Bike Store Sales Analysis
Lahfanda Dista
2023-11-10
Tugas Business Intelligent
Nama : Lahfanda Dista Permata Putri
NRP : 5006201005
1 Statistika deskriptif
1.1 Deskripsi data
Data yang digunakan pada tugas ini adalah data penjualan sepeda di berbagai negara di Eropa dan diunduh dari laman Kaggle. Data ini terdiri dari 18 kolom, dengan kolom Sales yang menjadi kolom utama.
#Loading R packages required
library(tidyverse)
library(lubridate)
library(dplyr)
library(ggplot2)
library(RColorBrewer)
#Loading the data files
sales <- read.csv("C:/Users/user/Videos/Sales.csv")
head(sales)## # A tibble: 6 x 18
## Date Day Month Year Customer_Age Age_Group Customer_Gender Country State
## <chr> <int> <chr> <int> <int> <chr> <chr> <chr> <chr>
## 1 2013-1~ 26 Nove~ 2013 19 Youth (<~ M Canada Brit~
## 2 2015-1~ 26 Nove~ 2015 19 Youth (<~ M Canada Brit~
## 3 2014-0~ 23 March 2014 49 Adults (~ M Austra~ New ~
## 4 2016-0~ 23 March 2016 49 Adults (~ M Austra~ New ~
## 5 2014-0~ 15 May 2014 47 Adults (~ F Austra~ New ~
## 6 2016-0~ 15 May 2016 47 Adults (~ F Austra~ New ~
## # i 9 more variables: Product_Category <chr>, Sub_Category <chr>,
## # Product <chr>, Order_Quantity <int>, Unit_Cost <int>, Unit_Price <int>,
## # Profit <int>, Cost <int>, Revenue <int>1.2 Data Preprocessing
1.2.1 Identifikasi Tipe Data
str(sales)## 'data.frame': 113036 obs. of 18 variables:
