Pharos, terutama di saluran penjualan tradisional di mana mereka menunjukkan nilai per item baris yang sangat tinggi (679.187 ketika `Pharos YN=1` dan `AO YN=0`). * **Dorong Partisipasi Apotek Online**: Untuk `Klaster 1` dan `Klaster 0` yang sebagian besar tidak berpartisipasi dalam AO YN, lakukan kampanye untuk meningkatkan partisipasi. Analisis lebih lanjut perlu dilakukan untuk memahami mengapa rata-rata nilai pesanan per order cenderung lebih rendah untuk *outlet* AO YN, dan sesuaikan strategi untuk meningkatkan metrik ini. 3. **Mengembangkan Strategi Penjualan Bertarget Berdasarkan Segmentasi Outlet**: * **Klaster Bernilai Sangat Tinggi (Klaster 3)**: Berikan layanan premium, penawaran eksklusif, dan fokus pada strategi retensi untuk 14 *outlet* ini yang sangat menguntungkan. * **Klaster Bernilai Tinggi dan Pembelian Beragam (Klaster 0)**: Tingkatkan volume pembelian dengan memperkenalkan produk-produk baru dan program loyalitas. * **Klaster Partisipan Apotek Online (Klaster 2)**: Optimalkan strategi digital dan promosi khusus melalui platform online, sambil mencari cara untuk meningkatkan rata-rata nilai pesanan mereka. * **Klaster Bernilai Rendah dan Mayoritas (Klaster 1)**: Kembangkan program aktivasi dan insentif yang disesuaikan untuk mendorong peningkatan frekuensi dan nilai pesanan dari klaster terbesar ini. 4. **Menyelidiki dan Mengurangi Tingkat Pembatalan**: * **Identifikasi Akar Masalah**: Lakukan investigasi mendalam terhadap penyebab tingginya tingkat pembatalan pada Divisi VIBRANT PBF dan HOSPINET. * **Evaluasi Kinerja Ekspedisi**: Tinjau kinerja ekspedisi dengan tingkat pembatalan tertinggi (EXPD JAKTIM, EXPD SURABAYA 1, FARDHA MANDIRI, ANDALAN 21 EXPRESS). Ini mungkin memerlukan perbaikan proses internal ekspedisi atau komunikasi yang lebih baik. * **Perbaiki Proses Pembayaran Term Of Payment**: Selidiki alasan di balik tingginya tingkat pembatalan untuk metode pembayaran Term Of Payment dan perbaiki alur kerjanya. 5. **Mendesak Perbaikan Kualitas Data Tanggal Pengiriman**: * **Validasi Data Ketat**: Segera terapkan validasi data yang ketat pada titik entri untuk `Tgl Diterima` guna mencegah inkonsistensi. * **Audit Sistem Sumber**: Lakukan audit terhadap proses pencatatan dan sinkronisasi data `Tgl. Order`, `Tgl DO`, dan `Tgl Diterima`, terutama untuk PT CENTURY dan PHARMANET TANGERANG. * **Klarifikasi Definisi**: Pastikan semua pemangku kepentingan memiliki pemahaman yang konsisten tentang definisi setiap kolom tanggal. Tanpa data tanggal yang akurat, analisis efisiensi operasional dan waktu pengiriman tidak dapat diandalkan dan berpotensi menyesatkan. Ini adalah prasyarat fundamental untuk mendapatkan wawasan yang valid dari data operasional. Dengan mengimplementasikan rekomendasi-rekomendasi ini, perusahaan dapat tidak hanya meningkatkan kinerja penjualan dan memaksimalkan nilai dari setiap transaksi, tetapi juga memperbaiki efisiensi operasional dan memastikan integritas data untuk pengambilan keputusan yang lebih baik di masa depan.