Pendahuluan

Insight

Laporan ini bertujuan untuk mengevaluasi efektivitas dan efisiensi pengeluaran pemasaran (marketing) dan biaya pokok penjualan (COGS) terhadap profit per produk, dengan menghitung empat metrik utama: korelasi Marketing vs. Profit dan korelasi COGS vs. Profit untuk mengukur kekuatan hubungan linier antara pengeluaran dan profit, ROI Marketing untuk menilai efisiensi investasi pemasaran, serta Rasio COGS to Profit untuk mengukur efisiensi biaya produksi relatif terhadap keuntungan. Insight utama yang ingin diperoleh adalah seberapa efektif dan efisien marketing dan COGS dalam mendorong profit, diikuti dengan pelabelan status produk sebagai Unggulan, Potensial, atau Bermasalah berdasarkan metrik tersebut, serta penyusunan rekomendasi strategis seperti meningkatkan anggaran marketing, mengoptimalkan strategi pemasaran dan COGS, atau meninjau ulang pengeluaran untuk mengoptimalkan alokasi anggaran dan memaksimalkan keuntungan perusahaan.

Deskripsi Data

Data yang digunakan dalam analisis ini merupakan data penjualan dari Coffee Chain, yang mencakup berbagai informasi terkait produk yang dijual di beberapa wilayah. Setiap baris dalam dataset merepresentasikan satu entri penjualan dengan beberapa variabel penting, antara lain:

Nama Kolom Deskripsi
Product Nama produk kopi atau teh yang dijual
Product Type Tipe produk seperti Beans, Leaves, atau Espresso
Product Line Lini produk tempat kategori tersebut dijual
State Lokasi geografis penjualan (contoh: Colorado)
COGS Cost of Goods Sold, yaitu biaya pokok penjualan
Marketing Jumlah biaya yang dikeluarkan untuk pemasaran produk
Profit Laba bersih yang dihasilkan dari penjualan produk
Sales Total penjualan yang berhasil dicapai
Margin Selisih antara penjualan dan COGS sebagai kontribusi laba kotor
Budget COGS Estimasi biaya pokok yang direncanakan
Budget Marketing Anggaran pemasaran yang direncanakan
Budget Profit Estimasi laba bersih dalam perencanaan
Budget Sales Target penjualan yang diharapkan

Tahapan Analisis

Berikut adalah tahapan analisis untuk mengevaluasi efektivitas dan efisiensi pengeluaran pemasaran dan COGS terhadap profit per produk:

  1. Impor dan Persiapan Data:
    • Impor data penjualan Coffee Chain dari file Excel menggunakan read_excel.
    • Periksa struktur data untuk memastikan kolom relevan (Product, Marketing, COGS, Profit) tersedia.
    • Tangani data non-unique (beberapa entri per produk) dan nilai tidak valid (NA atau nol).
  2. Visualisasi Data Awal:
    • Buat scatterplot Marketing vs. Profit dan COGS vs. Profit per produk menggunakan ggplot2 dengan facet_wrap.
    • Identifikasi pola hubungan (linier/non-linier) dan outlier untuk menentukan metode korelasi.
  3. Perhitungan Metrik:
    • Korelasi Marketing vs. Profit: Hitung koefisien korelasi per produk menggunakan cor(method = "metode_korelasi") pada data asli untuk mengukur efektivitas pemasaran.
    • Korelasi COGS vs. Profit: Hitung koefisien korelasi per produk untuk mengukur efektivitas COGS.
    • ROI Marketing: Agregasikan data per produk, lalu hitung \(\frac{\text{Total Profit}}{\text{Total Marketing}} \times 100\%\) untuk mengukur efisiensi pemasaran.
    • Rasio COGS to Profit: Hitung \(\frac{\text{Total COGS}}{\text{Total Profit}}\) untuk mengukur efisiensi biaya produksi.
    • Tangani pembagian oleh nol (misalnya, Marketing atau Profit = 0) dengan mengatur hasil sebagai NA.
  4. Pengelompokan dan Pelabelan Status Produk:
    • Gabungkan keempat metrik ke dalam tabel ringkasan menggunakan dplyr.
    • Klasifikasikan produk ke dalam status:
      • Unggulan: Korelasi Marketing >0.7, Korelasi COGS >0.3, ROI >100%, Rasio <1; atau ROI >200% dan Rasio <1.2.
      • Potensial: Korelasi Marketing 0.3–0.7, Korelasi COGS 0–0.3, ROI 0–100%, Rasio 1–2.
      • Bermasalah: Korelasi Marketing <0.3/negatif, ROI <0% atau <50%, Rasio >2 atau negatif.
    • Terapkan pelabelan menggunakan case_when untuk menetapkan status per produk.
  5. Penyusunan Rekomendasi Strategis:
    • Tambahkan kolom rekomendasi berdasarkan status:
      • Unggulan: Tingkatkan anggaran marketing, pertahankan efisiensi COGS.
      • Potensial: Optimalkan strategi marketing (targeting/kanal), kurangi COGS.
      • Bermasalah: Tinjau strategi marketing, optimalkan COGS, atau pertimbangkan penghentian.
    • Sesuaikan rekomendasi dengan nilai metrik spesifik (misalnya, fokus pada anomali seperti Rasio COGS negatif).
  6. Penyajian Hasil:
    • Buat tabel ringkasan dengan kolom: Product, Cor_Mar, Cor_COGS, ROI_Mar, COGS_Ratio, Status, Rekomendasi.
    • Gunakan kableExtra untuk menampilkan tabel dalam format rapi (striped, hover, condensed) di output HTML.
    • Sertakan penjelasan interpretasi untuk setiap kelompok status.
  7. Validasi dan Interpretasi:
    • Validasi anomali data (misalnya, Rasio COGS negatif pada Green Tea) untuk memastikan keakuratan.
    • Interpretasikan hasil untuk pengambilan keputusan:
      • Prioritaskan investasi pada produk Unggulan.
      • Optimalkan produk Potensial untuk meningkatkan profit.
      • Tangani produk Bermasalah untuk mengurangi kerugian.
    • Rumuskan strategi keseluruhan berdasarkan klasifikasi produk.

