# Laporan Akhir Eksplorasi Data

## 1. Ringkasan Eksekutif

Laporan ini bertujuan untuk menganalisis performa penjualan per outlet dengan menghubungkannya pada produktivitas dan struktur person in charge (PIC) yang menangani. Data mencakup penjualan dari tiga tim sales utama: OMG, AO, dan PDN, serta mencakup penjualan online dan offline selama tiga bulan terakhir (B1, B2, B3).

**Gambaran Umum Kinerja Penjualan**

Total penjualan agregat dari semua outlet selama periode tiga bulan mencapai sekitar 138,470,629,048. Penjualan ini bervariasi secara signifikan antar outlet, mulai dari -81,873,200 hingga 2,976,791,016. Penjualan offline menunjukkan nilai maksimum yang lebih tinggi dibandingkan penjualan online di ketiga periode (misalnya, B3 Offline mencapai 1,196,470,100 sementara B3 Online mencapai 217,732,160). Adanya nilai penjualan minimum negatif yang perlu diinvestigasi lebih lanjut, karena mengindikasikan kemungkinan retur atau koreksi data yang signifikan.

Berikut adalah ringkasan statistik deskriptif untuk kolom penjualan:

|                        |     Count |                Sum |         Mean |       Std Dev |            Min |   25th Percentile |     Median |   75th Percentile |              Max |
|:-----------------------|----------:|-------------------:|-------------:|--------------:|---------------:|------------------:|-----------:|------------------:|-----------------:|
| Value Sales B1 Online  | 33,715    |  20,485,855,101    |   607,618    |  5,420,405    |           0    |              0    |       0    |              0    |   349,540,940    |
| Value Sales B1 Offline | 33,715    |  31,049,641,925    |   920,944    | 10,789,705    | -81,873,200    |              0    |       0    |        221,000    |   986,682,504    |
| Value Sales B2 Online  | 33,715    |  15,947,628,187    |   473,013    |  4,128,771    |           0    |              0    |       0    |              0    |   230,465,600    |
| Value Sales B2 Offline | 33,715    |  24,610,104,932    |   729,945    | 10,126,789    |  -9,600,000    |              0    |       0    |        197,000    | 1,017,071,010    |
| Value Sales B3 Online  | 33,715    |  17,271,922,555    |   512,292    |  4,288,506    |           0    |              0    |       0    |              0    |   217,732,160    |
| Value Sales B3 Offline | 33,715    |  29,105,476,348    |   863,280    | 10,807,988    | -15,700,070    |              0    |       0    |        260,000    | 1,196,470,100    |
| Total Sales            | 33,715    | 138,470,629,048    | 4,107,093    | 32,903,902    | -81,873,200    |              0    | 140,160    |      1,685,752    | 2,976,791,016    |

**Pengaruh Jumlah PIC Terhadap Penjualan Outlet (Analisis Regresi)**

Analisis regresi linear berganda dilakukan untuk memahami dampak jumlah PIC unik dan non-vakum dari masing-masing tim (OMG, AO, PDN) terhadap Total Penjualan outlet. Model regresi menunjukkan R-squared sebesar 0.0209, yang mengindikasikan bahwa jumlah PIC dari ketiga tim hanya menjelaskan sekitar 2.1% variasi dalam Total Penjualan. Meskipun demikian, model secara keseluruhan signifikan secara statistik (F-statistic 240.37, p-value 0.0000).

Secara spesifik, koefisien untuk setiap tim PIC adalah:
*   **num_pics_omg**: Koefisien sebesar -15,513,000 (p-value 0.0000) menunjukkan hubungan negatif yang signifikan. Ini berarti setiap penambahan satu PIC dari tim OMG dikaitkan dengan penurunan Total Penjualan sebesar 15,513,000, dengan asumsi jumlah PIC tim lain konstan. Ini adalah anomali signifikan yang membutuhkan investigasi mendalam, karena secara intuitif diharapkan penambahan PIC akan berkorelasi positif dengan penjualan.
*   **num_pics_ao**: Koefisien sebesar 735,920 (p-value 0.0000) menunjukkan hubungan positif yang signifikan. Setiap penambahan satu PIC dari tim AO dikaitkan dengan peningkatan Total Penjualan sebesar 735,920.
*   **num_pics_pdn**: Koefisien sebesar 893,140 (p-value 0.0000) menunjukkan hubungan positif yang signifikan. Setiap penambahan satu PIC dari tim PDN dikaitkan dengan peningkatan Total Penjualan sebesar 893,140.

**Produktivitas PIC Tim OMG (Analisis ANOVA)**

Analisis produktivitas PIC tim OMG, yang diukur dengan 'Rata-rata Penjualan Offline per Outlet yang Dikelola', menunjukkan perbedaan signifikan antar peran/jenjang jabatan (F-statistic 6.2182, p-value 0.0001). Ini menegaskan bahwa peran dalam tim OMG memang memiliki dampak yang berbeda terhadap produktivitas penjualan offline.

Distribusi rata-rata penjualan offline per outlet yang dikelola berdasarkan peran:

| Role | Number of PICs | Mean Avg. Offline Sales | Std Dev Avg. Offline Sales |
|:---|---------------:|------------------------:|---------------------------:|
| NSM | 4              | 2,467,594               | 370,804                    |
| SM | 11             | 2,600,767               | 510,061                    |
| ASM | 54             | 3,057,325               | 3,394,546                  |
| SPV | 102            | 3,244,435               | 5,689,319                  |
| FF | 241            | 1,536,980               | 1,134,084                  |

Dari tabel di atas, Supervisor (SPV) memiliki rata-rata penjualan offline per outlet yang dikelola paling tinggi (3,244,435), diikuti oleh ASM, SM, dan NSM. Field Force (FF) memiliki rata-rata paling rendah (1,536,980). Ini bisa mengindikasikan adanya perbedaan tanggung jawab atau strategi penargetan outlet di setiap jenjang jabatan.

Daftar PIC OMG dengan 'Rata-rata Penjualan Offline per Outlet yang Dikelola' tertinggi mencakup entri 'VACANT'. Hal ini menjadi anomali penting yang perlu ditindaklanjuti untuk memastikan akurasi data PIC dan atribusi penjualan.

| NIP | Nama | Role | Avg. Offline Sales per Managed Outlet | Number of Managed Outlets |
|:---|:---|:---|--------------------------------------:|--------------------------:|
| NIP SPV OMG | (VACANT) JAKARTA BARAT 03 | SPV | 54,525,142 | 64 |
| L240062 | SUPRIYATNA | ASM | 23,108,025 | 167 |
| NIP SPV OMG | (VACANT) BEKASI 04 | SPV | 18,281,598 | 136 |
| NIP SPV OMG | (VACANT) JAKARTA PUSAT + JAKARTA UTARA 02 | SPV | 15,405,881 | 184 |
| L260076 | SUBHAN FITRAHILAH | ASM | 11,292,392 | 265 |

**Rekomendasi Utama**

1.  **Investigasi Koefisien Negatif OMG**: Penemuan bahwa penambahan PIC OMG berkorelasi negatif dengan total penjualan adalah hal yang krusial. Perlu dilakukan investigasi mendalam untuk memahami penyebabnya. Apakah ini mengindikasikan penempatan PIC OMG yang tidak efektif, terlalu banyak PIC di outlet yang berkinerja buruk, atau masalah dalam alokasi sumber daya?
2.  **Perbaikan Data PIC 'VACANT'**: Kehadiran NIP 'VACANT' di daftar PIC teratas menunjukkan adanya isu dalam pelacakan data PIC dan atribusi penjualan. Disarankan untuk:
    *   Memastikan semua PIC yang aktif memiliki NIP yang valid dan unik (tidak diawali dengan 'V').
    *   Memperbaiki sistem atribusi penjualan agar jelas apakah penjualan dikaitkan dengan individu PIC atau posisi yang kosong.
3.  **Analisis Perbedaan Produktivitas Antar Peran OMG**: Meskipun ada perbedaan signifikan antar peran, perlu analisis lebih lanjut untuk memahami faktor-faktor yang mendorong perbedaan ini. Identifikasi praktik terbaik dari peran dengan produktivitas tinggi (misalnya SPV) dan telusuri mengapa peran FF memiliki rata-rata produktivitas yang lebih rendah. Ini bisa menjadi dasar untuk program pelatihan atau redefinisi tugas.
4.  **Klarifikasi Kontribusi Penjualan Online**: Mengingat bahwa penjualan online ditangani oleh ketiga tim tanpa pencatatan kontribusi yang jelas, disarankan untuk mengimplementasikan mekanisme pelacakan yang lebih baik di masa depan. Ini akan memungkinkan analisis produktivitas yang lebih akurat untuk penjualan online per tim dan per PIC.

## 2. Pendahuluan

Laporan Analisis Data Eksplorasi (EDA) ini bertujuan untuk menggali dan memahami kinerja penjualan per outlet serta menganalisis relasinya dengan struktur Person In Charge (PIC) yang bertanggung jawab atas outlet tersebut. Analisis ini sangat krusial untuk mengidentifikasi faktor-faktor yang mempengaruhi produktivitas penjualan dan efektivitas alokasi PIC dari berbagai tim sales, sesuai dengan tujuan bisnis untuk mengidentifikasi produktivitas PIC dan performa penjualan per outlet.

**Sumber dan Struktur Data**
Data utama yang digunakan berasal dari laporan gabungan struktur data sales yang mencakup informasi outlet, tim PIC dari tiga departemen sales utama yaitu OMG, AO, dan PDN, serta data penjualan. Dataset awal, `laporan_data_struktur_gabungan_omg___ao___sales_pdn_sheet1`, telah melalui serangkaian proses pembersihan dan normalisasi untuk memastikan kualitas dan konsistensi data.

Sebagai bagian dari persiapan analisis, data telah dinormalisasi menjadi tiga tabel utama yang akan menjadi fondasi untuk semua analisis lanjutan:
1.  `normalized_outlets`: Berisi informasi unik tentang setiap outlet, termasuk `Kode PI` (ID outlet unik), `Outcode`, dan `Nama Apotek`.
2.  `normalized_pics`: Berisi daftar PIC unik berdasarkan `NIP` (Nomor Induk Pegawai) dan `Nama` mereka. Entri yang menunjukkan posisi kosong (NIP berawalan 'V' atau 'UNKNOWN') secara eksplisit tidak dimasukkan dalam tabel ini.
3.  `laporan_sales_fact`: Tabel fakta yang mengkonsolidasikan data penjualan dan berbagai atribut PIC dari ketiga tim sales, dengan masing-masing baris mewakili satu record penjualan outlet. Tabel ini menjadi dasar untuk metrik penjualan, perhitungan, dan analisis yang melibatkan peran/personel (NIP) dan hubungannya dengan penjualan per outlet.

