LEGO Sales Data Analysis Visualization
Revalina Putria Hidayat
2025-04-17
- Eksplorasi Data Awal
- Tampilkan informasi umum dataset (jumlah data, kolom, tipe data).
- Lakukan pembersihan data sederhana jika diperlukan (null values, duplikat, dll).
kbl_table <- lego_sales %>%
head(11) %>%
kable("html") %>%
kable_styling(full_width = F, bootstrap_options = c("striped", "hover")) %>%
row_spec(0, background = "#e30b5d", color = "white")
num_cols <- ncol(lego_sales)
kbl_table <- kbl_table %>%
column_spec(1:num_cols, background = "#ff1493", color = "white")
kbl_table| first_name | last_name | age | phone_number | set_id | number | theme | subtheme | year | name | pieces | us_price | image_url | quantity |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kimberly | Beckstead | 24 | 216-555-2549 | 24701 | 76062 | DC Comics Super Heroes | Mighty Micros | 2018 | Robin vs. Bane | 77 | 9.99 | http://images.brickset.com/sets/images/76062-1.jpg | 1 |
| Neel | Garvin | 35 | 819-555-3189 | 25626 | 70595 | Ninjago | Rise of the Villains | 2018 | Ultra Stealth Raider | 1093 | 119.99 | http://images.brickset.com/sets/images/70595-1.jpg | 1 |
| Neel | Garvin | 35 | 819-555-3189 | 24665 | 21031 | Architecture | NA | 2018 | Burj Khalifa | 333 | 39.99 | http://images.brickset.com/sets/images/21031-1.jpg | 1 |
| Chelsea | Bouchard | 41 | NA | 24695 | 31048 | Creator | NA | 2018 | Lakeside Lodge | 368 | 29.99 | http://images.brickset.com/sets/images/31048-1.jpg | 1 |
| Chelsea | Bouchard | 41 | NA | 25626 | 70595 | Ninjago | Rise of the Villains | 2018 | Ultra Stealth Raider | 1093 | 119.99 | http://images.brickset.com/sets/images/70595-1.jpg | 1 |
| Chelsea | Bouchard | 41 | NA | 24721 | 10831 | Duplo | NA | 2018 | My First Caterpillar | 19 | 9.99 | http://images.brickset.com/sets/images/10831-1.jpg | 1 |
| Bryanna | Welsh | 19 | NA | 24797 | 75138 | Star Wars | Episode V | 2018 | Hoth Attack | 233 | 24.99 | http://images.brickset.com/sets/images/75138-1.jpg | 1 |
| Bryanna | Welsh | 19 | NA | 24701 | 76062 | DC Comics Super Heroes | Mighty Micros | 2018 | Robin vs. Bane | 77 | 9.99 | http://images.brickset.com/sets/images/76062-1.jpg | 3 |
| Caleb | Garcia-Wideman | 37 | 907-555-9236 | 24730 | 41115 | Friends | NA | 2018 | Emma’s Creative Workshop | 108 | 9.99 | http://images.brickset.com/sets/images/41115-1.jpg | 1 |
| Caleb | Garcia-Wideman | 37 | 907-555-9236 | 25611 | 21127 | Minecraft | Minifig-scale | 2018 | The Fortress | NA | 109.99 | http://images.brickset.com/sets/images/21127-1.jpg | 2 |
| Chase | Fortenberry | 19 | 205-555-3704 | 24707 | 10801 | Duplo | NA | 2018 | Baby Animals | 13 | 9.99 | http://images.brickset.com/sets/images/10801-1.jpg | 1 |
str(lego_sales)## spc_tbl_ [620 × 14] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ first_name : chr [1:620] "Kimberly" "Neel" "Neel" "Chelsea" ...
