# Laporan Akhir Eksplorasi Data

## 1. Ringkasan Eksekutif

# 1. Ringkasan Eksekutif

Laporan ini menyajikan hasil analisis eksplorasi data terkait proses pemenuhan pesanan, dengan fokus utama pada identifikasi faktor-faktor yang mempengaruhi pembatalan pesanan (`Status RO`). Analisis ini bertujuan untuk memberikan pemahaman mendalam mengenai integritas data, karakteristik pesanan, dan anomali yang dapat memicu pembatalan, serta merekomendasikan langkah-langkah perbaikan.

## Ikhtisar Data dan Kualitas

Dataset terdiri dari 131,315 baris data pesanan, tanpa adanya duplikasi baris secara penuh. Namun, ditemukan beberapa isu kualitas data yang signifikan:
- Kolom `Keterangan` dan `Nama Penerima` memiliki 100% nilai hilang, menjadikannya tidak relevan untuk analisis.
- Kolom `Tgl Diterima` memiliki 7.9% nilai hilang, yang penting untuk menghitung waktu penerimaan pesanan.
- Kolom `Cmc` (4.2%) dan `Value PL` (1.3%) juga memiliki sejumlah nilai hilang yang perlu diperhatikan.
- Beberapa kolom terkait proses pengiriman (`Nama Ekspedisi`, `Nomor Resi`, `Tgl Ekspedisi`, `Tgl Logbook`) juga menunjukkan adanya nilai hilang, yang mengindikasikan bahwa beberapa informasi pengiriman mungkin tidak tercatat dengan lengkap.

## Temuan Kunci dan Anomali

### Distribusi Status Pesanan
Sebagian besar pesanan berhasil **TERLAYANI PENUH** (98.7%), menunjukkan efisiensi operasional yang tinggi secara umum. Namun, terdapat 1.3% pesanan yang **CANCEL**, setara dengan 1,740 pesanan dari total. Tingkat pembatalan ini, meskipun kecil, mewakili potensi kerugian dan inefisiensi yang perlu diatasi.

### Anomali Gudang Asal
Anomali paling mencolok adalah **`PHARMANET PUSAT` yang memiliki tingkat pembatalan 100%** (22 pesanan dibatalkan dari 22 pesanan yang tercatat berasal dari gudang ini). Pesanan dari `PHARMANET PUSAT` yang dibatalkan cenderung menggunakan metode pembayaran BRIVA, berasal dari divisi PHARMANET, dan melibatkan berbagai produk dengan kuantitas serta nilai yang umumnya rendah. Ini mengindikasikan adanya masalah sistemik atau proses khusus di gudang ini yang perlu diinvestigasi secara mendalam.

### Pengaruh Status Internal Terhadap Pembatalan
Analisis regresi logistik dan tabulasi silang menunjukkan bahwa kolom `Sts SP Header`, `Sts SP Detail`, dan `Status DO` adalah **indikator langsung** dari `Status RO` (pembatalan). Jika salah satu dari status ini (`Sts SP Header`, `Sts SP Detail`, atau `Status DO`) bernilai 'C' (Cancelled), maka `Status RO` akan selalu 'CANCEL'. Hal ini menjelaskan akurasi sempurna model regresi logistik yang ditemukan. Ini bukan berarti fitur-fitur ini "memprediksi" pembatalan, melainkan mencerminkan bahwa pembatalan pesanan telah terjadi di salah satu tahap proses (Surat Pesanan atau Delivery Order). Fokus investigasi selanjutnya harus diarahkan pada *penyebab* mengapa status-status ini berubah menjadi 'C'.

### Karakteristik Pesanan yang Dibatalkan
- **Nilai dan Kuantitas Pesanan:** Pesanan yang dibatalkan cenderung memiliki rata-rata kuantitas (`Qty RO`) dan nilai pesanan (`Value RO`) yang lebih rendah dibandingkan pesanan yang berhasil terlayani. Untuk pesanan yang dibatalkan, `Qty SP` dan `Qty DO` adalah 0, menunjukkan bahwa pembatalan terjadi sebelum atau selama tahap pembuatan Surat Pesanan (SP) atau Delivery Order (DO).
- **Waktu Pemrosesan:** Rata-rata waktu dari Surat Pesanan ke Delivery Order (`SP_to_DO`) untuk pesanan yang dibatalkan adalah 13.1 jam, secara signifikan lebih lama dibandingkan pesanan yang berhasil terlayani (9.8 jam). Ini menunjukkan bahwa **penundaan antara pembuatan SP dan DO dapat menjadi faktor penyebab pembatalan.**
- **Kelas Pelanggan:** Kelas pelanggan `F` (7.5% pembatalan) dan `D` (5.3% pembatalan) memiliki tingkat pembatalan yang secara proporsional lebih tinggi dibandingkan kelas `A` (1.3% pembatalan), meskipun volume pesanan mereka lebih kecil.
- **Metode Pembayaran:** Metode pembayaran `Kredivo` menunjukkan tingkat pembatalan 0%, sementara `BRIVA` memiliki tingkat pembatalan sedikit lebih tinggi (1.7%) dibandingkan rata-rata (1.3%).
- **Divisi:** Divisi `VIBRANT 3` menunjukkan tingkat pembatalan yang lebih tinggi (19.6%) dibandingkan divisi lain, meskipun volume pesanan mereka sangat kecil.

### Produk dan Outlet dengan Pembatalan Tertinggi
- **Top 10 Produk Dibatalkan:** Beberapa produk seperti `MEDISIO 36% CONCENTRATE 5ML` (90 pembatalan) dan `VOMARIN FLASH TAB 50'S` (62 pembatalan) sering kali menjadi bagian dari pesanan yang dibatalkan.
- **Top 10 Outlet Dibatalkan:** Beberapa outlet seperti `MITRA HUSADA, APT` (42 pembatalan) dan `PURWONEGORO, APT` (24 pembatalan) juga sering mengalami pembatalan pesanan.

## Rekomendasi

Berdasarkan temuan-temuan ini, direkomendasikan beberapa tindakan strategis:

1.  **Investigasi Mendalam untuk `PHARMANET PUSAT`:** Segera lakukan audit proses di `PHARMANET PUSAT` untuk mengidentifikasi akar penyebab dari tingkat pembatalan 100%. Periksa alur kerja, integrasi sistem, dan jenis pesanan yang ditangani.
2.  **Fokus pada Akar Penyebab Status 'C':** Alih-alih hanya memprediksi pembatalan, investigasi harus diarahkan pada *mengapa* `Sts SP Header`, `Sts SP Detail`, dan `Status DO` berubah menjadi 'C'. Apakah karena stok tidak tersedia, masalah pembayaran, pembatalan oleh pelanggan, atau alasan operasional lainnya?
3.  **Optimasi Waktu Pemrosesan `SP_to_DO`:** Analisis dan identifikasi *bottleneck* dalam tahap antara pembuatan Surat Pesanan (SP) dan Delivery Order (DO), terutama untuk pesanan yang akhirnya dibatalkan. Mengurangi penundaan di tahap ini dapat mengurangi tingkat pembatalan.
4.  **Penanganan Khusus untuk Kelas Pelanggan `D` dan `F`:** Perusahaan perlu meninjau kebijakan, layanan, atau ketersediaan produk untuk kelas pelanggan `D` dan `F` yang memiliki tingkat pembatalan lebih tinggi.
5.  **Tinjau Produk dan Outlet yang Sering Dibatalkan:** Lakukan analisis lebih lanjut terhadap produk dan outlet yang masuk dalam daftar top 10 pembatalan. Mungkin ada masalah dengan ketersediaan stok produk tertentu, atau kendala dalam pelayanan untuk outlet-outlet tersebut.
6.  **Peningkatan Kualitas Data:** Tinjau proses pengisian data untuk kolom dengan nilai hilang tinggi, terutama `Tgl Diterima`, `Cmc`, dan `Value PL`. Data yang lengkap akan memungkinkan analisis yang lebih akurat di masa mendatang. Pertimbangkan apakah kolom `Keterangan` dan `Nama Penerima` perlu diisi atau dihapus jika tidak ada informasinya.
7.  **Pembelajaran dari `Kredivo`:** Pelajari praktik terbaik atau karakteristik pesanan yang menggunakan metode pembayaran `Kredivo` yang menunjukkan tingkat pembatalan 0%.

Dengan mengatasi anomali dan masalah yang diidentifikasi, perusahaan dapat meningkatkan efisiensi operasional, mengurangi kerugian akibat pembatalan pesanan, dan meningkatkan kepuasan pelanggan secara keseluruhan.

## 2. Pendahuluan

# 2. Pendahuluan

Laporan Analisis Data Eksplorasi (EDA) ini disusun untuk memberikan pemahaman mendalam mengenai proses pemenuhan pesanan dalam operasional perusahaan, dengan fokus utama pada identifikasi dan analisis faktor-faktor yang berkontribusi terhadap pembatalan pesanan (`Status RO`). Dalam lingkungan bisnis yang dinamis, efisiensi dalam pemenuhan pesanan adalah kunci untuk menjaga kepuasan pelanggan dan profitabilitas. Pembatalan pesanan, meskipun mungkin terlihat sebagai insiden terpisah, dapat menjadi indikator adanya masalah sistemik dalam rantai pasok, manajemen stok, proses pembayaran, atau interaksi pelanggan.

Tujuan utama dari analisis ini adalah untuk mengungkap pola, anomali, dan hubungan antar variabel yang dapat menjelaskan mengapa sebagian pesanan berhasil dipenuhi sementara yang lain dibatalkan. Dengan menggunakan dataset yang mencakup berbagai tahapan proses pemesanan hingga pengiriman, laporan ini akan menyoroti area-area kritis yang memerlukan perhatian lebih lanjut dan menjadi dasar untuk rekomendasi strategis guna meningkatkan efisiensi operasional dan mengurangi tingkat pembatalan pesanan.

### Gambaran Umum Data

Dataset yang digunakan untuk analisis ini terdiri dari 131.315 catatan pesanan, mencakup detail dari awal pemesanan hingga status terakhirnya. Setiap baris data merepresentasikan satu item pesanan dalam sebuah transaksi, dengan informasi yang kaya mulai dari kode produk, deskripsi, divisi, gudang asal, metode pembayaran, hingga berbagai status pemrosesan (Surat Pesanan, Delivery Order, dll.) serta detail pengiriman.

Sebelum melakukan analisis yang lebih mendalam, langkah awal yang krusial adalah memahami kualitas dan kelengkapan data. Ini melibatkan pemeriksaan nilai-nilai yang hilang, duplikasi data, dan distribusi dasar dari variabel-variabel kunci untuk memastikan bahwa temuan yang dihasilkan dapat diandalkan.

### Ruang Lingkup Analisis

Analisis data eksplorasi ini akan mencakup beberapa area utama:

1.  **Pemeriksaan Kualitas Data Awal**: Mengidentifikasi kelengkapan data dengan menghitung nilai hilang pada setiap kolom dan mendeteksi adanya duplikasi data. Hal ini krusial untuk memastikan integritas data yang akan digunakan.
2.  **Distribusi Variabel Kategorikal Kunci**: Menganalisis sebaran nilai pada kolom-kolom kategorikal penting seperti `Divisi`, `Status RO`, `Asal Gudang`, `Nama Ekspedisi`, `Payment`, `Pharos YN`, dan `AO YN`. Ini akan memberikan gambaran awal tentang karakteristik operasional dan frekuensi kejadian tertentu, termasuk rasio pesanan yang dibatalkan (`CANCEL`) dibandingkan yang berhasil (`TERLAYANI PENUH`).
3.  **Analisis Korelasi dan Anomali**: Menyelidiki hubungan antara `Status RO` dengan variabel kategorikal lainnya seperti `Divisi`, `Asal Gudang`, dan `Payment`. Fokus khusus akan diberikan pada anomali, seperti tingkat pembatalan 100% yang teridentifikasi pada gudang `PHARMANET PUSAT`, untuk mencari akar penyebabnya.
4.  **Perbandingan Statistik Deskriptif**: Membandingkan statistik deskriptif (rata-rata, median, standar deviasi, min, maks) dari kolom numerik kunci seperti `Value PL`, `Value RO`, `Qty RO`, `Qty SP`, dan `Qty DO` antara pesanan yang berhasil dipenuhi dan yang dibatalkan. Ini untuk memahami apakah ada perbedaan signifikan dalam nilai atau kuantitas pesanan yang berujung pada pembatalan.
5.  **Identifikasi Faktor Risiko Pembatalan**: Mengidentifikasi produk (`Prodes`) dan outlet (`Nama Outlet`) yang paling sering dibatalkan, serta menganalisis distribusi `Kel. Class` (kelas pelanggan) untuk pesanan yang dibatalkan versus yang berhasil. Hal ini membantu menargetkan area perbaikan yang spesifik.
6.  **Analisis Waktu Pemrosesan**: Membandingkan perbedaan waktu pemrosesan (misalnya, dari `Tgl. Order` ke `Tgl. SP`, dan `Tgl. SP` ke `Tgl DO`) antara pesanan yang dibatalkan dan yang berhasil. Potensi keterlambatan dalam proses ini dapat menjadi pemicu pembatalan.
7.  **Model Prediktif Sederhana**: Menggunakan Regresi Logistik untuk mengidentifikasi variabel-variabel yang paling berpengaruh dalam memprediksi pembatalan pesanan (`Status RO`). Model ini akan memberikan insight tentang prediktor-prediktor utama dari pembatalan.
8.  **Verifikasi Indikator Pembatalan**: Memastikan hubungan langsung antara `Status RO` dengan status internal lainnya seperti `Sts SP Header`, `Sts SP Detail`, dan `Status DO`. Ini penting untuk membedakan antara prediktor sejati dan indikator langsung dari pembatalan yang telah terjadi.

### Tujuan Analisis Eksplorasi Data

Melalui pendekatan ini, laporan ini bertujuan untuk:

*   Memahami integritas dan kelengkapan data yang tersedia.
*   Mengidentifikasi pola dan anomali dalam proses pemenuhan pesanan.
*   Menemukan faktor-faktor kunci (misalnya, gudang asal, divisi, metode pembayaran, kelas pelanggan, jenis produk, dan waktu pemrosesan) yang berkorelasi kuat dengan pembatalan pesanan.
*   Menyediakan dasar yang kuat untuk investigasi lebih lanjut dan perumusan strategi mitigasi pembatalan pesanan.
*   Memberikan rekomendasi yang dapat ditindaklanjuti untuk meningkatkan efisiensi operasional dan kepuasan pelanggan.

Analisis ini diharapkan dapat memberikan wawasan yang berharga bagi para pengambil keputusan untuk mengoptimalkan proses bisnis dan mengurangi kerugian yang disebabkan oleh pembatalan pesanan.

## 3. Kualitas Data

# 3. Kualitas Data

Kualitas data merupakan fondasi utama bagi setiap analisis yang akurat dan pengambilan keputusan yang tepat. Sebelum menyelami lebih jauh faktor-faktor yang mempengaruhi pembatalan pesanan, penting untuk memahami kelengkapan, konsistensi, dan integritas data yang tersedia. Bab ini akan menguraikan temuan dari pemeriksaan kualitas data awal, mengidentifikasi potensi masalah, dan menyoroti anomali yang ditemukan.

## 3.1 Kelengkapan dan Integritas Data

Pemeriksaan awal dataset `omg_10003_b1_sheet1` mengungkapkan total **131,315** baris data. Kabar baiknya, tidak ditemukan adanya duplikasi baris secara penuh, mengindikasikan bahwa setiap catatan pesanan adalah unik pada tingkat detail. Namun, analisis terhadap nilai-nilai yang hilang (missing values) menunjukkan beberapa area yang memerlukan perhatian serius:

### Nilai Hilang per Kolom

| Kolom            | Jumlah Hilang | Persentase Hilang |
|:-----------------|:--------------|:------------------|
| Keterangan       | 131,315       | 100.0%            |
| Nama Penerima    | 131,315       | 100.0%            |
| Tgl Diterima     | 10,385        | 7.9%              |
| Cmc              | 5,468         | 4.2%              |
| Value PL         | 1,740         | 1.3%              |
| Tgl Logbook      | 585           | 0.4%              |
| Nama Ekspedisi   | 585           | 0.4%              |
| Tgl Ekspedisi    | 460           | 0.4%              |
| Nomor Resi       | 460           | 0.4%              |
| No. DO           | 365           | 0.3%              |
| Tgl DO           | 365           | 0.3%              |
| No. PL           | 365           | 0.3%              |
| Tgl. PL          | 365           | 0.3%              |
| Kel. Class       | 107           | 0.1%              |
| Divisi           | 7             | 0.0%              |

**Insight Bisnis & Implikasi:**

*   **Kolom yang Sepenuhnya Kosong (`Keterangan`, `Nama Penerima`):** Dua kolom ini memiliki 100% nilai hilang, menjadikannya tidak relevan untuk analisis. Hal ini mengindikasikan bahwa informasi ini tidak pernah dicatat atau tidak direkam dalam sistem. Rekomendasi adalah mempertimbangkan untuk menghapus kolom ini atau meninjau proses pengisian data jika informasi tersebut penting di masa mendatang.
*   **Informasi Pengiriman yang Terlewat (`Tgl Diterima`, `Nama Ekspedisi`, `Tgl Ekspedisi`, `Nomor Resi`, `Tgl Logbook`):** Proporsi nilai hilang yang signifikan pada kolom-kolom terkait pengiriman (`Tgl Diterima`: 7.9%, `Nama Ekspedisi`, `Tgl Ekspedisi`, `Nomor Resi`, `Tgl Logbook`: sekitar 0.4%) menunjukkan bahwa ada sebagian pesanan yang tidak terdata lengkap dalam proses logistiknya. Ini dapat menghambat analisis kinerja pengiriman dan pelacakan pesanan.
*   **Potensi Inkonsistensi Data Transaksi (`Cmc`, `Value PL`):** Kolom `Cmc` dengan 4.2% nilai hilang dan `Value PL` dengan 1.3% nilai hilang perlu diperhatikan. `Value PL` (nilai dari *Packing List*) yang hilang, terutama untuk pesanan yang dibatalkan, dapat mengganggu perhitungan total nilai transaksi atau analisis profitabilitas.
*   **Kolom Proses Inti (`No. DO`, `Tgl DO`, `No. PL`, `Tgl. PL`):** Meskipun persentasenya kecil (sekitar 0.3%), nilai hilang pada kolom-kolom ini dapat mengindikasikan pesanan yang dibatalkan sebelum tahap *Delivery Order* atau *Packing List* dibuat, atau masalah dalam pencatatan alur proses.

Secara keseluruhan, data menunjukkan tingkat kelengkapan yang baik untuk sebagian besar kolom inti, namun ada celah signifikan pada beberapa kolom, khususnya yang terkait dengan proses pengiriman dan informasi detail pesanan. Tantangan ini akan dipertimbangkan dalam analisis selanjutnya untuk memastikan interpretasi yang akurat.

## 3.2 Distribusi Variabel Kunci

Memahami distribusi variabel kategorikal kunci memberikan gambaran awal tentang karakteristik data operasional. Ini membantu mengidentifikasi kategori dominan, variasi yang ada, serta potensi anomali yang mungkin memengaruhi hasil analisis.

### Distribusi `Divisi`
Sebagian besar pesanan berasal dari divisi PHARMANET, yang mencerminkan dominasi divisi ini dalam operasional.

| Divisi      | Jumlah  | Persentase |
|:------------|:--------|:-----------|
| PHARMANET   | 110,866 | 84.4%      |
| HOSPINET    | 17,827  | 13.6%      |
| VIBRANT PBF | 2,559   | 1.9%       |
| VIBRANT 3   | 56      | 0.0%       |
| NaN         | 7       | 0.0%       |

### Distribusi `Status RO`
Variabel ini adalah target utama analisis, yaitu apakah pesanan berhasil terlayani atau dibatalkan.

| Status RO       | Jumlah  | Persentase |
|:----------------|:--------|:-----------|
| TERLAYANI PENUH | 129,575 | 98.7%      |
| CANCEL          | 1,740   | 1.3%       |

**Insight Bisnis:** Tingkat pembatalan pesanan secara keseluruhan adalah 1.3%. Meskipun terlihat kecil, angka ini merepresentasikan 1,740 pesanan yang tidak berhasil dipenuhi, yang bisa berarti kerugian pendapatan dan inefisiensi operasional. Analisis selanjutnya akan berfokus pada identifikasi penyebab dan karakteristik pesanan yang dibatalkan ini.

### Distribusi `Asal Gudang`
Pesanan didistribusikan dari berbagai gudang, dengan PHARMANET SURABAYA sebagai yang terbesar.

| Asal Gudang           | Jumlah  | Persentase |
|:----------------------|:--------|:-----------|
| PHARMANET SURABAYA    | 13,577  | 10.3%      |
| PHARMANET BEKASI      | 12,675  | 9.7%       |
| PHARMANET BANDUNG     | 9,568   | 7.3%       |
| PHARMANET TANGERANG   | 9,420   | 7.2%       |
| PHARMANET SEMARANG    | 8,948   | 6.8%       |
| PHARMANET BOGOR       | 8,484   | 6.5%       |
| PHARMANET PALEMBANG   | 8,446   | 6.4%       |
| PHARMANET SOLO        | 8,346   | 6.4%       |
| PHARMANET MAKASSAR    | 7,468   | 5.7%       |
| PHARMANET MEDAN       | 7,416   | 5.6%       |
| PHARMANET PEKANBARU   | 6,176   | 4.7%       |
| PHARMANET BANJARMASIN | 4,403   | 3.4%       |
| PHARMANET JAKTIM      | 4,114   | 3.1%       |
| PHARMANET LAMPUNG     | 3,899   | 3.0%       |
| PHARMANET JAKBAR      | 3,611   | 2.8%       |
| PHARMANET PONTIANAK   | 3,467   | 2.6%       |
| PHARMANET SAMARINDA   | 3,203   | 2.4%       |
| PHARMANET MALANG      | 3,118   | 2.4%       |
| PHARMANET JAMBI       | 2,869   | 2.2%       |
| PHARMANET JAKSEL      | 2,085   | 1.6%       |
| PHARMANET PUSAT       | 22      | 0.0%       |

### Distribusi `Nama Ekspedisi`
Beragam perusahaan ekspedisi digunakan, dengan Anteraja menjadi yang paling dominan. Ada sejumlah kecil nilai yang hilang (`NaN`).

| Nama Ekspedisi                | Jumlah  | Persentase |
|:------------------------------|:--------|:-----------|
| Anteraja                      | 25,559  | 19.5%      |
| PT CENTURY                    | 21,475  | 16.4%      |
| LION PARCEL                   | 18,507  | 14.1%      |
| PCP EXPRESS                   | 14,481  | 11.0%      |
| ANDALAN 21 EXPRESS            | 10,035  | 7.6%       |
| INDAH LOGISTIK                | 8,780   | 6.7%       |
| PT. TUNAS ANTARNUSA MUDA KARGO | 6,402   | 4.9%       |
| GLOBALINDO 21 EXPRESS         | 5,139   | 3.9%       |
| EXPD BEKASI                   | 5,066   | 3.9%       |
| PT. LESTARI JAYA RAYA         | 3,222   | 2.5%       |
| FARDHA MANDIRI                | 3,123   | 2.4%       |
| EXPD JAKTIM                   | 2,377   | 1.8%       |
| EXPD JAKBAR                   | 1,831   | 1.4%       |
| EXPD JAKSEL                   | 1,239   | 0.9%       |
| Media Transportasi Logistic   | 759     | 0.6%       |
| EXPD BANJARMASIN              | 721     | 0.5%       |
| EXPD SURABAYA 1               | 655     | 0.5%       |
| NaN                           | 585     | 0.4%       |
| EXPD INTERNAL JAKSEL          | 356     | 0.3%       |
| KJN EXPRESS                   | 268     | 0.2%       |
| Antaraja Same Day             | 204     | 0.2%       |
| EXPD Bogor (Sierra)           | 171     | 0.1%       |
| EXPD MEDAN                    | 147     | 0.1%       |
| EXPD INTERNAL BOGOR           | 131     | 0.1%       |
| EXPD INTERNAL SEMARANG        | 66      | 0.1%       |
| EXPD Bandung (Sierra)         | 16      | 0.0%       |

### Distribusi `Payment`
BCA Virtual Account adalah metode pembayaran yang paling umum.

| Payment             | Jumlah  | Persentase |
|:--------------------|:--------|:-----------|
| BCA Virtual Account | 78,853  | 60.1%      |
| Term Of Payment     | 36,615  | 27.9%      |
| BRIVA               | 15,716  | 12.0%      |
| Kredivo             | 131     | 0.1%       |

### Distribusi `Pharos YN` dan `AO YN`
Kedua kolom ini menunjukkan distribusi yang relatif seimbang, mengindikasikan keterlibatan *Pharos* dan *Account Officer* (AO) dalam sebagian besar transaksi.

| Pharos YN | Jumlah  | Persentase |
|:----------|:--------|:-----------|
| N         | 72,014  | 54.8%      |
| Y         | 59,301  | 45.2%      |

| AO YN | Jumlah  | Persentase |
|:------|:--------|:-----------|
| N     | 82,584  | 62.9%      |
| Y     | 48,731  | 37.1%      |

### Distribusi `Kel. Class`
Sebagian besar pesanan berasal dari kelas pelanggan A.

| Kel. Class | Jumlah  | Persentase |
|:-----------|:--------|:-----------|
| A          | 127,079 | 96.8%      |
| B          | 2,261   | 1.7%       |
| C          | 1,577   | 1.2%       |
| F          | 159     | 0.1%       |
| D          | 132     | 0.1%       |
| NaN        | 107     | 0.1%       |

## 3.3 Anomali dan Hubungan Awal (`Status RO` dengan `Divisi`, `Asal Gudang`, `Payment`)

Melangkah lebih jauh dari distribusi dasar, kami menganalisis hubungan antara `Status RO` (target kita) dengan beberapa variabel kategorikal kunci untuk mencari pola atau anomali.