**Definisi dan Konteks Bisnis Kunci**
*   **Outlet**: Diidentifikasi melalui `Kode PI` dan `Outcode`, yang mewakili titik penjualan.
*   **Tim Sales**: Terdapat tiga tim sales utama: **OMG** (Our Modern General Trade), **AO** (Agent Outlet), dan **PDN** (Pendidikan). Masing-masing tim memiliki hierarki PIC yang berbeda, mulai dari General Manager (GM), National Sales Manager (NSM), Sales Manager (SM), Area Sales Manager (ASM), Supervisor (SPV), Field Force (FF), hingga Manager dan PIC.
*   **Person In Charge (PIC)**: Merujuk pada individu yang bertanggung jawab atas suatu outlet. Untuk tujuan analisis produktivitas, `NIP` digunakan sebagai identifikasi unik. Posisi yang kosong, yang ditandai dengan NIP berawalan 'V' atau entri 'UNKNOWN', tidak diperhitungkan sebagai PIC aktif.
*   **Jenis Penjualan**: Data mencakup penjualan selama tiga bulan terakhir (B1 = 1 bulan lalu, B2 = 2 bulan lalu, B3 = 3 bulan lalu) yang terbagi menjadi penjualan **Online** dan **Offline**. Penting untuk dicatat bahwa penjualan offline sepenuhnya ditangani oleh tim OMG, sementara penjualan online dapat ditangani oleh tim OMG, AO, dan PDN, namun tanpa pencatatan kontribusi yang jelas dari masing-masing tim. Penyesuaian nama kolom telah dilakukan, di mana `Value Sales B1 Online.1` dan `Value Sales B2 Online.1` telah dikoreksi menjadi **Offline** sesuai klarifikasi domain.

**Tantangan dan Perbaikan Data Awal**
Selama fase pra-pemrosesan, beberapa tantangan data diidentifikasi dan ditangani:
*   **Duplikasi Data**: Baris duplikat telah dihapus untuk memastikan setiap entri unik.
*   **Nilai Hilang**: Nilai yang hilang pada kolom identifikasi PIC (NIP dan Nama) serta `Outcode` diisi dengan 'UNKNOWN' untuk mempertahankan integritas data. Demikian pula, nilai yang hilang pada kolom penjualan diisi dengan 0, menginterpretasikan absennya data sebagai tidak adanya penjualan.
*   **Koreksi Nomenklatur Penjualan**: Nama kolom penjualan telah disesuaikan agar sesuai dengan konteks bisnis yang benar, terutama pada kasus `Value Sales B1 Online.1` dan `Value Sales B2 Online.1` yang semestinya merepresentasikan penjualan offline.
*   **Identifikasi PIC Aktif**: Untuk menghitung jumlah PIC yang relevan, `NIP` yang berawalan 'V' (menandakan 'vacant' atau kosong) serta entri 'UNKNOWN' telah secara eksplisit dikecualikan dari perhitungan PIC aktif.
*   **Anomali Penjualan Negatif**: Observasi awal menunjukkan adanya nilai penjualan negatif pada beberapa kolom penjualan, yang mengindikasikan kemungkinan retur atau koreksi data.
*   **Atribusi PIC 'Vacant'**: Anomali ditemukan di mana posisi 'VACANT' muncul dalam daftar PIC berkinerja tinggi, mengindikasikan perlunya perbaikan sistem atribusi penjualan dan pelacakan PIC.

**Pertanyaan Kunci Analisis**
Dengan data yang telah disiapkan, laporan ini akan berusaha menjawab beberapa pertanyaan kunci, antara lain:
*   Bagaimana performa penjualan total dan per jenis (online/offline) di setiap outlet?
*   Bagaimana struktur dan jumlah PIC dari tim OMG, AO, dan PDN berhubungan dengan total penjualan outlet?
*   Apakah ada perbedaan produktivitas yang signifikan antar jenjang jabatan dalam tim sales OMG, khususnya dalam penjualan offline?
*   Anomali apa saja yang teridentifikasi dalam data PIC dan penjualan yang membutuhkan perhatian lebih lanjut untuk perbaikan operasional dan data?

Analisis ini akan memberikan dasar yang kuat untuk pengambilan keputusan strategis terkait alokasi sumber daya PIC, peningkatan efisiensi tim sales, dan optimalisasi strategi penjualan.

## 3. Kualitas Data & Pra-pemrosesan

Kualitas data adalah fondasi utama bagi setiap analisis yang akurat dan dapat diandalkan. Tahap pra-pemrosesan data ini bertujuan untuk memastikan integritas, konsistensi, dan kelengkapan data yang digunakan dalam laporan ini, sehingga hasil analisis dapat memberikan wawasan bisnis yang relevan. Serangkaian langkah telah dilakukan untuk membersihkan dan menyiapkan data dari tabel `laporan_data_struktur_gabungan_omg___ao___sales_pdn_sheet1`.

### 3.1 Langkah Pra-pemrosesan Data

Beberapa langkah kunci telah diterapkan untuk meningkatkan kualitas data:

1.  **Penanganan Nilai Hilang**:
    *   Banyak kolom identifikasi Personal In Charge (PIC) seperti Nomor Induk Pegawai (NIP) dan Nama PIC, serta kolom `Outcode`, ditemukan memiliki nilai yang hilang (null). Nilai-nilai ini telah diisi dengan label `'UNKNOWN'` untuk mempertahankan catatan dan mencegah hilangnya baris data. Secara spesifik, sejumlah besar nilai null berhasil diisi pada kolom-kolom berikut:
        *   `Outcode`: 19,999 null
        *   `NIP GM AO`: 20,610 null
        *   `Nama GM AO`: 20,610 null
        *   `NIP Manager AO`: 20,610 null
        *   `Nama Manger AO`: 20,610 null
        *   `NIP SPV AO`: 20,610 null
        *   `Nama SPV AO`: 20,610 null
        *   `NIP PIC AO`: 20,609 null
        *   `Nama PIC AO`: 20,609 null
        *   `NIP GM PDN`: 31,264 null
        *   `Nama GM PDN`: 31,264 null
        *   `NIP Manager PDN`: 31,264 null
        *   `Nama Manger PDN`: 31,264 null
        *   `NIP SPV PDN`: 31,264 null
        *   `Nama SPV PDN`: 31,264 null
        *   `NIP PIC PDN`: 31,264 null
        *   `Nama PIC PDN`: 31,264 null
    *   Untuk kolom-kolom penjualan, telah dipastikan bahwa semua nilai bersifat numerik. Setiap nilai yang hilang (NaN) di kolom penjualan diinterpretasikan sebagai tidak adanya penjualan dan diisi dengan nilai `0`. Langkah ini memastikan bahwa perhitungan agregat penjualan dapat dilakukan dengan benar.

2.  **Koreksi Nomenklatur Kolom Penjualan**:
    *   Berdasarkan klarifikasi domain, kolom `'Value Sales B1 Online.1'` dan `'Value Sales B2 Online.1'` sebenarnya merepresentasikan penjualan offline. Oleh karena itu, nama kolom-kolom ini telah dikoreksi menjadi `'Value Sales B1 Offline'` dan `'Value Sales B2 Offline'` untuk mencerminkan makna data yang sebenarnya dan mencegah interpretasi yang salah dalam analisis.

3.  **Strukturisasi dan Normalisasi Data**:
    *   Sebagai bagian dari persiapan analisis yang lebih mendalam, data mentah telah dinormalisasi dan dipecah menjadi tiga tabel baru:
        *   `normalized_outlets`: Berisi informasi unik tentang setiap outlet (`Kode PI`, `Outcode`, `Nama Apotek`).
        *   `normalized_pics`: Berisi daftar NIP dan Nama PIC yang unik dan aktif. Penting untuk dicatat bahwa NIP yang berawalan 'V' (menandakan posisi kosong atau 'vacant') dan entri 'UNKNOWN' telah dikecualikan dari tabel ini untuk memastikan bahwa analisis produktivitas PIC hanya mempertimbangkan individu yang memang sedang menjabat.
        *   `laporan_sales_fact`: Tabel ini berfungsi sebagai tabel fakta utama yang mengkonsolidasikan data penjualan dan atribut PIC dari berbagai tim (OMG, AO, PDN) untuk setiap outlet. Tabel ini menjadi dasar untuk semua perhitungan metrik penjualan dan analisis hubungan antara PIC dan performa penjualan.

### 3.2 Observasi Kualitas Data dari Statistik Deskriptif Awal

Setelah langkah-langkah pra-pemrosesan, dilakukan perhitungan statistik deskriptif awal pada kolom-kolom penjualan di tabel `laporan_sales_fact`. Hasilnya memberikan gambaran sekilas tentang distribusi data dan mengungkap beberapa anomali penting:

#### Statistik Deskriptif untuk Kolom Penjualan dalam 'laporan_sales_fact'

| | Count | Sum | Mean | Std Dev | Min | 25th Percentile | Median | 75th Percentile | Max |
|:---|---:|---:|---:|---:|---:|---:|---:|---:|---:|
| Value Sales B1 Online | 33,715 | 20,485,855,101 | 607,618.42 | 5,420,404.93 | 0 | 0 | 0 | 0 | 349,540,940 |
| Value Sales B1 Offline | 33,715 | 31,049,641,924.73 | 920,944.44 | 10,789,704.57 | -81,873,200 | 0 | 0 | 221,000 | 986,682,504 |
| Value Sales B2 Online | 33,715 | 15,947,628,187 | 473,012.85 | 4,128,771.35 | 0 | 0 | 0 | 0 | 230,465,600 |
| Value Sales B2 Offline | 33,715 | 24,610,104,931.98 | 729,945.27 | 10,126,789.46 | -9,600,000 | 0 | 0 | 197,000 | 1,017,071,010 |
| Value Sales B3 Online | 33,715 | 17,271,922,555 | 512,291.93 | 4,288,506.42 | 0 | 0 | 0 | 0 | 217,732,160 |
| Value Sales B3 Offline | 33,715 | 29,105,476,348.01 | 863,279.74 | 10,807,987.68 | -15,700,070 | 0 | 0 | 260,000 | 1,196,470,100 |
| Total Sales | 33,715 | 138,470,629,047.72 | 4,107,092.66 | 32,903,901.78 | -81,873,200 | 0 | 140,160 | 1,685,752 | 2,976,791,016 |

Dari statistik di atas, beberapa poin kualitas data menonjol:

*   **Nilai Penjualan Negatif**: Adanya nilai penjualan negatif yang signifikan pada kolom `Value Sales B1 Offline` (-81,873,200), `Value Sales B2 Offline` (-9,600,000), `Value Sales B3 Offline` (-15,700,070), dan `Total Sales` (-81,873,200) adalah anomali yang perlu diperhatikan. Nilai negatif dalam konteks penjualan biasanya mengindikasikan retur barang, diskon besar, atau koreksi data. Namun, besarnya nilai negatif ini memerlukan investigasi lebih lanjut untuk memahami penyebabnya dan potensi dampaknya terhadap akurasi analisis profitabilitas atau performa penjualan murni.
*   **Proporsi Penjualan Nol yang Tinggi**: Untuk sebagian besar kolom penjualan (terutama Online), nilai median adalah `0`. Ini menunjukkan bahwa lebih dari 50% outlet tidak mencatat penjualan untuk kategori dan periode tersebut. Ini bukan masalah kualitas data per se, melainkan karakteristik data yang mengindikasikan kepadatan data yang rendah untuk penjualan di banyak outlet, yang perlu dipertimbangkan saat menganalisis performa.
*   **Variabilitas yang Tinggi**: Deviasi standar yang sangat besar dibandingkan dengan rata-rata menunjukkan variasi yang ekstrem dalam data penjualan, dengan beberapa outlet memiliki penjualan sangat tinggi dan banyak lainnya memiliki penjualan rendah atau nol.

