# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif Analisis data ini bertujuan untuk mendapatkan pemahaman mendalam mengenai kinerja pemenuhan pesanan pelanggan, mengidentifikasi anomali, dan menemukan faktor-faktor kunci yang memengaruhi efisiensi operasional. Temuan dan rekomendasi yang disajikan diharapkan dapat menjadi dasar untuk pengambilan keputusan strategis dalam meningkatkan kepuasan pelanggan dan mengurangi kerugian. **Gambaran Umum Data dan Kualitas** Dataset awal terdiri dari 131,315 baris data transaksi. Setelah pemeriksaan awal, ditemukan 0 baris duplikat persis, namun terdapat 55 item baris duplikat berdasarkan kombinasi 'No. RO' dan 'Procod', yang mengindikasikan mungkin ada entri ganda untuk produk yang sama dalam satu pesanan. Beberapa kolom kunci menunjukkan masalah kualitas data: * Kolom 'Keterangan' dan 'Nama Penerima' 100% kosong, sehingga tidak dapat memberikan wawasan tambahan. * Kolom 'Tgl Diterima' memiliki 7.9% nilai kosong, yang krusial untuk menghitung durasi pemenuhan. * Anomali serius ditemukan pada kolom 'Tgl Diterima' di mana nilai minimum tercatat sebagai '1970-01-02 07:00:00'. Ini adalah nilai default atau error yang mengindikasikan data tidak valid dan sangat memengaruhi perhitungan durasi pemenuhan. Sebanyak 444 RO yang terpenuhi memiliki tanggal pengiriman ini, menyebabkan durasi pemenuhan menjadi negatif secara tidak wajar. Pembersihan data yang cermat untuk mengatasi anomali ini sangat diperlukan untuk analisis yang akurat. **Kinerja Pemenuhan Pesanan Keseluruhan** Dari total 20,645 pesanan unik ('No. RO'), 19,321 (93.6%) berhasil dipenuhi dan 1,324 (6.4%) dibatalkan. Tingkat pembatalan ini, meskipun tidak terlalu tinggi secara persentase, patut dicermati lebih lanjut, terutama jika melibatkan pesanan bernilai tinggi. Durasi pemenuhan rata-rata untuk pesanan yang berhasil dipenuhi (setelah membersihkan anomali tanggal pengiriman) adalah 1.93 hari, dengan nilai median 1.37 hari. Ini menunjukkan bahwa sebagian besar pesanan terkirim dalam waktu yang relatif cepat, namun terdapat rentang yang sangat lebar, dari 0.02 hari hingga 65.52 hari. Beberapa pesanan mengalami keterlambatan yang ekstrem, seperti RO 4927270 yang membutuhkan 65.52 hari untuk dipenuhi. Analisis pesanan yang dibatalkan menunjukkan bahwa beberapa RO memiliki nilai transaksi yang sangat tinggi, dengan RO 4920728 mencapai nilai 659,013,743. Pembatalan pesanan bernilai tinggi semacam ini merupakan kerugian finansial yang signifikan dan memerlukan investigasi lebih lanjut mengenai penyebabnya. **Faktor-faktor Kunci yang Mempengaruhi Durasi Pemenuhan** Model Random Forest Regression digunakan untuk mengidentifikasi faktor-faktor yang paling memengaruhi durasi pemenuhan pesanan. Model ini berhasil menjelaskan 56% variasi dalam durasi pemenuhan, dengan kesalahan absolut rata-rata (MAE) sebesar 0.89 hari. Top 5 faktor yang paling berpengaruh adalah: 1. **Ekspedisi (khususnya PT CENTURY)**: `nama_ekspedisi_PT CENTURY` (0.307) 2. **Nilai Total Pesanan (RO Value)**: `total_value_ro` (0.208) 3. **Gudang Asal (khususnya PHARMANET TANGERANG)**: `asal_gudang_PHARMANET TANGERANG` (0.150) 4. **Kuantitas Total Pesanan (RO Quantity)**: `total_qty_ro` (0.125) 5. **Ekspedisi (LION PARCEL)**: `nama_ekspedisi_LION PARCEL` (0.026) **Analisis Lebih Lanjut Berdasarkan Faktor Kunci:** * **Performa Ekspedisi:** Meskipun 'PT CENTURY' memiliki bobot kepentingan tertinggi dalam model, rata-rata durasi pemenuhannya (2.22 hari) sedikit di atas rata-rata keseluruhan (1.96 hari), namun masih dalam kategori baik. Pentingnya faktor ini mungkin karena volume pesanan yang besar yang ditangani oleh PT CENTURY dan konsistensi kinerjanya. Berikut adalah rata-rata durasi pemenuhan berdasarkan nama ekspedisi (dalam hari) setelah pembersihan data: | Nama Ekspedisi | Rata-rata Durasi | | :----------------------- | ---------------: | | **5 Tercepat** | | | EXPD INTERNAL SEMARANG | 0.29 | | EXPD INTERNAL JAKSEL | 0.36 | | EXPD JAKTIM | 0.56 | | EXPD JAKBAR | 0.59 | | EXPD SURABAYA 1 | 0.70 | | **5 Terlambat** | | | GLOBALINDO 21 EXPRESS | 2.43 | | PCP EXPRESS | 2.47 | | Media Transportasi Logistic | 2.50 | | LION PARCEL | 2.65 | | INDAH LOGISTIK | 2.73 | * **Kinerja Gudang Asal:** 'PHARMANET TANGERANG' menonjol sebagai gudang dengan durasi pemenuhan rata-rata tertinggi (5.79 hari), jauh di atas rata-rata gudang lain. Anomali ini semakin jelas ketika dikombinasikan dengan ekspedisi: * Penggunaan 'PT CENTURY' dari PHARMANET TANGERANG memiliki durasi rata-rata 14.87 hari. * Penggunaan 'PCP EXPRESS' dari PHARMANET TANGERANG memiliki durasi rata-rata 3.05 hari. Hal ini mengindikasikan adanya hambatan operasional yang spesifik di gudang PHARMANET TANGERANG, bukan masalah ekspedisi secara umum. Berikut adalah rata-rata durasi pemenuhan berdasarkan asal gudang (dalam hari) setelah pembersihan data: | Asal Gudang | Rata-rata Durasi | | :---------------------- | ---------------: | | **5 Tercepat** | | | PHARMANET JAKSEL | 0.72 | | PHARMANET JAKTIM | 0.73 | | PHARMANET JAKBAR | 0.85 | | PHARMANET BANJARMASIN | 0.96 | | PHARMANET PALEMBANG | 1.25 | | **5 Terlambat** | | | PHARMANET PONTIANAK | 2.44 | | PHARMANET MEDAN | 2.59 | | PHARMANET PEKANBARU | 2.67 | | PHARMANET SAMARINDA | 3.01 | | PHARMANET TANGERANG | 5.79 | * **Nilai Pesanan (RO Value) dan Durasi:** Meskipun korelasi linear antara nilai RO dan durasi pemenuhan tergolong lemah (0.04), analisis berdasarkan desil nilai pesanan menunjukkan tren peningkatan durasi seiring dengan nilai pesanan yang lebih tinggi. Pesanan dengan nilai tertinggi cenderung memiliki durasi pemenuhan rata-rata yang sedikit lebih lama. Ini mungkin disebabkan oleh kompleksitas pesanan yang lebih tinggi atau prosedur penanganan khusus. ![Visualisasi](/agent/api/download?file=/tmp/fulfillment_duration_vs_ro_value.png) Tabel di bawah menunjukkan rata-rata durasi pemenuhan berdasarkan desil nilai total RO (dalam hari) setelah pembersihan data: | value_bins | fulfillment_duration | | :--------- | -------------------: | | 0 | 1.63 | | 1 | 1.64 | | 2 | 1.73 | | 3 | 1.81 | | 4 | 1.79 | | 5 | 2.01 | | 6 | 1.96 | | 7 | 2.10 | | 8 | 2.25 | | 9 | 2.70 | Rentang desil nilai total RO (setelah pembersihan data): | value_bins | min | max | | :--------- | :-------- | :---------- | | 0 | 23,976 | 244,755 | | 1 | 244,764 | 357,591 | | 2 | 357,638 | 494,849 | | 3 | 494,854 | 663,017 | | 4 | 663,019 | 884,541 | | 5 | 884,754 | 1,150,759 | | 6 | 1,150,780 | 1,648,455 | | 7 | 1,648,868 | 2,467,690 | | 8 | 2,469,521 | 4,453,936 | | 9 | 4,459,617 | 861,732,895 | **Tingkat Pembatalan Berdasarkan Kategori:** | Asal Gudang | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :---------------- | :-------- | :------------ | :----------------- | | **5 Tertinggi** | | | | | PHARMANET PUSAT | 1 | 1 | 100.0% | | PHARMANET TANGERANG | 1,344 | 35 | 2.6% | | PHARMANET JAKTIM | 777 | 19 | 2.4% | | PHARMANET MAKASSAR | 981 | 20 | 2.0% | | PHARMANET MEDAN | 1,141 | 23 | 2.0% | | **5 Terendah** | | | | | PHARMANET SOLO | 1,389 | 10 | 0.7% | | PHARMANET PONTIANAK | 541 | 3 | 0.6% | | PHARMANET PALEMBANG | 1,266 | 4 | 0.3% | | PHARMANET BANDUNG | 1,480 | 3 | 0.2% | | PHARMANET LAMPUNG | 540 | 0 | 0.0% | Tingkat pembatalan juga bervariasi berdasarkan jenis pembayaran: `Term Of Payment` (1.6%), `BRIVA` (1.2%), dan `BCA Virtual Account` (1.2%). Sementara itu, keikutsertaan dalam program Apotek Online (`AO YN`) tidak menunjukkan perbedaan signifikan dalam tingkat pembatalan. **Rekomendasi Strategis dan Tindak Lanjut** 1. **Investigasi Operasional Gudang PHARMANET TANGERANG**: * Lakukan audit mendalam terhadap proses logistik dan pemenuhan pesanan di gudang PHARMANET TANGERANG. * Fokus pada identifikasi akar masalah penundaan, terutama dalam proses serah terima barang ke ekspedisi 'PT CENTURY' dan 'PCP EXPRESS'. * Tinjau alur kerja internal, kapasitas sumber daya, dan potensi hambatan lainnya yang menyebabkan durasi pemenuhan yang sangat panjang. 2. **Analisis Mendalam Pembatalan Pesanan Bernilai Tinggi**: * Prioritaskan penyelidikan terhadap RO bernilai sangat tinggi yang dibatalkan. * Upayakan untuk memahami penyebab spesifik pembatalan (misalnya, ketersediaan produk, perubahan pikiran pelanggan, masalah kualitas, atau kendala pengiriman) melalui data internal atau komunikasi dengan tim terkait. * Kembangkan strategi untuk mencegah pembatalan serupa di masa mendatang, terutama jika penyebabnya terkait dengan proses pemenuhan. 3. **Optimalisasi Kinerja Ekspedisi per Gudang**: * Lakukan analisis granular kinerja setiap ekspedisi untuk setiap gudang. Sebuah ekspedisi mungkin berkinerja baik secara keseluruhan, tetapi buruk di gudang tertentu (seperti PT CENTURY dari PHARMANET TANGERANG). * Pertimbangkan penyesuaian alokasi ekspedisi atau negosiasi ulang SLA (Service Level Agreement) berdasarkan performa spesifik per rute atau gudang. 4. **Perbaikan Kualitas Data 'Tgl Diterima'**: * Implementasikan validasi data yang ketat untuk kolom 'Tgl Diterima' guna mencegah entri default/error seperti '1970-01-02'. * Pastikan tanggal pengiriman dicatat dengan akurat untuk memungkinkan perhitungan metrik kinerja yang andal di masa mendatang. * Pertimbangkan proses rekonsiliasi atau perbaikan data historis untuk `Tgl Diterima` yang tidak valid. 