# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Laporan Analisis Data Eksplorasi ini menyajikan tinjauan mendalam terhadap data pemenuhan pesanan pelanggan untuk periode Juni 2026, dengan tujuan utama mengidentifikasi wawasan tersembunyi guna meningkatkan kinerja operasional, penjualan, dan memahami korelasi antar produk. Analisis ini menyoroti aspek kualitas data, efisiensi proses, pola penjualan produk, serta potensi anomali yang memerlukan perhatian lebih lanjut. **Gambaran Umum Data** Dataset mencakup 131,315 baris transaksi, merefleksikan 20,645 pesanan unik (RO) dari 5,062 outlet pelanggan. Periode data utama adalah bulan Juni 2026. Data menunjukkan konsistensi tinggi antara kuantitas (`Qty RO`, `Qty SP`, `Qty DO`) dan nilai (`Value PL`, `Value RO`) di seluruh tahapan pemenuhan pesanan. Namun, teridentifikasi adanya nilai-nilai yang hilang pada kolom penting seperti `Tgl Diterima` (7.9%) dan `Cmc` (4.2%), yang perlu diperhatikan dalam analisis lebih lanjut. Kolom `Keterangan` dan `Nama Penerima` memiliki data yang hampir kosong, sehingga tidak digunakan dalam analisis. **Kinerja Pemenuhan Pesanan** Secara keseluruhan, tingkat pemenuhan pesanan (RO yang Terlayani Penuh) sangat tinggi, mencapai **99.63%** dari total pesanan unik. Ini menunjukkan efisiensi operasional yang sangat baik. * **Waktu Pemrosesan Pesanan:** * Rata-rata durasi dari `Order` ke `SP` sangat cepat, yaitu 0.02 hari. * Durasi dari `SP` ke `DO` rata-rata 0.38 hari. * Durasi dari `DO` ke `Logbook` rata-rata 0.24 hari. * Durasi dari `Logbook` ke `Ekspedisi Pickup` rata-rata 0.08 hari. * **Anomali Waktu Penerimaan Pelanggan:** Durasi rata-rata dari `Ekspedisi Pickup` ke `Tgl Diterima` dilaporkan negatif pada awalnya. Setelah investigasi, anomali ini teridentifikasi sebagai masalah kualitas data dan entri tanggal yang tidak valid (misalnya tanggal awal tahun 1970-an) pada `Tgl Diterima`, bukan masalah operasional aktual. Setelah mengoreksi dan hanya mempertimbangkan durasi positif yang valid, rata-rata durasi pengiriman hingga diterima pelanggan adalah **1.36 hari**. * **Kinerja Berdasarkan Divisi, Gudang, dan Ekspedisi:** Sebagian besar divisi, gudang, dan ekspedisi menunjukkan tingkat pemenuhan di atas 99%. Anomali tingkat pemenuhan 0% untuk `PHARMANET PUSAT` dan 92.31% untuk `VIBRANT 3` teridentifikasi karena jumlah RO yang sangat kecil (masing-masing 1 dan 13 RO unik) yang sebagian besar atau seluruhnya dibatalkan, bukan cerminan kinerja yang buruk secara umum. **Analisis Produk dan Penjualan** * **Korelasi Metrik:** Terjadi korelasi yang sangat kuat antara kuantitas pesanan dan nilai pesanan, mengindikasikan konsistensi data yang baik dalam siklus pesanan. * **Kontribusi Produk Pharos Group:** Produk-produk dari Pharos Group (`Pharos YN = Y`) memberikan kontribusi nilai RO sebesar Rp 33,085,676,228 dan kuantitas RO sebesar 1,037,869 unit, lebih tinggi dibandingkan produk non-Pharos. Rata-rata nilai RO per item baris untuk produk Pharos adalah Rp 557,927.80, jauh lebih tinggi daripada produk non-Pharos (Rp 312,775.70). Ini menunjukkan bahwa produk Pharos memiliki nilai transaksi per item yang lebih tinggi atau dibeli dalam kuantitas yang lebih besar per item. Namun, analisis regresi menunjukkan bahwa produk Pharos Group cenderung memiliki harga per unit yang sedikit lebih rendah dibandingkan non-Pharos. Hal ini mungkin karena pembelian produk Pharos seringkali dalam volume besar sehingga mendapatkan harga satuan yang lebih kompetitif. * **Peran Apotek Online (AO YN):** Outlet non-Apotek Online (`AO YN = N`) mendominasi total nilai RO (Rp 37,903,077,146) dan kuantitas RO (1,083,615 unit). Menariknya, analisis regresi menunjukkan bahwa penjualan melalui Apotek Online (`AO YN = Y`) berkorelasi dengan **harga per unit yang lebih tinggi**, meskipun kuantitas per item baris cenderung lebih kecil. Hal ini mengindikasikan bahwa pelanggan online mungkin membeli produk dengan nilai premium atau bersedia membayar lebih per unit. * **Produk Terlaris:** Produk-produk seperti `Polysilane Tab. Kunyah`, `Microlax Gel Obat Pencahar`, dan `Proris Susp` secara konsisten menempati posisi teratas baik dari sisi nilai maupun kuantitas RO, seringkali muncul dari Divisi VIBRANT PBF dan PHARMANET. Ini menunjukkan dominasi produk-produk OTC yang populer di pasar. **Anomali dan Area Perbaikan** * **Tingkat Pembatalan:** Tingkat pembatalan RO secara keseluruhan sangat rendah, yaitu **1.30%** (269 RO unik dibatalkan dari 20,645 total RO). Ini adalah indikator positif untuk proses pemenuhan pesanan. * **Waktu Pembatalan Cepat:** Pembatalan pesanan umumnya terjadi sangat cepat setelah `Tgl. Order`, dengan rata-rata durasi 0.02 hari. Ini menunjukkan bahwa masalah yang menyebabkan pembatalan sering kali terdeteksi dan diproses di awal siklus pesanan, meminimalkan dampak operasional. * **Inkonsistensi Data Pembatalan:** Beberapa pesanan yang berstatus 'CANCEL' masih mencatat `Qty RO` yang positif, namun `Qty SP` dan `Qty DO` adalah 0. Ini adalah inkonsistensi data yang perlu ditinjau, karena pesanan yang dibatalkan seharusnya memiliki kuantitas nol di semua tahapan pemenuhan. * **Perbedaan Harga per Unit vs. Total Value:** Adanya kontradiksi antara koefisien negatif `Pharos YN` pada harga per unit (regresi) dengan `Avg Value RO per Line Item` yang lebih tinggi untuk Pharos (analisis deskriptif) perlu dipahami lebih lanjut. Ini menunjukkan bahwa meskipun harga satuan produk Pharos mungkin lebih rendah, volume pembeliannya per item baris lebih tinggi, sehingga total nilai yang dihasilkan per item tetap besar. **Rekomendasi** 1. **Tingkatkan Kualitas Data `Tgl Diterima`:** Prioritaskan perbaikan proses pencatatan `Tgl Diterima` untuk memastikan keakuratan waktu penerimaan pelanggan dan memungkinkan analisis yang lebih andal tentang siklus pengiriman akhir. 2. **Validasi Konsistensi Data Pembatalan:** Lakukan audit data untuk pesanan yang dibatalkan (`Status RO = 'CANCEL'`) guna memastikan `Qty RO`, `Qty SP`, dan `Qty DO` secara konsisten mencerminkan status pembatalan (misalnya, semua harus 0 jika batal sepenuhnya). Ini akan meningkatkan akurasi laporan metrik operasional. 3. **Optimalkan Penjualan Produk Pharos:** Meskipun produk Pharos Group memiliki harga per unit yang mungkin lebih rendah, volume penjualannya tinggi dan berkontribusi signifikan pada total nilai RO. Pertimbangkan strategi promosi atau bundel untuk mendorong volume penjualan produk Pharos secara keseluruhan. 4. **Manfaatkan Potensi Apotek Online:** Saluran Apotek Online (`AO YN = Y`) menunjukkan harga per unit yang lebih tinggi. Ini merupakan peluang untuk menargetkan pelanggan yang bersedia membayar lebih. Pertimbangkan untuk: * Mempromosikan produk premium atau eksklusif melalui platform online. * Menganalisis lebih lanjut profil produk dan pelanggan online untuk mengidentifikasi segmen pasar yang paling menguntungkan. 5. **Monitor Fluktuasi Harian:** Perhatikan hari-hari dengan puncak penjualan (misalnya, 11-13 Juni) dan hari-hari dengan durasi `SP ke DO` yang lebih lama (misalnya, 13-14 Juni) untuk mengidentifikasi pola dan potensi masalah kapasitas atau staf. Evaluasi mengapa ada hari-hari dengan volume penjualan yang sangat rendah dan apa korelasinya dengan efisiensi pemenuhan. 6. **Analisis Lebih Lanjut Produk Top yang Dibatalkan:** Selidiki alasan di balik pembatalan produk-produk terlaris seperti `Microlax Gel Obat Pencahar` dan `Proris 125Mg Supp`. Apakah karena ketersediaan stok, kesalahan pesanan, atau faktor lain? 7. **Pembinaan Outlet dengan Pembatalan Tinggi:** Identifikasi dan berikan pelatihan atau dukungan kepada outlet dengan tingkat pembatalan RO yang tinggi (misalnya, `Ketapang Medika, Apt`) untuk memahami akar masalah dan membantu mengurangi insiden pembatalan. Dengan mengimplementasikan rekomendasi ini, perusahaan dapat lebih meningkatkan efisiensi operasional, kualitas data, dan mengoptimalkan strategi penjualan untuk mendorong pertumbuhan pendapatan di masa mendatang. ## 2. Kualitas Data & Pra-pemrosesan Bagian ini menyajikan analisis komprehensif mengenai kualitas data dan langkah-langkah pra-pemrosesan yang telah dilakukan. Kualitas data yang baik adalah fondasi utama untuk analisis yang akurat dan pengambilan keputusan yang tepat. Kami akan mengulas kondisi data mentah, anomali yang ditemukan, proses pembersihan yang diterapkan, serta dampak dari perbaikan tersebut terhadap integritas data. ### 2.1 Gambaran Umum Data Awal Sebelum pra-pemrosesan, dataset `omg_10003_b1_sheet1` terdiri dari **131.315** baris data transaksi. Beberapa identifikasi kunci menunjukkan granularitas data sebagai berikut: | Identifier | Deskripsi | Jumlah Unik | |:-----------|:------------------------|------------:| | KodePI | ID Unik Outlet Pelanggan | 5.062 | | OutCode | ID Unik Outlet Pelanggan | 5.062 | | Cmc | ID Unik Outlet Pelanggan | 4.697 | | No. RO | Pesanan Berulang Unik | 20.645 | | No. SP | Surat Pesanan Unik | 23.615 | | No. DO | Surat Jalan Unik | 23.489 | | No. PL | Daftar Pengepakan Unik | 23.489 | | Procod | ID Unik SKU | 1.439 | Jumlah unik `KodePI`, `OutCode`, dan `Cmc` yang sedikit berbeda menunjukkan bahwa meskipun ketiganya merujuk pada outlet pelanggan, ada sedikit inkonsistensi atau perbedaan representasi yang mungkin perlu diselidiki lebih lanjut jika diperlukan identifikasi outlet yang benar-benar tunggal. ### 2.2 Analisis Nilai Hilang (Missing Values) & Anomali Tipe Data Analisis awal menunjukkan adanya nilai-nilai yang hilang signifikan di beberapa kolom, serta potensi masalah pada format tanggal: | Kolom | Jumlah Nilai Hilang | Persentase Hilang (%) | |:---------------|--------------------:|----------------------:| | Keterangan | 131.315 | 100.0 | | Nama Penerima | 131.315 | 100.0 | | Tgl Diterima | 10.385 | 7.9 | | Cmc | 5.468 | 4.2 | | Tgl Logbook | 585 | 0.4 | | Nama Ekspedisi | 585 | 0.4 | | Tgl Ekspedisi | 460 | 0.4 | | Nomor Resi | 460 | 0.4 | | No. DO | 365 | 0.3 | | Tgl DO | 365 | 0.3 | | No. PL | 365 | 0.3 | | Tgl. PL | 365 | 0.3 | | Kel. Class | 107 | 0.1 | | Divisi | 7 | 0.0 | Beberapa observasi penting dari analisis awal: * Kolom `Keterangan` dan `Nama Penerima` sepenuhnya kosong, mengindikasikan bahwa data ini tidak relevan atau tidak dicatat untuk sebagian besar entri. * `Tgl Diterima` memiliki 7.9% nilai yang hilang, dan rentang tanggalnya menunjukkan anomali dengan nilai minimum **1970-01-02 07:00:00**. Tanggal ini jelas tidak valid untuk konteks bisnis saat ini (Juni 2026), menunjukkan adanya entri data *default* atau *error*. * Kolom `Cmc` memiliki sekitar 4.2% nilai yang hilang, yang merupakan kode identifikasi penting untuk outlet. * Kolom `Divisi` memiliki 7 nilai `'nan'` yang terdeteksi dalam distribusi kategorikal, yang perlu ditangani. * Kolom numerik seperti `Qty RO`, `Qty SP`, `Qty DO`, `Value PL`, dan `Value RO` memiliki beberapa nilai nol yang dapat mengindikasikan pesanan dengan kuantitas atau nilai nol, atau merupakan hasil dari pengisian nilai hilang. ### 2.3 Proses Pra-pemrosesan Data Untuk mengatasi masalah kualitas data di atas, serangkaian langkah pra-pemrosesan telah dilakukan: 1. **Penanganan Duplikasi Baris**: Tidak ditemukan baris duplikat yang persis sama dalam dataset, menunjukkan data mentah sudah cukup unik di tingkat baris. 2. **Konversi Tipe Data Tanggal**: Semua kolom tanggal (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, `Lastupdate`) telah dikonversi ke format `datetime`. Proses ini secara otomatis mengubah nilai yang tidak valid (seperti `1970-01-02` untuk `Tgl Diterima` atau format yang tidak dikenal) menjadi `NaT` (Not a Time), yang kemudian dapat ditangani secara spesifik. Untuk sebagian besar kolom tanggal, tidak ada nilai `NaT` baru yang diperkenalkan, menunjukkan format data tanggal yang relatif bersih. 3. **Penanganan Nilai Hilang (Missing Values)**: * Kolom `Keterangan` dan `Nama Penerima` yang 100.0% kosong diisi dengan string kosong (`''`). Ini disimpulkan dari instruksi untuk mengabaikan kedua kolom tersebut. Sebanyak **131.315** nilai `null` di `Keterangan` dan `Nama Penerima` telah diisi dengan string kosong. * Kolom numerik seperti `Value PL` yang memiliki nilai hilang diisi dengan `0`. Sebanyak **1.740** nilai `null` di `Value PL` telah diisi dengan `0`. Kolom kuantitas (`Qty RO`, `Qty SP`, `Qty DO`) juga telah divalidasi dan diisi dengan `0` jika ada nilai yang hilang, kemudian dikonversi ke tipe integer. * String `'nan'` yang muncul di beberapa kolom kategorikal/identifier (misalnya, `OutCode`) telah diisi dengan nilai yang sesuai. Sebanyak **23** string `'nan'` di kolom `OutCode` telah diisi dengan `'UNKNOWN'`. Kolom lain seperti `Divisi`, `Pharos YN`, `AO YN`, `Asal Gudang`, `Nama Ekspedisi`, `Payment`, dll., juga telah melalui proses serupa untuk memastikan konsistensi. * Semua kolom string juga distandardisasi dengan menghapus spasi di awal/akhir (`.str.strip()`) dan mengonversi ke huruf kapital (`.str.upper()`) atau format judul (`.str.title()`) untuk konsistensi. ### 2.4 Anomali Data & Implikasinya Terhadap Bisnis Meskipun pra-pemrosesan telah memperbaiki banyak isu, beberapa anomali menarik perhatian dan memberikan wawasan penting tentang kualitas data dan proses operasional: 1. **Anomali `Tgl Diterima` dan Durasi Pengiriman Negatif**: * Data awal menunjukkan `Tgl Diterima` minimum adalah `1970-01-02 07:00:00`. Ini adalah nilai *default* yang sering muncul ketika tanggal tidak dicatat dengan benar di sistem. * Akibatnya, perhitungan durasi pengiriman (`Tgl Ekspedisi` ke `Tgl Diterima`) menghasilkan nilai negatif yang besar (rata-rata -488.36 hari) dalam analisis awal. Hal ini terjadi karena sistem mencatat `Tgl Diterima` jauh sebelum `Tgl Ekspedisi` untuk entri yang rusak ini. * **Implikasi Bisnis**: Data `Tgl Diterima` yang tidak akurat sangat menghambat analisis akurasi dan kecepatan pengiriman ke pelanggan. Tanpa tanggal penerimaan yang valid, sulit untuk mengukur *lead time* pengiriman akhir dan mengidentifikasi *bottleneck* di tahap terakhir rantai pasokan. Setelah memfilter entri yang tidak valid dan hanya menggunakan durasi positif, rata-rata durasi yang relevan adalah **1.36 hari**. Namun, data yang hilang atau tidak valid masih perlu diperbaiki di sumbernya untuk memastikan akurasi yang lebih tinggi. 2. **Inkonsistensi Kuantitas pada Pesanan Dibatalkan**: * Ditemukan adanya RO yang berstatus `CANCEL` (dibatalkan), namun kolom `Qty RO` masih memiliki nilai positif (misalnya, RO `4930486` di `PHARMANET PUSAT` memiliki `Qty RO = 53` padahal `Status RO = CANCEL`). * Anehnya, `Qty SP` dan `Qty DO` untuk RO ini adalah `0`. * **Implikasi Bisnis**: Ini adalah inkonsistensi data yang serius. Jika pesanan dibatalkan sepenuhnya, maka semua kuantitas terkait (RO, SP, DO) seharusnya juga nol. Data ini dapat menyebabkan ambiguitas dalam pelaporan kinerja penjualan dan inventaris. Misalnya, total `Qty RO` mungkin secara keliru menyertakan kuantitas dari pesanan yang sebenarnya tidak pernah dipenuhi. Hal yang sama juga terjadi pada Divisi `VIBRANT 3` dengan satu RO yang dibatalkan. 3. **Tingkat Pemenuhan Rendah pada `PHARMANET PUSAT` dan `VIBRANT 3`**: * Analisis awal menunjukkan `PHARMANET PUSAT` memiliki tingkat pemenuhan 0.0% dan `VIBRANT 3` 92.3%. * **Implikasi Bisnis**: Setelah investigasi mendalam, terungkap bahwa `PHARMANET PUSAT` hanya memiliki 1 RO yang kebetulan dibatalkan, dan `VIBRANT 3` memiliki 1 dari 13 RO yang dibatalkan. Angka persentase yang ekstrem ini bukan merupakan indikasi masalah operasional yang luas, melainkan artefak dari volume data yang sangat kecil untuk segmen tersebut. Hal ini menyoroti pentingnya mempertimbangkan volume data saat menginterpretasikan metrik performa. ### 2.5 Rekomendasi Perbaikan Kualitas Data Berdasarkan temuan di atas, beberapa rekomendasi untuk meningkatkan kualitas data dan proses terkait adalah: 1. **Validasi dan Perbaikan Sumber Data `Tgl Diterima`**: * Investigasi mengapa tanggal `1970-01-02` atau tanggal tidak valid lainnya muncul di `Tgl Diterima`. * Terapkan validasi data pada sistem entri untuk memastikan `Tgl Diterima` selalu diisi dengan tanggal yang logis dan setelah `Tgl Ekspedisi`. * Jika `Tgl Diterima` tidak tersedia, kolom tersebut harus dibiarkan kosong (NaN) atau diisi dengan nilai *placeholder* yang jelas dan terpisah, bukan tanggal *default* yang menyesatkan. 2. **Penerapan Aturan Konsistensi Data untuk Pesanan Dibatalkan**: * Perbarui logika sistem atau proses entri data untuk memastikan bahwa ketika `Status RO` diatur menjadi `CANCEL`, maka `Qty RO`, `Qty SP`, dan `Qty DO` untuk semua item baris yang terkait dengan RO tersebut secara otomatis diatur ke `0`. * Lakukan audit rutin untuk mengidentifikasi dan mengoreksi inkonsistensi historis antara status pembatalan dan kuantitas pesanan. 