## $ Date : chr "2013-11-26" "2015-11-26" "2014-03-23" "2016-03-23" ...
## $ Day : int 26 26 23 23 15 15 22 22 22 22 ...
## $ Month : chr "November" "November" "March" "March" ...
## $ Year : int 2013 2015 2014 2016 2014 2016 2014 2016 2014 2016 ...
## $ Customer_Age : int 19 19 49 49 47 47 47 47 35 35 ...
## $ Age_Group : chr "Youth (<25)" "Youth (<25)" "Adults (35-64)" "Adults (35-64)" ...
## $ Customer_Gender : chr "M" "M" "M" "M" ...
## $ Country : chr "Canada" "Canada" "Australia" "Australia" ...
## $ State : chr "British Columbia" "British Columbia" "New South Wales" "New South Wales" ...
## $ Product_Category: chr "Accessories" "Accessories" "Accessories" "Accessories" ...
## $ Sub_Category : chr "Bike Racks" "Bike Racks" "Bike Racks" "Bike Racks" ...
## $ Product : chr "Hitch Rack - 4-Bike" "Hitch Rack - 4-Bike" "Hitch Rack - 4-Bike" "Hitch Rack - 4-Bike" ...
## $ Order_Quantity : int 8 8 23 20 4 5 4 2 22 21 ...
## $ Unit_Cost : int 45 45 45 45 45 45 45 45 45 45 ...
## $ Unit_Price : int 120 120 120 120 120 120 120 120 120 120 ...
## $ Profit : int 590 590 1366 1188 238 297 199 100 1096 1046 ...
## $ Cost : int 360 360 1035 900 180 225 180 90 990 945 ...
## $ Revenue : int 950 950 2401 2088 418 522 379 190 2086 1991 ...1.2.2 Merubah Format Tanggal (Date)
sales$Date = ymd(sales$Date)
head(sales)## # A tibble: 6 x 18
## Date Day Month Year Customer_Age Age_Group Customer_Gender Country
## <date> <int> <chr> <int> <int> <chr> <chr> <chr>
## 1 2013-11-26 26 November 2013 19 Youth (<~ M Canada
## 2 2015-11-26 26 November 2015 19 Youth (<~ M Canada
## 3 2014-03-23 23 March 2014 49 Adults (~ M Austra~
## 4 2016-03-23 23 March 2016 49 Adults (~ M Austra~
## 5 2014-05-15 15 May 2014 47 Adults (~ F Austra~
## 6 2016-05-15 15 May 2016 47 Adults (~ F Austra~
## # i 10 more variables: State <chr>, Product_Category <chr>, Sub_Category <chr>,
## # Product <chr>, Order_Quantity <int>, Unit_Cost <int>, Unit_Price <int>,
## # Profit <int>, Cost <int>, Revenue <int>1.3 Statistical Summary of Data
summary(sales)## Date Day Month Year
## Min. :2011-01-01 Min. : 1.00 Length:113036 Min. :2011
## 1st Qu.:2013-12-22 1st Qu.: 8.00 Class :character 1st Qu.:2013
## Median :2014-06-27 Median :16.00 Mode :character Median :2014
## Mean :2014-11-23 Mean :15.67 Mean :2014
## 3rd Qu.:2016-01-09 3rd Qu.:23.00 3rd Qu.:2016
## Max. :2016-07-31 Max. :31.00 Max. :2016
## Customer_Age Age_Group Customer_Gender Country
## Min. :17.00 Length:113036 Length:113036 Length:113036
## 1st Qu.:28.00 Class :character Class :character Class :character
## Median :35.00 Mode :character Mode :character Mode :character
## Mean :35.92
## 3rd Qu.:43.00
## Max. :87.00
## State Product_Category Sub_Category Product
## Length:113036 Length:113036 Length:113036 Length:113036
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Order_Quantity Unit_Cost Unit_Price Profit
## Min. : 1.0 Min. : 1.0 Min. : 2.0 Min. : -30.0
## 1st Qu.: 2.0 1st Qu.: 2.0 1st Qu.: 5.0 1st Qu.: 29.0
## Median :10.0 Median : 9.0 Median : 24.0 Median : 101.0
## Mean :11.9 Mean : 267.3 Mean : 452.9 Mean : 285.1
## 3rd Qu.:20.0 3rd Qu.: 42.0 3rd Qu.: 70.0 3rd Qu.: 358.0
## Max. :32.0 Max. :2171.0 Max. :3578.0 Max. :15096.0
## Cost Revenue
## Min. : 1.0 Min. : 2.0
## 1st Qu.: 28.0 1st Qu.: 63.0
## Median : 108.0 Median : 223.0
## Mean : 469.3 Mean : 754.4
## 3rd Qu.: 432.0 3rd Qu.: 800.0
## Max. :42978.0 Max. :58074.0table(sales$Age_Group)##
## Adults (35-64) Seniors (64+) Young Adults (25-34)
## 55824 730 38654
## Youth (<25)
## 17828table(sales$Customer_Gender)##
## F M
## 54724 58312table(sales$Country)##
## Australia Canada France Germany United Kingdom
## 23936 14178 10998 11098 13620
## United States
## 39206table(sales$Product_Category)##
## Accessories Bikes Clothing
## 70120 25982 16934Berdasarkan output tersebut diketahui bahwa:
Data yang diperoleh berjumlah 113.036 data observasi (dari Januari 2011 hingga Juli 2016) di 6 negara (Australia, Canada, France, Germany, United Kingdom, dan United States).
Customer berada pada rentang usia 17-87 tahun, dengan transaksi terbanyak pada:
Kelompok usia Adults (35-64 tahun) sebanyak 55824 kali.
Jenis kelamin Male (Laki-laki) sebanyak 58312 kali.
Negara Amerika Serikat sebanyak 39206 kali.
Kategori produk yang dijual yaitu accessories, bikes, dan clothing, dengan harga jual produk (unit price) paling murah yaitu $2 dan yang paling mahal $3578.
Biaya pembuatan produk (unit cost) paling murah yaitu $1, dengan rata-rata $267.3 dan yang paling mahal $2171.
Jumlah barang terjual minimum pada tanggal pencatatan yaitu 1 pcs, dengan penjualan tertinggi sejumlah 32 pcs, dan rata-rata penjualan 12 pcs.
