Nama: Nadia Atikah Dewi
NIM: M0724076
Kelas: Sistem Informasi Manajemen (B)

PENDAHULUAN

Dalam era persaingan bisnis yang semakin kompetitif, perusahaan dituntut untuk mampu memahami kinerja operasionalnya secara menyeluruh guna mengambil keputusan yang tepat dan berbasis data. Salah satu pendekatan yang dapat digunakan adalah analisis data historis penjualan dan profitabilitas untuk mengidentifikasi pola, hubungan antar variabel, serta faktor-faktor yang memengaruhi kinerja bisnis. Analisis ini menjadi penting terutama dalam industri ritel dan distribusi, di mana dinamika permintaan, biaya operasional, dan karakteristik pasar dapat sangat bervariasi.

Coffee Chain sebagai salah satu bisnis yang bergerak di bidang penjualan produk kopi dan turunannya memiliki berbagai jenis produk, segmen pasar, serta struktur biaya yang kompleks. Oleh karena itu, diperlukan analisis yang komprehensif untuk memahami bagaimana penjualan, profit, dan biaya saling berinteraksi, serta bagaimana perbedaan karakteristik pasar memengaruhi performa bisnis secara keseluruhan.

Penelitian ini bertujuan untuk menganalisis kinerja bisnis Coffee Chain dengan menggunakan pendekatan statistik deskriptif dan eksploratif. Analisis dilakukan dengan mengidentifikasi hubungan antara variabel penjualan, profit, dan biaya, mengevaluasi perbedaan performa antar segmen pasar dan jenis produk, serta mengkaji kontribusi masing-masing produk terhadap total penjualan melalui pendekatan Pareto. Selain itu, dilakukan pula pengujian statistik non-parametrik untuk memastikan apakah perbedaan yang diamati memiliki signifikansi secara statistik.

Melalui analisis ini diharapkan dapat diperoleh insight yang tidak hanya menggambarkan kondisi bisnis saat ini, tetapi juga memberikan dasar yang kuat dalam pengambilan keputusan strategis, seperti optimasi produk, efisiensi biaya, serta pengembangan pasar yang lebih menguntungkan.

LOAD LIBRARY

Sebelum memulai syntax kita peru load library supaya syntax bisa berjalan tanpa error.

library(readxl)
library(dplyr)
library(ggplot2)
library(lubridate)
library(scales)

DESKRIPSI DATA

Sebelum melakukan langkah langkah lain atau analisis data, perlu mengetahui deskripsi data seperti berapa jumlah observasi, variabel serta penjelasan setiap variabel yang ada.

data <- read_excel("C:/Users/ASUS/Downloads/1. Tugas SIM 2025B - Coffee Chain Datasets.xlsx")
dim(data)
## [1] 4248   20

Dataset yang digunakan memiliki 4.448 observasi dengan 20 variabel sesuai output di atas. Dengan variabel variabenya sebagai berikut.
- Area Code : Kode area.
- Market : Daerah atau wilayah.
- Market Size : Ukuran dari Market.
- Product : Jenis dari produk, kopi atau teh.
- Product Line : Bentuk dari produk.
- Product Type : Tipe dari produk.
- State : Negara bagian (Amerika Serikat).
- Type : Jenis produk, kafein atau tanpa kafein.
- Budget COGS : Estimasi biaya pokok penjualan.
- Budget Margin : Estimasi margin keuntungan.
- Budget Profit : Estimasi keuntungan.
- Budget Sales : Estimasi total penjualan.
- COGS : Biaya pokok penjualan aktual.
- Inventory : Jumlah stok barang yang tersedia.
- Margin : Margin keuntungan aktual.
- Profit : Keuntungan aktual.
- Sales : Total penjualan aktual.
- Total Expenses : Total seluruh biaya yang dikeluarkan.

EKSPLORASI DATA

Setelah mengetahui berapa banyak data yang akan digunakan, perlu dilakukan eksplorasi data untuk mengetahui tipe variabel yang ada pada data, dan jumlah missing value sebelum dilakukan analisis lebih lanjut.