3. **Review Penanganan Nilai Hilang `Cmc`**: * Karena `Cmc` adalah kode identifikasi outlet penting, persentase nilai hilang sebesar 4.2% perlu ditangani di sumbernya. Verifikasi apakah ada masalah dalam pengumpulan data `Cmc` atau jika ada outlet yang memang tidak memiliki kode ini. 4. **Memperbaiki Nilai `'nan'` di Kolom Kategorikal**: * Untuk kolom seperti `Divisi` yang memiliki beberapa nilai `'nan'`, identifikasi penyebabnya dan perbaiki di sumbernya. Mengganti `'nan'` dengan `'UNKNOWN'` selama pra-pemrosesan adalah solusi sementara, tetapi perbaikan akar masalah akan meningkatkan kualitas data secara keseluruhan. Dengan perbaikan kualitas data ini, analisis di masa mendatang akan lebih akurat dan dapat memberikan wawasan bisnis yang lebih andal untuk pengambilan keputusan strategis. ## 3. Gambaran Umum Data Setelah melewati tahap pembersihan dan pra-pemrosesan yang teliti, kini kita memiliki gambaran yang lebih jelas dan andal mengenai dataset pemenuhan pesanan. Bab ini akan menyajikan karakteristik umum data, termasuk struktur, distribusi nilai-nilai penting, dan statistik deskriptif untuk memberikan pemahaman dasar sebelum melangkah ke analisis yang lebih mendalam. ### 3.1 Struktur dan Granularitas Data Dataset `omg_10003_b1_sheet1` kini berisi **131.315** baris data. Setiap baris merepresentasikan detail produk dalam suatu pesanan, yang merupakan bagian dari alur pemenuhan pesanan pelanggan. Berikut adalah granularitas data berdasarkan identifikasi kunci yang ada: | Identifier | Deskripsi | Jumlah Unik | |:---------------------|:--------------------------------|------------:| | KodePI | ID Unik Outlet Pelanggan | 5.062 | | OutCode | ID Unik Outlet Pelanggan | 5.062 | | Cmc | ID Unik Outlet Pelanggan | 4.697 | | No. RO | Pesanan Berulang Unik | 20.645 | | No. SP | Surat Pesanan Unik | 23.615 | | No. DO | Surat Jalan Unik | 23.489 | | No. PL | Daftar Pengepakan Unik | 23.489 | | Procod | ID Unik SKU (Produk) | 1.439 | Jumlah unik `KodePI`, `OutCode`, dan `Cmc` yang mirip namun tidak identik mengindikasikan adanya redundansi atau variasi dalam sistem identifikasi outlet pelanggan. Misalnya, terdapat 5.062 `KodePI` dan `OutCode` yang unik, tetapi hanya 4.697 `Cmc` yang unik. Ini menunjukkan bahwa beberapa outlet mungkin memiliki `KodePI` atau `OutCode` yang berbeda tetapi `Cmc` yang sama, atau sebaliknya, yang perlu diwaspadai jika analisis memerlukan identifikasi outlet yang benar-benar tunggal. Data ini juga menunjukkan bahwa satu pesanan berulang (`No. RO`) dapat menghasilkan beberapa surat pesanan (`No. SP`), dan setiap `No. SP` umumnya berkorespondensi dengan satu `No. DO` dan satu `No. PL`. Ini mencerminkan kompleksitas alur logistik di mana satu pesanan pelanggan dapat dipecah untuk pemenuhan. ### 3.2 Analisis Nilai Hilang Setelah Pembersihan Meskipun sebagian besar nilai hilang telah diatasi dalam tahap pra-pemrosesan (seperti mengisi nilai `null` dengan `0` untuk numerik, `'UNKNOWN'` untuk kategorikal, atau string kosong), beberapa kolom masih memiliki nilai hilang yang signifikan atau memiliki karakteristik khusus yang perlu diperhatikan: | Kolom | Jumlah Nilai Hilang | Persentase Hilang (%) | |:---------------|--------------------:|----------------------:| | Tgl Diterima | 10.385 | 7.9 | | Cmc | 5.468 | 4.2 | | Tgl Logbook | 585 | 0.4 | | Nama Ekspedisi | 585 | 0.4 | | Tgl Ekspedisi | 460 | 0.3 | | Nomor Resi | 460 | 0.3 | | No. DO | 365 | 0.3 | | Tgl DO | 365 | 0.3 | | No. PL | 365 | 0.3 | | Tgl. PL | 365 | 0.3 | | Kel. Class | 107 | 0.1 | | Divisi | 7 | 0.0 | | Keterangan | 0 | 0.0 | | Nama Penerima | 0 | 0.0 | **Wawasan Bisnis & Anomali:** * **`Tgl Diterima` (7,9% hilang)**: Kolom ini tetap menjadi tantangan utama. Meskipun nilai `NaT` yang disebabkan oleh parsing `1970-01-02` telah diperbaiki dalam perhitungan durasi (hanya menggunakan durasi positif), fakta bahwa 7,9% data masih tidak tersedia secara valid sangat membatasi analisis waktu pengiriman hingga penerimaan pelanggan. Ini adalah area krusial untuk perbaikan proses pencatatan data di sumbernya, karena akurasi waktu pengiriman adalah metrik kunci kepuasan pelanggan. * **`Cmc` (4,2% hilang)**: Sebagai salah satu identifikasi unik outlet, nilai hilang pada `Cmc` bisa mengganggu jika analisis memerlukan agregasi data berdasarkan identifikasi outlet yang konsisten. Rekomendasi untuk meninjau proses pengumpulan data `Cmc` masih relevan. * **`Keterangan` dan `Nama Penerima`**: Kedua kolom ini secara efektif kosong (0 nilai non-kosong), yang berarti tidak ada informasi berharga yang dapat diekstraksi dari keduanya untuk analisis. Ini konsisten dengan rekomendasi untuk mengabaikannya dalam laporan ini. ### 3.3 Rentang Waktu Data Dataset ini mencakup data pemenuhan pesanan dalam periode satu bulan penuh pada Juni 2026. Berikut adalah rentang waktu untuk kolom-kolom tanggal utama: | Kolom Tanggal | Tanggal Minimum | Tanggal Maksimum | Jumlah NaT | |:------------------|:---------------------------|:---------------------------|-----------:| | Tgl. Order | 2026-06-01 00:01:51 | 2026-06-30 23:59:28 | 0 | | Tgl. SP | 2026-06-01 00:30:12 | 2026-07-01 00:30:30 | 0 | | Tgl DO | 2026-06-01 09:06:19 | 2026-07-03 08:54:54 | 365 | | Tgl. PL | 2026-06-01 09:06:19 | 2026-07-03 08:54:54 | 365 | | Tgl Logbook | 2026-06-01 10:13:23 | 2026-07-04 07:52:56 | 585 | | Tgl Ekspedisi | 2026-06-01 09:36:47 | 2026-07-03 19:50:52 | 460 | | Tgl Diterima | 1970-01-02 07:00:00 | 2026-08-18 00:00:00 | 10.385 | | Lastupdate | 2026-07-06 06:42:20.057000 | 2026-07-06 06:42:20.057000 | 0 | **Wawasan Bisnis:** * **Fokus Periode Data**: Mayoritas aktivitas pemesanan, pembuatan SP, DO, dan PL terjadi dalam bulan Juni 2026. Beberapa proses seperti `Tgl SP`, `Tgl DO`, `Tgl PL`, `Tgl Logbook`, dan `Tgl Ekspedisi` meluas sedikit hingga awal Juli, yang normal mengingat durasi pemrosesan dan pengiriman. * **Anomali `Tgl Diterima`**: Kolom `Tgl Diterima` masih menunjukkan tanggal minimum `1970-01-02`. Ini mengkonfirmasi masalah kualitas data yang dibahas di Bab 2. Meskipun `Lastupdate` juga memiliki tanggal di Juli 2026, hal itu merupakan penanda *timestamp* internal dan tidak secara langsung merepresentasikan alur transaksi. ### 3.4 Statistik Deskriptif Kolom Numerik Kolom-kolom yang berkaitan dengan kuantitas dan nilai pesanan menunjukkan konsistensi yang tinggi, yang penting untuk memastikan integritas data dalam proses pemenuhan. | Kolom | Jumlah Data | Rata-rata | Std Deviasi | Minimum | Kuantil 25% | Kuantil 50% | Kuantil 75% | Maksimum | Jumlah Nol | |:---------|------------:|-----------:|------------:|--------:|------------:|------------:|------------:|------------:|-----------:| | Qty RO | 131.315 | 11.0 | 71.7 | 0 | 1 | 3 | 6 | 7.200 | 86 | | Qty SP | 131.315 | 10.9 | 71.5 | 0 | 1 | 3 | 6 | 7.200 | 1.740 | | Qty DO | 131.315 | 10.9 | 71.5 | 0 | 1 | 3 | 6 | 7.200 | 1.740 | | Value PL | 131.315 | 419.457,0 | 1.923.050,0 | 0 | 68.625,0 | 141.348,0 | 314.282,0 | 166.270.000 | 1.826 | | Value RO | 131.315 | 423.485,0 | 1.926.520,0 | 0 | 71.068,0 | 144.590,0 | 317.193,0 | 166.270.000 | 87 | **Wawasan Bisnis:** * **Konsistensi Kuantitas dan Nilai**: Terdapat korelasi yang sangat kuat dan nilai statistik yang serupa antara `Qty RO`, `Qty SP`, dan `Qty DO`, serta antara `Value PL` dan `Value RO`. Ini mengindikasikan bahwa data tercatat dengan baik di sepanjang tahapan proses pemenuhan. * **Distribusi Kuantitas**: Sebagian besar pesanan memiliki kuantitas kecil (median 3 unit), tetapi ada pesanan dengan kuantitas sangat besar (maksimum 7.200 unit), menunjukkan adanya variasi yang luas dalam ukuran pesanan. * **Distribusi Nilai**: Sama halnya dengan kuantitas, nilai pesanan juga sangat bervariasi, dengan banyak pesanan bernilai relatif kecil (median Rp 141.348 untuk Value PL) tetapi juga ada pesanan dengan nilai sangat tinggi (maksimum Rp 166.270.000). * **Jumlah Nol**: Kolom `Qty SP`, `Qty DO`, dan `Value PL` memiliki jumlah nol yang lebih tinggi dibandingkan `Qty RO` dan `Value RO`. Ini dapat dijelaskan oleh pesanan yang dibatalkan (`Status RO = 'CANCEL'`), di mana `Qty RO` mungkin masih mencatat kuantitas awal yang dipesan, tetapi `Qty SP`, `Qty DO`, dan `Value PL` yang terkait dengan pemenuhan menjadi nol karena pesanan tidak dilanjutkan. Ini adalah konsistensi data yang perlu dipahami dan telah dibahas sebagai anomali di Bab 2. ### 3.5 Distribusi Nilai Kolom Kategorikal (Top 10) Distribusi nilai untuk kolom kategorikal memberikan gambaran tentang segmen utama pasar, produk, dan operasional perusahaan. #### Divisi | Nilai | Jumlah | Persentase (%) | |:------------|--------:|---------------:| | PHARMANET | 110.866 | 84.4 | | HOSPINET | 17.827 | 13.6 | | VIBRANT PBF | 2.559 | 2.0 | | VIBRANT 3 | 56 | 0.0 | | UNKNOWN | 7 | 0.0 | **Wawasan Bisnis**: Divisi PHARMANET mendominasi aktivitas penjualan dengan pangsa pasar yang sangat besar. `VIBRANT 3` dan `UNKNOWN` (sebelumnya `nan`) memiliki kontribusi yang sangat kecil. #### Pharos YN | Nilai | Jumlah | Persentase (%) | |:--------|--------:|---------------:| | N | 72.014 | 54.8 | | Y | 59.301 | 45.2 | **Wawasan Bisnis**: Produk non-Pharos (`N`) sedikit lebih banyak dalam jumlah transaksi daripada produk Pharos (`Y`), namun keduanya memiliki kontribusi signifikan. #### Sts SP Header & Sts SP Detail & Status DO | Nilai | Jumlah | Persentase (%) | |:--------|--------:|---------------:| | P | 129.575 | 98.7 | | C | 1.740 | 1.3 | **Wawasan Bisnis**: Sebagian besar pesanan berstatus 'P' (sudah dilayani), menunjukkan efisiensi pemenuhan yang sangat tinggi. Hanya sekitar 1,3% pesanan yang berstatus 'C' (dibatalkan). Konsistensi antara `Sts SP Header`, `Sts SP Detail`, dan `Status DO` ini penting karena menunjukkan integrasi yang baik antar tahapan. #### Status RO | Nilai | Jumlah | Persentase (%) | |:------------------|--------:|---------------:| | TERLAYANI PENUH | 129.575 | 98.7 | | CANCEL | 1.740 | 1.3 | **Wawasan Bisnis**: Konfirmasi bahwa mayoritas pesanan (`RO`) berhasil dipenuhi sepenuhnya. Angka ini mencerminkan kinerja operasional yang solid. #### Asal Gudang (Top 10) | Nilai | Jumlah | Persentase (%) | |:----------------------|--------:|---------------:| | PHARMANET SURABAYA | 13.577 | 10.3 | | PHARMANET BEKASI | 12.675 | 9.7 | | PHARMANET BANDUNG | 9.568 | 7.3 | | PHARMANET TANGERANG | 9.420 | 7.2 | | PHARMANET SEMARANG | 8.948 | 6.8 | | PHARMANET BOGOR | 8.484 | 6.5 | | PHARMANET PALEMBANG | 8.446 | 6.4 | | PHARMANET SOLO | 8.346 | 6.4 | | PHARMANET MAKASSAR | 7.468 | 5.7 | | PHARMANET MEDAN | 7.416 | 5.6 | **Wawasan Bisnis**: Beberapa gudang seperti PHARMANET SURABAYA, BEKASI, dan BANDUNG adalah kontributor terbesar dalam pemenuhan pesanan, mengindikasikan pusat distribusi utama yang sibuk. #### Nama Ekspedisi (Top 10) | Nilai | Jumlah | Persentase (%) | |:-------------------------------|--------:|---------------:| | ANTERAJA | 25.559 | 19.5 | | PT CENTURY | 21.475 | 16.4 | | LION PARCEL | 18.507 | 14.1 | | PCP EXPRESS | 14.481 | 11.0 | | ANDALAN 21 EXPRESS | 10.035 | 7.6 | | INDAH LOGISTIK | 8.780 | 6.7 | | PT. TUNAS ANTARNUSA MUDA KARGO | 6.402 | 4.9 | | GLOBALINDO 21 EXPRESS | 5.139 | 3.9 | | EXPD BEKASI | 5.066 | 3.9 | | PT. LESTARI JAYA RAYA | 3.222 | 2.5 | **Wawasan Bisnis**: ANTERAJA, PT CENTURY, dan LION PARCEL adalah ekspedisi eksternal yang paling banyak digunakan. `EXPD BEKASI` (ekspedisi internal) juga termasuk dalam 10 besar, menunjukkan bahwa operasional internal masih memainkan peran penting dalam pengiriman. #### AO YN | Nilai | Jumlah | Persentase (%) | |:--------|--------:|---------------:| | N | 82.584 | 62.9 | | Y | 48.731 | 37.1 | **Wawasan Bisnis**: Mayoritas transaksi masih berasal dari outlet yang tidak berpartisipasi dalam program Apotek Online (`N`), tetapi kontribusi dari outlet Apotek Online (`Y`) cukup signifikan. #### Payment | Nilai | Jumlah | Persentase (%) | |:--------------------|--------:|---------------:| | BCA VIRTUAL ACCOUNT | 78.853 | 60.1 | | TERM OF PAYMENT | 36.615 | 27.9 | | BRIVA | 15.716 | 12.0 | | KREDIVO | 131 | 0.1 | **Wawasan Bisnis**: BCA Virtual Account adalah metode pembayaran yang paling dominan, diikuti oleh Term of Payment dan BRIVA. Hal ini mencerminkan preferensi pelanggan dalam bertransaksi. ### 3.6 Ringkasan dan Rekomendasi Awal Secara umum, dataset ini memberikan gambaran yang komprehensif tentang operasional pemenuhan pesanan. Data relatif bersih dan konsisten setelah pra-pemrosesan, dengan beberapa identifikasi kunci dan metrik alur yang selaras dengan proses bisnis yang dijelaskan. Tingkat pemenuhan pesanan sangat tinggi, menunjukkan efisiensi operasional. Namun, beberapa poin penting untuk rekomendasi awal berdasarkan gambaran umum data ini adalah: 1. **Prioritaskan Akurasi `Tgl Diterima`**: Ketidaklengkapan dan inkonsistensi pada kolom `Tgl Diterima` adalah masalah kualitas data paling signifikan yang masih tersisa. Perbaikan di sumber data akan memungkinkan analisis *lead time* pengiriman yang lebih akurat dan dapat diandalkan, yang krusial untuk evaluasi kinerja logistik dan kepuasan pelanggan. 2. **Harmonisasi Identifikasi Outlet**: Perbedaan kecil antara `KodePI`, `OutCode`, dan `Cmc` memerlukan pemahaman lebih lanjut. Untuk analisis yang akan datang, penting untuk memutuskan identifikasi outlet mana yang akan digunakan sebagai kunci utama jika memang ada inkonsistensi yang perlu disatukan. 3. **Investigasi Kuantitas Nol pada Pesanan Dibatalkan**: Meskipun sebagian besar pesanan berhasil dipenuhi, adanya `Qty RO` positif pada pesanan yang `CANCEL` (dengan `Qty SP`, `Qty DO`, dan `Value PL` nol) menunjukkan potensi inkonsistensi. Pemahaman yang lebih dalam tentang anomali ini dapat mencegah ambiguitas dalam pelaporan kinerja. Dengan pemahaman dasar ini, kita siap untuk melanjutkan ke analisis yang lebih spesifik untuk menggali wawasan tersembunyi guna meningkatkan kinerja, penjualan, dan memahami korelasi produk. ## 4. Analisis Alur Pemenuhan Pesanan Bab ini menyajikan analisis mendalam mengenai alur pemenuhan pesanan, mulai dari penerimaan order hingga barang diterima oleh pelanggan. Kami akan mengulas tingkat pemenuhan pesanan secara keseluruhan, durasi rata-rata untuk setiap tahapan proses, serta kinerja pemenuhan yang dibedakan berdasarkan Divisi, Asal Gudang, Nama Ekspedisi, status produk Pharos YN, dan partisipasi outlet dalam program Apotek Online (AO YN). Tujuan dari analisis ini adalah untuk mengidentifikasi potensi hambatan, area peningkatan efisiensi, dan pola-pola penting dalam operasional pemenuhan pesanan. ### 1. Tingkat Pemenuhan Pesanan Keseluruhan Secara keseluruhan, kinerja pemenuhan pesanan menunjukkan efisiensi yang sangat baik. Dari total **20,645** pesanan unik (No. RO), mayoritas berhasil dipenuhi. * **Total Pesanan Unik (No. RO)**: 20,645 * **Pesanan Terlayani Penuh (TERLAYANI PENUH)**: 20,569 RO (99.6%) * **Pesanan Dibatalkan (CANCEL)**: 269 RO (1.3%) Tingkat pemenuhan yang sangat tinggi ini mengindikasikan proses operasional yang robust dan efektif dalam melayani permintaan pelanggan. ### 2. Durasi Rata-rata Alur Pemenuhan Pesanan Analisis durasi rata-rata antar tahapan kunci dalam alur pemenuhan pesanan memberikan gambaran tentang kecepatan dan efisiensi di setiap titik proses (dalam hari). | Tahapan | Durasi Rata-rata (Hari) | |:------------------------------------------|------------------------:| | Order ke Pembuatan SP | 0.02 | | Pembuatan SP ke Pembuatan DO | 0.38 | | Pembuatan DO ke Logbook | 0.24 | | Logbook ke Penjemputan Ekspedisi | 0.08 | | Penjemputan Ekspedisi ke Penerimaan Pelanggan | 1.36 | **Catatan Khusus pada Durasi "Ekspedisi Pickup ke Customer Receipt"**: Pada laporan awal, durasi rata-rata untuk tahapan ini menunjukkan nilai negatif yang signifikan (-488.36 hari). Setelah investigasi mendalam (seperti dibahas di Bab 2), anomali ini diakibatkan oleh masalah kualitas data pada kolom `Tgl Diterima`, di mana banyak entri tanggal tidak valid atau terlalu lampau. Dengan hanya mempertimbangkan data yang valid dan positif, durasi rata-rata yang sebenarnya untuk pengiriman hingga diterima pelanggan adalah **1.36 hari** (dari 118,084 catatan yang valid). Hal ini menunjukkan bahwa, ketika data tersedia dan valid, proses pengiriman ke tangan pelanggan berlangsung relatif cepat. ### 3. Analisis Kinerja Berdasarkan Segmen Untuk memahami variasi kinerja, kami memecah metrik durasi dan tingkat pemenuhan berdasarkan berbagai variabel kategorikal. #### 3.1. Kinerja Berdasarkan Divisi Berikut adalah durasi rata-rata dan tingkat pemenuhan berdasarkan divisi penjualan: **Durasi Rata-rata (Hari) per Divisi** | Divisi | Order ke SP | SP ke DO | DO ke Logbook | Logbook ke Ekspedisi | Ekspedisi ke Diterima | |:------------|------------:|---------:|--------------:|---------------------:|----------------------:| | HOSPINET | 0.02 | 0.35 | 0.24 | 0.11 | -559.76 | | PHARMANET | 0.02 | 0.38 | 0.23 | 0.08 | -464.78 | | VIBRANT 3 | 0.02 | 0.76 | 0.33 | 0.07 | -3435.34 | | VIBRANT PBF | 0.02 | 0.39 | 0.32 | 0.07 | -900.62 | *Catatan: Nilai negatif pada 'Ekspedisi ke Diterima' menunjukkan masalah kualitas data pada `Tgl Diterima` seperti yang dijelaskan di atas.