Adidas Sales 2020

Tentang Dataset

Dataset penjualan Adidas adalah kumpulan data yang mencakup informasi tentang penjualan produk Adidas. Jenis kumpulan data ini dapat mencakup perincian seperti jumlah unit yang terjual, total pendapatan penjualan, lokasi penjualan, jenis produk yang dijual, dan informasi terkait lainnya.

Data penjualan Adidas dapat berguna untuk berbagai tujuan, seperti menganalisis tren penjualan, mengidentifikasi produk atau kampanye pemasaran yang berhasil, dan mengembangkan strategi untuk penjualan di masa mendatang. Ini juga dapat digunakan untuk membandingkan penjualan Adidas dengan pesaing, atau untuk menganalisis keefektifan saluran pemasaran atau penjualan yang berbeda.

Ada berbagai sumber yang berpotensi menyediakan kumpulan data penjualan Adidas, termasuk Adidas itu sendiri, firma riset pasar, lembaga pemerintah, atau organisasi lain yang melacak data penjualan. Poin data spesifik yang disertakan dalam kumpulan data penjualan Adidas dapat bervariasi tergantung pada sumber dan tujuan penggunaannya.

library(readxl)
library(ggplot2)
library(scales)
library(rgdal)
library(leaflet)
library(geojsonio)
library(lubridate)
library(glue)
library(dplyr)
library(tidyr)

Load Data

Load USA geojson

states <- geojsonio::geojson_read("https://rstudio.github.io/leaflet/json/us-states.geojson", 
                                  what = "sp")

Load Data Adidas Sales 2020 - 2021

data <- read_excel('Adidas US Sales Datasets.xlsx', 
                   skip = 2)

Tentang Data

Struktur Data

head(data, 2)

#> # A tibble: 2 × 13
#>   Retai…¹ Retai…² `Invoice Date`      Region State City  Product Price…³ Units…⁴
#>   <chr>     <dbl> <dttm>              <chr>  <chr> <chr> <chr>     <dbl>   <dbl>
#> 1 Foot L… 1185732 2020-01-01 00:00:00 North… New … New … Men's …      50    1200
#> 2 Foot L… 1185732 2020-01-02 00:00:00 North… New … New … Men's …      50    1000
#> # … with 4 more variables: `Total Sales` <dbl>, `Operating Profit` <dbl>,
#> #   `Operating Margin` <dbl>, `Sales Method` <chr>, and abbreviated variable
#> #   names ¹Retailer, ²`Retailer ID`, ³`Price per Unit`, ⁴`Units Sold`

str(data)

#> tibble [9,648 × 13] (S3: tbl_df/tbl/data.frame)
#>  $ Retailer        : chr [1:9648] "Foot Locker" "Foot Locker" "Foot Locker" "Foot Locker" ...
#>  $ Retailer ID     : num [1:9648] 1185732 1185732 1185732 1185732 1185732 ...
#>  $ Invoice Date    : POSIXct[1:9648], format: "2020-01-01" "2020-01-02" ...
#>  $ Region          : chr [1:9648] "Northeast" "Northeast" "Northeast" "Northeast" ...
#>  $ State           : chr [1:9648] "New York" "New York" "New York" "New York" ...
#>  $ City            : chr [1:9648] "New York" "New York" "New York" "New York" ...
#>  $ Product         : chr [1:9648] "Men's Street Footwear" "Men's Athletic Footwear" "Women's Street Footwear" "Women's Athletic Footwear" ...
#>  $ Price per Unit  : num [1:9648] 50 50 40 45 60 50 50 50 40 45 ...
#>  $ Units Sold      : num [1:9648] 1200 1000 1000 850 900 1000 1250 900 950 825 ...
#>  $ Total Sales     : num [1:9648] 600000 500000 400000 382500 540000 ...
#>  $ Operating Profit: num [1:9648] 300000 150000 140000 133875 162000 ...
#>  $ Operating Margin: num [1:9648] 0.5 0.3 0.35 0.35 0.3 0.25 0.5 0.3 0.35 0.35 ...
#>  $ Sales Method    : chr [1:9648] "In-store" "In-store" "In-store" "In-store" ...

insight : the dataframe mempunyai 9648 baris dan 15 kolom

Deskripsi Kolom :

