# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Ringkasan Eksekutif ini menyajikan hasil awal dari Analisis Data Eksplorasi (EDA) yang bertujuan untuk mengungkap wawasan tersembunyi guna meningkatkan kinerja, penjualan, dan memahami korelasi produk dalam data pemenuhan pesanan pelanggan. Proses analisis dimulai dengan pembersihan data yang komprehensif dan normalisasi data ke dalam skema yang terstruktur. **Persiapan Data & Normalisasi** Data mentah telah berhasil melalui proses pembersihan, termasuk penghapusan duplikasi baris, konversi tipe data yang sesuai (misalnya, kolom tanggal ke format datetime, nilai numerik ke format angka), serta penanganan nilai kosong. Sebagai hasilnya, lima tabel yang dinormalisasi telah dibuat: `normalized_outlet`, `normalized_product`, `normalized_order_header`, `normalized_delivery_header`, dan `normalized_order_delivery_line_item`. Struktur data yang lebih rapi ini siap untuk analisis lebih lanjut dan memastikan akurasi pada granularitas yang tepat. **Temuan Kunci** 1. **Tren Penjualan Bulanan Menunjukkan Anomali Signifikan**: Analisis tren penjualan bulanan berdasarkan `Value PL` (Nilai Packing List) dan `Qty DO` (Kuantitas Delivery Order) menunjukkan penurunan yang sangat drastis dari Juni ke Juli 2026. * **Juni 2026**: Total `Value PL` mencapai 54.872.985.092, dan Total `Qty DO` adalah 1.432.543. * **Juli 2026**: Terjadi penurunan signifikan dengan Total `Value PL` sebesar 177.430.777 dan Total `Qty DO` sebesar 3.236. Penurunan tajam ini membutuhkan investigasi lebih lanjut untuk menentukan apakah ini disebabkan oleh ketidaklengkapan data untuk bulan Juli, fluktuasi musiman yang ekstrem, atau faktor bisnis lainnya. 2. **Kontribusi Produk Pharos Grup Dominan**: Produk-produk yang diproduksi oleh Pharos Grup (`Pharos YN` = 'Y') menunjukkan kontribusi yang lebih tinggi terhadap nilai penjualan dan kuantitas pengiriman dibandingkan dengan produk non-Pharos (`Pharos YN` = 'N'). * **Produk Pharos**: Menghasilkan `Value PL` sebesar 32.697.287.194 dengan `Qty DO` sebanyak 1.026.687 dari 15.744 pesanan unik. * **Produk Non-Pharos**: Menghasilkan `Value PL` sebesar 22.353.128.675 dengan `Qty DO` sebanyak 409.092 dari 15.115 pesanan unik. Meskipun jumlah pesanan unik (RO) antara kedua kategori produk relatif seimbang, produk Pharos menyumbang nilai dan kuantitas yang lebih besar per pesanan. 3. **Identifikasi Korelasi Produk Melalui Market Basket Analysis**: Analisis Market Basket berhasil mengidentifikasi pola pembelian bersama antar produk, yang sangat berharga untuk strategi penjualan silang (cross-selling) dan bundling produk. Beberapa aturan asosiasi teratas yang ditemukan meliputi: * **MKP CAP LANG 30ML (N) & MKP CAP LANG 60ML (N)**: Sering dibeli bersama dengan tingkat kepercayaan tinggi (51.9%). * **PRAXION 250MG/5ML FORTE 60 ML, POLYSILANE TAB. KUNYAH 5X8TAB** dengan **PRAXION SUSP 60ML RASA JERUK, POLYSILANE SUSPENSI 100 ML**: Menunjukkan hubungan yang kuat. * **COUNTERPAIN 15GR & COUNTERPAIN 30 GR**: Produk dengan ukuran berbeda dari merek yang sama juga sering dibeli bersama. Wawasan ini memberikan dasar konkret untuk mengoptimalkan penempatan produk, rekomendasi kepada pelanggan, dan pengelolaan inventaris. **Rekomendasi Awal** 1. **Investigasi Penurunan Penjualan Juli**: Segera lakukan penyelidikan mendalam terhadap penurunan drastis pada `Value PL` dan `Qty DO` di bulan Juli 2026. Prioritaskan validasi data untuk memastikan kelengkapan dan akurasi, kemudian analisis faktor penyebab potensial. 2. **Manfaatkan Hasil Market Basket Analysis**: Gunakan aturan asosiasi produk yang telah teridentifikasi untuk: * **Strategi Penjualan Silang**: Latih tim penjualan untuk merekomendasikan produk terkait. * **Bundling Produk**: Buat penawaran paket produk yang sering dibeli bersama untuk meningkatkan nilai pesanan rata-rata. * **Optimasi Tata Letak Toko/Platform Online**: Pertimbangkan penempatan produk yang berdekatan atau rekomendasi digital berdasarkan pola pembelian ini. * **Manajemen Inventaris**: Sesuaikan tingkat stok untuk produk yang sering dibeli bersama. 3. **Re-evaluasi Analisis yang Gagal**: Analisis berdasarkan `Divisi` dan distribusi `Status RO` tidak dapat diselesaikan karena masalah teknis. Sangat penting untuk mengatasi masalah ini dan menjalankan kembali analisis tersebut untuk mendapatkan pemahaman yang lengkap tentang kontribusi divisi penjualan dan tingkat keberhasilan pemenuhan pesanan. Langkah selanjutnya akan fokus pada penyelaman lebih dalam terhadap tren yang teridentifikasi dan eksplorasi area yang belum teranalisis, seperti kinerja per divisi dan segmentasi pelanggan. ## 2. Pendahuluan & Konteks Bisnis Bab ini menyediakan landasan penting untuk memahami Analisis Data Eksplorasi (EDA) yang akan dilakukan. Kita akan menyelami tujuan bisnis utama, deskripsi data yang digunakan, dan konteks operasional di balik setiap kolom, yang semuanya berpusat pada proses pemenuhan pesanan pelanggan. Tujuan utama dari laporan EDA ini adalah untuk menggali wawasan tersembunyi dari data pemenuhan pesanan, yang pada akhirnya akan meningkatkan kinerja operasional, mendorong peningkatan penjualan, dan mengidentifikasi korelasi antar produk. Pemahaman mendalam ini akan menjadi pendorong bagi strategi bisnis yang lebih efektif. Data yang menjadi fokus analisis ini berasal dari proses pemenuhan pesanan pelanggan, mulai dari saat pesanan dibuat hingga barang diterima oleh pelanggan. Setiap baris data merepresentasikan detail transaksi untuk sebuah produk tertentu dalam suatu pesanan. Berikut adalah gambaran singkat tentang entitas utama dan alur proses bisnis yang tercermin dalam data: * **Identifikasi Pelanggan/Outlet**: Outlet pelanggan diidentifikasi melalui tiga kode unik: `KodePI`, `OutCode`, dan `Cmc`. Untuk analisis ini, `OutCode` akan digunakan sebagai kode acuan utama karena setiap kode ini unik untuk setiap outlet, memastikan tidak ada duplikasi antar pelanggan. * **Produk**: Setiap produk memiliki `Procod` (kode produk) dan `Prodes` (deskripsi produk). Kolom `Pharos YN` penting untuk mengidentifikasi apakah produk tersebut diproduksi oleh Pharos Group (nilai 'Y') atau bukan (nilai 'N'), yang akan relevan untuk analisis kontribusi penjualan produk internal versus eksternal. * **Proses Pemesanan & Pengiriman**: * **Repeat Order (RO)**: `No. RO` adalah nomor pesanan awal yang dibuat oleh pelanggan. `Qty RO` dan `Value RO` menunjukkan kuantitas dan nilai pesanan awal. `Status RO` merefleksikan kondisi akhir pesanan, seperti 'TERLAYANI PENUH' yang berarti seluruh pesanan telah dipenuhi oleh gudang. * **Surat Pesanan (SP)**: Setelah RO diterima, sistem membuat `No. SP` (Surat Pesanan) untuk diproses di gudang. Satu RO dapat menghasilkan beberapa SP sesuai kebutuhan logistik. `Sts SP Header` dan `Sts SP Detail` menunjukkan status SP secara keseluruhan dan per detail produk. Status umum meliputi 'P' (Sudah Dilayani), 'N' (Dalam Proses), dan 'C' (Dibatalkan). * **Delivery Order (DO)**: Ketika SP telah dilayani dan dikonfirmasi oleh PIC gudang, `No. DO` (Delivery Order) akan diterbitkan. `Qty DO` mencatat kuantitas barang yang dikirim. `Status DO` juga menggunakan kode 'P', 'N', 'C'. * **Packing List (PL)**: `No. PL` adalah dokumen administrasi yang menjadi lampiran pada DO. `Value PL` menunjukkan nilai barang yang tercantum dalam daftar pengepakan ini. * **Linimasa Proses**: Beberapa kolom tanggal (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, `Lastupdate`) menyediakan linimasa kronologis dari seluruh proses pemenuhan pesanan. `Tgl Logbook` mencatat waktu DO masuk ke area *staging* gudang, sementara `Tgl Ekspedisi` adalah