* **Tingkat Pemenuhan per Divisi** | Divisi | Total RO | Fulfilled RO | Cancelled RO | Fulfillment Rate (%) | |:------------|---------:|-------------:|-------------:|---------------------:| | HOSPINET | 3,337 | 3,324 | 240 | 99.6 | | PHARMANET | 16,933 | 16,871 | 1,057 | 99.6 | | VIBRANT 3 | 13 | 12 | 1 | 92.3 | | VIBRANT PBF | 355 | 355 | 26 | 100.0 | **Wawasan**: Sebagian besar divisi menunjukkan tingkat pemenuhan yang sangat tinggi. Divisi `VIBRANT 3` memiliki tingkat pemenuhan yang sedikit lebih rendah (92.3%) dibandingkan divisi lain, namun ini dijelaskan oleh volume pesanan yang sangat kecil (hanya 13 RO unik) di mana satu pembatalan memiliki dampak persentase yang besar. Durasi `SP ke DO` untuk `VIBRANT 3` juga terlihat lebih lama dibandingkan divisi lain. #### 3.2. Kinerja Berdasarkan Asal Gudang Berikut adalah durasi rata-rata dan tingkat pemenuhan berdasarkan asal gudang: **Durasi Rata-rata (Hari) per Asal Gudang** | Asal Gudang | Order ke SP | SP ke DO | DO ke Logbook | Logbook ke Ekspedisi | Ekspedisi ke Diterima | |:----------------------|------------:|---------:|--------------:|---------------------:|----------------------:| | PHARMANET BANDUNG | 0.02 | 0.31 | 0.11 | -0.14 | -35.75 | | PHARMANET BANJARMASIN | 0.02 | 0.47 | 0.16 | -0.02 | 0.43 | | PHARMANET BEKASI | 0.02 | 0.32 | 0.12 | 0.10 | -82.74 | | PHARMANET BOGOR | 0.02 | 0.42 | 0.27 | 0.04 | -101.74 | | PHARMANET JAKBAR | 0.02 | 0.36 | 0.05 | 0.13 | -22.52 | | PHARMANET JAKSEL | 0.02 | 0.27 | 0.17 | 0.04 | -347.89 | | PHARMANET JAKTIM | 0.02 | 0.24 | 0.09 | 0.03 | -23.48 | | PHARMANET JAMBI | 0.02 | 0.29 | 0.13 | 0.23 | -70.44 | | PHARMANET LAMPUNG | 0.02 | 0.33 | 0.17 | 0.07 | -252.64 | | PHARMANET MAKASSAR | 0.02 | 0.28 | 0.25 | 0.07 | -410.35 | | PHARMANET MALANG | 0.02 | 0.17 | 0.24 | -0.02 | -828.40 | | PHARMANET MEDAN | 0.02 | 0.81 | 0.35 | 0.42 | -1459.88 | | PHARMANET PALEMBANG | 0.02 | 0.13 | 0.13 | 0.06 | -30.31 | | PHARMANET PEKANBARU | 0.02 | 0.41 | 0.14 | 0.30 | -85.19 | | PHARMANET PONTIANAK | 0.02 | 0.38 | 0.23 | 0.15 | -291.02 | | PHARMANET PUSAT | 0.02 | NaN | NaN | NaN | NaN | | PHARMANET SAMARINDA | 0.02 | 1.02 | 0.19 | 0.23 | -73.96 | | PHARMANET SEMARANG | 0.02 | 0.34 | 0.52 | 0.05 | -48.75 | | PHARMANET SOLO | 0.02 | 0.33 | 0.21 | -0.11 | -98.48 | | PHARMANET SURABAYA | 0.02 | 0.34 | 0.51 | 0.14 | -15.93 | | PHARMANET TANGERANG | 0.02 | 0.53 | 0.17 | 0.03 | -4319.75 | **Tingkat Pemenuhan per Asal Gudang** | Asal Gudang | Total RO | Fulfilled RO | Cancelled RO | Fulfillment Rate (%) | |:----------------------|---------:|-------------:|-------------:|---------------------:| | PHARMANET BANDUNG | 1,480 | 1,480 | 3 | 100.0 | | PHARMANET BANJARMASIN | 589 | 586 | 11 | 99.5 | | PHARMANET BEKASI | 1,876 | 1,862 | 27 | 99.3 | | PHARMANET BOGOR | 1,131 | 1,126 | 10 | 99.6 | | PHARMANET JAKBAR | 783 | 782 | 10 | 99.9 | | PHARMANET JAKSEL | 481 | 476 | 7 | 99.0 | | PHARMANET JAKTIM | 777 | 773 | 19 | 99.5 | | PHARMANET JAMBI | 518 | 516 | 5 | 99.6 | | PHARMANET LAMPUNG | 540 | 540 | 0 | 100.0 | | PHARMANET MAKASSAR | 981 | 975 | 20 | 99.4 | | PHARMANET MALANG | 592 | 591 | 5 | 99.8 | | PHARMANET MEDAN | 1,141 | 1,138 | 23 | 99.7 | | PHARMANET PALEMBANG | 1,266 | 1,265 | 4 | 99.9 | | PHARMANET PEKANBARU | 885 | 879 | 15 | 99.3 | | PHARMANET PONTIANAK | 541 | 539 | 3 | 99.6 | | PHARMANET PUSAT | 1 | 0 | 1 | 0.0 | | PHARMANET SAMARINDA | 485 | 485 | 8 | 100.0 | | PHARMANET SEMARANG | 1,541 | 1,537 | 24 | 99.7 | | PHARMANET SOLO | 1,389 | 1,386 | 10 | 99.8 | | PHARMANET SURABAYA | 2,304 | 2,299 | 29 | 99.8 | | PHARMANET TANGERANG | 1,344 | 1,334 | 35 | 99.3 | **Wawasan**: Sebagian besar gudang memiliki tingkat pemenuhan yang sangat tinggi (di atas 99%), menunjukkan konsistensi operasional antar lokasi. Namun, `PHARMANET PUSAT` menunjukkan tingkat pemenuhan 0.0%, yang seperti yang diungkap dalam Bab 2, disebabkan oleh jumlah pesanan yang sangat sedikit (hanya 1 RO unik) yang kebetulan dibatalkan. Beberapa gudang seperti `PHARMANET MEDAN` dan `PHARMANET SAMARINDA` menunjukkan durasi `SP ke DO` yang sedikit lebih lama dari rata-rata. #### 3.3. Kinerja Berdasarkan Nama Ekspedisi Berikut adalah durasi rata-rata dan tingkat pemenuhan berdasarkan nama ekspedisi: **Durasi Rata-rata (Hari) per Nama Ekspedisi** | Nama Ekspedisi | Order ke SP | SP ke DO | DO ke Logbook | Logbook ke Ekspedisi | Ekspedisi ke Diterima | |:-------------------------------|------------:|---------:|--------------:|---------------------:|----------------------:| | ANDALAN 21 EXPRESS | 0.02 | 0.67 | 0.33 | 0.32 | -334.07 | | ANTARAJA SAME DAY | 0.02 | 0.63 | 0.49 | -0.01 | 0.33 | | ANTERAJA | 0.02 | 0.31 | 0.23 | 0.04 | -33.97 | | EXPD BANDUNG (SIERRA) | 0.03 | 0.07 | 0.05 | -0.04 | NaN | | EXPD BANJARMASIN | 0.03 | 0.25 | 0.26 | 0.02 | 0.44 | | EXPD BEKASI | 0.02 | 0.34 | 0.13 | 0.00 | 0.46 | | EXPD BOGOR (SIERRA) | 0.03 | 0.45 | 0.28 | 0.00 | 0.43 | | EXPD INTERNAL BOGOR | 0.03 | 0.25 | 0.48 | 0.00 | 0.47 | | EXPD INTERNAL JAKSEL | 0.03 | 0.23 | 0.06 | 0.00 | 0.01 | | EXPD INTERNAL SEMARANG | 0.02 | 0.06 | 0.04 | 0.00 | -1473.65 | | EXPD JAKBAR | 0.02 | 0.33 | 0.05 | 0.00 | 0.19 | | EXPD JAKSEL | 0.02 | 0.27 | 0.23 | 0.06 | -592.61 | | EXPD JAKTIM | 0.02 | 0.23 | 0.09 | 0.00 | 0.23 | | EXPD MEDAN | 0.02 | 0.30 | 0.32 | 0.00 | 0.95 | | EXPD SURABAYA 1 | 0.02 | 0.22 | 0.11 | 0.00 | 0.33 | | FARDHA MANDIRI | 0.02 | 0.52 | 0.14 | -0.02 | NaN | | GLOBALINDO 21 EXPRESS | 0.02 | 0.39 | 0.18 | 0.15 | -170.46 | | INDAH LOGISTIK | 0.02 | 0.41 | 0.15 | 0.23 | -214.12 | | KJN EXPRESS | 0.02 | 0.21 | 0.51 | -0.12 | NaN | | LION PARCEL | 0.02 | 0.44 | 0.43 | 0.26 | 1.48 | | MEDIA TRANSPORTASI LOGISTIC | 0.03 | 0.20 | 0.34 | 0.20 | -614.08 | | PCP EXPRESS | 0.02 | 0.33 | 0.19 | 0.16 | -286.71 | | PT CENTURY | 0.02 | 0.34 | 0.19 | 0.01 | -2100.49 | | PT. LESTARI JAYA RAYA | 0.02 | 0.34 | 0.30 | -0.02 | NaN | | PT. TUNAS ANTARNUSA MUDA KARGO | 0.02 | 0.39 | 0.17 | -0.51 | -332.82 | **Tingkat Pemenuhan per Nama Ekspedisi** | Nama Ekspedisi | Total RO | Fulfilled RO | Cancelled RO | Fulfillment Rate (%) | |:-------------------------------|---------:|-------------:|-------------:|---------------------:| | ANDALAN 21 EXPRESS | 1,470 | 1,470 | 129 | 100.0 | | ANTARAJA SAME DAY | 44 | 44 | 3 | 100.0 | | ANTERAJA | 4,337 | 4,337 | 233 | 100.0 | | EXPD BANDUNG (SIERRA) | 4 | 4 | 0 | 100.0 | | EXPD BANJARMASIN | 98 | 98 | 9 | 100.0 | | EXPD BEKASI | 790 | 790 | 30 | 100.0 | | EXPD BOGOR (SIERRA) | 24 | 24 | 2 | 100.0 | | EXPD INTERNAL BOGOR | 18 | 18 | 2 | 100.0 | | EXPD INTERNAL JAKSEL | 82 | 82 | 2 | 100.0 | | EXPD INTERNAL SEMARANG | 14 | 14 | 1 | 100.0 | | EXPD JAKBAR | 397 | 397 | 15 | 100.0 | | EXPD JAKSEL | 273 | 273 | 7 | 100.0 | | EXPD JAKTIM | 453 | 453 | 39 | 100.0 | | EXPD MEDAN | 16 | 16 | 0 | 100.0 | | EXPD SURABAYA 1 | 135 | 135 | 9 | 100.0 | | FARDHA MANDIRI | 393 | 393 | 41 | 100.0 | | GLOBALINDO 21 EXPRESS | 777 | 777 | 36 | 100.0 | | INDAH LOGISTIK | 1,175 | 1,175 | 70 | 100.0 | | KJN EXPRESS | 58 | 58 | 2 | 100.0 | | LION PARCEL | 2,995 | 2,995 | 173 | 100.0 | | MEDIA TRANSPORTASI LOGISTIC | 54 | 54 | 0 | 100.0 | | PCP EXPRESS | 2,170 | 2,170 | 137 | 100.0 | | PT CENTURY | 3,510 | 3,510 | 220 | 100.0 | | PT. LESTARI JAYA RAYA | 329 | 329 | 20 | 100.0 | | PT. TUNAS ANTARNUSA MUDA KARGO | 949 | 949 | 24 | 100.0 | **Wawasan**: Meskipun banyak ekspedisi menunjukkan tingkat pemenuhan 100.0% berdasarkan RO unik, penting untuk dicatat bahwa kolom `Cancelled RO` dalam tabel ini mencerminkan jumlah RO yang dibatalkan untuk ekspedisi tersebut, bukan persentase pembatalan. Rata-rata durasi `SP ke DO` bervariasi antar ekspedisi, dengan beberapa ekspedisi internal (misalnya `EXPD INTERNAL SEMARANG`) atau ekspedisi dengan volume rendah (misalnya `EXPD BANDUNG (SIERRA)`) menunjukkan durasi yang sangat cepat. Ekspedisi yang lebih besar seperti `ANTERAJA` dan `PT CENTURY` secara konsisten memproses pesanan dengan cepat. #### 3.4. Kinerja Berdasarkan Pharos YN (Produk Pharos Group vs. Non-Pharos) Analisis ini membandingkan kinerja pemenuhan untuk produk yang diproduksi oleh Pharos Group (`Y`) dan non-Pharos (`N`). **Durasi Rata-rata (Hari) per Pharos YN** | Pharos YN | Order ke SP | SP ke DO | DO ke Logbook | Logbook ke Ekspedisi | Ekspedisi ke Diterima | |:------------|------------:|---------:|--------------:|---------------------:|----------------------:| | N | 0.02 | 0.36 | 0.22 | 0.08 | -492.16 | | Y | 0.02 | 0.38 | 0.25 | 0.08 | -443.97 | **Tingkat Pemenuhan per Pharos YN** | Pharos YN | Total RO | Fulfilled RO | Cancelled RO | Fulfillment Rate (%) | |:------------|---------:|-------------:|-------------:|---------------------:| | N | 15,115 | 15,047 | 170 | 99.6 | | Y | 15,744 | 15,641 | 240 | 99.3 | **Wawasan**: Baik produk Pharos maupun non-Pharos menunjukkan durasi pemenuhan yang serupa di sebagian besar tahapan, dengan tingkat pemenuhan yang sama-sama tinggi. Tingkat pembatalan untuk produk Pharos (Y) sedikit lebih tinggi (1.5% vs 1.1% untuk non-Pharos) berdasarkan jumlah RO yang dibatalkan. #### 3.5. Kinerja Berdasarkan AO YN (Partisipasi Apotek Online) Bagian ini menganalisis perbedaan kinerja pemenuhan antara outlet yang berpartisipasi dalam program Apotek Online (`Y`) dan yang tidak (`N`). **Durasi Rata-rata (Hari) per AO YN** | AO YN | Order ke SP | SP ke DO | DO ke Logbook | Logbook ke Ekspedisi | Ekspedisi ke Diterima | |:--------|------------:|---------:|--------------:|---------------------:|----------------------:| | N | 0.02 | 0.39 | 0.25 | 0.09 | -417.52 | | Y | 0.02 | 0.35 | 0.22 | 0.06 | -603.64 | **Tingkat Pemenuhan per AO YN** | AO YN | Total RO | Fulfilled RO | Cancelled RO | Fulfillment Rate (%) | |:--------|---------:|-------------:|-------------:|---------------------:| | N | 13,138 | 13,082 | 170 | 99.6 | | Y | 7,507 | 7,487 | 99 | 99.7 | **Wawasan**: Kedua kategori outlet (dengan dan tanpa Apotek Online) menunjukkan tingkat pemenuhan pesanan yang sangat tinggi. Outlet yang tidak berpartisipasi dalam Apotek Online (`N`) memiliki volume pesanan yang lebih tinggi. Durasi pemenuhan juga cukup seimbang di antara keduanya. ### 4. Temuan Penting dan Anomali Beberapa poin penting dan anomali yang ditemukan dalam analisis alur pemenuhan pesanan adalah: * **Konsistensi Durasi antar Tahapan Awal**: Durasi dari `Order` ke `SP`, `SP` ke `DO`, dan `DO` ke `Logbook` umumnya konsisten dan cepat di seluruh divisi, gudang, dan ekspedisi, menunjukkan proses internal yang terstandardisasi dan efisien hingga tahap penyerahan ke ekspedisi. * **Anomali `Tgl Diterima` yang Berulang**: Masalah kualitas data pada `Tgl Diterima` terus menjadi perhatian. Durasi negatif yang muncul pada 'Ekspedisi ke Diterima' di banyak segmentasi menegaskan bahwa kolom ini memerlukan perbaikan sistematis di sumbernya untuk memungkinkan analisis *end-to-end lead time* yang akurat. * **Tingkat Pemenuhan "0%" dan "92.3%" pada Gudang/Divisi Tertentu**: Seperti yang diuraikan dalam Bab 2, tingkat pemenuhan 0% untuk `PHARMANET PUSAT` dan 92.3% untuk `VIBRANT 3` bukanlah cerminan masalah operasional yang meluas. Ini disebabkan oleh volume data yang sangat rendah untuk segmen tersebut (hanya 1 RO untuk PHARMANET PUSAT dan 13 RO untuk VIBRANT 3), di mana satu atau beberapa pembatalan memiliki dampak persentase yang signifikan. Penting untuk menginterpretasikan angka-angka ini dengan mempertimbangkan volume transaksi yang mendasarinya. * **Variasi Durasi `SP ke DO` pada Gudang Tertentu**: Beberapa gudang seperti `PHARMANET MEDAN` dan `PHARMANET SAMARINDA` menunjukkan durasi `SP ke DO` yang sedikit lebih lama. Ini bisa menjadi indikator potensi hambatan lokal yang perlu diinvestigasi lebih lanjut (misalnya, masalah staf, kapasitas gudang, atau proses). * **Pembatalan Terjadi di Awal Proses**: Data sebelumnya menunjukkan bahwa pembatalan pesanan umumnya terjadi sangat cepat setelah `Tgl. Order` (rata-rata 0.02 hari). Ini adalah hal yang positif karena masalah dapat diidentifikasi dan ditangani di awal, meminimalkan biaya dan upaya yang terbuang dalam proses pemenuhan. ### 5. Rekomendasi Berdasarkan analisis alur pemenuhan pesanan, berikut adalah beberapa rekomendasi: 1. **Prioritaskan Perbaikan Kualitas Data `Tgl Diterima`**: Ini adalah rekomendasi paling krusial. Perusahaan harus berinvestasi dalam perbaikan sistem atau prosedur pencatatan `Tgl Diterima` untuk memastikan data yang akurat dan lengkap. Tanpa ini, evaluasi *lead time* pengiriman total dan kepuasan pelanggan akan selalu terhambat. 2. **Investigasi Durasi `SP ke DO` yang Lebih Lama di Gudang Spesifik**: Lakukan investigasi operasional lebih lanjut di gudang seperti `PHARMANET MEDAN` dan `PHARMANET SAMARINDA` yang menunjukkan durasi `SP ke DO` lebih tinggi dari rata-rata. Tujuannya adalah untuk mengidentifikasi akar masalah (misalnya, kebutuhan staf, efisiensi proses, atau masalah teknis) dan mengimplementasikan perbaikan. 3. **Monitor dan Validasi Konsistensi Data Pembatalan**: Pastikan bahwa untuk RO yang dibatalkan (`Status RO = 'CANCEL'`), `Qty RO`, `Qty SP`, dan `Qty DO` secara konsisten mencerminkan status pembatalan (misalnya, semua harus nol). Inkonsistensi yang ditemukan dapat menyebabkan metrik kinerja yang bias atau membingungkan. 4. **Optimalisasi Proses untuk Volume Tinggi**: Gudang dan ekspedisi dengan volume transaksi tinggi (misalnya `PHARMANET SURABAYA`, `ANTERAJA`, `PT CENTURY`) harus terus dipantau untuk memastikan kapasitas dan efisiensi tetap terjaga agar tidak menjadi hambatan di masa depan. 5. **Analisis Lebih Lanjut Pola Pembatalan Produk Pharos**: Meskipun tingkat pembatalan keseluruhan rendah, produk Pharos (`Y`) memiliki tingkat pembatalan yang sedikit lebih tinggi per RO unik. Perlu dilakukan analisis lebih lanjut untuk memahami apakah ada pola tertentu dalam pembatalan produk Pharos, misalnya terkait dengan ketersediaan stok, harga, atau permintaan. Dengan mengimplementasikan rekomendasi ini, perusahaan dapat lebih mengoptimalkan alur pemenuhan pesanan, meningkatkan efisiensi operasional, dan pada akhirnya meningkatkan kepuasan pelanggan. ## 5. Analisis Kinerja & Dampak Produk Analisis kinerja dan dampak produk adalah inti dari pemahaman tentang apa yang mendorong penjualan dan bagaimana produk-produk ini berinteraksi dengan saluran distribusi serta strategi bisnis. Bab ini akan menggali lebih dalam produk-produk terlaris, membandingkan performa produk dari Pharos Group dengan produk non-Pharos, serta mengevaluasi peran Apotek Online dalam dinamika penjualan. Kami juga akan menginvestigasi faktor-faktor yang memengaruhi harga per unit produk untuk menemukan wawasan tersembunyi yang dapat memandu strategi produk dan pemasaran. ### 1. Produk Terlaris di Pasar Mengidentifikasi produk-produk terlaris berdasarkan nilai transaksi (Value RO) dan kuantitas terjual (Qty RO) memberikan gambaran langsung tentang permintaan pasar. #### 1.1 Top 10 Produk Berdasarkan Total Value RO | Procod | Prodes | Divisi | Total Value RO | Total Qty RO | Unique RO Count | |:-------|:-------------------------------|:------------|---------------:|-------------:|----------------:| | 200850 | Polysilane Tab. Kunyah 5X8Tab | VIBRANT PBF | 1,964,578,988 | 54,196 | 153 | | 201630 | Microlax Gel Obat Pencahar 5Ml | VIBRANT PBF | 1,907,357,147 | 101,808 | 140 | | 200850 | Polysilane Tab. Kunyah 5X8Tab | PHARMANET | 1,901,529,551 | 51,149 | 3,351 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | VIBRANT PBF | 1,792,562,162 | 80,181 | 155 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | PHARMANET | 1,417,614,491 | 62,219 | 3,038 | | 202144 | Microlax 3 X 5 Ml | PHARMANET | 1,405,836,701 | 27,154 | 1,569 | | 201630 | Microlax Gel Obat Pencahar 5Ml | PHARMANET | 1,323,822,098 | 68,550 | 2,286 | | 104115 | Cataflam 50Mg Tab 50'S | PHARMANET | 1,308,638,415 | 3,943 | 1,495 | | 202144 | Microlax 3 X 5 Ml | VIBRANT PBF | 1,134,705,495 | 22,514 | 93 | | 201784 | Polysilane Suspensi 100 Ml | VIBRANT PBF | 1,009,167,583 | 49,779 | 139 | #### 1.2 Top 10 Produk Berdasarkan Total Qty RO | Procod | Prodes | Divisi | Total Value RO | Total Qty RO | Unique RO Count | |:-------|:-------------------------------|:------------|---------------:|-------------:|----------------:| | 201630 | Microlax Gel Obat Pencahar 5Ml | VIBRANT PBF | 1,907,357,147 | 101,808 | 140 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | VIBRANT PBF | 1,792,562,162 | 80,181 | 155 | | 201630 | Microlax Gel Obat Pencahar 5Ml | PHARMANET | 1,323,822,098 | 68,550 | 2,286 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | PHARMANET | 1,417,614,491 | 62,219 | 3,038 | | 200850 | Polysilane Tab. Kunyah 5X8Tab | VIBRANT PBF | 1,964,578,988 | 54,196 | 153 | | 200850 | Polysilane Tab. Kunyah 5X8Tab | PHARMANET | 1,901,529,551 | 51,149 | 3,351 | | 201784 | Polysilane Suspensi 100 Ml | VIBRANT PBF | 1,009,167,583 | 49,779 | 139 | | 202935 | Sanmol Paracetamol Sirop 60Ml | PHARMANET | 725,422,299 | 41,301 | 1,937 | | 201784 | Polysilane Suspensi 100 Ml | PHARMANET | 845,392,527 | 40,743 | 2,239 | | 110492 | Proris Forte 200Mg Susp 50Ml | VIBRANT PBF | 855,064,662 | 32,237 | 120 | **Wawasan Bisnis**: * **Dominasi Produk Terkenal**: Produk-produk seperti `Polysilane Tab. Kunyah`, `Microlax Gel Obat Pencahar`, dan `Proris Susp` secara konsisten mendominasi daftar teratas baik berdasarkan nilai maupun kuantitas. Ini menunjukkan bahwa produk OTC yang populer dan banyak dikenal memiliki permintaan yang sangat tinggi di pasar. * **Peran VIBRANT PBF dan PHARMANET**: Kedua divisi ini menjadi pemain kunci dalam penjualan produk-produk terlaris. `VIBRANT PBF` seringkali muncul dengan nilai RO dan Qty RO yang sangat tinggi untuk produk tertentu, sementara `PHARMANET` menunjukkan jumlah RO unik yang jauh lebih banyak, mengindikasikan distribusi yang lebih luas atau frekuensi pembelian yang lebih tinggi dari banyak outlet. * **Produk Injeksi vs. Non-Injeksi**: `Cataflam 50Mg Tab 50'S` menonjol di daftar nilai tertinggi meskipun kuantitasnya relatif lebih rendah, menunjukkan kemungkinan harga per unit yang lebih tinggi atau nilai strategis tertentu. ### 2. Dampak Pharos YN (Produk Pharos vs. Non-Pharos) Analisis ini membandingkan