# Laporan Akhir Eksplorasi Data ## 1. Ringkasan Eksekutif # 1. Ringkasan Eksekutif Laporan ini menyajikan analisis awal terhadap data pemenuhan pesanan, memberikan gambaran umum tentang status pesanan, efisiensi proses, dan mengidentifikasi area potensial untuk perbaikan. Dataset terdiri dari 131,315 catatan transaksi dengan 45 kolom, memberikan pandangan komprehensif tentang alur pemesanan hingga penerimaan. ### Gambaran Umum dan Kualitas Data * **Ukuran Data:** Dataset mencakup 131,315 baris data transaksi. * **Data Hilang Signifikan:** Beberapa kolom kunci memiliki nilai yang hilang secara keseluruhan atau dalam jumlah besar, seperti `Nama Penerima`, `Keterangan`, `Tgl. PO`, `No. PO`, `Nama Supplier`, `Ronaldo YN`, `Tgl RN`, dan `Tgl Receiving AMS`. Kolom `Tgl Diterima` juga memiliki 10,385 nilai yang hilang, yang merupakan isu kritis untuk pelacakan pengiriman. Kolom `Stok Avaiable` selalu menunjukkan nilai 0, yang memerlukan verifikasi apakah ini adalah kesalahan data atau refleksi dari proses bisnis tertentu. * **Kolom Kategorikal:** Status pesanan seperti `Status RO`, `Sts SP Header`, `Sts SP Detail`, dan `Status DO` secara konsisten terbagi menjadi dua kategori utama: 'TERLAYANI PENUH' (Penuh Terlayani) dan 'CANCEL' (Dibatalkan), menunjukkan alur status yang jelas. ### Status dan Efisiensi Pemenuhan Pesanan Secara keseluruhan, tingkat keberhasilan pemenuhan pesanan sangat tinggi. * **Tingkat Pembatalan:** Hanya sekitar 1,740 pesanan (1.3%) yang dibatalkan, sementara 129,575 pesanan (98.7%) berhasil terlayani penuh. * **Volume Pesanan:** * Pesanan yang dibatalkan melibatkan total kuantitas 10,902 unit dengan nilai Rp 528,933,612. * Pesanan yang terlayani penuh melibatkan total kuantitas 1,436,229 unit (dari 1,439,303 yang dipesan) dengan total nilai Rp 55,080,971,689. * **Disparitas Kuantitas:** Meskipun tingkat pemenuhan tinggi, terdapat 348 pesanan 'TERLAYANI PENUH' (0.27% dari total pesanan terlayani) di mana kuantitas yang dipesan (`Qty RO`) tidak sama dengan kuantitas yang dikirim (`Qty DO`). Ini menunjukkan adanya perbedaan kecil namun berulang yang perlu ditindaklanjuti. Konsistensi nilai (`Value RO` dan `Value PL`) sangat baik, tanpa adanya disparitas yang tercatat. ### Karakteristik Pesanan dan Anomali Produk * **Perbandingan Rata-rata Pesanan:** * Pesanan yang **dibatalkan** cenderung memiliki rata-rata kuantitas (6.27 unit) dan nilai (Rp 303,985) yang lebih rendah dibandingkan dengan pesanan yang **terlayani penuh** (rata-rata kuantitas 11.11 unit, rata-rata nilai Rp 425,089). * **Distribusi Divisi dan Gudang:** * Divisi `PHARMANET 2` memiliki volume pesanan tertinggi untuk kedua status (dibatalkan dan terlayani penuh). * Beberapa gudang seperti `PHARMANET TANGERANG`, `MEDAN`, `SURABAYA`, dan `MAKASSAR` menunjukkan kontribusi signifikan terhadap pesanan yang dibatalkan. * **Produk dengan Disparitas Kuantitas Tertinggi:** Produk "THERMOLYTE DIET SUGAR 25'S@1GR" menonjol dengan 86 kasus disparitas kuantitas antara yang dipesan dan dikirim, jauh di atas produk lain. Ini menunjukkan masalah spesifik pada produk ini yang memerlukan investigasi mendalam, mungkin terkait dengan pencatatan inventaris, proses *picking*, atau *packaging*. ### Analisis Durasi Proses Pemenuhan Pesanan Analisis durasi untuk pesanan 'TERLAYANI PENUH' menunjukkan beberapa tahapan yang efisien dan beberapa yang memerlukan perhatian: * **Durasi Positif:** * **Pembuatan SP ke Pembuatan DO:** Ini adalah tahapan terlama kedua dengan rata-rata 9.84 jam. * **Pembuatan PL ke Pencatatan Ekspedisi:** Tahapan ini adalah yang terlama ketiga dengan rata-rata 7.93 jam. * **Pembuatan DO ke Pembuatan PL:** Tahap ini tercatat sebagai 0.00 jam, menunjukkan proses instan atau pencatatan yang bersamaan. * **Penempatan Pesanan ke Pembuatan SP:** Tahap ini sangat cepat, hanya 0.58 jam. * **Anomali Durasi Negatif Pengiriman ke Penerimaan Pelanggan:** * Rata-rata durasi `Pencatatan Ekspedisi ke Penerimaan Pelanggan` menunjukkan nilai negatif yang sangat besar (-11,502.45 jam). * Investigasi lebih lanjut mengungkapkan bahwa terdapat **2,787 catatan** (sekitar 2.15% dari pesanan 'TERLAYANI PENUH') di mana `Tgl Diterima` tercatat lebih awal dari `Tgl Ekspedisi`. * Penyebab utama dari anomali ini adalah penggunaan tanggal *placeholder* '1970-01-02 07:00:00' pada kolom `Tgl Diterima` untuk catatan yang mungkin belum memiliki tanggal penerimaan aktual. Durasi negatif ekstrem ini (mencapai -495,241.80 jam atau sekitar -56 tahun) mengindikasikan masalah serius dalam pencatatan tanggal penerimaan pelanggan. ### Rekomendasi Utama Berdasarkan temuan di atas, berikut adalah rekomendasi strategis: 1. **Peningkatan Kualitas Data:** Segera tindak lanjuti isu data hilang yang signifikan, terutama pada kolom `Tgl Diterima`, `Nama Penerima`, dan `Nama Supplier`. Verifikasi dan perbaiki proses input data untuk mencegah penggunaan nilai *placeholder* seperti '1970-01-02' yang mendistorsi analisis durasi. Investigasi juga perlu dilakukan terhadap kolom `Stok Avaiable` yang selalu 0. 2. **Investigasi Disparitas Kuantitas Produk:** Selidiki secara mendalam mengapa "THERMOLYTE DIET SUGAR 25'S@1GR" memiliki tingkat disparitas kuantitas yang jauh lebih tinggi. Fokus pada proses inventaris, *picking*, dan *packing* untuk produk ini di gudang terkait. 3. **Optimasi Proses Pemenuhan:** Analisis lebih lanjut diperlukan untuk tahap `Pembuatan SP ke Pembuatan DO` (rata-rata 9.84 jam) dan `Pembuatan PL ke Pencatatan Ekspedisi` (rata-rata 7.93 jam) untuk mengidentifikasi hambatan dan peluang efisiensi. 4. **Analisis Gudang & Divisi:** Lakukan analisis lebih rinci tentang gudang-gudang (`PHARMANET TANGERANG`, `MEDAN`, `SURABAYA`, `MAKASSAR`) dan divisi (`PHARMANET 2`) yang memiliki proporsi pembatalan atau isu disparitas yang lebih tinggi untuk menemukan akar masalah di tingkat operasional. ## 2. Gambaran Umum Dataset ## 2. Gambaran Umum Dataset Bab ini menyajikan gambaran menyeluruh tentang dataset yang digunakan dalam analisis ini. Tujuannya adalah untuk memahami struktur data, mengidentifikasi kualitas data melalui nilai yang hilang dan keunikan kategori, serta memperoleh statistik deskriptif awal dari kolom numerik. Pemahaman ini penting sebagai fondasi untuk analisis lebih lanjut dan mengidentifikasi potensi isu data yang perlu ditangani. ### 2.1 Ukuran dan Kualitas Data Dataset transaksi pemenuhan pesanan ini memiliki skala yang cukup besar, memberikan wawasan yang kaya tentang operasi bisnis. * **Jumlah Baris:** Dataset ini terdiri dari **131,315** catatan transaksi individual. * **Jumlah Kolom:** Terdapat **45** kolom yang mencakup berbagai aspek dari penempatan pesanan hingga penerimaan oleh pelanggan. #### 2.1.1 Analisis Data Hilang (Missing Values) Deteksi nilai yang hilang (missing values) adalah langkah krusial untuk menilai kualitas data. Beberapa kolom menunjukkan nilai hilang yang signifikan, berpotensi memengaruhi analisis tertentu atau mengindikasikan proses data entry yang tidak lengkap. Tabel di bawah menunjukkan 10 kolom teratas dengan jumlah nilai hilang terbanyak: | Kolom | Jumlah Nilai Hilang | | :------------------------ | -------------------:| | Nama Penerima | 131,315 | | Keterangan | 131,315 | | Tgl. PO | 131,315 | | No. PO | 131,315 | | Nama Supplier | 131,315 | | Ronaldo YN | 131,315 | | Tgl RN | 131,315 | | Tgl Receiving AMS | 131,315 | | Tgl Diterima | 10,385 | | Cmc | 5,468 | **Insight Bisnis & Anomali:** * Kolom seperti `Nama Penerima`, `Keterangan`, `Tgl. PO`, `No. PO`, `Nama Supplier`, `Ronaldo YN`, `Tgl RN`, dan `Tgl Receiving AMS` **sepenuhnya kosong**. Hal ini mengindikasikan bahwa data ini mungkin tidak pernah dicatat atau tidak relevan untuk semua transaksi dalam dataset ini. `Nama Supplier` dan informasi terkait `PO` yang kosong mungkin menunjukkan bahwa sebagian besar pesanan ini berasal dari inventori internal daripada pesanan pembelian baru dari supplier. * `Tgl Diterima` memiliki 10,385 nilai hilang. Ini sangat kritis karena tanggal penerimaan adalah metrik kunci untuk mengukur kepuasan pelanggan dan efisiensi logistik. Hilangnya data ini akan mempersulit analisis durasi pengiriman secara akurat. * Kolom `Cmc` memiliki 5,468 nilai hilang yang perlu diverifikasi maknanya. * Anomali lainnya adalah kolom `Stok Avaiable` yang, seperti terlihat dalam statistik deskriptif di bawah, **selalu bernilai 0**. Ini mungkin berarti kolom ini tidak digunakan, tidak diisi dengan benar, atau hanya mencerminkan kebijakan *just-in-time* di mana stok langsung dialokasikan setelah pesanan. #### 2.1.2 Kolom Kategorikal Penting Berikut adalah ringkasan nilai unik untuk beberapa kolom kategorikal kunci, memberikan gambaran tentang variasi data dan proses bisnis yang tercermin. | Kolom | Jumlah Nilai Unik | Contoh Nilai Unik | | :-------------- | :---------------- | :------------------------------------------------ | | Status RO | 2 | 'TERLAYANI PENUH', 'CANCEL' | | Sts SP Header | 2 | 'P', 'C' | | Sts SP Detail | 2 | 'P', 'C' | | Status DO | 2 | 'P', 'C' | | Divisi | 9 | 'PHARMANET 2', 'ETCKLINIK', 'PHARMANET B2B', ... | | Pharos YN | 2 | 'N', 'Y' | | AO YN | 2 | 'N', 'Y' | | Ronaldo YN | 1 | \[None] | | Asal Gudang | 22 | 'PHARMANET JAKSEL', 'PHARMANET JAKBAR', ... | | Distributor | 4 | 'BCA Virtual Account', 'Term Of Payment', ... | **Insight Bisnis & Anomali:** * Empat kolom status (`Status RO`, `Sts SP Header`, `Sts SP Detail`, `Status DO`) hanya memiliki dua nilai: 'TERLAYANI PENUH'/'P' (proses/terlayani) dan 'CANCEL'/'C' (batal). Ini menyederhanakan pelacakan status pesanan dan menunjukkan bahwa proses ini bersifat biner: berhasil atau dibatalkan. * Kolom `Ronaldo YN` hanya berisi `None`, yang sejalan dengan temuan data hilang. Kolom ini tidak memberikan informasi yang berguna dalam dataset ini. * Variasi pada `Divisi` (9 unik), `Asal Gudang` (22 unik), dan `Distributor` (4 unik) menunjukkan cakupan operasional yang luas, meliputi berbagai unit bisnis, lokasi gudang, dan metode pembayaran/distribusi. #### 2.1.3 Statistik Deskriptif Kolom Numerik Statistik deskriptif memberikan pemahaman awal tentang distribusi dan rentang nilai dalam kolom numerik, seperti kuantitas dan nilai pesanan. | Statistik | Qty RO | Qty SP | Qty DO | Value PL | Value RO | Stok Avaiable | | :------------ | -----------:| -----------:| -----------:| ---------------:| ---------------:| -------------:| | count | 131,315.0 | 131,315.0 | 131,315.0 | 129,575.0 | 131,315.0 | 130,581.0 | | mean | 11.0 | 10.9 | 10.9 | 425,089.5 | 422,968.7 | 0.0 | | std | 71.7 | 71.7 | 71.7 | 2,059,252.0 | 2,056,585.5 | 0.0 | | min | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | | 25% | 1.0 | 1.0 | 1.0 | 77,000.0 | 77,000.0 | 0.0 | | 50% | 3.0 | 3.0 | 3.0 | 175,000.0 | 175,000.0 | 0.0 | | 75% | 6.0 | 6.0 | 6.0 | 425,000.0 | 425,000.0 | 0.0 | | max | 7,200.0 | 7,200.0 | 7,200.0 | 213,000,000.0 | 213,000,000.0 | 0.0 | **Insight