# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Laporan Analisis Data Eksplorasi ini menyajikan ringkasan temuan kunci dari data pemenuhan pesanan pelanggan, dengan tujuan mengidentifikasi wawasan tersembunyi yang dapat meningkatkan kinerja pelayanan, penjualan, dan memahami korelasi kinerja dengan produk tertentu. Analisis ini menyoroti kualitas data, efisiensi operasional dalam proses pemenuhan pesanan, faktor-faktor yang mempengaruhi pembatalan, serta kinerja produk dan outlet. ### Gambaran Umum dan Kualitas Data Dataset terdiri dari 131.315 baris data transaksi pemenuhan pesanan. Dari pemeriksaan awal, ditemukan beberapa isu kualitas data yang perlu diperhatikan: * **Data Hilang (Null Values)**: Kolom `Keterangan` dan `Nama Penerima` sepenuhnya kosong (100% null). Selain itu, kolom `Tgl Diterima` memiliki 7,9% data hilang, yang krusial untuk mengukur waktu pengiriman akhir. Kolom `Cmc`, `Value PL`, `Tgl Logbook`, `Nama Ekspedisi`, `Tgl Ekspedisi`, `Nomor Resi`, `No. DO`, `Tgl DO`, `No. PL`, dan `Tgl. PL` juga memiliki persentase data hilang yang bervariasi, meskipun lebih kecil. * **Duplikasi Data**: Ditemukan 110 baris duplikat yang identik berdasarkan kombinasi `No. RO`, `Procod`, `Tgl. Order`, dan `Qty RO`. Duplikasi ini perlu ditangani untuk memastikan akurasi analisis. ### Analisis Waktu Pemenuhan Pesanan (Lead Time) Analisis waktu tunggu antar tahapan proses pemenuhan pesanan (RO ke SP, SP ke DO, DO ke Logbook, Logbook ke Pengiriman) memberikan gambaran tentang efisiensi operasional: * **RO ke SP**: Waktu rata-rata sangat cepat, yaitu 0,58 jam (sekitar 35 menit), menunjukkan konversi pesanan pelanggan ke surat pesanan gudang berlangsung efisien. * **SP ke DO**: Waktu rata-rata 9,87 jam, dengan median 3,30 jam, menunjukkan variabilitas yang cukup tinggi antar pesanan. Ini bisa menjadi area untuk optimasi proses gudang. * **DO ke Logbook**: Waktu rata-rata 5,89 jam, dengan median 2,66 jam. Serupa dengan SP ke DO, terdapat variasi yang signifikan, mengindikasikan perbedaan efisiensi dalam persiapan pesanan untuk penjemputan oleh kurir. * **Logbook ke Pengiriman (Diterima)**: Tahap ini menunjukkan anomali data yang serius. Meskipun waktu rata-rata tercatat -11.623,53 jam, hal ini disebabkan oleh 2.897 kasus waktu tunggu negatif, yang tidak mungkin secara fisik. Pemeriksaan mendalam pada sampel data menunjukkan bahwa `Tgl Diterima` tercatat sebagai `1970-01-02 07:00:00` untuk beberapa entri, yang mengindikasikan masalah input data atau data yang hilang dan diisi dengan nilai default yang salah. Setelah mengesampingkan nilai negatif, median waktu tunggu adalah 22,01 jam. * **Anomali `Tgl Diterima`**: | Tgl Logbook | Tgl Diterima | Tgl Ekspedisi | No. DO | No. RO | Asal Gudang | Nama Ekspedisi | |:--------------------|:--------------------|:--------------------|:-------------|:--------|:----------------|:-------------------| | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4937443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4937443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4937443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | *Sampel di atas menunjukkan kasus di mana `Tgl Diterima` tercatat jauh di masa lalu (1970), menyebabkan waktu tunggu negatif yang tidak valid. Ini adalah indikator kuat adanya masalah pada pencatatan atau validasi data `Tgl Diterima`.* ### Analisis Tingkat Pembatalan Tingkat pembatalan keseluruhan: * **Pembatalan Pesanan (RO)**: 6,4% dari total pesanan unik dibatalkan. * **Pembatalan Baris Item (SP Detail)**: 1,3% dari total baris item dibatalkan. Analisis lebih lanjut berdasarkan kategori: * **Divisi**: `VIBRANT 3` menunjukkan tingkat pembatalan tertinggi (19,6%), meskipun dengan volume transaksi yang relatif kecil (56 item). `HOSPINET` juga memiliki tingkat pembatalan yang lebih tinggi (1,7%) dibandingkan `PHARMANET` (1,2%). | Divisi | total_line_items | cancelled_line_items | cancellation_rate | |:------------|-----------------:|---------------------:|------------------:| | VIBRANT 3 | 56 | 11 | 19.6% | | HOSPINET | 17827 | 310 | 1.7% | | VIBRANT PBF | 2559 | 38 | 1.5% | | PHARMANET | 110866 | 1381 | 1.2% | | nan | 7 | 0 | 0.0% | * **Asal Gudang**: `PHARMANET PUSAT` memiliki tingkat pembatalan 100%, namun ini hanya melibatkan 22 baris item, menunjukkan bahwa ini mungkin anomali atau skenario pengujian tertentu. Gudang dengan tingkat pembatalan tertinggi yang lebih signifikan secara volume adalah `PHARMANET TANGERANG` (2,6%) dan `PHARMANET MEDAN` (2,5%). | Asal Gudang | total_line_items | cancelled_line_items | cancellation_rate | |:----------------------|-----------------:|---------------------:|------------------:| | PHARMANET PUSAT | 22 | 22 | 100.0% | | PHARMANET TANGERANG | 9420 | 242 | 2.6% | | PHARMANET MEDAN | 7416 | 188 | 2.5% | | PHARMANET JAKTIM | 4114 | 100 | 2.4% | | PHARMANET MAKASSAR | 7468 | 148 | 2.0% | | PHARMANET SAMARINDA | 3203 | 60 | 1.9% | | PHARMANET BANJARMASIN | 4403 | 75 | 1.7% | | PHARMANET PEKANBARU | 6176 | 92 | 1.5% | | PHARMANET BOGOR | 8484 | 115 | 1.4% | | PHARMANET SEMARANG | 8948 | 112 | 1.3% | | PHARMANET JAKBAR | 3611 | 45 | 1.2% | | PHARMANET SURABAYA | 13577 | 164 | 1.2% | | PHARMANET BEKASI | 12675 | 129 | 1.0% | | PHARMANET PONTIANAK | 3467 | 35 | 1.0% | | PHARMANET SOLO | 8346 | 75 | 0.9% | | PHARMANET JAKSEL | 2085 | 18 | 0.9% | | PHARMANET JAMBI | 2869 | 24 | 0.8% | | PHARMANET LAMPUNG | 3899 | 24 | 0.6% | | PHARMANET MALANG | 3118 | 16 | 0.5% | | PHARMANET BANDUNG | 9568 | 30 | 0.3% | | PHARMANET PALEMBANG | 8446 | 26 | 0.3% | * **Payment**: `BRIVA` dan `Term Of Payment` memiliki tingkat pembatalan sedikit lebih tinggi (1,7% dan 1,5%) dibandingkan `BCA Virtual Account` (1,2%). | Payment | total_line_items | cancelled_line_items | cancellation_rate | |:--------------------|-----------------:|---------------------:|------------------:| | BRIVA | 15716 | 262 | 1.7% | | Term Of Payment | 36615 | 567 | 1.5% | | BCA Virtual Account | 78853 | 911 | 1.2% | | Kredivo | 131 | 0 | 0.0% | * **Pharos YN**: Produk Non-Pharos (`N`) memiliki tingkat pembatalan sedikit lebih rendah (1,1%) dibandingkan produk Pharos (`Y`) (1,6%). * **AO YN (Apotek Online)**: Outlet yang tidak berpartisipasi dalam Apotek Online (`N`) memiliki tingkat pembatalan sedikit lebih tinggi (1,4%) dibandingkan outlet yang berpartisipasi (`Y`) (1,2%). ### Nilai Pesanan Rata-rata (AOV) * **Berdasarkan Pharos YN**: Produk Pharos (`Y`) memiliki Nilai RO Rata-rata (AOV) yang jauh lebih tinggi (Rp 557.928) dibandingkan produk Non-Pharos (`N`) (Rp 312.776). * **Berdasarkan AO YN**: Outlet yang tidak berpartisipasi dalam Apotek Online (`N`) memiliki Nilai RO Rata-rata (AOV) yang lebih tinggi (Rp 458.964) dibandingkan outlet yang berpartisipasi (`Y`) (Rp 363.359). ### Faktor Pendorong Pembatalan Berdasarkan analisis feature importance, beberapa faktor utama yang sangat mempengaruhi pembatalan baris item adalah: 1. **Procod (Kode Produk)**: Menjadi prediktor terkuat, menunjukkan bahwa sifat atau karakteristik produk tertentu sangat rentan terhadap pembatalan. 2. **Value RO (Nilai Pesanan)**: Nilai pesanan juga sangat berpengaruh, mengindikasikan bahwa pesanan dengan nilai tertentu lebih mungkin dibatalkan. 3. **Qty RO (Kuantitas Pesanan)**: Kuantitas produk dalam pesanan juga merupakan faktor penting. 4. **Asal Gudang**: Beberapa gudang seperti `PHARMANET TANGERANG`, `PHARMANET BANDUNG`, `PHARMANET PALEMBANG`, `PHARMANET SURABAYA`, dan `PHARMANET MEDAN` menunjukkan pengaruh yang signifikan, menegaskan pentingnya efisiensi gudang. 5. **AO YN** dan **Pharos YN**: Partisipasi dalam Apotek Online dan status produk Pharos juga berkontribusi pada probabilitas pembatalan. ### Produk dengan Tingkat Pembatalan Tinggi Ditemukan beberapa produk dengan tingkat pembatalan nilai yang sangat tinggi, bahkan setelah mempertimbangkan volume penjualan: * **VOMARIN FLASH TAB 50'S (Pharos Y)**: Tingkat pembatalan nilai mencapai 84,6% dengan total nilai pesanan yang cukup besar (Rp 23.633.720). * **PRORIS 125MG SUPP 10'S (Pharos Y)**: Tingkat pembatalan nilai 29,2% dari total nilai pesanan Rp 279.214.018. * **NOURISH SKIN ULTIMATE 30'S (Pharos Y)**: Tingkat pembatalan nilai 14,3% dari total nilai pesanan Rp 219.693.637. Menariknya, sebagian besar produk dengan tingkat pembatalan nilai tertinggi adalah produk `Pharos YN = Y`. ### Tren Mingguan Analisis tren mingguan memberikan perspektif dinamis terhadap kinerja pemenuhan pesanan dan pembatalan: ![Visualisasi](/agent/api/download?file=/tmp/weekly_cancellation_rate_trend.png) * **Tren Tingkat Pembatalan Baris Item Mingguan**: Grafik ini menunjukkan bagaimana persentase baris item yang dibatalkan bervariasi dari waktu ke waktu. Peningkatan tajam bisa mengindikasikan masalah ketersediaan produk, isu harga, atau masalah dalam proses pemesanan. ![Visualisasi](/agent/api/download?file=/tmp/weekly_sp_to_do_lead_time_trend.png) * **Tren Waktu Tunggu SP ke DO Rata-rata Mingguan**: Grafik ini mencerminkan efisiensi konversi surat pesanan (SP) menjadi pesanan pengiriman (DO) oleh gudang. Peningkatan waktu tunggu dapat menunjukkan kemacetan dalam pemrosesan gudang atau masalah manajemen stok. ![Visualisasi](/agent/api/download?file=/tmp/weekly_do_to_logbook_lead_time_trend.png) * **Tren Waktu Tunggu DO ke Logbook Rata-rata Mingguan**: Grafik ini mengindikasikan seberapa cepat pesanan pengiriman yang sudah dikonfirmasi dipindahkan ke area staging untuk penjemputan oleh kurir. Waktu yang lebih lama dapat menunjukkan inefisiensi logistik internal sebelum pengiriman eksternal. Visualisasi tren mingguan ini sangat penting untuk mengidentifikasi pola musiman, periode anomali, atau dampak dari perubahan operasional tertentu terhadap kinerja. ### Rekomendasi Berdasarkan temuan di atas, berikut adalah rekomendasi strategis: 1. **Peningkatan Kualitas Data**: * **Prioritaskan perbaikan data `Tgl Diterima`**: Investigasi akar masalah `Tgl Diterima` yang tidak valid (tahun 1970) dan waktu tunggu negatif. Implementasikan validasi data yang ketat pada saat entri untuk memastikan integritas data waktu pengiriman. * **Identifikasi dan hapus duplikasi**: Atasi 110 baris duplikat untuk memastikan akurasi analisis di masa mendatang. * **Lengkapi data yang hilang**: Jika memungkinkan, cari cara untuk melengkapi data yang hilang pada kolom penting seperti `Cmc` dan `Value PL`. 2. **Optimasi Proses Operasional dan Pelayanan**: * **Investigasi Gudang dengan Performa Rendah**: Lakukan audit pada gudang `PHARMANET TANGERANG` dan `PHAROS MEDAN` yang memiliki tingkat pembatalan tinggi dan/atau waktu tunggu yang lebih lama (SP ke DO dan DO ke Logbook). Tinjau proses, ketersediaan stok, dan kapasitas staf. * **Pahami Anomali PHARMANET PUSAT dan VIBRANT 3**: Meskipun `PHARMANET PUSAT` memiliki tingkat pembatalan 100% dengan volume kecil, ini perlu dipahami. Untuk `VIBRANT 3` dengan tingkat pembatalan 19,6%, perlu analisis mendalam mengenai alasan pembatalan dan apakah ada karakteristik unik dari pesanan atau produk di divisi ini. * **Perhatikan Metode Pembayaran**: Selidiki alasan di balik tingkat pembatalan yang sedikit lebih tinggi pada `BRIVA` dan `Term Of Payment`. 3. **Strategi Penjualan dan Manajemen Produk**: * **Fokus pada Produk Rentan Pembatalan**: Prioritaskan produk-produk dengan tingkat pembatalan nilai dan kuantitas tinggi, terutama `VOMARIN FLASH TAB 50'S`, `PRORIS 125MG SUPP 10'S`, dan `NOURISH SKIN ULTIMATE 30'S`. Pahami alasan di balik pembatalan produk-produk ini (misalnya, ketersediaan, harga, atau permintaan pasar). * **Manfaatkan Insight AOV**: Produk Pharos memiliki AOV lebih tinggi, yang menunjukkan nilai strategis. Sementara outlet Non-AO YN juga memiliki AOV lebih tinggi. Gunakan informasi ini untuk mengarahkan strategi penjualan dan penawaran produk yang lebih efektif. * **Korelasi Antara Lead Time dan Pembatalan**: | Asal Gudang | avg_sp_to_do_lead_time | avg_do_to_logbook_lead_time | cancellation_rate | |:----------------------|-----------------------:|----------------------------:|------------------:| | PHARMANET TANGERANG | 14.09 | 4.19 | 2.6% | | PHARMANET MEDAN | 20.42 | 9.01 | 2.5% | | PHARMANET JAKTIM | 6.41 | 2.06 | 2.4% | | PHARMANET MAKASSAR | 8.82 | 5.96 | 2.0% | | PHARMANET SAMARINDA | 26.21 | 4.52 | 1.9% | | PHARMANET BANJARMASIN | 11.96 | 4.25 | 1.7% | | PHARMANET PEKANBARU | 10.57 | 3.32 | 1.5% | | PHARMANET BOGOR | 10.02 | 5.43 | 1.4% | | PHARMANET SEMARANG | 8.88 | 13.97 | 1.3% | | PHARMANET JAKBAR | 9.02 | 1.23 | 1.2% | | PHARMANET SURABAYA | 8.99 | 13.01 | 1.2% | | PHARMANET BEKASI | 8.41 | 2.96 | 1.0% | | PHARMANET PONTIANAK | 10.20 | 5.45 | 1.0% | | PHARMANET SOLO | 8.20 | 5.42 | 0.9% | | PHARMANET JAKSEL | 7.10 | 5.44 | 0.9% | | PHARMANET JAMBI | 8.04 | 3.18 | 0.8% | | PHARMANET LAMPUNG | 8.65 | 4.28 | 0.6% | | PHARMANET MALANG | 4.09 | 5.51 | 0.5% | | PHARMANET BANDUNG | 7.97 | 2.48 | 0.3% | | PHARMANET PALEMBANG | 3.27 | 3.36 | 0.3% | *Tabel korelasi antara waktu tunggu dan tingkat pembatalan per gudang (Asal Gudang) ini menunjukkan bahwa gudang dengan waktu tunggu yang lebih panjang cenderung memiliki tingkat pembatalan yang lebih tinggi. Misalnya, PHARMANET MEDAN dan PHARMANET TANGERANG memiliki waktu tunggu SP ke DO yang relatif tinggi bersama dengan tingkat pembatalan yang signifikan, menunjukkan potensi perbaikan pada efisiensi proses mereka untuk mengurangi pembatalan.* Ringkasan eksekutif ini berfungsi sebagai titik awal untuk diskusi lebih lanjut dan tindakan perbaikan. Dengan mengatasi masalah kualitas data, mengoptimalkan proses operasional, dan merumuskan strategi produk yang lebih cerdas, perusahaan dapat secara signifikan meningkatkan kinerja pemenuhan pesanan dan kepuasan pelanggan. ## 2. Pendahuluan Laporan Analisis Data Eksplorasi ini disusun untuk mengungkap wawasan tersembunyi dari data pemenuhan pesanan pelanggan, dengan tujuan utama meningkatkan kinerja pelayanan, efisiensi penjualan, dan memahami korelasi kinerja dengan produk tertentu. Melalui analisis ini, kami berharap dapat mengidentifikasi area-area krusial untuk perbaikan dan inovasi bisnis yang berbasis pada data. Dataset yang digunakan untuk analisis ini berisi catatan rinci mengenai proses pemenuhan pesanan, mulai dari order awal hingga pengiriman akhir. Secara keseluruhan, dataset ini terdiri dari 131,315 baris data, merepresentasikan volume transaksi yang substansial. Namun, sebelum menyelami lebih jauh, penting untuk memahami kualitas dan struktur data yang mendasari. Pemeriksaan awal terhadap data menunjukkan beberapa isu kualitas yang memerlukan perhatian. Dua kolom, `Keterangan` dan `Nama Penerima`, ditemukan sepenuhnya kosong, masing-masing dengan 100.0% nilai hilang. Selain itu, kolom `Tgl Diterima`, yang krusial untuk menghitung waktu pengiriman dan menilai efisiensi logistik, memiliki 7.9% nilai hilang. Kolom penting lainnya seperti `Cmc` (4.2% hilang), `Value PL` (1.3% hilang), `Tgl Logbook` (0.4% hilang), `Nama Ekspedisi` (0.4% hilang), `Tgl Ekspedisi` (0.4% hilang), `Nomor Resi` (0.4% hilang), `No. DO` (0.3% hilang), `Tgl DO` (0.3% hilang), `No. PL` (0.3% hilang), dan `Tgl. PL` (0.3% hilang) juga memiliki persentase nilai hilang yang bervariasi. Meskipun persentase untuk sebagian besar kolom ini relatif kecil, mereka dapat mempengaruhi keakuratan analisis tertentu dan memerlukan strategi penanganan yang tepat. Selain nilai hilang, kami juga mengidentifikasi 110 baris data duplikat yang identik berdasarkan kombinasi `No. RO`, `Procod`, `Tgl. Order`, dan `Qty RO`. Duplikasi ini perlu ditangani untuk memastikan bahwa analisis kami didasarkan pada data yang unik dan akurat. Contoh baris-baris duplikat yang teridentifikasi disajikan di bawah ini: | No. RO | Procod | Prodes | Qty RO | Tgl. Order | Value RO | |--------:|:---------|:-----------------------------|-------:|:--------------------|---------:| | 4,923,660 | 102056 | NEBACETIN POWDER 5GR | 3 | 2026-06-09 12:03:39 | 59,964 | | 4,923,660 | 104393 | CANDISTIN DROP 12ML (KUNING) | 2 | 2026-06-09 12:03:39 | 62,658 | | 4,923,660 | 102056 | NEBACETIN POWDER 5GR | 3 | 2026-06-09 12:03:39 | 59,964 | | 4,923,660 | 110492 | PRORIS FORTE 200MG SUSP 50ML | 6 | 2026-06-09 12:03:39 | 163,110 | | 4,923,660 | 110492 | PRORIS FORTE 200MG SUSP 50ML | 6 | 2026-06-09 12:03:39 | 163,110 | Distribusi beberapa variabel kategorikal utama memberikan gambaran awal tentang karakteristik operasional perusahaan: | Divisi | Jumlah Item | |:------------|------------:| | PHARMANET | 110,866 | | HOSPINET | 17,827 | | VIBRANT PBF | 2,559 | | VIBRANT 3 | 56 | | NaN | 7 | | Pharos YN | Jumlah Item | |:------------|------------:| | N | 72,014 | | Y | 59,301 | | Status Pesanan (SP Header/Detail, DO, RO) | Jumlah Item | |:------------------------------------------|------------:| | P (Sudah Dilayani/Terlayani Penuh) | 129,575 | | C (Cancel) | 1,740 | | Asal Gudang | Jumlah Item | |:----------------------|------------:| | PHARMANET SURABAYA | 13,577 | | PHARMANET BEKASI | 12,675 | | PHARMANET BANDUNG | 9,568 | | PHARMANET TANGERANG | 9,420 | | PHARMANET SEMARANG | 8,948 | | PHARMANET BOGOR | 8,484 | | PHARMANET PALEMBANG | 8,446 | | PHARMANET SOLO | 8,346 | | PHARMANET MAKASSAR | 7,468 | | PHARMANET MEDAN | 7,416 | | PHARMANET PEKANBARU | 6,176 | | PHARMANET BANJARMASIN | 4,403 | | PHARMANET JAKTIM | 4,114 | | PHARMANET LAMPUNG | 3,899 | | PHARMANET JAKBAR | 3,611 | | PHARMANET PONTIANAK | 3,467 | | PHARMANET SAMARINDA | 3,203 | | PHARMANET MALANG | 3,118 | | PHARMANET JAMBI | 2,869 | | PHARMANET JAKSEL | 2,085 | | PHARMANET PUSAT | 22 | | Pembayaran | Jumlah Item | |:--------------------|------------:| | BCA Virtual Account | 78,853 | | Term Of Payment | 36,615 | | BRIVA | 15,716 | | Kredivo | 131 | | Apotek Online (AO YN) | Jumlah Item | |:----------------------|------------:| | N | 82,584 | | Y | 48,731 | Proses pemenuhan pesanan pelanggan melibatkan beberapa tahapan penting, yang masing-masing dicatat dalam data ini: * **Repeat Order (RO)**: Pesanan awal dari outlet pelanggan (dicatat dengan `No. RO`, `Qty RO`, `Value RO`, `Status RO`). * **Surat Pesanan (SP)**: Penerjemahan RO menjadi pesanan gudang untuk diproses (dicatat dengan `No. SP`, `Sts SP Header`, `Sts SP Detail`, `Tgl. SP`, `Qty SP`). Satu RO dapat menghasilkan beberapa SP. * **Delivery Order (DO)**: Dokumen yang diterbitkan ketika SP dikonfirmasi dan dilayani gudang (dicatat dengan `No. DO`, `Status DO`, `Tgl DO`, `Qty DO`). Satu SP yang dikonfirmasi menghasilkan satu DO. * **Packing List (PL)**: Dokumen lampiran administratif DO (dicatat dengan `No. PL`, `Tgl. PL`, `Value PL`). * **Logbook**: Proses pencatatan pengiriman DO yang telah masuk ke area *staging* (ruang tunggu kurir). `Tgl Logbook` adalah waktu DO masuk area ini. * **Pengiriman**: Proses pengiriman hingga `Tgl Diterima` oleh pelanggan. * **Pharos YN**: Flag yang menandakan apakah produk adalah produksi PT. Pharos. * **AO YN**: Flag yang menandakan partisipasi outlet dalam program Apotek Online perusahaan. Analisis awal juga menyoroti beberapa temuan kunci dan anomali yang akan dibahas lebih mendalam di bab-bab selanjutnya: Pertama, kami menghitung waktu tunggu (*lead time*) antar tahapan proses pemenuhan pesanan. Sementara sebagian besar tahapan menunjukkan efisiensi yang wajar (misalnya, `RO to SP` rata-rata 0.58 jam, `SP to DO` rata-rata 9.87 jam, dan `DO to Logbook` rata-rata 5.89 jam), terdapat anomali signifikan pada `Logbook to Delivery Lead Time`. Kami menemukan 2,897 kasus waktu tunggu negatif, yang mengindikasikan ketidaksesuaian data yang parah. Contohnya, kolom `Tgl Diterima` seringkali tercatat sebagai '1970-01-02 07:00:00' atau tanggal lain yang secara kronologis tidak mungkin mendahului `Tgl Logbook`. Hal ini mengisyaratkan adanya masalah serius dalam pencatatan data atau validasi pada tahap penerimaan barang oleh pelanggan. Kedua, tingkat pembatalan pesanan menjadi fokus utama. Secara keseluruhan, 6.4% dari pesanan unik (berdasarkan `No. RO`) dibatalkan, sementara 1.3% dari baris item (berdasarkan `Sts SP Detail`) mengalami pembatalan. Menariknya, kami menemukan bahwa `Divisi VIBRANT 3` dan gudang `PHARMANET PUSAT` menunjukkan tingkat pembatalan yang sangat tinggi (19.6% dan 100.0% masing-masing), meskipun dengan