2. Dataset : Spare part truck dalam rangka pengoptimalan manajemen inventarisasi, seleksi supplier, dan strategi supply chain (Analysis and Decision Systems)

Kali ini saya akan mencoba seolah-olah menjadi seorang manager supplay chain, yang sedang mecoba menjadi decision maker untuk membuat keputusan pengadaan spare part berdasarkan data opensource :

https://www.kaggle.com/datasets/prplct/truck-spare-parts

Analisis kali ini akan berfokus pengoptimalan manajemen inventarisasi, seleksi supplier, dan strategi supply chain. Berikut urutan analisisnya:

• Input dan Observasi Data

Memuat dataset ke dalam DataFrame pandas. Hasil dari input data ini berupa informasi umum seperti tipe data, kolom, struktur pada 5 baris pertama.

Hal tersebut artinya adalah :

• Part_ID : kode unik untuk setiap spare part.

• Part_Name: nama spesifik dari spare part.
• Part_Category: pengelompokkan spare part berdasarkan jenis.
• Brand: Merk dari spare part.
• Truck_Model: model truk yang menggunakan spare part.
• Price: harga per unit spare part.
• Stock_Quantity: nilai stok spare part di gudang saat ini.
• Supplier: nama supplier penyedia spare part.
• Warehouse_Location: alamat lokasi gudang spare part.
• Delivery_Time_Days: waktu pengiriman spare part dalam hari dari supplier.
• Warranty_Period_Months: total durasi warranty spare part dalam bulan.
• Order_Date: tanggal pemesanan spare part.
• Monthly_Sales: jumlah spare part yang laku dalam sebulan.
• Revenue: total pendapatan dari penjualan spare part.

• Preprocessing Data

Pada bagian ini dilakukan cleaning data, adjustment pada nilai yang hilang (missing value), lalu mengkonversi tipe data dari tanggal ke format datetime, dan buat kolom turunan pada Tahun, Bulan, atau hari menjadi mingguan untuk memudahkan dalam analisis trending.

Hal tersebut artinya adalah :

DataFrame Info

Bagian ini menggambarkan tentang struktur data:

• RangeIndex: 220 entries, 0 to 219: data terdiri dari 220 baris. Dan setiap baris sebagai representasi dari 1 transaksi.
• Data columns (total 14 columns): Dataset terdiri dari 14 kolom.
• Kolom Data :
  • Part_ID, Part_Name, Part_Category, Brand, Truck_Model, Supplier, Warehouse_Location, Order_Date: bertipe object. Dalam Pandas, berupa data teks (huruf atau angka yang tidak dihitung). dalam case ini yang perlu dicatat adalah Order_Date awalnya object, lalu diubah ke format tanggal untuk analisis time series.
  • Price, Revenue: bertipe float64, yang berarti angka desimal.
  • Stock_Quantity, Delivery_Time_Days, Warranty_Period_Months, Monthly_Sales: bertipe int64, yang berarti angka bulat.
• Non-Null Count: keseluruhan kolom adalah 220 non-null, artinya semua kolom terisi data. Sehingga adjustment pada missing value tidak perlu dilakukan
• memory usage: 24.2+ KB: petunjuk dari kapasitas memory dari system yang telah digunakan.

Sekarang pertanyaannya adalah, apa manfaat dari informasi data frame di atas bagi seorang manager supply chain?

Manfaat yang pertama adalah, data yang dimiliki oleh tim warehouse cukup lengkap. Terdiri dairi 220 data unik. Manfaat yang kedua adalah, type data dalam setiap kolom sudah diketahui sehingga memudahkan dalam menganalisis trending spare part yang laku, serta melihat rata-rata level stock warehouse.