Bisnis & Anomali:** * `Qty RO`, `Qty SP`, dan `Qty DO` memiliki statistik yang sangat mirip, menunjukkan bahwa sebagian besar pesanan dipenuhi sesuai dengan yang diminta. Rata-rata kuantitas per pesanan sekitar 11 unit, dengan pesanan terbesar mencapai 7,200 unit. * `Value PL` dan `Value RO` juga menunjukkan pola yang serupa, dengan nilai rata-rata sekitar Rp 425,000 per pesanan dan nilai maksimum mencapai Rp 213 juta. Konsistensi antara `RO` (Order) dan `PL` (Packing List) ini sangat positif, mengindikasikan integritas data harga dan nilai pesanan. * Anomali yang telah disebutkan sebelumnya: `Stok Avaiable` selalu 0 untuk semua entri yang tidak hilang. Hal ini memerlukan klarifikasi dari tim operasional mengenai fungsi sebenarnya dari kolom ini. Jika ini adalah indikator stok aktual, nilai nol terus-menerus bisa menjadi masalah serius atau indikasi bahwa kolom tersebut tidak diupdate secara real-time. ### 2.2 Distribusi Status Pemenuhan Pesanan Memahami distribusi status pesanan adalah kunci untuk menilai efisiensi operasional. Dataset ini secara konsisten mencatat status di beberapa tahapan proses. #### 2.2.1 Distribusi Status Akhir (`Status RO`) `Status RO` mencerminkan status akhir pesanan: apakah berhasil terlayani penuh atau dibatalkan. | Status RO | Jumlah | Persentase | | :-------------- | ---------:| ---------: | | CANCEL | 1,740 | 1.3% | | TERLAYANI PENUH | 129,575 | 98.7% | **Insight Bisnis:** Tingkat pembatalan pesanan sangat rendah, hanya sekitar 1.3%. Ini menunjukkan efisiensi operasional yang tinggi dalam memproses pesanan hingga terpenuhi. Sebagian besar pesanan (98.7%) berhasil dilayani sepenuhnya. #### 2.2.2 Distribusi Status Proses Internal (`Sts SP Header`, `Sts SP Detail`, `Status DO`) Status internal seperti `Sts SP Header`, `Sts SP Detail`, dan `Status DO` juga menunjukkan pola yang konsisten dengan `Status RO`. 'P' kemungkinan berarti 'Processed' atau 'Pending' dan 'C' berarti 'Cancelled' atau 'Complete'. Mengingat konteks `Status RO`, 'P' kemungkinan besar berarti 'Processed' dan 'C' berarti 'Cancelled'. **Distribusi `Sts SP Header`:** | Sts SP Header | Jumlah | Persentase | | :------------ | ---------:| ---------: | | C | 1,740 | 1.3% | | P | 129,575 | 98.7% | **Distribusi `Sts SP Detail`:** | Sts SP Detail | Jumlah | Persentase | | :------------ | ---------:| ---------: | | C | 1,740 | 1.3% | | P | 129,575 | 98.7% | **Distribusi `Status DO`:** | Status DO | Jumlah | Persentase | | :-------- | ---------:| ---------: | | C | 1,740 | 1.3% | | P | 129,575 | 98.7% | **Insight Bisnis:** Konsistensi yang sempurna di antara keempat kolom status ini (`Status RO`, `Sts SP Header`, `Sts SP Detail`, `Status DO`) menunjukkan bahwa pembatalan pesanan terjadi secara menyeluruh di semua tahapan yang relevan. Jika satu bagian pesanan dibatalkan, keseluruhan pesanan dianggap batal, dan hal ini tercermin di seluruh dokumen terkait. Ini menunjukkan proses bisnis yang terintegrasi dengan baik untuk penanganan pembatalan. #### 2.2.3 Agregasi Kuantitas dan Nilai Berdasarkan Status RO Perbandingan total kuantitas dan nilai antara pesanan yang dibatalkan dan yang terlayani penuh menyoroti dampak finansial dari masing-masing status. | Status RO | Total Qty Dipan | Total Qty SP | Total Qty Terkirim | Total Value Dipan | Total Value Packing List | | :-------------- | ---------------:| -------------:| -----------------:| -------------------:| ------------------------:| | CANCEL | 10,902 | 0 | 0 | 528,933,612 | NaN | | TERLAYANI PENUH | 1,439,303 | 1,436,229 | 1,436,229 | 55,080,971,689 | 55,080,971,689 | **Insight Bisnis:** * Meskipun jumlah pesanan yang dibatalkan kecil, total kuantitas yang dibatalkan mencapai 10,902 unit dengan nilai lebih dari Rp 528 juta. Ini menunjukkan potensi kerugian atau *opportunity cost* yang signifikan, bahkan dari pesanan yang dibatalkan secara parsial atau penuh. * Untuk pesanan 'TERLAYANI PENUH', total kuantitas yang dipesan sedikit lebih tinggi (1,439,303) daripada yang dicatat di SP dan terkirim (1,436,229). Perbedaan ini patut diselidiki untuk memahami mengapa ada selisih sekitar 3,074 unit, meskipun persentasenya sangat kecil dari total. * Nilai yang terlayani penuh mencapai lebih dari Rp 55 miliar, yang merupakan mayoritas besar dari total volume transaksi. #### 2.2.4 Disparitas Kuantitas dan Nilai pada Pesanan 'TERLAYANI PENUH' Investigasi lebih lanjut pada pesanan yang seharusnya 'TERLAYANI PENUH' menunjukkan adanya beberapa ketidaksesuaian. | Status RO | Total Pesanan | Jumlah Disparitas Qty | Jumlah Disparitas Value | | :-------------- | -------------:| ---------------------:| -----------------------:| | TERLAYANI PENUH | 129,575 | 348 | 0 | * **Persentase pesanan 'TERLAYANI PENUH' dengan `Qty RO != Qty DO`:** 0.3% * **Persentase pesanan 'TERLAYANI PENUH' dengan `Value RO != Value PL`:** 0.0% **Insight Bisnis:** * Meskipun sebagian besar pesanan terlayani penuh tanpa masalah kuantitas, terdapat **348 pesanan** (sekitar 0.3%) di mana kuantitas yang dipesan (`Qty RO`) tidak sama dengan kuantitas yang dikirim (`Qty DO`). Ini adalah area yang memerlukan perhatian karena dapat menyebabkan ketidakpuasan pelanggan atau masalah penagihan. * Sangat positif bahwa tidak ada disparitas yang ditemukan antara `Value RO` dan `Value PL`. Ini menunjukkan akurasi yang tinggi dalam pencatatan nilai pesanan dan harga produk pada tahap *packing list*. ### 2.3 Karakteristik Pesanan Dibatalkan vs. Terlayani Penuh Untuk memahami lebih dalam faktor-faktor yang mungkin berkontribusi terhadap pembatalan pesanan atau variasi dalam pemenuhan, kami menganalisis karakteristik pesanan berdasarkan statusnya. #### 2.3.1 Rata-rata Kuantitas dan Nilai Pesanan | Status RO | Rata-rata Qty RO | Rata-rata Value RO | | :-------------- | ----------------:| ------------------:| | CANCEL | 6.3 | 303,985 | | TERLAYANI PENUH | 11.1 | 425,089 | **Insight Bisnis:** Pesanan yang terlayani penuh cenderung memiliki rata-rata kuantitas (11.1 unit) dan nilai (Rp 425,089) yang lebih tinggi dibandingkan dengan pesanan yang dibatalkan (6.3 unit, Rp 303,985). Ini mungkin mengindikasikan bahwa pesanan dengan volume lebih besar cenderung lebih diperioritaskan atau memiliki tingkat keberhasilan pemenuhan yang lebih baik, atau sebaliknya, pesanan dengan volume lebih kecil lebih rentan untuk dibatalkan. #### 2.3.2 Distribusi Divisi Berdasarkan Status Pesanan Perbandingan kontribusi divisi terhadap pesanan yang dibatalkan dan terlayani penuh. **Divisi untuk Pesanan CANCEL:** | Divisi | Jumlah | | :------------------ | -----:| | PHARMANET 2 | 1,154 | | ETCKLINIK | 310 | | PHARMANET B2B | 131 | | VIBRANT PBF | 38 | | NUTRISAINS | 35 | | NUTRINDO | 33 | | OTC | 28 | | VIBRANT 3 | 11 | **Top 5 Divisi untuk Pesanan TERLAYANI PENUH:** | Divisi | Jumlah | | :------------------ | -----:| | PHARMANET 2 | 87,733 | | ETCKLINIK | 17,517 | | PHARMANET B2B | 11,401 | | NUTRISAINS | 4,951 | | OTC | 3,282 | **Insight Bisnis:** Divisi `PHARMANET 2` secara signifikan mendominasi baik dalam pesanan yang dibatalkan maupun yang terlayani penuh. Ini bisa jadi karena divisi ini merupakan yang terbesar atau memiliki volume transaksi tertinggi. Meskipun demikian, perlu dilakukan analisis proporsional untuk melihat apakah ada divisi yang memiliki tingkat pembatalan yang lebih tinggi relatif terhadap total pesanannya. #### 2.3.3 Distribusi Asal Gudang Berdasarkan Status Pesanan Distribusi asal gudang memberikan gambaran tentang lokasi mana yang mungkin mengalami tantangan dalam pemenuhan pesanan. **Top 5 Asal Gudang untuk Pesanan CANCEL:** | Asal Gudang | Jumlah | | :------------------ | -----:| | PHARMANET TANGERANG | 242 | | PHARMANET MEDAN | 188 | | PHARMANET SURABAYA | 162 | | PHARMANET MAKASSAR | 148 | | PHARMANET BEKASI | 129 | **Top 5 Asal Gudang untuk Pesanan TERLAYANI PENUH:** | Asal Gudang | Jumlah | | :----------------- | -----:| | PHARMANET SURABAYA | 13,080 | | PHARMANET BEKASI | 12,546 | | PHARMANET BANDUNG | 9,538 | | PHARMANET TANGERANG | 9,178 | | PHARMANET SEMARANG | 8,836 | **Insight Bisnis:** Gudang `PHARMANET TANGERANG`, `MEDAN`, `SURABAYA`, `MAKASSAR`, dan `BEKASI` muncul sebagai penyumbang terbesar pada pesanan yang dibatalkan. Ini menunjukkan bahwa gudang-gudang ini mungkin menghadapi tantangan operasional tertentu yang menyebabkan pembatalan. Analisis lebih lanjut diperlukan untuk mengidentifikasi akar masalah di gudang-gudang ini, seperti ketersediaan stok, masalah logistik, atau proses *picking* yang tidak efisien. #### 2.3.4 Distribusi Distributor Berdasarkan Status Pesanan Distributor, dalam konteks ini, mungkin merujuk pada metode pembayaran atau saluran distribusi. **Distributor untuk Pesanan CANCEL:** | Distributor | Jumlah | | :------------------ | -----:| | BCA Virtual Account | 911 | | Term Of Payment | 567 | | BRIVA | 262 | **Distributor untuk Pesanan TERLAYANI PENUH:** | Distributor | Jumlah | | :------------------ | -----:| | BCA Virtual Account | 77,942 | | Term Of Payment | 36,048 | | BRIVA | 15,454 | | Kredivo | 131 | **Insight Bisnis:** `BCA Virtual Account` dan `Term Of Payment` adalah dua metode pembayaran/distributor yang paling umum untuk kedua jenis status. Proporsi pembatalan relatif terhadap total transaksi untuk setiap distributor perlu dianalisis lebih lanjut untuk melihat apakah ada pola yang signifikan. #### 2.3.5 Produk dengan Disparitas Kuantitas Tertinggi Fokus pada produk-produk yang sering mengalami ketidaksesuaian antara `Qty RO` dan `Qty DO` pada pesanan yang terlayani penuh. | Prodes | Jumlah Disparitas | | :--------------------------------- | -----------------:| | THERMOLYTE DIET SUGAR 25'S@1GR | 86 | | MEDISIO 36% CONCENTRATE 5ML | 14 | | PRORIS SUSP 60 ML RASA JERUK | 6 | | POLYSILANE TAB. KUNYAH 5X8TAB | 6 | | POLYSILANE SUSP 180 ML | 6 | | PRAXION SUSP 60ML RASA JERUK | 5 | | MICROLAX GEL OBAT PENCAHAR 5ML | 5 | | DISFLATYL 10 BLISTER @10TABLET | 4 | | CLINOVIR CREAM 5GR | 4 | | CATAFLAM 50MG TAB 50'S | 4 | **Insight Bisnis & Rekomendasi:** Produk "THERMOLYTE DIET SUGAR 25'S@1GR" menonjol secara signifikan dengan **86 kasus disparitas kuantitas**, jauh melampaui produk lain. Ini adalah anomali yang sangat penting. Perlu dilakukan investigasi segera dan mendalam terhadap produk ini, meliputi: * Pencatatan inventori: Apakah ada masalah dengan unit pengukuran atau penghitungan stok? * Proses *picking* dan *packing*: Apakah produk ini rentan terhadap kesalahan saat diambil atau dikemas? * Kemasan: Apakah kemasannya mudah rusak atau sulit dihitung? * Audit stok: Lakukan audit fisik untuk "THERMOLYTE DIET SUGAR 25'S@1GR" di gudang-gudang terkait. ### 2.4 Analisis Durasi Proses Pemenuhan Analisis durasi untuk pesanan 'TERLAYANI PENUH' mengidentifikasi efisiensi setiap tahapan dalam rantai pemenuhan pesanan. #### 2.4.1 Rata-rata Durasi Tahapan Proses (dalam jam) | Tahapan | Durasi Rata-rata (jam) | | :---------------------------------------- | ---------------------:| | Penempatan Pesanan ke Pembuatan SP | 0.6 | | Pembuatan SP ke Pembuatan DO | 9.8 | | Pembuatan DO ke Pembuatan PL | 0.0 | | Pembuatan PL ke Pencatatan Ekspedisi | 7.9 | | Pencatatan Ekspedisi ke Penerimaan Pelanggan | -11,502.5 | **Insight Bisnis & Anomali:** * **Tahap Tercepat:** `Pembuatan DO ke Pembuatan PL` tercatat sebagai 0.0 jam. Ini menunjukkan bahwa kedua proses ini sangat terintegrasi, mungkin terjadi secara bersamaan atau otomatis, sehingga waktu pencatatannya hampir identik. `Penempatan Pesanan ke Pembuatan SP` juga sangat cepat, hanya 0.6 jam, menandakan respons cepat terhadap pesanan baru. * **Tahap Paling Memakan Waktu (Positif):** `Pembuatan SP ke Pembuatan DO` (9.8 jam) dan `Pembuatan PL ke Pencatatan Ekspedisi` (7.9 jam) adalah dua tahapan terlama dalam proses. Tahap `Pembuatan SP ke Pembuatan DO` mungkin melibatkan proses validasi atau alokasi stok. `Pembuatan PL ke Pencatatan Ekspedisi` bisa jadi melibatkan waktu tunggu untuk kurir atau *batching* pengiriman. * **Anomali Kritis - Durasi Negatif:** Durasi `Pencatatan Ekspedisi ke Penerimaan Pelanggan` menunjukkan nilai negatif yang sangat besar (-11,502.5 jam). Ini adalah anomali data yang serius dan memerlukan investigasi mendalam, karena secara logis tanggal penerimaan tidak mungkin lebih awal dari tanggal pengiriman. #### 2.4.2 Penyelidikan Anomali Durasi Negatif (`Tgl Ekspedisi` ke `Tgl Diterima`) Penyebab dari durasi negatif yang ekstrem ini adalah adanya data `Tgl Diterima` yang secara tidak wajar tercatat lebih awal dari `Tgl Ekspedisi`. * **Jumlah catatan 'TERLAYANI PENUH' dengan `Tgl Diterima < Tgl Ekspedisi`:** 2,787 * **Durasi minimum (paling negatif):** -495,241.80 jam * **Durasi maksimum (paling tidak negatif):** -494,529.68 jam **Contoh Catatan dengan Durasi Negatif (5 baris pertama):** | Tgl Ekspedisi | Tgl Diterima | Durasi (jam) | | :------------------ | :------------------ | -------------:| | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 17:47:19 | 1970-01-02 07:00:00 | -494,531 | | 2026-06-02 17:47:19 | 1970-01-02 07:00:00 | -494,531 | **Insight Bisnis & Rekomendasi:** * Anomali ini terjadi pada **2,787 pesanan**, menunjukkan bahwa ini bukan insiden terisolasi. * Penyelidikan mendalam mengungkapkan bahwa tanggal `1970-01-02 07:00:00` digunakan sebagai *placeholder* untuk `Tgl Diterima`. Ini adalah praktik pengisian data yang sangat bermasalah karena mengindikasikan bahwa tanggal penerimaan aktual tidak dicatat, dan penggunaan tanggal *epoch* 1 Januari 1970 (atau variasi dekatnya) adalah konvensi umum untuk nilai tanggal yang kosong atau tidak valid dalam sistem komputer. * **Dampak:** Durasi negatif yang sangat besar ini secara fundamental merusak validitas analisis waktu pengiriman dan metrik kinerja logistik. * **Rekomendasi Mendesak:** Perlu dilakukan audit segera terhadap proses pencatatan `Tgl Diterima`. Data dengan `Tgl Diterima` yang berupa *placeholder* harus diidentifikasi dan ditandai sebagai "tanggal penerimaan tidak diketahui" daripada menggunakan tanggal yang menyesatkan. Idealnya, sistem harus mencegah input tanggal yang tidak logis (`Tgl Diterima < Tgl Ekspedisi`) atau memerlukan tanggal aktual. ### 2.5 Rekomendasi Awal Berdasarkan gambaran umum dataset ini, berikut adalah rekomendasi awal untuk perbaikan kualitas data dan proses bisnis: 1. **Perbaikan Kualitas Data `Tgl Diterima`:** Prioritaskan perbaikan input data untuk kolom `Tgl Diterima`. Hentikan penggunaan *placeholder* dan pastikan tanggal penerimaan dicatat secara akurat dan valid. Data historis dengan *placeholder* perlu ditangani (misalnya, diisi dengan `NULL` atau nilai khusus yang mengindikasikan data tidak tersedia) agar tidak mengganggu analisis. 2. **Investigasi Kolom Kosong:** Selidiki mengapa kolom `Nama Penerima`, `Keterangan`, `Tgl. PO`, `No. PO`, `Nama Supplier`, `Ronaldo YN`, `Tgl RN`, dan `Tgl Receiving AMS` sebagian besar atau seluruhnya kosong. Tentukan apakah data ini memang tidak relevan, atau jika ada proses yang hilang untuk pengumpulannya. 3. **Verifikasi `Stok Avaiable`:** Klarifikasi fungsi kolom `Stok Avaiable` dan mengapa nilainya selalu 0. Jika dimaksudkan untuk melacak stok, sistem pengisian datanya perlu diperbaiki. 4. **Audit Produk "THERMOLYTE DIET SUGAR 25'S@1GR":** Segera lakukan penyelidikan terhadap produk ini untuk mengidentifikasi penyebab tingginya disparitas kuantitas antara pesanan dan pengiriman. Ini mungkin melibatkan audit stok, peninjauan proses *picking* dan *packing*, serta verifikasi deskripsi produk. 5. **Optimasi Proses Waktu Panjang:** Fokus pada optimasi tahapan `Pembuatan SP ke Pembuatan DO` dan `Pembuatan PL ke Pencatatan Ekspedisi`. Identifikasi hambatan yang menyebabkan durasi rata-rata yang lebih panjang ini dan cari peluang untuk meningkatkan efisiensi. ## 3. Analisis Status Pemenuhan Pesanan ## 3. Analisis Status Pemenuhan Pesanan Bab ini menyelami lebih dalam tentang status pemenuhan pesanan, menganalisis tingkat keberhasilan dan kegagalan, serta mengidentifikasi potensi area perbaikan dalam siklus pemenuhan pesanan. Kita akan membedah distribusi status pesanan, membandingkan karakteristik pesanan yang dibatalkan dan yang berhasil, serta mengukur efisiensi waktu antar tahapan proses. ### 3.1 Gambaran Umum Status Pemenuhan Tingkat pemenuhan pesanan adalah indikator kunci kinerja operasional. Analisis awal menunjukkan efisiensi yang tinggi dalam memproses pesanan hingga terpenuhi. #### 3.1.1 Distribusi Status Pesanan Dataset ini menyediakan beberapa kolom status yang menunjukkan progres pesanan. `Status RO` (Sales Order), `Sts SP Header` (Sales Program Header), `Sts SP Detail` (Sales Program Detail), dan `Status DO` (Delivery Order) semuanya mencerminkan status akhir pesanan. Tabel berikut menunjukkan distribusi status akhir pesanan (`Status RO`): | Status RO | Jumlah | Persentase | | :-------------- | :------- | :--------- | | CANCEL | 1,740 | 1.3% | | TERLAYANI PENUH | 129,575 | 98.7% | **Insight Bisnis:** Mayoritas pesanan, yaitu 98.7% atau 129,575 pesanan, berhasil terlayani penuh. Tingkat pembatalan yang rendah, hanya 1.3% atau 1,740 pesanan, menunjukkan proses pemenuhan pesanan yang sangat efisien dan andal secara keseluruhan. Konsistensi serupa juga terlihat pada status-status internal lainnya: **Distribusi Status SP Header, SP Detail, dan DO:** | Status | Sts SP Header | Sts SP Detail | Status DO | | :----- | :------------ | :------------ | :-------- | | C | 1,740 | 1,740 | 1,740 | | P | 129,575 | 129,575 | 129,575 | **Insight Bisnis:** Keselarasan yang sempurna antara keempat kolom status ini mengindikasikan bahwa pembatalan pesanan terjadi secara komprehensif di seluruh tahapan proses. Ini berarti jika suatu pesanan dibatalkan, pembatalan tersebut tercatat secara konsisten dari Sales Program hingga Delivery Order, menunjukkan integritas data yang baik dan proses bisnis yang terintegrasi untuk penanganan pembatalan. #### 3.1.2 Agregasi Kuantitas dan Nilai Berdasarkan Status RO Meskipun persentase pembatalan rendah, penting untuk memahami dampak total kuantitas dan nilai yang terlibat dalam pesanan yang dibatalkan versus yang terlayani penuh. | Status RO | Total Qty Dipan | Total Qty SP | Total Qty Terkirim | Total Value Dipan | Total Value Packing List | | :-------------- | ---------------:| -------------:| -----------------:| -------------------:| ------------------------:| | CANCEL | 10,902 | 0 | 0 | 528,933,612 | NaN | | TERLAYANI PENUH | 1,439,303 | 1,436,229 | 1,436,229 | 55,080,971,689 | 55,080,971,689 | **Insight Bisnis:** * Pesanan yang dibatalkan, meskipun sedikit dalam jumlah, melibatkan total kuantitas 10,902 unit dengan nilai yang substansial, yaitu Rp 528,933,612. Ini merepresentasikan potensi pendapatan yang hilang atau biaya operasional yang timbul dari pesanan yang tidak jadi. * Untuk pesanan 'TERLAYANI PENUH', terdapat sedikit perbedaan antara kuantitas yang dipesan (`Qty RO`: 1,439,303 unit) dan kuantitas yang tercatat di Sales Program dan terkirim (`Qty SP` dan `Qty DO`: 1,436,229 unit). Selisih sekitar 3,074 unit ini, meskipun kecil secara proporsional, memerlukan investigasi untuk memahami penyebabnya. * Nilai total pesanan yang terlayani penuh mencapai lebih dari Rp 55 miliar, yang menggarisbawahi volume transaksi yang signifikan. #### 3.1.3 Disparitas Kuantitas dan Nilai pada Pesanan 'TERLAYANI PENUH' Investigasi lebih lanjut pada pesanan yang 'TERLAYANI PENUH' diperlukan untuk mengidentifikasi apakah ada ketidaksesuaian antara jumlah yang dipesan dan yang benar-benar dikirim. | Status RO | Total Pesanan | Jumlah Disparitas Qty | Jumlah Disparitas Value | | :-------------- | -------------:| ---------------------:| -----------------------:| | TERLAYANI PENUH | 129,575 | 348 | 0 | * **Persentase pesanan 'TERLAYANI PENUH' dengan `Qty RO != Qty DO`:** 0.3% * **Persentase pesanan 'TERLAYANI PENUH' dengan `Value RO != Value PL`:** 0.0% **Insight Bisnis:** * Meskipun sebagian besar pesanan terlayani penuh tanpa masalah, terdapat 348 pesanan (0.3% dari total pesanan terlayani penuh) di mana kuantitas yang dipesan (`Qty RO`) tidak sama dengan kuantitas yang dikirim (`Qty DO`). Disparitas kuantitas ini perlu diperhatikan karena dapat memengaruhi kepuasan pelanggan, akurasi inventaris, dan proses penagihan. * Tidak adanya disparitas antara `Value RO` dan `Value PL` adalah hasil yang sangat positif, menunjukkan akurasi dan konsistensi yang tinggi dalam pencatatan nilai finansial pesanan. ### 3.2 Karakteristik Pesanan Dibatalkan vs. Terlayani Penuh Untuk memahami lebih jauh faktor-faktor yang mungkin membedakan pesanan yang dibatalkan dari yang berhasil terlayani penuh, kita akan membandingkan karakteristik utama mereka. #### 3.2.1 Rata-rata Kuantitas dan Nilai Pesanan Perbandingan rata-rata kuantitas dan nilai pesanan berdasarkan status memberikan wawasan tentang profil pesanan yang cenderung dibatalkan. | Status RO | Rata-rata Qty RO | Rata-rata Value RO | | :-------------- | ----------------:| ------------------:| | CANCEL | 6.3 | 303,985 | | TERLAYANI PENUH | 11.1 | 425,089 | **Insight Bisnis:** Pesanan yang berhasil terlayani penuh cenderung memiliki rata-rata kuantitas dan nilai yang lebih tinggi dibandingkan dengan pesanan yang dibatalkan. Ini menunjukkan bahwa pesanan dengan volume atau nilai yang lebih kecil mungkin lebih rentan terhadap pembatalan, atau bahwa pesanan yang lebih besar cenderung mendapatkan prioritas pemenuhan yang lebih tinggi. #### 3.2.2 Distribusi Divisi Berdasarkan Status Pesanan Analisis distribusi divisi untuk pesanan yang dibatalkan dan terlayani penuh dapat menyoroti divisi mana yang mungkin menghadapi tantangan atau memiliki volume transaksi yang signifikan. **Divisi untuk Pesanan 'CANCEL':** | Divisi | Jumlah | | :-------------- | -----: | | PHARMANET 2 | 1,154 | | ETCKLINIK | 310 | | PHARMANET B2B | 131 | | VIBRANT PBF | 38 | | NUTRISAINS | 35 | | NUTRINDO | 33 | | OTC | 28 | | VIBRANT 3 | 11 | **Top 5 Divisi untuk Pesanan 'TERLAYANI PENUH':** | Divisi | Jumlah | | :-------------- | :------ | | PHARMANET 2 | 87,733 | | ETCKLINIK | 17,517 | | PHARMANET B2B | 11,401 | | NUTRISAINS | 4,951 | | OTC | 3,282 | **Insight Bisnis:** Divisi `PHARMANET 2` mendominasi volume pesanan baik yang dibatalkan maupun yang terlayani penuh, mengindikasikan bahwa ini adalah divisi terbesar atau paling aktif. Untuk mendapatkan wawasan yang lebih akurat, perlu dihitung tingkat pembatalan proporsional untuk setiap divisi (jumlah pembatalan dibagi total pesanan divisi) untuk mengidentifikasi apakah ada divisi yang memiliki tingkat pembatalan yang secara signifikan lebih tinggi dari rata-rata. #### 3.2.3 Distribusi Asal Gudang Berdasarkan Status Pesanan Distribusi asal gudang memberikan gambaran tentang lokasi mana yang mungkin berkontribusi lebih banyak terhadap pembatalan pesanan. **Top 5 Asal Gudang untuk Pesanan 'CANCEL':** | Asal Gudang | Jumlah | | :------------------ | -----: | | PHARMANET TANGERANG | 242 | | PHARMANET MEDAN | 188 | | PHARMANET SURABAYA | 162 | | PHARMANET MAKASSAR | 148 | | PHARMANET BEKASI | 129 | **Top 5 Asal Gudang untuk Pesanan 'TERLAYANI PENUH':** | Asal Gudang | Jumlah | | :----------------- | :------ | | PHARMANET SURABAYA | 13,080 | | PHARMANET BEKASI | 12,546 | | PHARMANET BANDUNG | 9,538 | | PHARMANET TANGERANG | 9,178 | | PHARMANET SEMARANG | 8,836 | **Insight Bisnis:** Gudang-gudang seperti `PHARMANET TANGERANG`, `MEDAN`, `SURABAYA`, `MAKASSAR`, dan `BEKASI` muncul sebagai kontributor terbesar dalam jumlah pesanan yang dibatalkan. Ini menunjukkan bahwa gudang-gudang ini mungkin menghadapi tantangan operasional yang menyebabkan pembatalan. Investigasi lebih lanjut dapat difokuskan pada gudang-gudang ini untuk mengidentifikasi akar masalah seperti kekurangan stok, masalah logistik, atau inefisiensi proses. #### 3.2.4 Distribusi Distributor Berdasarkan Status Pesanan Analisis distributor (kemungkinan metode pembayaran atau saluran) berdasarkan status pesanan. **Distributor untuk Pesanan 'CANCEL':** | Distributor | Jumlah | | :------------------ | -----: | | BCA Virtual Account | 911 | | Term Of Payment | 567 | | BRIVA | 262 | **Distributor untuk Pesanan 'TERLAYANI PENUH':** | Distributor | Jumlah | | :------------------ | :------ | | BCA Virtual Account | 77,942 | | Term Of Payment | 36,048 | | BRIVA | 15,454 | | Kredivo | 131 | **Insight Bisnis:** `BCA Virtual Account` dan `Term Of Payment` adalah metode pembayaran/distributor yang paling banyak digunakan, baik untuk pesanan yang berhasil maupun yang dibatalkan. Perlu dianalisis proporsi pembatalan untuk setiap distributor untuk melihat apakah ada korelasi antara metode pembayaran/distribusi dan tingkat pembatalan. ### 3.3 Analisis Disparitas Kuantitas Produk Meskipun secara keseluruhan tingkat disparitas kuantitas antara pesanan dan pengiriman rendah (0.3%), penting untuk mengidentifikasi produk spesifik yang paling sering mengalami masalah ini. **Top 10 Produk dengan Disparitas Kuantitas Tertinggi pada Pesanan 'TERLAYANI PENUH':** | Prodes | Jumlah Disparitas | | :----------------------------------- | ----------------: | | THERMOLYTE DIET SUGAR 25'S@1GR | 86 | | MEDISIO 36% CONCENTRATE 5ML | 14 | | PRORIS SUSP 60 ML RASA JERUK | 6 | | POLYSILANE TAB. KUNYAH 5X8TAB | 6 | | POLYSILANE SUSP 180 ML | 6 | | PRAXION SUSP 60ML RASA JERUK | 5 | | MICROLAX GEL OBAT PENCAHAR 5ML | 5 | | DISFLATYL 10 BLISTER @10TABLET | 4 | | CLINOVIR CREAM 5GR | 4 | | CATAFLAM 50MG TAB 50'S | 4 | **Insight Bisnis & Rekomendasi:** Produk "THERMOLYTE DIET SUGAR 25'S@1GR" menonjol secara signifikan dengan 86 kasus disparitas kuantitas, jauh melampaui produk lainnya. Ini adalah anomali yang membutuhkan perhatian segera. * **Rekomendasi:** Lakukan investigasi mendalam terhadap "THERMOLYTE DIET SUGAR 25'S@1GR". Pertimbangkan aspek-aspek berikut: * **Inventarisasi:** Apakah ada masalah dalam pencatatan stok atau unit pengukuran produk ini? * **Proses Picking & Packing:** Apakah ada kesulitan atau kesalahan umum yang terjadi saat mengambil atau mengemas produk ini? * **Kemasan:** Apakah kemasan produk rentan terhadap kerusakan atau sulit untuk dihitung secara akurat? * **Audit Stok Fisik:** Lakukan audit stok fisik untuk produk ini di gudang-gudang terkait untuk memverifikasi akurasi data. ### 3.4 Efisiensi Waktu Proses Pemenuhan Pesanan Analisis durasi untuk pesanan 'TERLAYANI PENUH' memberikan gambaran tentang efisiensi setiap tahapan dalam rantai pemenuhan. **Rata-rata Durasi Tahapan Proses (dalam jam):** | Tahapan | Durasi Rata-rata (jam) | | :--------------------------------------------- | ---------------------: | | Penempatan Pesanan ke Pembuatan SP | 0.6 | | Pembuatan SP ke Pembuatan DO | 9.8 | | Pembuatan DO ke Pembuatan PL | 0.0 | | Pembuatan PL ke Pencatatan Ekspedisi | 7.9 | | Pencatatan Ekspedisi ke Penerimaan Pelanggan | -11,502.5 | **Insight Bisnis & Anomali:** * **Tahap Paling Cepat:** Tahap `Pembuatan DO ke Pembuatan PL` tercatat dengan rata-rata 0.0 jam. Ini menunjukkan bahwa kedua proses ini kemungkinan besar otomatis, terjadi secara bersamaan, atau dicatat pada waktu yang hampir identik. Tahap `Penempatan Pesanan ke Pembuatan SP` juga sangat efisien, hanya membutuhkan rata-rata 0.6 jam. * **Tahap Paling Memakan Waktu (Positif):** Tahap `Pembuatan SP ke Pembuatan DO` (9.8 jam) dan `Pembuatan PL ke Pencatatan Ekspedisi` (7.9 jam) adalah dua tahapan terlama dalam proses yang tidak melibatkan anomali data. Tahap ini merupakan kandidat utama untuk optimasi guna mempercepat siklus pemenuhan pesanan secara keseluruhan. * **Anomali Kritis:** Durasi `Pencatatan Ekspedisi ke Penerimaan Pelanggan` menunjukkan nilai negatif yang sangat besar (-11,502.5 jam). Ini adalah anomali data yang serius karena secara logis tanggal penerimaan tidak mungkin lebih awal dari tanggal pengiriman. Anomali ini merusak validitas analisis waktu pengiriman dan memerlukan investigasi mendalam. ### 3.5 Penyelidikan Anomali Durasi Pengiriman ke Penerimaan Pelanggan Anomali durasi negatif yang terdeteksi antara `Tgl Ekspedisi` dan `Tgl Diterima` adalah masalah kritis yang memengaruhi akurasi metrik logistik. * **Jumlah catatan 'TERLAYANI PENUH' di mana `Tgl Diterima < Tgl Ekspedisi`:** 2,787 * **Durasi minimum (paling negatif):** -495,241.80 jam * **Durasi maksimum (paling tidak negatif):** -494,529.68 jam **Contoh Catatan dengan Durasi Negatif (5 baris pertama):** | Tgl Ekspedisi | Tgl Diterima | Durasi (jam) | | :------------------ | :------------------ | -------------: | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 17:47:19 | 1970-01-02 07:00:00 | -494,531 | | 2026-06-02 17:47:19 | 1970-01-02 07:00:00 | -494,531 | **Insight Bisnis & Rekomendasi:** * Anomali ini terjadi pada 2,787 pesanan, yang merupakan bagian yang signifikan dari total pesanan terlayani penuh (sekitar 2.15%). * Penyebab utama anomali ini adalah penggunaan tanggal *placeholder* '1970-01-02 07:00:00' untuk `Tgl Diterima`. Ini adalah praktik umum untuk merepresentasikan nilai tanggal yang hilang atau tidak valid dalam sistem komputasi, yang dikenal sebagai *Epoch time*. * **Dampak:** Keberadaan tanggal *placeholder* ini secara fundamental mengacaukan perhitungan durasi dan membuat analisis kinerja pengiriman menjadi tidak valid. Hasilnya adalah durasi negatif ekstrem yang tidak masuk akal secara fisik. * **Rekomendasi Mendesak:** 1. **Perbaikan Proses Input Data:** Audit segera proses pencatatan `Tgl Diterima`. Pastikan bahwa setiap pesanan memiliki tanggal penerimaan yang valid dan akurat. 2. **Validasi Sistem:** Implementasikan validasi dalam sistem untuk mencegah input tanggal penerimaan yang lebih awal dari tanggal pengiriman. 3. **Penanganan Data Historis:** Untuk data historis yang menggunakan *placeholder* '1970-01-02', data tersebut harus ditandai sebagai 'tanggal tidak diketahui' atau dihapus dari perhitungan durasi hingga tanggal sebenarnya dapat diperoleh. Ini akan memungkinkan analisis durasi yang akurat untuk pesanan yang memiliki data valid. ### 3.6 Rekomendasi Berdasarkan analisis status pemenuhan pesanan, berikut adalah rekomendasi strategis untuk meningkatkan efisiensi operasional dan kualitas data: 1. **Prioritaskan Perbaikan Kualitas Data `Tgl Diterima`:** Ini adalah isu data paling krusial yang secara langsung memengaruhi metrik kinerja logistik. Perlu ada upaya untuk: * Mencegah pengisian `Tgl Diterima` dengan nilai *placeholder* yang tidak valid. * Memastikan tanggal penerimaan yang akurat dicatat untuk setiap pesanan. * Meninjau dan mengoreksi data historis yang terkena dampak anomali tanggal ini. 2. **Optimasi Tahapan Proses Kritis:** Fokus pada dua tahapan terlama dalam siklus pemenuhan pesanan (di luar anomali data): * `Pembuatan SP ke Pembuatan DO` (rata-rata 9.8 jam) * `Pembuatan PL ke Pencatatan Ekspedisi` (rata-rata 7.9 jam) Identifikasi dan hilangkan hambatan dalam tahapan-tahapan ini melalui otomatisasi, peningkatan alur kerja, atau alokasi sumber daya yang lebih baik. 3. **Investigasi Disparitas Kuantitas Produk "THERMOLYTE DIET SUGAR 25'S@1GR":** Lakukan audit menyeluruh terhadap produk ini, termasuk proses inventaris, *picking*, *packing*, dan kualitas kemasan, untuk mengidentifikasi akar masalah di balik tingginya kasus disparitas kuantitas. 4. **Analisis Proporsional Gudang dan Divisi:** Lakukan analisis tingkat pembatalan proporsional untuk setiap divisi dan gudang. Ini akan memberikan pandangan yang lebih adil tentang area mana yang benar-benar memerlukan intervensi, bukan hanya yang memiliki volume transaksi tinggi. Misalnya, jika `PHARMANET MEDAN` memiliki volume total yang lebih rendah tetapi tingkat pembatalan yang lebih tinggi secara proporsional dibandingkan gudang lain, ini akan menjadi prioritas investigasi. 