LBB P4DS - Costumer Shopping Trends
Farhan Zhafar Ramadhan
2023-10-21
1 Pendahuluan
Halo, Salam kenal semua! Selamat datang di Rmd saya, di Rmd ini saya akan membahas data Costumer Shopping Trends yang saya peroleh dari Keggle.com . Dataset ini merupakan sebuah synthetic dataset yang dibuat untuk mempelajari mengenai data analisis. Dataset ini menyediakan insight terhadap perilaku konsumen dan pola pembelian. Dataset ini menangpkap berbagai sifat pelanggan termasuk usia, jenis kelamin, riwayat pembelian, metode pembayaran pilihan, frekuensi pembelian, dan banyak lagi. Menganalisis data ini dapat membantu membuat keputusan bisnis yang tepat, mengoptimalkan penawaran produk, dan meningkatkan kepuasan pelanggan.
Link Dataset (https://www.kaggle.com/datasets/iamsouravbanerjee/customer-shopping-trends-dataset/data)
2 Set up
Pertama-tama kita setup library yang akan kita gunakan pada Rmd ini.
library(dplyr)
library(lubridate)
library(tidyr)
library(plotly)3 Data Preproscessing
3.1 Import Data
Sekarang kita masukkan data yang akan kita gunakan ke dalam sebuah variabel shop
shop <- read.csv("datainput/shopping_trends_updated.csv")3.2 Memeriksa Data
Kemudian kita periksa data kita, periksa kepala dari data
head(shop)## Customer.ID Age Gender Item.Purchased Category Purchase.Amount..USD.
## 1 1 55 Male Blouse Clothing 53
## 2 2 19 Male Sweater Clothing 64
## 3 3 50 Male Jeans Clothing 73
## 4 4 21 Male Sandals Footwear 90
## 5 5 45 Male Blouse Clothing 49
## 6 6 46 Male Sneakers Footwear 20
## Location Size Color Season Review.Rating Subscription.Status
## 1 Kentucky L Gray Winter 3.1 Yes
## 2 Maine L Maroon Winter 3.1 Yes
## 3 Massachusetts S Maroon Spring 3.1 Yes
## 4 Rhode Island M Maroon Spring 3.5 Yes
## 5 Oregon M Turquoise Spring 2.7 Yes
## 6 Wyoming M White Summer 2.9 Yes
## Shipping.Type Discount.Applied Promo.Code.Used Previous.Purchases
## 1 Express Yes Yes 14
## 2 Express Yes Yes 2
## 3 Free Shipping Yes Yes 23
## 4 Next Day Air Yes Yes 49
## 5 Free Shipping Yes Yes 31
## 6 Standard Yes Yes 14
## Payment.Method Frequency.of.Purchases
## 1 Venmo Fortnightly
## 2 Cash Fortnightly
## 3 Credit Card Weekly
## 4 PayPal Weekly
## 5 PayPal Annually
## 6 Venmo Weeklydan periksa dari akhir dari data
tail(shop)## Customer.ID Age Gender Item.Purchased Category Purchase.Amount..USD.