Tipe Data

str(data)
## tibble [4,248 × 20] (S3: tbl_df/tbl/data.frame)
##  $ Area Code     : num [1:4248] 719 970 970 303 303 720 970 719 970 719 ...
##  $ Date          : POSIXct[1:4248], format: "2012-01-01" "2012-01-01" ...
##  $ Market        : chr [1:4248] "Central" "Central" "Central" "Central" ...
##  $ Market Size   : chr [1:4248] "Major Market" "Major Market" "Major Market" "Major Market" ...
##  $ Product       : chr [1:4248] "Amaretto" "Colombian" "Decaf Irish Cream" "Green Tea" ...
##  $ Product Line  : chr [1:4248] "Beans" "Beans" "Beans" "Leaves" ...
##  $ Product Type  : chr [1:4248] "Coffee" "Coffee" "Coffee" "Tea" ...
##  $ State         : chr [1:4248] "Colorado" "Colorado" "Colorado" "Colorado" ...
##  $ Type          : chr [1:4248] "Regular" "Regular" "Decaf" "Regular" ...
##  $ Budget COGS   : num [1:4248] 90 80 100 30 60 80 140 50 50 40 ...
##  $ Budget Margin : num [1:4248] 130 110 140 50 90 130 160 80 70 70 ...
##  $ Budget Profit : num [1:4248] 100 80 110 30 70 80 110 20 40 20 ...
##  $ Budget Sales  : num [1:4248] 220 190 240 80 150 210 300 130 120 110 ...
##  $ COGS          : num [1:4248] 89 83 95 44 54 72 170 63 60 58 ...
##  $ Inventory     : num [1:4248] 777 623 821 623 456 ...
##  $ Margin        : num [1:4248] 130 107 139 56 80 108 171 87 80 72 ...
##  $ Marketing     : num [1:4248] 24 27 26 14 15 23 47 57 19 22 ...
##  $ Profit        : num [1:4248] 94 68 101 30 54 53 99 0 33 17 ...
##  $ Sales         : num [1:4248] 219 190 234 100 134 180 341 150 140 130 ...
##  $ Total Expenses: num [1:4248] 36 39 38 26 26 55 72 87 47 55 ...

Data memiliki variabel dengan tipe data chr atau teks sebanyak 7, 12 tipe data num atau numerik, dan POSIXct atau waktu dan tanggal.

Cek Missing Value

colSums(is.na(data))
##      Area Code           Date         Market    Market Size        Product 
##              0              0              0              0              0 
##   Product Line   Product Type          State           Type    Budget COGS 
##              0              0              0              0              0 
##  Budget Margin  Budget Profit   Budget Sales           COGS      Inventory 
##              0              0              0              0              0 
##         Margin      Marketing         Profit          Sales Total Expenses 
##              0              0              0              0              0

Dari output di atas data yang akan digunakan tidak memiliki missing value sehingga kita tidak perlu melakukan langkah untuk handling missing value.

DATA PREPARATION DAN PENAMBAHAN VARIABEL

Pada tahap ini dilakukan transformasi data dengan mengubah variabel Date menjadi format tanggal serta mengubah Market Size menjadi faktor kategorikal. Selain itu, ditambahkan dua variabel turunan untuk mengukur efisiensi bisnis, yaitu profit margin dan cost ratio.

Rumus yang digunakan adalah sebagai berikut:
\[ \text{Profit Margin} = \frac{Profit}{Sales} \]

\[ \text{Cost Ratio} = \frac{Expenses}{Sales} \] Profit margin digunakan untuk mengukur kemampuan perusahaan dalam menghasilkan keuntungan dari penjualan, sedangkan cost ratio digunakan untuk melihat proporsi biaya terhadap penjualan.

data_clean <- data %>%
  mutate(
    Date = as.Date(Date),
    Market.Size = as.factor(`Market Size`)
  ) %>%
  dplyr::select(Date, Market.Size, Product, `Product Type`, Sales, Profit, Expenses = `Total Expenses`) %>%
  na.omit()
# Menambahkan profit margin dan cost ratio
data_clean <- data_clean %>%
  mutate(
    profit_margin = Profit / Sales,
    cost_ratio = Expenses / Sales
  )
head(data_clean,5)
## # A tibble: 5 × 9
##   Date       Market.Size  Product           `Product Type` Sales Profit Expenses
##   <date>     <fct>        <chr>             <chr>          <dbl>  <dbl>    <dbl>
## 1 2012-01-01 Major Market Amaretto          Coffee           219     94       36
## 2 2012-01-01 Major Market Colombian         Coffee           190     68       39
## 3 2012-01-01 Major Market Decaf Irish Cream Coffee           234    101       38
## 4 2012-01-01 Major Market Green Tea         Tea              100     30       26
## 5 2012-01-01 Major Market Caffe Mocha       Espresso         134     54       26
## # ℹ 2 more variables: profit_margin <dbl>, cost_ratio <dbl>