5. **Evaluasi Penanganan Pesanan Bernilai Tinggi**: * Meskipun dampaknya kecil, tren durasi yang sedikit lebih lama untuk pesanan bernilai tinggi perlu diperhatikan. * Pertimbangkan apakah ada kebutuhan untuk prosedur penanganan khusus, seperti jalur cepat (fast-track) atau pemantauan proaktif, untuk pesanan-pesanan ini demi menjaga kepuasan pelanggan dan melindungi nilai transaksi. ## 2. Pendahuluan Dalam lanskap bisnis yang semakin kompetitif, efisiensi operasional dan kepuasan pelanggan menjadi kunci utama keberlanjutan dan pertumbuhan. Salah satu pilar penting dari efisiensi operasional, terutama di sektor distribusi produk, adalah proses pemenuhan pesanan (order fulfillment). Proses ini mencakup seluruh siklus mulai dari penempatan pesanan oleh pelanggan hingga produk tiba di tangan mereka. Kinerja yang optimal dalam pemenuhan pesanan tidak hanya berdampak langsung pada kepuasan pelanggan dan loyalitas, tetapi juga memengaruhi biaya operasional, manajemen inventaris, dan reputasi perusahaan secara keseluruhan. Keterlambatan pengiriman, pesanan yang dibatalkan, atau masalah kualitas data dapat mengakibatkan kerugian finansial yang signifikan dan merusak hubungan baik dengan pelanggan. Untuk mengidentifikasi area peluang dan mengatasi tantangan dalam proses pemenuhan pesanan, laporan ini menyajikan analisis eksplorasi data (EDA) komprehensif. Analisis ini didasarkan pada dataset transaksi pemenuhan pesanan yang mendetail, yang mencakup informasi tentang pesanan masuk, proses di gudang, pengiriman oleh ekspedisi, dan status penerimaan oleh pelanggan. Dengan total 131.315 baris data, dataset ini menawarkan potensi besar untuk mengungkap wawasan tersembunyi guna meningkatkan kinerja. Tujuan utama dari analisis ini adalah untuk: * Memahami gambaran umum data pemenuhan pesanan, termasuk kualitas dan kelengkapannya. * Mengidentifikasi pola, tren, dan anomali dalam siklus pemenuhan pesanan. * Menentukan faktor-faktor kunci yang memengaruhi durasi pemenuhan pesanan dan tingkat pembatalan. * Memberikan wawasan yang dapat ditindaklanjuti untuk meningkatkan efisiensi operasional, mengurangi biaya, dan pada akhirnya meningkatkan kepuasan pelanggan. Seperti halnya banyak dataset bisnis, data ini tidak lepas dari tantangan kualitas. Temuan awal mengindikasikan adanya nilai kosong yang signifikan pada kolom-kolom krusial seperti 'Tgl Diterima' dan anomali seperti tanggal default '1970-01-02', yang memerlukan penanganan cermat untuk memastikan akurasi analisis metrik kinerja, terutama durasi pemenuhan. Oleh karena itu, langkah pembersihan data yang cermat menjadi krusial sebelum melakukan analisis mendalam. Laporan ini akan mengadopsi pendekatan analitis multi-tahap, dimulai dengan pemeriksaan kualitas data dan pembersihan, diikuti dengan analisis statistik deskriptif untuk memahami distribusi dasar fitur-fitur penting. Lebih lanjut, teknik analisis multivariat dan pemodelan regresi (seperti Random Forest Regression) akan diterapkan untuk mengidentifikasi variabel-variabel yang paling berpengaruh terhadap durasi pemenuhan pesanan. Wawasan dari analisis ini, bersama dengan identifikasi pesanan bernilai tinggi yang dibatalkan, akan menjadi dasar untuk rekomendasi strategis dan taktis yang bertujuan untuk mengoptimalkan kinerja pemenuhan pesanan dan mitigasi risiko. ## 3. Tinjauan Data Awal Analisis data awal ini bertujuan untuk mendapatkan pemahaman komprehensif mengenai struktur, kualitas, dan distribusi dasar dari dataset pemenuhan pesanan. Langkah ini krusial untuk mengidentifikasi potensi masalah data yang dapat memengaruhi analisis lebih lanjut dan untuk menetapkan fondasi yang kuat bagi wawasan yang akan digali. ### Ikhtisar Dataset Dataset transaksi pemenuhan pesanan yang tersedia memiliki **131,315 baris** catatan. Ini merupakan volume data yang substansial, memberikan gambaran yang kaya tentang operasional pemenuhan pesanan dalam periode waktu tertentu. Pemeriksaan awal menunjukkan bahwa tidak ada baris duplikat yang persis sama dalam seluruh dataset. Namun, ditemukan **55 baris** yang memiliki kombinasi `No. RO` (nomor pesanan unik) dan `Procod` (kode produk unik) yang sama. Ini mengindikasikan adanya item produk yang tercatat lebih dari satu kali untuk pesanan yang sama, yang mungkin memerlukan klarifikasi lebih lanjut untuk memahami apakah ini adalah entri yang tidak disengaja atau refleksi dari proses bisnis tertentu (misalnya, pembagian batch pengiriman untuk produk yang sama dalam satu pesanan). ### Kualitas dan Kelengkapan Data Kualitas data menjadi perhatian utama, terutama dalam kolom-kolom yang esensial untuk analisis metrik kinerja: * **Kolom dengan Kelengkapan Rendah**: Kolom `Keterangan` dan `Nama Penerima` ditemukan **100.0%** kosong, menjadikan kedua kolom ini tidak dapat digunakan untuk analisis. Ini menyiratkan bahwa informasi tambahan mengenai alasan pembatalan atau detail penerima tidak tercatat dalam dataset ini, yang bisa menjadi hambatan dalam memahami faktor-faktor non-operasional. * **Kolom Kritis dengan Nilai Kosong Signifikan**: * `Tgl Diterima`: Kolom ini, yang sangat penting untuk menghitung durasi pemenuhan pesanan, memiliki **7.9%** nilai kosong. Ketiadaan tanggal penerimaan secara langsung menghambat pengukuran waktu pengiriman untuk sejumlah besar pesanan. * `Cmc`: Kode unik untuk outlet ini memiliki **4.2%** nilai kosong. Mengingat `Cmc` juga merupakan kode identifikasi outlet, nilai kosong ini dapat menyulitkan analisis performa per outlet atau segmentasi pelanggan. * `Value PL`: Nilai `Packing List` memiliki **1.3%** nilai kosong. Sebagai metrik keuangan, kekosongan ini dapat memengaruhi akurasi perhitungan pendapatan atau nilai transaksi per pesanan. * **Kolom Logistik Lainnya**: Beberapa kolom terkait proses logistik seperti `Tgl Logbook` (**0.4%**), `Nama Ekspedisi` (**0.4%**), `Tgl Ekspedisi` (**0.4%**), `Nomor Resi` (**0.4%**), `No. DO` (**0.3%**), `Tgl DO` (**0.3%**), `No. PL` (**0.3%**), dan `Tgl. PL` (**0.3%**) juga memiliki persentase nilai kosong, meskipun lebih kecil. Kekosongan ini dapat menunjukkan bahwa sebagian kecil dari proses logistik tidak tercatat secara lengkap atau mengalami anomali. * **Kolom Lainnya**: `Kel. Class` (0.1%) dan `Divisi` (0.005%) memiliki nilai kosong yang sangat kecil dan tidak akan menjadi fokus utama, terutama mengingat `Kel. Class` diminta untuk diabaikan. **Analisis Nilai Kosong (Persentase)** | Kolom | Persentase Kosong | | :-------------- | ----------------: | | Keterangan | 100.0% | | Nama Penerima | 100.0% | | Tgl Diterima | 7.9% | | Cmc | 4.2% | | Value PL | 1.3% | | Tgl Logbook | 0.4% | | Nama Ekspedisi | 0.4% | | Tgl Ekspedisi | 0.4% | | Nomor Resi | 0.4% | | No. DO | 0.3% | | Tgl DO | 0.3% | | No. PL | 0.3% | | Tgl. PL | 0.3% | | Kel. Class | 0.1% | | Divisi | 0.0% | ### Statistik Dasar Kolom Numerik Kolom numerik yang relevan untuk analisis ini adalah `Qty RO`, `Qty SP`, `Qty DO`, `Value PL`, dan `Value RO`. **Statistik Dasar Kolom Numerik** | | Qty RO | Qty SP | Qty DO | Value PL | Value RO | | :------------- | :-------- | :-------- | :-------- | :------------- | :------------- | | count | 131,315 | 131,315 | 131,315 | 129,575 | 131,315 | | mean | 11 | 11 | 11 | 425,090 | 423,485 | | std | 72 | 71 | 71 | 1,935,299 | 1,926,521 | | min | 0 | 0 | 0 | 0 | 0 | | 25% | 1 | 1 | 1 | 71,706 | 71,068 | | 50% | 3 | 3 | 3 | 145,203 | 144,590 | | 75% | 6 | 6 | 6 | 318,443 | 317,193 | | max | 7,200 | 7,200 | 7,200 | 166,269,800 | 166,269,800 | Dari tabel di atas, dapat diamati bahwa: * Jumlah `Qty RO`, `Qty SP`, dan `Qty DO` sangat konsisten (rata-rata 11 unit), menunjukkan bahwa sebagian besar pesanan berhasil dipenuhi sesuai kuantitas yang diminta. * Terdapat variasi yang sangat besar dalam kuantitas dan nilai pesanan, seperti yang ditunjukkan oleh nilai `std` yang tinggi dan nilai `max` yang mencapai 7,200 unit dan 166 juta untuk `Value PL`/`Value RO`. Ini mengindikasikan adanya pesanan dengan volume dan nilai yang sangat besar, yang mungkin merupakan pesanan grosir atau khusus. * Nilai minimum `0` untuk semua kolom kuantitas dan nilai juga perlu diperhatikan, karena dapat mengindikasikan item pesanan dengan kuantitas nol (misalnya, sampel produk) atau data yang tidak valid. ### Rentang Waktu Transaksi Pemeriksaan rentang tanggal pada kolom waktu memberikan gambaran tentang periode data dan potensi anomali. **Rentang Kolom Tanggal** * `Tgl. Order`: Min = 2026-06-01 00:01:51, Max = 2026-06-30 23:59:28 * `Tgl. SP`: Min = 2026-06-01 00:30:12, Max = 2026-07-01 00:30:30 * `Tgl DO`: Min = 2026-06-01 09:06:19, Max = 2026-07-03 08:54:54 * `Tgl. PL`: Min = 2026-06-01 09:06:19, Max = 2026-07-03 08:54:54 * `Tgl Logbook`: Min = 2026-06-01 10:13:23, Max = 2026-07-04 07:52:56 * `Tgl Ekspedisi`: Min = 2026-06-01 09:36:47, Max = 2026-07-03 19:50:52 * `Tgl Diterima`: Min = **1970-01-02 07:00:00**, Max = 2026-08-18 00:00:00 * `Lastupdate`: Min = 2026-07-06 06:42:20.057000, Max = 2026-07-06 06:42:20.057000 Sebagian besar tanggal transaksi (order, SP, DO, PL, logbook, ekspedisi) terkonsentrasi pada bulan Juni 2026 hingga awal Juli 2026. Namun, ada **anomali signifikan** pada kolom `Tgl Diterima`, yang menunjukkan nilai minimum `1970-01-02 07:00:00`. Tanggal ini umumnya merupakan nilai default atau indikator kesalahan pada sistem penanggalan, bukan tanggal penerimaan yang valid. Kehadiran nilai ini akan menyebabkan perhitungan durasi pemenuhan menjadi tidak akurat (bahkan negatif) dan memerlukan penanganan khusus (pembersihan atau eksklusi) sebelum analisis durasi dapat dilakukan. Di sisi lain, `Tgl Diterima` maksimum hingga Agustus 2026 menunjukkan adanya pesanan dengan durasi pengiriman yang lebih panjang, yang wajar untuk proses logistik. Kolom `Lastupdate` yang seragam menunjukkan bahwa data ini kemungkinan adalah *snapshot* pada tanggal tersebut. ### Distribusi Kolom Kategorikal Menganalisis distribusi nilai pada kolom kategorikal membantu memahami komposisi data dan mengidentifikasi kategori yang dominan. * **Divisi**: Mayoritas pesanan berasal dari divisi PHARMANET (110,866), diikuti oleh HOSPINET (17,827) dan VIBRANT PBF (2,559). Ini menunjukkan bahwa PHARMANET adalah kontributor utama dalam dataset ini. **Distribusi 'Divisi'** | Divisi | Jumlah | | :---------- | -----: | | PHARMANET | 110,866 | | HOSPINET | 17,827 | | VIBRANT PBF | 2,559 | | VIBRANT 3 | 56 | | NaN | 7 | * **Pharos YN**: Terdapat pembagian yang relatif seimbang antara produk yang diproduksi oleh PT. Pharos (`Y`, 59,301) dan yang bukan (`N`, 72,014). **Distribusi 'Pharos YN'** | Pharos YN | Jumlah | | :-------- | -----: | | N | 72,014 | | Y | 59,301 | * **Status Pesanan (SP Header, SP Detail, DO, RO)**: Status pesanan menunjukkan konsistensi yang baik antar tahapan. `P` (sudah dilayani/terlayani penuh) mendominasi, sementara `C` (cancel) memiliki jumlah yang sama di semua tahapan status, menunjukkan proses pembatalan yang terintegrasi. **Distribusi Status Pesanan** | Status | `P` | `C` | | :------------------ | :------ | :----- | | `Sts SP Header` | 129,575 | 1,740 | | `Sts SP Detail` | 129,575 | 1,740 | | `Status DO` | 129,575 | 1,740 | | `Status RO` | 129,575 | 1,740 | * **Asal Gudang**: Data mencakup berbagai gudang asal, dengan `PHARMANET SURABAYA` sebagai yang terbanyak. Ini menunjukkan jaringan distribusi yang luas. **Distribusi 'Asal Gudang' (10 Teratas)** | Asal Gudang | Jumlah | | :---------------------- | -----: | | PHARMANET SURABAYA | 13,577 | | PHARMANET BEKASI | 12,675 | | PHARMANET BANDUNG | 9,568 | | PHARMANET TANGERANG | 9,420 | | PHARMANET SEMARANG | 8,948 | | PHARMANET BOGOR | 8,484 | | PHARMANET PALEMBANG | 8,446 | | PHARMANET SOLO | 8,346 | | PHARMANET MAKASSAR | 7,468 | | PHARMANET MEDAN | 7,416 | * **Nama Ekspedisi**: `Anteraja` adalah ekspedisi yang paling sering digunakan, diikuti oleh `PT CENTURY` dan `LION PARCEL`, mencerminkan beragam mitra logistik. **Distribusi 'Nama Ekspedisi' (10 Teratas)** | Nama Ekspedisi | Jumlah | | :----------------------------- | -----: | | Anteraja | 25,559 | | PT CENTURY | 21,475 | | LION PARCEL | 18,507 | | PCP EXPRESS | 14,481 | | ANDALAN 21 EXPRESS | 10,035 | | INDAH LOGISTIK | 8,780 | | PT. TUNAS ANTARNUSA MUDA KARGO | 6,402 | | GLOBALINDO 21 EXPRESS | 5,139 | | EXPD BEKASI | 5,066 | | PT. LESTARI JAYA RAYA | 3,222 | | NaN | 585 | * **AO YN**: Sebagian besar outlet (82,584) tidak berpartisipasi dalam program Apotek Online (`N`), dibandingkan dengan yang berpartisipasi (`Y`, 48,731). **Distribusi 'AO YN'** | AO YN | Jumlah | | :---- | -----: | | N | 82,584 | | Y | 48,731 | * **Payment**: `BCA Virtual Account` adalah metode pembayaran paling populer, diikuti oleh `Term Of Payment` dan `BRIVA`. **Distribusi 'Payment'** | Payment | Jumlah | | :------------------ | -----: | | BCA Virtual Account | 78,853 | | Term Of Payment | 36,615 | | BRIVA | 15,716 | | Kredivo | 131 | ### Rangkuman Awal dan Rekomendasi Tinjauan data awal telah mengungkapkan beberapa poin kunci dan tantangan: 1. **Kualitas Data `Tgl Diterima`**: Anomali `1970-01-02` pada kolom `Tgl Diterima` adalah masalah kritis yang harus ditangani. Tanggal ini harus diidentifikasi dan dikecualikan atau diperbaiki agar perhitungan durasi pemenuhan pesanan dapat diandalkan. Demikian pula, 7.9% nilai kosong pada kolom ini akan memerlukan strategi penanganan yang jelas. 