# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Laporan Analisis Data Eksplorasi ini bertujuan untuk menggali wawasan tersembunyi dari data pemenuhan pesanan pelanggan guna meningkatkan kinerja penjualan dan memahami korelasi dengan produk. Melalui serangkaian proses pembersihan, normalisasi, dan analisis mendalam, kami telah mengidentifikasi pola-pola kunci dan peluang strategis. Data yang dianalisis mencakup periode transaksi yang intensif dari bulan Juni hingga Juli 2026, mencakup 5.062 outlet unik, 1.439 produk berbeda, dan total 131.315 item pesanan. ### Gambaran Umum Performa & Efisiensi Operasional Secara keseluruhan, operasi pemenuhan pesanan menunjukkan tingkat efisiensi yang tinggi, dengan 98.67% item pesanan berhasil dilayani sepenuhnya. Tingkat pembatalan sangat rendah, yaitu sekitar 0.75% untuk kuantitas pesanan (Qty RO) dan 0.95% untuk nilai pesanan (Value RO) secara keseluruhan. **Rata-rata Tingkat Pembatalan Keseluruhan** | Metrik | Tingkat (%) | |:----------------------------|------------:| | Tingkat Pembatalan Kuantitas | 0.75 | | Tingkat Pembatalan Nilai | 0.95 | ### Analisis Penjualan Berdasarkan Atribut Kunci **1. Partisipasi Apotek Online (AO YN)** Outlet yang berpartisipasi dalam program Apotek Online (Y) menunjukkan volume penjualan (Qty RO) yang lebih rendah tetapi tingkat pembatalan yang sedikit lebih tinggi dibandingkan dengan outlet non-partisipan (N). **Performa Penjualan Berdasarkan 'AO YN'** | AO YN | Total Qty RO | Total Value RO | Tingkat Pembatalan Qty (%) | Tingkat Pembatalan Nilai (%) | |:------|-------------:|------------------:|---------------------------:|-----------------------------:| | N | 1,083,615 | 37,903,077,146 | 0.69 | 0.91 | | Y | 366,590 | 17,706,828,155 | 0.92 | 1.03 | **2. Produk Grup Pharos (Pharos YN)** Produk yang diproduksi oleh Pharos Group (Y) mendominasi dalam hal kuantitas pesanan, sementara produk non-Pharos (N) memiliki nilai pesanan yang lebih tinggi namun dengan tingkat pembatalan kuantitas yang lebih rendah. **Performa Penjualan Berdasarkan 'Pharos YN'** | Pharos YN | Total Qty RO | Total Value RO | Tingkat Pembatalan Qty (%) | Tingkat Pembatalan Nilai (%) | |:----------|-------------:|------------------:|---------------------------:|-----------------------------:| | N | 412,336 | 22,524,229,073 | 0.59 | 0.73 | | Y | 1,037,869 | 33,085,676,228 | 0.82 | 1.10 | **3. Performa Divisi Teratas** Divisi PHARMANET dan VIBRANT PBF adalah kontributor utama terhadap total kuantitas dan nilai pesanan. Namun, Divisi VIBRANT 3 menunjukkan tingkat pembatalan yang sangat tinggi (18.23% Qty, 13.95% Value), yang memerlukan investigasi lebih lanjut. **Performa Penjualan Berdasarkan 4 Divisi Teratas** | Divisi | Total Qty RO | Total Value RO | Tingkat Pembatalan Qty (%) | Tingkat Pembatalan Nilai (%) | |:------------|-------------:|-----------------:|---------------------------:|-----------------------------:| | PHARMANET | 845,617 | 36,921,214,629 | 0.85 | 1.00 | | VIBRANT PBF | 498,593 | 14,399,713,539 | 0.49 | 0.56 | | HOSPINET | 103,417 | 4,180,468,736 | 0.80 | 1.61 | | VIBRANT 3 | 2,502 | 89,696,261 | 18.23 | 13.95 | Terdapat korelasi positif yang kuat (0.89) antara kuantitas pesanan (Qty RO) dan nilai pesanan (Value RO) pada tingkat item baris, menunjukkan bahwa peningkatan kuantitas secara langsung berkorelasi dengan peningkatan nilai. ### Segmentasi Pelanggan (K-Means Clustering) Kami telah mengidentifikasi tiga segmen outlet pelanggan yang berbeda berdasarkan perilaku pembelian dan pembatalan: **Ringkasan Klaster Pelanggan (Nilai Rata-rata per Klaster)** | Klaster | Jumlah Outlet | Total Qty RO (Rata-rata) | Total Value RO (Rata-rata) | Tingkat Pembatalan Qty (%) | Tingkat Pembatalan Nilai (%) | Partisipasi AO YN (Encoded, Rata-rata) | |--------:|--------------:|-------------------------:|---------------------------:|---------------------------:|-----------------------------:|---------------------------------------:| | 0 | 4,302 | 138 | 5,263,223 | 0.72 | 0.85 | 0.21 | | 1 | 726 | 1,177 | 45,240,376 | 0.81 | 0.94 | 0.51 | | 2 | 34 | 115 | 3,617,899 | 68.86 | 67.03 | 0.09 | * **Klaster 0 (4,302 outlet)**: Segmen terbesar, outlet dengan nilai pesanan dan kuantitas rata-rata yang lebih rendah, frekuensi pesanan kurang, variasi produk lebih sempit, tingkat pembatalan rendah, dan partisipasi Apotek Online rendah. Mereka terutama membeli dari Divisi PHARMANET dan VIBRANT PBF, dengan produk terlaris seperti Polysilane dan Microlax. * **Klaster 1 (726 outlet)**: Segmen pelanggan bernilai tinggi, dengan rata-rata nilai pesanan dan kuantitas lebih tinggi, frekuensi pesanan lebih banyak, variasi produk lebih luas, tingkat pembatalan rendah, dan partisipasi Apotek Online tinggi. Mereka juga didominasi oleh PHARMANET dan VIBRANT PBF, dengan produk terlaris serupa Klaster 0 namun dengan volume yang lebih besar. * **Klaster 2 (34 outlet)**: Segmen kecil dengan karakteristik pesanan serupa Klaster 0 (nilai dan kuantitas rendah, variasi sempit), namun dengan **tingkat pembatalan yang sangat tinggi** (Qty 68.86%, Value 67.03%). Divisi PHARMANET dan VIBRANT PBF masih dominan, namun tingkat pembatalan ini sangat mengkhawatirkan. ### Anomali dan Area Perhatian Khusus 1. **Tingkat Pembatalan Klaster 2**: Tingkat pembatalan yang sangat tinggi di Klaster 2 menunjukkan masalah mendalam yang perlu diinvestigasi. Ini bisa jadi masalah operasional, logistik, atau ketidakpuasan pelanggan yang ekstrem. 2. **Performa Divisi VIBRANT 3**: Meskipun kontribusinya kecil, tingkat pembatalan yang sangat tinggi untuk Divisi VIBRANT 3 (18.23% Qty, 13.95% Value) memerlukan evaluasi kinerja divisi tersebut. 3. **Anomali Tanggal Diterima**: Rentang tanggal pada kolom 'Tgl Diterima' mencakup tanggal '1970-01-02 07:00:00'. Ini kemungkinan besar merupakan nilai `datetime` default yang digunakan untuk mengisi data yang hilang (NaT), bukan tanggal penerimaan aktual. Hal ini harus diperhatikan jika menggunakan kolom ini untuk analisis waktu pengiriman. 4. **`Lastupdate`**: Semua entri `Lastupdate` memiliki nilai yang sama ('2026-07-06 06:42:20.057000'), yang mengindikasikan bahwa kolom ini mungkin tidak merefleksikan pembaruan per transaksi melainkan pembaruan data secara massal. ### Rekomendasi 1. **Strategi Pemasaran & Penjualan Bertarget**: * **Klaster 1 (Pelanggan Bernilai Tinggi)**: Pertahankan dan kembangkan hubungan dengan menawarkan program loyalitas, akses awal ke produk baru, atau penawaran eksklusif. Mendorong partisipasi Apotek Online lebih lanjut di segmen ini. * **Klaster 0 (Pelanggan Umum)**: Manfaatkan peluang *cross-selling* dan *up-selling* dengan memperkenalkan produk-produk populer dari Klaster 1 atau divisi lain yang relevan. * **Klaster 2 (Pembatalan Tinggi)**: Lakukan analisis akar masalah untuk memahami penyebab tingginya pembatalan. Ini mungkin melibatkan tim penjualan, layanan pelanggan, atau tim operasional untuk mengidentifikasi masalah pada produk, logistik, atau proses pesanan. 2. **Investigasi Operasional**: * Fokus pada **Klaster 2** dan **Divisi VIBRANT 3** untuk mengidentifikasi bottleneck atau masalah kualitas layanan yang menyebabkan tingginya pembatalan. Apakah ada masalah stok, keterlambatan pengiriman, atau masalah kualitas produk spesifik? * Evaluasi efektivitas program Apotek Online. Meskipun outlet partisipan memiliki nilai RO yang tinggi, tingkat pembatalan mereka sedikit lebih tinggi. Perlu dipahami apakah ada faktor-faktor tertentu dalam program yang berkontribusi pada hal ini. 3. **Optimalisasi Produk**: * Produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` adalah produk terlaris di sebagian besar klaster. Pastikan ketersediaan stok yang memadai dan strategi promosi yang berkelanjutan untuk produk-produk inti ini. * Pertimbangkan untuk memperkenalkan produk baru atau memperluas lini produk di klaster dengan variasi pembelian yang sempit (Klaster 0 dan 2) untuk meningkatkan potensi penjualan. 4. **Perbaikan Data**: * Perbaiki penanganan nilai `NaT` di kolom 'Tgl Diterima' untuk memastikan akurasi data pengiriman. Jika '1970-01-02' adalah placeholder, ini harus ditangani dengan benar (misalnya, sebagai `NULL` atau nilai yang lebih informatif) untuk analisis temporal yang akurat. * Klarifikasi tujuan dan makna kolom `Lastupdate` karena saat ini tidak memberikan informasi granular yang bermanfaat. Dengan mengimplementasikan rekomendasi ini, perusahaan dapat mengoptimalkan strategi penjualan, meningkatkan kepuasan pelanggan, dan mengurangi kerugian akibat pembatalan. ## 2. Kualitas Data & Pra-pemrosesan Dalam bab ini, kami akan menguraikan langkah-langkah kritis yang diambil untuk memastikan kualitas dan keandalan data yang digunakan dalam analisis. Proses ini meliputi pembersihan data dari anomali, penanganan nilai yang hilang, konversi tipe data, serta normalisasi data untuk menciptakan struktur yang logis dan konsisten. Kualitas data yang tinggi adalah fondasi utama untuk mendapatkan wawasan yang akurat dan dapat ditindaklanjuti. ### 2.1 Pembersihan Data Pembersihan data adalah langkah awal yang fundamental untuk mengidentifikasi dan mengoreksi kesalahan atau ketidakkonsistenan dalam data. Tahap ini krusial untuk mencegah bias dan memastikan hasil analisis yang valid. Berikut adalah ringkasan proses pembersihan yang dilakukan pada data pemenuhan pesanan `omg_10003_b1_sheet1`: * **Penghapusan Duplikasi**: Dataset awalnya diperiksa untuk baris duplikat persis. Meskipun tidak ada duplikasi yang teridentifikasi dalam pemeriksaan akhir, langkah ini selalu menjadi praktik terbaik untuk memastikan setiap entri unik dan menghindari penghitungan ganda yang dapat mendistorsi agregasi. * **Konversi Tipe Data**: Kolom-kolom yang berisi informasi tanggal dan waktu (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, `Lastupdate`) dikonversi secara sistematis ke format `datetime` standar. Konversi ini memungkinkan operasi temporal yang akurat, seperti perhitungan durasi atau analisis tren. * **Penanganan Nilai yang Hilang (Missing Values)**: Nilai yang hilang diatasi berdasarkan tipe data kolom: * **Numerik**: Untuk kolom numerik seperti `Value PL` dan `Value RO` yang mengandung nilai kosong, nilai-nilai tersebut diisi menggunakan *median* dari kolom terkait. Pendekatan ini dipilih untuk meminimalkan dampak *outlier* yang mungkin ada pada distribusi data. Sebagai contoh, 1,740 nilai null di `Value PL` diisi dengan median 145,203. * **Tanggal**: Nilai `NaT` (Not a Time) pada kolom tanggal diisi menggunakan nilai *mode* (tanggal yang paling sering muncul) untuk sebagian besar kolom. Namun, untuk `Tgl Diterima`, yang memiliki 10,385 nilai `NaT`, nilai tersebut diisi dengan tanggal *default* '1970-01-02 07:00:00'. **Anomali ini sangat penting untuk diperhatikan** karena tanggal ini adalah *epoch date* dan bukan representasi tanggal penerimaan aktual. Hal ini menunjukkan bahwa data penerimaan untuk entri-entri ini mungkin tidak tersedia atau tidak dicatat dengan benar. * **Kategorikal**: Kolom kategorikal seperti `Cmc`, `Divisi`, `No. DO`, `No. PL`, `Keterangan`, `Kel. Class`, `Nomor Resi`, `Nama Ekspedisi`, `Nama Penerima`, `Pharos YN`, `AO YN`, `Sts SP Header`, `Sts SP Detail`, dan `Payment` diisi menggunakan nilai *mode* (nilai yang paling sering muncul) atau 'Not Available' jika *mode* tidak dapat ditentukan. Misalnya, 5,468 nilai null di kolom `Cmc` diisi dengan 'U3R'. * **Pembersihan Karakter Non-Numerik**: Kolom-kolom seperti `Value PL` dan `Value RO` yang mungkin awalnya diimpor sebagai tipe objek (string) dan mengandung karakter non-numerik (misalnya, simbol mata uang), dibersihkan dari karakter tersebut dan dikonversi menjadi tipe data numerik. Jika konversi ini menghasilkan nilai null baru, nilai tersebut kemudian diisi dengan median. Kolom kuantitas (`Qty RO`, `Qty SP`, `Qty DO`) juga dikonversi ke integer jika tidak ada nilai desimal yang signifikan. Ringkasan langkah-langkah pembersihan yang dilakukan tercantum di bawah ini: * Konversi kolom `Tgl. Order` dari *str* ke *datetime*. * Konversi kolom `Tgl. SP` dari *str* ke *datetime*. * Konversi kolom `Tgl DO` dari *str* ke *datetime*. * Konversi kolom `Tgl. PL` dari *str* ke *datetime*. * Konversi kolom `Tgl Logbook` dari *str* ke *datetime*. * Konversi kolom `Tgl Ekspedisi` dari *str* ke *datetime*. * Konversi kolom `Tgl Diterima` dari *str* ke *datetime*. * Konversi kolom `Lastupdate` dari *str* ke *datetime*. * Mengisi 5,468 null di kolom kategorikal `Cmc` dengan nilai *mode* ('U3R'). * Mengisi 7 null di kolom kategorikal `Divisi` dengan nilai *mode* ('PHARMANET'). * Mengisi 365 null di kolom kategorikal `No. DO` dengan nilai *mode* ('B16260601130'). * Mengisi 365 nilai NaT di kolom tanggal `Tgl DO` dengan tanggal *mode* 2026-06-30 16:14:16. * Mengisi 365 null di kolom kategorikal `No. PL` dengan nilai *mode* ('B16260601130'). * Mengisi 365 nilai NaT di kolom tanggal `Tgl. PL` dengan tanggal *mode* 2026-06-30 16:14:16. * Mengisi 1,740 null di kolom numerik `Value PL` dengan nilai median (145,203). * Mengisi 