DESCRIPTIVE OVERVIEW

summary(data_clean)
##       Date                  Market.Size     Product          Product Type      
##  Min.   :2012-01-01   Major Market:1704   Length:4248        Length:4248       
##  1st Qu.:2012-06-23   Small Market:2544   Class :character   Class :character  
##  Median :2012-12-16                       Mode  :character   Mode  :character  
##  Mean   :2012-12-15                                                            
##  3rd Qu.:2013-06-08                                                            
##  Max.   :2013-12-01                                                            
##      Sales         Profit          Expenses      profit_margin     
##  Min.   : 17   Min.   :-638.0   Min.   : 10.00   Min.   :-31.9000  
##  1st Qu.:100   1st Qu.:  17.0   1st Qu.: 33.00   1st Qu.:  0.1610  
##  Median :138   Median :  40.0   Median : 46.00   Median :  0.3200  
##  Mean   :193   Mean   :  61.1   Mean   : 54.06   Mean   :  0.1472  
##  3rd Qu.:230   3rd Qu.:  92.0   3rd Qu.: 65.00   3rd Qu.:  0.4278  
##  Max.   :912   Max.   : 778.0   Max.   :190.00   Max.   :  1.1809  
##    cost_ratio    
##  Min.   :0.0698  
##  1st Qu.:0.2111  
##  Median :0.2822  
##  Mean   :0.3609  
##  3rd Qu.:0.4030  
##  Max.   :7.7368
data_clean %>%
  summarise(
    total_sales = sum(Sales),
    total_profit = sum(Profit),
    avg_margin = mean(profit_margin),
    avg_cost = mean(cost_ratio)
  )
## # A tibble: 1 × 4
##   total_sales total_profit avg_margin avg_cost
##         <dbl>        <dbl>      <dbl>    <dbl>
## 1      819811       259543      0.147    0.361

Berdasarkan output di atas, total Sales yang diperoleh adalah sebesar 819.811 dengan total Profit sebesar 259.543. Rata-rata profit margin sebesar 0,147 atau 14,7% menunjukkan bahwa bisnis berada dalam kondisi menguntungkan, namun margin yang relatif moderat mengindikasikan bahwa biaya operasional masih cukup tinggi. Hal ini juga didukung oleh rata-rata cost ratio yang mencapai sekitar 36%, yang menunjukkan bahwa sebagian besar pendapatan digunakan untuk menutupi biaya.

ANALISIS HUBUNGAN

Hubungan antara variabel dianalisis menggunakan korelasi Spearman, yang dirumuskan sebagai berikut:
\[ \rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)} \]

Sales vs Profit

Hubungan antara variabel Sales dan Profit dianalisis menggunakan korelasi Spearman.

# Korelasi sales vs profit
cor(data_clean$Sales, data_clean$Profit, method = "spearman")
## [1] 0.7722827

Berdasarkan hasil perhitungan, diperoleh nilai korelasi Spearman sebesar 0.7722827, yang menunjukkan adanya hubungan positif yang kuat antara Sales dan Profit. Hal ini berarti bahwa peningkatan nilai penjualan secara umum akan diikuti oleh peningkatan profit.

# Plot Sales vs Profit
ggplot(data_clean, aes(Sales, Profit, color = Market.Size)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "loess") +
  labs(title = "Sales vs Profit")
## `geom_smooth()` using formula = 'y ~ x'

Hasil perhitungan korelasi Spearman diperkuat oleh visualisai scatter plot yang menunjukkan pola hubungan yang cenderung meningkat. Garis smoothing (loess) pada grafik memperlihatkan bahwa hubungan tersebut relatif konsisten, terutama pada nilai penjualan menengah hingga tinggi. Selain itu, terlihat bahwa pada kategori Major Market, peningkatan profit cenderung lebih tinggi dibandingkan Small Market pada tingkat penjualan yang sama, yang mengindikasikan adanya perbedaan efisiensi antar segmen pasar.