### Hubungan `Status RO` dengan `Divisi`

| Divisi      | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:------------|:--------------|:-----------------------|:-------------|:------------------|:---------------------------|
| VIBRANT 3   | 11            | 45                     | 56           | 19.6%             | 80.4%                      |
| HOSPINET    | 310           | 17,517                 | 17,827       | 1.7%              | 98.3%                      |
| VIBRANT PBF | 38            | 2,521                  | 2,559        | 1.5%              | 98.5%                      |
| PHARMANET   | 1,381         | 109,485                | 110,866      | 1.2%              | 98.8%                      |
| All         | 1,740         | 129,568                | 131,308      | 1.3%              | 98.7%                      |

**Insight Bisnis:** Divisi `VIBRANT 3` menunjukkan tingkat pembatalan yang sangat tinggi (19.6%), jauh di atas rata-rata. Meskipun jumlah pesanan dari divisi ini relatif kecil, ini mengindikasikan adanya masalah spesifik yang perlu diinvestigasi. Divisi lain memiliki tingkat pembatalan yang lebih seragam dan mendekati rata-rata keseluruhan.

### Hubungan `Status RO` dengan `Asal Gudang`

Analisis ini mengungkapkan anomali yang sangat signifikan:

| Asal Gudang           | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------------------|:--------------|:-----------------------|:-------------|:------------------|:---------------------------|
| PHARMANET PUSAT       | 22            | 0                      | 22           | 100.0%            | 0.0%                       |
| PHARMANET TANGERANG   | 242           | 9,178                  | 9,420        | 2.6%              | 97.4%                      |
| PHARMANET MEDAN       | 188           | 7,228                  | 7,416        | 2.5%              | 97.5%                      |
| PHARMANET JAKTIM      | 100           | 4,014                  | 4,114        | 2.4%              | 97.6%                      |
| PHARMANET MAKASSAR    | 148           | 7,320                  | 7,468        | 2.0%              | 98.0%                      |
| PHARMANET SAMARINDA   | 60            | 3,143                  | 3,203        | 1.9%              | 98.1%                      |
| PHARMANET BANJARMASIN | 75            | 4,328                  | 4,403        | 1.7%              | 98.3%                      |
| PHARMANET PEKANBARU   | 92            | 6,084                  | 6,176        | 1.5%              | 98.5%                      |
| PHARMANET BOGOR       | 115           | 8,369                  | 8,484        | 1.4%              | 98.6%                      |
| All                   | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |
| PHARMANET SEMARANG    | 112           | 8,836                  | 8,948        | 1.3%              | 98.7%                      |
| PHARMANET JAKBAR      | 45            | 3,566                  | 3,611        | 1.2%              | 98.8%                      |
| PHARMANET SURABAYA    | 164           | 13,413                 | 13,577       | 1.2%              | 98.8%                      |
| PHARMANET BEKASI      | 129           | 12,546                 | 12,675       | 1.0%              | 99.0%                      |
| PHARMANET PONTIANAK   | 35            | 3,432                  | 3,467        | 1.0%              | 99.0%                      |
| PHARMANET SOLO        | 75            | 8,271                  | 8,346        | 0.9%              | 99.1%                      |
| PHARMANET JAKSEL      | 18            | 2,067                  | 2,085        | 0.9%              | 99.1%                      |
| PHARMANET JAMBI       | 24            | 2,845                  | 2,869        | 0.8%              | 99.2%                      |
| PHARMANET LAMPUNG     | 24            | 3,875                  | 3,899        | 0.6%              | 99.4%                      |
| PHARMANET MALANG      | 16            | 3,102                  | 3,118        | 0.5%              | 99.5%                      |
| PHARMANET BANDUNG     | 30            | 9,538                  | 9,568        | 0.3%              | 99.7%                      |
| PHARMANET PALEMBANG   | 26            | 8,420                  | 8,446        | 0.3%              | 99.7%                      |

**Insight Bisnis & Anomali Kritis:** Gudang `PHARMANET PUSAT` memiliki tingkat pembatalan **100.0%** (22 dari 22 pesanan dibatalkan). Ini adalah anomali data yang sangat signifikan dan memerlukan investigasi segera. Tidak ada pesanan dari gudang ini yang berhasil terlayani dalam dataset ini. Gudang-gudang seperti `PHARMANET TANGERANG` dan `PHARMANET MEDAN` juga memiliki tingkat pembatalan sedikit lebih tinggi dari rata-rata.

### Hubungan `Status RO` dengan `Payment`

| Payment             | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:--------------------|:--------------|:-----------------------|:-------------|:------------------|:---------------------------|
| BRIVA               | 262           | 15,454                 | 15,716       | 1.7%              | 98.3%                      |
| Term Of Payment     | 567           | 36,048                 | 36,615       | 1.5%              | 98.5%                      |
| All                 | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |
| BCA Virtual Account | 911           | 77,942                 | 78,853       | 1.2%              | 98.8%                      |
| Kredivo             | 0             | 131                    | 131          | 0.0%              | 100.0%                     |

**Insight Bisnis:** Metode pembayaran `Kredivo` menunjukkan tingkat pembatalan 0.0%, meskipun jumlah pesanan yang menggunakan metode ini relatif kecil. `BRIVA` dan `Term Of Payment` memiliki tingkat pembatalan sedikit di atas rata-rata. Ini bisa menjadi area untuk menyelidiki apakah ada tantangan spesifik yang terkait dengan metode pembayaran tertentu.

## 3.4 Karakteristik Numerik Pesanan Dibatalkan vs. Terlayani

Perbandingan statistik deskriptif antara pesanan yang dibatalkan (`CANCEL`) dan yang terlayani penuh (`TERLAYANI PENUH`) pada kolom numerik memberikan pemahaman tentang perbedaan fundamental di antara keduanya.

```json
{
  "TERLAYANI PENUH": {
    "count": {
      "Value PL": 129575.0,
      "Value RO": 129575.0,
      "Qty RO": 129575.0,
      "Qty SP": 129575.0,
      "Qty DO": 129575.0
    },
    "mean": {
      "Value PL": 425089.5,
      "Value RO": 425089.5,
      "Qty RO": 11.1,
      "Qty SP": 11.1,
      "Qty DO": 11.1
    },
    "std": {
      "Value PL": 1935299.1,
      "Value RO": 1935299.1,
      "Qty RO": 72.1,
      "Qty SP": 71.9,
      "Qty DO": 71.9
    },
    "min": {
      "Value PL": 0.0,
      "Value RO": 0.0,
      "Qty RO": 0.0,
      "Qty SP": 1.0,
      "Qty DO": 1.0
    },
    "25%": {
      "Value PL": 71706.0,
      "Value RO": 71706.0,
      "Qty RO": 1.0,
      "Qty SP": 1.0,
      "Qty DO": 1.0
    },
    "50%": {
      "Value PL": 145203.0,
      "Value RO": 145203.0,
      "Qty RO": 3.0,
      "Qty SP": 3.0,
      "Qty DO": 3.0
    },
    "75%": {
      "Value PL": 318442.5,
      "Value RO": 318442.5,
      "Qty RO": 6.0,
      "Qty SP": 6.0,
      "Qty DO": 6.0
    },
    "max": {
      "Value PL": 166269792.0,
      "Value RO": 166269792.0,
      "Qty RO": 7200.0,
      "Qty SP": 7200.0,
      "Qty DO": 7200.0
    }
  },
  "CANCEL": {
    "count": {
      "Value PL": 0.0,
      "Value RO": 1740.0,
      "Qty RO": 1740.0,
      "Qty SP": 1740.0,
      "Qty DO": 1740.0
    },
    "mean": {
      "Value PL": "NaN",
      "Value RO": 303984.8,
      "Qty RO": 6.3,
      "Qty SP": 0.0,
      "Qty DO": 0.0
    },
    "std": {
      "Value PL": "NaN",
      "Value RO": 1083107.5,
      "Qty RO": 26.4,
      "Qty SP": 0.0,
      "Qty DO": 0.0
    },
    "min": {
      "Value PL": "NaN",
      "Value RO": 0.0,
      "Qty RO": 0.0,
      "Qty SP": 0.0,
      "Qty DO": 0.0
    },
    "25%": {
      "Value PL": "NaN",
      "Value RO": 51762.0,
      "Qty RO": 1.0,
      "Qty SP": 0.0,
      "Qty DO": 0.0
    },
    "50%": {
      "Value PL": "NaN",
      "Value RO": 111864.0,
      "Qty RO": 2.0,
      "Qty SP": 0.0,
      "Qty DO": 0.0
    },
    "75%": {
      "Value PL": "NaN",
      "Value RO": 234397.5,
      "Qty RO": 4.0,
      "Qty SP": 0.0,
      "Qty DO": 0.0
    },
    "max": {
      "Value PL": "NaN",
      "Value RO": 27491076.0,
      "Qty RO": 572.0,
      "Qty SP": 0.0,
      "Qty DO": 0.0
    }
  }
}
```

**Insight Bisnis & Implikasi:**

*   **Nilai dan Kuantitas Pesanan yang Dibatalkan Cenderung Lebih Rendah:** Secara rata-rata, pesanan yang dibatalkan (`CANCEL`) memiliki `Value RO` (Rp 303,985) dan `Qty RO` (6.3) yang lebih rendah dibandingkan pesanan yang berhasil terlayani (`Value RO` Rp 425,090, `Qty RO` 11.1). Ini menunjukkan bahwa pembatalan cenderung terjadi pada pesanan yang lebih kecil atau kurang bernilai.
*   **Indikasi Pembatalan Dini:** Untuk pesanan yang dibatalkan, `Qty SP` (kuantitas di Surat Pesanan) dan `Qty DO` (kuantitas di Delivery Order) adalah **0**. Ini adalah penemuan kunci, karena menunjukkan bahwa pembatalan terjadi pada tahap yang sangat awal dalam alur pemenuhan pesanan, yaitu sebelum atau saat pembuatan Surat Pesanan (SP) dan Delivery Order (DO) itu sendiri. Artinya, pesanan tersebut tidak pernah benar-benar masuk ke proses pemenuhan fisik.
*   **Nilai Hilang `Value PL` untuk Pesanan Dibatalkan:** Konsisten dengan temuan awal, kolom `Value PL` sepenuhnya kosong untuk pesanan yang dibatalkan. Ini menegaskan bahwa jika pesanan dibatalkan sebelum *Packing List* dibuat, maka nilai ini tidak akan ada.

## 3.5 Pemahaman Lebih Lanjut tentang Indikator Pembatalan

Salah satu temuan paling penting terkait kualitas data dan interpretasi adalah hubungan antara `Status RO` dengan status internal lainnya seperti `Sts SP Header`, `Sts SP Detail`, dan `Status DO`. Model Regresi Logistik awal menunjukkan performa yang "sempurna" dalam memprediksi pembatalan. Namun, hal ini bukan karena model tersebut sangat cerdas, melainkan karena fitur-fitur tersebut adalah *indikator langsung* dari pembatalan yang telah terjadi.

### Laporan Performa Model Regresi Logistik (pada Test Set)

```
                 precision    recall  f1-score   support

TERLAYANI PENUH       1.00      1.00      1.00     25915
         CANCEL       1.00      1.00      1.00       348

       accuracy                           1.00     26263
      macro avg       1.00      1.00      1.00     26263
   weighted avg       1.00      1.00      1.00     26263
```

### Confusion Matrix

|                           | Predicted TERLAYANI PENUH | Predicted CANCEL |
|:--------------------------|:--------------------------|:-----------------|
| Actual TERLAYANI PENUH    | 25,915                    | 0                |
| Actual CANCEL             | 0                         | 348              |

### Fitur Paling Berpengaruh (Berdasarkan Nilai Koefisien Absolut)

| Fitur                           | Koefisien | Abs_Koefisien |
|:--------------------------------|----------:|--------------:|
| Sts SP Header_C                 | 3.21787   | 3.21787       |
| Sts SP Detail_C                 | 3.21787   | 3.21787       |
| Status DO_C                     | 3.21787   | 3.21787       |
| Sts SP Header_P                 | -3.20184  | 3.20184       |
| Sts SP Detail_P                 | -3.20184  | 3.20184       |
| Status DO_P                     | -3.20184  | 3.20184       |
| Nama Ekspedisi_Unknown          | 0.44560   | 0.44560       |
| Asal Gudang_PHARMANET TANGERANG | 0.15248   | 0.15248       |
| Asal Gudang_PHARMANET PALEMBANG | -0.12436  | 0.12436       |
| Asal Gudang_PHARMANET BANDUNG   | -0.12201  | 0.12201       |
| Asal Gudang_PHARMANET MEDAN     | 0.10940   | 0.10940       |
| Nama Ekspedisi_Anteraja         | -0.07787  | 0.07787       |
| PT. TUNAS ANTARNUSA MUDA KARGO  | -0.07285  | 0.07285       |
| Asal Gudang_PHARMANET JAKTIM    | 0.07234   | 0.07234       |
| Divisi_PHARMANET                | -0.06837  | 0.06837       |
| Qty RO                          | -0.06802  | 0.06802       |
| Pharos YN_Y                     | 0.06461   | 0.06461       |
| Cmc_Unknown                     | 0.06302   | 0.06302       |
| Asal Gudang_PHARMANET SOLO      | -0.06139  | 0.06139       |
| Nama Ekspedisi_INDAH LOGISTIK   | -0.05932  | 0.05932       |

Koefisien yang sangat tinggi untuk `Sts SP Header_C`, `Sts SP Detail_C`, dan `Status DO_C` adalah kunci. Hal ini mengindikasikan bahwa jika status-status ini adalah 'C' (Cancelled), maka `Status RO` juga pasti 'CANCEL'.

### Konfirmasi Hubungan Langsung melalui Tabulasi Silang

Untuk memperjelas hal ini, kami melakukan tabulasi silang antara `Status RO` dengan `Sts SP Header`, `Sts SP Detail`, dan `Status DO`.

**--- Tabulasi Silang: Status RO vs. Sts SP Header ---**

| Status RO     | CANCEL | TERLAYANI PENUH | All    |
|:--------------|:-------|:----------------|:-------|
| Sts SP Header |        |                 |        |
| C             | 1,740  | 0               | 1,740  |
| P             | 0      | 129,575         | 129,575|
| All           | 1,740  | 129,575         | 131,315|

**--- Tabulasi Silang: Status RO vs. Sts SP Detail ---**

| Status RO     | CANCEL | TERLAYANI PENUH | All    |
|:--------------|:-------|:----------------|:-------|
| Sts SP Detail |        |                 |        |
| C             | 1,740  | 0               | 1,740  |
| P             | 0      | 129,575         | 129,575|
| All           | 1,740  | 129,575         | 131,315|

**--- Tabulasi Silang: Status RO vs. Status DO ---**

| Status RO | CANCEL | TERLAYANI PENUH | All    |
|:----------|:-------|:----------------|:-------|
| Status DO |        |                 |        |
| C         | 1,740  | 0               | 1,740  |
| P         | 0      | 129,575         | 129,575|
| All       | 1,740  | 129,575         | 131,315|

**Insight Bisnis Krusial:**

Temuan ini sangat penting: kolom `Sts SP Header`, `Sts SP Detail`, dan `Status DO` bukanlah *prediktor independen* yang mengindikasikan kemungkinan pembatalan di masa depan. Sebaliknya, mereka adalah **indikator langsung** atau **konsekuensi** dari pembatalan yang *sudah terjadi* pada tahapan proses terkait (Surat Pesanan atau Delivery Order). Jika salah satu dari status ini bernilai 'C', maka secara otomatis `Status RO` akan menjadi 'CANCEL'.

Hal ini berarti bahwa akurasi sempurna model regresi logistik tidak menunjukkan kekuatan prediktif yang sebenarnya, melainkan mencerminkan bahwa model tersebut mengidentifikasi status pembatalan yang telah tercatat dalam sistem pada tahap sebelumnya. Untuk tujuan analisis bisnis, fokus tidak seharusnya pada "memprediksi" pembatalan menggunakan variabel-variabel ini, tetapi pada **mengidentifikasi akar penyebab mengapa status-status internal ini berubah menjadi 'C' (Cancelled)**.

## 3.6 Faktor Spesifik Pembatalan: Produk, Outlet, Kelas Pelanggan, dan Waktu Pemrosesan

Untuk melengkapi pemahaman tentang kualitas data dan pemicu pembatalan, kami mengidentifikasi entitas spesifik yang sering terkait dengan pesanan dibatalkan.

### Top 10 Produk (`Prodes`) yang Paling Sering Dibatalkan

| Prodes                         | Jumlah Dibatalkan |
|:-------------------------------|------------------:|
| MEDISIO 36% CONCENTRATE 5ML    | 90                |
| VOMARIN FLASH TAB 50'S         | 62                |
| ALTADIS 2% KRIM 10GR           | 53                |
| MEFINAL 500MG CAP 100'S        | 52                |
| CATAFLAM 50MG TAB 50'S         | 39                |
| KANTONG DELIVERY S APT. ONLINE | 35                |
| MOXAM 7.5MG TAB 30'S           | 33                |
| OZEN 5MG SIRUP 60ML            | 26                |
| MICROLAX GEL OBAT PENCAHAR 5ML | 26                |
| KOLTON 300MG TAB 50'S          | 22                |

**Insight Bisnis:** Daftar ini menyoroti produk-produk spesifik yang paling sering masuk dalam pesanan yang dibatalkan. Hal ini bisa disebabkan oleh masalah ketersediaan stok, isu harga, atau preferensi pelanggan yang berubah setelah pemesanan.

### Top 10 Outlet (`Nama Outlet`) yang Paling Sering Dibatalkan

| Nama Outlet               | Jumlah Dibatalkan |
|:--------------------------|------------------:|
| MITRA HUSADA, APT         | 42                |
| PURWONEGORO, APT          | 24                |
| AL MUGHNI FARMA, APT      | 22                |
| ALDERAN, APT              | 17                |
| SCHOMED HEALTHMART, APT   | 15                |
| CIPTO KEDUNGWARINGIN, APT | 13                |
| ASYIFA, APT (DURI)        | 13                |
| GAMA CIRACAS, APT         | 11                |
| Apotek Dede Farma         | 11                |
| YEMENIA, APT              | 9                 |

**Insight Bisnis:** Mengidentifikasi outlet-outlet ini memungkinkan tim penjualan atau layanan pelanggan untuk melakukan penyelidikan lebih lanjut mengenai mengapa pesanan dari pelanggan-pelanggan ini sering dibatalkan. Mungkin ada masalah komunikasi, ketersediaan produk, atau masalah layanan khusus.

### Distribusi `Kel. Class` berdasarkan `Status RO`

| Kel. Class | CANCEL | TERLAYANI PENUH | Total | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:-----------|-------:|----------------:|------:|------------------:|---------------------------:|
| A          | 1,640  | 125,439         | 127,079 | 1.3%              | 98.7%                      |
| B          | 24     | 2,237           | 2,261 | 1.1%              | 98.9%                      |
| C          | 37     | 1,540           | 1,577 | 2.4%              | 97.6%                      |
| D          | 7      | 125             | 132   | 5.3%              | 94.7%                      |
| F          | 12     | 147             | 159   | 7.6%              | 92.4%                      |

**Insight Bisnis:** Kelas pelanggan `F` (7.6%) dan `D` (5.3%) memiliki tingkat pembatalan yang secara proporsional jauh lebih tinggi dibandingkan kelas `A`, `B`, atau `C`. Meskipun jumlah pesanan dari kelas-kelas ini kecil, tingginya tingkat pembatalan menunjukkan bahwa ada masalah spesifik yang perlu ditangani untuk segmen pelanggan ini.

### Perbedaan Waktu Pemrosesan (dalam jam) berdasarkan `Status RO`

| Status RO       | Rata-rata Order_to_SP_Hours | Rata-rata SP_to_DO_Hours |
|:----------------|----------------------------:|-------------------------:|
| CANCEL          | 0.6                         | 13.1                     |
| TERLAYANI PENUH | 0.6                         | 9.8                      |

**Insight Bisnis Kritis:**

*   Waktu rata-rata dari `Tgl. Order` ke `Tgl. SP` (Order_to_SP_Hours) relatif sama antara pesanan yang dibatalkan dan yang terlayani penuh (sekitar 0.6 jam). Ini menunjukkan bahwa proses pembuatan Surat Pesanan dari pesanan awal tidak menjadi *bottleneck* utama.
*   Namun, waktu rata-rata dari `Tgl. SP` ke `Tgl DO` (SP_to_DO_Hours) untuk pesanan yang dibatalkan adalah **13.1 jam**, secara signifikan lebih lama dibandingkan pesanan yang berhasil terlayani penuh yaitu **9.8 jam**.

Perbedaan 3.3 jam dalam tahapan `SP_to_DO` ini adalah petunjuk penting. Ini mengindikasikan bahwa **penundaan yang lebih lama dalam memproses Delivery Order setelah Surat Pesanan dibuat berkolerasi kuat dengan pembatalan pesanan**. Hal ini mungkin disebabkan oleh masalah ketersediaan stok, kendala internal, atau keputusan pelanggan untuk membatalkan karena waktu tunggu yang terlalu lama.