volume transaksi yang relatif kecil. Ini perlu diteliti lebih lanjut untuk memahami apakah ini adalah anomali data atau indikator masalah operasional yang spesifik. Ketiga, kami mengamati perbedaan nilai pesanan rata-rata (AOV) berdasarkan kategori produk (`Pharos YN`) dan partisipasi outlet dalam program Apotek Online (`AO YN`). Produk Pharos memiliki AOV yang lebih tinggi, sementara outlet yang *tidak* berpartisipasi dalam Apotek Online juga menunjukkan AOV yang lebih tinggi. Ini memberikan wawasan awal tentang profil nilai pelanggan dan produk yang mungkin dapat dimanfaatkan untuk strategi penjualan dan pelayanan. Keempat, analisis tren mingguan akan memberikan gambaran dinamis tentang kinerja. Visualisasi berikut menunjukkan tren mingguan untuk tingkat pembatalan baris item, waktu tunggu SP ke DO, dan waktu tunggu DO ke Logbook. Fluktuasi dalam grafik ini dapat menyoroti periode-periode tertentu di mana kinerja operasional mengalami peningkatan atau penurunan, yang mungkin berkorelasi dengan perubahan internal atau faktor eksternal. ![Visualisasi](/agent/api/download?file=/tmp/weekly_cancellation_rate_trend.png) ![Visualisasi](/agent/api/download?file=/tmp/weekly_sp_to_do_lead_time_trend.png) ![Visualisasi](/agent/api/download?file=/tmp/weekly_do_to_logbook_lead_time_trend.png) Bab-bab selanjutnya dari laporan ini akan mengupas lebih dalam setiap temuan di atas, menganalisis faktor-faktor pendorong pembatalan pesanan, mengidentifikasi produk-produk dengan kinerja yang menonjol (baik positif maupun negatif), dan memberikan rekomendasi strategis yang dapat ditindaklanjuti untuk meningkatkan kinerja perusahaan secara keseluruhan. ## 3. Tinjauan Umum Data Data pemenuhan pesanan pelanggan yang kami analisis terdiri dari 131.315 baris data, merepresentasikan volume transaksi yang signifikan dalam proses operasional. Pemahaman yang mendalam mengenai struktur dan kualitas data ini menjadi fondasi penting untuk menggali wawasan yang akurat dan relevan. ### 3.1 Kualitas dan Kebersihan Data Pemeriksaan awal terhadap data mengungkapkan beberapa aspek penting terkait kualitas data yang perlu diperhatikan: #### 3.1.1 Nilai Hilang (Null Values) Proporsi nilai hilang (null values) bervariasi antar kolom, mengindikasikan area di mana pengumpulan data mungkin tidak konsisten atau ada anomali. **Persentase Nilai Hilang per Kolom:** | Kolom | Persentase Nilai Hilang | Catatan | |:------------------|:------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Keterangan | 100.0% | Kolom ini sepenuhnya kosong dan tidak memberikan informasi apa pun untuk analisis. Dapat diabaikan atau dihapus. | | Nama Penerima | 100.0% | Sama seperti 'Keterangan', kolom ini juga sepenuhnya kosong. Dapat diabaikan atau dihapus. | | Tgl Diterima | 7.9% | Tingginya persentase nilai hilang pada kolom ini sangat krusial, karena 'Tgl Diterima' adalah penanda akhir dari proses pemenuhan pesanan dan esensial untuk mengukur waktu pengiriman aktual. Anomali di sini dapat secara signifikan mempengaruhi perhitungan efisiensi logistik. | | Cmc | 4.2% | 'Cmc' adalah kode unik untuk outlet. Nilai hilang pada kolom ini dapat menyulitkan identifikasi outlet secara lengkap. | | Value PL | 1.3% | 'Value PL' merepresentasikan nilai dari daftar pengepakan. Nilai hilang dapat mempengaruhi perhitungan akurasi nilai pesanan atau rekonsiliasi keuangan. | | Tgl Logbook | 0.4% | 'Tgl Logbook' mencatat waktu pesanan siap dijemput kurir. Nilai hilang dapat menghambat pengukuran efisiensi proses staging gudang. | | Nama Ekspedisi | 0.4% | Identifikasi ekspedisi yang digunakan. Nilai hilang dapat menghambat analisis performa atau biaya pengiriman per ekspedisi. | | Tgl Ekspedisi | 0.4% | Tanggal ekspedisi. Bersama 'Tgl Logbook' dan 'Tgl Diterima', ini penting untuk melacak durasi pengiriman eksternal. | | Nomor Resi | 0.4% | Nomor pelacakan pengiriman. Kehilangan data ini dapat menyulitkan pelacakan pesanan atau verifikasi pengiriman. | | No. DO | 0.3% | Nomor Delivery Order. Penting untuk identifikasi pesanan yang telah dikonfirmasi gudang. | | Tgl DO | 0.3% | Tanggal Delivery Order. Penting untuk mengukur waktu tunggu antara SP dan DO. | | No. PL | 0.3% | Nomor Packing List. | | Tgl. PL | 0.3% | Tanggal Packing List. | | Divisi | 0.0% | Sangat kecil, kemungkinan tidak signifikan. | | Kel. Class | 0.1% | Kolom ini diinstruksikan untuk diabaikan, sehingga nilai hilangnya tidak menjadi perhatian utama. | #### 3.1.2 Duplikasi Data Ditemukan 110 baris duplikat yang identik berdasarkan kombinasi `No. RO`, `Procod`, `Tgl. Order`, dan `Qty RO`. Duplikasi ini mengindikasikan kemungkinan entri data ganda atau masalah dalam proses agregasi data. Penanganan duplikasi ini sangat penting untuk memastikan akurasi perhitungan jumlah pesanan, kuantitas produk, dan nilai transaksi. Berikut adalah contoh baris duplikat yang ditemukan: | No. RO | Procod | Prodes | Qty RO | Tgl. Order | Value RO | |:--------|:-------|:-------------------------------|-------:|:--------------------|----------:| | 4,923,660 | 102056 | NEBACETIN POWDER 5GR | 3 | 2026-06-09 12:03:39 | 59,964 | | 4,923,660 | 104393 | CANDISTIN DROP 12ML (KUNING) | 2 | 2026-06-09 12:03:39 | 62,658 | | 4,923,660 | 102056 | NEBACETIN POWDER 5GR | 3 | 2026-06-09 12:03:39 | 59,964 | | 4,923,660 | 110492 | PRORIS FORTE 200MG SUSP 50ML | 6 | 2026-06-09 12:03:39 | 163,110 | | 4,923,660 | 110492 | PRORIS FORTE 200MG SUSP 50ML | 6 | 2026-06-09 12:03:39 | 163,110 | Dalam contoh di atas, terlihat `Procod` 102056 dan 110492 muncul dua kali untuk `No. RO` 4.923.660 dengan `Qty RO`, `Tgl. Order`, dan `Value RO` yang sama, mengindikasikan baris duplikat yang perlu dihilangkan atau disatukan untuk analisis yang akurat. ### 3.2 Distribusi Variabel Kunci Untuk mendapatkan gambaran umum data, kami menganalisis distribusi nilai untuk beberapa kolom kategorikal penting: #### 3.2.1 Divisi Distribusi ini menunjukkan dominasi Divisi PHARMANET dalam transaksi. | Divisi | Jumlah Item | |:------------|------------:| | PHARMANET | 110,866 | | HOSPINET | 17,827 | | VIBRANT PBF | 2,559 | | VIBRANT 3 | 56 | | NaN | 7 | #### 3.2.2 Pharos YN Menunjukkan proporsi produk yang diproduksi oleh PT. Pharos. | Pharos YN | Jumlah Item | |:------------|------------:| | N | 72,014 | | Y | 59,301 | #### 3.2.3 Status SP Header, SP Detail, DO, dan RO Status-status ini menunjukkan sebagian besar pesanan berhasil dilayani (`P` atau `TERLAYANI PENUH`), dengan sebagian kecil dibatalkan (`C` atau `CANCEL`). Konsistensi status antar tahapan (SP Header, SP Detail, DO, Status RO) mengindikasikan bahwa pembatalan cenderung terjadi di seluruh alur pesanan untuk item yang sama. | Status | Jumlah Item | |:------------------|------------:| | P / TERLAYANI PENUH | 129,575 | | C / CANCEL | 1,740 | #### 3.2.4 Asal Gudang Menunjukkan persebaran transaksi berdasarkan gudang asal. Gudang PHARMANET SURABAYA, BEKASI, BANDUNG, dan TANGERANG memiliki volume transaksi tertinggi. | Asal Gudang | Jumlah Item | |:----------------------|------------:| | PHARMANET SURABAYA | 13,577 | | PHARMANET BEKASI | 12,675 | | PHARMANET BANDUNG | 9,568 | | PHARMANET TANGERANG | 9,420 | | PHARMANET SEMARANG | 8,948 | | PHARMANET BOGOR | 8,484 | | PHARMANET PALEMBANG | 8,446 | | PHARMANET SOLO | 8,346 | | PHARMANET MAKASSAR | 7,468 | | PHARMANET MEDAN | 7,416 | | PHARMANET PEKANBARU | 6,176 | | PHARMANET BANJARMASIN | 4,403 | | PHARMANET JAKTIM | 4,114 | | PHARMANET LAMPUNG | 3,899 | | PHARMANET JAKBAR | 3,611 | | PHARMANET PONTIANAK | 3,467 | | PHARMANET SAMARINDA | 3,203 | | PHARMANET MALANG | 3,118 | | PHARMANET JAMBI | 2,869 | | PHARMANET JAKSEL | 2,085 | | PHARMANET PUSAT | 22 | #### 3.2.5 Payment Metode pembayaran "BCA Virtual Account" mendominasi transaksi. | Payment | Jumlah Item | |:--------------------|------------:| | BCA Virtual Account | 78,853 | | Term Of Payment | 36,615 | | BRIVA | 15,716 | | Kredivo | 131 | #### 3.2.6 AO YN Menunjukkan mayoritas outlet belum berpartisipasi dalam program Apotek Online. | AO YN | Jumlah Item | |:--------|------------:| | N | 82,584 | | Y | 48,731 | ### 3.3 Analisis Waktu Pemenuhan Pesanan (Lead Time) Analisis waktu tunggu (lead time) antar tahapan proses pemenuhan pesanan memberikan gambaran kritis tentang efisiensi operasional. Waktu tunggu dihitung per baris item dan diagregasikan dalam jam. #### 3.3.1 Waktu Tunggu RO ke SP (jam) Tahap ini sangat efisien, menunjukkan bahwa proses penerjemahan pesanan pelanggan ke surat pesanan gudang berlangsung cepat. * Jumlah (non-null): 131,315 * Rata-rata: 0.6 * Median: 0.6 * Std Dev: 0.3 * Min: 0.0 * Max: 2.7 * Persentil 25: 0.3 * Persentil 75: 0.8 #### 3.3.2 Waktu Tunggu SP ke DO (jam) Waktu tunggu dari SP ke DO menunjukkan variabilitas yang lebih tinggi, mengindikasikan potensi inefisiensi dalam proses konfirmasi pesanan gudang. * Jumlah (non-null): 130,950 * Rata-rata: 9.9 * Median: 3.3 * Std Dev: 13.8 * Min: 0.0 * Max: 149.7 * Persentil 25: 1.1 * Persentil 75: 15.0 #### 3.3.3 Waktu Tunggu DO ke Logbook (jam) Sama seperti SP ke DO, tahap ini juga menunjukkan variabilitas, menandakan perbedaan efisiensi dalam persiapan pesanan untuk penjemputan oleh kurir. * Jumlah (non-null): 130,730 * Rata-rata: 5.9 * Median: 2.7 * Std Dev: 10.3 * Min: 0.0 * Max: 744.2 * Persentil 25: 1.3 * Persentil 75: 5.4 #### 3.3.4 Waktu Tunggu Logbook ke Pengiriman (jam) Tahap ini menunjukkan anomali data yang signifikan. Nilai rata-rata yang sangat negatif disebabkan oleh sejumlah besar entri yang tidak konsisten secara kronologis. * Jumlah (non-null): 120,805 * Rata-rata: -11,623.5 * Median: 22.0 * Std Dev: 75,071.1 * Min: -495,228.7 * Max: 1,516.4 * Persentil 25: 6.3 * Persentil 75: 43.7 * **PERINGATAN**: Ditemukan 2.897 kasus waktu tunggu negatif, menunjukkan potensi masalah entri data atau alur proses yang tidak berurutan. #### 3.3.5 Waktu Pemenuhan Total (jam) Karena anomali pada "Logbook ke Pengiriman", waktu pemenuhan total juga terpengaruh. * Jumlah (non-null): 120,930 * Rata-rata: -11,599.3 * Median: 37.3 * Std Dev: 75,045.5 * Min: -495,208.1 * Max: 1,572.5 * **PERINGATAN**: Ditemukan 2.859 kasus waktu tunggu negatif, menunjukkan potensi masalah entri data atau alur proses yang tidak berurutan. #### 3.3.6 Investigasi Anomali Waktu Tunggu Negatif (Logbook ke Pengiriman) Pemeriksaan sampel data yang menyebabkan waktu tunggu negatif menunjukkan inkonsistensi yang jelas pada kolom `Tgl Diterima`. Banyak entri `Tgl Diterima` tercatat sebagai `1970-01-02 07:00:00`, yang secara kronologis tidak mungkin mendahului `Tgl Logbook` yang terjadi di tahun 2026. Ini adalah indikasi kuat adanya kesalahan pada sistem pencatatan tanggal penerimaan atau pengisian nilai default yang salah. Berikut adalah sampel catatan dengan waktu tunggu negatif antara 'Tgl Logbook' dan 'Tgl Diterima': | Tgl Logbook | Tgl Diterima | Tgl Ekspedisi | No. DO | No. RO | Asal Gudang | Nama Ekspedisi | |:--------------------|:--------------------|:--------------------|:-------------|:--------|:----------------|:-------------------| | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | **Analisis Sampel Waktu Tunggu Negatif:** Sampel di atas dengan jelas menunjukkan kasus di mana `Tgl Diterima` dicatat pada tahun 1970, jauh sebelum `Tgl Logbook` di tahun 2026. Ini adalah inkonsistensi data yang parah yang dapat disebabkan oleh: 1. **Kesalahan entri data:** Kemungkinan tanggal dimasukkan secara manual dengan tidak benar atau ada bug dalam sistem yang menetapkan nilai default yang salah (misalnya, 'epoch time' 1970-01-01). 2. **Masalah alur proses:** Mungkin langkah "Logbook" terkadang dicatat secara retrospektif atau setelah pengiriman aktual, yang bertentangan dengan urutan yang diharapkan. Kasus ekstrem seperti ini sangat mempengaruhi keandalan metrik waktu pengiriman dan membutuhkan investigasi lebih lanjut dengan tim operasional dan IT. ### 3.4 Analisis Tingkat Pembatalan Tingkat pembatalan (cancellation rate) merupakan indikator penting kepuasan pelanggan dan efisiensi operasional. #### 3.4.1 Tingkat Pembatalan Keseluruhan * Tingkat Pembatalan Pesanan (berdasarkan `No. RO` unik dengan `Status RO` = `CANCEL`): 6.4% * Tingkat Pembatalan Baris Item (berdasarkan `Sts SP Detail` = `C`): 1.3% #### 3.4.2 Tingkat Pembatalan Baris Item per Variabel Kategorikal **Tingkat Pembatalan per Divisi** `VIBRANT 3` menunjukkan tingkat pembatalan yang sangat tinggi, meskipun dengan volume transaksi yang kecil. | Divisi | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:------------|------------:|----------------:|-------------------:| | VIBRANT 3 | 56 | 11 | 19.6% | | HOSPINET | 17,827 | 310 | 1.7% | | VIBRANT PBF | 2,559 | 38 | 1.5% | | PHARMANET | 110,866 | 1,381 | 1.2% | | nan | 7 | 0 | 0.0% | **Tingkat Pembatalan per Asal Gudang** `PHARMANET PUSAT` memiliki tingkat pembatalan 100%, namun ini hanya melibatkan 22 baris item, menunjukkan anomali atau skenario pengujian tertentu. Gudang seperti `PHARMANET TANGERANG` dan `PHARMANET MEDAN` menunjukkan tingkat pembatalan yang lebih tinggi dan signifikan secara volume. | Asal Gudang | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:----------------------|------------:|----------------:|-------------------:| | PHARMANET PUSAT | 22 | 22 | 100.0% | | PHARMANET TANGERANG | 9,420 | 242 | 2.6% | | PHARMANET MEDAN | 7,416 | 188 | 2.5% | | PHARMANET JAKTIM | 4,114 | 100 | 2.4% | | PHARMANET MAKASSAR | 7,468 | 148 | 2.0% | | PHARMANET SAMARINDA | 3,203 | 60 | 1.9% | | PHARMANET BANJARMASIN | 4,403 | 75 | 1.7% | | PHARMANET PEKANBARU | 6,176 | 92 | 1.5% | | PHARMANET BOGOR | 8,484 | 115 | 1.4% | | PHARMANET SEMARANG | 8,948 | 112 | 1.3% | | PHARMANET JAKBAR | 3,611 | 45 | 1.2% | | PHARMANET SURABAYA | 13,577 | 164 | 1.2% | | PHARMANET BEKASI | 12,675 | 129 | 1.0% | | PHARMANET PONTIANAK | 3,467 | 35 | 1.0% | | PHARMANET SOLO | 8,346 | 75 | 0.9% | | PHARMANET JAKSEL | 2,085 | 18 | 0.9% | | PHARMANET JAMBI | 2,869 | 24 | 0.8% | | PHARMANET LAMPUNG | 3,899 | 24 | 0.6% | | PHARMANET MALANG | 3,118 | 16 | 0.5% | | PHARMANET BANDUNG | 9,568 | 30 | 0.3% | | PHARMANET PALEMBANG | 8,446 | 26 | 0.3% | **Tingkat Pembatalan per Metode Pembayaran** `BRIVA` dan `Term Of Payment` memiliki tingkat pembatalan yang sedikit lebih tinggi. | Payment | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:--------------------|------------:|----------------:|-------------------:| | BRIVA | 15,716 | 262 | 1.7% | | Term Of Payment | 36,615 | 567 | 1.5% | | BCA Virtual Account | 78,853 | 911 | 1.2% | | Kredivo | 131 | 0 | 0.0% | **Tingkat Pembatalan per Pharos YN** Produk Pharos (`Y`) memiliki tingkat pembatalan yang sedikit lebih tinggi dibandingkan Non-Pharos (`N`). | Pharos YN | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:------------|------------:|----------------:|-------------------:| | Y | 59,301 | 920 | 1.6% | | N | 72,014 | 820 | 1.1% | **Tingkat Pembatalan per AO YN** Outlet yang tidak berpartisipasi dalam Apotek Online (`N`) memiliki tingkat pembatalan yang sedikit lebih tinggi. | AO YN | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:--------|------------:|----------------:|-------------------:| | N | 82,584 | 1,145 | 1.4% | | Y | 48,731 | 595 | 1.2% | ### 3.5 Analisis Nilai Pesanan Rata-rata (AOV) Nilai pesanan rata-rata (Average Order Value - AOV) memberikan gambaran tentang kontribusi finansial dari berbagai segmen. **AOV RO per Pharos YN** Produk Pharos (`Y`) memiliki nilai pesanan rata-rata yang jauh lebih tinggi. | Pharos YN | Rata-rata Value RO | |:------------|-------------------:| | N | 312,776 | | Y | 557,928 | **AOV PL per Pharos YN** Mirip dengan Value RO, produk Pharos juga memiliki rata-rata Value PL yang lebih tinggi. | Pharos YN | Rata-rata Value PL | |:------------|-------------------:| | N | 314,072 | | Y | 560,472 | **AOV RO per AO YN** Outlet yang *tidak* berpartisipasi dalam Apotek Online (`N`) memiliki nilai pesanan rata-rata yang lebih tinggi. Ini bisa menjadi insight penting untuk strategi penjualan online. | AO YN | Rata-rata Value RO | |:--------|-------------------:| | N | 458,964 | | Y | 363,359 | **AOV PL per AO YN** Mirip dengan Value RO, outlet Non-AO juga memiliki rata-rata Value PL yang lebih tinggi. | AO YN | Rata-rata Value PL | |:--------|-------------------:| | N | 461,169 | | Y | 364,048 | ### 3.6 Tren Mingguan Visualisasi tren mingguan memungkinkan identifikasi pola musiman, fluktuasi kinerja, dan dampak dari inisiatif bisnis dari waktu ke waktu. **Tren Tingkat Pembatalan Baris Item Mingguan** Grafik ini menunjukkan bagaimana persentase baris item yang dibatalkan berubah dari waktu ke waktu. Puncak atau penurunan mendadak dapat mengindikasikan masalah ketersediaan produk, perubahan harga, atau masalah dalam proses pemesanan yang perlu diselidiki lebih lanjut. ![Visualisasi](/agent/api/download?file=/tmp/weekly_cancellation_rate_trend.png) **Tren Rata-rata Waktu Tunggu SP ke DO Mingguan** Grafik ini mencerminkan efisiensi konversi surat pesanan (SP) menjadi pesanan pengiriman (DO) oleh gudang. Peningkatan waktu tunggu dapat menunjukkan kemacetan dalam pemrosesan gudang atau masalah manajemen stok yang memerlukan perhatian. ![Visualisasi](/agent/api/download?file=/tmp/weekly_sp_to_do_lead_time_trend.png) **Tren Rata-rata Waktu Tunggu DO ke Logbook Mingguan** Grafik ini mengindikasikan seberapa cepat pesanan pengiriman yang sudah dikonfirmasi dipindahkan ke area staging untuk penjemputan oleh kurir. Waktu yang lebih lama dapat menunjukkan inefisiensi logistik internal sebelum pengiriman eksternal yang dapat mempengaruhi waktu pengiriman total ke pelanggan. ![Visualisasi](/agent/api/download?file=/tmp/weekly_do_to_logbook_lead_time_trend.png) ### 3.7 Hubungan Waktu Tunggu dan Tingkat Pembatalan per Gudang Analisis ini membandingkan rata-rata waktu tunggu (SP ke DO dan DO ke Logbook) dengan tingkat pembatalan per gudang (Asal Gudang), untuk melihat apakah ada korelasi antara efisiensi operasional dan kepuasan pelanggan yang direfleksikan dalam pembatalan. Data ini hanya untuk gudang dengan setidaknya 100 baris item. | Asal Gudang | Rata-rata Waktu Tunggu SP ke DO (jam) | Rata-rata Waktu Tunggu DO ke Logbook (jam) | Tingkat Pembatalan | |:----------------------|--------------------------------------:|-------------------------------------------:|-------------------:| | PHARMANET TANGERANG | 14.1 | 4.2 | 2.6% | | PHARMANET MEDAN | 20.4 | 9.0 | 2.5% | | PHARMANET JAKTIM | 6.4 | 2.1 | 2.4% | | PHARMANET MAKASSAR | 8.8 | 6.0 | 2.0% | | PHARMANET SAMARINDA | 26.2 | 4.5 | 1.9% | | PHARMANET BANJARMASIN | 12.0 | 4.2 | 1.7% | | PHARMANET PEKANBARU | 10.6 | 3.3 | 1.5% | | PHARMANET BOGOR | 10.0 | 5.4 | 1.4% | | PHARMANET SEMARANG | 8.9 | 14.0 | 1.3% | | PHARMANET JAKBAR | 9.0 | 1.2 | 1.2% | | PHARMANET SURABAYA | 9.0 | 13.0 | 1.2% | | PHARMANET BEKASI | 8.4 | 3.0 | 1.0% | | PHARMANET PONTIANAK | 10.2 | 5.5 | 1.0% | | PHARMANET SOLO | 8.2 | 5.4 | 0.9% | | PHARMANET JAKSEL | 7.1 | 5.4 | 0.9% | | PHARMANET JAMBI | 8.0 | 3.2 | 0.8% | | PHARMANET LAMPUNG | 8.7 | 4.3 | 0.6% | | PHARMANET MALANG | 4.1 | 5.5 | 0.5% | | PHARMANET BANDUNG | 8.0 | 2.5 | 0.3% | | PHARMANET PALEMBANG | 3.3 | 3.4 | 0.3% | **Wawasan dari Lead Time vs. Tingkat Pembatalan:** Tabel ini memungkinkan kita untuk mengamati apakah waktu tunggu rata-rata yang lebih tinggi untuk `SP ke DO` atau `DO ke Logbook` di gudang tertentu berkorelasi dengan tingkat pembatalan yang lebih tinggi. Misalnya, `PHARMANET MEDAN` dan `PHARMANET TANGERANG` menunjukkan rata-rata waktu tunggu `SP ke DO` yang relatif tinggi bersama dengan tingkat pembatalan yang signifikan. `PHARMANET SAMARINDA` bahkan memiliki waktu tunggu `SP ke DO` tertinggi. Di sisi lain, `PHARMANET SEMARANG` dan `PHARMANET SURABAYA` memiliki rata-rata waktu tunggu `DO ke Logbook` yang relatif tinggi, namun tingkat pembatalannya tidak setinggi gudang-gudang sebelumnya. Ini menunjukkan bahwa beberapa tahapan proses mungkin lebih sensitif terhadap pembatalan dibandingkan yang lain, atau ada faktor mitigasi di gudang-gudang tersebut. Analisis ini sangat berharga untuk mengidentifikasi "Asal Gudang" spesifik yang memerlukan inisiatif peningkatan operasional. ### 3.8 Anomali Khusus (PHARMANET PUSAT dan VIBRANT 3) Melihat kembali temuan awal, `PHARMANET PUSAT` dan `Divisi