Retailer: Nama Retailer
Retailer ID: ID Retailer
Invoice Date: Tanggal Invoice / Transaksi / Tagihan
Region: Wilayah (di USA)
State: Negara Bagian (di USA)
City: Kota (di USA)
Product: Nama / Kategori Produk
Price Per Unit: Harga Per Unit
Units Sold: Unit Terjual / Transaksi (invoice)
Total Sales: Total Pendapatan / Transaksi (invoice)
Operating Profit: Profit Operational
Operating Margin: Margin Operational
Sales Method: Metode Penjualan
Density : polygon dalam peta

Missing Data

anyNA(data)

#> [1] FALSE

Insight : Tidak ada missing data dalam dataframe yang kita baca

sum(duplicated(data))

#> [1] 0

Insight : Tidak ada duplicate data terdeteksi

Data Processing

Mengganti tipe data :

Retailer: ganti ke factor
Invoice Date: ganti ke date/datetime
Region: ganti ke date/datetime
State: ganti ke factor
City: ganti ke factor
Product: ganti ke factor
Sales Method: ganti ke factor

Feature Engineering :

buat fitur year_invoice
buat fitur month_invoice
buat fitur day_invoice

# Feature Engineering
data$Retailer <- factor(data$Retailer)
data$`Sales Method` <- factor(data$`Sales Method`)
data$Region <- factor(data$Region)
data$State <- factor(data$State)
data$City <- factor(data$City)
data$Product <- factor(data$Product)
data$year_invoice <- year(data$`Invoice Date`)
data$month_invoice <- month(data$`Invoice Date`)
data$day_invoice <- day(data$`Invoice Date`)

Exploratory Data Analysis

Tipe Retailer

Berapa banyak tipe Retailer / Pengecer yang ada dalam data ini ?

glue("Banyaknya Pengecer / Retailer : {length(unique(data$Retailer))}")

#> Banyaknya Pengecer / Retailer : 6

Tipe Method Sales

Berapa banyak tipe Method Sales / Metode penjualan dalam data ini

glue("Banyaknya Metode Penjualan : {length(unique(data$`Sales Method`))}")

#> Banyaknya Metode Penjualan : 3

Tipe Product

Berapa banyak tipe Product / Produk dalam data ini

glue("Banyaknya produk tipe : {length(unique(data$Product))}")

#> Banyaknya produk tipe : 6

Karakteristik Total Sales dan Unit Sold

par(mfrow=c(3,1)) 
boxplot(data$`Total Sales`, 
     xlab = "Total Sales In USD", 
     ylab = "", 
     main = "Total Sales Distribution Data", horizontal = T)
boxplot(data$`Units Sold`, 
     xlab = "Units Sold", 
     ylab = "",
     main = "Units Sold Distribution Data", horizontal = T)
boxplot(x = data$`Price per Unit`, 
        xlab = "Price Per Unit", 
        ylab = "",
        main = "Price Per Unit Distribution Data",
        horizontal = T)

summary(data$`Units Sold`)

#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>     0.0   106.0   176.0   256.9   350.0  1275.0

summary(data$`Total Sales`)

#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>       0    4254    9576   93273  150000  825000

summary(data$`Price per Unit`)

#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>    7.00   35.00   45.00   45.22   55.00  110.00

Insight : ….

Total Sales :

Nilai total pendapatan banyak terjadi diantara rentang nilai, 4254 USD - 150000 USD
terdapat banyak outlier dengan total pendapatan yang besar, ada kecenderungan bahwa penjualan naik turun dan musiman

Total Unit Sold :

Nilai total unit yang terjual banyak terjadi diatara rentang nilai, 106 Unit - 256 Unit
terdapat outlier pada unit terjual, ada kecenderungan yang berbanding lurus dengan kesimpulan total pendapatan sesuai dengan insight diatas

Total Price Per Unit :

Nilai Harga per unit banyak terjadi di antara rentang nilai, 35 USD - 55 USD, bisa dikatakan ini adalah rentang buying power konsumen ketika membeli produk adidas

Data Relation

Hubungan Unit Sold dan Total Sales pada produk “Men’s Athletic Footwear”

plot(x = data[data$Product == "Men's Athletic Footwear",]$`Total Sales`, 
     y = data[data$Product == "Men's Athletic Footwear", ]$`Units Sold`, 
     ylab = "Unit Sold", 
     xlab = "Total Sales", 
     main = "Unit Sold VS Total Sales")

cor(x = data[data$Product == "Men's Athletic Footwear",]$`Total Sales`, 
    y =  data[data$Product == "Men's Athletic Footwear", ]$`Units Sold`)