Analisis Data

Library yang digunakan

library(readxl)
library(openxlsx)
library(ggplot2)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(kableExtra)
## 
## Attaching package: 'kableExtra'
## The following object is masked from 'package:dplyr':
## 
##     group_rows
library(tidyr)

Impor Data

data <- read_excel('/Users/abiiaksq/Downloads/3. CM1 - Coffee Chain Datasets/3. CM1 - Coffee Chain Datasets.xlsx')
data
## # A tibble: 4,248 × 20
##    `Area Code` Date                Market  `Market Size` Product  `Product Line`
##          <dbl> <dttm>              <chr>   <chr>         <chr>    <chr>         
##  1         719 2012-01-01 00:00:00 Central Major Market  Amaretto Beans         
##  2         970 2012-01-01 00:00:00 Central Major Market  Colombi… Beans         
##  3         970 2012-01-01 00:00:00 Central Major Market  Decaf I… Beans         
##  4         303 2012-01-01 00:00:00 Central Major Market  Green T… Leaves        
##  5         303 2012-01-01 00:00:00 Central Major Market  Caffe M… Beans         
##  6         720 2012-01-01 00:00:00 Central Major Market  Decaf E… Beans         
##  7         970 2012-01-01 00:00:00 Central Major Market  Chamomi… Leaves        
##  8         719 2012-01-01 00:00:00 Central Major Market  Lemon    Leaves        
##  9         970 2012-01-01 00:00:00 Central Major Market  Mint     Leaves        
## 10         719 2012-01-01 00:00:00 Central Major Market  Darjeel… Leaves        
## # ℹ 4,238 more rows
## # ℹ 14 more variables: `Product Type` <chr>, State <chr>, Type <chr>,
## #   `Budget COGS` <dbl>, `Budget Margin` <dbl>, `Budget Profit` <dbl>,
## #   `Budget Sales` <dbl>, COGS <dbl>, Inventory <dbl>, Margin <dbl>,
## #   Marketing <dbl>, Profit <dbl>, Sales <dbl>, `Total Expenses` <dbl>

Visualisasi Awal

Visualisasi Awal data dilakukan untuk memberi gambaran awal kondisi data sebelum dilakukan analisis.

