#Membangkitkan Data Membuat Data Penjualan
##Skenario Z : Jumlah penjualan harian di toko online Y1 : Jumlah pengunjung unik ke situs web toko online Y2 : Jumlah promosi yang dilakukan di media sosial Y3 : Harga rata-rata produk yang dijual Y4 : Tingkat kepuasan pelanggan berdasarkan survei
Y1 : Jumlah pengunjung unik ke situs web toko online membangkitkan variabel Y1 dengan jumlah pengunjung unik situs selama 0-12 bulan dengan nilai tengah 5 dan banyak orang 125 orang
set.seed(1)
n <- 125
u <- runif (n)
Y1 <- round(12*(-(log(1-u)/5)))
Y1## [1] 1 1 2 6 1 5 7 3 2 0 1 0 3 1 4 2 3 12 1 4 7 1 3 0 1
## [26] 1 0 1 5 1 2 2 2 0 4 3 4 0 3 1 4 2 4 2 2 4 0 2 3 3
## [51] 2 5 1 1 0 0 1 2 3 1 6 1 1 1 3 1 2 3 0 5 1 4 1 1 2
## [76] 5 5 1 4 8 1 3 1 1 3 1 3 0 1 0 1 0 2 5 4 4 1 1 4 2
## [101] 3 1 1 12 2 1 0 2 6 2 9 3 1 1 0 0 3 0 1 2 12 2 2 0 3Y2 : Jumlah promosi yang dilakukan di media sosial aplikasi yang digunakan (0:instagram, 1:tiktok)
set.seed (2)
Y2 <- round(runif(n))
Y2## [1] 0 1 1 0 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 1 0 1 0 0 0 0 0 1 0 0 0 1 1 1 1 1
## [38] 0 1 0 1 0 0 0 1 1 1 0 1 1 0 0 1 1 0 1 1 1 1 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0
## [75] 0 1 0 1 0 1 0 1 0 0 0 1 1 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0
## [112] 1 0 1 1 1 1 0 1 1 0 0 1 1 0Y3 : Harga rata-rata produk yang dijual harga yang dijual (0:50.000, 1:75.000)
set.seed(3)
Y3 <- round(runif(n))
Y3## [1] 0 1 0 0 1 1 0 0 1 1 1 1 1 1 1 1 0 1 1 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 1
## [38] 0 1 0 0 1 0 1 0 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 1 0 1 0 1 0 1 1 0 0 1 1 1 1
## [75] 1 1 0 0 1 1 1 1 0 0 1 1 0 0 1 1 0 0 0 1 1 0 0 0 0 1 1 1 0 1 1 0 0 0 0 0 0
## [112] 0 0 0 1 1 1 1 0 0 1 1 1 0 1Y4 : Tingkat kepuasan pelanggan berdasarkan survei tingkat kepuasannya (skala 1-5)
Y4 <- round(rnorm(n, 3, 5),4)
Y4## [1] 2.1160 1.9908 0.6717 2.9194 -0.8141 3.4832 -3.1436 3.4768 0.6507
## [10] 8.4371 -0.1054 7.7897 -1.2289 -2.7487 0.5115 -0.1799 -3.2539 -5.8406
## [19] 3.0970 8.8619 6.5236 -1.5702 3.5952 -3.1652 9.3322 3.3760 6.9106
## [28] 3.8361 0.4840 -3.4559 0.9597 -2.7778 0.7202 8.2079 3.7315 1.6130
## [37] 9.5985 0.0729 8.4126 2.9113 1.5676 5.3963 -6.2056 2.7068 -1.0835
## [46] 12.6552 -2.8830 6.1293 7.3981 4.2161 5.8854 -3.9775 1.2417 1.9461
## [55] 4.4925 9.3859 0.5669 4.2101 6.1381 -4.4789 1.0634 13.5207 5.6921
## [64] -0.2907 4.4915 3.2356 2.6344 11.2155 10.2464 4.5188 5.2154 -1.6451
## [73] -1.1883 5.9548 10.2182 1.1351 -4.1530 -0.1420 -9.0647 1.6481 1.3320
## [82] 16.7940 5.3851 4.2720 4.7666 4.0335 7.9625 1.7625 0.6541 6.0081
## [91] 4.6495 3.5424 13.7465 -4.9568 4.5163 10.7931 7.4139 4.8503 -1.0727
## [100] -0.0380 3.5129 7.6132 10.1602 3.0648 -2.5102 10.1223 -5.0744 -3.1400
## [109] 0.1103 2.9767 2.0462 -5.3140 8.7980 -0.4719 9.0407 1.4024 6.6563
## [118] 12.1819 -3.2368 7.6063 -3.0718 2.7430 0.1792 -3.3802 0.2148w0 <- -5.5
w1 <- 3.5