131,315 null di kolom kategorikal `Keterangan` dengan 'Not Available'. * Mengisi 585 nilai NaT di kolom tanggal `Tgl Logbook` dengan tanggal *mode* 2026-07-01 15:33:53. * Mengisi 460 nilai NaT di kolom tanggal `Tgl Ekspedisi` dengan tanggal *mode* 2026-06-17 00:00:00. * Mengisi 107 null di kolom kategorikal `Kel. Class` dengan nilai *mode* ('A'). * Mengisi 460 null di kolom kategorikal `Nomor Resi` dengan nilai *mode* ('260045834'). * Mengisi 585 null di kolom kategorikal `Nama Ekspedisi` dengan nilai *mode* ('Anteraja'). * Mengisi 10,385 nilai NaT di kolom tanggal `Tgl Diterima` dengan tanggal *mode* 1970-01-02 07:00:00. * Mengisi 131,315 null di kolom kategorikal `Nama Penerima` dengan 'Not Available'. **Anomali dan Rekomendasi Pembersihan Data:** * **Anomali `Tgl Diterima`**: Pengisian nilai `NaT` dengan '1970-01-02 07:00:00' secara *default* akan sangat menyesatkan dalam analisis. Disarankan untuk menggunakan `NULL` atau nilai yang secara eksplisit menunjukkan ketidaktersediaan data, bukan tanggal yang secara intrinsik salah, untuk menghindari interpretasi yang keliru pada metrik waktu pengiriman dan *lead time*. * **Kolom yang Diabaikan**: Kolom `Keterangan` dan `Nama Penerima` diisi dengan 'Not Available' karena memiliki jumlah nilai null yang sangat besar (131,315 dari 131,315 total baris). Mengingat arahan untuk mengabaikan kolom-kolom ini, penanganan ini sudah memadai untuk tujuan laporan ini. ### 2.2 Normalisasi Data Setelah pembersihan awal, data mentah dinormalisasi untuk menciptakan struktur yang lebih terorganisir dan efisien. Normalisasi bertujuan untuk mengurangi redundansi data, meningkatkan integritas data, dan memfasilitasi analisis yang lebih terstruktur dengan menciptakan lapisan semantik yang jelas. Proses ini melibatkan identifikasi ketergantungan fungsional antar kolom dan pemecahan data menjadi beberapa tabel yang lebih kecil, masing-masing mewakili entitas bisnis yang spesifik. **Laporan Ketergantungan Fungsional:** Analisis ketergantungan fungsional adalah inti dari proses normalisasi. Ini membantu menentukan apakah suatu kolom secara unik dapat diidentifikasi oleh kolom lain. Kolom yang tidak memiliki ketergantungan fungsional yang kuat dengan kunci utama yang diusulkan dipindahkan ke tabel *line item* (detail pesanan) atau diperlakukan sebagai atribut pada tingkat yang lebih rendah untuk menghindari anomali. Berikut adalah ringkasan hasil analisis ketergantungan fungsional dan implikasinya pada struktur tabel: * **Outlet**: * Kolom `OutCode`, `Nama Outlet`, dan `AO YN` secara unik bergantung pada `KodePI`. Oleh karena itu, kolom-kolom ini dikelompokkan bersama `KodePI` dalam tabel `normalized_outlets`. * Kolom `Cmc` **tidak** secara unik bergantung pada `KodePI` (satu `KodePI` dapat dikaitkan dengan lebih dari satu `Cmc` atau `Cmc` dapat bervariasi untuk `KodePI` yang sama). Oleh karena itu, `Cmc` dipindahkan ke tabel `normalized_order_line_items` untuk menjaga integritas. * **Produk**: * Kolom `Prodes` dan `Pharos YN` secara unik bergantung pada `Procod`. Kolom-kolom ini dikelompokkan bersama `Procod` dalam tabel `normalized_products`. * Kolom `Divisi` **tidak** secara unik bergantung pada `Procod` (satu `Procod` dapat dikaitkan dengan lebih dari satu `Divisi`). Oleh karena itu, `Divisi` dipindahkan ke tabel `normalized_order_line_items`. * **Header Pesanan Berulang (RO)**: * Kolom `KodePI`, `Tgl. Order`, `Payment`, dan `Lastupdate` secara unik bergantung pada `No. RO`. Kolom-kolom ini dikelompokkan bersama `No. RO` dalam tabel `normalized_repeat_orders`. * Kolom `Status RO` **tidak** secara unik bergantung pada `No. RO`. Oleh karena itu, `Status RO` dipindahkan ke tabel `normalized_order_line_items`. * **Header Surat Pesanan (SP)**: * Kolom `No. RO` dan `Tgl. SP` secara unik bergantung pada `No. SP`. Kolom-kolom ini dikelompokkan bersama `No. SP` dalam tabel `normalized_sales_orders`. * Kolom `Sts SP Header` **tidak** secara unik bergantung pada `No. SP`. Oleh karena itu, `Sts SP Header` dipindahkan ke tabel `normalized_order_line_items`. * **Header Pesanan Pengiriman (DO)**: * Kolom `No. SP` dan `Tgl DO` secara unik bergantung pada `No. DO`. Kolom-kolom ini dikelompokkan bersama `No. DO` dalam tabel `normalized_delivery_orders`. * Kolom `Status DO` **tidak** secara unik bergantung pada `No. DO`. Oleh karena itu, `Status DO` dipindahkan ke tabel `normalized_order_line_items`. * **Header Daftar Pengepakan (PL)**: * Kolom `No. DO` dan `Tgl. PL` secara unik bergantung pada `No. PL`. Kolom-kolom ini dikelompokkan bersama `No. PL` dalam tabel `normalized_packing_lists`. **Tabel-tabel Ternormalisasi:** Setelah proses normalisasi, dataset asli telah dipecah menjadi tujuh tabel yang lebih kecil dan fokus: 1. `normalized_outlets`: Berisi informasi unik tentang *outlet* (`KodePI` sebagai kunci utama, `OutCode`, `Nama Outlet`, `AO YN`). 2. `normalized_products`: Berisi informasi unik tentang produk (`Procod` sebagai kunci utama, `Prodes`, `Pharos YN`). 3. `normalized_repeat_orders`: Berisi informasi *header* pesanan berulang (`No. RO` sebagai kunci utama, `KodePI`, `Tgl. Order`, `Payment`, `Lastupdate`). `KodePI` adalah kunci asing yang merujuk ke `normalized_outlets`. 4. `normalized_sales_orders`: Berisi informasi *header* surat pesanan (`No. SP` sebagai kunci utama, `No. RO`, `Tgl. SP`). `No. RO` adalah kunci asing yang merujuk ke `normalized_repeat_orders`. 5. `normalized_delivery_orders`: Berisi informasi *header* pesanan pengiriman (`No. DO` sebagai kunci utama, `No. SP`, `Tgl DO`). `No. SP` adalah kunci asing yang merujuk ke `normalized_sales_orders`. 6. `normalized_packing_lists`: Berisi informasi *header* daftar pengepakan (`No. PL` sebagai kunci utama, `No. DO`, `Tgl. PL`). `No. DO` adalah kunci asing yang merujuk ke `normalized_delivery_orders`. 7. `normalized_order_line_items`: Ini adalah tabel fakta yang berisi detail *line-item* pesanan. Tabel ini mencakup kolom-kolom yang tidak memiliki ketergantungan fungsional unik pada *header* masing-masing (`Cmc`, `Divisi`, `Status RO`, `Sts SP Header`, `Status DO`, `Sts SP Detail`) serta metrik kuantitatif (`Qty RO`, `Qty SP`, `Qty DO`, `Value PL`, `Value RO`) dan informasi logistik (`Nama Ekspedisi`, `Tgl Logbook`, `Tgl Ekspedisi`, `Asal Gudang`, `Nomor Resi`, `Tgl Diterima`). Tabel ini terhubung ke tabel *header* melalui kunci asing (`No. RO`, `Procod`, `No. SP`, `No. DO`, `No. PL`). **Panduan Penggunaan Tabel Ternormalisasi:** Untuk semua analisis selanjutnya, sangat penting untuk mematuhi granularitas tabel yang telah dinormalisasi: * Gunakan `normalized_outlets` untuk metrik tingkat *outlet*. * Gunakan `normalized_products` untuk metrik tingkat produk. * Gunakan `normalized_repeat_orders` untuk metrik tingkat *header* pesanan berulang. * Gunakan `normalized_sales_orders` untuk metrik tingkat *header* surat pesanan. * Gunakan `normalized_delivery_orders` untuk metrik tingkat *header* pesanan pengiriman. * Gunakan `normalized_packing_lists` untuk metrik tingkat *header* daftar pengepakan. * `normalized_order_line_items` hanya boleh digunakan untuk detail *line-item* spesifik dan digabungkan dengan tabel *header* sesuai kebutuhan untuk metrik agregat. **Anomali dan Rekomendasi Normalisasi Data:** * **`Lastupdate` pada `normalized_repeat_orders`**: Kolom ini menunjukkan nilai yang sama untuk semua baris (`2026-07-06 06:42:20.057000`). Hal ini mengindikasikan bahwa kolom tersebut mungkin merepresentasikan waktu pembaruan data secara massal, bukan pembaruan per transaksi individual. Konsekuensinya, kolom ini tidak dapat digunakan untuk analisis *recency* atau perubahan historis pada pesanan. Disarankan untuk menyelidiki sumber data untuk memahami tujuan asli kolom ini dan apakah ada alternatif untuk melacak pembaruan yang lebih granular. ### 2.3 Statistik Deskriptif Data Ternormalisasi Setelah proses pembersihan dan normalisasi, analisis deskriptif dilakukan untuk mendapatkan pemahaman awal mengenai struktur, konten, dan distribusi nilai dalam data yang telah disiapkan. Analisis ini memberikan gambaran umum tentang karakteristik utama data dan menyoroti potensi area untuk investigasi lebih lanjut. #### 1. Jumlah Baris per Tabel Ternormalisasi Jumlah baris pada setiap tabel yang dinormalisasi memberikan gambaran tentang volume data pada setiap entitas, menunjukkan skala operasi yang tercermin dalam data. | Tabel | Jumlah Baris | |:----------------------------|-------------:| | `normalized_outlets` | 5,062 | | `normalized_products` | 1,439 | | `normalized_repeat_orders` | 20,645 | | `normalized_sales_orders` | 23,615 | | `normalized_delivery_orders` | 23,490 | | `normalized_packing_lists` | 23,490 | | `normalized_order_line_items` | 131,315 | **Wawasan Bisnis:** Tabel `normalized_order_line_items` memiliki jumlah baris terbanyak (131,315), yang sangat logis karena ini adalah tabel fakta yang mencatat setiap item produk dalam setiap pesanan. Ini menegaskan bahwa analisis granular pada tingkat produk dan kuantitas akan memiliki detail yang kaya. Jumlah *outlet* unik (5,062) dan produk unik (1,439) memberikan gambaran tentang keragaman basis pelanggan dan portofolio produk. #### 2. Distribusi Nilai untuk Kolom Kategorikal Kunci Distribusi nilai pada kolom kategorikal kunci mengungkapkan pola penting dalam data, seperti adopsi program, preferensi produk, dan status proses bisnis. **Distribusi `AO YN` (Flag Apotek Online) di Tabel *Outlets*** | AO YN | Jumlah | Persentase (%) | |:------|-------:|---------------:| | N | 3,776 | 74.6 | | Y | 1,286 | 25.4 | **Wawasan Bisnis:** Mayoritas *outlet* (74.6%) tidak berpartisipasi dalam program Apotek Online. Angka ini menunjukkan potensi besar untuk meningkatkan adopsi program Apotek Online di kalangan *outlet* non-partisipan melalui strategi pemasaran dan insentif yang ditargetkan. **Distribusi `Pharos YN` (Flag Produk Grup Pharos) di Tabel *Products*** | Pharos YN | Jumlah | Persentase (%) | |:----------|-------:|---------------:| | N | 1,222 | 84.9 | | Y | 217 | 15.1 | **Wawasan Bisnis:** Sebagian besar produk dalam dataset (84.9%) bukan merupakan produk yang diproduksi oleh Pharos Group. Hal ini menunjukkan bahwa perusahaan memiliki portofolio produk yang luas dari berbagai produsen. Penting untuk menganalisis kinerja penjualan dari kedua kategori produk ini untuk memahami kontribusi masing-masing terhadap pendapatan dan strategi produk di masa mendatang. **Distribusi Status Pesanan (dari `normalized_order_line_items`)** Status pesanan di berbagai tahapan (`Status RO`, `Sts SP Header`, `Sts SP Detail`, `Status DO`) menunjukkan tingkat keberhasilan pemenuhan pesanan. Status 'P' berarti sudah dilayani, dan 'C' berarti dibatalkan. | Status RO | Jumlah | Persentase (%) | |:----------------|--------:|---------------:| | TERLAYANI PENUH | 129,575 | 98.7 | | CANCEL | 1,740 | 1.3 | | Sts SP Header | Jumlah | Persentase (%) | |:----------------|--------:|---------------:| | P | 129,575 | 98.7 | | C | 1,740 | 1.3 | | Sts SP Detail | Jumlah | Persentase (%) | |:----------------|--------:|---------------:| | P | 129,575 | 98.7 | | C | 1,740 | 1.3 | | Status DO | Jumlah | Persentase (%) | |:------------|--------:|---------------:| | P | 129,575 | 98.7 | | C | 1,740 | 1.3 | **Wawasan Bisnis:** Konsistensi status pesanan yang tinggi (`TERLAYANI PENUH`/`P` sebesar 98.7% dan `CANCEL`/`C` sebesar 1.3%) di semua tahapan proses (RO, SP, DO) adalah indikator kuat dari efisiensi operasional yang sangat baik. Tingkat pembatalan yang rendah ini menunjukkan bahwa sistem pemenuhan pesanan berjalan dengan lancar. **Distribusi Tipe Pembayaran di Tabel *Repeat Orders*** | Payment | Jumlah | Persentase (%) | |:--------------------|--------:|---------------:| | BCA Virtual Account | 11,894 | 57.6 | | Term Of Payment | 6,706 | 32.5 | | BRIVA | 2,021 | 9.8 | | Kredivo | 24 | 0.1 | **Wawasan Bisnis:** BCA Virtual Account adalah metode pembayaran yang paling dominan, diikuti oleh Term Of Payment (TOP). Preferensi ini menunjukkan pentingnya menjaga kelancaran integrasi dan pengalaman pengguna untuk metode pembayaran ini, serta potensi untuk menganalisis hubungan antara metode pembayaran dan perilaku pembelian atau pembatalan. **Top 10 Divisi dalam *Order Line Items*** | Divisi | Jumlah | Persentase (%) | |:------------|--------:|---------------:| | PHARMANET | 110,866 | 84.4 | | HOSPINET | 17,827 | 13.6 | | VIBRANT PBF | 2,559 | 1.9 | | VIBRANT 3 | 56 | 0.0 | | nan | 7 | 0.0 | **Wawasan Bisnis:** Divisi PHARMANET mendominasi sebagian besar transaksi, menyumbang lebih dari 80% dari total *line item*. Ini menggarisbawahi posisi sentral Divisi PHARMANET dalam bisnis. Keberadaan 7 nilai 'nan' menunjukkan adanya data yang tidak lengkap atau tidak valid pada kolom Divisi, meskipun jumlahnya sangat kecil sehingga dampaknya minimal. **Top 10 Asal Gudang dalam *Order Line Items*** | Asal Gudang | 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 | 5.7 | **Wawasan Bisnis:** Distribusi asal gudang menunjukkan operasi logistik yang tersebar di