Analisis Keterkaitan Stok dan Penjualan

Sabrina Rahmawati M0723081

Stok dan Penjualan Coffe Chain Stok dan Penjualan Coffe Chain

Insight

Dalam dunia bisnis, manajemen persediaan atau stok merupakan salah satu aspek penting yang mempengaruhi kinerja perusahaan. Stok yang tepat akan mendukung kelancaran operasional dan membantu perusahaan untuk memenuhi permintaan pasar secara efisien. Di sisi lain, penjualan yang tinggi seringkali menjadi indikator keberhasilan perusahaan dalam menarik pelanggan. Oleh karena itu, penting bagi perusahaan untuk mengetahui sejauh mana hubungan antara stok yang tersedia dengan penjualan yang tercatat. Dengan analisis ini, kita dapat memahami apakah penambahan stok berbanding lurus dengan peningkatan penjualan, atau apakah terdapat faktor lain yang memengaruhi.

Mengelola stok yang efektif tidak hanya melibatkan penentuan jumlah yang tepat, tetapi juga pemahaman mengenai demand forecasting (perkiraan permintaan) dan pengelolaan supply chain (rantai pasokan). Stok yang terlalu sedikit bisa menyebabkan kekurangan barang dan hilangnya peluang penjualan, sementara stok yang terlalu banyak akan meningkatkan biaya penyimpanan serta berpotensi menurunkan margin keuntungan. Oleh karena itu, hubungan antara stok dan penjualan menjadi aspek yang perlu dianalisis untuk memberikan rekomendasi yang lebih baik dalam perencanaan stok dan strategi penjualan.

Melalui analisis korelasi dan regresi linier antara stok dan penjualan, laporan ini bertujuan untuk memberikan wawasan mengenai pengaruh stok terhadap penjualan. Jika ditemukan hubungan yang signifikan, maka perusahaan dapat menggunakan informasi ini untuk memperkirakan kebutuhan stok berdasarkan prediksi penjualan, sehingga dapat mengurangi biaya operasional dan meningkatkan efisiensi bisnis secara keseluruhan. Hasil analisis ini dapat membantu manajer untuk merencanakan dan mengelola persediaan dengan lebih tepat, serta memaksimalkan keuntungan perusahaan dengan cara yang lebih efisien.

Selain itu, hasil analisis ini juga dapat memberikan pemahaman yang lebih dalam mengenai dampak pengelolaan stok terhadap keputusan bisnis. Sebagai contoh, perusahaan dapat mempertimbangkan untuk meningkatkan stok pada produk dengan penjualan yang stabil atau berkembang, sementara mengurangi stok untuk produk yang kurang laku. Secara keseluruhan, insight yang diperoleh dari analisis ini akan memberikan panduan dalam mengelola stok dengan cara yang lebih cerdas, memperkecil risiko kelebihan atau kekurangan stok, dan pada akhirnya meningkatkan profitabilitas.

Deskripsi Data

Dataset Coffee Chain berisi 4.248 entri yang mencakup data penjualan, anggaran, dan informasi produk dari jaringan penjualan kopi selama periode Januari 2012 hingga Desember 2013. Data ini terdiri dari 20 kolom yang mencakup informasi geografis seperti kode area (Area Code), wilayah pasar (Market), ukuran pasar (Market Size), dan negara bagian (State). Selain itu, data juga mencatat rincian produk seperti nama produk (Product), lini produk (Product Line), jenis produk (Product Type), serta tipe produk (Type), yang mendukung analisis berdasarkan kategori penjualan. Secara finansial, dataset ini mencatat baik estimasi anggaran (seperti Budget Sales, Budget Profit, dan Budget COGS) maupun hasil aktual (Sales, Profit, COGS, Margin, dan Total Expenses).

Data yang digunakan terdiri dari dua variabel utama:

  1. Stok: Jumlah produk yang tersedia untuk dijual.
  2. Penjualan: Jumlah produk yang terjual selama periode tertentu.

Analisis Stok dan Penjualan

Korelasi Pearson

Untuk menganalisis hubungan antara Stok dan Penjualan, digunakan uji korelasi Pearson. Korelasi Pearson mengukur hubungan linier antara kedua variabel.