## 3.7 Ringkasan Temuan Kualitas Data dan Implikasinya

Analisis kualitas data telah mengungkap beberapa aspek penting:

1.  **Kelengkapan Data Bervariasi:** Meskipun tidak ada duplikasi data, beberapa kolom seperti `Keterangan` dan `Nama Penerima` sepenuhnya kosong, sementara kolom terkait logistik dan `Value PL` memiliki persentase nilai hilang yang signifikan. Ini menantang analisis mendalam pada area-area tersebut dan menyoroti kebutuhan untuk perbaikan proses pencatatan data.
2.  **Anomali Kritis di `PHARMANET PUSAT`:** Gudang `PHARMANET PUSAT` memiliki tingkat pembatalan 100%, yang merupakan anomali data yang serius dan memerlukan penyelidikan operasional mendalam untuk memahami akar penyebabnya.
3.  **Indikator vs. Prediktor:** Kolom `Sts SP Header`, `Sts SP Detail`, dan `Status DO` adalah indikator langsung dari pembatalan yang telah terjadi dalam alur kerja, bukan prediktor yang mendahului kejadian. Fokus analisis harus dialihkan untuk memahami *mengapa* status-status ini berubah menjadi 'C'.
4.  **Karakteristik Pesanan Dibatalkan:** Pesanan yang dibatalkan cenderung memiliki nilai dan kuantitas yang lebih rendah, dengan `Qty SP` dan `Qty DO` seringkali 0, menunjukkan pembatalan dini dalam proses.
5.  **Peran Waktu Pemrosesan `SP_to_DO`:** Keterlambatan yang signifikan dalam waktu pemrosesan antara Surat Pesanan dan Delivery Order (rata-rata 3.3 jam lebih lama) adalah faktor yang sangat terkait dengan pembatalan. Ini mengidentifikasi *bottleneck* operasional yang potensial.
6.  **Target Spesifik Pembatalan:** Identifikasi produk, outlet, dan kelas pelanggan tertentu (`F` dan `D`) dengan tingkat pembatalan yang tinggi memberikan target spesifik untuk perbaikan proses dan intervensi bisnis.

Temuan kualitas data ini tidak hanya menyoroti area untuk perbaikan manajemen data, tetapi juga memberikan wawasan awal yang kuat mengenai dinamika pembatalan pesanan. Bab selanjutnya akan menggali lebih dalam aspek-aspek ini dan menyajikan rekomendasi yang dapat ditindaklanjuti.

## 4. Analisis Deskriptif Data

## 4. Analisis Deskriptif Data

Setelah memahami kualitas dan kelengkapan data di bab sebelumnya, bagian ini akan menyelami lebih dalam untuk mengungkap pola, tren, dan anomali dalam data pemesanan. Analisis deskriptif bertujuan untuk mengidentifikasi karakteristik utama dari pesanan yang berhasil (`TERLAYANI PENUH`) versus pesanan yang dibatalkan (`CANCEL`), memberikan gambaran komprehensif tentang faktor-faktor yang berkontribusi terhadap status pesanan. Melalui lensa statistik dasar dan visualisasi, kita akan menggali wawasan bisnis yang krusial untuk mengoptimalkan proses pemenuhan pesanan.

### 4.1 Distribusi Status Pesanan Secara Keseluruhan

Analisis dimulai dengan melihat proporsi status pesanan secara keseluruhan. Sebagian besar pesanan berhasil dipenuhi, menunjukkan efisiensi operasional yang solid.

**Distribusi untuk kolom: Status RO**

| Status RO       | Jumlah   | Persentase |
|:----------------|:---------|:-----------|
| TERLAYANI PENUH | 129,575  | 98.7%      |
| CANCEL          | 1,740    | 1.3%       |

**Wawasan Bisnis:** Dari total 131,315 pesanan, hanya sekitar 1.3% atau 1,740 pesanan yang mengalami pembatalan. Meskipun persentase ini terlihat kecil, jumlah absolut 1,740 pembatalan merepresentasikan potensi kerugian pendapatan dan inefisiensi yang signifikan. Tujuan utama analisis ini adalah memahami mengapa 1.3% pesanan ini dibatalkan.

### 4.2 Pengaruh Variabel Kategorikal terhadap Status Pembatalan

Untuk memahami lebih lanjut mengapa pesanan dibatalkan, kita akan meninjau bagaimana `Status RO` berinteraksi dengan berbagai variabel kategorikal kunci seperti Divisi, Asal Gudang, Metode Pembayaran, serta status internal `Pharos YN` dan `AO YN`.

#### 4.2.1 Status Pembatalan berdasarkan Divisi

Setiap divisi menunjukkan pola pembatalan yang berbeda. Analisis ini membantu mengidentifikasi divisi mana yang mungkin memerlukan perhatian lebih.

**Tabulasi Silang untuk `Status RO` berdasarkan `Divisi`**

| Divisi      | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:------------|:--------------|:-----------------------|:-------------|:------------------|:---------------------------|
| VIBRANT 3   | 11            | 45                     | 56           | 19.6%             | 80.4%                      |
| HOSPINET    | 310           | 17,517                 | 17,827       | 1.7%              | 98.3%                      |
| VIBRANT PBF | 38            | 2,521                  | 2,559        | 1.5%              | 98.5%                      |
| PHARMANET   | 1,381         | 109,485                | 110,866      | 1.2%              | 98.8%                      |
| All         | 1,740         | 129,568                | 131,308      | 1.3%              | 98.7%                      |

**Wawasan Bisnis & Anomali:**
Divisi `VIBRANT 3` menunjukkan tingkat pembatalan yang sangat tinggi yaitu 19.6%, jauh di atas rata-rata keseluruhan (1.3%). Meskipun jumlah pesanan dari divisi ini kecil (56 pesanan), persentase pembatalan yang ekstrem ini mengindikasikan adanya masalah spesifik yang perlu diinvestigasi secara mendalam di divisi ini. Divisi `HOSPINET` memiliki tingkat pembatalan sedikit di atas rata-rata, sementara `VIBRANT PBF` dan `PHARMANET` berada di bawah rata-rata.

#### 4.2.2 Status Pembatalan berdasarkan Asal Gudang

Gudang asal pesanan dapat menjadi faktor krusial dalam tingkat keberhasilan pemenuhan pesanan. Beberapa gudang mungkin menghadapi tantangan operasional yang unik.

**Tabulasi Silang untuk `Status RO` berdasarkan `Asal Gudang`**

| Asal Gudang           | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------------------|:--------------|:-----------------------|:-------------|:------------------|:---------------------------|
| PHARMANET PUSAT       | 22            | 0                      | 22           | 100.0%            | 0.0%                       |
| PHARMANET TANGERANG   | 242           | 9,178                  | 9,420        | 2.6%              | 97.4%                      |
| PHARMANET MEDAN       | 188           | 7,228                  | 7,416        | 2.5%              | 97.5%                      |
| PHARMANET JAKTIM      | 100           | 4,014                  | 4,114        | 2.4%              | 97.6%                      |
| PHARMANET MAKASSAR    | 148           | 7,320                  | 7,468        | 2.0%              | 98.0%                      |
| PHARMANET SAMARINDA   | 60            | 3,143                  | 3,203        | 1.9%              | 98.1%                      |
| PHARMANET BANJARMASIN | 75            | 4,328                  | 4,403        | 1.7%              | 98.3%                      |
| PHARMANET PEKANBARU   | 92            | 6,084                  | 6,176        | 1.5%              | 98.5%                      |
| PHARMANET BOGOR       | 115           | 8,369                  | 8,484        | 1.4%              | 98.6%                      |
| All                   | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |
| PHARMANET SEMARANG    | 112           | 8,836                  | 8,948        | 1.3%              | 98.7%                      |
| PHARMANET JAKBAR      | 45            | 3,566                  | 3,611        | 1.2%              | 98.8%                      |
| PHARMANET SURABAYA    | 164           | 13,413                 | 13,577       | 1.2%              | 98.8%                      |
| PHARMANET BEKASI      | 129           | 12,546                 | 12,675       | 1.0%              | 99.0%                      |
| PHARMANET PONTIANAK   | 35            | 3,432                  | 3,467        | 1.0%              | 99.0%                      |
| PHARMANET SOLO        | 75            | 8,271                  | 8,346        | 0.9%              | 99.1%                      |
| PHARMANET JAKSEL      | 18            | 2,067                  | 2,085        | 0.9%              | 99.1%                      |
| PHARMANET JAMBI       | 24            | 2,845                  | 2,869        | 0.8%              | 99.2%                      |
| PHARMANET LAMPUNG     | 24            | 3,875                  | 3,899        | 0.6%              | 99.4%                      |
| PHARMANET MALANG      | 16            | 3,102                  | 3,118        | 0.5%              | 99.5%                      |
| PHARMANET BANDUNG     | 30            | 9,538                  | 9,568        | 0.3%              | 99.7%                      |
| PHARMANET PALEMBANG   | 26            | 8,420                  | 8,446        | 0.3%              | 99.7%                      |

**Wawasan Bisnis & Anomali Kritis:**
Temuan paling menonjol dari analisis `Asal Gudang` adalah **`PHARMANET PUSAT` yang memiliki tingkat pembatalan 100%**. Ini berarti semua 22 pesanan yang berasal dari gudang ini dibatalkan. Ini adalah anomali yang sangat kritis dan memerlukan investigasi mendalam, karena tidak ada pesanan yang berhasil dipenuhi dari gudang ini. Gudang lain seperti `PHARMANET TANGERANG`, `PHARMANET MEDAN`, dan `PHARMANET JAKTIM` juga menunjukkan tingkat pembatalan yang sedikit lebih tinggi dari rata-rata.

Untuk pesanan yang dibatalkan dari `PHARMANET PUSAT`, analisis lebih lanjut menunjukkan:
*   Semua berasal dari Divisi `PHARMANET`.
*   Semua menggunakan metode pembayaran `BRIVA`.
*   Produk-produk yang terlibat bervariasi, dengan `ANTIMO ISI 72 STRIP`, `POLYSILANE TAB. KUNYAH 5X8TAB`, `MEDICATED OIL FOUR SEASON 20ML`, `CALADINE POWDER 100GR`, dan `CAPTOPRIL 12.5MG 100'S` sebagai beberapa contoh.
*   Kuantitas pesanan (`Qty RO`) rata-rata adalah 2.4 dengan nilai pesanan (`Value RO`) rata-rata Rp 46,894. Ini menunjukkan bahwa pesanan yang dibatalkan dari gudang ini umumnya kecil.

**Rekomendasi:** Perusahaan harus segera melakukan audit operasional terhadap `PHARMANET PUSAT` untuk mengidentifikasi akar penyebab 100% pembatalan. Ini bisa jadi masalah sistemik, kesalahan konfigurasi, masalah ketersediaan stok yang parah, atau bahkan mungkin data pesanan uji coba yang tidak seharusnya dimasukkan.

#### 4.2.3 Status Pembatalan berdasarkan Metode Pembayaran

Metode pembayaran yang berbeda mungkin memiliki karakteristik risiko pembatalan yang berbeda.

**Tabulasi Silang untuk `Status RO` berdasarkan `Payment`**

| Payment             | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:--------------------|:--------------|:-----------------------|:-------------|:------------------|:---------------------------|
| BRIVA               | 262           | 15,454                 | 15,716       | 1.7%              | 98.3%                      |
| Term Of Payment     | 567           | 36,048                 | 36,615       | 1.5%              | 98.5%                      |
| All                 | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |
| BCA Virtual Account | 911           | 77,942                 | 78,853       | 1.2%              | 98.8%                      |
| Kredivo             | 0             | 131                    | 131          | 0.0%              | 100.0%                     |

**Wawasan Bisnis:**
Metode pembayaran `Kredivo` menunjukkan tingkat pembatalan 0%, meskipun jumlah pesanan yang menggunakannya relatif kecil (131 pesanan). Ini menarik dan mungkin menunjukkan karakteristik pelanggan `Kredivo` yang lebih berkomitmen atau proses verifikasi yang lebih ketat. Sementara itu, `BRIVA` dan `Term Of Payment` memiliki tingkat pembatalan sedikit di atas rata-rata. Investigasi lebih lanjut dapat dilakukan pada metode pembayaran `Kredivo` untuk memahami praktik terbaiknya.

#### 4.2.4 Status Pembatalan berdasarkan `Pharos YN` dan `AO YN`

Kolom `Pharos YN` dan `AO YN` menunjukkan apakah pesanan terkait dengan *Pharos* atau *Account Officer*.

**Tabulasi Silang untuk `Status RO` berdasarkan `Pharos YN`**

| Pharos YN | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------|:--------------|:-----------------------|:-------------|:------------------|:---------------------------|
| N         | 820           | 71,194                 | 72,014       | 1.1%              | 98.9%                      |
| Y         | 920           | 58,381                 | 59,301       | 1.5%              | 98.5%                      |
| All       | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:** Pesanan dengan `Pharos YN = Y` (terkait Pharos) memiliki tingkat pembatalan sedikit lebih tinggi (1.5%) dibandingkan dengan `Pharos YN = N` (1.1%). Perbedaan ini kecil tetapi bisa mengindikasikan nuansa dalam proses yang melibatkan Pharos.

**Tabulasi Silang untuk `Status RO` berdasarkan `AO YN`**

| AO YN | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:------|:--------------|:-----------------------|:-------------|:------------------|:---------------------------|
| N     | 1,145         | 81,439                 | 82,584       | 1.4%              | 98.6%                      |
| Y     | 595           | 48,136                 | 48,731       | 1.2%              | 98.8%                      |
| All   | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:** Pesanan yang tidak melibatkan `AO YN = N` (tidak terkait Account Officer) memiliki tingkat pembatalan sedikit lebih tinggi (1.4%) dibandingkan dengan `AO YN = Y` (1.2%). Ini menunjukkan bahwa keterlibatan Account Officer mungkin sedikit membantu dalam mengurangi tingkat pembatalan.

#### 4.2.5 Status Pembatalan berdasarkan Kelas Pelanggan (`Kel. Class`)

Distribusi pembatalan di antara kelas pelanggan dapat mengungkapkan segmen mana yang paling rentan terhadap pembatalan.

**Distribusi `Kel. Class` berdasarkan `Status RO`**

| Kel. Class | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:-----------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| A          | 1,640         | 125,439                | 127,079      | 1.3%              | 98.7%                      |
| B          | 24            | 2,237                  | 2,261        | 1.1%              | 98.9%                      |
| C          | 37            | 1,540                  | 1,577        | 2.4%              | 97.6%                      |
| D          | 7             | 125                    | 132          | 5.3%              | 94.7%                      |
| F          | 12            | 147                    | 159          | 7.6%              | 92.4%                      |

**Wawasan Bisnis:** Kelas pelanggan `F` (7.6%) dan `D` (5.3%) menunjukkan tingkat pembatalan yang secara proporsional jauh lebih tinggi dibandingkan kelas lainnya, terutama dibandingkan dengan kelas `A` yang paling dominan (1.3%). Meskipun jumlah pesanan dari kelas-kelas ini kecil, tingginya tingkat pembatalan ini mengindikasikan bahwa segmen pelanggan ini mungkin menghadapi masalah unik atau memerlukan penanganan khusus untuk mengurangi tingkat pembatalan.

### 4.3 Karakteristik Numerik Pesanan Dibatalkan vs. Terlayani Penuh

Perbandingan statistik deskriptif dari kolom numerik seperti nilai dan kuantitas pesanan untuk pesanan yang dibatalkan dan yang berhasil terlayani dapat menyoroti perbedaan fundamental di antara keduanya.

**Statistik Deskriptif Kuantitas dan Nilai Pesanan Berdasarkan `Status RO`**

| Metrik       | Status RO       | Value PL          | Value RO          | Qty RO | Qty SP | Qty DO |
|:-------------|:----------------|:------------------|:------------------|-------:|-------:|-------:|
| **Jumlah**   | CANCEL          | 0                 | 1,740             | 1,740  | 1,740  | 1,740  |
|              | TERLAYANI PENUH | 129,575           | 129,575           | 129,575| 129,575| 129,575|
| **Rata-rata**| CANCEL          | NaN               | 303,985           | 6.3    | 0.0    | 0.0    |
|              | TERLAYANI PENUH | 425,089           | 425,089           | 11.1   | 11.1   | 11.1   |
| **Std Dev**  | CANCEL          | NaN               | 1,083,108         | 26.4   | 0.0    | 0.0    |
|              | TERLAYANI PENUH | 1,935,299         | 1,935,299         | 72.1   | 71.9   | 71.9   |
| **Min**      | CANCEL          | NaN               | 0                 | 0      | 0      | 0      |
|              | TERLAYANI PENUH | 0                 | 0                 | 0      | 1      | 1      |
| **25%**      | CANCEL          | NaN               | 51,762            | 1      | 0      | 0      |
|              | TERLAYANI PENUH | 71,706            | 71,706            | 1      | 1      | 1      |
| **50%**      | CANCEL          | NaN               | 111,864           | 2      | 0      | 0      |
|              | TERLAYANI PENUH | 145,203           | 145,203           | 3      | 3      | 3      |
| **75%**      | CANCEL          | NaN               | 234,398           | 4      | 0      | 0      |
|              | TERLAYANI PENUH | 318,443           | 318,443           | 6      | 6      | 6      |
| **Maks**     | CANCEL          | NaN               | 27,491,076        | 572    | 0      | 0      |
|              | TERLAYANI PENUH | 166,269,792       | 166,269,792       | 7,200  | 7,200  | 7,200  |

**Wawasan Bisnis:**
*   **Pesanan yang Dibatalkan Cenderung Lebih Kecil:** Rata-rata `Value RO` dan `Qty RO` untuk pesanan yang dibatalkan (Rp 303,985 dan 6.3) secara signifikan lebih rendah dibandingkan dengan pesanan yang berhasil terlayani penuh (Rp 425,089 dan 11.1). Ini menunjukkan bahwa pesanan yang lebih kecil cenderung lebih rentan terhadap pembatalan.
*   **Pembatalan Dini dalam Proses:** Penemuan paling krusial adalah bahwa untuk pesanan yang dibatalkan (`CANCEL`), `Qty SP` (kuantitas Surat Pesanan) dan `Qty DO` (kuantitas Delivery Order) memiliki nilai rata-rata **0.0**. Ini menegaskan bahwa pembatalan sering terjadi pada tahap sangat awal, yaitu sebelum atau saat Surat Pesanan atau Delivery Order benar-benar dibuat dan diproses dengan kuantitas produk yang sebenarnya. Hal ini juga menjelaskan mengapa `Value PL` (nilai Packing List) kosong untuk semua pesanan yang dibatalkan, karena Packing List belum sempat dibuat.

### 4.4 Perbedaan Waktu Pemrosesan untuk Pesanan Dibatalkan vs. Terlayani Penuh

Waktu yang dibutuhkan untuk memproses pesanan di setiap tahapan dapat menjadi indikator penting terhadap risiko pembatalan. Analisis ini membandingkan durasi antara `Tgl. Order` ke `Tgl. SP` (Surat Pesanan) dan `Tgl. SP` ke `Tgl DO` (Delivery Order).

**Rata-rata Perbedaan Waktu Pemrosesan (dalam jam) berdasarkan `Status RO`**

| Status RO       | Rata-rata Order_to_SP_Hours | Rata-rata SP_to_DO_Hours |
|:----------------|----------------------------:|-------------------------:|
| CANCEL          | 0.6                         | 13.1                     |
| TERLAYANI PENUH | 0.6                         | 9.8                      |

**Wawasan Bisnis Kritis:**
*   **Waktu `Order_to_SP_Hours` bukan pemicu utama:** Rata-rata waktu dari pesanan masuk (`Tgl. Order`) hingga pembuatan Surat Pesanan (`Tgl. SP`) relatif sama untuk kedua status pesanan (sekitar 0.6 jam). Ini menunjukkan bahwa fase awal pembuatan dokumen pesanan tidak menjadi *bottleneck* utama yang menyebabkan pembatalan.
*   **Keterlambatan `SP_to_DO_Hours` adalah pemicu utama pembatalan:** Perbedaan signifikan terletak pada rata-rata waktu dari Surat Pesanan ke Delivery Order (`SP_to_DO_Hours`). Untuk pesanan yang dibatalkan, rata-rata waktu ini adalah **13.1 jam**, sedangkan untuk pesanan yang berhasil terlayani penuh hanya **9.8 jam**. Keterlambatan rata-rata **3.3 jam** dalam memproses Delivery Order setelah Surat Pesanan dibuat memiliki korelasi kuat dengan pembatalan pesanan.
*   **Implikasi:** Penundaan yang lebih lama dalam fase antara pembuatan SP dan DO dapat disebabkan oleh berbagai faktor seperti ketersediaan stok, masalah persetujuan, atau kendala logistik. Penundaan ini mungkin memberikan waktu bagi pelanggan untuk berubah pikiran atau mencari alternatif, yang pada akhirnya menyebabkan pembatalan. Mengidentifikasi dan menghilangkan *bottleneck* di fase ini adalah area prioritas untuk mengurangi tingkat pembatalan.

### 4.5 Hotspot Pembatalan: Produk dan Outlet

Mengidentifikasi produk dan outlet yang paling sering terlibat dalam pesanan yang dibatalkan dapat membantu menargetkan upaya perbaikan secara spesifik.

#### 4.5.1 10 Produk Paling Sering Dibatalkan (`Prodes`)

| Prodes                         | Jumlah Dibatalkan |
|:-------------------------------|------------------:|
| MEDISIO 36% CONCENTRATE 5ML    | 90                |
| VOMARIN FLASH TAB 50'S         | 62                |
| ALTADIS 2% KRIM 10GR           | 53                |
| MEFINAL 500MG CAP 100'S        | 52                |
| CATAFLAM 50MG TAB 50'S         | 39                |
| KANTONG DELIVERY S APT. ONLINE | 35                |
| MOXAM 7.5MG TAB 30'S           | 33                |
| OZEN 5MG SIRUP 60ML            | 26                |
| MICROLAX GEL OBAT PENCAHAR 5ML | 26                |
| KOLTON 300MG TAB 50'S          | 22                |

**Wawasan Bisnis:** Produk-produk di atas muncul secara konsisten dalam daftar pesanan yang dibatalkan. Ini bisa mengindikasikan masalah ketersediaan stok yang sering terjadi untuk produk-produk ini, masalah dengan informasi produk yang mungkin tidak akurat, atau fluktuasi permintaan yang menyebabkan pelanggan membatalkan pesanan.

#### 4.5.2 10 Outlet Paling Sering Dibatalkan (`Nama Outlet`)

| Nama Outlet               | Jumlah Dibatalkan |
|:--------------------------|------------------:|
| MITRA HUSADA, APT         | 42                |
| PURWONEGORO, APT          | 24                |
| AL MUGHNI FARMA, APT      | 22                |
| ALDERAN, APT              | 17                |
| SCHOMED HEALTHMART, APT   | 15                |
| CIPTO KEDUNGWARINGIN, APT | 13                |
| ASYIFA, APT (DURI)        | 13                |
| GAMA CIRACAS, APT         | 11                |
| Apotek Dede Farma         | 11                |
| YEMENIA, APT              | 9                 |

**Wawasan Bisnis:** Mengidentifikasi outlet-outlet ini sangat penting. Tim penjualan atau Account Officer dapat menghubungi outlet-outlet ini untuk memahami akar masalah pembatalan mereka. Apakah ada masalah dengan komunikasi, layanan pengiriman, masalah kredit, atau preferensi produk? Pendekatan yang ditargetkan dapat membantu mempertahankan pelanggan ini.

### 4.6 Menguraikan "Akurasi Sempurna" Model Prediktif

Pada bab sebelumnya, model Regresi Logistik menunjukkan akurasi sempurna dalam memprediksi `Status RO`. Analisis deskriptif lebih lanjut memperjelas bahwa "akurasi sempurna" ini bukan karena model tersebut sangat cerdas dalam memprediksi kejadian di masa depan, melainkan karena kolom `Sts SP Header`, `Sts SP Detail`, dan `Status DO` adalah **indikator langsung** dari pembatalan yang *sudah terjadi* dalam alur proses.

**Tabulasi Silang Konfirmasi (seperti yang disajikan di Bab 3.5):**
*   Jika `Sts SP Header = C`, maka `Status RO` selalu `CANCEL`.
*   Jika `Sts SP Detail = C`, maka `Status RO` selalu `CANCEL`.
*   Jika `Status DO = C`, maka `Status RO` selalu `CANCEL`.