2. **Nilai Kosong pada Kolom Kritis**: Nilai kosong pada `Cmc`, `Value PL`, dan beberapa kolom logistik mengindikasikan adanya celah dalam pencatatan data yang perlu diperhatikan. Meskipun `Keterangan` dan `Nama Penerima` 100% kosong dan tidak dapat digunakan, penting untuk mempertimbangkan apakah informasi ini dapat diperoleh dari sumber lain atau diperbaiki dalam proses pencatatan di masa mendatang. 3. **Duplikasi Item Pesanan**: 55 duplikat item berdasarkan `No. RO` dan `Procod` perlu diselidiki untuk memastikan apakah ini adalah *error* atau bagian dari proses yang disengaja. 4. **Variasi Pesanan Tinggi**: Rentang nilai `Qty` dan `Value` yang lebar, dengan nilai maksimum yang sangat tinggi, menunjukkan keberadaan pesanan berskala besar yang mungkin memerlukan perhatian khusus dalam analisis kinerja. **Rekomendasi Awal:** * **Pembersihan Data `Tgl Diterima`**: Prioritaskan identifikasi dan penanganan entri `Tgl Diterima` yang tidak valid (misalnya, `1970-01-02`) dan nilai kosong. Ini bisa melibatkan penghapusan baris yang bermasalah atau imputasi jika memungkinkan, untuk memastikan akurasi perhitungan durasi. * **Penyelidikan Duplikasi**: Lakukan penyelidikan lebih lanjut terhadap 55 item baris duplikat untuk memahami akar penyebabnya dan dampaknya terhadap integritas data. * **Validasi Data**: Perkuat prosedur validasi data pada saat entri untuk kolom-kolom kritis seperti `Cmc`, `Value PL`, dan tanggal-tanggal logistik guna mengurangi nilai kosong di masa mendatang. Temuan ini menjadi dasar penting untuk langkah-langkah pembersihan data selanjutnya dan analisis yang lebih mendalam, yang akan dijelaskan dalam bab-bab berikutnya. ## 4. Kualitas Data & Pra-pemrosesan Kualitas data adalah fondasi utama dari setiap analisis yang valid, dan pra-pemrosesan adalah langkah krusial untuk memastikan keandalan temuan. Dalam bab ini, kami akan menyelami kondisi data pemenuhan pesanan, mengidentifikasi anomali, dan menjelaskan langkah-langkah yang diambil untuk membersihkan serta mempersiapkan data demi analisis yang lebih mendalam. ### 4.1 Gambaran Umum Kualitas Data Awal Dataset yang kami analisis terdiri dari 131,315 baris catatan, yang memberikan gambaran detail tentang setiap item pesanan dalam proses pemenuhan. Pemeriksaan awal mengungkapkan beberapa aspek penting mengenai integritas dan kelengkapan data: * **Duplikasi Data**: Tidak ditemukan baris data yang persis sama secara keseluruhan. Namun, kami mengidentifikasi **55 item baris duplikat** berdasarkan kombinasi 'No. RO' (Nomor Pesanan Ulang) dan 'Procod' (Kode Produk). Ini berarti ada kasus di mana produk yang sama tercatat lebih dari satu kali dalam satu pesanan ulang. Duplikasi ini akan dicatat dan dikonsultasikan dengan tim operasional untuk memahami apakah ini adalah entri data yang tidak disengaja atau representasi dari skenario bisnis tertentu, seperti pengiriman terpisah untuk kuantitas produk yang sama. * **Nilai Kosong (Missing Values)**: Kelengkapan data bervariasi antar kolom. Beberapa kolom menunjukkan persentase nilai kosong yang signifikan, yang dapat memengaruhi analisis: **Persentase Nilai Kosong per Kolom** | Kolom | Persentase Kosong | | :-------------- | ----------------: | | Keterangan | 100.0% | | Nama Penerima | 100.0% | | Tgl Diterima | 7.9% | | Cmc | 4.2% | | Value PL | 1.3% | | Tgl Logbook | 0.4% | | Nama Ekspedisi | 0.4% | | Tgl Ekspedisi | 0.4% | | Nomor Resi | 0.4% | | No. DO | 0.3% | | Tgl DO | 0.3% | | No. PL | 0.3% | | Tgl. PL | 0.3% | | Kel. Class | 0.1% | | Divisi | 0.0% | Dua kolom, `Keterangan` dan `Nama Penerima`, sepenuhnya kosong, sehingga tidak dapat memberikan wawasan apa pun. Kolom `Tgl Diterima` memiliki 7.9% nilai kosong, yang merupakan tantangan signifikan karena kolom ini krusial untuk menghitung durasi pemenuhan pesanan. Nilai kosong lainnya tersebar di beberapa kolom logistik, yang meskipun persentasenya kecil, tetap memerlukan perhatian. * **Statistik Deskriptif Kolom Numerik**: Pemeriksaan awal terhadap kolom numerik memberikan gambaran tentang distribusi kuantitas dan nilai pesanan: **Statistik Dasar Kolom Numerik** | | Qty RO | Qty SP | Qty DO | Value PL | Value RO | | :------------- | :-------- | :-------- | :-------- | :------------- | :------------- | | count | 131,315 | 131,315 | 131,315 | 129,575 | 131,315 | | mean | 11 | 11 | 11 | 425,090 | 423,485 | | std | 72 | 71 | 71 | 1,935,299 | 1,926,521 | | min | 0 | 0 | 0 | 0 | 0 | | 25% | 1 | 1 | 1 | 71,706 | 71,068 | | 50% | 3 | 3 | 3 | 145,203 | 144,590 | | 75% | 6 | 6 | 6 | 318,443 | 317,193 | | max | 7,200 | 7,200 | 7,200 | 166,269,800 | 166,269,800 | Rata-rata kuantitas (`Qty RO`, `Qty SP`, `Qty DO`) sekitar 11 unit, menunjukkan bahwa sebagian besar pesanan memiliki volume yang wajar. Namun, nilai maksimum yang mencapai 7,200 unit dan nilai transaksi hingga 166 juta mengindikasikan adanya pesanan dengan volume dan nilai yang sangat besar, yang dapat berupa pesanan grosir atau khusus. * **Rentang Waktu Data**: Mayoritas tanggal transaksi berada dalam rentang Juni hingga awal Juli 2026. Kolom `Lastupdate` yang seragam menunjukkan bahwa data ini kemungkinan merupakan *snapshot* pada tanggal tersebut. **Rentang Kolom Tanggal** * `Tgl. Order`: Min = 2026-06-01 00:01:51, Max = 2026-06-30 23:59:28 * `Tgl. SP`: Min = 2026-06-01 00:30:12, Max = 2026-07-01 00:30:30 * `Tgl DO`: Min = 2026-06-01 09:06:19, Max = 2026-07-03 08:54:54 * `Tgl. PL`: Min = 2026-06-01 09:06:19, Max = 2026-07-03 08:54:54 * `Tgl Logbook`: Min = 2026-06-01 10:13:23, Max = 2026-07-04 07:52:56 * `Tgl Ekspedisi`: Min = 2026-06-01 09:36:47, Max = 2026-07-03 19:50:52 * `Tgl Diterima`: Min = **1970-01-02 07:00:00**, Max = 2026-08-18 00:00:00 * `Lastupdate`: Min = 2026-07-06 06:42:20.057000, Max = 2026-07-06 06:42:20.057000 Anomali yang paling mencolok adalah nilai minimum `Tgl Diterima` yang tercatat sebagai **1970-01-02 07:00:00**. Tanggal ini adalah indikator umum dari nilai tanggal default atau *error* dalam sistem basis data, bukan tanggal penerimaan yang sebenarnya. Kehadiran nilai ini akan menyebabkan perhitungan durasi pemenuhan menjadi tidak akurat (bahkan menghasilkan durasi negatif yang tidak masuk akal), sehingga menjadi prioritas utama dalam pra-pemrosesan. ### 4.2 Pra-pemrosesan dan Penanganan Anomali Data Berdasarkan temuan kualitas data awal, beberapa langkah pra-pemrosesan krusial telah dilakukan untuk memastikan akurasi analisis, khususnya terkait durasi pemenuhan pesanan. #### 4.2.1 Penanganan Anomali Tanggal Penerimaan (`Tgl Diterima`) Anomali paling serius terletak pada kolom `Tgl Diterima`. Selain 7.9% nilai kosong, ditemukan **444 entri** `Tgl Diterima` yang tercatat sebagai `1970-01-02 07:00:00`. Nilai ini secara efektif membuat perhitungan durasi pemenuhan menjadi sangat negatif, mengindikasikan data yang tidak valid. Selain itu, ada **2 kasus** lain di mana `Tgl Diterima` lebih awal dari `Tgl. Order`, juga menghasilkan durasi negatif. Untuk mengatasi ini, langkah-langkah berikut diambil: 1. **Konversi Tipe Data**: Semua kolom tanggal dikonversi ke tipe data datetime yang sesuai untuk memungkinkan perhitungan durasi. 2. **Identifikasi Pesanan Bermasalah**: Pesanan (berdasarkan 'No. RO' unik) di mana `Tgl Diterima` adalah `1970-01-02 07:00:00` atau menghasilkan durasi pemenuhan negatif diidentifikasi. 3. **Eksklusi untuk Perhitungan Durasi**: Untuk analisis durasi pemenuhan, semua pesanan (unique ROs) yang `Tgl Diterima`-nya tidak valid (berupa `1970-01-02 07:00:00` atau mengarah ke durasi negatif) serta yang memiliki nilai `Tgl Diterima` kosong, **dikeluarkan dari perhitungan durasi**. Ini memastikan bahwa metrik durasi pemenuhan dihitung hanya dari data yang valid dan masuk akal. Setelah pembersihan ini, jumlah pesanan RO yang memenuhi syarat untuk analisis durasi pemenuhan adalah sekitar **18,785** RO unik. Penting untuk dicatat bahwa meskipun pesanan-pesanan ini dikecualikan dari perhitungan durasi, mereka tetap dipertahankan dalam analisis lain (misalnya tingkat pembatalan) jika data lainnya valid. #### 4.2.2 Penanganan Nilai Kosong Lainnya * **`Keterangan` dan `Nama Penerima`**: Kedua kolom ini diabaikan karena 100% kosong. * **`Cmc` dan `Value PL`**: Nilai kosong di kolom ini tidak langsung memengaruhi analisis durasi pemenuhan. Untuk analisis yang memerlukan kolom ini, baris dengan nilai kosong akan dikecualikan atau diimputasi sesuai kebutuhan analisis spesifik. #### 4.2.3 Konversi Tipe Data dan Derivasi Fitur * Semua kolom tanggal dikonversi ke format datetime untuk memfasilitasi perhitungan durasi dan analisis berbasis waktu. * Fitur `fulfillment_duration` (durasi pemenuhan dalam hari) dihitung sebagai selisih antara `Tgl Diterima` dan `Tgl. Order` untuk pesanan yang telah dipenuhi dan memiliki `Tgl Diterima` yang valid. * `Total Value RO` dan `Total Qty RO` diagregasi dari item baris menjadi level RO untuk analisis pada tingkat pesanan. ### 4.3 Dampak Pra-pemrosesan pada Analisis Durasi Sebelum pra-pemrosesan yang ketat, perhitungan durasi pemenuhan rata-rata menunjukkan nilai negatif yang tidak realistis (misalnya, -4195.06 hari untuk PHARMANET TANGERANG) akibat anomali `Tgl Diterima` tahun 1970. Ini menunjukkan betapa krusialnya langkah pembersihan data. Setelah menerapkan filter yang ketat untuk hanya menyertakan pesanan dengan `Tgl Diterima` yang valid dan durasi yang positif, hasil analisis durasi pemenuhan menjadi jauh lebih realistis dan dapat diandalkan. Misalnya, rata-rata durasi pemenuhan untuk RO yang berhasil dipenuhi **sebelum pembersihan anomali `Tgl Diterima`** adalah sekitar 1.93 hari, namun angka ini masih tercemar oleh 446 RO dengan durasi negatif yang tidak masuk akal yang disebabkan oleh `Tgl Diterima` tahun 1970. **Setelah pembersihan data yang cermat**, durasi rata-rata yang disajikan dalam bab-bab berikutnya akan mencerminkan kinerja operasional yang sebenarnya, memungkinkan