Pendapatan (revenue) tertinggi berada pada angka $58074, terendah pada $2, dan rata-rata $754.4.
1.4 Informasi lain
- Revenue by country and product category
rev_country_product <- sales %>%
group_by(Country, Product_Category) %>%
summarize(Total_Revenue = sum(Revenue))
rev_country_product## # A tibble: 18 x 3
## Country Product_Category Total_Revenue
## <chr> <chr> <int>
## 1 Australia Accessories 2746405
## 2 Australia Bikes 16952818
## 3 Australia Clothing 1602836
## 4 Canada Accessories 2282940
## 5 Canada Bikes 4275003
## 6 Canada Clothing 1377795
## 7 France Accessories 1388053
## 8 France Bikes 6324125
## 9 France Clothing 720694
## 10 Germany Accessories 1548818
## 11 Germany Bikes 6792782
## 12 Germany Clothing 636996
## 13 United Kingdom Accessories 1873023
## 14 United Kingdom Bikes 7856994
## 15 United Kingdom Clothing 916179
## 16 United States Accessories 5278753
## 17 United States Bikes 19580412
## 18 United States Clothing 3116382- Profit by country and product category
prof_country_product <- sales %>%
group_by(Country, Product_Category) %>%
summarize(Total_Profit = sum(Profit))
prof_country_product## # A tibble: 18 x 3
## Country Product_Category Total_Profit
## <chr> <chr> <int>
## 1 Australia Accessories 1518253
## 2 Australia Bikes 4837357
## 3 Australia Clothing 420420
## 4 Canada Accessories 1418383
## 5 Canada Bikes 1690962
## 6 Canada Clothing 607951
## 7 France Accessories 779216
## 8 France Bikes 1910747
## 9 France Clothing 190319
## 10 Germany Accessories 906723
## 11 Germany Bikes 2287302
## 12 Germany Clothing 165970
## 13 United Kingdom Accessories 1144701
## 14 United Kingdom Bikes 2974139
## 15 United Kingdom Clothing 295013
## 16 United States Accessories 3095101
## 17 United States Bikes 6818769
## 18 United States Clothing 1159774- Global revenue performance by year
rev_year <- sales %>%
group_by(Year) %>%
summarize(Total_Revenue = sum(Revenue))
rev_year## # A tibble: 6 x 2
## Year Total_Revenue
## <int> <int>
## 1 2011 8964888
## 2 2012 9175983
## 3 2013 15240037
## 4 2014 14152724
## 5 2015 20023991
## 6 2016 17713385- Global profit performance by year
prof_year <- sales %>%
group_by(Year) %>%
summarize(Total_Profit = sum(Profit))
prof_year## # A tibble: 6 x 2
## Year Total_Profit
## <int> <int>
## 1 2011 2881301
## 2 2012 2951993
## 3 2013 5959208
## 4 2014 5864087
## 5 2015 7528563
## 6 2016 70359482 Visualisasi
2.1 Bar Chart
- Total Revenue by Country
# Data
rev_country <- aggregate(Revenue ~ Country, data = sales, sum)
# Membuat bar chart menggunakan ggplot
ggplot(rev_country, aes(x = Country, y = Revenue)) +
geom_bar(stat = "identity", fill = "skyblue") +
theme_minimal() +
scale_y_continuous(labels = scales::comma_format()) +
labs(title = 'Total Revenue by Country',
x = 'Country',
y = 'Total Revenue') +
theme(plot.title = element_text(size = 16, hjust = 0.5))
Berdasarkan plot di atas diketahui bahwa United States memiliki total revenue tertinggi sedangkan Canada memiliki total revenue terendah.
- Total Profit by Country
# Data
prof_country <- aggregate(Profit ~ Country, data = sales, sum)
# Membuat bar chart menggunakan ggplot
ggplot(prof_country, aes(x = Country, y = Profit)) +
geom_bar(stat = "identity", fill = "skyblue") +
theme_minimal() +
scale_y_continuous(labels = scales::comma_format()) +
labs(title = 'Total Profit by Country',
x = 'Country',
y = 'Total Profit') +
theme(plot.title = element_text(size = 16, hjust = 0.5))
Sama seperti plot sebelumnya, diketahui bahwa United States menjadi negara dengan total profit tertinggi. Bedanya pada plot ini diketahui France yang menjadi negara dengan total profit terendah.