Sebaliknya, jika status-status internal ini adalah 'P' (Processed/Penuh), maka `Status RO` selalu `TERLAYANI PENUH`.

**Wawasan Bisnis Kritis:**
Temuan ini mengubah perspektif dari "memprediksi pembatalan" menjadi "memahami penyebab pembatalan internal". Model logistik secara efektif mengidentifikasi bahwa status `C` pada `Sts SP Header`, `Sts SP Detail`, atau `Status DO` adalah sinonim dengan `Status RO` sebagai `CANCEL`. Oleh karena itu, investigasi selanjutnya harus berfokus pada **mengapa** status internal ini berubah menjadi 'C'. Apa pemicu utama di balik pembatalan Surat Pesanan atau Delivery Order? Apakah karena stok tidak tersedia, masalah pembayaran yang tidak terselesaikan, pembatalan oleh pelanggan, atau alasan operasional lainnya? Ini adalah pertanyaan inti yang harus dijawab untuk mencegah pembatalan.

### 4.7 Ringkasan Temuan Analisis Deskriptif

Analisis deskriptif telah memberikan wawasan mendalam mengenai karakteristik dan pemicu pembatalan pesanan:

1.  **Tingkat Pembatalan Rendah tetapi Signifikan:** Meskipun hanya 1.3% dari total pesanan yang dibatalkan, jumlah absolutnya (1,740 pesanan) memerlukan perhatian serius.
2.  **Anomali Kritis Gudang:** `PHARMANET PUSAT` menunjukkan tingkat pembatalan 100%, menjadikannya prioritas utama untuk investigasi operasional.
3.  **Keterlambatan Pemrosesan DO:** Penundaan signifikan (rata-rata 3.3 jam lebih lama) antara pembuatan Surat Pesanan (`Tgl. SP`) dan Delivery Order (`Tgl DO`) adalah faktor kunci yang berkorelasi dengan pembatalan. Ini mengidentifikasi *bottleneck* operasional yang perlu diatasi.
4.  **Pembatalan Dini:** Pesanan yang dibatalkan umumnya memiliki `Qty SP` dan `Qty DO` bernilai 0, menunjukkan bahwa pembatalan terjadi pada tahap awal proses, sebelum pemenuhan fisik dimulai. Pesanan ini juga cenderung memiliki nilai dan kuantitas yang lebih kecil.
5.  **Identifikasi Segmen Rentan:** Divisi `VIBRANT 3`, kelas pelanggan `D` dan `F`, serta beberapa produk dan outlet spesifik menunjukkan tingkat pembatalan yang lebih tinggi, memungkinkan penargetan intervensi yang lebih efektif.
6.  **`Sts SP Header`, `Sts SP Detail`, `Status DO` adalah Indikator, Bukan Prediktor:** Kolom-kolom ini secara langsung mencerminkan pembatalan yang telah terjadi dalam sistem. Fokus selanjutnya harus pada akar penyebab yang mendorong perubahan status ini menjadi 'C'.

Temuan-temuan ini menjadi dasar yang kuat untuk merumuskan strategi pencegahan pembatalan pesanan yang lebih terarah dan efisien, yang akan dibahas lebih lanjut di bab Rekomendasi.

## 5. Analisis Pembatalan Pesanan

# 5. Analisis Pembatalan Pesanan

Setelah mengidentifikasi kualitas data dan melakukan analisis deskriptif dasar, bab ini akan secara khusus menyelami fenomena pembatalan pesanan (`Status RO` = `CANCEL`). Meskipun tingkat pembatalan secara keseluruhan relatif kecil (1.3%), setiap pembatalan merepresentasikan kerugian pendapatan dan potensi ketidakpuasan pelanggan. Analisis ini bertujuan untuk mengungkap faktor-faktor pemicu, karakteristik pesanan yang dibatalkan, serta mengidentifikasi area spesifik yang memerlukan intervensi untuk mengurangi tingkat pembatalan di masa mendatang.

## 5.1 Gambaran Umum Pembatalan Pesanan

Dari total 131,315 pesanan dalam dataset, mayoritas pesanan (`129,575` atau `98.7%`) berhasil diselesaikan menjadi `TERLAYANI PENUH`. Namun, terdapat `1,740` pesanan (`1.3%`) yang berakhir dengan `CANCEL`. Angka ini, meskipun persentasenya kecil, menunjukkan adanya peluang untuk meningkatkan efisiensi operasional dan mengurangi kerugian.

## 5.2 Identifikasi Faktor-faktor Kritis Pembatalan

Untuk memahami mengapa beberapa pesanan dibatalkan, kami menganalisis hubungan antara `Status RO` dengan berbagai variabel kategorikal kunci.

### 5.2.1 Anomali Gudang Asal: Kasus PHARMANET PUSAT

Temuan paling signifikan adalah anomali pada `Asal Gudang` `PHARMANET PUSAT`. Semua pesanan yang berasal dari gudang ini, yaitu `22` pesanan, dibatalkan sepenuhnya. Ini menghasilkan tingkat pembatalan `100.0%` untuk gudang ini.

**Tabulasi Silang `Status RO` berdasarkan `Asal Gudang` (Fokus Anomali)**

| Asal Gudang           | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------------------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| PHARMANET PUSAT       | 22            | 0                      | 22           | 100.0%            | 0.0%                       |
| PHARMANET TANGERANG   | 242           | 9,178                  | 9,420        | 2.6%              | 97.4%                      |
| PHARMANET MEDAN       | 188           | 7,228                  | 7,416        | 2.5%              | 97.5%                      |
| PHARMANET JAKTIM      | 100           | 4,014                  | 4,114        | 2.4%              | 97.6%                      |
| PHARMANET MAKASSAR    | 148           | 7,320                  | 7,468        | 2.0%              | 98.0%                      |
| All                   | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:**
Tingkat pembatalan `100.0%` di `PHARMANET PUSAT` adalah sinyal kritis adanya masalah sistemik atau proses yang rusak. Investigasi lebih lanjut terhadap `22` pesanan yang dibatalkan dari gudang ini menunjukkan:
*   Semua berasal dari Divisi `PHARMANET`.
*   Semua menggunakan metode pembayaran `BRIVA`.
*   Pesanan tersebut mencakup berbagai produk seperti `ANTIMO ISI 72 STRIP`, `POLYSILANE TAB. KUNYAH 5X8TAB`, `MEDICATED OIL FOUR SEASON 20ML`, `CALADINE POWDER 100GR`, dan `CAPTOPRIL 12.5MG 100'S`.
*   Kuantitas pesanan rata-rata (`Qty RO`) hanya `2.4` unit dengan nilai pesanan rata-rata (`Value RO`) sekitar `Rp 46,894`.

Ini mengindikasikan bahwa masalah di gudang `PHARMANET PUSAT` tidak terkait dengan produk tertentu atau pesanan bervolume tinggi, melainkan lebih pada proses operasional internal yang menyebabkan semua pesanan, bahkan yang kecil, tidak dapat dipenuhi. Hal ini memerlukan audit mendalam pada operasional gudang tersebut.

### 5.2.2 Pengaruh Divisi terhadap Pembatalan

Meskipun secara keseluruhan tingkat pembatalan rendah, ada perbedaan signifikan antar divisi.

**Tabulasi Silang `Status RO` berdasarkan `Divisi`**

| Divisi      | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:------------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| VIBRANT 3   | 11            | 45                     | 56           | 19.6%             | 80.4%                      |
| HOSPINET    | 310           | 17,517                 | 17,827       | 1.7%              | 98.3%                      |
| VIBRANT PBF | 38            | 2,521                  | 2,559        | 1.5%              | 98.5%                      |
| PHARMANET   | 1,381         | 109,485                | 110,866      | 1.2%              | 98.8%                      |
| All         | 1,740         | 129,568                | 131,308      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:**
Divisi `VIBRANT 3` menunjukkan tingkat pembatalan yang sangat tinggi (`19.6%`), jauh di atas rata-rata. Meskipun total pesanan divisi ini kecil, persentase yang ekstrem ini menyoroti perlunya penyelidikan khusus terhadap proses atau jenis produk/layanan yang ditawarkan oleh `VIBRANT 3`. `HOSPINET` juga sedikit di atas rata-rata (`1.7%`), sementara `PHARMANET` dan `VIBRANT PBF` memiliki performa yang baik.

### 5.2.3 Peran Metode Pembayaran

Metode pembayaran juga menunjukkan korelasi dengan tingkat pembatalan.

**Tabulasi Silang `Status RO` berdasarkan `Payment`**

| Payment             | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:--------------------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| BRIVA               | 262           | 15,454                 | 15,716       | 1.7%              | 98.3%                      |
| Term Of Payment     | 567           | 36,048                 | 36,615       | 1.5%              | 98.5%                      |
| All                 | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |
| BCA Virtual Account | 911           | 77,942                 | 78,853       | 1.2%              | 98.8%                      |
| Kredivo             | 0             | 131                    | 131          | 0.0%              | 100.0%                     |

**Wawasan Bisnis:**
Menariknya, metode pembayaran `Kredivo` menunjukkan tingkat pembatalan `0.0%`. Meskipun jumlah pesanan dengan `Kredivo` kecil (`131`), hal ini menunjukkan bahwa pelanggan yang menggunakan Kredivo mungkin memiliki komitmen yang lebih tinggi atau proses persetujuan Kredivo yang efektif. Sebaliknya, `BRIVA` dan `Term Of Payment` memiliki tingkat pembatalan sedikit lebih tinggi dari rata-rata. Perusahaan dapat mempelajari praktik atau karakteristik pelanggan `Kredivo` untuk diterapkan pada metode pembayaran lain.

### 5.2.4 Kelas Pelanggan yang Rentan

Kelas pelanggan (`Kel. Class`) juga menunjukkan perbedaan signifikan dalam tingkat pembatalan.

**Distribusi `Kel. Class` berdasarkan `Status RO`**

| Kel. Class | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:-----------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| A          | 1,640         | 125,439                | 127,079      | 1.3%              | 98.7%                      |
| B          | 24            | 2,237                  | 2,261        | 1.1%              | 98.9%                      |
| C          | 37            | 1,540                  | 1,577        | 2.4%              | 97.6%                      |
| D          | 7             | 125                    | 132          | 5.3%              | 94.7%                      |
| F          | 12            | 147                    | 159          | 7.6%              | 92.4%                      |

**Wawasan Bisnis:**
Kelas pelanggan `F` (`7.6%`) dan `D` (`5.3%`) memiliki tingkat pembatalan yang secara proporsional jauh lebih tinggi dibandingkan kelas lainnya, terutama kelas `A` yang paling dominan (`1.3%`). Meskipun jumlah pesanan dari kelas-kelas ini relatif kecil, tingginya rasio pembatalan menunjukkan bahwa segmen pelanggan ini mungkin menghadapi tantangan unik atau memerlukan pendekatan layanan yang berbeda.

### 5.2.5 Keterlibatan Pharos dan Account Officer

Analisis `Pharos YN` dan `AO YN` menunjukkan sedikit perbedaan dalam tingkat pembatalan.

**Tabulasi Silang `Status RO` berdasarkan `Pharos YN`**

| Pharos YN | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| N         | 820           | 71,194                 | 72,014       | 1.1%              | 98.9%                      |
| Y         | 920           | 58,381                 | 59,301       | 1.5%              | 98.5%                      |
| All       | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Tabulasi Silang `Status RO` berdasarkan `AO YN`**

| AO YN | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| N     | 1,145         | 81,439                 | 82,584       | 1.4%              | 98.6%                      |
| Y     | 595           | 48,136                 | 48,731       | 1.2%              | 98.8%                      |
| All   | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:**
Pesanan yang terkait dengan `Pharos YN = Y` memiliki sedikit tingkat pembatalan yang lebih tinggi (`1.5%`) dibandingkan dengan `Pharos YN = N` (`1.1%`). Sebaliknya, pesanan yang melibatkan `AO YN = Y` (dengan Account Officer) memiliki tingkat pembatalan yang sedikit lebih rendah (`1.2%`) dibandingkan yang tidak (`1.4%`). Ini menunjukkan bahwa keterlibatan aktif Account Officer mungkin sedikit membantu dalam mengurangi risiko pembatalan.

## 5.3 Karakteristik Pesanan yang Dibatalkan

Selain variabel kategorikal, analisis statistik deskriptif pada kolom numerik mengungkapkan perbedaan mendasar antara pesanan yang dibatalkan dan yang berhasil terlayani.

### 5.3.1 Perbandingan Nilai dan Kuantitas Pesanan

**Statistik Deskriptif Kuantitas dan Nilai Pesanan Berdasarkan `Status RO`**

| Metrik       | Status RO       | Value PL   | Value RO    | Qty RO | Qty SP | Qty DO |
|:-------------|:----------------|:-----------|:------------|-------:|-------:|-------:|
| **Jumlah**   | CANCEL          | 0          | 1,740       | 1,740  | 1,740  | 1,740  |
|              | TERLAYANI PENUH | 129,575    | 129,575     | 129,575| 129,575| 129,575|
| **Rata-rata**| CANCEL          | NaN        | 303,985     | 6.3    | 0.0    | 0.0    |
|              | TERLAYANI PENUH | 425,089    | 425,089     | 11.1   | 11.1   | 11.1   |
| **Min**      | CANCEL          | NaN        | 0           | 0      | 0      | 0      |
|              | TERLAYANI PENUH | 0          | 0           | 0      | 1      | 1      |
| **Max**      | CANCEL          | NaN        | 27,491,076  | 572    | 0      | 0      |
|              | TERLAYANI PENUH | 166,269,792| 166,269,792 | 7,200  | 7,200  | 7,200  |

**Wawasan Bisnis:**
*   **Pesanan yang dibatalkan cenderung lebih kecil:** Rata-rata `Value RO` (`Rp 303,985`) dan `Qty RO` (`6.3`) untuk pesanan yang dibatalkan secara signifikan lebih rendah dibandingkan dengan pesanan yang berhasil terlayani penuh (`Rp 425,089` dan `11.1`). Ini menunjukkan bahwa pesanan dengan nilai atau kuantitas yang lebih rendah mungkin lebih rentan terhadap pembatalan.
*   **Pembatalan Dini dalam Proses:** Penemuan paling krusial adalah bahwa untuk pesanan yang dibatalkan, `Qty SP` (kuantitas Surat Pesanan) dan `Qty DO` (kuantitas Delivery Order) memiliki nilai rata-rata **0.0**. Hal ini menegaskan bahwa pembatalan sering terjadi pada tahap yang sangat awal, yaitu sebelum atau saat Surat Pesanan atau Delivery Order benar-benar dibuat dan diproses dengan kuantitas produk yang sebenarnya. Hal ini juga menjelaskan mengapa `Value PL` (nilai Packing List) kosong untuk semua pesanan yang dibatalkan, karena Packing List belum sempat dibuat.

### 5.3.2 Keterlambatan Proses sebagai Pemicu

Waktu yang dibutuhkan untuk memproses pesanan di setiap tahapan juga menjadi indikator penting terhadap risiko pembatalan.

**Rata-rata Perbedaan Waktu Pemrosesan (dalam jam) berdasarkan `Status RO`**

| Status RO       | Rata-rata Order_to_SP_Hours | Rata-rata SP_to_DO_Hours |
|:----------------|----------------------------:|-------------------------:|
| CANCEL          | 0.6                         | 13.1                     |
| TERLAYANI PENUH | 0.6                         | 9.8                      |

**Wawasan Bisnis Kritis:**
*   **Waktu `Order_to_SP_Hours` bukan pemicu utama:** Rata-rata waktu dari pesanan masuk (`Tgl. Order`) hingga pembuatan Surat Pesanan (`Tgl. SP`) relatif sama untuk kedua status pesanan (sekitar `0.6` jam).
*   **Keterlambatan `SP_to_DO_Hours` adalah pemicu utama pembatalan:** Perbedaan signifikan terletak pada rata-rata waktu dari Surat Pesanan ke Delivery Order (`SP_to_DO_Hours`). Untuk pesanan yang dibatalkan, rata-rata waktu ini adalah **`13.1` jam**, secara signifikan lebih lama dibandingkan pesanan yang berhasil terlayani penuh (`9.8` jam).

Keterlambatan rata-rata **`3.3` jam** dalam memproses Delivery Order setelah Surat Pesanan dibuat memiliki korelasi kuat dengan pembatalan pesanan. Penundaan ini mungkin memberikan waktu bagi pelanggan untuk berubah pikiran, menemukan alternatif, atau menghadapi masalah stok yang baru teridentifikasi, yang pada akhirnya menyebabkan pembatalan. Mengidentifikasi dan mengatasi *bottleneck* di fase ini adalah area prioritas untuk mengurangi tingkat pembatalan.

## 5.4 Analisis Status Internal: Indikator Pembatalan, Bukan Prediktor

Pada bab sebelumnya, model Regresi Logistik menunjukkan performa yang "sempurna" dalam memprediksi `Status RO`. Analisis lebih lanjut menegaskan bahwa `Sts SP Header`, `Sts SP Detail`, dan `Status DO` bukanlah *prediktor independen* yang mengindikasikan kemungkinan pembatalan di masa depan. Sebaliknya, mereka adalah **indikator langsung** atau **konsekuensi** dari pembatalan yang *sudah terjadi* pada tahapan proses terkait (Surat Pesanan atau Delivery Order).

**Tabulasi Silang Konfirmasi:**

**--- Status RO vs. Sts SP Header ---**

| Status RO     | CANCEL | TERLAYANI PENUH | All      |
|:--------------|-------:|----------------:|---------:|
| Sts SP Header |        |                 |          |
| C             | 1,740  | 0               | 1,740    |
| P             | 0      | 129,575         | 129,575  |
| All           | 1,740  | 129,575         | 131,315  |

**--- Status RO vs. Sts SP Detail ---**

| Status RO     | CANCEL | TERLAYANI PENUH | All      |
|:--------------|-------:|----------------:|---------:|
| Sts SP Detail |        |                 |          |
| C             | 1,740  | 0               | 1,740    |
| P             | 0      | 129,575         | 129,575  |
| All           | 1,740  | 129,575         | 131,315  |

**--- Status RO vs. Status DO ---**

| Status RO | CANCEL | TERLAYANI PENUH | All      |
|:----------|-------:|----------------:|---------:|
| Status DO |        |                 |          |
| C         | 1,740  | 0               | 1,740    |
| P         | 0      | 129,575         | 129,575  |
| All       | 1,740  | 129,575         | 131,315  |

**Wawasan Bisnis Krusial:**
Jika salah satu dari status ini (`Sts SP Header`, `Sts SP Detail`, atau `Status DO`) bernilai 'C' (Cancelled), maka secara otomatis `Status RO` akan menjadi `CANCEL`. Ini berarti akurasi sempurna model regresi logistik tidak menunjukkan kekuatan prediktif yang sesungguhnya terhadap kejadian pembatalan yang akan datang, melainkan hanya mengkonfirmasi bagaimana pembatalan dicatat dalam sistem.

Untuk tujuan analisis bisnis, fokus tidak seharusnya pada "memprediksi" pembatalan menggunakan variabel-variabel ini, tetapi pada **mengidentifikasi akar penyebab mengapa status-status internal ini berubah menjadi 'C'**. Apa pemicu utama di balik pembatalan Surat Pesanan atau Delivery Order? Apakah karena stok tidak tersedia, masalah pembayaran, pembatalan oleh pelanggan, atau alasan operasional lainnya? Ini adalah pertanyaan inti yang harus dijawab untuk mencegah pembatalan.

## 5.5 Target Spesifik untuk Mitigasi Pembatalan

Mengidentifikasi produk dan outlet yang paling sering terlibat dalam pembatalan memberikan target yang jelas untuk upaya mitigasi.

### 5.5.1 Produk Paling Sering Dibatalkan (`Prodes`)

| Prodes                          | Jumlah Dibatalkan |
|:--------------------------------|------------------:|
| MEDISIO 36% CONCENTRATE 5ML     | 90                |
| VOMARIN FLASH TAB 50'S          | 62                |
| ALTADIS 2% KRIM 10GR            | 53                |
| MEFINAL 500MG CAP 100'S         | 52                |
| CATAFLAM 50MG TAB 50'S          | 39                |
| KANTONG DELIVERY S APT. ONLINE  | 35                |
| MOXAM 7.5MG TAB 30'S            | 33                |
| OZEN 5MG SIRUP 60ML             | 26                |
| MICROLAX GEL OBAT PENCAHAR 5ML  | 26                |
| KOLTON 300MG TAB 50'S           | 22                |

**Wawasan Bisnis:**
Produk-produk ini secara konsisten muncul dalam pesanan yang dibatalkan. Hal ini mungkin mengindikasikan masalah ketersediaan stok yang berulang untuk produk-produk ini, isu harga, atau bahkan perubahan preferensi pelanggan. Manajemen stok dan komunikasi dengan pelanggan mengenai ketersediaan produk ini perlu diperketat.

### 5.5.2 Outlet dengan Tingkat Pembatalan Tinggi (`Nama Outlet`)

| Nama Outlet               | Jumlah Dibatalkan |
|:--------------------------|------------------:|
| MITRA HUSADA, APT         | 42                |
| PURWONEGORO, APT          | 24                |
| AL MUGHNI FARMA, APT      | 22                |
| ALDERAN, APT              | 17                |
| SCHOMED HEALTHMART, APT   | 15                |
| CIPTO KEDUNGWARINGIN, APT | 13                |
| ASYIFA, APT (DURI)        | 13                |
| GAMA CIRACAS, APT         | 11                |
| Apotek Dede Farma         | 11                |
| YEMENIA, APT              | 9                 |

**Wawasan Bisnis:**
Mengidentifikasi outlet-outlet ini memungkinkan tim penjualan atau layanan pelanggan untuk melakukan penyelidikan lebih lanjut secara proaktif. Mungkin ada masalah komunikasi, kendala pengiriman, masalah kredit, atau preferensi produk tertentu yang menyebabkan pembatalan berulang dari pelanggan ini. Pendekatan yang ditargetkan dapat membantu mempertahankan pelanggan ini dan meningkatkan kepuasan mereka.

## 5.6 Rekomendasi Aksi

Berdasarkan analisis mendalam terhadap pembatalan pesanan, berikut adalah rekomendasi tindakan yang dapat diambil:

1.  **Investigasi Mendalam untuk `PHARMANET PUSAT`:** Segera lakukan audit operasional penuh di gudang `PHARMANET PUSAT`. Fokus pada alur kerja, manajemen stok, integrasi sistem, dan pelatihan staf untuk mengidentifikasi akar penyebab tingkat pembatalan `100.0%`. Periksa apakah ada pesanan uji coba atau data yang salah masuk.
2.  **Identifikasi dan Eliminasi *Bottleneck* `SP_to_DO_Hours`:** Selidiki secara rinci mengapa waktu pemrosesan dari Surat Pesanan ke Delivery Order memakan waktu `3.3` jam lebih lama untuk pesanan yang akhirnya dibatalkan. Fokus pada area-area seperti:
    *   **Ketersediaan Stok:** Perbaiki sistem informasi stok real-time agar pelanggan tidak memesan barang yang tidak tersedia.
    *   **Proses Persetujuan Internal:** Percepat proses internal yang mungkin menunda pembuatan Delivery Order.
    *   **Prioritas Pesanan:** Pertimbangkan mekanisme prioritisasi untuk pesanan yang memiliki risiko pembatalan lebih tinggi jika terjadi penundaan.
3.  **Fokus pada Akar Penyebab Perubahan Status Internal menjadi 'C':** Alih-alih hanya mencatat pembatalan, penting untuk mengimplementasikan sistem yang mencatat *alasan spesifik* mengapa `Sts SP Header`, `Sts SP Detail`, atau `Status DO` berubah menjadi 'C'. Contoh alasan: "Stok habis", "Permintaan pelanggan", "Masalah pembayaran", "Kesalahan input", dll. Data ini krusial untuk analisis akar masalah yang sesungguhnya.
4.  **Strategi Khusus untuk Divisi `VIBRANT 3`:** Selidiki operasional Divisi `VIBRANT 3` untuk memahami mengapa tingkat pembatalannya sangat tinggi (`19.6%`). Periksa model bisnis, jenis produk, dan basis pelanggan mereka.
5.  **Pendekatan Tersegmentasi untuk Kelas Pelanggan `D` dan `F`:** Kembangkan strategi layanan atau penawaran produk yang disesuaikan untuk kelas pelanggan `D` dan `F` yang memiliki tingkat pembatalan tinggi. Pahami kebutuhan spesifik atau kendala yang mungkin mereka hadapi.
6.  **Manajemen Proaktif Produk yang Sering Dibatalkan:** Lakukan tinjauan stok dan proyeksi permintaan untuk produk-produk dalam daftar `Top 10 Cancelled Products`. Tingkatkan komunikasi proaktif dengan pelanggan jika ada potensi masalah ketersediaan.
7.  **Manajemen Akun Terfokus untuk Outlet dengan Pembatalan Tinggi:** Tim penjualan atau Account Officer harus proaktif menjangkau `Top 10 Cancelled Outlets` untuk memahami masalah mereka secara langsung dan menawarkan solusi yang relevan.
8.  **Pembelajaran dari Metode Pembayaran `Kredivo`:** Analisis lebih lanjut mengapa `Kredivo` memiliki tingkat pembatalan `0.0%`. Identifikasi karakteristik pelanggan atau proses verifikasi yang dapat diterapkan pada metode pembayaran lain untuk mengurangi risiko pembatalan.

