# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Berikut adalah ringkasan eksekutif dari Analisis Data Eksplorasi (EDA) pemenuhan pesanan pelanggan, yang bertujuan untuk mengungkap wawasan tersembunyi guna meningkatkan kinerja, penjualan, dan memahami korelasi dengan produk. Analisis ini didasarkan pada data pemenuhan pesanan yang mencakup detail pesanan berulang (RO), surat pesanan (SP), pesanan pengiriman (DO), daftar pengepakan (PL), informasi produk, outlet, dan logistik. ### Kualitas dan Struktur Data Beberapa anomali dan wawasan penting terkait kualitas data telah ditemukan: * **Identifikasi Outlet**: Terdapat inkonsistensi dalam jumlah unik untuk identifikasi outlet (`KodePI`: 5,062, `OutCode`: 5,062, `Cmc`: 4,697, `Nama Outlet`: 4,619). Ini menunjukkan bahwa `Cmc` dan `Nama Outlet` tidak selalu unik untuk setiap outlet yang diidentifikasi oleh `KodePI` atau `OutCode`, atau terdapat data yang hilang/tidak konsisten. Direkomendasikan untuk melakukan validasi silang dan standarisasi identifikasi outlet. * **Hubungan SP-DO**: Data menunjukkan bahwa jumlah unik Surat Pesanan (SP) adalah 23,615, sementara jumlah unik Delivery Order (DO) adalah 23,489. Ini bertentangan dengan asumsi bahwa "1 SP menerbitkan 1 DO". Penyelidikan lebih lanjut mengungkapkan bahwa ada 365 baris data dengan nilai `No. DO` dan `No. PL` yang kosong (null), yang mungkin menjelaskan sebagian dari perbedaan ini. Penting untuk memahami mengapa beberapa SP tidak memiliki DO terkait atau apakah ada proses bisnis yang tidak tercermin dalam data. * **Granularitas Data**: Setelah pembersihan duplikasi, granularitas data berada pada tingkat item baris yang didefinisikan oleh kombinasi unik (`No. RO`, `No. SP`, `No. DO`, `Procod`, `Prodes`). Ditemukan 55 baris duplikat berdasarkan kombinasi ini, yang telah dihapus dalam proses analisis lebih lanjut. Hal ini menunjukkan potensi entri ganda atau kesalahan pencatatan yang perlu dihindari. * **Konsistensi Status RO**: Sebanyak 1,248 `No. RO` memiliki `Status RO` yang tidak konsisten di antara item barisnya (misalnya, satu RO memiliki beberapa item yang dibatalkan dan beberapa yang terpenuhi). Untuk analisis yang lebih akurat, status `RO_Level_Status` yang disatukan telah dibuat: `FULLY FULFILLED`, `PARTIALLY FULFILLED`, dan `FULLY CANCELLED`. ### Kinerja Pemenuhan Pesanan Keseluruhan Setelah menyatukan status RO ke level pesanan, gambaran kinerja pemenuhan pesanan adalah sebagai berikut: | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | Value RO (%) | Qty RO (%) | Unique RO (%) | |:--------------------|:------------------|:-------------|:----------------|:-------------|:-----------|:--------------| | FULLY CANCELLED | 153,276,941 | 3,279 | 76 | 0.3% | 0.2% | 0.4% | | FULLY FULFILLED | 49,448,495,736 | 1,290,953 | 19,321 | 88.9% | 89.0% | 93.6% | | PARTIALLY FULFILLED | 6,008,132,624 | 155,973 | 1,248 | 10.8% | 10.8% | 6.0% | Sebagian besar pesanan (93.6% dari total RO) berhasil dipenuhi sepenuhnya, menyumbang 88.9% dari total nilai penjualan. Namun, ada 6.0% pesanan yang dipenuhi sebagian (`PARTIALLY FULFILLED`), yang menyumbang 10.8% dari nilai penjualan, dan sejumlah kecil pesanan yang dibatalkan sepenuhnya (0.4% dari total RO, 0.3% dari nilai penjualan). Mengurangi pemenuhan sebagian dapat secara signifikan meningkatkan kepuasan pelanggan dan efisiensi operasional. ### Dampak Asal Produk (Pharos Y/N) pada Pemenuhan Pesanan Analisis menunjukkan bagaimana komposisi produk (Pharos Grup atau bukan) dalam suatu RO memengaruhi status pemenuhan: | Asal Produk | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:------------|:--------------------|:------------------|:-------------|:----------------| | Mixed | FULLY CANCELLED | 47,406,125 | 1,362 | 20 | | Mixed | FULLY FULFILLED | 20,873,583,257 | 474,546 | 9,339 | | Mixed | PARTIALLY FULFILLED | 3,213,439,132 | 75,746 | 855 | | N | FULLY CANCELLED | 15,959,134 | 133 | 19 | | N | FULLY FULFILLED | 6,818,878,788 | 111,210 | 4,739 | | N | PARTIALLY FULFILLED | 283,673,483 | 4,110 | 143 | | Y | FULLY CANCELLED | 89,911,682 | 1,784 | 37 | | Y | FULLY FULFILLED | 21,756,033,691 | 705,197 | 5,243 | | Y | PARTIALLY FULFILLED | 2,511,020,009 | 76,117 | 250 | Pesanan yang sepenuhnya terdiri dari produk Pharos (Y) memiliki nilai dan kuantitas yang signifikan, dengan tingkat pemenuhan yang baik. Pesanan dengan campuran produk (Mixed) juga menunjukkan volume yang tinggi, tetapi juga menyumbang sebagian besar RO yang sebagian terpenuhi (855 dari 1,248). Ini mungkin menunjukkan kompleksitas dalam mengelola inventaris untuk pesanan campuran. ### Dampak Partisipasi Apotek Online (AO Y/N) Perbandingan kinerja antara outlet yang berpartisipasi dalam program Apotek Online (AO) dan yang tidak, menunjukkan perbedaan yang menarik: | AO YN | Jumlah Outlet | Rata-rata Total Nilai per Outlet | Rata-rata Total Pesanan per Outlet | Rata-rata Nilai Pesanan per Outlet | Rata-rata Tingkat Pemenuhan per Outlet (%) | |:------|:--------------|:---------------------------------|:-----------------------------------|:-----------------------------------|:-------------------------------------------| | N | 3,776 | 10,037,891.19 | 3.48 | 3,462,872.26 | 92.8 | | Y | 1,286 | 13,768,917.69 | 5.84 | 2,613,754.15 | 92.5 | Outlet yang berpartisipasi dalam program Apotek Online (Y) memiliki rata-rata total nilai penjualan per outlet yang lebih tinggi (Rp13,768,917.69 vs Rp10,037,891.19) dan frekuensi pesanan yang lebih tinggi (rata-rata 5.84 pesanan vs 3.48 pesanan) dibandingkan dengan outlet non-AO. Namun, rata-rata nilai pesanan per outlet mereka sedikit lebih rendah (Rp2,613,754.15 vs Rp3,462,872.26). Tingkat pemenuhan rata-rata kedua kelompok relatif serupa. Ini menunjukkan bahwa program AO berhasil meningkatkan volume penjualan dan frekuensi pesanan per outlet, meskipun dengan nilai transaksi individu yang lebih kecil. ### Tren Penjualan Bulanan Data yang tersedia hanya mencakup bulan Juni 2026. Selama bulan tersebut, total nilai penjualan mencapai Rp55,609,905,301 dengan 1,450,205 unit terjual dari 20,645 pesanan unik yang berasal dari 5,062 outlet unik. Ini memberikan gambaran dasar tentang volume operasional dalam satu bulan. ### Faktor Pendorong Nilai Penjualan (Value RO) Model regresi linier yang dibangun untuk memprediksi `Value RO` (nilai penjualan per item baris) menunjukkan kemampuan prediksi yang kuat dengan R-squared sebesar 70.6%. Berikut adalah beberapa fitur paling berdampak: * **`Qty RO`**: Koefisien positif yang sangat tinggi mengkonfirmasi hubungan langsung, secara efektif mewakili harga rata-rata per unit. * **Divisi**: * `Divisi_VIBRANT PBF` memiliki dampak positif yang signifikan pada `Value RO` (koefisien 613,717.02), menunjukkan produk dari divisi ini cenderung memiliki nilai item baris yang lebih tinggi. * `Divisi_HOSPINET` dan `Divisi_PHARMANET` memiliki dampak negatif yang signifikan, menunjukkan nilai item baris yang lebih rendah dibandingkan divisi dasar. * **Metode Pembayaran**: * `Payment_BCA Virtual Account` (koefisien 67,950.53) memiliki dampak positif pada `Value RO`, sedangkan `Payment_Kredivo` memiliki dampak negatif yang signifikan (koefisien -70,550.73). * **Asal Produk (`is_pharos`)**: Memiliki dampak negatif pada `Value RO` (koefisien -64,657.28), yang berarti item baris produk dari Pharos Grup, setelah mengontrol faktor lain, cenderung memiliki nilai penjualan yang lebih rendah dibandingkan produk non-Pharos. * **Partisipasi Apotek Online (`is_ao`)**: Memiliki dampak positif (koefisien 47,980.01), menunjukkan bahwa item baris dari outlet AO cenderung memiliki `Value RO` yang lebih tinggi. * **Status Pembatalan (`is_cancelled`)**: Koefisien negatif (-7,668.95) menunjukkan bahwa item baris yang dibatalkan memiliki `Value RO` yang lebih rendah, meskipun ini mungkin mencerminkan pembatalan sebagian atau penyesuaian nilai. ### Rekomendasi Strategis Berdasarkan temuan di atas, beberapa rekomendasi dapat diajukan: 1. **Perbaikan Kualitas Data**: * Segera investigasi inkonsistensi identifikasi outlet (`Cmc`, `Nama Outlet` vs `KodePI`, `OutCode`) untuk memastikan pemahaman yang akurat tentang basis pelanggan. * Telusuri akar penyebab `No. DO` yang kosong untuk beberapa `No. SP`. Ini mungkin menunjukkan kegagalan proses atau data yang hilang yang perlu diselaraskan. * Implementasikan validasi data untuk mencegah duplikasi item baris dan pastikan status `RO_Level_Status` konsisten di seluruh item baris dalam satu pesanan. 2. **Optimalisasi Pemenuhan Pesanan**: * **Fokus pada Pengurangan Pemenuhan Sebagian**: Dengan 10.8% dari nilai penjualan berasal dari pesanan yang sebagian terpenuhi, ada peluang besar untuk meningkatkan kepuasan pelanggan dan mengurangi biaya logistik terkait pengiriman ulang. Identifikasi produk atau gudang yang paling sering menyebabkan pemenuhan sebagian. * **Manajemen Inventaris Produk Campuran**: Analisis lebih lanjut diperlukan untuk pesanan dengan 'Asal Produk' campuran, karena mereka memiliki proporsi RO yang sebagian terpenuhi yang lebih tinggi. Ini mungkin memerlukan strategi manajemen stok yang lebih canggih atau koordinasi gudang yang lebih baik. 3. **Pemanfaatan Program Apotek Online (AO)**: * **Promosikan Program AO**: Outlet AO menunjukkan volume penjualan dan frekuensi pesanan yang lebih tinggi. Perusahaan harus terus mempromosikan program ini dan menganalisis mengapa outlet non-AO belum bergabung. * **Strategi Peningkatan Nilai Pesanan untuk AO**: Meskipun frekuensi tinggi, nilai pesanan rata-rata outlet AO sedikit lebih rendah. Pertimbangkan insentif atau rekomendasi produk untuk meningkatkan nilai transaksi rata-rata mereka. 4. **Strategi Produk dan Divisi**: * **Kapitalisasi Divisi VIBRANT PBF**: Produk dari `Divisi_VIBRANT PBF` memiliki dampak positif yang signifikan pada nilai penjualan. Prioritaskan promosi dan ketersediaan produk dari divisi ini. * **Evaluasi Produk Pharos Group**: Penemuan bahwa produk Pharos (ditandai dengan `is_pharos` Y) berkorelasi negatif dengan `Value RO` menunjukkan bahwa produk ini mungkin memiliki margin atau harga jual yang lebih rendah. Ini memerlukan analisis profitabilitas lebih lanjut. 5. **Analisis Metode Pembayaran**: * **Dorong BCA Virtual Account**: Metode pembayaran ini berkorelasi positif dengan nilai penjualan. Pahami faktor-faktor yang mendorong ini dan promosikan penggunaannya. * **Investigasi Kredivo**: Dampak negatif dari `Payment_Kredivo` terhadap `Value RO` perlu diselidiki. Apakah ini menarik segmen pelanggan dengan nilai pesanan yang lebih rendah, atau apakah ada biaya tersembunyi yang mengurangi `Value RO` yang diterima? Ringkasan eksekutif ini menyediakan peta jalan awal untuk inisiatif peningkatan kinerja dan strategi penjualan. Dengan mengatasi anomali data dan memanfaatkan wawasan dari faktor pendorong penjualan, perusahaan dapat membuat keputusan yang lebih terinformasi untuk pertumbuhan berkelanjutan. ## 2. Pendahuluan Laporan Analisis Data Eksplorasi (EDA) ini bertujuan untuk menggali wawasan tersembunyi dari data pemenuhan pesanan pelanggan, dengan fokus pada peningkatan kinerja, penjualan, dan pemahaman korelasi antara berbagai faktor dengan performa produk. Data yang digunakan adalah catatan transaksi pemenuhan pesanan yang ekstensif, mencakup seluruh siklus mulai dari pesanan berulang (Repeat Order/RO) oleh outlet pelanggan hingga pengiriman barang (Delivery Order/DO) dan pencatatan dalam daftar pengepakan (Packing List/PL), serta informasi detail tentang produk dan gudang asal. ### Gambaran Umum Data Pemenuhan Pesanan Dataset awal terdiri dari 131.315 baris data, merepresentasikan beragam transaksi yang terjadi. Setiap baris data mencerminkan item baris pesanan, dengan detail seperti kode outlet, kode produk, deskripsi produk, divisi, status pesanan, kuantitas, nilai, metode pembayaran, hingga informasi logistik seperti asal gudang dan nama ekspedisi. Analisis ini akan secara kritis memeriksa data ini untuk mengidentifikasi pola, anomali, dan peluang strategis. ### Tantangan dan Anomali Kualitas Data Sebelum menyelam ke dalam analisis mendalam, beberapa tantangan dan anomali signifikan dalam kualitas dan struktur data telah teridentifikasi dan diatasi: 1. **Inkonsistensi Identifikasi Outlet**: Ditemukan adanya perbedaan dalam jumlah unik identifikasi outlet (`KodePI`: 5,062, `OutCode`: 5,062, `Cmc`: 4,697, `Nama Outlet`: 4,619). Meskipun `KodePI` dan `OutCode` menunjukkan konsistensi sebagai pengenal unik, `Cmc` dan `Nama Outlet` memiliki jumlah unik yang lebih rendah. Hal ini mengindikasikan bahwa `Cmc` atau `Nama Outlet` mungkin tidak selalu unik untuk setiap entitas outlet, atau mungkin terdapat duplikasi data di antara atribut-atribut tersebut. Untuk analisis tingkat outlet yang akurat, `KodePI` (atau `OutCode`) dianggap sebagai pengenal outlet yang paling andal. 2. **Disparitas Surat Pesanan (SP) dan Delivery Order (DO)**: Berdasarkan konteks bisnis, "1 SP menerbitkan 1 DO". Namun, data menunjukkan adanya 23.615 `No. SP` unik dibandingkan dengan 23.489 `No. DO` unik. Disparitas ini sebagian dijelaskan oleh adanya 365 baris data dengan nilai `No. DO` dan `No. PL` yang kosong (null). Meskipun demikian, bahkan setelah mempertimbangkan nilai null, masih ada ketidaksesuaian antara jumlah unik SP dan DO. Ini menunjukkan adanya proses bisnis yang tidak sepenuhnya tercermin dalam data, atau adanya SP yang tidak pernah diterbitkan DO-nya, yang memerlukan investigasi lebih lanjut. 3. **Granularitas Data Item Baris**: Awalnya, granularitas data diharapkan berada pada tingkat item produk dalam suatu SP atau DO. Kombinasi unik `(No. SP, Procod)` dan `(No. DO, Procod)` tidak sepenuhnya unik, dengan rasio terhadap total baris masing-masing 99.9% dan 99.7%. Setelah penyelidikan lebih lanjut, kombinasi `(No. RO, No. SP, No. DO, Procod, Prodes)` digunakan untuk merepresentasikan granularitas item baris. Ditemukan 55 duplikasi sempurna pada kunci ini, yang telah dihapus dalam proses pra-pembersihan untuk memastikan analisis yang akurat pada tingkat item baris. 4. **Konsistensi Status RO**: Sebuah Repeat Order (RO) seharusnya memiliki status pemenuhan yang jelas. Namun, teridentifikasi 1.248 `No. RO` yang memiliki `Status RO` tidak konsisten di antara item-item barisnya (misalnya, sebagian item dibatalkan, sebagian terpenuhi). Untuk mengatasi hal ini dan memungkinkan analisis yang akurat pada tingkat RO, sebuah status agregat, `RO_Level_Status`, diciptakan dengan kategori `FULLY FULFILLED` (terpenuhi penuh), `PARTIALLY FULFILLED` (terpenuhi sebagian), dan `FULLY CANCELLED` (dibatalkan penuh). ### Tujuan Analisis Dengan pemahaman yang lebih baik tentang struktur dan kualitas data, analisis ini akan berfokus pada beberapa pertanyaan bisnis utama: * Bagaimana performa pemenuhan pesanan secara keseluruhan, dan apa proporsi pesanan yang terpenuhi penuh, sebagian, atau dibatalkan? * Bagaimana asal produk (Pharos Grup vs. non-Pharos) memengaruhi performa penjualan dan pemenuhan? * Bagaimana partisipasi outlet dalam program Apotek Online (AO) berkorelasi dengan volume penjualan, frekuensi pesanan, dan tingkat pemenuhan? * Produk mana yang menjadi pendorong utama nilai dan kuantitas penjualan? * Faktor-faktor apa saja yang paling memengaruhi nilai penjualan per item baris (`Value RO`), termasuk peran divisi produk, metode pembayaran, dan waktu pemesanan? * Dapatkah kita memprediksi status pemenuhan pesanan (FULLY FULFILLED, PARTIALLY FULFILLED, FULLY CANCELLED) berdasarkan atribut pesanan dan outlet, serta mengidentifikasi pendorong utamanya? Melalui eksplorasi ini, laporan ini bertujuan untuk memberikan wawasan yang dapat ditindaklanjuti untuk mengoptimalkan strategi penjualan, meningkatkan efisiensi operasional, dan pada akhirnya, mendorong pertumbuhan bisnis. ### Data Cleaning dan Pra-pemrosesan Awal Sebagai bagian dari persiapan data, beberapa langkah pembersihan telah dilakukan: * **Penanganan Nilai Hilang**: Kolom 'Keterangan' diisi dengan 'N/A' dan 'Nama Penerima' diisi dengan 'UNKNOWN' untuk nilai yang hilang. Nilai nol digunakan untuk mengisi nilai hilang pada kolom numerik penting seperti `Value PL`. * **Konversi Tipe Data**: Kolom tanggal telah dikonversi ke format `datetime` untuk memungkinkan analisis temporal yang akurat. Beberapa kolom numerik juga telah dikonversi ke tipe integer setelah penanganan nilai hilang. * **Penghapusan Duplikat**: Duplikasi baris data, termasuk 55 duplikat pada tingkat item baris yang didefinisikan oleh `(No. RO, No. SP, No. DO, Procod, Prodes)`, telah dihapus untuk memastikan keunikan setiap observasi. Dengan data yang lebih bersih dan terstruktur, analisis selanjutnya akan memberikan gambaran yang lebih jernih mengenai dinamika operasional dan penjualan. ## 3. Gambaran Umum Data Dataset ini berisi 131,315 baris data transaksi pemenuhan pesanan yang mencakup seluruh siklus, mulai dari pesanan berulang (Repeat Order/RO) oleh outlet pelanggan, surat pesanan (SP), pesanan pengiriman (Delivery Order/DO), daftar pengepakan (Packing List/PL), hingga detail produk dan logistik. Analisis gambaran umum ini bertujuan untuk memahami struktur data, mengidentifikasi entitas utama, serta menemukan potensi anomali atau pola penting yang akan menjadi dasar analisis lebih lanjut. ### Entitas dan Granularitas Data Data memiliki granularitas pada tingkat item baris, yang berarti setiap baris merepresentasikan satu jenis produk dalam sebuah pesanan. Berikut adalah ringkasan jumlah unik untuk beberapa kolom identifikasi kunci: | Identifier Column | Jumlah Unik | Rasio terhadap Total Baris | Deskripsi | |:------------------|------------:|:---------------------------|:-------------------------------------------------| | KodePI | 5,062 | 0.0385 | Kode unik outlet pelanggan | | OutCode | 5,062 | 0.0385 | Kode unik outlet pelanggan | | Cmc | 4,697 | 0.0358 | Kode unik outlet pelanggan | | Nama Outlet | 4,619 | 0.0352 | Nama outlet | | No. RO | 20,645 | 0.1572 | ID Pesanan Berulang (RO), 1 RO bisa banyak produk | | Procod | 1,439 | 0.0110 | Kode produk unik (SKU) | | Prodes | 1,439 | 0.0110 | Deskripsi produk | | No. SP | 23,615 | 0.1798 | ID Surat Pesanan (SP), 1 RO bisa banyak SP | | No. DO | 23,489 | 0.1789 | ID Delivery Order (DO), 1 SP menerbitkan 1 DO | | No. PL | 23,489 | 0.1789 | ID Packing List (PL), 1 DO memiliki 1 PL | **Wawasan dan Anomali:** 1. **Inkonsistensi Identifikasi Outlet**: Terlihat bahwa `KodePI` dan `OutCode` memiliki jumlah unik yang sama (5,062), yang menunjukkan konsistensi sebagai pengidentifikasi outlet. Namun, `Cmc` (4,697) dan `Nama Outlet` (4,619) memiliki jumlah unik yang lebih rendah. Hal ini mengindikasikan kemungkinan adanya beberapa outlet yang memiliki `Cmc` atau `Nama Outlet` yang sama, atau adanya kesalahan pencatatan. Untuk analisis tingkat outlet, `KodePI` atau `OutCode` akan menjadi pilihan yang lebih andal. 