Templat data pengelolaan rantai pasok Anda

Nama Aktivitas menjelaskan langkah tertentu dalam siklus rantai pasok, seperti 'Pesanan dialokasikan', 'Barang diambil', atau 'Pengiriman diberangkatkan'. Aktivitas ini menjadi simpul dalam peta proses yang ditemukan.

Analisis aktivitas membantu memvisualisasikan alur proses, menemukan jalur yang sering dilalui, dan mengukur waktu yang dihabiskan di setiap tahap. Data ini penting untuk memahami perjalanan pesanan logistik, serta menemukan pengerjaan ulang, hambatan, dan penyimpangan dari proses standar.

Atribut ini menentukan langkah-langkah dalam proses. Langkah tersebut menjadi dasar peta proses dan memungkinkan analisis alur proses serta hambatan.

Biasanya, atribut ini diperoleh dengan memetakan kode peristiwa atau perubahan status dari berbagai tabel transaksi di Manhattan Associates ke nama aktivitas yang mudah dipahami.

Pesanan Logistik adalah nomor pelacakan utama yang menghubungkan semua aktivitas terkait, mulai dari pemesanan oleh pelanggan hingga pengiriman akhir. Setiap Pesanan Logistik mewakili satu rangkaian pemenuhan pesanan, sehingga seluruh siklusnya dapat dianalisis, termasuk pengadaan, pergudangan, pengiriman, dan penerimaan.

Dalam process mining, atribut ini digunakan untuk mengelompokkan semua peristiwa terkait ke dalam satu kasus. Analisis berdasarkan Pesanan Logistik membantu menghitung waktu siklus dari awal hingga akhir, menemukan variasi proses yang umum, serta mendeteksi hambatan atau penyimpangan yang memengaruhi pesanan tertentu.

Ini adalah ID kasus utama yang mengelompokkan semua peristiwa terkait, sehingga seluruh perjalanan satu pesanan dapat dilacak dari awal hingga akhir.

Ini adalah kunci utama dalam tabel manajemen pesanan utama di Manhattan Associates. Lihat dokumentasi sistem untuk mengetahui tabel spesifiknya, kemungkinan terkait dengan header pesanan.

Event Timestamp atau Start Time mencatat waktu persis saat suatu aktivitas dijalankan. Timestamp ini penting untuk mengurutkan event secara kronologis dan menghitung durasi antaraktivitas.

Dalam process mining, data ini digunakan untuk menyusun linimasa setiap kasus, menghitung waktu siklus, menemukan keterlambatan, dan menganalisis kinerja proses dari waktu ke waktu. Timestamp yang akurat menjadi dasar bagi hampir semua analisis proses berbasis waktu dan perhitungan KPI, seperti waktu tunggu total dan ketepatan waktu.

Atribut ini menunjukkan urutan kronologis event dan diperlukan untuk menghitung semua metrik berbasis waktu, seperti waktu siklus dan keterlambatan.

Informasi ini terdapat dalam tabel log transaksi di Manhattan Associates, bersama event atau pembaruan status terkait.

Atribut ini mencatat tanggal dan waktu pengambilan data terbaru dari sistem sumber. Kolom metadata ini membantu pengguna mengetahui seberapa baru data yang sedang dianalisis.

Di dashboard process mining, informasi ini penting untuk menunjukkan kapan insight terakhir diperbarui. Dengan begitu, pemangku kepentingan mengetahui usia data dan dapat mengambil keputusan berdasarkan informasi terbaru, bukan data yang sudah usang.

Menunjukkan kebaruan data agar analisis dan keputusan menggunakan informasi terkini.

Timestamp ini dibuat dan ditambahkan selama proses ekstraksi, transformasi, dan pemuatan data (ETL).

Atribut ini menunjukkan sistem informasi sumber asal data event. Dalam konteks ini, nilainya biasanya 'Manhattan Associates', tetapi juga dapat membedakan modul atau sistem terintegrasi yang berbeda.

Atribut ini penting untuk tata kelola data dan membantu memahami konteks data, terutama saat data dari beberapa sistem digabungkan. Atribut ini juga membantu menelusuri asal-usul data dan mengatasi masalah kualitas data.