VIBRANT 3` menunjukkan tingkat pembatalan yang luar biasa tinggi. #### 3.8.1 Analisis Pembatalan PHARMANET PUSAT * Total Baris Item dari PHARMANET PUSAT: 22 * Baris Item Dibatalkan dari PHARMANET PUSAT: 22 * Tingkat Pembatalan untuk PHARMANET PUSAT: 100.0% Pemeriksaan mendalam pada pesanan dari `PHARMANET PUSAT` yang menyebabkan tingkat pembatalan 100% ini menunjukkan bahwa semua status terkait (SP Header, SP Detail, DO, RO) secara konsisten adalah `C` atau `CANCEL`. Volume yang sangat kecil (22 item) mengindikasikan bahwa ini mungkin merupakan jenis pesanan uji, skenario khusus, atau anomali data, daripada masalah sistemik yang luas di seluruh operasi utama. #### 3.8.2 Analisis Pembatalan Divisi VIBRANT 3 * Total Baris Item untuk Divisi VIBRANT 3: 56 * Baris Item Dibatalkan untuk Divisi VIBRANT 3: 11 * Tingkat Pembatalan untuk Divisi VIBRANT 3: 19.6% Meskipun volume transaksinya juga kecil (56 item), tingkat pembatalan 19.6% ini cukup signifikan. Perlu ada penyelidikan terarah untuk memahami karakteristik unik dari pesanan atau produk yang termasuk dalam divisi ini, serta alasan mendasar yang menyebabkan tingkat pembatalan yang tinggi tersebut. Secara keseluruhan, tinjauan umum data ini menyoroti perlunya perbaikan kualitas data, terutama terkait dengan pencatatan waktu pengiriman. Selain itu, terdapat peluang untuk mengoptimalkan proses operasional di gudang-gudang tertentu dan mengembangkan strategi penjualan yang lebih bertarget berdasarkan segmentasi produk dan partisipasi outlet dalam program Apotek Online. Analisis lebih lanjut akan mendalami temuan-temuan ini untuk memberikan rekomendasi yang lebih konkret. ## 4. Kualitas Data dan Temuan Anomali Kualitas data merupakan fondasi utama bagi setiap analisis yang akurat dan pengambilan keputusan yang tepat. Dari pemeriksaan awal, kami menemukan beberapa poin krusial terkait integritas dan kelengkapan data yang memerlukan perhatian. #### 4.1.1 Nilai Hilang (Missing Values) Analisis nilai hilang mengungkapkan beberapa kolom yang tidak lengkap, yang dapat memengaruhi validitas temuan. Dua kolom, `Keterangan` dan `Nama Penerima`, ditemukan sepenuhnya kosong, menjadikan keduanya tidak berguna untuk analisis lebih lanjut dan sebaiknya diabaikan atau dihapus. Yang lebih signifikan adalah nilai hilang pada kolom `Tgl Diterima` (7,9%). Kolom ini krusial untuk mengukur waktu pengiriman akhir dan menghitung durasi total pemenuhan pesanan. Kekosongan data di sini dapat menyebabkan bias dalam estimasi performa pengiriman. Selain itu, beberapa kolom lain yang penting untuk melacak alur pesanan, seperti `Cmc`, `Value PL`, `Tgl Logbook`, dan `Nama Ekspedisi`, juga memiliki persentase nilai hilang yang bervariasi, meskipun lebih kecil. Berikut adalah ringkasan persentase nilai hilang untuk kolom-kolom terkait: | Kolom | Persentase Nilai Hilang | Keterangan | |:------------------|:------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Keterangan | 100.0% | Kolom ini sepenuhnya kosong dan dapat diabaikan. | | Nama Penerima | 100.0% | Kolom ini sepenuhnya kosong dan dapat diabaikan. | | Tgl Diterima | 7.9% | Sangat penting untuk metrik waktu pengiriman. Perlu investigasi penyebab dan strategi penanganan (imputasi atau eksklusi). | | Cmc | 4.2% | Kode unik outlet. Nilai hilang dapat menghambat analisis per outlet. | | Value PL | 1.3% | Nilai *packing list*. Penting untuk rekonsiliasi keuangan. | | Tgl Logbook | 0.4% | Waktu DO masuk area *staging*. Memengaruhi perhitungan waktu tunggu internal. | | Nama Ekspedisi | 0.4% | Nama kurir pengiriman. Penting untuk analisis performa ekspedisi. | | Tgl Ekspedisi | 0.4% | Tanggal ekspedisi. Bersama `Tgl Logbook` dan `Tgl Diterima`, penting untuk durasi pengiriman. | | Nomor Resi | 0.4% | Nomor pelacakan pengiriman. | | No. DO | 0.3% | Nomor *Delivery Order*. Identifikasi pesanan yang dikonfirmasi gudang. | | Tgl DO | 0.3% | Tanggal *Delivery Order*. Memengaruhi waktu tunggu SP ke DO. | | No. PL | 0.3% | Nomor *Packing List*. | | Tgl. PL | 0.3% | Tanggal *Packing List*. | | Divisi | 0.0% | Persentase sangat kecil (0,005%) dan tidak signifikan. | | Kel. Class | 0.1% | Kolom ini diinstruksikan untuk diabaikan, sehingga nilai hilangnya tidak menjadi perhatian utama. | #### 4.1.2 Duplikasi Data Analisis menemukan adanya 110 baris duplikat berdasarkan kombinasi `No. RO`, `Procod`, `Tgl. Order`, dan `Qty RO`. Duplikasi ini mengindikasikan adanya entri ganda untuk item pesanan yang sama, yang dapat menggelembungkan jumlah transaksi, kuantitas produk, dan nilai pesanan jika tidak ditangani. Berikut adalah sampel baris duplikat yang teridentifikasi, menunjukkan bagaimana beberapa baris item dengan `No. RO`, `Procod`, `Qty RO`, dan `Tgl. Order` yang sama muncul lebih dari sekali: | KodePI | OutCode | Cmc | Nama Outlet | Procod | Prodes | Divisi | Pharos YN | Qty RO | Tgl. Order | No. RO | No. SP | Sts SP Header | Sts SP Detail | Tgl. SP | Qty SP | No. DO | Status DO | Tgl DO | Qty DO | No. PL | Tgl. PL | Value PL | Value RO | Status RO | Keterangan | Tgl Logbook | Tgl Ekspedisi | Asal Gudang | Kel. Class | Nomor Resi | Nama Ekspedisi | Tgl Diterima | Nama Penerima | AO YN | Payment | Lastupdate | |:---------|:----------|:------|:------------------|-------:|:----------------------------|:----------|:------------|-------:|:--------------------|-------:|:----------------|:----------------|:----------------|:--------------------|-------:|:-------------|:------------|:--------------------|-------:|:-------------|:--------------------|---------:|---------:|:----------------|:-------------|:--------------------|:--------------------|:-----------------|:-------------|:-------------------------|:-----------------|:--------------------|:----------------|:--------|:--------------------|:---------------------------| | G5000058 | DCN | GSK | SIMBANG, APT | 102056 | NEBACETIN POWDER 5GR | PHARMANET | Y | 3 | 2026-06-09 12:03:39 | 4923660 | A972606M1000391 | P | P | 2026-06-09 12:32:58 | 3 | A97260600435 | P | 2026-06-09 17:34:45 | 3 | A97260600435 | 2026-06-09 17:34:45 | 59,964 | 59,964 | TERLAYANI PENUH | None | 2026-06-10 15:04:59 | 2026-06-10 15:29:43 | PHARMANET SEMARANG | A | ZK26F235 | Anteraja | 2026-06-11 12:28:58 | None | Y | BCA Virtual Account | 2026-07-06 06:42:20.057000 | | G5000058 | DCN | GSK | SIMBANG, APT | 104393 | CANDISTIN DROP 12ML (KUNING)| PHARMANET | Y | 2 | 2026-06-09 12:03:39 | 4923660 | A972606M1000391 | P | P | 2026-06-09 12:32:58 | 2 | A97260600435 | P | 2026-06-09 17:34:45 | 2 | A97260600435 | 2026-06-09 17:34:45 | 62,658 | 62,658 | TERLAYANI PENUH | None | 2026-06-10 15:04:59 | 2026-06-10 15:29:43 | PHARMANET SEMARANG | A | CTRY-ZK26F235 | Anteraja | 2026-06-11 12:28:58 | None | Y | BCA Virtual Account | 2026-07-06 06:42:20.057000 | | G5000058 | DCN | GSK | SIMBANG, APT | 102056 | NEBACETIN POWDER 5GR | PHARMANET | Y | 3 | 2026-06-09 12:03:39 | 4923660 | A972606M1000391 | P | P | 2026-06-09 12:32:58 | 3 | A97260600435 | P | 2026-06-09 17:34:45 | 3 | A97260600435 | 2026-06-09 17:34:45 | 59,964 | 59,964 | TERLAYANI PENUH | None | 2026-06-10 15:04:59 | 2026-06-10 15:29:43 | PHARMANET SEMARANG | A | CTRY-ZK26F235 | Anteraja | 2026-06-11 12:28:58 | None | Y | BCA Virtual Account | 2026-07-06 06:42:20.057000 | | G5000058 | DCN | GSK | SIMBANG, APT | 110492 | PRORIS FORTE 200MG SUSP 50ML| PHARMANET | Y | 6 | 2026-06-09 12:03:39 | 4923660 | A972606M1000391 | P | P | 2026-06-09 12:32:58 | 6 | A97260600435 | P | 2026-06-09 17:34:45 | 6 | A97260600435 | 2026-06-09 17:34:45 | 163,110 | 163,110 | TERLAYANI PENUH | None | 2026-06-10 15:04:59 | 2026-06-10 15:29:43 | PHARMANET SEMARANG | A | ZK26F235 | Anteraja | 2026-06-11 12:28:58 | None | Y | BCA Virtual Account | 2026-07-06 06:42:20.057000 | | G5000058 | DCN | GSK | SIMBANG, APT | 110492 | PRORIS FORTE 200MG SUSP 50ML| PHARMANET | Y | 6 | 2026-06-09 12:03:39 | 4923660 | A972606M1000391 | P | P | 2026-06-09 12:32:58 | 6 | A97260600435 | P | 2026-06-09 17:34:45 | 6 | A97260600435 | 2026-06-09 17:34:45 | 163,110 | 163,110 | TERLAYANI PENUH | None | 2026-06-10 15:04:59 | 2026-06-10 15:29:43 | PHARMANET SEMARANG | A | CTRY-ZK26F235 | Anteraja | 2026-06-11 12:28:58 | None | Y | BCA Virtual Account | 2026-07-06 06:42:20.057000 | ### 4.2 Anomali pada Waktu Proses (Lead Time) Analisis *lead time* atau waktu proses antar tahapan operasional mengungkap adanya anomali serius pada fase akhir pemenuhan pesanan, yaitu waktu antara `Tgl Logbook` dan `Tgl Diterima`. #### 4.2.1 Waktu Tunggu Negatif `Logbook ke Pengiriman` Kami menemukan 2.897 kasus di mana `Logbook to Delivery Lead Time` tercatat negatif. Secara fisik, hal ini tidak mungkin terjadi; tanggal penerimaan (`Tgl Diterima`) seharusnya tidak pernah mendahului tanggal pencatatan logbook (`Tgl Logbook`). Investigasi mendalam pada sampel data dengan waktu tunggu negatif ini mengungkap penyebab utamanya. Berikut adalah sampel catatan yang menunjukkan anomali ini: | Tgl Logbook | Tgl Diterima | Tgl Ekspedisi | No. DO | No. RO | Asal Gudang | Nama Ekspedisi | |:--------------------|:--------------------|:--------------------|:-------------|:--------|:----------------|:-------------------| | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | Seperti yang terlihat, `Tgl Diterima` tercatat sebagai `1970-01-02 07:00:00`, sebuah tanggal yang jauh di masa lalu, sementara `Tgl Logbook` terjadi di tahun 2026. Ini merupakan inkonsistensi data yang parah, menunjukkan kemungkinan: 1. **Kesalahan entri data**: Tanggal `1970-01-02 07:00:00` sering kali merupakan nilai *default* atau *epoch time* yang tidak valid untuk sistem. Ini bisa terjadi karena *input* manual yang salah atau masalah pada sistem pengumpulan data yang tidak berhasil mencatat tanggal penerimaan yang benar. 2. **Masalah alur proses**: Ada kemungkinan bahwa proses pencatatan `Logbook` atau `Tgl Diterima` tidak selalu sekuensial atau ada *delay* dalam pencatatan yang kemudian diisi dengan nilai *placeholder* yang salah. Anomali ini secara fundamental merusak kemampuan untuk menghitung waktu pengiriman yang akurat dan menilai efisiensi logistik dari tahap *staging* hingga penerimaan oleh pelanggan. Untuk gudang-gudang seperti `PHARMANET TANGERANG`, `PHARMANET MEDAN`, dan `PHARMANET MAKASSAR` yang memiliki jumlah kasus waktu tunggu negatif terbanyak, ini menjadi area investigasi prioritas. #### 4.2.2 Lead Time Rata-rata dan Korelasinya dengan Tingkat Pembatalan per Gudang Terlepas dari anomali `Logbook ke Pengiriman`, analisis korelasi antara rata-rata waktu proses (`SP ke DO` dan `DO ke Logbook`) dan tingkat pembatalan per gudang (untuk gudang dengan setidaknya 100 baris item) dapat memberikan wawasan operasional. | Asal Gudang | Rata-rata Waktu Tunggu SP ke DO (jam) | Rata-rata Waktu Tunggu DO ke Logbook (jam) | Tingkat Pembatalan | |:----------------------|--------------------------------------:|-------------------------------------------:|-------------------:| | PHARMANET TANGERANG | 14.1 | 4.2 | 2.6% | | PHARMANET MEDAN | 20.4 | 9.0 | 2.5% | | PHARMANET JAKTIM | 6.4 | 2.1 | 2.4% | | PHARMANET MAKASSAR | 8.8 | 6.0 | 2.0% | | PHARMANET SAMARINDA | 26.2 | 4.5 | 1.9% | | PHARMANET BANJARMASIN | 12.0 | 4.2 | 1.7% | | PHARMANET PEKANBARU | 10.6 | 3.3 | 1.5% | | PHARMANET BOGOR | 10.0 | 5.4 | 1.4% | | PHARMANET SEMARANG | 8.9 | 14.0 | 1.3% | | PHARMANET JAKBAR | 9.0 | 1.2 | 1.2% | | PHARMANET SURABAYA | 9.0 | 13.0 | 1.2% | | PHARMANET BEKASI | 8.4 | 3.0 | 1.0% | | PHARMANET PONTIANAK | 10.2 | 5.5 | 1.0% | | PHARMANET SOLO | 8.2 | 5.4 | 0.9% | | PHARMANET JAKSEL | 7.1 | 5.4 | 0.9% | | PHARMANET JAMBI | 8.0 | 3.2 | 0.8% | | PHARMANET LAMPUNG | 8.7 | 4.3 | 0.6% | | PHARMANET MALANG | 4.1 | 5.5 | 0.5% | | PHARMANET BANDUNG | 8.0 | 2.5 | 0.3% | | PHARMANET PALEMBANG | 3.3 | 3.4 | 0.3% | Tabel ini menyoroti beberapa gudang yang menunjukkan waktu tunggu yang relatif tinggi untuk tahap `SP ke DO` dan `DO ke Logbook`, yang berpotensi berkontribusi pada tingkat pembatalan. Contohnya, `PHARMANET MEDAN` dan `PHARMANET TANGERANG` memiliki rata-rata `SP ke DO` yang tinggi (20,4 jam dan 14,1 jam) dan juga tingkat pembatalan yang relatif tinggi (2,5% dan 2,6%). `PHARMANET SAMARINDA` bahkan memiliki `SP ke DO Lead Time` tertinggi (26,2 jam), meskipun tingkat pembatalannya masih di bawah gudang lain yang memiliki `SP ke DO` lebih rendah. Di sisi lain, `PHARMANET SEMARANG` dan `PHARMANET SURABAYA` menunjukkan rata-rata `DO ke Logbook Lead Time` yang cukup tinggi (masing-masing 14,0 jam dan 13,0 jam), tetapi tingkat pembatalannya relatif moderat (1,3% dan 1,2%). Ini mungkin menunjukkan bahwa waktu tunggu pada tahap akhir (pengiriman) lebih sensitif terhadap pembatalan dibandingkan tahap internal gudang, atau ada faktor mitigasi lain di gudang-gudang tersebut. Analisis ini sangat penting untuk mengidentifikasi gudang spesifik yang membutuhkan intervensi operasional untuk mengurangi *delay* dan, pada gilirannya, pembatalan. ### 4.3 Anomali pada Tingkat Pembatalan Segmentasi Kecil Meskipun tingkat pembatalan keseluruhan cenderung rendah (sekitar 1,3% untuk baris item), terdapat beberapa segmen kecil yang menunjukkan tingkat pembatalan yang sangat tinggi, mengindikasikan potensi anomali atau masalah yang sangat terlokalisasi. #### 4.3.1 Tingkat Pembatalan 100% di PHARMANET PUSAT `Asal Gudang PHARMANET PUSAT` menunjukkan tingkat pembatalan baris item sebesar 100,0%. Namun, hal ini terjadi pada volume transaksi yang sangat kecil, hanya 22 baris item dari total 131.315. Pemeriksaan lebih lanjut pada catatan yang terkait dengan `PHARMANET PUSAT` ini menunjukkan bahwa semua status terkait (misalnya, `Sts SP Header`, `Sts SP Detail`, `Status DO`, `Status RO`) secara konsisten tercatat sebagai 'C' (Cancel) atau 'CANCEL'. Hal ini menunjukkan bahwa ke-22 transaksi ini memang dibatalkan sepenuhnya. Mengingat volume yang sangat rendah, ada kemungkinan bahwa transaksi ini adalah bagian dari pengujian sistem, *mock order*, atau skenario operasional yang sangat spesifik dan bukan cerminan dari masalah sistemik yang lebih luas. Meskipun demikian, penting untuk memahami sifat transaksi ini untuk memastikan bahwa mereka tidak mengindikasikan *bug* sistem atau proses yang tidak terdefinisi. #### 4.3.2 Tingkat Pembatalan Tinggi di Divisi VIBRANT 3 `Divisi VIBRANT 3` juga menunjukkan tingkat pembatalan baris item yang sangat tinggi, yaitu 19,6%. Seperti `PHARMANET PUSAT`, volume transaksi untuk divisi ini juga relatif kecil, yaitu 56 baris item. | Divisi | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:------------|-----------------:|----------------------:|-------------------:| | VIBRANT 3 | 56 | 11 | 19.6% | | HOSPINET | 17,827 | 310 | 1.7% | | VIBRANT PBF | 2,559 | 38 | 1.5% | | PHARMANET | 110,866 | 1,381 | 1.2% | | NaN | 7 | 0 | 0.0% | Meskipun volumenya kecil, tingkat pembatalan hampir 20% ini cukup signifikan. Hal ini membutuhkan investigasi lebih lanjut untuk memahami karakteristik unik dari produk atau proses yang terkait dengan `Divisi VIBRANT 3`. Apakah ada masalah dengan ketersediaan stok, harga, atau target pasar yang spesifik untuk divisi ini yang menyebabkan tingginya tingkat pembatalan? Menentukan akar penyebab di balik anomali ini dapat membantu meningkatkan efisiensi operasional dan kepuasan pelanggan untuk segmen ini. ### 4.4 Rekomendasi Berdasarkan temuan kualitas data dan anomali di atas, berikut adalah rekomendasi yang dapat diambil: 1. **Perbaikan Kualitas Data Fundamental:** * **Prioritaskan perbaikan `Tgl Diterima`**: Investigasi menyeluruh terhadap sumber data `Tgl Diterima` dan alasan di balik entri `1970-01-02 07:00:00`. Implementasikan validasi data yang ketat dan mekanisme pelaporan kesalahan untuk mencegah entri tanggal yang tidak valid. Jika data tidak tersedia, pertimbangkan untuk mengimputasinya dengan metode yang tepat atau mengecualikannya dari analisis waktu sensitif. * **Atasi Duplikasi Data**: Lakukan proses deduplikasi pada dataset menggunakan kunci unik yang teridentifikasi (`No. RO`, `Procod`, `Tgl. Order`, `Qty RO`) untuk memastikan setiap baris item merepresentasikan transaksi unik. * **Evaluasi Kolom Kosong**: Hapus kolom `Keterangan` dan `Nama Penerima` yang 100% kosong dari dataset untuk mengurangi *noise* dan meningkatkan efisiensi penyimpanan. * **Lengkapi `Cmc` dan `Value PL`**: Untuk kolom `Cmc` dan `Value PL` yang memiliki nilai hilang moderat, investigasi apakah data ini dapat diambil dari sumber lain atau diimputasi secara akurat. 2. **Investigasi Anomali Operasional:** * **Fokus pada `Logbook ke Pengiriman`**: Bekerja sama dengan tim operasional dan IT untuk memahami alur proses pencatatan `Tgl Logbook` dan `Tgl Diterima`. Verifikasi apakah ada *delay* sistem, kesalahan *entry*, atau proses *backdating* yang tidak sesuai. Solusi harus memastikan `Tgl Diterima` selalu kronologis setelah `Tgl Logbook`. * **Selidiki Gudang dengan *Lead Time* Tinggi**: Prioritaskan audit operasional di gudang `PHARMANET MEDAN`, `PHARMANET TANGERANG`, dan `PHARMANET SAMARINDA` yang memiliki rata-rata waktu tunggu `SP ke DO` yang tinggi. Tinjau proses internal, manajemen stok, dan kapasitas staf untuk mengidentifikasi *bottleneck*. * **Analisis `PHARMANET SEMARANG` dan `PHARMANET SURABAYA`**: Meskipun memiliki *lead time* `DO ke Logbook` yang tinggi, tingkat pembatalan di gudang ini tidak seburuk yang lain. Pahami faktor-faktor yang mungkin memitigasi dampak *delay* ini, mungkin ada praktik terbaik yang dapat direplikasi. 