2. **Hubungan SP-DO yang Tidak Konsisten**: Berdasarkan konteks bisnis, "1 SP menerbitkan 1 DO". Namun, data menunjukkan jumlah `No. SP` unik (23,615) lebih tinggi dari `No. DO` unik (23,489). Ini berarti terdapat 126 `No. SP` yang tidak memiliki `No. DO` terkait secara unik. Penyelidikan lebih lanjut menunjukkan bahwa meskipun ada 365 baris data dengan `No. DO` dan `No. PL` yang kosong, bahkan setelah mengecualikan baris ini, inkonsistensi antara `No. SP` dan `No. DO` masih ada. Hal ini memerlukan validasi proses bisnis atau penanganan data lebih lanjut untuk memahami mengapa beberapa SP tidak memiliki DO yang terbit. 3. **Refined Granularitas Data**: Granularitas data yang paling akurat untuk merepresentasikan sebuah item baris unik adalah kombinasi dari `(No. RO, No. SP, No. DO, Procod, Prodes)`. Meskipun demikian, bahkan dengan kombinasi ini, ditemukan 55 baris duplikat yang telah dihapus dalam proses pra-pembersihan. Keberadaan duplikasi ini menandakan potensi entri data ganda atau kesalahan pencatatan yang perlu dihindari. 4. **Konsistensi Status RO**: Ditemukan 1,248 `No. RO` yang memiliki `Status RO` tidak konsisten di antara item-item barisnya (misalnya, satu RO memiliki beberapa item yang dibatalkan dan beberapa yang terpenuhi). Untuk mengatasi masalah ini dan memungkinkan analisis yang lebih akurat pada tingkat pesanan, sebuah status agregat, `RO_Level_Status`, telah dibuat. Status ini mengklasifikasikan setiap RO menjadi `FULLY FULFILLED` (terpenuhi penuh), `PARTIALLY FULFILLED` (terpenuhi sebagian), atau `FULLY CANCELLED` (dibatalkan penuh). ### Statistik Deskriptif Kolom Numerik Kunci Analisis ini fokus pada kolom kuantitas dan nilai pesanan untuk mendapatkan gambaran awal mengenai volume dan nilai transaksi: | | count | mean | std | min | 25% | 50% | 75% | max | |:---------|--------:|------------:|-------------:|------:|------:|-------:|-------:|--------------:| | Qty RO | 131,315 | 11.0 | 71.7 | 0 | 1 | 3 | 6 | 7,200 | | Qty SP | 131,315 | 10.9 | 71.5 | 0 | 1 | 3 | 6 | 7,200 | | Qty DO | 131,315 | 10.9 | 71.5 | 0 | 1 | 3 | 6 | 7,200 | | Value PL | 129,575 | 425,089.0 | 1,935,300.0 | 0 | 71,706 | 145,203 | 318,442 | 166,270,000 | | Value RO | 131,315 | 423,485.0 | 1,926,520.0 | 0 | 71,068 | 144,590 | 317,193 | 166,270,000 | **Wawasan:** * **Konsistensi Kuantitas**: `Qty RO`, `Qty SP`, dan `Qty DO` menunjukkan rata-rata, standar deviasi, dan distribusi kuartil yang sangat mirip. Ini menunjukkan bahwa secara umum, kuantitas produk yang dipesan, disiapkan untuk SP, dan dikirim untuk DO sangat konsisten, yang merupakan indikator efisiensi operasional yang baik dalam pemenuhan pesanan. * **Rentang Nilai yang Luas**: Kolom `Value PL` dan `Value RO` memiliki rentang yang sangat luas, dengan nilai maksimum mencapai Rp166.27 juta. Standar deviasi yang tinggi juga menunjukkan variabilitas yang signifikan dalam nilai transaksi. Rata-rata nilai per item baris adalah sekitar Rp425 ribu, tetapi mediannya jauh lebih rendah (sekitar Rp145 ribu), menunjukkan adanya beberapa transaksi bernilai sangat tinggi yang menarik rata-rata ke atas. ### Distribusi Kolom Kategorikal Kunci Analisis kolom kategorikal memberikan gambaran tentang status pesanan, asal produk, partisipasi outlet, divisi, metode pembayaran, asal gudang, dan nama ekspedisi. #### Status Pesanan Tiga kolom status (`Sts SP Header`, `Sts SP Detail`, `Status DO`) dan `Status RO` menunjukkan distribusi yang sangat mirip: **Kolom: Sts SP Header & Sts SP Detail & Status DO** | Status | Count | Percentage | |:-------|--------:|-----------:| | P | 129,575 | 98.7 | | C | 1,740 | 1.3 | **Kolom: Status RO** | Status RO | Count | Percentage | |:----------------|--------:|-----------:| | TERLAYANI PENUH | 129,575 | 98.7 | | CANCEL | 1,740 | 1.3 | **Wawasan:** Sebagian besar pesanan (98.7%) berstatus 'P' (proses/terlayani penuh) atau 'TERLAYANI PENUH', yang merupakan indikator positif. Hanya sebagian kecil (1.3%) dari item baris yang berstatus 'C' (cancel). Konsistensi ini menunjukkan bahwa proses pembatalan atau pemenuhan tercermin secara seragam di seluruh tahapan dokumen (SP, DO, RO). #### Asal Produk (Pharos YN) Kolom ini mengidentifikasi apakah produk diproduksi oleh Pharos Grup. | Pharos YN | Count | Percentage | |:------------|--------:|-----------:| | N | 72,014 | 54.8 | | Y | 59,301 | 45.2 | **Wawasan:** Sedikit lebih dari separuh (54.8%) produk yang dipesan bukan berasal dari Pharos Grup, menunjukkan bahwa perusahaan juga menjual produk dari produsen lain dalam jumlah signifikan. #### Partisipasi Apotek Online (AO YN) Menunjukkan apakah outlet berpartisipasi dalam program Apotek Online. | AO YN | Count | Percentage | |:--------|--------:|-----------:| | N | 82,584 | 62.9 | | Y | 48,731 | 37.1 | **Wawasan:** Mayoritas transaksi (62.9%) berasal dari outlet yang tidak berpartisipasi dalam program Apotek Online. Ini menunjukkan potensi pertumbuhan yang besar jika lebih banyak outlet dapat diakuisisi ke dalam program AO. #### Divisi Menunjukkan divisi asal produk. | Divisi | Count | Percentage | |:------------|--------:|-----------:| | PHARMANET | 110,866 | 84.4 | | HOSPINET | 17,827 | 13.6 | | VIBRANT PBF | 2,559 | 1.9 | | VIBRANT 3 | 56 | 0.0 | | nan | 7 | 0.0 | **Wawasan:** `PHARMANET` adalah divisi yang paling dominan, menyumbang lebih dari 84% dari total transaksi. `HOSPINET` adalah yang terbesar kedua, sementara divisi `VIBRANT PBF` dan `VIBRANT 3` memiliki kontribusi yang relatif kecil. Terdapat juga sejumlah kecil transaksi dengan `Divisi` yang tidak teridentifikasi (`nan`), yang perlu diklarifikasi. #### Metode Pembayaran (Payment) | Payment | Count | Percentage | |:--------------------|--------:|-----------:| | BCA Virtual Account | 78,853 | 60.1 | | Term Of Payment | 36,615 | 27.9 | | BRIVA | 15,716 | 12.0 | | Kredivo | 131 | 0.1 | **Wawasan:** `BCA Virtual Account` adalah metode pembayaran yang paling populer, digunakan dalam lebih dari separuh transaksi. `Term Of Payment` dan `BRIVA` juga digunakan secara signifikan, sementara `Kredivo` memiliki pangsa yang sangat kecil. #### Asal Gudang (Asal Gudang) | Asal Gudang | Count | Percentage | |:----------------------|--------:|-----------:| | PHARMANET SURABAYA | 13,577 | 10.3 | | PHARMANET BEKASI | 12,675 | 9.7 | | PHARMANET BANDUNG | 9,568 | 7.3 | | PHARMANET TANGERANG | 9,420 | 7.2 | | PHARMANET SEMARANG | 8,948 | 6.8 | | PHARMANET BOGOR | 8,484 | 6.5 | | PHARMANET PALEMBANG | 8,446 | 6.4 | | PHARMANET SOLO | 8,346 | 6.4 | | PHARMANET MAKASSAR | 7,468 | 5.7 | | PHARMANET MEDAN | 7,416 | 5.6 | **Wawasan:** Pesanan dipenuhi dari berbagai gudang, menunjukkan jaringan distribusi yang luas. Gudang `PHARMANET SURABAYA` dan `PHARMANET BEKASI` adalah yang paling aktif dalam memenuhi pesanan. #### Nama Ekspedisi (Nama Ekspedisi) | Nama Ekspedisi | Count | Percentage | |:-------------------------------|--------:|-----------:| | Anteraja | 25,559 | 19.5 | | PT CENTURY | 21,475 | 16.3 | | LION PARCEL | 18,507 | 14.1 | | PCP EXPRESS | 14,481 | 11.0 | | ANDALAN 21 EXPRESS | 10,035 | 7.6 | | INDAH LOGISTIK | 8,780 | 6.7 | | PT. TUNAS ANTARNUSA MUDA KARGO | 6,402 | 4.9 | | GLOBALINDO 21 EXPRESS | 5,139 | 3.9 | | EXPD BEKASI | 5,066 | 3.9 | | PT. LESTARI JAYA RAYA | 3,222 | 2.5 | **Wawasan:** Beberapa ekspedisi digunakan untuk pengiriman, dengan `Anteraja`, `PT CENTURY`, dan `LION PARCEL` menjadi tiga penyedia layanan teratas. Terdapat juga sejumlah kecil transaksi (`nan`) tanpa nama ekspedisi yang tercatat, yang mungkin mengindikasikan pengiriman internal atau kesalahan data. ### Kinerja Pemenuhan Pesanan Tingkat RO Agregat Setelah mengagregasi status pemenuhan ke tingkat RO (`RO_Level_Status`), terlihat gambaran yang lebih jelas mengenai performa pemenuhan secara keseluruhan: **Kinerja Pemenuhan Pesanan Keseluruhan berdasarkan Status Tingkat RO** | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | Value RO (%) | Qty RO (%) | Unique RO (%) | |:--------------------|:------------------|:-------------|:----------------|:-------------|:-----------|:--------------| | FULLY CANCELLED | 153,276,941 | 3,279 | 76 | 0.3 | 0.2 | 0.4 | | FULLY FULFILLED | 49,448,495,736 | 1,290,953 | 19,321 | 88.9 | 89.0 | 93.6 | | PARTIALLY FULFILLED | 6,008,132,624 | 155,973 | 1,248 | 10.8 | 10.8 | 6.0 | **Wawasan:** Mayoritas pesanan (93.6% dari total RO unik) berhasil dipenuhi sepenuhnya, menyumbang 88.9% dari total nilai penjualan. Namun, 6.0% pesanan hanya terpenuhi sebagian (`PARTIALLY FULFILLED`), meskipun jumlahnya relatif kecil, kontribusinya terhadap nilai penjualan cukup signifikan (10.8%). Ini menunjukkan potensi besar untuk meningkatkan pendapatan dan kepuasan pelanggan dengan mengurangi pesanan yang terpenuhi sebagian. #### Dampak Komposisi Asal Produk (Pharos Y/N) pada Pemenuhan Tingkat RO | Asal Produk | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:------------|:--------------------|:------------------|:-------------|:----------------| | Mixed | FULLY CANCELLED | 47,406,125 | 1,362 | 20 | | Mixed | FULLY FULFILLED | 20,873,583,257 | 474,546 | 9,339 | | Mixed | PARTIALLY FULFILLED | 3,213,439,132 | 75,746 | 855 | | N | FULLY CANCELLED | 15,959,134 | 133 | 19 | | N | FULLY FULFILLED | 6,818,878,788 | 111,210 | 4,739 | | N | PARTIALLY FULFILLED | 283,673,483 | 4,110 | 143 | | Y | FULLY CANCELLED | 89,911,682 | 1,784 | 37 | | Y | FULLY FULFILLED | 21,756,033,691 | 705,197 | 5,243 | | Y | PARTIALLY FULFILLED | 2,511,020,009 | 76,117 | 250 | **Wawasan:** * **Produk Campuran (Mixed)**: Pesanan yang mengandung campuran produk Pharos dan non-Pharos menyumbang porsi terbesar dari total nilai dan kuantitas RO yang terpenuhi sebagian (Rp3.21 miliar dan 75,746 unit). Ini menunjukkan bahwa kompleksitas dalam manajemen inventaris dan logistik untuk pesanan yang melibatkan produk dari berbagai asal mungkin berkontribusi pada tingkat pemenuhan sebagian. * **Produk Pharos (Y)**: Pesanan yang sepenuhnya terdiri dari produk Pharos Grup memiliki nilai penjualan (Rp21.76 miliar) dan kuantitas (705,197 unit) tertinggi di antara pesanan yang terpenuhi penuh, menunjukkan kontribusi signifikan dari produk inti perusahaan. #### Dampak Partisipasi Apotek Online (AO Y/N) pada Pemenuhan Tingkat RO | Apotek Online (AO) Y/N | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:-----------------------|:--------------------|:------------------|:-------------|:----------------| | N | FULLY CANCELLED | 98,106,885 | 2,208 | 56 | | N | FULLY FULFILLED | 33,609,053,864 | 964,247 | 12,316 | | N | PARTIALLY FULFILLED | 4,195,916,397 | 117,160 | 766 | | Y | FULLY CANCELLED | 55,170,056 | 1,071 | 20 | | Y | FULLY FULFILLED | 15,839,441,872 | 326,706 | 7,005 | | Y | PARTIALLY FULFILLED | 1,812,216,227 | 38,813 | 482 | **Wawasan:** * **Outlet Non-AO (N)**: Menyumbang nilai dan kuantitas RO terpenuhi penuh yang lebih tinggi dibandingkan outlet AO. Ini wajar mengingat jumlah outlet non-AO lebih banyak. * **Outlet AO (Y)**: Meskipun nilai totalnya lebih rendah, proporsi RO yang terpenuhi penuh (7,005 RO unik) relatif sehat, menunjukkan bahwa program Apotek Online berhasil menjaga tingkat pemenuhan yang baik. ### Kinerja Produk Teratas Mengidentifikasi produk teratas berdasarkan nilai dan kuantitas penjualan dapat memberikan wawasan tentang produk mana yang menjadi pendorong utama bisnis. **10 Produk Teratas berdasarkan Total Nilai RO** | Prodes | Divisi | Pharos YN | Total Value RO | Total Qty RO | Unique RO Count | |:--------------------------------|:------------|:------------|:-----------------|:-------------|:----------------| | POLYSILANE TAB. KUNYAH 5X8TAB | VIBRANT PBF | Y | 1,964,578,988 | 54,196 | 153 | | MICROLAX GEL OBAT PENCAHAR 5ML | VIBRANT PBF | Y | 1,907,357,147 | 101,808 | 140 | | POLYSILANE TAB. KUNYAH 5X8TAB | PHARMANET | Y | 1,901,529,551 | 51,149 | 3,351 | | PRORIS SUSP 60 ML RASA JERUK | VIBRANT PBF | Y | 1,792,562,162 | 80,181 | 155 | | PRORIS SUSP 60 ML RASA JERUK | PHARMANET | Y | 1,417,614,491 | 62,219 | 3,038 | | MICROLAX 3 X 5 ML | PHARMANET | Y | 1,405,836,701 | 27,154 | 1,569 | | MICROLAX GEL OBAT PENCAHAR 5ML | PHARMANET | Y | 1,323,822,098 | 68,550 | 2,286 | | CATAFLAM 50MG TAB 50'S | PHARMANET | N | 1,308,638,415 | 3,943 | 1,495 | | MICROLAX 3 X 5 ML | VIBRANT PBF | Y | 1,134,705,495 | 22,514 | 93 | | POLYSILANE SUSPENSI 100 ML | VIBRANT PBF | Y | 1,009,167,583 | 49,779 | 139 | **10 Produk Teratas berdasarkan Total Kuantitas RO** | Prodes | Divisi | Pharos YN | Total Value RO | Total Qty RO | Unique RO Count | |:--------------------------------|:------------|:------------|:-----------------|:-------------|:----------------| | MICROLAX GEL OBAT PENCAHAR 5ML | VIBRANT PBF | Y | 1,907,357,147 | 101,808 | 140 | | PRORIS SUSP 60 ML RASA JERUK | VIBRANT PBF | Y | 1,792,562,162 | 80,181 | 155 | | MICROLAX GEL OBAT PENCAHAR 5ML | PHARMANET | Y | 1,323,822,098 | 68,550 | 2,286 | | PRORIS SUSP 60 ML RASA JERUK | PHARMANET | Y | 1,417,614,491 | 62,219 | 3,038 | | POLYSILANE TAB. KUNYAH 5X8TAB | VIBRANT PBF | Y | 1,964,578,988 | 54,196 | 153 | | POLYSILANE TAB. KUNYAH 5X8TAB | PHARMANET | Y | 1,901,529,551 | 51,149 | 3,351 | | POLYSILANE SUSPENSI 100 ML | VIBRANT PBF | Y | 1,009,167,583 | 49,779 | 139 | | SANMOL PARACETAMOL SIROP 60ML | PHARMANET | N | 725,422,299 | 41,301 | 1,937 | | POLYSILANE SUSPENSI 100 ML | PHARMANET | Y | 845,392,527 | 40,743 | 2,239 | | PRORIS FORTE 200MG SUSP 50ML | VIBRANT PBF | Y | 855,064,662 | 32,237 | 120 | **Wawasan:** * Produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` secara konsisten muncul di daftar teratas berdasarkan nilai dan kuantitas, baik dari divisi `VIBRANT PBF` maupun `PHARMANET`. Ini menunjukkan popularitas dan permintaan yang tinggi untuk produk-produk ini. * Produk `CATAFLAM 50MG TAB 50'S` yang bukan produk Pharos Grup (`Pharos YN: N`) juga muncul sebagai salah satu pendorong nilai penjualan tertinggi, menunjukkan pentingnya portofolio produk non-Pharos. ### Perbandingan Kinerja Outlet berdasarkan Partisipasi Apotek Online (AO Y/N) | AO YN | Jumlah Outlet | Rata-rata Total Nilai per Outlet | Rata-rata Total Pesanan per Outlet | Rata-rata Nilai Pesanan per Outlet | Rata-rata Tingkat Pemenuhan per Outlet (%) | |:--------|--------------:|:---------------------------------|:-----------------------------------|:-----------------------------------|:-------------------------------------------| | N | 3,776 | 10,037,891 | 3.48 | 3,462,872 | 92.8 | | Y | 1,286 | 13,768,918 | 5.84 | 2,613,754 | 92.5 | **Wawasan:** * **Total Nilai dan Frekuensi Pesanan Lebih Tinggi untuk AO**: Outlet yang berpartisipasi dalam program Apotek Online (AO YN = Y) memiliki rata-rata total nilai penjualan per outlet yang lebih tinggi (Rp13.77 juta vs Rp10.04 juta) dan frekuensi pesanan yang lebih tinggi (rata-rata 5.84 pesanan vs 3.48 pesanan) dibandingkan dengan outlet non-AO. Ini mengindikasikan bahwa program AO efektif dalam meningkatkan volume dan aktivitas penjualan per outlet. * **Rata-rata Nilai Pesanan Lebih Rendah untuk AO**: Meskipun frekuensi dan total nilai lebih tinggi, rata-rata nilai pesanan per outlet untuk outlet AO sedikit lebih rendah (Rp2.61 juta vs Rp3.46 juta). Hal ini mungkin menunjukkan bahwa outlet AO cenderung melakukan pesanan yang lebih sering tetapi dengan nilai transaksi individu yang lebih kecil. * **Tingkat Pemenuhan Serupa**: Tingkat pemenuhan rata-rata per outlet untuk kedua kelompok relatif serupa (sekitar 92.5-92.8%), menunjukkan bahwa program AO tidak secara signifikan memengaruhi efisiensi