Namun demikian, pada nilai penjualan rendah hingga menengah, terdapat beberapa titik dengan profit negatif. Hal ini menunjukkan bahwa tidak semua aktivitas penjualan menghasilkan keuntungan, sehingga terdapat kemungkinan adanya biaya yang tidak sebanding atau struktur harga yang kurang optimal pada kondisi tertentu.

Expenses vs Profit

Hubungan antara variabel Expenses dan Profit juga dianalisis menggunakan korelasi Spearman.

# Korelasi Expenses vs Profit
cor(data_clean$Expenses, data_clean$Profit, method = "spearman")
## [1] 0.1641984

Berdasarkan hasil perhitungan, diperoleh nilai korelasi sebesar 0.1641984, yang menunjukkan bahwa hubungan antara biaya dan profit bersifat positif tetapi sangat lemah. Hasil ini menunjukkan bahwa peningkatan biaya tidak secara signifikan diikuti oleh peningkatan profit. Dengan kata lain, pengeluaran tambahan tidak selalu memberikan dampak yang berarti terhadap keuntungan.

# Pot Expenses vs Profit
ggplot(data_clean, aes(Expenses, Profit, color = Market.Size)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "loess") +
  labs(title = "Expenses vs Profit")
## `geom_smooth()` using formula = 'y ~ x'

Pola hubungan antara Expenses dan Profit tidak membentuk garis linear yang kuat. Garis smoothing menunjukkan bahwa pada beberapa rentang nilai, khususnya pada Small Market, peningkatan biaya justru diikuti oleh penurunan profit. Hal ini mengindikasikan adanya potensi inefisiensi biaya, di mana tambahan pengeluaran tidak memberikan return yang sebanding.

Sementara itu, pada Major Market, hubungan antara biaya dan profit terlihat lebih stabil, meskipun tetap tidak menunjukkan hubungan yang kuat. Hal ini menunjukkan bahwa market besar memiliki pengelolaan biaya yang relatif lebih efisien dibandingkan market kecil.

Dari kedua analisis hubungan di atas dapat disimpulkan bahwa penjualan merupakan faktor utama yang mendorong profit, sementara biaya bukanlah faktor yang secara langsung meningkatkan profit, melainkan harus dikelola secara efisien.

ANALISIS PROFIT PRODUCT TYPE

Analisis ini dilakukan untuk melihat kontribusi masing-masing kategori produk terhadap total profit bisnis. Perhitungan dilakukan dengan menjumlahkan seluruh profit pada setiap kategori Product Type menggunakan fungsi agregasi.

Total Profit per Product Type

product_summary <- data_clean %>%
  group_by(`Product Type`) %>%
  summarise(
    total_sales = sum(Sales),
    total_profit = sum(Profit),
    avg_profit = mean(Profit)
  )
product_summary
## # A tibble: 4 × 4
##   `Product Type` total_sales total_profit avg_profit
##   <chr>                <dbl>        <dbl>      <dbl>
## 1 Coffee              216828        74683       70.7
## 2 Espresso            222996        68620       58.4
## 3 Herbal Tea          207214        63254       59.9
## 4 Tea                 172773        52986       55.2
ggplot(product_summary, aes(x = `Product Type`, y = total_profit, fill = `Product Type`)) +
  geom_bar(stat = "identity") +
  labs(title = "Total Profit per Product Type")

Berdasarkan output yang diperoleh:

  • Coffee menghasilkan total profit sebesar 74.683
  • Espresso menghasilkan total profit sebesar 68.620
  • Herbal Tea menghasilkan total profit sebesar 63.254
  • Tea menghasilkan total profit sebesar 52.986

Selain itu, rata-rata profit per transaksi menunjukkan bahwa: - Coffee memiliki nilai tertinggi sebesar 70,72
- Herbal Tea sebesar 59,89
- Espresso sebesar 58,35
- Tea sebesar 55,19

Hasil tersebut menunjukkan bahwa kategori Coffee merupakan kontributor utama profit bisnis, baik dari sisi total maupun rata-rata profit. Hal ini mengindikasikan bahwa produk berbasis kopi memiliki performa yang paling optimal, baik dalam hal volume penjualan maupun efisiensi keuntungan.