5. **Tinjau Proses Penanganan Pesanan Volume Rendah:** Mengingat pesanan yang dibatalkan cenderung memiliki rata-rata kuantitas dan nilai yang lebih rendah, selidiki apakah ada tantangan spesifik dalam memproses pesanan yang lebih kecil yang menyebabkan mereka lebih rentan terhadap pembatalan. ## 4. Analisis Discrepansi Kuantitas dan Nilai Pesanan ## 4. Analisis Discrepansi Kuantitas dan Nilai Pesanan Bab ini akan mengupas tuntas mengenai perbedaan antara kuantitas dan nilai pesanan yang diajukan dengan yang benar-benar terealisasi dalam proses pemenuhan. Discrepansi dalam kuantitas (`Qty RO` vs `Qty DO`) dan nilai (`Value RO` vs `Value PL`) adalah indikator penting terhadap akurasi inventaris, efisiensi operasional gudang, dan potensi masalah dalam kepuasan pelanggan atau akurasi penagihan. Meskipun secara keseluruhan tingkat pemenuhan pesanan sangat tinggi, mengidentifikasi dan memahami disparitas ini sangat krusial untuk perbaikan berkelanjutan. ### 4.1 Gambaran Umum Discrepansi dalam Pemenuhan Pesanan Analisis terhadap pesanan dengan status 'TERLAYANI PENUH' mengungkapkan beberapa ketidaksesuaian yang patut diperhatikan, terutama pada aspek kuantitas. **Ringkasan Discrepansi pada Pesanan 'TERLAYANI PENUH':** | Status RO | Total Pesanan | Jumlah Disparitas Kuantitas (`Qty RO != Qty DO`) | Jumlah Disparitas Nilai (`Value RO != Value PL`) | | :-------------- | -------------:| ------------------------------------------------:| ------------------------------------------------:| | TERLAYANI PENUH | 129,575 | 348 | 0 | * **Persentase pesanan 'TERLAYANI PENUH' dengan `Qty RO != Qty DO`:** 0.3% * **Persentase pesanan 'TERLAYANI PENUH' dengan `Value RO != Value PL`:** 0.0% **Insight Bisnis & Anomali:** * **Discrepansi Kuantitas yang Minor namun Penting:** Dari 129,575 pesanan yang terlayani penuh, terdapat 348 pesanan (sekitar 0.3%) di mana kuantitas yang dipesan (`Qty RO`) tidak sesuai dengan kuantitas yang dikirim (`Qty DO`). Meskipun persentasenya kecil, setiap kasus disparitas ini dapat berpotensi menimbulkan ketidakpuasan pelanggan (jika barang kurang), biaya logistik tambahan (jika perlu pengiriman susulan), atau masalah akurasi inventaris. * **Total Selisih Kuantitas:** Secara agregat untuk semua pesanan 'TERLAYANI PENUH', total kuantitas yang dipesan adalah 1,439,303 unit, sedangkan total kuantitas yang dikirim adalah 1,436,229 unit. Ini menunjukkan adanya selisih sekitar **3,074 unit** secara keseluruhan yang tidak terkirim sesuai pesanan awal, bahkan pada pesanan yang dianggap "terlayani penuh". * **Integritas Nilai yang Sangat Baik:** Sangat positif bahwa **tidak ada disparitas** yang ditemukan antara `Value RO` dan `Value PL`. Ini mengindikasikan bahwa pencatatan nilai pesanan dan harga produk pada tahap *packing list* sangat akurat dan konsisten dengan nilai pesanan awal. Hal ini penting untuk menjaga akurasi keuangan dan penagihan. ### 4.2 Produk dengan Discrepansi Kuantitas Tertinggi Fokus utama dalam analisis disparitas kuantitas adalah mengidentifikasi produk-produk spesifik yang paling sering mengalami masalah ini. Mengetahui produk mana yang menjadi 'biang keladi' dapat membantu menargetkan investigasi dan perbaikan proses. **Top 10 Produk dengan Disparitas Kuantitas Tertinggi pada Pesanan 'TERLAYANI PENUH':** | Prodes | Jumlah Disparitas | | :----------------------------------- | ----------------: | | THERMOLYTE DIET SUGAR 25'S@1GR | 86 | | MEDISIO 36% CONCENTRATE 5ML | 14 | | PRORIS SUSP 60 ML RASA JERUK | 6 | | POLYSILANE TAB. KUNYAH 5X8TAB | 6 | | POLYSILANE SUSP 180 ML | 6 | | PRAXION SUSP 60ML RASA JERUK | 5 | | MICROLAX GEL OBAT PENCAHAR 5ML | 5 | | DISFLATYL 10 BLISTER @10TABLET | 4 | | CLINOVIR CREAM 5GR | 4 | | CATAFLAM 50MG TAB 50'S | 4 | **Insight Bisnis & Anomali:** * **Anomali Mencolok pada "THERMOLYTE DIET SUGAR 25'S@1GR":** Produk ini menonjol secara signifikan dengan **86 kasus disparitas kuantitas**, jauh melampaui produk-produk lainnya. Angka ini empat kali lipat dari produk kedua (MEDISIO 36% CONCENTRATE 5ML) dan berkali-kali lipat dari mayoritas produk dalam daftar. Ini adalah anomali yang sangat penting dan mengindikasikan adanya masalah spesifik yang berulang terkait dengan penanganan produk ini. * **Kemungkinan Penyebab Produk Spesifik:** Disparitas pada produk tertentu bisa disebabkan oleh beberapa faktor: * **Kesalahan Inventarisasi:** Mungkin ada ketidakakuratan dalam pencatatan unit stok produk ini di gudang. * **Masalah Ukuran Kemasan/Unit:** Produk dengan kemasan kecil atau unit perhitungan yang membingungkan (misalnya, per strip, per botol, per dus) lebih rentan terhadap kesalahan saat *picking* atau *packing*. * **Proses Picking/Packing:** Mungkin ada instruksi yang tidak jelas atau kurangnya pelatihan untuk produk ini, menyebabkan kesalahan saat mengambil barang dari rak atau mengemasnya. * **Kerusakan/Kekurangan mendadak:** Produk mungkin sering mengalami kerusakan saat penanganan, atau stoknya sering habis saat pesanan masuk. ### 4.3 Faktor Potensial Penyebab Discrepansi Beberapa anomali data yang ditemukan di bab sebelumnya dapat menjadi faktor yang berkontribusi terhadap munculnya disparitas kuantitas: * **Kolom `Stok Avaiable` yang Selalu Nol:** Kolom `Stok Avaiable` selalu bernilai 0 di semua entri. Jika kolom ini seharusnya mencerminkan ketersediaan stok produk secara *real-time* dan digunakan dalam proses alokasi pesanan, nilainya yang selalu nol sangat bermasalah. Ini bisa berarti: 1. Data ini tidak di-update dengan benar, sehingga sistem mungkin tidak memiliki informasi akurat tentang stok yang tersedia saat pesanan diproses. 2. Proses bisnis memang mengalokasikan stok segera setelah pesanan masuk, sehingga stok tersedia selalu menjadi 0 setelah alokasi. Namun, hal ini tetap berisiko jika tidak ada validasi stok *sebelum* alokasi atau saat *picking*. 3. Kolom ini memang tidak digunakan sebagaimana mestinya. Bagaimanapun, ketiadaan data stok yang akurat dapat menjadi akar masalah bagi ketidakmampuan untuk memenuhi kuantitas pesanan secara tepat, yang kemudian muncul sebagai disparitas antara `Qty RO` dan `Qty DO`. ### 4.4 Rekomendasi untuk Mengatasi Discrepansi Untuk meminimalkan disparitas kuantitas dan memastikan akurasi pemenuhan pesanan, berikut adalah beberapa rekomendasi: 1. **Investigasi Mendalam "THERMOLYTE DIET SUGAR 25'S@1GR":** * **Audit Stok & Inventaris:** Segera lakukan audit fisik dan sistematis terhadap "THERMOLYTE DIET SUGAR 25'S@1GR" di gudang-gudang terkait untuk memverifikasi akurasi pencatatan stok dan unit pengukuran. * **Tinjau Proses Operasional:** Periksa alur kerja *picking* dan *packing* untuk produk ini. Pastikan instruksi jelas, pelatihan memadai, dan tidak ada faktor fisik (misalnya, lokasi penyimpanan yang sulit dijangkau, kemasan yang rentan) yang menyebabkan kesalahan. * **Analisis Data Historis:** Cari pola lain seperti gudang spesifik atau periode waktu tertentu di mana produk ini mengalami disparitas tertinggi. 2. **Perbaikan Kualitas Data dan Penggunaan `Stok Avaiable`:** * **Klarifikasi Fungsi Kolom `Stok Avaiable`:** Tentukan apakah kolom ini relevan dan bagaimana seharusnya diisi. Jika memang untuk mencerminkan stok yang tersedia, perbaiki proses *data entry* atau integrasi sistem untuk memastikan data tersebut akurat dan *real-time*. * **Implementasi Validasi Stok:** Pastikan sistem memiliki mekanisme validasi stok yang kuat pada setiap tahap pesanan (misalnya, saat pesanan masuk, alokasi, dan *picking*) untuk mencegah pemenuhan pesanan yang melebihi stok yang tersedia atau mencatat pesanan yang tidak dapat dipenuhi sepenuhnya. 3. **Proses Rekonsiliasi Kuantitas yang Lebih Ketat:** * Meskipun disparitas nilai sudah sangat baik (0%), perlu ada proses rekonsiliasi kuantitas yang lebih ketat antara `Qty RO` dan `Qty DO` sebelum pesanan dianggap 'TERLAYANI PENUH' atau saat *packing list* dibuat. * Perbaiki proses pelaporan internal agar disparitas kuantitas secara otomatis ditandai dan diselidiki segera, bukan hanya saat analisis periodik. Dengan mengatasi disparitas kuantitas, terutama pada produk-produk yang sering bermasalah dan memastikan integritas data stok, perusahaan dapat meningkatkan efisiensi operasional, mengurangi potensi kerugian, dan pada akhirnya meningkatkan kepuasan pelanggan. ## 5. Perbandingan Pesanan Dibatalkan dan Terlayani Penuh ## 5. Perbandingan Pesanan Dibatalkan dan Terlayani Penuh Dalam upaya memahami lebih dalam dinamika operasional pemenuhan pesanan, bab ini akan membandingkan karakteristik dan dampak antara pesanan yang dibatalkan (`CANCEL`) dan pesanan yang berhasil terlayani penuh (`TERLAYANI PENUH`). Analisis ini bertujuan untuk mengidentifikasi pola, potensi risiko, dan area yang memerlukan perhatian khusus guna meningkatkan efisiensi dan kepuasan pelanggan secara keseluruhan. ### 5.1 Gambaran Umum Status Pesanan Secara makro, mayoritas pesanan berhasil dipenuhi, menunjukkan tingkat efisiensi operasional yang tinggi. Namun, pesanan yang dibatalkan tetap mewakili kerugian potensial yang perlu dianalisis. | Status RO | Jumlah | Persentase | | :-------------- | ---------:| ---------: | | CANCEL | 1,740 | 1.3% | | TERLAYANI PENUH | 129,575 | 98.7% | **Insight Bisnis:** Tingkat pembatalan pesanan yang sangat rendah (1.3%) adalah indikator positif dari proses pemenuhan pesanan yang solid. Namun, meskipun kecil, setiap pembatalan dapat berarti kehilangan pendapatan dan pemborosan sumber daya. Analisis karakteristik pesanan yang dibatalkan dapat memberikan wawasan untuk mengurangi angka ini lebih lanjut. ### 5.2 Dampak Kuantitas dan Nilai Perbandingan total kuantitas dan nilai yang terlibat dalam kedua jenis status pesanan menyoroti dampak finansial dari pesanan yang dibatalkan. #### 5.2.1 Agregasi Kuantitas dan Nilai Berdasarkan Status | Status RO | Total Qty Dipesan | Total Qty SP | Total Qty Terkirim | Total Value Dipesan | Total Value Packing List | | :-------------- | -----------------:| -------------:| -----------------:| --------------------:| ------------------------:| | CANCEL | 10,902 | 0 | 0 | 528,933,612 | NaN | | TERLAYANI PENUH | 1,439,303 | 1,436,229 | 1,436,229 | 55,080,971,689 | 55,080,971,689 | **Insight Bisnis:** * Meskipun hanya 1.3% dari total pesanan, pesanan yang dibatalkan menyumbang nilai lebih dari Rp 528 juta dan 10,902 unit produk. Ini merupakan *opportunity cost* yang signifikan dan menunjukkan pentingnya memahami alasan di balik pembatalan ini. * Untuk pesanan yang 'TERLAYANI PENUH', total kuantitas yang dipesan (1,439,303 unit) sedikit lebih tinggi dibandingkan dengan yang akhirnya dikirim (1,436,229 unit). Selisih 3,074 unit ini, meskipun kecil, mengindikasikan adanya disparitas kuantitas bahkan pada pesanan yang dianggap berhasil. #### 5.2.2 Disparitas Kuantitas dan Nilai pada Pesanan 'TERLAYANI PENUH' Investigasi lebih lanjut pada pesanan yang 'TERLAYANI PENUH' mengungkap detail mengenai ketidaksesuaian kuantitas. | Status RO | Total Pesanan | Jumlah Disparitas Kuantitas | Jumlah Disparitas Nilai | | :-------------- | -------------:| ---------------------------:| -----------------------:| | TERLAYANI PENUH | 129,575 | 348 | 0 | * **Persentase pesanan 'TERLAYANI PENUH' dengan `Qty RO != Qty DO`:** 0.3% * **Persentase pesanan 'TERLAYANI PENUH' dengan `Value RO != Value PL`:** 0.0% **Insight Bisnis:** Meskipun 99.7% pesanan terlayani penuh tanpa masalah kuantitas, terdapat 348 pesanan (0.3%) yang memiliki perbedaan antara kuantitas yang dipesan dan yang dikirim. Disparitas ini, walau kecil, dapat mempengaruhi kepuasan pelanggan dan akurasi inventaris. Keakuratan nilai pesanan (`Value RO` dan `Value PL`) yang sempurna adalah pencapaian yang sangat baik dan menunjukkan konsistensi dalam penetapan harga. ### 5.3 Karakteristik Pesanan Dibatalkan vs. Terlayani Penuh Untuk mengidentifikasi faktor-faktor yang mungkin berkontribusi terhadap status pesanan, kita membandingkan rata-rata kuantitas