2.2 Histogram
2.2.1 Single Histogram
# Filter data untuk masing-masing gender
male_data <- sales$Customer_Age[sales$Customer_Gender == "M"]
female_data <- sales$Customer_Age[sales$Customer_Gender == "F"]
# Membuat histogram menggunakan ggplot
ggplot(data.frame(Customer_Age_M = male_data), aes(x = Customer_Age_M)) +
geom_histogram(binwidth = 2, fill = "darkblue", alpha = 0.5) +
labs(title = "Customer Age Histogram (Male)",
x = "Customer Age",
y = "Frequency") +
scale_x_continuous(breaks = seq(0, 90, by = 10), limits = c(0, 90)) +
scale_y_continuous(breaks = seq(0, 4500, by = 500)) +
theme_minimal()
ggplot(data.frame(Customer_Age_F = female_data), aes(x = Customer_Age_F)) +
geom_histogram(binwidth = 2, fill = "pink", alpha = 0.5) +
labs(title = "Customer Age Histogram (Female)",
x = "Customer Age",
y = "Frequency") +
scale_x_continuous(breaks = seq(0, 90, by = 10), limits = c(0, 90)) +
scale_y_continuous(breaks = seq(0, 4500, by = 500)) +
theme_minimal()
2.2.2 Double Histogram
# Membuat dataset untuk digunakan dalam ggplot
sales_data <- data.frame(
Customer_Age = c(sales$Customer_Age[sales$Customer_Gender == "M"],
sales$Customer_Age[sales$Customer_Gender == "F"]),
Customer_Gender = rep(c("Male", "Female"),
times = c(sum(sales$Customer_Gender == "M"),
sum(sales$Customer_Gender == "F")))
)
# Membuat histogram menggunakan ggplot
ggplot(sales_data, aes(x = Customer_Age, fill = Customer_Gender)) +
geom_histogram(binwidth = 2, position = "identity", alpha = 0.3) +
labs(title = "Customer Age by Gender Histograms",
x = "Customer Age",
y = "Frequency") +
scale_x_continuous(breaks = seq(0, 90, by = 10), limits = c(0, 90)) +
scale_y_continuous(breaks = seq(0, 4500, by = 500)) +
scale_fill_manual(values = c("Male" = "darkblue", "Female" = "pink")) +
theme_minimal()
2.3 Boxplot
Order Quantity by Product Category
ggplot(data=sales, mapping = aes(x=Product_Category, y=Order_Quantity, fill=Product_Category)) +
geom_boxplot()
Boxplot jumlah pesanan berdasarkan kategori produk dibuat untuk membantu dalam memahami karakteristik dari distribusi data. Accessories, Clothing dan Bikes secara berurutan menunjukkan urutan data dengan sebaran tertinggi ke terendah yang diukur berdasarkan bidang jangkauan kuartil dalam (inner quartile range). Selanjutnya diketahui pula bahwa kategori Accessories dan Clothing memiliki nilai tengah (median) yang sama dan lebih besar dari kategori Bikes. Pada kategori Accessories dan Clothing tidak ada nilai yang menyimpang jauh (outlier), dengan panjang whisker bagian atas sedikit lebih panjang daribada whisker bagian bawah. Sedangkan pada kategori Bikes terdapat satu outlier yang nilainya di atas whisker. Adanya outlier di bagian atas boxplot yang disertai dengan whisker bagian atas yang lebih panjang, menunjukkan bahwa ketiga kategori memiliki distribusi data cenderung menjulur ke arah kanan (positive skewness).
2.4 Pie Chart
- Global Revenue Performance by Product Category
# Data
rev_pie <- sales %>%
group_by(Product_Category) %>%
summarise(Revenue = sum(Revenue))
# Membuat pie chart menggunakan ggplot
ggplot(rev_pie, aes(x = "", y = Revenue, fill = Product_Category)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
theme_void() +
theme(legend.position = "bottom") +
scale_fill_brewer(palette = "Pastel3") +
geom_text(aes(label = sprintf("%1.1f%%", (Revenue / sum(Revenue)) * 100)),
position = position_stack(vjust = 0.5)) +
labs(title = "Total Revenues of Each Product Category",
caption = "Note: Percentages are relative to the total revenues.")