#> [1] 0.9243835

insight :

Unit Sold dan Total Sales mempunyai relasi yang pada produk Men's Athletic Footwear
bisa dikatakan semakin banyak unit yang terjual dapat meningkatkan total pendapatan

Ranking Product by Total Sales

rank_sales <- aggregate(x = `Total Sales` ~ Product, data = data, FUN = sum)
rank_sales <- rank_sales[order(rank_sales$`Total Sales`, decreasing = F), ]

par(mar=c(8,12,1,1))
barplot(rank_sales$`Total Sales`, names.arg = rank_sales$Product, las=2, horiz = T)

Insight : ….

Men’s Street Footwear punya total pendapatan yang lebih besar dari produk yang lain
Women’s Athletic Footwear punya total pendapatan sales yang lebih sedikit dibanding produk yang lain

Ranking Product by Units Sold

rank_unit_sold <- aggregate(x = `Units Sold` ~ Product, data = data, FUN = sum)
rank_unit_sold <- rank_unit_sold[order(rank_unit_sold$`Units Sold`, decreasing = F), ]
par(mar=c(8,12,1,1))
barplot(rank_unit_sold$`Units Sold`, names.arg = rank_unit_sold$Product, las=2, horiz = T)

Insight : ….

Men’s Street Footwear mempunyai nilai unit terjual yang lebih besar dari produk yang lain
Men’s Apparel mempunyai nilai uni terjual yang lebih kecil dari produk yang lain

rank_sales_retailer <- aggregate(x = `Total Sales` ~ Retailer, data = data, FUN = sum)
rank_sales_retailer <- rank_sales_retailer[order(rank_sales_retailer$`Total Sales`, decreasing = F), ]
par(mar=c(8,12,1,1))
barplot(rank_sales_retailer$`Total Sales`, names.arg = rank_sales_retailer$Retailer, las=2, horiz = T)

Insight : ….

West Gear mempunyai total pendapatan yang lebih besar dari pada Retailer yang lain
Walmart mempunyai total pendatapan yang lebih kecil dari pada Retailer yang lain

rank_sales_method <- aggregate(x = `Total Sales` ~ `Sales Method`, data = data, FUN = sum)
rank_sales_method <- rank_sales_method[order(rank_sales_method$`Total Sales`, decreasing = F), ]
par(mar=c(8,12,1,1))
barplot(rank_sales_method$`Total Sales`, names.arg = rank_sales_method$`Sales Method`, las=2, horiz = T)

Insight : ….

In-store mempuyai total pendapatan yang lebih besar dari metode penjualan yang lain
Online mempunyai total pendapatan yang lebih sedikit dari metode penjualan yang lain

sales_perfomance <- aggregate(x = Product ~ month_invoice, data = data[data$year_invoice == 2021, ], FUN = length)
plot(x = sales_perfomance$month_invoice, 
     y = sales_perfomance$Product,
     xlab = "Month",
     ylab = "Frequency",
     ylim = range(650, 800),
     main ="Sales Performance 2021",
     type = 'b')

insight : ….

Performa penjualan pada tahun 2021, cenderung naik turun

Explanatory + Business Question

Manakah Retailer yang paling baik dari Segi Total Pendapatan ?

total_sales <- sum(data$`Total Sales`)

market_share <- data %>% 
  group_by(Retailer) %>% 
  summarise(percent = round(sum(`Total Sales`)/total_sales * 100),
            total_sales = sum(`Total Sales`)) %>% 
  mutate(label = glue("{Retailer} ({percent}%)"))

pie(market_share$percent , 
    labels = market_share$label, 
    col = c("#30CEFD", "#00C0EF","#0099C6", "#00749F", "#005079", "#002F55"), main = "Market Share Retailer By Total Sales in 2020 - 2021")

market_share[order(market_share$percent, decreasing = T), ]

#> # A tibble: 6 × 4
#>   Retailer      percent total_sales label              
#>   <fct>           <dbl>       <dbl> <glue>             
#> 1 West Gear          27   242964333 West Gear (27%)    
#> 2 Foot Locker        24   220094720 Foot Locker (24%)  
#> 3 Sports Direct      20   182470997 Sports Direct (20%)
#> 4 Kohl's             11   102114753 Kohl's (11%)       
#> 5 Amazon              9    77698912 Amazon (9%)        
#> 6 Walmart             8    74558410 Walmart (8%)