tanggal kurir mengambil barang dari gudang untuk pengiriman. * **Informasi Tambahan**: * **Divisi**: Kolom `Divisi` mengelompokkan pelanggan berdasarkan divisi penjualan yang melayani mereka. Antar divisi memiliki segmen pelanggan yang berbeda, sehingga analisis per divisi penting untuk memahami kinerja dan strategi yang relevan. * **Payment**: Kolom `Payment` menunjukkan metode pembayaran yang dipilih oleh pelanggan, yang dapat memberikan wawasan tentang preferensi pembayaran. * **AO YN**: Kolom `AO YN` adalah penanda (flag) apakah outlet berpartisipasi dalam program Apotek Online perusahaan, sebuah inisiatif untuk membantu outlet menjual produk secara retail online. Ini bisa menjadi indikator segmentasi pelanggan yang penting. Melalui analisis data ini, kami berupaya menjawab pertanyaan-pertanyaan bisnis kritis berikut: * Bagaimana tren penjualan (nilai dan kuantitas) bergerak sepanjang waktu dan apakah ada pola musiman atau anomali yang perlu diperhatikan? * Produk mana saja, khususnya produk Pharos Grup, yang memberikan kontribusi terbesar terhadap penjualan dan volume pengiriman? * Produk-produk apa yang sering dibeli secara bersamaan oleh pelanggan, dan bagaimana wawasan ini dapat dimanfaatkan untuk strategi penjualan silang atau *bundling* produk? * Bagaimana kinerja pemenuhan pesanan secara keseluruhan, dilihat dari status pesanan (`Status RO`), dan apakah ada area yang membutuhkan perbaikan? * Divisi penjualan mana yang menunjukkan kinerja terbaik dan area mana yang dapat ditingkatkan? * Apakah partisipasi dalam program Apotek Online (`AO YN`) berkorelasi dengan pola pembelian atau kinerja penjualan tertentu? Sebagai gambaran awal dari eksplorasi data, beberapa insight telah mulai muncul, seperti penurunan drastis dalam volume penjualan di bulan Juli, dominasi produk Pharos Grup dalam hal nilai dan kuantitas, serta identifikasi asosiasi produk melalui *Market Basket Analysis*. Temuan ini akan menjadi titik tolak untuk penyelaman lebih dalam di bab-bab berikutnya. Dengan pemahaman yang kuat tentang konteks bisnis dan data yang tersedia, bab-bab selanjutnya akan mengupas lebih dalam setiap aspek, menyediakan analisis rinci, visualisasi data, dan rekomendasi yang dapat ditindaklanjuti untuk mencapai tujuan bisnis yang telah ditetapkan. ## 3. Kualitas Data & Pra-pemrosesan Kualitas data adalah fondasi utama bagi setiap analisis yang bermakna. Sebelum kita dapat menarik kesimpulan yang akurat atau membuat rekomendasi strategis, data harus dipastikan bersih, konsisten, dan lengkap. Bab ini menguraikan langkah-langkah pra-pemrosesan yang telah dilakukan untuk memastikan integritas data pemenuhan pesanan pelanggan, serta mengidentifikasi area-area di mana kualitas data dapat ditingkatkan. Proses pra-pemrosesan melibatkan beberapa tahapan krusial, antara lain: penghapusan duplikasi, konversi tipe data yang sesuai, dan penanganan nilai-nilai yang hilang (missing values). ### 3.1 Penghapusan Duplikasi Data Langkah pertama dalam menjaga kualitas data adalah memastikan tidak ada entri yang redundan. Kami telah melakukan pemeriksaan menyeluruh untuk baris duplikat yang persis sama di seluruh dataset. * **Hasil**: Tidak ada baris duplikat yang persis sama ditemukan dalam tabel `omg_10003_b1_sheet1`. Ini menunjukkan bahwa data mentah, meskipun mungkin memiliki isu lain, tidak mengandung entri ganda pada tingkat baris secara keseluruhan. ### 3.2 Konversi Tipe Data Kolom yang mengandung informasi tanggal dan waktu, serta nilai numerik, harus memiliki tipe data yang benar untuk memungkinkan perhitungan dan analisis deret waktu. * **Konversi Kolom Tanggal**: * Kolom `'Tgl. Order'`, `'Tgl. SP'`, `'Lastupdate'` berhasil dikonversi ke format tanggal-waktu (datetime) tanpa adanya nilai yang tidak dapat diuraikan. * Beberapa kolom tanggal-waktu penting lainnya menunjukkan keberadaan nilai kosong (`null`) yang dikonversi menjadi `NaT` (Not a Time) selama proses konversi: * `Tgl DO` dan `Tgl. PL`: Terdapat 365 nilai kosong. Ini menunjukkan bahwa sejumlah *delivery order* dan *packing list* tidak memiliki tanggal yang tercatat, yang dapat mengindikasikan bahwa pesanan tersebut belum sepenuhnya diproses hingga tahap DO/PL atau ada kelalaian pencatatan. * `Tgl Logbook`: Terdapat 585 nilai kosong. Nilai kosong yang lebih banyak daripada `Tgl DO` menunjukkan bahwa beberapa *delivery order* yang sudah memiliki tanggal DO, tidak tercatat masuk ke area *staging* logbook. Ini bisa menjadi celah dalam proses pemantauan logistik. * `Tgl Ekspedisi`: Terdapat 460 nilai kosong. Mirip dengan `Tgl Logbook`, ini menunjukkan sejumlah DO tidak memiliki tanggal pengambilan oleh kurir. * `Tgl Diterima`: **Terdapat 10.385 nilai kosong**. Ini merupakan jumlah yang sangat signifikan, mencakup sekitar 8% dari total data baris. Ini adalah anomali kritis yang berarti sebagian besar pesanan tidak memiliki catatan tanggal penerimaan oleh pelanggan. Ini sangat membatasi kemampuan kita untuk mengukur waktu siklus pengiriman secara akurat atau menganalisis kepuasan pelanggan berdasarkan waktu penerimaan. * **Konversi Kolom Numerik**: * Kolom `'Value RO'` berhasil dikonversi ke tipe numerik tanpa masalah. * Kolom `'Value PL'`: Terdapat 1.740 nilai kosong yang dikonversi menjadi `NaN` (Not a Number) karena bukan merupakan nilai numerik yang valid. ### 3.3 Penanganan Nilai yang Hilang (Missing Values) Penanganan nilai yang hilang sangat penting untuk menjaga integritas analisis. Strategi imputasi yang berbeda diterapkan berdasarkan karakteristik dan konteks bisnis setiap kolom. * **Imputasi dengan 0 (nol)**: * `Value PL`: Sebanyak 1.740 nilai kosong diisi dengan 0. Keputusan ini diambil dengan asumsi bahwa nilai PL yang tidak tercatat berarti tidak ada nilai moneter yang diasosiasikan atau nilai tersebut adalah nol, yang relevan untuk perhitungan total penjualan. * Kolom kuantitas dan kode produk (`Procod`, `Qty RO`, `Qty SP`, `Qty DO`) tidak ditemukan nilai kosong yang perlu diisi dengan 0. * **Imputasi dengan string kosong ('')**: * Kolom teks identifikasi (`KodePI`, `OutCode`, `Nama Outlet`, `Prodes`, `Pharos YN`) tidak ditemukan nilai kosong. * `Cmc`: Sebanyak 5.468 nilai kosong diisi dengan string kosong. Sebagai salah satu kode unik outlet, hilangnya nilai ini untuk sejumlah besar entri adalah anomali yang dapat mempersulit identifikasi outlet secara konsisten jika `OutCode` dan `KodePI` juga bermasalah (meskipun tidak tercatat di log). * `Divisi`: Terdapat 7 nilai kosong yang diisi dengan string kosong. Jumlah ini relatif kecil dan tidak terlalu memengaruhi analisis kinerja per divisi secara keseluruhan. * `No. DO` dan `No. PL`: Sebanyak 365 nilai kosong diisi dengan string kosong. Konsisten dengan `Tgl DO` dan `Tgl. PL`, ini menunjukkan sejumlah pesanan tidak memiliki referensi dokumen pengiriman/packing list yang lengkap. * `Nomor Resi` dan `Nama Ekspedisi`: Masing-masing terdapat 460 dan 585 nilai kosong yang diisi dengan string kosong. Ini mengindikasikan bahwa beberapa pengiriman tidak memiliki informasi resi atau nama ekspedisi yang tercatat. * Kolom `'Status RO'`, `'Sts SP Header'`, `'Sts SP Detail'`, `'Asal Gudang'`, `'Payment'`, dan `'AO YN'` tidak ditemukan nilai kosong yang perlu diisi. * Kolom `Kel. Class`: Terdapat 107 nilai kosong yang diisi dengan string kosong. Kolom ini memang diinstruksikan untuk diabaikan, sehingga penanganannya tidak berdampak pada analisis. * **Imputasi dengan `None` (SQL NULL)**: * `Keterangan` dan `Nama Penerima`: Sebanyak 131.315 nilai kosong diisi dengan `None`. Ini adalah jumlah yang sangat besar, hampir seluruh data. Karena kedua kolom ini adalah kolom deskriptif