berbagai kota besar di Indonesia. PHARMANET SURABAYA dan PHARMANET BEKASI menjadi gudang pengirim terbesar. Informasi ini dapat digunakan untuk mengoptimalkan rute pengiriman dan alokasi stok. **Top 10 Nama Ekspedisi dalam *Order Line Items*** | Nama Ekspedisi | 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 penyedia layanan ekspedisi teratas yang digunakan. Ketergantungan pada beberapa penyedia logistik utama ini menandakan pentingnya memelihara hubungan baik dan memantau kinerja mereka, karena mereka memiliki dampak signifikan pada kepuasan pelanggan dan biaya operasional. #### 3. Statistik Ringkasan untuk Kolom Numerikal (dari *Order Line Items*) Statistik ini memberikan gambaran tentang ukuran pesanan dan nilai finansial produk dalam *line item*. **Statistik Ringkasan untuk Kuantitas dan Nilai** | Metrik | Min | Maks | Rata-rata | Median | |:---------|----:|--------------:|----------:|--------:| | Qty RO | 0 | 7,200 | 11.0 | 3 | | Qty SP | 0 | 7,200 | 10.9 | 3 | | Qty DO | 0 | 7,200 | 10.9 | 3 | | Value PL | 0 | 166,270,000 | 425,090 | 145,203 | | Value RO | 0 | 166,270,000 | 423,485 | 144,590 | **Wawasan Bisnis:** * Kuantitas pesanan (`Qty RO`, `Qty SP`, `Qty DO`) memiliki nilai median 3, menunjukkan bahwa sebagian besar pesanan melibatkan jumlah produk yang relatif kecil. Namun, nilai maksimum yang sangat tinggi (7,200) mengindikasikan adanya pesanan yang sangat besar atau massal yang ekstrem. * Nilai pesanan (`Value PL`, `Value RO`) juga menunjukkan rentang yang sangat luas, dari 0 hingga lebih dari 166 juta. Median yang jauh lebih kecil dari rata-rata (145,203 vs 425,090 untuk `Value PL`) menunjukkan distribusi yang miring, dengan sebagian kecil pesanan bernilai sangat tinggi yang menarik rata-rata ke atas. Ini bisa menjadi fokus untuk analisis pelanggan bernilai tinggi. * Konsistensi antara `Qty RO`, `Qty SP`, dan `Qty DO`, serta antara `Value PL` dan `Value RO` (nilai rata-rata dan median yang sangat dekat) mengkonfirmasi efisiensi proses pemenuhan pesanan dengan minimalnya perbedaan antara pesanan, surat pesanan, dan pengiriman. #### 4. Rentang Tanggal Rentang tanggal data memberikan konteks temporal yang penting untuk analisis tren dan siklus bisnis. **Rentang Tanggal per Kolom** | Kolom Tanggal | Tabel | Tanggal Minimum | Tanggal Maksimum | |:----------------|:----------------------------|:---------------------------|:---------------------------| | `Tgl. Order` | `normalized_repeat_orders` | 2026-06-01 00:01:51 | 2026-06-30 23:59:28 | | `Tgl. SP` | `normalized_sales_orders` | 2026-06-01 00:30:12 | 2026-07-01 00:30:30 | | `Tgl DO` | `normalized_delivery_orders` | 2026-06-01 09:06:19 | 2026-07-03 08:54:54 | | `Tgl. PL` | `normalized_packing_lists` | 2026-06-01 09:06:19 | 2026-07-03 08:54:54 | | `Tgl Logbook` | `normalized_order_line_items` | 2026-06-01 10:13:23 | 2026-07-04 07:52:56 | | `Tgl Ekspedisi` | `normalized_order_line_items` | 2026-06-01 09:36:47 | 2026-07-03 19:50:52 | | `Tgl Diterima` | `normalized_order_line_items` | 1970-01-02 07:00:00 | 2026-08-18 00:00:00 | | `Lastupdate` | `normalized_repeat_orders` | 2026-07-06 06:42:20.057000 | 2026-07-06 06:42:20.057000 | **Anomali dan Rekomendasi Rentang Tanggal:** * **Rentang Data Utama**: Sebagian besar transaksi pesanan tercatat pada bulan Juni 2026, dengan proses *post-order* (SP, DO, PL, Logbook, Ekspedisi) meluas hingga awal Juli 2026. Ini menunjukkan bahwa dataset mencakup periode operasional yang terkonsentrasi, kemungkinan satu bulan penuh atau sedikit lebih. * **`Tgl Diterima`**: Anomali tanggal '1970-01-02' pada `Tgl Diterima` sangat mengkhawatirkan. Tanggal ini merupakan *placeholder* yang digunakan saat data asli hilang. Jika kolom ini digunakan dalam perhitungan metrik waktu pengiriman, hasil analisis akan sangat tidak akurat. **Rekomendasi**: Perlu dilakukan investigasi lebih lanjut pada sumber data untuk memahami mengapa data ini hilang dan bagaimana cara memperoleh tanggal penerimaan yang valid. Jika tidak memungkinkan, kolom ini harus dikecualikan dari analisis yang melibatkan durasi waktu atau ditangani dengan metode imputasi yang lebih canggih. * **`Lastupdate`**: Kolom `Lastupdate` memiliki nilai yang sama untuk semua baris. Hal ini berarti kolom ini tidak memberikan informasi tentang kapan setiap catatan terakhir diperbarui secara individual, melainkan menunjukkan waktu pembaruan massal pada dataset. **Rekomendasi**: Kolom ini harus diabaikan untuk analisis yang memerlukan granularitas waktu pembaruan per transaksi. Secara keseluruhan, proses pembersihan dan normalisasi data telah menciptakan dataset yang lebih andal dan terstruktur, yang siap untuk analisis lebih mendalam. Namun, anomali pada kolom tanggal tertentu memerlukan perhatian berkelanjutan untuk meningkatkan kualitas data di masa depan. ## 3. Tinjauan Umum Data Bab ini menyajikan gambaran umum komprehensif mengenai struktur dan karakteristik data pemenuhan pesanan pelanggan setelah proses pembersihan dan normalisasi. Tujuannya adalah untuk memahami sifat data, mengidentifikasi pola awal, dan menyoroti potensi area untuk analisis yang lebih mendalam, yang semuanya penting untuk meningkatkan kinerja penjualan dan korelasi produk. Data operasional pemenuhan pesanan ini terdiri dari 131,315 catatan item baris pesanan (`normalized_order_line_items`), yang merupakan detail transaksi paling granular. Catatan ini terhubung dengan informasi mengenai 5,062 *outlet* unik (`normalized_outlets`) dan 1,439 produk berbeda (`normalized_products`), serta berbagai tahapan proses pesanan seperti *Repeat Order* (RO), *Sales Order* (SP), *Delivery Order* (DO), dan *Packing List* (PL) yang masing-masing direpresentasikan dalam tabel *header* yang ternormalisasi. Struktur ini memungkinkan analisis multi-dimensi dari perilaku pembelian hingga efisiensi logistik. ### Analisis Kolom Kategorikal Distribusi nilai pada kolom kategorikal kunci mengungkapkan pola penting dalam data, seperti adopsi program, preferensi produk, dan status proses bisnis. **Partisipasi Apotek Online (AO YN)** Kolom `AO YN` menunjukkan status partisipasi *outlet* dalam program Apotek Online. Analisis distribusi menunjukkan bahwa sebagian besar *outlet* belum bergabung dengan program ini. | AO YN | Jumlah | Persentase (%) | |:------|-------:|---------------:| | N | 3,776 | 74.6 | | Y | 1,286 | 25.4 | **Wawasan Bisnis & Rekomendasi:** Dengan hanya sekitar seperempat *outlet* yang berpartisipasi, terdapat peluang signifikan untuk memperluas adopsi program Apotek Online. Strategi pemasaran dan insentif yang ditargetkan dapat dirancang untuk mendorong lebih banyak *outlet* bergabung, berpotensi meningkatkan volume penjualan secara keseluruhan. **Identifikasi Produk Grup Pharos (Pharos YN)** Kolom `Pharos YN` menandai apakah suatu produk diproduksi oleh Pharos Group. Distribusi menunjukkan dominasi produk non-Pharos dalam katalog. | Pharos YN | Jumlah | Persentase (%) | |:----------|-------:|---------------:| | N | 1,222 | 84.9 | | Y | 217 | 15.1 | **Wawasan Bisnis & Rekomendasi:** Meskipun produk non-Pharos mendominasi jumlah SKU, analisis selanjutnya akan krusial untuk memahami kontribusi penjualan dan profitabilitas relatif dari produk Pharos Group. Hal ini dapat menginformasikan keputusan tentang pengembangan produk, strategi pemasaran, dan alokasi sumber daya. **Status Proses Pemenuhan Pesanan** Status pesanan di berbagai tahap alur kerja—mulai dari `Status RO` (*Repeat Order*), `Sts SP Header` dan `Sts SP Detail` (*Surat Pesanan*), hingga `Status DO` (*Delivery Order*)—menunjukkan tingkat keberhasilan pemenuhan pesanan. Status 'P' atau 'TERLAYANI PENUH' menandakan pesanan berhasil diproses, sementara 'C' atau 'CANCEL' menandakan pembatalan. | Status RO | Jumlah | Persentase (%) | |:----------------|--------:|---------------:| | TERLAYANI PENUH | 129,575 | 98.7 | | CANCEL | 1,740 | 1.3 | | Sts SP Header | Jumlah | Persentase (%) | |:----------------|--------:|---------------:| | P | 129,575 | 98.7 | | C | 1,740 | 1.3 | | Sts SP Detail | Jumlah | Persentase (%) | |:----------------|--------:|---------------:| | P | 129,575 | 98.7 | | C | 1,740 | 1.3 | | Status DO | Jumlah | Persentase (%) | |:------------|--------:|---------------:| | P | 129,575 | 98.7 | | C | 1,740 | 1.3 | **Wawasan Bisnis & Rekomendasi:** Tingkat pemenuhan pesanan yang sangat tinggi (sekitar 98.7%) dan tingkat pembatalan yang sangat rendah (1.3%) di seluruh tahapan menunjukkan efisiensi operasional yang luar biasa dalam proses pemenuhan pesanan. Hal ini adalah indikator positif dari sistem logistik dan manajemen pesanan yang kuat. Investigasi lebih lanjut dapat difokuskan pada alasan di balik pembatalan yang sangat kecil ini untuk mengidentifikasi perbaikan proses yang mungkin. **Metode Pembayaran** Metode pembayaran yang digunakan oleh *outlet* untuk pesanan mereka memberikan gambaran tentang preferensi finansial pelanggan. | Payment | Jumlah | Persentase (%) | |:--------------------|--------:|---------------:| | BCA Virtual Account | 11,894 | 57.6 | | Term Of Payment | 6,706 | 32.5 | | BRIVA | 2,021 | 9.8 | | Kredivo | 24 | 0.1 | **Wawasan Bisnis & Rekomendasi:** BCA Virtual Account adalah metode pembayaran yang paling dominan, diikuti oleh *Term Of Payment* (TOP). Ini menunjukkan pentingnya mempertahankan dan mungkin mengoptimalkan pengalaman pengguna untuk metode pembayaran digital ini. Untuk metode pembayaran dengan pangsa pasar yang lebih kecil seperti Kredivo, analisis dapat dilakukan untuk melihat potensi pertumbuhannya atau apakah ada kendala yang menghambat adopsinya. **Distribusi Divisi Produk** Distribusi pesanan di seluruh `Divisi` menunjukkan konsentrasi transaksi pada beberapa divisi utama. | Divisi | Jumlah | Persentase (%) | |:------------|--------:|---------------:| | PHARMANET | 110,866 | 84.4 | | HOSPINET | 17,827 | 13.6 | | VIBRANT PBF | 2,559 | 1.9 | | VIBRANT 3 | 56 | 0.0 | | nan | 7 | 0.0 | **Wawasan Bisnis & Rekomendasi:** Divisi PHARMANET menyumbang sebagian besar volume transaksi, menggarisbawahi posisinya sebagai inti bisnis. Hal ini menunjukkan bahwa strategi penjualan dan pengembangan produk harus sangat selaras dengan kebutuhan dan peluang di divisi ini. Meskipun jumlahnya sangat kecil, keberadaan 7 nilai 'nan' menunjukkan adanya ketidaklengkapan data yang perlu diperiksa. **Jejaring Logistik: Asal Gudang dan Nama Ekspedisi** Analisis `Asal Gudang` dan `Nama Ekspedisi` mengungkapkan infrastruktur logistik yang mendukung pemenuhan pesanan. **Top 10 Asal Gudang dalam Item Baris Pesanan** | Asal Gudang | 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 | 5.7 | **Top 10 Nama Ekspedisi dalam Item Baris Pesanan** | Nama Ekspedisi | 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 & Rekomendasi:** Distribusi asal gudang menunjukkan adanya beberapa pusat distribusi regional yang signifikan, dengan PHARMANET SURABAYA dan PHARMANET BEKASI memimpin. Demikian pula, beberapa penyedia logistik besar seperti Anteraja, PT Century, dan Lion Parcel menangani volume pengiriman yang substansial. Ini menekankan pentingnya manajemen hubungan yang efektif dengan gudang dan ekspedisi kunci ini untuk memastikan kelancaran rantai pasok dan kepuasan pelanggan. Analisis kinerja masing-masing gudang dan ekspedisi dapat membantu mengidentifikasi peluang untuk optimalisasi. ### Analisis Kolom Numerikal (Kuantitas dan Nilai Pesanan) Kolom numerikal seperti kuantitas pesanan (`Qty RO`, `Qty SP`, `Qty DO`) dan nilai pesanan (`Value PL`, `Value RO`) memberikan gambaran tentang ukuran dan nilai finansial dari setiap item baris pesanan. **Statistik Ringkasan untuk Kuantitas dan Nilai** | Metrik | Min | Maks | Rata-rata | Median | |:---------|----:|--------------:|----------:|--------:| | Qty RO | 0 | 7,200 | 11.0 | 3 | | Qty SP | 0 | 7,200 | 10.9 | 3 | | Qty DO | 0 | 7,200 | 10.9 | 3 | | Value PL | 0 | 166,270,000 | 425,090 | 145,203 | | Value RO | 0 | 166,270,000 | 423,485 | 144,590 | **Wawasan Bisnis & Rekomendasi:** * **Kuantitas Pesanan:** Nilai median yang rendah (3 unit) untuk kuantitas pesanan menunjukkan bahwa sebagian besar transaksi melibatkan volume produk yang relatif kecil per item baris. Namun, nilai maksimum yang sangat tinggi (7,200 unit) mengindikasikan adanya pesanan borongan atau pembelian dalam skala besar yang dapat dianalisis lebih lanjut sebagai peluang *wholesale* atau pelanggan strategis. * **Nilai Pesanan:** Distribusi nilai pesanan (`Value PL`, `Value RO`) juga sangat miring, dengan median yang jauh lebih rendah dari rata-rata. Ini menunjukkan bahwa sejumlah kecil pesanan bernilai sangat tinggi menarik rata-rata ke atas. Mengidentifikasi dan memahami pola pembelian pelanggan yang melakukan pesanan bernilai tinggi ini sangat penting untuk program loyalitas dan retensi. * **Konsistensi Proses:** Nilai rata-rata dan median yang sangat dekat antara `Qty RO`, `Qty SP`, dan `Qty DO` serta `Value PL` dan `Value RO` mengkonfirmasi konsistensi dan efisiensi dalam proses pemenuhan pesanan, dari pesanan awal hingga pengiriman dan *packing list*. Ini menunjukkan sedikit sekali perubahan kuantitas atau nilai setelah pesanan awal diajukan, yang merupakan tanda positif dari operasional yang terkontrol. ### Analisis Rentang Waktu Data Rentang waktu data memberikan konteks temporal untuk semua transaksi dan proses logistik yang tercatat. **Rentang Tanggal per Kolom** | Kolom Tanggal | Tabel | Tanggal Minimum | Tanggal Maksimum | |:----------------|:----------------------------|:---------------------------|:---------------------------| | Tgl. Order | normalized_repeat_orders | 2026-06-01 00:01:51 | 2026-06-30 23:59:28 | | Tgl. SP | normalized_sales_orders | 2026-06-01 00:30:12 | 2026-07-01 00:30:30 | | Tgl DO | normalized_delivery_orders | 2026-06-01 09:06:19 | 2026-07-03 08:54:54 | | Tgl. PL | normalized_packing_lists | 2026-06-01 09:06:19 | 2026-07-03 08:54:54 | | Tgl Logbook | normalized_order_line_items | 2026-06-01 10:13:23 | 2026-07-04 07:52:56 | | Tgl Ekspedisi | normalized_order_line_items | 2026-06-01 09:36:47 | 2026-07-03 19:50:52 | | Tgl Diterima | normalized_order_line_items | 1970-01-02 07:00:00 | 2026-08-18 00:00:00 | | Lastupdate | normalized_repeat_orders | 2026-07-06 06:42:20.057000 | 2026-07-06 06:42:20.057000 | **Wawasan Bisnis, Anomali & Rekomendasi:** * **Periode Data Utama:** Sebagian besar data transaksi inti (pesanan, surat pesanan, DO, PL) terkonsentrasi di bulan Juni 2026, dengan proses logistik pasca-pesanan meluas hingga awal Juli 2026. Ini memberikan gambaran yang cukup padat untuk analisis perilaku dalam satu bulan penuh. * **Anomali 'Tgl Diterima':** Kehadiran tanggal '1970-01-02' sebagai tanggal minimum untuk `Tgl Diterima` adalah anomali kritis. Tanggal ini dikenal sebagai *epoch date* dan sering digunakan sebagai *placeholder* saat data tanggal sebenarnya tidak tersedia atau *parsing* gagal. Penggunaan tanggal ini dalam analisis *lead time* pengiriman atau kepuasan pelanggan akan menghasilkan kesimpulan yang sangat menyesatkan. **Rekomendasi:** Perlu dilakukan investigasi sumber data untuk memahami mengapa data `Tgl Diterima` hilang untuk catatan-catatan ini. Idealnya, data ini perlu dikumpulkan atau jika tidak memungkinkan, catatan dengan tanggal '1970-01-02' harus dikecualikan dari analisis yang melibatkan waktu pengiriman, atau ditandai secara eksplisit sebagai data yang tidak lengkap. * **Anomali 'Lastupdate':** Kolom `Lastupdate` menunjukkan nilai yang identik untuk semua baris. Ini mengindikasikan bahwa kolom ini tidak mencerminkan waktu pembaruan individual per transaksi, melainkan mungkin merupakan stempel waktu untuk pembaruan data secara massal pada tanggal 6 Juli 2026. **Rekomendasi:** Kolom ini tidak berguna untuk analisis yang memerlukan granularitas pembaruan per transaksi. Jika informasi pembaruan individual penting, sumber data harus menyediakan kolom yang lebih granular atau kolom ini diabaikan dalam analisis. ### Ringkasan dan Implikasi Awal Secara keseluruhan, data yang telah dibersihkan dan dinormalisasi menyajikan gambaran operasional yang kuat dengan efisiensi pemenuhan pesanan yang tinggi dan tingkat pembatalan yang rendah. Dominasi Divisi PHARMANET dan ketergantungan pada beberapa penyedia logistik dan metode pembayaran utama adalah temuan penting. Namun, anomali signifikan pada kolom `Tgl Diterima` dan `Lastupdate` menggarisbawahi pentingnya kehati-hatian dalam interpretasi temporal dan kebutuhan akan perbaikan kualitas data yang berkelanjutan. Wawasan ini menjadi dasar untuk eksplorasi lebih lanjut, terutama dalam menganalisis segmentasi pelanggan dan korelasi produk untuk mengidentifikasi peluang pertumbuhan dan area peningkatan operasional. ## 4. Analisis Kinerja Penjualan & Pembatalan Dalam bab ini, kami menyajikan analisis mendalam mengenai kinerja penjualan dan tingkat pembatalan, yang bertujuan untuk mengungkap faktor-faktor pendorong utama di balik dinamika penjualan dan mengidentifikasi area-area yang memerlukan perhatian. Analisis ini memanfaatkan data yang telah dibersihkan dan dinormalisasi untuk memberikan wawasan yang akurat dan berbasis fakta, memungkinkan strategi yang lebih terinformasi untuk peningkatan kinerja. ### 4.1 Kinerja Penjualan dan Pembatalan Keseluruhan Secara keseluruhan, sistem pemenuhan pesanan menunjukkan efisiensi yang sangat tinggi dengan tingkat pembatalan yang minimal. Hal ini mencerminkan operasional yang baik dan manajemen rantai pasokan yang efektif. #### Tingkat Pembatalan Keseluruhan | Metrik | Rate (%) | |:-----------------------------|---------:| | Quantity Cancellation Rate | 0.8% | | Value Cancellation Rate | 1.0% | Tingkat pembatalan kuantitas sebesar 0.8% dan nilai sebesar 1.0% menunjukkan bahwa mayoritas pesanan berhasil diproses dan dikirimkan tanpa perubahan signifikan. Angka ini adalah pencapaian yang sangat baik, menandakan kepuasan pelanggan yang tinggi terhadap pemenuhan pesanan dan proses logistik. #### Analisis Korelasi | Metrik | Correlation Coefficient | |:--------------------------------------------|------------------------:| | Correlation between Qty RO and Value RO (Line Item Level) | 0.8900 | Terdapat korelasi positif yang sangat kuat (0.8900) antara `Qty RO` (kuantitas pesanan) dan `Value RO` (nilai pesanan) pada tingkat item baris. Ini berarti bahwa peningkatan kuantitas produk yang dipesan secara langsung berkorelasi dengan peningkatan nilai moneter pesanan. Temuan ini menegaskan bahwa strategi untuk meningkatkan volume penjualan per item akan secara langsung berkontribusi pada peningkatan pendapatan. ### 4.2 Kinerja Penjualan Berdasarkan Atribut Kunci #### Kinerja Penjualan Berdasarkan Partisipasi Apotek Online (AO YN) Partisipasi *outlet* dalam program Apotek Online (`AO YN`) menunjukkan perbedaan dalam perilaku penjualan dan pembatalan. | AO YN | Total Qty RO | Total Value RO | Qty Cancel Rate (%) | Value Cancel Rate (%) | |:------|-------------:|---------------:|--------------------:|----------------------:| | N | 1,083,615 | 37,903,077,146 | 0.7% | 0.9% | | Y | 366,590 | 17,706,828,155 | 0.9% | 1.0% | **Wawasan Bisnis:** * **Dominasi Non-Partisipan:** *Outlet* yang tidak berpartisipasi dalam program Apotek Online (AO YN = N) menyumbang volume dan nilai penjualan yang jauh lebih tinggi dibandingkan dengan *outlet* yang berpartisipasi. Ini mungkin disebabkan oleh jumlah *outlet* non-partisipan yang lebih banyak. * **Tingkat Pembatalan Sedikit Lebih Tinggi untuk Partisipan:** Menariknya, *outlet* yang berpartisipasi (AO YN = Y) menunjukkan tingkat pembatalan kuantitas dan nilai yang sedikit lebih tinggi. Hal ini memerlukan investigasi lebih lanjut untuk memahami apakah ada faktor spesifik dalam program Apotek Online atau karakteristik *outlet* partisipan yang menyebabkan sedikit peningkatan pembatalan. #### Kinerja Penjualan Berdasarkan Produk Grup Pharos (Pharos YN) Analisis kinerja produk dibagi berdasarkan apakah produk tersebut diproduksi oleh Pharos Group atau tidak. | Pharos YN | Total Qty RO | Total Value RO | Qty Cancel Rate (%) | Value Cancel Rate (%) | |:----------|-------------:|---------------:|--------------------:|----------------------:| | N | 412,336 | 22,524,229,073 | 0.6% | 0.7% | | Y | 1,037,869 | 33,085,676,228 | 0.8% | 1.1% | **Wawasan Bisnis:** * **Produk Pharos Dominan dalam Kuantitas:** Produk yang diproduksi oleh Pharos Group (Pharos YN = Y) memiliki total kuantitas pesanan yang jauh lebih tinggi, menunjukkan popularitas atau volume transaksi yang besar. * **Produk Non-Pharos Bernilai Tinggi:** Meskipun kuantitasnya lebih rendah, produk non-Pharos (Pharos YN = N) menyumbang nilai penjualan yang signifikan dan menunjukkan tingkat pembatalan yang sedikit lebih rendah. Ini mungkin mengindikasikan bahwa produk non-Pharos cenderung memiliki harga satuan yang lebih tinggi atau dibeli oleh segmen pelanggan yang berbeda. * **Tingkat Pembatalan Produk Pharos Lebih Tinggi:** Produk Pharos menunjukkan tingkat pembatalan kuantitas dan nilai yang sedikit lebih tinggi. Ini bisa jadi karena volume transaksi yang lebih tinggi atau masalah spesifik pada produk Pharos yang perlu ditinjau. #### Kinerja Penjualan Berdasarkan Divisi Produk Divisi produk menunjukkan kontribusi yang bervariasi terhadap penjualan dan tingkat pembatalan. | Divisi | Total Qty RO | Total Value RO | Qty Cancel Rate (%) | Value Cancel Rate (%) | |:------------|-------------:|---------------:|--------------------:|----------------------:| | PHARMANET | 845,617 | 36,921,214,629 | 0.9% | 1.0% | | VIBRANT PBF | 498,593 | 14,399,713,539 | 0.5% | 0.6% | | HOSPINET | 103,417 | 4,180,468,736 | 0.8% | 1.6% | | VIBRANT 3 | 2,502 | 89,696,261 | 18.2% | 14.0% | **Wawasan Bisnis & Anomali:** * **Divisi PHARMANET dan VIBRANT PBF adalah Kontributor Utama:** Kedua divisi ini secara signifikan mendominasi total kuantitas dan nilai pesanan, menegaskan peran sentral mereka dalam portofolio produk perusahaan. PHARMANET, khususnya, memiliki volume dan nilai tertinggi. * **Efisiensi VIBRANT PBF:** Divisi VIBRANT PBF memiliki tingkat pembatalan terendah di antara semua divisi, menunjukkan efisiensi operasional yang sangat baik dalam pemenuhan pesanan. * **Anomali Divisi VIBRANT 3:** Divisi VIBRANT 3 menunjukkan anomali yang sangat mencolok dengan tingkat pembatalan kuantitas 18.2% dan nilai 14.0%. Meskipun kontribusinya terhadap total penjualan kecil, tingkat pembatalan yang sangat tinggi ini memerlukan investigasi segera. Potensi penyebab bisa meliputi masalah kualitas produk, ketersediaan stok yang tidak konsisten, atau masalah dalam proses pengiriman khusus untuk produk dari divisi ini. ### 4.3 Tren Penjualan dan Pembatalan Bulanan Analisis tren bulanan memberikan gambaran tentang dinamika penjualan dan pembatalan seiring waktu. Data yang tersedia mencakup periode Juni 2026. | Month | Total Value RO | Total Qty RO | Value Cancel Rate | Qty Cancel Rate | |:--------|---------------:|-------------:|------------------:|----------------:| | 2026-06 | 55,609,905,301 | 1,450,205 | 1.0% | 0.8% | **Wawasan Bisnis:** * Untuk bulan Juni 2026, total nilai pesanan mencapai 55.6 miliar dan total kuantitas pesanan mencapai 1.45 juta unit. * Tingkat pembatalan bulanan sangat konsisten dengan tingkat pembatalan keseluruhan, yaitu 1.0% untuk nilai dan 0.8% untuk kuantitas. * Dengan data hanya untuk satu bulan penuh, sulit untuk mengidentifikasi tren atau pola musiman yang signifikan. Namun, data ini menjadi *baseline* yang kuat untuk memantau kinerja di bulan-bulan mendatang. ### 4.4 Segmentasi Pelanggan dan Perilaku Pembelian Segmentasi *outlet* pelanggan menggunakan K-Means Clustering telah mengidentifikasi tiga klaster yang berbeda berdasarkan perilaku pembelian dan pembatalan, memungkinkan strategi yang lebih terfokus. #### Ringkasan Klaster Pelanggan (Nilai Rata-rata per Klaster) | Cluster | Count | Total_Qty_RO | Total_Value_RO | Num_Unique_RO | Num_Unique_Procod | Num_Unique_Divisi | Qty_Cancellation_Rate | Value_Cancellation_Rate | AO_YN_Encoded | |--------:|------:|-------------:|---------------:|--------------:|------------------:|------------------:|:----------------------|:------------------------|--------------:| | 0 | 4,302 | 138 | 5,263,223 | 3 | 14 | 1 | 0.7% | 0.9% | 0.21 | | 1 | 726 | 1,177 | 45,240,376 | 12 | 60 | 1 | 0.8% | 0.9% | 0.51 | | 2 | 34 | 115 | 3,617,899 | 2 | 9 | 1 | 68.9% | 67.0% | 0.09 | **Wawasan Utama per Klaster:** * **Klaster 0 (4,302 *outlet*): Pelanggan Volume Rendah, Pembatalan Rendah** * Klaster terbesar, mewakili *outlet* dengan volume dan nilai pesanan rata-rata yang lebih rendah, frekuensi pesanan yang jarang, variasi produk yang sempit, dan partisipasi Apotek Online yang rendah (rata-rata 0.21). * Tingkat pembatalan mereka rendah (Qty: 0.7%, Value: 0.9%), menunjukkan meskipun volume kecil, pesanan cenderung terpenuhi. * **Klaster 1 (726 *outlet*): Pelanggan Bernilai Tinggi, Pembatalan Rendah** * Klaster ini berisi *outlet* dengan volume dan nilai pesanan rata-rata yang jauh lebih tinggi, frekuensi pesanan yang lebih sering, variasi produk yang luas, dan partisipasi Apotek Online yang lebih tinggi (rata-rata 0.51). * Sama seperti Klaster 0, tingkat pembatalan mereka juga rendah (Qty: 0.8%, Value: 0.9%), menjadikannya segmen pelanggan yang sangat berharga. * **Klaster 2 (34 *outlet*): Pelanggan Pembatalan Sangat Tinggi** * Klaster terkecil namun paling problematis. Memiliki karakteristik pembelian volume dan nilai rata-rata yang rendah, mirip Klaster 0. * **Anomali Kritis:** Klaster ini menunjukkan tingkat pembatalan yang sangat tinggi (Qty: 68.9%, Value: 67.0%). Ini adalah indikator masalah serius yang memerlukan investigasi mendalam dan mendesak. #### Analisis Produk per Klaster Memahami preferensi produk dalam setiap klaster dapat membantu menyusun strategi yang lebih tepat sasaran. ##### 1. Penjualan Produk berdasarkan 5 Divisi Teratas per Klaster **Klaster 0** | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 425,001 | 1,706,377,596 | | VIBRANT PBF | 99,978 | 2,858,306,797 | | HOSPINET | 65,205 | 2,634,549,915 | | VIBRANT 3 | 1,708 | 66,938,892 | **Klaster 1** | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 418,985 | 19,795,316,541 | | VIBRANT PBF | 397,260 | 11,512,942,360 | | HOSPINET | 38,081 | 1,536,254,138 | **Klaster 2** | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 1,631 | 62,122,133 | | VIBRANT PBF | 1,355 | 28,464,382 | | VIBRANT 3 | 794 | 22,757,369 | | HOSPINET | 131 | 9,664,683 | **Wawasan Bisnis:** * **Dominasi PHARMANET di Semua Klaster:** Divisi PHARMANET adalah kontributor utama baik dalam kuantitas maupun nilai di semua klaster, menunjukkan produk-produknya memiliki daya tarik luas. * **VIBRANT PBF Kuat di Klaster 0 dan 1:** Divisi VIBRANT PBF juga menunjukkan kinerja kuat di klaster pelanggan volume rendah (Klaster 0) dan bernilai tinggi (Klaster 1). * **Divisi VIBRANT 3 Konsisten di Klaster 2:** Meskipun dengan tingkat pembatalan yang tinggi, VIBRANT 3 masih muncul sebagai salah satu divisi penyumbang di Klaster 2. Ini memperkuat kebutuhan untuk memahami masalah di balik pembatalan mereka. ##### 2. Penjualan Produk berdasarkan Pharos YN per Klaster **Klaster 0** | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 406,276 | 13,232,185,929 | | N | 185,692 | 9,410,197,766 | **Klaster 1** | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 628,424 | 19,772,142,878 | | N | 225,902 | 13,072,370,161 | **Klaster 2** | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 3,169 | 81,347,421 | | N | 742 | 41,661,146 | **Wawasan Bisnis:** * Produk Pharos Group (`Pharos YN = Y`) mendominasi dalam kuantitas dan nilai di semua klaster, terutama di Klaster 1 (pelanggan bernilai tinggi). * Meskipun produk non-Pharos (`Pharos YN = N`) memiliki volume yang lebih rendah, mereka tetap memberikan kontribusi nilai yang signifikan, terutama di Klaster 1, menunjukkan potensi untuk produk premium atau spesialistik. ##### 3. 