Deskripsi

Analisis ini bertujuan untuk mengidentifikasi produk paling laris pada setiap wilayah (state) serta mengevaluasi hubungan antara Budget Sales, Sales, dan Profit. Dalam konteks bisnis, pemahaman terhadap produk yang memiliki performa penjualan tertinggi di masing-masing wilayah menjadi penting untuk mendukung pengambilan keputusan strategis, khususnya dalam perencanaan distribusi dan pemasaran.

Selain itu, analisis ini juga berfokus pada keterkaitan antara anggaran penjualan (Budget Sales) dengan realisasi penjualan (Sales), serta dampaknya terhadap keuntungan (Profit) yang diperoleh perusahaan. Dengan membandingkan nilai anggaran dan realisasi, dapat diketahui sejauh mana perencanaan yang telah dibuat mampu mencerminkan kondisi aktual di lapangan.

Metode analisis dilakukan secara bertahap, dimulai dari eksplorasi data untuk memahami pola distribusi penjualan di setiap wilayah, kemudian dilanjutkan dengan visualisasi data untuk menampilkan perbandingan antar variabel secara lebih informatif. Selanjutnya, dilakukan analisis hubungan antar variabel menggunakan pendekatan deskriptif maupun kuantitatif guna mengidentifikasi pola keterkaitan yang signifikan.

Hasil dari analisis ini diharapkan dapat memberikan insight mengenai: 1. Produk yang paling berkontribusi terhadap penjualan di tiap wilayah, 2. Tingkat kesesuaian antara Budget Sales dan Sales, 3. Pengaruh Sales terhadap Profit yang dihasilkan.

Dengan demikian, analisis ini dapat menjadi dasar evaluasi bagi perusahaan dalam menyusun strategi penjualan dan perencanaan anggaran yang lebih efektif di masa mendatang.

Import Data

library(readxl)
Coffee_Chain <- read_xlsx("C:/Users/MyBook Hype AMD/Documents/TUGAS SIM 1/Coffee Chain Datasets.xlsx")

head(Coffee_Chain)
## # A tibble: 6 × 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  Colombian Beans         
## 3         970 2012-01-01 00:00:00 Central Major Market  Decaf Ir… Beans         
## 4         303 2012-01-01 00:00:00 Central Major Market  Green Tea Leaves        
## 5         303 2012-01-01 00:00:00 Central Major Market  Caffe Mo… Beans         
## 6         720 2012-01-01 00:00:00 Central Major Market  Decaf Es… Beans         
## # 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>
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.5.2
## 
## 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(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.5.2

Data per Market dan Product

top_product_state <- Coffee_Chain %>%
  group_by(State, Product) %>%
  summarise(Total_Sales = sum(Sales, na.rm = TRUE)) %>%
  group_by(State) %>%
  slice_max(Total_Sales, n = 1)
## `summarise()` has grouped output by 'State'. You can override using the
## `.groups` argument.
top_product_state
## # A tibble: 20 × 3
## # Groups:   State [20]
##    State         Product           Total_Sales
##    <chr>         <chr>                   <dbl>
##  1 California    Colombian               18245
##  2 Colorado      Chamomile                7798
##  3 Connecticut   Colombian                6923
##  4 Florida       Decaf Irish Cream        6262
##  5 Illinois      Caffe Mocha             14607
##  6 Iowa          Chamomile               14607
##  7 Louisiana     Lemon                    4267
##  8 Massachusetts Colombian               13301
##  9 Missouri      Colombian                4267
## 10 Nevada        Darjeeling              14607
## 11 New Hampshire Colombian                3204
## 12 New Mexico    Colombian                3204
## 13 New York      Colombian               18245
## 14 Ohio          Caffe Mocha              7798
## 15 Oklahoma      Caffe Latte              6262
## 16 Oregon        Decaf Espresso           7798
## 17 Texas         Colombian               12681
## 18 Utah          Decaf Irish Cream        4267
## 19 Washington    Chamomile                6923
## 20 Wisconsin     Colombian                5898

Berdasarkan hasil analisis, setiap state memiliki produk dengan tingkat penjualan tertinggi yang berbeda. Hal ini menunjukkan bahwa preferensi konsumen pada masing-masing wilayah bervariasi. Produk yang terpilih merupakan produk unggulan di setiap state dan memiliki kontribusi terbesar terhadap total penjualan di wilayah tersebut.