Besar Biaya Marketing, COGS dan Profit per Produk

# Creating a long format data frame for bar plotting
df_long <- data %>%
  gather(key = "Variable", value = "Value", Marketing, COGS, Profit) %>%
  group_by(Product, Variable) %>%
  summarise(Value = sum(Value, na.rm = TRUE)) %>%
  ungroup()
## `summarise()` has grouped output by 'Product'. You can override using the
## `.groups` argument.
# Creating the bar plot
ggplot(df_long, aes(x = Product, y = Value, fill = Variable)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Perbandingan Marketing, COGS, dan Profit per Produk",
       x = "Produk",
       y = "Nilai",
       fill = "Variabel") +
  scale_fill_manual(values = c("Marketing" = "#1b9e77", "COGS" = "#d95f02", "Profit" = "#7570b3")) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Visualisasi awal berupa bar chart yang menampilkan Marketing, COGS , dan Profit per produk Coffee Chain memberikan gambaran umum tentang distribusi pengeluaran dan keuntungan, dengan nilai bervariasi antara 0 hingga sekitar 40.000. Beberapa produk menunjukkan Profit yang sebanding atau lebih tinggi dibandingkan Marketing dan COGS, sementara yang lain memiliki Profit jauh lebih rendah, mengindikasikan adanya potensi variasi dalam efektivitas pemasaran dan efisiensi biaya produksi yang perlu dianalisis lebih lanjut.

Marketing vs Profit

Untuk menentukan metode dalam mencari koefisien korelasi marketing terhadap profit perlu dilakukan visualisasi data untuk menunjukan pola hubungan nya.

#plot marketing vs profit 
ggplot(data, aes(x = Marketing, y = Profit)) +
  geom_point(color = "red") +
  facet_wrap(~ Product, scales = "free") +  # Membuat scatterplot per product
  labs(title = "Scatterplot Marketing vs Profit per Product",
       x = "Marketing",
       y = "Profit") +
  theme_minimal()

Berdasarkan visualisasi scatterplot antara Marketing vs Profit dan untuk masing-masing produk, tampak bahwa secara umum kedua variabel tersebut memiliki hubungan yang tidak selalu linier terhadap profit, dengan pola sebaran yang bervariasi antar produk. Beberapa produk menunjukkan pola naik yang cukup jelas (misalnya Caffe Latte dan Colombian), namun pada produk lain, seperti Green Tea atau Amaretto, tampak hubungan yang tidak jelas atau bahkan negatif.Karena adanya indikasi hubungan non-linear dan tidak normal, serta munculnya outlier atau distribusi yang tidak seragam, maka metode korelasi yang digunakan adalah Spearman rank correlation.

COGS vs Profit

Untuk menentukan metode dalam mencari koefisien korelasi COGS terhadap profit perlu dilakukan visualisasi data untuk menunjukan pola hubungan nya.

#plot COGS vs profit 
ggplot(data, aes(x = COGS, y = Profit)) +
  geom_point(color = "red") +
  facet_wrap(~ Product, scales = "free") +  # Membuat scatterplot per product
  labs(title = "Scatterplot COGS vs Profit per Product",
       x = "COGS",
       y = "Profit") +
  theme_minimal()

Hal serupa juga terlihat pada hubungan antara COGS dan Profit, di mana terdapat produk yang tetap menghasilkan profit meski COGS rendah, serta ada juga yang tetap rugi meskipun biaya produksi tinggi.Karena adanya indikasi hubungan non-linear dan tidak normal, serta munculnya outlier atau distribusi yang tidak seragam, maka metode korelasi yang digunakan adalah Spearman rank correlation.

Korelasi

Setelah melihat pola hubungan biaya marketing terhadap profit dan COGS terhadap profit yang menunjukan tidak sepenuhnya linear pada masing - masing produk, selanjutnya dilakukan analisis efektifitas menggunakan korelasi Spearman. Korelasi Spearman cocok digunakan untuk data yang dicuragi tidak berdistribusi normal atau pola hubungan yang tidak linear.secara matematis rumus korelasi Spearman dinyatakan dalam bentuk : \[ \rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)} \]

  • \(d_i\) = selisih dari pasangan rank ke-\(i\)
  • \(n\) = banyaknya pasangan rank (misalnya \(n = 10\))
  • Nilai terendah diberi rank terkecil
  • Nilai terbesar diberi rank terbesar

Korelasi Marketing vs Profit

dalam menganalisis korelasi Marketing vs Profit menggunakan metode Spearman dihitung menggunakan bantuan R dengan syntax :