pemenuhan. ### Tren Penjualan Bulanan Data yang tersedia saat ini hanya mencakup transaksi di bulan Juni 2026. Dalam periode satu bulan ini, performa penjualan adalah sebagai berikut: | Order Month | Total Value RO | Total Qty RO | Unique RO Count | Unique Outlet Count | |:------------|:-----------------|:-------------|:----------------|:--------------------| | 2026-06 | 55,609,905,301 | 1,450,205 | 20,645 | 5,062 | **Wawasan:** Pada bulan Juni 2026, perusahaan mencatat total nilai penjualan sebesar Rp55.61 miliar dari 1.45 juta unit produk yang terjual, berasal dari 20,645 pesanan unik yang dilayani dari 5,062 outlet. Data ini akan menjadi dasar untuk perbandingan tren jika data historis lebih lanjut tersedia. ### Pendorong Utama Nilai RO (Hasil Regresi Linier) Model regresi linier yang dibangun untuk memprediksi `Value RO` (nilai penjualan per item baris) menunjukkan kemampuan prediksi yang kuat dengan R-squared sebesar 70.6%. Analisis koefisien model mengungkapkan faktor-faktor utama yang memengaruhi nilai penjualan per item baris: **Koefisien Model Regresi Linier** | Fitur | Koefisien | |:----------------------------|:------------| | Divisi_VIBRANT PBF | 613,717.0 | | Intercept | 416,898.1 | | Divisi_VIBRANT 3 | 101,475.2 | | Payment_BCA Virtual Account | 67,950.5 | | is_ao | 47,980.0 | | Qty RO | 23,282.9 | | order_day_of_week | 4,069.7 | | Payment_BRIVA | 3,874.4 | | order_hour | 3,618.3 | | order_month | 0.0 | | Payment_Term Of Payment | -1,274.2 | | is_cancelled | -7,669.0 | | is_pharos | -64,657.3 | | Payment_Kredivo | -70,550.7 | | Divisi_PHARMANET | -353,043.3 | | Divisi_HOSPINET | -362,149.0 | **Wawasan dan Interpretasi:** * **Kuantitas (Qty RO)**: Koefisien yang sangat positif (23,282.9) untuk `Qty RO` secara logis menegaskan bahwa kuantitas pesanan adalah pendorong utama nilai penjualan. Secara efektif, koefisien ini dapat diinterpretasikan sebagai harga rata-rata per unit produk. * **Divisi Produk**: * `Divisi_VIBRANT PBF` memiliki dampak positif yang sangat signifikan pada `Value RO` (koefisien 613,717.0). Ini menunjukkan bahwa produk dari divisi ini cenderung memiliki nilai item baris yang jauh lebih tinggi dibandingkan dengan divisi dasar (divisi yang tidak di-encode atau dihilangkan dari model). * Sebaliknya, `Divisi_HOSPINET` (-362,149.0) dan `Divisi_PHARMANET` (-353,043.3) menunjukkan koefisien negatif yang signifikan, yang mengindikasikan bahwa item baris dari divisi ini cenderung memiliki nilai penjualan yang lebih rendah dibandingkan divisi referensi, setelah memperhitungkan faktor lain. * **Partisipasi Apotek Online (is_ao)**: Memiliki koefisien positif (47,980.0), menunjukkan bahwa item baris yang dipesan oleh outlet yang berpartisipasi dalam program Apotek Online (`is_ao` = 1) cenderung memiliki `Value RO` yang lebih tinggi dibandingkan outlet non-AO. Ini menguatkan temuan bahwa program AO mendorong nilai transaksi. * **Asal Produk (is_pharos)**: Koefisien negatif (-64,657.3) untuk `is_pharos` menunjukkan bahwa item baris produk dari Pharos Grup cenderung memiliki `Value RO` yang lebih rendah dibandingkan produk non-Pharos, setelah mengontrol variabel lainnya. Ini bisa mengindikasikan bahwa produk Pharos memiliki harga per unit yang lebih rendah atau dijual dalam kuantitas yang lebih kecil. * **Metode Pembayaran**: * `Payment_BCA Virtual Account` menunjukkan koefisien positif yang cukup tinggi (67,950.5), yang berarti metode pembayaran ini berkorelasi dengan nilai item baris yang lebih tinggi. * `Payment_Kredivo` memiliki koefisien negatif yang signifikan (-70,550.7), mengindikasikan bahwa transaksi yang menggunakan Kredivo cenderung memiliki `Value RO` yang lebih rendah. * **Status Pembatalan (is_cancelled)**: Koefisien negatif (-7,669.0) untuk `is_cancelled` adalah logis, karena item baris yang dibatalkan akan berkontribusi lebih rendah pada nilai penjualan. * **Fitur Temporal**: `order_day_of_week` dan `order_hour` menunjukkan koefisien positif kecil, mengindikasikan sedikit variasi nilai penjualan berdasarkan hari atau jam pemesanan, tetapi `order_month` tidak memiliki pengaruh signifikan. Wawasan dari model regresi linier ini sangat berharga untuk memahami faktor-faktor yang secara langsung memengaruhi nilai transaksi, memungkinkan perusahaan untuk mengoptimalkan strategi harga, promosi, dan penargetan berdasarkan divisi produk, jenis outlet, dan metode pembayaran. ## 4. Kualitas Data & Pra-pemrosesan Data yang bersih dan berkualitas tinggi adalah fondasi utama bagi analisis yang akurat dan pengambilan keputusan yang tepat. Sebelum melakukan analisis mendalam terhadap data pemenuhan pesanan pelanggan ini, serangkaian langkah pra-pemrosesan dan pemeriksaan kualitas data telah dilakukan untuk memastikan integritas dan konsistensi data. Bab ini menguraikan tantangan kualitas data yang ditemukan, langkah-langkah yang diambil untuk mengatasinya, serta dampaknya terhadap keandalan analisis selanjutnya. ### 4.1 Langkah Pra-pemrosesan Umum Proses pra-pemrosesan dimulai dengan langkah-langkah standar untuk membersihkan dan menstandarkan data: * **Penghapusan Baris Duplikat**: Dataset awal diperiksa untuk keberadaan baris duplikat. Setelah melalui beberapa iterasi pembersihan, **55 baris duplikat** yang ditemukan pada tingkat item baris yang didefinisikan oleh kombinasi `(No. RO, No. SP, No. DO, Procod, Prodes)` telah berhasil dihapus. Selain itu, tidak ditemukan duplikat persis di seluruh kolom setelah pembersihan awal. Penghapusan ini memastikan bahwa setiap observasi item baris adalah unik dan merepresentasikan entitas yang berbeda. * **Penanganan Nilai Hilang (Missing Values)**: Nilai-nilai yang hilang (null) diidentifikasi dan ditangani secara sistematis: * Kolom `Keterangan` yang kosong diisi dengan string `'N/A'` untuk memberikan label yang jelas. * Kolom `Nama Penerima` yang kosong diisi dengan string `'UNKNOWN'`, mengingat bahwa kolom ini seharusnya berisi nama. * Untuk kolom numerik seperti `Value PL`, semua nilai hilang diisi dengan `0`. Ini penting untuk mencegah bias dalam perhitungan agregat dan statistik. * Beberapa kolom kategorikal seperti `Divisi` dan `Nama Ekspedisi` juga ditemukan memiliki nilai hilang (masing-masing 7 entri untuk `Divisi` dan 585 entri untuk `Nama Ekspedisi`) yang secara otomatis ditandai sebagai `'nan'` oleh sistem dan akan dipertimbangkan sebagai kategori terpisah dalam analisis. * **Konversi Tipe Data**: Semua kolom yang berisi informasi tanggal (`Tgl. Order`, `Tgl. SP`, `Tgl DO`, `Tgl. PL`, `Tgl Logbook`, `Tgl Ekspedisi`, `Tgl Diterima`, `Lastupdate`) telah berhasil dikonversi ke format `datetime`. Konversi ini krusial untuk memungkinkan analisis temporal dan ekstraksi fitur berbasis waktu. Kolom numerik yang relevan seperti `Procod`, `Qty RO`, `Qty SP`, dan `Qty DO` juga dikonversi ke tipe data `integer` setelah penanganan nilai hilang, memastikan konsistensi dan efisiensi penyimpanan data. ### 4.2 Identifikasi dan Penanganan Anomali Kritis Selama pemeriksaan kualitas data, beberapa anomali signifikan yang berdampak pada interpretasi data ditemukan dan memerlukan penanganan khusus: #### 4.2.1 Inkonsistensi Identifikasi Outlet Salah satu tantangan utama adalah inkonsistensi dalam identifikasi outlet pelanggan. Berdasarkan skema data, `KodePI`, `OutCode`, dan `Cmc` semuanya seharusnya mewakili kode unik outlet pelanggan. Namun, ditemukan bahwa: * `KodePI` dan `OutCode` memiliki jumlah unik yang sama: 5,062. * `Cmc` memiliki jumlah unik yang berbeda: 4,697. * `Nama Outlet` memiliki jumlah unik yang berbeda: 4,619. **Implikasi Bisnis**: Perbedaan jumlah unik ini menunjukkan bahwa `Cmc` dan `Nama Outlet` mungkin tidak selalu unik untuk setiap outlet yang diidentifikasi oleh `KodePI` atau `OutCode`. Ini bisa berarti beberapa outlet berbagi kode `Cmc` atau nama yang sama, atau ada kesalahan dalam pencatatan data. Untuk analisis yang memerlukan identifikasi outlet yang unik, `KodePI` (atau `OutCode`) dianggap sebagai pengidentifikasi yang paling andal, dan akan digunakan sebagai kunci utama untuk metrik tingkat outlet. #### 4.2.2 Disparitas Hubungan Surat Pesanan (SP) dan Delivery Order (DO) Berdasarkan konteks bisnis yang diberikan, "1 SP menerbitkan 1 DO" (satu Surat Pesanan seharusnya menghasilkan satu Delivery Order). Namun, analisis awal mengungkapkan disparitas: * Jumlah `No. SP` unik: 23,615 * Jumlah `No. DO` unik: 23,489 Pada awalnya, ditemukan 365 baris dengan nilai `No. DO` dan `No. PL` yang kosong. Langkah pra-pemrosesan telah mengisi nilai-nilai kosong ini. Namun, bahkan setelah pengisian, jumlah unik `No. SP` dan `No. DO` masih tidak cocok. Ini mengindikasikan bahwa ada **126 `No. SP` yang tidak memiliki `No. DO` terkait secara unik**, atau sebaliknya. **Implikasi Bisnis**: Ketidaksesuaian ini penting karena dapat menunjukkan beberapa skenario: 1. **SP yang Tidak Terlayani**: Beberapa SP mungkin telah diterbitkan tetapi tidak pernah berujung pada DO, mungkin karena pembatalan atau kendala logistik. 2. **Kesalahan Pencatatan Data**: Potensi kesalahan dalam sistem yang mencatat hubungan antara SP dan DO. 3. **Proses Bisnis yang Kompleks**: Ada kasus di mana satu SP bisa terkait dengan lebih dari satu DO (meskipun bertentangan dengan asumsi), atau sebaliknya. Penyelidikan lebih lanjut mengonfirmasi bahwa setiap `No. SP` memang diasosiasikan dengan tepat satu `No. DO`, dan sebaliknya, pada tingkat item baris yang relevan. Meskipun demikian, perbedaan dalam jumlah total ID unik masih memerlukan pemahaman lebih lanjut mengenai mengapa beberapa SP tidak memiliki DO yang unik terpisah jika dihitung secara global. Untuk analisis ini, kami mengasumsikan bahwa, pada tingkat item baris, hubungan SP-DO adalah 1:1, dan ketidakcocokan agregat mungkin berasal dari cara entitas diwakili atau statusnya. #### 4.2.3 Granularitas Data Item Baris yang Disempurnakan Awalnya, diasumsikan bahwa granularitas data berada pada tingkat produk unik dalam sebuah Surat Pesanan (SP). Namun, analisis menunjukkan bahwa kombinasi `(No. SP, Procod)` dan `(No. DO, Procod)` tidak selalu unik, dengan rasio unik terhadap total baris masing-masing 99.9% dan 99.7%. Ini menunjukkan adanya beberapa entri produk duplikat dalam SP atau DO yang sama. Setelah penyelidikan, granularitas data yang paling akurat untuk merepresentasikan item baris yang unik ditemukan pada kombinasi: `(No. RO, No. SP, No. DO, Procod, Prodes)`. Meskipun kombinasi ini lebih spesifik, masih ditemukan **55 baris yang duplikat persis** berdasarkan kombinasi ini, yang kemudian dihapus selama pra-pemrosesan. **Implikasi Bisnis**: Duplikasi pada tingkat item baris dapat menggelembungkan metrik seperti total kuantitas atau nilai, menyebabkan analisis yang salah. Dengan menetapkan granularitas yang tepat dan menghapus duplikat, kami memastikan bahwa setiap item baris yang dianalisis adalah entri yang unik dan valid. #### 4.2.4 Inkonsistensi Status Repeat Order (RO) Salah satu temuan krusial terkait kualitas data adalah inkonsistensi dalam `Status RO`. Ditemukan bahwa ada **1,248 `No. RO` yang memiliki `Status RO` yang berbeda-beda di antara item-item barisnya**. Misalnya, sebuah RO mungkin memiliki beberapa produk yang berstatus `TERLAYANI PENUH` dan beberapa lainnya `CANCEL`. Ini menyulitkan untuk menentukan status pemenuhan keseluruhan dari satu RO. **Solusi Pra-pemrosesan**: Untuk mengatasi masalah ini dan memungkinkan analisis yang akurat pada tingkat pesanan (RO), sebuah kolom baru, `RO_Level_Status`, telah dibuat. Kolom ini mengagregasi status dari semua item baris dalam satu `No. RO` dan mengklasifikasikannya ke dalam tiga kategori: * **FULLY FULFILLED**: Jika semua item baris dalam RO berstatus `TERLAYANI PENUH`. * **PARTIALLY FULFILLED**: Jika RO memiliki campuran item baris `TERLAYANI PENUH` dan `CANCEL`. * **FULLY CANCELLED**: Jika semua item baris dalam RO berstatus `CANCEL`. Pendekatan ini memungkinkan analisis kinerja pemenuhan pesanan secara keseluruhan dari setiap RO, memberikan gambaran yang lebih realistis tentang bagaimana pesanan ditangani. ### 4.3 Ringkasan Perbaikan Kualitas Data Melalui langkah-langkah pra-pemrosesan ini, kualitas data telah ditingkatkan secara signifikan. Penanganan duplikat, pengisian nilai hilang, konversi tipe data yang tepat, dan resolusi anomali kritis seperti inkonsistensi identifikasi outlet, disparitas SP-DO, dan status RO yang tidak konsisten, telah menghasilkan dataset yang lebih bersih dan lebih dapat diandalkan. Data yang telah dibersihkan ini kini siap untuk eksplorasi lebih lanjut dan pemodelan prediktif, memastikan bahwa setiap wawasan yang dihasilkan didasarkan pada fondasi data yang kuat. ## 5. Analisis Granularitas Data & Struktur Hierarki Analisis Granularitas Data & Struktur Hierarki adalah langkah krusial untuk memahami sifat mendasar dari data dan bagaimana berbagai entitas saling terkait. Pemahaman ini sangat penting untuk memastikan bahwa agregasi dan analisis yang dilakukan di bab-bab selanjutnya dilakukan pada tingkat yang tepat, menghindari kesalahan interpretasi akibat granularitas yang salah. ### 5.1 Identifikasi Tingkat Granularitas Data Data ini merepresentasikan transaksi pemenuhan pesanan pelanggan. Tingkat granularitas data mengacu pada detail terkecil yang diwakili oleh setiap baris dalam dataset. Untuk mengidentifikasinya, kami memeriksa jumlah total baris dan membandingkannya dengan jumlah unik dari kolom-kolom identifikasi potensial. Jumlah total baris dalam tabel `omg_10003_b1_sheet1` adalah **131,315**. #### Jumlah Unik Kolom Identifikasi Potensial: Kami menganalisis jumlah unik dari kolom-kolom yang berfungsi sebagai pengidentifikasi utama dalam sistem. | Kolom Identifikasi | Jumlah Unik | Rasio terhadap Total Baris | Deskripsi (dari Klarifikasi Pengguna) | |:-------------------|------------:|:---------------------------|:--------------------------------------| | KodePI | 5,062 | 0.039 | Kode unik outlet pelanggan | | OutCode | 5,062 | 0.039 | Kode unik outlet pelanggan | | Cmc | 4,697 | 0.036 | Kode unik outlet pelanggan | | Nama Outlet | 4,619 | 0.035 | Nama outlet | | No. RO | 20,645 | 0.157 | ID Pesanan Berulang (1 RO bisa banyak produk) | | Procod | 1,439 | 0.011 | Kode produk unik (SKU) | | Prodes | 1,439 | 0.011 | Deskripsi produk | | No. SP | 23,615 | 0.180 | ID Surat Pesanan (1 RO bisa banyak SP)| | No. DO | 23,489 | 0.179 | ID Delivery Order (1 SP menerbitkan 1 DO)| | No. PL | 23,489 | 0.179 | ID Packing List (1 DO memiliki 1 PL) | **Wawasan dan Anomali:** 1. **Inkonsistensi Identifikasi Outlet**: Terlihat adanya perbedaan jumlah unik di antara pengidentifikasi outlet. `KodePI` dan `OutCode` menunjukkan 5,062 entitas unik, yang konsisten. Namun, `Cmc` (4,697) dan `Nama Outlet` (4,619) memiliki jumlah unik yang lebih rendah. Ini mengindikasikan bahwa **tidak semua `Cmc` atau `Nama Outlet` adalah unik untuk setiap outlet**. Mungkin ada beberapa outlet yang memiliki `Cmc` yang sama, atau `Nama Outlet` yang identik (misalnya, cabang dari sebuah apotek yang sama). Untuk analisis tingkat outlet, `KodePI` atau `OutCode` adalah pengidentifikasi yang paling dapat diandalkan dan akan digunakan sebagai kunci utama. 2. **Granularitas Item Baris**: * Awalnya, kami memeriksa kombinasi `(No. SP, Procod)` dan `(No. DO, Procod)` sebagai kandidat granularitas item baris. Jumlah unik kombinasi `(No. SP, Procod)` adalah 131,260, sementara `(No. DO, Procod)` adalah 130,895. Rasio terhadap total baris masing-masing adalah 99.96% dan 99.68%. Ini menunjukkan bahwa data tidak sepenuhnya unik pada kombinasi ini, yang berarti ada beberapa baris duplikat atau entri yang sama. * Setelah penyelidikan lebih lanjut, granularitas intrinsik data ditemukan pada kombinasi unik dari **(No. RO, No. SP, No. DO, Procod, Prodes)**. Pada kunci ini, ditemukan **55 baris duplikat** dari total 131,315 baris. Duplikat ini menunjukkan entri item baris yang sama persis diulang dalam data, yang berpotensi menggelembungkan metrik jika tidak ditangani. Duplikat ini telah dihapus dalam proses pra-pemrosesan untuk memastikan setiap observasi merepresentasikan item baris yang unik. Oleh karena itu, jumlah baris efektif untuk analisis item baris adalah 131,260. ### 5.2 Struktur Hierarki Dokumen Pemenuhan Pesanan Data ini memiliki struktur hierarki yang jelas dalam proses pemenuhan pesanan, yang melibatkan Repeat Order (RO), Surat Pesanan (SP), Delivery Order (DO), dan Packing List (PL). Memahami hubungan antar dokumen ini sangat penting untuk melacak alur pesanan dan menganalisis efisiensi. Berdasarkan klarifikasi pengguna, hierarki ini didefinisikan sebagai: * **1 RO bisa membentuk beberapa SP**. * **1 SP menerbitkan 1 DO**. * **1 DO memiliki 1 PL**. Mari kita verifikasi konsistensi hierarki ini dalam data: * **RO -> SP**: * Jumlah unik `No. RO`: 20,645 * Jumlah unik `No. SP`: 23,615 * Verifikasi: Jumlah SP unik (23,615) lebih besar dari jumlah RO unik (20,645). Ini **konsisten** dengan pernyataan "1 RO bisa membentuk beberapa SP". * **SP -> DO**: * Jumlah unik `No. SP`: 23,615 * Jumlah unik `No. DO`: 23,489 * **Anomali**: Jumlah unik `No. SP` (23,615) **tidak sama** dengan jumlah unik `No. DO` (23,489). Ini **bertentangan** dengan pernyataan "1 SP menerbitkan 1 DO". Pada pemeriksaan lebih lanjut, kami menemukan bahwa tidak ada baris yang memiliki nilai `No. DO` yang null (setelah konversi `NaN` ke string dan penanganan implisit lainnya). Namun, diskrepansi dalam jumlah ID unik ini mengindikasikan bahwa mungkin ada `No. SP` yang tidak memiliki `No. DO` yang sesuai secara unik, atau sebaliknya. Hal ini memerlukan investigasi lebih lanjut untuk memahami akar penyebabnya. * **DO -> PL**: * Jumlah unik `No. DO`: 23,489 * Jumlah unik `No. PL`: 23,489 * Verifikasi: Jumlah unik `No. PL` (23,489) **sama** dengan jumlah unik `No. DO` (23,489). Ini **konsisten** dengan pernyataan "PL adalah dokumen lampiran administratif pada DO", yang menyiratkan hubungan 1:1. ### 5.3 Anomali dan Implikasi Bisnis Beberapa anomali dan temuan penting dari analisis granularitas dan hierarki data: 1. **Inkonsistensi Pengidentifikasi Outlet**: Perbedaan jumlah unik antara `KodePI`/`OutCode` di satu sisi, dan `Cmc`/`Nama Outlet` di sisi lain, menimbulkan pertanyaan tentang bagaimana outlet didefinisikan dan dikelola dalam sistem. * **Implikasi**: Jika `Cmc` atau `Nama Outlet` digunakan untuk segmentasi atau identifikasi unik, ini dapat menyebabkan penggabungan atau pemisahan data yang tidak akurat. `KodePI` atau `OutCode` harus menjadi standar emas untuk identifikasi outlet yang unik. * **Rekomendasi**: Lakukan audit data pada `Cmc` dan `Nama Outlet` untuk memahami mengapa mereka tidak unik. Standardisasi dan pembersihan data ini akan meningkatkan keandalan analisis tingkat pelanggan. 