Evaluasi Performa Bisnis Coffee Chain: Uji Beda Margin-Budget dan Pemodelan Pengaruh Marketing terhadap Sales
Diska Listiana (M0725034)
2026-04-19
1. Pendahuluan
Industri minuman, khususnya rantai kedai kopi (coffee chain), memiliki dinamika pasar yang sangat kompetitif dengan variasi produk yang luas, mulai dari kopi konvensional hingga produk teh herbal. Dalam mengelola bisnis berskala nasional, efisiensi operasional dan ketepatan perencanaan keuangan menjadi kunci utama keberlanjutan usaha. Dataset Coffee Chain menyediakan gambaran komprehensif mengenai performa bisnis yang mencakup berbagai dimensi seperti wilayah pasar, lini produk, hingga perbandingan antara angka aktual dengan target yang telah dianggarkan.
Dua aspek kritikal dalam evaluasi performa bisnis ini adalah manajemen laba (margin) dan efektivitas biaya pemasaran. Pertama, perusahaan sering kali menetapkan budget margin sebagai indikator kinerja utama (KPI). Namun, dalam realitas lapangan, sering terjadi selisih antara profitabilitas yang direncanakan dengan yang dihasilkan secara aktual (margin). Ketidakpastian ini perlu diuji secara statistik untuk mengetahui apakah deviasi yang terjadi bersifat signifikan secara sistematis atau hanya fluktuasi acak, sehingga manajemen dapat mengevaluasi ketepatan proses penganggaran mereka.
Kedua, dalam upaya meningkatkan volume penjualan (sales), alokasi biaya pemasaran (marketing) merupakan investasi yang besar. Perusahaan perlu memastikan bahwa setiap unit mata uang yang dikeluarkan untuk pemasaran memiliki korelasi dan pengaruh yang positif terhadap pendapatan. Tanpa adanya analisis statistik yang kuat, sulit bagi perusahaan untuk menentukan apakah peningkatan penjualan memang didorong oleh aktivitas pemasaran atau oleh faktor eksternal lainnya.
Proyek ini bertujuan untuk mengeksplorasi dataset tersebut melalui tiga tahapan utama. Tahap pertama dilakukan melalui visualisasi data untuk mengidentifikasi pola penjualan dan distribusi profit di berbagai kategori. Tahap kedua berfokus pada uji beda (Wilcoxon Signed-Rank Test) untuk mengevaluasi konsistensi antara margin dan budget margin. Tahap terakhir melibatkan analisis Kendall Tau untuk menguji sejauh mana variabel marketing berpengaruh terhadap capaian sales. Hasil dari analisis ini diharapkan dapat memberikan rekomendasi strategis berbasis data (data-driven decision) bagi pengambil kebijakan di industri coffee chain.
2. Deskripsi Data
Dataset yang digunakan dalam analisis ini adalah Coffee Chain Datasets, sekumpulan data relasional yang mensimulasikan operasional bisnis rantai kedai kopi di berbagai wilayah. Data ini terdiri dari tiga tabel utama yang saling terhubung, yaitu factTable, Location, dan Product. Secara keseluruhan, dataset ini mencerminkan transaksi inventaris, pemasaran, dan performa keuangan.
Tabel pertama yaitu factTable, yang merupakan tabel pusat berisi rekaman data numerik dan transaksi bulanan. Tabel ini menyimpan variabel data transaksi seperti Date (tanggal transaksi), Area Code (kode area), dan ProductId(ID produk); metrik keuangan seperti Profit (keuntungan), Margin (selisih harga), Sales (penjualan), COGS (harga pokok penjualan), Total Expenses (total biaya); serta data anggaran (budget) meliputi Budget Profit, Budget COGS, Budget Margin, dan Budget Sales.
Selanjutnya adalah tabel Location (tabel dimensi). Tabel ini berisi informasi geografis cabang kedai kopi mencakup State (negara bagian), Market (wilayah pasar), dan Market Size. Tabel ini terhubung ke tabel fakta melalui kunci Area Code.