# Daftar produk unik
unique_products <- unique(data$Product)
unique_products
##  [1] "Amaretto"          "Colombian"         "Decaf Irish Cream"
##  [4] "Green Tea"         "Caffe Mocha"       "Decaf Espresso"   
##  [7] "Chamomile"         "Lemon"             "Mint"             
## [10] "Darjeeling"        "Earl Grey"         "Regular Espresso" 
## [13] "Caffe Latte"
# Membuat data frame untuk menyimpan hasil korelasi
cor_marketing_profit <- data.frame(Product = character(), Correlation_marketing = numeric(), stringsAsFactors = FALSE)

# Menghitung korelasi untuk setiap produk
for (prod in unique_products) {
  subset_data <- data[data$Product == prod, ]
  correlation_m <- cor(subset_data$Marketing, subset_data$Profit, use = "complete.obs", method = 'spearman')
  correlation_m <- round(correlation_m, 3)
  cor_marketing_profit <- rbind(cor_marketing_profit, data.frame(Product = prod, Correlation_marketing = correlation_m))
}

# Melihat hasil
print(cor_marketing_profit) 
##              Product Correlation_marketing
## 1           Amaretto                -0.272
## 2          Colombian                 0.684
## 3  Decaf Irish Cream                 0.028
## 4          Green Tea                 0.030
## 5        Caffe Mocha                -0.108
## 6     Decaf Espresso                 0.790
## 7          Chamomile                 0.506
## 8              Lemon                 0.384
## 9               Mint                 0.006
## 10        Darjeeling                 0.599
## 11         Earl Grey                 0.694
## 12  Regular Espresso                 0.929
## 13       Caffe Latte                 0.362

Korelasi COGS vs Profit

dalam menganalisis korelasi Marketing vs Profit menggunakan metode Spearman dihitung menggunakan bantuan R dengan syntax :

# Membuat data frame untuk menyimpan hasil korelasi
cor_cogs_profit <- data.frame(Product = character(), correlation_cogs = numeric(), stringsAsFactors = FALSE)

# Menghitung korelasi untuk setiap produk
for (prod in unique_products) {
  subset_data <- data[data$Product == prod, ]
  correlation_c <- cor(subset_data$COGS, subset_data$Profit, use = "complete.obs", method = 'spearman')
  correlation_c <- round(correlation_c, 3)
  cor_cogs_profit <- rbind(cor_cogs_profit, data.frame(Product = prod, Correlation_cogs = correlation_c))
}

# Melihat hasil
print(cor_cogs_profit) 
##              Product Correlation_cogs
## 1           Amaretto            0.192
## 2          Colombian            0.773
## 3  Decaf Irish Cream            0.278
## 4          Green Tea            0.233
## 5        Caffe Mocha            0.466
## 6     Decaf Espresso            0.836
## 7          Chamomile            0.779
## 8              Lemon            0.571
## 9               Mint            0.029
## 10        Darjeeling            0.814
## 11         Earl Grey            0.925
## 12  Regular Espresso            0.930
## 13       Caffe Latte            0.595

ROI (Return On Investment) Marketing

ROI Marketing (Return on Investment untuk Marketing) mengukur efisiensi investasi pemasaran dengan menghitung profit yang dihasilkan relatif terhadap biaya marketing. Metrik ini membantu mengevaluasi seberapa efektif biaya marketing menghasilkan keuntungan. Secara matematis ROI Marketing dinyatakan dalam : \[ \text{ROI Marketing} = \frac{\text{Profit}}{\text{Biaya Marketing}} \times 100\% \]

  • Profit = Keuntungan yang dihasilkan oleh produk (dari kolom Profit).
  • Biaya Marketing = Total biaya pemasaran untuk produk (dari kolom Marketing).
  • ROI Marketing = Persentase ROI, di mana nilai >100% menunjukkan profit melebihi biaya, 0–100% menunjukkan profit positif tetapi kurang optimal, dan <0% menunjukkan kerugian.

Berikut adalah kode R untuk menghitung ROI Marketing berdasarkan dataset dengan kolom Produk, Marketing, dan Profit. Kode ini akan menambahkan kolom baru ROI_Marketing ke dataset.