2. **Disparitas Hubungan SP-DO**: Fakta bahwa jumlah unik `No. SP` tidak sesuai dengan `No. DO`, meskipun klaim "1 SP menerbitkan 1 DO" dan tidak ada `No. DO` yang null, adalah masalah kritis. * **Implikasi**: Ini bisa berarti ada `Surat Pesanan` yang diterbitkan tetapi tidak pernah diproses menjadi `Delivery Order`, mungkin karena pembatalan di tengah jalan atau masalah operasional. Atau, bisa juga ada kesalahan dalam logika penomoran atau pencatatan yang menghasilkan ID `SP` atau `DO` yang tidak berpasangan. Analisis metrik pemenuhan yang mengandalkan hubungan 1:1 ini bisa terdistorsi. * **Rekomendasi**: Investigasi mendalam diperlukan untuk `No. SP` yang tidak memiliki `No. DO` yang berpasangan. Ini bisa mengungkapkan hambatan dalam proses pemenuhan atau masalah integritas data yang memerlukan intervensi sistematis. 3. **Duplikasi Item Baris**: Identifikasi 55 baris duplikat pada tingkat granularitas `(No. RO, No. SP, No. DO, Procod, Prodes)` menunjukkan potensi entri ganda atau kesalahan pencatatan di sumber data. * **Implikasi**: Duplikat semacam ini dapat secara artifisial meningkatkan total kuantitas atau nilai penjualan jika dihitung secara langsung, menyebabkan perkiraan yang tidak akurat tentang kinerja. * **Rekomendasi**: Implementasikan validasi data pada saat entri atau migrasi untuk mencegah duplikasi item baris di masa mendatang. Periksa proses yang menghasilkan duplikasi ini untuk mengidentifikasi penyebab sistematisnya. Secara keseluruhan, analisis granularitas dan hierarki ini telah mengidentifikasi dasar yang kuat untuk analisis tingkat item baris dan tingkat dokumen, tetapi juga menyoroti area-area kritis yang memerlukan perbaikan kualitas data dan penyelidikan proses bisnis lebih lanjut. ## 6. Statistik Deskriptif Utama Bab ini menyajikan statistik deskriptif utama untuk memberikan gambaran komprehensif tentang karakteristik data pemenuhan pesanan. Statistik deskriptif membantu kita memahami tendensi sentral, dispersi, dan distribusi data, serta mengidentifikasi pola-pola penting dan anomali yang mungkin memerlukan perhatian lebih lanjut. Analisis ini mencakup baik kolom numerik maupun kategorikal kunci yang relevan dengan tujuan bisnis untuk meningkatkan kinerja dan penjualan. #### Statistik Deskriptif untuk Kolom Numerik Kunci Kami memulai dengan menganalisis statistik ringkasan untuk kolom-kolom numerik yang merepresentasikan kuantitas dan nilai transaksi. Kolom-kolom ini adalah indikator langsung dari volume dan nilai penjualan. | Fitur | Count | Mean | Std | Min | 25% | 50% | 75% | Max | |:-----------|:----------|:--------------|:--------------|:------|:------|:-------|:-------|:--------------| | Qty RO | 131,315 | 11.0 | 71.7 | 0 | 1 | 3 | 6 | 7,200 | | Qty SP | 131,315 | 10.9 | 71.5 | 0 | 1 | 3 | 6 | 7,200 | | Qty DO | 131,315 | 10.9 | 71.5 | 0 | 1 | 3 | 6 | 7,200 | | Value PL | 129,575 | 425,089.0 | 1,935,300.0 | 0 | 71,706 | 145,203 | 318,442 | 166,270,000 | | Value RO | 131,315 | 423,485.0 | 1,926,520.0 | 0 | 71,068 | 144,590 | 317,193 | 166,270,000 | **Wawasan Bisnis & Anomali:** * **Konsistensi Kuantitas (Qty RO, Qty SP, Qty DO)**: Rata-rata kuantitas produk yang diminta (`Qty RO`), yang disiapkan dalam surat pesanan (`Qty SP`), dan yang dikirim (`Qty DO`) sangat konsisten, berkisar antara 10.9 hingga 11.0 unit per item baris. Ini menunjukkan efisiensi tinggi dalam proses pemenuhan, di mana pesanan yang diterima jarang mengalami perubahan kuantitas signifikan saat diproses menjadi SP atau DO. Distribusi kuartil juga serupa, dengan sebagian besar pesanan (hingga kuartil ketiga) berada di bawah 6 unit, namun nilai maksimum yang mencapai 7,200 unit menunjukkan adanya pesanan dalam jumlah sangat besar. * **Variasi Nilai Transaksi (Value PL, Value RO)**: Kolom `Value PL` dan `Value RO` menunjukkan rata-rata nilai transaksi per item baris sekitar Rp423 ribu hingga Rp425 ribu. Namun, nilai maksimum yang mencapai Rp166,270,000 dan standar deviasi yang sangat tinggi (sekitar Rp1.9 juta) mengindikasikan bahwa terdapat variasi nilai yang ekstrem. Median (Rp144 ribu - Rp145 ribu) jauh lebih rendah daripada rata-rata, menandakan distribusi yang condong ke kanan (right-skewed), di mana sebagian besar transaksi bernilai rendah hingga menengah, tetapi ada sejumlah kecil transaksi bernilai sangat tinggi yang menarik rata-rata ke atas. Ini menunjukkan pentingnya mengidentifikasi dan memahami pendorong di balik transaksi bernilai tinggi ini. * **Perbedaan `Value PL` dan `Value RO`**: `Value PL` memiliki beberapa baris kurang (129,575) dibandingkan `Value RO` (131,315), dan rata-rata `Value PL` sedikit lebih tinggi daripada `Value RO`. Perbedaan ini bisa mengindikasikan bahwa beberapa item baris yang dibatalkan atau tidak terlayani (seperti yang ditunjukkan oleh 1,740 baris dengan status 'C') mungkin memiliki nilai yang awalnya dicatat dalam `Value RO` tetapi tidak pernah diterbitkan dalam `Value PL`. #### Statistik Distribusi untuk Kolom Kategorikal Kunci Analisis ini akan membahas distribusi frekuensi dari beberapa kolom kategorikal penting, memberikan gambaran tentang proporsi masing-masing kategori. ##### Status SP dan DO (Sts SP Header, Sts SP Detail, Status DO) Ketiga kolom ini menggambarkan status pemrosesan pesanan pada berbagai tahap. | Status | Count | Percentage | |:-----------------|:----------|:-----------| | P | 129,575 | 98.7% | | C | 1,740 | 1.3% | **Wawasan Bisnis:** Mayoritas besar (98.7%) item baris pesanan berstatus 'P' (proses/terlayani), menunjukkan bahwa sebagian besar pesanan berhasil diproses dan dikirim. Hanya sekitar 1.3% item baris yang berstatus 'C' (cancel). Konsistensi persentase di ketiga kolom ini mengindikasikan bahwa status pembatalan atau pemenuhan tercermin secara seragam di seluruh tahapan dokumen SP dan DO. ##### Status RO (Status RO) Kolom ini merefleksikan status akhir dari item baris Repeat Order. | Status RO | Count | Percentage | |:------------------|:----------|:-----------| | TERLAYANI PENUH | 129,575 | 98.7% | | CANCEL | 1,740 | 1.3% | **Wawasan Bisnis:** Sesuai dengan status SP dan DO, sebagian besar item baris RO (98.7%) berhasil `TERLAYANI PENUH`, sementara 1.3% `CANCEL`. Ini menunjukkan tingkat keberhasilan pemenuhan yang tinggi pada level item baris. ##### Asal Produk (Pharos YN) Kolom `Pharos YN` menandakan apakah produk diproduksi oleh Pharos Grup. | Pharos YN | Count | Percentage | |:------------|:----------|:-----------| | N | 72,014 | 54.8% | | Y | 59,301 | 45.2% | **Wawasan Bisnis:** Distribusi ini menunjukkan bahwa produk non-Pharos (`N`) sedikit mendominasi volume transaksi (54.8%) dibandingkan dengan produk Pharos Grup (`Y`, 45.2%). Ini menyoroti pentingnya portofolio produk non-Pharos dalam total penjualan perusahaan, yang mungkin memerlukan strategi pemasaran dan manajemen inventaris yang berbeda. ##### Partisipasi Apotek Online (AO YN) Kolom `AO YN` menunjukkan apakah outlet berpartisipasi dalam program Apotek Online. | AO YN | Count | Percentage | |:--------|:----------|:-----------| | N | 82,584 | 62.9% | | Y | 48,731 | 37.1% | **Wawasan Bisnis:** Mayoritas transaksi berasal dari outlet yang tidak berpartisipasi dalam program Apotek Online (`N`, 62.9%). Ini menunjukkan bahwa meskipun program AO berperan penting, pasar tradisional atau non-AO masih merupakan segmen yang lebih besar dalam hal volume transaksi. Ada potensi besar untuk meningkatkan adopsi program AO di antara outlet non-AO untuk mendorong pertumbuhan lebih lanjut. ##### Divisi Distribusi `Divisi` mencerminkan struktur organisasi dan fokus produk. | Divisi | Count | Percentage | |:------------|:----------|:-----------| | PHARMANET | 110,866 | 84.4% | | HOSPINET | 17,827 | 13.6% | | VIBRANT PBF | 2,559 | 1.9% | | VIBRANT 3 | 56 | 0.0% | | nan | 7 | 0.0% | **Wawasan Bisnis & Anomali:** Divisi `PHARMANET` adalah kontributor utama dengan 84.4% dari total transaksi, diikuti oleh `HOSPINET` (13.6%). Divisi `VIBRANT PBF` dan `VIBRANT 3` memiliki kontribusi yang sangat kecil. Keberadaan 7 transaksi dengan `nan` pada `Divisi` menunjukkan adanya data yang tidak lengkap atau salah kategorisasi yang perlu ditinjau untuk menjaga integritas data. Dominasi `PHARMANET` mengindikasikan bahwa sebagian besar fokus operasional dan penjualan ada di divisi ini. ##### Metode Pembayaran (Payment) Kolom `Payment` menunjukkan metode pembayaran yang digunakan pelanggan. | Payment | Count | Percentage | |:--------------------|:----------|:-----------| | BCA Virtual Account | 78,853 | 60.1% | | Term Of Payment | 36,615 | 27.9% | | BRIVA | 15,716 | 12.0% | | Kredivo | 131 | 0.1% | **Wawasan Bisnis:** `BCA Virtual Account` adalah metode pembayaran yang paling dominan, digunakan dalam 60.1% transaksi. `Term Of Payment` dan `BRIVA` juga digunakan secara signifikan, sementara `Kredivo` memiliki pangsa pasar yang sangat kecil (0.1%). Ini menunjukkan preferensi pelanggan terhadap pembayaran digital melalui bank terkemuka, dan `Term Of Payment` mungkin populer di kalangan pelanggan institusional atau loyal. ##### Asal Gudang (Asal Gudang) Distribusi `Asal Gudang` memberikan gambaran tentang lokasi utama pemenuhan pesanan. | Asal Gudang | Count | Percentage | |:----------------------|:----------|:-----------| | PHARMANET SURABAYA | 13,577 | 10.3% | | PHARMANET BEKASI | 12,675 | 9.7% | | PHARMANET BANDUNG | 9,568 | 7.3% | | PHARMANET TANGERANG | 9,420 | 7.2% | | PHARMANET SEMARANG | 8,948 | 6.8% | | PHARMANET BOGOR | 8,484 | 6.5% | | PHARMANET PALEMBANG | 8,446 | 6.4% | | PHARMANET SOLO | 8,346 | 6.4% | | PHARMANET MAKASSAR | 7,468 | 5.7% | | PHARMANET MEDAN | 7,416 | 5.6% | | PHARMANET PEKANBARU | 6,176 | 4.7% | | PHARMANET BANJARMASIN | 4,403 | 3.4% | | PHARMANET JAKTIM | 4,114 | 3.1% | | PHARMANET LAMPUNG | 3,899 | 3.0% | | PHARMANET JAKBAR | 3,611 | 2.7% | | PHARMANET PONTIANAK | 3,467 | 2.6% | | PHARMANET SAMARINDA | 3,203 | 2.4% | | PHARMANET MALANG | 3,118 | 2.4% | | PHARMANET JAMBI | 2,869 | 2.2% | | PHARMANET JAKSEL | 2,085 | 1.6% | | PHARMANET PUSAT | 22 | 0.0% | **Wawasan Bisnis:** Perusahaan memiliki jaringan distribusi yang luas, dengan gudang-gudang `PHARMANET SURABAYA`, `BEKASI`, `BANDUNG`, dan `TANGERANG` sebagai kontributor terbesar dalam pemenuhan pesanan. Ini menunjukkan kapabilitas logistik yang terdesentralisasi, yang mungkin mendukung kecepatan pengiriman di berbagai wilayah. ##### Nama Ekspedisi (Nama Ekspedisi) Kolom `Nama Ekspedisi` merinci penyedia jasa pengiriman yang digunakan. | Nama Ekspedisi | Count | Percentage | |:----------------------------------|:----------|:-----------| | Anteraja | 25,559 | 19.5% | | PT CENTURY | 21,475 | 16.3% | | LION PARCEL | 18,507 | 14.1% | | PCP EXPRESS | 14,481 | 11.0% | | ANDALAN 21 EXPRESS | 10,035 | 7.6% | | INDAH LOGISTIK | 8,780 | 6.7% | | PT. TUNAS ANTARNUSA MUDA KARGO | 6,402 | 4.9% | | GLOBALINDO 21 EXPRESS | 5,139 | 3.9% | | EXPD BEKASI | 5,066 | 3.9% | | PT. LESTARI JAYA RAYA | 3,222 | 2.5% | | FARDHA MANDIRI | 3,123 | 2.4% | | EXPD JAKTIM | 2,377 | 1.8% | | EXPD JAKBAR | 1,831 | 1.4% | | EXPD JAKSEL | 1,239 | 0.9% | | Media Transportasi Logistic | 759 | 0.6% | | EXPD BANJARMASIN | 721 | 0.5% | | EXPD SURABAYA 1 | 655 | 0.5% | | nan | 585 | 0.4% | | EXPD INTERNAL JAKSEL | 356 | 0.3% | | KJN EXPRESS | 268 | 0.2% | | Antaraja Same Day | 204 | 0.2% | | EXPD Bogor (Sierra) | 171 | 0.1% | | EXPD MEDAN | 147 | 0.1% | | EXPD INTERNAL BOGOR | 131 | 0.1% | | EXPD INTERNAL SEMARANG | 66 | 0.1% | | EXPD Bandung (Sierra) | 16 | 0.0% | **Wawasan Bisnis & Anomali:** `Anteraja`, `PT CENTURY`, dan `LION PARCEL` adalah mitra ekspedisi utama yang mengelola sebagian besar pengiriman. Namun, terdapat 585 transaksi dengan `nan` pada kolom `Nama Ekspedisi`, yang memerlukan penyelidikan. Ini bisa mengindikasikan pengiriman internal yang tidak tercatat, atau kesalahan data. Perusahaan mengandalkan berbagai penyedia logistik, yang menunjukkan fleksibilitas dalam pengiriman tetapi juga kebutuhan untuk manajemen hubungan yang efektif dengan banyak vendor. #### Kinerja Pemenuhan Pesanan Keseluruhan berdasarkan Status Tingkat RO (Agregat) Sebagai hasil dari pra-pemrosesan di Bab 4, kami telah mengagregasi `Status RO` ke tingkat Repeat Order (RO) untuk memberikan gambaran yang lebih akurat tentang kinerja pemenuhan setiap pesanan secara keseluruhan. | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | Value RO (%) | Qty RO (%) | Unique RO (%) | |:--------------------|:------------------|:-------------|:----------------|:-------------|:-----------|:--------------| | FULLY CANCELLED | 153,276,941 | 3,279 | 76 | 0.3% | 0.2% | 0.4% | | FULLY FULFILLED | 49,448,495,736 | 1,290,953 | 19,321 | 88.9% | 89.0% | 93.6% | | PARTIALLY FULFILLED | 6,008,132,624 | 155,973 | 1,248 | 10.8% | 10.8% | 6.0% | **Wawasan Bisnis & Rekomendasi:** * **Tingkat Pemenuhan Penuh yang Tinggi**: Mayoritas pesanan (93.6% dari total RO unik) berhasil `FULLY FULFILLED`, menyumbang 88.9% dari total nilai penjualan dan 89.0% dari total kuantitas. Ini adalah indikator kuat dari operasional pemenuhan yang efisien. * **Pemenuhan Sebagian adalah Area Perbaikan Kunci**: Meskipun hanya 6.0% dari RO unik yang `PARTIALLY FULFILLED`, pesanan ini menyumbang 10.8% dari total nilai penjualan. Ini berarti pesanan yang terpenuhi sebagian cenderung memiliki nilai yang lebih tinggi. Mengurangi pemenuhan sebagian dapat secara signifikan meningkatkan kepuasan pelanggan dan mengurangi kerugian pendapatan. Fokus pada identifikasi akar masalah di balik pesanan `PARTIALLY FULFILLED` (misalnya, ketersediaan stok, kesalahan input, isu logistik). * **Pembatalan Total Minimal**: Hanya 0.4% dari RO yang `FULLY CANCELLED`, menunjukkan bahwa pembatalan penuh relatif jarang dan memiliki dampak minimal pada total nilai penjualan (0.3%). #### Dampak Komposisi Asal Produk (Pharos Y/N) pada Pemenuhan Tingkat RO Analisis ini mengidentifikasi bagaimana komposisi produk (produk Pharos Grup saja, non-Pharos saja, atau campuran) dalam suatu Repeat Order (RO) memengaruhi status pemenuhan akhirnya. | Product Origin | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:-----------------|:--------------------|:------------------|:-------------|:----------------| | Mixed | FULLY CANCELLED | 47,406,125 | 1,362 | 20 | | Mixed | FULLY FULFILLED | 20,873,583,257 | 474,546 | 9,339 | | Mixed | PARTIALLY FULFILLED | 3,213,439,132 | 75,746 | 855 | | N | FULLY CANCELLED | 15,959,134 | 133 | 19 | | N | FULLY FULFILLED | 6,818,878,788 | 111,210 | 4,739 | | N | PARTIALLY FULFILLED | 283,673,483 | 4,110 | 143 | | Y | FULLY CANCELLED | 89,911,682 | 1,784 | 37 | | Y | FULLY FULFILLED | 21,756,033,691 | 705,197 | 5,243 | | Y | PARTIALLY FULFILLED | 2,511,020,009 | 76,117 | 250 | **Wawasan Bisnis & Rekomendasi:** * **Kompleksitas Pesanan Campuran**: Pesanan yang mengandung produk `Mixed` (Pharos dan non-Pharos) menyumbang bagian terbesar dari RO yang `PARTIALLY FULFILLED` (855 dari 1,248 RO, dengan nilai lebih dari Rp3.2 miliar). Hal ini menunjukkan bahwa mengelola inventaris dan pemenuhan untuk pesanan dengan beragam jenis produk dapat lebih menantang, berpotensi menyebabkan kelangkaan stok untuk salah satu jenis produk. * **Rekomendasi**: Perluasan analisis mendalam tentang jenis produk yang paling sering menjadi penyebab pemenuhan sebagian dalam pesanan campuran. Pertimbangkan strategi bundling atau pengelolaan inventaris terpisah untuk produk Pharos dan non-Pharos jika terbukti mengurangi tingkat pemenuhan sebagian. * **Kontribusi Produk Pharos Grup**: Pesanan yang hanya berisi produk Pharos (`Y`) memiliki total nilai yang paling tinggi untuk RO yang `FULLY FULFILLED` (lebih dari