## $ last_name : chr [1:620] "Beckstead" "Garvin" "Garvin" "Bouchard" ...
## $ age : num [1:620] 24 35 35 41 41 41 19 19 37 37 ...
## $ phone_number: chr [1:620] "216-555-2549" "819-555-3189" "819-555-3189" NA ...
## $ set_id : num [1:620] 24701 25626 24665 24695 25626 ...
## $ number : chr [1:620] "76062" "70595" "21031" "31048" ...
## $ theme : chr [1:620] "DC Comics Super Heroes" "Ninjago" "Architecture" "Creator" ...
## $ subtheme : chr [1:620] "Mighty Micros" "Rise of the Villains" NA NA ...
## $ year : num [1:620] 2018 2018 2018 2018 2018 ...
## $ name : chr [1:620] "Robin vs. Bane" "Ultra Stealth Raider" "Burj Khalifa" "Lakeside Lodge" ...
## $ pieces : num [1:620] 77 1093 333 368 1093 ...
## $ us_price : num [1:620] 9.99 119.99 39.99 29.99 119.99 ...
## $ image_url : chr [1:620] "http://images.brickset.com/sets/images/76062-1.jpg" "http://images.brickset.com/sets/images/70595-1.jpg" "http://images.brickset.com/sets/images/21031-1.jpg" "http://images.brickset.com/sets/images/31048-1.jpg" ...
## $ quantity : num [1:620] 1 1 1 1 1 1 1 3 1 2 ...
## - attr(*, "spec")=List of 3
## ..$ cols :List of 14
## .. ..$ first_name : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ last_name : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ age : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ phone_number: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ set_id : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ number : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ theme : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ subtheme : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ year : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ name : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ pieces : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ us_price : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ image_url : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ quantity : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr [1:2] "collector_guess" "collector"
## ..$ skip : num 1
## ..- attr(*, "class")= chr "col_spec"dim(lego_sales)## [1] 620 14names(lego_sales)## [1] "first_name" "last_name" "age" "phone_number" "set_id"
## [6] "number" "theme" "subtheme" "year" "name"
## [11] "pieces" "us_price" "image_url" "quantity"colSums(is.na(lego_sales))## first_name last_name age phone_number set_id number
## 0 0 0 92 0 0
## theme subtheme year name pieces us_price
## 0 172 0 0 69 0
## image_url quantity
## 59 0sum(duplicated(lego_sales))## [1] 0lego_sales_clean <- lego_sales %>%
tidyr::drop_na() %>%
dplyr::distinct()
dim(lego_sales_clean)## [1] 287 14summary(lego_sales_clean)## first_name last_name age phone_number
## Length:287 Length:287 Min. :16.0 Length:287
## Class :character Class :character 1st Qu.:25.5 Class :character
## Mode :character Mode :character Median :33.0 Mode :character
## Mean :34.4
## 3rd Qu.:41.0
## Max. :68.0
## set_id number theme subtheme
## Min. :24548 Length:287 Length:287 Length:287
## 1st Qu.:24703 Class :character Class :character Class :character
## Median :24783 Mode :character Mode :character Mode :character
## Mean :24923
## 3rd Qu.:24920
## Max. :25969
## year name pieces us_price
## Min. :2018 Length:287 Min. : 18.0 Min. : 3.99
## 1st Qu.:2018 Class :character 1st Qu.: 76.0 1st Qu.: 9.99
## Median :2018 Mode :character Median : 102.0 Median : 19.99
## Mean :2018 Mean : 257.5 Mean : 28.69
## 3rd Qu.:2018 3rd Qu.: 294.0 3rd Qu.: 29.99
## Max. :2018 Max. :2380.0 Max. :249.99
## image_url quantity
## Length:287 Min. :1.000
## Class :character 1st Qu.:1.000
## Mode :character Median :1.000
## Mean :1.467
## 3rd Qu.:2.000
## Max. :5.0002.Visualisasi Wajib Buat minimal 5 visualisasi dari kategori berikut: a) 10 customer dengan transaksi terbanyak
library(stringr)