# Mengagregasikan data: 
data_agg_mar <- data %>%
  group_by(Product) %>%
  summarise(
    Total_Marketing = sum(Marketing, na.rm = TRUE),
    Total_Profit = sum(Profit, na.rm = TRUE)
  )

# Menghitung ROI Marketing
# Menambahkan pengecekan untuk menghindari pembagi nol
data_agg_mar <- data_agg_mar %>%
  mutate(
    ROI_Marketing = ifelse(
      Total_Marketing == 0,
      NA,  
      round((Total_Profit / Total_Marketing) * 100, 3)
    )
  )

#  hasil
print(data_agg_mar)
## # A tibble: 13 × 4
##    Product           Total_Marketing Total_Profit ROI_Marketing
##    <chr>                       <dbl>        <dbl>         <dbl>
##  1 Amaretto                     4658         4890        105.  
##  2 Caffe Latte                  5472        11375        208.  
##  3 Caffe Mocha                 19686        17678         89.8 
##  4 Chamomile                   12166        27231        224.  
##  5 Colombian                   17346        55804        322.  
##  6 Darjeeling                   9766        29053        297.  
##  7 Decaf Espresso              10112        29502        292.  
##  8 Decaf Irish Cream           11362        13989        123.  
##  9 Earl Grey                    9846        24164        245.  
## 10 Green Tea                    7126         -231         -3.24
## 11 Lemon                       15880        29869        188.  
## 12 Mint                         6108         6154        101.  
## 13 Regular Espresso             2946        10065        342.

Rasio COGS to Profit

Rasio COGS to Profit adalah metrik yang mengukur efisiensi biaya barang yang dijual (Cost of Goods Sold, COGS) terhadap profit yang dihasilkan. Metrik ini menunjukkan seberapa besar biaya produksi relatif terhadap keuntungan, membantu mengevaluasi apakah COGS mendukung profitabilitas secara efisien. Rasio COGS to Profit dalam matematis dinyatakan dalam :

\[ \text{Rasio COGS to Profit} = \frac{\text{COGS}}{\text{Profit}} \]

  • COGS: Total biaya barang yang dijual untuk produk (dari kolom COGS).
  • Profit: Keuntungan yang dihasilkan oleh produk (dari kolom Profit).
  • Hasil: Rasio numerik, di mana:
    • <1: COGS efisien (profit lebih besar dari COGS).
    • 1–2: COGS cukup efisien, tetapi perlu perbaikan.
    • >2: COGS tidak efisien (biaya produksi terlalu besar).

Berikut adalah kode R untuk menghitung ROI Marketing berdasarkan dataset dengan kolom Produk, COGS, dan Profit. Kode ini akan menambahkan kolom baru COGS_to_Profit_Ratio ke dataset.

# Mengagregasikan data
data_agg_COGS <- data %>%
  group_by(Product) %>%
  summarise(
    Total_COGS = sum(COGS, na.rm = TRUE),
    Total_Profit = sum(Profit, na.rm = TRUE)
  )

# Menghitung Rasio COGS to Profit
# Menambahkan pengecekan 
data_agg_COGS <- data_agg_COGS %>%
  mutate(
    COGS_to_Profit_Ratio = ifelse(
      Total_Profit == 0,
      NA,  
      round((Total_COGS / Total_Profit),3)
    )
  )

data_agg_COGS <- as.data.frame(data_agg_COGS)
print(data_agg_COGS)
##              Product Total_COGS Total_Profit COGS_to_Profit_Ratio
## 1           Amaretto      12732         4890                2.604
## 2        Caffe Latte      15294        11375                1.345
## 3        Caffe Mocha      37990        17678                2.149
## 4          Chamomile      31386        27231                1.153
## 5          Colombian      48396        55804                0.867
## 6         Darjeeling      30534        29053                1.051
## 7     Decaf Espresso      33318        29502                1.129
## 8  Decaf Irish Cream      29568        13989                2.114
## 9          Earl Grey      28554        24164                1.182
## 10         Green Tea      19078         -231              -82.589
## 11             Lemon      41494        29869                1.389
## 12              Mint      19930         6154                3.239
## 13  Regular Espresso      10398        10065                1.033

Klasifikasi dan Rekomenasi

Setelah keempat metrik dihitung, selanjutnya dibuat tabel ringkasan untuk memudahkan pengelompokan status produk kemudian memberi rekomendasi. untuk membuat tabel ringkasan, digunakan syntax sebagai berikut :