3. **Memahami Anomali Pembatalan Kecil:** * **Investigasi `PHARMANET PUSAT`**: Pastikan ke-22 transaksi yang dibatalkan 100% di `PHARMANET PUSAT` adalah memang skenario yang diharapkan (misalnya, tes sistem) dan tidak menunjukkan *bug* tersembunyi yang bisa memengaruhi operasional di masa depan. Dokumentasikan sifat transaksi ini. * **Analisis `Divisi VIBRANT 3`**: Lakukan analisis mendalam mengapa `Divisi VIBRANT 3` memiliki tingkat pembatalan 19,6%. Periksa jenis produk yang ditawarkan, target pelanggan, dan alur pemesanan khusus divisi ini. Apakah ada masalah ketersediaan produk, harga, atau ekspektasi pelanggan yang tidak terpenuhi? Dengan mengatasi masalah kualitas data dan menyelidiki anomali-anomali ini secara sistematis, perusahaan dapat membangun fondasi data yang lebih kuat, meningkatkan efisiensi operasional, dan pada akhirnya, mengurangi tingkat pembatalan serta meningkatkan kepuasan pelanggan. ## 5. Analisis Proses Pemenuhan Pesanan Proses pemenuhan pesanan adalah tulang punggung operasional perusahaan, mencakup serangkaian tahapan dari penerimaan pesanan pelanggan hingga pengiriman akhir. Analisis mendalam terhadap setiap tahapan ini sangat krusial untuk mengidentifikasi potensi inefisiensi, hambatan, dan peluang untuk meningkatkan kepuasan pelanggan serta kinerja penjualan. Dalam bab ini, kita akan mengurai setiap langkah proses ini, mengevaluasi efisiensi waktu, menganalisis pola pembatalan, dan mengidentifikasi faktor-faktor kunci yang memengaruhi keberhasilan pemenuhan pesanan. ### 5.1 Efisiensi Tahapan Proses Pemenuhan Pesanan (Lead Time Analysis) Kami menganalisis waktu tunggu (*lead time*) rata-rata untuk setiap tahapan kunci dalam proses pemenuhan pesanan, diukur dari perspektif baris item transaksi. Pemahaman tentang seberapa cepat pesanan bergerak melalui sistem dapat mengungkapkan area efisiensi danボトルネック (bottleneck). #### 5.1.1 Waktu Tunggu RO ke SP (Order Pelanggan ke Surat Pesanan Gudang) Tahap ini mengukur waktu yang dibutuhkan untuk mengkonversi permintaan ulang (RO) dari outlet pelanggan menjadi surat pesanan (SP) yang siap diproses oleh gudang. Data menunjukkan bahwa tahap ini berlangsung sangat cepat dan efisien: | Metrik | Waktu (jam) | |:-----------------|------------:| | Rata-rata | 0.6 | | Median | 0.6 | | Standar Deviasi | 0.3 | | Minimum | 0.0 | | Maksimum | 2.7 | | Persentil ke-25 | 0.3 | | Persentil ke-75 | 0.8 | Waktu rata-rata dan median yang kurang dari satu jam ini menunjukkan bahwa proses penerjemahan pesanan pelanggan ke sistem gudang berjalan dengan baik dan responsif, tidak ada penundaan signifikan di awal alur kerja. #### 5.1.2 Waktu Tunggu SP ke DO (Surat Pesanan ke Delivery Order) Tahap ini mengukur waktu yang dihabiskan dari terbitnya surat pesanan (SP) hingga dikeluarkannya *delivery order* (DO) oleh gudang, yang menandakan pesanan siap dikirim. | Metrik | Waktu (jam) | |:-----------------|------------:| | Rata-rata | 9.9 | | Median | 3.3 | | Standar Deviasi | 13.8 | | Minimum | 0.0 | | Maksimum | 149.7 | | Persentil ke-25 | 1.1 | | Persentil ke-75 | 15.0 | Meskipun rata-rata waktu adalah sekitar 9.9 jam, nilai median yang jauh lebih rendah (3.3 jam) mengindikasikan adanya beberapa transaksi dengan waktu tunggu yang sangat panjang yang menarik rata-rata ke atas. Standar deviasi yang relatif tinggi menunjukkan variabilitas yang signifikan dalam kecepatan pemrosesan antar pesanan. Ini bisa menjadi area krusial untuk perbaikan operasional di gudang, karena penundaan di sini dapat berdampak pada kepuasan pelanggan. #### 5.1.3 Waktu Tunggu DO ke Logbook (Delivery Order ke Area Staging Kurir) Tahap ini mencatat waktu yang dibutuhkan sejak DO diterbitkan hingga pesanan masuk ke area *staging* (Logbook), di mana pesanan siap dijemput oleh pihak ekspedisi/kurir. | Metrik | Waktu (jam) | |:-----------------|------------:| | Rata-rata | 5.9 | | Median | 2.7 | | Standar Deviasi | 10.3 | | Minimum | 0.0 | | Maksimum | 744.2 | | Persentil ke-25 | 1.3 | | Persentil ke-75 | 5.4 | Serupa dengan tahap SP ke DO, terdapat perbedaan signifikan antara rata-rata dan median, serta standar deviasi yang tinggi. Hal ini menunjukkan bahwa ada inkonsistensi dalam kecepatan persiapan pesanan untuk penjemputan ekspedisi, dengan beberapa kasus yang memakan waktu sangat lama (maksimum 744.2 jam atau sekitar 31 hari). #### 5.1.4 Anomali Kritis: Waktu Tunggu Logbook ke Pengiriman (Area Staging ke Penerimaan Pelanggan) Tahap ini idealnya mengukur durasi pengiriman eksternal, yaitu dari saat pesanan masuk *logbook* hingga diterima oleh pelanggan (`Tgl Diterima`). Namun, analisis pada tahap ini mengungkap anomali data yang sangat serius dan memerlukan perhatian segera. | Metrik | Waktu (jam) | |:-----------------|------------:| | Rata-rata | -11,623.5 | | Median | 22.0 | | Standar Deviasi | 75,071.1 | | Minimum | -495,228.7 | | Maksimum | 1,516.4 | | Persentil ke-25 | 6.3 | | Persentil ke-75 | 43.7 | **Anomali Waktu Tunggu Negatif:** Ditemukan **2.897** kasus di mana waktu tunggu antara `Tgl Logbook` dan `Tgl Diterima` bernilai negatif. Secara logis, tanggal penerimaan tidak mungkin mendahului tanggal logbook. Investigasi terhadap sampel data ini menunjukkan penyebab utama: kolom `Tgl Diterima` seringkali tercatat sebagai `1970-01-02 07:00:00`, sebuah nilai *default* atau *epoch time* yang tidak valid yang secara kronologis jauh mendahului `Tgl Logbook` yang sebenarnya di tahun 2026. Berikut adalah contoh baris data yang menunjukkan anomali ini: | Tgl Logbook | Tgl Diterima | Tgl Ekspedisi | No. DO | No. RO | Asal Gudang | Nama Ekspedisi | |:--------------------|:--------------------|:--------------------|:-------------|:--------|:----------------|:-------------------| | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | Anomali ini mengindikasikan masalah serius pada proses pengumpulan atau validasi data `Tgl Diterima`. Hal ini tidak hanya mengganggu perhitungan metrik waktu pengiriman, tetapi juga dapat menyembunyikan masalah operasional sebenarnya dalam tahap pengiriman eksternal. Median waktu tunggu 22.0 jam (jika mengabaikan nilai negatif) memberikan gambaran yang lebih realistis tentang durasi pengiriman rata-rata. #### 5.1.5 Total Waktu Pemenuhan Pesanan Total waktu pemenuhan pesanan dari `Tgl Order` hingga `Tgl Diterima` juga sangat terpengaruh oleh anomali pada tahap terakhir. | Metrik | Waktu (jam) | |:-----------------|------------:| | Rata-rata | -11,599.3 | | Median | 37.3 | | Standar Deviasi | 75,045.5 | | Minimum | -495,208.1 | | Maksimum | 1,572.5 | | Persentil ke-25 | 20.0 | | Persentil ke-75 | 63.6 | Karena **2.859** kasus waktu tunggu negatif, rata-rata total waktu pemenuhan pesanan menjadi tidak representatif. Median 37.3 jam (sekitar 1.5 hari) memberikan gambaran yang lebih akurat tentang total waktu yang dihabiskan untuk memproses dan mengirimkan pesanan dari awal hingga diterima oleh pelanggan. ### 5.2 Analisis Tingkat Pembatalan Pesanan Pembatalan pesanan adalah metrik kritis yang dapat mengindikasikan masalah dalam ketersediaan produk, harga, proses operasional, atau bahkan kepuasan pelanggan. #### 5.2.1 Tingkat Pembatalan Keseluruhan * **Tingkat Pembatalan Pesanan (berdasarkan `No. RO` unik dengan `Status RO` = `CANCEL`)**: 6.4% * **Tingkat Pembatalan Baris Item (berdasarkan `Sts SP Detail` = `C`)**: 1.3% Perbedaan antara kedua angka ini menunjukkan bahwa tidak semua pesanan yang dibatalkan merupakan pembatalan penuh dari seluruh pesanan; beberapa mungkin hanya pembatalan pada tingkat baris item saja. #### 5.2.2 Tingkat Pembatalan Berdasarkan Variabel Kategorikal Analisis lebih lanjut mengungkapkan variasi tingkat pembatalan antar segmen: **Tingkat Pembatalan per Divisi** | Divisi | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:------------|------------:|----------------:|-------------------:| | VIBRANT 3 | 56 | 11 | 19.6% | | HOSPINET | 17,827 | 310 | 1.7% | | VIBRANT PBF | 2,559 | 38 | 1.5% | | PHARMANET | 110,866 | 1,381 | 1.2% | | nan | 7 | 0 | 0.0% | Divisi `VIBRANT 3` memiliki tingkat pembatalan yang sangat tinggi (19.6%), meskipun dengan volume transaksi yang sangat kecil. `HOSPINET` juga sedikit lebih tinggi dibandingkan `PHARMANET` dan `VIBRANT PBF`. **Tingkat Pembatalan per Asal Gudang** | Asal Gudang | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:----------------------|------------:|----------------:|-------------------:| | PHARMANET PUSAT | 22 | 22 | 100.0% | | PHARMANET TANGERANG | 9,420 | 242 | 2.6% | | PHARMANET MEDAN | 7,416 | 188 | 2.5% | | PHARMANET JAKTIM | 4,114 | 100 | 2.4% | | PHARMANET MAKASSAR | 7,468 | 148 | 2.0% | | PHARMANET SAMARINDA | 3,203 | 60 | 1.9% | | PHARMANET BANJARMASIN | 4,403 | 75 | 1.7% | | PHARMANET PEKANBARU | 6,176 | 92 | 1.5% | | PHARMANET BOGOR | 8,484 | 115 | 1.4% | | PHARMANET SEMARANG | 8,948 | 112 | 1.3% | | PHARMANET JAKBAR | 3,611 | 45 | 1.2% | | PHARMANET SURABAYA | 13,577 | 164 | 1.2% | | PHARMANET BEKASI | 12,675 | 129 | 1.0% | | PHARMANET PONTIANAK | 3,467 | 35 | 1.0% | | PHARMANET SOLO | 8,346 | 75 | 0.9% | | PHARMANET JAKSEL | 2,085 | 18 | 0.9% | | PHARMANET JAMBI | 2,869 | 24 | 0.8% | | PHARMANET LAMPUNG | 3,899 | 24 | 0.6% | | PHARMANET MALANG | 3,118 | 16 | 0.5% | | PHARMANET BANDUNG | 9,568 | 30 | 0.3% | | PHARMANET PALEMBANG | 8,446 | 26 | 0.3% | `PHARMANET PUSAT` menunjukkan tingkat pembatalan 100.0%, namun ini hanya mencakup 22 baris item, kemungkinan besar merupakan data anomali atau pengujian. Dari gudang dengan volume signifikan, `PHARMANET TANGERANG`, `PHARMANET MEDAN`, dan `PHARMANET JAKTIM` memiliki tingkat pembatalan tertinggi. **Tingkat Pembatalan per Metode Pembayaran** | Payment | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:--------------------|------------:|----------------:|-------------------:| | BRIVA | 15,716 | 262 | 1.7% | | Term Of Payment | 36,615 | 567 | 1.5% | | BCA Virtual Account | 78,853 | 911 | 1.2% | | Kredivo | 131 | 0 | 0.0% | Pembayaran menggunakan `BRIVA` dan `Term Of Payment` memiliki tingkat pembatalan yang sedikit lebih tinggi dibandingkan `BCA Virtual Account`. **Tingkat Pembatalan per Pharos YN (Produk Pharos vs. Non-Pharos)** | Pharos YN | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:------------|------------:|----------------:|-------------------:| | Y | 59,301 | 920 | 1.6% | | N | 72,014 | 820 | 1.1% | Produk yang diproduksi oleh PT. Pharos (`Pharos YN = Y`) memiliki tingkat pembatalan yang sedikit lebih tinggi dibandingkan produk non-Pharos. **Tingkat Pembatalan per AO YN (Partisipasi Apotek Online)** | AO YN | Jumlah Item | Item Dibatalkan | Tingkat Pembatalan | |:--------|------------:|----------------:|-------------------:| | N | 82,584 | 1,145 | 1.4% | | Y | 48,731 | 595 | 1.2% | Outlet yang tidak berpartisipasi dalam program Apotek Online (`AO YN = N`) memiliki tingkat pembatalan yang sedikit lebih tinggi. ### 5.3 Produk Paling Rentan Pembatalan Memahami produk mana yang paling sering dibatalkan adalah kunci untuk meningkatkan manajemen stok, strategi penjualan, dan bahkan pengembangan produk. #### 5.3.1 Produk dengan Nilai Pembatalan Tertinggi (berdasarkan Value RO) Berikut adalah 10 produk teratas berdasarkan total nilai pesanan yang dibatalkan, menunjukkan kerugian finansial terbesar: | Procod | Prodes | Pharos YN | Total Value RO | Cancelled Value RO | Cancellation Rate Value | |-------:|:-------------------------------|:----------|---------------:|-------------------:|------------------------:| | 105523 | PRORIS 125MG SUPP 10'S | Y | 279,214,018 | 81,491,848 | 29.2% | | 104115 | CATAFLAM 50MG TAB 50'S | N | 1,446,660,391 | 32,244,616 | 2.2% | | 303114 | NOURISH SKIN ULTIMATE 30'S | Y | 219,693,637 | 31,518,836 | 14.3% | | 201630 | MICROLAX GEL OBAT PENCAHAR 5ML | Y | 3,321,664,117 | 29,378,319 | 0.9% | | 103842 | MEFINAL 500MG CAP 100'S | N | 1,140,834,053 | 23,612,058 | 2.1% | | 109769 | VOMARIN FLASH TAB 50'S | Y | 23,633,720 | 19,988,520 | 84.6% | | 100683 | CLINOVIR CREAM 5GR | Y | 457,589,207 | 19,678,724 | 4.3% | | 201478 | PRORIS SUSP 60 ML RASA JERUK | Y | 3,354,936,937 | 9,359,394 | 0.3% | | 203410 | OZEN 5MG SIRUP 60ML | Y | 91,626,784 | 8,735,385 | 9.5% | | 110624 | MEDISIO 36% CONCENTRATE 5ML | Y | 132,582,540 | 8,134,229 | 6.1% | Produk `PRORIS 125MG SUPP 10'S` dan `VOMARIN FLASH TAB 50'S` menonjol karena nilai pembatalan yang sangat tinggi, dengan `VOMARIN FLASH TAB 50'S` bahkan memiliki tingkat pembatalan nilai mencapai 84.6%, meskipun total nilai RO-nya tidak sebesar produk lain di daftar ini. Mayoritas produk dengan nilai pembatalan tertinggi adalah produk `Pharos YN = Y`. #### 5.3.2 Produk dengan Tingkat Pembatalan Nilai Tertinggi (minimum total Value RO Rp 10,000,000) Untuk mendapatkan gambaran yang lebih adil, kami melihat produk dengan tingkat pembatalan nilai tertinggi, namun dengan volume penjualan (Total Value RO) minimal Rp 10,000,000. | Procod | Prodes | Pharos YN | Total Value RO | Cancelled Value RO | Cancellation Rate Value | |-------:|:-------------------------------|:----------|---------------:|-------------------:|------------------------:| | 109769 | VOMARIN FLASH TAB 50'S | Y | 23,633,720 | 19,988,520 | 84.6% | | 105523 | PRORIS 125MG SUPP 10'S | Y | 279,214,018 | 81,491,848 | 29.2% | | 108333 | CPG TAB 30'S | N | 10,989,000 | 1,648,350 | 15.0% | | 302477 | VEGEBLEND 21JR VEG.EXTR.30'S | Y | 25,882,748 | 3,834,554 | 14.8% | | 202863 | ALTADIS 2% KRIM 10GR | Y | 48,944,855 | 7,141,875 | 14.6% | | 303114 | NOURISH SKIN ULTIMATE 30'S | Y | 219,693,637 | 31,518,836 | 14.3% | | 110259 | ACTREL 200MG CAP 30'S | Y | 13,560,730 | 1,701,536 | 12.5% | | 110051 | BLASTOFEN 25MG TAB 50'S | Y | 14,760,368 | 1,757,781 | 11.9% | | 3600014| KOYO SALONPAS SPR BIRU 10'S(N) | N | 38,140,740 | 4,250,573 | 11.1% | | 109840 | RETROGEST 5MG TAB 28'S | Y | 19,444,945 | 1,967,400 | 10.1% | Sekali lagi, `VOMARIN FLASH TAB 50'S` dan `PRORIS 125MG SUPP 10'S` menduduki puncak daftar ini. Produk-produk dengan Pharos YN = Y mendominasi daftar ini, menunjukkan bahwa produk Pharos perlu diperiksa lebih cermat terkait alasan pembatalannya. ### 5.4 Dampak Pharos YN dan Apotek Online terhadap Nilai Pesanan Rata-rata (AOV) Analisis AOV berdasarkan `Pharos YN` dan `AO YN` memberikan wawasan tentang segmen produk dan pelanggan yang paling bernilai. #### 5.4.1 AOV Berdasarkan Pharos YN | Pharos YN | Rata-rata Value RO | Rata-rata Value PL | |:------------|-------------------:|-------------------:| | N | 312,776 | 314,072 | | Y | 557,928 | 560,472 | Produk Pharos (`Y`) memiliki Nilai RO Rata-rata (AOV) yang secara signifikan lebih tinggi (Rp 557,928) dibandingkan produk Non-Pharos (`N`) (Rp 312,776). Ini menunjukkan bahwa produk Pharos secara individual memiliki nilai transaksi yang lebih tinggi, menjadikannya kunci penting dalam kontribusi pendapatan. #### 5.4.2 AOV Berdasarkan AO YN | AO YN | Rata-rata Value RO | Rata-rata Value PL | |:--------|-------------------:|-------------------:| | N | 458,964 | 461,169 | | Y | 363,359 | 364,048 | Menariknya, outlet yang **tidak** berpartisipasi dalam program Apotek Online (`AO YN = N`) memiliki Nilai RO Rata-rata (AOV) yang lebih tinggi (Rp 458,964) dibandingkan outlet yang berpartisipasi (`AO YN = Y`) (Rp 363,359). Hal ini mengindikasikan bahwa outlet tradisional atau non-digital mungkin masih melakukan pembelian dalam jumlah yang lebih besar per pesanan, atau mungkin program Apotek Online menarik pelanggan dengan frekuensi pesanan lebih tinggi namun nilai per pesanan yang lebih kecil. Ini bisa menjadi insight berharga untuk strategi segmentasi pelanggan dan penawaran program online. ### 5.5 Dinamika Mingguan: Mengamati Perubahan Seiring Waktu Analisis tren mingguan memberikan perspektif dinamis tentang bagaimana tingkat pembatalan dan waktu tunggu berfluktuasi dari waktu ke waktu, memungkinkan identifikasi pola musiman atau dampak dari peristiwa tertentu. ![Visualisasi](/agent/api/download?file=/tmp/weekly_cancellation_rate_trend.png) **Tren Tingkat Pembatalan Baris Item Mingguan**: Grafik ini menunjukkan fluktuasi tingkat pembatalan baris item setiap minggunya. Peningkatan tajam bisa mengindikasikan masalah ketersediaan produk, perubahan harga, atau masalah dalam proses pemesanan yang perlu diselidiki. ![Visualisasi](/agent/api/download?file=/tmp/weekly_sp_to_do_lead_time_trend.png) **Tren Waktu Tunggu SP ke DO Rata-rata Mingguan**: Grafik ini mencerminkan efisiensi gudang dalam mengkonversi surat pesanan (SP) menjadi pesanan pengiriman (DO). Peningkatan waktu tunggu dapat menunjukkan kemacetan dalam pemrosesan gudang atau masalah manajemen stok. ![Visualisasi](/agent/api/download?file=/tmp/weekly_do_to_logbook_lead_time_trend.png) **Tren Waktu Tunggu DO ke Logbook Rata-rata Mingguan**: Grafik ini menunjukkan seberapa cepat pesanan pengiriman yang sudah dikonfirmasi dipindahkan ke area *staging* untuk penjemputan kurir. Waktu yang lebih lama bisa menjadi indikator inefisiensi logistik internal sebelum pengiriman eksternal. Visualisasi ini sangat penting untuk pemantauan kinerja berkelanjutan. Fluktuasi yang signifikan memerlukan penyelidikan lebih lanjut untuk mengidentifikasi akar penyebab dan mengambil tindakan korektif yang tepat. ### 5.6 Korelasi Kinerja Gudang: Waktu Tunggu dan Pembatalan Memahami hubungan antara efisiensi operasional gudang dan tingkat pembatalan adalah kunci untuk mengidentifikasi area perbaikan. Kami menganalisis korelasi ini untuk gudang dengan setidaknya 100 baris item: | Asal Gudang | Rata-rata Waktu Tunggu SP ke DO (jam) | Rata-rata Waktu Tunggu DO ke Logbook (jam) | Tingkat Pembatalan | |:----------------------|--------------------------------------:|-------------------------------------------:|-------------------:| | PHARMANET TANGERANG | 14.1 | 4.2 | 2.6% | | PHARMANET MEDAN | 20.4 | 9.0 | 2.5% | | PHARMANET JAKTIM | 6.4 | 2.1 | 2.4% | | PHARMANET MAKASSAR | 8.8 | 6.0 | 2.0% | | PHARMANET SAMARINDA | 26.2 | 4.5 | 1.9% | | PHARMANET BANJARMASIN | 12.0 | 4.2 | 1.7% | | PHARMANET PEKANBARU | 10.6 | 3.3 | 1.5% | | PHARMANET BOGOR | 10.0 | 5.4 | 1.4% | | PHARMANET SEMARANG | 8.9 | 14.0 | 1.3% | | PHARMANET JAKBAR | 9.0 | 1.2 | 1.2% | | PHARMANET SURABAYA | 9.0 | 13.0 | 1.2% | | PHARMANET BEKASI | 8.4 | 3.0 | 1.0% | | PHARMANET PONTIANAK | 10.2 | 5.5 | 1.0% | | PHARMANET SOLO | 8.2 | 5.4 | 0.9% | | PHARMANET JAKSEL | 7.1 | 5.4 | 0.9% | | PHARMANET JAMBI | 8.0 | 3.2 | 0.8% | | PHARMANET LAMPUNG | 8.7 | 4.3 | 0.6% | | PHARMANET MALANG | 4.1 | 5.5 | 0.5% | | PHARMANET BANDUNG | 8.0 | 2.5 | 0.3% | | PHARMANET PALEMBANG | 3.3 | 3.4 | 0.3% | Tabel ini menunjukkan adanya pola di mana gudang dengan waktu tunggu `SP ke DO` dan/atau `DO ke Logbook` yang lebih lama cenderung memiliki tingkat pembatalan yang lebih tinggi. Misalnya, `PHARMANET MEDAN` dan `PHARMANET TANGERANG` memiliki rata-rata waktu tunggu `SP ke DO` yang tinggi (masing-masing 20.4 jam dan 14.1 jam) dan juga tingkat pembatalan yang signifikan (2.5% dan 2.6%). `PHARMANET SAMARINDA` memiliki waktu tunggu `SP ke DO` tertinggi (26.2 jam), meskipun tingkat pembatalannya sedikit lebih rendah daripada gudang dengan waktu tunggu lebih cepat. Hal ini mengindikasikan bahwa perbaikan efisiensi dalam proses gudang (konversi SP ke DO dan persiapan DO ke Logbook) dapat berpotensi mengurangi tingkat pembatalan. Gudang-gudang dengan waktu tunggu yang tinggi dan tingkat pembatalan di atas rata-rata harus menjadi prioritas untuk penyelidikan dan peningkatan operasional. ### 5.7 Faktor Pendorong Pembatalan (Berdasarkan Feature Importance) Model klasifikasi yang dibangun untuk memprediksi pembatalan baris item mengidentifikasi beberapa faktor utama yang sangat berpengaruh: * **Procod (Kode Produk)**: 0.2715 – Ini adalah prediktor terkuat, menunjukkan bahwa karakteristik produk itu sendiri memainkan peran paling dominan dalam keputusan pembatalan. * **Value RO (Nilai Pesanan)**: 0.2562 – Nilai moneter pesanan merupakan faktor penting kedua. * **Qty RO (Kuantitas Pesanan)**: 0.1160 – Kuantitas produk yang dipesan juga signifikan. * **Asal Gudang**: Beberapa gudang seperti `PHARMANET TANGERANG`, `PHARMANET BANDUNG`, `PHARMANET PALEMBANG`, `PHARMANET SURABAYA`, dan `PHARMANET MEDAN` muncul sebagai faktor penting, menegaskan bahwa lokasi dan efisiensi operasional gudang memiliki dampak. * **AO YN_Y** dan **Pharos YN_Y**: Partisipasi outlet dalam Apotek Online dan status produk Pharos juga berkontribusi pada probabilitas pembatalan. ### 5.8 Rekomendasi Strategis Berdasarkan analisis komprehensif terhadap proses pemenuhan pesanan, berikut adalah rekomendasi strategis untuk meningkatkan kinerja layanan, penjualan, dan efisiensi operasional: 1. **Prioritaskan Perbaikan Kualitas Data `Tgl Diterima`**: * **Tindak Lanjut Anomali `1970-01-02`**: Lakukan investigasi mendalam dengan tim IT dan operasional untuk mengidentifikasi akar masalah entri `Tgl Diterima` yang tidak valid. Perbaiki sistem pengumpulan data atau validasi untuk memastikan `Tgl Diterima` selalu logis dan akurat. Ini adalah prasyarat untuk analisis waktu pengiriman yang valid. * **Implementasikan Validasi Data Waktu Nyata**: Terapkan sistem validasi yang mencegah entri tanggal yang tidak kronologis atau nilai *default* yang salah. 2. **Optimasi Proses Gudang untuk Mengurangi Waktu Tunggu dan Pembatalan**: * **Fokus pada Gudang Berkinerja Rendah**: Berdasarkan korelasi antara waktu tunggu dan tingkat pembatalan, prioritaskan perbaikan di gudang-gudang seperti `PHARMANET MEDAN`, `PHARMANET TANGERANG`, dan `PHARMANET SAMARINDA`. Tinjau alur kerja, manajemen inventaris, dan alokasi staf untuk mengurangi waktu tunggu `SP ke DO` dan `DO ke Logbook`. * **Benchmarking Praktik Terbaik**: Pelajari gudang-gudang dengan waktu tunggu yang efisien dan tingkat pembatalan rendah (misalnya, `PHARMANET BANDUNG` dan `PHARMANET PALEMBANG`) untuk mengidentifikasi praktik terbaik yang dapat direplikasi. * **Analisis Tren Mingguan**: Gunakan grafik tren mingguan sebagai alat pemantauan utama untuk mendeteksi perubahan kinerja secara cepat dan melakukan intervensi proaktif. 3. **Strategi Manajemen Produk untuk Mengurangi Pembatalan**: * **Investigasi Produk Rentan Pembatalan**: Lakukan analisis lebih lanjut terhadap produk-produk dengan tingkat pembatalan nilai tertinggi, khususnya `VOMARIN FLASH TAB 50'S`, `PRORIS 125MG SUPP 10'S`, dan `NOURISH SKIN ULTIMATE 30'S`. * **Ketersediaan Stok**: Apakah produk-produk ini sering *out of stock* atau memiliki ketersediaan yang fluktuatif, menyebabkan pembatalan? * **Perubahan Harga/Promosi**: Apakah ada perubahan harga atau promosi yang memicu pembatalan? * **Demand Forecasting**: Perbaiki perkiraan permintaan untuk produk-produk ini untuk memastikan stok yang memadai. * **Kualitas Produk/Ekspektasi Pelanggan**: Jika pembatalan bukan karena ketersediaan, apakah ada masalah dengan kualitas atau ekspektasi pelanggan yang tidak terpenuhi? * **Pahami Implikasi `Pharos YN`**: Karena produk Pharos (`Y`) memiliki AOV lebih tinggi tetapi juga tingkat pembatalan yang sedikit lebih tinggi, pertimbangkan program retensi khusus atau insentif untuk mendorong penyelesaian pesanan produk Pharos. 