Terakhir, yaitu tabel Product (tabel dimensi), berisi ProductID (ID produk), klasifikasi produk yang dijual mencakup Product Line (lini produk), Product Type (jenis produk), Type (jenis kandungan produk) dan nama produk spesifik. Tabel ini terhubung melalui ProductId.
3. Manajemen, Eksplorasi, dan Visualisasi Data
Manajemen Data
Sebelum melakukan manajemen, eksplorasi, hingga visualisasi data, dilakukan koneksi terlebih dahulu antara R dengan Coffe Chain Datasets yang sudah diimpor ke MySQL dan diberi nama database “coffeechain”.
library(DBI)
library(odbc)
dbConnect(odbc(),
Driver = "MySQL ODBC 8.0 ANSI Driver",
Server = "127.0.0.1",
Database = "coffeechain",
UID = "root",
PWD = "listiana121206",
Port = 3306)## <OdbcConnection> root@127.0.0.1 via TCP/IP
## Database: coffeechain
## MySQL Version: 8.0.43koneksi1 <- dbConnect(odbc(),
Driver = "MySQL ODBC 8.0 ANSI Driver",
Server = "127.0.0.1",
Database = "coffeechain",
UID = "root",
PWD = "listiana121206",
Port = 3306)Eksplorasi Data
Selanjutnya, dapat dilakukan eksplorasi pada database coffeechain yang sudah terhubung:
- Melihat tabel-tabel yang terdapat dalam database coffeechain
dbListTables(koneksi1)## [1] "facttable" "location" "product"Terdapat 3 tabel yaitu facttable, location, dan product.
- Melihat nama atribut pada masing-masing tabel
Melihat nama atribut tabel facttable
dbListFields(koneksi1, "facttable")## [1] "Profit" "Margin" "Sales" "COGS"
## [5] "Total Expenses" "Marketing" "Inventory" "Budget Profit"
## [9] "Budget COGS" "Budget Margin" "Budget Sales" "Area Code"
## [13] "ProductId" "Date"Melihat nama atribut tabel location
dbListFields(koneksi1, "location")## [1] "Area Code" "State" "Market" "Market Size"Melihat nama atribut tabel product
dbListFields(koneksi1, "product")## [1] "Product Line" "Product Type" "Product" "ProductId" "Type"- Melihat Isi Tabel
Melihat isi tabel product
dbReadTable(koneksi1, "product")## Product.Line Product.Type Product ProductId Type
## 1 Beans Coffee Amaretto 1 Regular
## 2 Beans Coffee Colombian 2 Regular
## 3 Beans Coffee Decaf Irish Cream 3 Decaf
## 4 Beans Espresso Caffe Latte 4 Regular
## 5 Beans Espresso Caffe Mocha 5 Regular
## 6 Beans Espresso Decaf Espresso 6 Decaf
## 7 Beans Espresso Regular Espresso 7 Regular
## 8 Leaves Herbal Tea Chamomile 8 Decaf
## 9 Leaves Herbal Tea Lemon 9 Decaf
## 10 Leaves Herbal Tea Mint 10 Decaf
## 11 Leaves Tea Darjeeling 11 Regular
## 12 Leaves Tea Earl Grey 12 Regular
## 13 Leaves Tea Green Tea 13 Regular- Mengeksekusi Query DDL dan DML MySQL
Memilih seluruh kolom pada tabel location
dbGetQuery(koneksi1, "SELECT * FROM location")## Area Code State Market Market Size
## 1 203 Connecticut East Small Market
## 2 206 Washington West Small Market
## 3 209 California West Major Market
## 4 210 Texas South Major Market
## 5 212 New York East Major Market
## 6 213 California West Major Market
## 7 214 Texas South Major Market
## 8 216 Ohio Central Major Market
## 9 217 Illinois Central Major Market
## 10 224 Illinois Central Major Market
## 11 225 Louisiana South Small Market
## 12 234 Ohio Central Major Market
## 13 239 Florida East Major Market
## 14 253 Washington West Small Market
## 15 254 Texas South Major Market
## 16 262 Wisconsin Central Small Market
## 17 281 Texas South Major Market
## 18 303 Colorado Central Major Market
## 19 305 Florida East Major Market
## 20 309 Illinois Central Major Market
## 21 310 California West Major Market
## 22 312 Illinois Central Major Market
## 23 314 Missouri Central Small Market
## 24 315 New York East Major Market
## 