Descriptive Statistics

Menjelaskan ringkasan statistik untuk kolom yang berisi data numerik

• count: Berisi total baris pada setiap kolom. Dimana 220 baris semuanya sudah terdapat data.
• mean : rata-rata
  • Price: berisi rata-rata price spare sebesar USD 895.45. 
  • Stock_Quantity: berisi rata-rata stok setiap spare part sebesar 301.56 unit. 
  • Delivery_Time_Days: berisi rata-rata lead time sebesar 9.86 hari.
  • Monthly_Sales: berisi rata-rata spare part yang laku bulanan sebesar 234.96 unit. 
  • Revenue: berisi rata-rata dari total pendapatan kotor terhadap seluruh spare part sebesar USD 215.632. 
• std : standard deviasi
  • merupakan standard deviasi untuk melihat sebaran data. std besar artinya variasi data range cukup besar. 
  • Delivery_Time_Days memiliki std 5.75, ini artinya variasi pengiriman spare part cukup besar, ada range variasi waktu hampir 6 hari.
• min : Nilai terendah .
  • Price nilai terendahnya USD 23.87, Stock_Quantity terendahnya 7 unit, Delivery_Time_Days tercepat pengiriman adalah 1 hari, dan Monthly_Sales terendah penjualan 3 unit.
• 25% (Kuartil Pertama): sebesar 25% data di bawah dari limit nilai ini.
• 50% (Median atau Kuartil Kedua): untuk observasi nilai yang sangat ektrim data ini jauh lebih membantu, nilai tengahnya.
• 75% (Kuartil Ketiga): 75% data yang berada di bawah ini.
• max : Nilai terbesar.
  • Price tertinggi sebesar USD 3.762.95, Stock_Quantity tertinggi 598 unit, Delivery_Time_Days terlama 20 hari, dan Monthly_Sales terbesar 500 unit.

Manfaat data deskripsi statistik adalah

• meanStock_Quantity rata-rata 301 unit, jika dibandingkan dengan mean Monthly_Sales 234 unit. Secara garis besar atau nilai rata-rata gudang selama ini mengalami over stock.
• mean Delivery_Time_Days Rata-rata 9.86 hari std 5.75 menunjukkan meski rata-rata pengiriman adalah 10 hari, namun ada pengiriman yang  cepat (min 1 hari) dan ada yang lambat (max 20 hari). Dengan variasi yang cukup besar ini sangat berpengaruh terhadap, master schedule plan pengadaan spare part.
• Price & Monthly_Sales: Price nilai terendahnya USD 23.87 dengan Monthly_Sales terendah penjualan 3 unit. jika dibandingkan Price tertinggi sebesar USD 3.762.95 dengan Monthly_Sales terbesar 500 unit. Rentang variasi yang cukup besar ini sangat berpotensi untuk terjadinya naik turun cashflow dan naik turun level stock. Sehingga perlu diberikan strategi khusus pada case terebut.
• Outlier: min dan max yang jauh dari rata-rata atau median. Hal ini menunjukkan secara performa sales ada beberapa spare part yang cukup ekstrim. Sehingga butuh concern khusus jika dibutuhkan optimasi untuk peningkatan laba.

Hasil observasi missing value di atas baik pre-processing atau pun after processing menunjukkan bahwa 0 atau null. Atau tidak ditemukan missing value

• Analisis pada Trending Penjualan

agregasi atau penggabungan data-data yang relevan dengan data penjualan, berupa jumlah item yang terjual atau pun total pendapatan.

Hasil agregasi di atas merupakan pengelompokkan dan penjumlahan pada data montly sales dan revenue, berdasarkan tahun kapan dan bulan ke berapa. Sehingga jika dilakukan trending sangat memudahkan dalam proses analisis selanjutnya. Berikut trendingnya.

Jika dilihat hasil grafik di atas, ada di bulan-bulan tertentu kenaikan pendapatan berbanding lurus dengan penjualan. Namun ada di bulan tertentu hal ini tidak sejalan. Sehingga hal ini menunjukkan bahwa dengan std yang cukup besar dari price, ada kondisi dimana hanya menjual sedikit item saja target penjualan secara revenue sudah terpenuhi dalam monthly.

• Mempolakan Demand Berdasarkan Kategori

Analisis pola demand pada semua kategori spare part. Hitung total demand pada setiap kategori dan identifikasi kategori dengan permintaan paling tinggi atau pun paling rendah. Lalu divisualisasikan polanya.