## 3895 3895 66 Female Skirt Clothing 78
## 3896 3896 40 Female Hoodie Clothing 28
## 3897 3897 52 Female Backpack Accessories 49
## 3898 3898 46 Female Belt Accessories 33
## 3899 3899 44 Female Shoes Footwear 77
## 3900 3900 52 Female Handbag Accessories 81
## Location Size Color Season Review.Rating Subscription.Status
## 3895 Connecticut L White Spring 3.9 No
## 3896 Virginia L Turquoise Summer 4.2 No
## 3897 Iowa L White Spring 4.5 No
## 3898 New Jersey L Green Spring 2.9 No
## 3899 Minnesota S Brown Summer 3.8 No
## 3900 California M Beige Spring 3.1 No
## Shipping.Type Discount.Applied Promo.Code.Used Previous.Purchases
## 3895 2-Day Shipping No No 44
## 3896 2-Day Shipping No No 32
## 3897 Store Pickup No No 41
## 3898 Standard No No 24
## 3899 Express No No 24
## 3900 Store Pickup No No 33
## Payment.Method Frequency.of.Purchases
## 3895 Credit Card Every 3 Months
## 3896 Venmo Weekly
## 3897 Bank Transfer Bi-Weekly
## 3898 Venmo Quarterly
## 3899 Venmo Weekly
## 3900 Venmo QuarterlyKemudian periksa struktur data kita dengan menggunakan glimpse
glimpse(shop)## Rows: 3,900
## Columns: 18
## $ Customer.ID <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, …
## $ Age <int> 55, 19, 50, 21, 45, 46, 63, 27, 26, 57, 53, 30,…
## $ Gender <chr> "Male", "Male", "Male", "Male", "Male", "Male",…
## $ Item.Purchased <chr> "Blouse", "Sweater", "Jeans", "Sandals", "Blous…
## $ Category <chr> "Clothing", "Clothing", "Clothing", "Footwear",…
## $ Purchase.Amount..USD. <int> 53, 64, 73, 90, 49, 20, 85, 34, 97, 31, 34, 68,…
## $ Location <chr> "Kentucky", "Maine", "Massachusetts", "Rhode Is…
## $ Size <chr> "L", "L", "S", "M", "M", "M", "M", "L", "L", "M…
## $ Color <chr> "Gray", "Maroon", "Maroon", "Maroon", "Turquois…
## $ Season <chr> "Winter", "Winter", "Spring", "Spring", "Spring…
## $ Review.Rating <dbl> 3.1, 3.1, 3.1, 3.5, 2.7, 2.9, 3.2, 3.2, 2.6, 4.…
## $ Subscription.Status <chr> "Yes", "Yes", "Yes", "Yes", "Yes", "Yes", "Yes"…
## $ Shipping.Type <chr> "Express", "Express", "Free Shipping", "Next Da…
## $ Discount.Applied <chr> "Yes", "Yes", "Yes", "Yes", "Yes", "Yes", "Yes"…
## $ Promo.Code.Used <chr> "Yes", "Yes", "Yes", "Yes", "Yes", "Yes", "Yes"…
## $ Previous.Purchases <int> 14, 2, 23, 49, 31, 14, 49, 19, 8, 4, 26, 10, 37…
## $ Payment.Method <chr> "Venmo", "Cash", "Credit Card", "PayPal", "PayP…
## $ Frequency.of.Purchases <chr> "Fortnightly", "Fortnightly", "Weekly", "Weekly…##Merubah Tipe Data Selanjutnya kita akan lakukan perubahan tipe data pada dataframe menjadi tipe data yang tepat untuk memudahkan kita mengeksplor data.
shop <- shop %>% mutate(Gender = as.factor(Gender), Category = as.factor(Category), Location = as.factor(Location), Size = as.factor(Size), Color = as.factor(Color), Season = as.factor(Season), Subscription.Status = as.factor(Subscription.Status), Shipping.Type = as.factor(Shipping.Type), Discount.Applied = as.factor(Discount.Applied), Promo.Code.Used = as.factor(Promo.Code.Used), Payment.Method = as.factor(Payment.Method), Frequency.of.Purchases = as.factor(Frequency.of.Purchases), Item.Purchased = as.factor(Item.Purchased))Periksa kembali apakah tipe datanya sudah berubah
glimpse(shop)## Rows: 3,900
## Columns: 18
## $ Customer.ID <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, …
## $ Age <int> 55, 19, 50, 21, 45, 46, 63, 27, 26, 57, 53, 30,…
## $ Gender <fct> Male, Male, Male, Male, Male, Male, Male, Male,…
## $ Item.Purchased <fct> Blouse, Sweater, Jeans, Sandals, Blouse, Sneake…
## $ Category <fct> Clothing, Clothing, Clothing, Footwear, Clothin…
## $ Purchase.Amount..USD. <int> 53, 64, 73, 90, 49, 20, 85, 34, 97, 31, 34, 68,…
## $ Location <fct> Kentucky, Maine, Massachusetts, Rhode Island, O…
## $ Size <fct> L, L, S, M, M, M, M, L, L, M, L, S, M, M, L, M,…
## $ Color <fct> Gray, Maroon, Maroon, Maroon, Turquoise, White,…
## $ Season <fct> Winter, Winter, Spring, Spring, Spring, Summer,…
## $ Review.Rating <dbl> 3.1, 3.1, 3.1, 3.5, 2.7, 2.9, 3.2, 3.2, 2.6, 4.…
## $ Subscription.Status <fct> Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Ye…
## $ Shipping.Type <fct> Express, Express, Free Shipping, Next Day Air, …
## $ Discount.Applied <fct> Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Ye…
## $ Promo.Code.Used <fct> Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Ye…
## $ Previous.Purchases <int> 14, 2, 23, 49, 31, 14, 49, 19, 8, 4, 26, 10, 37…
## $ Payment.Method <fct> Venmo, Cash, Credit Card, PayPal, PayPal, Venmo…
## $ Frequency.of.Purchases <fct> Fortnightly, Fortnightly, Weekly, Weekly, Annua…##Periksa Missing Value Selanjutnya lakukan pemeriksaan terhadap missing value yang mungkin ada pada dataframe.