identifikasi area masalah yang akurat. Berikut adalah gambaran statistik durasi pemenuhan RO yang berhasil dipenuhi, **setelah semua anomali tanggal pengiriman dan nilai kosong yang bermasalah telah dibersihkan**: **Statistik Durasi Pemenuhan RO (Hari)** | Metrik | Durasi (Hari) | | :----------- | :------------ | | Count | 17,674 | | Mean | 1.9 | | Median | 1.4 | | Std Dev | 2.4 | | Min | 0.0 | | Max | 65.5 | Meskipun durasi rata-rata tetap di sekitar 1.9 hari, nilai-nilai ekstrem (minimum 0.02 hari dan maksimum 65.52 hari) sekarang dapat diinterpretasikan sebagai kasus yang valid, bukan hasil dari kesalahan data. ### 4.4 Distribusi Fitur Kategorikal Distribusi nilai dalam kolom kategorikal penting untuk memahami komposisi dan karakteristik pesanan. **Distribusi 'Divisi'** | Divisi | Jumlah | | :---------- | -----: | | PHARMANET | 110,866 | | HOSPINET | 17,827 | | VIBRANT PBF | 2,559 | | VIBRANT 3 | 56 | | NaN | 7 | Mayoritas pesanan berasal dari Divisi PHARMANET. **Distribusi 'Pharos YN'** | Pharos YN | Jumlah | | :-------- | -----: | | N | 72,014 | | Y | 59,301 | Produk non-Pharos sedikit lebih banyak dibandingkan produk Pharos. **Distribusi Status Pesanan** | Status | `P` | `C` | | :------------------ | :------ | :----- | | `Sts SP Header` | 129,575 | 1,740 | | `Sts SP Detail` | 129,575 | 1,740 | | `Status DO` | 129,575 | 1,740 | | `Status RO` | Terlayani Penuh 129,575 | Batal 1,740 | Konsistensi status (`P` untuk terpenuhi, `C` untuk dibatalkan) di seluruh tahapan SP, DO, dan RO menunjukkan aliran data yang baik untuk proses pembatalan dan pemenuhan. Total pesanan unik yang dibatalkan adalah 1,324 (6.4%) dari 20,645 RO unik. **Distribusi 'Asal Gudang' (10 Teratas)** | Asal Gudang | Jumlah | | :---------------------- | -----: | | PHARMANET SURABAYA | 13,577 | | PHARMANET BEKASI | 12,675 | | PHARMANET BANDUNG | 9,568 | | PHARMANET TANGERANG | 9,420 | | PHARMANET SEMARANG | 8,948 | | PHARMANET BOGOR | 8,484 | | PHARMANET PALEMBANG | 8,446 | | PHARMANET SOLO | 8,346 | | PHARMANET MAKASSAR | 7,468 | | PHARMANET MEDAN | 7,416 | Berbagai gudang berkontribusi pada volume pesanan, dengan PHARMANET SURABAYA sebagai yang paling aktif. **Distribusi 'Nama Ekspedisi' (10 Teratas)** | Nama Ekspedisi | Jumlah | | :----------------------------- | -----: | | Anteraja | 25,559 | | PT CENTURY | 21,475 | | LION PARCEL | 18,507 | | PCP EXPRESS | 14,481 | | ANDALAN 21 EXPRESS | 10,035 | | INDAH LOGISTIK | 8,780 | | PT. TUNAS ANTARNUSA MUDA KARGO | 6,402 | | GLOBALINDO 21 EXPRESS | 5,139 | | EXPD BEKASI | 5,066 | | PT. LESTARI JAYA RAYA | 3,222 | | NaN | 585 | Anteraja adalah ekspedisi yang paling banyak digunakan, diikuti oleh PT CENTURY dan LION PARCEL, menunjukkan diversifikasi dalam pilihan mitra logistik. **Distribusi 'AO YN'** | AO YN | Jumlah | | :---- | -----: | | N | 82,584 | | Y | 48,731 | Mayoritas outlet belum berpartisipasi dalam program Apotek Online. **Distribusi 'Payment'** | Payment | Jumlah | | :------------------ | -----: | | BCA Virtual Account | 78,853 | | Term Of Payment | 36,615 | | BRIVA | 15,716 | | Kredivo | 131 | BCA Virtual Account adalah metode pembayaran yang paling dominan. ### 4.5 Kesimpulan Kualitas Data & Rekomendasi Pra-pemrosesan Kualitas data adalah pilar utama analisis yang akurat. Penemuan dan penanganan anomali `Tgl Diterima` (nilai `1970-01-02` dan durasi negatif) adalah langkah pra-pemrosesan yang paling krusial. Tanpa pembersihan ini, metrik kinerja utama seperti durasi pemenuhan akan sangat terdistorsi, mengarah pada kesimpulan yang keliru. Setelah pembersihan, data yang tersisa (sekitar 18,785 RO unik untuk analisis durasi) dianggap cukup andal untuk analisis lebih lanjut. **Rekomendasi Utama untuk Peningkatan Kualitas Data di Masa Depan:** 1. **Implementasi Validasi `Tgl Diterima`**: Segera terapkan validasi data di sistem entri untuk kolom `Tgl Diterima` untuk mencegah entri tanggal *default* `1970-01-02` dan memastikan bahwa `Tgl Diterima` selalu lebih lambat atau sama dengan `Tgl. Order`. 2. **Pengurangan Nilai Kosong `Tgl Diterima`**: Investigasi akar penyebab 7.9% nilai kosong pada `Tgl Diterima`. Apakah ini karena proses pengiriman belum selesai, data tidak dicatat, atau ada masalah teknis? Terapkan protokol pencatatan yang lebih ketat atau otomatisasi untuk mengurangi kekosongan ini. 3. **Investigasi Duplikasi Item Pesanan**: Selidiki 55 item baris duplikat (`No. RO` dan `Procod`) untuk memahami apakah ini adalah *error* atau representasi dari proses bisnis yang valid. Jika *error*, perbaiki prosedur entri data. 4. **Peninjauan Kolom `Keterangan` dan `Nama Penerima`**: Pertimbangkan ulang apakah informasi ini penting untuk analisis bisnis. Jika ya, perbaiki proses pengumpulan data untuk memastikan kolom ini diisi. Jika tidak, akui batasan data ini. Dengan data yang kini lebih bersih dan andal, kita dapat melanjutkan ke analisis yang lebih dalam mengenai metrik kinerja dan faktor-faktor yang memengaruhinya. ## 5. Analisis Pemenuhan Pesanan Analisis bab ini secara khusus akan mengulas metrik pemenuhan pesanan, termasuk tingkat pemenuhan, tingkat pembatalan, dan durasi pemenuhan, serta faktor-faktor yang memengaruhinya. Pemahaman mendalam terhadap aspek-aspek ini sangat krusial untuk meningkatkan efisiensi operasional dan kepuasan pelanggan. ### Metrik Kinerja Pemenuhan Pesanan Setelah proses pembersihan data yang cermat, terutama dalam menangani anomali tanggal pengiriman (`Tgl Diterima`), kami mendapatkan gambaran yang lebih akurat mengenai kinerja pemenuhan pesanan. #### Tingkat Pemenuhan dan Pembatalan Keseluruhan Dari total 20,645 pesanan unik (berdasarkan `No. RO`), mayoritas pesanan berhasil dipenuhi. **Analisis Pemenuhan RO Keseluruhan** | Kategori | Jumlah RO Unik | Persentase | | :-------------------- | -------------: | ---------: | | Total RO Unik | 20,645 | | | RO Terpenuhi | 19,321 | 93.6 % | | RO Dibatalkan | 1,324 | 6.4 % | Tingkat pemenuhan sebesar 93.6% menunjukkan kinerja yang solid, namun tingkat pembatalan 6.4% tetap perlu dianalisis lebih lanjut untuk mengidentifikasi penyebab dan dampaknya, terutama pada pesanan bernilai tinggi. #### Durasi Pemenuhan untuk RO yang Terpenuhi Durasi pemenuhan dihitung dari `Tgl. Order` hingga `Tgl Diterima`. Penting untuk diingat bahwa perhitungan ini dilakukan setelah mengeluarkan data yang tidak valid (misalnya, `Tgl Diterima` yang berisi `1970-01-02 07:00:00` atau menghasilkan durasi negatif) serta nilai kosong. Ini memastikan bahwa statistik yang disajikan mencerminkan durasi pengiriman yang sebenarnya. **Statistik Durasi Pemenuhan untuk RO Terpenuhi (dalam Hari)** | Metrik | Durasi (Hari) | | :----------- | ------------: | | Jumlah RO | 17,674 | | Rata-rata | 1.9 | | Median | 1.4 | | Std Dev | 2.4 | | Minimum | 0.0 | | Maksimum | 65.5 | Rata-rata durasi pemenuhan adalah 1.9 hari, dengan median 1.4 hari, menunjukkan bahwa sebagian besar pesanan terkirim dengan cepat. Namun, rentang durasinya sangat lebar, dari 0.0 hari hingga 65.5 hari. Adanya durasi maksimum yang sangat tinggi mengindikasikan adanya pesanan yang mengalami keterlambatan ekstrem. **Top 5 RO dengan Durasi Pemenuhan Terlama** | No. RO | Durasi (Hari) | Tgl. Order | Tgl Diterima | | :----- | ------------: | :------------------ | :------------------ | | 4927270 | 65.5 | 2026-06-13 11:27:00 | 2026-08-18 00:00:00 | | 4919404 | 62.6 | 2026-06-03 09:30:00 | 2026-08-05 00:00:00 | | 4927088 | 62.6 | 2026-06-13 10:00:00 | 2026-08-15 00:00:00 | | 4936862 | 32.5 | 2026-06-29 11:55:00 | 2026-08-01 00:00:00 | | 4926475 | 32.4 | 2026-06-12 14:58:00 | 2026-07-15 00:00:00 | Keterlambatan yang mencapai puluhan hari ini membutuhkan investigasi lebih lanjut untuk memahami akar penyebabnya. ### Analisis Faktor-Faktor Kunci yang Memengaruhi Durasi Pemenuhan Untuk mengidentifikasi faktor-faktor yang paling berpengaruh terhadap durasi pemenuhan, kami menggunakan model Random Forest Regression. Model ini berhasil menjelaskan 56.0% variasi dalam durasi pemenuhan, dengan rata-rata kesalahan absolut (MAE) sebesar 0.89 hari. **Top 5 Faktor Paling Berpengaruh Terhadap Durasi Pemenuhan (Berdasarkan Random Forest)** | Faktor | Tingkat Kepentingan | | :--------------------------------------- | ------------------: | | Ekspedisi (PT CENTURY) | 0.307 | | Total Nilai Pesanan (RO Value) | 0.208 | | Gudang Asal (PHARMANET TANGERANG) | 0.150 | | Total Kuantitas Pesanan (RO Quantity) | 0.125 | | Ekspedisi (LION PARCEL) | 0.026 | Dua faktor teratas adalah ekspedisi (khususnya PT CENTURY) dan total nilai pesanan, diikuti oleh gudang asal (PHARMANET TANGERANG) dan total kuantitas pesanan. #### Pengaruh Nama Ekspedisi terhadap Durasi Pemenuhan Meskipun PT CENTURY menempati peringkat teratas sebagai faktor yang paling berpengaruh, rata-rata durasi pemenuhannya tidak termasuk yang tercepat. Ini menunjukkan bahwa PT CENTURY mungkin memiliki volume pesanan yang sangat tinggi, sehingga dampaknya pada model sangat signifikan terlepas dari kecepatan rata-ratanya yang moderat. **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Nama Ekspedisi (5 Tercepat)** | Nama Ekspedisi | Rata-rata Durasi | | :----------------------- | ---------------: | | EXPD INTERNAL SEMARANG | 0.3 | | EXPD INTERNAL JAKSEL | 0.4 | | EXPD JAKTIM | 0.6 | | EXPD JAKBAR | 0.6 | | EXPD SURABAYA 1 | 0.7 | **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Nama Ekspedisi (5 Terlambat)** | Nama Ekspedisi | Rata-rata Durasi | | :---------------------------- | ---------------: | | GLOBALINDO 21 EXPRESS | 2.4 | | PCP EXPRESS | 2.5 | | Media Transportasi Logistic | 2.5 | | LION PARCEL | 2.7 | | INDAH LOGISTIK | 2.7 | Ekspedisi internal (EXPD INTERNAL) secara konsisten menunjukkan durasi pemenuhan tercepat, yang mungkin diharapkan karena kontrol yang lebih besar terhadap proses. Sementara itu, beberapa ekspedisi lain seperti LION PARCEL dan INDAH LOGISTIK menunjukkan durasi yang sedikit lebih lambat dari rata-rata. #### Pengaruh Gudang Asal (Asal Gudang) terhadap Durasi Pemenuhan PHARMANET TANGERANG teridentifikasi sebagai gudang asal dengan rata-rata durasi pemenuhan yang sangat tinggi, menempatkannya di posisi terbawah dalam hal kecepatan. Ini adalah indikator kuat adanya masalah operasional di gudang tersebut. **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Asal Gudang (5 Tercepat)** | Asal Gudang | Rata-rata Durasi | | :-------------------- | ---------------: | | PHARMANET JAKSEL | 0.7 | | PHARMANET JAKTIM | 0.7 | | PHARMANET JAKBAR | 0.9 | | PHARMANET BANJARMASIN | 1.0 | | PHARMANET PALEMBANG | 1.3 | **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Asal Gudang (5 Terlambat)** | Asal Gudang | Rata-rata Durasi | | :-------------------- | ---------------: | | PHARMANET PONTIANAK | 2.4 | | PHARMANET MEDAN | 2.6 | | PHARMANET PEKANBARU | 2.7 | | PHARMANET SAMARINDA | 3.0 | | PHARMANET TANGERANG | 5.8 | Gudang-gudang di Jakarta (Jaksel, Jaktim, Jakbar) menunjukkan kinerja yang sangat baik, sementara PHARMANET TANGERANG jauh tertinggal dengan rata-rata durasi 5.8 hari. **Investigasi Lebih Lanjut: PHARMANET TANGERANG dan Ekspedisi** Untuk memahami mengapa PHARMANET TANGERANG sangat lambat, kami menganalisis performa ekspedisi yang digunakan oleh gudang tersebut: **Rata-rata Durasi Pemenuhan (Hari) dari PHARMANET TANGERANG berdasarkan Nama Ekspedisi** | Nama Ekspedisi | Rata-rata Durasi | | :------------- | ---------------: | | Anteraja | 1.9 | | PCP EXPRESS | 3.1 | | PT CENTURY | 14.9 | Temuan ini sangat mencolok. Meskipun Anteraja berkinerja relatif baik dari PHARMANET TANGERANG, PCP EXPRESS sudah jauh lebih lambat. Yang paling mengkhawatirkan adalah durasi rata-rata `14.9 hari` ketika PHARMANET TANGERANG menggunakan `PT CENTURY`. Ini menunjukkan bahwa masalah utama terletak pada interaksi antara PHARMANET TANGERANG dan ekspedisi tertentu, terutama PT CENTURY. Ini bukan hanya masalah kinerja gudang atau kinerja ekspedisi secara terpisah, tetapi kombinasi keduanya untuk rute/lokasi tertentu. #### Pengaruh Nilai Pesanan (Total RO Value) terhadap Durasi Pemenuhan Model Random Forest mengidentifikasi `total_value_ro` sebagai faktor berpengaruh kedua. Meskipun korelasi linear sederhana antara nilai pesanan dan durasi pemenuhan tergolong lemah (0.04), visualisasi berikut menunjukkan tren yang menarik. ![Visualisasi](/agent/api/download?file=/tmp/fulfillment_duration_vs_ro_value.png) Grafik di atas menunjukkan bahwa ada sedikit kecenderungan peningkatan durasi pemenuhan seiring dengan nilai pesanan yang lebih tinggi, terutama pada desil-desil teratas. **Rata-rata Durasi Pemenuhan berdasarkan Desil Nilai Total RO (Data Bersih)** | Desil Nilai | Rata-rata Durasi (Hari) | | :---------- | ----------------------: | | 0 | 1.6 | | 1 | 1.6 | | 2 | 1.7 | | 3 | 1.8 | | 4 | 1.8 | | 5 | 2.0 | | 6 | 2.0 | | 7 | 2.1 | | 8 | 2.2 | | 9 | 2.7 | Terlihat jelas bahwa pesanan pada desil nilai tertinggi (yang nilainya bisa mencapai hingga 861 juta) memiliki durasi pemenuhan rata-rata yang lebih tinggi (2.7 hari) dibandingkan dengan desil terendah (1.6 hari). Peningkatan ini, meskipun tidak drastis, mengindikasikan bahwa pesanan bernilai tinggi mungkin memerlukan penanganan khusus atau memiliki kompleksitas lebih tinggi yang sedikit memperpanjang proses pemenuhan. **Rentang Desil Nilai Total RO (Data Bersih)** | Desil Nilai | Minimum Nilai RO | Maksimum Nilai RO | | :---------- | ---------------: | ----------------: | | 0 | 23,976 | 244,755 | | 1 | 244,764 | 357,591 | | 2 | 357,638 | 494,849 | | 3 | 494,854 | 663,017 | | 4 | 663,019 | 884,541 | | 5 | 884,754 | 1,150,759 | | 6 | 1,150,780 | 1,648,455 | | 7 | 1,648,868 | 2,467,690 | | 8 | 2,469,521 | 4,453,936 | | 9 | 4,459,617 | 861,732,895 | ### Analisis Tingkat Pembatalan Pesanan Selain durasi pemenuhan, tingkat pembatalan pesanan merupakan metrik penting yang menunjukkan potensi kerugian pendapatan dan ketidakpuasan pelanggan. #### RO Bernilai Tinggi yang Dibatalkan Beberapa pesanan dibatalkan meskipun memiliki nilai transaksi yang sangat besar. Pembatalan ini merepresentasikan kerugian finansial yang signifikan. **Top 5 RO dengan Nilai Pembatalan Tertinggi** | No. RO | Total Nilai | Tgl. Order | | :----- | ------------: | :------------------ | | 4920728 | 659,013,743 | 2026-06-04 17:59:00 | | 4937171 | 185,174,318 | 2026-06-29 15:13:00 | | 4938339 | 158,237,690 | 2026-06-30 16:05:00 | | 4925473 | 139,107,611 | 2026-06-11 14:03:00 | | 4922558 | 136,350,982 | 2026-06-08 10:22:00 | Pembatalan pesanan RO 4920728 senilai lebih dari 659 juta rupiah merupakan kejadian yang sangat merugikan. Investigasi mendalam terhadap alasan pembatalan pesanan-pesanan ini sangat diperlukan. #### Tingkat Pembatalan berdasarkan Asal Gudang Tingkat pembatalan bervariasi antar gudang, menunjukkan perbedaan dalam efisiensi operasional atau karakteristik pelanggan yang dilayani. **Tingkat Pembatalan (%) berdasarkan Asal Gudang (5 Tertinggi)** | Asal Gudang | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :------------------- | -------: | ------------: | -----------------: | | PHARMANET PUSAT | 1 | 1 | 100.0 % | | PHARMANET TANGERANG | 1,344 | 35 | 2.6 % | | PHARMANET JAKTIM | 777 | 19 | 2.4 % | | PHARMANET MAKASSAR | 981 | 20 | 2.0 % | | PHARMANET MEDAN | 1,141 | 23 | 2.0 % | PHARMANET PUSAT menunjukkan tingkat pembatalan 100.0%, meskipun hanya dari satu RO. PHARMANET TANGERANG juga memiliki tingkat pembatalan yang relatif tinggi (2.6%), menambah daftar masalah operasional di gudang ini. **Tingkat Pembatalan (%) berdasarkan Asal Gudang (5 Terendah)** | Asal Gudang | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :-------------------- | -------: | ------------: | -----------------: | | PHARMANET SOLO | 1,389 | 10 | 0.7 % | | PHARMANET PONTIANAK | 541 | 3 | 0.6 % | | PHARMANET PALEMBANG | 1,266 | 4 | 0.3 % | | PHARMANET BANDUNG | 1,480 | 3 | 0.2 % | | PHARMANET LAMPUNG | 540 | 0 | 0.0 % | PHARMANET LAMPUNG berhasil mencapai tingkat pembatalan 0.0%, menunjukkan praktik terbaik yang bisa dipelajari dan diterapkan di gudang lain. #### Tingkat Pembatalan berdasarkan Metode Pembayaran Metode pembayaran juga dapat berimplikasi pada tingkat pembatalan. **Tingkat Pembatalan (%) berdasarkan Jenis Pembayaran** | Payment | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :------------------ | -------: | ------------: | -----------------: | | Term Of Payment | 6,706 | 104 | 1.6 % | | BRIVA | 2,021 | 25 | 1.2 % | | BCA Virtual Account | 11,894 | 140 | 1.2 % | | Kredivo | 24 | 0 | 0.0 % | `Term Of Payment` memiliki tingkat pembatalan sedikit lebih tinggi dibandingkan `BRIVA` dan `BCA Virtual Account`. #### Tingkat Pembatalan berdasarkan Partisipasi Apotek Online (AO YN) Partisipasi outlet dalam program Apotek Online (`AO YN`) tampaknya tidak memiliki dampak signifikan pada tingkat pembatalan. **Tingkat Pembatalan (%) berdasarkan AO YN** | AO YN | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :---- | -------: | ------------: | -----------------: | | Y | 7,507 | 99 | 1.3 % | | N | 13,138 | 170 | 1.3 % | Kedua kategori menunjukkan tingkat pembatalan yang sangat mirip, sekitar 1.3%. ### Kesimpulan, Implikasi Bisnis, dan Rekomendasi Aksi Analisis pemenuhan pesanan telah mengungkap beberapa area kritis yang membutuhkan perhatian, mulai dari masalah kualitas data hingga inefisiensi operasional spesifik. **1. Dampak Pembersihan Data yang Krusial**: Anomali `Tgl Diterima` (terutama nilai `1970-01-02 07:00:00`) secara signifikan mendistorsi perhitungan durasi pemenuhan. Setelah pembersihan data yang cermat, durasi rata-rata yang kini sekitar 1.9 hari menjadi lebih realistis dan dapat diandalkan untuk analisis lebih lanjut. Hal ini menekankan pentingnya menjaga kualitas data yang tinggi di masa mendatang. **2. Kinerja Ekspedisi - PT CENTURY**: PT CENTURY, meskipun merupakan faktor paling berpengaruh dalam model Random Forest, menunjukkan performa rata-rata yang baik (sekitar 2.2 hari) ketika beroperasi dari berbagai gudang. Kepentingan tingginya kemungkinan mencerminkan volume pesanan yang besar yang ditangani oleh ekspedisi ini, yang secara keseluruhan memberikan kontribusi positif terhadap efisiensi pengiriman. **3. Hambatan Operasional di PHARMANET TANGERANG**: PHARMANET TANGERANG secara konsisten menunjukkan durasi pemenuhan tertinggi (rata-rata 5.8 hari) di antara semua gudang. Masalah ini diperparah ketika gudang ini menggunakan PT CENTURY (rata-rata 14.9 hari) dan PCP EXPRESS (rata-rata 3.1 hari). Ini dengan jelas mengindikasikan bahwa terdapat hambatan operasional atau tantangan logistik yang spesifik dan serius di gudang PHARMANET TANGERANG yang perlu segera diatasi. **4. Hubungan Nilai Pesanan dan Durasi**: Pesanan dengan nilai total yang lebih tinggi cenderung memiliki durasi pemenuhan yang sedikit lebih lama. Ini mungkin disebabkan oleh kompleksitas penanganan yang lebih tinggi, prosedur verifikasi tambahan, atau ukuran pesanan yang lebih besar. **5. Pembatalan Pesanan Bernilai Tinggi**: Pembatalan beberapa RO dengan nilai yang sangat fantastis (misalnya, RO 4920728 senilai 659 juta rupiah) menimbulkan kerugian pendapatan yang signifikan. Memahami alasan di balik pembatalan ini adalah prioritas utama. **Rekomendasi Strategis dan Tindak Lanjut:** * **Investigasi Mendalam PHARMANET TANGERANG**: * Lakukan audit komprehensif terhadap proses operasional, kapasitas, dan alur kerja di gudang PHARMANET TANGERANG. * Fokus pada titik-titik serah terima ke ekspedisi, terutama PT CENTURY dan PCP EXPRESS, untuk mengidentifikasi penyebab spesifik keterlambatan ekstrem. * Tinjau perjanjian dan kinerja SLA dengan ekspedisi yang beroperasi dari gudang ini. * **Analisis Akar Masalah Pembatalan Pesanan Bernilai Tinggi**: * Bentuk tim khusus untuk menganalisis setiap RO bernilai tinggi yang dibatalkan. * Gali informasi dari semua sumber yang tersedia (misalnya, catatan komunikasi, riwayat inventaris, atau umpan balik pelanggan) untuk menentukan alasan pasti pembatalan. * Kembangkan strategi mitigasi untuk mencegah pembatalan serupa di masa mendatang, terutama jika terkait dengan masalah operasional atau ketersediaan produk. * **Optimasi Pengelolaan Pesanan Bernilai Tinggi**: * Pertimbangkan untuk menerapkan protokol khusus untuk pesanan di desil nilai tertinggi, seperti jalur cepat (fast-track) atau pemantauan proaktif, untuk memastikan pemenuhan yang cepat dan meminimalkan risiko pembatalan. * **Peningkatan Kualitas Data `Tgl Diterima`**: * Segera implementasikan validasi dan kontrol data yang ketat di sistem entri untuk kolom `Tgl Diterima`. * Pastikan bahwa `Tgl Diterima` selalu divalidasi agar tidak lebih awal dari `Tgl. Order` dan hindari penggunaan nilai default (`1970-01-02 07:00:00`). * Tinjau dan perbaiki proses pencatatan `Tgl Diterima` untuk mengurangi nilai kosong dan memastikan keakuratan data di masa mendatang. * **Pembelajaran dari Gudang Berkinerja Terbaik**: * Identifikasi praktik terbaik dari gudang dengan durasi pemenuhan tercepat (misalnya PHARMANET JAKSEL, JAKTIM, JAKBAR) dan tingkat pembatalan terendah (PHARMANET LAMPUNG). * Bagikan dan terapkan praktik-praktik ini di gudang lain, terutama di PHARMANET TANGERANG. Dengan mengatasi masalah-masalah ini secara strategis, perusahaan dapat secara signifikan meningkatkan efisiensi proses pemenuhan pesanan, mengurangi kerugian, dan pada akhirnya meningkatkan kepuasan serta loyalitas pelanggan. ## 6. Faktor-faktor Penentu Kinerja Pemenuhan Setelah melalui proses pra-pemrosesan data yang cermat, termasuk penanganan anomali tanggal pengiriman yang krusial, kini kita dapat menganalisis faktor-faktor penentu kinerja pemenuhan dengan lebih akurat. Pemodelan regresi Random Forest telah digunakan untuk mengidentifikasi