PRESENTASI TUGAS AKHIR

Transkripsi

1 PRESENTASI TUGAS AKHIR PEMBANGUNAN APLIKASI CUSTOMER RELATIONSHIP MANAGEMENT BERORIENTASI SERVIS PADA PLATFORM JAVA MENGGUNAKAN FRAMEWORK APACHE OPEN FOR BUSINESS Kata kunci : CRM, Apache OFBiz, SOA, Web Service Penyusun Tugas Akhir Arini Rusda Dosen Pembimbing Prof. Drs.Ec. Ir. Riyanarto Sarno, M.Sc, Phd Dwi Sunaryono S.Kom

2 Customer Relationship Management

3 Customer Relationship Management adalah sebuah strategi bisnis menyeluruh dalam suatu perusahaan yang memungkinkan perusahaan tersebut secara efektif bisa mengelola hubungan dengan para pelanggan sehingga perusahaan dapat mengetahui kebutuhan pelanggan dan menyediakan pilihan produk atau layanan yang sesuai dengan permintaan mereka Prinsip dasar CRM adalah : Mengambil data input berupa data profile dari semua pelanggan dan memberikan informasi yang sesuai kepada klien berupa informasi tentang customer history, kebutuhan-kebutuhan pasar dan isu- isu lain seputar perkembangan pasar.

4 Fitur dan Teknologi

5 Apache Framework

6 Arsitektur Aplikasi OFBiz Screen Widgets, Controller OFBiz Service Engine OFBiz Service Engine OFBiz Entity Engine OFBiz Entity Engine

7 Existing CRM Module in OFBiz Account Management Lead Management Contact Management Opportunity Management Campaign Management Activity Management Existing Proposed Sales Trends Sales Forecast Customer Profiling Case Management Knowledge Management

8 Sales Trends & Forecasting Sales data from time to time Analisa tren Analisa forecast

9 Sales Trends & Forecasting Fitur : 1. Analisis tren pendapatan penjualan secara keseluruhan di suatu cabang pada jangka waktu tertentu, 2. Analisis tren pendapatan penjualan setiap produk di suatu jangka waktu tertentu, 3. Peramalan pendapatan perusahaan secara keseluruhan di suatu cabang pada masa yang akan datang berdasarkan data di masa lalu 4. Peramalan pendapatan perusahaan untuk setiap produk di suatu cabang pada masa yang akan datang berdasarkan data di masa lalu 5. Peramalan data ketersediaan produk yang dibutuhkan untuk menentukan economic order quantity

10 Customer Profiling Riwayat keluhan pelanggan Riwayat pembelian customer Pola pembelian pelanggan Customer Profile Fitur : 1. Pelaporan data pelanggan 2. Pelaporan riwayat pembelian pelanggan per bulan 3. Analisa tren pembelian pelanggan pada jangka waktu tertentu 4. Pelaporan riwayat permintaan pelanggan per bulan

11 Case & Knowledge Management Fitur : 1. Pencatatan keluhan pelanggan 2. Help desk perusahaan yang berisi profil perusahaan, instruction manual, troubleshooting, dan frequently asked questions.

12 Integrasi

13 CRM dalam ERP

14 Sales Order Check Stock Make to Stock / Make to Order Invoicing Shipment Delivery Order CRM Role in Order to Cash

15 Calculate safety stock Production request Production order Receiving batch Issue Material Inspection product CRM Role in Make to Stock

16 Hubungan antar FD (1) : CRM dan Sales CRM to Sales : ProvideCustomerList : Menyediakan data customer untuk sales order ProvideCustomerDetail : Menyediakan data detil pelanggan PostCaseData: Pemberitahuan adanya sales return Sales to CRM : ProvideRevenueService : Menyediakan data sales untuk analisa trend dan forecast ProvideSalesReturnService : Menyediakan data sales return untuk pengarsipan case

17 Hubungan antar FD (2) : CRM dan Inventory CRM to Inventory : ProvideForecastPerProductMonthly: Menyediakan forecast data kuantitas produk yang akan dipesan untuk dua bulan ke depan ProvideForecastRawMaterial : Menyediakan forecast data kuantitas bahan mentah yang dibutuhkan untuk bulan berikutnya Inventory to CRM : ProvideItemDataService: Menyediakan data produk jadi untuk detil analisa trend dan forecast

18 Hubungan antar FD (3) : CRM dan BI CRM to BI : Customer Geographical Data : menyediakan data geografis pelanggan ProvideOverallSalesForecast : menyediakan data peramalan sales secara keseluruhan.

19 Hubungan antar FD (4) : CRM dan HRM HRM to CRM: ProvideEmployeeData : menyediakan data staf customer service untuk pendelegasian case.

20 Skenario

21

22

23 Pencatatan request pelanggan Pencatatan sales return Pengelolaan knowledgebase

24 Terima Kasih This is the end of the presentation

25 Open Forecast API merupakan library package yang berfungsi untuk memodelkan peramalan data pada umumnya yang ditulis dalam Java. Library ini berusaha untuk menjembatani developer untuk menggunakan metode forecasting dalam aplikasi tanpa perlu mengetahui terlalu banyak mengenai model peramalan data yang ada. Pada OpenForecast, suatu model peramalan data merupakan model matematika yang mengimplementasikan interface ForecastingModel. Interface ini mendefinisikan fungsi-fungsi umum yang ada pada tiap model peramalan yang disupport oleh OpenForecast, semisal getmse(), getmad(), getmape(), forecast(), dan lainnya, yang merupakan fungsi-fungsi yang dibutuhkan dalam melakukan peramalan.

26 Single Exponential Smoothing Juga dikenal sebagai simple exponential smoothing yang digunakan pada peramalan jangka pendek, biasanya hanya 1bulan ke depan. Model mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten. FFFF + 1 = aa XXXX + (1 aa) FFFF Di mana: Ft : peramalan untuk periode t. Xt + (1-α) : Nilai aktual time series Ft+1 : peramalan pada waktu t + 1 α : konstanta perataan antara 0 dan 1

27 Double Exponential Smoothing Metode ini digunakan ketika data menunjukkan adanya trend. Exponential smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua komponen harus diupdate setiap periode level dan trendnya. Level adalah estimasi yang dimuluskan dari nilai data pada akhir masingmasing periode. Trend adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masingmasing periode. St = α * Yt + (1 α) * (St bt - 1) bt = γ * (St St - 1) + (1 γ) * bt 1 Ft + m = St + bt m Di mana : St : peramalan untuk periode t. Yt + (1-α) : Nilai aktual time series bt : trend pada periode ke - t α : parameter pertama perataan antara 0 dan 1 untuk pemulusan nilai observasi γ : parameter kedua, untuk pemulusan trend Ft+m : hasil peramalan ke - m m : jumlah periode ke muka yang akan diramalkan

28 Triple Exponential Smoothing Metode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman (Makridakis, 1999). Untuk menangani musiman, telah dikembangkan parameter persamaan ketiga yang disebut metode Holt-Winters Pemulusan trend: Pemulusan Musiman: Ramalan: Bt =g (St St-1) + (1 - g ) bt-1 IIII = bb XXXX + (1 bb)tt LL + mm SSSS Ft + m = (St + bt m)it L + m Dimana L : panjang musiman (misal, jumlah kuartal dalam suatu tahun), b : komponen trend, I : seasonal index, Ft + m : ramalan untuk m periode ke depan.