colSums(is.na(shop))## Customer.ID Age Gender
## 0 0 0
## Item.Purchased Category Purchase.Amount..USD.
## 0 0 0
## Location Size Color
## 0 0 0
## Season Review.Rating Subscription.Status
## 0 0 0
## Shipping.Type Discount.Applied Promo.Code.Used
## 0 0 0
## Previous.Purchases Payment.Method Frequency.of.Purchases
## 0 0 0anyNA(shop)## [1] FALSE4 Exploratory Data
Setelah melakukan data preprocessing selanjutnya kita bisa menyelam dan mengekslpore data yang kita miliki. Kita dapat dengan mudah mendapatkan gambaran umum mengenai data kita dengan cara menggunakan fungsi summary.
summary(shop)## Customer.ID Age Gender Item.Purchased
## Min. : 1.0 Min. :18.00 Female:1248 Blouse : 171
## 1st Qu.: 975.8 1st Qu.:31.00 Male :2652 Jewelry: 171
## Median :1950.5 Median :44.00 Pants : 171
## Mean :1950.5 Mean :44.07 Shirt : 169
## 3rd Qu.:2925.2 3rd Qu.:57.00 Dress : 166
## Max. :3900.0 Max. :70.00 Sweater: 164
## (Other):2888
## Category Purchase.Amount..USD. Location Size
## Accessories:1240 Min. : 20.00 Montana : 96 L :1053
## Clothing :1737 1st Qu.: 39.00 California: 95 M :1755
## Footwear : 599 Median : 60.00 Idaho : 93 S : 663
## Outerwear : 324 Mean : 59.76 Illinois : 92 XL: 429
## 3rd Qu.: 81.00 Alabama : 89
## Max. :100.00 Minnesota : 88
## (Other) :3347
## Color Season Review.Rating Subscription.Status
## Olive : 177 Fall :975 Min. :2.50 No :2847
## Yellow : 174 Spring:999 1st Qu.:3.10 Yes:1053
## Silver : 173 Summer:955 Median :3.70
## Teal : 172 Winter:971 Mean :3.75
## Green : 169 3rd Qu.:4.40
## Black : 167 Max. :5.00
## (Other):2868
## Shipping.Type Discount.Applied Promo.Code.Used Previous.Purchases
## 2-Day Shipping:627 No :2223 No :2223 Min. : 1.00
## Express :646 Yes:1677 Yes:1677 1st Qu.:13.00
## Free Shipping :675 Median :25.00
## Next Day Air :648 Mean :25.35
## Standard :654 3rd Qu.:38.00
## Store Pickup :650 Max. :50.00
##
## Payment.Method Frequency.of.Purchases
## Bank Transfer:612 Annually :572
## Cash :670 Bi-Weekly :547
## Credit Card :671 Every 3 Months:584
## Debit Card :636 Fortnightly :542
## PayPal :677 Monthly :553
## Venmo :634 Quarterly :563
## Weekly :539Dapat dilihat dari summary tersebut terdapat beberapa insight yang dapat kita ambil seperti:
Lebih banyak pelanggan Pria.
Pelanggan termuda berumur 18 tahun dan pelanggan tertua berumur 70 tahun.
Barang yang banyak dibeli adalah blouse, jewelry, dan pants.
Kategori barang yang banyak terjual adalah Clothing.
Penjualan paling banyak terjadi pada musim semi.
dst.
dari summary tersebut mari kita perdalami lagi data yang kita miliki satu persatu. Kita mulai dari Eksplorasi Profit.