5 Produk Teratas (berdasarkan Value RO) per Klaster **Klaster 0** | Product Description | Total Qty RO | Total Value RO | |:---------------------------------|-------------:|---------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 45,880 | 1,697,191,141 | | PRORIS SUSP 60 ML RASA JERUK | 59,028 | 1,339,359,771 | | MICROLAX GEL OBAT PENCAHAR 5ML | 62,340 | 1,197,462,986 | | MICROLAX 3 X 5 ML | 17,819 | 917,480,545 | | CATAFLAM 50MG TAB 50'S | 2,328 | 773,467,943 | **Klaster 1** | Product Description | Total Qty RO | Total Value RO | |:---------------------------------|-------------:|---------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 64,256 | 2,332,595,827 | | MICROLAX GEL OBAT PENCAHAR 5ML | 112,051 | 2,105,947,625 | | PRORIS SUSP 60 ML RASA JERUK | 89,421 | 2,000,244,200 | | MICROLAX 3 X 5 ML | 35,094 | 1,770,703,412 | | POLYSILANE SUSPENSI 100 ML | 60,452 | 1,227,592,944 | **Klaster 2** | Product Description | Total Qty RO | Total Value RO | |:---------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML | 974 | 18,253,506 | | PRORIS SUSP 60 ML RASA JERUK | 694 | 15,332,966 | | POLYSILANE TAB. KUNYAH 5X8TAB | 244 | 8,954,172 | | CATAFLAM 50MG TAB 50'S | 19 | 6,263,979 | | PRAXION SUSP 60ML RASA JERUK | 214 | 4,628,139 | **Wawasan Bisnis:** * Produk-produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `PRORIS SUSP 60 ML RASA JERUK`, dan `MICROLAX GEL OBAT PENCAHAR 5ML` adalah *best-seller* di semua klaster, menunjukkan popularitas yang luas di seluruh segmen pelanggan. Produk-produk ini harus menjadi prioritas dalam manajemen stok dan promosi. * Di Klaster 1, produk-produk teratas mencapai nilai penjualan yang jauh lebih tinggi, menggarisbawahi daya beli segmen ini. ##### 4. 5 Produk Teratas (berdasarkan Quantity RO) per Klaster **Klaster 0** | Product Description | Total Qty RO | Total Value RO | |:---------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML | 62,340 | 1,197,462,986 | | PRORIS SUSP 60 ML RASA JERUK | 59,028 | 1,339,359,771 | | POLYSILANE TAB. KUNYAH 5X8TAB | 45,880 | 1,697,191,141 | | POLYSILANE SUSPENSI 100 ML | 34,171 | 705,697,288 | | SANMOL PARACETAMOL SIROP 60ML | 27,133 | 477,657,095 | **Klaster 1** | Product Description | Total Qty RO | Total Value RO | |:---------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML | 112,051 | 2,105,947,625 | | PRORIS SUSP 60 ML RASA JERUK | 89,421 | 2,000,244,200 | | POLYSILANE TAB. KUNYAH 5X8TAB | 64,256 | 2,332,595,827 | | POLYSILANE SUSPENSI 100 ML | 60,452 | 1,227,592,944 | | PRORIS FORTE 200MG SUSP 50ML | 35,904 | 955,590,308 | **Klaster 2** | Product Description | Total Qty RO | Total Value RO | |:---------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML | 974 | 18,253,506 | | PRORIS SUSP 60 ML RASA JERUK | 694 | 15,332,966 | | POLYSILANE TAB. KUNYAH 5X8TAB | 244 | 8,954,172 | | PRAXION SUSP 60ML RASA JERUK | 214 | 4,628,139 | | NEBACETIN OINT 5GR | 195 | 3,530,798 | **Wawasan Bisnis:** * Pola produk teratas berdasarkan kuantitas sangat mirip dengan berdasarkan nilai, memperkuat dominasi produk-produk inti yang telah diidentifikasi. * Variasi produk `POLYSILANE` (tablet kunyah dan suspensi), `MICROLAX`, `PRORIS`, dan `SANMOL`/`PRAXION` (terutama di Klaster 0 dan 1) menunjukkan permintaan yang konsisten untuk produk-produk kesehatan umum dan pencernaan. ### 4.5 Anomali dan Area Perhatian Khusus 1. **Tingkat Pembatalan Klaster 2:** Tingkat pembatalan yang sangat tinggi pada Klaster 2 (hampir 70%) adalah anomali paling signifikan. Ini mengindikasikan masalah mendalam, seperti ketidakmampuan untuk memenuhi pesanan, kualitas layanan yang buruk, atau masalah logistik yang parah yang secara spesifik memengaruhi *outlet* dalam klaster ini. 2. **Tingkat Pembatalan Divisi VIBRANT 3:** Tingkat pembatalan yang tinggi untuk Divisi VIBRANT 3 (sekitar 18% untuk kuantitas dan 14% untuk nilai) juga merupakan perhatian utama. Meskipun divisi ini memiliki kontribusi penjualan yang relatif kecil, persentase pembatalan yang tinggi menunjukkan inefisiensi yang signifikan atau masalah produk tertentu. 3. **Performa AO YN:** Tingkat pembatalan yang sedikit lebih tinggi untuk *outlet* yang berpartisipasi dalam program Apotek Online memerlukan pemahaman lebih lanjut. Apakah ada ekspektasi yang tidak terpenuhi, atau proses yang berbeda untuk pesanan Apotek Online yang berkontribusi pada pembatalan ini? ### 4.6 Rekomendasi Strategis Berdasarkan analisis kinerja penjualan dan pembatalan, berikut adalah rekomendasi strategis: 1. **Penanganan Klaster Pelanggan Bernilai Tinggi (Klaster 1):** * **Program Loyalitas dan Penjualan Proaktif:** Kembangkan program loyalitas eksklusif dan inisiatif penjualan proaktif untuk Klaster 1. Dorong hubungan yang lebih kuat dengan pelanggan ini, tawarkan akses awal ke produk baru, atau diskon volume untuk mempertahankan loyalitas mereka yang tinggi. * **Evaluasi Program Apotek Online:** Analisis lebih dalam mengapa *outlet* partisipan AO YN memiliki tingkat pembatalan yang sedikit lebih tinggi. Lakukan survei pelanggan atau tinjau proses pesanan Apotek Online untuk mengidentifikasi area perbaikan. 2. **Investigasi dan Penyelamatan Klaster Pelanggan Berisiko (Klaster 2):** * **Analisis Akar Masalah Pembatalan:** Prioritaskan investigasi mendalam untuk Klaster 2. Libatkan tim penjualan, layanan pelanggan, dan logistik untuk mengidentifikasi penyebab spesifik di balik tingkat pembatalan yang sangat tinggi. Apakah ini masalah ketersediaan produk, isu pengiriman di lokasi tertentu, masalah kredit, atau masalah kepuasan pelanggan yang kronis? * **Intervensi Cepat:** Terapkan program intervensi yang cepat untuk *outlet* di Klaster 2. Ini bisa berupa kunjungan langsung oleh perwakilan penjualan, penawaran khusus untuk membangun kembali kepercayaan, atau dukungan pelanggan yang ditingkatkan. 3. **Optimalisasi Portofolio Produk dan Divisi:** * **Fokus pada Produk Inti:** Pastikan ketersediaan stok yang konsisten dan strategi promosi yang kuat untuk produk-produk *best-seller* di semua klaster (misalnya, Polysilane, Microlax, Proris). * **Audit Divisi VIBRANT 3:** Lakukan audit komprehensif terhadap proses, ketersediaan stok, dan kualitas produk dari Divisi VIBRANT 3 untuk mengidentifikasi dan mengatasi penyebab tingginya tingkat pembatalan. Pertimbangkan apakah ada kebutuhan untuk restrukturisasi atau penyesuaian strategi untuk divisi ini. * **Diferensiasi Produk Pharos dan Non-Pharos:** Kembangkan strategi pemasaran dan penjualan yang berbeda untuk produk Pharos dan non-Pharos, dengan mempertimbangkan perbedaan dalam kontribusi nilai dan tingkat pembatalan. 4. **Pemanfaatan Data Historis untuk Perencanaan:** * Dengan data *baseline* satu bulan, mulailah mengumpulkan data bulanan yang berkelanjutan untuk mengidentifikasi tren, musiman, dan anomali penjualan atau pembatalan di masa depan. Ini akan menjadi kunci untuk perencanaan inventaris, perkiraan penjualan, dan alokasi sumber daya. ## 5. Tren Penjualan Bulanan Bab ini menganalisis tren penjualan dan pembatalan berdasarkan data bulanan untuk mengidentifikasi pola, pertumbuhan, atau penurunan, serta potensi musiman yang dapat memengaruhi kinerja penjualan. Pemahaman terhadap dinamika bulanan sangat krusial untuk perencanaan strategis, manajemen inventaris, dan alokasi sumber daya yang efektif. ### Tren Penjualan dan Pembatalan Bulanan Analisis tren penjualan bulanan dilakukan dengan mengagregasi total nilai pesanan (Value RO), total kuantitas pesanan (Qty RO), serta tingkat pembatalan untuk nilai dan kuantitas. Berikut adalah rekapitulasi kinerja penjualan dan pembatalan untuk bulan yang tersedia dalam dataset: | Bulan | Total Value RO | Total Qty RO | Tingkat Pembatalan Nilai (%) | Tingkat Pembatalan Qty (%) | |:--------|------------------:|-------------:|-----------------------------:|---------------------------:| | 2026-06 | 55,609,905,301 | 1,450,205 | 1.0 | 0.8 | ### Wawasan Bisnis * **Kinerja Bulan Juni 2026:** Untuk bulan Juni 2026, perusahaan mencatat total nilai pesanan yang signifikan sebesar 55,609,905,301 Rupiah dan total kuantitas pesanan sebanyak 1,450,205 unit. Angka-angka ini menunjukkan volume operasional yang substansial dalam satu bulan. * **Tingkat Pembatalan yang Konsisten Rendah:** Tingkat pembatalan untuk nilai (1.0%) dan kuantitas (0.8%) di bulan Juni 2026 sangat konsisten dengan tingkat pembatalan rata-rata keseluruhan yang telah diidentifikasi pada bab sebelumnya. Ini kembali menegaskan bahwa proses pemenuhan pesanan berjalan dengan efisien, dengan kerugian minimal akibat pembatalan. ### Anomali dan Area Perhatian Khusus * **Keterbatasan Data Bulanan:** Anomali utama dalam analisis ini adalah ketersediaan data yang hanya untuk satu bulan, yaitu Juni 2026. Dengan hanya satu titik data, tidak mungkin untuk mengidentifikasi tren sebenarnya (misalnya, pertumbuhan bulanan atau penurunan), pola musiman (misalnya, puncak penjualan pada bulan-bulan tertentu), atau anomali berbasis waktu. Analisis tren memerlukan data historis yang memadai (minimal 12-24 bulan) untuk dapat menarik kesimpulan yang valid mengenai perubahan dari waktu ke waktu. * **Implikasi untuk Perencanaan:** Tanpa data tren bulanan yang lebih panjang, perusahaan akan kesulitan dalam melakukan perkiraan penjualan yang akurat, merencanakan kapasitas operasional (gudang, logistik), atau menyusun strategi pemasaran yang memanfaatkan siklus musiman. ### Rekomendasi Strategis Berdasarkan temuan ini, rekomendasi utama berpusat pada pengumpulan data yang lebih komprehensif untuk memungkinkan analisis tren yang efektif di masa depan: 1. **Prioritaskan Pengumpulan Data Historis Lanjutan:** Sangat penting untuk mulai mengumpulkan dan mengintegrasikan data transaksi bulanan yang lebih panjang. Idealnya, perusahaan harus memiliki data setidaknya 12-24 bulan untuk mengidentifikasi tren musiman dan tahunan secara akurat. Data historis ini akan menjadi aset tak ternilai untuk: * **Perkiraan Penjualan:** Membuat model perkiraan penjualan yang lebih akurat untuk produk dan divisi. * **Perencanaan Inventaris:** Mengoptimalkan tingkat stok untuk memenuhi permintaan yang berfluktuasi secara musiman. * **Strategi Pemasaran:** Meluncurkan kampanye yang ditargetkan berdasarkan periode penjualan puncak atau periode lambat. * **Evaluasi Kinerja:** Mengukur kinerja terhadap target dan mengidentifikasi area peningkatan dari waktu ke waktu. 2. **Gunakan Bulan Juni 2026 sebagai *Baseline* Awal:** Meskipun terbatas, data bulan Juni 2026 dapat dijadikan *baseline* awal untuk memantau kinerja di bulan-bulan mendatang. Perbandingan kinerja bulanan berikutnya dengan bulan Juni akan memberikan indikasi dini mengenai pertumbuhan atau penurunan. 3. **Lanjutkan Pemantauan Tingkat Pembatalan:** Pertahankan pemantauan ketat terhadap tingkat pembatalan bulanan. Konsistensi tingkat pembatalan yang rendah adalah tanda operasional yang kuat, dan setiap peningkatan signifikan harus segera diselidiki. 