25 318 Louisiana South Small Market
## 26 319 Iowa Central Small Market
## 27 321 Florida East Major Market
## 28 323 California West Major Market
## 29 325 Texas South Major Market
## 30 330 Ohio Central Major Market
## 31 337 Louisiana South Small Market
## 32 339 Massachusetts East Major Market
## 33 347 New York East Major Market
## 34 351 Massachusetts East Major Market
## 35 352 Florida East Major Market
## 36 360 Washington West Small Market
## 37 361 Texas South Major Market
## 38 386 Florida East Major Market
## 39 405 Oklahoma South Small Market
## 40 407 Florida East Major Market
## 41 408 California West Major Market
## 42 409 Texas South Major Market
## 43 413 Massachusetts East Major Market
## 44 414 Wisconsin Central Small Market
## 45 415 California West Major Market
## 46 417 Missouri Central Small Market
## 47 419 Ohio Central Major Market
## 48 425 Washington West Small Market
## 49 430 Texas South Major Market
## 50 432 Texas South Major Market
## 51 435 Utah West Small Market
## 52 440 Ohio Central Major Market
## 53 469 Texas South Major Market
## 54 475 Connecticut East Small Market
## 55 503 Oregon West Small Market
## 56 504 Louisiana South Small Market
## 57 505 New Mexico South Small Market
## 58 508 Massachusetts East Major Market
## 59 509 Washington West Small Market
## 60 510 California West Major Market
## 61 512 Texas South Major Market
## 62 513 Ohio Central Major Market
## 63 515 Iowa Central Small Market
## 64 516 New York East Major Market
## 65 518 New York East Major Market
## 66 530 California West Major Market
## 67 541 Oregon West Small Market
## 68 559 California West Major Market
## 69 561 Florida East Major Market
## 70 562 California West Major Market
## 71 563 Iowa Central Small Market
## 72 567 Ohio Central Major Market
## 73 573 Missouri Central Small Market
## 74 580 Oklahoma South Small Market
## 75 585 New York East Major Market
## 76 603 New Hampshire East Small Market
## 77 607 New York East Major Market
## 78 608 Wisconsin Central Small Market
## 79 614 Ohio Central Major Market
## 80 617 Massachusetts East Major Market
## 81 618 Illinois Central Major Market
## 82 619 California West Major Market
## 83 626 California West Major Market
## 84 630 Illinois Central Major Market
## 85 631 New York East Major Market
## 86 636 Missouri Central Small Market
## 87 641 Iowa Central Small Market
## 88 646 New York East Major Market
## 89 650 California West Major Market
## 90 660 Missouri Central Small Market
## 91 661 California West Major Market
## 92 682 Texas South Major Market
## 93 702 Nevada West Small Market
## 94 707 California West Major Market
## 95 708 Illinois Central Major Market
## 96 712 Iowa Central Small Market
## 97 713 Texas South Major Market
## 98 714 California West Major Market
## 99 715 Wisconsin Central Small Market
## 100 716 New York East Major Market
## 101 718 New York East Major Market
## 102 719 Colorado Central Major Market
## 103 720 Colorado Central Major Market
## 104 727 Florida East Major Market
## 105 740 Ohio Central Major Market
## 106 754 Florida East Major Market
## 107 760 California West Major Market
## 108 772 Florida East Major Market
## 109 773 Illinois Central Major Market
## 110 774 Massachusetts East Major Market
## 111 775 Nevada West Small Market
## 112 781 Massachusetts East Major Market
## 113 786 Florida East Major Market
## 114 801 Utah West Small Market
## 115 805 California West Major Market
## 116 806 Texas South Major Market
## 117 813 Florida East Major Market
## 118 815 Illinois Central