Berikut adalah 5 data terlaku

Berikut adalah 5 data dengan revenue tertinggi

Perbandingan antara total monthly sales per par category dan top 5 part categories by revenue, dapat ditarikan beberapa insight berikut:

- Dikategorikan ke dalam performa bagus (sales tinggi & revenue tinggi)

Exhaust dan cooling terlihat pada dua list dan berada di deretan atas. hal ini bisa menjadi sebuah petunjuk bahwa sangat laku dan harganya cukup bersaing. ini bisa menjadi kekuatan utama untuk menentukan strategi inventarisasi dan marketing.

- Dikategorikan ke dalam performa sedang type 1 (sales tinggi & revenue sedang)

Electrical, Brakes, dan Suspension berada di jajaran 5 part paling laku, tapi tidak muncul di 5 teratas untuk revenue. ini menunjukkan meski sangat laku tapi harganya sangat rendah. Dari hasil analisis ini bisa dijadikan sebagai strategi efisiensi operational atas target volume penjualan yang harus lebih besar.

- Dikategorikan ke dalam performa sedang type 2 (sales sedang & revenue tinggi)

Engine, Hydraulics, dan Transmission ada di 5 revenue tertinggi, tapi di sales tidak muncul di top 5 nya. hal ini indikasi harganya cukup kompetitif tapi salesnya sedang. Sehingga dari sisi inventarisasi harus selalu diperhatikan, meski barang keluar masuk dari gudang cukup rendah tapi sudah memberikan revenue yang cukup besar. Jadi stok harus selalu ada. 

Berikut adalah seluruh part category mulai dari yang paling laku sampai ke yang paling tidak laku

Berikut adalah seluruh part category mulai dari yang harganya paling mahal sampai ke harga yang paling murah

Jika dibuatkan matrix korelasi terhadap pola permintaan, sebagai berikut.

 

- Korelasi antara pola permintaan (monthly sales) VS revenue

menunjukkan angka 0.549 hal ini menunjukkan hubungan yang sangat kuat dari keduanya. Secara logic jika sales meningkat tentu revenue meningkat. atau pun kebalikannya saat revenue meningkat maka sales meningkat.

- Korelasi antara monthly sales VS warranty period months 

adalah 0,080715. Hal ini menunjukkan bahwa lamanya periode warranty tidak ada hubungan linier yang jelas terhadap pola permintaan sales. Hal ini aneh seharusnya customer lebih memilih part dengan warranty lama yang lebih laku, namun sepertinya dalam data ini ada faktor lain untuk menentukan hal tersebut.

- Korelasi antara monthly sales VS price sebesar 0,047566. 

Hal ini menunjukkan bahwa keduanya memiliki korelasi yang sangat lemah. Atau bisa dikatakan tidak jelas. Secara ekonomi hal ini aneh, seharusnya part lebih murah lebih laku, tapi dalam data ini sepertinya ada faktor lain yang lebih menentukan

- Korelasi antara monthly sales VS delivery time days sebesar 0,042093

Hal ini menunjukkan bahwa kedua memiliki korelasi yang sangat lemah. Hal ini aneh seharusnya orang-orang lebih membeli untuk spare part dengan delivery lebih cepat. Sepertinya dari data ini ada faktor lain yang menjadi alasan utama lakuknya spare part.

- 

• Monthly_Sales vs. Delivery_Time_Days: 0.042093 (Korelasi Positif Sangat Lemah)
  • Penjelasan: Waktu pengiriman (lead time) memiliki korelasi yang sangat lemah dan positif dengan penjualan bulanan. Ini aneh, karena secara intuitif kita mungkin berharap waktu pengiriman yang lebih singkat akan berkorelasi positif dengan penjualan. Korelasi positif sangat lemah ini menunjukkan bahwa dalam dataset ini, waktu pengiriman yang lebih lama tidak secara signifikan mengurangi penjualan, atau efeknya tertutupi oleh faktor lain.
• Monthly_Sales vs. Stock_Quantity: -0.136094 (Korelasi Negatif Lemah)
  • Penjelasan: Ada hubungan negatif yang lemah antara kuantitas stok dan penjualan bulanan. Ini adalah temuan yang menarik. Secara intuitif, kita mungkin berharap stok yang lebih tinggi akan memungkinkan penjualan yang lebih tinggi (korelasi positif). Namun, korelasi negatif yang lemah ini bisa mengindikasikan beberapa hal:
    • Overstocking: Barang dengan stok tinggi mungkin adalah barang yang kurang laku, sehingga menumpuk di gudang meski stoknya banyak, penjualannya tetap rendah.
    • Barang Cepat Habis: Barang yang sangat laris (penjualan tinggi) mungkin memiliki rata-rata stok yang lebih rendah karena cepat terjual habis, menciptakan korelasi negatif.