## 5.1. Analisis Pembatalan Berdasarkan Kategori Utama

# 5.1. Analisis Pembatalan Berdasarkan Kategori Utama

Bab ini akan mendalami analisis pembatalan pesanan (`Status RO` = `CANCEL`) dengan mengidentifikasi pola dan anomali berdasarkan berbagai kategori utama dalam data. Tujuannya adalah untuk mengungkap faktor-faktor pemicu, karakteristik pesanan yang dibatalkan, serta menyoroti area spesifik yang memerlukan intervensi untuk mengurangi tingkat pembatalan di masa mendatang.

### 5.1.1. Proporsi Pembatalan Keseluruhan

Dari total 131,315 pesanan dalam dataset, mayoritas pesanan (129,575 atau 98.7%) berhasil diselesaikan menjadi `TERLAYANI PENUH`. Namun, terdapat 1,740 pesanan (1.3%) yang berakhir dengan `CANCEL`. Angka ini, meskipun persentasenya kecil, menunjukkan adanya peluang untuk meningkatkan efisiensi operasional dan mengurangi kerugian.

**Distribusi Status RO**
| Status RO       | Jumlah   | Persentase |
|:----------------|:---------|:-----------|
| TERLAYANI PENUH | 129,575  | 98.7%      |
| CANCEL          | 1,740    | 1.3%       |

### 5.1.2. Pembatalan Berdasarkan Divisi

Setiap divisi menunjukkan pola pembatalan yang berbeda. Analisis ini membantu mengidentifikasi divisi mana yang mungkin memerlukan perhatian lebih.

**Tabulasi Silang `Status RO` Berdasarkan `Divisi`**

| Divisi      | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:------------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| VIBRANT 3   | 11            | 45                     | 56           | 19.6%             | 80.4%                      |
| HOSPINET    | 310           | 17,517                 | 17,827       | 1.7%              | 98.3%                      |
| VIBRANT PBF | 38            | 2,521                  | 2,559        | 1.5%              | 98.5%                      |
| PHARMANET   | 1,381         | 109,485                | 110,866      | 1.2%              | 98.8%                      |
| All         | 1,740         | 129,568                | 131,308      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:**
Divisi `VIBRANT 3` menunjukkan tingkat pembatalan yang sangat tinggi yaitu 19.6%, jauh di atas rata-rata keseluruhan (1.3%). Meskipun jumlah pesanan dari divisi ini kecil (56 pesanan), persentase pembatalan yang ekstrem ini mengindikasikan adanya masalah spesifik yang perlu diinvestigasi secara mendalam di divisi ini. Divisi `HOSPINET` memiliki tingkat pembatalan sedikit di atas rata-rata, sementara `VIBRANT PBF` dan `PHARMANET` berada di bawah rata-rata.

### 5.1.3. Pembatalan Berdasarkan Asal Gudang

Gudang asal pesanan dapat menjadi faktor krusial dalam tingkat keberhasilan pemenuhan pesanan. Beberapa gudang mungkin menghadapi tantangan operasional yang unik.

**Tabulasi Silang `Status RO` Berdasarkan `Asal Gudang`**

| Asal Gudang           | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------------------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| PHARMANET PUSAT       | 22            | 0                      | 22           | 100.0%            | 0.0%                       |
| PHARMANET TANGERANG   | 242           | 9,178                  | 9,420        | 2.6%              | 97.4%                      |
| PHARMANET MEDAN       | 188           | 7,228                  | 7,416        | 2.5%              | 97.5%                      |
| PHARMANET JAKTIM      | 100           | 4,014                  | 4,114        | 2.4%              | 97.6%                      |
| PHARMANET MAKASSAR    | 148           | 7,320                  | 7,468        | 2.0%              | 98.0%                      |
| PHARMANET SAMARINDA   | 60            | 3,143                  | 3,203        | 1.9%              | 98.1%                      |
| PHARMANET BANJARMASIN | 75            | 4,328                  | 4,403        | 1.7%              | 98.3%                      |
| PHARMANET PEKANBARU   | 92            | 6,084                  | 6,176        | 1.5%              | 98.5%                      |
| PHARMANET BOGOR       | 115           | 8,369                  | 8,484        | 1.4%              | 98.6%                      |
| All                   | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |
| PHARMANET SEMARANG    | 112           | 8,836                  | 8,948        | 1.3%              | 98.7%                      |
| PHARMANET JAKBAR      | 45            | 3,566                  | 3,611        | 1.2%              | 98.8%                      |
| PHARMANET SURABAYA    | 164           | 13,413                 | 13,577       | 1.2%              | 98.8%                      |
| PHARMANET BEKASI      | 129           | 12,546                 | 12,675       | 1.0%              | 99.0%                      |
| PHARMANET PONTIANAK   | 35            | 3,432                  | 3,467        | 1.0%              | 99.0%                      |
| PHARMANET SOLO        | 75            | 8,271                  | 8,346        | 0.9%              | 99.1%                      |
| PHARMANET JAKSEL      | 18            | 2,067                  | 2,085        | 0.9%              | 99.1%                      |
| PHARMANET JAMBI       | 24            | 2,845                  | 2,869        | 0.8%              | 99.2%                      |
| PHARMANET LAMPUNG     | 24            | 3,875                  | 3,899        | 0.6%              | 99.4%                      |
| PHAROS MALANG         | 16            | 3,102                  | 3,118        | 0.5%              | 99.5%                      |
| PHARMANET BANDUNG     | 30            | 9,538                  | 9,568        | 0.3%              | 99.7%                      |
| PHARMANET PALEMBANG   | 26            | 8,420                  | 8,446        | 0.3%              | 99.7%                      |

**Wawasan Bisnis & Anomali Kritis:**
Temuan paling menonjol adalah **`PHARMANET PUSAT` yang memiliki tingkat pembatalan 100.0%**. Ini berarti semua 22 pesanan yang berasal dari gudang ini dibatalkan. Anomali ini sangat kritis dan memerlukan investigasi mendalam, karena tidak ada pesanan yang berhasil dipenuhi dari gudang ini. Gudang lain seperti `PHARMANET TANGERANG`, `PHARMANET MEDAN`, dan `PHARMANET JAKTIM` juga menunjukkan tingkat pembatalan yang sedikit lebih tinggi dari rata-rata.

Analisis lebih lanjut terhadap 22 pesanan yang dibatalkan dari `PHARMANET PUSAT` menunjukkan:
*   Semua berasal dari Divisi `PHARMANET`.
*   Semua menggunakan metode pembayaran `BRIVA`.
*   Produk-produk yang terlibat bervariasi, dengan contoh seperti `ANTIMO ISI 72 STRIP`, `POLYSILANE TAB. KUNYAH 5X8TAB`, `MEDICATED OIL FOUR SEASON 20ML`, `CALADINE POWDER 100GR`, dan `CAPTOPRIL 12.5MG 100'S`.
*   Kuantitas pesanan (`Qty RO`) rata-rata adalah 2.4 unit dengan nilai pesanan (`Value RO`) rata-rata Rp 46,894. Ini menunjukkan bahwa pesanan yang dibatalkan dari gudang ini umumnya kecil.

**Rekomendasi:** Perusahaan harus segera melakukan audit operasional terhadap `PHARMANET PUSAT` untuk mengidentifikasi akar penyebab 100.0% pembatalan. Ini bisa jadi masalah sistemik, kesalahan konfigurasi, masalah ketersediaan stok yang parah, atau bahkan data pesanan uji coba yang tidak seharusnya dimasukkan.

### 5.1.4. Pembatalan Berdasarkan Metode Pembayaran

Metode pembayaran yang berbeda mungkin memiliki karakteristik risiko pembatalan yang berbeda.

**Tabulasi Silang `Status RO` Berdasarkan `Payment`**

| Payment             | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:--------------------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| BRIVA               | 262           | 15,454                 | 15,716       | 1.7%              | 98.3%                      |
| Term Of Payment     | 567           | 36,048                 | 36,615       | 1.5%              | 98.5%                      |
| All                 | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |
| BCA Virtual Account | 911           | 77,942                 | 78,853       | 1.2%              | 98.8%                      |
| Kredivo             | 0             | 131                    | 131          | 0.0%              | 100.0%                     |

**Wawasan Bisnis:**
Menariknya, metode pembayaran `Kredivo` menunjukkan tingkat pembatalan 0.0%. Meskipun jumlah pesanan yang menggunakannya relatif kecil (131 pesanan), hal ini menunjukkan bahwa pelanggan yang menggunakan Kredivo mungkin memiliki komitmen yang lebih tinggi atau proses persetujuan Kredivo yang efektif. Sementara itu, `BRIVA` dan `Term Of Payment` memiliki tingkat pembatalan sedikit di atas rata-rata.

**Rekomendasi:** Investigasi lebih lanjut dapat dilakukan pada metode pembayaran `Kredivo` untuk memahami praktik terbaiknya dan mengidentifikasi apakah karakteristik pelanggan atau proses verifikasi dapat diterapkan pada metode pembayaran lain.

### 5.1.5. Pembatalan Berdasarkan Kelas Pelanggan (`Kel. Class`)

Distribusi pembatalan di antara kelas pelanggan dapat mengungkapkan segmen mana yang paling rentan terhadap pembatalan.

**Distribusi `Kel. Class` Berdasarkan `Status RO`**

| Kel. Class | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:-----------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| A          | 1,640         | 125,439                | 127,079      | 1.3%              | 98.7%                      |
| B          | 24            | 2,237                  | 2,261        | 1.1%              | 98.9%                      |
| C          | 37            | 1,540                  | 1,577        | 2.4%              | 97.6%                      |
| D          | 7             | 125                    | 132          | 5.3%              | 94.7%                      |
| F          | 12            | 147                    | 159          | 7.6%              | 92.4%                      |

**Wawasan Bisnis:**
Kelas pelanggan `F` (7.6%) dan `D` (5.3%) menunjukkan tingkat pembatalan yang secara proporsional jauh lebih tinggi dibandingkan kelas lainnya, terutama dibandingkan dengan kelas `A` yang paling dominan (1.3%). Meskipun jumlah pesanan dari kelas-kelas ini kecil, tingginya rasio pembatalan ini mengindikasikan bahwa segmen pelanggan ini mungkin menghadapi tantangan unik atau memerlukan penanganan khusus untuk mengurangi tingkat pembatalan.

**Rekomendasi:** Kembangkan strategi layanan atau penawaran produk yang disesuaikan untuk kelas pelanggan `D` dan `F` yang memiliki tingkat pembatalan tinggi. Pahami kebutuhan spesifik atau kendala yang mungkin mereka hadapi melalui survei atau analisis mendalam.

### 5.1.6. Pembatalan Berdasarkan Keterlibatan Pharos dan Account Officer

Analisis `Pharos YN` dan `AO YN` menunjukkan sedikit perbedaan dalam tingkat pembatalan, memberikan gambaran tentang efektivitas intervensi manusia atau sistem.

**Tabulasi Silang `Status RO` Berdasarkan `Pharos YN`**

| Pharos YN | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| N         | 820           | 71,194                 | 72,014       | 1.1%              | 98.9%                      |
| Y         | 920           | 58,381                 | 59,301       | 1.5%              | 98.5%                      |
| All       | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Tabulasi Silang `Status RO` Berdasarkan `AO YN`**

| AO YN | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| N     | 1,145         | 81,439                 | 82,584       | 1.4%              | 98.6%                      |
| Y     | 595           | 48,136                 | 48,731       | 1.2%              | 98.8%                      |
| All   | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:**
Pesanan yang terkait dengan `Pharos YN = Y` memiliki sedikit tingkat pembatalan yang lebih tinggi (1.5%) dibandingkan dengan `Pharos YN = N` (1.1%). Sebaliknya, pesanan yang melibatkan `AO YN = Y` (dengan Account Officer) memiliki tingkat pembatalan yang sedikit lebih rendah (1.2%) dibandingkan yang tidak (1.4%).

**Rekomendasi:** Ini menunjukkan bahwa keterlibatan aktif Account Officer mungkin sedikit membantu dalam mengurangi risiko pembatalan. Perusahaan dapat mengevaluasi peran dan efektivitas Account Officer dalam proses penjualan dan pemenuhan untuk memperkuat dampak positif ini.

### 5.1.7. Karakteristik Numerik Pesanan Dibatalkan

Analisis statistik deskriptif pada kolom numerik mengungkapkan perbedaan mendasar antara pesanan yang dibatalkan dan yang berhasil terlayani.

**Statistik Deskriptif Kuantitas dan Nilai Pesanan Berdasarkan `Status RO`**

| Metrik       | Status RO       | Value PL   | Value RO    | Qty RO | Qty SP | Qty DO |
|:-------------|:----------------|:-----------|:------------|-------:|-------:|-------:|
| **Jumlah**   | CANCEL          | 0          | 1,740       | 1,740  | 1,740  | 1,740  |
|              | TERLAYANI PENUH | 129,575    | 129,575     | 129,575| 129,575| 129,575|
| **Rata-rata**| CANCEL          | NaN        | 303,985     | 6      | 0      | 0      |
|              | TERLAYANI PENUH | 425,089    | 425,089     | 11     | 11     | 11     |
| **Std Dev**  | CANCEL          | NaN        | 1,083,108   | 26     | 0      | 0      |
|              | TERLAYANI PENUH | 1,935,299  | 1,935,299   | 72     | 72     | 72     |
| **Min**      | CANCEL          | NaN        | 0           | 0      | 0      | 0      |
|              | TERLAYANI PENUH | 0          | 0           | 0      | 1      | 1      |
| **Max**      | CANCEL          | NaN        | 27,491,076  | 572    | 0      | 0      |
|              | TERLAYANI PENUH | 166,269,792| 166,269,792 | 7,200  | 7,200  | 7,200  |

**Wawasan Bisnis:**
*   **Pesanan yang dibatalkan cenderung lebih kecil:** Rata-rata `Value RO` (Rp 303,985) dan `Qty RO` (6 unit) untuk pesanan yang dibatalkan secara signifikan lebih rendah dibandingkan dengan pesanan yang berhasil terlayani penuh (Rp 425,089 dan 11 unit). Ini menunjukkan bahwa pesanan dengan nilai atau kuantitas yang lebih rendah mungkin lebih rentan terhadap pembatalan.
*   **Pembatalan Dini dalam Proses:** Penemuan paling krusial adalah bahwa untuk pesanan yang dibatalkan, `Qty SP` (kuantitas Surat Pesanan) dan `Qty DO` (kuantitas Delivery Order) memiliki nilai rata-rata **0**. Hal ini menegaskan bahwa pembatalan sering terjadi pada tahap yang sangat awal, yaitu sebelum atau saat Surat Pesanan atau Delivery Order benar-benar dibuat dan diproses dengan kuantitas produk yang sebenarnya. Hal ini juga menjelaskan mengapa `Value PL` (nilai Packing List) kosong untuk semua pesanan yang dibatalkan, karena Packing List belum sempat dibuat.

**Rekomendasi:** Fokus pada pencegahan pembatalan harus dimulai sejak dini dalam alur pesanan, terutama untuk pesanan dengan nilai atau kuantitas yang lebih rendah.

### 5.1.8. Keterlambatan Proses sebagai Pemicu Utama Pembatalan

Waktu yang dibutuhkan untuk memproses pesanan di setiap tahapan juga menjadi indikator penting terhadap risiko pembatalan.

**Rata-rata Perbedaan Waktu Pemrosesan (dalam jam) Berdasarkan `Status RO`**

| Status RO       | Rata-rata Order_to_SP_Hours | Rata-rata SP_to_DO_Hours |
|:----------------|----------------------------:|-------------------------:|
| CANCEL          | 0.6                         | 13.1                     |
| TERLAYANI PENUH | 0.6                         | 9.8                      |

**Wawasan Bisnis Kritis:**
*   **Waktu `Order_to_SP_Hours` bukan pemicu utama:** Rata-rata waktu dari pesanan masuk (`Tgl. Order`) hingga pembuatan Surat Pesanan (`Tgl. SP`) relatif sama untuk kedua status pesanan (sekitar 0.6 jam).
*   **Keterlambatan `SP_to_DO_Hours` adalah pemicu utama pembatalan:** Perbedaan signifikan terletak pada rata-rata waktu dari Surat Pesanan ke Delivery Order (`SP_to_DO_Hours`). Untuk pesanan yang dibatalkan, rata-rata waktu ini adalah **13.1 jam**, secara signifikan lebih lama dibandingkan pesanan yang berhasil terlayani penuh (9.8 jam).

Keterlambatan rata-rata **3.3 jam** dalam memproses Delivery Order setelah Surat Pesanan dibuat memiliki korelasi kuat dengan pembatalan pesanan. Penundaan ini mungkin memberikan waktu bagi pelanggan untuk berubah pikiran, menemukan alternatif, atau menghadapi masalah stok yang baru teridentifikasi, yang pada akhirnya menyebabkan pembatalan.

**Rekomendasi:** Mengidentifikasi dan mengatasi *bottleneck* di fase antara pembuatan Surat Pesanan dan Delivery Order adalah area prioritas untuk mengurangi tingkat pembatalan. Ini bisa melibatkan peningkatan efisiensi proses internal, manajemen stok yang lebih baik, atau sistem prioritisasi pesanan.

### 5.1.9. Identifikasi Produk dan Outlet dengan Pembatalan Tertinggi

Mengidentifikasi produk dan outlet yang paling sering terlibat dalam pembatalan memberikan target yang jelas untuk upaya mitigasi.

**10 Produk Paling Sering Dibatalkan (`Prodes`)**

| Prodes                          | Jumlah Dibatalkan |
|:--------------------------------|------------------:|
| MEDISIO 36% CONCENTRATE 5ML     | 90                |
| VOMARIN FLASH TAB 50'S          | 62                |
| ALTADIS 2% KRIM 10GR            | 53                |
| MEFINAL 500MG CAP 100'S         | 52                |
| CATAFLAM 50MG TAB 50'S          | 39                |
| KANTONG DELIVERY S APT. ONLINE  | 35                |
| MOXAM 7.5MG TAB 30'S            | 33                |
| OZEN 5MG SIRUP 60ML             | 26                |
| MICROLAX GEL OBAT PENCAHAR 5ML  | 26                |
| KOLTON 300MG TAB 50'S           | 22                |

**Wawasan Bisnis:**
Produk-produk ini secara konsisten muncul dalam pesanan yang dibatalkan. Hal ini mungkin mengindikasikan masalah ketersediaan stok yang berulang untuk produk-produk ini, isu harga, atau bahkan perubahan preferensi pelanggan.

**Rekomendasi:** Manajemen stok dan komunikasi dengan pelanggan mengenai ketersediaan produk ini perlu diperketat. Analisis lebih lanjut mengenai penyebab pembatalan spesifik untuk produk-produk ini sangat diperlukan.

**10 Outlet Paling Sering Dibatalkan (`Nama Outlet`)**

| Nama Outlet               | Jumlah Dibatalkan |
|:--------------------------|------------------:|
| MITRA HUSADA, APT         | 42                |
| PURWONEGORO, APT          | 24                |
| AL MUGHNI FARMA, APT      | 22                |
| ALDERAN, APT              | 17                |
| SCHOMED HEALTHMART, APT   | 15                |
| CIPTO KEDUNGWARINGIN, APT | 13                |
| ASYIFA, APT (DURI)        | 13                |
| GAMA CIRACAS, APT         | 11                |
| Apotek Dede Farma         | 11                |
| YEMENIA, APT              | 9                 |

**Wawasan Bisnis:**
Mengidentifikasi outlet-outlet ini sangat penting. Mungkin ada masalah komunikasi, kendala pengiriman, masalah kredit, atau preferensi produk tertentu yang menyebabkan pembatalan berulang dari pelanggan ini.

**Rekomendasi:** Tim penjualan atau Account Officer dapat proaktif menjangkau outlet-outlet ini untuk memahami masalah mereka secara langsung dan menawarkan solusi yang relevan.

### 5.1.10. Implikasi Status Internal sebagai Indikator Pembatalan

Analisis mendalam mengkonfirmasi bahwa kolom `Sts SP Header`, `Sts SP Detail`, dan `Status DO` bukanlah *prediktor independen* pembatalan, melainkan **indikator langsung** dari pembatalan yang telah terjadi pada tahapan proses terkait (Surat Pesanan atau Delivery Order). Jika salah satu dari status ini bernilai 'C' (Cancelled), maka secara otomatis `Status RO` akan menjadi `CANCEL`.

**Wawasan Bisnis Krusial:**
Hal ini berarti akurasi "sempurna" model regresi logistik yang ditemukan sebelumnya tidak menunjukkan kekuatan prediktif terhadap kejadian pembatalan yang akan datang, melainkan hanya mengkonfirmasi bagaimana pembatalan dicatat dalam sistem.

**Rekomendasi:** Untuk tujuan analisis bisnis, fokus tidak seharusnya pada "memprediksi" pembatalan menggunakan variabel-variabel ini, tetapi pada **mengidentifikasi akar penyebab mengapa status-status internal ini berubah menjadi 'C'**. Perusahaan perlu menerapkan sistem pencatatan alasan pembatalan yang lebih detail pada setiap tahap proses (misalnya, stok habis, permintaan pelanggan, masalah pembayaran, kesalahan input, dll.) untuk mendapatkan wawasan yang lebih actionable.

## 5.2. Perbandingan Statistik Numerik Pesanan Dibatalkan vs. Terlayani

## 5.2. Perbandingan Statistik Numerik Pesanan Dibatalkan vs. Terlayani

Untuk mendapatkan pemahaman yang lebih mendalam tentang karakteristik pesanan yang dibatalkan dibandingkan dengan pesanan yang berhasil terlayani, kami melakukan analisis statistik deskriptif pada kolom-kolom numerik kunci. Analisis ini meliputi nilai pesanan (`Value PL`, `Value RO`), serta kuantitas produk yang dipesan (`Qty RO`), yang tercatat dalam Surat Pesanan (`Qty SP`), dan yang siap untuk dikirim (`Qty DO`). Selain itu, durasi waktu pemrosesan di berbagai tahapan juga menjadi fokus perbandingan.

### 5.2.1. Statistik Deskriptif Nilai Pesanan

Perbandingan nilai pesanan (`Value PL` dan `Value RO`) antara pesanan yang dibatalkan (`CANCEL`) dan yang terlayani penuh (`TERLAYANI PENUH`) menunjukkan perbedaan yang signifikan.