Answer :

West Gear menduduki posisi 1 dengan market share sebesar 27% dengan nilai pendapata / sales sebesar 242.964.333 USD

Manakah Produk dan Metode Penjualan yang paling baik dari Segi Total Pendapatan ?

sales_rank_by_product  <- data %>% group_by(Product, `Sales Method`) %>% 
        summarise(total_product_sales = sum(`Total Sales`)) %>% 
        arrange(-total_product_sales) %>% 
        mutate(urutan = rank(x = total_product_sales, ties.method = "first"))

product_ranking_sales_plot <- ggplot(data = sales_rank_by_product, aes(x = total_product_sales, 
                                                                          y = reorder(Product, total_product_sales))) + # menambahkan tooltip dari glue
        geom_col(aes(fill = `Sales Method`, group=urutan, ), position = 'dodge') +
        scale_fill_manual(values =c("#00C0EF", "#0099C6","#00749F")) +
        scale_x_continuous(labels = label_number(big.mark = ".", suffix = " M USD", scale = 1e-6)) + 
        labs(title = "",
             x = "Total Sales",
             y = "Product") +
        theme_minimal() 

product_ranking_sales_plot

Answer :

Men’s Street Footwear menjadi Produk terbaik berdasarkan total pendapatan, dengan metode penjualan in store terbanyak
Women’s Athletic Footwear menjadi Produk terburuk berdasarkan total pendapatan
Metode Penjualan In-store cenderung lebih baik dari metode penjualan lainnya secara total sales, pada tiap produk, sebaliknya dengan metode Online

Apakah Total Pendapatan naik per tahun ?

  data_per_year <- data %>% 
        group_by(year_invoice, Product) %>% 
        summarise(total_sales_line = sum(`Total Sales`), total_sold_unit = sum(`Units Sold`)) %>% 
        ungroup() %>% 
        arrange(-total_sales_line)
  
   line_plot_per_year <- ggplot(data = data_per_year, 
                    mapping = aes(x = year_invoice, 
                                  y = total_sales_line, color = Product)) +
      geom_line() + 
      geom_point() + 
      scale_y_continuous(labels = label_number(big.mark = ".", suffix = " USD"))  +
      scale_x_continuous(breaks = seq(min(data$year_invoice), max(data$year_invoice), 1)) +
      theme_minimal() +labs(title = "Performa Total Pendapatan dari Tahun ke Tahun",
                            x = "Year",
                            y = "Total Sales")
   
   line_plot_per_year

Answer :

total pendapatan naik secara signifikan pada tahun 2021 dibandingkan tahun lalu (2020)
kenaikan total pendapat naik di semua produk

Bagaimana Performan Penjualan pada tahun 2021 ?

  data_line_year <- data %>% 
        filter(year_invoice == 2021) %>% 
        group_by(month_invoice, Product) %>% 
        summarise(total_sales_line = sum(`Total Sales`), total_sold_unit = sum(`Units Sold`)) %>% 
        ungroup() %>% 
        arrange(-total_sales_line)

    plot3 <- ggplot(data = data_line_year, 
                    mapping = aes(x = month_invoice, 
                                  y = total_sales_line, color = Product)) +
      geom_line() + 
      geom_point() +
      scale_y_continuous(labels = label_number(big.mark = ".", suffix = " USD")) + 
      scale_x_continuous(breaks = seq(1, 12, 1), labels = c("Jan", 
                                                            "Feb", 
                                                            "March", 
                                                            "April", 
                                                            "May",
                                                            "June",
                                                            "July",
                                                            "Aug",
                                                            "Sept",
                                                            "Oct",
                                                            "Nov",
                                                            "Des"
      ))+
      theme_minimal() +labs(title = "Performa Total Sales Tahun 2021",
                            x = "Bulan",
                            y = "Total Sales") 
    
    plot3

Answer :

total pendapatan per bulan pada tiap produk fluktuatif

Bagaimana Karakteristik berdasarkan Harga per unit

box_plot <- ggplot(data, aes(y=Product, x=`Price per Unit`, fill=Product)) +
    geom_boxplot()  +
 theme_minimal() +labs(title = "Karakteristik Produk Berdasarkan Price Per Unit",
                            x = "Price Per Unit",
                            y = "Product") 
box_plot

Answer :