Insight Utama:

1. Revenue adalah Indikator Langsung Monthly_Sales: Korelasi kuat antara Monthly_Sales dan Revenue sudah sewajarnya, karena pendapatan dihitung dari penjualan. Namun, ini menegaskan bahwa fokus pada peningkatan unit penjualan akan secara langsung meningkatkan pendapatan. Untuk memahami mengapa pendapatan bisa lebih tinggi (misalnya, karena harga produk yang lebih mahal), kita perlu melihat korelasi Price dengan Revenue (yang sangat tinggi di 0.727823).

2. Manajemen Stok Perlu Ditelaah Lebih Lanjut: Korelasi negatif lemah antara Monthly_Sales dan Stock_Quantity adalah insight paling penting untuk manajemen inventaris:

   • Bukan Sekadar Banyak Stok: Ini menunjukkan bahwa hanya memiliki banyak stok tidak menjamin penjualan yang tinggi. Strategi 'tumpuk barang' mungkin tidak efektif.
   • Potensi Overstocking: Ada kemungkinan bahwa beberapa item dengan stok tinggi sebenarnya memiliki permintaan rendah, menyebabkan mereka tetap berada di gudang dan menciptakan korelasi negatif ini. Ini membutuhkan identifikasi dan strategi penanganan overstock.
   • Analisis Item Per Item: Penting untuk menyelidiki hubungan ini pada tingkat kategori atau bahkan Part ID individu. Kategori dengan penjualan sangat tinggi mungkin selalu kehabisan stok, sehingga rata-rata stoknya rendah. Ini membutuhkan peningkatan stok pengaman.
   • Kebutuhan untuk Analisis Lanjut: Korelasi ini menjadi alasan kuat untuk melakukan analisis lebih dalam (misalnya, analisis ABC atau VED) untuk memahami mengapa stok dan penjualan berkorelasi negatif.

3. Faktor Lain Kurang Berpengaruh Langsung: Price, Delivery_Time_Days, dan Warranty_Period_Months menunjukkan korelasi yang sangat lemah dengan Monthly_Sales. Ini bisa berarti:

   • Bukan Faktor Penentu Utama Volume Penjualan: Dalam konteks data ini, konsumen mungkin tidak terlalu sensitif terhadap perubahan kecil pada variabel ini untuk keputusan pembelian suku cadang truk, atau faktor lain (seperti kebutuhan mendesak, kualitas, atau ketersediaan model tertentu) lebih dominan.
   • Efek Tidak Linear: Hubungannya mungkin tidak linear. Mungkin ada ambang batas di mana harga atau waktu pengiriman menjadi sangat penting, tetapi dalam rentang data yang ada, efeknya tidak terlihat sebagai korelasi linear.

Secara keseluruhan, analisis korelasi ini menyoroti bahwa manajemen inventaris adalah area krusial yang membutuhkan perhatian lebih, terutama dalam menyeimbangkan kuantitas stok dengan pola permintaan aktual untuk menghindari kelebihan atau kekurangan stok.

• Analisis Level Stok Spare Part

Analisis level stok untuk setiap spare part. Identifikasi untuk melihat kemungkinan overstock atau understock. Lalu divisualisasikan distribusinya.

• Analisis Lead Time

Analisis lead time, mulai dari pesanan sampai dengan penerimaan di gudang. Identifikasi rata-rata waktu kirim, variabilitas, dan pola keterlambatan. Lalu divisualisasikan distribusinya.

• Analisis Performa Supplier

Analisis performa supplier menggunakan metrik. Sehingga didapatkan supplier terbaik dan yang kurang. lalu divisualisasikan performanya.