**Tabel 5.2.1: Statistik Deskriptif Nilai Pesanan (dalam Rupiah)**

| Metrik            | Status RO               | Value PL           | Value RO           |
|:------------------|:------------------------|:-------------------|:-------------------|
| **Jumlah Data**   | TERLAYANI PENUH         | 129,575            | 129,575            |
|                   | CANCEL                  | Tidak Ada Data     | 1,740              |
| **Rata-rata**     | TERLAYANI PENUH         | 425,089            | 425,089            |
|                   | CANCEL                  | N/A                | 303,985            |
| **Standar Deviasi**| TERLAYANI PENUH         | 1,935,299          | 1,935,299          |
|                   | CANCEL                  | N/A                | 1,083,108          |
| **Minimum**       | TERLAYANI PENUH         | 0                  | 0                  |
|                   | CANCEL                  | N/A                | 0                  |
| **Kuartil 25%**   | TERLAYANI PENUH         | 71,706             | 71,706             |
|                   | CANCEL                  | N/A                | 51,762             |
| **Median (Kuartil 50%)**| TERLAYANI PENUH     | 145,203            | 145,203            |
|                   | CANCEL                  | N/A                | 111,864            |
| **Kuartil 75%**   | TERLAYANI PENUH         | 318,443            | 318,443            |
|                   | CANCEL                  | N/A                | 234,398            |
| **Maksimum**      | TERLAYANI PENUH         | 166,269,792        | 166,269,792        |
|                   | CANCEL                  | N/A                | 27,491,076         |

**Wawasan Bisnis:**
*   **Nilai Pesanan yang Dibatalkan Cenderung Lebih Rendah:** Rata-rata `Value RO` untuk pesanan yang dibatalkan (`Rp 303,985`) secara signifikan lebih rendah dibandingkan dengan pesanan yang berhasil terlayani penuh (`Rp 425,089`). Hal ini menunjukkan bahwa pesanan dengan nilai yang lebih rendah mungkin lebih rentan terhadap pembatalan.
*   **Implikasi `Value PL` yang Hilang:** Kolom `Value PL` (nilai dari Packing List) sepenuhnya tidak memiliki data untuk pesanan yang dibatalkan. Ini menegaskan temuan awal bahwa pembatalan sering terjadi sebelum Packing List dibuat, sehingga tidak ada nilai yang dapat dicatat pada tahap tersebut.

### 5.2.2. Statistik Deskriptif Kuantitas Pesanan

Perbandingan kuantitas pesanan (`Qty RO`, `Qty SP`, `Qty DO`) memberikan gambaran yang lebih jelas tentang kapan pembatalan terjadi dalam alur proses.

**Tabel 5.2.2: Statistik Deskriptif Kuantitas Pesanan (dalam Unit)**

| Metrik            | Status RO               | Qty RO  | Qty SP  | Qty DO  |
|:------------------|:------------------------|:--------|:--------|:--------|
| **Jumlah Data**   | TERLAYANI PENUH         | 129,575 | 129,575 | 129,575 |
|                   | CANCEL                  | 1,740   | 1,740   | 1,740   |
| **Rata-rata**     | TERLAYANI PENUH         | 11      | 11      | 11      |
|                   | CANCEL                  | 6       | 0       | 0       |
| **Standar Deviasi**| TERLAYANI PENUH         | 72      | 72      | 72      |
|                   | CANCEL                  | 26      | 0       | 0       |
| **Minimum**       | TERLAYANI PENUH         | 0       | 1       | 1       |
|                   | CANCEL                  | 0       | 0       | 0       |
| **Kuartil 25%**   | TERLAYANI PENUH         | 1       | 1       | 1       |
|                   | CANCEL                  | 1       | 0       | 0       |
| **Median (Kuartil 50%)**| TERLAYANI PENUH     | 3       | 3       | 3       |
|                   | CANCEL                  | 2       | 0       | 0       |
| **Kuartil 75%**   | TERLAYANI PENUH         | 6       | 6       | 6       |
|                   | CANCEL                  | 4       | 0       | 0       |
| **Maksimum**      | TERLAYANI PENUH         | 7,200   | 7,200   | 7,200   |
|                   | CANCEL                  | 572     | 0       | 0       |

**Wawasan Bisnis Kritis:**
*   **Kuantitas Pesanan yang Dibatalkan Cenderung Lebih Kecil:** Rata-rata `Qty RO` untuk pesanan yang dibatalkan (6 unit) lebih rendah dibandingkan dengan pesanan yang terlayani penuh (11 unit). Ini konsisten dengan temuan `Value RO` yang menunjukkan bahwa pesanan yang lebih kecil lebih mungkin dibatalkan.
*   **Pembatalan Terjadi di Tahap Awal:** Penemuan yang paling signifikan adalah bahwa untuk pesanan yang dibatalkan (`CANCEL`), `Qty SP` (kuantitas di Surat Pesanan) dan `Qty DO` (kuantitas di Delivery Order) memiliki nilai rata-rata dan maksimum **0 unit**. Hal ini menegaskan bahwa pembatalan sering terjadi pada tahap yang sangat awal dari proses pemenuhan pesanan, yaitu *sebelum atau saat Surat Pesanan atau Delivery Order benar-benar dibuat dan diproses dengan kuantitas produk yang sebenarnya*. Ini berarti pesanan tersebut tidak pernah benar-benar masuk ke alur pemenuhan fisik.

### 5.2.3. Perbandingan Rata-rata Waktu Pemrosesan

Analisis perbedaan waktu antara tahapan pemrosesan juga krusial untuk mengidentifikasi *bottleneck* yang mungkin berkontribusi pada pembatalan. Kami membandingkan rata-rata waktu dari `Tgl. Order` ke `Tgl. SP` (Surat Pesanan) dan `Tgl. SP` ke `Tgl DO` (Delivery Order).

**Tabel 5.2.3: Perbandingan Rata-rata Waktu Pemrosesan (dalam jam)**

| Metrik                   | Status RO       | Rata-rata Order_to_SP_Hours | Rata-rata SP_to_DO_Hours |
|:-------------------------|:----------------|----------------------------:|-------------------------:|
| Rata-rata Durasi         | CANCEL          | 0.6                         | 13.1                     |
|                          | TERLAYANI PENUH | 0.6                         | 9.8                      |

**Wawasan Bisnis Kritis:**
*   **Waktu `Order_to_SP_Hours` Bukan Pemicu Utama Pembatalan:** Rata-rata waktu dari pesanan masuk (`Tgl. Order`) hingga pembuatan Surat Pesanan (`Tgl. SP`) relatif sama untuk kedua status pesanan (sekitar 0.6 jam). Ini menunjukkan bahwa fase awal pembuatan dokumen pesanan tidak menjadi *bottleneck* utama yang menyebabkan pembatalan.
*   **Keterlambatan `SP_to_DO_Hours` adalah Pemicu Utama Pembatalan:** Perbedaan signifikan terletak pada rata-rata waktu dari Surat Pesanan ke Delivery Order (`SP_to_DO_Hours`). Untuk pesanan yang dibatalkan, rata-rata waktu ini adalah **13.1 jam**, secara signifikan lebih lama dibandingkan pesanan yang berhasil terlayani penuh yaitu **9.8 jam**. Selisih rata-rata **3.3 jam** dalam tahapan ini adalah indikator yang kuat bahwa penundaan dalam memproses Delivery Order setelah Surat Pesanan dibuat berkorelasi kuat dengan pembatalan pesanan.

**Implikasi:** Penundaan yang lebih lama dalam fase antara pembuatan SP dan DO dapat disebabkan oleh berbagai faktor, seperti masalah ketersediaan stok yang baru teridentifikasi, kendala internal dalam proses verifikasi atau persiapan pengiriman, atau bahkan keputusan pelanggan untuk membatalkan karena menunggu terlalu lama. Keterlambatan ini memberikan kesempatan bagi pelanggan untuk berubah pikiran atau mencari alternatif, yang pada akhirnya berujung pada pembatalan.

### Ringkasan dan Rekomendasi

Analisis statistik numerik ini menggarisbawahi beberapa poin penting mengenai pembatalan pesanan:
1.  **Pesanan yang dibatalkan cenderung memiliki nilai dan kuantitas yang lebih kecil** dibandingkan pesanan yang berhasil terlayani.
2.  **Pembatalan terjadi pada tahap yang sangat awal** dalam proses pemenuhan. Fakta bahwa `Qty SP` dan `Qty DO` adalah 0 untuk pesanan yang dibatalkan menunjukkan bahwa pesanan sering kali dibatalkan sebelum produk dialokasikan atau dikemas untuk pengiriman.
3.  **Waktu tunggu yang lebih lama antara pembuatan Surat Pesanan dan Delivery Order (`SP_to_DO`)** secara kuat berkorelasi dengan pembatalan pesanan. Penundaan 3.3 jam di fase ini menjadi *bottleneck* kritis.

**Rekomendasi:**
*   **Prioritaskan Investigasi Tahap Awal:** Fokus utama harus diarahkan pada fase sebelum dan selama pembuatan Surat Pesanan dan Delivery Order. Perlu dipahami mengapa pesanan, terutama yang bernilai kecil, sering kali "gagal" pada tahap ini.
*   **Optimalkan Waktu Pemrosesan `SP_to_DO`:** Lakukan audit mendalam terhadap proses antara pembuatan Surat Pesanan dan Delivery Order. Identifikasi secara spesifik *bottleneck* yang menyebabkan penundaan 3.3 jam untuk pesanan yang dibatalkan. Apakah ini terkait dengan:
    *   **Ketersediaan Stok Real-time:** Pastikan informasi ketersediaan stok sangat akurat dan terbarui secara *real-time* untuk menghindari pesanan produk yang sebenarnya tidak ada.
    *   **Proses Persetujuan Internal:** Percepat proses persetujuan atau alokasi yang diperlukan setelah SP dibuat.
    *   **Sistem Prioritisasi:** Pertimbangkan untuk memprioritaskan pesanan-pesanan yang berisiko tinggi atau dari pelanggan penting untuk meminimalkan waktu tunggu.
    *   **Manajemen Komunikasi:** Tingkatkan komunikasi internal antar departemen (penjualan, gudang, logistik) untuk mengurangi gesekan dan penundaan.
*   **Implementasi Pencatatan Alasan Pembatalan yang Lebih Detail:** Seperti yang disinggung di bab sebelumnya, sangat penting untuk mencatat *alasan spesifik* mengapa `Sts SP Header`, `Sts SP Detail`, atau `Status DO` berubah menjadi 'C'. Informasi seperti "stok habis", "pembayaran gagal", "permintaan pelanggan", "harga berubah", atau "kesalahan input" akan memberikan wawasan yang jauh lebih mendalam untuk perbaikan proses.

## 5.3. Investigasi Khusus: PHARMANET PUSAT dan Faktor Pharos YN/AO YN

## 5.3. Investigasi Khusus: PHARMANET PUSAT dan Faktor Pharos YN/AO YN

Bab ini berfokus pada investigasi lebih lanjut terhadap anomali kritis yang telah teridentifikasi, yaitu tingkat pembatalan 100% pada pesanan yang berasal dari `PHARMANET PUSAT`, serta menganalisis pengaruh faktor `Pharos YN` dan `AO YN` terhadap status pesanan. Pemahaman mendalam tentang area-area ini sangat penting untuk mengidentifikasi akar masalah dan merumuskan strategi mitigasi yang efektif.

### 5.3.1. Anomali Kritis: PHARMANET PUSAT dengan Tingkat Pembatalan 100%

Pada analisis sebelumnya, ditemukan bahwa `PHARMANET PUSAT` adalah satu-satunya gudang yang memiliki tingkat pembatalan pesanan 100%. Dari total 22 pesanan yang berasal dari gudang ini, tidak ada satu pun yang berhasil terlayani, semuanya berakhir dengan status `CANCEL`. Anomali ini mengindikasikan adanya masalah sistemik atau kekeliruan data yang serius.

Untuk memahami lebih jauh karakteristik 22 pesanan yang dibatalkan dari `PHARMANET PUSAT`, kami menganalisis detail-detailnya:

*   **Divisi:** Semua 22 pesanan yang dibatalkan berasal dari Divisi `PHARMANET`.
*   **Metode Pembayaran:** Seluruh 22 pesanan ini menggunakan metode pembayaran `BRIVA`.
*   **Produk yang Terlibat (`Prodes`):** Pesanan yang dibatalkan mencakup berbagai jenis produk, menunjukkan bahwa masalahnya bukan pada produk tertentu. Lima produk yang paling sering muncul dalam pembatalan ini adalah:
    *   ANTIMO ISI 72 STRIP
    *   POLYSILANE TAB. KUNYAH 5X8TAB
    *   MEDICATED OIL FOUR SEASON 20ML
    *   CALADINE POWDER 100GR
    *   CAPTOPRIL 12.5MG 100'S
*   **Kuantitas Pesanan (`Qty RO`):**
    *   Rata-rata: 2 unit
    *   Minimum: 1 unit
    *   Maksimum: 15 unit
*   **Nilai Pesanan (`Value RO`):**
    *   Rata-rata: Rp 46,894
    *   Minimum: Rp 8,658
    *   Maksimum: Rp 181,396

**Wawasan Bisnis:**
Karakteristik pesanan yang dibatalkan dari `PHARMANET PUSAT` (Divisi `PHARMANET`, Pembayaran `BRIVA`, kuantitas dan nilai yang relatif kecil, serta variasi produk) menunjukkan bahwa masalahnya kemungkinan besar bukan pada stok produk atau preferensi pelanggan, melainkan pada **proses operasional internal atau konfigurasi sistem yang tidak berfungsi**. Tingkat pembatalan 100% ini sangat tidak wajar dan membutuhkan investigasi segera. Kemungkinan lain adalah adanya pesanan uji coba (test order) atau data yang salah dimasukkan ke dalam sistem yang kemudian otomatis dibatalkan.

**Rekomendasi:**
1.  **Audit Proses Mendalam:** Lakukan audit menyeluruh terhadap semua proses yang terkait dengan pemrosesan pesanan di `PHARMANET PUSAT`. Periksa alur kerja, integrasi sistem, kebijakan stok, dan peran tim yang terlibat.
2.  **Verifikasi Konfigurasi Sistem:** Pastikan tidak ada kesalahan konfigurasi sistem yang secara otomatis membatalkan pesanan dari gudang ini atau dengan kombinasi kriteria tertentu (misalnya, pembayaran BRIVA untuk Divisi PHARMANET).
3.  **Pemeriksaan Data Historis:** Analisis data historis lebih lanjut untuk melihat kapan anomali ini mulai terjadi dan apakah ada perubahan sistem atau operasional yang bertepatan dengan itu.
4.  **Investigasi Sumber Pesanan:** Cari tahu sumber pesanan ini. Apakah mereka berasal dari saluran penjualan tertentu, atau dikelola oleh tim tertentu?

### 5.3.2. Pengaruh Faktor Pharos YN Terhadap Pembatalan Pesanan

Kolom `Pharos YN` menunjukkan apakah pesanan terkait dengan entitas "Pharos". Analisis tabulasi silang memberikan gambaran mengenai dampaknya terhadap tingkat pembatalan.

**Tabel 5.3.1: Hubungan `Status RO` dengan `Pharos YN`**

| Pharos YN | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| N         | 820           | 71,194                 | 72,014       | 1.1%              | 98.9%                      |
| Y         | 920           | 58,381                 | 59,301       | 1.5%              | 98.5%                      |
| **Total** | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:**
Pesanan yang terkait dengan `Pharos YN = Y` (terkait Pharos) memiliki tingkat pembatalan yang sedikit lebih tinggi (1.5%) dibandingkan dengan pesanan yang tidak terkait (`Pharos YN = N` dengan 1.1%). Meskipun perbedaannya tidak terlalu besar (sekitar 0.4%), ini mengindikasikan bahwa ada nuansa dalam proses atau jenis pesanan yang melibatkan Pharos yang mungkin berkontribusi pada sedikit peningkatan risiko pembatalan.

**Rekomendasi:**
1.  **Analisis Proses Terkait Pharos:** Tinjau proses pemesanan dan pemenuhan untuk pesanan yang melibatkan "Pharos". Apakah ada persyaratan khusus, persetujuan tambahan, atau kendala lain yang dapat menunda pemrosesan dan menyebabkan pembatalan?
2.  **Identifikasi Jenis Pesanan:** Pahami jenis pesanan atau produk apa yang sering dibatalkan ketika `Pharos YN = Y`.

### 5.3.3. Pengaruh Faktor AO YN Terhadap Pembatalan Pesanan

Kolom `AO YN` menunjukkan apakah pesanan terkait dengan `Account Officer`. Analisis ini dapat menyoroti peran Account Officer dalam mengurangi atau meningkatkan risiko pembatalan.

**Tabel 5.3.2: Hubungan `Status RO` dengan `AO YN`**

| AO YN     | Jumlah CANCEL | Jumlah TERLAYANI PENUH | Total Jumlah | Persentase CANCEL | Persentase TERLAYANI PENUH |
|:----------|--------------:|-----------------------:|-------------:|------------------:|---------------------------:|
| N         | 1,145         | 81,439                 | 82,584       | 1.4%              | 98.6%                      |
| Y         | 595           | 48,136                 | 48,731       | 1.2%              | 98.8%                      |
| **Total** | 1,740         | 129,575                | 131,315      | 1.3%              | 98.7%                      |

**Wawasan Bisnis:**
Pesanan yang melibatkan `AO YN = Y` (dengan Account Officer) memiliki tingkat pembatalan yang sedikit lebih rendah (1.2%) dibandingkan dengan pesanan yang tidak melibatkan `AO YN = N` (tanpa Account Officer, 1.4%). Ini adalah kabar baik, karena menunjukkan bahwa **keterlibatan Account Officer berpotensi membantu mengurangi tingkat pembatalan pesanan**. Account Officer mungkin berperan dalam menjaga komunikasi yang baik dengan pelanggan, mengelola ekspektasi, atau menyelesaikan masalah yang muncul selama proses pemesanan.

**Rekomendasi:**
1.  **Perkuat Peran AO:** Berikan dukungan lebih lanjut dan pelatihan kepada Account Officer untuk memaksimalkan dampak positif mereka dalam mengurangi pembatalan.
2.  **Analisis Best Practice AO:** Identifikasi praktik terbaik dari Account Officer yang berhasil menjaga tingkat pembatalan tetap rendah dan replikasikan praktik tersebut ke seluruh tim.
3.  **Identifikasi Kesenjangan:** Untuk pesanan dengan `AO YN = N` yang dibatalkan, selidiki apakah ada kebutuhan akan intervensi Account Officer atau otomatisasi yang lebih baik.

### 5.3.4. Kesimpulan Investigasi Khusus

Investigasi terhadap `PHARMANET PUSAT` telah mengungkapkan anomali kritis yang memerlukan perhatian segera pada tingkat operasional dan sistemik. Tingkat pembatalan 100% ini sangat mencurigakan dan kemungkinan besar bukan masalah alami melainkan indikasi dari proses yang rusak atau kesalahan data.

Sementara itu, faktor `Pharos YN` menunjukkan sedikit peningkatan risiko pembatalan, yang memerlukan tinjauan proses terkait. Sebaliknya, `AO YN` mengindikasikan bahwa keterlibatan Account Officer memiliki efek positif dalam menekan tingkat pembatalan, menyoroti pentingnya peran mereka. Temuan-temuan ini akan menjadi dasar untuk rekomendasi yang lebih terarah di bab berikutnya.

## 5.4. Identifikasi Produk, Outlet, dan Kelas Pelanggan dengan Tingkat Pembatalan Tinggi

## 5.4. Identifikasi Produk, Outlet, dan Kelas Pelanggan dengan Tingkat Pembatalan Tinggi

Meskipun analisis sebelumnya telah mengidentifikasi pola pembatalan pada level makro seperti divisi dan gudang, untuk merancang strategi mitigasi yang efektif, penting untuk mengidentifikasi entitas spesifik yang paling sering terlibat dalam pembatalan. Bagian ini akan menyoroti produk, outlet, dan kelas pelanggan mana yang memiliki tingkat pembatalan tinggi, serta menyajikan wawasan dan rekomendasi yang dapat ditindaklanjuti.

### 5.4.1. Produk dengan Tingkat Pembatalan Tertinggi

Pemahaman tentang produk mana yang sering dibatalkan dapat menjadi petunjuk adanya masalah ketersediaan stok, kualitas produk, atau bahkan strategi penetapan harga yang kurang tepat. Berikut adalah daftar 10 produk (`Prodes`) yang paling sering muncul dalam pesanan yang dibatalkan:

**Tabel 5.4.1: 10 Produk Paling Sering Dibatalkan (Berdasarkan Jumlah Pembatalan)**

| Prodes                           | Jumlah Dibatalkan |
|:---------------------------------|------------------:|
| MEDISIO 36% CONCENTRATE 5ML      | 90                |
| VOMARIN FLASH TAB 50'S           | 62                |
| ALTADIS 2% KRIM 10GR             | 53                |
| MEFINAL 500MG CAP 100'S          | 52                |
| CATAFLAM 50MG TAB 50'S           | 39                |
| KANTONG DELIVERY S APT. ONLINE   | 35                |
| MOXAM 7.5MG TAB 30'S             | 33                |
| OZEN 5MG SIRUP 60ML              | 26                |
| MICROLAX GEL OBAT PENCAHAR 5ML   | 26                |
| KOLTON 300MG TAB 50'S            | 22                |

**Wawasan Bisnis:**
Produk-produk ini secara konsisten berkontribusi pada jumlah pembatalan yang tinggi. Hal ini dapat mengindikasikan beberapa isu potensial:
*   **Ketersediaan Stok:** Mungkin ada masalah berulang terkait ketersediaan stok untuk produk-produk ini, menyebabkan pelanggan membatalkan pesanan karena menunggu terlalu lama atau karena produk ternyata tidak tersedia.
*   **Informasi Produk:** Kemungkinan ada ketidaksesuaian antara informasi produk yang disajikan dengan kenyataan, memicu pembatalan setelah pelanggan mendapatkan klarifikasi.
*   **Fluktuasi Permintaan/Harga:** Perubahan cepat dalam permintaan atau harga pasar dapat mendorong pelanggan untuk mencari alternatif atau membatalkan pesanan.

**Rekomendasi:**
1.  **Audit Ketersediaan Stok:** Lakukan audit menyeluruh terhadap sistem manajemen stok dan rantai pasok untuk produk-produk ini. Pastikan informasi stok *real-time* akurat dan tersedia bagi pelanggan.
2.  **Tinjau Informasi Produk:** Periksa deskripsi dan spesifikasi produk untuk memastikan keakuratannya.
3.  **Manajemen Permintaan:** Tingkatkan koordinasi antara tim penjualan/marketing dengan tim pengadaan dan logistik untuk mengelola ekspektasi pelanggan dan ketersediaan produk.
4.  **Analisis Perilaku Pelanggan:** Coba pahami alasan spesifik di balik pembatalan untuk produk-produk ini (jika data alasan pembatalan tersedia).