Menunjukkan asal data. Informasi ini penting untuk tata kelola dan validasi data, serta saat menggabungkan data dari beberapa sistem perusahaan.

Biasanya berupa nilai tetap yang ditambahkan saat ekstraksi data untuk menandai asal dataset.

Jenis pesanan mengelompokkan pesanan logistik berdasarkan sifat atau prioritasnya. Jenis yang umum mencakup pesanan pelanggan, pesanan pemindahan stok, dan pesanan retur. Setiap jenis dapat memiliki alur proses dan perjanjian tingkat layanan (SLA) yang berbeda.

Atribut ini penting untuk analisis perbandingan. Dengan memfilter atau mengelompokkan proses berdasarkan jenis pesanan, analis dapat memahami penanganan tiap jenis pesanan, membandingkan waktu siklus, dan mengetahui apakah jenis tertentu lebih sering mengalami keterlambatan atau pengecualian. Atribut ini mendukung dashboard 'Perbandingan waktu siklus berdasarkan jenis pesanan'.

Memungkinkan perbandingan kinerja dan alur proses berbagai jenis pesanan, yang sering kali memiliki jalur dan SLA berbeda.

Terdapat dalam data header pesanan di Manhattan Associates. Lihat dokumentasi sistem untuk mengetahui nama kolom yang tepat.

Atribut ini menunjukkan moda transportasi yang digunakan untuk mengirim barang dari gudang ke tujuan. Contohnya mencakup Full Truckload (FTL), Less Than Truckload (LTL), angkutan udara, angkutan laut, atau paket.

Dimensi ini penting untuk dashboard 'Analisis biaya dan efisiensi transportasi'. Anda dapat membandingkan biaya dan kecepatan tiap moda transportasi, serta menghitung KPI 'Frekuensi pengiriman ekspres' dengan mengetahui kapan moda yang lebih mahal dan cepat digunakan.

Membantu menganalisis biaya dan efisiensi transportasi, serta mengetahui seberapa sering opsi pengiriman ekspres yang mahal digunakan.

Terdapat dalam tabel pengiriman atau perencanaan transportasi di modul TMS Manhattan Associates.

Atribut ini menunjukkan karyawan atau pengguna sistem yang bertanggung jawab menjalankan langkah proses tertentu. Nilainya dapat berupa ID pengguna unik, nama, atau nama akun sistem untuk tugas otomatis.

Analisis berdasarkan pengguna membantu memahami pembagian beban kerja dan kinerja sumber daya, serta menemukan kebutuhan pelatihan. Atribut ini penting untuk dashboard beban sumber daya dan throughput, serta untuk menyelidiki penyimpangan proses yang mungkin terkait dengan pengguna tertentu.

Mendukung analisis kinerja sumber daya dan pembagian beban kerja, serta membantu menemukan pengguna atau tim yang terlibat dalam pengecualian proses.

Biasanya terdapat dalam tabel transaksi bersama data event, sering kali pada kolom 'UserID' atau 'ChangedBy'. Lihat dokumentasi Manhattan Associates.

SKU produk adalah kode unik untuk mengidentifikasi produk tertentu. Satu pesanan logistik dapat mencakup beberapa SKU.

Analisis proses berdasarkan produk membantu menemukan barang yang terkait dengan inefisiensi proses, seperti waktu pengambilan yang lebih lama, tingkat pengerjaan ulang yang lebih tinggi, atau stok yang sering habis. Atribut ini penting untuk dashboard 'Pengisian ulang inventaris dan risiko kehabisan stok', yang menganalisis ketepatan waktu pemesanan ulang berdasarkan produk.

Mendukung analisis pada tingkat produk untuk menemukan masalah seperti stok habis, keterlambatan pengambilan, atau masalah kualitas pada barang tertentu.

Terdapat dalam tabel baris pesanan di Manhattan Associates. Data perlu digabungkan dari header pesanan ke detail baris pesanan.

Atribut ini menyimpan tanggal target pengiriman barang kepada pelanggan atau lokasi penerima. Tanggal ini menjadi acuan untuk mengukur ketepatan waktu pengiriman.