w2 <- 4
w3 <- 2
w4 <- 0.5 set.seed(1)
datatambahan <- w0 +(w1*Y1)+(w2*Y2)+(w3*Y3)+(w4*Y4)
datatambahan## [1] -0.94200 4.99540 5.83585 16.95970 3.59295 19.74160 17.42820 10.73840
## [9] 3.82535 4.71855 3.94730 0.39485 10.38555 -1.37435 10.75575 7.41005
## [17] 7.37305 35.57970 1.54850 12.93095 26.26180 -2.78510 10.79760 -7.08260
## [25] 2.66610 1.68800 -0.04470 1.91805 18.24200 -1.72795 1.97985 0.11110
## [33] 5.86010 2.60395 14.36575 9.80650 19.29925 -5.46355 15.20630 -0.54435
## [41] 13.28380 6.19815 5.39720 4.85340 4.95825 18.82760 -2.94150 4.56465
## [49] 12.69905 13.10805 4.44270 10.01125 4.62085 4.97305 -1.25375 5.19295
## [57] 2.28345 7.60505 12.06905 -0.23945 22.03170 8.76035 6.84605 -2.14535
## [65] 13.24575 -0.38220 4.81720 12.60775 -0.37680 14.25940 2.60770 9.67745
## [73] -0.59415 2.97740 8.60910 18.56755 9.92350 1.92900 5.96765 29.32405
## [81] 0.66600 19.39700 0.69255 0.13600 9.38330 6.01675 12.98125 -4.61875
## [89] 4.32705 -0.49595 4.32475 -3.72880 8.37325 15.52160 12.75815 13.89655
## [97] 1.70695 0.42515 7.96365 3.48100 8.75645 3.80660 7.08010 44.03240
## [105] 2.24490 7.06115 -4.03720 -0.07000 15.55515 2.98835 27.02310 6.34300
## [113] 2.39900 1.76405 5.02035 1.20120 14.32815 2.59095 0.38160 9.30315
## [121] 36.96410 4.87150 7.58960 -3.19010 7.10740q <- exp(datatambahan)/(1+exp(datatambahan))
q## [1] 0.2804965290 0.9932764985 0.9970875676 0.9999999569 0.9732198743
## [6] 0.9999999973 0.9999999730 0.9999783048 0.9786547564 0.9911508909
## [11] 0.9810589310 0.5974496908 0.9999691255 0.2019179476 0.9999786780
## [16] 0.9993952255 0.9993724441 1.0000000000 0.8246969796 0.9999975781
## [21] 1.0000000000 0.0581346748 0.9999795519 0.0008388831 0.9349963984
## [26] 0.8439609593 0.4888268603 0.8719208255 0.9999999880 0.1508499851
## [31] 0.8786651711 0.5277464658 0.9971571463 0.9311153627 0.9999994232
## [36] 0.9999449107 0.9999999958 0.0042205935 0.9999997511 0.3671762429
## [41] 0.9999982982 0.9979709369 0.9954911765 0.9922585907 0.9930237981
## [46] 0.9999999933 0.0501397863 0.9896938005 0.9999969460 0.9999979712
## [51] 0.9883726532 0.9999551100 0.9902515432 0.9931255811 0.2220516710
## [56] 0.9944751005 0.9074970685 0.9995023173 0.9999942658 0.4404218940
## [61] 0.9999999997 0.9998431949 0.9989374813 0.1047665482 0.9999982322
## [66] 0.4055963936 0.9919755076 0.9999966540 0.4068989294 0.9999993585
## [71] 0.9313554975 0.9999373228 0.3556832192 0.9515426279 0.9998175952
## [76] 0.9999999914 0.9999509931 0.8731386937 0.9974462872 1.0000000000
## [81] 0.6606069145 0.9999999962 0.6665339467 0.5339476914 0.9999158899
## [86] 0.9975683485 0.9999976969 0.0097687499 0.9869656879 0.3784929048
## [91] 0.9869360665 0.0234581414 0.9997690896 0.9999998184 0.9999971212
## [96] 0.9999990778 0.8464402666 0.6047149405 0.9996522399 0.9701423000
## [101] 0.9998425822 0.9782595406 0.9991590189 1.0000000000 0.9042097108
## [106] 0.9991429441 0.0173408044 0.4825071423 0.9999998244 0.9520450351
## [111] 1.0000000000 0.9982440714 0.9167510167 0.8537161688 0.9934410878
## [116] 0.7687381880 0.9999994011 0.9302768610 0.5942589454 0.9999088716
## [121] 1.0000000000 0.9923963939 0.9994945723 0.0395399817 0.9991816486set.seed(2)
Z <- rbinom(n,1,q)