4. **Integrasi Data Waktu Nyata:** Jika memungkinkan, investasikan dalam sistem yang memungkinkan agregasi dan visualisasi data penjualan dan operasional secara *real-time* atau hampir *real-time* untuk memungkinkan respons yang lebih cepat terhadap perubahan pasar. Dengan adanya data bulanan yang lebih banyak dan berkelanjutan, analisis di masa depan akan dapat mengungkap wawasan yang jauh lebih dalam mengenai dinamika pasar, efektivitas strategi, dan peluang pertumbuhan jangka panjang. ## 6. Segmentasi Pelanggan Segmentasi pelanggan adalah salah satu pendekatan strategis paling efektif untuk memahami basis pelanggan secara lebih mendalam, memungkinkan perusahaan untuk menyesuaikan strategi pemasaran, penjualan, dan operasional guna memaksimalkan nilai dan kepuasan pelanggan. Dalam bab ini, kami menerapkan metode *K-Means Clustering* pada data *outlet* berdasarkan perilaku pembelian dan pembatalan mereka. Tujuan utamanya adalah untuk mengidentifikasi segmen pelanggan yang berbeda dan mengungkapkan karakteristik unik dari masing-masing segmen. Pemahaman ini akan menjadi fondasi untuk mengembangkan inisiatif yang lebih terfokus dan efisien. Metrik yang digunakan untuk segmentasi meliputi: * **Total Qty RO (Kuantitas Total Pesanan Berulang)**: Volume produk yang dipesan. * **Total Value RO (Nilai Total Pesanan Berulang)**: Nilai moneter total dari pesanan. * **Num Unique RO (Jumlah Pesanan Berulang Unik)**: Frekuensi pemesanan. * **Num Unique Procod (Jumlah Produk Unik yang Dipesan)**: Variasi produk yang dibeli. * **Num Unique Divisi (Jumlah Divisi Unik yang Dipesan)**: Diversifikasi pembelian dari berbagai divisi. * **Qty Cancellation Rate (Tingkat Pembatalan Kuantitas)**: Persentase kuantitas produk yang dibatalkan. * **Value Cancellation Rate (Tingkat Pembatalan Nilai)**: Persentase nilai pesanan yang dibatalkan. * **AO YN Encoded (Partisipasi Apotek Online)**: Representasi numerik dari partisipasi *outlet* dalam program Apotek Online (0 untuk 'N', 1 untuk 'Y'). ### Profil Klaster Pelanggan Setelah proses *clustering*, tiga segmen *outlet* yang berbeda berhasil diidentifikasi. Setiap klaster menunjukkan perilaku pembelian dan pembatalan yang khas, menawarkan wawasan berharga untuk strategi yang ditargetkan. #### Ringkasan Klaster Pelanggan (Nilai Rata-rata per Klaster) Tabel berikut menyajikan karakteristik rata-rata dari setiap klaster, memberikan gambaran komparatif antar segmen. | Klaster | Jumlah Outlet | Total Qty RO (Rata-rata) | Total Value RO (Rata-rata) | Jumlah RO Unik (Rata-rata) | Jumlah Procod Unik (Rata-rata) | Jumlah Divisi Unik (Rata-rata) | Tingkat Pembatalan Qty (%) | Tingkat Pembatalan Nilai (%) | Partisipasi AO YN (Encoded, Rata-rata) | |--------:|--------------:|-------------------------:|---------------------------:|---------------------------:|-------------------------------:|-------------------------------:|:---------------------------|:-----------------------------|---------------------------------------:| | 0 | 4,302 | 138 | 5,263,223 | 3 | 14 | 1 | 0.7 | 0.9 | 0.2 | | 1 | 726 | 1,177 | 45,240,376 | 12 | 60 | 1 | 0.8 | 0.9 | 0.5 | | 2 | 34 | 115 | 3,617,899 | 2 | 9 | 1 | 68.9 | 67.0 | 0.1 | #### Detil Karakteristik Setiap Klaster: **Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah (Mayoritas)** * **Ukuran:** Ini adalah segmen pelanggan terbesar, mencakup 4,302 *outlet*. * **Perilaku Pembelian:** *Outlet* dalam klaster ini memiliki rata-rata kuantitas dan nilai pesanan yang relatif rendah, dengan frekuensi pesanan yang jarang (rata-rata 3 pesanan unik) dan membeli variasi produk yang lebih sempit (rata-rata 14 produk unik) dari satu divisi utama. * **Tingkat Pembatalan:** Tingkat pembatalan kuantitas (0.7%) dan nilai (0.9%) sangat rendah, menunjukkan bahwa meskipun volume pesanan kecil, proses pemenuhan pesanan berjalan lancar dan kepuasan relatif tinggi. * **Partisipasi Apotek Online:** Partisipasi dalam program Apotek Online relatif rendah (rata-rata 0.2), mengindikasikan sebagian besar *outlet* di segmen ini belum bergabung atau kurang aktif dalam program tersebut. **Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah (Prioritas Utama)** * **Ukuran:** Klaster ini lebih kecil, terdiri dari 726 *outlet*. * **Perilaku Pembelian:** Ini adalah segmen pelanggan paling berharga. Mereka menunjukkan rata-rata kuantitas dan nilai pesanan yang jauh lebih tinggi, frekuensi pesanan yang lebih sering (rata-rata 12 pesanan unik), dan membeli variasi produk yang sangat luas (rata-rata 60 produk unik) dari satu divisi utama. * **Tingkat Pembatalan:** Seperti Klaster 0, tingkat pembatalan mereka juga sangat rendah (Qty: 0.8%, Value: 0.9%), menegaskan bahwa mereka adalah pelanggan yang loyal dan efisien dalam hal pemenuhan pesanan. * **Partisipasi Apotek Online:** Partisipasi Apotek Online yang lebih tinggi (rata-rata 0.5) menunjukkan bahwa *outlet* bernilai tinggi ini lebih cenderung memanfaatkan program digital perusahaan. **Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi (Area Krisis)** * **Ukuran:** Klaster terkecil, hanya 34 *outlet*. * **Perilaku Pembelian:** Karakteristik pembelian dasar (kuantitas, nilai, frekuensi, variasi produk) mirip dengan Klaster 0, yaitu relatif rendah. Mereka juga membeli dari satu divisi utama. * **Tingkat Pembatalan:** **Ini adalah klaster yang paling mengkhawatirkan.** Tingkat pembatalan kuantitas mencapai 68.9% dan nilai mencapai 67.0%, yang sangat tinggi dibandingkan dengan klaster lain. Ini menandakan masalah serius dalam pemenuhan pesanan untuk segmen ini. * **Partisipasi Apotek Online:** Partisipasi Apotek Online sangat rendah (rata-rata 0.1). ### Distribusi Penjualan Produk dan Produk Teratas per Klaster Analisis preferensi produk dalam setiap klaster mengungkapkan pola pembelian yang lebih spesifik, yang dapat digunakan untuk strategi produk dan penjualan yang ditargetkan. #### 1. Penjualan Produk Berdasarkan 5 Divisi Teratas per Klaster **Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah** | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 425,001 | 17,063,775,955 | | VIBRANT PBF | 99,978 | 2,858,306,797 | | HOSPINET | 65,205 | 2,634,549,915 | | VIBRANT 3 | 1,708 | 66,938,892 | **Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah** | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 418,985 | 19,795,316,541 | | VIBRANT PBF | 397,260 | 11,512,942,360 | | HOSPINET | 38,081 | 1,536,254,138 | **Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi** | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 1,631 | 62,122,133 | | VIBRANT PBF | 1,355 | 28,464,382 | | VIBRANT 3 | 794 | 22,757,369 | | HOSPINET | 131 | 9,664,683 | **Wawasan Bisnis - Preferensi Divisi:** * **Dominasi PHARMANET:** Divisi PHARMANET adalah kontributor utama nilai dan kuantitas di semua klaster, menegaskan posisi sentralnya dalam portofolio perusahaan. * **VIBRANT PBF:** Juga menunjukkan kinerja kuat, khususnya di Klaster 1 di mana kontribusinya hampir setara dengan PHARMANET dalam hal kuantitas dan nilai, menunjukkan kemampuan untuk melayani segmen pelanggan bernilai tinggi. * **VIBRANT 3 di Klaster Berisiko:** Meskipun memiliki tingkat pembatalan yang sangat tinggi secara keseluruhan (seperti dibahas di Bab 4), Divisi VIBRANT 3 masih muncul di Klaster 2, menunjukkan bahwa produk dari divisi ini adalah bagian dari masalah pembatalan tinggi di segmen ini. #### 2. Penjualan Produk Berdasarkan Pharos YN per Klaster **Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah** | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 406,276 | 13,232,185,929 | | N | 185,692 | 9,410,197,766 | **Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah** | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 628,424 | 19,772,142,878 | | N | 225,902 | 13,072,370,161 | **Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi** | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 3,169 | 81,347,421 | | N | 742 | 41,661,146 | **Wawasan Bisnis - Preferensi Produk Pharos:** * **Pharos Group Populer:** Produk yang diproduksi oleh Pharos Group (`Pharos YN = Y`) mendominasi dalam kuantitas dan nilai di semua klaster, terutama di Klaster 1. Ini menunjukkan jangkauan pasar yang luas dan penerimaan yang baik untuk produk-produk inti perusahaan. * **Kontribusi Non-Pharos:** Produk non-Pharos (`Pharos YN = N`) juga memberikan kontribusi nilai yang signifikan, terutama di Klaster 1, menunjukkan adanya permintaan untuk produk dari merek lain, yang mungkin mencakup produk premium atau spesialisasi. #### 3. 5 Produk Teratas (Berdasarkan Value RO) per Klaster **Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah** | Deskripsi Produk | Total Qty RO | Total Value RO | |:--------------------------------|-------------:|---------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 45,880 | 1,697,191,141 | | PRORIS SUSP 60 ML RASA JERUK | 59,028 | 1,339,359,771 | | MICROLAX GEL OBAT PENCAHAR 5ML | 62,340 | 1,197,462,986 | | MICROLAX 3 X 5 ML | 17,819 | 917,480,545 | | CATAFLAM 50MG TAB 50'S | 2,328 | 773,467,943 | **Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah** | Deskripsi Produk | Total Qty RO | Total Value RO | |:--------------------------------|-------------:|---------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 64,256 | 2,332,595,827 | | MICROLAX GEL OBAT PENCAHAR 5ML | 112,051 | 2,105,947,625 | | PRORIS SUSP 60 ML RASA JERUK | 89,421 | 2,000,244,200 | | MICROLAX 3 X 5 ML | 35,094 | 1,770,703,412 | | POLYSILANE SUSPENSI 100 ML | 60,452 | 1,227,592,944 | **Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi** | Deskripsi Produk | Total Qty RO | Total Value RO | |:--------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML | 974 | 18,253,506 | | PRORIS SUSP 60 ML RASA JERUK | 694 | 15,332,966 | | POLYSILANE TAB. KUNYAH 5X8TAB | 244 | 8,954,172 | | CATAFLAM 50MG TAB 50'S | 19 | 6,263,979 | | PRAXION SUSP 60ML RASA JERUK | 214 | 4,628,139 | #### 4. 5 Produk Teratas (Berdasarkan Quantity RO) per Klaster **Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah** | Deskripsi Produk | Total Qty RO | Total Value RO | |:--------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML | 62,340 | 1,197,462,986 | | PRORIS SUSP 60 ML RASA JERUK | 59,028 | 1,339,359,771 | | POLYSILANE TAB. KUNYAH 5X8TAB | 45,880 | 1,697,191,141 | | POLYSILANE SUSPENSI 100 ML | 34,171 | 705,697,288 | | SANMOL PARACETAMOL SIROP 60ML | 27,133 | 477,657,095 | **Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah** | Deskripsi Produk | Total Qty RO | Total Value RO | |:--------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML | 112,051 | 2,105,947,625 | | PRORIS SUSP 60 ML RASA JERUK | 89,421 | 2,000,244,200 | | POLYSILANE TAB. KUNYAH 5X8TAB | 64,256 | 2,332,595,827 | | POLYSILANE SUSPENSI 100 ML | 60,452 | 1,227,592,944 | | PRORIS FORTE 200MG SUSP 50ML | 35,904 | 955,590,308 | **Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi** | Deskripsi Produk | Total Qty RO | Total Value RO | |:--------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML | 974 | 18,253,506 | | PRORIS SUSP 60 ML RASA JERUK | 694 | 15,332,966 | | POLYSILANE TAB. KUNYAH 5X8TAB | 244 | 8,954,172 | | PRAXION SUSP 60ML RASA JERUK | 214 | 4,628,139 | | NEBACETIN OINT 5GR | 195 | 3,530,798 | **Wawasan Bisnis - Produk Teratas:** * **Produk Inti Universal:** Produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` secara konsisten muncul di daftar teratas untuk semua klaster, baik berdasarkan nilai maupun kuantitas. Ini menunjukkan bahwa produk-produk ini adalah *best-seller* universal yang diminati di seluruh segmen pelanggan. * **Skala Pembelian:** Meskipun produknya sama, volume dan nilai penjualan produk teratas di Klaster 1 jauh lebih tinggi dibandingkan dengan Klaster 0 dan Klaster 2, mencerminkan daya beli dan volume pesanan yang lebih besar dari pelanggan di segmen bernilai tinggi ini. ### Anomali dan Area Perhatian Khusus 1. **Tingkat Pembatalan Klaster 2 yang Ekstrem:** Anomali paling mencolok adalah tingkat pembatalan yang sangat tinggi (hampir 70%) di Klaster 2. Ini menunjukkan adanya masalah sistemik atau krisis yang mendalam yang memengaruhi *outlet* dalam segmen ini. Ini bisa disebabkan oleh masalah pasokan produk yang kronis, kesalahan logistik yang berulang, atau bahkan ketidakpuasan pelanggan yang parah yang menyebabkan pembatalan berulang. 2. **Keterlibatan Divisi VIBRANT 3:** Seperti yang disorot di Bab 4, Divisi VIBRANT 3 memiliki tingkat pembatalan keseluruhan yang tinggi. Keberadaan produk dari divisi ini di Klaster 2 semakin memperkuat dugaan bahwa ada masalah fundamental dengan Divisi VIBRANT 3 atau dengan bagaimana produknya diproses dan dikirim ke *outlet* tertentu. 