dan nilai, serta distribusi berdasarkan divisi, gudang, dan distributor. #### 5.3.1 Rata-rata Kuantitas dan Nilai Pesanan | Status RO | Rata-rata Qty RO | Rata-rata Value RO | | :-------------- | ----------------:| ------------------:| | CANCEL | 6 | 303,985 | | TERLAYANI PENUH | 11 | 425,089 | **Insight Bisnis:** Pesanan yang dibatalkan cenderung memiliki rata-rata kuantitas dan nilai yang lebih rendah dibandingkan dengan pesanan yang terlayani penuh. Hal ini mungkin mengindikasikan bahwa pesanan dengan volume lebih kecil lebih rentan terhadap pembatalan, atau bahwa pesanan bernilai tinggi mendapatkan prioritas pemenuhan yang lebih besar. #### 5.3.2 Distribusi Divisi Berdasarkan Status Pesanan Perbandingan kontribusi divisi terhadap pesanan yang dibatalkan dan terlayani penuh. **Divisi untuk Pesanan CANCEL:** | Divisi | Jumlah | | :------------------ | -----: | | PHARMANET 2 | 1,154 | | ETCKLINIK | 310 | | PHARMANET B2B | 131 | | VIBRANT PBF | 38 | | NUTRISAINS | 35 | | NUTRINDO | 33 | | OTC | 28 | | VIBRANT 3 | 11 | **Top 5 Divisi untuk Pesanan TERLAYANI PENUH:** | Divisi | Jumlah | | :-------------- | ------:| | PHARMANET 2 | 87,733 | | ETCKLINIK | 17,517 | | PHARMANET B2B | 11,401 | | NUTRISAINS | 4,951 | | OTC | 3,282 | **Insight Bisnis:** Divisi `PHARMANET 2` secara konsisten menjadi kontributor terbesar untuk kedua status pesanan, yang kemungkinan besar mencerminkan volume transaksi total divisi ini. Penting untuk menghitung tingkat pembatalan relatif (persentase pembatalan terhadap total pesanan per divisi) untuk mengidentifikasi divisi mana yang mungkin memiliki masalah internal yang lebih besar terkait pembatalan. #### 5.3.3 Distribusi Asal Gudang Berdasarkan Status Pesanan Distribusi asal gudang menyoroti lokasi-lokasi yang mungkin berkontribusi lebih banyak pada pembatalan pesanan. **Top 5 Asal Gudang untuk Pesanan CANCEL:** | Asal Gudang | Jumlah | | :------------------ | -----: | | PHARMANET TANGERANG | 242 | | PHARMANET MEDAN | 188 | | PHARMANET SURABAYA | 162 | | PHARMANET MAKASSAR | 148 | | PHARMANET BEKASI | 129 | **Top 5 Asal Gudang untuk Pesanan TERLAYANI PENUH:** | Asal Gudang | Jumlah | | :------------------ | ------:| | PHARMANET SURABAYA | 13,080 | | PHARMANET BEKASI | 12,546 | | PHARMANET BANDUNG | 9,538 | | PHARMANET TANGERANG | 9,178 | | PHARMANET SEMARANG | 8,836 | **Insight Bisnis:** Gudang-gudang seperti `PHARMANET TANGERANG`, `MEDAN`, `SURABAYA`, `MAKASSAR`, dan `BEKASI` adalah kontributor utama untuk pesanan yang dibatalkan. Ini menunjukkan bahwa ada tantangan operasional spesifik di gudang-gudang ini yang perlu diinvestigasi lebih lanjut, seperti masalah stok, inefisiensi proses, atau kendala logistik. #### 5.3.4 Distribusi Distributor Berdasarkan Status Pesanan Analisis distributor dapat menunjukkan metode pembayaran atau saluran mana yang mungkin terkait dengan tingkat pembatalan yang berbeda. **Distributor untuk Pesanan CANCEL:** | Distributor | Jumlah | | :------------------ | -----: | | BCA Virtual Account | 911 | | Term Of Payment | 567 | | BRIVA | 262 | **Distributor untuk Pesanan TERLAYANI PENUH:** | Distributor | Jumlah | | :------------------ | ------:| | BCA Virtual Account | 77,942 | | Term Of Payment | 36,048 | | BRIVA | 15,454 | | Kredivo | 131 | **Insight Bisnis:** `BCA Virtual Account` dan `Term Of Payment` mendominasi sebagai metode pembayaran/distributor untuk kedua status pesanan. Sama seperti analisis divisi dan gudang, menghitung tingkat pembatalan relatif per distributor akan memberikan gambaran yang lebih akurat tentang potensi masalah. ### 5.4 Anomali Disparitas Kuantitas pada Pesanan Terlayani Penuh Meskipun secara keseluruhan tingkat disparitas kuantitas pada pesanan 'TERLAYANI PENUH' rendah, ada beberapa produk yang menonjol dan memerlukan perhatian khusus. **Top 10 Produk dengan Disparitas Kuantitas Tertinggi pada Pesanan 'TERLAYANI PENUH':** | Prodes | Jumlah Disparitas | | :----------------------------------- | ----------------: | | THERMOLYTE DIET SUGAR 25'S@1GR | 86 | | MEDISIO 36% CONCENTRATE 5ML | 14 | | PRORIS SUSP 60 ML RASA JERUK | 6 | | POLYSILANE TAB. KUNYAH 5X8TAB | 6 | | POLYSILANE SUSP 180 ML | 6 | | PRAXION SUSP 60ML RASA JERUK | 5 | | MICROLAX GEL OBAT PENCAHAR 5ML | 5 | | DISFLATYL 10 BLISTER @10TABLET | 4 | | CLINOVIR CREAM 5GR | 4 | | CATAFLAM 50MG TAB 50'S | 4 | **Insight Bisnis & Anomali:** Produk "THERMOLYTE DIET SUGAR 25'S@1GR" menunjukkan anomali yang sangat signifikan dengan 86 kasus disparitas kuantitas. Jumlah ini jauh lebih tinggi dibandingkan produk lain dalam daftar. Disparitas kuantitas ini bisa mengindikasikan masalah pada akurasi inventaris, proses *picking* dan *packing*, atau bahkan kerusakan produk selama penanganan. ### 5.5 Rekomendasi Berdasarkan perbandingan ini, berikut adalah rekomendasi untuk mengoptimalkan proses dan mengurangi kerugian dari pesanan yang dibatalkan atau memiliki disparitas kuantitas: 1. **Investigasi Mendalam untuk Pesanan yang Dibatalkan:** Lakukan analisis akar masalah pada pesanan yang dibatalkan. Fokus pada data historis untuk mengidentifikasi penyebab umum seperti kekurangan stok, masalah pembayaran, alamat pengiriman yang tidak valid, atau permintaan pembatalan dari pelanggan. 2. **Analisis Proporsional Tingkat Pembatalan:** Hitung tingkat pembatalan sebagai persentase dari total pesanan untuk setiap Divisi, Asal Gudang, dan Distributor. Ini akan membantu mengidentifikasi unit bisnis atau lokasi yang memiliki tingkat pembatalan yang lebih tinggi dari rata-rata, memungkinkan penargetan intervensi yang lebih efektif. 3. **Audit Komprehensif Produk "THERMOLYTE DIET SUGAR 25'S@1GR":** Produk ini memerlukan penyelidikan prioritas. * **Inventaris:** Periksa akurasi pencatatan stok dan unit pengukuran. * **Proses Operasional:** Tinjau proses *picking*, *packing*, dan pengiriman untuk produk ini. Cari potensi kesalahan manusia atau sistematis. * **Kondisi Produk:** Evaluasi kemasan dan sifat fisik produk yang mungkin menyebabkan kesalahan atau kerusakan. 4. **Perbaikan Proses Penanganan Disparitas Kuantitas:** * Implementasikan mekanisme validasi ganda pada tahap *picking* dan *packing* untuk pesanan 'TERLAYANI PENUH' guna mengurangi selisih kuantitas. * Sediakan *feedback loop* yang cepat bagi tim operasional jika terjadi disparitas kuantitas, agar dapat segera ditangani dan dipelajari. 5. **Perhatikan Pesanan Volume Rendah:** Mengingat pesanan yang dibatalkan cenderung memiliki kuantitas dan nilai yang lebih rendah, selidiki apakah ada tantangan spesifik dalam pemenuhan pesanan kecil yang membuat mereka lebih rentan terhadap pembatalan. ## 6. Analisis Durasi Proses Pemenuhan Pesanan ## 6. Analisis Durasi Proses Pemenuhan Pesanan Bab ini bertujuan untuk menganalisis efisiensi waktu dalam setiap tahapan proses pemenuhan pesanan, mulai dari penempatan pesanan hingga penerimaan oleh pelanggan. Pemahaman terhadap durasi antar tahapan ini krusial untuk mengidentifikasi *bottleneck* operasional, mengoptimalkan alur kerja, dan pada akhirnya mempercepat siklus pemenuhan pesanan demi kepuasan pelanggan. Analisis ini difokuskan pada pesanan yang berhasil 'TERLAYANI PENUH' untuk mendapatkan gambaran proses yang sukses. ### 6.1 Rata-rata Durasi Tahapan Proses Kami menghitung rata-rata waktu yang dibutuhkan untuk setiap transisi antara tahapan-tahapan kunci dalam proses pemenuhan pesanan. Durasi diukur dalam jam. | Tahapan | Durasi Rata-rata (jam) | | :--------------------------------------------- | ---------------------: | | Penempatan Pesanan (`Tgl. Order`) ke Pembuatan SP (`Tgl. SP`) | 0.6 | | Pembuatan SP (`Tgl. SP`) ke Pembuatan DO (`Tgl DO`) | 9.8 | | Pembuatan DO (`Tgl DO`) ke Pembuatan PL (`Tgl. PL`) | 0.0 | | Pembuatan PL (`Tgl. PL`) ke Pencatatan Ekspedisi (`Tgl Ekspedisi`) | 7.9 | | Pencatatan Ekspedisi (`Tgl Ekspedisi`) ke Penerimaan Pelanggan (`Tgl Diterima`) | -11,502.5 | **Insight Bisnis:** * **Tahapan yang Sangat Efisien:** * **Pembuatan DO ke Pembuatan PL (0.0 jam):** Durasi yang hampir nol ini menunjukkan bahwa proses pembuatan Delivery Order dan Packing List terjadi secara instan, otomatis, atau dicatat pada waktu yang bersamaan. Ini adalah indikator integrasi sistem yang sangat baik atau alur kerja yang sangat cepat. * **Penempatan Pesanan ke Pembuatan SP (0.6 jam):** Tahap ini juga sangat cepat, mengindikasikan bahwa pesanan segera diproses untuk pembuatan Sales Program setelah diterima, menunjukkan responsivitas yang tinggi. * **Tahapan yang Membutuhkan Waktu Paling Lama (Positif):** * **Pembuatan SP ke Pembuatan DO (9.8 jam):** Tahap ini adalah yang terlama kedua dengan durasi rata-rata hampir 10 jam. Ini mungkin melibatkan proses validasi internal, alokasi stok yang kompleks, atau persetujuan sebelum *delivery order* dapat diterbitkan. * **Pembuatan PL ke Pencatatan Ekspedisi (7.9 jam):** Tahap ini adalah yang terlama ketiga, membutuhkan hampir 8 jam. Durasi ini bisa disebabkan oleh waktu yang diperlukan untuk *picking* dan *packing* barang, menunggu jadwal pengiriman dari pihak ekspedisi, atau proses *batching* pengiriman. * **Anomali Kritis - Durasi Negatif:** Durasi dari `Pencatatan Ekspedisi` ke `Penerimaan Pelanggan` menunjukkan nilai rata-rata yang sangat besar dan negatif (-11,502.5 jam). Ini adalah anomali data yang sangat serius dan tidak mungkin terjadi dalam realitas fisik, karena tanggal penerimaan tidak bisa lebih awal dari tanggal pengiriman. Anomali ini mengindikasikan masalah fundamental pada data `Tgl Diterima`. ### 6.2 Investigasi Anomali Durasi Pengiriman ke Penerimaan Pelanggan Anomali durasi negatif yang terdeteksi pada tahap `Pencatatan Ekspedisi ke Penerimaan Pelanggan` sangat mengganggu validitas analisis logistik. Investigasi lebih lanjut diperlukan untuk memahami akar masalahnya. **Analisis Anomali Durasi `Pencatatan Ekspedisi` ke `Tgl Diterima`:** * **Jumlah Catatan Terdampak:** Terdapat **2,787** pesanan berstatus 'TERLAYANI PENUH' di mana `Tgl Diterima` tercatat lebih awal dari `Tgl Ekspedisi`. * **Skala Anomali:** * Durasi minimum (paling negatif): **-495,241.8** jam (sekitar -56 tahun). * Durasi maksimum (paling tidak negatif): **-494,529.7** jam (sekitar -56 tahun). **Contoh Catatan dengan Durasi Negatif (5 baris pertama):** | Tgl Ekspedisi | Tgl Diterima | Durasi (jam) | | :------------------ | :------------------ | -------------: | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 17:47:19 | 1970-01-02 07:00:00 | -494,531 | | 2026-06-02 17:47:19 | 1970-01-02 07:00:00 | -494,531 | **Insight Bisnis & Anomali:** * **Penggunaan Tanggal *Placeholder*:** Sampel data secara jelas menunjukkan bahwa `Tgl Diterima` sering kali diisi dengan `1970-01-02 07:00:00`. Tanggal ini adalah representasi umum dari "Epoch time" atau "Unix time" yang sering digunakan dalam sistem komputasi untuk menandakan nilai tanggal yang kosong, tidak valid, atau tidak tersedia. Ini berarti, untuk 2,787 