# mmebuat data frame
data_metrik <- data.frame(
  Product = data_agg_COGS$Product,
  Cor_Mar = cor_marketing_profit$Correlation_marketing,
  Cor_COGS = cor_cogs_profit$Correlation_cogs,
  ROI_Mar = data_agg_mar$ROI_Marketing,
  COGS_Ratio = data_agg_COGS$COGS_to_Profit_Ratio
)


print(data_metrik)
##              Product Cor_Mar Cor_COGS ROI_Mar COGS_Ratio
## 1           Amaretto  -0.272    0.192 104.981      2.604
## 2        Caffe Latte   0.684    0.773 207.876      1.345
## 3        Caffe Mocha   0.028    0.278  89.800      2.149
## 4          Chamomile   0.030    0.233 223.829      1.153
## 5          Colombian  -0.108    0.466 321.711      0.867
## 6         Darjeeling   0.790    0.836 297.491      1.051
## 7     Decaf Espresso   0.506    0.779 291.752      1.129
## 8  Decaf Irish Cream   0.384    0.571 123.121      2.114
## 9          Earl Grey   0.006    0.029 245.419      1.182
## 10         Green Tea   0.599    0.814  -3.242    -82.589
## 11             Lemon   0.694    0.925 188.092      1.389
## 12              Mint   0.929    0.930 100.753      3.239
## 13  Regular Espresso   0.362    0.595 341.650      1.033

Selanjutnya, labelling Status dilakukan dengan kriteria yang telah ditentukan sebelumnya pada bagian tahapan analisis. labelling diakukan dengan bantuan R menggunakan syntax sebagai berikut :

# Menambahkan kolom Status
data_metrik <- data_metrik %>%
  mutate(
    Status = case_when(
      # Unggulan: Kombinasi kuat (ROI tinggi, Rasio rendah, Korelasi baik)
      (Cor_Mar > 0.7 & Cor_COGS > 0.3 & ROI_Mar > 100 & COGS_Ratio < 1) |
      (ROI_Mar > 200 & COGS_Ratio < 1.2 & Cor_Mar > 0.3 & Cor_COGS > 0.3) ~ "Unggulan",
      # Bermasalah: ROI negatif, Rasio sangat tinggi/negatif, atau Korelasi buruk
      (ROI_Mar < 0 | COGS_Ratio > 2 | COGS_Ratio < -10 | Cor_Mar < -0.2) ~ "Bermasalah",
      # Potensial: Sisanya (kombinasi sedang atau campuran)
      TRUE ~ "Potensial"
    ),
    # Menambahkan kolom Rekomendasi
    Rekomendasi = case_when(
      Status == "Unggulan" ~ paste(
        "Tingkatkan anggaran marketing untuk memaksimalkan profit;",
        "Pertahankan efisiensi COGS atau skalakan produksi."
      ),
      Status == "Potensial" ~ paste(
        "Optimalkan strategi marketing (targeting/kanal) untuk meningkatkan ROI;",
        "Kurangi COGS melalui efisiensi produksi atau negosiasi pemasok."
      ),
      Status == "Bermasalah" ~ paste(
        "Tinjau ulang strategi marketing atau kurangi anggaran;",
        "Optimalkan COGS atau pertimbangkan penghentian produk."
      )
    )
  )