3. **Korelasi Partisipasi AO YN dan Pembatalan:** Meskipun Klaster 1 (pelanggan bernilai tinggi) memiliki partisipasi AO YN yang lebih tinggi, tingkat pembatalan mereka sedikit lebih tinggi dari Klaster 0. Ini memerlukan evaluasi lebih lanjut apakah ada faktor-faktor dalam program Apotek Online atau ekspektasi *outlet* partisipan yang menyebabkan peningkatan pembatalan. ### Rekomendasi Strategis Segmentasi pelanggan ini membuka peluang untuk strategi yang lebih personal dan efektif: 1. **Untuk Klaster 1 (Pelanggan Bernilai Tinggi):** * **Program Loyalitas Eksklusif:** Kembangkan program loyalitas premium yang menawarkan keuntungan eksklusif, seperti harga khusus, pengiriman prioritas, atau akses awal ke produk baru. Hal ini akan memperkuat hubungan dan mempertahankan nilai pelanggan yang tinggi. * **Strategi *Up-selling* dan *Cross-selling* yang Ditargetkan:** Dengan pemahaman tentang variasi produk yang luas yang mereka beli, identifikasi peluang untuk memperkenalkan produk pelengkap bernilai tinggi atau produk dari divisi lain yang berpotensi menarik bagi mereka. * **Perkuat Keterlibatan Apotek Online:** Tingkatkan dukungan dan insentif bagi *outlet* di segmen ini untuk terus berpartisipasi aktif dalam program Apotek Online, sambil menyelidiki penyebab tingkat pembatalan yang sedikit lebih tinggi. 2. **Untuk Klaster 0 (Pelanggan Volume Rendah, Potensi Pertumbuhan):** * **Inisiatif *Cross-selling* dan *Up-selling*:** Dorong *outlet* di segmen ini untuk memperluas variasi produk yang mereka beli. Ini dapat dilakukan melalui rekomendasi produk cerdas berdasarkan riwayat pembelian atau penawaran paket produk dari divisi yang berbeda. * **Peningkatan Frekuensi Pesanan:** Tawarkan insentif untuk pembelian yang lebih sering atau program diskon berbasis volume untuk mendorong mereka bergeser ke perilaku pembelian yang lebih mirip Klaster 1. * **Pendidikan dan Promosi Apotek Online:** Kampanyekan manfaat program Apotek Online kepada segmen ini untuk meningkatkan tingkat partisipasi, dengan harapan dapat meniru kesuksesan di Klaster 1. 3. **Untuk Klaster 2 (Pelanggan Berisiko Tinggi):** * **Analisis Akar Masalah yang Mendesak:** Prioritaskan investigasi mendalam untuk setiap *outlet* di klaster ini. Libatkan tim operasional, logistik, penjualan, dan layanan pelanggan untuk mengidentifikasi penyebab pasti dari tingginya tingkat pembatalan. Apakah itu karena masalah stok kronis di gudang tertentu, rute pengiriman yang bermasalah, masalah kualitas produk, atau masalah komunikasi dengan *outlet*? * **Pendekatan Personal dan Intervensi Cepat:** Setelah akar masalah teridentifikasi, berikan solusi yang cepat dan personal. Ini mungkin melibatkan kunjungan langsung, penawaran khusus untuk membangun kembali kepercayaan, atau menugaskan manajer akun khusus untuk memastikan pesanan mereka dilayani dengan sempurna. * **Evaluasi Kelayakan Bisnis:** Jika masalah tidak dapat diselesaikan dan tingkat pembatalan tetap tinggi, perusahaan perlu mengevaluasi kelayakan untuk terus melayani *outlet* ini, mengingat biaya operasional yang tinggi akibat pembatalan. 4. **Strategi Produk Universal:** * **Manajemen Stok Unggul:** Pastikan ketersediaan stok yang optimal untuk produk-produk inti yang populer di semua klaster (misalnya, Polysilane, Microlax, Proris). Produk ini adalah penopang penjualan dan harus dihindari dari kehabisan stok. * **Diversifikasi untuk Klaster 0:** Pertimbangkan untuk memperkenalkan produk baru atau varian produk yang menarik bagi Klaster 0 untuk mendorong diversifikasi pembelian. Dengan menerapkan rekomendasi ini, perusahaan dapat mengoptimalkan interaksi dengan setiap segmen pelanggan, mengurangi kerugian akibat pembatalan, dan pada akhirnya meningkatkan kinerja penjualan secara keseluruhan. ## 7. Analisis Produk per Segmen Pelanggan Setelah berhasil mengidentifikasi tiga segmen pelanggan yang berbeda melalui K-Means Clustering di bab sebelumnya, langkah selanjutnya adalah memahami preferensi produk dan perilaku pembelian dalam setiap segmen. Analisis ini krusial untuk menyusun strategi produk, pemasaran, dan penjualan yang lebih personal dan efektif. Dengan mengetahui produk atau divisi mana yang paling diminati oleh setiap klaster, perusahaan dapat mengoptimalkan portofolio produknya, menargetkan promosi dengan lebih baik, dan meningkatkan kepuasan pelanggan di setiap segmen. ### 7.1 Distribusi Penjualan Produk berdasarkan Divisi per Klaster Analisis divisi produk yang paling populer di setiap klaster pelanggan memberikan gambaran tentang fokus bisnis masing-masing segmen. Ini membantu dalam mengidentifikasi divisi mana yang menjadi tulang punggung penjualan di segmen tertentu dan mana yang mungkin memerlukan perhatian khusus. #### Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah (4,302 Outlet) Klaster terbesar ini didominasi oleh pembelian dari Divisi PHARMANET, diikuti oleh VIBRANT PBF dan HOSPINET. | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 425,001 | 17,063,775,955 | | VIBRANT PBF | 99,978 | 2,858,306,797 | | HOSPINET | 65,205 | 2,634,549,915 | | VIBRANT 3 | 1,708 | 66,938,892 | #### Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah (726 Outlet) Pelanggan paling berharga ini juga menunjukkan dominasi pembelian dari Divisi PHARMANET, namun VIBRANT PBF juga menunjukkan kontribusi yang sangat signifikan dalam hal kuantitas dan nilai. | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 418,985 | 19,795,316,541 | | VIBRANT PBF | 397,260 | 11,512,942,360 | | HOSPINET | 38,081 | 1,536,254,138 | #### Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi (34 Outlet) Meskipun kecil, klaster ini menunjukkan pola pembelian yang mirip dengan Klaster 0 dan 1, dengan PHARMANET sebagai divisi utama, namun VIBRANT PBF dan VIBRANT 3 juga berkontribusi. | Divisi | Total Qty RO | Total Value RO | |:------------|-------------:|---------------:| | PHARMANET | 1,631 | 62,122,133 | | VIBRANT PBF | 1,355 | 28,464,382 | | VIBRANT 3 | 794 | 22,757,369 | | HOSPINET | 131 | 9,664,683 | **Wawasan Bisnis:** * **PHARMANET sebagai Divisi Inti:** Divisi PHARMANET merupakan kontributor utama penjualan di semua klaster, menggarisbawahi posisinya sebagai inti bisnis dan daya tarik produknya yang luas. * **VIBRANT PBF yang Kuat di Segmen Bernilai Tinggi:** VIBRANT PBF menunjukkan kinerja yang sangat kuat di Klaster 1, hampir menyaingi PHARMANET dalam kuantitas dan nilai. Ini menunjukkan bahwa produk dari VIBRANT PBF sangat relevan bagi pelanggan bernilai tinggi. * **Peran VIBRANT 3 dalam Klaster Berisiko:** Keberadaan Divisi VIBRANT 3 di Klaster 2 dengan tingkat pembatalan yang sangat tinggi (seperti yang disorot di Bab 4) semakin memperkuat dugaan adanya masalah spesifik yang berkaitan dengan produk atau proses dari divisi ini yang memengaruhi segmen pelanggan yang rentan. ### 7.2 Distribusi Penjualan Produk berdasarkan Kategori Pharos YN per Klaster Membedakan antara produk Pharos Group dan non-Pharos membantu mengidentifikasi bagaimana setiap kategori diterima oleh segmen pelanggan yang berbeda. #### Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah Produk Pharos Group mendominasi dalam kuantitas dan nilai, namun produk non-Pharos juga berkontribusi signifikan. | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 406,276 | 13,232,185,929 | | N | 185,692 | 9,410,197,766 | #### Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah Di segmen ini, produk Pharos Group tetap yang teratas, tetapi produk non-Pharos menunjukkan nilai penjualan yang substansial, lebih tinggi dari nilai gabungan produk Pharos dan non-Pharos di klaster lainnya. | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 628,424 | 19,772,142,878 | | N | 225,902 | 13,072,370,161 | #### Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi Produk Pharos Group masih lebih dominan dalam klaster ini. | Pharos YN | Total Qty RO | Total Value RO | |:----------|-------------:|---------------:| | Y | 3,169 | 81,347,421 | | N | 742 | 41,661,146 | **Wawasan Bisnis:** * **Ketergantungan pada Produk Pharos:** Semua klaster menunjukkan ketergantungan yang lebih tinggi pada produk Pharos Group (Pharos YN = Y) dalam hal kuantitas dan nilai, terutama Klaster 1 yang bernilai tinggi. Ini menegaskan bahwa produk inti perusahaan memiliki penerimaan pasar yang kuat. * **Peluang Produk Non-Pharos:** Produk non-Pharos (Pharos YN = N) juga menunjukkan kontribusi nilai yang signifikan, terutama di Klaster 1, menunjukkan bahwa ada peluang untuk produk-produk ini, yang mungkin mencakup produk premium atau spesialisasi yang menarik bagi pelanggan bernilai tinggi. ### 7.3 Produk Teratas (Berdasarkan Value RO) per Klaster Mengidentifikasi produk-produk terlaris berdasarkan nilai penjualan di setiap segmen memberikan pemahaman langsung tentang apa yang paling menguntungkan di setiap klaster. #### Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah Produk-produk teratas di klaster ini mencakup obat bebas (OTC) dan produk kesehatan umum yang banyak dicari. | Deskripsi Produk | Total Qty RO | Total Value RO | |:------------------------------|-------------:|---------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 45,880 | 1,697,191,141 | | PRORIS SUSP 60 ML RASA JERUK | 59,028 | 1,339,359,771 | | MICROLAX GEL OBAT PENCAHAR 5ML| 62,340 | 1,197,462,986 | | MICROLAX 3 X 5 ML | 17,819 | 917,480,545 | | CATAFLAM 50MG TAB 50'S | 2,328 | 773,467,943 | #### Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah Produk terlaris di klaster ini serupa dengan Klaster 0, namun dengan volume dan nilai penjualan yang jauh lebih tinggi. | Deskripsi Produk | Total Qty RO | Total Value RO | |:------------------------------|-------------:|---------------:| | POLYSILANE TAB. KUNYAH 5X8TAB | 64,256 | 2,332,595,827 | | MICROLAX GEL OBAT PENCAHAR 5ML| 112,051 | 2,105,947,625 | | PRORIS SUSP 60 ML RASA JERUK | 89,421 | 2,000,244,200 | | MICROLAX 3 X 5 ML | 35,094 | 1,770,703,412 | | POLYSILANE SUSPENSI 100 ML | 60,452 | 1,227,592,944 | #### Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi Produk teratas di klaster ini juga menunjukkan pola yang sama, meskipun dengan nilai penjualan yang jauh lebih rendah. | Deskripsi Produk | Total Qty RO | Total Value RO | |:------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML| 974 | 18,253,506 | | PRORIS SUSP 60 ML RASA JERUK | 694 | 15,332,966 | | POLYSILANE TAB. KUNYAH 5X8TAB | 244 | 8,954,172 | | CATAFLAM 50MG TAB 50'S | 19 | 6,263,979 | | PRAXION SUSP 60ML RASA JERUK | 214 | 4,628,139 | **Wawasan Bisnis:** * **Produk Unggulan Universal:** `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` secara konsisten menjadi produk-produk teratas berdasarkan nilai di semua klaster. Ini menunjukkan permintaan yang kuat dan luas untuk produk-produk ini, menjadikannya pilar pendapatan. * **Skala Pembelian Berbeda:** Meskipun produknya serupa, nilai penjualan dari produk teratas di Klaster 1 jauh melampaui klaster lainnya, menggarisbawahi potensi pendapatan yang besar dari segmen pelanggan bernilai tinggi ini. * **Konsistensi Kebutuhan Dasar:** Produk-produk ini cenderung mengatasi masalah kesehatan umum (pencernaan, demam, nyeri), menunjukkan bahwa segmen pelanggan memiliki kebutuhan dasar yang serupa. ### 7.4 Produk Teratas (Berdasarkan Quantity RO) per Klaster Menganalisis produk terlaris berdasarkan kuantitas memberikan perspektif tentang volume pergerakan produk, yang penting untuk manajemen rantai pasokan dan inventaris. #### Klaster 0: Pelanggan Volume Rendah, Pembatalan Rendah | Deskripsi Produk | Total Qty RO | Total Value RO | |:------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML| 62,340 | 1,197,462,986 | | PRORIS SUSP 60 ML RASA JERUK | 59,028 | 1,339,359,771 | | POLYSILANE TAB. KUNYAH 5X8TAB | 45,880 | 1,697,191,141 | | POLYSILANE SUSPENSI 100 ML | 34,171 | 705,697,288 | | SANMOL PARACETAMOL SIROP 60ML | 27,133 | 477,657,095 | #### Klaster 1: Pelanggan Bernilai Tinggi, Pembatalan Rendah | Deskripsi Produk | Total Qty RO | Total Value RO | |:------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML| 112,051 | 2,105,947,625 | | PRORIS SUSP 60 ML RASA JERUK | 89,421 | 2,000,244,200 | | POLYSILANE TAB. KUNYAH 5X8TAB | 64,256 | 2,332,595,827 | | POLYSILANE SUSPENSI 100 ML | 60,452 | 1,227,592,944 | | PRORIS FORTE 200MG SUSP 50ML | 35,904 | 955,590,308 | #### Klaster 2: Pelanggan Berisiko Tinggi, Pembatalan Sangat Tinggi | Deskripsi Produk | Total Qty RO | Total Value RO | |:------------------------------|-------------:|---------------:| | MICROLAX GEL OBAT PENCAHAR 5ML| 974 | 18,253,506 | | PRORIS SUSP 60 ML RASA JERUK | 694 | 15,332,966 | | POLYSILANE TAB. KUNYAH 5X8TAB | 244 | 8,954,172 | | PRAXION SUSP 60ML RASA JERUK | 214 | 4,628,139 | | NEBACETIN OINT 5GR | 195 | 3,530,798 | **Wawasan Bisnis:** * **Konsistensi Produk Teratas:** Daftar produk teratas berdasarkan kuantitas sangat mirip dengan daftar berdasarkan nilai, mengkonfirmasi bahwa produk-produk inti seperti `MICROLAX GEL OBAT PENCAHAR 5ML`, `PRORIS SUSP 60 ML RASA JERUK`, dan `POLYSILANE TAB. KUNYAH 5X8TAB` adalah pendorong utama volume penjualan. * **Permintaan Volume Besar di Klaster 1:** Klaster 1 menunjukkan permintaan kuantitas yang jauh lebih tinggi untuk produk-produk ini, mencerminkan kekuatan pembelian segmen ini. * **Produk Tambahan untuk Volume Tinggi:** Produk lain seperti `POLYSILANE SUSPENSI 100 ML`, `SANMOL PARACETAMOL SIROP 60ML`, dan `PRORIS FORTE 200MG SUSP 50ML` juga menunjukkan volume yang signifikan, terutama di klaster yang lebih besar. ### Anomali dan Area Perhatian Khusus 1. **Dominasi Produk-Produk Tertentu:** Meskipun menunjukkan kinerja yang stabil, dominasi beberapa produk inti (`Polysilane`, `Microlax`, `Proris`) di semua klaster menunjukkan potensi risiko jika terjadi perubahan tren pasar atau munculnya produk pesaing. 