pesanan tersebut, tanggal penerimaan aktual oleh pelanggan tidak tercatat dengan benar atau belum dimasukkan ke dalam sistem. * **Dampak Serius pada Analisis:** Penggunaan tanggal *placeholder* ini secara fundamental merusak semua perhitungan durasi yang melibatkan `Tgl Diterima`. Ini menjadikan metrik kinerja pengiriman menjadi tidak valid dan tidak dapat diandalkan. Hasil negatif yang sangat besar (setara puluhan tahun di masa lalu) menunjukkan bahwa data ini sama sekali tidak mencerminkan waktu pengiriman yang sebenarnya. * **Prioritas Perbaikan Data:** Masalah ini adalah salah satu masalah kualitas data paling kritis yang ditemukan dan harus menjadi prioritas utama untuk perbaikan. ### 6.3 Rekomendasi Berdasarkan analisis durasi dan identifikasi anomali data, berikut adalah rekomendasi untuk meningkatkan efisiensi proses pemenuhan pesanan dan kualitas data: 1. **Prioritaskan Perbaikan Kualitas Data `Tgl Diterima`:** * **Audit dan Koreksi Data Historis:** Data dengan `Tgl Diterima` yang berisi nilai *placeholder* `1970-01-02` harus diidentifikasi dan ditangani. Sebaiknya, nilai ini diubah menjadi `NULL` atau nilai lain yang secara eksplisit menunjukkan bahwa tanggal penerimaan tidak diketahui, daripada menggunakan tanggal yang secara matematis menghasilkan anomali. * **Pencegahan di Masa Depan:** Terapkan validasi ketat pada sistem input data untuk `Tgl Diterima`. Pastikan bahwa tanggal yang dimasukkan adalah tanggal yang valid dan logis (misalnya, tidak lebih awal dari `Tgl Ekspedisi`). Jika tanggal penerimaan belum diketahui, kolom harus dibiarkan kosong atau diisi dengan nilai yang sesuai (misal: 'Belum Diterima'), bukan *placeholder* yang menyesatkan. 2. **Optimasi Tahapan Proses Memakan Waktu:** * **Pembuatan SP ke Pembuatan DO (9.8 jam):** Lakukan analisis mendalam terhadap proses di antara kedua tahapan ini. Apakah ada langkah manual yang bisa diotomatisasi? Apakah ada persetujuan yang bisa dipercepat? Apakah ada antrean (queue) yang terbentuk? Cari peluang untuk mengurangi waktu tunggu atau pemrosesan. * **Pembuatan PL ke Pencatatan Ekspedisi (7.9 jam):** Periksa alur kerja *picking*, *packing*, dan serah terima ke pihak ekspedisi. Apakah ada *batching* pesanan yang memperpanjang waktu tunggu? Bisakah proses *picking* dipercepat atau dioptimalkan (misalnya, dengan penataan gudang yang lebih baik)? Apakah ada penundaan dari pihak ekspedisi yang bisa diminimalisir? 3. **Implementasi Metrik SLA (Service Level Agreement) Internal:** * Tetapkan target waktu untuk setiap tahapan proses pemenuhan (misalnya, SP harus dibuat dalam X jam, DO dalam Y jam, dll.). * Gunakan metrik ini untuk secara teratur memantau kinerja operasional dan mengidentifikasi penyimpangan agar dapat segera ditangani. Dengan mengatasi masalah kualitas data pada `Tgl Diterima` dan mengoptimalkan tahapan proses yang memakan waktu, perusahaan dapat memperoleh gambaran yang akurat tentang efisiensi logistiknya dan terus meningkatkan layanan pemenuhan pesanan kepada pelanggan. ## 7. Investigasi Anomali Durasi Pengiriman ## 7. Investigasi Anomali Durasi Pengiriman Dalam upaya memahami efisiensi operasional secara keseluruhan, analisis durasi proses pemenuhan pesanan telah mengidentifikasi satu anomali data yang signifikan dan krusial. Anomali ini terutama mempengaruhi tahapan akhir dalam rantai pasok: durasi pengiriman hingga penerimaan oleh pelanggan. Deteksi dan pemahaman mendalam tentang anomali ini sangat penting untuk memastikan akurasi metrik kinerja logistik dan pengambilan keputusan bisnis yang tepat. ### 7.1 Penemuan Anomali Durasi Negatif Seperti yang telah diuraikan pada Bab 6, analisis rata-rata durasi untuk pesanan berstatus 'TERLAYANI PENUH' menunjukkan hasil yang sangat tidak biasa pada tahapan `Pencatatan Ekspedisi ke Penerimaan Pelanggan`. **Rata-rata Durasi Tahapan Proses (dalam jam):** | Tahapan | Durasi Rata-rata (jam) | | :--------------------------------------------------------------- | ---------------------: | | Pencatatan Ekspedisi (`Tgl Ekspedisi`) ke Penerimaan Pelanggan (`Tgl Diterima`) | -11,502.5 | **Insight Bisnis:** Durasi rata-rata negatif sebesar -11.502,5 jam untuk pengiriman ke penerimaan pelanggan secara logis tidak mungkin terjadi. Waktu tempuh fisik selalu positif. Hasil ini secara langsung mengindikasikan adanya masalah fundamental pada data tanggal penerimaan pelanggan (`Tgl Diterima`) yang sangat mendistorsi metrik kinerja logistik. ### 7.2 Detail Anomali Data `Tgl Diterima` Investigasi lebih lanjut terhadap anomali ini mengungkapkan pola yang jelas dan menjadi penyebab utama dari durasi negatif yang ekstrem. * **Jumlah Catatan Terdampak:** Ditemukan bahwa ada **2,787** catatan transaksi dari total 129,575 pesanan 'TERLAYANI PENUH' (sekitar **2,2%**) di mana `Tgl Diterima` tercatat lebih awal dari `Tgl Ekspedisi`. * **Skala Anomali Durasi Negatif:** * Durasi minimum (paling negatif): **-495,241.8 jam** (setara dengan sekitar -56,5 tahun) * Durasi maksimum (paling tidak negatif): **-494,529.7 jam** (setara dengan sekitar -56,4 tahun) **Contoh Catatan dengan Durasi Negatif (5 baris pertama):** | Tgl Ekspedisi | Tgl Diterima | Durasi (jam) | | :------------------ | :------------------ | -------------: | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 16:41:05 | 1970-01-02 07:00:00 | -494,530 | | 2026-06-02 17:47:19 | 1970-01-02 07:00:00 | -494,531 | | 2026-06-02 17:47:19 | 1970-01-02 07:00:00 | -494,531 | **Insight Bisnis & Anomali:** Pola yang paling mencolok dari sampel data di atas adalah penggunaan tanggal **`1970-01-02 07:00:00`** sebagai nilai untuk `Tgl Diterima`. Tanggal ini dikenal sebagai "Epoch time" atau "Unix time" dalam komputasi, yang sering digunakan sebagai *placeholder* atau nilai *default* untuk tanggal yang tidak diketahui, tidak valid, atau belum dicatat. Ini berarti, untuk 2,787 pesanan tersebut, tanggal aktual kapan pelanggan menerima barang tidak pernah dicatat atau tidak berhasil diintegrasikan ke dalam sistem. Penggunaan *placeholder* ini, alih-alih nilai `NULL` atau representasi lain yang jelas, menyebabkan perhitungan durasi menghasilkan angka negatif yang tidak masuk akal secara fisik, mendistorsi seluruh analisis waktu pengiriman. ### 7.3 Implikasi Bisnis dari Anomali Anomali data pada `Tgl Diterima` ini memiliki beberapa implikasi serius terhadap bisnis: 1. **Metrik Kinerja Logistik yang Tidak Valid:** Metrik seperti "waktu pengiriman rata-rata" atau "siklus pemenuhan pesanan total" yang melibatkan `Tgl Diterima` menjadi sepenuhnya tidak dapat diandalkan. Perusahaan tidak dapat secara akurat mengukur kecepatan pengiriman, mengidentifikasi *bottleneck* logistik, atau mengevaluasi kinerja ekspedisi. 2. **Kepuasan Pelanggan yang Tidak Terukur:** Tanpa tanggal penerimaan yang akurat, sulit untuk memantau waktu tunggu pelanggan atau menilai tingkat kepuasan terkait kecepatan pengiriman. Ini menghambat upaya untuk meningkatkan pengalaman pelanggan. 3. **Pengambilan Keputusan yang Keliru:** Jika data yang salah digunakan untuk analisis, keputusan operasional dan strategis terkait manajemen rantai pasok (misalnya, pemilihan mitra ekspedisi, optimasi rute, alokasi stok) dapat menjadi sangat bias dan kontraproduktif. 4. **Kurangnya Kepercayaan Data:** Kehadiran anomali data yang mencolok seperti ini dapat mengikis kepercayaan terhadap integritas keseluruhan dataset, membuat analisis lain diragukan validitasnya. ### 7.4 Rekomendasi Untuk mengatasi masalah kritis ini dan memulihkan integritas analisis durasi pengiriman, berikut adalah rekomendasi yang mendesak: 1. **Prioritaskan Audit dan Pembersihan Data Historis `Tgl Diterima`:** * **Identifikasi dan Isolasi:** Identifikasi semua catatan di mana `Tgl Diterima` memiliki nilai *placeholder* seperti `1970-01-02`. * **Netralisasi Data:** Ubah nilai *placeholder* ini menjadi `NULL` atau string khusus (misalnya, "TIDAK DIKETAHUI") yang secara eksplisit menunjukkan bahwa tanggal penerimaan aktual tidak tersedia. Ini akan memungkinkan perhitungan durasi yang benar untuk data valid, sambil mengabaikan catatan yang tidak lengkap. * **Investigasi Sumber:** Upayakan untuk melacak sumber data `Tgl Diterima` dan mencari tahu mengapa data ini tidak dicatat dengan benar untuk pesanan-pesanan tersebut. 2. **Implementasikan Validasi Input yang Ketat pada Sistem:** * **Cegah Tanggal Logis yang Salah:** Sistem harus secara otomatis mencegah entri `Tgl Diterima` yang lebih awal dari `Tgl Ekspedisi` atau `Tgl. PL`. * **Wajibkan Pengisian yang Akurat:** Jika `Tgl Diterima` adalah kolom yang wajib, pastikan ada mekanisme untuk mengumpulkan tanggal aktual. Jika tidak dapat dikumpulkan, sistem harus memungkinkan nilai `NULL` atau *flag* "belum diterima" tanpa menggunakan *placeholder* yang menyesatkan. 3. **Standarisasi Prosedur Pencatatan `Tgl Diterima`:** * **Pedoman Jelas:** Buat pedoman yang jelas bagi tim operasional atau mitra logistik mengenai cara mencatat `Tgl Diterima` secara akurat dan tepat waktu. * **Integrasi Sistem:** Jika memungkinkan, eksplorasi integrasi sistem dengan mitra ekspedisi untuk mendapatkan *update* `Tgl Diterima` secara otomatis dan *real-time*. 4. **Evaluasi Ulang Metrik Durasi:** * Setelah data `Tgl Diterima` dibersihkan dan dipastikan akurat, hitung ulang semua metrik durasi terkait untuk mendapatkan gambaran kinerja yang valid dan dapat diandalkan. Ini akan memungkinkan identifikasi *bottleneck* yang sebenarnya dalam proses pengiriman. Dengan mengatasi anomali ini, perusahaan tidak hanya akan memperbaiki kualitas datanya, tetapi juga akan mendapatkan visibilitas yang akurat ke dalam kinerja rantai pasoknya, yang krusial untuk peningkatan efisiensi dan kepuasan pelanggan. ## 8. Kesimpulan dan Rekomendasi # 8. Kesimpulan dan Rekomendasi Analisis data pemenuhan pesanan ini telah memberikan gambaran menyeluruh tentang efisiensi operasional, menyoroti area kekuatan serta titik-titik yang memerlukan perhatian serius. Dengan 131,315 catatan transaksi, dataset ini kaya akan informasi, namun juga mengungkap beberapa anomali data krusial yang berdampak langsung pada validitas metrik kinerja. Secara umum, proses pemenuhan pesanan menunjukkan tingkat keberhasilan yang sangat tinggi, dengan 98.7% pesanan berhasil terlayani penuh. Namun, di balik angka yang mengesankan ini, tersembunyi beberapa isu penting terkait kualitas data dan efisiensi proses yang dapat menghambat pertumbuhan dan kepuasan pelanggan jika tidak segera diatasi. --- ### 8.1 Ringkasan Temuan Utama 1. **Efisiensi Pemenuhan Pesanan yang Tinggi:** Mayoritas pesanan (98.7%) berhasil terlayani penuh, menunjukkan operasional yang solid. Pembatalan hanya terjadi pada 1.3% pesanan, namun nilai total yang terlibat cukup signifikan. 