• Rekomendasi

Berdasarkan seluruh hasil analisis, dirumuskan rekomendasi untuk dilakukan optimisasi manajemen inventarisasi, seleksi supplier, dan perubahan strategi supply chain.

• Final Task

Berisi ringkasan finding dan rekomendasi akhir.

1. Dataset : Machine Predictive Maintenance Classification (Business Statistics)

Saya mencoba analisis statistika bisnis, dari data opensource di kaggle.com:

https://www.kaggle.com/datasets/shivamb/machine-predictive-maintenance-classification

1. Dataset 

Data kali ini berisi 10.000 baris dan 14 kolom. highlight sebagai berikut

index	UDI	Product ID	Type	Air temperature [K]	Process temperature [K]	Kecepatan Rotasi [rpm]	Torsi [Nm]	Kerusakan Tool [min]	Target Failure	Failure Type
0	1	M14860	M	298.1	308.6	1551	42.8	0	0	No Failure
1	2	L47181	L	298.2	308.7	1408	46.3	3	0	No Failure
2	3	L47182	L	298.1	308.5	1498	49.4	5	0	No Failure
3	4	L47183	L	298.2	308.6	1433	39.5	7	0	No Failure
4	5	L47184	L	298.2	308.7	1408	40.0	9	0	No Failure

Show 102550100 per page

secara garis besar data diketahui, berupa :

• UDI adalah data yang berisi nomor urut dari 1 s/d 10.000
• Product ID adalah ID number dari product
• Type : adalah penggambaran kualitas produk Low (L), Medium  (M), High (H)
• Air Temperature (K) : adalah gambaran dari temperature udara sekitar
• Process Temperature (K) : adalah gambaran dari temperature di dalam sistem mesin
• Rotational Speed (Rpm) : adalah kecepatan putar pada daya 2860 W
• Torque (Nm) : adalah nilai torsi dari equipment yang berputar
• Tool Wear (Min) : Adalah nilai keausan dalam satuan menit
• Target : berisi data biner dimana 1 gagal, 0 tidak 
• Failure Type : Jika target menunjukkan 1 maka failure type akan muncul jenis kerusakannya

2. Melakukan inspeksi pada keseluruhan data

Data columns (total 10 columns):
 #   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
 0   UDI                      10000 non-null  int64  
 1   Product ID               10000 non-null  object 
 2   Type                     10000 non-null  object 
 3   Air temperature [K]      10000 non-null  float64
 4   Process temperature [K]  10000 non-null  float64
 5   Rotational speed [rpm]   10000 non-null  int64  
 6   Torque [Nm]              10000 non-null  float64
 7   Tool wear [min]          10000 non-null  int64  
 8   Target                   10000 non-null  int64  
 9   Failure Type             10000 non-null  object 
dtypes: float64(3), int64(4), object(3)
memory usage: 781.4+ KB

Missing values per column:
UDI                        0
Product ID                 0
Type                       0
Air temperature [K]        0
Process temperature [K]    0
Rotational speed [rpm]     0
Torque [Nm]                0
Tool wear [min]            0
Target                     0
Failure Type               0
dtype: int64

Maksud dari hasil inspeksi data di atas adalah:

• Data disimpan dalam format DataFrame atau tabel besar seperti di Excel.
• Tabel memiliki total 10.000 baris .

• Data  memiliki total 10 kolom .

• Non-Null Count (Hitungan Non-Kosong):

Untuk semua kolom, angkanya adalah 10000.Karena total baris juga 10000, ini berarti semua kolom terisi penuh. Tidak ada data yang hilang di sini! (Lihat bagian Missing Value di bawah).

• Dtype (Tipe Data):

Ini mendefinisikan jenis data di kolom:

• int64: 

Bilangan bulat (contoh: 1, 50, 1000). Digunakan untuk UDI, Kecepatan, Keausan Alat, dan Target.

• float64: 

Angka desimal (contoh: 300.2, 5.5). Digunakan untuk Suhu Udara, Suhu Proses, dan Torsi.

• object: 

Umumnya berarti teks (String). Digunakan untuk ID Produk, Tipe, dan Tipe Kegagalan.