4. **Strategi Penjualan dan Keterlibatan Pelanggan**: * **Analisis Outlet AO YN**: Pahami mengapa outlet `AO YN = N` (non-Apotek Online) memiliki AOV yang lebih tinggi. Apakah mereka pelanggan yang lebih loyal, memesan dalam jumlah besar, atau memiliki kebutuhan yang berbeda? Gunakan wawasan ini untuk menyesuaikan strategi penjualan baik untuk outlet online maupun offline. * **Peningkatan Layanan Pelanggan**: Tingkat pembatalan yang tinggi bisa jadi indikator ketidakpuasan. Tingkatkan komunikasi dengan pelanggan, terutama pada tahap-tahap yang memiliki waktu tunggu yang lebih lama atau ketika ada potensi pembatalan. 5. **Revisi Proses dan Dokumentasi untuk Anomali Khusus**: * **Verifikasi `PHARMANET PUSAT`**: Pastikan ke-22 transaksi yang dibatalkan 100% dari `PHARMANET PUSAT` memang merupakan kasus pengujian atau anomali yang dapat dijelaskan, dan dokumentasikan dengan jelas. * **Analisis Mendalam `Divisi VIBRANT 3`**: Lakukan studi kasus untuk 56 transaksi di `Divisi VIBRANT 3` untuk memahami karakteristik unik yang menyebabkan tingkat pembatalan hampir 20%. Dengan memprioritaskan perbaikan kualitas data, mengoptimalkan proses operasional di gudang, dan merancang strategi penjualan serta produk yang lebih cerdas, perusahaan dapat secara signifikan mengurangi tingkat pembatalan, meningkatkan efisiensi pemenuhan pesanan, dan pada akhirnya, mendorong pertumbuhan bisnis yang lebih berkelanjutan. ## 6. Analisis Pembatalan Berdasarkan Kategori Analisis pembatalan pesanan berdasarkan kategori memberikan gambaran yang lebih terperinci mengenai di mana dan mengapa pembatalan terjadi. Dengan mengelompokkan data berdasarkan Divisi, Asal Gudang, Metode Pembayaran, Produk Pharos, dan Partisipasi Apotek Online, kita dapat mengidentifikasi segmen-segmen yang paling rentan terhadap pembatalan dan merumuskan strategi intervensi yang lebih tepat sasaran. Analisis ini sangat penting untuk meningkatkan efisiensi operasional, manajemen stok, dan kepuasan pelanggan secara keseluruhan. ### Tingkat Pembatalan Baris Item Berdasarkan Variabel Kategorikal Tingkat pembatalan baris item dihitung sebagai persentase jumlah baris item yang dibatalkan (`Sts SP Detail` = 'C') dari total baris item untuk setiap kategori. #### Pembatalan Berdasarkan Divisi Variasi tingkat pembatalan antar divisi menunjukkan adanya perbedaan karakteristik operasional atau produk yang mempengaruhi keputusan pembatalan. | Divisi | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:------------|-----------------:|----------------------:|-------------------:| | VIBRANT 3 | 56 | 11 | 19.6% | | HOSPINET | 17,827 | 310 | 1.7% | | VIBRANT PBF | 2,559 | 38 | 1.5% | | PHARMANET | 110,866 | 1,381 | 1.2% | | nan | 7 | 0 | 0.0% | **Observasi:** * **VIBRANT 3** menunjukkan tingkat pembatalan yang sangat tinggi (19.6%), jauh melampaui divisi lainnya. Meskipun volume transaksinya sangat kecil (hanya 56 baris item), angka ini sangat signifikan dan memerlukan penyelidikan mendalam. Apakah ini anomali data, atau ada masalah spesifik terkait jenis produk atau segmen pelanggan yang dilayani divisi ini? * **HOSPINET** memiliki tingkat pembatalan yang sedikit lebih tinggi (1.7%) dibandingkan **PHARMANET** (1.2%) dan **VIBRANT PBF** (1.5%), meskipun dengan volume yang jauh lebih besar dari VIBRANT PBF. Ini menunjukkan bahwa layanan untuk rumah sakit mungkin memiliki tantangan unik yang dapat meningkatkan risiko pembatalan. **Insight Bisnis:** * **Targetkan VIBRANT 3**: Segera selidiki akar masalah tingginya pembatalan di Divisi VIBRANT 3. Hal ini mungkin berkaitan dengan ketersediaan stok, harga, atau bahkan target pasar yang kurang tepat. * **Evaluasi HOSPINET**: Pahami faktor-faktor yang mendorong pembatalan di segmen HOSPINET. Apakah ini terkait dengan kompleksitas pengadaan di rumah sakit, waktu tunggu yang tidak dapat ditoleransi, atau persyaratan produk tertentu? #### Pembatalan Berdasarkan Asal Gudang Efisiensi dan kondisi operasional setiap gudang dapat sangat mempengaruhi tingkat pembatalan. | Asal Gudang | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:----------------------|-----------------:|----------------------:|-------------------:| | PHARMANET PUSAT | 22 | 22 | 100.0% | | PHARMANET TANGERANG | 9,420 | 242 | 2.6% | | PHARMANET MEDAN | 7,416 | 188 | 2.5% | | PHARMANET JAKTIM | 4,114 | 100 | 2.4% | | PHARMANET MAKASSAR | 7,468 | 148 | 2.0% | | PHARMANET SAMARINDA | 3,203 | 60 | 1.9% | | PHARMANET BANJARMASIN | 4,403 | 75 | 1.7% | | PHARMANET PEKANBARU | 6,176 | 92 | 1.5% | | PHARMANET BOGOR | 8,484 | 115 | 1.4% | | PHARMANET SEMARANG | 8,948 | 112 | 1.3% | | PHARMANET JAKBAR | 3,611 | 45 | 1.2% | | PHARMANET SURABAYA | 13,577 | 164 | 1.2% | | PHARMANET BEKASI | 12,675 | 129 | 1.0% | | PHARMANET PONTIANAK | 3,467 | 35 | 1.0% | | PHARMANET SOLO | 8,346 | 75 | 0.9% | | PHARMANET JAKSEL | 2,085 | 18 | 0.9% | | PHARMANET JAMBI | 2,869 | 24 | 0.8% | | PHARMANET LAMPUNG | 3,899 | 24 | 0.6% | | PHARMANET MALANG | 3,118 | 16 | 0.5% | | PHARMANET BANDUNG | 9,568 | 30 | 0.3% | | PHARMANET PALEMBANG | 8,446 | 26 | 0.3% | **Observasi:** * **PHARMANET PUSAT** menunjukkan tingkat pembatalan 100.0%. Seperti yang dijelaskan di Bab 4, ini adalah anomali data dengan volume sangat kecil (22 baris item) dan kemungkinan besar merupakan pesanan uji atau data yang tidak valid. Ini tidak mencerminkan masalah operasional sistemik pada gudang nyata. * Gudang regional dengan tingkat pembatalan tertinggi (dan volume yang signifikan) adalah **PHARMANET TANGERANG** (2.6%), **PHARMANET MEDAN** (2.5%), dan **PHARMANET JAKTIM** (2.4%). * Sebaliknya, **PHARMANET BANDUNG** (0.3%) dan **PHARMANET PALEMBANG** (0.3%) menunjukkan tingkat pembatalan terendah, mengindikasikan efisiensi operasional yang baik. **Insight Bisnis:** * **Audit Gudang Berisiko Tinggi**: Lakukan audit operasional di gudang seperti PHARMANET TANGERANG, MEDAN, dan JAKTIM. Identifikasi apakah masalahnya terkait dengan ketersediaan stok, kecepatan pemrosesan, akurasi pesanan, atau koordinasi pengiriman. * **Belajar dari yang Terbaik**: Analisis praktik terbaik di PHARMANET BANDUNG dan PALEMBANG untuk memahami faktor-faktor yang berkontribusi pada tingkat pembatalan rendah mereka. Temuan ini dapat direplikasi ke gudang lain. * **Korelasi dengan Waktu Tunggu**: Penting untuk dicatat bahwa beberapa gudang dengan tingkat pembatalan tinggi (seperti PHARMANET MEDAN dan PHARMANET SAMARINDA) juga menunjukkan waktu tunggu yang lebih lama untuk proses SP ke DO, menunjukkan hubungan antara inefisiensi operasional dan pembatalan. #### Pembatalan Berdasarkan Metode Pembayaran Metode pembayaran dapat mencerminkan jenis pelanggan atau tingkat komitmen mereka terhadap pesanan. | Payment | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:--------------------|-----------------:|----------------------:|-------------------:| | BRIVA | 15,716 | 262 | 1.7% | | Term Of Payment | 36,615 | 567 | 1.5% | | BCA Virtual Account | 78,853 | 911 | 1.2% | | Kredivo | 131 | 0 | 0.0% | **Observasi:** * Pembayaran melalui **BRIVA** (1.7%) dan **Term Of Payment** (1.5%) memiliki tingkat pembatalan yang sedikit lebih tinggi dibandingkan **BCA Virtual Account** (1.2%). * **Kredivo** menunjukkan 0% pembatalan, tetapi dengan volume yang sangat kecil (131 baris item), sehingga sulit untuk menarik kesimpulan yang kuat. **Insight Bisnis:** * **Pahami BRIVA dan Term Of Payment**: Selidiki mengapa metode pembayaran ini memiliki tingkat pembatalan yang lebih tinggi. Apakah ini menunjukkan segmen pelanggan yang berbeda, atau ada potensi masalah dalam proses verifikasi pembayaran atau batas waktu pembayaran yang berkontribusi pada pembatalan? * **Promosikan BCA Virtual Account**: Jika BCA Virtual Account menunjukkan tingkat pembatalan yang konsisten lebih rendah, mungkin ada baiknya untuk mempromosikan penggunaannya atau mengidentifikasi praktik yang membuat transaksi ini lebih aman dari pembatalan. #### Pembatalan Berdasarkan Produk Pharos (Pharos YN) Apakah produk yang diproduksi oleh perusahaan sendiri memiliki profil pembatalan yang berbeda? | Pharos YN | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:------------|-----------------:|----------------------:|-------------------:| | Y | 59,301 | 920 | 1.6% | | N | 72,014 | 820 | 1.1% | **Observasi:** * Produk **Pharos YN = Y** (produk produksi PT. Pharos) memiliki tingkat pembatalan yang lebih tinggi (1.6%) dibandingkan produk **Pharos YN = N** (produk non-Pharos) (1.1%). **Insight Bisnis:** * **Fokus pada Produk Pharos**: Mengingat bahwa produk Pharos memiliki nilai pesanan rata-rata yang lebih tinggi (seperti disorot di bab sebelumnya), tingkat pembatalan yang lebih tinggi ini sangat merugikan. Penting untuk menganalisis lebih lanjut mengapa produk Pharos lebih sering dibatalkan. Apakah ini karena masalah stok, harga yang kurang kompetitif, atau permintaan yang lebih fluktuatif? * **Prioritaskan Ketersediaan**: Pastikan ketersediaan produk Pharos tetap optimal, karena ketidaktersediaan dapat menyebabkan pembatalan dan berdampak signifikan pada pendapatan. #### Pembatalan Berdasarkan Partisipasi Apotek Online (AO YN) Partisipasi outlet dalam program Apotek Online dapat mencerminkan modernisasi atau orientasi pasar mereka. | AO YN | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:--------|-----------------:|----------------------:|-------------------:| | N | 82,584 | 1,145 | 1.4% | | Y | 48,731 | 595 | 1.2% | **Observasi:** * Outlet yang **tidak** berpartisipasi dalam Apotek Online (**AO YN = N**) memiliki tingkat pembatalan yang sedikit lebih tinggi (1.4%) dibandingkan outlet yang berpartisipasi (**AO YN = Y**) (1.2%). **Insight Bisnis:** * **Keunggulan Apotek Online**: Temuan ini menunjukkan bahwa outlet yang terintegrasi dengan Apotek Online mungkin memiliki proses pemesanan yang lebih lancar atau pelanggan yang lebih terinformasi, menghasilkan tingkat pembatalan yang sedikit lebih rendah. Ini bisa menjadi poin penjualan untuk mendorong partisipasi lebih lanjut dalam program Apotek Online. * **Peningkatan untuk Non-AO YN**: Pahami alasan di balik tingkat pembatalan yang sedikit lebih tinggi di outlet Non-AO YN. Apakah ini terkait dengan metode pemesanan manual, kurangnya informasi stok real-time, atau segmen pelanggan yang berbeda? ### Implikasi Bisnis dan Rekomendasi Analisis kategori ini memberikan panduan yang jelas untuk mengarahkan upaya peningkatan: 1. **Investigasi Mendalam untuk Anomali:** * **VIBRANT 3**: Lakukan studi kasus mendalam untuk 56 baris item di Divisi VIBRANT 3. Pahami karakteristik pesanan, produk, dan pelanggan yang menyebabkan tingkat pembatalan hampir 20%. Apakah ada masalah ketersediaan produk yang konsisten atau penawaran produk yang kurang menarik? * **PHARMANET PUSAT**: Konfirmasi bahwa 100% pembatalan di gudang PHARMANET PUSAT adalah anomali data (misalnya, pesanan tes) dan bukan masalah operasional yang sebenarnya. Pastikan proses pencatatan di gudang ini tidak akan mempengaruhi metrik di masa mendatang. 2. **Perbaikan Operasional Gudang Bertarget:** * **Fokus pada PHARMANET TANGERANG, MEDAN, dan JAKTIM**: Prioritaskan kunjungan atau audit operasional ke gudang-gudang ini. Bandingkan prosedur mereka dengan PHARMANET BANDUNG dan PALEMBANG yang berkinerja tinggi. Periksa manajemen stok, kecepatan pemrosesan SP ke DO dan DO ke Logbook, serta akurasi pengiriman. * **Optimalisasi Waktu Tunggu**: Selidiki apakah waktu tunggu yang lebih lama di gudang tertentu (terutama PHARMANET MEDAN dan SAMARINDA untuk SP ke DO) secara langsung berkontribusi pada pembatalan. Implementasikan inisiatif untuk mempercepat proses di titik-titik kritis ini. 3. **Strategi Pembayaran dan Manajemen Risiko:** * **Analisis Pengguna BRIVA/Term Of Payment**: Pahami profil pelanggan yang menggunakan BRIVA dan Term Of Payment. Apakah ada segmentasi yang berbeda, atau tantangan dalam proses pembayaran yang menyebabkan mereka lebih sering membatalkan? Pertimbangkan komunikasi yang lebih proaktif atau opsi pembayaran alternatif untuk mengurangi risiko. 4. **Manajemen Produk Pharos:** * **Perkuat Rantai Pasok Produk Pharos**: Dengan AOV yang tinggi, pembatalan produk Pharos berdampak signifikan. Evaluasi ketersediaan stok, ketepatan perkiraan permintaan, dan strategi harga untuk produk Pharos. Tinjau juga umpan balik pelanggan mengenai produk ini untuk mengidentifikasi potensi masalah kualitas atau ekspektasi yang tidak terpenuhi. 5. **Pengembangan Program Apotek Online:** * **Promosikan Partisipasi AO YN**: Tingkat pembatalan yang lebih rendah di outlet AO YN dapat menjadi argumen kuat untuk mendorong lebih banyak outlet bergabung. Fokuskan upaya onboarding pada outlet Non-AO YN yang saat ini menunjukkan AOV tinggi, dengan tujuan mentransfer volume pembelian mereka ke platform online dengan risiko pembatalan yang lebih rendah. * **Peningkatan Pengalaman Pengguna**: Pastikan platform Apotek Online mudah digunakan dan memberikan informasi yang akurat mengenai stok dan waktu pengiriman untuk lebih lanjut mengurangi pembatalan. Dengan menerapkan rekomendasi ini, perusahaan dapat bergerak menuju pemahaman yang lebih baik tentang pemicu pembatalan, sehingga dapat mengurangi kerugian, meningkatkan efisiensi, dan pada akhirnya memperkuat hubungan dengan pelanggan. ## 7. Faktor-faktor Pendorong Pembatalan Pembatalan pesanan merupakan salah satu metrik krusial yang mencerminkan ketidakpuasan pelanggan dan inefisiensi dalam rantai pasokan. Setiap pembatalan tidak hanya berarti kehilangan pendapatan, tetapi juga menimbulkan biaya operasional tambahan serta berpotensi merusak reputasi perusahaan. Analisis mendalam mengenai faktor-faktor pendorong pembatalan akan membantu kita mengidentifikasi akar masalah dan merumuskan strategi yang tepat untuk mengurangi tingkat pembatalan, meningkatkan kepuasan pelanggan, dan pada akhirnya, mendorong pertumbuhan bisnis. Secara keseluruhan, tingkat pembatalan baris item adalah **1.3%** dari total seluruh transaksi, dengan **1,740** baris item yang dibatalkan dari **131,315** baris item. Sementara itu, jika dilihat dari tingkat pembatalan pesanan unik (berdasarkan `No. RO`), angka ini sedikit lebih tinggi, mencapai **6.4%**. Perbedaan ini menunjukkan bahwa sebagian besar pembatalan terjadi pada tingkat baris item, di mana tidak seluruh pesanan pelanggan dibatalkan, melainkan hanya beberapa produk di dalamnya. ### 7.1 Faktor Utama Pendorong Pembatalan Berdasarkan analisis *feature importance* dari model prediktif yang kami bangun, beberapa variabel menonjol sebagai pendorong utama terjadinya pembatalan: 1. **Procod (Kode Produk)**: Dengan *importance score* tertinggi (**0.272**), ini menunjukkan bahwa karakteristik produk itu sendiri adalah faktor paling dominan. Produk tertentu memiliki risiko pembatalan yang secara inheren lebih tinggi daripada yang lain. 2. **Value RO (Nilai Pesanan)**: Nilai moneter dari pesanan (**0.256**) juga sangat signifikan, mengindikasikan bahwa pesanan dengan nilai tertentu (mungkin terlalu tinggi atau terlalu rendah) lebih rentan dibatalkan. 3. **Qty RO (Kuantitas Pesanan)**: Jumlah kuantitas produk yang dipesan (**0.116**) memiliki pengaruh yang substansial, menunjukkan bahwa volume pesanan juga berperan dalam risiko pembatalan. 4. **Asal Gudang**: Beberapa gudang muncul sebagai kontributor penting, terutama `PHARMANET TANGERANG`, `PHARMANET BANDUNG`, `PHARMANET PALEMBANG`, `PHARMANET SURABAYA`, dan `PHARMANET MEDAN`. Hal ini menekankan bahwa lokasi dan efisiensi operasional gudang memiliki dampak langsung pada probabilitas pembatalan. 5. **AO YN (Partisipasi Apotek Online)**: Status partisipasi outlet dalam program Apotek Online juga memiliki bobot penting (**0.016** untuk `AO YN = Y`), menunjukkan perbedaan perilaku pembatalan antara outlet online dan non-online. 6. **Pharos YN (Produk Pharos)**: Identifikasi apakah produk adalah produksi PT. Pharos (**0.015** untuk `Pharos YN = Y`) juga berkontribusi terhadap probabilitas pembatalan. 7. **Payment (Metode Pembayaran)**: Metode pembayaran seperti `BCA Virtual Account`, `Term Of Payment`, dan `BRIVA` juga menunjukkan pengaruh pada tingkat pembatalan. ### 7.2 Tingkat Pembatalan Berdasarkan Kategori Analisis lebih lanjut mengenai tingkat pembatalan berdasarkan berbagai variabel kategorikal memberikan wawasan yang lebih rinci tentang segmen mana yang paling rentan. #### 7.2.1 Pembatalan Berdasarkan Divisi Variasi tingkat pembatalan antar divisi dapat mencerminkan perbedaan operasional, jenis produk, atau target pasar yang unik. | Divisi | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:------------|-----------------:|----------------------:|-------------------:| | VIBRANT 3 | 56 | 11 | 19.6% | | HOSPINET | 17,827 | 310 | 1.7% | | VIBRANT PBF | 2,559 | 38 | 1.5% | | PHARMANET | 110,866 | 1,381 | 1.2% | | nan | 7 | 0 | 0.0% | **Wawasan Bisnis:** * **Anomali VIBRANT 3**: `Divisi VIBRANT 3` menunjukkan tingkat pembatalan yang sangat tinggi yaitu **19.6%**, jauh di atas rata-rata. Meskipun volume transaksinya kecil (**56** baris item), angka ini sangat signifikan dan perlu segera diinvestigasi. Apakah ada masalah kronis terkait ketersediaan stok, harga, atau kebijakan penjualan khusus untuk divisi ini yang menyebabkan pelanggan sering membatalkan? * **HOSPINET**: `HOSPINET` memiliki tingkat pembatalan sedikit lebih tinggi (**1.7%**) dibandingkan dengan `PHARMANET` (**1.2%**). Ini mungkin mengindikasikan adanya tantangan unik dalam melayani sektor rumah sakit, seperti persyaratan pengadaan yang ketat atau *lead time* yang tidak dapat ditoleransi. #### 7.2.2 Pembatalan Berdasarkan Asal Gudang Efisiensi operasional dan manajemen stok di setiap gudang (Asal Gudang) memiliki dampak langsung pada tingkat pembatalan. | Asal Gudang | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:----------------------|-----------------:|----------------------:|-------------------:| | PHARMANET PUSAT | 22 | 22 | 100.0% | | PHARMANET TANGERANG | 9,420 | 242 | 2.6% | | PHARMANET MEDAN | 7,416 | 188 | 2.5% | | PHARMANET JAKTIM | 4,114 | 100 | 2.4% | | PHARMANET MAKASSAR | 7,468 | 148 | 2.0% | | PHARMANET SAMARINDA | 3,203 | 60 | 1.9% | | PHARMANET BANJARMASIN | 4,403 | 75 | 1.7% | | PHARMANET PEKANBARU | 6,176 | 92 | 1.5% | | PHARMANET BOGOR | 8,484 | 115 | 1.4% | | PHARMANET SEMARANG | 8,948 | 112 | 1.3% | | PHARMANET JAKBAR | 3,611 | 45 | 1.2% | | PHARMANET SURABAYA | 13,577 | 164 | 1.2% | | PHARMANET BEKASI | 12,675 | 129 | 1.0% | | PHARMANET PONTIANAK | 3,467 | 35 | 1.0% | | PHARMANET SOLO | 8,346 | 75 | 0.9% | | PHARMANET JAKSEL | 2,085 | 18 | 0.9% | | PHARMANET JAMBI | 2,869 | 24 | 0.8% | | PHARMANET LAMPUNG | 3,899 | 24 | 0.6% | | PHARMANET MALANG | 3,118 | 16 | 0.5% | | PHARMANET BANDUNG | 9,568 | 30 | 0.3% | | PHARMANET PALEMBANG | 8,446 | 26 | 0.3% | **Wawasan Bisnis:** * **PHARMANET PUSAT**: Gudang ini memiliki tingkat pembatalan **100.0%**, tetapi hanya melibatkan **22** baris item. Seperti yang dibahas sebelumnya, ini kemungkinan adalah anomali data (misalnya, pesanan uji) dan bukan indikasi masalah operasional yang luas. * **Gudang dengan Pembatalan Tinggi**: `PHARMANET TANGERANG` (**2.6%**), `PHARMANET MEDAN` (**2.5%**), dan `PHARMANET JAKTIM` (**2.4%**) adalah gudang dengan tingkat pembatalan signifikan yang patut menjadi perhatian. Korelasi antara waktu tunggu dan tingkat pembatalan menunjukkan bahwa gudang-gudang ini juga seringkali memiliki *lead time* `SP ke DO` atau `DO ke Logbook` yang lebih panjang (misalnya, PHARMANET MEDAN dengan rata-rata 20.4 jam untuk SP ke DO). Ini mengindikasikan bahwa inefisiensi dalam proses gudang dapat langsung berkontribusi pada pembatalan oleh pelanggan. * **Gudang Berkinerja Terbaik**: `PHARMANET BANDUNG` (**0.3%**) dan `PHARMANET PALEMBANG` (**0.3%**) memiliki tingkat pembatalan terendah, menunjukkan praktik terbaik yang dapat dipelajari dan direplikasi. #### 7.2.3 Pembatalan Berdasarkan Metode Pembayaran Metode pembayaran dapat mencerminkan tingkat komitmen pelanggan atau prosedur verifikasi pembayaran yang berbeda. | Payment | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:--------------------|-----------------:|----------------------:|-------------------:| | BRIVA | 15,716 | 262 | 1.7% | | Term Of Payment | 36,615 | 567 | 1.5% | | BCA Virtual Account | 78,853 | 911 | 1.2% | | Kredivo | 131 | 0 | 0.0% | **Wawasan Bisnis:** * **BRIVA dan Term Of Payment**: Metode pembayaran `BRIVA` (**1.7%**) dan `Term Of Payment` (**1.5%**) menunjukkan tingkat pembatalan yang sedikit lebih tinggi dibandingkan `BCA Virtual Account` (**1.2%**). Ini bisa jadi karena pelanggan yang menggunakan metode ini memiliki fleksibilitas lebih besar dalam menunda pembayaran, atau ada masalah dalam proses verifikasi yang menyebabkan penundaan dan akhirnya pembatalan. #### 7.2.4 Pembatalan Berdasarkan Pharos YN Analisis ini membandingkan tingkat pembatalan produk yang diproduksi oleh PT. Pharos (`Y`) dengan produk non-Pharos (`N`). | Pharos YN | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:------------|-----------------:|----------------------:|-------------------:| | Y | 59,301 | 920 | 1.6% | | N | 72,014 | 820 | 1.1% | **Wawasan Bisnis:** * **Produk Pharos Lebih Rentan**: Produk yang diproduksi oleh PT. Pharos (`Pharos YN = Y`) memiliki tingkat pembatalan yang lebih tinggi (**1.6%**) dibandingkan produk non-Pharos (`Pharos YN = N`) (**1.1%**). Mengingat produk Pharos juga memiliki Nilai Pesanan Rata-rata (AOV) yang jauh lebih tinggi (Rp 557,928 dibandingkan Rp 312,776), pembatalan pada produk ini memiliki dampak finansial yang lebih besar. Hal ini memerlukan investigasi lebih lanjut terkait ketersediaan stok, harga, atau bahkan strategi pemasaran produk Pharos. #### 7.2.5 Pembatalan Berdasarkan AO YN (Partisipasi Apotek Online) Analisis ini membandingkan tingkat pembatalan outlet yang berpartisipasi dalam program Apotek Online (`Y`) dengan yang tidak (`N`). | AO YN | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:--------|-----------------:|----------------------:|-------------------:| | N | 82,584 | 1,145 | 1.4% | | Y | 48,731 | 595 | 1.2% | **Wawasan Bisnis:** * **Manfaat Apotek Online**: Outlet yang berpartisipasi dalam Apotek Online (`AO YN = Y`) menunjukkan tingkat pembatalan yang sedikit lebih rendah (**1.2%**) dibandingkan dengan outlet non-Apotek Online (`AO YN = N`) (**1.4%**). Meskipun outlet non-Apotek Online memiliki AOV yang lebih tinggi, tingkat pembatalan yang lebih rendah pada outlet Apotek Online mungkin menunjukkan bahwa platform digital dapat meningkatkan akurasi pesanan atau komunikasi yang lebih baik, sehingga mengurangi risiko pembatalan. ### 7.3 Produk dengan Tingkat Pembatalan Tertinggi Analisis produk secara spesifik mengungkapkan item-item yang paling sering dibatalkan, baik dari segi nilai maupun frekuensi. #### 7.3.1 Top 10 Produk Berdasarkan Total Nilai Pembatalan (Value RO) Berikut adalah produk-produk yang secara finansial paling merugikan akibat pembatalan: | Procod | Prodes | Pharos YN | Total Value RO | Cancelled Value RO | Tingkat Pembatalan Nilai | |-------:|:-------------------------------|:----------|---------------:|-------------------:|-------------------------:| | 105523 | PRORIS 125MG SUPP 10'S | Y | 279,214,018 | 81,491,848 | 29.2% | | 104115 | CATAFLAM 50MG TAB 50'S | N | 1,446,660,391 | 32,244,616 | 2.2% | | 303114 | NOURISH SKIN ULTIMATE 30'S | Y | 219,693,637 | 31,518,836 | 14.3% | | 201630 | MICROLAX GEL OBAT PENCAHAR 5ML | Y | 3,321,664,117 | 29,378,319 | 0.9% | | 103842 | MEFINAL 500MG CAP 100'S | N | 1,140,834,053 | 23,612,058 | 2.1% | | 109769 | VOMARIN FLASH TAB 50'S | Y | 23,633,720 | 19,988,520 | 84.6% | | 100683 | CLINOVIR CREAM 5GR | Y | 457,589,207 | 19,678,724 | 4.3% | | 201478 | PRORIS SUSP 60 ML RASA JERUK | Y | 3,354,936,937 | 9,359,394 | 0.3% | | 203410 | OZEN 5MG SIRUP 60ML | Y | 91,626,784 | 8,735,385 | 9.5% | | 110624 | MEDISIO 36% CONCENTRATE 5ML | Y | 132,582,540 | 8,134,229 | 6.1% | #### 7.3.2 Top 10 Produk Berdasarkan Tingkat Pembatalan Nilai (Minimum Total Value RO Rp 10,000,000) Untuk mendapatkan gambaran yang lebih akurat mengenai produk mana yang paling sering dibatalkan relatif terhadap total penjualannya, kami menyaring produk dengan total `Value RO` minimal Rp 10,000,000. | Procod | Prodes | Pharos YN | Total Value RO | Cancelled Value RO | Tingkat Pembatalan Nilai | |-------:|:-------------------------------|:----------|---------------:|-------------------:|-------------------------:| | 109769 | VOMARIN FLASH TAB 50'S | Y | 23,633,720 | 19,988,520 | 84.6% | | 105523 | PRORIS 125MG SUPP 10'S | Y | 279,214,018 | 81,491,848 | 29.2% | | 108333 | CPG TAB 30'S | N | 10,989,000 | 1,648,350 | 15.0% | | 302477 | VEGEBLEND 21JR VEG.EXTR.30'S | Y | 25,882,748 | 3,834,554 | 14.8% | | 202863 | ALTADIS 2% KRIM 10GR | Y | 48,944,855 | 7,141,875 | 14.6% | | 303114 | NOURISH SKIN ULTIMATE 30'S | Y | 219,693,637 | 31,518,836 | 14.3% | | 110259 | ACTREL 200MG CAP 30'S | Y | 13,560,730 | 1,701,536 | 12.5% | | 110051 | BLASTOFEN 25MG TAB 50'S | Y | 14,760,368 | 1,757,781 | 11.9% | | 3600014| KOYO SALONPAS SPR BIRU 10'S(N) | N | 38,140,740 | 4,250,573 | 11.1% | | 109840 | RETROGEST 5MG TAB 28'S | Y | 19,444,945 | 1,967,400 | 10.1% | **Wawasan Bisnis:** * **VOMARIN FLASH TAB 50'S**: Produk ini memiliki tingkat pembatalan nilai yang sangat mengkhawatirkan yaitu **84.6%**. Hampir 85% dari total pesanan nilai untuk produk ini dibatalkan. Ini merupakan kerugian besar dan indikator masalah serius. * **PRORIS 125MG SUPP 10'S**: Produk ini juga menunjukkan tingkat pembatalan yang sangat tinggi (**29.2%**), dengan dampak finansial terbesar dari semua produk. * **Dominasi Produk Pharos**: Mayoritas produk dalam daftar ini (`Pharos YN = Y`) menunjukkan bahwa produk produksi PT. Pharos, meskipun memiliki AOV yang tinggi, juga menghadapi tantangan signifikan dalam pemenuhan pesanan yang berakhir dengan pembatalan. Ini bisa disebabkan oleh manajemen stok yang kurang optimal, masalah kualitas, atau ketidaksesuaian permintaan dengan penawaran. ### 7.4 Tren Pembatalan Mingguan Melihat tren pembatalan dari waktu ke waktu dapat membantu mengidentifikasi pola musiman atau dampak dari peristiwa tertentu (misalnya, promosi, perubahan kebijakan). ![Visualisasi](/agent/api/download?file=/tmp/weekly_cancellation_rate_trend.png) Grafik di atas menunjukkan fluktuasi tingkat pembatalan baris item setiap minggunya. Puncak atau penurunan mendadak pada grafik ini dapat mengindikasikan masalah ketersediaan produk, perubahan harga, atau masalah dalam proses pemesanan yang memerlukan penyelidikan lebih lanjut. Misalnya, lonjakan tingkat pembatalan pada minggu-minggu tertentu bisa bertepatan dengan periode di mana terjadi kekurangan stok massal atau isu logistik yang signifikan. ### 7.5 Rekomendasi untuk Mengurangi Pembatalan Berdasarkan analisis faktor-faktor pendorong pembatalan, berikut adalah rekomendasi strategis untuk meningkatkan kinerja operasional dan kepuasan pelanggan: 1. **Investigasi Mendalam Produk Berisiko Tinggi:** * **Prioritaskan VOMARIN FLASH TAB 50'S dan PRORIS 125MG SUPP 10'S**: Segera lakukan audit menyeluruh terhadap produk-produk ini. Cari tahu akar penyebab pembatalan yang sangat tinggi: Apakah ada masalah ketersediaan stok yang parah dan persisten? Apakah ada masalah kualitas yang dilaporkan pelanggan? Apakah harga yang kurang kompetitif? Atau apakah ada ekspektasi pelanggan yang tidak terpenuhi? * **Perbaiki Peramalan Permintaan (Demand Forecasting)**: Tingkatkan akurasi peramalan untuk produk-produk dengan tingkat pembatalan tinggi untuk memastikan ketersediaan stok yang memadai dan mengurangi pembatalan karena *out of stock*. * **Tinjau Portofolio Produk Pharos**: Dengan tingkat pembatalan yang lebih tinggi dan AOV yang besar, setiap pembatalan produk Pharos sangat merugikan. Lakukan evaluasi berkala terhadap kinerja dan kepuasan pelanggan untuk produk-produk Pharos. 2. **Optimasi Operasional Gudang Bertarget:** * **Fokus pada PHARMANET TANGERANG, MEDAN, dan JAKTIM**: Lakukan audit operasional yang mendalam di gudang-gudang ini. Bandingkan prosedur mereka dengan gudang-gudang berkinerja terbaik seperti PHARMANET BANDUNG dan PALEMBANG. Identifikasi dan perbaiki *bottleneck* dalam proses `SP ke DO` dan `DO ke Logbook`. * **Manfaatkan Data Lead Time**: Gunakan korelasi antara waktu tunggu dan tingkat pembatalan per gudang sebagai indikator kinerja utama. Gudang dengan *lead time* yang panjang dan tingkat pembatalan tinggi harus menjadi prioritas utama untuk perbaikan. 3. **Strategi Pembayaran dan Manajemen Risiko:** * **Pahami BRIVA dan Term Of Payment**: Selidiki lebih lanjut perilaku pelanggan yang menggunakan `BRIVA` dan `Term Of Payment`. Apakah ada potensi untuk meningkatkan komunikasi mengenai tenggat waktu pembayaran atau menawarkan insentif untuk metode pembayaran dengan tingkat pembatalan yang lebih rendah (misalnya, BCA Virtual Account)? * **Perkuat Proses Verifikasi**: Pastikan proses verifikasi pembayaran untuk `Term Of Payment` atau `BRIVA` tidak menyebabkan penundaan yang memicu pembatalan. 4. **Peningkatan Program Apotek Online:** * **Promosikan Lebih Lanjut**: Tingkat pembatalan yang lebih rendah pada outlet Apotek Online adalah keuntungan. Manfaatkan data ini untuk meyakinkan lebih banyak outlet bergabung dengan program, terutama yang saat ini memiliki tingkat pembatalan tinggi. * **Perbaiki Pengalaman Pengguna**: Pastikan platform Apotek Online menyediakan informasi stok *real-time* dan estimasi pengiriman yang akurat untuk terus mengurangi ketidakpastian yang dapat menyebabkan pembatalan. 5. **Perbaikan Kualitas Data Berkelanjutan:** * **Atasi Anomali Data `Tgl Diterima`**: Ini sangat penting. Tanpa data `Tgl Diterima` yang akurat, sulit untuk menilai kinerja pengiriman eksternal dan mengidentifikasi penyebab pembatalan terkait *lead time* pengiriman. Implementasikan validasi data yang ketat dan prosedur *recovery* untuk entri yang salah. * **Evaluasi Anomali Kecil (VIBRANT 3, PHARMANET PUSAT)**: Pastikan anomali dengan volume kecil ini dipahami sepenuhnya, baik sebagai *error* data atau skenario bisnis yang spesifik, untuk menghindari kesimpulan yang salah di masa depan. Dengan fokus pada area-area ini, perusahaan dapat secara proaktif mengurangi faktor-faktor pendorong pembatalan, meningkatkan efisiensi operasional, dan memperkuat posisi di pasar melalui pelayanan yang lebih baik. ## 8. Analisis Kinerja dan Pembatalan Produk Analisis kinerja produk merupakan inti dari strategi bisnis yang efektif, memungkinkan perusahaan untuk memahami produk mana yang berkinerja baik, mana yang menghadapi tantangan, dan bagaimana mengoptimalkan portofolio untuk profitabilitas maksimum. Dalam bab ini, kami akan menyelami lebih dalam metrik-metrik kinerja produk, khususnya yang berkaitan dengan pembatalan dan nilai pesanan, untuk mengidentifikasi area peluang dan perbaikan. Secara umum, tingkat pembatalan baris item menunjukkan gambaran kesehatan proses pemenuhan pesanan pada level produk. Dengan rata-rata tingkat pembatalan baris item sebesar 1.3%, perusahaan berhasil memproses sebagian besar pesanan. Namun, angka agregat ini seringkali menyembunyikan "permata tersembunyi" berupa anomali produk yang memerlukan perhatian khusus. ### 8.1 Analisis Pembatalan Produk Individual Pembatalan produk dapat terjadi karena berbagai alasan, mulai dari ketidaktersediaan stok, harga yang tidak kompetitif, hingga perubahan preferensi pelanggan. Dengan mengidentifikasi produk-produk yang paling sering dibatalkan, kita dapat mengarahkan upaya perbaikan secara lebih efektif. #### 8.1.1 Top 10 Produk Berdasarkan Total Nilai Pembatalan (Value RO) Tabel berikut menampilkan 10 produk yang mengakibatkan kerugian finansial terbesar akibat pembatalan, diukur dari total nilai Repeat Order (Value RO) yang dibatalkan. Fokus pada Value RO membantu kita melihat dampak ekonomi riil dari pembatalan. | Procod | Prodes | Pharos YN | Total Value RO | Cancelled Value RO | Tingkat Pembatalan Nilai | |-------:|:-------------------------------|:----------|------------------:|-------------------:|-------------------------:| | 105523 | PRORIS 125MG SUPP 10'S | Y | 279,214,018 | 81,491,848 | 29.2% | | 104115 | CATAFLAM 50MG TAB 50'S | N | 1,446,660,391 | 32,244,616 | 2.2% | | 303114 | NOURISH SKIN ULTIMATE 30'S | Y | 219,693,637 | 31,518,836 | 14.3% | | 201630 | MICROLAX GEL OBAT PENCAHAR 5ML | Y | 3,321,664,117 | 29,378,319 | 0.9% | | 103842 | MEFINAL 500MG CAP 100'S | N | 1,140,834,053 | 23,612,058 | 2.1% | | 109769 | VOMARIN FLASH TAB 50'S | Y | 23,633,720 | 19,988,520 | 84.6% | | 100683 | CLINOVIR CREAM 5GR | Y | 457,589,207 | 19,678,724 | 4.3% | | 201478 | PRORIS SUSP 60 ML RASA JERUK | Y | 3,354,936,937 | 9,359,394 | 0.3% | | 203410 | OZEN 5MG SIRUP 60ML | Y | 91,626,784 | 8,735,385 | 9.5% | | 110624 | MEDISIO 36% CONCENTRATE 5ML | Y | 132,582,540 | 8,134,229 | 6.1% | **Wawasan Bisnis:** * **PRORIS 125MG SUPP 10'S** dan **VOMARIN FLASH TAB 50'S** menonjol sebagai produk dengan kerugian pembatalan tertinggi. PRORIS kehilangan lebih dari Rp 81 juta dari pembatalan, sementara VOMARIN FLASH kehilangan hampir Rp 20 juta. * Meskipun **CATAFLAM 50MG TAB 50'S** memiliki total Value RO yang sangat besar (lebih dari Rp 1.4 miliar), tingkat pembatalannya relatif rendah (2.2%), sehingga kontribusi nilai pembatalannya hanya sekitar Rp 32 juta. Ini menunjukkan produk dengan volume tinggi yang secara umum stabil. * Menariknya, sebagian besar produk dalam daftar ini (**7 dari 10**) adalah produk Pharos (`Pharos YN = Y`). Mengingat bahwa produk Pharos memiliki nilai pesanan rata-rata yang lebih tinggi, pembatalan produk-produk ini memiliki dampak finansial yang signifikan. #### 8.1.2 Top 10 Produk Berdasarkan Tingkat Pembatalan Nilai Tertinggi Untuk analisis yang lebih adil dan fokus pada "tingkat risiko" produk, kami menyaring produk dengan Total Value RO minimal Rp 10,000,000. Ini membantu mengidentifikasi produk yang sangat rentan terhadap pembatalan terlepas dari total volume penjualannya. | Procod | Prodes | Pharos YN | Total Value RO | Cancelled Value RO | Tingkat Pembatalan Nilai | |-------:|:-------------------------------|:----------|-----------------:|-------------------:|-------------------------:| | 109769 | VOMARIN FLASH TAB 50'S | Y | 23,633,720 | 19,988,520 | 84.6% | | 105523 | PRORIS 125MG SUPP 10'S | Y | 279,214,018 | 81,491,848 | 29.2% | | 108333 | CPG TAB 30'S | N | 10,989,000 | 1,648,350 | 15.0% | | 302477 | VEGEBLEND 21JR VEG.EXTR.30'S | Y | 25,882,748 | 3,834,554 | 14.8% | | 202863 | ALTADIS 2% KRIM 10GR | Y | 48,944,855 | 7,141,875 | 14.6% | | 303114 | NOURISH SKIN ULTIMATE 30'S | Y | 219,693,637 | 31,518,836 | 14.3% | | 110259 | ACTREL 200MG CAP 30'S | Y | 13,560,730 | 1,701,536 | 12.5% | | 110051 | BLASTOFEN 25MG TAB 50'S | Y | 14,760,368 | 1,757,781 | 11.9% | | 3600014| KOYO SALONPAS SPR BIRU 10'S(N) | N | 38,140,740 | 4,250,573 | 11.1% | | 109840 | RETROGEST 5MG TAB 28'S | Y | 19,444,945 | 1,967,400 | 10.1% | **Wawasan Bisnis:** * **VOMARIN FLASH TAB 50'S**: Produk ini memiliki tingkat pembatalan yang sangat mengkhawatirkan yaitu **84.6%**. Ini berarti hampir 85% dari nilai pesanan untuk VOMARIN FLASH pada akhirnya dibatalkan. Ini adalah indikator masalah serius yang perlu segera ditangani. Kemungkinan besar disebabkan oleh ketersediaan stok yang sangat rendah, masalah kualitas yang berulang, atau perubahan permintaan yang drastis. * **PRORIS 125MG SUPP 10'S**: Dengan tingkat pembatalan 29.2%, produk ini juga menunjukkan kerentanan yang tinggi. * **Dominasi Produk Pharos**: Seperti pada analisis total nilai pembatalan, produk Pharos (`Pharos YN = Y`) mendominasi daftar ini, menyumbang 8 dari 10 produk. Ini memperkuat dugaan bahwa ada tantangan spesifik dalam pengelolaan atau distribusi produk-produk Pharos yang perlu ditinjau. **Rekomendasi Aksi:** * **Investigasi VOMARIN FLASH TAB 50'S dan PRORIS 125MG SUPP 10'S secara mendalam**: Tim manajemen produk, rantai pasok, dan penjualan harus berkolaborasi untuk memahami akar masalah pembatalan produk-produk ini. Pertimbangkan pertanyaan seperti: Apakah ini karena masalah manufaktur, masalah kualitas, ketersediaan stok yang tidak konsisten, atau perubahan kebijakan penjualan? * **Evaluasi ulang strategi stok untuk produk Pharos**: Mengingat tingginya AOV produk Pharos, pembatalan produk-produk ini sangat merugikan. Optimalisasi peramalan permintaan dan manajemen inventaris untuk produk Pharos menjadi sangat penting. * **Menganalisis umpan balik pelanggan**: Dapatkan umpan balik langsung dari outlet yang membatalkan produk-produk ini untuk memahami alasan spesifik mereka. ### 8.2 Kinerja Produk Berdasarkan Asal Gudang Hubungan antara kinerja produk dan asal gudang adalah penting. Sebuah produk mungkin memiliki tingkat pembatalan tinggi secara nasional, tetapi anomali tersebut bisa sangat terkonsentrasi di satu atau dua gudang saja. Berdasarkan temuan sebelumnya, faktor `Asal Gudang` memiliki *feature importance* yang signifikan dalam memprediksi pembatalan. Gudang seperti PHARMANET TANGERANG, MEDAN, dan JAKTIM memiliki tingkat pembatalan yang lebih tinggi dan juga waktu tunggu yang lebih lama. Jika produk-produk yang disebutkan di atas (seperti VOMARIN FLASH atau PRORIS) sebagian besar dipasok dari gudang-gudang ini, maka masalah pembatalan produk bisa jadi merupakan cerminan dari inefisiensi operasional gudang tersebut. **Rekomendasi Aksi:** * **Cross-referensi data pembatalan produk dengan data gudang**: Lakukan analisis silang untuk melihat apakah produk-produk dengan tingkat pembatalan tinggi memiliki keterkaitan kuat dengan gudang-gudang yang juga memiliki tingkat pembatalan tinggi atau waktu tunggu yang panjang. Misalnya, apakah VOMARIN FLASH banyak dibatalkan di PHARMANET TANGERANG? Jika ya, perbaikan di gudang tersebut akan memiliki dampak ganda. ### 8.3 Kinerja Produk Pharos dan Non-Pharos dalam Konteks AOV Analisis Nilai Pesanan Rata-rata (AOV) dari bab-bab sebelumnya memberikan konteks penting untuk memahami dampak pembatalan produk Pharos. | Pharos YN | Rata-rata Value RO | |:------------|-------------------:| | N | 312,776 | | Y | 557,928 | **Wawasan Bisnis:** * Produk Pharos (`Y`) memiliki AOV yang hampir dua kali lipat lebih tinggi (Rp 557,928) dibandingkan produk Non-Pharos (`N`) (Rp 312,776). * Meskipun produk Pharos sangat berharga, kita juga melihat bahwa produk Pharos cenderung memiliki tingkat pembatalan yang sedikit lebih tinggi (1.6% dibandingkan 1.1% untuk non-Pharos) dan mendominasi daftar produk dengan nilai pembatalan tertinggi. **Implikasi:** Setiap pembatalan produk Pharos berarti kerugian pendapatan yang lebih besar bagi perusahaan. Oleh karena itu, upaya untuk mengurangi pembatalan produk Pharos harus menjadi prioritas utama. Ini bisa melibatkan perbaikan dalam ketersediaan stok, optimalisasi harga, atau peningkatan kualitas. ### 8.4 Tren Mingguan Tingkat Pembatalan Produk Menganalisis tren tingkat pembatalan baris item dari waktu ke waktu dapat mengungkapkan pola musiman, dampak dari kampanye pemasaran, atau kejadian tak terduga. ![Visualisasi](/agent/api/download?file=/tmp/weekly_cancellation_rate_trend.png) Grafik di atas menunjukkan fluktuasi tingkat pembatalan baris item setiap minggunya. Puncak pada grafik ini bisa mengindikasikan periode di mana masalah tertentu (misalnya, kelangkaan bahan baku, gangguan rantai pasok) menyebabkan banyak pesanan produk dibatalkan. Sebaliknya, penurunan yang konsisten menunjukkan efektivitas upaya perbaikan. **Rekomendasi Aksi:** * **Korelasi dengan Peristiwa Eksternal/Internal**: Tim produk dan rantai pasok harus mengkorelasikan puncak-puncak pembatalan dengan peristiwa-peristiwa yang terjadi di lapangan. Apakah ada kelangkaan produk tertentu di pasar? Apakah ada promosi yang gagal? * **Pemantauan Berkelanjutan**: Gunakan grafik ini sebagai alat pemantauan rutin untuk mendeteksi anomali di tingkat pembatalan dan mengambil tindakan pencegahan atau korektif secara cepat. ### 8.5 Rekomendasi untuk Peningkatan Kinerja dan Pengurangan Pembatalan Produk Berdasarkan analisis menyeluruh terhadap kinerja dan pembatalan produk, berikut adalah rekomendasi strategis untuk meningkatkan efisiensi dan profitabilitas: 1. **Manajemen Portofolio Produk Berbasis Risiko:** * **Tinjau Ulang Produk dengan Tingkat Pembatalan Ekstrem**: Prioritaskan penyelidikan dan tindakan perbaikan untuk `VOMARIN FLASH TAB 50'S` (84.6% pembatalan nilai) dan `PRORIS 125MG SUPP 10'S` (29.2% pembatalan nilai). Ini mungkin melibatkan peninjauan kembali ketersediaan stok, kelayakan harga, atau bahkan keputusan untuk melanjutkan atau menghentikan produk jika masalah tidak dapat diatasi. * **Perbaiki Peramalan Permintaan**: Untuk produk Pharos yang memiliki AOV tinggi namun juga tingkat pembatalan yang signifikan, investasikan dalam sistem peramalan permintaan yang lebih akurat. Ketersediaan stok yang konsisten adalah kunci untuk mengurangi pembatalan dan mempertahankan pendapatan. * **Analisis Ketersediaan dan Persaingan**: Untuk setiap produk dengan tingkat pembatalan tinggi, pahami apakah pembatalan terjadi karena produk sering habis, atau karena ada alternatif yang lebih baik/murah dari pesaing. 