retail-jayapura

bySULTHAN FARREL ALGHASSAN official

JAYAPURA RETAIL INTELLIGENCE MASTER PROMPT 1 — FOUNDATION, DATA WORKSPACE & DATA CLEANING Saya ingin membangun aplikasi web bernama: JAYAPURA RETAIL INTELLIGENCE Aplikasi ini nantinya merupakan sistem AI Retail Intelligence untuk membantu bisnis retail elektronik/gadget di Jayapura dan sekitarnya dalam memahami: - penjualan - permintaan pasar - kebutuhan dan keluhan pelanggan - teknologi - inventory - keuangan dasar - laporan Excel - business intelligence - AI business analysis PRINSIP UTAMA: DATA FIRST. DETERMINISTIC ANALYTICS FIRST. AI INTERPRETATION SECOND. Artinya: Python/Pandas menghitung angka dan statistik terlebih dahulu. AI nantinya hanya menginterpretasikan hasil analisis dan membantu menghasilkan insight/rekomendasi. AI tidak boleh mengarang angka. ================================================== MASTER PROMPT INI TERDIRI DARI 3 PHASE ================================================== PHASE 1 — PROJECT FOUNDATION PHASE 2 — DATA WORKSPACE PHASE 3 — DATA CLEANING & VALIDATION Kerjakan ketiga phase tersebut secara BERURUTAN dalam satu pekerjaan. Jangan berhenti setelah Phase 1 atau Phase 2 hanya karena phase tersebut selesai. Tetapi jangan melanjutkan ke modul yang belum termasuk dalam Master Prompt 1. ================================================== PHASE 1 — PROJECT FOUNDATION ================================================== Buat foundation project yang bersih dan profesional. Struktur awal: jayapura-retail-intelligence/ ├── frontend/ ├── backend/ ├── analytics/ ├── ai/ ├── data/ │ ├── raw/ │ ├── processed/ │ └── external/ ├── reports/ ├── tests/ ├── docs/ ├── README.md ├── .gitignore └── .env.example Gunakan arsitektur: Frontend: - React - TypeScript - Vite Backend: - Python - FastAPI Data: - Pandas - NumPy - openpyxl AI: belum diaktifkan pada master prompt ini. Database: belum diperlukan pada tahap ini kecuali benar-benar diperlukan oleh arsitektur. Buat struktur kode yang mudah dikembangkan. Jangan membuat: - login - authentication - AI agent - chatbot - web scraping - real market data - dummy sales data - dummy revenue - dummy customer - dummy inventory - database bisnis - API key - business intelligence palsu ================================================== PHASE 2 — DATA WORKSPACE ================================================== Setelah foundation selesai, bangun DATA WORKSPACE. Tujuan: Pengguna nantinya dapat memasukkan dataset bisnis seperti: CSV XLSX Dataset dapat berupa data penjualan. Contoh field yang nantinya mungkin tersedia: tanggal transaksi_id cabang/POS produk kategori brand unit harga diskon revenue customer_id Tetapi JANGAN membuat data contoh. Sistem harus mampu menangani kondisi: BELUM ADA DATA. Jika belum ada dataset: tampilkan empty state yang jujur. Jangan menampilkan: Rp0 sebagai data bisnis, 100 transaksi, grafik palsu, produk contoh, atau KPI palsu. Jika belum ada data, katakan bahwa dataset belum tersedia. Data Workspace minimal harus mempunyai konsep: 1. Upload CSV 2. Upload XLSX 3. Dataset listing 4. Dataset status 5. Dataset metadata 6. Dataset preview 7. Data validation status Jika fitur upload memerlukan backend API, buat endpoint yang bersih dan aman. Gunakan validasi tipe file. Jangan menerima sembarang file sebagai dataset bisnis. ================================================== PHASE 3 — DATA CLEANING & VALIDATION ================================================== Setelah Data Workspace selesai, buat fondasi data cleaning. Gunakan Python/Pandas. Tujuannya adalah: RAW DATA ↓ VALIDATION ↓ CLEANING ↓ PROCESSED DATA Jangan melakukan analisis bisnis terlebih dahulu. Buat sistem yang dapat mendeteksi masalah seperti: - kolom wajib tidak ada - nama kolom tidak sesuai - tanggal invalid - angka terbaca sebagai text - unit kosong - harga kosong - revenue kosong - duplikasi transaksi - nilai negatif yang mencurigakan - format tanggal berbeda - whitespace - nama kategori tidak konsisten - nama produk tidak konsisten Buat konsep: raw dataset cleaned dataset validation report Sistem harus menjelaskan masalah data kepada pengguna. Contoh: "Kolom tanggal memiliki 12 nilai yang tidak dapat dibaca." Bukan langsung menghapus data secara diam-diam. Untuk setiap transformasi penting, simpan informasi mengenai apa yang dilakukan. ================================================== DATA CONTRACT ================================================== Buat data contract yang jelas. Minimal definisikan: dataset type required columns optional columns data types validation rules Untuk sales dataset, gunakan konsep canonical fields. Contoh: tanggal transaksi_id pos produk kategori brand unit harga diskon revenue customer_id Jangan memaksa semua field harus ada jika memang tidak diperlukan. Bedakan: REQUIRED OPTIONAL DERIVED Contoh: revenue dapat menjadi DERIVED jika unit dan harga tersedia. ================================================== ATURAN ANGKA ================================================== Semua angka yang berasal dari dataset harus benar-benar dihitung dari dataset. Jangan membuat angka untuk demo. Jangan menggunakan random data. Jangan menggunakan angka hardcoded sebagai data bisnis. ================================================== UI ================================================== Buat UI yang sederhana, profesional, dan mudah dikembangkan. Gunakan bahasa Indonesia untuk interface utama. Gunakan format Indonesia: Rupiah: Rp Tanggal: DD/MM/YYYY Timezone: WIB Tetapi jangan menampilkan angka bisnis jika dataset belum tersedia. ================================================== TESTING ================================================== Buat test dasar untuk: - file validation - dataset validation - column validation - data type validation - cleaning pipeline - empty dataset state Pastikan backend Python dapat dijalankan. Pastikan frontend dapat di-build. Pastikan tidak ada error lint yang serius. ================================================== README ================================================== Update README dengan: - tujuan project - arsitektur - struktur folder - data flow - data contract - roadmap - prinsip DATA FIRST - prinsip deterministic analytics - status phase yang sudah selesai ================================================== BATASAN ================================================== JANGAN membangun: Sales Analytics Engine lengkap Market Intelligence Customer Intelligence Technology Intelligence Inventory Analytics Accounting AI Business Analyst Report Generator Final Dashboard Semua itu akan dilakukan pada master prompt berikutnya. ================================================== HASIL AKHIR MASTER PROMPT 1 ================================================== Setelah ketiga phase selesai, berikan: 1. Struktur folder final. 2. Daftar file penting yang dibuat. 3. Penjelasan arsitektur. 4. Penjelasan Data Workspace. 5. Penjelasan cleaning pipeline. 6. Penjelasan data contract. 7. Daftar endpoint yang dibuat. 8. Daftar test. 9. Hasil lint/build/test. 10. Daftar hal yang BELUM dibangun. Jangan membuat data palsu. Jangan mengarang hasil testing. Jika suatu test gagal, laporkan dengan jujur dan perbaiki jika memungkinkan. SETELAH MASTER PROMPT 1 SELESAI, BERHENTI. Jangan mengerjakan Master Prompt 2 sebelum saya memberikan instruksi berikutnya.