Produk Terlaris

ggplot(top_product_state, aes(x = State, y = Total_Sales, fill = Product)) +
  geom_bar(stat = "identity") +
  labs(
    title = "Produk Terlaris di Setiap Wilayah",
    x = "Wilayah",
    y = "Total Sales") +
  theme_minimal()+
  coord_flip()

Visualisasi menunjukkan perbandingan total penjualan produk terlaris di setiap state. Terlihat adanya perbedaan tingkat penjualan antar wilayah, yang mengindikasikan bahwa kontribusi setiap state terhadap total penjualan tidak merata. Perbedaan produk yang mendominasi di setiap state menunjukkan bahwa strategi pemasaran perlu disesuaikan dengan karakteristik konsumen lokal.

Analisis Sales dan Budget Sales

summary_state <- Coffee_Chain %>%
  group_by(State, Product) %>%
  summarise(
    Total_Sales = sum(Sales, na.rm = TRUE),
    Total_Budget = sum(`Budget Sales`, na.rm = TRUE))
## `summarise()` has grouped output by 'State'. You can override using the
## `.groups` argument.
ggplot(summary_state, aes(x = Total_Budget, y = Total_Sales)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Perbandingan Budget Sales dan Realisasi Sales",
    x = "Budget Sales",
    y = "Sales") +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

Berdasarkan visualisasi, terdapat hubungan antara Budget Sales dan realisasi Sales. Hal ini menunjukkan bahwa perencanaan anggaran cukup selaras dengan hasil penjualan. Namun, terdapat beberapa penyimpangan yang menunjukkan bahwa tidak semua produk mencapai target yang telah direncanakan.

Analisis Hubungan Sales dan Profit

ggplot(Coffee_Chain, aes(x = Sales, y = Profit)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Hubungan Sales dan Profit",
    x = "Sales",
    y = "Profit")
## `geom_smooth()` using formula = 'y ~ x'

Visualisasi menunjukkan adanya hubungan antara Sales dan Profit. Secara umum, peningkatan penjualan cenderung diikuti oleh peningkatan profit. Namun, hubungan tersebut tidak selalu sempurna, yang mengindikasikan adanya faktor lain seperti biaya operasional yang mempengaruhi keuntungan.

Analisis Budget Sales dan Profit

ggplot(Coffee_Chain, aes(x = `Budget Sales`, y = Profit)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Hubungan Budget Sales dan Profit",
    x = "Budget Sales",
    y = "Profit"
  ) +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

Visualisasi menunjukkan hubungan antara Budget Sales dan Profit. Hal ini mengindikasikan bahwa peningkatan anggaran penjualan cenderung diikuti oleh peningkatan profit, meskipun tidak selalu berbanding lurus.

Hal ini menunjukkan bahwa efektivitas penggunaan anggaran menjadi faktor penting dalam menentukan keuntungan yang diperoleh perusahaan.

Korelasi

cor(Coffee_Chain$Sales, Coffee_Chain$Profit, use = "complete.obs")
## [1] 0.7973309
cor(Coffee_Chain$`Budget Sales`, Coffee_Chain$Profit, use = "complete.obs")
## [1] 0.7588298

Nilai korelasi menunjukkan tingkat hubungan antara variabel yang dianalisis. Korelasi antara Sales dan Profit menunjukkan hubungan yang kuat, sehingga peningkatan penjualan cenderung diikuti oleh peningkatan keuntungan. Selain itu, korelasi antara Budget Sales dan Profit menunjukkan bahwa perencanaan anggaran juga memiliki pengaruh terhadap profit, meskipun tidak selalu secara langsung.