Di sisi lain, kategori Tea memiliki kontribusi profit terendah, yang menunjukkan bahwa produk ini kurang optimal dibandingkan kategori lainnya. Hal ini dapat disebabkan oleh permintaan yang lebih rendah, harga jual yang lebih kecil, atau biaya yang relatif tinggi dibandingkan profit yang dihasilkan.

Total Profit Product Type per Market Size

Analisis selanjutnya dilakukan dengan melihat distribusi profit setiap kategori produk berdasarkan Market Size.

data_clean %>%
  group_by(`Product Type`, Market.Size) %>%
  summarise(total_profit = sum(Profit)) %>%
  ggplot(aes(x = `Product Type`, y = total_profit, fill = Market.Size)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Profit per Product Type by Market Size")
## `summarise()` has grouped output by 'Product Type'. You can override using the
## `.groups` argument.

Dari hasil visualisasi:

  • Pada Major Market, semua kategori produk menghasilkan profit yang lebih tinggi dibandingkan Small Market
  • Coffee tetap menjadi kategori dengan profit tertinggi pada Major Market
  • Herbal Tea pada Small Market menunjukkan performa yang cukup baik dibandingkan kategori lain

Hasil tersebut menunjukkan bahwa Market Size memiliki pengaruh yang lebih kuat terhadap profit dibandingkan jenis produk. Produk yang sama dapat menghasilkan profit yang berbeda tergantung pada ukuran pasar tempat produk tersebut dijual.

ANALISIS PARETO

Pareto Analysis digunakan untuk mengidentifikasi produk yang menjadi kontributor utama dalam penjualan. Konsep ini didasarkan pada prinsip 80/20, yaitu sebagian kecil produk menyumbang sebagian besar hasil.

Rumus cumulative percentage yang digunakan adalah:
\[ \text{Cumulative Percentage} = \frac{\text{Cumulative Sales}}{\text{Total Sales}} \]

product_perf <- data_clean %>%
  group_by(Product) %>%
  summarise(
    total_sales = sum(Sales),
    total_profit = sum(Profit)
  ) %>%
  arrange(desc(total_sales)) %>%
  mutate(
    cum_sales = cumsum(total_sales),
    cum_percent = cum_sales / sum(total_sales),
    category = ifelse(cum_percent <= 0.8, "Core Product", "Non-Core")
  )

max_sales <- max(product_perf$total_sales)

ggplot(product_perf, aes(reorder(Product, -total_sales))) +
  geom_col(aes(y = total_sales, fill = category)) +
  geom_line(aes(y = cum_percent * max_sales, group = 1), linewidth = 1) +
  scale_y_continuous(sec.axis = sec_axis(~./max_sales, labels = percent)) +
  labs(title = "Pareto Analysis")

Hasil analisis menunjukkan bahwa sekitar 80% penjualan berasal dari sejumlah kecil produk, sehingga produk-produk tersebut dapat dikategorikan sebagai core product, di mana terdapat 7 core product yaotu Colombian, Lemon, Caffe Mocha, Decaf Espresso, Chamomile, Darjeeling, Earl Grey. Hal ini menunjukkan adanya konsentrasi bisnis pada produk tertentu.

ANALISIS TIME SERIES

Analisis time series dilakukan dengan mengagregasi data berdasarkan bulan.

data_monthly <- data_clean %>%
  group_by(Month = floor_date(Date, "month")) %>%
  summarise(Sales = sum(Sales), Profit = sum(Profit))

PLOT TIME SERIES

Plot Time Series Sales

# Plot time series sales
ggplot(data_monthly, aes(Month, Sales)) + geom_line()

Sales berfluktuasi di kisaran 32k–36k tanpa tren naik yang jelas. Artinya, penjualan cenderung stabil dan tidak mengalami pertumbuhan signifikan.

Plot Time Series Profit

# Plot time series profit
ggplot(data_monthly, aes(Month, Profit)) + geom_line()

Profit meningkat signifikan setelah awal 2013 dan stabil di level lebih tinggi. Ini menunjukkan adanya peningkatan efisiensi, bukan karena kenaikan sales.

ACF

Autocorrelation Function (ACF) digunakan untuk melihat hubungan antara nilai saat ini dengan nilai pada periode sebelumnya.