yang diinstruksikan untuk diabaikan, imputasi dengan `None` memastikan bahwa mereka diperlakukan sebagai NULL dalam konteks SQL, yang merupakan penanganan yang tepat untuk data yang tidak relevan atau tidak digunakan. ### 3.4 Ringkasan Kualitas Data dan Rekomendasi Secara keseluruhan, setelah langkah-langkah pra-pemrosesan ini, data telah berada dalam kondisi yang jauh lebih baik dan siap untuk analisis lebih lanjut. Namun, ada beberapa temuan kritis terkait kualitas data yang perlu diperhatikan: * **Celah Data di Proses Pengiriman**: Ketiadaan `Tgl Diterima` untuk lebih dari 10.000 entri, serta nilai kosong untuk `Tgl Logbook`, `Tgl Ekspedisi`, `Nomor Resi`, dan `Nama Ekspedisi` pada sejumlah DO, mengindikasikan adanya celah signifikan dalam pencatatan proses pengiriman dan penerimaan barang. Ini membatasi kemampuan untuk menganalisis efisiensi logistik secara menyeluruh. * **Inkonsistensi `Value PL`**: 1.740 `Value PL` yang kosong (diimputasi menjadi 0) mungkin mengindikasikan masalah dalam integrasi sistem atau proses penagihan/dokumen. * **Identifikasi Outlet yang Tidak Lengkap**: Hampir 5.500 entri yang kehilangan `Cmc` sebagai kode outlet dapat mempersulit pelacakan performa outlet tertentu jika `OutCode` atau `KodePI` juga tidak konsisten. **Rekomendasi untuk Peningkatan Kualitas Data Jangka Panjang**: 1. **Perkuat Pencatatan Tahap Pengiriman Akhir**: Prioritaskan pengisian data `Tgl Diterima`, `Tgl Logbook`, `Tgl Ekspedisi`, `Nomor Resi`, dan `Nama Ekspedisi`. Data ini krusial untuk: * Mengukur *lead time* pengiriman yang sebenarnya. * Mengevaluasi kinerja ekspedisi. * Menjawab pertanyaan pelanggan terkait status pengiriman. * Meningkatkan pengalaman pelanggan secara keseluruhan. Pertimbangkan implementasi sistem otomatis atau prosedur validasi yang lebih ketat untuk kolom-kolom ini. 2. **Investigasi `Value PL` yang Hilang**: Selidiki penyebab di balik nilai `Value PL` yang kosong. Apakah ini merupakan bug sistem, masalah integrasi data, atau skenario bisnis tertentu di mana `Value PL` memang tidak berlaku? Memahami akar masalah akan membantu mencegah distorsi dalam metrik penjualan. 3. **Periksa Konsistensi ID Outlet**: Lakukan audit data untuk memastikan bahwa setiap pesanan selalu memiliki setidaknya satu identifikasi outlet yang lengkap dan konsisten (`KodePI`, `OutCode`, atau `Cmc`) untuk memungkinkan analisis per pelanggan yang akurat. ## 4. Tinjauan Umum Data Bab ini menyajikan tinjauan menyeluruh terhadap data pemenuhan pesanan setelah tahap pra-pemrosesan dan normalisasi. Tujuan utama adalah untuk memberikan pemahaman awal tentang skala, struktur, dan karakteristik umum dari dataset yang akan menjadi dasar analisis lebih lanjut. ### 4.1 Skala dan Struktur Data Dataset ini mencakup detail transaksi yang signifikan dari proses pemenuhan pesanan. Setelah normalisasi, data terdistribusi ke dalam beberapa tabel inti yang merepresentasikan entitas bisnis utama. Berikut adalah gambaran volume data per entitas unik: | Entitas Data | Jumlah Unik | |:-----------------------------|------------:| | Outlet | 5,062 | | Produk | 1,439 | | Nomor Pesanan (RO) | 20,645 | | Nomor Pengiriman (DO) | 23,490 | | Baris Item Pesanan (Line Item) | 131,260 | Jumlah total baris item pesanan (line item) yang diproses adalah 131.260, yang menjadi unit analisis terkecil yang menghubungkan pesanan, produk, dan pengiriman. Ini menunjukkan dataset yang cukup substansial untuk menggali berbagai wawasan. ### 4.2 Rentang Waktu Data Data pemenuhan pesanan dalam dataset ini mencakup periode dua bulan, yaitu dari Juni hingga Juli 2026. Analisis awal menunjukkan bahwa mayoritas data berasal dari bulan Juni, dengan penurunan drastis dalam volume transaksi di bulan Juli, seperti yang telah disoroti pada Ringkasan Eksekutif (Bab 1). Hal ini mengindikasikan bahwa data untuk bulan Juli mungkin belum lengkap atau terdapat anomali signifikan yang memerlukan investigasi lebih lanjut. ### 4.3 Ringkasan Kinerja Penjualan dan Pengiriman Secara keseluruhan, total nilai pesanan yang di-packing list (`Value PL`) mencapai **Rp 55.050.415.869** dan total kuantitas produk yang dikirim (`Qty DO`) adalah **1.435.779 unit**. Ini memberikan gambaran agregat tentang volume bisnis yang dicakup oleh data ini. Dari total nilai dan kuantitas tersebut, produk-produk yang diproduksi oleh Pharos Grup (`Pharos YN` = 'Y') secara signifikan berkontribusi lebih besar terhadap total `Value PL` dan `Qty DO` dibandingkan dengan produk non-Pharos (`Pharos YN` = 'N'). Ini menggarisbawahi pentingnya produk internal Pharos Grup dalam mendorong kinerja penjualan perusahaan. Perlu dicatat bahwa satu nomor pesanan (RO) dapat berisi kombinasi produk Pharos maupun non-Pharos, yang menjelaskan mengapa jumlah RO yang mengandung produk Pharos atau non-Pharos (15,744 dan 15,115 secara terpisah) jika dijumlahkan akan lebih besar dari total nomor pesanan unik (RO) secara keseluruhan (20,645). ### 4.4 Identifikasi Outlet dan Produk Dataset menggunakan `OutCode` sebagai identifikasi utama untuk outlet pelanggan, dengan total 5.062 outlet unik. Ini akan memungkinkan analisis kinerja dan perilaku pembelian pada tingkat pelanggan secara spesifik. Sementara itu, terdapat 1.439 produk unik yang diidentifikasi melalui `Procod`, memberikan dasar untuk analisis produk mendalam dan identifikasi korelasi produk. ### 4.5 Status Pemrosesan Pesanan (Ringkasan) Proses pemenuhan pesanan digambarkan melalui serangkaian status dan dokumen, mulai dari `Repeat Order (RO)`, `Surat Pesanan (SP)`, `Delivery Order (DO)`, hingga `Packing List (PL)`. Status-status seperti 'P' (Sudah Dilayani), 'N' (Dalam Proses), dan 'C' (Dibatalkan) memberikan indikasi awal tentang alur pesanan. Namun, perlu dicatat bahwa analisis distribusi terperinci untuk `Status RO` belum dapat disajikan dalam bab ini karena keterbatasan data atau kendala teknis dalam eksekusi kueri, seperti yang disebutkan dalam laporan temuan sebelumnya. Pemahaman detail tentang distribusi status ini sangat penting untuk menilai efisiensi operasional dan akan menjadi prioritas dalam analisis berikutnya. ### 4.6 Implikasi Kualitas Data terhadap Tinjauan Awal Meskipun data telah melalui proses pembersihan yang ketat (Bab 3), terdapat beberapa isu kualitas data yang penting untuk dipertimbangkan dalam interpretasi tinjauan umum ini: * **Tanggal Pengiriman Diterima (`Tgl Diterima`)**: Kolom ini memiliki jumlah nilai kosong yang sangat tinggi (lebih dari 10.000 entri). Ini berarti analisis *lead time* pengiriman dan kepastian penerimaan barang oleh pelanggan memiliki keterbatasan signifikan. Meskipun `Tgl DO` dan `Tgl Ekspedisi` tersedia untuk sebagian besar entri, ketiadaan `Tgl Diterima` menghambat pengukuran siklus pengiriman secara *end-to-end*. * **Nilai Packing List (`Value PL`)**: Terdapat 1.740 entri `Value PL` yang awalnya kosong dan telah diimputasi menjadi 0. Meskipun ini memungkinkan perhitungan total, hal ini dapat mengindikasikan adanya pesanan yang tidak memiliki nilai tercatat atau masalah dalam proses pencatatan nilai, yang mungkin sedikit memengaruhi akurasi total nilai penjualan jika imputasi tidak merefleksikan kondisi bisnis sebenarnya. Dengan memahami skala data, rentang waktu, ringkasan kinerja awal, dan terutama batasan kualitas data yang ada, kita dapat melanjutkan ke analisis yang lebih mendalam dengan perspektif yang lebih informatif dan kritis. ## 5. Analisis Kinerja Penjualan Bab ini menganalisis kinerja penjualan dari berbagai perspektif kunci, termasuk tren waktu, kontribusi produk, dan status pemenuhan pesanan. Analisis ini bertujuan untuk mengidentifikasi area kekuatan dan kelemahan