4.1 Eksplorasi Profit
Dari summary kita mengetahui transaksi/profit terbesar adalah 100 USD namun berapa total dari semua transaksi
sum(shop$Purchase.Amount..USD.)## [1] 233081Total Profitnya adalah 233.081 USD Kemudian berapa total profit per kategorinya dan kategori apa kah dengan profit terbesar
shop %>% group_by(Category) %>% summarise(Total = sum(Purchase.Amount..USD.))## # A tibble: 4 × 2
## Category Total
## <fct> <int>
## 1 Accessories 74200
## 2 Clothing 104264
## 3 Footwear 36093
## 4 Outerwear 18524Kategori clothing merupakan Kategori dengan profit terbesar dengan total profit 104.264 USD
Kita telah mengetahui dari summary barang dengan penjualan terbanyak yaitu blouse, jewelry, dan pants. Pada bagian ini kita ingin mengetahui 10 barang dengan total profit terbesar.
shop %>% group_by(Item.Purchased) %>% summarise(Penjualan = n(),Profit = sum(Purchase.Amount..USD.)) %>% ungroup() %>% arrange(-Profit) %>% head(10)## # A tibble: 10 × 3
## Item.Purchased Penjualan Profit
## <fct> <int> <int>
## 1 Blouse 171 10410
## 2 Shirt 169 10332
## 3 Dress 166 10320
## 4 Pants 171 10090
## 5 Jewelry 171 10010
## 6 Sunglasses 161 9649
## 7 Belt 161 9635
## 8 Scarf 157 9561
## 9 Sweater 164 9462
## 10 Shorts 157 9433Dapat dilihat 10 barang dengan total profit terbesar adalah Blouse, Shirt, Dress, Pants, Jewelry, Sunglasses, Belt, Scarf, Sweater, dan Shorts.
Selanjutnya mari kita lihat payment method dengan profit terbesar
shop %>% group_by(Payment.Method) %>% summarise(Banyak = n(),Profit = sum(Purchase.Amount..USD.), ratarata = mean(Purchase.Amount..USD.), min = min(Purchase.Amount..USD.), max = max(Purchase.Amount..USD.)) %>% ungroup() %>% arrange(-Profit)## # A tibble: 6 × 6
## Payment.Method Banyak Profit ratarata min max
## <fct> <int> <int> <dbl> <int> <int>
## 1 Credit Card 671 40310 60.1 20 100
## 2 PayPal 677 40109 59.2 20 100
## 3 Cash 670 40002 59.7 20 100
## 4 Debit Card 636 38742 60.9 20 100
## 5 Venmo 634 37374 58.9 20 100
## 6 Bank Transfer 612 36544 59.7 20 100Metode pembayaran dengan total profit tertinggi adalah dengan menggunakan credit card sedangkan metode pembayaran yang sering digunakan oleh pelanggan adalah dengan menggunakan paypal. Dari hal tersebut kita mengetahui bahwa kebanyakan pelanggan kita nyaman dan lebih memilih untuk bertransaksi menggunakan credit card atau paypal dan dengan rata-rata transaksi lebih dari 59 USD.
Selanjutnya kita lihat banyaknya profit per moda pengiriman
shop %>% group_by(Shipping.Type) %>% summarise(Banyak = n(),Profit = sum(Purchase.Amount..USD.),ratarata = mean(Purchase.Amount..USD.)) %>% ungroup() %>% arrange(-Profit)## # A tibble: 6 × 4
## Shipping.Type Banyak Profit ratarata
## <fct> <int> <int> <dbl>
## 1 Free Shipping 675 40777 60.4
## 2 Express 646 39067 60.5
## 3 Store Pickup 650 38931 59.9
## 4 Standard 654 38233 58.5
## 5 2-Day Shipping 627 38080 60.7
## 6 Next Day Air 648 37993 58.6Dapat kita lihat metode pengiriman free shipping memiliki profit terbesar dan yang paling banyak digunakan.
Kesimpulan yang dapat kita ambil :
Total profit dari seluruh transaksi adalah 233.081 USD
Kategori clothing merupakan Kategori dengan profit terbesar dengan total profit 104.264 USD
10 barang dengan total profit terbesar adalah Blouse, Shirt, Dress, Pants, Jewelry, Sunglasses, Belt, Scarf, Sweater, dan Shorts.