lego_sales_clean <- lego_sales %>%
drop_na(first_name, last_name, phone_number) %>%
mutate(customer = str_c(first_name, last_name, phone_number, sep = "_"))
lego_sales_clean %>%
group_by(customer) %>%
summarise(total_transaksi = n()) %>%
arrange(desc(total_transaksi)) %>%
slice_max(order_by = total_transaksi, n = 10) %>%
ggplot(aes(x = reorder(customer, total_transaksi), y = total_transaksi, fill = customer)) +
geom_col(show.legend = FALSE) +
coord_flip() +
scale_fill_manual(values = rep(c("#ff1493", "#e30b5d", "#da3287"), length.out = 10)) +
labs(title = "Top 10 Customers by Number of Transactions",
x = "Customer (Name_Phone)", y = "Total Transactions") +
theme_minimal(base_size = 13) +
theme(
plot.margin = margin(10, 30, 10, 10),
axis.text.x = element_text(angle = 45, hjust = 1)
)
- 10 Tema LEGO Terpopuler Berdasarkan Penjualan
#visualisasi 1
lego_sales %>%
group_by(theme) %>%
summarise(total_sales = sum(quantity)) %>%
arrange(desc(total_sales)) %>%
slice_head(n = 10) %>%
ggplot(aes(x = reorder(theme, total_sales), y = total_sales)) +
geom_col(fill = "#da3287") +
coord_flip() +
labs(title = "Top 10 Tema LEGO Terpopuler", x = "Tema", y = "Total Penjualan") +
theme_minimal()
#visualisasi 2
#5 popular theme
top5_themes <- lego_sales %>%
group_by(theme) %>%
summarise(total_sales = sum(quantity)) %>%
arrange(desc(total_sales)) %>%
slice_head(n = 5) %>%
pull(theme)
lego_top5 <- lego_sales %>%
filter(theme %in% top5_themes)
manual_colors <- c("#ff1493", "#e30b5d", "#da3287", "#ff69b4", "#c71585")
ggplot(lego_top5, aes(x = pieces, y = us_price)) +
geom_point(aes(color = theme), alpha = 0.8, size = 3) +
scale_color_manual(values = manual_colors) +
labs(title = "Pieces vs Price (Top 5 Themes)",
x = "Number of Pieces", y = "Price (USD)") +
theme_minimal(base_size = 13) +
theme(legend.position = "bottom")
- Sebaran Jumlah Pieces dan Harga
ggplot(lego_sales, aes(x = pieces, y = us_price)) +
geom_point(aes(color = theme), alpha = 0.7) +
scale_color_viridis_d() +
labs(title = "Pieces vs Price (Auto Color)",
x = "Number of Pieces", y = "Price (USD)") +
theme_minimal(base_size = 13)
#visualisasi 1
lego_sales %>%
group_by(age) %>%
summarise(total = sum(quantity, na.rm = TRUE)) %>%
ggplot(aes(x = age, y = total)) +
geom_col(fill = "#da3287") +
labs(title = " LEGO Purchases by Customer Age",
x = "Age", y = "Total Sets Bought") +
theme_minimal(base_size = 13)
e) Heatmap Korelasi Antar Variabel Numerik
library(corrplot)
numeric_data <- lego_sales %>%
select(where(is.numeric))
cor_matrix <- cor(numeric_data, use = "complete.obs")
corrplot(cor_matrix, method = "color",
col = colorRampPalette(c("#da3287", "#e30b5d", "#ff1493"))(200),
type = "upper", addCoef.col = "white",
title = "Numeric Variable Correlation", mar = c(0,0,2,0))
Insight dan Narasi
1. Visualisasi: 2a - Top 10 Customers by Transactions
- Apakah ada customer yang beli LEGO lebih dari 100 kali? Apakah mereka itu loyal fans atau kolektor?
- Mungkinkah LEGO bisa bikin program khusus buat customer yang sering beli? Apa mereka bisa mendapatkan special offers atau discounts?
Dari visualisasi Top 10 Customers by Transactions, kita
lihat ada beberapa nama yang frequent shopper, bahkan
sampai lebih dari 100 transaksi. Bisa jadi mereka loyal banget sama LEGO
atau mungkin collector yang sangat hobi beli.