Dalam analisis, tanggal ini dibandingkan dengan timestamp pengiriman aktual ('Proof of Delivery Received') untuk menentukan apakah pesanan tiba tepat waktu, lebih awal, atau terlambat. Atribut ini penting untuk menghitung KPI seperti 'Tingkat ketepatan waktu pengiriman ke pelanggan' dan 'Tingkat ketepatan waktu pengiriman pemasok', serta menyusun dashboard kinerja terkait.

Menjadi acuan untuk mengukur ketepatan waktu, KPI penting bagi kepuasan pelanggan dan pengelolaan pemasok.

Terdapat dalam tabel header pesanan atau baris pesanan di Manhattan Associates. Lihat dokumentasi sistem.

Atribut ini menunjukkan fasilitas gudang yang bertanggung jawab memenuhi pesanan. Jika operasional menggunakan beberapa gudang, atribut ini penting untuk analisis.

Atribut ini mendukung dashboard 'Analisis hambatan pengambilan di gudang' dengan memungkinkan perbandingan kinerja antar fasilitas. Analis dapat mengetahui gudang mana yang lebih efisien, mana yang memiliki waktu siklus pengambilan lebih lama, dan di mana sumber daya perlu dialokasikan ulang.

Memungkinkan perbandingan kinerja antar gudang untuk menemukan hambatan khusus fasilitas dan praktik terbaik.

Biasanya menjadi bagian dari data pesanan atau pengiriman di Manhattan Associates WMS dan menunjukkan lokasi yang memenuhi pesanan.

ID pengiriman adalah nomor referensi untuk sekumpulan barang yang dikirim bersama. Satu pengiriman dapat mencakup beberapa pesanan logistik, terutama jika semuanya menuju tujuan yang sama.

ID pesanan logistik berfungsi sebagai ID kasus, sedangkan ID pengiriman memberikan konteks tambahan. Atribut ini memungkinkan analisis aktivitas pada tingkat pengiriman, seperti 'Perusahaan pengangkut ditetapkan' atau 'Pengiriman diberangkatkan', serta membantu memahami efisiensi konsolidasi dan perencanaan transportasi.

Menghubungkan pesanan yang dikirim bersama agar efisiensi transportasi dan strategi konsolidasi dapat dianalisis.

Dibuat dan disimpan dalam tabel perencanaan transportasi dan pengiriman di Manhattan Associates.

Atribut ini menunjukkan titik awal pengiriman, seperti pusat distribusi, pabrik, atau lokasi pemasok. Biasanya, nilainya berupa kode atau nama lokasi.

Data lokasi asal dan tujuan menjadi dasar analisis jaringan logistik. Atribut ini mendukung dashboard 'Matriks waktu tunggu asal-tujuan' untuk memvisualisasikan dan menganalisis waktu tunggu pada berbagai rute pengiriman, serta menemukan hambatan yang terkait dengan wilayah atau fasilitas tertentu.

Penting untuk mengoptimalkan jaringan logistik dan menemukan perbedaan kinerja antarjalur pengiriman atau fasilitas.

Informasi ini biasanya tersimpan dalam tabel pengiriman atau header pesanan di Manhattan Associates.

Atribut ini menunjukkan titik akhir pengiriman barang. Lokasinya dapat berupa pusat distribusi pelanggan, toko ritel, atau alamat konsumen akhir. Nilainya sering kali berupa kota, negara bagian, atau kode pos.

Jika dipasangkan dengan lokasi asal, atribut ini penting untuk dashboard 'Matriks waktu tunggu asal-tujuan'. Analisis waktu tunggu berdasarkan tujuan membantu menemukan kendala pengiriman di wilayah tertentu dan mengevaluasi efisiensi jaringan distribusi.

Membantu menganalisis kinerja pengiriman di berbagai wilayah geografis dan menemukan hambatan regional atau masalah pada perusahaan pengangkut.

Informasi alamat tujuan pengiriman ini terdapat dalam header pesanan atau detail pengiriman di Manhattan Associates.

Atribut ini menunjukkan pelanggan akhir yang menerima kiriman. Pelanggan dapat berupa individu atau badan usaha.