Rumus umum ACF adalah:
\[ \rho_k = \frac{\sum_{t=1}^{n-k} (X_t - \bar{X})(X_{t+k} - \bar{X})}{\sum_{t=1}^{n} (X_t - \bar{X})^2} \]

ts_sales <- ts(data_monthly$Sales, frequency = 12)
acf(ts_sales, main = "ACF Sales")

ACF menunjukkan korelasi kuat di lag awal saja (stationer), lalu cepat turun. Artinya, sales hanya dipengaruhi oleh periode sebelumnya (jangka pendek) dan tidak punya pola jangka panjang yang kuat.

ts_profit <- ts(data_monthly$Profit, frequency = 12)
acf(ts_profit, main = "ACF Profit")

ACF profit tinggi di banyak lag dan turun perlahan. Artinya, profit punya dependensi jangka panjang, dipengaruhi oleh kondisi sebelumnya (lebih stabil & persistent).

VALIDASI MENGGUNAKAN STATISTICAL TEST

Untuk validasi analisis profit product type menggunakan uji *Kruskal-Wallis dan Wilcoxon Rank Sum

Kruskal-Wallis (Product Type)

Uji Kruskal-Wallis digunakan untuk mengetahui apakah terdapat perbedaan median profit antar kategori Product Type.

Rumus Statistikanya adalah: \[ H = \frac{12}{n(n+1)} \sum \frac{R_i^2}{n_i} - 3(n+1) \] Dengan hipotesis yang digunakan adalah:

  • \(H_0\): Tidak terdapat perbedaan median profit antar Product Type
  • \(H_1\): Terdapat minimal satu perbedaan median profit antar Product Type
# Perbedaan profit antar produk
kruskal.test(Profit ~ `Product Type`, data = data_clean)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Profit by Product Type
## Kruskal-Wallis chi-squared = 2.4137, df = 3, p-value = 0.4911

Berdasarkan hasil pengujian, diperoleh p-value = 0.491. Karena nilai p-value lebih besar dari 0,05, maka gagal menolak \(H_0\).

Hal tersebut menunjukkan bahwa tidak terdapat perbedaan yang signifikan secara statistik antara profit pada masing-masing kategori produk. Dengan kata lain, jenis produk tidak memiliki pengaruh signifikan terhadap profit.

Wilcoxon Rank Sum (Market Size)

Uji Wilcoxon digunakan untuk membandingkan profit antara dua kelompok, yaitu Major Market dan Small Market.

Rumus Statistikanya adalah: \[ W = \sum R_i \] Dengan hipotesis yang digunakan adalah:

  • \(H_0\): Tidak terdapat perbedaan median profit antara Major Market dan Small Market
  • \(H_1\): Terdapat minimal satu perbedaan median profit antara Major Market dan Small Market
# Perbedaan market size
data_wilcox <- data_clean %>%
  filter(Market.Size %in% c("Small Market", "Major Market"))

wilcox.test(Profit ~ Market.Size, data = data_wilcox)
## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Profit by Market.Size
## W = 2975087, p-value < 2.2e-16
## alternative hypothesis: true location shift is not equal to 0

Berdasarkan hasil pengujian, diperoleh p-value < 2.2e-16. Karena nilai p-value jauh lebih kecil dari 0,05, maka tolak H0.

Hal tersebut menunjukkan bahwa terdapat perbedaan yang sangat signifikan antara profit pada Major Market dan Small Market. Dengan demikian, ukuran pasar memiliki pengaruh yang nyata terhadap profitabilitas bisnis.

PROFIT LEAKAGE DETECTION

Analisis ini dilakukan dengan memetakan hubungan antara total sales dan total profit. Produk dikategorikan berdasarkan posisi dalam empat kuadran, yaitu high-high, high-low, low-high, dan low-low.

# Plot profit leakage detection
ggplot(product_perf, aes(total_sales, total_profit, label = Product)) +
  geom_point(size = 3) +
  geom_text(vjust = -0.5) +
  geom_vline(xintercept = median(product_perf$total_sales), linetype = "dashed") +
  geom_hline(yintercept = median(product_perf$total_profit), linetype = "dashed") +
  labs(title = "Profit Leakage Detection Map")

Hasil menunjukkan bahwa sebagian besar produk dengan penjualan tinggi juga memiliki profit tinggi, namun terdapat beberapa produk seperti Caffe Mocha yang memiliki penjualan tinggi tetapi profit relatif lebih rendah. Hal ini mengindikasikan adanya potensi profit leakage, yaitu kondisi di mana peningkatan penjualan tidak diikuti oleh peningkatan profit yang sebanding.