This is a big opportunity for LEGO untuk membuat program loyalty, promo
spesial, atau bahkan membership buat customer seperti ini—yang bisa
dikatakan level VIP.
2. Visualisasi: 2b - Top 10 LEGO Themes
- Kenapa tema seperti Star Wars dan Ninjago sangat populer? Apakah ini menunjukkan bahwa LEGO juga diminati oleh orang dewasa, bukan hanya anak-anak?
- Apakah LEGO bisa memperluas pasar dengan menghadirkan koleksi limited edition yang lebih menargetkan adult fans?
Dari visualisasi Top 10 LEGO Themes berdasarkan penjualan, ada beberapa tema seperti Star Wars dan Nexo Knights yang benar-benar dominan. Ini menunjukkan bahwa LEGO nggak cuma buat children, tapi juga jadi barang koleksi for adult people. LEGO bisa banget manfaatin hal ini buat strategi marketing, seperti mengeluarkan limited edition untuk menarik marke adult fans yang sudah invested dalam dunia LEGO. misalnya, email promo “Your Inner Child Misses You”.
3. Visualisasi: 2c - Pieces vs. Price
- Apakah set LEGO yang memiliki lebih banyak pieces selalu lebih mahal? Atau ada faktor lain seperti tema dan eksklusivitas yang lebih menentukan harga?
- Mungkinkah harga LEGO lebih dipengaruhi oleh brand value daripada jumlah pieces yang ada?
Dari grafik Pieces vs. Price, terlihat bahwa ada beberapa set LEGO dengan banyak pieces tapi harganya nggak selalu mahal.Sebaliknya, ada juga set yang jumlah pieces-nya sedikit tapi harga jualnya tinggi—biasanya karena limited edition atau kolaborasi dengan brand besar. Insight-nya adalah harga itu tidak hanya soal jumlah pieces, tapi lebih ke brand, tema, dan exclusivity dari set tersebut. bisa jadi pricing straytegy LEGO ini nggak cuma berdasarkan jumlah barang, tapi juga faktor perceived value, Alias: “bukan ukuran pieces-nya yang penting, tapi vibes-nya.”
4. Visualisasi: 2d - LEGO Purchases by Customer Age
- Kenapa kelompok usia 30-an menjadi pembeli terbesar LEGO? Apakah mereka membeli untuk anak-anak mereka atau justru untuk koleksi pribadi?
- Apakah LEGO bisa fokus pada marketing untuk millennial parents atau mereka yang sekadar ingin nostalgia dengan LEGO?
Dari visualisasi LEGO Purchases by Customer Age, kelompok usia 30-an adalah pembeli paling dominan dalam hal pembelian. This could mean mereka beli untuk anak-anak, atau justru mereka sendiri yang nostalgic dan koleksi LEGO pribadi. LEGO bisa fokus ke marketing buat millennial parents atau adult fans yang butuh koleksi yang lebih exclusive.
5. Visualisasi: 2e - Heatmap Korelasi
- Apakah ada korelasi kuat antara jumlah pieces, harga, dan tema LEGO? Apakah harga LEGO lebih dipengaruhi oleh kualitas dan tema daripada jumlah pieces?
- Bagaimana LEGO bisa memanfaatkan informasi korelasi ini dalam strategi pricing mereka?
Dari heatmap korelasi, terlihat sekali ada hubungan kuat antara pieces, weight, dan price. Ini menunjukkan bahwa semakin banyak pieces, harga cenderung naik—tapi tema dan brand value juga berpengaruh besar. LEGO’s pricing strategy bukan cuma soal kuantitas, tapi lebih ke perceived value dan apa yang membuat set tertentu lebih berharga dari yang lain. Artinya, pricing strategy LEGO itu bukan cuma soal angka, tapi juga branding magic. “Value itu nggak selalu soal kuantitas, tapi juga soal persepsi.”