Informasi pelanggan penting untuk menganalisis tingkat layanan dan menemukan pola yang terkait dengan pelanggan tertentu. Atribut ini mendukung dashboard 'Tingkat ketepatan waktu pengiriman ke pelanggan' dengan memungkinkan analisis kinerja pengiriman berdasarkan pelanggan. Dengan begitu, Anda dapat mengetahui apakah keterlambatan terkonsentrasi pada akun atau wilayah tertentu.

Memungkinkan analisis dikelompokkan berdasarkan pelanggan. Ini penting untuk memahami masalah yang dialami pelanggan tertentu dan mengukur tingkat layanan.

Terdapat dalam data header pesanan dan sering kali terhubung melalui ID pelanggan. Lihat dokumentasi Manhattan Associates.

Atribut ini menunjukkan vendor atau pemasok tempat barang atau bahan baku dibeli. Atribut ini relevan untuk pesanan logistik yang dibuat berdasarkan pesanan pembelian.

Analisis berdasarkan pemasok penting untuk mengevaluasi kinerja vendor. Anda dapat membuat kartu penilaian pemasok, memantau tingkat ketepatan waktu pengiriman, dan menemukan pemasok yang sering terkait dengan keterlambatan pada langkah 'Barang diterima'. Atribut ini mendukung dashboard 'Kinerja ketepatan waktu pengiriman pemasok'.

Mendukung analisis kinerja pemasok, membantu menemukan mitra yang andal dan sumber keterlambatan pada rantai pasok masuk.

Terhubung ke tabel data pesanan pembelian di Manhattan Associates. Biasanya, data perlu digabungkan dari pesanan logistik ke header pesanan pembelian.

Nama perusahaan pengangkut menunjukkan mitra logistik atau perusahaan yang mengirim barang secara fisik. Perusahaan ini dapat berupa perusahaan pengiriman besar atau kurir lokal.

Analisis berdasarkan perusahaan pengangkut penting untuk mengevaluasi ketepatan waktu pengiriman, biaya, dan efisiensinya. Dimensi ini menjadi dasar dashboard 'Analisis biaya dan efisiensi transportasi', yang memungkinkan perbandingan waktu siklus dan biaya antarperusahaan pengangkut.

Mendukung evaluasi kinerja mitra transportasi agar Anda dapat memilih perusahaan pengangkut berdasarkan biaya dan keandalannya.

Terdapat dalam tabel pengiriman atau pesanan angkutan, biasanya di modul TMS Manhattan Associates.

Atribut boolean ini diperoleh dengan membandingkan timestamp event 'Proof of Delivery Received' dengan 'RequestedDeliveryDate'. Setiap pesanan ditandai tepat waktu (true) atau terlambat (false).

Atribut ini langsung mendukung KPI dan dashboard 'Tingkat ketepatan waktu pengiriman ke pelanggan'. Atribut ini menyederhanakan analisis dengan memberikan hasil yang jelas untuk setiap kasus, sehingga Anda dapat memfilter pesanan yang terlambat dan menyelidiki penyebabnya.

Mengukur tingkat layanan pelanggan secara langsung dan menyederhanakan analisis ketepatan waktu dengan mengelompokkan setiap pesanan sebagai tepat waktu atau terlambat.

Kolom ini tidak tersedia di sistem sumber. Nilainya dihitung saat transformasi data dengan membandingkan timestamp pengiriman aktual dengan tanggal pengiriman yang diminta.

Atribut ini menunjukkan total biaya yang timbul untuk pesanan logistik. Biaya dapat dirinci menjadi biaya transportasi, biaya pergudangan, dan biaya penanganan. Tingkat perinciannya bergantung pada data sumber.

Data biaya sangat berguna untuk process mining berbasis nilai. Data ini mendukung dashboard 'Analisis biaya dan efisiensi transportasi' dengan memberikan konteks biaya untuk waktu siklus. Dengan menganalisis biaya, perusahaan dapat menemukan variasi proses berbiaya tinggi dan mengambil keputusan berbasis data untuk mengoptimalkan kecepatan sekaligus pengeluaran.

Menambahkan dimensi keuangan pada proses agar pemicu biaya dan dampak finansial dari inefisiensi dapat dianalisis.

Data biaya dapat berasal dari beberapa tabel di Manhattan Associates atau perlu diintegrasikan dengan sistem keuangan. Lihat dokumentasi untuk tabel biaya angkutan atau biaya pesanan.