dalam operasi penjualan serta memberikan rekomendasi yang dapat ditindaklanjuti. ### 5.1 Tren Penjualan Bulanan Sebagaimana telah diungkapkan dalam Ringkasan Eksekutif dan Tinjauan Umum Data, terdapat anomali signifikan dalam tren penjualan bulanan antara Juni dan Juli 2026. Meskipun data ini menunjukkan penurunan drastis, kami menyimpulkan bahwa data untuk bulan Juli kemungkinan besar tidak lengkap. Oleh karena itu, analisis kinerja penjualan dalam bab ini akan lebih fokus pada data yang tersedia secara substansial, yaitu periode bulan Juni 2026. Penurunan yang terlihat pada bulan Juli ini memerlukan validasi data lebih lanjut untuk memastikan kelengkapan dan akurasinya sebelum dapat ditarik kesimpulan mengenai tren musiman atau perubahan performa yang sebenarnya. ### 5.2 Kontribusi Penjualan Produk Pharos vs. Non-Pharos Salah satu aspek penting dalam analisis kinerja penjualan adalah memahami kontribusi dari produk-produk internal (Pharos Grup) dibandingkan dengan produk eksternal (non-Pharos). Data menunjukkan bahwa produk Pharos Grup memiliki peran dominan dalam mendorong nilai penjualan dan kuantitas pengiriman. Berikut adalah rincian kinerja penjualan berdasarkan kategori produk: | Pharos YN | Total Value PL (Rp) | Total Qty DO (Unit) | Jumlah Pesanan Unik | |:----------|--------------------:|--------------------:|--------------------:| | Y | 32,697,287,194 | 1,026,687 | 15,744 | | N | 22,353,128,675 | 409,092 | 15,115 | **Analisis:** * **Dominasi Pharos Grup**: Produk-produk yang diproduksi oleh Pharos Grup (`Pharos YN` = 'Y') secara signifikan menyumbang bagian terbesar dari total nilai penjualan (`Value PL`) dan kuantitas pengiriman (`Qty DO`). Produk Pharos menghasilkan sekitar Rp 32,7 Miliar dan mengantarkan lebih dari 1 juta unit, sementara produk non-Pharos menghasilkan Rp 22,4 Miliar dengan 409 ribu unit. * **Efisiensi Pesanan**: Meskipun jumlah pesanan unik (`Num Unique Orders`) untuk kedua kategori produk relatif seimbang (15.744 vs. 15.115), produk Pharos menunjukkan nilai dan kuantitas rata-rata per pesanan yang lebih tinggi. Ini menunjukkan bahwa pesanan yang mengandung produk Pharos cenderung memiliki volume atau nilai yang lebih besar. **Implikasi Strategis:** Temuan ini menegaskan posisi strategis produk Pharos Grup sebagai pilar utama pendapatan. Strategi penjualan harus terus mengoptimalkan visibilitas dan ketersediaan produk Pharos. Namun, potensi produk non-Pharos juga tidak boleh diabaikan. Strategi _cross-selling_ dan _bundling_ (seperti yang diidentifikasi dalam Market Basket Analysis di Bab 1) dapat diterapkan untuk meningkatkan penjualan produk non-Pharos bersamaan dengan produk Pharos yang dominan. ### 5.3 Analisis Kinerja Berdasarkan Divisi Penjualan Kami berupaya menganalisis kinerja penjualan berdasarkan `Divisi` untuk memahami kontribusi setiap divisi penjualan dan mengidentifikasi segmen pelanggan yang berbeda. Namun, upaya ini terkendala oleh masalah teknis. Kueri yang mencoba mengambil kolom `Divisi` langsung dari tabel `normalized_order_delivery_line_item` gagal karena kolom tersebut tidak tersedia di tabel tersebut. **Penjelasan Kendala:** Kolom `Divisi` kemungkinan besar merupakan atribut dari _outlet_ atau _order header_ (`No. RO`), bukan dari setiap _line item_ pengiriman (`normalized_order_delivery_line_item`). Untuk menganalisis kinerja per divisi dengan benar, diperlukan penggabungan (JOIN) antara tabel `normalized_order_delivery_line_item` dengan tabel `normalized_order_header` atau `normalized_outlet` yang mengandung informasi `Divisi`. **Rekomendasi:** Sangat penting untuk mengatasi masalah data model ini agar analisis kinerja per divisi dapat dilakukan. Analisis ini krusial untuk: 1. **Evaluasi Kinerja Divisi**: Membandingkan performa antar divisi dalam hal total penjualan, kuantitas, dan jumlah pesanan. 2. **Identifikasi Tren Segmen Pelanggan**: Memahami dinamika penjualan di berbagai segmen pelanggan yang dilayani oleh setiap divisi. 3. **Pengalokasian Sumber Daya**: Menginformasikan keputusan alokasi sumber daya penjualan dan pemasaran. ### 5.4 Distribusi Status Pemenuhan Pesanan (Status RO) Analisis distribusi `Status RO` (Repeat Order) adalah metrik vital untuk mengukur tingkat keberhasilan pemenuhan pesanan dan mengidentifikasi potensi hambatan operasional. Kami mencoba untuk menganalisis distribusi status ini, namun upaya tersebut juga gagal karena kesalahan eksekusi kueri yang tidak dapat menentukan agregat `Total_Value_PL` dalam konteks kueri yang diajukan. **Penjelasan Kendala:** Kendala ini menghalangi kami untuk menyajikan gambaran menyeluruh tentang berapa banyak pesanan yang "Terlayani Penuh", "Dalam Proses", atau "Dibatalkan", serta nilai moneter yang terkait dengan setiap status. **Rekomendasi:** Analisis `Status RO` harus segera diperbaiki dan dijalankan kembali. Wawasan dari analisis ini akan memungkinkan perusahaan untuk: 1. **Mengukur Efisiensi Operasional**: Menilai seberapa efektif proses pemenuhan pesanan. 2. **Mengidentifikasi Titik Kegagalan**: Menentukan persentase pesanan yang dibatalkan atau tidak terlayani penuh, dan menyelidiki akar penyebabnya. 3. **Meningkatkan Kepuasan Pelanggan**: Dengan memahami status pesanan, perusahaan dapat mengidentifikasi area untuk meningkatkan kecepatan dan akurasi pemenuhan, yang berdampak langsung pada kepuasan pelanggan. ### Kesimpulan dan Rekomendasi Kinerja Penjualan Dari analisis yang berhasil dilakukan, terlihat jelas bahwa produk Pharos Grup adalah pendorong utama kinerja penjualan dalam hal nilai dan kuantitas. Ini merupakan fondasi kuat yang harus terus dioptimalkan melalui strategi penjualan yang terarah. Namun, terdapat keterbatasan signifikan dalam analisis kinerja penjualan saat ini karena kegagalan teknis dalam menganalisis data berdasarkan Divisi penjualan dan distribusi Status RO. Ketiadaan data ini menghambat pemahaman yang komprehensif mengenai kontribusi setiap divisi dan efisiensi operasional secara keseluruhan. **Rekomendasi Utama:** 1. **Prioritaskan Analisis `Divisi` dan `Status RO`**: Segera perbaiki masalah data model dan eksekusi kueri untuk kedua analisis ini. Memahami kinerja per divisi dan tingkat keberhasilan pemenuhan pesanan adalah langkah krusial berikutnya untuk mendapatkan gambaran kinerja penjualan yang holistik. Setelah masalah ini teratasi, analisis mendalam perlu dilakukan untuk mengidentifikasi divisi berkinerja tinggi, area yang memerlukan intervensi, dan faktor-faktor yang memengaruhi tingkat pembatalan atau ketidaklayanan pesanan. 2. **Manfaatkan Dominasi Produk Pharos**: Terus fokus pada penguatan strategi penjualan untuk produk Pharos Grup, sekaligus mengeksplorasi peluang _cross-selling_ dan _bundling_ dengan produk non-Pharos, terutama yang memiliki korelasi tinggi seperti yang diidentifikasi dalam Market Basket Analysis. 