Z## [1] 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 0 1 1 0 1 1 0 1 1 1 1 1 1 1
## [38] 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 1 0 1 1 0 1 1 1 0 1
## [75] 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1
## [112] 1 1 1 1 0 1 1 1 1 1 1 1 0 1datagab <- data.frame(n,Y1,Y2,Y3,Y4)
datagab## n Y1 Y2 Y3 Y4
## 1 125 1 0 0 2.1160
## 2 125 1 1 1 1.9908
## 3 125 2 1 0 0.6717
## 4 125 6 0 0 2.9194
## 5 125 1 1 1 -0.8141
## 6 125 5 1 1 3.4832
## 7 125 7 0 0 -3.1436
## 8 125 3 1 0 3.4768
## 9 125 2 0 1 0.6507
## 10 125 0 1 1 8.4371
## 11 125 1 1 1 -0.1054
## 12 125 0 0 1 7.7897
## 13 125 3 1 1 -1.2289
## 14 125 1 0 1 -2.7487
## 15 125 4 0 1 0.5115
## 16 125 2 1 1 -0.1799
## 17 125 3 1 0 -3.2539
## 18 125 12 0 1 -5.8406
## 19 125 1 0 1 3.0970
## 20 125 4 0 0 8.8619
## 21 125 7 1 0 6.5236
## 22 125 1 0 0 -1.5702
## 23 125 3 1 0 3.5952
## 24 125 0 0 0 -3.1652
## 25 125 1 0 0 9.3322
## 26 125 1 0 1 3.3760
## 27 125 0 0 1 6.9106
## 28 125 1 0 1 3.8361
## 29 125 5 1 1 0.4840
## 30 125 1 0 1 -3.4559
## 31 125 2 0 0 0.9597
## 32 125 2 0 0 -2.7778
## 33 125 2 1 0 0.7202
## 34 125 0 1 0 8.2079
## 35 125 4 1 0 3.7315
## 36 125 3 1 0 1.6130
## 37 125 4 1 1 9.5985
## 38 125 0 0 0 0.0729
## 39 125 3 1 1 8.4126
## 40 125 1 0 0 2.9113
## 41 125 4 1 0 1.5676
## 42 125 2 0 1 5.3963
## 43 125 4 0 0 -6.2056
## 44 125 2 0 1 2.7068
## 45 125 2 1 0 -1.0835
## 46 125 4 1 0 12.6552
## 47 125 0 1 0 -2.8830
## 48 125 2 0 0 6.1293
## 49 125 3 1 0 7.3981
## 50 125 3 1 1 4.2161
## 51 125 2 0 0 5.8854
## 52 125 5 0 0 -3.9775
## 53 125 1 1 1 1.2417
## 54 125 1 1 1 1.9461
## 55 125 0 0 1 4.4925
## 56 125 0 1 1 9.3859
## 57 125 1 1 0 0.5669
## 58 125 2 1 0 4.2101
## 59 125 3 1 0 6.1381
## 60 125 1 1 0 -4.4789
## 61 125 6 1 1 1.0634
## 62 125 1 1 0 13.5207
## 63 125 1 1 1 5.6921
## 64 125 1 0 0 -0.2907
## 65 125 3 1 1 4.4915
## 66 125 1 0 0 3.2356
## 67 125 2 0 1 2.6344
## 68 125 3 0 1 11.2155
## 69 125 0 0 0 10.2464
## 70 125 5 0 0 4.5188
## 71 125 1 0 1 5.2154
## 72 125 4 0 1 -1.6451
## 73 125 1 0 1 -1.1883
## 74 125 1 0 1 5.9548
## 75 125 2 0 1 10.2182
## 76 125 5 1 1 1.1351
## 77 125 5 0 0 -4.1530
## 78 125 1 1 0 -0.1420
## 79 125 4 0 1 -9.0647
## 80 125 8 1 1 1.6481
## 81 125 1 0 1 1.3320
## 82 125 3 1 1 16.7940
## 83 125 1 0 0 5.3851
## 84 125 1 0 0 4.2720
## 85 125 3 0 1 4.7666
## 86 125 1 1 1 4.0335
## 87 125 3 1 0 7.9625
## 88 125 0 0 0 1.7625
## 89 125 1 1 1 0.6541
## 90 125 0 0 1 6.0081
## 91 125 1 1 0 4.6495
## 92 125 0 0 0 3.5424
## 93 125 2 0 0 13.7465
## 94 125 5 