KESIMPULAN DAN SARAN

Secara keseluruhan, bisnis Coffee Chain menunjukkan kinerja yang cukup baik dengan profit yang dipengaruhi secara kuat oleh penjualan. Namun, efisiensi biaya dan segmentasi pasar menjadi faktor kunci yang menentukan tingkat profitabilitas. Market Size terbukti memiliki pengaruh signifikan terhadap profit, sementara Product Type tidak menunjukkan perbedaan yang signifikan secara statistik. Selain itu, terdapat konsentrasi penjualan pada beberapa produk utama serta indikasi inefisiensi pada beberapa produk tertentu

Berdasarkan hasil analisis yang telah dilakukan, strategi peningkatan profit sebaiknya difokuskan pada kombinasi antara pemilihan produk yang tepat dan penargetan market yang paling menguntungkan.

Pertama, dari sisi produk, kategori Coffee terbukti memberikan kontribusi profit terbesar, baik dari total profit maupun rata-rata profit per transaksi. Oleh karena itu, perusahaan sebaiknya menjadikan produk berbasis Coffee sebagai fokus utama (core product) dalam strategi bisnis. Produk-produk ini perlu diperkuat melalui peningkatan distribusi, promosi yang lebih intensif, serta menjaga kualitas dan konsistensi produk. Selain itu, produk seperti Espresso dan Herbal Tea juga menunjukkan performa yang cukup baik, sehingga dapat dikembangkan sebagai produk pendukung (secondary product) untuk memperluas variasi tanpa mengganggu fokus utama.

Sebaliknya, kategori Tea menunjukkan kontribusi profit yang paling rendah. Oleh karena itu, produk dalam kategori ini perlu dievaluasi lebih lanjut, baik dari sisi harga, biaya produksi, maupun strategi pemasaran. Jika setelah evaluasi tidak menunjukkan peningkatan, maka dapat dipertimbangkan untuk dilakukan repositioning atau bahkan pengurangan portofolio produk.

Kedua, dari sisi market, hasil analisis menunjukkan bahwa Major Market memiliki performa yang jauh lebih tinggi dibandingkan Small Market, baik dari segi penjualan, profit, maupun margin. Oleh karena itu, perusahaan sebaiknya memprioritaskan ekspansi dan penetrasi pasar pada Major Market, karena market ini terbukti memberikan return yang lebih optimal. Strategi yang dapat dilakukan meliputi peningkatan distribusi, promosi yang lebih agresif, serta penguatan brand di wilayah tersebut.

Sementara itu, pada Small Market, performa yang lebih rendah menunjukkan adanya potensi inefisiensi. Oleh karena itu, strategi yang diterapkan sebaiknya lebih selektif, seperti hanya menjual produk-produk dengan margin tinggi (misalnya Coffee), serta menghindari produk dengan performa rendah. Selain itu, perlu dilakukan evaluasi terhadap biaya operasional di market ini agar tidak menggerus profit.

Ketiga, berdasarkan analisis profit leakage, terdapat indikasi bahwa beberapa produk memiliki penjualan tinggi namun profit yang relatif rendah. Produk-produk dalam kategori ini perlu menjadi perhatian khusus, karena menunjukkan adanya ketidakseimbangan antara volume penjualan dan keuntungan. Strategi yang dapat dilakukan adalah melakukan evaluasi struktur biaya, penyesuaian harga, atau optimalisasi proses produksi agar profit dapat ditingkatkan tanpa harus meningkatkan penjualan secara signifikan.

Secara keseluruhan, strategi utama yang disarankan adalah fokus pada produk Coffee di Major Market sebagai penggerak utama profit, mengembangkan Espresso dan Herbal Tea sebagai produk pendukung, serta melakukan evaluasi terhadap produk dengan performa rendah dan market yang kurang efisien. Dengan pendekatan ini, perusahaan tidak hanya dapat meningkatkan profit, tetapi juga menjaga stabilitas dan keberlanjutan bisnis dalam jangka panjang.