Secara keseluruhan dapat dilihat banyak transaksasi dengan price per unit di rentang 40 - 50
Women’s Apparel dan Men’s Apparel mempunyai karakteristik nilai price per unit yang tinggai diantara yang lain

Bagaimana Karakteristik Total Pendapatan per kota

merge dataframe reference by State (Adidas Sales Dataframe + USA Geojson Dataframe)

    data_map1 <- data %>%  group_by(State) %>% summarise(total_sales_state = sum(`Total Sales`))
    data_baru <- merge(y = data_map1, x= states, by.y = 'State', by.x = 'name')
   m <- leaflet(data_baru) %>%
      setView(-96, 37.8, 4) %>%
      addProviderTiles("MapBox", options = providerTileOptions(
        id = "mapbox.light",
        accessToken = Sys.getenv('MAPBOX_ACCESS_TOKEN')))
    
    bins <- c(10000,5000000,10000000,15000000,20000000,Inf)
    pal <- colorBin(c("#30CEFD", "#00C0EF","#0099C6", "#00749F", "#005079", "#002F55", "#002F55"),  domain =  data_baru$total_sales_state, bins = bins)
    
    
  labels <- sprintf(
      "<strong>%s</strong><br/>%s</sup>",
      data_baru$name, glue("{comma(data_baru$total_sales_state)} USD")
    ) %>% lapply(htmltools::HTML)
    
    m %>% addPolygons(
      fillColor = ~pal(data_baru$total_sales_state),
      weight = 2,
      opacity = 1,
      color = "white",
      dashArray = "3",
      fillOpacity = 0.5,
      highlightOptions = highlightOptions(
        weight = 2,
        color = "#666",
        dashArray = "",
        fillOpacity = 0.1,
        bringToFront = TRUE),
      label = labels,
      labelOptions = labelOptions(
        style = list("font-weight" = "normal", padding = "3px 8px"),
        textsize = "15px",
        direction = "auto")) %>% addLegend(pal = pal, values = ~total_sales_state, opacity = 0.7, title = NULL,
                                           position = "bottomright")

Answer :

total pendapatan paling banyak berada pada kota kota besar dengan nilai total pendapatan lebih dari 20.000.000 USD

Ringkasan & Kesimpulan

Penjualan dari tahun 2020 ke 2021 meningkat signifikan di setiap product
Market share terbesar dipegang oleh West Gear dengan 27% dari Semua transaksi yang terjadi dari tahun 2020 - 2021
Men’s Street Footwear menjadi product dengan total pendapatan yang paling besar diantara yang lain dari tahun 2020 - 2021
Women’s Athletic Footwear punya total pendapatan sales yang lebih sedikit dibanding produk yang lain
Metode Penjualan In-Store menjadi paling diminati oleh customer, sedangkan Online menjadi yang terkecil
Penjualan per bulan cenderung fluktuatif pada tahun 2021, di semua product
terdapat korelasi yang kuat antara Total pendapatan dengan unit terjual
Nilai total pendapatan banyak terjadi diantara rentang nilai, 4254 USD - 150000 USD
Nilai total unit yang terjual banyak terjadi diatara rentang nilai, 106 Unit - 256 Unit
Nilai Harga per unit banyak terjadi di antara rentang nilai, 35 USD - 55 USD, bisa dikatakan ini adalah rentang buying power konsumen ketika membeli produk adidas
secara geografis penjualan dengan total pendapatan besar hanya terjadi di kota kota besar

Adidas Sales 2020 - 2021 USA

Ricky Ariansyah

05 March, 2023

Tentang Dataset

Load Data

Load USA geojson

Load Data Adidas Sales 2020 - 2021

Tentang Data

Struktur Data

Deskripsi Kolom :

Missing Data

Data Processing

Feature Engineering :

Exploratory Data Analysis

Tipe Retailer

Tipe Method Sales

Tipe Product

Karakteristik Total Sales dan Unit Sold

Data Relation

Ranking Product by Total Sales

Ranking Product by Units Sold

Explanatory + Business Question

Manakah Retailer yang paling baik dari Segi Total Pendapatan ?

Manakah Produk dan Metode Penjualan yang paling baik dari Segi Total Pendapatan ?

Apakah Total Pendapatan naik per tahun ?

Bagaimana Performan Penjualan pada tahun 2021 ?

Bagaimana Karakteristik berdasarkan Harga per unit

Bagaimana Karakteristik Total Pendapatan per kota

Ringkasan & Kesimpulan