### 5.4.2. Outlet dengan Tingkat Pembatalan Tinggi

Selain produk, mengidentifikasi outlet atau pelanggan yang sering mengalami pembatalan juga krusial. Ini memungkinkan tim penjualan dan layanan pelanggan untuk melakukan intervensi yang ditargetkan. Berikut adalah daftar 10 outlet (`Nama Outlet`) dengan jumlah pembatalan tertinggi:

**Tabel 5.4.2: 10 Outlet Paling Sering Dibatalkan (Berdasarkan Jumlah Pembatalan)**

| Nama Outlet               | Jumlah Dibatalkan |
|:--------------------------|------------------:|
| MITRA HUSADA, APT         | 42                |
| PURWONEGORO, APT          | 24                |
| AL MUGHNI FARMA, APT      | 22                |
| ALDERAN, APT              | 17                |
| SCHOMED HEALTHMART, APT   | 15                |
| CIPTO KEDUNGWARINGIN, APT | 13                |
| ASYIFA, APT (DURI)        | 13                |
| GAMA CIRACAS, APT         | 11                |
| Apotek Dede Farma         | 11                |
| YEMENIA, APT              | 9                 |

**Wawasan Bisnis:**
Outlet-outlet ini menunjukkan pola pembatalan yang berulang. Ini bisa menjadi indikasi adanya masalah yang lebih mendalam dalam hubungan dengan pelanggan-pelanggan ini atau kendala spesifik yang mereka hadapi:
*   **Masalah Komunikasi:** Mungkin ada kesalahpahaman atau kurangnya komunikasi efektif antara outlet dan tim penjualan/layanan.
*   **Kualitas Layanan/Pengiriman:** Outlet mungkin menghadapi masalah berulang terkait keterlambatan pengiriman, kesalahan pesanan, atau masalah kualitas layanan lainnya.
*   **Kondisi Bisnis Spesifik:** Outlet tersebut mungkin menghadapi tantangan bisnis unik yang memengaruhi keputusan pembelian mereka.

**Rekomendasi:**
1.  **Pendekatan Proaktif oleh Account Officer:** Tim penjualan atau Account Officer harus secara proaktif menghubungi outlet-outlet ini. Lakukan kunjungan atau komunikasi rutin untuk memahami masalah mereka secara langsung.
2.  **Survei Kepuasan Pelanggan Mendalam:** Lakukan survei atau wawancara mendalam dengan perwakilan dari outlet-outlet ini untuk mengidentifikasi akar masalah pembatalan.
3.  **Solusi yang Disesuaikan:** Kembangkan solusi atau penawaran yang disesuaikan untuk mengatasi masalah spesifik yang dihadapi oleh outlet-outlet ini, misalnya fleksibilitas pembayaran, prioritas pengiriman, atau penawaran produk khusus.

### 5.4.3. Kelas Pelanggan dengan Tingkat Pembatalan Tinggi

Menganalisis tingkat pembatalan berdasarkan kelas pelanggan (`Kel. Class`) membantu mengidentifikasi segmen pelanggan mana yang lebih rentan terhadap pembatalan, memungkinkan strategi layanan yang lebih tersegmentasi.

**Tabel 5.4.3: Distribusi Kelas Pelanggan berdasarkan Status RO**

| Kel. Class | CANCEL | TERLAYANI PENUH | Total | CANCEL_Percentage | TERLAYANI PENUH_Percentage |
|:-----------|-------:|-----------------:|--------:|------------------:|---------------------------:|
| A          | 1,640  | 125,439         | 127,079 | 1.3%              | 98.7%                      |
| B          | 24     | 2,237           | 2,261  | 1.1%              | 98.9%                      |
| C          | 37     | 1,540           | 1,577  | 2.4%              | 97.6%                      |
| D          | 7      | 125             | 132    | 5.3%              | 94.7%                      |
| F          | 12     | 147             | 159    | 7.6%              | 92.4%                      |

**Wawasan Bisnis:**
Tabel di atas menunjukkan anomali yang signifikan pada kelas pelanggan tertentu:
*   **Kelas F dan D adalah Prioritas:** Kelas pelanggan `F` memiliki tingkat pembatalan tertinggi (7.6%), diikuti oleh kelas `D` (5.3%). Tingkat ini secara proporsional jauh lebih tinggi dibandingkan dengan kelas `A` (1.3%), `B` (1.1%), atau `C` (2.4%).
*   **Volume Kecil, Risiko Tinggi:** Meskipun jumlah pesanan dari kelas `D` dan `F` relatif kecil, tingginya rasio pembatalan menunjukkan bahwa segmen pelanggan ini menghadapi tantangan unik atau memerlukan pendekatan layanan yang berbeda.

**Rekomendasi:**
1.  **Desain Strategi Layanan Khusus:** Kembangkan strategi layanan atau penawaran yang disesuaikan untuk kelas pelanggan `D` dan `F`. Ini bisa berupa:
    *   **Peningkatan Komunikasi:** Tingkatkan frekuensi dan kualitas komunikasi untuk memastikan mereka terinformasi mengenai status pesanan.
    *   **Fleksibilitas Pembayaran:** Tinjau kembali opsi pembayaran atau ketentuan kredit untuk segmen ini.
    *   **Edukasi dan Dukungan:** Berikan edukasi atau dukungan tambahan terkait proses pemesanan atau produk.
2.  **Pahami Kebutuhan Spesifik:** Lakukan analisis mendalam atau survei terhadap pelanggan di kelas `D` dan `F` untuk memahami kebutuhan, kendala, dan alasan utama di balik pembatalan pesanan mereka.
3.  **Evaluasi Ulang Kriteria Kelas:** Perusahaan mungkin perlu mengevaluasi kembali kriteria yang digunakan untuk mengklasifikasikan pelanggan ke dalam kelas-kelas ini, terutama jika kelas `D` dan `F` secara inheren lebih berisiko atau memiliki karakteristik yang berbeda secara fundamental.

Melalui identifikasi yang tepat sasaran pada produk, outlet, dan kelas pelanggan dengan tingkat pembatalan tinggi, perusahaan dapat mengalokasikan sumber daya secara lebih efisien untuk mengatasi masalah akar, meningkatkan kepuasan pelanggan, dan pada akhirnya mengurangi kerugian akibat pembatalan pesanan.

## 5.5. Analisis Waktu Pemrosesan Pesanan dan Pengaruhnya terhadap Pembatalan

## 5.5. Analisis Waktu Pemrosesan Pesanan dan Pengaruhnya terhadap Pembatalan

Waktu adalah elemen krusial dalam proses pemenuhan pesanan. Keterlambatan pada setiap tahapan dapat memicu frustrasi pelanggan, perubahan keputusan, hingga berujung pada pembatalan pesanan. Untuk memahami sejauh mana efisiensi waktu pemrosesan memengaruhi tingkat pembatalan, kami menganalisis durasi antara tahapan-tahapan kunci dalam alur pesanan, membandingkannya antara pesanan yang berhasil terlayani penuh (`TERLAYANI PENUH`) dan yang dibatalkan (`CANCEL`).

Analisis ini berfokus pada dua metrik waktu pemrosesan utama:
1.  **`Order_to_SP_Hours`**: Durasi dari waktu pesanan diterima (`Tgl. Order`) hingga Surat Pesanan (`Tgl. SP`) dibuat. Ini merefleksikan kecepatan respons awal dan pencatatan pesanan.
2.  **`SP_to_DO_Hours`**: Durasi dari waktu Surat Pesanan (`Tgl. SP`) dibuat hingga Delivery Order (`Tgl DO`) diterbitkan. Ini mengukur efisiensi dalam persiapan, alokasi stok, dan verifikasi sebelum pengiriman.

### Temuan Kunci: Perbedaan Waktu Pemrosesan

Berikut adalah perbandingan rata-rata waktu pemrosesan untuk kedua metrik, dikelompokkan berdasarkan status pesanan:

**Tabel 5.5.1: Rata-rata Perbedaan Waktu Pemrosesan (dalam jam) berdasarkan Status RO**

| Status RO       | Rata-rata Order_to_SP_Hours | Rata-rata SP_to_DO_Hours |
|:----------------|----------------------------:|-------------------------:|
| CANCEL          | 0.6                         | 13.1                     |
| TERLAYANI PENUH | 0.6                         | 9.8                      |

### Wawasan Bisnis dan Implikasi

Analisis terhadap metrik waktu pemrosesan ini mengungkapkan wawasan kritis:

*   **Efisiensi Tahap Awal (Order_to_SP) Bukan Pemicu Utama Pembatalan:**
    Rata-rata waktu yang dibutuhkan untuk mengubah pesanan yang masuk menjadi Surat Pesanan (`Order_to_SP_Hours`) hampir identik untuk kedua kategori status pesanan, yaitu sekitar **0.6 jam**. Ini menunjukkan bahwa fase awal penerimaan dan pencatatan pesanan berjalan relatif efisien dan tidak menjadi *bottleneck* utama yang menyebabkan pembatalan. Sistem sepertinya cukup cepat dalam merespons pesanan dan membuat dokumen Surat Pesanan awal.

*   **Keterlambatan Signifikan pada Tahap SP_to_DO adalah Pemicu Kuat Pembatalan:**
    Perbedaan yang sangat mencolok ditemukan pada rata-rata waktu dari pembuatan Surat Pesanan hingga penerbitan Delivery Order (`SP_to_DO_Hours`). Untuk pesanan yang dibatalkan, rata-rata waktu ini adalah **13.1 jam**, yang secara signifikan lebih lama dibandingkan dengan pesanan yang berhasil terlayani penuh, yaitu **9.8 jam**. Ini berarti ada selisih rata-rata **3.3 jam** yang lebih lama dalam memproses Delivery Order untuk pesanan yang akhirnya dibatalkan.

    Selisih waktu 3.3 jam ini adalah penemuan krusial. Ini mengindikasikan bahwa **penundaan yang lebih lama dalam fase antara pembuatan Surat Pesanan dan Delivery Order berkolerasi kuat dengan peningkatan risiko pembatalan pesanan.**

    **Mengapa ini kritis?**
    1.  **Kesempatan Pelanggan Berubah Pikiran:** Waktu tunggu yang lebih lama memberikan lebih banyak kesempatan bagi pelanggan untuk berubah pikiran, menemukan pemasok alternatif, atau bahkan menerima pesanan dari sumber lain sebelum pesanan ini diproses sepenuhnya.
    2.  **Masalah Ketersediaan Stok:** Keterlambatan di tahap ini mungkin mengindikasikan masalah ketersediaan stok yang baru teridentifikasi setelah SP dibuat, memaksa penyesuaian atau pembatalan. Jika sistem stok tidak *real-time* atau akurat, pesanan bisa masuk untuk barang yang sebenarnya tidak tersedia.
    3.  **Kendala Operasional Internal:** Penundaan bisa berasal dari *bottleneck* internal dalam gudang, seperti kurangnya staf untuk pemrosesan, masalah verifikasi pembayaran yang memakan waktu, atau proses persetujuan yang berbelit-belit.
    4.  **Dampak pada Pesanan Kecil:** Mengingat temuan sebelumnya bahwa pesanan yang dibatalkan cenderung memiliki nilai dan kuantitas yang lebih kecil, penundaan 3.3 jam ini mungkin dirasakan lebih berat oleh pelanggan yang memiliki pesanan kecil dan mengharapkan pemenuhan yang cepat.

### Rekomendasi

Berdasarkan temuan ini, prioritas utama untuk mengurangi pembatalan pesanan harus difokuskan pada optimalisasi dan percepatan proses antara pembuatan Surat Pesanan dan penerbitan Delivery Order:

1.  **Audit Mendalam Proses `SP_to_DO`:** Lakukan analisis end-to-end terhadap alur kerja dari `Tgl. SP` ke `Tgl DO`. Identifikasi secara spesifik tahapan atau titik-titik di mana terjadi penundaan. Apakah itu pada tahap:
    *   Alokasi stok fisik?
    *   Verifikasi kredit/pembayaran?
    *   Proses *picking* dan *packing*?
    *   Persetujuan manajerial?
    *   Antrean pengiriman?
2.  **Peningkatan Akurasi Stok *Real-time***: Pastikan sistem manajemen inventaris terintegrasi dengan baik dan menyediakan informasi ketersediaan stok yang akurat secara *real-time*. Ini akan membantu mencegah pembuatan Surat Pesanan untuk produk yang sebenarnya tidak tersedia, sehingga mengurangi pembatalan di kemudian hari.
3.  **Optimasi Proses Verifikasi dan Persetujuan:** Evaluasi kembali prosedur verifikasi (misalnya, pembayaran atau kredit) dan persetujuan internal yang mungkin menunda transisi dari SP ke DO. Jika memungkinkan, otomatisasi atau perpendek rantai persetujuan.
4.  **Peningkatan Efisiensi Gudang:** Tinjau operasional gudang untuk mengidentifikasi area yang dapat ditingkatkan efisiensinya, seperti tata letak gudang, proses *picking*, dan penggunaan teknologi untuk mempercepat persiapan pesanan.
5.  **Komunikasi Proaktif (jika terjadi penundaan):** Jika penundaan tidak dapat dihindari, implementasikan sistem komunikasi proaktif yang memberi tahu pelanggan tentang status pesanan mereka dan perkiraan waktu pengiriman yang baru. Transparansi dapat membantu mengelola ekspektasi dan mengurangi kemungkinan pembatalan oleh pelanggan.
6.  **Sistem Prioritas Dinamis:** Pertimbangkan untuk menerapkan sistem yang dapat memprioritaskan pesanan tertentu (misalnya, pesanan dari pelanggan strategis, pesanan dengan produk *fast-moving*, atau pesanan yang telah melewati ambang batas waktu tunggu tertentu) untuk memastikan mereka diproses lebih cepat di fase `SP_to_DO`.

Dengan mengatasi *bottleneck* pada tahap `SP_to_DO`, perusahaan dapat secara signifikan mengurangi tingkat pembatalan pesanan, meningkatkan efisiensi operasional, dan pada akhirnya meningkatkan kepuasan pelanggan.

## 6. Pemodelan Prediktif: Regresi Logistik untuk Pembatalan Pesanan

# 6. Pemodelan Prediktif: Regresi Logistik untuk Pembatalan Pesanan

Setelah melakukan analisis deskriptif yang mendalam dan mengidentifikasi berbagai faktor yang berkorelasi dengan pembatalan pesanan, langkah selanjutnya adalah membangun model prediktif sederhana untuk mengidentifikasi fitur-fitur paling berpengaruh secara kuantitatif. Dalam bab ini, kami menerapkan model Regresi Logistik untuk memprediksi `Status RO` (status pesanan: `TERLAYANI PENUH` atau `CANCEL`). Tujuan utamanya adalah untuk mengkonfirmasi temuan dari analisis sebelumnya dan menyoroti variabel-variabel yang secara statistik paling signifikan dalam menentukan probabilitas pembatalan.

## 6.1. Performa Model Regresi Logistik: Akurasi "Sempurna" dan Implikasinya

Model Regresi Logistik dilatih untuk memprediksi apakah suatu pesanan akan `CANCEL` atau `TERLAYANI PENUH`. Hasil evaluasi pada *test set* menunjukkan performa model yang luar biasa, mencapai akurasi 100%.

### Laporan Performa Model (pada Test Set)

|                 | Precision | Recall | F1-Score | Support |
|:----------------|:----------|:-------|:---------|:--------|
| TERLAYANI PENUH | 1.00      | 1.00   | 1.00     | 25,915  |
| CANCEL          | 1.00      | 1.00   | 1.00     | 348     |
| Accuracy        |           |        | 1.00     | 26,263  |
| Macro Avg       | 1.00      | 1.00   | 1.00     | 26,263  |
| Weighted Avg    | 1.00      | 1.00   | 1.00     | 26,263  |

### Confusion Matrix

|                           | Prediksi TERLAYANI PENUH | Prediksi CANCEL |
|:--------------------------|:-------------------------|:----------------|
| Aktual TERLAYANI PENUH    | 25,915                   | 0               |
| Aktual CANCEL             | 0                        | 348             |

**Wawasan Bisnis Kritis:**

Akurasi model sebesar 100% dan matriks konfusi yang menunjukkan tidak ada kesalahan prediksi adalah hasil yang mengesankan namun juga anomali dalam konteks pemodelan prediktif. Seperti yang telah dibahas pada Bab 3.5, 4.6, dan 5.4, performa "sempurna" ini bukan karena model secara cerdas memprediksi *kejadian di masa depan* yang belum terjadi, melainkan karena beberapa fitur dalam dataset secara *langsung mengindikasikan* pembatalan yang sudah tercatat dalam sistem.

Fitur-fitur ini adalah `Sts SP Header`, `Sts SP Detail`, dan `Status DO`. Data menunjukkan bahwa jika salah satu dari status ini bernilai 'C' (Cancelled), maka `Status RO` juga secara otomatis akan menjadi `CANCEL`. Variabel-variabel ini berperan sebagai *indikator* bahwa pembatalan telah terjadi pada tahap sebelumnya dalam alur pesanan, bukan sebagai *prediktor* yang dapat meramalkan pembatalan sebelum terjadi.

Oleh karena itu, meskipun model secara teknis akurat, fokus analisis harus bergeser dari "memprediksi" pembatalan menggunakan variabel-variabel ini menjadi "mengidentifikasi akar penyebab" mengapa status-status internal ini berubah menjadi 'C'. Model ini secara efektif hanya mengkonfirmasi hubungan deterministik yang sudah ada dalam data operasional.

## 6.2. Fitur Paling Berpengaruh dalam Model

Meskipun akurasi model didominasi oleh indikator langsung, melihat koefisien fitur dalam Regresi Logistik dapat memberikan wawasan tentang faktor-faktor lain yang juga berkontribusi pada probabilitas pembatalan, di luar indikator langsung tersebut.

### Top 20 Fitur Paling Berpengaruh (berdasarkan Nilai Koefisien Absolut)

| Fitur                                       | Koefisien | Abs_Koefisien |
|:--------------------------------------------|----------:|--------------:|
| Sts SP Header_C                             | 3.218     | 3.218         |
| Sts SP Detail_C                             | 3.218     | 3.218         |
| Status DO_C                                 | 3.218     | 3.218         |
| Sts SP Header_P                             | -3.202    | 3.202         |
| Sts SP Detail_P                             | -3.202    | 3.202         |
| Status DO_P                                 | -3.202    | 3.202         |
| Nama Ekspedisi_Unknown                      | 0.446     | 0.446         |
| Asal Gudang_PHARMANET TANGERANG             | 0.152     | 0.152         |
| Asal Gudang_PHARMANET PALEMBANG             | -0.124    | 0.124         |
| Asal Gudang_PHARMANET BANDUNG               | -0.122    | 0.122         |
| Asal Gudang_PHARMANET MEDAN                 | 0.109     | 0.109         |
| Nama Ekspedisi_Anteraja                     | -0.078    | 0.078         |
| Nama Ekspedisi_PT. TUNAS ANTARNUSA MUDA KARGO | -0.073    | 0.073         |
| Asal Gudang_PHARMANET JAKTIM                | 0.072     | 0.072         |
| Divisi_PHARMANET                            | -0.068    | 0.068         |
| Qty RO                                      | -0.068    | 0.068         |
| Pharos YN_Y                                 | 0.065     | 0.065         |
| Cmc_Unknown                                 | 0.063     | 0.063         |
| Asal Gudang_PHARMANET SOLO                  | -0.061    | 0.061         |
| Nama Ekspedisi_INDAH LOGISTIK               | -0.059    | 0.059         |

### Interpretasi Koefisien

*   **Koefisien positif** menunjukkan bahwa peningkatan nilai fitur tersebut dikaitkan dengan peningkatan kemungkinan pembatalan pesanan (dengan asumsi fitur lain konstan).
*   **Koefisien negatif** menunjukkan bahwa peningkatan nilai fitur tersebut dikaitkan dengan penurunan kemungkinan pembatalan pesanan (dengan asumsi fitur lain konstan).

**Wawasan Bisnis dari Koefisien (setelah mengabaikan indikator langsung `Sts SP` dan `Status DO`):**

1.  **Status Internal (Indikator Langsung):** Koefisien yang sangat tinggi untuk `Sts SP Header_C`, `Sts SP Detail_C`, dan `Status DO_C` (positif) serta `Sts SP Header_P`, `Sts SP Detail_P`, dan `Status DO_P` (negatif) menegaskan kembali bahwa variabel-variabel ini adalah indikator langsung dari `Status RO`. Mereka tidak memprediksi pembatalan melainkan mencerminkan bahwa pembatalan sudah terjadi pada tahap tersebut.

2.  **Ketersediaan Informasi Ekspedisi (`Nama Ekspedisi_Unknown`):** Koefisien positif yang signifikan (`0.446`) untuk `Nama Ekspedisi_Unknown` menunjukkan bahwa pesanan yang tidak memiliki informasi nama ekspedisi lebih mungkin dibatalkan. Ini bisa mengindikasikan masalah dalam proses pencatatan pengiriman atau bahwa pesanan tersebut memang tidak pernah dikirim sehingga informasi ekspedisi tidak ada.

3.  **Pengaruh Asal Gudang:**
    *   `Asal Gudang_PHARMANET TANGERANG` dan `Asal Gudang_PHARMANET MEDAN` memiliki koefisien positif, menunjukkan bahwa pesanan dari gudang-gudang ini cenderung memiliki probabilitas pembatalan yang lebih tinggi. Ini sejalan dengan analisis deskriptif di Bab 5.1.3 yang menunjukkan tingkat pembatalan di atas rata-rata untuk gudang-gudang ini.
    *   `Asal Gudang_PHARMANET PALEMBANG`, `PHARMANET BANDUNG`, dan `PHARMANET SOLO` memiliki koefisien negatif, yang mengindikasikan probabilitas pembatalan yang lebih rendah untuk pesanan dari gudang-gudang ini.
    *   **Catatan Penting:** Walaupun tidak muncul di daftar 20 teratas ini, analisis deskriptif sebelumnya menyoroti `PHARMANET PUSAT` dengan tingkat pembatalan 100%. Dalam model yang lebih komprehensif, variabel *dummy* untuk `Asal Gudang_PHARMANET PUSAT` kemungkinan besar memiliki koefisien positif yang sangat besar, mengkonfirmasi anomali ekstrem yang telah diamati.

4.  **Kuantitas Pesanan (`Qty RO`):** Koefisien negatif (`-0.068`) untuk `Qty RO` mengindikasikan bahwa pesanan dengan kuantitas yang lebih besar cenderung memiliki probabilitas pembatalan yang lebih rendah. Sebaliknya, pesanan dengan kuantitas yang lebih kecil lebih rentan terhadap pembatalan. Hal ini konsisten dengan temuan statistik deskriptif di Bab 5.2.2.

5.  **Keterlibatan Pharos (`Pharos YN_Y`):** Koefisien positif (`0.065`) untuk `Pharos YN_Y` menunjukkan bahwa pesanan yang terkait dengan Pharos sedikit lebih mungkin dibatalkan. Ini juga sejalan dengan temuan di Bab 5.3.2.

6.  **Data CMC yang Hilang (`Cmc_Unknown`):** Koefisien positif (`0.063`) untuk `Cmc_Unknown` (nilai hilang pada kolom Cmc) menunjukkan bahwa ketidaklengkapan data `Cmc` berkorelasi dengan peningkatan probabilitas pembatalan. Ini menekankan pentingnya kelengkapan data.

7.  **Pengaruh Divisi (`Divisi_PHARMANET`):** Koefisien negatif (`-0.068`) menunjukkan bahwa pesanan dari divisi PHARMANET sedikit lebih kecil kemungkinannya untuk dibatalkan dibandingkan dengan divisi lainnya (setelah memperhitungkan semua faktor lain).

## 6.3. Kesimpulan dan Rekomendasi Pemodelan Prediktif

Model Regresi Logistik ini, meskipun memberikan akurasi "sempurna" karena adanya indikator langsung pembatalan dalam data, tetap berguna untuk mengidentifikasi variabel-variabel lain yang secara statistik berpengaruh terhadap probabilitas pembatalan.

### Kesimpulan:

*   **Identifikasi Indikator, Bukan Prediktor:** Kolom `Sts SP Header`, `Sts SP Detail`, dan `Status DO` adalah indikator yang kuat bahwa pembatalan sudah terjadi, bukan prediktor kejadian yang akan datang. Oleh karena itu, upaya harus difokuskan pada *akar penyebab* mengapa status-status ini berubah menjadi 'C'.
*   **Faktor Pengaruh Lain:** Setelah mengabaikan indikator langsung, fitur-fitur seperti `Nama Ekspedisi_Unknown`, asal gudang tertentu (`PHARMANET TANGERANG`, `PHARMANET MEDAN`), kuantitas pesanan (`Qty RO`), status `Pharos YN`, dan nilai `Cmc` yang hilang teridentifikasi sebagai faktor-faktor yang signifikan memengaruhi probabilitas pembatalan.