3. **Verifikasi Data Juli 2026**: Lakukan validasi data menyeluruh untuk bulan Juli 2026 guna mengonfirmasi apakah penurunan penjualan yang drastis merupakan anomali data atau indikator tren bisnis yang sebenarnya. Ini akan memastikan akurasi dalam analisis tren penjualan jangka panjang. ## 6. Analisis Korelasi Produk (Market Basket Analysis) Analisis keranjang belanja (Market Basket Analysis) adalah teknik penambangan data yang digunakan untuk mengidentifikasi produk atau barang yang sering dibeli bersama. Dengan memahami pola pembelian ini, perusahaan dapat mengembangkan strategi yang lebih efektif untuk penjualan silang (cross-selling), bundling produk, optimasi penempatan produk, dan manajemen inventaris. Analisis ini sangat relevan untuk meningkatkan penjualan dan kinerja bisnis secara keseluruhan, seperti yang telah disinggung dalam Ringkasan Eksekutif (Bab 1). ### 6.1 Identifikasi Korelasi Produk Melalui penerapan algoritma aturan asosiasi, kami telah menganalisis data pesanan pelanggan (`No. RO`) untuk menemukan kombinasi produk yang sering muncul bersamaan dalam satu transaksi. Hasilnya, beberapa aturan asosiasi yang kuat telah teridentifikasi, yang mengindikasikan adanya korelasi yang signifikan antar produk. Berikut adalah 10 aturan asosiasi produk teratas berdasarkan metrik Support, Confidence, dan Lift: | Antecedents | Consequents | Support | Confidence | Lift | |:-----------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------|--------:|-----------:|-------:| | MKP CAP LANG 30ML (N) | MKP CAP LANG 60ML (N) | 0.0106 | 0.519 | 23.342 | | MKP CAP LANG 60ML (N) | MKP CAP LANG 30ML (N) | 0.0106 | 0.477 | 23.342 | | PRAXION 250MG/5ML FORTE 60 ML, POLYSILANE TAB. KUNYAH 5X8TAB | PRAXION SUSP 60ML RASA JERUK, POLYSILANE SUSPENSI 100 ML | 0.0102 | 0.413 | 16.617 | | PRAXION SUSP 60ML RASA JERUK, POLYSILANE SUSPENSI 100 ML | PRAXION 250MG/5ML FORTE 60 ML, POLYSILANE TAB. KUNYAH 5X8TAB | 0.0102 | 0.411 | 16.617 | | PRAXION 250MG/5ML FORTE 60 ML, POLYSILANE SUSPENSI 100 ML | PRAXION SUSP 60ML RASA JERUK, POLYSILANE TAB. KUNYAH 5X8TAB | 0.0102 | 0.516 | 16.186 | | PRAXION SUSP 60ML RASA JERUK, POLYSILANE TAB. KUNYAH 5X8TAB | PRAXION 250MG/5ML FORTE 60 ML, POLYSILANE SUSPENSI 100 ML | 0.0102 | 0.321 | 16.186 | | COUNTERPAIN 15GR | COUNTERPAIN 30 GR | 0.0100 | 0.334 | 13.537 | | COUNTERPAIN 30 GR | COUNTERPAIN 15GR | 0.0100 | 0.406 | 13.537 | | PRAXION 250MG/5ML FORTE 60 ML, PRORIS SUSP 60 ML RASA JERUK | PRAXION SUSP 60ML RASA JERUK, POLYSILANE TAB. KUNYAH 5X8TAB | 0.0109 | 0.413 | 12.963 | | PRAXION SUSP 60ML RASA JERUK, POLYSILANE TAB. KUNYAH 5X8TAB | PRAXION 250MG/5ML FORTE 60 ML, PRORIS SUSP 60 ML RASA JERUK | 0.0109 | 0.344 | 12.963 | **Penjelasan Metrik:** * **Support**: Menunjukkan seberapa sering itemset (kombinasi produk) muncul dalam total pesanan. Misalnya, `Support` 0.0106 untuk aturan pertama berarti 1.06% dari seluruh pesanan mengandung produk "MKP CAP LANG 30ML (N)" dan "MKP CAP LANG 60ML (N)". * **Confidence**: Mengukur probabilitas bahwa pelanggan akan membeli `Consequents` jika mereka sudah membeli `Antecedents`. `Confidence` 0.519 untuk aturan pertama berarti 51.9% pelanggan yang membeli "MKP CAP LANG 30ML (N)" juga membeli "MKP CAP LANG 60ML (N)". * **Lift**: Menunjukkan seberapa besar kemungkinan `Consequents` dibeli ketika `Antecedents` dibeli, dibandingkan dengan tingkat pembelian `Consequents` secara independen. `Lift` di atas 1 menunjukkan hubungan positif. `Lift` 23.342 untuk aturan pertama adalah nilai yang sangat tinggi, menunjukkan bahwa pembelian "MKP CAP LANG 30ML (N)" membuat pembelian "MKP CAP LANG 60ML (N)" 23.342 kali lebih mungkin dibandingkan jika tidak ada pembelian produk pertama. ### 6.2 Interpretasi Temuan Kunci 1. **Produk Ukuran Berbeda dari Merek yang Sama Sering Dibeli Bersama**: * Pasangan "MKP CAP LANG 30ML (N)" dan "MKP CAP LANG 60ML (N)" menunjukkan `Lift` tertinggi (23.342), dengan `Confidence` 51.9% dan 47.7% secara dua arah. Ini berarti pelanggan sangat sering membeli kedua ukuran produk Cap Lang ini bersamaan. * Pola serupa terlihat pada "COUNTERPAIN 15GR" dan "COUNTERPAIN 30 GR" dengan `Lift` 13.537. * **Insight Bisnis**: Pelanggan mungkin membeli produk yang sama dalam ukuran berbeda untuk kebutuhan yang bervariasi (misalnya, ukuran kecil untuk dibawa bepergian, ukuran besar untuk di rumah) atau untuk tujuan penggunaan yang berbeda. 2. **Korelasi Antar Produk Terkait Kondisi Kesehatan Tertentu**: * Banyak aturan asosiasi melibatkan kombinasi produk dari merek "PRAXION" (seringkali obat demam/peredam nyeri) dan "POLYSILANE" (seringkali obat maag/gangguan pencernaan). Contoh: "PRAXION 250MG/5ML FORTE 60 ML, POLYSILANE TAB. KUNYAH 5X8TAB" dengan "PRAXION SUSP 60ML RASA JERUK, POLYSILANE SUSPENSI 100 ML". `Lift` untuk kombinasi ini berkisar antara 16.186 hingga 16.617. * Kombinasi "PRAXION", "POLYSILANE", dan "PRORIS" (juga obat demam/peredam nyeri) juga muncul dengan `Lift` yang signifikan. * **Insight Bisnis**: Ini menunjukkan bahwa pelanggan sering membeli obat untuk mengatasi gejala yang mungkin terkait atau kondisi kesehatan umum yang sering terjadi bersamaan (misalnya, demam dengan gangguan pencernaan, atau kebutuhan untuk berbagai jenis obat demam). Ini juga bisa menunjukkan pembelian stok obat-obatan esensial. 3. **Korelasi Bukan Hanya Antar Merek Sama**: * Meskipun banyak korelasi ditemukan pada produk sejenis dari merek yang sama (Cap Lang, Counterpain), ada juga korelasi kuat antar merek berbeda yang melayani kebutuhan serupa atau terkait (Praxion, Polysilane, Proris). * **Insight Bisnis**: Penting untuk tidak hanya fokus pada _cross-selling_ produk sejenis, tetapi juga produk pelengkap dari kategori yang berbeda yang sering dibutuhkan bersama oleh pelanggan. ### 6.3 Rekomendasi Strategis Berdasarkan temuan dari Market Basket Analysis, ada beberapa rekomendasi yang dapat diterapkan untuk meningkatkan penjualan dan efisiensi operasional: 1. **Optimasi Strategi Bundling dan Promosi Paket**: * Buat paket penawaran untuk produk-produk yang sangat berkorelasi, seperti paket "Cap Lang Hemat" yang berisi ukuran 30ML dan 60ML, atau paket "Kesehatan Keluarga" yang mencakup Praxion dan Polysilane dalam berbagai bentuk. * Tawarkan diskon atau insentif khusus ketika pelanggan membeli produk yang berkorelasi secara bersamaan. 2. **Peningkatan Penjualan Silang (Cross-selling) di Berbagai Saluran**: * **Online**: Implementasikan rekomendasi produk "Pelanggan yang membeli ini juga membeli..." atau "Beli Bersama" pada platform e-commerce atau aplikasi Apotek Online (`AO YN`) untuk produk-produk yang teridentifikasi. * **Offline**: Latih staf penjualan di outlet untuk merekomendasikan produk terkait secara proaktif saat pelanggan membeli salah satu produk dari pasangan yang berkorelasi. Penempatan produk yang berdekatan di rak toko juga dapat mendorong pembelian spontan. 3. **Manajemen Inventaris yang Lebih Cerdas**: * Pastikan ketersediaan stok yang memadai untuk produk-produk yang memiliki korelasi kuat. Jika salah satu produk dalam pasangan laris manis, stok produk pasangannya juga harus dipantau ketat untuk menghindari kehabisan stok. * Sinkronkan pesanan pembelian untuk produk yang berkorelasi, jika memungkinkan, untuk mendapatkan efisiensi biaya dan logistik. 4. **Kampanye Pemasaran Bertarget**: * Rancang kampanye pemasaran yang menyoroti manfaat membeli kombinasi produk, misalnya "Lawan Demam dan Maag dengan Paket Sehat PRAXION & POLYSILANE". * Gunakan data korelasi untuk personalisasi penawaran kepada pelanggan berdasarkan riwayat pembelian mereka. Dengan mengimplementasikan rekomendasi ini, perusahaan dapat tidak hanya meningkatkan nilai rata-rata pesanan tetapi juga memperkaya pengalaman pembelian pelanggan dengan menawarkan solusi yang lebih komprehensif sesuai dengan kebutuhan mereka. ## 7. Temuan Utama Analisis data pemenuhan pesanan mengungkapkan total nilai barang yang tercantum dalam packing list (`Value PL`) sebesar Rp 55.050.415.869 dengan total kuantitas barang terkirim (`Qty DO`) sebanyak 1.435.779 unit selama periode Juni hingga Juli 2026. Meskipun angka agregat ini menunjukkan volume transaksi yang substansial, terdapat anomali waktu yang signifikan: * **Anomali Penjualan Bulan Juli 2026**: Terjadi penurunan drastis pada `Value PL` dan `Qty DO` di bulan Juli 2026 dibandingkan dengan Juni 2026. `Value PL` anjlok dari Rp 54.872.985.092 (Juni) menjadi Rp 177.430.777 (Juli), dan `Qty DO` turun