# Korelasi Pearson
cor.test(data$Inventory, data$Sales)
## 
##  Pearson's product-moment correlation
## 
## data:  data$Inventory and data$Sales
## t = 22.465, df = 4246, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.2987891 0.3525510
## sample estimates:
##       cor 
## 0.3259335
Interpretasi Hasil Korelasi:
  1. Koefisien Korelasi (r = 0.3259):
  • Nilai koefisien korelasi yang positif (0.3259) menunjukkan adanya hubungan positif antara stok dan penjualan. Artinya, semakin banyak stok yang tersedia, semakin tinggi penjualan yang tercatat.
  • Hubungan ini bisa dijelaskan dengan persamaan berikut, di mana \(X_i\) adalah nilai stok dan \(Y_i\) adalah nilai penjualan.

\[ r = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})} {\sqrt{\sum (X_i - \bar{X})^2 \sum (Y_i - \bar{Y})^2}} \]

  1. P-value (< 2.2e-16): P-value yang sangat kecil (< 2.2e-16) menunjukkan bahwa hubungan antara stok dan penjualan sangat signifikan secara statistik. Dengan kata lain, kita dapat menolak hipotesis nol (\(H_0: \rho = 0\)) yang menyatakan bahwa tidak ada hubungan antara stok dan penjualan, dan menerima hipotesis alternatif (\(H_1 : \rho \ne 0\)).

\[ H_0 : \rho = 0 \quad \text{vs} \quad H_1 : \rho \ne 0 \]

  1. Interval Kepercayaan (95%): Interval kepercayaan 95% untuk koefisien korelasi adalah [0.2988, 0.3526], yang tidak mencakup angka 0. Ini menegaskan bahwa hubungan antara stok dan penjualan adalah positif dan signifikan. Dalam bentuk interval kepercayaan, kita dapat menyatakan:

\[ \text{CI} = [0.2987891,\ 0.3525510] \]

  1. t-statistic (22.465): Nilai t-statistic yang besar (22.465) menunjukkan bahwa nilai koefisien korelasi yang ditemukan jauh lebih besar dari kemungkinan kesalahan yang ada, yang semakin memperkuat klaim bahwa hubungan antara stok dan penjualan adalah kuat dan signifikan.

Regresi Linier

Model regresi linier digunakan untuk memprediksi /6Penjualan berdasarkan Stok.

# Model regresi linier
model <- lm(Sales ~ Inventory, data=data)
summary(model)
## 
## Call:
## lm(formula = Sales ~ Inventory, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -721.07  -77.27  -36.41   47.55  678.35 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 1.371e+02  3.315e+00   41.38   <2e-16 ***
## Inventory   7.452e-02  3.317e-03   22.46   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 142.9 on 4246 degrees of freedom
## Multiple R-squared:  0.1062, Adjusted R-squared:  0.106 
## F-statistic: 504.7 on 1 and 4246 DF,  p-value: < 2.2e-16
Interpretasi Hasil Regresi

Berdasarkan output regresi, persamaan regresi linier untuk memprediksi penjualan (Sales) berdasarkan stok (Inventory) dapat ditulis sebagai:

\[ \text{Sales} = 137.1 + 0.07452 \times \text{Inventory} \]

Di mana:

  • Intercept (137.1) adalah nilai prediksi penjualan ketika stok adalah 0.
  • Koefisien Inventory (0.07452) menunjukkan bahwa setiap penambahan satu unit stok akan meningkatkan penjualan sebesar 0.07452 unit, dengan asumsi faktor lain tetap.

Visualisasi

Scatter Plot

Scatter Plot dengan Regresi Linier

ggplot(data, aes(x = Inventory, y = Sales)) +
  geom_point(color = "steelblue", alpha = 0.6) +
  geom_smooth(method = "lm", se = TRUE, color = "darkred") +
  labs(title = "Scatter Plot Stok vs Penjualan",
       x = "Jumlah Stok",
       y = "Jumlah Penjualan") +
  theme_minimal()

Visualisasi scatter plot yang menunjukkan hubungan antara jumlah stok dan jumlah penjualan memberikan gambaran awal mengenai bagaimana stok dapat memengaruhi kinerja penjualan suatu produk. Secara umum, tampak adanya pola hubungan positif, di mana peningkatan jumlah stok cenderung diikuti oleh peningkatan jumlah penjualan. Hal ini tercermin dari garis regresi linier yang menanjak, yang menunjukkan bahwa stok memiliki kontribusi terhadap variasi penjualan.