kinerja agregat produk yang diproduksi oleh Pharos Group (`Y`) dengan produk non-Pharos (`N`). | Pharos YN | Total Value RO | Total Qty RO | Total Line Items | Unique RO Count | Avg Value RO per Line Item | Avg Qty RO per Line Item | Avg Value RO per Unique RO | Avg Qty RO per Unique RO | |:----------|---------------:|-------------:|------------------|----------------:|---------------------------:|-------------------------:|---------------------------:|-------------------------:| | N | 22,524,229,073 | 412,336 | 72,014 | 15,115 | 312,776 | 5.7 | 1,490,190 | 27.3 | | Y | 33,085,676,228 | 1,037,869 | 59,301 | 15,744 | 557,928 | 17.5 | 2,101,478 | 65.9 | **Wawasan Bisnis**: * **Kontribusi Signifikan dari Produk Pharos**: Produk Pharos Group (`Y`) secara substansial menyumbang lebih banyak dalam hal Total Value RO (Rp 33,08 miliar vs Rp 22,52 miliar) dan Total Qty RO (1,04 juta unit vs 0,41 juta unit) dibandingkan produk non-Pharos. Ini menunjukkan dominasi dan pentingnya produk Pharos bagi perusahaan. * **Nilai Per Item yang Lebih Tinggi**: Rata-rata nilai RO per item baris (`Avg Value RO per Line Item`) untuk produk Pharos (Rp 557,928) jauh lebih tinggi daripada non-Pharos (Rp 312,776). Demikian pula, rata-rata kuantitas RO per item baris (`Avg Qty RO per Line Item`) juga lebih tinggi untuk produk Pharos (17.5 unit vs 5.7 unit). Ini mengindikasikan bahwa produk Pharos sering dibeli dalam kuantitas yang lebih besar per item, yang berkorelasi dengan nilai transaksi yang lebih tinggi per item baris. ### 3. Dampak AO YN (Apotek Online) pada Penjualan Produk Analisis ini mengevaluasi bagaimana partisipasi outlet dalam program Apotek Online (AO YN) memengaruhi metrik penjualan. | AO YN | Total Value RO | Total Qty RO | Total Line Items | Unique RO Count | Avg Value RO per Line Item | Avg Qty RO per Line Item | Avg Value RO per Unique RO | Avg Qty RO per Unique RO | |:------|---------------:|-------------:|------------------|----------------:|---------------------------:|-------------------------:|---------------------------:|-------------------------:| | N | 37,903,077,146 | 1,083,615 | 82,584 | 13,138 | 458,964 | 13.1 | 2,884,996 | 82.5 | | Y | 17,706,828,155 | 366,590 | 48,731 | 7,507 | 363,359 | 7.5 | 2,358,709 | 48.8 | **Wawasan Bisnis**: * **Dominasi Penjualan Non-Online**: Outlet yang tidak berpartisipasi dalam Apotek Online (`N`) secara signifikan menyumbang Total Value RO (Rp 37,90 miliar) dan Total Qty RO (1,08 juta unit) yang lebih tinggi. Ini menunjukkan bahwa mayoritas transaksi masih terjadi melalui saluran distribusi tradisional. * **Perbedaan Profil Pembelian Online**: Meskipun volume penjualan secara total lebih rendah di Apotek Online (`Y`), nilai rata-rata per item baris (Rp 363,359) dan rata-rata kuantitas per item baris (7.5 unit) menunjukkan profil pembelian yang berbeda dibandingkan saluran non-online (Rp 458,964 per item baris, 13.1 unit). Hal ini dapat mengindikasikan pembelian yang lebih terfokus pada item-item tertentu atau kuantitas yang lebih kecil per transaksi di Apotek Online. ### 4. Dampak Kombinasi Pharos YN dan AO YN pada Penjualan Produk Analisis ini menggabungkan faktor asal produk (Pharos YN) dan saluran penjualan (AO YN) untuk melihat interaksi dan performa yang lebih spesifik. | Pharos YN | AO YN | Total Value RO | Total Qty RO | Total Line Items | Unique RO Count | Avg Value RO per Line Item | Avg Qty RO per Line Item | Avg Value RO per Unique RO | Avg Qty RO per Unique RO | |:----------|:------|---------------:|-------------:|------------------|----------------:|---------------------------:|-------------------------:|---------------------------:|-------------------------:| | N | N | 12,648,695,360 | 254,093 | 43,880 | 9,204 | 288,256 | 5.8 | 1,374,261 | 27.6 | | N | Y | 9,875,533,713 | 158,243 | 28,134 | 5,911 | 351,018 | 5.6 | 1,670,704 | 26.8 | | Y | N | 25,254,381,786 | 829,522 | 38,704 | 10,189 | 652,501 | 21.4 | 2,478,593 | 81.4 | | Y | Y | 7,831,294,442 | 208,347 | 20,597 | 5,555 | 380,215 | 10.1 | 1,409,774 | 37.5 | **Wawasan Bisnis**: * **Pharos Non-Online Mendominasi**: Produk Pharos Group yang dijual melalui saluran non-online (`Y` & `N`) memiliki Total Value RO tertinggi (Rp 25,25 miliar) dan Total Qty RO (0,83 juta unit). Ini adalah kombinasi paling menguntungkan bagi perusahaan. * **Produk Non-Pharos di Apotek Online**: Produk non-Pharos yang dijual melalui Apotek Online (`N` & `Y`) menunjukkan `Avg Value RO per Line Item` (Rp 351,018) yang lebih tinggi dibandingkan produk non-Pharos di saluran non-online (Rp 288,256), meskipun `Avg Qty RO per Line Item` hampir sama. Ini menyiratkan bahwa Apotek Online mungkin efektif untuk menjual produk non-Pharos dengan nilai unit yang lebih tinggi. * **Pharos Online Memiliki Nilai Unit yang Baik**: Produk Pharos yang dijual melalui Apotek Online (`Y` & `Y`) juga menunjukkan `Avg Value RO per Line Item` (Rp 380,215) dan `Avg Qty RO per Line Item` (10.1 unit) yang lebih baik daripada produk non-Pharos di saluran manapun. ### 5. Analisis Regresi 'Harga per Unit' (Value RO / Qty RO) Untuk memahami lebih lanjut faktor-faktor yang memengaruhi harga rata-rata per unit produk, kami melakukan analisis regresi Ordinary Least Squares (OLS) dengan 'Harga per Unit' sebagai variabel dependen dan Pharos YN, AO YN, serta Divisi sebagai variabel independen. ``` OLS Regression Results ===============================================================================\nDep. Variable: Q("Price_per_Unit") R-squared: 0.045\nModel: OLS Adj. R-squared: 0.045\nMethod: Least Squares F-statistic: 1246.\nDate: Thu, 09 Jul 2026 Prob (F-statistic): 0.00\nTime: 19:42:10 Log-Likelihood: -1.7113e+06\nNo. Observations: 131221 AIC: 3.423e+06\nDf Residuals: 131215 BIC: 3.423e+06\nDf Model: 5 \nCovariance Type: nonrobust \n=================================================================================================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------------------------------------------------------\nIntercept 9.541e+04 887.999 107.447 0.000 9.37e+04 9.72e+04\nC(Q("Pharos YN"))[T.Y] -4.781e+04 625.561 -76.428 0.000 -4.9e+04 -4.66e+04\nC(Q("AO YN"))[T.Y] 7669.3447 666.817 11.501 0.000 6362.395 8976.294\nC(Q("Divisi"))[T.PHARMANET] 5196.0177 936.031 5.551 0.000 3361.414 7030.622\nC(Q("Divisi"))[T.VIBRANT 3] 2.496e+04 1.49e+04 1.671 0.095 -4312.977 5.42e+04\nC(Q("Divisi"))[T.VIBRANT PBF] 1.019e+04 2376.636 4.288 0.000 5532.052 1.48e+04\n==============================================================================\nOmnibus: 98007.971 Durbin-Watson: 1.843\nProb(Omnibus): 0.000 Jarque-Bera (JB): 2121803.999\nSkew: 3.446 Prob(JB): 0.00\nKurtosis: 21.454 Cond. No. 71.2\n==============================================================================\n\nNotes:\n[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.\n``` **Interpretasi Utama Hasil Regresi**: * **R-squared (0.045)**: Model ini menjelaskan sekitar 4.5% variasi dalam 'Harga per Unit'. Meskipun tergolong rendah, angka ini masih signifikan secara statistik dan memberikan wawasan penting tentang faktor-faktor yang memengaruhi harga unit tanpa bias dari volume penjualan. * **Pengaruh Pharos YN**: Koefisien untuk `C(Q("Pharos YN"))[T.Y]` adalah **-47,810**. Ini signifikan secara statistik (p-value < 0.001) dan menunjukkan bahwa produk-produk dari Pharos Group (Pharos YN = 'Y') memiliki harga per unit rata-rata sekitar Rp 47,810 lebih rendah dibandingkan dengan produk non-Pharos (kategori referensi 'N'), *dengan mengendalikan faktor-faktor lain*. Hal ini mendukung temuan di ringkasan eksekutif dan menyiratkan bahwa produk Pharos mungkin dijual dengan harga satuan yang lebih kompetitif atau cenderung dibeli dalam volume yang lebih besar, sehingga menurunkan harga rata-rata per unit. * **Pengaruh AO YN**: Koefisien untuk `C(Q("AO YN"))[T.Y]` adalah **+7,669.34**. Ini juga signifikan secara statistik (p-value < 0.001) dan menunjukkan bahwa penjualan melalui Apotek Online (AO YN = 'Y') memiliki harga per unit rata-rata sekitar Rp 7,669 lebih tinggi dibandingkan dengan penjualan non-Apotek Online (kategori referensi 'N'), *dengan mengendalikan faktor-faktor lain*. Ini menunjukkan bahwa saluran Apotek Online mungkin menarik pembelian produk dengan nilai unit yang sedikit lebih tinggi. * **Pengaruh Divisi**: * Divisi `PHARMANET` memiliki koefisien positif sebesar `+5,196.02` (p-value < 0.001). Ini berarti produk dari divisi PHARMANET cenderung memiliki harga per unit rata-rata yang lebih tinggi dibandingkan dengan divisi referensi (kemungkinan HOSPINET, berdasarkan urutan alfabetis). * Divisi `VIBRANT 3` memiliki koefisien positif sebesar `+24,960.00` (p-value = 0.095). Ini menunjukkan kecenderungan harga per unit yang lebih tinggi, meskipun dengan signifikansi yang lebih lemah dibandingkan PHARMANET. * Divisi `VIBRANT PBF` memiliki koefisien positif sebesar `+10,190.00` (p-value < 0.001). Ini juga menunjukkan harga per unit rata-rata yang lebih tinggi dibandingkan divisi referensi. ### 6. Identifikasi Produk Bernilai Tinggi Berdasarkan Wawasan Menganalisis produk berkinerja tinggi, terutama dengan mempertimbangkan asal produk (Pharos YN) dan saluran penjualan (AO YN), akan memberikan contoh konkret yang mendukung temuan regresi dan analisis produk. #### 6.1 Top 10 Produk Keseluruhan Berdasarkan 'Value RO' (Dengan Atribut Pharos YN dan AO YN) | Procod | Prodes | Divisi | Pharos YN | AO YN | Total Value RO | Total Qty RO | Unique RO Count | |:-------|:-------------------------------|:------------|:----------|:------|---------------:|-------------:|----------------:| | 200850 | Polysilane Tab. Kunyah 5X8Tab | VIBRANT PBF | Y | N | 1,964,578,988 | 54,196 | 153 | | 201630 | Microlax Gel Obat Pencahar 5Ml | VIBRANT PBF | Y | N | 1,907,357,147 | 101,808 | 140 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | VIBRANT PBF | Y | N | 1,792,562,162 | 80,181 | 155 | | 200850 | Polysilane Tab. Kunyah 5X8Tab | PHARMANET | Y | N | 1,155,741,895 | 31,061 | 2,056 | | 202144 | Microlax 3 X 5 Ml | VIBRANT PBF | Y | N | 1,134,705,495 | 22,514 | 93 | | 201784 | Polysilane Suspensi 100 Ml | VIBRANT PBF | Y | N | 1,009,167,583 | 49,779 | 139 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | PHARMANET | Y | N | 884,291,071 | 38,753 | 1,952 | | 110492 | Proris Forte 200Mg Susp 50Ml | VIBRANT PBF | Y | N | 855,064,662 | 32,237 | 120 | | 201630 | Microlax Gel Obat Pencahar 5Ml | PHARMANET | Y | N | 771,778,060 | 39,914 | 1,387 | | 104115 | Cataflam 50Mg Tab 50'S | PHARMANET | N | N | 761,078,065 | 2,292 | 886 | **Wawasan**: Sebagian besar produk bernilai tinggi berasal dari Pharos Group (`Y`) dan dijual melalui saluran non-online (`N`), menegaskan kembali dominasi segmen ini. Hampir semua produk di daftar ini adalah produk-produk populer seperti Polysilane, Microlax, dan Proris. `Cataflam 50Mg Tab 50'S` adalah satu-satunya produk non-Pharos yang masuk dalam daftar ini, menunjukkan kinerja yang kuat di segmen non-online. #### 6.2 Top 5 Produk dari Pharos Group (Pharos YN = 'Y') Berdasarkan 'Value RO' | Procod | Prodes | Divisi | AO YN | Total Value RO | Total Qty RO | Unique RO Count | |:-------|:-------------------------------|:------------|:------|---------------:|-------------:|----------------:| | 200850 | Polysilane Tab. Kunyah 5X8Tab | VIBRANT PBF | N | 1,964,578,988 | 54,196 | 153 | | 201630 | Microlax Gel Obat Pencahar 5Ml | VIBRANT PBF | N | 1,907,357,147 | 101,808 | 140 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | VIBRANT PBF | N | 1,792,562,162 | 80,181 | 155 | | 200850 | Polysilane Tab. Kunyah 5X8Tab | PHARMANET | N | 1,155,741,895 | 31,061 | 2,056 | | 202144 | Microlax 3 X 5 Ml | VIBRANT PBF | N | 1,134,705,495 | 22,514 | 93 | **Wawasan**: Lima produk teratas dari Pharos Group semuanya berasal dari divisi VIBRANT PBF dan dijual melalui saluran non-online. Ini menyoroti kekuatan distribusi tradisional untuk produk-produk inti Pharos, khususnya yang memiliki volume penjualan tinggi. #### 6.3 Top 5 Produk Pharos Group yang Dijual Melalui Apotek Online (AO YN = 'Y') Berdasarkan 'Value RO' | Procod | Prodes | Divisi | Total Value RO | Total Qty RO | Unique RO Count | |:-------|:-------------------------------|:----------|---------------:|-------------:|----------------:| | 200850 | Polysilane Tab. Kunyah 5X8Tab | PHARMANET | 745,787,656 | 20,088 | 1,295 | | 202144 | Microlax 3 X 5 Ml | PHARMANET | 692,106,236 | 13,383 | 675 | | 201630 | Microlax Gel Obat Pencahar 5Ml | PHARMANET | 552,044,038 | 28,636 | 899 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | PHARMANET | 533,323,420 | 23,466 | 1,086 | | 201784 | Polysilane Suspensi 100 Ml | PHARMANET | 335,250,094 | 16,176 | 878 | **Wawasan**: Produk Pharos yang berkinerja terbaik di saluran Apotek Online masih didominasi oleh produk-produk populer yang sama (Polysilane, Microlax, Proris), tetapi kali ini mereka berasal dari Divisi PHARMANET. Ini menunjukkan adanya konsistensi permintaan untuk produk-produk ini di berbagai saluran. Meskipun volume di saluran online lebih kecil, mereka tetap menjadi kontributor nilai yang signifikan. ### 7. Wawasan Bisnis, Anomali, dan Rekomendasi Analisis kinerja produk telah mengungkapkan beberapa wawasan kunci dan area yang perlu diperhatikan: **Wawasan Bisnis Utama**: * **Dominasi Produk OTC Populer**: Produk-produk seperti Polysilane, Microlax, dan Proris adalah tulang punggung penjualan, menunjukkan permintaan pasar yang stabil untuk solusi kesehatan sehari-hari. Mereka berkinerja kuat di berbagai divisi dan saluran. * **Peran Penting Produk Pharos Group**: Produk dari Pharos Group menyumbang sebagian besar nilai dan kuantitas penjualan. Meskipun analisis regresi menunjukkan harga per unit yang lebih rendah untuk produk Pharos, ini diimbangi dengan kuantitas per item baris yang lebih tinggi, menegaskan strategi penjualan berbasis volume. * **Apotek Online Menarik Harga Per Unit Lebih Tinggi**: Meskipun volume penjualan total di Apotek Online lebih rendah, saluran ini menunjukkan kecenderungan harga per unit yang lebih tinggi. Ini mengindikasikan bahwa Apotek Online mungkin menarik segmen pelanggan yang bersedia membayar lebih per unit atau mencari produk dengan nilai yang lebih tinggi. * **Distribusi Tradisional yang Kuat**: Saluran non-online masih menjadi kontributor terbesar dalam total penjualan, terutama untuk produk-produk Pharos. **Anomali dan Observasi Tambahan**: * **Kontradiksi Harga Per Unit Pharos**: Adanya koefisien negatif untuk Pharos YN dalam regresi harga per unit, namun pada saat yang sama memiliki rata-rata nilai RO per item baris yang lebih tinggi, menunjukkan adanya pembelian dalam kuantitas besar untuk produk Pharos yang mungkin mendapatkan diskon per unit, namun secara keseluruhan meningkatkan nilai transaksi per item baris. Ini adalah praktik bisnis yang umum dan efektif. * **Divisi VIBRANT PBF dan PHARMANET Menjadi Kekuatan Utama**: Kedua divisi ini secara konsisten muncul dalam daftar produk terlaris dan memiliki dampak signifikan pada penjualan. **Rekomendasi Strategis**: 1. **Optimalkan Penjualan Produk Inti**: Terus fokus pada produk-produk terlaris (Polysilane, Microlax, Proris) dengan memastikan ketersediaan stok yang memadai, promosi yang efektif, dan distribusi yang luas. 2. **Manfaatkan Potensi Apotek Online**: * Kembangkan strategi khusus untuk Apotek Online yang menargetkan pelanggan dengan kesediaan membayar harga per unit lebih tinggi. Ini bisa berarti menawarkan produk premium, bundel eksklusif, atau layanan bernilai tambah lainnya melalui platform ini. * Menganalisis lebih lanjut profil pelanggan online untuk memahami mengapa mereka bersedia membayar lebih per unit dan menyesuaikan penawaran produk sesuai kebutuhan. 3. **Strategi Harga dan Volume untuk Produk Pharos**: Mengingat harga per unit yang lebih rendah untuk produk Pharos namun volume tinggi, pertimbangkan: * Program loyalitas atau diskon volume untuk mendorong pembelian produk Pharos dalam jumlah besar. * Analisis profitabilitas mendalam untuk memastikan bahwa volume tinggi produk Pharos mengkompensasi margin per unit yang lebih rendah. 4. **Evaluasi Kinerja Divisi dan Produk**: Lakukan tinjauan berkala terhadap kinerja divisi dan produk untuk mengidentifikasi tren, peluang pertumbuhan, dan area yang memerlukan intervensi. Divisi `VIBRANT PBF` dan `PHARMANET` harus terus didukung dan dijadikan patokan praktik terbaik. 