Major Market
## 119 816 Missouri Central Small Market
## 120 817 Texas South Major Market
## 121 818 California West Major Market
## 122 830 Texas South Major Market
## 123 831 California West Major Market
## 124 832 Texas South Major Market
## 125 845 New York East Major Market
## 126 847 Illinois Central Major Market
## 127 850 Florida East Major Market
## 128 857 Massachusetts East Major Market
## 129 858 California West Major Market
## 130 860 Connecticut East Small Market
## 131 863 Florida East Major Market
## 132 903 Texas South Major Market
## 133 904 Florida East Major Market
## 134 909 California West Major Market
## 135 914 New York East Major Market
## 136 915 Texas South Major Market
## 137 916 California West Major Market
## 138 917 New York East Major Market
## 139 918 Oklahoma South Small Market
## 140 920 Wisconsin Central Small Market
## 141 925 California West Major Market
## 142 936 Texas South Major Market
## 143 937 Ohio Central Major Market
## 144 940 Texas South Major Market
## 145 941 Florida East Major Market
## 146 949 California West Major Market
## 147 951 California West Major Market
## 148 954 Florida East Major Market
## 149 956 Texas South Major Market
## 150 959 Connecticut East Small Market
## 151 970 Colorado Central Major Market
## 152 971 Oregon West Small Market
## 153 972 Texas South Major Market
## 154 978 Massachusetts East Major Market
## 155 979 Texas South Major Market
## 156 985 Louisiana South Small Market- Menyimpan Hasil Manajemen data dalam bentuk objek R
Menyimpan seluruh isi tabel facttable dan menyimpannya di R dalam tipe data frame
facttable <- dbGetQuery(koneksi1, "SELECT * FROM facttable")
View(facttable)Menyimpan seluruh isi tabel location dan menyimpannya di R dalam tipe data frame
location <- dbGetQuery(koneksi1, "SELECT * FROM location")
View(location)Visualisasi Data
- Pie Chart (Diagram Lingkaran)
Akan dibuat pie chart yang merepresentasikan total penjualan berdasarkan tipe kandungan kafein pada produk. Pertama, data yang akan divisualisasikan harus difilter terlebih dahulu dengan query MySQL.
product <- dbGetQuery(koneksi1, "SELECT * FROM product")
product2 <- dbGetQuery(koneksi1, "SELECT p.Type, SUM(f.Sales) AS jumlah
FROM product p
JOIN facttable f ON p.ProductId = f.ProductId
GROUP BY p.Type")
product2## Type jumlah
## 1 Regular 472187
## 2 Decaf 347624Setelah itu, yang harus dilakukan adalah mendefinisikan angka persentase yang akan dijadikan isian pie chart.
product2$jumlah <- as.numeric(product2$jumlah)
percentage <- round(product2$jumlah/sum(product2$jumlah)*100, digits=2)
percentage## [1] 57.6 42.4product2## Type jumlah
## 1 Regular 472187
## 2 Decaf 347624Membuat pie chart dengan package ggplot2:
library(ggplot2)
pie_coffee <- ggplot(product2, aes(x= "", y= jumlah, fill= Type)) +
geom_bar(stat= "identity", width=1) +
coord_polar("y",start = 0) +
geom_text(aes(label=paste0(percentage, "%")), position= position_stack(vjust = 0.5)) +
labs (x = NULL, y= NULL, fill= NULL, title = "Total Penjualan Berdasarkan Tipe Produk") +
scale_fill_manual(values = c("#4B2C20","#D7B19D")) +
theme_classic() +
theme(axis.line = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank(),
plot.title = element_text(hjust=0.5, color="#261C15"))
pie_coffee
- Bar Chart (Diagram Batang)
Akan dibuat pie chart yang memvisualisasikan performa profit (keuntungan) tiap jenis produk yang dikelompokkan berdasarkan jenisnya. Langkah-langkahnya sebagai berikut:
Pertama, memfilter data yang akan divisualisasikan dan menyimpannya dalam objek bernama dt_bar.