dari 1.432.543 unit menjadi hanya 3.236 unit. Penurunan ekstrem ini sangat tidak wajar dan mengindikasikan kuat bahwa data untuk bulan Juli kemungkinan besar tidak lengkap. Jika demikian, hal ini secara serius membatasi kemampuan untuk menganalisis tren penjualan jangka panjang, mengidentifikasi pola musiman, atau membuat proyeksi yang akurat tanpa validasi data yang komprehensif. **Rekomendasi**: Lakukan validasi menyeluruh terhadap kelengkapan data penjualan untuk bulan Juli 2026. Jika ditemukan ketidaklengkapan, perluasan cakupan data atau penyesuaian asumsi analisis menjadi krusial untuk memastikan keabsahan kesimpulan mengenai tren waktu. ### Kontribusi Produk: Dominasi Produk Pharos Grup Produk-produk yang diproduksi oleh Pharos Grup (`Pharos YN` = 'Y') memegang peran dominan dalam mendorong nilai penjualan dan kuantitas pengiriman. Analisis menunjukkan bahwa: * **Pilar Utama Pendapatan**: Produk Pharos Grup menyumbang Rp 32.697.287.194 dalam `Value PL` dan mengantarkan 1.026.687 unit `Qty DO`. Angka ini jauh melampaui kontribusi produk non-Pharos yang tercatat sebesar Rp 22.353.128.675 `Value PL` dan 409.092 unit `Qty DO`. * **Efisiensi Pesanan Produk Pharos**: Meskipun jumlah pesanan unik (RO) yang mengandung produk Pharos (15.744) dan non-Pharos (15.115) relatif seimbang, pesanan yang melibatkan produk Pharos cenderung memiliki nilai dan kuantitas rata-rata yang lebih tinggi. Ini menunjukkan bahwa produk Pharos Grup merupakan item bernilai tinggi atau dibeli dalam volume yang lebih besar. **Implikasi Bisnis**: Produk-produk Pharos Grup adalah inti dari strategi pendapatan perusahaan. Strategi penjualan harus terus berfokus pada penguatan posisi, visibilitas, dan ketersediaan produk-produk ini. Pada saat yang sama, potensi produk non-Pharos harus dimanfaatkan melalui strategi _cross-selling_ atau _bundling_ untuk meningkatkan nilai pesanan secara keseluruhan. ### Pola Pembelian Pelanggan: Wawasan dari Market Basket Analysis Analisis keranjang belanja berhasil mengidentifikasi pola pembelian bersama yang kuat antar produk, memberikan wawasan berharga untuk strategi penjualan silang (cross-selling) dan bundling produk yang lebih efektif: * **Produk Sejenis dalam Ukuran Berbeda**: Terdapat korelasi yang sangat kuat antara produk yang sama namun dalam ukuran kemasan yang berbeda. Contoh paling menonjol adalah "MKP CAP LANG 30ML (N)" dan "MKP CAP LANG 60ML (N)", yang menunjukkan bahwa jika satu produk dibeli, produk lainnya 23.342 kali lebih mungkin juga dibeli. Pola serupa terlihat pada produk "COUNTERPAIN 15GR" dan "COUNTERPAIN 30 GR". * **Wawasan**: Pelanggan mungkin membeli variasi ukuran yang sama untuk memenuhi kebutuhan yang berbeda (misalnya, ukuran kecil untuk bepergian, ukuran besar untuk di rumah) atau sebagai persediaan. * **Produk Pelengkap untuk Kondisi Kesehatan Umum**: Ditemukan korelasi kuat antara produk-produk yang digunakan untuk mengatasi gejala umum atau kondisi kesehatan yang seringkali terkait. Kombinasi "PRAXION" (obat demam/peredam nyeri) dengan "POLYSILANE" (obat maag/gangguan pencernaan), dan kadang juga melibatkan "PRORIS" (peredam nyeri lainnya), muncul secara berulang dalam daftar aturan asosiasi teratas. * **Wawasan**: Pelanggan cenderung mencari solusi komprehensif untuk masalah kesehatan yang mungkin saling berkaitan (misalnya, demam dan gangguan pencernaan) atau membeli obat-obatan esensial sebagai stok. **Rekomendasi**: 1. **Kembangkan Strategi Bundling dan Paket Promosi**: Buat paket penawaran yang menggabungkan produk-produk yang berkorelasi kuat (misalnya, "Paket Cap Lang Lengkap" atau "Solusi Demam & Maag PRAXION-POLYSILANE") dengan insentif harga. 2. **Tingkatkan Penjualan Silang**: Latih tim penjualan untuk merekomendasikan produk terkait berdasarkan pola pembelian ini, baik di titik penjualan fisik maupun melalui fitur rekomendasi pada platform Apotek Online (`AO YN`). 3. **Optimasi Penempatan Produk dan Inventaris**: Pastikan produk-produk yang berkorelasi ditempatkan secara berdekatan di rak toko atau dalam kategori digital. Sesuaikan manajemen inventaris untuk memastikan ketersediaan stok produk pasangannya ketika salah satu produk laris manis. ### Tantangan Efisiensi Operasional dan Kualitas Data Analisis kualitas data mengungkapkan beberapa celah signifikan yang menghambat pengukuran efisiensi operasional secara akurat: * **Data Tanggal Pengiriman yang Hilang**: * Kolom `Tgl Diterima` memiliki lebih dari 10.000 nilai kosong, yang berarti sekitar 8% dari total pesanan tidak memiliki catatan tanggal penerimaan oleh pelanggan. * Sebanyak 585 entri `Tgl Logbook` (tanggal DO masuk area staging) dan 460 entri `Tgl Ekspedisi` (tanggal kurir mengambil barang) juga kosong. * **Implikasi**: Ketiadaan data ini sangat membatasi kemampuan untuk menghitung *lead time* pengiriman *end-to-end* yang akurat, mengevaluasi kinerja ekspedisi secara objektif, dan mengidentifikasi *bottleneck* dalam rantai pasok pengiriman. Hal ini berdampak langsung pada kemampuan untuk mengukur kepuasan pelanggan terkait waktu pengiriman. * **Inkonsistensi Nilai Packing List (`Value PL`)**: Sebanyak 1.740 entri `Value PL` awalnya kosong dan telah diimputasi dengan 0. * **Implikasi**: Meskipun imputasi memungkinkan perhitungan agregat, ini menunjukkan potensi masalah dalam proses pencatatan nilai atau integrasi sistem, yang memerlukan investigasi untuk memastikan keakuratan pelaporan pendapatan. * **Identifikasi Outlet yang Tidak Lengkap (`Cmc`)**: Sekitar 5.468 entri memiliki nilai kosong pada kolom `Cmc`. * **Implikasi**: Meskipun ada `OutCode` dan `KodePI` sebagai kode alternatif, inkonsistensi pada `Cmc` dapat mempersulit pelacakan performa outlet tertentu jika sistem internal atau analisis bergantung pada `Cmc` sebagai identifikasi utama. **Rekomendasi**: 1. **Perketat Protokol Pencatatan Data Logistik**: Segera implementasikan prosedur yang lebih ketat atau solusi otomatisasi untuk memastikan semua tanggal kritis pengiriman (`Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`) tercatat secara lengkap dan akurat. Ini merupakan prioritas utama untuk meningkatkan visibilitas dan kontrol atas proses pengiriman. 2. **Investigasi Akar Masalah `Value PL` Kosong**: Lakukan penyelidikan mendalam untuk memahami penyebab `Value PL` yang kosong dan terapkan perbaikan proses atau sistem yang diperlukan. 3. **Audit Konsistensi ID Outlet**: Lakukan audit data secara berkala untuk memastikan setiap outlet memiliki setidaknya satu ID unik yang konsisten di semua kolom identifikasi (`KodePI`, `OutCode`, `Cmc`) untuk analisis pelanggan yang terpadu. ### Kesenjangan Analisis Krusial: Kinerja Divisi dan Status Pemenuhan Pesanan (Status RO) Dua area analisis vital yang tidak dapat diselesaikan dalam laporan ini karena masalah teknis dan data model adalah analisis kinerja per Divisi penjualan dan distribusi `Status RO`. * **Analisis Kinerja Divisi Tidak Tersedia**: Upaya untuk menganalisis penjualan berdasarkan `Divisi` tidak berhasil karena kolom `Divisi` tidak tersedia secara langsung pada tabel _line item_ yang digunakan untuk agregasi. * **Implikasi**: Ketidakhadiran analisis ini mengakibatkan perusahaan kehilangan wawasan krusial mengenai performa relatif masing-masing divisi penjualan, efektivitas strategi per segmen pelanggan yang berbeda, dan dasar untuk alokasi sumber daya penjualan yang optimal. * **Distribusi Status RO Tidak Tersedia**: Analisis terperinci mengenai `Status RO` (misalnya, persentase pesanan yang "TERLAYANI PENUH", "DALAM PROSES", atau "CANCEL") juga tidak berhasil dieksekusi. * **Implikasi**: Tanpa pemahaman yang jelas tentang status akhir pesanan, sulit untuk menilai efisiensi operasional secara keseluruhan, mengidentifikasi *bottleneck* dalam proses pemenuhan pesanan, mengukur tingkat keberhasilan penyelesaian pesanan, atau mengidentifikasi akar penyebab pembatalan. **Rekomendasi**: 1. **Prioritaskan Perbaikan Data Model**: Segera perbaiki data model untuk memungkinkan penggabungan (JOIN) data `Divisi` dari tabel `normalized_order_header` atau `normalized_outlet` ke tabel `normalized_order_delivery_line_item`. Hal yang sama berlaku untuk memastikan `Status RO` dapat dianalisis secara akurat. 