• dtypes summary (Ringkasan di akhir):

Artinya: Secara total ada 3 kolom dengan tipe data float64, 4 kolom dengan tipe data int64, dan 3 kolom dengan tipe data object




3. Review Statistik Deskriptif

Dengan melihat statistik ini, dapat disimpulkan bahwa:
Suhu Operasi (Udara & Proses):
Suhu Udara dan Proses sangat stabil karena nilai std (Simpangan Baku)
sangat kecil (sekitar 2.0 dan 1.4).

Kecepatan Rotasi & Torsi:
Kecepatan Rotasi memiliki rata-rata 1538,778 rpm. Rentang Kecepatan
(Max - Min) adalah 2886 - 1168 = 1718 rpm, yang menunjukkan variasi yang
cukup luas dalam Kecepatan.

Tool Wear (Keausan Alat):
Rata-rata keausan alat adalah 108 menit. Rentang Keausan adalah 0 s/d 253 menit.

Target (Variabel Penting):
Nilai mean adalah 0.0339. Karena nilai Target hanya 0 atau 1
(kemungkinan menunjukkan kegagalan), rata-rata 0.0339 berarti hanya sekitar
3.39% dari total observasi yang mengalami kegagalan (Target = 1). Ini
menunjukkan bahwa kegagalan adalah peristiwa yang relatif jarang.

4. Analisis Frekuensi Kegagalan

 
  

5. Korelasi antara Fitur dan Kegagalan
 
6. Visualisasi dari setiap fitur
  


6. Summary Business Statistic Analysis
Dari analisis data diperoleh informasi sebagai berikut:

A. Korelasi antara type dan target
Dari visualisasi data tersebut menunjukkan bahwa tool dengan kualitas Low (L), 
Medium (M), atau pun High (H) tidak memiliki korelasi yang sangat signifikan

B. Dominasi Kegagalan
Dari data menunjukkan bahwa, dominasi kegagalan bukan berasal dari mekanis, 
tetapi dari Heat Dissipation Failure, Power Failure, dan Overstrain Failure. 
Sedangkan dari sisi mekanis seperti Tool Wear Failure dan Random Failures bisa
dikatakan jarang terjadi. Hal ini menunjukkan bahwa untuk menjaga performance
Mesin yang harus dilakukan adalah lebih berfokus pada problem non mekanis.

C.Korelasi setiap kolom terhadap target (failure)
Dari Matriks korelasi menunjukkan hal berikut:

•Kecepatan Rotasi VS Torsi 
Kecepatan rotasi VS Torsi menunjukkan nilai negatif, hal ini sangat logis
karena ciri suatu equipment rotating ketika mendapatkan load/beban/torsi tinggi
maka kecepatan berputar akan turun, dan hal itu berlaku sebaliknya. Sehingga
Hal bisa dimasukkan sebagai limit alarm untuk proses otomasi (limit alarm tripped),
dimana pada rotasi speed diberikan limit alarm batas bawah dan pada
torsi diberikan limit alarm batas atas

•Suhu Udara VS Suhu Proses 
Kedua suhu berkorelasi positif kuat satu sama lain. Namun, 
korelasi mereka dengan 'Target' sangat rendah, menunjukkan 
bahwa variasi normal dalam suhu ini mungkin bukan pemicu utama 
kegagalan mesin.


7. Rekomendasi Hasil Analisis Statisitika Bisnis
Pengambilan keputusan yang didasarkan pada data sebagai berikut:
- Prediktif Maintenance dan Setup limit alarm didasarkan pada 2 parameter
(Rotasi Speed & Torsi)
- Rotasi Speed diberikan limit alarm batas bawah, jadi dimana mesin tiba-tiba 
lebih lambat maka akan terjadi tripped, atau otomatis stop. Hal ini menunjukkan
terjadinya peningkatan torsi secara signifikan
- Torsi diberikan limit alarm batas atas, jadi dimana mesin tiba-tiba 
torsi meningkat maka akan terjadi tripped, atau otomatis stop. Hal ini menunjukkan
terjadinya peningkatan beban mesin secara signifikan
- Hasil kedua data akan dijadikan sebagai bahan untuk forecasting (predictive maintenance)