dt_bar <- dbGetQuery(koneksi1, "SELECT p.`Product Type`, SUM(f.Profit) AS Total FROM product p JOIN facttable f ON p.ProductId = f.ProductId GROUP BY `Product Type`")
dt_bar## Product Type Total
## 1 Coffee 74683
## 2 Tea 52986
## 3 Espresso 68620
## 4 Herbal Tea 63254Lalu, membuat bar chart dan menyimpannya dengan nama bar_coffee.
bar_coffee <- ggplot(dt_bar, aes(x= `Product Type`,y=Total)) +
geom_bar(stat="identity", fill="#709255", alpha=0.8) +
theme_minimal() +
labs(title="Performa Keuntungan Tiap Jenis Produk", x ="Jenis Produk", y= "Total Keuntungan") +
theme(axis.text=element_text(hjust=0.5),
plot.title = element_text(hjust=0.5, color="black"))
bar_coffee
- Line Chart (Diagram Garis)
Pada line chart berikut ini, akan ditampilkan tren penjualan bulanan dari seluruh cabang kedai kopi, terhitung dari bulan Januari 2012 hingga Desember 2013.
Seperti pada 2 grafik sebelumnya, yang pertama dilakukan adalah memfilter kolom dari 2 tabel yang dijoinkan. Kemudian menyimpannya dengan nama dt_line, di mana dt_line ini akan digunakan dalam menggambar line chart menggunakan fungsi ggplot.
dt_line <- dbGetQuery(koneksi1, "SELECT DATE_FORMAT(Date, '%Y-%M') AS orderMonth, SUM(Sales) AS monthlySales
FROM facttable
JOIN product ON facttable.ProductId = product.ProductId
GROUP BY orderMonth")
dt_line## orderMonth monthlySales
## 1 2012-January 31555
## 2 2012-February 32092
## 3 2012-March 32245
## 4 2012-April 32943
## 5 2012-May 33692
## 6 2012-June 35125
## 7 2012-July 36161
## 8 2012-August 36029
## 9 2012-September 33092
## 10 2012-October 32849
## 11 2012-November 32003
## 12 2012-December 33373
## 13 2013-January 35316
## 14 2013-February 34192
## 15 2013-March 34355
## 16 2013-April 35112
## 17 2013-May 33394
## 18 2013-June 34807
## 19 2013-July 35830
## 20 2013-August 35707
## 21 2013-September 35269
## 22 2013-October 34987
## 23 2013-November 34103
## 24 2013-December 35580library(lubridate)## Warning: package 'lubridate' was built under R version 4.5.3##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, uniondt_line$orderMonth <- ym(dt_line$orderMonth)
line_coffee <- ggplot(dt_line, aes(x = orderMonth, y= monthlySales)) +
geom_line(color="goldenrod") +
theme_minimal() +
labs(title= "Tren Penjualan Bulanan",
x= "Bulan",
y= "Total Penjualan") +
theme(plot.title = element_text(hjust=0.5, color="black"))
line_coffee
4. ANALISIS DATA
Sebelum melakukan analisis data, perlu dicek apakah terdapat data yang kosong (missing value). Hal ini bertujuan agar jika benar-benar ada data kosong, bisa dilakukan penanganan pada data tersebut.
colSums(is.na(facttable))## Profit Margin Sales COGS Total Expenses
## 0 0 0 0 0
## Marketing Inventory Budget Profit Budget COGS Budget Margin
## 0 0 0 0 0
## Budget Sales Area Code ProductId Date
## 0 0 0 0Dapat dilihat bahwa dalam tabel facttable tidak terdapat kolom yang mengandung missing value.
Analisis Komparatif Realisasi vs Anggaran Margin
Di sini kita akan menguji apakah terdapat perbedaan signifikan antara margin dengan budget margin.
Untuk melakukan analisis antara 2 sampel atau lebih menggunakan uji statistik parametrik maupun non parametrik, penting untuk memeriksa apakah data berdistribusi normal atau tidak. Jika berdistribusi normal, maka uji yang digunakan adalah statistika parametrik. Jika tidak berdistribusi normal, maka gunakan statistika non parametrik.
Dikarenakan jumlah sampel (n) kurang dari 5000, maka uji normalitas yang digunakan adalah Shapiro Wilk (shapiro.test()).