2. **Optimasi Rantai Pasok Terintegrasi:** * **Integrasi Data Gudang dan Produk**: Jalin hubungan erat antara analisis produk dan kinerja gudang. Identifikasi apakah ada produk tertentu yang secara konsisten dibatalkan dari gudang yang memiliki *lead time* panjang atau tingkat pembatalan tinggi. Ini menunjukkan masalah operasional gudang yang secara langsung memengaruhi produk. * **Peningkatan Komunikasi Stok**: Pastikan informasi ketersediaan stok produk diperbarui secara *real-time* dan dapat diakses oleh tim penjualan dan platform pemesanan online untuk menghindari pesanan yang tidak dapat dipenuhi. 3. **Strategi Penjualan dan Pemasaran yang Bertarget:** * **Pahami Alasan Pembatalan dari Pelanggan**: Lakukan survei atau wawancara singkat dengan outlet yang sering membatalkan pesanan untuk produk-produk tertentu. Pemahaman langsung dari pelanggan dapat memberikan wawasan yang tidak terlihat dari data saja. * **Promosikan Produk Stabil**: Identifikasi produk dengan AOV tinggi dan tingkat pembatalan rendah, lalu fokuskan upaya penjualan pada produk-produk ini untuk memaksimalkan pendapatan yang stabil. * **Strategi untuk Produk Pharos**: Mengingat AOV produk Pharos yang tinggi, kembangkan strategi untuk meningkatkan retensi pesanan produk ini. Ini bisa berupa insentif untuk penyelesaian pesanan, komunikasi yang lebih baik mengenai status pengiriman, atau kebijakan pengembalian yang fleksibel. 4. **Perbaikan Kualitas Data Berkelanjutan:** * **Validasi Data Master Produk**: Pastikan `Procod` dan `Prodes` selalu akurat dan konsisten. Data master yang bersih adalah dasar untuk analisis kinerja produk yang handal. Dengan implementasi rekomendasi ini, perusahaan dapat tidak hanya mengurangi kerugian akibat pembatalan, tetapi juga mengidentifikasi peluang pertumbuhan baru melalui pemahaman yang lebih dalam tentang produk dan proses pemenuhannya. ## 9. Analisis Nilai Pesanan Rata-rata Nilai Pesanan Rata-rata (Average Order Value - AOV) adalah metrik krusial yang mengukur nilai rata-rata dari setiap transaksi pelanggan. Metrik ini sangat penting untuk memahami perilaku pembelian pelanggan, mengukur efektivitas strategi penjualan, serta mengidentifikasi segmen produk dan pelanggan yang paling menguntungkan. Dalam bab ini, kami akan menganalisis AOV berdasarkan beberapa dimensi utama untuk mendapatkan wawasan tentang bagaimana karakteristik produk dan partisipasi outlet dalam program Apotek Online memengaruhi nilai transaksi. Analisis ini akan menggunakan `Value RO` sebagai representasi nilai pesanan. ### Nilai Pesanan Rata-rata (AOV) Berdasarkan Kategori Produk (Pharos YN) Analisis AOV berdasarkan status produk apakah diproduksi oleh PT. Pharos (`Pharos YN`) mengungkapkan perbedaan yang signifikan dalam nilai transaksi. Produk-produk ini dapat memiliki karakteristik harga, target pasar, atau strategi penjualan yang berbeda, yang tercermin dalam AOV mereka. | Pharos YN | Rata-rata Value RO | |:------------|-------------------:| | N | 312,776 | | Y | 557,928 | **Analisis dan Wawasan Bisnis:** Data menunjukkan bahwa produk yang diproduksi oleh PT. Pharos (`Pharos YN = Y`) memiliki nilai pesanan rata-rata yang jauh lebih tinggi, yaitu sekitar Rp 557,928. Angka ini hampir dua kali lipat lebih tinggi dibandingkan dengan produk non-Pharos (`Pharos YN = N`), yang memiliki AOV sekitar Rp 312,776. Wawasan ini mengindikasikan bahwa produk Pharos adalah pendorong nilai utama bagi perusahaan. Pelanggan yang membeli produk Pharos cenderung melakukan transaksi dengan nilai moneter yang lebih besar per pesanan. Hal ini menjadikan produk Pharos sangat strategis dari perspektif pendapatan. Namun, seperti yang dibahas di Bab 7 dan 8, produk Pharos juga cenderung memiliki tingkat pembatalan yang sedikit lebih tinggi (1.6% dibandingkan 1.1% untuk non-Pharos) dan mendominasi daftar produk dengan nilai pembatalan tertinggi. Ini menciptakan situasi di mana potensi pendapatan yang tinggi dari produk Pharos juga datang dengan risiko kerugian yang lebih besar akibat pembatalan. Setiap pembatalan produk Pharos memiliki dampak finansial yang lebih signifikan dibandingkan pembatalan produk non-Pharos karena AOV-nya yang lebih besar. ### Nilai Pesanan Rata-rata (AOV) Berdasarkan Partisipasi Apotek Online (AO YN) Analisis AOV berdasarkan partisipasi outlet dalam program Apotek Online (`AO YN`) memberikan pemahaman tentang perbedaan perilaku pembelian antara outlet tradisional dan yang telah mengadopsi platform digital perusahaan. | AO YN | Rata-rata Value RO | |:--------|-------------------:| | N | 458,964 | | Y | 363,359 | **Analisis dan Wawasan Bisnis:** Secara mengejutkan, outlet yang **tidak** berpartisipasi dalam program Apotek Online (`AO YN = N`) menunjukkan nilai pesanan rata-rata yang lebih tinggi, yaitu sekitar Rp 458,964. Angka ini lebih tinggi sekitar 26% dibandingkan dengan outlet yang berpartisipasi (`AO YN = Y`), yang memiliki AOV sekitar Rp 363,359. Fenomena ini dapat diinterpretasikan dalam beberapa cara: 1. **Segmen Pelanggan Berbeda**: Outlet non-Apotek Online mungkin mewakili segmen pelanggan yang lebih tradisional yang cenderung memesan dalam jumlah besar atau untuk kebutuhan yang lebih beragam per transaksi. Mereka mungkin mengandalkan pesanan *bulk* untuk stok fisik mereka. 2. **Frekuensi vs. Nilai**: Outlet Apotek Online mungkin melakukan pesanan lebih sering dengan nilai transaksi yang lebih kecil karena kemudahan akses dan kecepatan pengiriman yang ditawarkan platform online. Mereka mungkin memesan sesuai kebutuhan jangka pendek, bukan *stocking up*. 3. **Adopsi Digital**: Outlet yang belum mengadopsi Apotek Online mungkin adalah pemain yang sudah lama berbisnis dan memiliki pola pembelian yang sudah mapan dengan pesanan bernilai tinggi. Meskipun outlet non-Apotek Online memiliki AOV yang lebih tinggi, perlu diingat dari Bab 7 bahwa mereka juga memiliki tingkat pembatalan yang sedikit lebih tinggi (1.4%) dibandingkan outlet Apotek Online (1.2%). Ini menunjukkan adanya *trade-off* antara potensi nilai pesanan yang lebih tinggi dan risiko pembatalan yang juga sedikit lebih tinggi. ### Implikasi Bisnis dan Rekomendasi Strategis Analisis AOV ini memberikan wawasan penting yang dapat memandu strategi sales, marketing, dan manajemen produk: 1. **Mengoptimalkan Portofolio Produk Berbasis Nilai dan Risiko:** * **Fokus pada Perlindungan Produk Pharos**: Mengingat AOV produk Pharos yang tinggi, upaya untuk memastikan pemenuhan pesanan yang sukses untuk produk-produk ini harus menjadi prioritas utama. Ini termasuk manajemen stok yang ketat, peramalan permintaan yang akurat, dan pemantauan kualitas untuk mengurangi tingkat pembatalan. Setiap pembatalan produk Pharos berdampak signifikan pada pendapatan. * **Kembangkan Strategi Penawaran Khusus untuk Produk Pharos**: Dengan nilai rata-rata yang tinggi, produk Pharos bisa menjadi kandidat yang baik untuk strategi bundling atau program loyalitas yang mendorong pembelian lebih besar dan lebih stabil, serta mengurangi kemungkinan pembatalan. 2. **Strategi untuk Program Apotek Online:** * **Pahami Pelanggan Non-AO dengan AOV Tinggi**: Selidiki lebih dalam karakteristik dan kebutuhan outlet non-Apotek Online yang memiliki AOV tinggi. Apakah mereka mencari produk tertentu, diskon volume, atau layanan personal? Informasi ini penting untuk merumuskan strategi konversi mereka ke platform online. * **Edukasi dan Insentif Konversi**: Jika tujuan adalah meningkatkan adopsi Apotek Online, perusahaan perlu menunjukkan nilai tambah yang dapat mengkompensasi hilangnya AOV per transaksi bagi pelanggan yang beralih. Misalnya, kemudahan pemesanan, informasi stok *real-time*, program loyalitas digital, atau pengiriman yang lebih cepat dapat ditawarkan. * **Fokus pada Frekuensi untuk Pelanggan AO**: Untuk outlet yang sudah berpartisipasi dalam Apotek Online, strategi harus lebih berfokus pada peningkatan frekuensi pesanan atau *cross-selling/up-selling* untuk meningkatkan total nilai transaksi mereka dari waktu ke waktu, meskipun AOV per pesanan mungkin lebih rendah. 3. **Pemanfaatan AOV dalam Strategi Harga dan Penawaran:** * **Bundling dan Promosi Berdasarkan AOV**: Gunakan data AOV untuk merancang paket produk atau promosi yang mendorong pelanggan untuk membeli lebih banyak, sehingga meningkatkan nilai rata-rata setiap pesanan. * **Segmentasi Pasar**: AOV dapat digunakan sebagai salah satu kriteria untuk segmentasi pelanggan. Pelanggan dengan AOV tinggi mungkin memerlukan pendekatan sales yang lebih personal dan penawaran eksklusif, sementara pelanggan AOV lebih rendah mungkin merespons promosi berbasis kupon atau diskon. 4. **Integrasi Holistik dengan Analisis Lain:** * Penting untuk selalu mengintegrasikan temuan AOV dengan analisis tingkat pembatalan (Bab 7 & 8) dan waktu tunggu (Bab 5). Misalnya, kombinasi AOV tinggi dan tingkat pembatalan tinggi (seperti pada produk Pharos) harus menjadi area prioritas untuk perbaikan operasional dan strategi retensi pelanggan. Demikian pula, memahami mengapa outlet non-Apotek Online memiliki AOV lebih tinggi sambil juga memiliki tingkat pembatalan yang sedikit lebih tinggi, dapat membantu dalam merancang strategi yang menyeimbangkan antara pertumbuhan pendapatan dan mitigasi risiko. Dengan memahami dan memanfaatkan wawasan dari Nilai Pesanan Rata-rata, perusahaan dapat membuat keputusan yang lebih terinformasi untuk meningkatkan pendapatan, mengoptimalkan strategi penjualan, dan memperkuat hubungan dengan pelanggan di berbagai segmen. ## 10. Tren Waktu dan Kinerja Mingguan Analisis tren mingguan memberikan perspektif dinamis tentang bagaimana kinerja operasional berfluktuasi dari waktu ke waktu. Dengan memvisualisasikan tingkat pembatalan dan waktu tunggu utama secara mingguan, kita dapat mengidentifikasi pola musiman, mendeteksi anomali yang mungkin terkait dengan peristiwa eksternal atau perubahan internal, serta menilai efektivitas inisiatif yang telah diterapkan. Bagian ini akan mengupas tren mingguan untuk tingkat pembatalan baris item, waktu tunggu SP ke DO, dan waktu tunggu DO ke Logbook. ### Tren Tingkat Pembatalan Baris Item Mingguan Tingkat pembatalan baris item merupakan indikator penting kepuasan pelanggan dan efisiensi operasional. Fluktuasi dalam metrik ini dapat menunjukkan adanya masalah pada ketersediaan stok, penetapan harga, atau proses pemesanan. ![Visualisasi](/agent/api/download?file=/tmp/weekly_cancellation_rate_trend.png) **Observasi dan Wawasan Bisnis:** Grafik di atas menggambarkan tren tingkat pembatalan baris item dari minggu ke minggu. Terlihat adanya periode-periode di mana tingkat pembatalan mengalami lonjakan dan penurunan. * **Identifikasi Puncak Pembatalan**: Puncak-puncak tajam pada grafik menunjukkan minggu-minggu tertentu di mana jumlah pembatalan meningkat secara signifikan. Ini bisa menjadi sinyal adanya gangguan, seperti masalah ketersediaan produk massal, promosi yang salah, atau masalah pada sistem pemesanan. * **Periode Stabil vs. Fluktuatif**: Ada juga periode di mana tingkat pembatalan cenderung lebih stabil atau rendah, yang menunjukkan kondisi operasional yang relatif normal dan efisien. * **Potensi Korelasi**: Puncak pembatalan ini perlu dikorelasikan dengan kejadian spesifik pada periode tersebut. Misalnya, apakah puncak ini bertepatan dengan masalah ketersediaan produk Pharos tertentu (mengingat produk Pharos memiliki tingkat pembatalan yang lebih tinggi dan AOV besar dari Bab 8), ataukah terjadi di gudang-gudang dengan kinerja buruk yang telah diidentifikasi (seperti PHARMANET TANGERANG atau PHARMANET MEDAN dari Bab 6)? **Rekomendasi:** * **Investigasi Anomali Mingguan**: Setiap kali terjadi lonjakan signifikan pada tingkat pembatalan mingguan, tim operasional dan penjualan harus segera melakukan investigasi mendalam untuk menemukan akar penyebabnya. * **Manfaatkan Informasi Kalender**: Korelasikan puncak-puncak pembatalan dengan kalender event (misalnya, libur nasional, perubahan harga, kampanye marketing, atau bahkan perubahan cuaca ekstrem) untuk memahami faktor pendorong eksternal. * **Pemantauan Berkelanjutan**: Gunakan grafik ini sebagai alat pemantauan kinerja utama untuk mendeteksi dini masalah dan mengambil tindakan korektif yang cepat. ### Tren Waktu Tunggu SP ke DO Rata-rata Mingguan Waktu tunggu dari Surat Pesanan (SP) ke Delivery Order (DO) mencerminkan efisiensi gudang dalam memproses pesanan dan mengeluarkannya untuk pengiriman. Fluktuasi dalam metrik ini dapat menunjukkan hambatan dalam operasional gudang atau masalah manajemen stok. ![Visualisasi](/agent/api/download?file=/agent/api/download?file=/tmp/weekly_sp_to_do_lead_time_trend.png) **Observasi dan Wawasan Bisnis:** Grafik ini menampilkan tren rata-rata waktu tunggu SP ke DO dari minggu ke minggu. * **Periode Lambat/Cepat**: Kita dapat melihat periode-periode di mana rata-rata waktu tunggu meningkat atau menurun. Peningkatan waktu tunggu menunjukkan bahwa gudang membutuhkan waktu lebih lama untuk mengkonfirmasi dan menyiapkan pesanan. * **Hubungan dengan Tingkat Pembatalan**: Mengingat temuan dari Bab 6 dan 7 bahwa beberapa gudang dengan waktu tunggu SP ke DO yang lebih tinggi juga memiliki tingkat pembatalan yang lebih tinggi (misalnya, PHARMANET MEDAN dan SAMARINDA), lonjakan pada grafik ini bisa menjadi penyebab tidak langsung dari peningkatan pembatalan di minggu berikutnya. * **Kapasitas Gudang**: Lonjakan waktu tunggu bisa mengindikasikan tekanan pada kapasitas gudang, kekurangan staf, atau masalah dalam manajemen inventaris yang menghambat kecepatan pemrosesan. **Rekomendasi:** * **Audit Kapasitas dan Proses Gudang**: Minggu-minggu dengan waktu tunggu SP ke DO yang tinggi harus memicu audit pada gudang-gudang yang berkontribusi paling besar pada peningkatan tersebut. Periksa kapasitas tenaga kerja, ketersediaan peralatan, dan efisiensi alur kerja. * **Manajemen Inventaris**: Pastikan sistem manajemen inventaris (WMS) berjalan optimal untuk meminimalkan waktu pencarian dan persiapan barang. * **Korelasi dengan Volume Pesanan**: Analisis apakah lonjakan waktu tunggu berkorelasi dengan peningkatan volume pesanan pada minggu tersebut. Jika ya, ini bisa mengindikasikan kebutuhan untuk penyesuaian kapasitas. ### Tren Waktu Tunggu DO ke Logbook Rata-rata Mingguan Waktu tunggu dari Delivery Order (DO) ke Logbook menunjukkan seberapa cepat pesanan yang telah dikonfirmasi diserahkan ke area *staging* untuk penjemputan oleh kurir. Metrik ini mengukur efisiensi logistik internal sebelum pengiriman eksternal dimulai. ![Visualisasi](/agent/api/download?file=/tmp/weekly_do_to_logbook_lead_time_trend.png) **Observasi dan Wawasan Bisnis:** Grafik ini menunjukkan tren rata-rata waktu tunggu DO ke Logbook secara mingguan. * **Efisiensi *Staging***: Waktu tunggu yang lebih pendek menunjukkan proses *staging* yang efisien, di mana pesanan cepat siap untuk diambil kurir. Sebaliknya, waktu tunggu yang lebih panjang mengindikasikan adanya penundaan internal. * **Dampak pada Pengiriman Total**: Meskipun waktu tunggu Logbook ke Pengiriman mengalami anomali data yang signifikan (seperti dibahas di Bab 4 dan 5), waktu tunggu DO ke Logbook ini masih merupakan bagian penting dari total waktu pemenuhan. Penundaan di sini akan memperpanjang total waktu yang dibutuhkan pelanggan untuk menerima pesanan. * **Koordinasi dengan Ekspedisi**: Waktu tunggu yang fluktuatif mungkin juga mencerminkan koordinasi yang tidak konsisten dengan pihak ekspedisi, seperti jadwal penjemputan kurir yang tidak teratur atau penumpukan pesanan yang menunggu diambil. **Rekomendasi:** * **Optimalkan Proses *Staging***: Identifikasi faktor-faktor yang menyebabkan penundaan pesanan masuk ke area *logbook*. Apakah ini karena keterbatasan ruang *staging*, proses verifikasi akhir yang lambat, atau kurangnya staf? * **Tinjau Perjanjian Tingkat Layanan (SLA) Ekspedisi**: Pastikan perjanjian dengan penyedia jasa ekspedisi mencakup waktu penjemputan yang jelas dan konsisten untuk meminimalkan penumpukan di area *logbook*. * **Visualisasi Beban Kerja**: Pertimbangkan untuk memvisualisasikan beban kerja di area *staging* secara *real-time* untuk mengelola antrean pesanan yang siap diambil. ### Kesimpulan dan Rekomendasi Umum dari Tren Mingguan Analisis tren mingguan ini adalah alat diagnostik yang sangat berharga untuk kesehatan operasional perusahaan. Fluktuasi dalam grafik ini seringkali menjadi gejala awal dari masalah yang lebih besar, baik itu masalah ketersediaan produk, efisiensi gudang, atau tantangan dalam koordinasi pengiriman. **Rekomendasi Umum:** 1. **Dashboard Kinerja Mingguan Interaktif**: Buatlah dashboard interaktif yang memvisualisasikan tren-tren ini secara *real-time* atau hampir *real-time*. Ini akan memungkinkan tim operasional dan manajemen untuk memantau kinerja secara terus-menerus dan mengidentifikasi anomali secepat mungkin. 2. **Sistem Peringatan Dini**: Implementasikan sistem peringatan otomatis yang memberitahu tim terkait jika tingkat pembatalan atau waktu tunggu rata-rata mingguan melampaui ambang batas yang ditentukan. 3. **Pertemuan Tinjauan Kinerja Mingguan**: Adakan pertemuan rutin untuk meninjau tren mingguan ini. Fasilitasi diskusi antar departemen (penjualan, logistik, manajemen produk) untuk menganalisis penyebab fluktuasi dan merumuskan tindakan korektif bersama. 4. **Korelasi dengan Inisiatif Bisnis**: Selalu korelasikan tren kinerja dengan inisiatif bisnis atau perubahan operasional yang telah dilakukan. Apakah kampanye promosi baru menyebabkan lonjakan pesanan yang kemudian berdampak pada waktu tunggu? Apakah perubahan kebijakan gudang berhasil mengurangi tingkat pembatalan? 5. **Perbaikan Data `Tgl Diterima`**: Meskipun tidak langsung terlihat di grafik `DO ke Logbook`, perbaikan kualitas data `Tgl Diterima` tetap krusial untuk akhirnya dapat menganalisis tren waktu tunggu total hingga ke pelanggan secara akurat di masa depan. Dengan memanfaatkan wawasan dari tren mingguan, perusahaan dapat beralih dari reaksi pasif terhadap masalah menjadi pendekatan proaktif yang memungkinkan identifikasi, analisis, dan penyelesaian masalah operasional secara lebih cepat dan efektif. Ini pada akhirnya akan mendukung tujuan peningkatan kinerja pelayanan, penjualan, dan kepuasan pelanggan. ## 11. Korelasi Waktu Tenggang dan Tingkat Pembatalan per Gudang Analisis korelasi antara waktu tenggang (lead time) dan tingkat pembatalan per gudang merupakan langkah krusial untuk mengidentifikasi inefisiensi operasional yang secara langsung memengaruhi kepuasan pelanggan dan, pada akhirnya, tingkat pembatalan pesanan. Setiap gudang memiliki dinamika operasional yang unik, dan pemahaman tentang bagaimana kecepatan pemrosesan berkorelasi dengan pembatalan dapat membantu menargetkan area untuk perbaikan layanan. Dalam bab ini, kita akan mengeksplorasi hubungan ini dengan membandingkan rata-rata waktu tunggu utama dengan tingkat pembatalan baris item untuk setiap gudang. Data di bawah ini menyajikan rata-rata waktu tenggang dari proses Surat Pesanan (SP) ke Delivery Order (DO) dan dari Delivery Order (DO) ke Logbook, serta tingkat pembatalan baris item untuk setiap `Asal Gudang`. Analisis ini hanya mencakup gudang dengan minimal 100 baris item untuk memastikan representasi yang memadai. ### Korelasi Waktu Tenggang dan Tingkat Pembatalan per Gudang | Asal Gudang | Rata-rata Waktu SP ke DO (jam) | Rata-rata Waktu DO ke Logbook (jam) | Tingkat Pembatalan (%) | |:----------------------|-------------------------------:|------------------------------------:|-----------------------:| | PHARMANET MEDAN | 20 | 9 | 2.5 | | PHARMANET SAMARINDA | 26 | 5 | 1.9 | | PHARMANET TANGERANG | 14 | 4 | 2.6 | | PHARMANET BANJARMASIN | 12 | 4 | 1.7 | | PHARMANET PEKANBARU | 11 | 3 | 1.5 | | PHARMANET BOGOR | 10 | 5 | 1.4 | | PHARMANET SEMARANG | 9 | 14 | 1.3 | | PHARMANET JAKBAR | 9 | 1 | 1.3 | | PHARMANET SURABAYA | 9 | 13 | 1.2 | | PHARMANET BEKASI | 8 | 3 | 1.0 | | PHARMANET PONTIANAK | 10 | 5 | 1.0 | | PHARMANET SOLO | 8 | 5 | 0.9 | | PHARMANET JAKSEL | 7 | 5 | 0.9 | | PHARMANET JAMBI | 8 | 3 | 0.8 | | PHARMANET LAMPUNG | 9 | 4 | 0.6 | | PHARMANET MALANG | 4 | 6 | 0.5 | | PHARMANET BANDUNG | 8 | 2 | 0.3 | | PHARMANET PALEMBANG | 3 | 3 | 0.3 | | PHARMANET JAKTIM | 6 | 2 | 2.4 | ### Analisis dan Wawasan Bisnis Dari tabel di atas, kita dapat mengidentifikasi beberapa pola menarik dan anomali yang penting untuk diinvestigasi lebih lanjut: 1. **Gudang dengan Waktu Tenggang Tinggi dan Tingkat Pembatalan Tinggi:** * **PHARMANET MEDAN**: Gudang ini menunjukkan rata-rata waktu SP ke DO yang sangat tinggi (20 jam) dan juga tingkat pembatalan yang signifikan (2.5%). Hal ini sangat mungkin mengindikasikan bahwa penundaan dalam proses internal gudang, dari penerjemahan pesanan hingga kesiapan pengiriman, berkontribusi langsung pada keputusan pembatalan oleh pelanggan. * **PHARMANET TANGERANG**: Meskipun waktu SP ke DO-nya lebih rendah dari Medan (14 jam), tingkat pembatalannya (2.6%) merupakan yang tertinggi di antara semua gudang. Ini menunjukkan bahwa bahkan penundaan sedang pun di gudang ini dapat memiliki dampak besar pada pembatalan. 