5. **Pengembangan Produk Berbasis Data**: Gunakan data tentang produk terlaris dan preferensi saluran untuk menginformasikan pengembangan produk baru atau strategi ekspansi pasar. Dengan memahami kinerja dan dampak produk secara komprehensif, perusahaan dapat membuat keputusan yang lebih terinformasi untuk meningkatkan profitabilitas, memperluas pangsa pasar, dan mengoptimalkan strategi penjualan di masa depan. ## 6. Analisis Pembatalan Pesanan Analisis pembatalan pesanan adalah aspek krusial dalam memahami efisiensi operasional dan kepuasan pelanggan. Bab ini akan menginvestigasi karakteristik pesanan yang dibatalkan untuk mengidentifikasi pola, penyebab umum, dan area potensial untuk perbaikan. Dengan memahami mengapa dan bagaimana pesanan dibatalkan, perusahaan dapat merumuskan strategi yang lebih baik untuk mengurangi kerugian dan meningkatkan pengalaman pelanggan. ### 1. Tingkat Pembatalan Keseluruhan Dari total **20.645** pesanan unik (No. RO) dalam dataset, sebanyak **269** pesanan dibatalkan. Ini menghasilkan tingkat pembatalan keseluruhan yang relatif rendah, yaitu **1.3%**. Angka ini menunjukkan bahwa mayoritas pesanan berhasil diproses dan dikirimkan kepada pelanggan, menandakan efisiensi operasional yang baik. ### 2. Produk yang Paling Sering Dibatalkan Mengidentifikasi produk-produk yang seringkali terkait dengan pembatalan pesanan dapat memberikan wawasan tentang masalah spesifik, seperti ketersediaan stok, deskripsi produk yang tidak jelas, atau masalah kualitas. Berikut adalah 10 produk teratas berdasarkan kuantitas RO yang dibatalkan: | Procod | Prodes | Total Qty Dibatalkan | Total Nilai Dibatalkan | RO Unik Dibatalkan | |:-------|:-------------------------------|---------------------:|-----------------------:|-------------------:| | 201630 | Microlax Gel Obat Pencahar 5Ml | 1,555 | 29,378,319 | 26 | | 105523 | Proris 125Mg Supp 10'S | 1,434 | 81,491,848 | 12 | | 110624 | Medisio 36% Concentrate 5Ml | 714 | 8,134,229 | 90 | | 100683 | Clinovir Cream 5Gr | 608 | 19,678,724 | 15 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | 425 | 9,359,394 | 21 | | 202863 | Altadis 2% Krim 10Gr | 417 | 7,141,875 | 53 | | 102055 | Nebacetin Oint 5Gr | 406 | 7,294,201 | 11 | | 201784 | Polysilane Suspensi 100 Ml | 336 | 6,786,773 | 10 | | 202572 | Praxion Susp 60Ml Rasa Jeruk | 255 | 5,525,826 | 10 | | 203410 | Ozen 5Mg Sirup 60Ml | 232 | 8,735,385 | 26 | **Wawasan Bisnis**: * `Microlax Gel Obat Pencahar 5Ml` dan `Proris 125Mg Supp 10'S` adalah dua produk dengan kuantitas pembatalan tertinggi. Menariknya, kedua produk ini juga merupakan produk terlaris dalam hal kuantitas maupun nilai (seperti diidentifikasi di Bab 5). Hal ini mungkin menunjukkan bahwa karena permintaan yang sangat tinggi, mereka lebih rentan terhadap masalah ketersediaan stok atau kesalahan pesanan. * Produk `Medisio 36% Concentrate 5Ml` memiliki jumlah RO unik yang dibatalkan paling tinggi (90 RO), meskipun kuantitas totalnya tidak setinggi Microlax atau Proris. Ini bisa mengindikasikan masalah berulang yang memengaruhi banyak pesanan kecil untuk produk ini. * Sebagian besar produk yang dibatalkan adalah produk obat bebas (OTC) atau resep yang umum, menunjukkan bahwa pembatalan tidak hanya terbatas pada produk niche. ### 3. Outlet dengan Tingkat Pembatalan Tinggi Mengidentifikasi outlet yang sering melakukan pembatalan dapat menyoroti masalah pada sisi pelanggan, seperti kesalahan entri pesanan, perubahan kebutuhan yang cepat, atau masalah dalam berkomunikasi dengan pemasok. | KodePI | Nama Outlet | RO Dibatalkan | |:---------|:--------------------------|--------------:| | FN004303 | Ketapang Medika, Apt | 7 | | HH000433 | Sejahtera Medika, Apt | 6 | | F1007895 | Puri Beta, Apt, Larangan | 6 | | F2003394 | Yemenia, Apt | 5 | | M1003649 | Sehat Idaman, Apt | 5 | | FG003082 | Nia Farma, Apt | 5 | | F1015388 | Setia Medika, Apt | 5 | | FN004535 | Efata Medika, Apt | 5 | | Q1005437 | Perintis Tiga, Apt | 5 | | H1004512 | Amorita Farma, Apt, Surabaya | 5 | **Wawasan Bisnis**: * `Ketapang Medika, Apt` memiliki jumlah pembatalan RO tertinggi di antara semua outlet. Outlet-outlet di daftar ini mungkin memerlukan perhatian khusus untuk memahami alasan di balik pembatalan mereka dan memberikan dukungan yang sesuai. Ini bisa melibatkan pelatihan tentang proses pemesanan, verifikasi pesanan, atau penanganan masalah ketersediaan produk. ### 4. Tingkat Pembatalan Berdasarkan Variabel Kategorikal Analisis tingkat pembatalan yang dikelompokkan berdasarkan Divisi, asal produk (Pharos YN), partisipasi Apotek Online (AO YN), asal gudang, dan metode pembayaran dapat mengungkapkan segmen mana yang lebih rentan terhadap pembatalan. #### 4.1. Oleh Divisi | Divisi | Total RO | RO Dibatalkan | Tingkat Pembatalan (%) | |:------------|---------:|--------------:|-----------------------:| | VIBRANT 3 | 13 | 1 | 7.7 | | VIBRANT PBF | 355 | 6 | 1.7 | | HOSPINET | 3,337 | 49 | 1.5 | | PHARMANET | 16,933 | 213 | 1.3 | **Wawasan Bisnis**: `VIBRANT 3` menunjukkan tingkat pembatalan tertinggi (7.7%). Seperti yang dibahas di bab-bab sebelumnya, ini sebagian besar disebabkan oleh volume transaksi yang sangat rendah (hanya 13 RO unik), di mana satu pembatalan memiliki dampak persentase yang signifikan. Divisi lain menunjukkan tingkat pembatalan yang konsisten dan rendah. #### 4.2. Oleh Pharos YN | Pharos YN | Total RO | RO Dibatalkan | Tingkat Pembatalan (%) | |:----------|---------:|--------------:|-----------------------:| | Y | 15,744 | 240 | 1.5 | | N | 15,115 | 170 | 1.1 | **Wawasan Bisnis**: Produk dari Pharos Group (`Y`) memiliki tingkat pembatalan yang sedikit lebih tinggi (1.5%) dibandingkan produk non-Pharos (`N`) dengan 1.1%. Ini mungkin terkait dengan volume pesanan yang lebih tinggi atau kompleksitas dalam manajemen inventaris produk Pharos. #### 4.3. Oleh AO YN | AO YN | Total RO | RO Dibatalkan | Tingkat Pembatalan (%) | |:------|---------:|--------------:|-----------------------:| | Y | 7,507 | 99 | 1.3 | | N | 13,138 | 170 | 1.3 | **Wawasan Bisnis**: Tingkat pembatalan antara outlet yang berpartisipasi dalam Apotek Online (`Y`) dan yang tidak (`N`) relatif seimbang (masing-masing 1.3%). Ini menunjukkan bahwa partisipasi dalam Apotek Online tidak secara signifikan memengaruhi kecenderungan pembatalan pesanan. #### 4.4. Oleh Asal Gudang | Asal Gudang | Total RO | RO Dibatalkan | Tingkat Pembatalan (%) | |:----------------------|---------:|--------------:|-----------------------:| | PHARMANET PUSAT | 1 | 1 | 100.0 | | PHARMANET TANGERANG | 1,344 | 35 | 2.6 | | PHARMANET JAKTIM | 777 | 19 | 2.4 | | PHARMANET MAKASSAR | 981 | 20 | 2.0 | | PHARMANET MEDAN | 1,141 | 23 | 2.0 | | PHARMANET BANJARMASIN | 589 | 11 | 1.9 | | PHARMANET PEKANBARU | 885 | 15 | 1.7 | | PHARMANET SAMARINDA | 485 | 8 | 1.6 | | PHARMANET SEMARANG | 1,541 | 24 | 1.6 | | PHARMANET JAKSEL | 481 | 7 | 1.5 | | PHARMANET BEKASI | 1,876 | 27 | 1.4 | | PHARMANET JAKBAR | 783 | 10 | 1.3 | | PHARMANET SURABAYA | 2,304 | 29 | 1.3 | | PHARMANET JAMBI | 518 | 5 | 1.0 | | PHARMANET BOGOR | 1,131 | 10 | 0.9 | | PHARMANET MALANG | 592 | 5 | 0.8 | | PHARMANET SOLO | 1,389 | 10 | 0.7 | | PHARMANET PONTIANAK | 541 | 3 | 0.6 | | PHARMANET PALEMBANG | 1,266 | 4 | 0.3 | | PHARMANET BANDUNG | 1,480 | 3 | 0.2 | | PHARMANET LAMPUNG | 540 | 0 | 0.0 | **Wawasan Bisnis**: * `PHARMANET PUSAT` menunjukkan tingkat pembatalan 100.0%, tetapi ini adalah anomali karena hanya ada 1 RO unik yang berasal dari gudang ini, dan RO tersebut dibatalkan (seperti yang dijelaskan di Bab 2). * Gudang-gudang seperti `PHARMANET TANGERANG` (2.6%), `PHARMANET JAKTIM` (2.4%), `PHARMANET MAKASSAR` (2.0%), dan `PHARMANET MEDAN` (2.0%) memiliki tingkat pembatalan yang relatif lebih tinggi dibandingkan rata-rata. Investigasi lebih lanjut di gudang-gudang ini mungkin diperlukan untuk memahami penyebab pembatalan (misalnya, masalah stok, proses, atau komunikasi). * Beberapa gudang menunjukkan tingkat pembatalan yang sangat rendah, bahkan 0.0% (`PHARMANET LAMPUNG`), yang bisa menjadi studi kasus untuk praktik terbaik. #### 4.5. Oleh Payment | Payment | Total RO | RO Dibatalkan | Tingkat Pembatalan (%) | |:--------------------|---------:|--------------:|-----------------------:| | TERM OF PAYMENT | 6,706 | 104 | 1.6 | | BRIVA | 2,021 | 25 | 1.2 | | BCA VIRTUAL ACCOUNT | 11,894 | 140 | 1.2 | | KREDIVO | 24 | 0 | 0.0 | **Wawasan Bisnis**: Pembayaran dengan `TERM OF PAYMENT` memiliki tingkat pembatalan sedikit lebih tinggi (1.6%) dibandingkan metode pembayaran lainnya. Metode `KREDIVO` tidak memiliki pembatalan, namun volumenya juga sangat kecil (24 RO unik). ### 5. Durasi dari Pemesanan hingga Pembatalan Memahami kapan pembatalan terjadi dalam siklus pesanan sangat penting. Durasi ini diukur dari `Tgl. Order` hingga `Tgl. SP` (yang mencerminkan saat pembatalan dicatat jika `Sts SP Header` adalah 'C'). * **Rata-rata Durasi (Hari)**: 0.02 * **Median Durasi (Hari)**: 0.02 * (Dihitung dari 1.740 item baris pesanan yang dibatalkan dengan durasi positif) **Wawasan Bisnis**: * Pembatalan pesanan umumnya terjadi sangat cepat setelah pesanan dibuat, dengan durasi rata-rata dan median hanya 0.02 hari. Ini adalah indikator positif karena masalah yang menyebabkan pembatalan (misalnya, kesalahan entri, perubahan pikiran pelanggan, atau masalah stok awal) dapat diidentifikasi dan ditangani di awal proses. Pembatalan yang terjadi lebih awal meminimalkan sumber daya yang terbuang dalam pemrosesan dan logistik. ### 6. Anomalies dan Insights Tambahan * **Inkonsistensi Data Kuantitas pada Pesanan Dibatalkan**: Seperti yang telah disinggung dalam Bab 2 dan 3, terdapat anomali di mana pesanan yang berstatus 'CANCEL' masih memiliki `Qty RO` yang positif, padahal `Qty SP` dan `Qty DO` adalah 0. Contoh RO `4930486` dari `PHARMANET PUSAT` memiliki total `Qty RO = 53` tetapi dibatalkan sepenuhnya. Inkonsistensi ini menunjukkan adanya kebutuhan untuk standardisasi data yang lebih baik: jika suatu pesanan dibatalkan, semua kuantitas terkait seharusnya mencerminkan status tersebut (yaitu, nol). ### 7. Rekomendasi Berdasarkan analisis pembatalan pesanan, berikut adalah beberapa rekomendasi strategis: 1. **Investigasi Akar Masalah Pembatalan Produk Terlaris**: Selidiki alasan spesifik di balik tingginya kuantitas pembatalan untuk `Microlax Gel Obat Pencahar 5Ml` dan `Proris 125Mg Supp 10'S`. Apakah ini karena masalah ketersediaan stok yang sering terjadi, kesalahan dalam proses pemesanan, atau faktor lain? 2. **Pantau dan Berikan Dukungan pada Outlet dengan Tingkat Pembatalan Tinggi**: Identifikasi dan berinteraksi dengan outlet seperti `Ketapang Medika, Apt` yang memiliki riwayat pembatalan tinggi. Tawarkan pelatihan, perjelas kebijakan pemesanan, atau berikan dukungan untuk membantu mereka mengurangi insiden pembatalan. 3. **Tinjau Kinerja Gudang dengan Tingkat Pembatalan Relatif Tinggi**: Lakukan audit operasional di gudang `PHARMANET TANGERANG`, `PHARMANET JAKTIM`, `PHARMANET MAKASSAR`, dan `PHARMANET MEDAN` untuk memahami penyebab tingginya tingkat pembatalan di lokasi-lokasi tersebut. Ini bisa melibatkan evaluasi manajemen stok, kecepatan pemrosesan, atau kualitas komunikasi. 4. **Standarisasi Entri Data Pembatalan**: Perbaiki sistem atau proses untuk memastikan konsistensi data. Ketika suatu pesanan dibatalkan, `Qty RO` seharusnya juga diperbarui menjadi 0 (atau nilai yang mencerminkan kuantitas yang benar-benar tidak terpenuhi) untuk menghindari ambiguitas dan menjaga integritas metrik. 5. **Manfaatkan Kecepatan Pembatalan untuk Pengambilan Keputusan**: Fakta bahwa pembatalan sering terjadi sangat cepat adalah keuntungan. Manfaatkan informasi ini untuk perbaikan sistem dan proses. Misalnya, dengan menganalisis jenis pesanan yang dibatalkan dengan cepat, sistem dapat memberikan *warning* dini atau bahkan mencegah pesanan tersebut dibuat jika ada pola masalah yang berulang. Dengan implementasi rekomendasi ini, perusahaan dapat tidak hanya mengurangi tingkat pembatalan, tetapi juga meningkatkan akurasi data dan efisiensi keseluruhan dalam mengelola siklus hidup pesanan. ## 7. Tren Penjualan & Efisiensi Harian Analisis tren harian untuk metrik penjualan dan efisiensi pemenuhan pesanan di bulan Juni 2026 ini dirancang untuk mengidentifikasi pola, puncak kinerja, atau potensi hambatan dalam proses operasional. Dengan memahami fluktuasi harian, kita dapat membuat keputusan yang lebih tepat untuk mengoptimalkan sumber daya dan meningkatkan kinerja secara keseluruhan. ### Ringkasan Rata-rata Bulanan (Juni 2026) Secara rata-rata, aktivitas penjualan dan efisiensi di bulan Juni 2026 menunjukkan gambaran sebagai berikut: | Metrik | Rata-rata Bulanan | |:---------------------------------|------------------:| | Total Nilai RO (per hari) | 1,853,663,510 | | Total Kuantitas RO (per hari) | 48,340 | | Rata-rata Durasi SP ke DO (hari) | 0.43 | Angka-angka ini menjadi patokan untuk mengevaluasi kinerja harian, mengidentifikasi hari-hari yang melebihi atau di bawah rata-rata. ### Tren Penjualan Harian Fluktuasi penjualan harian sangat penting untuk memahami ritme bisnis dan mengidentifikasi periode puncak atau lesu. #### 1. Top 5 Hari Berdasarkan Total Nilai RO Hari-hari dengan nilai penjualan tertinggi seringkali menunjukkan periode permintaan yang kuat atau keberhasilan kampanye tertentu. | Tanggal | Total Nilai RO | Total Kuantitas RO | Avg Order ke SP (hari) | Avg SP ke DO (hari) | Avg DO ke Logbook (hari) | Avg Logbook ke Ekspedisi (hari) | |:-----------|-----------------:|-------------------:|-----------------------:|--------------------:|-------------------------:|---------------------------------:| | 2026-06-11 | 6,065,124,725 | 182,421 | 0.02 | 0.27 | 0.24 | 0.07 | | 2026-06-13 | 5,193,583,668 | 158,114 | 0.02 | 1.22 | 0.44 | 0.11 | | 2026-06-12 | 4,703,835,696 | 143,985 | 0.02 | 0.35 | 0.29 | 0.12 | | 2026-06-30 | 3,924,416,727 | 105,535 | 0.02 | 0.13 | 0.34 | 0.11 | | 2026-06-04 | 2,667,339,837 | 71,339 | 0.02 | 0.22 | 0.20 | 0.08 | **Wawasan Bisnis**: * Tiga dari lima hari penjualan teratas (11, 12, dan 13 Juni) terjadi secara berurutan di pertengahan bulan. Ini mungkin mengindikasikan adanya promosi, momen tertentu di pasar, atau efek akhir pekan/awal pekan (jika dilihat dari kalender Juni 2026). Puncak pada tanggal 11 dan 12 Juni menunjukkan volume penjualan yang sangat besar, mencapai lebih dari 3x rata-rata harian bulanan. * Tanggal 30 Juni juga menunjukkan nilai penjualan yang tinggi, yang mungkin disebabkan oleh tekanan akhir bulan untuk memenuhi target atau pesanan massal. * Menariknya, tanggal 13 Juni, meskipun memiliki nilai RO yang sangat tinggi, juga menunjukkan durasi `SP ke DO` yang sangat panjang (1.22 hari), jauh di atas rata-rata bulanan 0.43 hari. Ini mengindikasikan bahwa volume penjualan yang besar pada hari tersebut mungkin telah membebani kapasitas operasional gudang. #### 2. Bottom 5 Hari Berdasarkan Total Nilai RO Menganalisis hari-hari dengan penjualan terendah membantu mengidentifikasi periode yang membutuhkan perhatian lebih atau strategi pemasaran yang berbeda. | Tanggal | Total Nilai RO | Total Kuantitas RO | Avg Order ke SP (hari) | Avg SP ke DO (hari) | Avg DO ke Logbook (hari) | Avg Logbook ke Ekspedisi (hari) | |:-----------|---------------:|-------------------:|-----------------------:|--------------------:|-------------------------:|---------------------------------:| | 2026-06-21 | 332,020,034 | 7,175 | 0.02 | 0.74 | 0.17 | 0.06 | | 2026-06-07 | 415,265,044 | 9,000 | 0.02 | 0.75 | 0.22 | 0.01 | | 2026-06-28 | 424,073,817 | 9,882 | 0.02 | 0.80 | 0.19 | 0.09 | | 2026-06-16 | 523,396,333 | 11,431 | 0.02 | 0.56 | 0.31 | 0.08 | | 2026-06-20 | 637,852,277 | 14,081 | 0.02 | 0.74 | 0.17 | 0.07 | **Wawasan Bisnis**: * Hari-hari dengan penjualan terendah didominasi oleh tanggal-tanggal di akhir pekan (jika 21 Juni, 7 Juni, 28 Juni, 20 Juni adalah Minggu atau Sabtu) atau pertengahan minggu setelah puncak penjualan. * Mirip dengan hari puncak, beberapa hari dengan penjualan terendah ini (misalnya 21, 7, 28 Juni) juga menunjukkan durasi `SP ke DO` yang lebih panjang dari rata-rata, meskipun dengan volume yang jauh lebih rendah. Ini bisa menjadi anomali operasional yang tidak terkait langsung dengan beban kerja, atau indikator masalah kapasitas yang mendasarinya. ### Efisiensi Pemenuhan Harian Selain volume penjualan, kecepatan dan efisiensi dalam memproses pesanan sangat penting. Durasi `SP ke DO` (Surat Pesanan ke Delivery Order) adalah metrik kunci yang menunjukkan seberapa cepat pesanan yang telah disetujui mulai disiapkan untuk pengiriman. #### 1. Top 5 Hari dengan Durasi SP ke DO Terlama Identifikasi hari-hari ini penting untuk mengungkap potensi hambatan atau masalah kapasitas. | Tanggal | Total Nilai RO | Total Kuantitas RO | Avg Order ke SP (hari) | Avg SP ke DO (hari) | Avg DO ke Logbook (hari) | Avg Logbook ke Ekspedisi (hari) | |:-----------|-----------------:|-------------------:|-----------------------:|--------------------:|-------------------------:|---------------------------------:| | 2026-06-13 | 5,193,583,668 | 158,114 | 0.02 | 1.22 | 0.44 | 0.11 | | 2026-06-14 | 1,609,820,320 | 42,653 | 0.02 | 1.00 | 0.31 | 0.09 | | 2026-06-28 | 424,073,817 | 9,882 | 0.02 | 0.80 | 0.19 | 0.09 | | 2026-06-27 | 1,017,834,366 | 24,556 | 0.02 | 0.76 | 0.12 | 0.09 | | 2026-06-07 | 415,265,044 | 9,000 | 0.02 | 0.75 | 0.22 | 0.01 | **Wawasan Bisnis**: * Tanggal 13 dan 14 Juni menunjukkan durasi `SP ke DO` terlama. Terutama pada tanggal 13 Juni, ini bertepatan dengan salah satu hari penjualan tertinggi, menunjukkan bahwa tingginya volume pesanan mungkin menyebabkan keterlambatan dalam pemrosesan `SP ke DO`. * Namun, pada hari-hari lain seperti 28 Juni, 27 Juni, dan 7 Juni, durasi `SP ke DO` juga relatif lama meskipun nilai dan kuantitas RO tidak terlalu tinggi. Ini mengindikasikan bahwa mungkin ada faktor lain selain volume yang memengaruhi efisiensi, seperti masalah staf, sistem, atau proses spesifik pada hari-hari tersebut. #### 2. Top 5 Hari dengan Durasi SP ke DO Tercepat Hari-hari ini menunjukkan kinerja operasional yang optimal dalam pemrosesan pesanan. | Tanggal | Total Nilai RO | Total Kuantitas RO | Avg Order ke SP (hari) | Avg SP ke DO (hari) | Avg DO ke Logbook (hari) | Avg Logbook ke Ekspedisi (hari) | |:-----------|-----------------:|-------------------:|-----------------------:|--------------------:|-------------------------:|---------------------------------:| | 2026-06-06 | 3,924,416,727 | 105,535 | 0.02 | 0.13 | 0.34 | 0.11 | | 2026-06-06 | 1,583,584,809 | 35,179 | 0.02 | 0.20 | 0.25 | 0.11 | | 2026-06-06 | 1,016,432,174 | 20,840 | 0.02 | 0.20 | 0.14 | 0.08 | | 2026-06-06 | 1,759,898,702 | 43,114 | 0.02 | 0.21 | 0.27 | 0.00 | | 2026-06-06 | 2,667,339,837 | 71,339 | 0.02 | 0.22 | 0.20 | 0.08 | **Wawasan Bisnis**: * Hari ke-6 Juni 2026 secara konsisten muncul sebagai hari dengan durasi `SP ke DO` tercepat, bahkan dengan volume penjualan yang cukup signifikan. Hal ini menunjukkan efisiensi luar biasa pada hari tersebut. * Data menunjukkan bahwa kecepatan `SP ke DO` tidak selalu berkorelasi negatif dengan volume penjualan. Tanggal 6 Juni berhasil mencapai durasi pemrosesan yang sangat cepat bahkan dengan penjualan yang cukup tinggi (misalnya, total nilai RO sebesar 3,924,416,727), menunjukkan kemampuan operasional yang baik. ### Wawasan Bisnis, Anomali, dan Rekomendasi Analisis tren harian memberikan gambaran dinamis tentang kinerja penjualan dan operasional: **Wawasan Bisnis Utama**: * **Pola Penjualan yang Berfluktuasi**: Ada hari-hari puncak penjualan (pertengahan dan akhir bulan) dan hari-hari yang lebih tenang, yang mungkin terkait dengan pola pembelian pelanggan atau siklus bisnis tertentu. * **Efisiensi Pemrosesan yang Beragam**: Durasi pemrosesan pesanan (`SP ke DO`) dapat sangat bervariasi dari hari ke hari, dari yang sangat cepat (0.13 hari) hingga yang lebih lambat (1.22 hari). **Anomali dan Observasi Tambahan**: * **Kapasitas Gudang di Puncak Permintaan**: Pada tanggal 13 Juni, volume penjualan yang sangat tinggi kemungkinan membebani operasional, menyebabkan peningkatan signifikan pada durasi `SP ke DO`. Ini adalah *trade-off* umum antara volume dan kecepatan. * **Efisiensi di Hari Tertentu**: Hari seperti 6 Juni menunjukkan efisiensi operasional yang sangat baik, mampu memproses pesanan dengan cepat meskipun volume penjualan tidak termasuk yang terendah. Ini bisa menjadi model untuk identifikasi praktik terbaik. * **Efisiensi Lambat di Hari Tenang**: Beberapa hari dengan penjualan rendah masih mengalami durasi `SP ke DO` yang lama (misalnya, 28 Juni dan 7 Juni). Ini menunjukkan bahwa masalah efisiensi pada hari-hari tersebut mungkin tidak hanya disebabkan oleh volume, tetapi juga faktor internal lainnya seperti alokasi sumber daya, masalah sistem, atau kekurangan staf. **Rekomendasi Strategis**: 1. **Analisis Kapasitas Operasional**: Lakukan analisis kapasitas (staf, sistem, inventaris) di gudang, terutama untuk periode puncak penjualan seperti tanggal 11-13 Juni, untuk memastikan pemrosesan yang efisien tanpa mengorbankan kecepatan. Pertimbangkan fleksibilitas staf atau otomatisasi tambahan untuk mengelola lonjakan permintaan. 2. **Identifikasi dan Replikasi Praktik Terbaik**: Pelajari apa yang membuat tanggal 6 Juni begitu efisien dalam memproses pesanan dengan cepat. Identifikasi faktor-faktor kuncinya (misalnya, staf yang optimal, alur kerja yang efisien, ketersediaan stok yang baik) dan replikasikan praktik terbaik ini ke hari-hari lain atau gudang yang berkinerja lebih rendah. 3. **Investigasi Keterlambatan di Hari Tenang**: Untuk hari-hari dengan volume penjualan rendah tetapi durasi `SP ke DO` yang lama (misalnya, 28 Juni, 7 Juni), selidiki penyebab spesifik. Apakah ada masalah teknis, kekurangan staf yang tidak terduga, atau proses yang tidak efisien yang perlu dioptimalkan? 4. **Optimalisasi Perencanaan Produksi dan Stok**: Pola penjualan harian dapat menjadi masukan berharga untuk perencanaan produksi dan manajemen stok. Memastikan ketersediaan produk terlaris sebelum periode puncak dapat membantu menjaga kelancaran alur pemenuhan. 5. **Pemanfaatan Data Historis untuk Peramalan**: Gunakan data tren harian ini untuk meningkatkan model peramalan penjualan dan beban kerja operasional, memungkinkan perusahaan untuk lebih proaktif dalam mengalokasikan sumber daya. Dengan memahami dan bertindak berdasarkan tren harian ini, perusahaan dapat secara signifikan meningkatkan efisiensi operasionalnya, mengurangi waktu tunggu pelanggan, dan pada akhirnya mendorong kepuasan pelanggan dan pertumbuhan penjualan. ## 8. Analisis Regresi Faktor Penentu Harga per Unit Analisis regresi merupakan metode statistik yang krusial untuk mengidentifikasi dan mengukur seberapa besar pengaruh berbagai faktor terhadap variabel target. Dalam bab ini, kita akan menggunakan analisis regresi untuk menggali faktor-faktor penentu harga per unit produk, dengan fokus pada asal produk (Pharos YN), partisipasi outlet dalam program Apotek Online (AO YN), dan divisi penjualan (`Divisi`). Tujuan utamanya adalah untuk mendapatkan pemahaman yang lebih mendalam mengenai dinamika penetapan harga dan nilai produk, serta mengidentifikasi wawasan tersembunyi yang dapat mengoptimalkan strategi penjualan dan produk. ### Model dan Hasil Regresi (OLS) untuk 'Harga per Unit' Analisis regresi Ordinary Least Squares (OLS) telah dilakukan dengan 'Harga per Unit' (dihitung sebagai `Value RO / Qty RO`) sebagai variabel dependen. Variabel independen yang digunakan adalah kategori asal produk (`Pharos YN`), status partisipasi Apotek Online (`AO YN`), dan `Divisi` penjualan. Dengan memfokuskan pada harga per unit, kita dapat mengisolasi pengaruh faktor-faktor ini tanpa bias dari volume penjualan yang sangat bervariasi. Berikut adalah ringkasan hasil regresi: ``` OLS Regression Results ===============================================================================\nDep. Variable: Q("Price_per_Unit") R-squared: 0.045\nModel: OLS Adj. R-squared: 0.045\nMethod: Least Squares F-statistic: 1246.\nDate: Thu, 09 Jul 2026 Prob (F-statistic): 0.00\nTime: 19:42:10 Log-Likelihood: -1.7113e+06\nNo. Observations: 131221 AIC: 3.423e+06\nDf Residuals: 131215 BIC: 3.423e+06\nDf Model: 5 \nCovariance Type: nonrobust \n=================================================================================================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------------------------------------------------------\nIntercept 9.541e+04 887.999 107.447 0.000 9.37e+04 9.72e+04\nC(Q("Pharos YN"))[T.Y] -4.781e+04 625.561 -76.428 0.000 -4.9e+04 -4.66e+04\nC(Q("AO YN"))[T.Y] 7669.3447 666.817 11.501 0.000 6362.395 8976.294\nC(Q("Divisi"))[T.PHARMANET] 5196.0177 936.031 5.551 0.000 3361.414 7030.622\nC(Q("Divisi"))[T.VIBRANT 3] 2.496e+04 1.49e+04 1.671 0.095 -4312.977 5.42e+04\nC(Q("Divisi"))[T.VIBRANT PBF] 1.019e+04 2376.636 4.288 0.000 5532.052 1.48e+04\n==============================================================================\nOmnibus: 98007.971 Durbin-Watson: 1.843\nProb(Omnibus): 0.000 Jarque-Bera (JB): 2121803.999\nSkew: 3.446 Prob(JB): 0.00\nKurtosis: 21.454 Cond. No. 71.2\n==============================================================================\n\nNotes:\n[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.\n``` #### Interpretasi Utama Hasil Regresi * **R-squared (0.045)**: Model ini menjelaskan sekitar 4.5% dari variasi dalam 'Harga per Unit'. Meskipun angka ini terlihat rendah, perlu diingat bahwa 'Harga per Unit' memiliki variabilitas yang sangat tinggi dan dipengaruhi oleh banyak faktor mikro yang tidak termasuk dalam model ini (misalnya, jenis produk spesifik, diskon, promosi khusus per transaksi). Namun, nilai yang signifikan secara statistik (Prob (F-statistic) = 0.00) menunjukkan bahwa variabel-variabel dalam model ini secara kolektif memberikan kontribusi yang berarti terhadap harga per unit. * **Pengaruh Asal Produk (Pharos YN)**: * Koefisien untuk `C(Q("Pharos YN"))[T.Y]` adalah **-47,810**. Ini sangat signifikan secara statistik (p-value < 0.001). * **Interpretasi**: Ini menunjukkan bahwa produk-produk dari Pharos Group (`Pharos YN = 'Y'`) memiliki harga per unit rata-rata sekitar **Rp 47,810 lebih rendah** dibandingkan dengan produk non-Pharos (`Pharos YN = 'N'`), dengan asumsi faktor-faktor lain konstan. * **Wawasan Bisnis**: Temuan ini adalah insight kunci. Meskipun pada Bab 5 analisis deskriptif menunjukkan `Avg Value RO per Line Item` produk Pharos lebih tinggi, regresi ini mengungkapkan bahwa secara *harga satuan*, produk Pharos cenderung lebih murah. Ini menyiratkan bahwa produk Pharos Group mungkin dijual dengan harga satuan yang lebih kompetitif atau, yang lebih mungkin, sering dibeli dalam kuantitas yang lebih besar dalam satu item baris pesanan, sehingga harga rata-rata per unit yang dihitung dari total transaksi menjadi lebih rendah. Ini mengkonfirmasi strategi penjualan berbasis volume untuk produk Pharos. * **Pengaruh Partisipasi Apotek Online (AO YN)**: * Koefisien untuk `C(Q("AO YN"))[T.Y]` adalah **7,669.34**. Ini juga sangat signifikan secara statistik (p-value < 0.001). * **Interpretasi**: Ini menunjukkan bahwa penjualan melalui Apotek Online (`AO YN = 'Y'`) berkorelasi dengan harga per unit rata-rata sekitar **Rp 7,669 lebih tinggi** dibandingkan dengan penjualan non-Apotek Online (`AO YN = 'N'`), dengan asumsi faktor-faktor lain konstan. * **Wawasan Bisnis**: Saluran Apotek Online berpotensi menarik pembeli yang bersedia membayar harga per unit yang sedikit lebih tinggi. Ini mungkin karena kenyamanan, aksesibilitas terhadap produk tertentu, atau profil pelanggan online yang cenderung mencari produk premium atau specialty. * **Pengaruh Divisi Penjualan (Divisi)**: * **`C(Q("Divisi"))[T.PHARMANET]`**: Koefisien **5,196.02** (p-value < 0.001). Produk dari divisi PHARMANET memiliki harga per unit rata-rata yang lebih tinggi dibandingkan dengan divisi referensi (kemungkinan HOSPINET, yang secara alfabetis muncul pertama dan menjadi baseline model). * **`C(Q("Divisi"))[T.VIBRANT 3]`**: Koefisien **24,960** (p-value = 0.095). Ini menunjukkan kecenderungan harga per unit yang lebih tinggi, meskipun signifikansinya kurang kuat (p-value > 0.05). Volume transaksi untuk divisi ini juga sangat kecil (seperti yang diamati di Bab 3 dan 4), sehingga interpretasinya harus hati-hati. * **`C(Q("Divisi"))[T.VIBRANT PBF]`**: Koefisien **10,190** (p-value < 0.001). Produk dari divisi VIBRANT PBF memiliki harga per unit rata-rata yang lebih tinggi dibandingkan dengan divisi referensi. * **Wawasan Bisnis**: Divisi PHARMANET, VIBRANT PBF, dan VIBRANT 3 (dengan catatan volume yang rendah) cenderung menjual produk dengan harga per unit yang lebih tinggi dibandingkan dengan HOSPINET. Hal ini mungkin mencerminkan perbedaan dalam portofolio produk, strategi penetapan harga, atau segmen pasar yang dilayani oleh masing-masing divisi. ### Identifikasi Produk Bernilai Tinggi Berdasarkan Wawasan Regresi dan Analisis Produk Untuk memberikan konteks konkret terhadap temuan regresi, mari kita tinjau kembali produk-produk dengan `Value RO` tertinggi, dengan menambahkan atribut `Pharos YN` dan `AO YN`. #### 1. Top 10 Produk Keseluruhan Berdasarkan 'Value RO' (Dengan Atribut Pharos YN dan AO YN) | Procod | Prodes | Divisi | Pharos YN | AO YN | Total Value RO | Total Qty RO | Unique RO Count | |:-------|:-------------------------------|:------------|:----------|:------|---------------:|-------------:|----------------:| | 200850 | Polysilane Tab. Kunyah 5X8Tab | VIBRANT PBF | Y | N | 1,964,578,988 | 54,196 | 153 | | 201630 | Microlax Gel Obat Pencahar 5Ml | VIBRANT PBF | Y | N | 1,907,357,147 | 101,808 | 140 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | VIBRANT PBF | Y | N | 1,792,562,162 | 80,181 | 155 | | 200850 | Polysilane Tab. Kunyah 5X8Tab | PHARMANET | Y | N | 1,155,741,895 | 31,061 | 2,056 | | 202144 | Microlax 3 X 5 Ml | VIBRANT PBF | Y | N | 1,134,705,495 | 22,514 | 93 | | 201784 | Polysilane Suspensi 100 Ml | VIBRANT PBF | Y | N | 1,009,167,583 | 49,779 | 139 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | PHARMANET | Y | N | 884,291,071 | 38,753 | 1,952 | | 110492 | Proris Forte 200Mg Susp 50Ml | VIBRANT PBF | Y | N | 855,064,662 | 32,237 | 120 | | 201630 | Microlax Gel Obat Pencahar 5Ml | PHARMANET | Y | N | 771,778,060 | 39,914 | 1,387 | | 104115 | Cataflam 50Mg Tab 50'S | PHARMANET | N | N | 761,078,065 | 2,292 | 886 | **Wawasan**: Daftar ini secara tegas menunjukkan bahwa sebagian besar produk dengan total nilai RO tertinggi adalah produk Pharos Group (`Pharos YN = Y`) dan dijual melalui saluran non-online (`AO YN = N`). Ini memperkuat gambaran bahwa produk Pharos Group, terutama yang didistribusikan secara tradisional, adalah pendorong utama pendapatan. `Cataflam 50Mg Tab 50'S` adalah satu-satunya produk non-Pharos yang masuk dalam daftar ini, menunjukkan kekuatannya terlepas dari asal produk. #### 2. Top 5 Produk dari Pharos Group (Pharos YN = 'Y') Berdasarkan 'Value RO' | Procod | Prodes | Divisi | AO YN | Total Value RO | Total Qty RO | Unique RO Count | |:-------|:-------------------------------|:------------|:------|---------------:|-------------:|----------------:| | 200850 | Polysilane Tab. Kunyah 5X8Tab | VIBRANT PBF | N | 1,964,578,988 | 54,196 | 153 | | 201630 | Microlax Gel Obat Pencahar 5Ml | VIBRANT PBF | N | 1,907,357,147 | 101,808 | 140 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | VIBRANT PBF | N | 1,792,562,162 | 80,181 | 155 | | 200850 | Polysilane Tab. Kunyah 5X8Tab | PHARMANET | N | 1,155,741,895 | 31,061 | 2,056 | | 202144 | Microlax 3 X 5 Ml | VIBRANT PBF | N | 1,134,705,495 | 22,514 | 93 | **Wawasan**: Konsisten dengan temuan regresi dan analisis sebelumnya, produk-produk Pharos Group yang paling bernilai tinggi didistribusikan melalui saluran non-online (`AO YN = N`). Divisi VIBRANT PBF sangat menonjol di sini, menunjukkan kekuatan dalam mengelola dan mendistribusikan produk-produk Pharos terlaris. #### 3. Top 5 Produk Pharos Group yang Dijual Melalui Apotek Online (AO YN = 'Y') Berdasarkan 'Value RO' | Procod | Prodes | Divisi | Total Value RO | Total Qty RO | Unique RO Count | |:-------|:-------------------------------|:----------|---------------:|-------------:|----------------:| | 200850 | Polysilane Tab. Kunyah 5X8Tab | PHARMANET | 745,787,656 | 20,088 | 1,295 | | 202144 | Microlax 3 X 5 Ml | PHARMANET | 692,106,236 | 13,383 | 675 | | 201630 | Microlax Gel Obat Pencahar 5Ml | PHARMANET | 552,044,038 | 28,636 | 899 | | 201478 | Proris Susp 60 Ml Rasa Jeruk | PHARMANET | 533,323,420 | 23,466 | 1,086 | | 201784 | Polysilane Suspensi 100 Ml | PHARMANET | 335,250,094 | 16,176 | 878 | **Wawasan**: Meskipun volume penjualan melalui Apotek Online lebih kecil dibandingkan saluran tradisional, produk Pharos yang dominan tetap sama: Polysilane, Microlax, dan Proris. Ini menunjukkan bahwa produk-produk inti Pharos memiliki daya tarik yang kuat di berbagai saluran penjualan. Fakta bahwa produk-produk ini dijual di Apotek Online dengan harga per unit yang lebih tinggi (sesuai temuan regresi) menunjukkan bahwa ada peluang untuk mengoptimalkan penawaran produk dan strategi pemasaran di platform online. ### Wawasan Bisnis Utama, Anomali, dan Rekomendasi Analisis regresi memberikan lensa yang lebih tajam untuk memahami bagaimana faktor-faktor tertentu memengaruhi harga per unit, yang sebelumnya mungkin tersembunyi oleh agregat total nilai. #### Wawasan Bisnis Utama 1. **Strategi Harga Berbasis Volume untuk Produk Pharos**: Produk Pharos Group secara rata-rata memiliki harga per unit yang lebih rendah, tetapi menghasilkan `Total Value RO` dan `Total Qty RO` yang jauh lebih tinggi. Hal ini mengindikasikan strategi penjualan yang efektif dengan mengandalkan volume besar, mungkin melalui diskon kuantitas atau harga kompetitif, yang mengarah pada nilai transaksi keseluruhan yang signifikan. Ini adalah model bisnis yang kuat yang perlu dipertahankan dan dioptimalkan. 2. **Apotek Online sebagai Saluran Premium untuk Harga per Unit**: Saluran Apotek Online (`AO YN = Y`) secara konsisten menunjukkan harga per unit yang lebih tinggi. Ini menandakan bahwa pelanggan online mungkin memiliki sensitivitas harga yang berbeda, lebih menghargai kenyamanan, atau mencari produk dengan nilai tambah tertentu. Ini adalah peluang strategis untuk menargetkan produk premium atau menciptakan pengalaman belanja online yang meningkatkan persepsi nilai. 3. **Perbedaan Struktur Harga Antar Divisi**: Divisi PHARMANET dan VIBRANT PBF secara signifikan memiliki harga per unit yang lebih tinggi dibandingkan dengan divisi HOSPINET. Hal ini kemungkinan mencerminkan perbedaan dalam portofolio produk (misalnya, PHARMANET fokus pada produk farmasi generik, etikal, dan OTC, sedangkan HOSPINET pada kebutuhan rumah sakit), strategi penetapan harga, atau segmen pasar yang mereka layani. #### Anomali dan Observasi Tambahan * **Rekonsiliasi Pharos YN**: Kontradiksi awal antara `Avg Value RO per Line Item` yang lebih tinggi untuk Pharos (Bab 5) dan `Harga per Unit` yang lebih rendah (analisis regresi) kini dapat direkonsiliasi. Produk Pharos cenderung dibeli dalam kuantitas yang lebih besar per item baris. Misalnya, jika Produk A (non-Pharos) dijual 1 unit seharga Rp 100, dan Produk B (Pharos) dijual 10 unit seharga Rp 800, maka harga per unit Produk B adalah Rp 80 (lebih rendah), tetapi `Value RO per Line Item` Produk B adalah Rp 800 (lebih tinggi dari Rp 100). Ini adalah nuansa penting yang tidak akan terlihat tanpa analisis regresi yang memisahkan efek harga per unit dari efek kuantitas. * **Volatilitas Divisi VIBRANT 3**: Meskipun koefisien `Divisi VIBRANT 3` menunjukkan harga per unit yang tinggi, signifikansinya lebih rendah. Mengingat volume data yang sangat kecil untuk divisi ini, interpretasi hasilnya harus dilakukan dengan hati-hati. #### Rekomendasi Strategis 1. **Optimalisasi Strategi Harga dan Volume untuk Produk Pharos**: * Terus dorong penjualan produk Pharos dalam volume tinggi, mengingat kontribusinya yang besar terhadap total pendapatan. * Lakukan analisis mendalam terhadap elastisitas harga untuk produk Pharos yang paling laris untuk menemukan titik harga optimal yang memaksimalkan baik volume penjualan maupun total pendapatan. * Pertimbangkan strategi bundling atau program loyalitas yang mendorong pembelian grosir untuk produk Pharos. 