variabel-variabel yang paling berpengaruh terhadap durasi pemenuhan pesanan. Model ini mampu menjelaskan 56.0% variasi dalam durasi pemenuhan, dengan rata-rata kesalahan absolut (MAE) sebesar 0.89 hari, menunjukkan kemampuan prediksi yang cukup baik. ### Faktor-faktor Kunci yang Memengaruhi Durasi Pemenuhan Analisis Random Forest mengidentifikasi beberapa faktor utama yang secara signifikan memengaruhi seberapa cepat pesanan dapat dipenuhi. Tingkat kepentingan (feature importance) dari setiap faktor mengindikasikan seberapa besar kontribusinya terhadap prediksi durasi pemenuhan. **Top 5 Faktor Paling Berpengaruh Terhadap Durasi Pemenuhan (Berdasarkan Random Forest)** | Faktor | Tingkat Kepentingan | | :------------------------------------------------ | ------------------: | | Ekspedisi (khususnya PT CENTURY) | 0.307 | | Total Nilai Pesanan (RO Value) | 0.208 | | Gudang Asal (khususnya PHARMANET TANGERANG) | 0.150 | | Total Kuantitas Pesanan (RO Quantity) | 0.125 | | Ekspedisi (khususnya LION PARCEL) | 0.026 | Dua faktor teratas adalah ekspedisi (terutama PT CENTURY) dan nilai total pesanan, yang secara kolektif menyumbang lebih dari 50% penjelasan variasi durasi. Gudang asal (PHARMANET TANGERANG) juga muncul sebagai faktor penting, diikuti oleh kuantitas pesanan. #### 6.1 Performa Ekspedisi: Mitra Kunci dalam Rantai Pengiriman Ekspedisi memainkan peran yang sangat besar dalam menentukan kecepatan pengiriman. Meskipun PT CENTURY diidentifikasi sebagai faktor paling berpengaruh oleh model Random Forest, penting untuk memahami dampaknya lebih dalam. **Peran PT CENTURY:** PT CENTURY memiliki bobot kepentingan tertinggi (0.307) dalam model. Ini mungkin mencerminkan volume pesanan yang sangat besar yang ditangani oleh ekspedisi ini, sehingga kinerjanya sangat memengaruhi durasi pemenuhan secara keseluruhan. Dalam analisis terpisah terhadap data yang telah dibersihkan, rata-rata durasi pemenuhan untuk pesanan yang ditangani oleh PT CENTURY adalah 2.22 hari, sedikit di atas rata-rata keseluruhan 1.96 hari, namun masih dalam rentang kinerja yang dapat diterima. **Perbandingan Kinerja Ekspedisi Lainnya:** Performa ekspedisi bervariasi secara signifikan. Ekspedisi internal menunjukkan kecepatan yang superior, sementara beberapa ekspedisi lain mengalami penundaan. **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Nama Ekspedisi** | Nama Ekspedisi | Rata-rata Durasi | | :---------------------------- | ---------------: | | **5 Tercepat** | | | EXPD INTERNAL SEMARANG | 0.3 | | EXPD INTERNAL JAKSEL | 0.4 | | EXPD JAKTIM | 0.6 | | EXPD JAKBAR | 0.6 | | EXPD SURABAYA 1 | 0.7 | | **5 Terlambat** | | | GLOBALINDO 21 EXPRESS | 2.4 | | PCP EXPRESS | 2.5 | | Media Transportasi Logistic | 2.5 | | LION PARCEL | 2.7 | | INDAH LOGISTIK | 2.7 | Ekspedisi internal secara konsisten memberikan durasi pengiriman tercepat, yang wajar mengingat kontrol penuh atas operasional. Sebaliknya, ekspedisi seperti LION PARCEL dan INDAH LOGISTIK menunjukkan durasi yang lebih panjang, yang mungkin memerlukan tinjauan lebih lanjut terhadap SLA atau rute pengiriman mereka. #### 6.2 Performa Gudang Asal: Identifikasi Titik Bottleneck Faktor "Asal Gudang" juga memiliki pengaruh besar, dengan PHARMANET TANGERANG muncul sebagai anomali signifikan. **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Asal Gudang** | Asal Gudang | Rata-rata Durasi | | :-------------------- | ---------------: | | **5 Tercepat** | | | PHARMANET JAKSEL | 0.7 | | PHARMANET JAKTIM | 0.7 | | PHARMANET JAKBAR | 0.9 | | PHARMANET BANJARMASIN | 1.0 | | PHARMANET PALEMBANG | 1.3 | | **5 Terlambat** | | | PHARMANET PONTIANAK | 2.4 | | PHARMANET MEDAN | 2.6 | | PHARMANET PEKANBARU | 2.7 | | PHARMANET SAMARINDA | 3.0 | | PHARMANET TANGERANG | 5.8 | Gudang-gudang di wilayah Jakarta menunjukkan efisiensi yang sangat tinggi, dengan durasi pemenuhan rata-rata di bawah satu hari. Namun, PHARMANET TANGERANG menonjol dengan rata-rata durasi pemenuhan tertinggi, yaitu 5.8 hari. Ini adalah indikator kuat adanya masalah operasional yang mendalam di gudang tersebut. **Investigasi Mendalam: PHARMANET TANGERANG dan Kinerja Ekspedisi** Untuk memahami lebih lanjut akar masalah di PHARMANET TANGERANG, kami menganalisis performa ekspedisi yang beroperasi dari gudang ini: **Rata-rata Durasi Pemenuhan (Hari) dari PHARMANET TANGERANG berdasarkan Nama Ekspedisi** | Nama Ekspedisi | Rata-rata Durasi | | :------------- | ---------------: | | Anteraja | 1.9 | | PCP EXPRESS | 3.1 | | PT CENTURY | 14.9 | Hasilnya sangat mengejutkan. Meskipun Anteraja masih mampu mempertahankan performa yang relatif baik dari PHARMANET TANGERANG, PCP EXPRESS sudah mengalami penundaan signifikan. Yang paling mengkhawatirkan adalah durasi rata-rata **14.9 hari** ketika PHARMANET TANGERANG menggunakan **PT CENTURY**. Ini menegaskan bahwa masalah bukan hanya terletak pada satu pihak, melainkan pada sinergi antara gudang PHARMANET TANGERANG dan ekspedisi tertentu, terutama PT CENTURY. Ini menunjukkan adanya hambatan operasional yang sangat spesifik pada proses handoff atau rute logistik dari gudang ini. #### 6.3 Nilai dan Kuantitas Pesanan: Memahami Kompleksitas Order Model Random Forest juga menunjukkan bahwa `total_value_ro` dan `total_qty_ro` adalah faktor penting. Meskipun korelasi linear antara nilai RO dan durasi pemenuhan tidak kuat, analisis berdasarkan desil nilai menunjukkan tren yang menarik. ![Visualisasi](/agent/api/download?file=/tmp/fulfillment_duration_vs_ro_value.png) Grafik di atas menggambarkan kecenderungan peningkatan durasi pemenuhan seiring dengan meningkatnya nilai pesanan, terutama pada desil-desil teratas. Pesanan dengan nilai transaksi sangat tinggi cenderung memerlukan waktu sedikit lebih lama untuk dipenuhi. **Rata-rata Durasi Pemenuhan berdasarkan Desil Nilai Total RO (Data Bersih)** | Desil Nilai | Rata-rata Durasi (Hari) | | :---------- | ----------------------: | | 0 | 1.6 | | 1 | 1.6 | | 2 | 1.7 | | 3 | 1.8 | | 4 | 1.8 | | 5 | 2.0 | | 6 | 2.0 | | 7 | 2.1 | | 8 | 2.2 | | 9 | 2.7 | Terlihat bahwa pesanan pada desil nilai tertinggi, yang rentang nilainya mencapai 4,459,617 hingga 861,732,895, memiliki rata-rata durasi pemenuhan 2.7 hari, lebih panjang dibandingkan dengan desil terendah (1.6 hari). Peningkatan ini mungkin disebabkan oleh penanganan khusus, verifikasi tambahan, atau kompleksitas logistik yang lebih tinggi untuk pesanan bernilai besar. #### 6.4 Tingkat Pembatalan: Mengurangi Kerugian Potensial Di luar durasi pemenuhan, tingkat pembatalan pesanan juga menjadi indikator penting kinerja dan potensi kerugian. **RO Bernilai Tinggi yang Dibatalkan:** Beberapa pesanan dibatalkan dengan nilai transaksi yang sangat fantastis, menunjukkan kerugian pendapatan yang signifikan. **Top 5 RO dengan Nilai Pembatalan Tertinggi** | No. RO | Total Nilai | Tgl. Order | | :------ | ------------: | :------------------ | | 4,920,728 | 659,013,743 | 2026-06-04 17:59:00 | | 4,937,171 | 185,174,318 | 2026-06-29 15:13:00 | | 4,938,339 | 158,237,690 | 2026-06-30 16:05:00 | | 4,925,473 | 139,107,611 | 2026-06-11 14:03:00 | | 4,922,558 | 136,350,982 | 2026-06-08 10:22:00 | Pembatalan pesanan senilai 659 juta rupiah adalah kejadian yang memerlukan penyelidikan mendalam untuk memahami akar masalahnya dan mencegah kejadian serupa di masa mendatang. **Tingkat Pembatalan berdasarkan Asal Gudang:** Sama seperti durasi pemenuhan, tingkat pembatalan juga menunjukkan variasi antar gudang. **Tingkat Pembatalan (%) berdasarkan Asal Gudang (5 Tertinggi)** | Asal Gudang | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :------------------- | -------: | ------------: | -----------------: | | PHARMANET PUSAT | 1 | 1 | 100.0 % | | PHARMANET TANGERANG | 1,344 | 35 | 2.6 % | | PHARMANET JAKTIM | 777 | 19 | 2.4 % | | PHARMANET MAKASSAR | 981 | 20 | 2.0 % | | PHARMANET MEDAN | 1,141 | 23 | 2.0 % | PHARMANET PUSAT mencatat tingkat pembatalan 100.0% (meskipun hanya dari satu RO), sementara PHARMANET TANGERANG kembali muncul dengan tingkat pembatalan relatif tinggi sebesar 2.6%. Ini semakin memperkuat urgensi investigasi operasional di gudang ini. **Tingkat Pembatalan (%) berdasarkan Asal Gudang (5 Terendah)** | Asal Gudang | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :-------------------- | -------: | ------------: | -----------------: | | PHARMANET SOLO | 1,389 | 10 | 0.7 % | | PHARMANET PONTIANAK | 541 | 3 | 0.6 % | | PHARMANET PALEMBANG | 1,266 | 4 | 0.3 % | | PHARMANET BANDUNG | 1,480 | 3 | 0.2 % | | PHARMANET LAMPUNG | 540 | 0 | 0.0 % | PHARMANET LAMPUNG berhasil mencapai tingkat pembatalan 0.0%, menunjukkan praktik terbaik yang dapat menjadi studi kasus bagi gudang lainnya. **Tingkat Pembatalan berdasarkan Metode Pembayaran:** Metode pembayaran juga menunjukkan sedikit perbedaan dalam tingkat pembatalan. **Tingkat Pembatalan (%) berdasarkan Jenis Pembayaran** | Payment | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :------------------ | -------: | ------------: | -----------------: | | Term Of Payment | 6,706 | 104 | 1.6 % | | BRIVA | 2,021 | 25 | 1.2 % | | BCA Virtual Account | 11,894 | 140 | 1.2 % | | Kredivo | 24 | 0 | 0.0 % | `Term Of Payment` memiliki tingkat pembatalan sedikit lebih tinggi dibandingkan metode lainnya. Perlu dicatat juga bahwa partisipasi dalam program Apotek Online (`AO YN`) tidak menunjukkan perbedaan signifikan dalam tingkat pembatalan. ### Sintesis Temuan dan Rekomendasi Aksi Lanjut Analisis mendalam ini telah mengungkap beberapa faktor kunci yang memengaruhi kinerja pemenuhan dan pembatalan pesanan. Kualitas data yang lebih baik pasca-pembersihan menjadi fondasi kuat untuk temuan ini. 1. **Bottleneck Operasional di PHARMANET TANGERANG**: Ini adalah temuan paling krusial. PHARMANET TANGERANG tidak hanya memiliki durasi pemenuhan rata-rata tertinggi (5.8 hari), tetapi masalah ini diperparah secara dramatis ketika menggunakan PT CENTURY (14.9 hari) dan PCP EXPRESS (3.1 hari). Ini menunjukkan masalah yang spesifik pada operasional gudang tersebut, terutama pada proses serah terima atau penanganan logistik dengan ekspedisi tertentu. 2. **Dampak Ekspesidi (PT CENTURY) yang Ganda**: PT CENTURY adalah faktor paling berpengaruh karena volume ordersnya yang tinggi. Secara keseluruhan, kinerjanya cukup baik (rata-rata 2.22 hari). Namun, ketika berpasangan dengan PHARMANET TANGERANG, kinerjanya menurun drastis, mengindikasikan masalah sinergi spesifik. 3. **Implikasi Pesanan Bernilai Tinggi**: Pesanan dengan nilai yang lebih tinggi cenderung memiliki durasi pemenuhan yang sedikit lebih lama. Selain itu, pembatalan beberapa pesanan bernilai sangat tinggi menimbulkan kerugian finansial yang masif. 