### 3.3 Anomali Teridentifikasi dan Rekomendasi Awal

Selain isu yang terungkap dari statistik deskriptif, terdapat anomali terkait identifikasi PIC:

*   **NIP "VACANT" dalam Analisis Produktivitas**: Meskipun NIP yang berawalan 'V' (vacant) seharusnya dikecualikan dari perhitungan PIC aktif, analisis produktivitas PIC tim OMG menunjukkan bahwa beberapa entri `NIP SPV OMG` dengan nama seperti `(VACANT) JAKARTA BARAT 03` masih muncul dalam daftar PIC berkinerja tinggi. Ini mengindikasikan potensi inkonsistensi dalam penerapan aturan eksklusi NIP 'VACANT' pada tahapan analisis, atau adanya atribusi penjualan ke posisi yang sebenarnya kosong.

**Rekomendasi:**

1.  **Investigasi Nilai Penjualan Negatif**: Segera lakukan investigasi mendalam terhadap asal-usul nilai penjualan negatif. Pahami apakah ini representasi retur yang valid, koreksi akuntansi, atau data error. Klarifikasi ini penting untuk menentukan apakah nilai tersebut harus dikecualikan, disesuaikan, atau diinterpretasikan secara spesifik dalam analisis.
2.  **Penyempurnaan Proses Identifikasi PIC Aktif**: Validasi ulang mekanisme yang digunakan untuk memfilter NIP 'VACANT' dari analisis produktivitas. Pastikan bahwa semua entri NIP yang berawalan 'V' atau yang secara eksplisit ditandai sebagai 'VACANT' (termasuk pada kolom nama) sepenuhnya dikecualikan dari perhitungan jumlah PIC aktif dan atribusi penjualan individu. Hal ini krusial untuk memastikan bahwa analisis produktivitas benar-benar mencerminkan kinerja individu yang menjabat.
3.  **Kaji Ulang Atribusi Penjualan ke Posisi Kosong**: Jika penjualan memang diatribusikan ke posisi 'VACANT', perlu dipertimbangkan untuk mengalokasikan penjualan tersebut secara berbeda (misalnya, ke supervisor langsung atau ke kategori "penjualan tanpa PIC aktif") untuk mendapatkan gambaran yang lebih akurat tentang kinerja individu PIC.
4.  **Evaluasi Data Sparing Penjualan**: Meskipun bukan error, proporsi penjualan nol yang tinggi mengindikasikan bahwa banyak outlet mungkin tidak aktif atau tidak relevan untuk jenis penjualan tertentu. Analisis selanjutnya perlu mempertimbangkan hal ini, mungkin dengan fokus pada outlet yang memiliki penjualan positif atau dengan strategi segmentasi yang sesuai.

## 4. Gambaran Umum Data Penjualan

Data penjualan yang dicatat dari 33.715 entri outlet selama tiga bulan terakhir (B1: 1 bulan lalu, B2: 2 bulan lalu, B3: 3 bulan lalu) memberikan gambaran menyeluruh tentang kinerja bisnis. Total penjualan agregat yang tercatat mencapai **138.470.629.048**. Data ini mencakup kombinasi penjualan online dan offline, yang masing-masing menunjukkan pola dan karakteristik yang berbeda.

### Distribusi Penjualan Keseluruhan

Secara umum, data penjualan menunjukkan rentang yang sangat luas, dari nilai terendah **-81.873.200** hingga nilai tertinggi **2.976.791.016**. Nilai penjualan negatif ini, yang juga terlihat pada periode offline tertentu, mengindikasikan kemungkinan retur dalam jumlah besar atau koreksi data, sebagaimana telah disinggung dalam Bab 3.

Salah satu karakteristik penting dari distribusi penjualan adalah sifatnya yang sangat *sparse* atau jarang. Untuk sebagian besar kategori penjualan online, nilai median adalah **0**. Ini berarti lebih dari 50% outlet tidak mencatat penjualan online untuk periode tersebut. Meskipun penjualan offline memiliki nilai median yang sedikit lebih tinggi di beberapa periode (misalnya, **221.000** untuk B1 Offline, **197.000** untuk B2 Offline, dan **260.000** untuk B3 Offline), ini masih menunjukkan bahwa sebagian besar outlet memiliki penjualan yang relatif rendah atau tidak ada sama sekali. Ini mengindikasikan bahwa sebagian besar volume penjualan didorong oleh sejumlah kecil outlet berkinerja tinggi.

### Perbandingan Penjualan Online dan Offline

Penjualan offline secara konsisten menunjukkan kontribusi yang lebih besar terhadap total penjualan dibandingkan dengan penjualan online. Analisis agregat selama tiga bulan menunjukkan bahwa penjualan offline secara signifikan mendominasi.

Berikut adalah rekapitulasi total nilai penjualan berdasarkan saluran dan periode:

| Periode Penjualan | Total Penjualan Online | Total Penjualan Offline |
|:------------------|-----------------------:|------------------------:|
| B1 (1 bulan lalu) | 20,485,855,101         | 31,049,641,925          |
| B2 (2 bulan lalu) | 15,947,628,187         | 24,610,104,932          |
| B3 (3 bulan lalu) | 17,271,922,555         | 29,105,476,348          |
| **Total Agregat** | **53,705,405,843**     | **84,765,223,205**      |

Dari tabel di atas, terlihat jelas bahwa total penjualan offline (sekitar **84,76 miliar**) jauh melampaui total penjualan online (sekitar **53,70 miliar**) selama periode tiga bulan. Hal ini diperkuat dengan pengamatan nilai penjualan maksimum:

*   Penjualan Offline mencapai puncaknya di **1.196.470.100** (B3 Offline), **1.017.071.010** (B2 Offline), dan **986.682.504** (B1 Offline).
*   Penjualan Online tertinggi hanya mencapai **349.540.940** (B1 Online), **230.465.600** (B2 Online), dan **217.732.160** (B3 Online).

Penjualan offline juga menunjukkan volatilitas yang lebih tinggi, dengan deviasi standar yang jauh lebih besar dibandingkan penjualan online. Ini mengindikasikan adanya beberapa outlet dengan penjualan offline yang sangat tinggi.

### Tren Penjualan Bulanan

Melihat tren penjualan dari bulan ke bulan, terdapat fluktuasi yang perlu diperhatikan:

*   **Penjualan Online**: Mengalami penurunan dari B1 ke B2 (**20,49 miliar** menjadi **15,95 miliar**), kemudian sedikit meningkat kembali di B3 (**17,27 miliar**). Penurunan pada B2 perlu dianalisis lebih lanjut untuk memahami penyebabnya.
*   **Penjualan Offline**: Juga menunjukkan penurunan dari B1 ke B2 (**31,05 miliar** menjadi **24,61 miliar**), namun pulih dengan cukup baik di B3 (**29,11 miliar**), mendekati level B1.

Tren ini menunjukkan adanya dinamika pasar bulanan yang mempengaruhi kedua saluran penjualan, namun penjualan offline tampak lebih stabil dalam pemulihan.

### Implikasi Bisnis Awal

1.  **Prioritas Strategi Offline**: Mengingat dominasi nilai penjualan offline, upaya strategis mungkin perlu lebih difokuskan pada pengoptimalan proses penjualan offline dan dukungan untuk PIC tim OMG yang secara eksklusif menangani penjualan ini.
2.  **Peluang Pertumbuhan Online**: Meskipun nilai totalnya lebih rendah, penjualan online mewakili potensi pertumbuhan. Analisis lebih lanjut diperlukan untuk mengidentifikasi outlet yang berhasil dalam penjualan online dan mereplikasi praktik terbaik mereka.
3.  **Investigasi Penurunan Penjualan B2**: Penurunan penjualan di semua saluran pada periode B2 memerlukan investigasi mendalam. Apakah ada faktor musiman, perubahan kebijakan, atau event tertentu yang berkontribusi pada penurunan ini?
4.  **Manajemen Outlet "Nol Penjualan"**: Proporsi tinggi outlet dengan penjualan nol mengindikasikan perlunya strategi untuk mengaktifkan kembali atau mengevaluasi ulang kelayakan bisnis outlet-outlet tersebut. Ini bisa berupa program insentif, pelatihan ulang PIC, atau bahkan rasionalisasi portofolio outlet.
5.  **Penanganan Anomali Penjualan Negatif**: Meskipun telah disebutkan dalam Bab 3, penting untuk terus memantau dan memahami akar penyebab nilai penjualan negatif yang signifikan. Hal ini krusial untuk memastikan bahwa data mencerminkan performa penjualan yang akurat dan bukan transaksi yang membingungkan.

## 5. Analisis Performa Penjualan Outlet

Analisis performa penjualan outlet adalah inti dari laporan ini, yang bertujuan untuk memahami bagaimana kinerja penjualan di setiap outlet berhubungan dengan struktur dan jumlah Person In Charge (PIC) dari tim sales yang menanganinya.

### 5.1 Pengaruh Jumlah PIC per Tim terhadap Total Penjualan Outlet

Untuk menganalisis hubungan antara jumlah PIC dari setiap tim (OMG, AO, PDN) dan total penjualan outlet, kami menggunakan model regresi linear berganda. Analisis ini mengukur seberapa besar variasi total penjualan outlet dapat dijelaskan oleh jumlah PIC aktif dan unik dari masing-masing tim.