Credit card adalah metode pembayaran dengan profit terbesar
Paypal adalah metode pembayaran yang paling banyak digunakan oleh pelanggan
Free shipping merupakan metode pengiriman yang paling banyak digunakan
4.2 Eksplorasi Range Usia
Pada bagian age, kita mau lihat pelanggan kita itu berada di range umur berapa saja.
hist(shop$Age)
Dari histogram tersebut kita bisa lihat pelanggan kita tersebar dominan
di range umur 20-70 tahun. Mari kita lihat lebih jelas lagi.
age_r <- shop %>% group_by(Age) %>% summarise(freq = n()) %>% ungroup()
age_range <- age_r %>% # Aggregate values in range
mutate(ranges = cut(Age,
seq(20, 70, 5))) %>%
group_by(ranges) %>%
dplyr::summarize(sums = sum(freq)) %>%
as.data.frame()age_range %>% arrange(-sums) %>% head(-5)## ranges sums
## 1 (45,50] 382
## 2 (55,60] 382
## 3 (25,30] 378
## 4 (50,55] 371
## 5 (40,45] 368
## 6 (60,65] 368Bisa dilihat dengan lebih jelas, range usia pelanggan kita yang tertinggi berada pada umur 46 sampai 50 dan umur 56 sampai 60.
Kita juga bisa memisahkan range usia pelanggan kita berdasarkan gender.
m <- shop %>% filter(Gender == "Male")
f <- shop %>% filter(Gender == "Female")#Range usia pelanggan pria
hist(m$Age)
#Range usia pelanggan wanita
hist(f$Age)
#Frekuensi range usia pria
age_rm <- m %>% group_by(Age) %>% summarise(freq = n()) %>% ungroup()
age_rangem <- age_rm %>% # Aggregate values in range
mutate(ranges = cut(Age,
seq(18, 70, 5))) %>%
group_by(ranges) %>%
dplyr::summarize(sums = sum(freq)) %>%
as.data.frame()
#Frekuensi range usia wanita
age_rf <- shop %>% group_by(Age) %>% summarise(freq = n()) %>% ungroup()
age_rangef <- age_rf %>% # Aggregate values in range
mutate(ranges = cut(Age,
seq(20, 70, 5))) %>%
group_by(ranges) %>%
dplyr::summarize(sums = sum(freq)) %>%
as.data.frame()#range usia pria
age_rangem %>% arrange(-sums) %>% head(-5)## ranges sums
## 1 (53,58] 276
## 2 (38,43] 266
## 3 (23,28] 263
## 4 (48,53] 259
## 5 (28,33] 252
## 6 (33,38] 249#range usia wanita
age_rangef %>% arrange(-sums) %>% head(-5)## ranges sums
## 1 (45,50] 382
## 2 (55,60] 382
## 3 (25,30] 378
## 4 (50,55] 371
## 5 (40,45] 368
## 6 (60,65] 368Kesimpulan yang dapat kita ambil :
Dari range usia tersebut kita dapat mendesign produk-prdouk kita agar selaras dengan selera pelanggan pada range usia tersebut untuk memaksimalkan kemungkinan terjadi penjualan.
Jika ingin melakukan ekspansi pasar, kita bisa coba untuk mentargetkan range usia 18-20 karena range usia tersebut merupakan range usia terendah.
4.3 Eksplorasi Barang dan Season
Selanjutnya kita mau tau barang apakah yang diminati per musimnya
seasn <- shop %>% group_by(Item.Purchased, Season) %>% summarise(Penjualan = n()) %>% ungroup()seasn_f <- seasn %>% filter(Season == "Fall")
seasn_w <- seasn %>% filter(Season == "Winter")
seasn_s <- seasn %>% filter(Season == "Summer")
seasn_sp <- seasn %>% filter(Season == "Spring")
plot_seasn_f <- ggplot(seasn_f, aes(x=Penjualan, y=reorder(Item.Purchased,Penjualan))) +
geom_col(aes(fill = Item.Purchased))
plot_seasn_w <- ggplot(seasn_w, aes(x=Penjualan, y=reorder(Item.Purchased,Penjualan))) +
geom_col(aes(fill = Item.Purchased))
plot_seasn_s <- ggplot(seasn_s, aes(x=Penjualan, y=reorder(Item.Purchased,Penjualan))) +
geom_col(aes(fill = Item.Purchased))
plot_seasn_sp <- ggplot(seasn_sp, aes(x=Penjualan, y=reorder(Item.Purchased,Penjualan))) +
geom_col(aes(fill = Item.Purchased))Sekarang kita ingin melihat barang apa yang terjual terbanyak pada musim gugur
seasn_f %>% arrange(-Penjualan)## # A tibble: 25 × 3
## Item.Purchased Season Penjualan
## <fct> <fct> <int>
## 1 Jacket Fall 54
## 2 Hat Fall 50
## 3 Handbag Fall 48
## 4 Skirt Fall 46
## 5 Sandals Fall 44
## 6 Blouse Fall 42
## 7 Socks Fall 42
## 8 Sweater Fall 42
## 9 Belt Fall 41
## 10 Scarf Fall 40
## # ℹ 15 more rowsDapat dilihat penjualan terbanyak pada musim gugur adalah penjualan jaket. Dapat dilihat pula dari visualisasi plot berikut.