2. **Laksanakan Ulang Analisis yang Gagal**: Setelah perbaikan data model, jalankan kembali analisis kinerja per `Divisi` dan distribusi `Status RO`. Wawasan dari analisis ini akan memberikan gambaran holistik tentang efektivitas tim penjualan dan efisiensi operasional, yang merupakan langkah kunci berikutnya untuk pengambilan keputusan yang berbasis data. 3. **Identifikasi Akar Masalah Error**: Selidiki secara mendalam mengapa kueri sebelumnya gagal untuk kedua analisis ini untuk mencegah masalah serupa di masa mendatang. Secara keseluruhan, meskipun laporan ini telah mengungkap wawasan berharga terkait kontribusi produk dan pola pembelian pelanggan, penyelesaian masalah kualitas data yang persisten dan penutupan kesenjangan analisis pada kinerja divisi serta status RO adalah langkah esensial berikutnya untuk mencapai pemahaman yang komprehensif dan actionable dari data operasional ini. ## 8. Rekomendasi Berdasarkan analisis data eksplorasi yang telah dilakukan, berikut adalah rekomendasi strategis dan operasional yang dapat diambil untuk meningkatkan kinerja penjualan, mengoptimalkan proses pemenuhan pesanan, dan mengatasi tantangan kualitas data yang teridentifikasi: #### 8.1 Prioritas Strategis Bisnis 1. **Investigasi Mendalam Anomali Penjualan Bulan Juli 2026**: Penurunan drastis pada `Value PL` dan `Qty DO` di bulan Juli 2026 dibandingkan dengan Juni 2026 merupakan anomali signifikan yang memerlukan perhatian segera. * **Langkah**: Prioritaskan validasi menyeluruh terhadap kelengkapan dan akurasi data penjualan untuk bulan Juli. Jika ketidaklengkapan data terkonfirmasi, segera lakukan upaya untuk melengkapi atau mengklarifikasi data tersebut. Jika data sudah lengkap dan akurat, lakukan investigasi mendalam terhadap faktor-faktor bisnis (misalnya, perubahan kebijakan, masalah pasokan, pergeseran pasar, atau anomali musiman) yang mungkin menyebabkan penurunan ekstrem tersebut. * **Tujuan**: Memastikan integritas data untuk analisis tren jangka panjang dan membuat proyeksi yang akurat, serta mengidentifikasi potensi masalah bisnis yang memerlukan intervensi. 2. **Memaksimalkan Potensi Produk Pharos Grup**: Produk-produk yang diproduksi oleh Pharos Grup (`Pharos YN` = 'Y') terbukti menjadi pendorong utama total nilai penjualan dan kuantitas pengiriman. * **Langkah**: Terus optimalkan strategi penjualan dan pemasaran untuk produk Pharos. Ini mencakup menjaga ketersediaan stok yang konsisten, meluncurkan kampanye pemasaran yang kuat, dan memastikan dukungan penjualan yang berkelanjutan. Eksplorasi peluang untuk memperluas jangkauan pasar atau pangsa pasar produk Pharos di segmen yang belum tergarap. * **Tujuan**: Memperkuat posisi produk inti perusahaan dan memaksimalkan kontribusi pendapatan dari produk internal yang strategis. 3. **Implementasi Strategi Berbasis Market Basket Analysis**: Wawasan dari analisis keranjang belanja (Market Basket Analysis) memberikan peluang emas untuk meningkatkan penjualan dan pengalaman pelanggan. * **Langkah Bundling dan Promosi Paket**: Rancang dan promosikan paket produk berdasarkan korelasi kuat yang ditemukan. Misalnya, tawarkan "Paket Lengkap Cap Lang" yang mencakup MKP CAP LANG 30ML dan 60ML, atau "Solusi Pereda Gejala" yang menggabungkan PRAXION dan POLYSILANE dalam berbagai bentuk. Tawarkan insentif harga yang menarik untuk pembelian paket ini. * **Peningkatan Penjualan Silang (Cross-selling)**: Integrasikan rekomendasi produk yang berkorelasi ke dalam semua saluran penjualan. Pada platform daring (termasuk Apotek Online yang berpartisipasi), tampilkan fitur "Pelanggan lain juga membeli" atau "Produk pelengkap". Untuk penjualan luring, latih tim penjualan untuk secara proaktif merekomendasikan produk terkait. * **Optimasi Penempatan Produk**: Atur penempatan produk di rak toko fisik atau tata letak di situs web/aplikasi agar produk yang berkorelasi ditempatkan berdekatan. Ini mendorong pembelian impulsif dan mempermudah pelanggan menemukan produk pelengkap. * **Manajemen Inventaris yang Cerdas**: Pantau dan kelola stok produk yang berkorelasi secara sinergis. Apabila permintaan untuk satu produk meningkat, pastikan stok produk pasangannya juga memadai untuk memenuhi potensi peningkatan permintaan gabungan, sehingga menghindari kehilangan penjualan. * **Tujuan**: Meningkatkan nilai transaksi rata-rata, memperkaya pengalaman belanja pelanggan, dan mengoptimalkan penawaran produk. #### 8.2 Peningkatan Kualitas Data dan Efisiensi Operasional 1. **Perbaikan Komprehensif Pencatatan Data Logistik**: Tingginya nilai kosong pada `Tgl Diterima` (lebih dari 10,000 entri), `Tgl Logbook`, dan `Tgl Ekspedisi` secara serius membatasi kemampuan untuk mengukur dan meningkatkan efisiensi rantai pasok. * **Langkah**: * **Implementasi Protokol Ketat**: Terapkan protokol pencatatan yang wajib dan pastikan semua tanggal penting dalam siklus pengiriman tercatat. Ini memerlukan pelatihan ulang staf dan penambahan langkah validasi dalam sistem. * **Automatisasi Pencatatan**: Jelajahi solusi otomatisasi untuk menangkap tanggal-tanggal ini, seperti integrasi dengan sistem ekspedisi, penggunaan pemindai di gudang, atau aplikasi pelaporan penerimaan barang oleh pelanggan. * **Tujuan**: Menghitung *lead time* pengiriman yang akurat dari pesanan hingga diterima, mengevaluasi kinerja vendor ekspedisi secara objektif, dan mengidentifikasi *bottleneck* dalam rantai pasok pengiriman untuk pengambilan keputusan operasional yang lebih baik. 2. **Investigasi dan Perbaikan Pencatatan `Value PL`**: Sebanyak 1,740 entri `Value PL` yang kosong (diimputasi menjadi 0) mengindikasikan potensi masalah dalam proses penagihan atau integrasi data. * **Langkah**: Lakukan audit proses menyeluruh untuk memahami mengapa `Value PL` tidak tercatat. Tentukan apakah ini disebabkan oleh bug sistem, kelalaian input, atau skenario bisnis tertentu yang belum tertangani dengan baik oleh sistem pencatatan. * **Tujuan**: Memastikan keakuratan data keuangan dan pelaporan pendapatan, serta meningkatkan integritas data untuk analisis profitabilitas. 