4. **Tingkat Pembatalan Bervariasi**: Gudang dan metode pembayaran menunjukkan perbedaan dalam tingkat pembatalan, mengindikasikan bahwa optimalisasi proses di area ini dapat mengurangi kerugian. **Rekomendasi Strategis dan Tindak Lanjut:** * **Prioritas Utama: Audit Operasional PHARMANET TANGERANG**: * Segera bentuk tim investigasi untuk melakukan audit komprehensif terhadap seluruh alur kerja, kapasitas, dan sumber daya di gudang PHARMANET TANGERANG. * Fokus pada identifikasi akar masalah keterlambatan ekstrem, terutama pada titik-titik serah terima dan koordinasi dengan ekspedisi PT CENTURY dan PCP EXPRESS. * Periksa prosedur internal, kepatuhan SLA dengan ekspedisi, dan potensi hambatan fisik atau sistem yang ada. * **Optimalisasi Kemitraan Ekspedisi per Gudang**: * Lakukan evaluasi ulang kinerja setiap ekspedisi secara granular untuk setiap gudang asal. Identifikasi kombinasi gudang-ekspedisi yang berkinerja buruk dan lakukan intervensi. * Pertimbangkan untuk mengalihkan pesanan dari PHARMANET TANGERANG yang ditujukan untuk PT CENTURY ke ekspedisi lain yang terbukti lebih efisien dari gudang tersebut (misalnya Anteraja), atau renegosiasi SLA dengan PT CENTURY khusus untuk rute ini. * **Manajemen Pesanan Bernilai Tinggi dan Pencegahan Pembatalan**: * Lakukan analisis akar masalah (root cause analysis) yang mendalam untuk setiap pesanan bernilai tinggi yang dibatalkan. Kumpulkan data dari tim penjualan, layanan pelanggan, dan logistik untuk memahami alasan spesifik pembatalan (misalnya, ketersediaan stok, persaingan harga, perubahan kebutuhan pelanggan, atau masalah pengiriman). * Pertimbangkan implementasi "jalur cepat" atau protokol penanganan khusus (misalnya, pemantauan proaktif, verifikasi ganda, prioritas pengiriman) untuk pesanan bernilai tinggi untuk memastikan kepuasan pelanggan dan mengurangi risiko pembatalan. * **Penyebaran Praktik Terbaik antar Gudang**: * Identifikasi dan dokumentasikan praktik terbaik dari gudang dengan kinerja terbaik (misalnya PHARMANET JAKSEL untuk durasi, PHARMANET LAMPUNG untuk tingkat pembatalan). * Selenggarakan lokakarya atau program pelatihan untuk mentransfer pengetahuan dan prosedur operasional terbaik ke gudang-gudang dengan kinerja yang kurang memuaskan, terutama PHARMANET TANGERANG. * **Peningkatan Kualitas Data Lanjutan**: * Tindak lanjuti rekomendasi dari bab sebelumnya untuk implementasi validasi data yang ketat pada kolom `Tgl Diterima` di sistem entri. Pastikan semua entri valid dan konsisten untuk mendukung analisis kinerja di masa mendatang. Dengan mengimplementasikan rekomendasi ini, perusahaan dapat tidak hanya mengatasi masalah operasional yang signifikan tetapi juga membangun sistem pemenuhan pesanan yang lebih efisien dan tangguh, yang pada akhirnya akan meningkatkan kepuasan pelanggan dan profitabilitas. ## 7. Rekomendasi Bab ini merangkum seluruh temuan dari analisis data pemenuhan pesanan pelanggan dan mengusulkan rekomendasi strategis serta taktis untuk meningkatkan efisiensi operasional, mengurangi kerugian, dan pada akhirnya meningkatkan kepuasan pelanggan. Analisis mendalam yang telah dilakukan, dari pembersihan data hingga pemodelan prediktif, telah mengungkap beberapa area kritis yang membutuhkan perhatian segera dan peluang untuk optimalisasi. ### Ringkasan Temuan Kunci Analisis kami terhadap 131,315 baris data pesanan ulang (RO) telah memberikan wawasan yang komprehensif: 1. **Kualitas Data Krusial**: Anomali pada kolom `Tgl Diterima`, khususnya entri tanggal `1970-01-02 07:00:00` dan nilai kosong sebesar 7.9%, secara signifikan mengganggu akurasi perhitungan durasi pemenuhan. Setelah pembersihan data yang ketat, data yang lebih andal (sekitar 18,785 RO unik untuk analisis durasi) memungkinkan identifikasi masalah operasional yang lebih tepat. 2. **Kinerja Pemenuhan Keseluruhan**: Tingkat pemenuhan pesanan mencapai 93.6%, menunjukkan kinerja yang solid. Namun, tingkat pembatalan 6.4% dan adanya beberapa pesanan dengan durasi pemenuhan yang sangat panjang (maksimum 65.5 hari) mengindikasikan ruang untuk perbaikan. 3. **Faktor-faktor Penentu Kinerja**: Model Random Forest Regression yang telah dilatih berhasil menjelaskan 56.0% variasi durasi pemenuhan. Faktor paling berpengaruh adalah `nama_ekspedisi_PT CENTURY` (tingkat kepentingan 0.307), `total_value_ro` (0.208), `asal_gudang_PHARMANET TANGERANG` (0.150), dan `total_qty_ro` (0.125). 4. **Anomali Gudang PHARMANET TANGERANG**: Gudang PHARMANET TANGERANG secara konsisten menunjukkan durasi pemenuhan rata-rata tertinggi (5.79 hari) di antara semua gudang. Kinerja ini memburuk drastis ketika menggunakan ekspedisi tertentu, seperti PT CENTURY (rata-rata 14.87 hari) dan PCP EXPRESS (rata-rata 3.05 hari) dari gudang tersebut. Ini menunjukkan adanya hambatan operasional spesifik yang parah di gudang ini. 5. **Peran Ekspedisi PT CENTURY**: Meskipun PT CENTURY adalah faktor paling berpengaruh, rata-rata durasi pemenuhannya secara keseluruhan cukup baik (sekitar 2.22 hari dibandingkan rata-rata total 1.96 hari). Tingkat kepentingannya kemungkinan besar mencerminkan volume pesanan yang sangat besar yang ditanganinya. Namun, kinerjanya sangat terhambat saat beroperasi dari PHARMANET TANGERANG. 6. **Pengaruh Nilai Pesanan**: Terdapat sedikit tren peningkatan durasi pemenuhan seiring dengan meningkatnya nilai pesanan, terutama pada desil nilai tertinggi (rata-rata 2.7 hari untuk desil tertinggi berbanding 1.6 hari untuk desil terendah). 7. **Pembatalan Pesanan Bernilai Tinggi**: Pembatalan pesanan bernilai sangat tinggi, seperti RO 4920728 dengan nilai 659,013,743, menimbulkan kerugian finansial yang signifikan. Tingkat pembatalan juga bervariasi berdasarkan gudang asal (PHARMANET TANGERANG 2.6%, PHARMANET LAMPUNG 0.0%) dan metode pembayaran (Term Of Payment 1.6%). ### Rekomendasi Strategis dan Tindak Lanjut Berdasarkan temuan-temuan di atas, kami mengusulkan serangkaian rekomendasi yang berfokus pada perbaikan operasional, mitigasi risiko, dan peningkatan kualitas data. #### 1. Audit dan Peningkatan Operasional Gudang PHARMANET TANGERANG Temuan paling mencolok adalah kinerja PHARMANET TANGERANG yang jauh tertinggal dibandingkan gudang lain. Ini adalah prioritas utama. * **Lakukan Audit Komprehensif**: Bentuk tim khusus untuk melakukan audit mendalam terhadap seluruh alur kerja, proses, dan kapasitas di gudang PHARMANET TANGERANG. Fokus pada setiap tahap, mulai dari penerimaan pesanan, persiapan barang, *packing*, hingga serah terima ke ekspedisi. * **Identifikasi Titik Bottleneck**: Selidiki secara spesifik mengapa durasi pengiriman sangat lambat, terutama saat menggunakan ekspedisi PT CENTURY (rata-rata 14.87 hari dari TANGERANG) dan PCP EXPRESS (rata-rata 3.05 hari dari TANGERANG). Analisis ini harus mencakup: * **Proses Handoff**: Apakah ada penundaan dalam proses serah terima barang dari gudang ke kurir ekspedisi? * **Kapasitas Sumber Daya**: Apakah ada kekurangan staf, peralatan, atau ruang *staging* yang memadai? * **SLA dan Koordinasi**: Tinjau perjanjian Tingkat Layanan (SLA) dengan ekspedisi yang beroperasi dari TANGERANG. Apakah ekspedisi memenuhi komitmen mereka, ataukah masalahnya berasal dari kesiapan barang oleh gudang? * **Rute dan Jadwal**: Apakah ada kendala logistik eksternal atau jadwal pengambilan yang tidak optimal untuk rute-rute yang dilayani dari gudang ini? * **Penerapan Perbaikan Cepat**: Berdasarkan audit, implementasikan perbaikan proses yang teridentifikasi, seperti optimasi *layout* gudang, peningkatan pelatihan staf, atau investasi pada peralatan yang mempercepat proses. #### 2. Optimalisasi Kemitraan Logistik Berbasis Kinerja Granular Kinerja ekspedisi sangat bervariasi, dan kinerja suatu ekspedisi dapat berbeda antar gudang. * **Evaluasi Kinerja Ekspedisi per Gudang**: Lakukan evaluasi berkala dan granular terhadap kinerja setiap ekspedisi untuk setiap gudang asal. * **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Nama Ekspedisi (Top 5 Tercepat)** | Nama Ekspedisi | Rata-rata Durasi | | :----------------------- | ---------------: | | EXPD INTERNAL SEMARANG | 0.3 | | EXPD INTERNAL JAKSEL | 0.4 | | EXPD JAKTIM | 0.6 | | EXPD JAKBAR | 0.6 | | EXPD SURABAYA 1 | 0.7 | * **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Nama Ekspedisi (Top 5 Terlambat)** | Nama Ekspedisi | Rata-rata Durasi | | :---------------------------- | ---------------: | | GLOBALINDO 21 EXPRESS | 2.4 | | PCP EXPRESS | 2.5 | | Media Transportasi Logistic | 2.5 | | LION PARCEL | 2.7 | | INDAH LOGISTIK | 2.7 | * **Penyesuaian Alokasi Ekspedisi**: Untuk kombinasi gudang-ekspedisi yang berkinerja buruk (misalnya PHARMANET TANGERANG dengan PT CENTURY), pertimbangkan untuk mengalihkan volume pesanan ke ekspedisi lain yang terbukti lebih efisien dari gudang tersebut (misalnya Anteraja dari PHARMANET TANGERANG memiliki rata-rata durasi 1.85 hari). * **Renegosiasi SLA**: Gunakan data kinerja ini sebagai dasar untuk menegosiasikan ulang SLA dengan ekspedisi, menetapkan target kinerja yang lebih ketat dan mekanisme insentif/penalti. #### 3. Manajemen Pesanan Bernilai Tinggi dan Pencegahan Pembatalan Pembatalan pesanan bernilai tinggi menimbulkan kerugian finansial yang sangat besar. * **Analisis Akar Masalah Pembatalan Bernilai Tinggi**: Lakukan *root cause analysis* yang terperinci untuk setiap pesanan bernilai tinggi yang dibatalkan. Data `Keterangan` yang 100% kosong adalah kendala, sehingga perlu mengumpulkan informasi dari tim penjualan, layanan pelanggan, dan logistik untuk memahami alasan spesifik pembatalan (misalnya, ketersediaan stok, persaingan harga, perubahan kebutuhan pelanggan, atau masalah pengiriman). * **Top 5 RO dengan Nilai Pembatalan Tertinggi** | No. RO | Total Nilai | Tgl. Order | | :----- | ------------: | :------------------ | | 4,920,728 | 659,013,743 | 2026-06-04 17:59:00 | | 4,937,171 | 185,174,318 | 2026-06-29 15:13:00 | | 4,938,339 | 158,237,690 | 2026-06-30 16:05:00 | | 4,925,473 | 139,107,611 | 2026-06-11 14:03:00 | | 4,922,558 | 136,350,982 | 2026-06-08 10:22:00 | * **Protokol Penanganan Pesanan Bernilai Tinggi**: Pertimbangkan untuk menerapkan "jalur cepat" atau protokol penanganan khusus untuk pesanan bernilai tinggi. Ini bisa meliputi: * Verifikasi stok prioritas. * Pemantauan proaktif oleh tim khusus. * Prioritas dalam proses *picking* dan *packing*. * Penggunaan ekspedisi dengan rekam jejak terbaik untuk rute tersebut. * **Tinjau Metode Pembayaran**: `Term Of Payment` memiliki tingkat pembatalan sedikit lebih tinggi (1.6%). Selidiki apakah ada korelasi antara jenis pembayaran ini dengan jenis pelanggan atau produk yang memiliki risiko pembatalan lebih tinggi. #### 4. Peningkatan Kualitas Data Berkelanjutan Akurasi data adalah fondasi analisis yang andal. * **Validasi `Tgl Diterima` yang Ketat**: Segera implementasikan validasi di sistem entri untuk kolom `Tgl Diterima`. Pastikan bahwa: * `Tgl Diterima` tidak pernah kosong. * `Tgl Diterima` tidak pernah berupa nilai default (misalnya `1970-01-02 