**Ringkasan Hasil Regresi Linear Berganda**

| Metric             | Value               |
|:-------------------|:--------------------|
| R-squared          | 0.0209              |
| Adj. R-squared     | 0.0209              |
| F-statistic        | 240.37              |
| Prob (F-statistic) | 0.0000              |
| No. Observations   | 33715               |
| Df Residuals       | 33711               |

**Koefisien dan Signifikansi Statistik**

| Term               | Coefficient         | Std. Error          | t-value             | P>|t|             | 95% Conf. Int. Lower | 95% Conf. Int. Upper |
|:-------------------|:--------------------|:--------------------|:--------------------|:--------------------|:---------------------|:---------------------|
| const              | 63,323,000          | 2,393,700           | 26.4538             | 0.0000              | 58,631,000           | 68,014,000           |
| num_pics_omg       | -15,513,000         | 613,860             | -25.2710            | 0.0000              | -16,716,000          | -14,310,000          |
| num_pics_ao        | 735,920             | 97,689              | 7.5333              | 0.0000              | 544,440              | 927,390              |
| num_pics_pdn       | 893,140             | 184,910             | 4.8302              | 0.0000              | 530,720              | 1,255,600            |

#### Interpretasi Hasil
Model regresi menunjukkan bahwa, secara keseluruhan, ada hubungan statistik yang signifikan antara jumlah PIC dari tim OMG, AO, dan PDN dengan Total Penjualan Outlet (nilai F-statistic yang tinggi dengan p-value 0.0000). Namun, nilai R-squared yang sebesar 0.0209 mengindikasikan bahwa hanya sekitar 2.1% variasi dalam total penjualan outlet yang dapat dijelaskan oleh jumlah PIC dari ketiga tim ini. Ini menunjukkan bahwa meskipun ada pengaruh, faktor-faktor lain yang tidak termasuk dalam model (seperti lokasi outlet, jenis produk, harga, aktivitas promosi, atau kondisi pasar) memiliki dampak yang jauh lebih besar pada total penjualan.

Melihat koefisien individual:
*   **Jumlah PIC Tim OMG (`num_pics_omg`)**: Koefisien sebesar **-15,513,000** dengan p-value 0.0000 menunjukkan hubungan negatif yang signifikan secara statistik. Ini berarti, secara counter-intuitif, setiap penambahan satu PIC dari tim OMG diasosiasikan dengan *penurunan* total penjualan outlet sebesar 15,513,000, dengan asumsi jumlah PIC tim lain konstan. Temuan ini merupakan anomali kritis yang memerlukan investigasi mendalam, karena normalnya penambahan sumber daya manusia diharapkan berkorelasi positif dengan peningkatan kinerja.
*   **Jumlah PIC Tim AO (`num_pics_ao`)**: Koefisien positif sebesar **735,920** dengan p-value 0.0000 menunjukkan hubungan positif yang signifikan. Setiap penambahan satu PIC dari tim AO dikaitkan dengan peningkatan total penjualan outlet sebesar 735,920. Ini sejalan dengan ekspektasi bahwa penambahan personel akan berkontribusi pada penjualan.
*   **Jumlah PIC Tim PDN (`num_pics_pdn`)**: Sama seperti tim AO, koefisien positif sebesar **893,140** dengan p-value 0.0000 menunjukkan hubungan positif yang signifikan. Setiap penambahan satu PIC dari tim PDN dikaitkan dengan peningkatan total penjualan outlet sebesar 893,140.

### 5.2 Anomali dan Implikasi Terhadap Performa Penjualan Outlet

Temuan anomali dalam analisis regresi dan kualitas data PIC memberikan implikasi penting terhadap pemahaman performa penjualan outlet:

1.  **Koefisien Negatif PIC OMG**: Hubungan negatif antara jumlah PIC OMG dan total penjualan adalah temuan paling mencolok. Hal ini bisa mengindikasikan beberapa skenario:
    *   **Alokasi yang Tidak Efisien**: Mungkin PIC OMG dialokasikan ke outlet dengan performa rendah dalam upaya untuk meningkatkan penjualan, namun upaya tersebut belum membuahkan hasil positif, atau bahkan mengindikasikan masalah struktural pada outlet tersebut.
    *   **Tumpang Tindih Peran**: Bisa jadi penambahan PIC OMG tidak selalu berarti efisiensi, melainkan tumpang tindih peran atau kurangnya koordinasi yang justru dapat menghambat penjualan.
    *   **Permasalahan Data**: Meskipun data telah dibersihkan, ada kemungkinan isu data yang lebih dalam yang memengaruhi bagaimana PIC OMG diatribusikan atau bagaimana penjualan dicatat.

2.  **PIC "VACANT" dalam Analisis Produktivitas**: Seperti yang disinggung di bab sebelumnya, adanya NIP "VACANT" (misalnya, `(VACANT) JAKARTA BARAT 03`) yang muncul dalam daftar PIC berkinerja tinggi dalam analisis produktivitas OMG (berdasarkan rata-rata penjualan offline per outlet yang dikelola) menunjukkan bahwa penjualan masih diatribusikan ke posisi yang sebenarnya tidak memiliki personel aktif. Ini dapat menyebabkan salah atribusi penjualan dan mengaburkan pemahaman kita tentang performa penjualan outlet yang sebenarnya dikelola oleh PIC aktif. Jika penjualan dicatat di bawah "VACANT", maka performa outlet yang sebenarnya dikelola oleh PIC aktif bisa jadi terlihat lebih rendah, atau sebaliknya, performa outlet yang tidak memiliki PIC aktif namun tercatat di bawah "VACANT" terlihat tinggi secara tidak wajar.

### 5.3 Rekomendasi

Berdasarkan analisis performa penjualan outlet dan hubungan dengan jumlah PIC, serta anomali yang ditemukan, berikut adalah rekomendasi yang dapat diambil:

1.  **Investigasi Mendalam Koefisien Negatif PIC OMG**: Segera lakukan studi kualitatif dan kuantitatif untuk memahami alasan di balik hubungan negatif antara jumlah PIC OMG dan total penjualan outlet. Pertimbangkan untuk menganalisis:
    *   **Penempatan PIC OMG**: Apakah PIC OMG ditempatkan di outlet yang secara inheren sulit, atau yang memerlukan upaya perbaikan intensif?
    *   **Metodologi Kerja**: Apakah ada perbedaan dalam pendekatan kerja atau pelatihan PIC OMG yang menyebabkan hasil ini?
    *   **Beban Kerja PIC OMG**: Apakah penambahan PIC justru meningkatkan birokrasi atau mengurangi fokus individu?
2.  **Validasi Ulang Data Atribusi Penjualan ke PIC "VACANT"**: Perbaiki sistem atau proses atribusi penjualan untuk memastikan bahwa penjualan hanya diatribusikan kepada PIC aktif dengan NIP yang valid. Penjualan yang terjadi di outlet tanpa PIC aktif atau dengan posisi "VACANT" harus dialokasikan ke kategori terpisah atau di bawah penanggung jawab tingkat yang lebih tinggi, bukan ke posisi kosong, agar tidak mendistorsi analisis produktivitas individu.
3.  **Optimalisasi Alokasi PIC AO dan PDN**: Mengingat koefisien positif dan signifikan untuk PIC AO dan PDN, perusahaan dapat mempertimbangkan strategi untuk:
    *   **Peningkatan Efisiensi Alokasi**: Identifikasi karakteristik outlet yang paling diuntungkan dari penambahan PIC AO dan PDN untuk mengoptimalkan alokasi sumber daya.
    *   **Analisis Batas Optimal**: Lakukan analisis lebih lanjut untuk menentukan titik balik di mana penambahan PIC AO dan PDN mungkin tidak lagi memberikan keuntungan penjualan yang sepadan.
4.  **Identifikasi Faktor Penjualan Lain**: Karena model regresi hanya menjelaskan sebagian kecil variasi penjualan, fokus juga harus dialihkan untuk mengidentifikasi dan mengukur dampak faktor-faktor lain yang memengaruhi performa penjualan outlet (misalnya, lokasi, demografi pelanggan, strategi penetapan harga, ketersediaan stok, atau inisiatif pemasaran).
5.  **Pembaruan Data NIP**: Pastikan bahwa semua PIC aktif memiliki NIP yang tidak diawali dengan 'V' dan entri "UNKNOWN" dihilangkan dari perhitungan PIC aktif untuk mendapatkan gambaran produktivitas yang akurat.

## 5.1 Dampak Jumlah PIC per Tim terhadap Total Penjualan

Untuk menganalisis dampak jumlah Person In Charge (PIC) dari setiap tim sales (OMG, AO, PDN) terhadap Total Penjualan Outlet, kami menggunakan model regresi linear berganda. Analisis ini bertujuan untuk mengukur seberapa besar variasi total penjualan outlet dapat dijelaskan oleh jumlah PIC aktif dan unik dari masing-masing tim. Variabel dependen adalah 'Total Sales', sedangkan variabel independen adalah 'num_pics_omg', 'num_pics_ao', dan 'num_pics_pdn' yang merepresentasikan jumlah PIC unik non-vacant dari masing-masing tim di setiap outlet.

### Ringkasan Hasil Regresi Linear Berganda

Model regresi yang dibangun menghasilkan statistik berikut:

| Metrik             | Nilai               |
|:-------------------|:--------------------|
| R-squared          | 0.0209              |
| Adj. R-squared     | 0.0209              |
| F-statistik        | 240.37              |
| Prob (F-statistik) | 0.0000              |
| Jumlah Observasi   | 33,715              |
| Derajat Kebebasan Residual | 33,711              |

### Koefisien dan Signifikansi Statistik

Berikut adalah detail koefisien untuk setiap variabel dalam model regresi:

| Term               | Koefisien           | Std. Error          | t-value             | P>\|t\|             | 95% Conf. Int. Lower | 95% Conf. Int. Upper |
|:-------------------|:--------------------|:--------------------|:--------------------|:--------------------|:---------------------|:---------------------|
| const              | 63,323,000          | 2,393,700           | 26.4538             | 0.0000              | 58,631,000           | 68,014,000           |
| num_pics_omg       | -15,513,000         | 613,860             | -25.2710            | 0.0000              | -16,716,000          | -14,310,000          |
| num_pics_ao        | 735,920             | 97,689              | 7.5333              | 0.0000              | 544,440              | 927,390              |
| num_pics_pdn       | 893,140             | 184,910             | 4.8302              | 0.0000              | 530,720              | 1,255,600            |

### Interpretasi Hasil

Model regresi menunjukkan bahwa, secara keseluruhan, terdapat hubungan statistik yang signifikan antara jumlah PIC dari tim OMG, AO, dan PDN dengan Total Penjualan Outlet. Ini ditunjukkan oleh nilai F-statistik yang tinggi (240.37) dengan p-value yang sangat rendah (0.0000), yang berarti model ini secara kolektif signifikan dalam menjelaskan variasi penjualan.