### Rekomendasi:

1.  **Fokus pada Akar Penyebab Status 'C':** Alih-alih mengembangkan model yang hanya mengkonfirmasi pembatalan yang sudah terjadi, perusahaan harus mengembangkan sistem pencatatan alasan pembatalan yang lebih terperinci pada setiap tahapan (`Sts SP Header`, `Sts SP Detail`, `Status DO`). Data tentang *mengapa* pembatalan terjadi (misalnya, stok habis, pelanggan berubah pikiran, masalah harga, pembayaran gagal) akan jauh lebih berharga untuk strategi pencegahan.
2.  **Perbaiki Kualitas Data Ekspedisi dan Cmc:** Tingginya koefisien `Nama Ekspedisi_Unknown` dan `Cmc_Unknown` menunjukkan perlunya perbaikan proses input data untuk memastikan kelengkapan informasi ini. Data yang hilang mungkin mencerminkan masalah operasional yang lebih besar.
3.  **Tinjau Kinerja Gudang:** Berdasarkan koefisien yang menonjol untuk `Asal Gudang`, lakukan audit operasional yang lebih dalam pada gudang-gudang seperti `PHARMANET TANGERANG` dan `PHARMANET MEDAN` yang berkorelasi positif dengan pembatalan. Pahami praktik-praktik sukses di gudang dengan koefisien negatif (`PHARMANET PALEMBANG`, `PHARMANET BANDUNG`, `PHARMANET SOLO`) untuk direplikasi. Jangan lupakan anomali kritis `PHARMANET PUSAT` dari analisis sebelumnya.
4.  **Perhatikan Pesanan Kuantitas Kecil:** Pesanan dengan `Qty RO` yang lebih rendah memiliki probabilitas pembatalan yang lebih tinggi. Pertimbangkan strategi untuk pesanan kecil, seperti proses verifikasi yang lebih cepat, ketersediaan stok yang dijamin, atau insentif untuk mencegah pembatalan.
5.  **Evaluasi Proses Terkait Pharos:** Koefisien `Pharos YN_Y` yang positif menyarankan tinjauan pada proses yang melibatkan Pharos untuk mengidentifikasi potensi gesekan atau penundaan yang dapat menyebabkan pembatalan.

Dengan mengintegrasikan wawasan dari model prediktif ini dengan analisis deskriptif sebelumnya, perusahaan dapat membangun pemahaman yang lebih holistik tentang pembatalan pesanan dan merancang intervensi yang lebih efektif.

## 6.1. Konfirmasi Hubungan Deterministik: Sts SP Header, Sts SP Detail, Status DO

# 6.1. Konfirmasi Hubungan Deterministik: Sts SP Header, Sts SP Detail, Status DO

Pada bab 6. Pemodelan Prediktif, model Regresi Logistik kami menunjukkan akurasi "sempurna" 100% dalam memprediksi `Status RO` (status pesanan). Meskipun performa ini sangat mengesankan secara statistik, analisis awal mengisyaratkan bahwa akurasi tersebut mungkin disebabkan oleh adanya hubungan yang bersifat deterministik antara `Status RO` dengan beberapa variabel internal proses, yaitu `Sts SP Header`, `Sts SP Detail`, dan `Status DO`.

Bab ini didedikasikan untuk mengkonfirmasi dugaan tersebut melalui tabulasi silang, guna memahami apakah kolom-kolom ini adalah *indikator langsung* dari pembatalan yang telah terjadi, alih-alih menjadi *prediktor* independen yang dapat meramalkan pembatalan di masa depan. Pemahaman ini krusial untuk mengarahkan analisis lebih lanjut kepada akar penyebab pembatalan yang sesungguhnya.

### Status Unik pada Kolom Kritis

Pertama, mari kita lihat nilai-nilai unik yang ada pada masing-masing kolom ini:

**Nilai Unik untuk `Sts SP Header`:**
*   P (Processed/Penuh)
*   C (Cancelled/Dibatalkan)

**Nilai Unik untuk `Sts SP Detail`:**
*   P (Processed/Penuh)
*   C (Cancelled/Dibatalkan)

**Nilai Unik untuk `Status DO`:**
*   P (Processed/Penuh)
*   C (Cancelled/Dibatalkan)

Dapat dilihat bahwa ketiga kolom ini memiliki dua kemungkinan status: 'P' yang umumnya berarti proses berlanjut atau selesai dengan baik, dan 'C' yang mengindikasikan pembatalan.

### Konfirmasi Hubungan Deterministik melalui Tabulasi Silang

Untuk mengkonfirmasi hubungan langsung antara status-status internal ini dengan `Status RO`, kami melakukan tabulasi silang.

---

**Tabel 6.1.1: Hubungan `Status RO` dengan `Sts SP Header`**

| Sts SP Header | Jumlah CANCEL | Persentase CANCEL | Jumlah TERLAYANI PENUH | Persentase TERLAYANI PENUH | Total |
|:--------------|--------------:|------------------:|-----------------------:|---------------------------:|:------|
| C             | 1,740         | 100.0%            | 0                      | 0.0%                       | 1,740 |
| P             | 0             | 0.0%              | 129,575                | 100.0%                     | 129,575 |
| **Total**     | **1,740**     | **1.3%**          | **129,575**            | **98.7%**                  | **131,315** |

---

**Tabel 6.1.2: Hubungan `Status RO` dengan `Sts SP Detail`**

| Sts SP Detail | Jumlah CANCEL | Persentase CANCEL | Jumlah TERLAYANI PENUH | Persentase TERLAYANI PENUH | Total |
|:--------------|--------------:|------------------:|-----------------------:|---------------------------:|:------|
| C             | 1,740         | 100.0%            | 0                      | 0.0%                       | 1,740 |
| P             | 0             | 0.0%              | 129,575                | 100.0%                     | 129,575 |
| **Total**     | **1,740**     | **1.3%**          | **129,575**            | **98.7%**                  | **131,315** |

---

**Tabel 6.1.3: Hubungan `Status RO` dengan `Status DO`**

| Status DO | Jumlah CANCEL | Persentase CANCEL | Jumlah TERLAYANI PENUH | Persentase TERLAYANI PENUH | Total |
|:----------|--------------:|------------------:|-----------------------:|---------------------------:|:------|
| C         | 1,740         | 100.0%            | 0                      | 0.0%                       | 1,740 |
| P         | 0             | 0.0%              | 129,575                | 100.0%                     | 129,575 |
| **Total** | **1,740**     | **1.3%**          | **129,575**            | **98.7%**                  | **131,315** |

---

### Wawasan Bisnis dan Implikasi Kritis

Tabulasi silang ini secara mutlak mengkonfirmasi hipotesis kami: `Sts SP Header`, `Sts SP Detail`, dan `Status DO` bukanlah prediktor independen yang mengindikasikan kemungkinan pembatalan di masa depan. Sebaliknya, mereka adalah **indikator langsung** atau **konsekuensi yang sudah tercatat** dari pembatalan yang *telah terjadi* pada tahapan proses terkait.

Berikut adalah implikasi penting dari temuan ini:

1.  **Indikator, Bukan Prediktor:** Jika `Sts SP Header`, `Sts SP Detail`, atau `Status DO` bernilai 'C' (Cancelled), maka `Status RO` **pasti dan selalu** akan menjadi 'CANCEL'. Tidak ada satupun pesanan yang memiliki status 'C' pada salah satu kolom ini namun `Status RO`-nya 'TERLAYANI PENUH'. Demikian pula, jika status-status internal ini 'P' (Processed/Penuh), maka `Status RO` selalu 'TERLAYANI PENUH'.
2.  **Penjelasan Akurasi "Sempurna" Model:** Akurasi 100% dari model Regresi Logistik di bab sebelumnya kini dapat dipahami. Model tersebut tidak benar-benar "memprediksi" pembatalan, melainkan hanya mengidentifikasi dan mencerminkan hubungan deterministik yang sudah ada di dalam data sistem. Dengan kata lain, model tersebut berhasil melihat bahwa jika sistem telah menandai SP atau DO sebagai 'Cancelled', maka pesanan secara keseluruhan juga akan berakhir 'Cancelled'.
3.  **Pergeseran Fokus Analisis:** Temuan ini mengarahkan fokus analisis kita dari "bagaimana memprediksi pembatalan" menjadi "mengapa status internal ini berubah menjadi 'C' ". Pertanyaan yang sebenarnya relevan bagi bisnis adalah:
    *   Apa yang menyebabkan Surat Pesanan (SP) atau *item* dalam SP dibatalkan (`Sts SP Header = C` atau `Sts SP Detail = C`)?
    *   Apa yang menyebabkan Delivery Order (DO) dibatalkan (`Status DO = C`)?
    Ini bukan lagi tentang apakah SP atau DO yang dibatalkan akan menyebabkan RO dibatalkan (karena itu sudah pasti), melainkan tentang akar masalah di balik pembatalan SP atau DO itu sendiri.

### Rekomendasi

Berdasarkan konfirmasi hubungan deterministik ini, rekomendasi kami adalah sebagai berikut:

1.  **Fokus pada Akar Penyebab Status 'C':** Perusahaan harus mengalihkan sumber daya dari sekadar memprediksi pembatalan ke *mengidentifikasi dan menyelesaikan akar penyebab* mengapa `Sts SP Header`, `Sts SP Detail`, atau `Status DO` berubah menjadi 'C'. Ini adalah titik intervensi yang paling efektif.
2.  **Implementasi Sistem Pencatatan Alasan Pembatalan yang Lebih Detail:** Sangat krusial untuk mencatat *alasan spesifik* pembatalan pada setiap tahapan di mana `Sts SP Header`, `Sts SP Detail`, atau `Status DO` berubah menjadi 'C'. Contoh alasan yang perlu direkam:
    *   "Stok tidak tersedia"
    *   "Permintaan pembatalan oleh pelanggan"
    *   "Masalah pembayaran/kredit"
    *   "Harga berubah"
    *   "Kesalahan input data"
    *   "Kualitas produk tidak sesuai"
    Data granular ini akan memungkinkan analisis akar masalah yang sesungguhnya dan merumuskan strategi pencegahan yang tepat sasaran.
3.  **Tinjau Kembali Proses Bisnis Terkait SP dan DO:** Lakukan audit menyeluruh terhadap proses internal yang mengarah pada perubahan status SP dan DO menjadi 'C'. Hal ini mencakup manajemen stok, proses verifikasi pesanan, alur persetujuan, dan komunikasi dengan pelanggan.
4.  **Integrasikan Wawasan Sebelumnya:** Gunakan temuan-temuan dari analisis sebelumnya, seperti:
    *   Anomali 100% pembatalan di `PHARMANET PUSAT` (Bab 5.3) kemungkinan besar adalah kasus di mana SP atau DO di gudang tersebut selalu ditandai 'C'.
    *   Keterlambatan waktu `SP_to_DO_Hours` (Bab 5.5) yang secara signifikan lebih lama untuk pesanan yang dibatalkan mengindikasikan bahwa penundaan dalam proses penerbitan DO (yang bisa berujung pada status 'C' pada `Status DO`) adalah area yang perlu ditangani.
    *   Produk, outlet, dan kelas pelanggan yang sering dibatalkan (Bab 5.4) mungkin mengalami pembatalan karena masalah yang menyebabkan SP/DO mereka bertatus 'C'.

Dengan mengubah perspektif dari "memprediksi hasil" menjadi "menganalisis penyebab di balik status indikator", perusahaan dapat membangun sistem yang lebih tangguh dan efisien dalam mengurangi tingkat pembatalan pesanan secara fundamental.

## 7. Kesimpulan dan Rekomendasi

# 7. Kesimpulan dan Rekomendasi

Laporan Analisis Data Eksplorasi (EDA) ini telah mengulas secara mendalam data proses pemenuhan pesanan untuk mengidentifikasi pola, anomali, dan faktor-faktor kunci yang berkontribusi terhadap pembatalan pesanan (`Status RO`). Tujuan utama adalah untuk memberikan pemahaman yang komprehensif serta rekomendasi strategis yang dapat ditindaklanjuti guna meningkatkan efisiensi operasional dan mengurangi tingkat pembatalan.

## 7.1. Kesimpulan Utama

### 7.1.1. Kualitas dan Integritas Data
Dataset yang berisi 131,315 catatan pesanan menunjukkan integritas yang baik karena tidak adanya duplikasi baris secara penuh. Namun, beberapa isu kualitas data ditemukan, yang memerlukan perhatian:
*   Kolom `Keterangan` dan `Nama Penerima` memiliki 100% nilai hilang, menjadikannya tidak relevan untuk analisis.
*   Kolom `Tgl Diterima` memiliki 7.9% nilai hilang, yang krusial untuk menghitung waktu penerimaan pesanan.
*   Beberapa kolom penting lainnya seperti `Cmc` (4.2% hilang), `Value PL` (1.3% hilang), serta kolom terkait logistik (`Nama Ekspedisi`, `Nomor Resi`, `Tgl Ekspedisi`, `Tgl Logbook` dengan sekitar 0.4% nilai hilang) juga menunjukkan ketidaklengkapan.
*   Nilai hilang pada `Value PL`, `Qty SP`, dan `Qty DO` untuk pesanan yang dibatalkan mengindikasikan pembatalan dini dalam proses.

### 7.1.2. Gambaran Umum Pembatalan Pesanan
Secara keseluruhan, 98.7% pesanan berhasil `TERLAYANI PENUH`, menunjukkan efisiensi operasional yang tinggi. Namun, terdapat 1.3% pesanan atau setara dengan 1,740 pesanan yang `CANCEL`. Meskipun persentase ini terlihat kecil, jumlah absolutnya cukup signifikan dan merepresentasikan potensi kerugian pendapatan serta inefisiensi.

### 7.1.3. Anomali Kritis: Gudang PHARMANET PUSAT
Anomali paling mencolok adalah **`PHARMANET PUSAT` yang mencatat tingkat pembatalan 100.0%**. Seluruh 22 pesanan yang berasal dari gudang ini dibatalkan. Analisis lebih lanjut menunjukkan bahwa pesanan-pesanan ini umumnya berasal dari Divisi PHARMANET, menggunakan pembayaran BRIVA, dan memiliki kuantitas serta nilai yang relatif kecil, dengan variasi produk. Hal ini sangat mengindikasikan masalah sistemik atau kekeliruan data/proses di gudang tersebut, bukan masalah terkait stok produk atau preferensi pelanggan.

### 7.1.4. Indikator Langsung, Bukan Prediktor: Status SP dan DO
Model Regresi Logistik menunjukkan akurasi "sempurna" 100% dalam memprediksi `Status RO`. Namun, analisis mendalam mengkonfirmasi bahwa ini disebabkan oleh hubungan deterministik:
*   Jika `Sts SP Header`, `Sts SP Detail`, atau `Status DO` bernilai 'C' (Cancelled), maka `Status RO` **pasti** akan 'CANCEL'.
*   Sebaliknya, jika status-status tersebut 'P' (Processed/Penuh), maka `Status RO` **pasti** 'TERLAYANI PENUH'.

Ini berarti kolom-kolom tersebut adalah **indikator langsung** bahwa pembatalan *telah terjadi* pada tahapan Surat Pesanan (SP) atau Delivery Order (DO), bukan *prediktor* independen yang meramalkan pembatalan di masa depan. Oleh karena itu, fokus harus dialihkan untuk memahami *akar penyebab* mengapa status internal ini berubah menjadi 'C'.

### 7.1.5. Keterlambatan Proses SP ke DO sebagai Pemicu Utama
Salah satu temuan paling krusial adalah perbedaan waktu pemrosesan:
*   Waktu rata-rata dari `Tgl. Order` ke `Tgl. SP` relatif sama untuk pesanan yang dibatalkan maupun terlayani (sekitar 0.6 jam).
*   Namun, waktu rata-rata dari `Tgl. SP` ke `Tgl DO` untuk pesanan yang dibatalkan adalah **13.1 jam**, secara signifikan lebih lama dibandingkan pesanan yang terlayani penuh (9.8 jam).
Selisih rata-rata **3.3 jam** ini sangat kuat berkorelasi dengan pembatalan pesanan, menunjukkan *bottleneck* operasional kritis di tahap persiapan Delivery Order.

### 7.1.6. Karakteristik Pesanan yang Dibatalkan
*   **Nilai dan Kuantitas:** Pesanan yang dibatalkan cenderung memiliki rata-rata `Value RO` (Rp 303,985) dan `Qty RO` (6 unit) yang lebih rendah dibandingkan pesanan yang berhasil terlayani penuh (masing-masing Rp 425,089 dan 11 unit). Hal ini menunjukkan pesanan kecil lebih rentan dibatalkan.
*   **Pembatalan Dini:** Untuk pesanan yang dibatalkan, `Qty SP` dan `Qty DO` adalah 0, menegaskan bahwa pembatalan terjadi sangat awal, sebelum atau saat SP atau DO dibuat dengan kuantitas produk yang sebenarnya.
*   **Top 10 Produk dan Outlet:** Produk seperti MEDISIO 36% CONCENTRATE 5ML (90 pembatalan) dan outlet seperti MITRA HUSADA, APT (42 pembatalan) sering muncul dalam daftar pesanan yang dibatalkan, mengindikasikan area spesifik untuk intervensi.

### 7.1.7. Segmentasi Pelanggan dan Pembayaran
*   **Divisi:** Divisi `VIBRANT 3` menunjukkan tingkat pembatalan yang sangat tinggi (19.6%), meskipun dengan volume pesanan kecil.
*   **Kelas Pelanggan:** Kelas pelanggan `F` (7.6% pembatalan) dan `D` (5.3% pembatalan) memiliki tingkat pembatalan yang jauh lebih tinggi secara proporsional dibandingkan kelas lain.
*   **Metode Pembayaran:** `Kredivo` memiliki tingkat pembatalan 0.0%, menunjukkan potensi praktik terbaik yang bisa dipelajari, sementara `BRIVA` dan `Term Of Payment` sedikit di atas rata-rata.
*   **Keterlibatan AO:** Pesanan yang melibatkan Account Officer (`AO YN = Y`) memiliki tingkat pembatalan sedikit lebih rendah (1.2%) dibandingkan yang tidak (1.4%), menunjukkan dampak positif kehadiran AO.

## 7.2. Rekomendasi

Berdasarkan kesimpulan di atas, berikut adalah rekomendasi strategis dan operasional untuk mengurangi tingkat pembatalan pesanan:

### 7.2.1. Audit dan Resolusi Anomali Kritis PHARMANET PUSAT
*   **Tindakan Segera:** Lakukan audit operasional menyeluruh dan mendalam di gudang `PHARMANET PUSAT`. Fokus pada alur kerja, integrasi sistem, manajemen stok, dan prosedur pencatatan data.
*   **Penyelidikan Data:** Periksa apakah ada pesanan uji coba yang tidak dihapus, kesalahan konfigurasi sistem yang secara otomatis membatalkan pesanan dari gudang ini, atau masalah internal yang parah sehingga tidak ada pesanan yang berhasil diproses. Ini adalah prioritas utama karena mengindikasikan kegagalan sistemik.

### 7.2.2. Optimasi Proses dan Eliminasi Bottleneck SP ke DO
*   **Investigasi Mendalam Waktu SP_to_DO:** Selidiki secara rinci mengapa waktu pemrosesan dari Surat Pesanan ke Delivery Order membutuhkan 3.3 jam lebih lama untuk pesanan yang dibatalkan. Identifikasi tahapan atau titik spesifik yang menyebabkan penundaan ini.
*   **Sistem Stok Real-time Akurat:** Pastikan informasi ketersediaan stok sangat akurat dan terbarui secara *real-time* untuk menghindari pembuatan SP untuk produk yang tidak tersedia. Hal ini akan mengurangi pembatalan di tahap DO.
*   **Percepat Verifikasi & Persetujuan:** Evaluasi dan percepat prosedur verifikasi pembayaran/kredit dan persetujuan internal yang menunda transisi dari SP ke DO. Pertimbangkan otomatisasi atau perpendek rantai persetujuan jika memungkinkan.
*   **Peningkatan Efisiensi Gudang:** Tinjau dan optimalkan operasional gudang, termasuk tata letak, proses *picking*, dan penggunaan teknologi untuk mempercepat persiapan pesanan.
*   **Manajemen Komunikasi Internal:** Tingkatkan koordinasi dan komunikasi antar departemen (penjualan, gudang, logistik) untuk mengurangi gesekan dan penundaan yang tidak perlu.

### 7.2.3. Implementasi Pencatatan Alasan Pembatalan yang Detail
*   **Fokus pada Akar Penyebab:** Alih-alih hanya mencatat status 'C', sistem harus mencatat **alasan spesifik** mengapa `Sts SP Header`, `Sts SP Detail`, atau `Status DO` berubah menjadi 'C'.
*   **Contoh Alasan:** "Stok habis", "Permintaan pelanggan", "Masalah pembayaran/kredit", "Kesalahan input", "Harga berubah", "Kualitas produk tidak sesuai". Data ini esensial untuk analisis akar masalah yang sesungguhnya dan perbaikan proses yang terarah.

### 7.2.4. Intervensi Bertarget untuk Segmen Berisiko Tinggi
*   **Divisi VIBRANT 3:** Lakukan audit proses dan model bisnis untuk Divisi `VIBRANT 3` untuk memahami mengapa tingkat pembatalannya sangat tinggi (19.6%).
*   **Kelas Pelanggan D & F:** Kembangkan strategi layanan khusus untuk kelas pelanggan `F` (7.6% pembatalan) dan `D` (5.3% pembatalan). Pahami kebutuhan spesifik atau kendala yang mereka hadapi melalui survei atau analisis mendalam. Ini bisa berupa peningkatan komunikasi, fleksibilitas pembayaran, atau penawaran produk yang disesuaikan.
*   **Produk yang Sering Dibatalkan:** Lakukan tinjauan stok dan proyeksi permintaan untuk produk-produk dalam daftar Top 10 Pembatalan. Tingkatkan komunikasi proaktif dengan pelanggan jika ada potensi masalah ketersediaan.
*   **Outlet dengan Pembatalan Tinggi:** Tim penjualan atau Account Officer harus proaktif menjangkau `Top 10 Cancelled Outlets` untuk memahami masalah mereka secara langsung dan menawarkan solusi yang relevan (misalnya, masalah komunikasi, kendala pengiriman, masalah kredit).

### 7.2.5. Peningkatan Kualitas Data dan Pembelajaran dari Praktik Terbaik
*   **Perbaikan Pengisian Data:** Tinjau proses pengisian data untuk kolom dengan nilai hilang tinggi, terutama `Tgl Diterima`, `Cmc`, `Nama Ekspedisi`, `Nomor Resi`, `Tgl Ekspedisi`, dan `Tgl Logbook`. Data yang lengkap akan memungkinkan analisis yang lebih akurat dan pemantauan kinerja yang lebih baik.
*   **Pelajari Metode Pembayaran Kredivo:** Selidiki mengapa metode pembayaran `Kredivo` memiliki tingkat pembatalan 0.0%. Identifikasi karakteristik pelanggan atau proses verifikasi yang dapat diterapkan pada metode pembayaran lain untuk mengurangi risiko pembatalan.
*   **Perkuat Peran Account Officer:** Keterlibatan Account Officer terbukti sedikit mengurangi pembatalan. Berikan dukungan lebih lanjut dan pelatihan untuk memaksimalkan dampak positif mereka dalam menjaga komunikasi dengan pelanggan dan menyelesaikan masalah.

Dengan mengimplementasikan rekomendasi ini secara terstruktur, perusahaan diharapkan dapat secara signifikan mengurangi tingkat pembatalan pesanan, meningkatkan efisiensi operasional, dan pada akhirnya memperkuat kepuasan serta loyalitas pelanggan.