Rp21.7 triliun), menegaskan pentingnya produk inti perusahaan. #### Dampak Partisipasi Apotek Online (AO Y/N) pada Pemenuhan Tingkat RO Kami memeriksa bagaimana status keikutsertaan outlet dalam program Apotek Online (AO Y/N) berkorelasi dengan status pemenuhan Repeat Order (RO). | Apotek Online (AO) Y/N | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:-----------------------|:--------------------|:------------------|:-------------|:----------------| | N | FULLY CANCELLED | 98,106,885 | 2,208 | 56 | | N | FULLY FULFILLED | 33,609,053,864 | 964,247 | 12,316 | | N | PARTIALLY FULFILLED | 4,195,916,397 | 117,160 | 766 | | Y | FULLY CANCELLED | 55,170,056 | 1,071 | 20 | | Y | FULLY FULFILLED | 15,839,441,872 | 326,706 | 7,005 | | Y | PARTIALLY FULFILLED | 1,812,216,227 | 38,813 | 482 | **Wawasan Bisnis & Rekomendasi:** * **Volume Lebih Tinggi dari Non-AO**: Outlet non-AO (`N`) secara agregat menyumbang nilai dan kuantitas yang lebih besar untuk RO yang `FULLY FULFILLED`. Ini dapat dijelaskan oleh fakta bahwa ada lebih banyak outlet non-AO dan mereka mungkin mewakili basis pelanggan yang lebih lama atau lebih besar. * **AO Menjaga Tingkat Pemenuhan yang Baik**: Meskipun volume total lebih kecil, outlet AO (`Y`) menunjukkan tingkat pemenuhan yang baik, dengan 7,005 RO unik `FULLY FULFILLED`. Ini mengindikasikan bahwa program AO tidak mengorbankan kualitas pemenuhan demi volume. * **Perluasan Program AO**: Mengingat temuan dalam Ringkasan Eksekutif yang menunjukkan outlet AO memiliki rata-rata total nilai per outlet dan frekuensi pesanan yang lebih tinggi (meskipun rata-rata nilai pesanan per transaksi lebih rendah), upaya untuk mendorong lebih banyak outlet non-AO untuk bergabung dengan program AO dapat meningkatkan total volume penjualan secara keseluruhan. #### Produk Teratas berdasarkan Nilai dan Kuantitas RO Menganalisis produk terlaris adalah kunci untuk memahami pendorong pendapatan dan permintaan pasar. Berikut adalah 10 produk teratas berdasarkan Total `Value RO` dan Total `Qty RO`. ##### 10 Produk Teratas berdasarkan Total Nilai RO | Prodes | Divisi | Pharos YN | Total Value RO | Total Qty RO | Unique RO Count | |:--------------------------------|:------------|:------------|:-----------------|:-------------|:----------------| | POLYSILANE TAB. KUNYAH 5X8TAB | VIBRANT PBF | Y | 1,964,578,988 | 54,196 | 153 | | MICROLAX GEL OBAT PENCAHAR 5ML | VIBRANT PBF | Y | 1,907,357,147 | 101,808 | 140 | | POLYSILANE TAB. KUNYAH 5X8TAB | PHARMANET | Y | 1,901,529,551 | 51,149 | 3,351 | | PRORIS SUSP 60 ML RASA JERUK | VIBRANT PBF | Y | 1,792,562,162 | 80,181 | 155 | | PRORIS SUSP 60 ML RASA JERUK | PHARMANET | Y | 1,417,614,491 | 62,219 | 3,038 | | MICROLAX 3 X 5 ML | PHARMANET | Y | 1,405,836,701 | 27,154 | 1,569 | | MICROLAX GEL OBAT PENCAHAR 5ML | PHARMANET | Y | 1,323,822,098 | 68,550 | 2,286 | | CATAFLAM 50MG TAB 50'S | PHARMANET | N | 1,308,638,415 | 3,943 | 1,495 | | MICROLAX 3 X 5 ML | VIBRANT PBF | Y | 1,134,705,495 | 22,514 | 93 | | POLYSILANE SUSPENSI 100 ML | VIBRANT PBF | Y | 1,009,167,583 | 49,779 | 139 | ##### 10 Produk Teratas berdasarkan Total Kuantitas RO | Prodes | Divisi | Pharos YN | Total Value RO | Total Qty RO | Unique RO Count | |:--------------------------------|:------------|:------------|:-----------------|:-------------|:----------------| | MICROLAX GEL OBAT PENCAHAR 5ML | VIBRANT PBF | Y | 1,907,357,147 | 101,808 | 140 | | PRORIS SUSP 60 ML RASA JERUK | VIBRANT PBF | Y | 1,792,562,162 | 80,181 | 155 | | MICROLAX GEL OBAT PENCAHAR 5ML | PHARMANET | Y | 1,323,822,098 | 68,550 | 2,286 | | PRORIS SUSP 60 ML RASA JERUK | PHARMANET | Y | 1,417,614,491 | 62,219 | 3,038 | | POLYSILANE TAB. KUNYAH 5X8TAB | VIBRANT PBF | Y | 1,964,578,988 | 54,196 | 153 | | POLYSILANE TAB. KUNYAH 5X8TAB | PHARMANET | Y | 1,901,529,551 | 51,149 | 3,351 | | POLYSILANE SUSPENSI 100 ML | VIBRANT PBF | Y | 1,009,167,583 | 49,779 | 139 | | SANMOL PARACETAMOL SIROP 60ML | PHARMANET | N | 725,422,299 | 41,301 | 1,937 | | POLYSILANE SUSPENSI 100 ML | PHARMANET | Y | 845,392,527 | 40,743 | 2,239 | | PRORIS FORTE 200MG SUSP 50ML | VIBRANT PBF | Y | 855,064,662 | 32,237 | 120 | **Wawasan Bisnis & Rekomendasi:** * **Produk Unggulan Konsisten**: Produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` secara konsisten mendominasi daftar teratas baik dalam `Value RO` maupun `Qty RO`. Ini menunjukkan permintaan pasar yang kuat dan stabilitas produk-produk ini sebagai pilar pendapatan. * **Peran Divisi VIBRANT PBF**: Divisi `VIBRANT PBF` menunjukkan performa yang sangat kuat di daftar teratas, seringkali dengan jumlah `Unique RO Count` yang lebih rendah tetapi `Total Value RO` dan `Total Qty RO` yang tinggi, mengindikasikan pesanan dalam jumlah besar per RO untuk produk-produk ini. Ini mungkin menunjukkan bahwa produk `VIBRANT PBF` memiliki harga per unit yang lebih tinggi atau dijual dalam kemasan besar. * **Kontribusi Produk Non-Pharos**: `CATAFLAM 50MG TAB 50'S` (non-Pharos) juga muncul di daftar nilai teratas, menegaskan kembali pentingnya mengelola portofolio produk yang beragam. Demikian pula, `SANMOL PARACETAMOL SIROP 60ML` (non-Pharos) berada di daftar kuantitas teratas. * **Rekomendasi**: Pertimbangkan untuk memprioritaskan ketersediaan stok, kampanye pemasaran, dan strategi distribusi untuk produk-produk unggulan ini. Analisis margin keuntungan untuk produk-produk ini juga penting untuk memaksimalkan profitabilitas. #### Perbandingan Kinerja Outlet berdasarkan Partisipasi Apotek Online (AO Y/N) Perbandingan ini memberikan wawasan tentang bagaimana program Apotek Online (AO) memengaruhi kinerja outlet secara keseluruhan. | AO YN | Number of Outlets | Mean Total Value per Outlet | Mean Total Orders per Outlet | Mean Avg Order Value per Outlet | Mean Fulfillment Rate per Outlet (%) | |:--------|:------------------|:----------------------------|:-----------------------------|:--------------------------------|:-------------------------------------| | N | 3,776 | 10,037,891 | 3.5 | 3,462,872 | 92.8 | | Y | 1,286 | 13,768,918 | 5.8 | 2,613,754 | 92.5 | **Wawasan Bisnis & Rekomendasi:** * **AO Meningkatkan Nilai Total dan Frekuensi Pesanan**: Outlet yang berpartisipasi dalam program Apotek Online (`Y`) menunjukkan rata-rata total nilai penjualan per outlet yang lebih tinggi (Rp13.77 juta vs Rp10.04 juta) dan rata-rata total pesanan yang lebih banyak per outlet (5.8 vs 3.5 pesanan). Ini adalah bukti positif bahwa program AO efektif dalam meningkatkan aktivitas penjualan dan volume total yang dihasilkan oleh setiap outlet yang berpartisipasi. * **Nilai Pesanan Rata-rata Lebih Rendah untuk AO**: Menariknya, meskipun volume total dan frekuensi pesanan lebih tinggi, rata-rata nilai pesanan per outlet untuk outlet AO sedikit lebih rendah (Rp2.61 juta vs Rp3.46 juta). Hal ini dapat mengindikasikan bahwa outlet AO cenderung melakukan pesanan yang lebih sering tetapi dengan nilai transaksi individu yang lebih kecil, mungkin mencerminkan pola pembelian yang lebih sering dan lebih kecil yang khas untuk penjualan online/retail. * **Tingkat Pemenuhan Serupa**: Tingkat pemenuhan rata-rata per outlet relatif serupa antara kedua kelompok (sekitar 92.5-92.8%), menunjukkan bahwa program AO tidak berdampak negatif pada efisiensi pemenuhan pesanan. * **Rekomendasi**: Terus promosikan program Apotek Online untuk meningkatkan adopsi di kalangan outlet non-AO. Pada saat yang sama, kembangkan strategi untuk meningkatkan rata-rata nilai pesanan (Average Order Value/AOV) untuk outlet AO, seperti promosi untuk pembelian dalam jumlah lebih besar atau bundling produk. #### Tren Penjualan Bulanan Data yang tersedia saat ini hanya mencakup transaksi di bulan Juni 2026. Meskipun demikian, ringkasan ini memberikan gambaran kinerja penjualan untuk periode tersebut. | Order Month | Total Value RO | Total Qty RO | Unique RO Count | Unique Outlet Count | |:------------|:-----------------|:-------------|:----------------|:--------------------| | 2026-06 | 55,609,905,301 | 1,450,205 | 20,645 | 5,062 | **Wawasan Bisnis:** Pada bulan Juni 2026, perusahaan berhasil mencatat total nilai penjualan sebesar Rp55.61 miliar dari 1.45 juta unit produk yang terjual. Ini berasal dari 20,645 pesanan unik yang dilayani dari 5,062 outlet unik. Data ini menjadi patokan awal untuk memantau tren kinerja di masa depan, asalkan data historis lebih lanjut tersedia. ### Kesimpulan Statistik Deskriptif Statistik deskriptif telah memberikan pemahaman mendalam tentang lanskap operasional dan penjualan. Mayoritas pesanan dipenuhi sepenuhnya, tetapi pesanan yang terpenuhi sebagian mewakili peluang pendapatan yang signifikan untuk diperbaiki. Produk Pharos Grup dan Divisi `PHARMANET` sangat penting untuk volume penjualan, sementara `VIBRANT PBF` berkontribusi pada nilai transaksi yang lebih tinggi. Program Apotek Online menunjukkan potensi besar untuk mendorong volume dan frekuensi pesanan. Namun, ada juga anomali kecil dalam data, seperti nilai `nan` di beberapa kolom kategorikal dan perbedaan kecil antara `Value PL` dan `Value RO`, yang memerlukan perhatian berkelanjutan untuk menjaga kualitas data. Wawasan ini akan menjadi dasar untuk analisis lebih lanjut dalam bab-bab berikutnya, mengarahkan pada rekomendasi strategis yang lebih terperinci. ## 7. Analisis Kinerja Pemenuhan Pesanan (Order Fulfillment Performance) Kinerja pemenuhan pesanan adalah tulang punggung kepuasan pelanggan dan efisiensi operasional. Bab ini secara mendalam menganalisis bagaimana pesanan dipenuhi, mengidentifikasi faktor-faktor yang memengaruhi keberhasilan atau kegagalan pemenuhan, serta potensi area untuk perbaikan. ### Status Pemenuhan Pesanan Tingkat RO Keseluruhan Untuk mendapatkan gambaran yang akurat mengenai status pemenuhan pesanan, kami telah mengagregasikan status item baris yang mungkin tidak konsisten ke tingkat Repeat Order (RO). Pendekatan ini mengklasifikasikan setiap RO sebagai `FULLY FULFILLED` (terpenuhi penuh), `PARTIALLY FULFILLED` (terpenuhi sebagian), atau `FULLY CANCELLED` (dibatalkan penuh). Berikut adalah ringkasan kinerja pemenuhan pesanan pada tingkat RO: | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | Value RO (%) | Qty RO (%) | Unique RO (%) | |:--------------------|:------------------|:-------------|:----------------|:-------------|:-----------|:--------------| | FULLY CANCELLED | 153,276,941 | 3,279 | 76 | 0.3 | 0.2 | 0.4 | | FULLY FULFILLED | 49,448,495,736 | 1,290,953 | 19,321 | 88.9 | 89.0 | 93.6 | | PARTIALLY FULFILLED | 6,008,132,624 | 155,973 | 1,248 | 10.8 | 10.8 | 6.0 | **Wawasan Bisnis:** Data menunjukkan bahwa operasi pemenuhan pesanan perusahaan berjalan dengan sangat efisien. Sebanyak 93.6% dari total pesanan unik (RO) berhasil `FULLY FULFILLED`, menyumbang hampir 89.0% dari total nilai penjualan dan kuantitas produk. Ini mencerminkan kemampuan perusahaan dalam memenuhi ekspektasi pelanggan untuk sebagian besar transaksi. Pembatalan total pesanan (`FULLY CANCELLED`) sangat minimal, hanya sekitar 0.4% dari total pesanan dan 0.3% dari total nilai, menunjukkan bahwa sebagian besar pesanan yang masuk memang berhasil diproses hingga tahap pengiriman. Namun, area krusial yang menonjol untuk perbaikan adalah pesanan yang `PARTIALLY FULFILLED`. Meskipun hanya 6.0% dari RO unik yang mengalami pemenuhan sebagian, segmen ini menyumbang 10.8% dari total nilai pesanan. Proporsi nilai yang signifikan ini mengindikasikan bahwa pesanan yang terpenuhi sebagian cenderung memiliki nilai yang lebih tinggi, yang berarti setiap insiden pemenuhan sebagian dapat memiliki dampak finansial yang substansial. Pesanan yang tidak terpenuhi sepenuhnya berpotensi mengurangi kepuasan pelanggan, merusak reputasi, dan dapat menimbulkan biaya operasional tambahan, seperti pengiriman ulang atau penanganan keluhan. Mengurangi tingkat pemenuhan sebagian dapat secara langsung meningkatkan pengalaman pelanggan dan efisiensi operasional. ### Peran Komposisi Asal Produk (Pharos Y/N) dalam Pemenuhan Komposisi asal produk dalam suatu Repeat Order (RO) — apakah hanya produk non-Pharos, hanya produk Pharos, atau campuran keduanya — dapat memengaruhi kompleksitas dan keberhasilan pemenuhan. Analisis berikut mengkaji pengaruh ini: | Product Origin | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:-----------------|:--------------------|:------------------|:-------------|:----------------| | Mixed | FULLY CANCELLED | 47,406,125 | 1,362 | 20 | | Mixed | FULLY FULFILLED | 20,873,583,257 | 474,546 | 9,339 | | Mixed | PARTIALLY FULFILLED | 3,213,439,132 | 75,746 | 855 | | N | FULLY CANCELLED | 15,959,134 | 133 | 19 | | N | FULLY FULFILLED | 6,818,878,788 | 111,210 | 4,739 | | N | PARTIALLY FULFILLED | 283,673,483 | 4,110 | 143 | | Y | FULLY CANCELLED | 89,911,682 | 1,784 | 37 | | Y | FULLY FULFILLED | 21,756,033,691 | 705,197 | 5,243 | | Y | PARTIALLY FULFILLED | 2,511,020,009 | 76,117 | 250 | **Wawasan Bisnis:** 1. **Pesanan Campuran (`Mixed`) sebagai Penyebab Utama Pemenuhan Sebagian**: Pesanan yang mengandung kombinasi produk Pharos dan non-Pharos (`Mixed`) menunjukkan jumlah RO `PARTIALLY FULFILLED` tertinggi, yaitu 855 dari total 1,248 RO yang terpenuhi sebagian. RO campuran ini juga menyumbang nilai dan kuantitas terbesar dalam segmen `PARTIALLY FULFILLED`. Hal ini mengindikasikan bahwa manajemen stok dan koordinasi gudang untuk pesanan yang melibatkan item dari berbagai asal produk mungkin lebih kompleks dan rentan terhadap ketidaktersediaan barang. Ini bisa disebabkan oleh stok yang disimpan di lokasi gudang yang berbeda, kebijakan penanganan yang berbeda untuk jenis produk yang berbeda, atau tingkat ketersediaan yang tidak merata di seluruh portofolio produk. 2. **Kontribusi Kuat dari Produk Pharos**: Pesanan yang seluruhnya terdiri dari produk Pharos (`Y`) menunjukkan volume `FULLY FULFILLED` yang sangat tinggi, baik dari segi nilai (lebih dari Rp21.75 triliun) maupun kuantitas (705,197 unit). Ini menggarisbawahi bahwa produk inti perusahaan memiliki tingkat pemenuhan yang kuat ketika dipesan secara eksklusif. 3. **Kinerja Pemenuhan Produk Non-Pharos (`N`)**: Meskipun tidak sebanyak pesanan campuran, pesanan yang hanya berisi produk non-Pharos (`N`) juga memiliki sejumlah RO `PARTIALLY FULFILLED` (143 RO). Ini menunjukkan bahwa masalah pemenuhan sebagian tidak hanya terbatas pada pesanan campuran. **Anomali:** Tingginya insiden pesanan `Mixed` yang `PARTIALLY FULFILLED` adalah anomali yang menuntut perhatian khusus. Ini menyiratkan adanya hambatan spesifik dalam proses pemenuhan yang muncul ketika berbagai kategori produk digabungkan dalam satu pesanan. ### Pengaruh Partisipasi Apotek Online (AO Y/N) Perbandingan antara outlet yang berpartisipasi dalam program Apotek Online (AO) dan yang tidak, memberikan wawasan tentang bagaimana kanal distribusi ini memengaruhi kinerja pemenuhan pesanan. | Apotek Online (AO) Y/N | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:-----------------------|:--------------------|:------------------|:-------------|:----------------| | N | FULLY CANCELLED | 98,106,885 | 2,208 | 56 | | N | FULLY FULFILLED | 33,609,053,864 | 964,247 | 12,316 | | N | PARTIALLY FULFILLED | 4,195,916,397 | 117,160 | 766 | | Y | FULLY CANCELLED | 55,170,056 | 1,071 | 20 | | Y | FULLY FULFILLED | 15,839,441,872 | 326,706 | 7,005 | | Y | PARTIALLY FULFILLED | 1,812,216,227 | 38,813 | 482 | **Wawasan Bisnis:** 1. **Outlet Non-AO (`N`) Mendominasi Volume Pemenuhan Penuh**: Secara agregat, outlet non-AO menyumbang proporsi yang lebih besar dari RO yang `FULLY FULFILLED` baik dari segi nilai (lebih dari Rp33.60 triliun) maupun kuantitas (964,247 unit). Ini dapat dijelaskan oleh fakta bahwa jumlah outlet non-AO lebih banyak, dan mereka mungkin mewakili basis pelanggan yang lebih besar atau lebih mapan. Mereka juga memiliki jumlah RO `PARTIALLY FULFILLED` yang lebih tinggi (766 RO) dibandingkan outlet AO. 2. **Kinerja Pemenuhan AO (`Y`) yang Kuat dan Stabil**: Meskipun total volume yang lebih rendah, outlet AO (`Y`) menunjukkan kinerja pemenuhan yang solid dengan 7,005 RO unik yang `FULLY FULFILLED`. Proporsi RO `PARTIALLY FULFILLED` (482 RO) juga lebih rendah dibandingkan outlet non-AO. Ini sejalan dengan temuan dari bab sebelumnya yang menunjukkan bahwa outlet AO cenderung memiliki frekuensi pesanan yang lebih tinggi namun dengan nilai transaksi yang lebih kecil, yang mungkin memungkinkan manajemen stok dan pemenuhan untuk mereka menjadi lebih terkontrol dan efisien. 