Namun, nilai R-squared yang hanya sebesar 0.0209 mengindikasikan bahwa jumlah PIC dari ketiga tim ini hanya mampu menjelaskan sekitar **2.1%** dari total variasi dalam penjualan outlet. Angka ini relatif sangat rendah, menunjukkan bahwa faktor-faktor lain yang tidak termasuk dalam model (seperti lokasi outlet, jenis produk, harga, aktivitas promosi, kondisi pasar, atau efektivitas individu PIC) memiliki dampak yang jauh lebih besar pada total penjualan.

Melihat koefisien individual:

*   **Jumlah PIC Tim OMG (`num_pics_omg`)**: Koefisien ini menunjukkan nilai **-15,513,000** dengan p-value 0.0000, yang sangat signifikan secara statistik. Ini adalah temuan anomali yang krusial: setiap penambahan satu PIC dari tim OMG dikaitkan dengan **penurunan** total penjualan outlet sebesar 15,513,000, dengan asumsi jumlah PIC tim lain konstan. Secara intuitif, penambahan sumber daya manusia diharapkan berkorelasi positif dengan peningkatan kinerja. Hubungan negatif yang signifikan ini merupakan sinyal merah yang memerlukan investigasi mendalam.

*   **Jumlah PIC Tim AO (`num_pics_ao`)**: Koefisien positif sebesar **735,920** dengan p-value 0.0000 menunjukkan hubungan positif yang signifikan secara statistik. Ini berarti, setiap penambahan satu PIC dari tim AO dikaitkan dengan **peningkatan** total penjualan outlet sebesar 735,920, dengan asumsi jumlah PIC tim lain konstan. Temuan ini sejalan dengan ekspektasi bahwa penambahan personel akan berkontribusi pada penjualan.

*   **Jumlah PIC Tim PDN (`num_pics_pdn`)**: Serupa dengan tim AO, koefisien positif sebesar **893,140** dengan p-value 0.0000 menunjukkan hubungan positif yang signifikan secara statistik. Setiap penambahan satu PIC dari tim PDN dikaitkan dengan **peningkatan** total penjualan outlet sebesar 893,140, dengan asumsi jumlah PIC tim lain konstan. Ini juga mendukung ekspektasi umum tentang kontribusi personel.

### Implikasi dan Rekomendasi

Temuan regresi ini menyoroti beberapa area penting untuk perhatian dan tindakan:

1.  **Anomali Koefisien Negatif PIC OMG**: Hubungan negatif yang signifikan antara jumlah PIC OMG dan total penjualan adalah hasil yang paling mencolok dan memerlukan prioritas investigasi tertinggi. Kemungkinan skenarionya meliputi:
    *   **Alokasi Tidak Efisien**: PIC OMG mungkin dialokasikan secara strategis ke outlet-outlet yang sudah berkinerja buruk atau memiliki tantangan besar, dalam upaya untuk membalikkan keadaan. Namun, upaya ini belum membuahkan hasil positif, atau bahkan mengindikasikan masalah struktural yang lebih dalam di outlet tersebut yang tidak dapat diatasi hanya dengan penambahan personel.
    *   **Tumpang Tindih Peran atau Miskoordinasi**: Penambahan PIC OMG bisa jadi tidak selalu meningkatkan efisiensi, melainkan justru menciptakan tumpang tindih peran atau kurangnya koordinasi, yang secara tidak langsung dapat menghambat produktivitas dan penjualan.
    *   **Isu Data**: Meskipun telah dilakukan pembersihan data, ada kemungkinan isu atribusi penjualan atau pencatatan jumlah PIC yang lebih dalam yang memengaruhi hasil ini. Selain itu, temuan sebelumnya mengenai "VACANT" NIP yang masih muncul dalam analisis produktivitas (seperti `(VACANT) JAKARTA BARAT 03` sebagai PIC berkinerja tinggi) dapat mengindikasikan bahwa jumlah PIC yang kita hitung mungkin tidak sepenuhnya mencerminkan jumlah PIC aktif yang sebenarnya dan secara langsung bertanggung jawab atas penjualan, sehingga membingungkan hasil regresi.

2.  **Kontribusi Positif PIC AO dan PDN**: Berbeda dengan OMG, penambahan PIC dari tim AO dan PDN menunjukkan korelasi positif yang signifikan dengan peningkatan total penjualan. Ini mengindikasikan bahwa alokasi sumber daya pada kedua tim ini cenderung memberikan dampak positif pada performa penjualan outlet.

3.  **Faktor Lain yang Dominan**: R-squared yang rendah menegaskan bahwa ada banyak faktor lain di luar jumlah PIC yang sangat memengaruhi total penjualan outlet. Ini bisa jadi terkait dengan kondisi pasar makro, demografi pelanggan, strategi produk, harga, aktivitas pemasaran, atau efisiensi operasional internal outlet.

**Rekomendasi Tindak Lanjut:**

*   **Prioritaskan Investigasi Koefisien Negatif PIC OMG**: Lakukan analisis mendalam, baik kualitatif maupun kuantitatif, untuk memahami akar penyebab hubungan negatif ini. Ini harus mencakup audit proses alokasi PIC OMG, pemetaan ulang penempatan PIC OMG terhadap profil kinerja outlet, dan wawancara dengan PIC serta manajer terkait untuk mendapatkan wawasan operasional.
*   **Perkuat Proses Atribusi PIC & Penjualan**: Lanjutkan upaya validasi ulang data NIP dan atribusi penjualan. Pastikan bahwa hanya PIC aktif dan valid yang dihitung dan bahwa penjualan diatribusikan secara akurat. Eliminasi entri "VACANT" dari perhitungan PIC aktif agar tidak mendistorsi analisis produktivitas dan dampaknya terhadap penjualan.
*   **Optimalkan Alokasi PIC AO dan PDN**: Dengan koefisien positif yang teridentifikasi, identifikasi karakteristik outlet yang paling responsif terhadap penambahan PIC dari tim AO dan PDN. Ini dapat membantu dalam mengoptimalkan strategi penempatan personel untuk memaksimalkan dampak penjualan.
*   **Perluas Model Analisis Penjualan**: Mengingat R-squared yang rendah, perluasan model regresi dengan menyertakan variabel-variabel lain yang relevan seperti karakteristik outlet (ukuran, lokasi), demografi pelanggan, jenis produk yang dijual, atau data aktivitas promosi sangat disarankan untuk mendapatkan pemahaman yang lebih komprehensif tentang faktor-faktor pendorong penjualan.

## 6. Analisis Produktivitas PIC Tim OMG

Bab ini berfokus pada analisis produktivitas individu PIC (Person In Charge) dari Tim OMG, khususnya dalam kontribusi terhadap penjualan offline. Produktivitas diukur melalui "Rata-rata Penjualan Offline per Outlet yang Dikelola" untuk setiap PIC. Analisis ini juga membandingkan metrik produktivitas tersebut antar jenjang jabatan (role) dalam Tim OMG untuk mengidentifikasi pola dan perbedaan signifikan, serta menyoroti individu PIC dengan performa tertinggi dan terendah.

### 6.1 Statistik Deskriptif Rata-rata Penjualan Offline per Outlet yang Dikelola berdasarkan Peran Tim OMG

Analisis awal dilakukan dengan mengelompokkan PIC OMG berdasarkan peran mereka dan menghitung rata-rata penjualan offline per outlet yang dikelola. Ini memberikan gambaran umum tentang bagaimana produktivitas penjualan bervariasi di berbagai tingkatan dalam struktur Tim OMG.

| Peran | Jumlah PIC | Rata-rata Penjualan Offline per Outlet | Std Dev Rata-rata Penjualan Offline per Outlet |
|:---|---:|---:|---:|
| NSM | 4 | 2,467,594.10 | 370,804.12 |
| SM | 11 | 2,600,767.39 | 510,061.49 |
| ASM | 54 | 3,057,325.30 | 3,394,546.31 |
| SPV | 102 | 3,244,434.72 | 5,689,318.77 |
| FF | 241 | 1,536,979.71 | 1,134,084.09 |

Dari tabel di atas, terlihat bahwa Supervisor (SPV) memiliki rata-rata penjualan offline per outlet yang dikelola paling tinggi (3,244,434.72), diikuti oleh Area Sales Manager (ASM) dengan 3,057,325.30. Sementara itu, Field Force (FF) memiliki rata-rata penjualan offline per outlet yang dikelola paling rendah (1,536,979.71). Variasi dalam produktivitas juga sangat tinggi, terutama pada peran SPV dan ASM, yang ditunjukkan oleh nilai standar deviasi yang besar, mengindikasikan bahwa terdapat perbedaan kinerja yang signifikan antar individu dalam peran yang sama.

### 6.2 Hasil Uji ANOVA: Perbandingan Rata-rata Penjualan Offline per Outlet Antar Peran OMG

Untuk menentukan apakah perbedaan rata-rata penjualan offline per outlet yang dikelola antar peran OMG ini signifikan secara statistik, dilakukan uji ANOVA (Analysis of Variance).

*   **F-statistik**: 6.2182
*   **P-value**: 0.0001

**Interpretasi:** Nilai p-value (0.0001) yang jauh lebih kecil dari 0.05 menunjukkan bahwa ada perbedaan yang signifikan secara statistik dalam rata-rata penjualan offline per outlet yang dikelola di antara setidaknya beberapa peran dalam Tim OMG. Ini menegaskan bahwa jenjang jabatan atau peran dalam tim memang memiliki dampak yang berbeda terhadap produktivitas penjualan offline, seperti yang diukur oleh metrik ini.