2. **Anomali Data Kritis `Tgl Diterima`:** Ditemukan bahwa 2,787 pesanan (2.2% dari pesanan terlayani penuh) memiliki tanggal penerimaan (`Tgl Diterima`) yang secara logis mendahului tanggal ekspedisi (`Tgl Ekspedisi`). Investigasi lebih lanjut menunjukkan bahwa ini disebabkan oleh penggunaan *placeholder* `1970-01-02 07:00:00`, yang secara fundamental mengacaukan analisis waktu pengiriman. 3. **Disparitas Kuantitas yang Terisolasi:** Meskipun nilai pesanan sangat akurat, terdapat 348 pesanan terlayani penuh (0.3%) dengan disparitas antara kuantitas yang dipesan (`Qty RO`) dan kuantitas yang dikirim (`Qty DO`). Produk "THERMOLYTE DIET SUGAR 25'S@1GR" secara signifikan menonjol dengan 86 kasus disparitas, menunjukkan masalah spesifik. 4. **Kolom Data Hilang dan `Stok Avaiable` Anomalus:** Beberapa kolom kunci seperti `Nama Penerima`, `Nama Supplier`, dan detail PO sebagian besar atau seluruhnya kosong. Kolom `Stok Avaiable` secara aneh selalu bernilai 0, yang memerlukan klarifikasi dan verifikasi. 5. **Titik Hambat dalam Proses:** Tahapan "Pembuatan SP ke Pembuatan DO" (rata-rata 9.8 jam) dan "Pembuatan PL ke Pencatatan Ekspedisi" (rata-rata 7.9 jam) adalah dua fase terlama dalam siklus pemenuhan pesanan yang perlu dioptimalkan. 6. **Karakteristik Pesanan Dibatalkan:** Pesanan yang dibatalkan cenderung memiliki kuantitas dan nilai rata-rata yang lebih rendah. Beberapa gudang (PHARMANET TANGERANG, MEDAN, SURABAYA, MAKASSAR, BEKASI) dan divisi (PHARMANET 2) memiliki kontribusi signifikan terhadap pesanan yang dibatalkan. --- ### 8.2 Detail Temuan dan Implikasi Bisnis #### 8.2.1 Kualitas Data dan Integritas Dataset ini menunjukkan masalah kualitas data yang signifikan. Kolom penting seperti `Nama Penerima`, `Keterangan`, `Tgl. PO`, `No. PO`, `Nama Supplier`, `Ronaldo YN`, `Tgl RN`, dan `Tgl Receiving AMS` sebagian besar atau seluruhnya kosong. Ini menunjukkan adanya proses pengisian data yang tidak lengkap atau ketidakrelevanan data tersebut dalam alur kerja saat ini. Anomali paling krusial ditemukan pada kolom `Tgl Diterima`. Hampir 2.2% dari pesanan yang "TERLAYANI PENUH" memiliki `Tgl Diterima` yang secara tidak masuk akal tercatat lebih awal dari `Tgl Ekspedisi`. Penyelidikan lebih lanjut mengungkap bahwa penyebabnya adalah penggunaan tanggal *placeholder* `1970-01-02 07:00:00`. Praktik ini menyebabkan perhitungan durasi pengiriman menghasilkan nilai negatif yang sangat besar (mencapai sekitar -495,241.8 jam atau -56 tahun), membuat metrik kinerja logistik tidak valid dan tidak dapat diandalkan. Selain itu, kolom `Stok Avaiable` secara konsisten bernilai 0 untuk semua entri yang ada. Jika kolom ini dimaksudkan untuk melacak ketersediaan stok, nilai 0 yang terus-menerus ini sangat problematis, mengindikasikan bahwa data tidak dicatat dengan benar atau kolom ini tidak digunakan sesuai fungsinya. Kondisi stok yang tidak transparan dapat menjadi penyebab utama disparitas kuantitas. #### 8.2.2 Efisiensi Pemenuhan Pesanan Dengan 98.7% pesanan berhasil terlayani penuh, operasi pemenuhan pesanan secara keseluruhan sangat efisien. Namun, 1,740 pesanan yang dibatalkan mewakili kerugian nilai lebih dari Rp 528 juta dan 10,902 unit produk. Meskipun persentasenya kecil, *opportunity cost* ini cukup besar. Perbandingan menunjukkan bahwa pesanan yang dibatalkan cenderung memiliki rata-rata kuantitas (6.3 unit) dan nilai (Rp 303,985) yang lebih rendah dibandingkan pesanan yang terlayani penuh (11.1 unit dan Rp 425,089). Distribusi pembatalan tersebar di berbagai divisi dan gudang, dengan Divisi "PHARMANET 2" dan gudang "PHARMANET TANGERANG", "MEDAN", "SURABAYA" menjadi kontributor utama. Ini bisa jadi karena volume transaksi mereka yang tinggi, atau ada masalah operasional spesifik yang perlu diselidiki lebih lanjut. #### 8.2.3 Disparitas Kuantitas dalam Pesanan Terlayani Penuh Analisis mengungkap bahwa meskipun 0% pesanan terlayani penuh memiliki disparitas nilai (`Value RO` vs `Value PL`), terdapat 348 pesanan (0.3%) di mana kuantitas yang dipesan (`Qty RO`) tidak sesuai dengan kuantitas yang dikirim (`Qty DO`). Ini, meskipun minor, dapat berakibat pada ketidakpuasan pelanggan atau masalah penagihan. Produk "THERMOLYTE DIET SUGAR 25'S@1GR" secara dramatis menonjol sebagai penyebab utama disparitas ini, dengan 86 kasus. Jumlah ini jauh lebih tinggi dibandingkan produk lain, mengindikasikan masalah spesifik terkait penanganan, inventarisasi, atau karakteristik produk itu sendiri yang perlu diinvestigasi. Berikut adalah tabel 10 produk teratas dengan disparitas kuantitas tertinggi: | Prodes | Jumlah Disparitas | | :--------------------------------- | ----------------: | | THERMOLYTE DIET SUGAR 25'S@1GR | 86 | | MEDISIO 36% CONCENTRATE 5ML | 14 | | PRORIS SUSP 60 ML RASA JERUK | 6 | | POLYSILANE TAB. KUNYAH 5X8TAB | 6 | | POLYSILANE SUSP 180 ML | 6 | | PRAXION SUSP 60ML RASA JERUK | 5 | | MICROLAX GEL OBAT PENCAHAR 5ML | 5 | | DISFLATYL 10 BLISTER @10TABLET | 4 | | CLINOVIR CREAM 5GR | 4 | | CATAFLAM 50MG TAB 50'S | 4 | #### 8.2.4 Analisis Waktu Proses Pemenuhan Analisis durasi untuk pesanan yang terlayani penuh menunjukkan beberapa tahapan yang sangat efisien, seperti "Pembuatan DO ke Pembuatan PL" (0.0 jam) dan "Penempatan Pesanan ke Pembuatan SP" (0.6 jam). Ini mencerminkan integrasi atau kecepatan proses yang baik. Namun, dua tahapan lainnya menunjukkan durasi yang lebih lama: "Pembuatan SP ke Pembuatan DO" (rata-rata 9.8 jam) dan "Pembuatan PL ke Pencatatan Ekspedisi" (rata-rata 7.9 jam). Kedua tahapan ini merupakan kandidat utama untuk optimasi. Tabel di bawah merangkum rata-rata durasi tahapan proses (dalam jam) untuk pesanan terlayani penuh: | Tahapan | Durasi Rata-rata (jam) | | :--------------------------------------------- | ---------------------: | | Penempatan Pesanan ke Pembuatan SP | 0.6 | | Pembuatan SP ke Pembuatan DO | 9.8 | | Pembuatan DO ke Pembuatan PL | 0.0 | | Pembuatan PL ke Pencatatan Ekspedisi | 7.9 | | Pencatatan Ekspedisi ke Penerimaan Pelanggan | -11,502.5 | Anomali pada "Pencatatan Ekspedisi ke Penerimaan Pelanggan" yang menghasilkan durasi negatif yang sangat besar, seperti yang dijelaskan di atas, secara total mendistorsi kemampuan untuk mengukur kinerja pengiriman sebenarnya. --- ### 8.3 Rekomendasi Berdasarkan temuan di atas, berikut adalah rekomendasi strategis dan taktis untuk meningkatkan kualitas data, mengoptimalkan proses operasional, dan meningkatkan kepuasan pelanggan: #### 8.3.1 Perbaikan Kualitas Data dan Integritas 1. **Prioritaskan Audit dan Koreksi Data `Tgl Diterima`:** * **Pembersihan Data Historis:** Identifikasi semua catatan dengan `Tgl Diterima` yang berupa *placeholder* `1970-01-02`. Nilai-nilai ini harus diubah menjadi `NULL` atau nilai khusus (misalnya, "TIDAK DIKETAHUI") untuk memungkinkan perhitungan durasi yang akurat pada data yang valid. * **Pencegahan di Masa Depan:** Implementasikan validasi ketat dalam sistem input data. Tanggal `Tgl Diterima` harus selalu lebih baru atau sama dengan `Tgl Ekspedisi`. Jika tanggal penerimaan belum tersedia, sistem harus mengizinkan status 'Belum Diterima' atau `NULL` secara eksplisit, bukan menggunakan *placeholder* yang menyesatkan. * **Investigasi Sumber Data:** Selidiki mengapa data `Tgl Diterima` tidak tercatat secara akurat. Apakah ada masalah integrasi dengan pihak ketiga (ekspedisi)? Apakah proses internal untuk memperbarui status penerimaan tidak efektif? 2. **Klarifikasi dan Perbaikan Kolom `Stok Avaiable`:** * **Verifikasi Fungsi:** Tentukan apakah kolom `Stok Avaiable` relevan dan bagaimana seharusnya diisi. Jika memang untuk mencerminkan stok aktual, perbaiki proses *data entry* atau integrasi sistem untuk memastikan data akurat dan *real-time*. * **Dampak pada Pemenuhan:** Jika `Stok Avaiable` terus-menerus 0, ini bisa jadi akar masalah bagi disparitas kuantitas. Tanpa informasi stok yang akurat, sulit untuk memastikan pesanan dapat dipenuhi sepenuhnya. 3. **Tinjau Kolom dengan Data Hilang Signifikan:** * Untuk kolom seperti `Nama Penerima`, `Keterangan`, `Nama Supplier`, dll., tentukan apakah data ini memang tidak relevan atau apakah ada proses pengumpulan data yang hilang. Jika relevan, segera perbaiki alur pengumpulannya. #### 8.3.2 Optimalisasi Proses Operasional 1. **Investigasi Mendalam Produk "THERMOLYTE DIET SUGAR 25'S@1GR":** * **Audit Inventaris dan Fisik:** Lakukan audit menyeluruh pada stok fisik dan pencatatan inventaris "THERMOLYTE DIET SUGAR 25'S@1GR" di gudang-gudang utama. Periksa unit pengukuran, perbedaan deskripsi produk, atau masalah *barcode*. * **Tinjau Proses Penanganan:** Periksa proses *picking* dan *packing* untuk produk ini. Apakah ada kesulitan dalam mengidentifikasi, menghitung, atau mengemas produk ini? Berikan pelatihan tambahan atau modifikasi proses jika diperlukan. * **Analisis Root Cause:** Identifikasi apakah masalah ini disebabkan oleh kerusakan, kekurangan stok mendadak, atau kesalahan manusia yang berulang. 2. **Percepat Tahapan Proses Kritis:** * **"Pembuatan SP ke Pembuatan DO" (9.8 jam):** Analisis lebih lanjut terhadap tahap ini diperlukan. Identifikasi hambatan seperti persetujuan manual yang lambat, antrean validasi, atau ketergantungan pada sumber daya terbatas. Pertimbangkan otomatisasi atau *streamlining* proses. * **"Pembuatan PL ke Pencatatan Ekspedisi" (7.9 jam):** Selidiki waktu yang dibutuhkan untuk *picking*, *packing*, dan serah terima ke ekspedisi. Apakah ada peluang untuk meningkatkan efisiensi tata letak gudang, *batching* pesanan yang lebih cerdas, atau negosiasi dengan ekspedisi untuk jadwal pengambilan yang lebih cepat? 3. **Analisis Proporsional Tingkat Pembatalan:** * Hitung tingkat pembatalan sebagai persentase dari total pesanan untuk setiap Divisi, Asal Gudang, dan Distributor. Ini akan memberikan pandangan yang lebih adil tentang area mana yang benar-benar memerlukan intervensi, bukan hanya yang memiliki volume transaksi tinggi. Fokus pada gudang (PHARMANET TANGERANG, MEDAN, SURABAYA, MAKASSAR, BEKASI) dan divisi (PHARMANET 2) yang menunjukkan tingkat pembatalan relatif tinggi. #### 8.3.3 Implementasi Sistem dan Kontrol 1. **Sistem Validasi Otomatis:** Perbarui sistem untuk menyertakan validasi otomatis yang mencegah entri data yang tidak logis (misalnya, `Qty DO > Qty RO`, `Tgl Diterima < Tgl Ekspedisi`). 2. **Metrik SLA Internal:** Tetapkan Service Level Agreement (SLA) internal untuk setiap tahapan proses pemenuhan. Monitor metrik ini secara rutin untuk mengidentifikasi penyimpangan dan mengambil tindakan korektif secara proaktif. 3. **Dashbor Kualitas Data:** Buat dasbor kualitas data yang secara otomatis memantau dan melaporkan anomali seperti nilai hilang, *placeholder* yang tidak valid, dan disparitas kuantitas. Ini akan memungkinkan tim operasional untuk segera menanggapi masalah data. Dengan menerapkan rekomendasi ini, perusahaan dapat tidak hanya memperbaiki fondasi data yang kritis tetapi juga meningkatkan efisiensi operasional secara keseluruhan, yang pada akhirnya akan memperkuat posisi pasar dan meningkatkan kepuasan pelanggan.