3. **Peluang Perbaikan di Kedua Segmen**: Kedua segmen, baik outlet AO maupun non-AO, masih menghadapi insiden pesanan yang `PARTIALLY FULFILLED`. Ini menunjukkan bahwa meskipun partisipasi dalam program AO dapat memengaruhi pola pemesanan, tantangan pemenuhan sebagian bersifat universal dan memerlukan perbaikan sistemik yang relevan untuk semua jenis outlet. ### Kesimpulan dan Rekomendasi Analisis kinerja pemenuhan pesanan mengonfirmasi efisiensi operasional yang solid dalam memenuhi sebagian besar pesanan. Tingkat `FULLY FULFILLED` yang tinggi adalah aset yang kuat. Namun, keberadaan pesanan yang `PARTIALLY FULFILLED`, terutama yang memiliki nilai tinggi dan melibatkan produk campuran, adalah area yang paling menjanjikan untuk optimasi. Mengurangi gesekan dalam pemenuhan sebagian akan secara langsung meningkatkan kepuasan pelanggan dan profitabilitas. **Rekomendasi Strategis:** 1. **Prioritaskan Pengurangan Pesanan `PARTIALLY FULFILLED`:** * **Identifikasi Pemicu Spesifik**: Lakukan analisis mendalam untuk pinpointing produk, gudang asal, atau kombinasi produk yang paling sering memicu status `PARTIALLY FULFILLED`. Apakah ini karena masalah ketersediaan stok yang konsisten untuk SKU tertentu, kendala logistik rute, atau kesalahan pada tahap *picking* atau *packing*? * **Perkuat Manajemen Inventaris untuk Pesanan Campuran**: Mengingat bahwa pesanan `Mixed` adalah kontributor terbesar RO yang `PARTIALLY FULFILLED`, perusahaan harus meninjau dan mengoptimalkan strategi manajemen inventaris untuk kategori produk ini. Ini mungkin melibatkan: * Implementasi sistem peramalan permintaan yang lebih canggih yang mampu memprediksi kebutuhan produk campuran. * Peningkatan sinkronisasi dan koordinasi antar gudang yang mungkin menangani produk Pharos dan non-Pharos secara terpisah. * Menetapkan kebijakan stok pengaman yang lebih ketat untuk item-item yang sering menjadi penyebab pemenuhan sebagian, terutama untuk produk bernilai tinggi. * **Mekanisme Komunikasi Proaktif**: Bangun sistem untuk secara proaktif memberitahu pelanggan tentang status pesanan yang berisiko `PARTIALLY FULFILLED`. Tawarkan solusi seperti pengiriman sebagian dengan item yang tersedia, penggantian produk, atau pembatalan item tertentu dengan pengembalian dana, untuk mengelola ekspektasi dan mempertahankan kepuasan pelanggan. 2. **Optimasi Dukungan Logistik dan Gudang**: * Pastikan proses internal di gudang yang menunjukkan efisiensi (ditunjukkan oleh konsistensi `Qty RO`, `Qty SP`, dan `Qty DO`) didukung penuh oleh ketersediaan stok yang memadai dan infrastruktur logistik yang memungkinkan pemenuhan cepat. Pertimbangkan untuk memetakan alur kerja pesanan campuran untuk mengidentifikasi *bottleneck*. 3. **Maksimalkan Potensi Program Apotek Online (AO)**: * **Dorong Adopsi dan Perluasan**: Terus promosikan program Apotek Online kepada outlet non-AO. Outlet AO menunjukkan frekuensi pesanan yang lebih tinggi dan kinerja pemenuhan yang stabil, yang dapat berkontribusi pada peningkatan volume penjualan keseluruhan perusahaan. * **Strategi Peningkatan Rata-rata Nilai Pesanan (AOV) untuk AO**: Kembangkan program insentif atau promosi khusus untuk outlet AO guna meningkatkan rata-rata nilai pesanan mereka. Contohnya termasuk diskon untuk pembelian dalam jumlah tertentu, *bundling* produk yang relevan, atau program loyalitas. 4. **Analisis Lanjutan Profitabilitas dan Ketersediaan Produk Bernilai Tinggi**: * Fokus pada produk-produk bernilai tinggi yang sering muncul dalam pesanan yang `PARTIALLY FULFILLED`. Lakukan analisis profitabilitas dan ulasan ketersediaan stok untuk produk-produk ini guna memastikan pemenuhan penuh dan memaksimalkan pendapatan. Dengan mengimplementasikan rekomendasi ini, perusahaan tidak hanya dapat menjaga tingkat pemenuhan pesanan yang tinggi, tetapi juga secara signifikan mengurangi gesekan yang disebabkan oleh pesanan yang terpenuhi sebagian, yang pada akhirnya akan meningkatkan pengalaman pelanggan, efisiensi operasional, dan profitabilitas secara keseluruhan. ## 8. Analisis Performa Produk Analisis performa produk merupakan inti dari laporan ini, bertujuan untuk mengidentifikasi produk-produk unggulan, memahami kontribusi dari berbagai divisi dan asal produk (Pharos vs. non-Pharos), serta menyelidiki faktor-faktor yang memengaruhi nilai penjualan per item. Pemahaman ini krusial untuk mengoptimalkan strategi inventaris, pemasaran, dan penjualan guna mendorong pertumbuhan bisnis. #### 8.1 Produk Unggulan Berdasarkan Nilai dan Kuantitas RO Menganalisis produk terlaris adalah kunci untuk memahami pendorong pendapatan dan permintaan pasar. Berikut adalah 10 produk teratas berdasarkan Total `Value RO` (nilai penjualan) dan Total `Qty RO` (kuantitas terjual). **10 Produk Teratas berdasarkan Total Nilai RO** | Prodes | Divisi | Pharos YN | Total Value RO | Total Qty RO | Unique RO Count | |:--------------------------------|:------------|:------------|:-----------------|:-------------|:----------------| | POLYSILANE TAB. KUNYAH 5X8TAB | VIBRANT PBF | Y | 1,964,578,988 | 54,196 | 153 | | MICROLAX GEL OBAT PENCAHAR 5ML | VIBRANT PBF | Y | 1,907,357,147 | 101,808 | 140 | | POLYSILANE TAB. KUNYAH 5X8TAB | PHARMANET | Y | 1,901,529,551 | 51,149 | 3,351 | | PRORIS SUSP 60 ML RASA JERUK | VIBRANT PBF | Y | 1,792,562,162 | 80,181 | 155 | | PRORIS SUSP 60 ML RASA JERUK | PHARMANET | Y | 1,417,614,491 | 62,219 | 3,038 | | MICROLAX 3 X 5 ML | PHARMANET | Y | 1,405,836,701 | 27,154 | 1,569 | | MICROLAX GEL OBAT PENCAHAR 5ML | PHARMANET | Y | 1,323,822,098 | 68,550 | 2,286 | | CATAFLAM 50MG TAB 50'S | PHARMANET | N | 1,308,638,415 | 3,943 | 1,495 | | MICROLAX 3 X 5 ML | VIBRANT PBF | Y | 1,134,705,495 | 22,514 | 93 | | POLYSILANE SUSPENSI 100 ML | VIBRANT PBF | Y | 1,009,167,583 | 49,779 | 139 | **10 Produk Teratas berdasarkan Total Kuantitas RO** | Prodes | Divisi | Pharos YN | Total Value RO | Total Qty RO | Unique RO Count | |:--------------------------------|:------------|:------------|:-----------------|:-------------|:----------------| | MICROLAX GEL OBAT PENCAHAR 5ML | VIBRANT PBF | Y | 1,907,357,147 | 101,808 | 140 | | PRORIS SUSP 60 ML RASA JERUK | VIBRANT PBF | Y | 1,792,562,162 | 80,181 | 155 | | MICROLAX GEL OBAT PENCAHAR 5ML | PHARMANET | Y | 1,323,822,098 | 68,550 | 2,286 | | PRORIS SUSP 60 ML RASA JERUK | PHARMANET | Y | 1,417,614,491 | 62,219 | 3,038 | | POLYSILANE TAB. KUNYAH 5X8TAB | VIBRANT PBF | Y | 1,964,578,988 | 54,196 | 153 | | POLYSILANE TAB. KUNYAH 5X8TAB | PHARMANET | Y | 1,901,529,551 | 51,149 | 3,351 | | POLYSILANE SUSPENSI 100 ML | VIBRANT PBF | Y | 1,009,167,583 | 49,779 | 139 | | SANMOL PARACETAMOL SIROP 60ML | PHARMANET | N | 725,422,299 | 41,301 | 1,937 | | POLYSILANE SUSPENSI 100 ML | PHARMANET | Y | 845,392,527 | 40,743 | 2,239 | | PRORIS FORTE 200MG SUSP 50ML | VIBRANT PBF | Y | 855,064,662 | 32,237 | 120 | **Wawasan Bisnis:** * **Dominasi Produk Unggulan**: Produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` secara konsisten mendominasi daftar teratas baik dalam `Value RO` maupun `Qty RO`. Ini mengindikasikan permintaan pasar yang kuat dan stabilitas produk-produk ini sebagai pilar pendapatan perusahaan. * **Peran Divisi VIBRANT PBF**: Divisi `VIBRANT PBF` menunjukkan performa yang sangat kuat di daftar teratas, seringkali dengan jumlah `Unique RO Count` yang lebih rendah tetapi `Total Value RO` dan `Total Qty RO` yang tinggi. Ini menyiratkan bahwa pesanan untuk produk `VIBRANT PBF` cenderung memiliki nilai transaksi rata-rata yang lebih tinggi atau jumlah kuantitas per pesanan yang lebih besar, sebagaimana juga ditunjukkan oleh koefisien positif yang signifikan pada model regresi linear. * **Kontribusi Produk Non-Pharos**: `CATAFLAM 50MG TAB 50'S` (non-Pharos) dan `SANMOL PARACETAMOL SIROP 60ML` (non-Pharos) juga muncul di daftar teratas. Hal ini menegaskan pentingnya portofolio produk non-Pharos yang beragam dalam keseluruhan strategi penjualan perusahaan. #### 8.2 Performa Berdasarkan Asal Produk (Pharos Y/N) Peran produk yang diproduksi oleh Pharos Grup (`Pharos YN = Y`) dibandingkan dengan produk non-Pharos (`Pharos YN = N`) sangat penting untuk dipahami. Analisis regresi linear yang dilakukan sebelumnya memberikan wawasan tambahan mengenai dampak `Pharos YN` pada `Value RO` per item baris. **Koefisien Regresi Linear untuk 'is_pharos' (dari Bab 6)** | Fitur | Koefisien | |:----------|:------------| | is_pharos | -64,657.3 | **Wawasan Bisnis & Anomali:** * **Kontribusi Volume Pharos, Value Per Item Lebih Rendah**: Produk Pharos Grup (`Y`) memiliki volume penjualan yang besar, seperti yang terlihat dari dominasinya di daftar produk terlaris dan kontribusinya yang tinggi terhadap RO yang `FULLY FULFILLED` (lebih dari Rp21,756,033,691). Namun, koefisien negatif pada `is_pharos` (-64,657.3) dalam model regresi linear menunjukkan bahwa, setelah mengendalikan faktor-faktor lain, item baris produk Pharos cenderung memiliki nilai penjualan yang lebih rendah dibandingkan produk non-Pharos. * **Anomali**: Fenomena ini mungkin mengindikasikan bahwa produk Pharos Grup, meskipun volume penjualannya tinggi, cenderung memiliki harga per unit yang lebih rendah, atau dijual dalam kemasan/ukuran yang lebih kecil, atau mungkin ditujukan untuk segmen pasar dengan daya beli yang berbeda. Sebaliknya, beberapa produk non-Pharos dapat mengisi ceruk pasar dengan harga premium atau dikemas dalam unit penjualan bernilai tinggi. #### 8.3 Performa Berdasarkan Divisi Produk Setiap divisi dalam perusahaan mungkin memiliki strategi produk dan pasar yang berbeda, yang tercermin dalam kinerja penjualan. Analisis regresi linear telah mengungkapkan dampak signifikan dari divisi terhadap nilai penjualan per item baris. **Koefisien Regresi Linear untuk 'Divisi' (dari Bab 6)** | Fitur | Koefisien | |:-------------------|:------------| | Divisi_VIBRANT PBF | 613,717.0 | | Divisi_VIBRANT 3 | 101,475.2 | | Divisi_PHARMANET | -353,043.3 | | Divisi_HOSPINET | -362,149.0 | **Wawasan Bisnis:** * **VIBRANT PBF sebagai Pendorong Nilai Tertinggi**: `Divisi_VIBRANT PBF` memiliki dampak positif yang paling signifikan pada `Value RO` (koefisien 613,717.0). Hal ini menguatkan temuan dari daftar produk teratas bahwa produk dari divisi ini cenderung memiliki nilai item baris yang jauh lebih tinggi. Ini bisa disebabkan oleh harga jual yang lebih tinggi, kuantitas per pesanan yang lebih besar, atau kombinasi keduanya. * **PHARMANET dan HOSPINET dengan Kontribusi Nilai Item Baris yang Lebih Rendah**: `Divisi_PHARMANET` dan `Divisi_HOSPINET` menunjukkan koefisien negatif yang signifikan, menyiratkan bahwa item baris dari divisi ini cenderung memiliki nilai penjualan yang lebih rendah dibandingkan dengan divisi dasar (referensi) setelah mengontrol faktor lain. Meskipun `PHARMANET` mendominasi volume transaksi secara keseluruhan (84.4% dari total transaksi), nilai per item barisnya cenderung lebih rendah, mendukung hipotesis bahwa produk ini mungkin lebih fokus pada volume dan penetrasi pasar. #### 8.4 Korelasi Performa Produk dengan Pemenuhan Pesanan Kinerja pemenuhan pesanan, khususnya terkait dengan status `PARTIALLY FULFILLED`, juga memiliki korelasi dengan komposisi asal produk dalam pesanan. **Dampak Komposisi Asal Produk (Pharos Y/N) pada Pemenuhan Tingkat RO (dari Bab 7)** | Product Origin | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:-----------------|:--------------------|:-----------------|:-------------|:----------------| | Mixed | PARTIALLY FULFILLED | 3,213,439,132 | 75,746 | 855 | | N | PARTIALLY FULFILLED | 283,673,483 | 4,110 | 143 | | Y | PARTIALLY FULFILLED | 2,511,020,009 | 76,117 | 250 | **Wawasan Bisnis:** * **Pesanan Campuran Rentan Terhadap Pemenuhan Sebagian**: Pesanan yang mengandung campuran produk Pharos dan non-Pharos (`Mixed`) menyumbang jumlah RO `PARTIALLY FULFILLED` tertinggi (855 RO unik), dengan nilai lebih dari Rp3,213,439,132. Hal ini menunjukkan tantangan dalam mengelola inventaris dan logistik untuk memenuhi pesanan yang beragam. Ketersediaan stok yang tidak sinkron antara produk Pharos dan non-Pharos atau lokasi gudang yang berbeda untuk kedua jenis produk dapat menjadi pemicu utama. #### 8.5 Rekomendasi untuk Peningkatan Performa Produk Berdasarkan analisis performa produk, beberapa rekomendasi strategis dapat diusulkan untuk mengoptimalkan penjualan dan efisiensi operasional: 1. **Prioritaskan Ketersediaan dan Promosi Produk Unggulan**: * Fokuskan upaya manajemen rantai pasokan untuk memastikan ketersediaan yang konsisten dari produk-produk yang secara dominan muncul di daftar teratas `Value RO` dan `Qty RO` (misalnya, `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, `PRORIS SUSP 60 ML RASA JERUK`). * Pertimbangkan kampanye pemasaran yang ditargetkan atau promosi untuk produk-produk ini guna mempertahankan momentum penjualan dan loyalitas pelanggan. 2. **Optimalisasi Strategi untuk Divisi VIBRANT PBF**: * Karena produk dari `Divisi_VIBRANT PBF` secara signifikan berkontribusi pada `Value RO` per item baris, selidiki faktor-faktor yang mendorong nilai tinggi ini (misalnya, margin keuntungan yang lebih tinggi, harga premium, ukuran paket yang lebih besar). * Manfaatkan temuan ini untuk mengembangkan strategi penjualan dan pemasaran yang memaksimalkan potensi nilai dari divisi ini, mungkin melalui penargetan segmen pelanggan premium atau bundling produk bernilai tinggi. 3. **Tinjau Strategi Produk Pharos vs. Non-Pharos**: * Meskipun produk Pharos Grup mendominasi volume penjualan, koefisien negatif pada `is_pharos` menunjukkan nilai per item yang lebih rendah. Lakukan analisis profitabilitas silang untuk produk Pharos dan non-Pharos. * Pertimbangkan apakah produk Pharos dapat ditingkatkan nilai per unitnya melalui inovasi produk, penyesuaian harga, atau strategi *up-selling*/ *cross-selling*. Di sisi lain, pahami produk non-Pharos yang memiliki `Value RO` tinggi dan pertimbangkan untuk memperluas portofolio di segmen tersebut. 4. **Tingkatkan Efisiensi Pemenuhan Pesanan Campuran**: * Investigasi mendalam diperlukan untuk memahami mengapa pesanan dengan `Product Origin` `Mixed` paling rentan terhadap status `PARTIALLY FULFILLED`. * Solusi potensial meliputi: * **Integrasi Sistem Inventaris**: Pastikan sistem inventaris untuk produk Pharos dan non-Pharos terintegrasi dengan baik untuk visibilitas stok real-time yang akurat di semua gudang. * **Koordinasi Gudang yang Lebih Baik**: Perbaiki koordinasi logistik antar gudang, terutama jika produk dari asal yang berbeda disimpan di lokasi terpisah. * **Analisis Pola Kekurangan Stok**: Identifikasi SKU mana yang paling sering tidak tersedia dalam pesanan campuran dan terapkan kebijakan stok pengaman yang lebih ketat atau cari alternatif pemasok. 5. **Perbaikan Data untuk Divisi 'nan'**: * Meskipun jumlahnya kecil, transaksi dengan `Divisi` yang tidak teridentifikasi (`nan`) menunjukkan potensi masalah integritas data. Lakukan peninjauan untuk mengidentifikasi dan mengkategorikan transaksi ini dengan benar. Dengan menerapkan rekomendasi ini, perusahaan dapat mengoptimalkan portofolio produknya, memaksimalkan nilai dari setiap divisi, dan secara signifikan meningkatkan efisiensi serta kepuasan pelanggan dalam proses pemenuhan pesanan. ## 9. Analisis Performa Outlet Analisis performa outlet merupakan salah satu pilar utama untuk memahami dinamika pasar dan efektivitas strategi bisnis. Bab ini akan mengeksplorasi kinerja berbagai outlet pelanggan, dengan fokus khusus pada dampak partisipasi mereka dalam program Apotek Online (AO Y/N) serta faktor-faktor lain yang membedakan jenis-jenis outlet. Tujuan dari analisis ini adalah untuk mengidentifikasi segmen outlet yang paling berharga, memahami perilaku pembelian mereka, dan memberikan rekomendasi strategis untuk meningkatkan penjualan dan loyalitas pelanggan. ### Kinerja Outlet Berdasarkan Partisipasi Apotek Online (AO Y/N) Perbandingan langsung antara outlet yang berpartisipasi dalam program Apotek Online (AO Y/N = Y) dan yang tidak (AO Y/N = N) memberikan wawasan yang signifikan tentang potensi dan tantangan dari masing-masing segmen. Data berikut menunjukkan rata-rata metrik kinerja per outlet untuk kedua kelompok: **Perbandingan Kinerja Outlet berdasarkan Partisipasi Apotek Online (AO Y/N)** | AO YN | Jumlah Outlet | Rata-rata Total Nilai per Outlet | Rata-rata Total Pesanan per Outlet | Rata-rata Nilai Pesanan per Outlet | Rata-rata Tingkat Pemenuhan per Outlet (%) | |:------|--------------:|:---------------------------------|:-----------------------------------|:-----------------------------------|:-------------------------------------------| | N | 3,776 | 10,037,891 | 3.5 | 3,462,872 | 92.8 | | Y | 1,286 | 13,768,918 | 5.8 | 2,613,754 | 92.5 | **Wawasan Bisnis:** * **Pendorong Nilai Total dan Frekuensi Pesanan**: Outlet yang berpartisipasi dalam program Apotek Online (AO YN = Y) menunjukkan performa yang superior dalam hal rata-rata total nilai penjualan per outlet (Rp13,768,918) dan rata-rata frekuensi pesanan per outlet (5.8 pesanan). Hal ini lebih tinggi secara signifikan dibandingkan dengan outlet non-AO (Rp10,037,891 dan 3.5 pesanan). Ini adalah bukti kuat bahwa program AO berhasil meningkatkan aktivitas dan volume penjualan yang dihasilkan oleh setiap outlet yang bergabung. Program ini tampaknya mendorong pelanggan untuk melakukan pembelian lebih sering, yang secara agregat berkontribusi pada nilai penjualan total yang lebih tinggi per outlet. * **Nilai Pesanan Rata-rata yang Berbeda**: Meskipun total nilai per outlet lebih tinggi, rata-rata nilai pesanan per transaksi untuk outlet AO (Rp2,613,754) justru lebih rendah dibandingkan dengan outlet non-AO (Rp3,462,872). Ini mengindikasikan bahwa outlet AO cenderung melakukan pesanan yang lebih sering tetapi dengan jumlah barang atau nilai transaksi individu yang lebih kecil. Pola ini mungkin