Uji Normalitas Variabel Margin dan Budget Margin
H0: Data berdistribusi normal
H1: Data tidak berdistribusi normal
Taraf signifikansi = 0.05
shapiro.test(facttable$Margin)##
## Shapiro-Wilk normality test
##
## data: facttable$Margin
## W = 0.82439, p-value < 2.2e-16Karena p-value kurang dari 0.05, maka H0 ditolak yang berarti data Margin tidak berdistribusi normal.
shapiro.test(facttable$`Budget Margin`)##
## Shapiro-Wilk normality test
##
## data: facttable$`Budget Margin`
## W = 0.80307, p-value < 2.2e-16Karena p-value kurang dari 0.05, maka H0 ditolak yang berarti data Budget Margin tidak berdistribusi normal.
Uji Hipotesis Non Parametrik Margin dan Budget Margin
Karena kedua variabel di atas tidak berdistribusi normal, maka digunakan uji non parametrik lebih tepatnya uji Mann Whitney.
H0: Tidak terdapat perbedaan signifikan antara Margin dan Budget Margin
H1: Terdapat perbedaan signifikan antara Margin dan Budget Margin
wilcox.test(facttable$Margin, facttable$`Budget Margin`, paired = TRUE) ##
## Wilcoxon signed rank test with continuity correction
##
## data: facttable$Margin and facttable$`Budget Margin`
## V = 5491743, p-value < 2.2e-16
## alternative hypothesis: true location shift is not equal to 0Karena p-value kurang dari 0.05, maka H0 ditolak yang berarti terdapat perbedaan signifikan antara Margin dan Budget Margin.
Analisis Pengaruh Biaya Pemasaran terhadap Penjualan
Misalnya pemilik bisnis coffee chain ingin mengetahui efektivitas pengeluaran biaya marketing terhadap penjualan mereka. Maka di sini kita bisa memanfaatkan variabel marketing (biaya yang dikeluarkan untuk keperluan pemasaran atau promosi) dan sales (total penjualan) untuk mengetahui seberapa kuat korelasi antara keduanya.
Sama seperti sebelumnya, kita lakukan uji normalitas terlebih dahulu terhadap kedua variabel yang akan diuji.
Uji Normalitas Variabel Marketing dan Sales
H0: Data berdistribusi normal
H1: Data tidak berdistribusi normal
shapiro.test(facttable$Marketing)##
## Shapiro-Wilk normality test
##
## data: facttable$Marketing
## W = 0.81776, p-value < 2.2e-16Karena p-value kurang dari 0.05, maka H0 ditolak yang berarti data Marketing tidak berdistribusi normal.
shapiro.test(facttable$Sales)##
## Shapiro-Wilk normality test
##
## data: facttable$Sales
## W = 0.78969, p-value < 2.2e-16Karena p-value kurang dari 0.05, maka H0 ditolak yang berarti data Sales tidak berdistribusi normal.
Uji Hipotesis Non Parametrik Marketing dan Sales
Karena kedua variabel tidak berdistribusi normal, maka digunakan uji non parametrik lebih tepatnya uji korelasi Kendall Tau.
H0: Tidak terdapat perbedaan signifikan antara pengeluaran biaya marketing dengan banyaknya penjualan
H1: Terdapat hubungan sigifikan antara pengeluaran biaya marketing dengan banyaknya penjualan
cor.test(facttable$Marketing, facttable$Sales , method = "kendall")##
## Kendall's rank correlation tau
##
## data: facttable$Marketing and facttable$Sales
## z = 67.182, p-value < 2.2e-16
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
## tau
## 0.6959066Karena p-value kurang dari 0.05, maka H0 ditolak yang berarti terdapat hubungan signifikan antara pengeluaran biaya marketing dengan banyaknya penjualan.
5. Interpretasi dan Kesimpulan
Pie Chart
Diagram lingkaran yang telah dihasilkan menunjukkan bahwa persentase total penjualan produk regular (kopi biasa yang memiliki kandungan kafein) mencapai lebih dari 50%, lebih tepatnya di angka 57.6%. Sementara produk decaf (tanpa kafein) menyumbang penjualan sebesar 42.4%. Hal ini memperlihatkan pola preferensi pelanggan yang cenderung lebih menyukai produk kafein.