2. **Manfaatkan Potensi Premium Saluran Apotek Online**: * Kembangkan strategi khusus untuk Apotek Online yang berfokus pada produk dengan margin lebih tinggi atau produk premium yang dapat menarik harga per unit yang lebih tinggi. * Lakukan riset pasar lebih lanjut untuk memahami preferensi dan daya beli pelanggan online, memungkinkan penawaran produk yang lebih tertarget. * Pertimbangkan promosi yang menekankan nilai (value) daripada sekadar diskon harga, seperti kecepatan pengiriman eksklusif atau penawaran produk edisi terbatas. 3. **Analisis Portofolio dan Strategi Divisi**: * Selidiki lebih lanjut mengapa divisi PHARMANET dan VIBRANT PBF dapat mempertahankan harga per unit yang lebih tinggi. Identifikasi praktik terbaik mereka dalam pemilihan produk, positioning, atau target pasar. * Gunakan temuan ini untuk meninjau dan menyesuaikan portofolio produk serta strategi harga di divisi HOSPINET untuk meningkatkan nilai per unitnya, jika memungkinkan dan sesuai dengan misi divisi. 4. **Pantau dan Evaluasi Produk Unggulan**: * Terus pantau kinerja produk-produk inti seperti Polysilane, Microlax, dan Proris di berbagai saluran. Analisis perubahan dalam harga per unit dan volume untuk memastikan mereka tetap kompetitif dan menguntungkan. * Identifikasi produk-produk non-Pharos yang berkinerja tinggi (seperti Cataflam 50Mg Tab 50'S) dan kaji faktor-faktor keberhasilan mereka untuk replikasi atau pembelajaran lintas produk. Dengan memahami faktor-faktor penentu harga per unit dan bagaimana mereka berinteraksi dengan volume penjualan, perusahaan dapat membuat keputusan yang lebih cerdas dalam penetapan harga, pengelolaan portofolio produk, dan strategi saluran penjualan untuk mendorong pertumbuhan yang berkelanjutan. ## 9. Investigasi Anomali & Isu Data Bab ini didedikasikan untuk menginvestigasi anomali dan isu data spesifik yang teridentifikasi selama proses Analisis Data Eksplorasi. Meskipun kualitas data secara keseluruhan baik dan sebagian besar metrik menunjukkan kinerja operasional yang solid, beberapa kejanggalan memerlukan perhatian khusus. Memahami akar masalah dari anomali ini sangat krusial untuk memastikan keakuratan laporan dan mengidentifikasi area yang memerlukan perbaikan baik dalam proses bisnis maupun pengumpulan data. ### 9.1 Anomali Durasi Pengiriman: `Tgl Diterima` Salah satu anomali paling signifikan yang terdeteksi adalah pada durasi pengiriman dari `Tgl Ekspedisi` ke `Tgl Diterima`. Pada awalnya, perhitungan rata-rata menunjukkan nilai negatif yang besar, mengindikasikan bahwa `Tgl Diterima` seringkali tercatat lebih awal dari `Tgl Ekspedisi`. **Analisis Mendalam:** Investigasi lebih lanjut (seperti yang disinggung di Bab 2 dan Bab 4) mengungkapkan bahwa masalah utama terletak pada kualitas data di kolom `Tgl Diterima`. Banyak entri di kolom ini mengandung tanggal *default* atau tidak valid, seperti `1970-01-02 07:00:00`. Tanggal yang secara historis tidak relevan ini menyebabkan perhitungan durasi menjadi tidak akurat, bahkan negatif, saat dibandingkan dengan tanggal transaksi yang sebenarnya (Juni 2026). Untuk analisis berikutnya, catatan dengan `Tgl Diterima` yang lebih awal dari `Tgl Ekspedisi` telah difilter. Setelah pemfilteran ini, tidak ditemukan lagi catatan yang menunjukkan `Tgl Diterima` lebih awal dari `Tgl Ekspedisi`. Rata-rata durasi `Ekspedisi Pickup ke Customer Received` (hanya untuk durasi positif) adalah **1.36 hari** dari 118,084 catatan yang valid. **Implikasi Bisnis:** * **Pengukuran Kinerja Tidak Akurat**: Data `Tgl Diterima` yang tidak valid secara langsung menghambat kemampuan perusahaan untuk mengukur *lead time* pengiriman secara akurat dan menilai efisiensi tahap akhir rantai pasok. * **Penilaian Kepuasan Pelanggan**: Tanpa data yang akurat tentang kapan pelanggan benar-benar menerima pesanan mereka, sulit untuk secara objektif menilai kepuasan pelanggan terkait kecepatan pengiriman. * **Kehilangan Wawasan**: Potensi wawasan tentang kinerja ekspedisi atau perbedaan waktu pengiriman antar wilayah menjadi hilang atau terdistorsi. **Rekomendasi:** 1. **Validasi Sumber Data**: Investigasi mendalam pada sistem entri data untuk `Tgl Diterima` diperlukan untuk mengidentifikasi mengapa tanggal tidak valid atau *default* tercatat. 2. **Implementasi Validasi Input**: Terapkan aturan validasi yang ketat pada sistem entri untuk memastikan `Tgl Diterima` selalu logis (misalnya, harus setelah `Tgl Ekspedisi` dan dalam rentang waktu yang relevan). 3. **Standarisasi Penanganan `NULL`**: Jika `Tgl Diterima` tidak tersedia, sebaiknya dibiarkan sebagai nilai `NULL` (NaN) daripada diisi dengan tanggal *default* yang menyesatkan, untuk memudahkan identifikasi dan penanganan data yang hilang. ### 9.2 Inkonsistensi Kuantitas pada Pesanan yang Dibatalkan Selama analisis, terdeteksi adanya inkonsistensi data pada pesanan yang berstatus `CANCEL`. Meskipun `Status RO` serta `Sts SP Header` dan `Sts SP Detail` menunjukkan pembatalan ('C'), kolom `Qty RO` (kuantitas pesanan awal) masih memiliki nilai positif, sementara `Qty SP` dan `Qty DO` (kuantitas yang disiapkan/dikirim) adalah 0. **Analisis Mendalam:** Inkonsistensi ini terlihat jelas pada kasus seperti RO `4930486` yang terkait dengan `PHARMANET PUSAT` dan RO yang dibatalkan pada Divisi `VIBRANT 3`. Berikut adalah contoh detailnya: **Detail Pesanan untuk RO `4930486` (PHARMANET PUSAT):** | Prodes | Qty RO | Qty SP | Qty DO | Sts SP Header | Sts SP Detail | Status DO | Tgl. Order | Tgl. SP | |:-------------------------------|-------:|-------:|-------:|:--------------|:--------------|:----------|:--------------------|:--------------------| | Antimo Isi 72 Strip | 15 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Polysilane Tab. Kunyah 5X8Tab | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Medicated Oil Four Season 20Ml | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Caladine Powder 100Gr | 2 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Captopril 12.5Mg 100'S | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Zam-Buk Medicated Ointment 8G | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Acifar Cream 5Gr | 6 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Dextamine Cap 100'S | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Apialys Sirup 100Ml | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Nebacetin Oint 5Gr | 2 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Diclofenac Sodium 50Mg Tab 50S | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Dulcolax Tab 80 Drag | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Apialys Drops 10Ml | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Cendo Xitrol Monodose 0.6Ml | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Cendo Xitrol Eyd 5Ml | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Mecobalamin 500Mg Cap 100'S | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Inhaler Cap Lang | 6 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Balsem Otot Geliga 10Gr | 6 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Isosor Bidedinitrate 5Mg 100'S | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Estalex 50Mg Tab 50'S | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Salbutamol 2Mg Tab 100'S[Gen] | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | | Medicated Oil Four Season 40Ml | 1 | 0 | 0 | C | C | C | 2026-06-18 13:56:28 | 2026-06-18 14:32:13 | Pada RO ini, total `Qty RO` adalah 53 unit, namun `Qty SP` dan `Qty DO` adalah 0, yang secara logis tidak konsisten dengan status pembatalan penuh. **Detail RO yang Dibatalkan untuk Divisi `VIBRANT 3` (contoh):** | No. RO | Prodes | Qty RO | Qty SP | Qty DO | Sts SP Header | Sts SP Detail | Status DO | Tgl. Order | |:-------|:-------------------------------|-------:|-------:|-------:|:--------------|:--------------|:----------|:--------------------| | 4928472 | Proris Forte 200Mg Susp 50Ml | 30 | 0 | 0 | C | C | C | 2026-06-15 10:43:29 | | 4928472 | Viostin 50 Kaplet | 2 | 0 | 0 | C | C | C | 2026-06-15 10:43:29 | | 4928472 | Digenta Cream 10Gr | 2 | 0 | 0 | C | C | C | 2026-06-15 10:43:29 | | 4928472 | Cataflam 50Mg Tab 50'S | 6 | 0 | 0 | C | C | C | 2026-06-15 10:43:29 | | 4928472 | Microlax Gel Obat Pencahar 5Ml | 100 | 0 | 0 | C | C | C | 2026-06-15 10:43:29 | **Implikasi Bisnis:** * **Metrik Penjualan Terdistorsi**: Jika `Qty RO` dari pesanan yang dibatalkan tidak disesuaikan menjadi nol, metrik penjualan seperti 'Total Qty RO' dan 'Total Value RO' akan mencakup kuantitas dan nilai dari barang yang tidak pernah terkirim, sehingga memberikan gambaran yang tidak akurat tentang penjualan aktual. * **Manajemen Stok**: Inkonsistensi ini dapat memengaruhi akurasi laporan stok dan perencanaan permintaan, karena sistem mungkin menginterpretasikan `Qty RO` positif sebagai permintaan yang masih berlaku. * **Audit dan Rekonsiliasi Sulit**: Proses audit dan rekonsiliasi keuangan menjadi lebih rumit jika data kuantitas tidak konsisten di seluruh tahapan pesanan. **Rekomendasi:** 1. **Standarisasi Proses Pembatalan**: Tinjau dan standarisasi prosedur pembatalan pesanan di sistem. Ketika `Status RO` diatur menjadi `CANCEL`, sistem harus secara otomatis memperbarui `Qty RO` (dan `Value RO`) yang sesuai menjadi nol atau kuantitas yang benar-benar tidak terlayani. 2. **Audit Data Berkala**: Lakukan audit rutin untuk mengidentifikasi dan mengoreksi inkonsistensi historis antara status pembatalan dan kuantitas pesanan. 3. **Pelatihan Pengguna**: Pastikan semua pengguna yang terlibat dalam proses pemenuhan dan pembatalan pesanan memahami implikasi dari entri data yang tidak konsisten. ### 9.3 Tingkat Pemenuhan Rendah pada PHARMANET PUSAT dan VIBRANT 3 sebagai Artefak Data Analisis awal alur pemenuhan pesanan (Bab 4) menunjukkan tingkat pemenuhan yang sangat rendah untuk `PHARMANET PUSAT` (0.0%) dan `VIBRANT 3` (92.31%), yang mungkin mengindikasikan masalah operasional serius. **Analisis Mendalam:** * **PHARMANET PUSAT**: Ditemukan bahwa `PHARMANET PUSAT` hanya memiliki **1 RO unik** dalam dataset. RO tunggal ini (`4930486`) berstatus `CANCEL`. Akibatnya, tingkat pemenuhan yang dihitung adalah 0.0%, bukan karena kinerja gudang yang buruk secara umum, melainkan karena volume transaksi yang sangat rendah dan kebetulan RO tunggal tersebut dibatalkan. * **VIBRANT 3**: Divisi `VIBRANT 3` hanya memiliki **13 RO unik**. Dari jumlah tersebut, **1 RO dibatalkan** dan 12 RO terlayani penuh. Satu pembatalan ini menghasilkan tingkat pembatalan 7.7% dan tingkat pemenuhan 92.31%, yang terlihat rendah dibandingkan rata-rata perusahaan (1.3% pembatalan). Sekali lagi, angka ini adalah artefak statistik dari volume data yang sangat kecil. **Implikasi Bisnis:** * **Indikator Kinerja Menyesatkan**: Menginterpretasikan persentase kinerja untuk segmen dengan volume transaksi yang sangat rendah dapat sangat menyesatkan. Tingkat "0%" atau "92.3%" ini tidak mencerminkan masalah operasional yang meluas atau kinerja yang buruk, melainkan konsekuensi matematis dari pembagian oleh angka yang sangat kecil. * **Alokasi Sumber Daya yang Salah**: Jika anomali ini tidak dipahami, manajemen mungkin mengalokasikan sumber daya untuk "memperbaiki" masalah yang sebenarnya tidak ada atau tidak signifikan, mengalihkan perhatian dari area yang benar-benar membutuhkan perbaikan. **Rekomendasi:** 1. **Interpretasi Kontekstual**: Selalu interpretasikan metrik persentase dengan mempertimbangkan volume transaksi yang mendasarinya, terutama untuk segmen dengan volume rendah. 2. **Batasan Pelaporan**: Pertimbangkan untuk menetapkan ambang batas minimum volume transaksi untuk melaporkan metrik kinerja persentase guna menghindari misinterpretasi. Untuk segmen di bawah ambang batas, fokus pada jumlah absolut. 3. **Fokus pada Akar Masalah**: Dalam kasus ini, akar masalahnya bukan kinerja yang buruk, tetapi inkonsistensi data `Qty RO` pada pesanan yang dibatalkan (seperti yang dibahas di 9.2). Perbaikan pada isu data ini akan secara otomatis membuat angka-angka ini lebih akurat. ### 9.4 Isu Kualitas Data Lainnya: `Cmc` dan `Divisi` Beberapa isu kualitas data lainnya telah diidentifikasi dan ditangani selama proses pra-pemrosesan, namun akar masalahnya mungkin memerlukan peninjauan lebih lanjut. **Analisis Mendalam:** * **Nilai Hilang `Cmc`**: Kolom `Cmc`, yang merupakan salah satu kode unik identifikasi outlet, memiliki sekitar **4.2%** nilai hilang (5,468 catatan). Selama pra-pemrosesan, nilai-nilai ini diganti dengan `'UNKNOWN'`. * **Nilai 'nan' di `Divisi`**: Kolom `Divisi` ditemukan memiliki 7 nilai `'nan'` yang telah diganti dengan `'UNKNOWN'` selama pra-pemrosesan. **Implikasi Bisnis:** * **Analisis Outlet Terbatas**: Nilai hilang pada `Cmc` menghambat analisis mendalam yang memerlukan identifikasi outlet yang lengkap dan konsisten. Ini bisa memengaruhi segmentasi pelanggan, program loyalitas, atau pelacakan kinerja outlet individu. * **Integritas Data**: Meskipun penggantian `nan` dengan `UNKNOWN` telah dilakukan, keberadaan nilai-nilai yang hilang atau tidak standar di awal mengindikasikan potensi celah dalam proses pengumpulan atau validasi data. **Rekomendasi:** 1. **Investigasi Akar Masalah `Cmc` Hilang**: Selidiki penyebab nilai `Cmc` yang hilang. Apakah ada masalah dalam pengumpulan data, atau apakah ada outlet yang memang tidak memiliki kode ini? Jika memungkinkan, lakukan upaya untuk melengkapi data `Cmc` yang hilang. 2. **Validasi Data Input untuk Kategorikal**: Terapkan validasi pada sistem entri untuk kolom kategorikal seperti `Divisi` untuk memastikan bahwa hanya nilai-nilai yang valid yang dapat dimasukkan, menghindari munculnya nilai `'nan'` di masa mendatang. ### Kesimpulan dan Rekomendasi Umum Investigasi anomali dan isu data ini menyoroti bahwa meskipun data secara umum berkualitas baik, ada beberapa titik kritis yang memerlukan intervensi. Isu-isu ini berkisar dari anomali pada entri tanggal hingga inkonsistensi logis dalam pencatatan kuantitas untuk pesanan yang dibatalkan, serta artefak statistik dari volume data yang rendah. **Rekomendasi umum untuk perusahaan meliputi:** 1. **Penguatan Tata Kelola Data (Data Governance)**: Kembangkan dan terapkan kebijakan tata kelola data yang komprehensif, termasuk standar entri data, validasi, dan proses rekonsiliasi untuk memastikan konsistensi dan akurasi di seluruh sistem. 2. **Peningkatan Sistem Informasi**: Berinvestasi dalam peningkatan sistem yang memungkinkan validasi input yang lebih kuat dan otomatisasi koreksi data untuk inkonsistensi umum (misalnya, secara otomatis mengatur `Qty RO` ke nol saat pesanan dibatalkan). 3. **Edukasi dan Pelatihan Pengguna**: Berikan pelatihan reguler kepada staf yang terlibat dalam entri dan pengelolaan data mengenai pentingnya akurasi data dan dampak anomali terhadap analisis bisnis. 