2. **Gudang dengan Waktu Tenggang Ekstrem tetapi Tingkat Pembatalan Moderat:** * **PHARMANET SAMARINDA**: Gudang ini memiliki rata-rata waktu SP ke DO yang paling tinggi (26 jam), hampir satu hari kerja penuh lebih lama dari median. Namun, tingkat pembatalannya (1.9%) tidak setinggi PHARMANET TANGERANG atau MEDAN. Hal ini menarik dan memerlukan investigasi. Mungkin pelanggan di wilayah ini memiliki toleransi yang lebih tinggi terhadap waktu tunggu, atau ada strategi mitigasi lain (misalnya, komunikasi proaktif, keunggulan produk) yang mengurangi dampak pembatalan. * **PHARMANET SEMARANG** dan **PHARMANET SURABAYA**: Kedua gudang ini memiliki rata-rata waktu DO ke Logbook yang relatif tinggi (masing-masing 14 jam dan 13 jam), namun tingkat pembatalannya masih moderat (1.3% dan 1.2%). Ini bisa menunjukkan bahwa penundaan di tahap *staging* (sebelum penjemputan kurir) kurang sensitif terhadap pembatalan dibandingkan penundaan dalam pemrosesan pesanan (SP ke DO), atau mungkin ada efisiensi lain yang mengkompensasi. 3. **Gudang Berkinerja Efisien (Benchmark):** * **PHARMANET PALEMBANG**: Gudang ini menunjukkan kinerja yang sangat baik dengan rata-rata waktu SP ke DO (3 jam) dan DO ke Logbook (3 jam) yang rendah, serta tingkat pembatalan terendah (0.3%). Ini dapat dijadikan *benchmark* untuk praktik terbaik yang dapat dipelajari dan direplikasi di gudang lain. * **PHARMANET BANDUNG**: Serupa dengan Palembang, Bandung juga memiliki waktu tunggu yang rendah (SP ke DO 8 jam, DO ke Logbook 2 jam) dan tingkat pembatalan yang sangat rendah (0.3%). ### Implikasi Bisnis dan Rekomendasi Korelasi antara waktu tenggang dan tingkat pembatalan per gudang memberikan wawasan yang sangat jelas tentang area mana yang memerlukan intervensi operasional. Memahami nuansa ini dapat membantu perusahaan mengalokasikan sumber daya secara lebih efektif untuk meningkatkan layanan dan mengurangi kerugian akibat pembatalan. 1. **Prioritaskan Perbaikan Operasional di Gudang Berisiko Tinggi:** * **Fokus pada PHARMANET MEDAN dan PHARMANET TANGERANG**: Lakukan audit menyeluruh terhadap proses internal di kedua gudang ini. Identifikasi *bottleneck* spesifik yang menyebabkan waktu SP ke DO yang panjang dan tingkat pembatalan tinggi. Periksa manajemen inventaris, alur kerja, alokasi staf, dan penggunaan sistem otomatisasi. * **Investigasi PHARMANET SAMARINDA**: Meskipun tingkat pembatalannya tidak proporsional dengan waktu tunggunya, waktu SP ke DO yang sangat tinggi (26 jam) adalah alarm. Pahami mengapa pelanggan di wilayah ini masih bertahan atau apa yang bisa dilakukan untuk mengurangi waktu tenggang ini lebih lanjut. 2. **Manfaatkan Gudang Berkinerja Terbaik sebagai Benchmark:** * **Studi Kasus PHARMANET PALEMBANG dan PHARMANET BANDUNG**: Analisis praktik, teknologi, dan manajemen yang diterapkan di gudang-gudang ini yang menghasilkan waktu tenggang yang efisien dan tingkat pembatalan yang sangat rendah. Identifikasi praktik terbaik yang dapat diterapkan di gudang lain untuk meningkatkan kinerja secara keseluruhan. 3. **Segmentasi Upaya Peningkatan Berdasarkan Tahapan Waktu Tenggang:** * Jika penundaan SP ke DO lebih berkorelasi dengan pembatalan (seperti di Medan dan Tangerang), fokuslah pada efisiensi pemrosesan pesanan internal. * Jika penundaan DO ke Logbook yang tinggi tidak selalu berarti pembatalan tinggi (seperti di Semarang dan Surabaya), evaluasi apakah komunikasi proaktif atau manajemen ekspektasi pelanggan dapat memitigasi dampaknya. 4. **Perkuat Komunikasi dengan Pelanggan:** * Untuk gudang yang memiliki waktu tenggang yang lebih lama, implementasikan sistem komunikasi proaktif yang memberikan pembaruan status pesanan secara berkala kepada pelanggan. Transparansi dapat membantu mengelola ekspektasi dan mengurangi frustrasi yang berujung pada pembatalan. 5. **Peran Manajemen Produk dan Sales:** * Tim sales dan manajemen produk perlu bekerja sama dengan gudang untuk memahami apakah produk-produk tertentu yang sensitif terhadap waktu (`Procod` sebagai faktor penting dari Bab 7) sering melewati gudang dengan waktu tenggang yang lama. Ini mungkin memerlukan peninjauan kembali alokasi produk ke gudang yang lebih efisien atau peningkatan stok *buffer* di gudang yang lebih lambat. Dengan mengadopsi pendekatan berbasis data ini, perusahaan dapat secara strategis mengatasi inefisiensi operasional di tingkat gudang, mengurangi tingkat pembatalan, dan secara signifikan meningkatkan pengalaman pemenuhan pesanan pelanggan. ## 12. Kesimpulan dan Rekomendasi Laporan Analisis Data Eksplorasi ini telah mengungkap berbagai wawasan penting mengenai proses pemenuhan pesanan pelanggan, mulai dari kualitas data hingga dinamika operasional dan perilaku pembatalan. Tujuan utama untuk meningkatkan kinerja pelayanan, penjualan, dan pemahaman terhadap produk tertentu dapat dicapai melalui tindakan strategis yang berlandaskan temuan ini. ### Gambaran Umum Kinerja dan Tantangan Utama Secara keseluruhan, dataset yang berjumlah 131.315 baris ini memberikan potret komprehensif aktivitas pemenuhan pesanan. Namun, analisis awal menyoroti beberapa tantangan krusial: 1. **Kualitas Data yang Memprihatinkan**: Anomali data, terutama pada kolom `Tgl Diterima`, menjadi hambatan signifikan dalam mengukur kinerja pengiriman secara akurat. Ditemukan ribuan kasus "waktu tunggu negatif" antara `Tgl Logbook` dan `Tgl Diterima`, yang secara fisik tidak mungkin dan disebabkan oleh `Tgl Diterima` yang tercatat sebagai `1970-01-02 07:00:00`. Ini adalah indikator kuat adanya masalah pada sistem entri atau validasi data yang harus segera diperbaiki. Selain itu, terdapat 110 baris data duplikat yang juga perlu ditangani. 2. **Variabilitas Efisiensi Proses Internal**: Tahapan awal proses pemesanan (`RO ke SP`) sangat cepat, menunjukkan responsivitas yang baik. Namun, waktu tunggu pada tahap `SP ke DO` (rata-rata 9,9 jam, median 3,3 jam) dan `DO ke Logbook` (rata-rata 5,9 jam, median 2,7 jam) menunjukkan variabilitas yang tinggi, mengindikasikan adanya inkonsistensi atau potensi hambatan operasional di gudang-gudang tertentu. 3. **Tingkat Pembatalan yang Bervariasi**: Tingkat pembatalan baris item keseluruhan sebesar 1,3% menunjukkan bahwa sebagian besar pesanan berhasil dipenuhi. Namun, angka ini menyembunyikan anomali signifikan pada segmen-segmen tertentu: * **Divisi VIBRANT 3** memiliki tingkat pembatalan 19,6%, meskipun dengan volume kecil. * **Gudang PHARMANET PUSAT** menunjukkan tingkat pembatalan 100% pada volume yang sangat kecil (22 baris item), kemungkinan besar anomali atau data pengujian. * Beberapa gudang seperti **PHARMANET TANGERANG** (2,6%), **MEDAN** (2,5%), dan **JAKTIM** (2,4%) memiliki tingkat pembatalan yang lebih tinggi dibandingkan rata-rata. * **Produk Pharos** (`Pharos YN = Y`) memiliki tingkat pembatalan yang sedikit lebih tinggi (1,6%) dibandingkan non-Pharos (1,1%). 4. **Produk Pendorong Nilai dengan Risiko Tinggi**: Produk Pharos (`Pharos YN = Y`) memiliki Nilai Pesanan Rata-rata (AOV) yang jauh lebih tinggi (Rp 557.928) dibandingkan produk non-Pharos (Rp 312.776). Namun, produk Pharos juga mendominasi daftar produk dengan nilai pembatalan total tertinggi dan tingkat pembatalan nilai tertinggi, seperti `VOMARIN FLASH TAB 50'S` (84,6%) dan `PRORIS 125MG SUPP 10'S` (29,2%). Setiap pembatalan produk Pharos berdampak finansial yang jauh lebih besar. 5. **Peran Apotek Online (AO YN)**: Outlet yang tidak berpartisipasi dalam Apotek Online (`AO YN = N`) memiliki AOV yang lebih tinggi (Rp 458.964) dibandingkan yang berpartisipasi (`AO YN = Y`) (Rp 363.359). Namun, outlet Non-AO juga memiliki tingkat pembatalan yang sedikit lebih tinggi (1,4% vs. 1,2%). 6. **Korelasi Waktu Tunggu dan Pembatalan**: Terlihat pola di mana gudang dengan waktu tunggu yang lebih lama (terutama `SP ke DO`) cenderung memiliki tingkat pembatalan yang lebih tinggi, seperti yang ditunjukkan pada PHARMANET MEDAN dan TANGERANG. ### Temuan Kunci dan Anomali #### Kualitas Data dan Anomali Waktu Pengiriman Salah satu temuan paling mencolok adalah masalah kualitas data yang parah terkait `Tgl Diterima`. Kolom ini, yang sangat penting untuk menghitung waktu pengiriman dan menilai efisiensi logistik, mengalami sekitar 7,9% data hilang. Lebih jauh lagi, sebanyak 2.897 kasus menunjukkan waktu tunggu negatif antara `Tgl Logbook` dan `Tgl Diterima`. Investigasi mendalam mengungkap bahwa banyak entri `Tgl Diterima` secara keliru tercatat sebagai `1970-01-02 07:00:00`. Ini bukan hanya anomali teknis, tetapi juga menghalangi kemampuan perusahaan untuk secara akurat mengukur dan meningkatkan performa pengiriman akhir kepada pelanggan. Berikut adalah sampel catatan yang menunjukkan anomali waktu tunggu negatif: | Tgl Logbook | Tgl Diterima | Tgl Ekspedisi | No. DO | No. RO | Asal Gudang | Nama Ekspedisi | |:--------------------|:--------------------|:--------------------|:-------------|---------:|:----------------|:-------------------| | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | | 2026-07-01 19:44:40 | 1970-01-02 07:00:00 | 2026-07-02 08:47:32 | A69260601205 | 4,937,443 | PHARMANET MEDAN | ANDALAN 21 EXPRESS | Anomali serupa juga terlihat pada 110 baris duplikat yang, jika tidak ditangani, dapat menggelembungkan metrik transaksi. #### Tingkat Pembatalan Berdasarkan Kategori Analisis mendalam terhadap tingkat pembatalan berdasarkan berbagai dimensi memberikan wawasan strategis: **Pembatalan per Divisi:** | Divisi | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:------------|-----------------:|----------------------:|-------------------:| | VIBRANT 3 | 56 | 11 | 19,6% | | HOSPINET | 17,827 | 310 | 1,7% | | VIBRANT PBF | 2,559 | 38 | 1,5% | | PHARMANET | 110,866 | 1,381 | 1,2% | | nan | 7 | 0 | 0,0% | *Anomali VIBRANT 3* dengan tingkat pembatalan hampir 20% membutuhkan penyelidikan khusus untuk memahami karakteristik pesanan atau produk di divisi ini. **Pembatalan per Asal Gudang:** | Asal Gudang | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:----------------------|-----------------:|----------------------:|-------------------:| | PHARMANET PUSAT | 22 | 22 | 100,0% | | PHARMANET TANGERANG | 9,420 | 242 | 2,6% | | PHARMANET MEDAN | 7,416 | 188 | 2,5% | | PHARMANET JAKTIM | 4,114 | 100 | 2,4% | | PHARMANET MAKASSAR | 7,468 | 148 | 2,0% | | PHARMANET SAMARINDA | 3,203 | 60 | 1,9% | *PHARMANET PUSAT* dengan 100% pembatalan kemungkinan adalah data pengujian, namun gudang seperti TANGERANG dan MEDAN menunjukkan tingkat pembatalan yang signifikan dan memerlukan perhatian operasional. **Pembatalan per Pharos YN:** | Pharos YN | Total Baris Item | Baris Item Dibatalkan | Tingkat Pembatalan | |:------------|-----------------:|----------------------:|-------------------:| | Y | 59,301 | 920 | 1,6% | | N | 72,014 | 820 | 1,1% | Produk Pharos, meskipun memiliki AOV tinggi, memiliki tingkat pembatalan yang sedikit lebih tinggi. #### Produk Paling Rentan Pembatalan Analisis produk secara spesifik menyoroti kerugian signifikan dari pembatalan pada beberapa produk: **Top 10 Produk Berdasarkan Total Nilai Pembatalan (Value RO):** | Procod | Prodes | Pharos YN | Total Value RO | Cancelled Value RO | Tingkat Pembatalan Nilai | |-------:|:-------------------------------|:----------|------------------:|-------------------:|-------------------------:| | 105523 | PRORIS 125MG SUPP 10'S | Y | 279.214.018 | 81.491.848 | 29,2% | | 104115 | CATAFLAM 50MG TAB 50'S | N | 1.446.660.391 | 32.244.616 | 2,2% | | 303114 | NOURISH SKIN ULTIMATE 30'S | Y | 219.693.637 | 31.518.836 | 14,3% | | 201630 | MICROLAX GEL OBAT PENCAHAR 5ML | Y | 3.321.664.117 | 29.378.319 | 0,9% | | 103842 | MEFINAL 500MG CAP 100'S | N | 1.140.834.053 | 23.612.058 | 2,1% | | 109769 | VOMARIN FLASH TAB 50'S | Y | 23.633.720 | 19.988.520 | 84,6% | Produk `VOMARIN FLASH TAB 50'S` dan `PRORIS 125MG SUPP 10'S` menjadi perhatian utama dengan tingkat pembatalan nilai yang sangat tinggi. Mayoritas produk dengan pembatalan signifikan adalah produk Pharos. #### Nilai Pesanan Rata-rata (AOV) * **AOV Pharos YN**: Produk Pharos memiliki AOV jauh lebih tinggi (Rp 557.928) dibandingkan non-Pharos (Rp 312.776), menegaskan peran vital produk Pharos sebagai pendorong nilai. * **AOV AO YN**: Outlet non-Apotek Online memiliki AOV lebih tinggi (Rp 458.964) dibandingkan outlet Apotek Online (Rp 363.359). Ini menunjukkan perbedaan perilaku pembelian antara pelanggan tradisional dan digital. #### Tren Mingguan Visualisasi tren mingguan memberikan perspektif dinamis terhadap kinerja: ![Visualisasi](/agent/api/download?file=/tmp/weekly_cancellation_rate_trend.png) **Tren Tingkat Pembatalan Baris Item Mingguan**: Fluktuasi ini dapat mengindikasikan masalah ketersediaan atau operasional pada periode tertentu. ![Visualisasi](/agent/api/download?file=/tmp/weekly_sp_to_do_lead_time_trend.png) **Tren Waktu Tunggu SP ke DO Rata-rata Mingguan**: Peningkatan waktu tunggu dapat menunjukkan kemacetan dalam pemrosesan gudang. ![Visualisasi](/agent/api/download?file=/tmp/weekly_do_to_logbook_lead_time_trend.png) **Tren Waktu Tunggu DO ke Logbook Rata-rata Mingguan**: Menunjukkan efisiensi logistik internal sebelum pengiriman eksternal. Puncak-puncak anomali pada grafik ini memerlukan investigasi lebih lanjut untuk menemukan korelasinya dengan peristiwa spesifik. #### Korelasi Waktu Tunggu dan Tingkat Pembatalan per Gudang | Asal Gudang | Rata-rata Waktu SP ke DO (jam) | Rata-rata Waktu DO ke Logbook (jam) | Tingkat Pembatalan (%) | |:----------------------|-------------------------------:|------------------------------------:|-----------------------:| | PHARMANET MEDAN | 20 | 9 | 2,5 | | PHARMANET TANGERANG | 14 | 4 | 2,6 | | PHARMANET SAMARINDA | 26 | 5 | 1,9 | | PHARMANET BANDUNG | 8 | 2 | 0,3 | | PHARMANET PALEMBANG | 3 | 3 | 0,3 | Tabel ini menunjukkan bahwa gudang seperti PHARMANET MEDAN dan TANGERANG memiliki waktu tunggu SP ke DO yang tinggi yang berkorelasi dengan tingkat pembatalan yang lebih tinggi. Sementara PHARMANET PALEMBANG dan BANDUNG menunjukkan kinerja yang efisien dan dapat dijadikan patokan. ### Rekomendasi Strategis Berdasarkan analisis komprehensif ini, berikut adalah rekomendasi strategis untuk meningkatkan kinerja layanan, penjualan, dan efisiensi operasional: #### 1. Prioritaskan Perbaikan Kualitas Data untuk Pengambilan Keputusan yang Akurat * **Tindakan Cepat untuk `Tgl Diterima`**: Segera lakukan investigasi akar masalah entri `Tgl Diterima` yang tidak valid (`1970-01-02`) dengan tim IT dan operasional. Implementasikan validasi data yang ketat pada saat entri untuk memastikan `Tgl Diterima` selalu akurat dan kronologis. Tanpa data ini, pengukuran kinerja pengiriman akhir tidak dapat diandalkan. * **Deduplikasi Data**: Proses 110 baris duplikat untuk memastikan integritas dan akurasi seluruh analisis. * **Evaluasi Kolom Hilang**: Hapus kolom `Keterangan` dan `Nama Penerima` yang sepenuhnya kosong. Lakukan analisis lebih lanjut untuk kolom `Cmc` dan `Value PL` yang memiliki nilai hilang. #### 2. Optimasi Proses Operasional Gudang untuk Mengurangi Waktu Tunggu dan Pembatalan * **Audit Gudang Berisiko Tinggi**: Lakukan audit operasional mendalam pada gudang **PHARMANET MEDAN**, **TANGERANG**, dan **SAMARINDA**. Identifikasi *bottleneck* spesifik yang menyebabkan waktu tunggu `SP ke DO` dan `DO ke Logbook` yang panjang. Periksa manajemen inventaris, alur kerja, dan kapasitas staf. * **Benchmark dari Gudang Terbaik**: Pelajari praktik terbaik dari **PHARMANET PALEMBANG** dan **BANDUNG** yang menunjukkan efisiensi tinggi dan tingkat pembatalan rendah. Replikasi strategi sukses ini ke gudang lain. * **Investigasi Anomali VIBRANT 3**: Lakukan studi kasus untuk 56 baris item di Divisi VIBRANT 3 untuk memahami penyebab tingkat pembatalan yang sangat tinggi. * **Peningkatan Komunikasi Proaktif**: Untuk gudang dengan waktu tunggu yang secara historis lebih lama, implementasikan sistem komunikasi proaktif yang memberikan pembaruan status pesanan kepada pelanggan untuk mengelola ekspektasi dan mengurangi pembatalan. #### 3. Strategi Penjualan dan Manajemen Produk yang Berbasis Data * **Fokus pada Produk Rentan Pembatalan Tinggi**: Segera lakukan audit menyeluruh terhadap produk `VOMARIN FLASH TAB 50'S` dan `PRORIS 125MG SUPP 10'S`. Selidiki akar penyebab tingkat pembatalan yang sangat tinggi (ketersediaan stok, harga, masalah kualitas, peramalan permintaan yang buruk, atau perubahan preferensi pelanggan). * **Lindungi Produk Pharos**: Mengingat AOV produk Pharos yang tinggi, pastikan manajemen stok dan proses pemenuhan untuk produk ini dioptimalkan. Setiap pembatalan produk Pharos memiliki dampak finansial yang signifikan. Pertimbangkan insentif penyelesaian pesanan atau komunikasi yang lebih baik untuk produk-produk ini. * **Manfaatkan Insight AOV dari AO YN**: Pahami mengapa outlet non-Apotek Online memiliki AOV yang lebih tinggi. Gunakan wawasan ini untuk menyesuaikan strategi penjualan: dorong adopsi Apotek Online dengan menonjolkan manfaat (misalnya, tingkat pembatalan yang sedikit lebih rendah) atau kembangkan program loyalitas khusus untuk outlet tradisional dengan AOV tinggi. Untuk outlet Apotek Online, fokus pada peningkatan frekuensi pesanan dan strategi *cross-selling/up-selling* untuk mengkompensasi AOV per transaksi yang lebih rendah. * **Revisi Portofolio Produk**: Jika masalah pembatalan pada produk tertentu (terutama Pharos) tidak dapat diatasi setelah investigasi mendalam, pertimbangkan untuk meninjau kembali keputusan tentang keberadaan produk tersebut di portofolio. #### 4. Pemantauan Berkelanjutan dan Kolaborasi Lintas Fungsi * **Dashboard Kinerja Interaktif**: Kembangkan dashboard interaktif yang menampilkan tren mingguan tingkat pembatalan dan waktu tunggu. Ini akan memungkinkan tim operasional dan manajemen untuk memantau kinerja secara *real-time* dan mendeteksi anomali lebih awal. * **Sistem Peringatan Dini Otomatis**: Terapkan sistem peringatan otomatis untuk memberi tahu tim terkait jika metrik kinerja utama melampaui ambang batas yang ditentukan. * **Kolaborasi Lintas Fungsi**: Promosikan kolaborasi erat antara tim IT, operasional, penjualan, dan manajemen produk. Banyak masalah yang teridentifikasi memerlukan solusi terintegrasi dan komunikasi yang transparan. Dengan mengimplementasikan rekomendasi ini, perusahaan tidak hanya akan memperbaiki masalah kualitas data yang mendasar, tetapi juga mengoptimalkan proses operasional, mengurangi kerugian akibat pembatalan, dan pada akhirnya meningkatkan kepuasan pelanggan serta profitabilitas secara keseluruhan.