Bar Chart
Pada visualisasi kedua yaitu diagram batang, ditampilkan performa keuntungan dari tiap-tiap jenis produk. Dari diagram tersebut dapat dilihat bahwa produk jenis kopi menyumbang keuntungan terbesar dalam keseluruhan penjualan bisnis coffee chain, diikuti produk jenis espresso, teh herbal, dan teh.
Line Chart
Berikutnya, visualisasi diagram garis menggambarkan tren penjualan keseluruhan produk setiap bulannya pada tahun 2012 hingga 2013. Secara umum, terdapat tren pertumbuhan positif meskipun fluktuasinya sangat tajam. Penjualan dimulai di titik terendah (sekitar 31.500) pada awal 2012 dan berakhir di level yang jauh lebih tinggi (mendekati 35.500) pada akhir 2013. Penjualan cenderung melonjak tajam pada periode pertengahan tahun (sekitar bulan Juli). Ini bisa disebabkan oleh musim liburan atau promo tengah tahun. Sementara mendekati akhir tahun atau pada kuartal keempat mengalami kontraksi atau titik rendah sebelum akhirnya memantul kembali di awal tahun baru.
Pada tahun 2012, penjualan mengalami lonjakan yang sangat masif di pertengahan tahun hingga mencapai puncak tertinggi. Namun, terjadi penurunan drastis setelah Juli hingga mencapai titik nadir tahunan di sekitar Oktober-November 2012.
Awal tahun 2013 teradi pemulihan cepat (recovery). Meskipun tidak pernah melewati rekor Juli 2012, grafik menunjukkan stabilitas yang lebih baik di level atas.
Analisis Komparatif Realisasi vs Anggaran Margin
Dari analisis menggunakan uji Mann Whitney antara variabel target margin dan realisasinya, didapatkan hasil yang menunjukkan bahwa terdapat perbedaan signifikan antara keduanya. Itu artinya terdapat ketidaksesuaian besar antara rencana finansial dengan realita di lapangan. Perbedaan ini bisa berarti harga jual per cangkir kopi tidak lagi relevan untuk menutupi biaya operasional sambil tetap mengejar target profit. Perusahaan mungkin perlu mengevaluasi apakah mereka terlalu banyak memberikan diskon atau promo yang justru “memakan” margin keuntungan.
Analisis Pengaruh Biaya Pemasaran terhadap Penjualan
Hasil uji korelasi Kendall Tau memperlihatkan adanya hubungan signifikan antara pengeluaran biaya marketing dengan banyaknya penjualan kopi. Dengan kata lain, semakin besar biaya yang dikeluarkan untuk marketing, semakin tinggi pula jumlah penjualan yang didapat. Ini dapat diartikan bahwasanya uang yang dikeluarkan untuk promosi atau iklan tidak terbuang sia-sia. Ada pola yang konsisten di mana kenaikan budget marketing diikuti oleh kenaikan volume penjualan.
Kesimpulan
Secara keseluruhan, penelitian ini menunjukkan bahwa:
Pelanggan memiliki kecenderungan kuat terhadap produk berkafein (Regular) dengan pangsa pasar 57,6%. Namun, segmen Decaf yang mencapai 42,4% juga merupakan pasar yang sangat besar dan tidak bisa diabaikan.
Bisnis menunjukkan tren pertumbuhan positif dari tahun 2012 hingga akhir 2013 (meningkat dari kisaran 31.500 ke 35.500), diwarnai dengan lonjakan di pertengahan tahun dan penurunan drastis menjelang akhir tahun.
Terdapat kesenjangan finansial antara target margin dengan realisasinya. Ini perlu mendapat perhatian serius dari pihak manajemen.
Strategi pemasaran saat ini sudah berada di jalur yang benar dalam meningkatkan volume, meskipun mungkin perlu dievaluasi pengaruhnya terhadap margin keuntungan.