# Menampilkan tabel dengan format rapi
kable(data_metrik, digits = 2, caption = "Metrik Marketing dan COGS per Produk") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Metrik Marketing dan COGS per Produk
Product Cor_Mar Cor_COGS ROI_Mar COGS_Ratio Status Rekomendasi
Amaretto -0.27 0.19 104.98 2.60 Bermasalah Tinjau ulang strategi marketing atau kurangi anggaran; Optimalkan COGS atau pertimbangkan penghentian produk.
Caffe Latte 0.68 0.77 207.88 1.34 Potensial Optimalkan strategi marketing (targeting/kanal) untuk meningkatkan ROI; Kurangi COGS melalui efisiensi produksi atau negosiasi pemasok.
Caffe Mocha 0.03 0.28 89.80 2.15 Bermasalah Tinjau ulang strategi marketing atau kurangi anggaran; Optimalkan COGS atau pertimbangkan penghentian produk.
Chamomile 0.03 0.23 223.83 1.15 Potensial Optimalkan strategi marketing (targeting/kanal) untuk meningkatkan ROI; Kurangi COGS melalui efisiensi produksi atau negosiasi pemasok.
Colombian -0.11 0.47 321.71 0.87 Potensial Optimalkan strategi marketing (targeting/kanal) untuk meningkatkan ROI; Kurangi COGS melalui efisiensi produksi atau negosiasi pemasok.
Darjeeling 0.79 0.84 297.49 1.05 Unggulan Tingkatkan anggaran marketing untuk memaksimalkan profit; Pertahankan efisiensi COGS atau skalakan produksi.
Decaf Espresso 0.51 0.78 291.75 1.13 Unggulan Tingkatkan anggaran marketing untuk memaksimalkan profit; Pertahankan efisiensi COGS atau skalakan produksi.
Decaf Irish Cream 0.38 0.57 123.12 2.11 Bermasalah Tinjau ulang strategi marketing atau kurangi anggaran; Optimalkan COGS atau pertimbangkan penghentian produk.
Earl Grey 0.01 0.03 245.42 1.18 Potensial Optimalkan strategi marketing (targeting/kanal) untuk meningkatkan ROI; Kurangi COGS melalui efisiensi produksi atau negosiasi pemasok.
Green Tea 0.60 0.81 -3.24 -82.59 Bermasalah Tinjau ulang strategi marketing atau kurangi anggaran; Optimalkan COGS atau pertimbangkan penghentian produk.
Lemon 0.69 0.92 188.09 1.39 Potensial Optimalkan strategi marketing (targeting/kanal) untuk meningkatkan ROI; Kurangi COGS melalui efisiensi produksi atau negosiasi pemasok.
Mint 0.93 0.93 100.75 3.24 Bermasalah Tinjau ulang strategi marketing atau kurangi anggaran; Optimalkan COGS atau pertimbangkan penghentian produk.
Regular Espresso 0.36 0.60 341.65 1.03 Unggulan Tingkatkan anggaran marketing untuk memaksimalkan profit; Pertahankan efisiensi COGS atau skalakan produksi. 
# Scatter Plot ROI Marketing vs. Rasio COGS to Profit
ggplot(data_metrik, aes(x = ROI_Mar, y = COGS_Ratio, color = Status, label = Product)) +
  geom_point(size = 3) +
  geom_text(hjust = 0, nudge_x = 10, check_overlap = TRUE) +  # Menambahkan label produk
  scale_color_manual(values = c("Unggulan" = "green", "Potensial" = "orange", "Bermasalah" = "red")) +
  labs(title = "ROI Marketing vs. Rasio COGS to Profit per Produk",
       x = "ROI Marketing (%)",
       y = "Rasio COGS to Profit") +
  theme_minimal() +
  theme(legend.position = "bottom") +
  ylim(-100, 5)  # Mengatur batas y untuk menangani anomali seperti Green Tea (-82.59)

Hasil dan Kesimpulan

Hasil analisis terhadap efektivitas biaya pemasaran dan produksi (COGS) terhadap profit memberikan beberapa wawasan penting:

Klasifikasi Produk Berdasarkan Performa:

  • Produk Unggulan (seperti Darjeeling, Decaf Espresso, dan Regular Espresso): Produk ini menunjukkan korelasi tinggi antara marketing dan profit, ROI yang sangat baik (>200%), serta rasio COGS yang efisien (<1.2). Rekomendasi: Perlu diprioritaskan, tingkatkan investasi marketing dan jaga efisiensi biaya produksinya.

  • Produk Potensial (contohnya Caffe Latte, Colombian, dan Earl Grey): Meski memiliki ROI yang cukup baik (100–341%) dan rasio COGS masih masuk akal, korelasi marketing belum konsisten. Rekomendasi: Perlu perbaikan strategi pemasaran, baik dari sisi target audiens maupun kanal promosi, serta efisiensi biaya produksi.

  • Produk Bermasalah (misalnya Green Tea, Mint, dan Amaretto): Produk-produk ini menunjukkan ROI yang rendah atau bahkan negatif, rasio COGS yang sangat tinggi, dan korelasi marketing yang lemah. Rekomendasi: Perlu evaluasi total terhadap strategi marketing dan produksi. Bila tak kunjung membaik, pertimbangkan untuk dihentikan — khususnya Green Tea yang memperlihatkan indikasi anomali serius.

Langkah Strategis Secara Umum:

Alokasikan anggaran lebih besar untuk produk unggulan yang sudah terbukti menguntungkan. Lakukan pengoptimalan pada produk potensial agar kontribusinya bisa ditingkatkan. Segera evaluasi produk bermasalah agar tidak terus menjadi beban biaya.