PEMBANGUNAN APLIKASI CUSTOMER RELATIONSHIP MANAGEMENT BERORIENTASI SERVIS PADA PLATFORM JAVA MENGGUNAKAN FRAMEWORK APACHE OPEN FOR BUSINESS
Penyusun Tugas AkhirArini Rusda 5107100160
Dosen PembimbingProf. Drs.Ec. Ir. Riyanarto Sarno, M.Sc, PhdDwi Sunaryono S.Kom
PRESENTASI TUGAS AKHIR
Kata kunci : CRM, Apache OFBiz, SOA, Web Service
Customer Relationship Management
Mengambil data input berupa data profile dari semua pelanggan dan memberikan informasiyang sesuai kepada klien berupa informasi tentang customer history, kebutuhan-kebutuhan pasar dan isu- isu lain seputar perkembangan pasar.
Customer Relationship Managementadalah 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 :
Fitur dan Teknologi
Apache Framework
Arsitektur Aplikasi
OFBiz Screen Widgets, Controller
OFBiz Service Engine
OFBiz Service Engine
OFBiz Entity Engine
OFBiz Entity Engine
Existing CRM Module in OFBiz
Account Management
Contact Management
LeadManagement
OpportunityManagement
ActivityManagement
Sales Trends Sales Forecast
CampaignManagement
Customer Profiling
Case Management
KnowledgeManagement
Existing
Proposed
Sales Trends & Forecasting
Sales data from time to
timeAnalisa tren Analisa
forecast
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 datangberdasarkan data di masa lalu
4. Peramalan pendapatan perusahaan untuk setiap produkdi suatu cabang pada masa yang akan datangberdasarkan data di masa lalu
5. Peramalan data ketersediaan produk yang dibutuhkanuntuk menentukan economic order quantity
Customer Profiling
Fitur :1. Pelaporan data pelanggan2. Pelaporan riwayat pembelian pelanggan per
bulan3. Analisa tren pembelian pelanggan pada
jangka waktu tertentu4. Pelaporan riwayat permintaan pelanggan per
bulan
Riwayatkeluhan
pelanggan
Riwayatpembeliancustomer
Polapembelianpelanggan
Customer Profile
Case & Knowledge Management
Fitur :1. Pencatatan keluhan pelanggan2. Help desk perusahaan yang berisi profil
perusahaan, instruction manual, troubleshooting, dan frequently asked questions.
Integrasi
CRM dalam ERP
CRM Role in Order to Cash
Sales Order Check StockMake to Stock
/ Make to Order
Delivery OrderShipmentInvoicing
CRM Role in Make to Stock
Calculate safety stock
Production request
Production order
Inspection product
Issue Material
Receiving batch
Hubungan antar FD (1) : CRM dan Sales
CRM to Sales :
Sales to CRM :
• ProvideCustomerList : Menyediakan data customer untuk sales order• ProvideCustomerDetail : Menyediakan data detil pelanggan•PostCaseData: Pemberitahuan adanya sales return
• ProvideRevenueService : Menyediakan data sales untuk analisatrend dan forecast• ProvideSalesReturnService : Menyediakan data sales return untukpengarsipan case
Hubungan antar FD (2) : CRM dan Inventory
CRM to Inventory :
Inventory to CRM :
• ProvideForecastPerProductMonthly: Menyediakan forecast data kuantitas produk yang akan dipesan untuk dua bulan ke depan•ProvideForecastRawMaterial : Menyediakan forecast data kuantitasbahan mentah yang dibutuhkan untuk bulan berikutnya
• ProvideItemDataService: Menyediakan data produk jadi untuk detilanalisa trend dan forecast
Hubungan antar FD (3) : CRM dan BI
CRM to BI :
• Customer Geographical Data : menyediakan data geografispelanggan• ProvideOverallSalesForecast : menyediakan data peramalan sales secara keseluruhan.
Hubungan antar FD (4) : CRM dan HRM
HRM to CRM:
•ProvideEmployeeData : menyediakan data staf customer serviceuntuk pendelegasian case.
Skenario
Pencatatan request pelanggan
Pencatatan sales return
Pengelolaan knowledgebase
Terima KasihThis is the end of the presentation
Open Forecast API
merupakan library package yang berfungsi untuk memodelkan peramalan datapada umumnya yang ditulis dalam Java. Library ini berusaha untuk menjembatanideveloper untuk menggunakan metode forecasting dalam aplikasi tanpa perlumengetahui terlalu banyak mengenai model peramalan data yang ada.
Pada OpenForecast, suatu model peramalan data merupakan model matematikayang mengimplementasikan interface ForecastingModel. Interface inimendefinisikan fungsi-fungsi umum yang ada pada tiap model peramalan yang di-support oleh OpenForecast, semisal getMSE(), getMAD(), getMAPE(), forecast(),dan lainnya, yang merupakan fungsi-fungsi yang dibutuhkan dalam melakukanperamalan.
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.
Di mana:Ft : peramalan untuk periode t.Xt + (1-α) : Nilai aktual time seriesFt+1 : peramalan pada waktu t + 1α : konstanta perataan antara 0 dan 1
𝐹𝐹𝐹𝐹 + 1 = 𝑎𝑎 ∗ 𝑋𝑋𝐹𝐹 + (1 − 𝑎𝑎) ∗ 𝐹𝐹𝐹𝐹
Double Exponential Smoothing• Metode ini digunakan ketika data menunjukkan adanya trend. Exponential
smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa duakomponen harus diupdate setiap periode – level dan trendnya. Level adalahestimasi yang dimuluskan dari nilai data pada akhir masingmasing periode. Trendadalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode.
St = α * Yt + (1 – α) * (St - 1 + 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 seriesbt : trend pada periode ke - tα : parameter pertama perataan antara 0 dan 1 untuk pemulusan nilai observasiγ : parameter kedua, untuk pemulusan trendFt+m : hasil peramalan ke - mm : jumlah periode ke muka yang akan diramalkan
Triple Exponential SmoothingMetode 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:Bt =g (St – St-1) + (1 - g ) bt-1
Pemulusan Musiman:
Ramalan:Ft + m = (St + bt m)It – L + m
𝐼𝐼𝐹𝐹 = 𝑏𝑏𝑋𝑋𝐹𝐹𝑆𝑆𝐹𝐹
+ (1 − 𝑏𝑏)𝐹𝐹 − 𝐿𝐿 + 𝑚𝑚
DimanaL : panjang musiman (misal, jumlah kuartal dalam suatu tahun),b : komponen trend,I : seasonal index, Ft + m : ramalan untuk m periode ke depan.