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.