2. **Keterkaitan VIBRANT 3 dan Klaster 2:** Kehadiran produk dari Divisi VIBRANT 3 di Klaster 2, klaster dengan tingkat pembatalan tertinggi, adalah anomali yang perlu ditindaklanjuti. Ini menguatkan temuan di Bab 4 tentang masalah kinerja divisi VIBRANT 3. Perlu diselidiki apakah produk VIBRANT 3 adalah penyebab utama pembatalan di klaster ini atau hanya menjadi korban dari masalah yang lebih besar (misalnya, masalah logistik di area geografis tempat outlet Klaster 2 berada). 3. **Potensi Variasi Produk yang Belum Terjamah:** Klaster 0 dan 2 menunjukkan variasi produk unik yang lebih sempit dibandingkan Klaster 1. Ini menyiratkan bahwa ada potensi untuk memperkenalkan variasi produk yang lebih luas atau produk-produk dari divisi lain ke segmen ini. ### Rekomendasi Strategis Berdasarkan analisis produk per segmen pelanggan, berikut adalah rekomendasi strategis: 1. **Untuk Klaster 1 (Pelanggan Bernilai Tinggi): Memaksimalkan Peluang dan Mendorong Loyalitas** * **Prioritaskan Ketersediaan Produk Unggulan:** Pastikan stok `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` selalu optimal untuk segmen ini, karena mereka adalah pendorong utama nilai dan kuantitas. * **Diversifikasi Portofolio Produk Non-Pharos:** Berinvestasi dalam memperkenalkan produk non-Pharos premium atau spesialisasi baru yang dapat menarik segmen ini, mengingat kontribusi nilai signifikan dari produk non-Pharos di klaster ini. * **Program Cross-selling Antar Divisi:** Manfaatkan dominasi PHARMANET dan VIBRANT PBF di klaster ini untuk menciptakan paket penawaran atau merekomendasikan produk pelengkap dari kedua divisi tersebut. 2. **Untuk Klaster 0 (Pelanggan Volume Rendah, Potensi Pertumbuhan): Mendorong Peningkatan Volume dan Variasi** * **Strategi Up-selling dan Cross-selling Produk Unggulan:** Dorong peningkatan kuantitas pembelian produk-produk `Polysilane`, `Microlax`, dan `Proris` melalui penawaran volume atau diskon khusus. * **Perluas Penetrasi Produk Baru/Lain:** Identifikasi produk-produk yang populer di Klaster 1 tetapi belum banyak dibeli di Klaster 0. Lakukan kampanye pemasaran yang ditargetkan atau edukasi produk untuk memperluas variasi pembelian di segmen ini. * **Aktivasi Divisi Lain:** Dorong pembelian dari divisi lain (selain PHARMANET, VIBRANT PBF, HOSPINET) yang mungkin belum dikenal oleh segmen ini, untuk meningkatkan "Jumlah Divisi Unik yang Dipesan." 3. **Untuk Klaster 2 (Pelanggan Berisiko Tinggi): Diagnostik Mendalam dan Penanganan Terfokus** * **Investigasi Produk-spesifik VIBRANT 3:** Lakukan analisis mendalam terhadap produk-produk dari Divisi VIBRANT 3 yang dibeli oleh Klaster 2. Apakah ada masalah kualitas spesifik, masalah ketersediaan, atau isu pengiriman yang secara unik terkait dengan produk ini yang menyebabkan pembatalan? * **Analisis Geografis:** Tentukan apakah *outlet* dalam Klaster 2 terkonsentrasi di area geografis tertentu. Jika demikian, masalah pembatalan mungkin lebih terkait dengan logistik atau masalah gudang pengiriman di wilayah tersebut daripada produk itu sendiri. * **Intervensi Proaktif untuk Produk Inti:** Meskipun ada pembatalan tinggi, produk inti seperti `Microlax` dan `Proris` tetap dipesan. Pastikan proses pemenuhan untuk produk-produk ini sempurna di klaster ini untuk mencegah pembatalan lebih lanjut. * **Kaji Ulang Kelayakan Bisnis:** Jika masalah tidak dapat diselesaikan setelah investigasi dan intervensi, perlu dipertimbangkan kembali kelayakan untuk terus melayani *outlet* di Klaster 2, mengingat tingginya biaya pembatalan. Dengan mengadopsi pendekatan segmentasi ini, perusahaan dapat bergerak melampaui strategi penjualan satu ukuran untuk semua dan menerapkan inisiatif yang lebih cerdas dan berorientasi pada hasil, mengoptimalkan kinerja produk, dan memperkuat hubungan dengan segmen pelanggan yang paling berharga. ## 8. Kesimpulan & Rekomendasi Laporan Analisis Data Eksplorasi (EDA) ini telah berhasil mengungkap wawasan signifikan mengenai kinerja operasional, pola penjualan, dan perilaku pelanggan dari data pemenuhan pesanan. Meskipun secara keseluruhan operasi menunjukkan tingkat efisiensi yang sangat tinggi dengan pembatalan minimal, analisis mendalam telah menyoroti area spesifik yang memerlukan perhatian dan tindakan strategis untuk meningkatkan kinerja penjualan, mengoptimalkan proses, dan memperkuat hubungan pelanggan. ### Temuan Utama 1. **Efisiensi Operasional yang Tinggi:** * Operasi pemenuhan pesanan berjalan dengan sangat efisien, ditunjukkan oleh tingkat pembatalan keseluruhan yang sangat rendah: hanya **0.8%** untuk kuantitas pesanan (Qty RO) dan **1.0%** untuk nilai pesanan (Value RO). Ini merupakan indikasi kuat dari proses logistik dan manajemen pesanan yang solid. * Terdapat korelasi positif yang kuat sebesar **0.89** antara kuantitas pesanan (Qty RO) dan nilai pesanan (Value RO) pada tingkat item baris, menegaskan bahwa peningkatan volume pesanan secara langsung berkontribusi pada peningkatan pendapatan. 2. **Dinamika Penjualan Berbasis Atribut:** * **Partisipasi Apotek Online (AO YN):** *Outlet* yang tidak berpartisipasi dalam program Apotek Online (AO YN = N) menyumbang volume dan nilai penjualan yang jauh lebih tinggi. Namun, *outlet* partisipan (AO YN = Y) menunjukkan tingkat pembatalan yang sedikit lebih tinggi, yang memerlukan investigasi lebih lanjut. * **Produk Grup Pharos (Pharos YN):** Produk yang diproduksi oleh Pharos Group (Pharos YN = Y) mendominasi dalam hal kuantitas pesanan, sementara produk non-Pharos (Pharos YN = N) memiliki kontribusi nilai yang signifikan dan tingkat pembatalan yang sedikit lebih rendah. * **Performa Divisi:** Divisi PHARMANET dan VIBRANT PBF adalah kontributor utama terhadap total kuantitas dan nilai pesanan. Namun, Divisi **VIBRANT 3 menunjukkan tingkat pembatalan yang sangat tinggi (18.2% Qty, 14.0% Value)**, sebuah anomali serius yang membutuhkan perhatian segera. 3. **Segmentasi Pelanggan yang Terdefinisi:** * Melalui *K-Means Clustering*, tiga segmen *outlet* yang berbeda telah diidentifikasi berdasarkan perilaku pembelian dan pembatalan: * **Klaster 0 (4,302 outlet):** Pelanggan volume rendah, nilai rendah, frekuensi pesanan jarang, variasi produk sempit, tingkat pembatalan rendah, dan partisipasi Apotek Online rendah. Ini adalah segmen mayoritas. * **Klaster 1 (726 outlet):** Pelanggan bernilai tinggi, volume tinggi, frekuensi pesanan sering, variasi produk luas, tingkat pembatalan rendah, dan partisipasi Apotek Online tinggi. Ini adalah segmen prioritas utama. * **Klaster 2 (34 outlet):** Pelanggan berisiko tinggi dengan tingkat pembatalan yang **sangat ekstrem (68.9% Qty, 67.0% Value)**. Meskipun volume dan nilai pesanan rendah, tingkat pembatalan ini sangat mengkhawatirkan. 4. **Preferensi Produk per Klaster:** * Produk-produk inti seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` adalah *best-seller* universal di semua klaster, meskipun dengan volume dan nilai yang bervariasi secara signifikan antar klaster. * Divisi PHARMANET mendominasi penjualan di semua klaster, sementara VIBRANT PBF juga sangat kuat di Klaster 1 (pelanggan bernilai tinggi). * Produk dari Divisi VIBRANT 3 hadir dalam transaksi di Klaster 2, yang berkorelasi dengan tingginya tingkat pembatalan pada klaster tersebut. ### Anomali dan Area Perhatian Kritikal 1. **Tingkat Pembatalan Klaster 2 yang Ekstrem:** Tingkat pembatalan hampir 70% di Klaster 2 adalah indikasi masalah fundamental yang mendesak, baik pada proses operasional, kualitas produk, logistik, maupun kepuasan pelanggan di segmen ini. 2. **Performa Divisi VIBRANT 3:** Tingkat pembatalan yang tinggi untuk Divisi VIBRANT 3 secara keseluruhan, dan kehadirannya dalam Klaster 2, menunjukkan adanya inefisiensi atau masalah kualitas yang signifikan dalam divisi ini. 3. **Anomali Data `Tgl Diterima`:** Penggunaan tanggal `1970-01-02` sebagai *placeholder* untuk nilai yang hilang pada kolom `Tgl Diterima` menyebabkan data ini tidak dapat digunakan untuk analisis waktu pengiriman (misalnya, *lead time*). Ini adalah cacat data yang krusial. 4. **Data `Lastupdate` Tidak Granular:** Kolom `Lastupdate` menunjukkan nilai yang sama untuk semua entri, menjadikannya tidak informatif untuk melacak pembaruan individual per transaksi. 5. **Keterbatasan Data Temporal:** Analisis hanya didasarkan pada data bulan Juni 2026. Kurangnya data historis yang lebih panjang menghambat identifikasi tren, pola musiman, dan perbandingan kinerja dari waktu ke waktu. ### Rekomendasi Strategis Berdasarkan temuan-temuan di atas, berikut adalah rekomendasi strategis untuk meningkatkan kinerja penjualan dan operasional: 1. **Strategi Berbasis Segmen Pelanggan:** * **Untuk Klaster 1 (Pelanggan Bernilai Tinggi): Pertahankan dan Kembangkan Hubungan** * **Program Loyalitas Eksklusif:** Implementasikan program loyalitas premium, harga khusus, pengiriman prioritas, atau akses awal ke produk baru untuk memperkuat hubungan dengan segmen pelanggan paling berharga ini. * **Strategi *Up-selling* & *Cross-selling*:** Tawarkan produk pelengkap bernilai tinggi, khususnya produk non-Pharos yang menarik bagi mereka, untuk memaksimalkan *Average Order Value* (AOV). * **Optimalkan Keterlibatan Apotek Online:** Selidiki penyebab tingkat pembatalan yang sedikit lebih tinggi pada *outlet* AO YN dan optimalkan proses untuk memastikan pengalaman yang mulus. * **Untuk Klaster 0 (Pelanggan Umum, Potensi Pertumbuhan): Dorong Peningkatan Volume dan Variasi Pembelian** * **Inisiatif *Cross-selling* & *Up-selling*:** Perkenalkan produk-produk populer dari Klaster 1 atau produk dari divisi lain melalui kampanye pemasaran yang ditargetkan atau edukasi produk. * **Peningkatan Frekuensi Pesanan:** Dorong pembelian yang lebih sering atau penawaran diskon volume untuk meningkatkan *engagement* dan volume transaksi. * **Edukasi & Dorongan Apotek Online:** Tingkatkan promosi dan edukasi manfaat program Apotek Online untuk meningkatkan partisipasi di segmen ini. * **Untuk Klaster 2 (Pelanggan Berisiko Tinggi): Investigasi dan Intervensi Mendesak** * **Analisis Akar Masalah (RCA) Mendalam:** Segera bentuk tim lintas fungsi (penjualan, operasional, logistik, layanan pelanggan) untuk melakukan RCA pada setiap *outlet* di klaster ini. Cari tahu apakah masalahnya adalah ketersediaan stok yang kronis, masalah pengiriman di area tertentu, masalah kualitas produk VIBRANT 3, atau isu kredit/pembayaran. * **Intervensi Cepat & Personal:** Setelah masalah teridentifikasi, berikan solusi yang cepat dan terpersonal. Ini mungkin termasuk kunjungan langsung oleh tim penjualan, penawaran khusus untuk membangun kembali kepercayaan, atau penugasan manajer akun khusus untuk memastikan pesanan dilayani dengan sempurna. * **Evaluasi Kelayakan Bisnis:** Jika intervensi tidak efektif dan tingkat pembatalan tetap tinggi, evaluasi kembali kelayakan untuk terus melayani *outlet* ini, mengingat biaya operasional yang tinggi akibat pembatalan. 2. **Optimalisasi Portofolio Produk dan Divisi:** * **Audit Divisi VIBRANT 3:** Lakukan audit komprehensif terhadap proses operasional, manajemen stok, dan kualitas produk Divisi VIBRANT 3. Identifikasi dan atasi penyebab tingginya tingkat pembatalan. Pertimbangkan restrukturisasi atau penyesuaian strategi jika diperlukan. * **Manajemen Stok Produk Inti:** Pastikan ketersediaan stok yang optimal untuk produk-produk universal *best-seller* seperti `Polysilane`, `Microlax`, dan `Proris` di semua gudang, terutama untuk Klaster 1 yang memiliki volume pembelian tinggi. * **Diversifikasi Produk:** Untuk klaster dengan variasi produk sempit (Klaster 0 dan 2), pertimbangkan untuk memperkenalkan produk baru atau varian yang relevan untuk memperluas pilihan dan potensi penjualan. 3. **Peningkatan Kualitas Data dan Analisis Temporal:** * **Perbaiki Pencatatan `Tgl Diterima`:** Lakukan investigasi untuk memperbaiki proses pencatatan `Tgl Diterima`. Jika data tidak tersedia, gunakan nilai `NULL` atau *placeholder* yang jelas (`Not Available`) daripada tanggal `1970-01-02` untuk menghindari bias dalam analisis *lead time* dan efisiensi pengiriman. * **Kumpulkan Data Historis yang Lebih Panjang:** Prioritaskan pengumpulan data transaksi bulanan minimal 12-24 bulan ke depan. Data ini krusial untuk melakukan analisis tren, mengidentifikasi pola musiman, dan membuat perkiraan penjualan yang lebih akurat. * **Re-evaluasi Kolom `Lastupdate`:** Klarifikasi tujuan dan relevansi kolom `Lastupdate`. Jika tidak menyediakan informasi granular, kolom ini sebaiknya diabaikan dalam analisis mendatang. Dengan mengimplementasikan rekomendasi ini secara cermat dan terukur, perusahaan dapat mengoptimalkan strategi penjualan dan pemasaran, meningkatkan efisiensi operasional, dan pada akhirnya, mendorong pertumbuhan bisnis yang berkelanjutan.