### 6.3 PIC OMG Berkinerja Terbaik dan Terendah

Berikut adalah daftar PIC OMG dengan "Rata-rata Penjualan Offline per Outlet yang Dikelola" tertinggi dan terendah:

#### Top 5 PIC OMG berdasarkan Rata-rata Penjualan Offline per Outlet yang Dikelola

| NIP | Nama | Peran | Rata-rata Penjualan Offline per Outlet | Jumlah Outlet Dikelola |
|:---|:---|:---|---:|---:|
| NIP SPV OMG | (VACANT) JAKARTA BARAT 03 | SPV | 54,525,141.95 | 64 |
| L240062 | SUPRIYATNA | ASM | 23,108,025.14 | 167 |
| NIP SPV OMG | (VACANT) BEKASI 04 | SPV | 18,281,598.02 | 136 |
| NIP SPV OMG | (VACANT) JAKARTA PUSAT + JAKARTA UTARA 02 | SPV | 15,405,880.60 | 184 |
| L260076 | SUBHAN FITRAHILAH | ASM | 11,292,392.17 | 265 |

#### Bottom 5 PIC OMG berdasarkan Rata-rata Penjualan Offline per Outlet yang Dikelola

| NIP | Nama | Peran | Rata-rata Penjualan Offline per Outlet | Jumlah Outlet Dikelola |
|:---|:---|:---|---:|---:|
| NIP SPV OMG | (VACANT) JAKARTA 01 | SPV | 0.00 | 3 |
| P240089 | YUSRAN MASYHURI | FF | 149,547.96 | 207 |
| P230420 | NILAN CAHYA | FF | 212,861.74 | 92 |
| P230274 | SATYA BAKTI ARAYAKEN BUSTANI | FF | 224,260.90 | 166 |
| P220027 | RIFKY DEBRIAN PUTRA | FF | 225,111.30 | 127 |

### 6.4 Temuan dan Implikasi Khusus

1.  **Anomali NIP "VACANT"**: Seperti yang disinggung di bab-bab sebelumnya, kehadiran NIP yang ditandai sebagai `NIP SPV OMG` dengan nama `(VACANT) ...` dalam daftar PIC berkinerja paling tinggi adalah anomali yang sangat mencolok. Ini menunjukkan bahwa penjualan yang signifikan masih diatribusikan ke posisi yang kosong atau belum terisi. Hal ini secara serius mendistorsi gambaran produktivitas individu PIC yang sebenarnya dan dapat menyebabkan kesimpulan yang salah mengenai kinerja tim atau individu.
2.  **Perbedaan Produktivitas Antar Peran**: SPV menunjukkan rata-rata penjualan per outlet tertinggi, sementara Field Force (FF) terendah. Ini bisa mencerminkan perbedaan dalam tanggung jawab, fokus strategis, atau tingkat pengalaman/keterampilan yang berbeda antar jenjang. SPV mungkin bertanggung jawab atas outlet-outlet strategis atau memiliki wewenang lebih besar dalam mendorong penjualan.
3.  **Variasi Internal Peran**: Standar deviasi yang tinggi untuk peran seperti SPV dan ASM mengindikasikan adanya perbedaan kinerja yang signifikan dalam peran yang sama. Ini menunjukkan bahwa meskipun rata-rata SPV tinggi, tidak semua SPV berkinerja sama baiknya, dan ada potensi untuk mengidentifikasi praktik terbaik dari SPV berkinerja tinggi.
4.  **Outlet yang Dikelola oleh PIC Berkinerja Rendah**: PIC di daftar bawah (terutama FF) cenderung memiliki rata-rata penjualan per outlet yang jauh lebih rendah, meskipun beberapa di antaranya mengelola jumlah outlet yang cukup banyak. Ini menunjukkan adanya ruang untuk peningkatan kinerja atau evaluasi ulang efektivitas manajemen outlet pada level ini.

### 6.5 Rekomendasi

Berdasarkan analisis produktivitas Tim OMG, berikut adalah rekomendasi yang dapat diambil:

1.  **Eliminasi Total NIP "VACANT" dari Analisis Produktivitas Individual**: Prioritaskan untuk membersihkan data NIP dan atribusi penjualan. Pastikan bahwa penjualan hanya diatribusikan ke PIC yang aktif dan memiliki NIP yang valid (tidak diawali dengan 'V' atau berlabel 'UNKNOWN'/'VACANT'). Penjualan yang terkait dengan posisi kosong harus dialokasikan secara berbeda (misalnya, ke supervisor tingkat atas atau kategori 'penjualan tanpa PIC aktif') untuk menghindari distorsi dalam penilaian produktivitas individu.

2.  **Investigasi Mendalam Perbedaan Produktivitas Antar Peran**: Lakukan analisis lebih lanjut untuk memahami mengapa SPV memiliki rata-rata penjualan per outlet tertinggi dan FF terendah. Pertimbangkan aspek-aspek berikut:
    *   **Tanggung Jawab dan Wewenang**: Apakah peran dan tanggung jawab masing-masing jenjang sudah jelas dan optimal?
    *   **Alokasi Outlet**: Apakah outlet yang dialokasikan ke SPV dan FF memiliki karakteristik yang berbeda secara fundamental (misalnya, potensi penjualan, ukuran, lokasi)?
    *   **Pelatihan dan Pengembangan**: Apakah ada kesenjangan dalam pelatihan atau dukungan yang diberikan kepada FF dibandingkan dengan jenjang yang lebih tinggi?
    *   **Praktik Terbaik**: Identifikasi praktik terbaik dari SPV dan ASM berkinerja tinggi, dan pertimbangkan untuk mereplikasi praktik tersebut ke seluruh tim.

3.  **Evaluasi Kinerja Individu dalam Peran yang Sama**: Manfaatkan variasi kinerja dalam peran (terutama SPV dan ASM) untuk mengidentifikasi individu berkinerja tinggi sebagai mentor dan individu berkinerja rendah untuk program peningkatan kinerja, pelatihan tambahan, atau peninjauan alokasi tugas.

4.  **Kaji Ulang Beban Kerja dan Alokasi Outlet FF**: Mengingat rata-rata penjualan per outlet yang rendah untuk FF, evaluasi apakah jumlah outlet yang dikelola oleh FF sudah optimal. Mungkin perlu ada penyesuaian beban kerja atau strategi yang lebih terfokus untuk membantu FF meningkatkan produktivitas per outlet.

## 6.1 Perbandingan Produktivitas antar Pangkat

Bab ini mengulas perbandingan produktivitas di antara berbagai jenjang jabatan (pangkat) dalam tim OMG, dengan fokus pada kontribusi mereka terhadap penjualan *offline*. Produktivitas diukur berdasarkan "Rata-rata Penjualan Offline per Outlet yang Dikelola" oleh setiap PIC. Analisis ini bertujuan untuk mengidentifikasi pola, perbedaan signifikan, serta menyoroti PIC dengan kinerja terbaik dan terendah.

### Statistik Produktivitas Berdasarkan Peran

Analisis awal dilakukan dengan mengelompokkan PIC OMG berdasarkan peran mereka (NSM, SM, ASM, SPV, FF) dan menghitung rata-rata penjualan *offline* per outlet yang dikelola. Metrik ini memberikan gambaran awal tentang bagaimana produktivitas penjualan bervariasi di berbagai tingkatan dalam struktur tim OMG.

**Tabel 6.1.1: Statistik Deskriptif Rata-rata Penjualan Offline per Outlet yang Dikelola oleh Peran Tim OMG**

| Peran | Jumlah PIC | Rata-rata Penjualan Offline per Outlet | Std Dev Rata-rata Penjualan Offline per Outlet |
|:----|-----------:|---------------------------------------:|-----------------------------------------------:|
| NSM | 4          | 2,467,594                              | 370,804                                        |
| SM  | 11         | 2,600,767                              | 510,061                                        |
| ASM | 54         | 3,057,325                              | 3,394,546                                      |
| SPV | 102        | 3,244,435                              | 5,689,319                                      |
| FF  | 241        | 1,536,980                              | 1,134,084                                      |

Dari tabel di atas, terlihat jelas bahwa posisi Supervisor (SPV) menunjukkan rata-rata penjualan *offline* per outlet yang dikelola paling tinggi, yaitu mencapai 3,244,435. Ini diikuti oleh Area Sales Manager (ASM) dengan 3,057,325. Sementara itu, Field Force (FF) memiliki rata-rata penjualan *offline* per outlet yang dikelola paling rendah, yaitu 1,536,980.

Menariknya, standar deviasi (Std Dev) untuk peran SPV dan ASM sangat tinggi (masing-masing 5,689,319 dan 3,394,546). Hal ini mengindikasikan adanya variasi kinerja yang besar di antara individu dalam peran yang sama. Artinya, ada beberapa SPV atau ASM yang berkinerja sangat tinggi, sementara yang lain mungkin tidak mencapai rata-rata, menunjukkan potensi kesenjangan keterampilan atau efektivitas dalam alokasi outlet.

### Uji Signifikansi Statistik (ANOVA)

Untuk memastikan apakah perbedaan rata-rata penjualan *offline* per outlet yang dikelola antar peran OMG ini signifikan secara statistik, dilakukan uji ANOVA (Analysis of Variance).

*   **F-statistik**: 6.2182
*   **P-value**: 0.0001

Nilai p-value yang sangat rendah (0.0001), jauh di bawah ambang batas signifikan 0.05, menunjukkan bahwa terdapat perbedaan yang signifikan secara statistik dalam rata-rata penjualan *offline* per outlet yang dikelola di antara setidaknya beberapa peran dalam tim OMG. Ini mengonfirmasi bahwa jenjang jabatan atau peran memang memiliki dampak yang berbeda terhadap produktivitas penjualan *offline*.

### PIC OMG Berkinerja Terbaik dan Terendah

Memeriksa individu PIC memberikan wawasan lebih lanjut tentang distribusi kinerja dalam tim.

**Tabel 6.1.2: Top 5 PIC OMG berdasarkan Rata-rata Penjualan Offline per Outlet yang Dikelola**

| NIP         | Nama                                    | Peran | Rata-rata Penjualan Offline per Outlet | Jumlah Outlet Dikelola |
|:------------|:----------------------------------------|:----|---------------------------------------:|-----------------------:|
| NIP SPV OMG | (VACANT) JAKARTA BARAT 03               | SPV | 54,525,142                             | 64                     |
| L240062     | SUPRIYATNA                              | ASM | 23,108,025                             | 167                    |
| NIP SPV OMG | (VACANT) BEKASI 04                      | SPV | 18,281,598                             | 136                    |
| NIP SPV OMG | (VACANT) JAKARTA PUSAT + JAKARTA UTARA 02 | SPV | 15,405,881                             | 184                    |
| L260076     | SUBHAN FITRAHILAH                       | ASM | 11,292,392                             | 265                    |

**Tabel 6.1.3: Bottom 5 PIC OMG berdasarkan Rata-rata Penjualan Offline per Outlet yang Dikelola**

| NIP         | Nama                         | Peran | Rata-rata Penjualan Offline per Outlet | Jumlah Outlet Dikelola |
|:------------|:-----------------------------|:----|---------------------------------------:|-----------------------:|
| NIP SPV OMG | (VACANT) JAKARTA 01          | SPV | 0                                      | 3                      |
| P240089     | YUSRAN MASYHURI              | FF  | 149,548                                | 207                    |
| P230420     | NILAN CAHYA                  | FF  | 212,862                                | 92                     |
| P230274     | SATYA BAKTI ARAYAKEN BUSTANI | FF  | 224,261                                | 166                    |
| P220027     | RIFKY DEBRIAN PUTRA          | FF  | 225,111                                | 127                    |

### Temuan dan Implikasi

1.  **Anomali NIP "VACANT"**: Seperti yang telah dibahas di Bab 3 dan 5, kemunculan NIP berlabel `(VACANT)` (contoh: `NIP SPV OMG` dengan nama `(VACANT) JAKARTA BARAT 03`) di antara daftar PIC berkinerja paling tinggi adalah anomali yang sangat mencolok. Ini menunjukkan bahwa penjualan signifikan masih diatribusikan ke posisi yang kosong atau belum terisi. Hal ini mendistorsi gambaran produktivitas individu PIC yang sebenarnya dan dapat menyebabkan kesimpulan yang salah mengenai kinerja tim atau individu.
2.  **Perbedaan Produktivitas Antar Peran**: Data menunjukkan bahwa SPV memiliki rata-rata penjualan per outlet tertinggi, sedangkan Field Force (FF) memiliki yang terendah. Perbedaan ini kemungkinan mencerminkan perbedaan dalam tanggung jawab, tingkat strategis, atau tingkat pengalaman dan keterampilan yang berbeda antar jenjang. SPV mungkin mengelola outlet-outlet yang lebih strategis atau memiliki otoritas lebih besar dalam mendorong penjualan.
3.  **Variasi Internal Peran**: Standar deviasi yang tinggi untuk peran seperti SPV dan ASM mengindikasikan bahwa kinerja tidak merata di dalam peran yang sama. Ada SPV dan ASM yang sangat produktif, dan ada pula yang di bawah rata-rata. Ini menunjukkan bahwa ada peluang untuk mengidentifikasi praktik terbaik dari individu berkinerja tinggi dan menerapkannya secara lebih luas.
4.  **Beban Kerja dan Produktivitas FF**: PIC FF di daftar bawah cenderung memiliki rata-rata penjualan per outlet yang jauh lebih rendah, bahkan ketika mereka mengelola jumlah outlet yang cukup banyak. Ini menunjukkan adanya ruang untuk peningkatan kinerja atau evaluasi ulang efektivitas manajemen outlet pada level ini.