Berdasarkan chart tersebut diketahui bahwa pendapatan (revenue) terbesar berasal dari penjualan sepeda (bikes) yaitu sebesar 72.5%. Jika dilihat pada boxplot sebelumnya, diketahui bahwa banyaknya penjualan sepeda sebenarnya lebih rendah dibandingkan dengan penjualan aksesoris (accessories) dan pakaian (clothing). Akan tetapi karena harga sepeda jauh lebih mahal daripada kedua kategori lainnya, sehingga penjualan sepeda bisa menjadi penyumbang terbesar pada pendapatan.
- Global Profit Performance by Country
# Data
df_pie <- sales %>%
group_by(Country) %>%
summarise(Profit = sum(Profit))
# Membuat pie chart menggunakan ggplot
ggplot(df_pie, aes(x = "", y = Profit, fill = Country)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
theme_void() +
theme(legend.position = "bottom") +
scale_fill_brewer(palette = "Pastel2") +
geom_text(aes(label = sprintf("%1.1f%%", (Profit / sum(Profit)) * 100)),
position = position_stack(vjust = 0.5)) +
labs(title = "Total Profits of Each Global Store Location",
caption = "Note: Percentages are relative to the total profits.")
Berdasarkan chart tersebut diketahui bahwa penjualan dari outlet yang berada di United States menyumbang profit lebih dari 1/3 total profit seluruh negara.
3 Analisis korelasi
# Membuat data frame baru khusus untuk variabel numerik
new_sales <- data.frame(Qty=sales$Order_Quantity, Unit_Cost=sales$Unit_Cost, Unit_Price=sales$Unit_Price, Profit=sales$Profit, Cost=sales$Cost, Revenue=sales$Revenue)
# Melakukan analisis korelasi antar variabel
cor_matrix <- cor(new_sales)
# Menampilkan matriks korelasi
print(cor_matrix)## Qty Unit_Cost Unit_Price Profit Cost Revenue
## Qty 1.0000000 -0.5158350 -0.5159246 -0.2388634 -0.3403816 -0.3128950
## Unit_Cost -0.5158350 1.0000000 0.9978936 0.7410203 0.8298690 0.8178650
## Unit_Price -0.5159246 0.9978936 1.0000000 0.7498702 0.8263011 0.8185218
## Profit -0.2388634 0.7410203 0.7498702 1.0000000 0.9022330 0.9565717
## Cost -0.3403816 0.8298690 0.8263011 0.9022330 1.0000000 0.9887584
## Revenue -0.3128950 0.8178650 0.8185218 0.9565717 0.9887584 1.00000004 Model Regresi Linier
4.1 Sederhana
# Membuat model regresi linier sederhana
model1 <- lm(Profit ~ Revenue, data = new_sales)
# Menampilkan ringkasan model
summary(model1)##
## Call:
## lm(formula = Profit ~ Revenue, data = new_sales)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4199.7 -32.8 -15.4 41.6 1215.3
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.486e+01 4.542e-01 76.74 <2e-16 ***
## Revenue 3.317e-01 3.006e-04 1103.29 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 132.3 on 113034 degrees of freedom
## Multiple R-squared: 0.915, Adjusted R-squared: 0.915
## F-statistic: 1.217e+06 on 1 and 113034 DF, p-value: < 2.2e-16Dari output regresi linear tersebut, dapat dibuat beberapa kesimpulan:
- Koefisien Regresi:
- Intercept (\(\beta_0\)): 34.86. Ini adalah perkiraan nilai dari variabel dependen (Profit) ketika nilai variabel independen (Revenue) sama dengan 0.
- Revenue (\(\beta_1\)): 0.3317. Ini menunjukkan bahwa untuk setiap satu unit peningkatan dalam Revenue, diperkirakan bahwa Profit akan meningkat sekitar 0.3317 unit.