3. **Audit dan Pembersihan Konsistensi Identifikasi Outlet**: Sekitar 5,468 entri dengan `Cmc` yang kosong menunjukkan inkonsistensi dalam data identifikasi outlet. * **Langkah**: Lakukan audit data secara berkala untuk memastikan setiap outlet memiliki setidaknya satu ID unik yang konsisten dan terisi penuh di semua kolom identifikasi utama yang relevan (`KodePI`, `OutCode`, `Cmc`). Jika perlu, kembangkan kebijakan *master data management* untuk konsistensi ID outlet. * **Tujuan**: Memungkinkan analisis kinerja pelanggan yang akurat, segmentasi pelanggan yang efektif, dan pelacakan historis yang andal. #### 8.3 Lanjutan Analisis Data 1. **Prioritaskan Analisis Kinerja Divisi Penjualan**: Analisis kinerja penjualan berdasarkan `Divisi` sangat penting tetapi belum dapat diselesaikan karena kendala data model. * **Langkah**: Segera perbaiki data model untuk memungkinkan penggabungan (JOIN) kolom `Divisi` (yang seharusnya berada di `normalized_order_header` atau `normalized_outlet`) dengan tabel `normalized_order_delivery_line_item`. Setelah perbaikan, jalankan kembali analisis untuk mengidentifikasi divisi berkinerja tinggi dan rendah, memahami pola penjualan unik per divisi, dan menginformasikan strategi alokasi sumber daya penjualan yang lebih efektif. * **Tujuan**: Mendapatkan gambaran holistik tentang kontribusi setiap divisi, mengevaluasi efektivitas strategi per segmen pelanggan yang berbeda, dan mengoptimalkan alokasi sumber daya. 2. **Prioritaskan Analisis Distribusi `Status RO`**: Pemahaman tentang distribusi status pesanan (`TERLAYANI PENUH`, `DALAM PROSES`, `CANCEL`) sangat krusial untuk menilai efisiensi operasional. * **Langkah**: Perbaiki kueri yang sebelumnya gagal untuk menganalisis `Status RO` dan `Total Value PL` yang terkait. Gunakan hasil analisis untuk mengukur tingkat keberhasilan pemenuhan pesanan, mengidentifikasi faktor-faktor yang menyebabkan pesanan dibatalkan atau tidak terlayani penuh, dan mengembangkan inisiatif untuk meningkatkan tingkat penyelesaian pesanan dan kepuasan pelanggan. * **Tujuan**: Menilai efisiensi operasional secara keseluruhan, mengidentifikasi *bottleneck* dalam proses pemenuhan pesanan, dan meningkatkan kepuasan pelanggan. 3. **Eksplorasi Data Lanjutan**: Setelah kesenjangan analisis dan kualitas data di atas teratasi, eksplorasi lebih lanjut dapat mencakup: * **Analisis Segmentasi Pelanggan**: Mengidentifikasi segmen pelanggan berdasarkan perilaku pembelian, divisi yang melayani, atau partisipasi dalam program Apotek Online (`AO YN`) untuk kampanye pemasaran yang lebih personal. * **Analisis Performa Produk Mendalam**: Menyelidiki performa produk terlaris (`Procod`, `Prodes`) secara individual, termasuk profitabilitas dan siklus hidup produk, serta menganalisis performa produk Pharos vs. non-Pharos secara lebih rinci. * **Analisis *Lead Time* Pengiriman**: Dengan data `Tgl Diterima` yang lebih lengkap, analisis *lead time* dari waktu order hingga diterima dapat memberikan wawasan kritis untuk mengoptimalkan logistik dan menjanjikan waktu pengiriman yang lebih akurat kepada pelanggan. Dengan implementasi rekomendasi-rekomendasi ini, perusahaan dapat tidak hanya mengatasi tantangan data yang ada tetapi juga memanfaatkan wawasan dari analisis untuk mendorong peningkatan penjualan yang signifikan dan efisiensi operasional yang lebih baik. ## 9. Kesimpulan Analisis Data Eksplorasi (EDA) terhadap data pemenuhan pesanan pelanggan telah berhasil mengungkap sejumlah wawasan penting yang dapat menjadi landasan strategi peningkatan kinerja penjualan dan efisiensi operasional. Meskipun beberapa tantangan dalam kualitas data dan keterbatasan analisis teridentifikasi, temuan yang ada memberikan gambaran awal yang komprehensif tentang lanskap bisnis saat ini. ### Temuan Kunci dari Analisis 1. **Kinerja Penjualan dan Anomali Waktu:** Total nilai barang yang dikirim (`Value PL`) mencapai Rp 55,050,415,869 dan total kuantitas yang dikirim (`Qty DO`) adalah 1,435,779 unit selama periode Juni hingga Juli 2026. Namun, analisis menunjukkan anomali signifikan pada bulan Juli 2026, di mana terjadi penurunan drastis dalam `Value PL` (dari Rp 54.87 Miliar menjadi Rp 177.43 Juta) dan `Qty DO` (dari 1,432,543 unit menjadi 3,236 unit). Penurunan ekstrem ini sangat mungkin disebabkan oleh ketidaklengkapan data untuk bulan Juli, bukan indikasi tren bisnis yang sebenarnya. 2. **Dominasi Produk Pharos Grup:** Produk-produk yang diproduksi oleh Pharos Grup (`Pharos YN` = 'Y') secara jelas menjadi pendorong utama pendapatan dan volume pengiriman. Mereka menyumbang Rp 32,697,287,194 dalam `Value PL` dan 1,026,687 unit `Qty DO`, jauh melampaui kontribusi produk non-Pharos. Ini menggarisbawahi peran strategis produk internal dalam portofolio perusahaan. 3. **Pola Pembelian Pelanggan yang Berharga:** Market Basket Analysis (MBA) telah mengidentifikasi korelasi produk yang kuat, memberikan wawasan untuk strategi penjualan silang dan *bundling*: * **Produk Sejenis, Ukuran Berbeda:** Pelanggan cenderung membeli produk yang sama dalam berbagai ukuran (misalnya, MKP CAP LANG 30ML dan 60ML, COUNTERPAIN 15GR dan 30 GR) secara bersamaan. * **Produk Pelengkap untuk Kondisi Umum:** Ditemukan korelasi kuat antara produk yang mengatasi gejala umum atau kondisi kesehatan terkait (misalnya, kombinasi PRAXION, POLYSILANE, dan PRORIS). Ini menunjukkan kecenderungan pelanggan untuk mencari solusi komprehensif atau melakukan pembelian persediaan obat-obatan esensial. ### Anomali dan Tantangan Kualitas Data Beberapa area kritis dalam kualitas data dan ketersediaan analisis yang teridentifikasi memerlukan perhatian segera: * **Celah dalam Pelacakan Pengiriman:** Lebih dari 10,000 entri kolom `Tgl Diterima` kosong, serta sejumlah besar `Tgl Logbook` dan `Tgl Ekspedisi` yang juga kosong. Ini secara serius membatasi kemampuan untuk mengukur waktu siklus pengiriman *end-to-end* yang akurat dan mengevaluasi kinerja logistik. * **Inkonsistensi Pencatatan Keuangan:** 1,740 entri `Value PL` yang awalnya kosong (diimputasi dengan 0) menunjukkan potensi masalah dalam proses pencatatan nilai atau integrasi sistem. * **Kesenjangan Analisis Krusial:** Analisis kinerja penjualan berdasarkan `Divisi` dan distribusi `Status RO` tidak dapat diselesaikan karena masalah data model dan eksekusi kueri. Kedua analisis ini sangat penting untuk memahami kontribusi divisi, efisiensi operasional, dan tingkat keberhasilan pemenuhan pesanan. ### Rekomendasi Strategis dan Operasional Berdasarkan temuan di atas, berikut adalah rekomendasi yang dapat ditindaklanjuti: 1. **Validasi dan Klarifikasi Data Juli 2026:** Prioritaskan investigasi terhadap anomali penjualan bulan Juli 2026 untuk mengonfirmasi apakah ini disebabkan oleh ketidaklengkapan data. Jika demikian, lakukan langkah-langkah untuk melengkapi atau menyesuaikan asumsi analisis tren penjualan. 2. **Optimalisasi Strategi Penjualan Produk Pharos:** Manfaatkan dominasi produk Pharos Grup dengan terus mengoptimalkan strategi penjualan dan pemasarannya. Pastikan ketersediaan stok yang memadai dan terus berinvestasi dalam promosi untuk mempertahankan posisi strategisnya. 3. **Implementasi Strategi Bundling dan Penjualan Silang (Cross-selling):** Gunakan wawasan dari Market Basket Analysis untuk merancang paket produk yang menarik dan mendorong penjualan silang. Latih tim penjualan untuk merekomendasikan produk terkait secara proaktif, baik di platform daring maupun luring, serta optimalkan penempatan produk di toko/situs web. 4. **Peningkatan Integritas Data Logistik:** Prioritaskan perbaikan dalam pencatatan tanggal-tanggal kritis pengiriman (`Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`). Implementasikan protokol pencatatan yang lebih ketat atau solusi otomatisasi untuk memastikan kelengkapan data, yang krusial untuk pengukuran efisiensi operasional. 5. **Perbaikan Data Model dan Agenda Analisis Selanjutnya:** Segera perbaiki masalah data model yang menghalangi analisis kinerja berdasarkan `Divisi` dan distribusi `Status RO`. Setelah perbaikan, jalankan kembali analisis ini untuk mendapatkan gambaran holistik tentang kontribusi divisi penjualan dan efisiensi operasional. Langkah selanjutnya dapat mencakup analisis segmentasi pelanggan yang lebih mendalam, kinerja produk individual, dan analisis *lead time* pengiriman yang akurat. Kesimpulan ini menekankan pentingnya penggunaan data untuk mendorong keputusan bisnis. Dengan mengatasi tantangan kualitas data yang ada dan memanfaatkan wawasan dari analisis yang berhasil, perusahaan dapat secara signifikan meningkatkan kinerja penjualan, efisiensi operasional, dan kepuasan pelanggan.