mencerminkan sifat penjualan ritel online, di mana pelanggan membeli dalam jumlah yang lebih kecil namun dengan frekuensi yang lebih tinggi. * **Tingkat Pemenuhan yang Stabil**: Tingkat pemenuhan rata-rata per outlet relatif serupa antara kedua kelompok (sekitar 92.5-92.8%). Hal ini menunjukkan bahwa partisipasi dalam program AO tidak secara signifikan memengaruhi efisiensi pemenuhan pesanan, yang merupakan kabar baik karena volume yang lebih tinggi tidak mengorbankan kualitas layanan. ### Dampak Partisipasi Apotek Online pada Status Pemenuhan RO Selain metrik kinerja umum, penting juga untuk melihat bagaimana partisipasi AO memengaruhi status pemenuhan pesanan pada tingkat Repeat Order (RO). **Dampak Partisipasi Apotek Online (AO Y/N) pada Pemenuhan Tingkat RO** | Apotek Online (AO) Y/N | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | |:-----------------------|:--------------------|:------------------|:-------------|:----------------| | N | FULLY CANCELLED | 98,106,885 | 2,208 | 56 | | N | FULLY FULFILLED | 33,609,053,864 | 964,247 | 12,316 | | N | PARTIALLY FULFILLED | 4,195,916,397 | 117,160 | 766 | | Y | FULLY CANCELLED | 55,170,056 | 1,071 | 20 | | Y | FULLY FULFILLED | 15,839,441,872 | 326,706 | 7,005 | | Y | PARTIALLY FULFILLED | 1,812,216,227 | 38,813 | 482 | **Wawasan Bisnis:** * **Dominasi Volume Non-AO**: Outlet non-AO (`N`) secara agregat menyumbang volume penjualan dan kuantitas yang lebih besar untuk pesanan yang `FULLY FULFILLED`. Ini wajar mengingat bahwa jumlah outlet non-AO jauh lebih banyak (3,776 vs 1,286). Mereka juga menyumbang jumlah RO `PARTIALLY FULFILLED` yang lebih tinggi (766 RO) dibandingkan outlet AO. * **Kinerja Pemenuhan RO AO yang Solid**: Meskipun jumlah total `Unique RO Count` yang `FULLY FULFILLED` lebih rendah (7,005 RO) dibandingkan non-AO, performa ini sangat kuat mengingat jumlah outlet AO yang lebih sedikit. Proporsi RO `PARTIALLY FULFILLED` untuk outlet AO (482 RO) juga relatif terkendali. Ini menunjukkan bahwa program Apotek Online mampu menjaga tingkat pemenuhan yang baik, bahkan dengan pola pesanan yang lebih sering. ### Faktor-faktor yang Mempengaruhi Nilai RO per Item Baris dari Outlet (Analisis Regresi) Analisis regresi linier yang telah dilakukan sebelumnya (Bab 6) memberikan pemahaman yang lebih mendalam tentang bagaimana partisipasi AO memengaruhi `Value RO` (nilai penjualan per item baris), setelah mengontrol variabel-variabel lain. **Koefisien Regresi Linear untuk 'is_ao'** | Fitur | Koefisien | |:------|:------------| | is_ao | 47,980.0 | **Wawasan Bisnis:** * Koefisien positif untuk `is_ao` (47,980.0) menunjukkan bahwa, setelah mengontrol faktor-faktor seperti kuantitas, divisi, dan metode pembayaran, item baris yang dipesan oleh outlet yang berpartisipasi dalam program Apotek Online (`is_ao` = 1) cenderung memiliki `Value RO` per item baris yang lebih tinggi dibandingkan outlet non-AO. Ini menarik karena tampaknya bertentangan dengan temuan "Rata-rata Nilai Pesanan per Outlet" yang lebih rendah untuk AO. * **Penjelasan Potensial Anomali**: Perbedaan ini mungkin terjadi karena "Rata-rata Nilai Pesanan per Outlet" dihitung dari nilai total RO, sedangkan koefisien `is_ao` dalam regresi ini berlaku pada tingkat item baris. Ini bisa berarti bahwa meskipun outlet AO melakukan pesanan yang lebih sering dengan total nilai RO yang lebih kecil (mungkin membeli lebih sedikit unit per jenis produk), produk yang mereka pilih per item baris (misalnya, jenis SKU tertentu) cenderung memiliki nilai yang lebih tinggi. Atau, mereka mungkin memiliki lebih banyak item baris dalam satu RO, yang mengkompensasi nilai unit yang lebih rendah. Analisis lebih lanjut tentang struktur RO (jumlah item baris per RO) untuk kedua segmen mungkin bisa memperjelas ini. ### Rekomendasi Strategis Berdasarkan analisis performa outlet, beberapa rekomendasi strategis dapat diusulkan untuk mengoptimalkan interaksi dengan outlet dan mendorong pertumbuhan: 1. **Perluas dan Dukung Program Apotek Online**: * **Akuisisi Outlet Baru**: Mengingat bahwa outlet AO memiliki rata-rata total nilai penjualan dan frekuensi pesanan yang lebih tinggi, perusahaan harus terus mengintensifkan upaya untuk mengundang lebih banyak outlet non-AO agar bergabung dengan program. Kampanyekan manfaat peningkatan frekuensi pesanan dan nilai item baris yang lebih tinggi. * **Inisiatif Retensi dan Engagement**: Kembangkan program loyalitas atau dukungan khusus untuk outlet AO yang sudah ada untuk memastikan mereka tetap aktif dan maksimalkan potensi mereka. 2. **Optimalkan Nilai Pesanan Rata-rata (AOV) untuk Outlet AO**: * Meskipun frekuensi pesanan tinggi, AOV untuk outlet AO lebih rendah. Perusahaan dapat menerapkan strategi untuk meningkatkan nilai setiap transaksi: * **Bundling Produk**: Tawarkan paket produk yang relevan untuk mendorong pembelian lebih banyak dalam satu transaksi. * **Minimum Pembelian untuk Diskon/Gratis Ongkir**: Berikan insentif bagi outlet AO untuk mencapai ambang batas nilai pesanan tertentu. * **Rekomendasi Produk Bertarget**: Gunakan data historis untuk merekomendasikan produk bernilai lebih tinggi atau produk pelengkap kepada outlet AO. 3. **Pahami Perilaku Pembelian Outlet Non-AO**: * Outlet non-AO cenderung melakukan pesanan lebih sedikit tetapi dengan nilai yang lebih besar. Perusahaan perlu memahami mengapa pola ini terjadi. Apakah mereka membeli dalam jumlah besar untuk stok jangka panjang atau karena alasan logistik tertentu? * **Strategi Peningkatan Frekuensi**: Jika memungkinkan, cari cara untuk mendorong outlet non-AO melakukan pembelian lebih sering, mungkin melalui penawaran yang relevan atau layanan yang ditingkatkan. 4. **Tindak Lanjuti Pesanan Terpenuhi Sebagian (PARTIALLY FULFILLED)**: * Meskipun tingkat pemenuhan secara keseluruhan baik, pesanan `PARTIALLY FULFILLED` tetap ada di kedua segmen AO dan non-AO. Lakukan analisis lebih lanjut untuk mengidentifikasi produk atau kombinasi produk yang paling sering menyebabkan pemenuhan sebagian di setiap segmen outlet. Ini akan memungkinkan intervensi yang lebih tepat sasaran dalam manajemen inventaris dan logistik. 5. **Audit Data Identifikasi Outlet**: * Mengulang rekomendasi dari bab sebelumnya, inkonsistensi dalam identifikasi outlet (`Cmc` dan `Nama Outlet` tidak seunik `KodePI` dan `OutCode`) dapat memengaruhi analisis segmentasi pelanggan. Pastikan `KodePI` digunakan secara konsisten sebagai pengidentifikasi utama untuk analisis tingkat outlet untuk menghindari ambiguitas dan memastikan akurasi data. Dengan menerapkan rekomendasi ini, perusahaan dapat secara efektif memanfaatkan kekuatan program Apotek Online, mengatasi tantangan spesifik di setiap segmen outlet, dan pada akhirnya mendorong pertumbuhan penjualan dan efisiensi operasional di seluruh jaringan distribusi. ## 10. Tren Penjualan Bulanan Analisis tren penjualan bulanan merupakan komponen vital dalam memahami dinamika pasar dan memproyeksikan kinerja bisnis di masa depan. Bab ini bertujuan untuk mengidentifikasi pola penjualan seiring waktu, menyoroti periode puncak atau penurunan, dan menganalisis dampaknya terhadap strategi operasional dan pemasaran. ### Gambaran Umum Data Penjualan Bulanan Berdasarkan data yang tersedia, kami hanya memiliki data transaksi untuk satu bulan, yaitu **Juni 2026**. Keterbatasan data ini menghambat kemampuan kami untuk melakukan analisis tren penjualan yang komprehensif, karena tren memerlukan serangkaian observasi berkelanjutan sepanjang waktu. Meskipun demikian, data bulan Juni 2026 ini memberikan gambaran awal tentang skala operasional dan volume penjualan dalam periode satu bulan tersebut. Berikut adalah ringkasan kinerja penjualan untuk bulan Juni 2026: | Bulan Order | Total Value RO | Total Qty RO | Unique RO Count | Unique Outlet Count | |:------------|:-----------------|:-------------|:----------------|:--------------------| | 2026-06 | 55,609,905,301 | 1,450,205 | 20,645 | 5,062 | ### Wawasan Bisnis dari Data Bulan Juni 2026 * **Skala Operasional yang Signifikan**: Dalam satu bulan (Juni 2026), perusahaan berhasil mencatat total nilai penjualan sebesar Rp55,609,905,301. Angka ini berasal dari penjualan 1,450,205 unit produk yang didistribusikan melalui 20,645 pesanan unik (Repeat Order) dari 5,062 outlet pelanggan yang berbeda. Ini menunjukkan volume transaksi dan jangkauan pasar yang substansial. * **Basis Pelanggan yang Luas**: Sebanyak 5,062 outlet unik melakukan pesanan di bulan Juni, mengindikasikan basis pelanggan yang solid dan tersebar. Rata-rata, setiap outlet melakukan sekitar 4 pesanan (20,645 RO / 5,062 outlet) dalam sebulan, yang menyoroti aktivitas yang cukup tinggi di antara pelanggan. * **Rata-rata Nilai Pesanan per RO**: Dengan total nilai RO Rp55,609,905,301 dari 20,645 RO, rata-rata nilai per pesanan (RO) adalah sekitar Rp2,693,650. Angka ini memberikan tolok ukur untuk memahami nilai transaksi rata-rata yang dilakukan pelanggan. ### Anomalies / Keterbatasan * **Data Terbatas**: Anomali utama dan keterbatasan kritis dalam bab ini adalah ketersediaan data yang hanya mencakup satu bulan (Juni 2026). Dengan hanya satu titik data, tidak mungkin untuk mengidentifikasi tren musiman, pertumbuhan atau penurunan penjualan dari waktu ke waktu, atau dampak dari inisiatif bisnis tertentu yang mungkin telah diterapkan di bulan-bulan sebelumnya atau sesudahnya. Analisis tren memerlukan data historis yang memadai untuk membangun pola dan melakukan perbandingan. ### Rekomendasi Untuk memungkinkan analisis tren penjualan yang lebih berarti di masa mendatang, beberapa rekomendasi strategis adalah sebagai berikut: 1. **Pengumpulan Data Historis Berkelanjutan**: Perusahaan harus memprioritaskan pengumpulan dan penyimpanan data transaksi penjualan bulanan secara berkelanjutan. Idealnya, data historis setidaknya 1-2 tahun ke belakang diperlukan untuk mengidentifikasi pola musiman dan tren jangka panjang yang relevan. 2. **Pemantauan Metrik Penjualan Bulanan Secara Rutin**: Lakukan pemantauan bulanan terhadap metrik utama seperti total nilai penjualan, total kuantitas terjual, jumlah pesanan unik, dan jumlah outlet unik. Ini akan memungkinkan perusahaan untuk secara cepat mengidentifikasi perubahan signifikan dalam kinerja dan menyelidiki penyebabnya. 3. **Segmentasi Tren Berdasarkan Kategori**: Setelah data historis tersedia, analisis tren dapat diperluas untuk mencakup segmentasi berdasarkan kategori produk (misalnya, `Divisi`, `Pharos YN`), jenis outlet (`AO YN`), atau bahkan wilayah geografis (`Asal Gudang`). Ini akan memberikan wawasan yang lebih rinci tentang segmen mana yang mendorong atau menghambat tren penjualan. 4. **Korelasi dengan Event Eksternal dan Internal**: Ketika data tren tersedia, hubungkan perubahan dalam tren penjualan dengan event-event penting, baik internal (misalnya, peluncuran produk baru, promosi khusus, perubahan harga) maupun eksternal (misalnya, hari libur nasional, perubahan kebijakan kesehatan, kondisi ekonomi). Ini akan membantu dalam memahami pendorong penjualan dan merencanakan strategi di masa depan. Dengan implementasi rekomendasi ini, perusahaan akan memiliki fondasi yang kuat untuk melakukan analisis tren penjualan yang mendalam dan proaktif, yang sangat penting untuk pengambilan keputusan strategis dan pertumbuhan bisnis yang berkelanjutan. ## 11. Faktor Penentu Nilai Pesanan (Analisis Regresi Linier) Untuk memahami lebih dalam faktor-faktor yang mendorong nilai penjualan per item baris (`Value RO`), kami melakukan analisis regresi linier berganda. Model ini bertujuan untuk mengkuantifikasi pengaruh berbagai atribut pesanan, produk, outlet, dan waktu terhadap `Value RO`. Dengan mengidentifikasi fitur-fitur yang memiliki dampak signifikan, perusahaan dapat membuat keputusan yang lebih terinformasi untuk mengoptimalkan strategi harga, promosi, dan penargetan. ### Ringkasan Model Regresi Linier Model regresi linier dibangun untuk memprediksi `Value RO` berdasarkan fitur-fitur seperti kuantitas pesanan (`Qty RO`), asal produk (`is_pharos`), partisipasi Apotek Online (`is_ao`), divisi produk, metode pembayaran, dan karakteristik waktu pesanan (bulan, hari dalam seminggu, jam). Model ini menunjukkan kinerja yang kuat dengan **R-squared (pada test set) sebesar 70.6%**. Ini berarti bahwa sekitar 70.6% dari variasi dalam `Value RO` dapat dijelaskan oleh variabel-variabel prediktor yang termasuk dalam model. Angka ini mengindikasikan bahwa model memiliki kemampuan prediksi yang baik dan fitur-fitur yang dipilih secara efektif menangkap sebagian besar faktor penentu nilai pesanan. ### Interpretasi Koefisien Model Regresi Linier Koefisien dalam model regresi linier menunjukkan perubahan rata-rata pada variabel dependen (`Value RO`) untuk setiap peningkatan satu unit pada variabel prediktor, dengan asumsi variabel lain tetap konstan. * **Koefisien Positif**: Menunjukkan hubungan langsung; peningkatan pada fitur tersebut (atau jika kategori tersebut ada) cenderung meningkatkan `Value RO`. * **Koefisien Negatif**: Menunjukkan hubungan terbalik; peningkatan pada fitur tersebut (atau jika kategori tersebut ada) cenderung menurunkan `Value RO`. * **`Qty RO`**: Koefisien ini dapat diinterpretasikan sebagai harga rata-rata per unit produk, karena `Value RO` sangat ditentukan oleh jumlah kuantitas yang dipesan. * **Fitur Kategorikal (One-Hot Encoded)**: Koefisien mewakili dampak kategori tertentu relatif terhadap kategori dasar (baseline) yang dihilangkan selama proses one-hot encoding. Kategori dasar biasanya adalah yang pertama secara alfabetis. * **Intercept**: Merepresentasikan nilai dasar `Value RO` ketika semua fitur numerik bernilai nol dan semua fitur kategorikal berada pada tingkat dasarnya. Berikut adalah koefisien yang dihasilkan oleh model regresi linier, diurutkan berdasarkan nilainya: #### Koefisien Model Regresi Linier | Fitur | Koefisien | |:----------------------------|:------------| | Divisi_VIBRANT PBF | 613,717 | | Intercept | 416,898 | | Divisi_VIBRANT 3 | 101,475 | | Payment_BCA Virtual Account | 67,951 | | is_ao | 47,980 | | Qty RO | 23,283 | | order_day_of_week | 4,070 | | Payment_BRIVA | 3,874 | | order_hour | 3,618 | | order_month | 0 | | Payment_Term Of Payment | -1,274 | | is_cancelled | -7,669 | | is_pharos | -64,657 | | Payment_Kredivo | -70,551 | | Divisi_PHARMANET | -353,043 | | Divisi_HOSPINET | -362,149 | ### Wawasan Bisnis dan Analisis Detil Mari kita bedah dampak dari fitur-fitur kunci yang menentukan `Value RO`: 1. **Kuantitas Pesanan (`Qty RO`)**: * **Koefisien**: 23,283 * **Wawasan**: Koefisien positif yang sangat tinggi untuk `Qty RO` adalah logis dan diharapkan. Ini pada dasarnya mengindikasikan harga rata-rata per unit barang yang terjual. Setiap penambahan satu unit produk yang dipesan, rata-rata akan meningkatkan `Value RO` sekitar Rp23,283. Ini menegaskan bahwa kuantitas adalah pendorong nilai penjualan yang paling langsung. 2. **Divisi Produk (`Divisi`)**: * **Divisi_VIBRANT PBF**: Koefisien tertinggi dan positif (613,717). * **Wawasan**: Produk dari `Divisi_VIBRANT PBF` secara signifikan berkorelasi dengan `Value RO` per item baris yang jauh lebih tinggi. Ini menguatkan temuan dari Bab 8 yang menunjukkan bahwa produk `VIBRANT PBF` seringkali memiliki nilai transaksi yang tinggi per RO. Hal ini mungkin karena produk-produk di divisi ini memiliki harga per unit yang lebih tinggi atau dibeli dalam kemasan bernilai tinggi. * **Divisi_VIBRANT 3**: Koefisien positif (101,475). * **Wawasan**: Meskipun volumenya kecil, produk dari `Divisi_VIBRANT 3` juga berkorelasi dengan `Value RO` yang lebih tinggi dibandingkan dengan divisi dasar. * **Divisi_PHARMANET**: Koefisien negatif signifikan (-353,043). * **Wawasan**: Meskipun `Divisi_PHARMANET` mendominasi volume transaksi (seperti yang terlihat di Bab 6), item baris dari divisi ini cenderung memiliki `Value RO` yang lebih rendah dibandingkan divisi referensi. Ini mengindikasikan bahwa produk `PHARMANET` mungkin memiliki harga per unit yang lebih rendah atau lebih berfokus pada volume dan penetrasi pasar. * **Divisi_HOSPINET**: Koefisien negatif terbesar (-362,149). * **Wawasan**: Mirip dengan `PHARMANET`, produk dari `Divisi_HOSPINET` juga berkorelasi dengan `Value RO` per item baris yang lebih rendah. 3. **Partisipasi Apotek Online (`is_ao`)**: * **Koefisien**: 47,980 (positif). * **Wawasan**: Item baris yang dipesan oleh outlet yang berpartisipasi dalam program Apotek Online (`is_ao` = 1) cenderung memiliki `Value RO` per item baris yang lebih tinggi dibandingkan outlet non-AO. Ini merupakan temuan menarik yang melengkapi analisis di Bab 9. Meskipun outlet AO mungkin memiliki rata-rata nilai pesanan *total* per outlet yang lebih rendah (karena mereka memesan lebih sering dengan kuantitas lebih kecil), namun produk *spesifik* yang mereka pilih per item baris, setelah mengendalikan faktor lain, cenderung bernilai lebih tinggi. Ini bisa berarti mereka memilih produk dengan harga dasar yang lebih tinggi atau lebih banyak barang komplementer bernilai tinggi. 