ggplotly(plot_seasn_f)Kemudian kita ingin melihat penjualan pada musim dingin.
seasn_w %>% arrange(-Penjualan)## # A tibble: 25 × 3
## Item.Purchased Season Penjualan
## <fct> <fct> <int>
## 1 Sunglasses Winter 52
## 2 Pants Winter 51
## 3 Shirt Winter 50
## 4 Hoodie Winter 48
## 5 Jewelry Winter 47
## 6 Sweater Winter 42
## 7 Jacket Winter 41
## 8 Belt Winter 40
## 9 Blouse Winter 40
## 10 Dress Winter 40
## # ℹ 15 more rowsTernyata tidak seperti yang dibayangkan karena ternyata penjualan terbanyak pada musim dingin ialah penjualan sunglasses kemudian disusul dengan penjualan pants dan shirt. Bisa dilihat juga pada visualisasi berikut.
ggplotly(plot_seasn_w)Selanjutnya kita akan lihat penjualan pada musim semi
seasn_sp %>% arrange(-Penjualan)## # A tibble: 25 × 3
## Item.Purchased Season Penjualan
## <fct> <fct> <int>
## 1 Sweater Spring 52
## 2 Shorts Spring 47
## 3 Blouse Spring 46
## 4 Coat Spring 46
## 5 Skirt Spring 46
## 6 Sandals Spring 44
## 7 Dress Spring 43
## 8 Gloves Spring 42
## 9 Jewelry Spring 42
## 10 Shirt Spring 42
## # ℹ 15 more rowsDapat dilihat penjualan terbanyak pada musim semi adalah penjualan sweater. Bisa dilihat pula visualisasi berikut.
ggplotly(plot_seasn_sp)Terakhir kita akan melihat penjualan pada musim panas
seasn_s %>% arrange(-Penjualan)## # A tibble: 25 × 3
## Item.Purchased Season Penjualan
## <fct> <fct> <int>
## 1 Pants Summer 50
## 2 Dress Summer 47
## 3 Jewelry Summer 47
## 4 Shoes Summer 46
## 5 Backpack Summer 45
## 6 Blouse Summer 43
## 7 Scarf Summer 43
## 8 Coat Summer 42
## 9 Socks Summer 42
## 10 Sandals Summer 40
## # ℹ 15 more rowsBerikut visualisasinya
ggplotly(plot_seasn_s)Kesimpulan:
- Dengan mengetahui penjualan terbanyak setiap musimnya kita bisa melakukan perencaan penjualan tiap musimnya untuk memaksimalkan penjualan kita.
5 Kesimpulan
Dari Eksplorasi yang telah kita lakukan, kita dapat mengambil beberapa kesimpulan diantaranya:
Total Profit pada dataset ini sejumlah USD. 233.081
Dengan Profit terbagi kebeberapa kategori dengan profit terbesar pada kategori clothing dengan besar USD. 104.264
Barang yang paling diminati oleh pelanggan adalah Blouse, Jewelry, dan Pants.
10 Barang dengan profit tertinggi yaitu Blouse, Shirt, Dress, Pants, Jewelry, Sunglasses, Belt, Scarf, Sweater, dan Shorts.
Metode pembayaran dengan total profit terbesar adalah dengan menggunakan credit card sedangkan metode pembayaran yang paling banyak digunakan adalah dengan paypal.
Range usia pelanggan terbanyak adalah pada range 46 sampai 50 dan 56 sampai 60.