### Rekomendasi

Berdasarkan analisis produktivitas tim OMG dan perbandingan antar pangkat, berikut adalah rekomendasi yang dapat diambil:

1.  **Eliminasi Total NIP "VACANT" dari Analisis Individual**: Prioritaskan pembersihan data NIP dan atribusi penjualan. Pastikan bahwa penjualan hanya diatribusikan ke PIC yang aktif dan memiliki NIP yang valid (tidak diawali dengan 'V' atau berlabel 'UNKNOWN'/'VACANT'). Penjualan yang terkait dengan posisi kosong harus dialokasikan secara berbeda (misalnya, ke supervisor tingkat atas atau kategori 'penjualan tanpa PIC aktif') untuk menghindari distorsi dalam penilaian produktivitas individu. Proses ini krusial untuk mendapatkan gambaran akurat tentang kinerja individu.
2.  **Investigasi Mendalam Perbedaan Produktivitas Antar Peran**: Lakukan analisis lebih lanjut untuk memahami faktor-faktor fundamental yang menyebabkan perbedaan produktivitas antar jenjang. Ini dapat mencakup kajian terhadap:
    *   **Tanggung Jawab dan Wewenang**: Apakah definisi peran dan tanggung jawab setiap jenjang sudah optimal dan jelas?
    *   **Alokasi Outlet**: Apakah outlet yang dialokasikan ke SPV dan FF memiliki karakteristik yang berbeda secara inheren (misalnya, potensi penjualan, ukuran, lokasi)?
    *   **Pelatihan dan Pengembangan**: Apakah ada kesenjangan dalam pelatihan, pendampingan, atau dukungan yang diberikan kepada FF dibandingkan dengan jenjang yang lebih tinggi yang memengaruhi kinerja mereka?
    *   **Praktik Terbaik**: Identifikasi praktik terbaik dari SPV dan ASM berkinerja tinggi, dan kembangkan program untuk mereplikasi praktik tersebut ke seluruh tim.
3.  **Evaluasi Kinerja Individu dalam Peran yang Sama**: Manfaatkan variasi kinerja yang signifikan di dalam peran (khususnya SPV dan ASM) untuk mengidentifikasi individu berkinerja tinggi sebagai mentor dan individu berkinerja rendah untuk program peningkatan kinerja, pelatihan tambahan, atau peninjauan alokasi tugas.
4.  **Kaji Ulang Beban Kerja dan Strategi untuk FF**: Mengingat rata-rata penjualan per outlet yang rendah untuk FF, evaluasi apakah jumlah outlet yang dikelola oleh FF sudah optimal. Mungkin perlu ada penyesuaian beban kerja, strategi yang lebih terfokus, atau dukungan yang lebih intensif untuk membantu FF meningkatkan produktivitas per outlet.

## 6.2 PIC Terbaik dan Terburuk (Tim OMG)

Bagian ini memperinci kinerja individu Person In Charge (PIC) dari Tim OMG, dengan menyoroti mereka yang menunjukkan produktivitas terbaik dan terburuk berdasarkan "Rata-rata Penjualan Offline per Outlet yang Dikelola". Analisis ini akan memperkuat temuan dari bagian 6.1 tentang perbandingan produktivitas antar pangkat dan menyoroti anomali kunci yang memerlukan perhatian segera.

### Identifikasi PIC Terbaik dan Terburuk

Melalui perhitungan "Rata-rata Penjualan Offline per Outlet yang Dikelola" untuk setiap PIC OMG, kami dapat mengidentifikasi individu-individu dengan performa menonjol, baik di puncak maupun di dasar.

**PIC OMG Berkinerja Terbaik:**
Merujuk pada Tabel 6.1.2, lima PIC OMG teratas berdasarkan rata-rata penjualan *offline* per outlet yang dikelola adalah:

1.  **NIP SPV OMG - (VACANT) JAKARTA BARAT 03 (SPV)**: Dengan rata-rata penjualan *offline* per outlet sebesar 54,525,142 dari 64 outlet.
2.  **L240062 - SUPRIYATNA (ASM)**: Dengan rata-rata penjualan *offline* per outlet sebesar 23,108,025 dari 167 outlet.
3.  **NIP SPV OMG - (VACANT) BEKASI 04 (SPV)**: Dengan rata-rata penjualan *offline* per outlet sebesar 18,281,598 dari 136 outlet.
4.  **NIP SPV OMG - (VACANT) JAKARTA PUSAT + JAKARTA UTARA 02 (SPV)**: Dengan rata-rata penjualan *offline* per outlet sebesar 15,405,881 dari 184 outlet.
5.  **L260076 - SUBHAN FITRAHILAH (ASM)**: Dengan rata-rata penjualan *offline* per outlet sebesar 11,292,392 dari 265 outlet.

**PIC OMG Berkinerja Terburuk:**
Merujuk pada Tabel 6.1.3, lima PIC OMG terbawah berdasarkan rata-rata penjualan *offline* per outlet yang dikelola adalah:

1.  **NIP SPV OMG - (VACANT) JAKARTA 01 (SPV)**: Dengan rata-rata penjualan *offline* per outlet sebesar 0 dari 3 outlet.
2.  **P240089 - YUSRAN MASYHURI (FF)**: Dengan rata-rata penjualan *offline* per outlet sebesar 149,548 dari 207 outlet.
3.  **P230420 - NILAN CAHYA (FF)**: Dengan rata-rata penjualan *offline* per outlet sebesar 212,862 dari 92 outlet.
4.  **P230274 - SATYA BAKTI ARAYAKEN BUSTANI (FF)**: Dengan rata-rata penjualan *offline* per outlet sebesar 224,261 dari 166 outlet.
5.  **P220027 - RIFKY DEBRIAN PUTRA (FF)**: Dengan rata-rata penjualan *offline* per outlet sebesar 225,111 dari 127 outlet.

### Temuan dan Anomali Utama

1.  **Dominasi "VACANT" di Puncak dan Dasar Kinerja**: Anomali paling mencolok adalah kemunculan entri `NIP SPV OMG` dengan nama `(VACANT) ...` baik di daftar PIC berkinerja terbaik maupun terburuk.
    *   Pada daftar teratas, tiga dari lima PIC terbaik adalah posisi 'VACANT', yang dikaitkan dengan penjualan *offline* rata-rata per outlet yang sangat tinggi (mulai dari 15,405,881 hingga 54,525,142). Ini menunjukkan bahwa penjualan signifikan masih diatribusikan ke posisi yang sebenarnya tidak memiliki personel aktif. Situasi ini secara serius mendistorsi evaluasi produktivitas individu PIC dan dapat menyebabkan kesimpulan yang salah tentang siapa sebenarnya yang mendorong penjualan tertinggi.
    *   Di sisi lain, satu entri 'VACANT' juga muncul di daftar terbawah, dengan rata-rata penjualan 0 per outlet. Ini mengindikasikan bahwa beberapa outlet tanpa PIC aktif tidak menghasilkan penjualan sama sekali, yang mungkin lebih akurat dalam mencerminkan ketiadaan personel.
    *   Anomali ini menegaskan bahwa sistem atribusi penjualan dan pelacakan PIC masih memiliki kelemahan yang signifikan, seperti yang telah diidentifikasi di Bab 3 dan 5.

2.  **Kinerja Individu Non-Vacant yang Menonjol**: Terlepas dari masalah data 'VACANT', PIC seperti SUPRIYATNA (ASM) dan SUBHAN FITRAHILAH (ASM) menunjukkan produktivitas yang luar biasa tinggi. Dengan rata-rata penjualan *offline* per outlet masing-masing 23,108,025 (dari 167 outlet) dan 11,292,392 (dari 265 outlet), mereka jauh melampaui rata-rata peran ASM secara keseluruhan (3,057,325 seperti disajikan pada Tabel 6.1.1). Ini menunjukkan adanya individu berkinerja tinggi yang patut dianalisis praktik terbaiknya.

3.  **Konsentrasi Field Force (FF) di Daftar Terburuk**: Empat dari lima PIC berkinerja terburuk adalah dari peran Field Force (FF). Rata-rata penjualan *offline* per outlet mereka sangat rendah, mulai dari 149,548 hingga 225,111. Ini konsisten dengan temuan di Tabel 6.1.1 yang menunjukkan bahwa peran FF memiliki rata-rata produktivitas terendah secara keseluruhan (1,536,980). Meskipun mereka mengelola jumlah outlet yang cukup banyak (mulai dari 92 hingga 207 outlet), kontribusi penjualan per outlet mereka sangat minim. Ini menimbulkan pertanyaan tentang efektivitas penempatan, pelatihan, atau dukungan yang diterima oleh PIC FF.

4.  **Variasi Ekstrem dalam Peran SPV dan ASM**: Kemunculan PIC 'VACANT' (SPV) di posisi teratas dan terbawah secara ekstrem menunjukkan variasi kinerja yang sangat tinggi dalam peran Supervisor. Demikian pula, SUPRIYATNA dan SUBHAN FITRAHILAH (ASM) memiliki kinerja yang jauh di atas rata-rata peran ASM, sementara ada PIC ASM lain yang mungkin berkinerja lebih rendah (walaupun tidak masuk dalam 5 terbawah). Ini memperkuat temuan standar deviasi yang tinggi di Tabel 6.1.1 untuk peran SPV dan ASM, menandakan bahwa kinerja di antara individu dalam peran ini sangat tidak merata.