- Model regresi linier: \[Profit = 34.86 + 0.3317*Revenue\]
- Signifikansi Statistik:
- Kedua koefisien (Intercept dan Revenue) memiliki nilai p yang sangat rendah (< 0.001), sehingga keduanya secara signifikan berbeda dari nol. Ini menunjukkan bahwa keduanya memiliki dampak yang signifikan terhadap variabel dependen.
- R-squared:
- Multiple R-squared adalah 0.915, yang berarti sekitar 91.5% variabilitas dalam Profit dapat dijelaskan oleh variabilitas dalam Revenue. Ini menunjukkan bahwa model ini memiliki kemampuan yang baik untuk menjelaskan variasi dalam data.
- F-statistic:
- F-statistic sangat besar (1.217e+06) dengan nilai p yang sangat rendah (< 2.2e-16), mengindikasikan bahwa model secara keseluruhan sangat signifikan.
Dengan demikian, dapat disimpulkan bahwa model regresi linear ini secara statistik signifikan dan mampu menjelaskan sebagian besar variasi dalam variabel dependen (Profit) berdasarkan variabel independen (Revenue). Namun, interpretasi praktis dari koefisien perlu dilakukan dengan pertimbangan konteks bisnis dan analisis lebih lanjut.
4.2 Berganda
# Membuat model regresi linier sederhana
model2 <- lm(Cost ~ Qty + Unit_Cost, data = new_sales)
# Menampilkan ringkasan model
summary(model2)##
## Call:
## lm(formula = Cost ~ Qty + Unit_Cost, data = new_sales)
##
## Residuals:
## Min 1Q Median 3Q Max
## -909 -148 -25 45 40577
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -45.781389 2.987759 -15.32 <2e-16 ***
## Qty 11.057563 0.176229 62.74 <2e-16 ***
## Unit_Cost 1.434725 0.003065 468.15 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 485.3 on 113033 degrees of freedom
## Multiple R-squared: 0.6992, Adjusted R-squared: 0.6992
## F-statistic: 1.313e+05 on 2 and 113033 DF, p-value: < 2.2e-16Dari output regresi linear tersebut, dapat dibuat beberapa kesimpulan:
- Koefisien Regresi:
- Intercept (\(\beta_0\)): -45.78. Ini adalah perkiraan nilai dari variabel dependen (Cost) ketika nilai variabel independen (Quantity dan Unit Cost) sama dengan 0.
- Quantity (\(\beta_1\)): 11.06 Ini menunjukkan bahwa untuk setiap satu unit peningkatan dalam Quantity, diperkirakan bahwa Cost akan meningkat sekitar 11.06 unit.
- Unit Cost (\(\beta_2\)): 1.43. Ini menunjukkan bahwa untuk setiap satu unit peningkatan dalam Unit Cost, diperkirakan bahwa Cost akan meningkat sekitar 1.43 unit.
- Model regresi linier: \[Cost = -45.78 + 11.06*Qty + 1.43*Unit Cost\]
- Signifikansi Statistik:
- Ketiga koefisien (Intercept, Quantity dan Unit Cost) memiliki nilai p yang sangat rendah (< 0.001), sehingga keduanya secara signifikan berbeda dari nol. Ini menunjukkan bahwa keduanya memiliki dampak yang signifikan terhadap variabel dependen.
- R-squared:
- Multiple R-squared adalah 0.6992, yang berarti sekitar 69.9% variabilitas dalam Cost dapat dijelaskan oleh variabilitas dalam Quantity dan Unit Cost.
- F-statistic:
- F-statistic sangat besar (1.313e+05) dengan nilai p yang sangat rendah (< 2.2e-16), mengindikasikan bahwa model secara keseluruhan sangat signifikan.
Dengan demikian, dapat disimpulkan bahwa model regresi linear ini secara statistik signifikan dan mampu menjelaskan sebagian besar variasi dalam variabel dependen (Cost) berdasarkan variabel independen (Quantity dan Unit Cost). Namun, interpretasi praktis dari koefisien perlu dilakukan dengan pertimbangan konteks bisnis dan analisis lebih lanjut.