4. **Audit Data Berkala**: Lakukan audit data secara teratur untuk mengidentifikasi dan mengoreksi anomali yang mungkin terlewat oleh proses otomatis atau validasi input. Dengan mengatasi anomali dan isu data ini, perusahaan dapat membangun fondasi data yang lebih kuat, yang pada gilirannya akan menghasilkan analisis yang lebih akurat, wawasan bisnis yang lebih andal, dan pengambilan keputusan yang lebih strategis. ## 10. Rekomendasi Laporan Analisis Data Eksplorasi ini telah menyajikan tinjauan mendalam tentang kinerja pemenuhan pesanan, dinamika penjualan produk, dan efisiensi operasional selama bulan Juni 2026. Meskipun secara umum kinerja perusahaan sangat baik, terutama dalam tingkat pemenuhan pesanan yang tinggi, kami telah mengidentifikasi beberapa area krusial yang memerlukan perhatian dan perbaikan. Rekomendasi berikut difokuskan untuk meningkatkan kualitas data, mengoptimalkan proses operasional, mendorong strategi penjualan yang lebih efektif, dan pada akhirnya meningkatkan kepuasan pelanggan serta profitabilitas. ### 1. Peningkatan Kualitas Data dan Integritas Sistem Kualitas data adalah fondasi dari setiap analisis yang akurat. Beberapa anomali data yang ditemukan, meskipun tidak menghalangi analisis ini, berpotensi menyesatkan dan menyulitkan evaluasi kinerja di masa mendatang. * **Prioritaskan Perbaikan Data `Tgl Diterima`**: * **Temuan**: Kolom `Tgl Diterima` memiliki 7.9% nilai hilang dan banyak entri tidak valid (misalnya, tanggal 1970-01-02), menyebabkan perhitungan durasi pengiriman menjadi tidak akurat. Setelah pembersihan data dan hanya mempertimbangkan entri yang valid, rata-rata waktu pengiriman dari ekspedisi hingga diterima pelanggan adalah 1.36 hari. * **Rekomendasi**: Lakukan investigasi mendalam terhadap sistem entri data `Tgl Diterima` untuk mengidentifikasi akar masalah entri yang tidak valid. Terapkan validasi input yang ketat agar `Tgl Diterima` selalu tercatat setelah `Tgl Ekspedisi` dan dalam rentang waktu yang logis. Untuk kasus di mana tanggal penerimaan tidak tersedia, gunakan nilai `NULL` yang konsisten daripada tanggal *default* yang menyesatkan, untuk memudahkan identifikasi data yang hilang dan meningkatkan akurasi *lead time* pengiriman total. * **Standarisasi Proses dan Data Pembatalan Pesanan**: * **Temuan**: Ditemukan inkonsistensi di mana pesanan yang berstatus `CANCEL` masih memiliki `Qty RO` yang positif, padahal `Qty SP` dan `Qty DO` sudah nol. Ini terlihat jelas pada kasus `PHARMANET PUSAT` yang satu-satunya RO-nya dibatalkan, serta pada Divisi `VIBRANT 3` yang menunjukkan tingkat pembatalan 92.3% akibat volume RO yang sangat kecil. * **Rekomendasi**: Perbarui logika sistem atau prosedur operasional untuk memastikan bahwa ketika suatu pesanan dibatalkan (`Status RO = 'CANCEL'`), maka `Qty RO` dan `Value RO` yang terkait dengan pesanan tersebut juga secara otomatis disesuaikan menjadi nol. Ini akan mencegah distorsi metrik penjualan dan laporan stok, serta memastikan konsistensi data di seluruh alur pemenuhan. Lakukan audit data berkala untuk mengidentifikasi dan mengoreksi inkonsistensi historis. * **Investigasi Nilai Hilang `Cmc`**: * **Temuan**: Kolom `Cmc`, sebagai salah satu identifikasi unik outlet, memiliki 4.2% nilai hilang. * **Rekomendasi**: Selidiki penyebab nilai `Cmc` yang hilang dan upayakan untuk melengkapi data ini di sumbernya. Akurasi `Cmc` penting untuk analisis segmentasi pelanggan yang lebih granular. ### 2. Peningkatan Efisiensi Operasional Meskipun tingkat pemenuhan pesanan secara keseluruhan sangat tinggi (99.63%), ada peluang untuk mengoptimalkan kecepatan dan efisiensi di beberapa tahapan proses. * **Optimalkan Durasi `SP ke DO` pada Gudang Tertentu**: * **Temuan**: Beberapa gudang seperti PHARMANET MEDAN (rata-rata 0.81 hari) dan PHARMANET SAMARINDA (rata-rata 1.02 hari) menunjukkan durasi `SP ke DO` yang lebih lama dibandingkan rata-rata bulanan (0.38 hari). Puncak penjualan pada 13 Juni juga menunjukkan durasi `SP ke DO` yang melonjak hingga 1.22 hari, menandakan potensi ketegangan operasional. * **Rekomendasi**: Lakukan audit operasional terperinci di gudang-gudang dengan durasi `SP ke DO` yang lebih panjang untuk mengidentifikasi akar masalah (misalnya, masalah staffing, tata letak gudang, proses konfirmasi, atau sistem). Terapkan praktik terbaik dari gudang yang sangat efisien (misalnya, PHARMANET PALEMBANG dengan rata-rata 0.13 hari) atau hari-hari efisien seperti 6 Juni untuk replikasi proses. * **Analisis Kapasitas dan Alokasi Sumber Daya Harian**: * **Temuan**: Hari-hari puncak penjualan (misalnya, 11-13 Juni) menunjukkan peningkatan signifikan dalam `Total Nilai RO` dan `Total Kuantitas RO`. Namun, peningkatan volume ini terkadang berkorelasi dengan durasi `SP ke DO` yang lebih lama, menunjukkan potensi ketegangan kapasitas. Sebaliknya, beberapa hari dengan penjualan rendah juga mengalami durasi `SP ke DO` yang lama tanpa justifikasi volume. * **Rekomendasi**: Manfaatkan data tren harian untuk peramalan beban kerja yang lebih akurat. Implementasikan model alokasi sumber daya yang dinamis (staf, peralatan) untuk mengantisipasi lonjakan permintaan dan memastikan kelancaran operasional selama periode puncak. Investigasi lebih lanjut hari-hari dengan penjualan rendah namun durasi `SP ke DO` yang panjang untuk mengidentifikasi masalah internal yang tidak terkait volume. ### 3. Strategi Penjualan dan Produk yang Berbasis Data Analisis mendalam terhadap kinerja produk dan pengaruh saluran penjualan telah mengungkap peluang signifikan untuk mengoptimalkan strategi penjualan dan portofolio produk. * **Manfaatkan Potensi Volume dan Harga Kompetitif Produk Pharos**: * **Temuan**: Produk dari Pharos Group (`Pharos YN = Y`) memberikan kontribusi terbesar terhadap `Total Value RO` (Rp 33,086 miliar) dan `Total Qty RO` (1,038 juta unit). Analisis regresi menunjukkan bahwa produk Pharos memiliki harga per unit rata-rata Rp 47,810 lebih rendah dibandingkan non-Pharos, namun dengan rata-rata nilai RO per item baris yang lebih tinggi (Rp 557,928 vs Rp 312,776). Ini mengindikasikan strategi penjualan yang efektif dengan volume tinggi atau diskon kuantitas. * **Rekomendasi**: Terus dorong penjualan produk Pharos dalam volume tinggi. Pertimbangkan untuk memperkenalkan program loyalitas atau skema diskon bertingkat yang lebih menarik untuk pembelian produk Pharos dalam jumlah besar. Lakukan analisis elastisitas harga untuk produk Pharos terlaris guna menemukan titik harga optimal yang memaksimalkan baik volume penjualan maupun total pendapatan. * **Optimalisasi Strategi untuk Saluran Apotek Online**: * **Temuan**: Saluran Apotek Online (`AO YN = Y`) berkorelasi dengan harga per unit rata-rata yang lebih tinggi (Rp 7,669 lebih tinggi dari non-online), meskipun volume transaksi total lebih rendah. * **Rekomendasi**: Kembangkan strategi produk dan pemasaran yang menargetkan pelanggan online dengan produk premium atau bernilai tambah yang dapat mendukung harga per unit yang lebih tinggi. Pertimbangkan untuk menawarkan produk eksklusif atau bundel khusus online. Lakukan riset untuk memahami profil pelanggan online dan preferensi mereka agar dapat menyesuaikan penawaran secara lebih efektif. * **Fokus pada Produk Inti dan Divisi Berkinerja Tinggi**: * **Temuan**: Produk seperti Polysilane, Microlax, dan Proris secara konsisten menjadi yang terlaris berdasarkan nilai dan kuantitas RO. Divisi PHARMANET dan VIBRANT PBF adalah kontributor utama dalam penjualan ini dan cenderung memiliki harga per unit yang lebih tinggi dibandingkan divisi lain. * **Rekomendasi**: Pastikan ketersediaan stok yang optimal dan dukungan pemasaran yang kuat untuk produk-produk inti ini. Pelajari praktik terbaik dari divisi PHARMANET dan VIBRANT PBF dalam hal strategi produk, penetapan harga, dan distribusi, dan aplikasikan model serupa ke divisi lain jika memungkinkan. ### 4. Pengelolaan Pelanggan dan Pencegahan Pembatalan Meskipun tingkat pembatalan keseluruhan rendah (1.3%), identifikasi pola dan akar penyebab pembatalan dapat lebih meningkatkan kepuasan pelanggan dan efisiensi. * **Investigasi Pembatalan Produk Terlaris**: * **Temuan**: Produk terlaris seperti Microlax Gel Obat Pencahar (1,555 unit dibatalkan) dan Proris 125Mg Supp (1,434 unit dibatalkan) juga termasuk dalam daftar produk dengan kuantitas pembatalan tertinggi. Medisio 36% Concentrate memiliki jumlah RO unik dibatalkan paling banyak (90 RO). * **Rekomendasi**: Lakukan analisis mendalam mengapa produk-produk populer ini sering dibatalkan. Apakah ini terkait dengan masalah ketersediaan stok yang sering terjadi, deskripsi produk yang membingungkan, atau faktor lain yang dapat diselesaikan di tingkat operasional atau pemasaran? * **Bina Hubungan dengan Outlet Berisiko Pembatalan Tinggi**: * **Temuan**: Outlet seperti `Ketapang Medika, Apt` (7 RO dibatalkan), `Sejahtera Medika, Apt` (6 RO dibatalkan), dan `Puri Beta, Apt, Larangan` (6 RO dibatalkan) memiliki jumlah RO dibatalkan yang paling tinggi. * **Rekomendasi**: Tim *account management* atau *sales* harus berinteraksi secara proaktif dengan outlet-outlet ini untuk memahami alasan di balik tingginya tingkat pembatalan mereka. Tawarkan pelatihan tentang proses pemesanan, verifikasi pesanan, atau solusi untuk masalah yang sering mereka hadapi, guna mengurangi insiden pembatalan. * **Tinjau Tingkat Pembatalan Gudang dan Metode Pembayaran**: * **Temuan**: Gudang seperti PHARMANET TANGERANG (tingkat pembatalan 2.6%), JAKTIM (2.4%), MAKASSAR (2.0%), dan MEDAN (2.0%) memiliki tingkat pembatalan yang sedikit lebih tinggi dari rata-rata. Metode pembayaran `TERM OF PAYMENT` juga memiliki tingkat pembatalan yang sedikit lebih tinggi (1.6%). * **Rekomendasi**: Selidiki potensi masalah operasional spesifik di gudang-gudang ini yang mungkin berkontribusi pada pembatalan. Untuk `TERM OF PAYMENT`, analisis lebih lanjut apakah ada isu terkait persetujuan kredit atau batas waktu pembayaran yang berkontribusi pada pembatalan. ### 5. Rekomendasi Umum dan Jangka Panjang * **Penguatan Tata Kelola Data (Data Governance)**: Kembangkan dan terapkan kebijakan tata kelola data yang komprehensif, termasuk standar entri data, validasi, dan proses rekonsiliasi untuk memastikan konsistensi dan akurasi di seluruh sistem dan departemen. * **Peningkatan Sistem Informasi Berkelanjutan**: Berinvestasi dalam peningkatan sistem yang memungkinkan validasi input yang lebih kuat, otomatisasi koreksi data untuk inkonsistensi umum, dan pelacakan *end-to-end* yang lebih baik untuk semua metrik kunci, termasuk `Tgl Diterima` yang akurat. * **Edukasi dan Pelatihan Berkelanjutan**: Berikan pelatihan reguler kepada staf yang terlibat dalam entri dan pengelolaan data mengenai pentingnya akurasi data dan dampak anomali terhadap analisis bisnis serta pengambilan keputusan strategis. Dengan mengimplementasikan rekomendasi-rekomendasi ini, perusahaan dapat tidak hanya memperbaiki masalah yang ada tetapi juga membangun fondasi yang lebih kuat untuk pertumbuhan yang berkelanjutan, meningkatkan efisiensi operasional, dan memperkuat posisi pasar dalam jangka panjang. ## 11. Kesimpulan Dengan berakhirnya analisis data eksplorasi yang komprehensif ini, kita telah memperoleh gambaran yang jelas dan mendalam mengenai operasional pemenuhan pesanan, dinamika penjualan produk, serta pola perilaku pelanggan selama bulan Juni 2026. Laporan ini tidak hanya mengkonfirmasi efisiensi operasional yang solid tetapi juga mengungkap wawasan tersembunyi, anomali data, dan area potensial untuk peningkatan. **Efisiensi Operasional yang Solid dengan Cacat Data Kritis** Secara keseluruhan, perusahaan menunjukkan kinerja yang luar biasa dalam pemenuhan pesanan, dengan **99,6% dari total 20,645 pesanan unik berhasil dilayani penuh**. Proses internal, mulai dari pesanan hingga Surat Pesanan (SP), Surat Pesanan ke Delivery Order (DO), dan Delivery Order ke Logbook, berjalan dengan sangat cepat dan konsisten di berbagai divisi serta gudang, menunjukkan alur kerja yang terstandardisasi dan efisien. Rata-rata durasi dari pesanan hingga pembuatan SP adalah 0,02 hari, dan dari SP ke DO adalah 0,38 hari. Namun, di balik efisiensi ini, terdapat anomali kritis dalam pencatatan data `Tgl Diterima`. Banyak entri yang tidak valid atau hilang, menyebabkan perhitungan durasi pengiriman akhir menjadi tidak akurat. Setelah pembersihan data, durasi rata-rata dari penjemputan ekspedisi hingga penerimaan pelanggan yang valid adalah **1,36 hari**. Inkonsistensi data juga terlihat pada pesanan yang dibatalkan (`Status RO = 'CANCEL'`), di mana `Qty RO` masih mencatat kuantitas positif meskipun `Qty SP` dan `Qty DO` sudah nol. Masalah ini, bersama dengan nilai hilang pada `Cmc`, merupakan tantangan mendasar yang perlu segera diatasi untuk memastikan integritas dan keandalan data. **Dominasi Produk Pharos dan Peluang Saluran Apotek Online** Analisis kinerja produk menegaskan bahwa **produk-produk dari Pharos Group (`Pharos YN = 'Y'`) adalah pendorong utama pendapatan dan volume penjualan**. Mereka menyumbang Rp 33,086 miliar dari total Value RO dan 1,038 juta unit dari Total Qty RO, jauh melampaui produk non-Pharos. Menariknya, analisis regresi mengungkap bahwa produk Pharos memiliki harga per unit rata-rata yang sedikit lebih rendah (sekitar Rp 47,810 lebih murah) dibandingkan produk non-Pharos. Ini mengindikasikan strategi penjualan berbasis volume yang efektif, di mana volume besar mengkompensasi margin per unit yang lebih kompetitif. Produk-produk populer seperti Polysilane, Microlax, dan Proris adalah inti dari keberhasilan ini, mendominasi daftar produk terlaris. Saluran **Apotek Online (`AO YN = 'Y'`) menunjukkan potensi menarik untuk produk dengan harga per unit yang lebih tinggi** (sekitar Rp 7,669 lebih tinggi dari saluran non-online). Meskipun volume transaksi total di Apotek Online lebih kecil, kecenderungan harga per unit yang lebih tinggi ini membuka peluang untuk strategi produk premium atau penawaran eksklusif di platform digital. **Pola Harian dan Manajemen Kapasitas** Tren penjualan harian menunjukkan fluktuasi yang signifikan, dengan puncak penjualan di pertengahan dan akhir bulan (misalnya, 11-13 Juni dan 30 Juni). Puncak penjualan pada 13 Juni, misalnya, menunjukkan nilai RO mencapai Rp 5,194 miliar, yang sayangnya juga berkorelasi dengan durasi `SP ke DO` yang lebih lama (1,22 hari), menyiratkan ketegangan kapasitas operasional. Di sisi lain, tanggal 6 Juni menonjol sebagai hari dengan efisiensi tinggi, mampu memproses pesanan dengan sangat cepat meskipun volume penjualan tidak termasuk yang terendah. Pola ini menyoroti kebutuhan akan manajemen kapasitas yang dinamis dan kemampuan untuk mereplikasi praktik terbaik dari hari-hari yang efisien. **Pembatalan Pesanan yang Minimalisir Kerugian** Tingkat pembatalan pesanan secara keseluruhan sangat rendah, hanya **1,3%** dari total RO unik, menunjukkan manajemen risiko yang efektif. Yang lebih penting, pembatalan ini terjadi sangat cepat setelah pesanan dibuat (rata-rata 0,02 hari), memungkinkan perusahaan untuk mengidentifikasi dan menangani masalah di awal proses, sehingga meminimalkan sumber daya yang terbuang. Namun, produk terlaris seperti Microlax dan Proris juga muncul di daftar produk yang paling sering dibatalkan, menyiratkan bahwa volume permintaan yang tinggi mungkin juga berkontribusi pada insiden pembatalan. **Wawasan Bisnis yang Dapat Ditindaklanjuti** 1. **Strategi Penjualan Pharos yang Berbasis Volume**: Produk Pharos Group adalah lokomotif pendapatan. Pertahankan strategi harga yang kompetitif untuk mendorong volume, dan perkuat program bundling atau diskon bertingkat untuk pembelian dalam jumlah besar. Lakukan audit profitabilitas untuk memastikan volume tinggi ini tetap menguntungkan secara keseluruhan. 2. **Optimalisasi Saluran Apotek Online**: Manfaatkan Apotek Online sebagai saluran premium. Kembangkan portofolio produk atau penawaran eksklusif yang menargetkan pelanggan dengan kesediaan membayar harga per unit lebih tinggi. Ini bisa berarti fokus pada produk *specialty*, bundel bernilai tinggi, atau pengalaman belanja yang disempurnakan. 3. **Manajemen Kapasitas yang Dinamis**: Pelajari pola penjualan harian untuk mengoptimalkan alokasi sumber daya (staf, gudang) guna mengantisipasi puncak permintaan. Replikasi praktik terbaik dari hari-hari dengan efisiensi tinggi, seperti 6 Juni, untuk meningkatkan kecepatan pemrosesan di seluruh gudang. Lakukan investigasi mendalam terhadap hari-hari dengan penjualan rendah namun durasi `SP ke DO` yang lama untuk mengidentifikasi masalah non-volume. 4. **Mitigasi Pembatalan Produk Kunci**: Selidiki alasan mengapa produk terlaris seperti Microlax dan Proris sering dibatalkan. Apakah ada isu ketersediaan stok, deskripsi produk yang membingungkan, atau masalah rantai pasok tertentu yang perlu diatasi? 5. **Intervensi Proaktif untuk Outlet Berisiko**: Identifikasi outlet dengan tingkat pembatalan tinggi dan lakukan intervensi proaktif. Tawarkan pelatihan, verifikasi pesanan, atau dukungan khusus untuk membantu mereka mengurangi insiden pembatalan. **Rekomendasi Strategis Jangka Panjang** 1. **Penguatan Tata Kelola Data dan Peningkatan Sistem**: * Prioritaskan perbaikan sistem dan prosedur untuk memastikan akurasi `Tgl Diterima` dengan validasi input yang ketat dan standardisasi penanganan `NULL`. * Otomatisasi pembaruan `Qty RO` dan `Value RO` menjadi nol saat pesanan dibatalkan untuk menjaga integritas metrik penjualan dan stok. * Investigasi dan lengkapi nilai `Cmc` yang hilang untuk analisis pelanggan yang lebih granular. * Lakukan audit data berkala untuk menjaga kualitas data secara menyeluruh. 2. **Peningkatan Efisiensi Operasional Berkelanjutan**: * Lakukan audit operasional terperinci di gudang dengan durasi `SP ke DO` yang lebih lama (misalnya, PHARMANET MEDAN, PHARMANET SAMARINDA) untuk mengidentifikasi dan memperbaiki akar masalah. * Manfaatkan analitik prediktif berdasarkan tren harian untuk peramalan beban kerja yang lebih akurat dan alokasi sumber daya yang optimal. 3. **Strategi Produk dan Pemasaran yang Terdiferensiasi**: * Terus fokus pada produk-produk inti yang terbukti mendominasi pasar. * Kembangkan strategi pemasaran khusus untuk Apotek Online yang menyoroti nilai dan kenyamanan, serta menargetkan segmen pelanggan yang mencari produk premium. * Pelajari praktik terbaik dari divisi PHARMANET dan VIBRANT PBF dalam manajemen portofolio dan penetapan harga. 4. **Manajemen Hubungan Pelanggan yang Berbasis Data**: * Gunakan data pembatalan dan riwayat pembelian untuk membangun profil risiko pelanggan dan mengembangkan program retensi yang ditargetkan. * Berdayakan tim penjualan dan *customer service* dengan wawasan data untuk memberikan dukungan yang lebih personal dan proaktif. Dengan mengimplementasikan rekomendasi-rekomendasi ini, perusahaan tidak hanya akan mengatasi kelemahan data dan operasional tetapi juga akan memperkuat posisi pasarnya, meningkatkan kepuasan pelanggan, dan mendorong pertumbuhan pendapatan yang berkelanjutan dalam jangka panjang.