Namun demikian, titik-titik data dalam grafik memperlihatkan sebaran yang cukup luas di sekitar garis regresi. Ini mengindikasikan bahwa meskipun stok berperan dalam meningkatkan penjualan, hubungan tersebut tidak sepenuhnya deterministik. Dengan kata lain, terdapat faktor-faktor lain yang kemungkinan besar turut memengaruhi jumlah penjualan, seperti jenis produk, strategi promosi, preferensi konsumen, hingga lokasi cabang penjualan.

Selain itu, terdapat pula sejumlah outlier yang menunjukkan nilai stok yang sangat tinggi tetapi tidak diikuti oleh penjualan yang tinggi, serta sebaliknya. Keberadaan outlier ini dapat menjadi indikator adanya ketidakefisienan dalam pengelolaan stok untuk produk-produk tertentu atau kebutuhan untuk melakukan segmentasi lebih lanjut berdasarkan kategori produk.

Boxplot

Boxplot Penjualan Berdasarkan Kategori Stok dengan membagi stok menjadi tiga kategori

data <- data %>%
  mutate(StockCategory = cut(Inventory,
                             breaks = quantile(Inventory, probs = c(0, 0.33, 0.66, 1), na.rm = TRUE),
                             labels = c("Low", "Medium", "High"),
                             include.lowest = TRUE))

ggplot(data, aes(x = Inventory, y = Sales)) +
  geom_boxplot(fill = "skyblue") +
  labs(title = "Boxplot Penjualan Berdasarkan Kategori Stok",
       x = "Kategori Stok",
       y = "Penjualan") +
  theme_minimal()

Visualisasi boxplot ini menyajikan distribusi penjualan berdasarkan nilai stok yang dikategorikan. Tujuan utama dari boxplot ini adalah untuk melihat bagaimana persebaran penjualan secara umum dan apakah terdapat nilai-nilai ekstrem (outlier) yang signifikan. Dari tampilan grafik, terlihat bahwa mayoritas nilai penjualan berada di bawah angka 250, dengan median penjualan berkisar di angka 125. Hal ini menunjukkan bahwa sebagian besar produk memiliki tingkat penjualan yang relatif sedang hingga rendah.

Kesimpulan dan Strategi

Berdasarkan analisis yang telah dilakukan, terdapat hubungan positif yang signifikan antara stok (Inventory) dan penjualan (Sales). Hasil korelasi Pearson menunjukkan adanya korelasi moderat antara kedua variabel tersebut dengan nilai koefisien r = 0.3259, yang mengindikasikan bahwa peningkatan stok cenderung meningkatkan penjualan. P-value yang sangat kecil (< 2.2e-16) mengkonfirmasi bahwa hubungan ini sangat signifikan secara statistik.

Selanjutnya, hasil regresi linier menunjukkan bahwa stok (Inventory) memiliki pengaruh yang signifikan terhadap penjualan (Sales). Setiap penambahan satu unit stok diperkirakan dapat meningkatkan penjualan sebesar 0.07452 unit, dengan koefisien 𝑅^2 sebesar 0.1062, yang berarti model ini menjelaskan sekitar 10.62% variasi dalam penjualan. Meskipun stok memiliki pengaruh positif, nilai 𝑅^2 yang relatif rendah menunjukkan bahwa faktor lain, seperti pemasaran, harga, dan permintaan pasar, juga berperan dalam menentukan volume penjualan.

Meskipun hubungan antara stok dan penjualan signifikan, ada ruang untuk meningkatkan akurasi prediksi penjualan dengan mempertimbangkan faktor-faktor eksternal lainnya yang dapat mempengaruhi hasil penjualan. Oleh karena itu, perusahaan disarankan untuk tidak hanya mengandalkan stok dalam perencanaan penjualan, tetapi juga untuk menyesuaikan strategi pemasaran, kebijakan harga, dan memahami dinamika pasar yang lebih luas.

Strategi

  1. Mengelola stok dengan cermat dapat membantu meningkatkan penjualan, terutama untuk produk yang memiliki permintaan stabil.

  2. Disarankan untuk lebih memperhatikan faktor-faktor lain seperti promosi pemasaran dan kebijakan harga untuk meningkatkan penjualan.

  3. Perencanaan Stok Berdasarkan Permintaan: Pengelolaan stok yang baik harus diimbangi dengan pemahaman yang lebih mendalam tentang permintaan pasar dan perubahan tren konsumen, sehingga bisa mengurangi risiko kelebihan atau kekurangan stok.