07:00:00`). * `Tgl Diterima` selalu lebih lambat atau sama dengan `Tgl. Order`. * **Pengisian Kolom `Keterangan`**: Jika memungkinkan dan relevan, perbaiki proses pengumpulan data agar kolom `Keterangan` diisi, terutama untuk pesanan yang dibatalkan. Informasi ini akan sangat berharga untuk analisis akar masalah di masa mendatang. * **Investigasi Duplikasi Item Pesanan**: Selidiki 55 duplikasi item (`No. RO` dan `Procod`) untuk memastikan integritas data. Jika ini adalah *error*, perbaiki prosedur entri data. #### 5. Penyebaran Praktik Terbaik dan Pembelajaran Antar Gudang Beberapa gudang menunjukkan kinerja yang sangat baik yang bisa menjadi contoh. * **Studi Kasus Gudang Berkinerja Terbaik**: Analisis praktik operasional di gudang dengan durasi pemenuhan tercepat (PHARMANET JAKSEL, JAKTIM, JAKBAR) dan tingkat pembatalan terendah (PHARMANET LAMPUNG). * **Rata-rata Durasi Pemenuhan (Hari) berdasarkan Asal Gudang (Top 5 Tercepat)** | Asal Gudang | Rata-rata Durasi | | :-------------------- | ---------------: | | PHARMANET JAKSEL | 0.7 | | PHARMANET JAKTIM | 0.7 | | PHARMANET JAKBAR | 0.9 | | PHARMANET BANJARMASIN | 1.0 | | PHARMANET PALEMBANG | 1.3 | * **Tingkat Pembatalan (%) berdasarkan Asal Gudang (Top 5 Terendah)** | Asal Gudang | Total RO | RO Dibatalkan | Tingkat Pembatalan | | :-------------------- | -------: | ------------: | -----------------: | | PHARMANET SOLO | 1,389 | 10 | 0.7 % | | PHARMANET PONTIANAK | 541 | 3 | 0.6 % | | PHARMANET PALEMBANG | 1,266 | 4 | 0.3 % | | PHARMANET BANDUNG | 1,480 | 3 | 0.2 % | | PHARMANET LAMPUNG | 540 | 0 | 0.0 % | * **Program Berbagi Pengetahuan**: Selenggarakan sesi berbagi pengetahuan, *workshop*, atau program pelatihan untuk mentransfer praktik terbaik ini ke gudang-gudang lain, terutama PHARMANET TANGERANG. #### 6. Monitoring dan Evaluasi Berkelanjutan Implementasikan sistem monitoring untuk melacak metrik kinerja kunci secara *real-time* atau reguler. * **Dashboard Kinerja Pemenuhan**: Buat *dashboard* yang menampilkan durasi pemenuhan rata-rata per gudang dan per ekspedisi, tingkat pembatalan, dan daftar pesanan dengan durasi pemenuhan yang ekstrem atau nilai pembatalan yang tinggi. * **Analisis Tren**: Secara teratur analisis tren durasi pemenuhan dan tingkat pembatalan untuk mengidentifikasi perbaikan atau potensi masalah baru. Dengan mengimplementasikan rekomendasi-rekomendasi ini, perusahaan dapat secara proaktif mengidentifikasi dan mengatasi masalah operasional, meningkatkan efisiensi rantai pasok, mengurangi kerugian finansial dari pembatalan, dan pada akhirnya memberikan pengalaman yang lebih baik bagi pelanggan. Ini akan menjadi langkah penting dalam perjalanan menuju kinerja operasional yang superior. ![Visualisasi](/agent/api/download?file=/tmp/fulfillment_duration_vs_ro_value.png) _Gambar: Rata-rata Durasi Pemenuhan (Hari) berdasarkan Desil Nilai Total RO (Data Bersih)_ ## 8. Kesimpulan Laporan Analisis Data Eksplorasi ini telah dengan cermat menguji proses pemenuhan pesanan pelanggan, mengungkap lapisan-lapisan kinerja operasional, mengidentifikasi anomali kritis, dan menyoroti faktor-faktor kunci yang memengaruhi efisiensi. Tujuan utama dari analisis ini adalah untuk memberikan wawasan yang dapat ditindaklanjuti guna meningkatkan kinerja, mengurangi kerugian, dan pada akhirnya memperkuat kepuasan pelanggan. **Intisari Temuan Kunci** 1. **Kualitas Data sebagai Fondasi**: Analisis ini menggarisbawahi pentingnya kualitas data. Anomali `Tgl Diterima` (nilai `1970-01-02 07:00:00` dan 7.9% nilai kosong) secara signifikan mendistorsi perhitungan durasi pemenuhan awal. Setelah pembersihan data yang ketat, kami berhasil memperoleh dataset yang lebih andal (sekitar 18,785 RO unik untuk analisis durasi) yang memungkinkan evaluasi kinerja operasional yang akurat. 2. **Kinerja Pemenuhan dan Pembatalan Keseluruhan**: Tingkat pemenuhan pesanan secara keseluruhan cukup solid, mencapai 93.6% dari total 20,645 RO unik. Namun, tingkat pembatalan 6.4% dan adanya beberapa pesanan dengan durasi pemenuhan yang sangat panjang (mencapai 65.5 hari) mengindikasikan area yang memerlukan perbaikan. 3. **Faktor Dominan Durasi Pemenuhan**: Model Regresi Random Forest berhasil menjelaskan 56.0% variasi dalam durasi pemenuhan. Faktor-faktor paling berpengaruh adalah `Nama Ekspedisi` (terutama PT CENTURY), `Nilai Total Pesanan (RO Value)`, `Asal Gudang` (terutama PHARMANET TANGERANG), dan `Kuantitas Total Pesanan (RO Quantity)`. 4. **PHARMANET TANGERANG: Titik Bottleneck Kritis**: Gudang PHARMANET TANGERANG secara konsisten menunjukkan durasi pemenuhan rata-rata tertinggi, yaitu 5.79 hari. Masalah ini diperparah secara drastis ketika menggunakan ekspedisi tertentu, seperti PT CENTURY (rata-rata 14.87 hari dari TANGERANG) dan PCP EXPRESS (rata-rata 3.05 hari dari TANGERANG). Ini menyoroti adanya hambatan operasional yang spesifik dan parah di gudang ini, bukan hanya masalah kinerja ekspedisi secara umum. 5. **Peran Ekspedisi PT CENTURY**: Meskipun PT CENTURY diidentifikasi sebagai faktor paling berpengaruh (mungkin karena volume pesanan yang tinggi), kinerja rata-ratanya secara keseluruhan cukup baik (sekitar 2.22 hari). Namun, ketika beroperasi dari PHARMANET TANGERANG, kinerjanya menurun drastis, menunjukkan masalah sinergi yang spesifik. 6. **Pesanan Bernilai Tinggi dan Durasi**: Terdapat tren peningkatan durasi pemenuhan seiring dengan meningkatnya nilai pesanan, terutama pada desil-desil nilai tertinggi. Pesanan bernilai sangat tinggi (desil ke-9, hingga 861,732,895) memiliki durasi rata-rata 2.7 hari, dibandingkan dengan 1.6 hari untuk desil terendah. Ini mungkin mengindikasikan kompleksitas penanganan yang lebih tinggi. ![Visualisasi](/agent/api/download?file=/tmp/fulfillment_duration_vs_ro_value.png) 7. **Pembatalan Bernilai Tinggi: Kerugian yang Signifikan**: Pembatalan beberapa pesanan dengan nilai transaksi sangat besar, seperti RO 4920728 senilai 659,013,743, menimbulkan kerugian finansial yang masif. Tingkat pembatalan juga bervariasi berdasarkan gudang asal (PHARMANET TANGERANG 2.6%, PHARMANET LAMPUNG 0.0%) dan metode pembayaran (Term Of Payment 1.6%). **Rekomendasi Strategis untuk Peningkatan Kinerja Berkelanjutan** Berdasarkan temuan-temuan krusial ini, kami mengusulkan rekomendasi strategis berikut untuk tidak hanya mengatasi masalah yang ada tetapi juga membangun sistem pemenuhan pesanan yang lebih efisien dan tangguh: 1. **Audit dan Revitalisasi Operasional PHARMANET TANGERANG**: * **Lakukan Audit Mendalam**: Segera bentuk tim khusus untuk melakukan audit komprehensif terhadap seluruh alur kerja, proses, dan kapasitas di gudang PHARMANET TANGERANG. Fokus pada setiap tahap, mulai dari penerimaan pesanan, persiapan barang, pengepakan, hingga serah terima ke ekspedisi. * **Identifikasi Akar Masalah Keterlambatan**: Selidiki secara spesifik mengapa durasi pengiriman sangat lambat, terutama saat menggunakan ekspedisi PT CENTURY (rata-rata 14.87 hari dari TANGERANG) dan PCP EXPRESS (rata-rata 3.05 hari dari TANGERANG). Hal ini harus mencakup tinjauan proses *handoff*, kapasitas sumber daya, kepatuhan SLA dengan ekspedisi, serta potensi kendala logistik eksternal. * **Implementasikan Perbaikan Terstruktur**: Berdasarkan hasil audit, terapkan perbaikan proses seperti optimasi tata letak gudang, peningkatan pelatihan staf, atau investasi pada peralatan yang mempercepat proses. 2. **Optimalisasi Kemitraan Logistik Berbasis Kinerja Granular**: * **Evaluasi Kinerja Ekspedisi per Gudang Secara Reguler**: Lakukan evaluasi berkala terhadap kinerja setiap ekspedisi untuk setiap gudang asal. Identifikasi kombinasi gudang-ekspedisi yang berkinerja buruk dan lakukan intervensi. * **Penyesuaian Alokasi Ekspedisi**: Untuk kombinasi gudang-ekspedisi yang berkinerja buruk (misalnya PHARMANET TANGERANG dengan PT CENTURY), pertimbangkan untuk mengalihkan volume pesanan ke ekspedisi lain yang terbukti lebih efisien dari gudang tersebut (misalnya Anteraja dari PHARMANET TANGERANG memiliki rata-rata durasi 1.85 hari). * **Renegosiasi SLA**: Gunakan data kinerja ini sebagai dasar untuk menegosiasikan ulang Perjanjian Tingkat Layanan (SLA) dengan ekspedisi, menetapkan target kinerja yang lebih ketat dan mekanisme insentif/penalti. 3. **Manajemen Pesanan Bernilai Tinggi dan Pencegahan Pembatalan**: * **Analisis Akar Masalah Pembatalan Bernilai Tinggi**: Lakukan *root cause analysis* yang terperinci untuk setiap pesanan bernilai tinggi yang dibatalkan (misalnya RO 4920728 senilai 659,013,743). Kumpulkan informasi dari tim penjualan, layanan pelanggan, dan logistik untuk memahami alasan spesifik pembatalan (misalnya, ketersediaan stok, persaingan harga, perubahan kebutuhan pelanggan, atau masalah pengiriman). * **Protokol Penanganan Pesanan Bernilai Tinggi**: Terapkan "jalur cepat" atau protokol penanganan khusus untuk pesanan bernilai tinggi. Ini bisa meliputi verifikasi stok prioritas, pemantauan proaktif oleh tim khusus, prioritas dalam proses *picking* dan *packing*, serta penggunaan ekspedisi dengan rekam jejak terbaik untuk rute tersebut. * **Tinjau Metode Pembayaran**: Selidiki lebih lanjut mengapa `Term Of Payment` memiliki tingkat pembatalan yang sedikit lebih tinggi (1.6%) untuk mengidentifikasi pola atau risiko tertentu. 4. **Peningkatan Kualitas Data Berkelanjutan**: * **Validasi `Tgl Diterima` yang Ketat**: Segera implementasikan validasi di sistem entri untuk kolom `Tgl Diterima`. Pastikan bahwa `Tgl Diterima` tidak pernah kosong, tidak pernah berupa nilai *default* (misalnya `1970-01-02 07:00:00`), dan selalu lebih lambat atau sama dengan `Tgl. Order`. * **Pengisian Kolom `Keterangan`**: Perbaiki proses pengumpulan data agar kolom `Keterangan` diisi, terutama untuk pesanan yang dibatalkan. Informasi ini akan sangat berharga untuk analisis akar masalah di masa mendatang. * **Investigasi Duplikasi Item Pesanan**: Selidiki 55 duplikasi item (`No. RO` dan `Procod`) untuk memastikan integritas data. 5. **Penyebaran Praktik Terbaik dan Pembelajaran Antar Gudang**: * **Studi Kasus Gudang Berkinerja Terbaik**: Analisis praktik operasional di gudang dengan durasi pemenuhan tercepat (PHARMANET JAKSEL, JAKTIM, JAKBAR) dan tingkat pembatalan terendah (PHARMANET LAMPUNG). * **Program Berbagi Pengetahuan**: Selenggarakan sesi berbagi pengetahuan, lokakarya, atau program pelatihan untuk mentransfer praktik terbaik ini ke gudang-gudang lain, terutama PHARMANET TANGERANG. Dengan adopsi strategis dari rekomendasi-rekomendasi ini, perusahaan dapat secara signifikan mengoptimalkan rantai pasoknya, mengurangi biaya operasional yang tidak perlu dari penundaan dan pembatalan, dan pada akhirnya, menciptakan pengalaman pelanggan yang lebih unggul. Langkah-langkah ini akan menjadi investasi penting dalam perjalanan menuju keunggulan operasional yang berkelanjutan.