### Rekomendasi

Berdasarkan identifikasi PIC terbaik dan terburuk serta anomali yang ditemukan, berikut adalah rekomendasi yang dapat diambil:

1.  **Koreksi Data Atribusi Penjualan "VACANT" Secara Tuntas**: Ini adalah prioritas utama. Penjualan yang saat ini diatribusikan ke posisi 'VACANT' harus segera dialokasikan ulang atau ditandai sebagai 'penjualan non-PIC' atau 'penjualan posisi kosong' hingga PIC yang valid mengisi posisi tersebut. Analisis produktivitas individu harus secara ketat hanya menyertakan NIP yang valid dan aktif (tidak diawali 'V' dan tidak berlabel 'UNKNOWN' atau 'VACANT' di kolom NIP maupun Nama). Ini akan memberikan gambaran yang jujur tentang kontribusi individu PIC.

2.  **Studi Kasus PIC Berkinerja Tinggi (Non-Vacant)**: Lakukan studi mendalam terhadap PIC seperti SUPRIYATNA dan SUBHAN FITRAHILAH (keduanya ASM) untuk mengidentifikasi praktik terbaik, strategi, dan faktor-faktor yang mendorong kinerja luar biasa mereka. Temuan dari studi ini dapat digunakan untuk mengembangkan program pelatihan, pedoman kerja, dan strategi alokasi outlet yang lebih efektif untuk seluruh tim OMG.

3.  **Intervensi untuk PIC Field Force (FF) Berkinerja Rendah**: Untuk PIC FF di daftar terbawah, diperlukan pendekatan yang lebih terfokus:
    *   **Evaluasi Beban Kerja dan Alokasi Outlet**: Tinjau jumlah dan karakteristik outlet yang dikelola. Apakah mereka dibebani terlalu banyak outlet dengan potensi rendah?
    *   **Pelatihan dan Mentoring Terarget**: Identifikasi kesenjangan keterampilan dan berikan pelatihan khusus, mungkin dengan dukungan mentoring dari PIC berkinerja tinggi.
    *   **Penetapan Target Realistis**: Pastikan target penjualan yang ditetapkan sesuai dengan potensi outlet dan kapabilitas PIC.
    *   **Sistem Pendukung**: Periksa apakah ada hambatan sistemik atau kurangnya dukungan yang menghambat kinerja mereka.

4.  **Analisis Disparitas Kinerja Internal Peran**: Manfaatkan data variasi kinerja dalam peran SPV dan ASM untuk mengidentifikasi siapa saja yang berkinerja tinggi sebagai kandidat potensial untuk program "mentor-mentee", dan siapa yang memerlukan dukungan tambahan untuk meningkatkan performa.

## 7. Kesimpulan dan Rekomendasi

Secara keseluruhan, analisis data penjualan dan struktur PIC telah mengungkap beberapa wawasan krusial dan anomali yang memerlukan perhatian serius untuk mengoptimalkan kinerja penjualan serta efektivitas tim.

### Ringkasan Temuan Kunci

1.  **Dominasi Penjualan *Offline* dan Variabilitas Tinggi**: Total penjualan agregat mencapai 138,470,629,048, dengan penjualan *offline* menyumbang porsi yang jauh lebih besar (sekitar 84,77 miliar) dibandingkan penjualan *online* (sekitar 53,71 miliar) selama tiga bulan terakhir. Distribusi penjualan sangat bervariasi, dengan banyak outlet mencatat penjualan nol (median 0 untuk sebagian besar kategori *online*), mengindikasikan bahwa sebagian besar volume penjualan didorong oleh sejumlah kecil outlet berkinerja tinggi. Adanya nilai penjualan negatif hingga -81,873,200 di beberapa kolom penjualan *offline* dan `Total Sales` mengindikasikan kebutuhan investigasi lebih lanjut terkait retur atau koreksi data.

2.  **Dampak Jumlah PIC Terhadap Penjualan (Analisis Regresi)**:
    *   Model regresi linear berganda menunjukkan bahwa jumlah PIC dari tim OMG, AO, dan PDN secara statistik signifikan mempengaruhi `Total Sales` (F-statistik 240.37, P-value 0.0000). Namun, model ini hanya menjelaskan 2.1% variasi dalam penjualan (R-squared 0.0209), menunjukkan bahwa banyak faktor lain yang lebih dominan.
    *   **Anomali Kritis PIC OMG**: Penambahan satu PIC dari tim OMG secara signifikan berkorelasi negatif dengan `Total Sales` (koefisien -15,513,000, P-value 0.0000). Ini adalah temuan *counter-intuitive* yang menjadi sinyal merah.
    *   **Kontribusi Positif PIC AO dan PDN**: Sebaliknya, penambahan satu PIC dari tim AO (koefisien 735,920, P-value 0.0000) dan tim PDN (koefisien 893,140, P-value 0.0000) berkorelasi positif dan signifikan dengan peningkatan `Total Sales`.

3.  **Produktivitas PIC Tim OMG Berdasarkan Peran**:
    *   Analisis ANOVA mengonfirmasi perbedaan produktivitas yang signifikan secara statistik antar peran dalam tim OMG (F-statistik 6.2182, P-value 0.0001).
    *   Supervisor (SPV) memiliki rata-rata penjualan *offline* per outlet yang dikelola tertinggi (3,244,435), diikuti ASM (3,057,325), SM (2,600,767), NSM (2,467,594), dan Field Force (FF) terendah (1,536,980).
    *   **Anomali NIP "VACANT"**: Entri "VACANT" (misalnya `(VACANT) JAKARTA BARAT 03`) secara aneh muncul di daftar PIC berkinerja terbaik dengan rata-rata penjualan *offline* per outlet hingga 54,525,142, sekaligus juga muncul di daftar terburuk (penjualan 0). Ini menunjukkan masalah serius dalam atribusi penjualan dan pelacakan status PIC.
    *   **Kinerja Individu Menonjol**: PIC non-vacant seperti SUPRIYATNA (ASM) dengan 23,108,025 dan SUBHAN FITRAHILAH (ASM) dengan 11,292,392 menunjukkan produktivitas individu yang sangat tinggi.

### Rekomendasi

Berdasarkan temuan-temuan di atas, berikut adalah rekomendasi yang dapat diambil:

1.  **Prioritaskan Perbaikan Integritas Data PIC dan Atribusi Penjualan**:
    *   **Eliminasi NIP "VACANT" dari Analisis Individual**: Mutlak diperlukan untuk segera membersihkan data NIP. Pastikan bahwa penjualan hanya diatribusikan ke PIC yang aktif dengan NIP yang valid (tidak diawali 'V', tidak berlabel 'UNKNOWN' atau 'VACANT' di kolom NIP/Nama). Penjualan yang saat ini diatribusikan ke posisi kosong harus dialokasikan secara berbeda (misalnya, ke supervisor tingkat atas atau kategori 'penjualan tanpa PIC aktif') untuk menghindari distorsi dalam penilaian produktivitas individu dan memastikan analisis yang akurat.
    *   **Investigasi Penjualan Negatif**: Lakukan investigasi mendalam terhadap penyebab nilai penjualan negatif. Pahami apakah ini representasi retur yang valid, koreksi akuntansi, atau *data error*, dan tentukan bagaimana perlakuan yang tepat dalam analisis performa.

2.  **Investigasi Mendalam Koefisien Negatif PIC OMG**:
    *   **Audit Alokasi PIC OMG**: Lakukan studi kualitatif dan kuantitatif untuk memahami mengapa penambahan PIC OMG berkorelasi negatif dengan penjualan. Periksa apakah PIC OMG dialokasikan ke outlet yang secara inheren sulit, atau apakah ada isu efisiensi, tumpang tindih peran, atau miskoordinasi internal.
    *   **Analisis Data Atribusi**: Setelah NIP "VACANT" dibersihkan, ulangi analisis regresi untuk tim OMG untuk memastikan temuan ini bukan artefak dari data yang tidak bersih.

3.  **Optimalisasi Alokasi Sumber Daya Berdasarkan Kontribusi Tim**:
    *   **Manfaatkan Kontribusi Positif AO dan PDN**: Identifikasi karakteristik outlet yang paling responsif terhadap penambahan PIC dari tim AO dan PDN. Gunakan informasi ini untuk mengoptimalkan penempatan PIC guna memaksimalkan dampak penjualan.
    *   **Kaji Ulang Model Bisnis Penjualan Online**: Mengingat penjualan *online* ditangani oleh ketiga tim tanpa pencatatan kontribusi yang jelas, implementasikan mekanisme pelacakan yang lebih baik untuk mengukur kontribusi masing-masing tim terhadap penjualan *online*. Ini akan memungkinkan analisis produktivitas yang lebih akurat untuk penjualan *online* per tim dan per PIC.

4.  **Peningkatan Produktivitas Tim OMG Berjenjang**:
    *   **Studi Praktik Terbaik**: Lakukan studi kasus terhadap PIC non-vacant berkinerja tinggi seperti SUPRIYATNA dan SUBHAN FITRAHILAH (keduanya ASM) untuk mengidentifikasi praktik terbaik, strategi, atau dukungan yang memungkinkan mereka mengelola banyak outlet dengan rata-rata penjualan *offline* yang tinggi. Kembangkan program pelatihan atau pedoman berdasarkan temuan ini.
    *   **Intervensi untuk Field Force (FF) Berkinerja Rendah**: Untuk PIC FF di daftar terbawah, perlukan pendekatan terfokus berupa evaluasi beban kerja, pelatihan dan *mentoring* bertarget, serta peninjauan kembali target penjualan yang realistis. Pertimbangkan apakah ada hambatan sistemik atau kurangnya dukungan yang menghambat kinerja mereka.
    *   **Evaluasi Kesenjangan Antar Peran**: Analisis lebih lanjut diperlukan untuk memahami alasan di balik perbedaan produktivitas antar peran (misalnya, mengapa SPV tinggi dan FF rendah). Ini bisa terkait dengan tanggung jawab, wewenang, alokasi outlet, atau kesenjangan dalam pelatihan dan pengembangan.

5.  **Perluas Model Analisis Penjualan**: Mengingat R-squared yang rendah (2.1%) dalam model regresi, disarankan untuk memperluas model dengan menyertakan faktor-faktor eksternal dan internal lain yang berpotensi memengaruhi penjualan. Ini bisa meliputi lokasi outlet, demografi pelanggan, ketersediaan produk, aktivitas promosi, strategi harga, atau kondisi pasar makro, untuk mendapatkan pemahaman yang lebih komprehensif tentang pendorong penjualan.