4. **Asal Produk (`is_pharos`)**: * **Koefisien**: -64,657 (negatif). * **Wawasan**: Item baris produk yang diproduksi oleh Pharos Grup (`is_pharos` = 1) cenderung memiliki `Value RO` yang lebih rendah dibandingkan produk non-Pharos, setelah mengontrol variabel lain. Ini sejalan dengan temuan dari Bab 8 yang mengindikasikan bahwa meskipun produk Pharos berkontribusi besar pada volume, mereka mungkin memiliki harga per unit yang lebih rendah atau ditargetkan untuk segmen pasar yang lebih sensitif harga. Ini bukan berarti produk Pharos tidak menguntungkan, melainkan menunjukkan strategi harga atau target pasar yang berbeda. 5. **Metode Pembayaran (`Payment`)**: * **Payment_BCA Virtual Account**: Koefisien positif signifikan (67,951). * **Wawasan**: Pesanan yang menggunakan `BCA Virtual Account` berkorelasi dengan `Value RO` per item baris yang lebih tinggi. Ini bisa menunjukkan preferensi pembeli dengan transaksi bernilai tinggi terhadap metode pembayaran ini, atau mungkin metode ini digunakan untuk pesanan korporat/volume besar. * **Payment_Kredivo**: Koefisien negatif signifikan (-70,551). * **Wawasan**: Sebaliknya, pesanan yang menggunakan `Kredivo` berkorelasi dengan `Value RO` per item baris yang lebih rendah. Kredivo mungkin populer di kalangan pembeli dengan anggaran terbatas atau untuk pembelian dalam jumlah kecil. * **Payment_BRIVA**: Koefisien positif kecil (3,874). * **Payment_Term Of Payment**: Koefisien negatif kecil (-1,274). 6. **Status Pembatalan (`is_cancelled`)**: * **Koefisien**: -7,669 (negatif). * **Wawasan**: Koefisien negatif ini logis. Item baris yang terkait dengan pesanan yang dibatalkan cenderung memiliki `Value RO` yang lebih rendah, karena nilai awal pesanan tersebut tidak sepenuhnya terealisasi. 7. **Fitur Temporal (Hari, Jam, Bulan Pesanan)**: * **order_day_of_week** (4,070) dan **order_hour** (3,618) menunjukkan koefisien positif yang relatif kecil. * **Wawasan**: Ada sedikit variasi `Value RO` berdasarkan hari dalam seminggu atau jam dalam sehari, tetapi dampaknya tidak sebesar faktor-faktor lain. * **order_month**: Koefisien 0. * **Wawasan**: Karena data hanya mencakup satu bulan (Juni 2026), `order_month` tidak menunjukkan variasi dan oleh karena itu, tidak ada dampak yang terukur. ### Anomali dan Poin Penting * **Dua Wajah Outlet AO**: Temuan bahwa outlet AO memiliki rata-rata nilai pesanan *total* per outlet yang lebih rendah (meskipun frekuensi lebih tinggi), tetapi item baris yang mereka pesan cenderung memiliki *Value RO* yang lebih tinggi, membutuhkan pemahaman yang lebih dalam. Ini mungkin menunjukkan bahwa outlet AO membeli produk yang lebih "premium" per unit, tetapi dalam jumlah item baris yang lebih sedikit per pesanan, atau total kuantitas per RO yang lebih rendah. * **Peran Harga per Unit Produk Pharos**: Koefisien negatif untuk `is_pharos` menunjukkan bahwa produk Pharos Grup, secara rata-rata, memiliki harga per unit yang lebih rendah dibandingkan non-Pharos, setelah mengontrol kuantitas dan faktor lain. Ini penting untuk strategi penetapan harga dan positioning produk. ### Rekomendasi Strategis Berdasarkan analisis regresi linier, berikut adalah beberapa rekomendasi untuk mengoptimalkan `Value RO` dan strategi penjualan secara keseluruhan: 1. **Strategi Portofolio Produk dan Harga Berdasarkan Divisi**: * **Prioritaskan Divisi VIBRANT PBF**: Mengingat kontribusinya yang sangat signifikan terhadap `Value RO` per item baris, perusahaan harus secara aktif mempromosikan dan memastikan ketersediaan produk dari `Divisi_VIBRANT PBF`. Selidiki mengapa produk ini memiliki nilai tinggi dan duplikasi keberhasilannya ke divisi lain. * **Optimalkan Produk PHARMANET dan HOSPINET**: Untuk `Divisi_PHARMANET` dan `HOSPINET` yang memiliki `Value RO` item baris lebih rendah, pertimbangkan strategi bundling, cross-selling dengan produk bernilai lebih tinggi, atau kampanye pemasaran yang menyoroti manfaat tambahan untuk meningkatkan persepsi nilai. Lakukan analisis margin keuntungan untuk memastikan produk-produk ini tetap menguntungkan meskipun nilai per item barisnya lebih rendah. 2. **Manfaatkan Potensi Apotek Online (AO)**: * **Dorong Peningkatan `Value RO` Item Baris**: Karena outlet AO cenderung memesan item baris dengan `Value RO` yang lebih tinggi, perusahaan harus mengintensifkan upaya untuk menarik lebih banyak outlet bergabung dengan program AO. Fokuskan promosi pada produk-produk yang secara historis memiliki `Value RO` tinggi di kalangan outlet AO. * **Pahami Pola Pembelian AO**: Lakukan analisis lebih lanjut untuk memahami mengapa outlet AO memiliki `Value RO` per item baris yang lebih tinggi tetapi rata-rata nilai pesanan total yang lebih rendah. Apakah ini karena mereka membeli jenis produk yang berbeda atau kuantitas yang lebih kecil per SKU? Ini dapat menginformasikan strategi rekomendasi produk yang lebih cerdas. 3. **Strategi Pembayaran yang Ditargetkan**: * **Promosikan BCA Virtual Account**: Dorong penggunaan `BCA Virtual Account` untuk transaksi bernilai tinggi, mungkin dengan menawarkan insentif kecil atau kemudahan integrasi. * **Evaluasi Kredivo**: Pahami segmen pelanggan yang menggunakan `Kredivo` dan nilai rata-rata pesanan mereka. Pertimbangkan apakah ada peluang untuk meningkatkan nilai pesanan Kredivo atau apakah itu harus dilihat sebagai alat untuk menjangkau segmen pasar yang berbeda dengan volume transaksi lebih kecil. 4. **Tinjau Strategi Harga Produk Pharos vs. Non-Pharos**: * Analisis menunjukkan bahwa produk Pharos cenderung memiliki `Value RO` per item baris yang lebih rendah. Ini mungkin bagian dari strategi pasar untuk penetrasi yang lebih luas. Namun, penting untuk terus memantau profitabilitas dan mempertimbangkan apakah ada peluang untuk meningkatkan nilai melalui inovasi produk, penyesuaian harga, atau premiumisasi produk Pharos tertentu. 5. **Perbaikan Proses untuk Mengurangi Pembatalan**: * Koefisien negatif untuk `is_cancelled` menegaskan dampak finansial dari pembatalan. Upaya untuk mengurangi `PARTIALLY FULFILLED` dan `FULLY CANCELLED` RO (seperti yang dibahas di Bab 7) akan secara langsung meningkatkan `Value RO` yang terealisasi. Dengan memanfaatkan wawasan dari analisis regresi linier ini, perusahaan dapat secara lebih efektif mengelola portofolio produk, mengoptimalkan strategi harga dan pembayaran, serta meningkatkan kinerja penjualan di berbagai segmen outlet. ## 12. Kesimpulan & Rekomendasi Analisis data eksplorasi yang mendalam terhadap data pemenuhan pesanan pelanggan telah mengungkap berbagai wawasan penting dan anomali yang signifikan, yang menjadi dasar untuk rekomendasi strategis guna meningkatkan kinerja, penjualan, dan kepuasan pelanggan. Tujuan utama dari eksplorasi ini adalah untuk mengidentifikasi pendorong penjualan, memahami efisiensi operasional, dan mengoptimalkan strategi bisnis di masa mendatang. ### Wawasan Kunci #### Kualitas dan Granularitas Data: Fondasi yang Diperkuat Perjalanan analisis dimulai dengan pembersihan data yang cermat. Inkonsistensi dalam identifikasi outlet (misalnya, `Cmc` dan `Nama Outlet` tidak seunik `KodePI` atau `OutCode`) dan diskrepansi dalam hubungan hierarkis dokumen pemenuhan (`No. SP` tidak selalu berpasangan 1:1 dengan `No. DO`) adalah anomali penting yang teridentifikasi. Sebanyak 55 baris item duplikat juga berhasil dihapus, memastikan integritas dan akurasi setiap observasi. Untuk mengatasi status `Repeat Order` (RO) yang tidak konsisten di antara item-item baris, status agregat `RO_Level_Status` (FULLY FULFILLED, PARTIALLY FULFILLED, FULLY CANCELLED) telah diciptakan. Perbaikan ini membentuk fondasi yang kuat untuk analisis yang kredibel. #### Kinerja Pemenuhan Pesanan: Efisiensi dengan Ruang Perbaikan Secara keseluruhan, operasi pemenuhan pesanan menunjukkan efisiensi yang sangat baik, dengan mayoritas pesanan (`93.6%` dari RO unik) berhasil **FULLY FULFILLED**, menyumbang hampir `89.0%` dari total nilai penjualan. Pembatalan total pesanan (`FULLY CANCELLED`) sangat minimal, hanya `0.4%`. Namun, area kritis untuk perbaikan terletak pada pesanan yang **PARTIALLY FULFILLED**. Meskipun hanya `6.0%` dari RO unik yang mengalami pemenuhan sebagian, segmen ini menyumbang `10.8%` dari total nilai penjualan. Ini mengindikasikan bahwa pesanan yang terpenuhi sebagian cenderung memiliki nilai yang lebih tinggi, dan setiap insiden dapat berdampak finansial signifikan. Berikut adalah gambaran kinerja pemenuhan pesanan pada tingkat RO: | RO_Level_Status | Total Value RO | Total Qty RO | Unique RO Count | Value RO (%) | Qty RO (%) | Unique RO (%) | |:--------------------|:------------------|:-------------|:----------------|:-------------|:-----------|:--------------| | FULLY CANCELLED | 153,276,941 | 3,279 | 76 | 0.3 | 0.2 | 0.4 | | FULLY FULFILLED | 49,448,495,736 | 1,290,953 | 19,321 | 88.9 | 89.0 | 93.6 | | PARTIALLY FULFILLED | 6,008,132,624 | 155,973 | 1,248 | 10.8 | 10.8 | 6.0 | #### Performa Produk: Pilar Pendapatan dan Kontribusi Divisi Produk-produk seperti `POLYSILANE TAB. KUNYAH 5X8TAB`, `MICROLAX GEL OBAT PENCAHAR 5ML`, dan `PRORIS SUSP 60 ML RASA JERUK` secara konsisten mendominasi daftar teratas berdasarkan nilai dan kuantitas penjualan, menunjukkan permintaan pasar yang kuat. Analisis regresi linear mengungkapkan bahwa `Divisi_VIBRANT PBF` memiliki dampak positif yang sangat signifikan pada `Value RO` per item baris (koefisien `613,717`), menunjukkan produk dari divisi ini cenderung memiliki nilai transaksi yang jauh lebih tinggi. Sebaliknya, `Divisi_PHARMANET` dan `Divisi_HOSPINET` memiliki koefisien negatif, menunjukkan nilai per item baris yang lebih rendah meskipun volume penjualan `PHARMANET` sangat dominan. Menariknya, koefisien negatif untuk `is_pharos` (`-64,657`) menunjukkan bahwa produk Pharos Grup, rata-rata, memiliki `Value RO` per item baris yang lebih rendah dibandingkan produk non-Pharos setelah mengendalikan faktor lain. Ini mungkin mengindikasikan strategi harga atau target pasar yang berbeda untuk produk inti Pharos. #### Outlet dan Program Apotek Online (AO): Potensi Pertumbuhan Digital Outlet yang berpartisipasi dalam program Apotek Online (AO YN = Y) menunjukkan rata-rata total nilai penjualan per outlet yang lebih tinggi (Rp`13,768,918` vs Rp`10,037,891`) dan frekuensi pesanan yang lebih tinggi (5.8 vs 3.5 pesanan per outlet) dibandingkan outlet non-AO. Ini adalah bukti kuat keberhasilan program AO dalam mendorong aktivitas penjualan. Meskipun demikian, rata-rata nilai pesanan per transaksi untuk outlet AO (Rp`2,613,754`) sedikit lebih rendah dibandingkan non-AO (Rp`3,462,872`). Ini menyiratkan bahwa outlet AO cenderung melakukan pesanan yang lebih sering tetapi dengan nilai transaksi individu yang lebih kecil. Namun, koefisien regresi `is_ao` yang positif (`47,980`) menunjukkan bahwa item baris yang dipesan oleh outlet AO cenderung memiliki `Value RO` yang lebih tinggi, yang mungkin disebabkan oleh pemilihan produk yang lebih premium per unit atau komposisi produk yang berbeda. #### Faktor Pendorong Nilai Pesanan (Value RO) Model regresi linier yang dibangun untuk memprediksi `Value RO` memiliki R-squared sebesar `70.6%`, menunjukkan kemampuan prediksi yang kuat. Berikut adalah fitur-fitur paling berdampak: | Fitur | Koefisien | |:----------------------------|:------------| | Divisi_VIBRANT PBF | 613,717 | | Intercept | 416,898 | | Divisi_VIBRANT 3 | 101,475 | | Payment_BCA Virtual Account | 67,951 | | is_ao | 47,980 | | Qty RO | 23,283 | | order_day_of_week | 4,070 | | Payment_BRIVA | 3,874 | | order_hour | 3,618 | | order_month | 0 | | Payment_Term Of Payment | -1,274 | | is_cancelled | -7,669 | | is_pharos | -64,657 | | Payment_Kredivo | -70,551 | | Divisi_PHARMANET | -353,043 | | Divisi_HOSPINET | -362,149 | * **`Qty RO`**: Koefisien `23,283` menunjukkan bahwa setiap penambahan satu unit kuantitas rata-rata meningkatkan `Value RO` sebesar Rp`23,283`, yang dapat diinterpretasikan sebagai harga rata-rata per unit. * **Divisi**: `Divisi_VIBRANT PBF` memiliki dampak positif terbesar, sementara `Divisi_HOSPINET` dan `Divisi_PHARMANET` memiliki dampak negatif yang signifikan pada `Value RO` per item baris relatif terhadap divisi referensi. * **Payment**: `BCA Virtual Account` berkorelasi positif dengan `Value RO` yang lebih tinggi, sementara `Kredivo` berkorelasi negatif. * **`is_pharos`**: Item baris produk Pharos Grup cenderung memiliki `Value RO` yang lebih rendah. * **`is_ao`**: Item baris yang dipesan oleh outlet AO cenderung memiliki `Value RO` yang lebih tinggi. * **`is_cancelled`**: Koefisien negatif menunjukkan bahwa item baris yang dibatalkan memang memiliki nilai yang lebih rendah. ### Rekomendasi Strategis Berdasarkan wawasan dan anomali yang ditemukan, berikut adalah rekomendasi strategis untuk mendorong peningkatan kinerja dan penjualan: 1. **Penguatan Kualitas dan Tata Kelola Data**: * **Standarisasi Identifikasi Outlet**: Lakukan audit dan standardisasi `Cmc` dan `Nama Outlet` agar konsisten dengan `KodePI`/`OutCode`. Gunakan `KodePI` sebagai kunci utama untuk semua analisis tingkat outlet untuk menghindari ambiguitas dan memastikan akurasi data pelanggan. * **Investigasi Disparitas SP-DO**: Selidiki akar penyebab inkonsistensi antara `No. SP` dan `No. DO`. Apakah ada `SP` yang tidak terlayani atau adanya kesalahan pencatatan? Perbaiki proses atau sistem untuk memastikan hubungan 1:1 yang akurat antara SP dan DO. * **Mencegah Duplikasi Item Baris**: Implementasikan validasi data yang lebih ketat pada saat entri atau migrasi data untuk mencegah duplikasi item baris di masa mendatang. 2. **Optimalisasi Kinerja Pemenuhan Pesanan**: * **Fokus pada Pengurangan `PARTIALLY FULFILLED`**: Identifikasi produk, gudang, atau kombinasi produk yang paling sering memicu pemenuhan sebagian. Prioritaskan SKU bernilai tinggi yang rentan terhadap status ini. Perkuat manajemen inventaris, terutama untuk pesanan `Mixed` (produk Pharos dan non-Pharos), karena kelompok ini menyumbang RO `PARTIALLY FULFILLED` tertinggi. * **Tingkatkan Koordinasi Antar Divisi/Gudang**: Mengingat tantangan pemenuhan pesanan campuran, tingkatkan sinkronisasi stok dan koordinasi logistik antara gudang atau divisi yang menangani produk Pharos dan non-Pharos secara terpisah. * **Komunikasi Proaktif ke Pelanggan**: Siapkan mekanisme untuk memberi tahu pelanggan secara proaktif jika pesanan berisiko `PARTIALLY FULFILLED`, menawarkan opsi alternatif atau penyesuaian untuk mengelola ekspektasi dan kepuasan. 3. **Strategi Produk dan Divisi yang Ditargetkan**: * **Prioritaskan Produk `VIBRANT PBF`**: Manfaatkan kontribusi signifikan `Divisi_VIBRANT PBF` terhadap `Value RO`. Pastikan ketersediaan optimal, dorong pemasaran yang menyoroti nilai, dan eksplorasi peluang untuk memperluas portofolio produk bernilai tinggi di divisi ini. * **Optimalisasi Portofolio `PHARMANET` dan `HOSPINET`**: Meskipun `PHARMANET` mendominasi volume, `Value RO` per item barisnya lebih rendah. Pertimbangkan strategi bundling, *cross-selling* dengan produk bernilai lebih tinggi, atau kampanye promosi untuk meningkatkan persepsi nilai dan margin. Lakukan analisis profitabilitas mendalam untuk semua produk di divisi-divisi ini. * **Evaluasi Strategi Harga Produk Pharos**: Dengan `Value RO` per item baris yang lebih rendah untuk produk Pharos Grup, tinjau strategi penetapan harga. Apakah ada peluang untuk premiumisasi beberapa produk Pharos, atau memperkenal varian produk yang lebih bernilai? 4. **Memaksimalkan Potensi Program Apotek Online (AO)**: * **Akuisisi dan Retensi Outlet AO**: Terus intensifkan upaya untuk mengundang lebih banyak outlet non-AO ke dalam program AO, menyoroti manfaat peningkatan frekuensi pesanan dan total nilai penjualan yang lebih tinggi per outlet. Pertimbangkan program retensi khusus untuk menjaga keterlibatan outlet AO yang sudah ada. * **Tingkatkan Nilai Pesanan Rata-rata (AOV) untuk AO**: Kembangkan strategi untuk meningkatkan AOV di kalangan outlet AO, seperti program insentif untuk pembelian dalam jumlah lebih besar, bundling produk, atau rekomendasi produk yang lebih cerdas dan bernilai tinggi. 5. **Strategi Pembayaran yang Efektif**: * **Promosikan `BCA Virtual Account`**: Mengingat korelasinya yang kuat dengan `Value RO` yang lebih tinggi, dorong penggunaan `BCA Virtual Account` untuk transaksi bernilai tinggi, mungkin melalui insentif atau integrasi yang mulus. * **Pahami Pengguna `Kredivo`**: Kaji lebih dalam segmen pelanggan yang menggunakan `Kredivo`. Metode ini mungkin menjangkau segmen dengan nilai pesanan yang lebih kecil. Pertimbangkan apakah ada peluang untuk meningkatkan nilai pesanan mereka atau apakah ini alat yang efektif untuk menjangkau pasar yang berbeda. 6. **Pembangunan Kapasitas Analisis Tren Penjualan**: * **Pengumpulan Data Historis**: Prioritaskan pengumpulan data transaksi historis minimal 1-2 tahun ke belakang untuk memungkinkan analisis tren musiman dan jangka panjang yang komprehensif. Ini krusial untuk perencanaan strategis yang lebih baik. Dengan menerapkan rekomendasi-rekomendasi ini, perusahaan dapat tidak hanya mengatasi tantangan yang teridentifikasi tetapi juga memanfaatkan peluang tersembunyi untuk pertumbuhan yang berkelanjutan, meningkatkan kepuasan pelanggan, dan mencapai efisiensi operasional yang lebih tinggi.