1 1 -4.9568
## 95 125 4 0 1 4.5163
## 96 125 4 0 0 10.7931
## 97 125 1 0 0 7.4139
## 98 125 1 0 0 4.8503
## 99 125 4 0 0 -1.0727
## 100 125 2 0 1 -0.0380
## 101 125 3 0 1 3.5129
## 102 125 1 0 1 7.6132
## 103 125 1 1 0 10.1602
## 104 125 12 1 1 3.0648
## 105 125 2 0 1 -2.5102
## 106 125 1 1 0 10.1223
## 107 125 0 1 0 -5.0744
## 108 125 2 0 0 -3.1400
## 109 125 6 0 0 0.1103
## 110 125 2 0 0 2.9767
## 111 125 9 0 0 2.0462
## 112 125 3 1 0 -5.3140
## 113 125 1 0 0 8.7980
## 114 125 1 1 0 -0.4719
## 115 125 0 1 1 9.0407
## 116 125 0 1 1 1.4024
## 117 125 3 1 1 6.6563
## 118 125 0 0 1 12.1819
## 119 125 1 1 0 -3.2368
## 120 125 2 1 0 7.6063
## 121 125 12 0 1 -3.0718
## 122 125 2 0 1 2.7430
## 123 125 2 1 1 0.1792
## 124 125 0 1 0 -3.3802
## 125 125 3 0 1 0.2148modelreglog <- glm(Z~Y1+Y2+Y3+Y4, family = binomial(link = "logit"), data = datagab)## Warning: glm.fit: fitted probabilities numerically 0 or 1 occurredsummary(modelreglog)##
## Call:
## glm(formula = Z ~ Y1 + Y2 + Y3 + Y4, family = binomial(link = "logit"),
## data = datagab)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -8.5792 2.6430 -3.246 0.00117 **
## Y1 6.4490 1.8528 3.481 0.00050 ***
## Y2 8.2932 3.0971 2.678 0.00741 **
## Y3 1.8041 1.2408 1.454 0.14594
## Y4 0.7330 0.2421 3.028 0.00246 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 106.541 on 124 degrees of freedom
## Residual deviance: 23.232 on 120 degrees of freedom
## AIC: 33.232
##
## Number of Fisher Scoring iterations: 10kesimpulan: Dengan signifikan skenario ini, dapat melakukan analisis tentang bagaimana variabel-variabel seperti pengunjung situs web, promosi di media sosial, harga produk, dan tingkat kepuasan pelanggan berhubungan dengan penjualan harian di toko online. Beberapa hal yang dapat di perhatikan dari analisis ini adalah:
Pengaruh Pengunjung Situs Web: dapat dilihat apakah peningkatan jumlah pengunjung situs web berdampak positif terhadap peningkatan penjualan. Ini bisa memberi wawasan tentang seberapa efektif strategi pemasaran online dalam menarik pengunjung.
Promosi di Media Sosial: Analisis dapat menunjukkan apakah promosi di media sosial, seperti iklan atau konten berbayar, berpengaruh signifikan terhadap penjualan harian. Ini bisa membantu menilai efektivitas kampanye promosi.
Harga Produk: Melihat apakah penyesuaian harga produk berdampak langsung terhadap penjualan harian dapat membantu menentukan strategi harga yang tepat untuk meningkatkan penjualan.
Tingkat Kepuasan Pelanggan: Mengetahui seberapa puas pelanggan dengan layanan dan produk yang di tawarkan dapat memberikan informasi berharga tentang faktor-faktor yang dapat meningkatkan loyalitas pelanggan dan penjualan jangka panjang.
Dengan analisis ini, dapat mengidentifikasi pola dan tren yang dapat membantu mengambil keputusan yang lebih baik dalam mengelola toko online untuk meningkatkan penjualan dan keuntungan.