PENDAHULUAN

Latar Belakang

Dalam persaingan bisnis yang semakin ketat, tingginya penjualan tidak selalu berarti perusahaan memperoleh keuntungan besar. Banyak perusahaan mengalami kondisi di mana produk yang laris justru memberikan margin keuntungan yang kecil. Jika hal ini tidak dianalisis dengan baik, perusahaan bisa mengambil keputusan yang kurang tepat.

Industri kopi sebagai bagian dari sektor makanan dan minuman merupakan salah satu contoh yang menghadapi dinamika tersebut. Permintaan yang tinggi, variasi preferensi konsumen antar wilayah, serta kompleksitas biaya operasional seperti biaya produksi, distribusi, dan pemasaran, menjadikan pengelolaan profitabilitas sebagai tantangan tersendiri. Dalam konteks ini, perusahaan tidak hanya dituntut untuk meningkatkan penjualan, tetapi juga memastikan bahwa setiap aktivitas operasional memberikan kontribusi yang optimal terhadap keuntungan.

Dataset Coffee Chain memberikan gambaran komprehensif mengenai performa bisnis melalui berbagai indikator seperti penjualan (sales), keuntungan (profit), biaya barang terjual (COGS), biaya pemasaran, serta target yang telah ditetapkan (budget). Perbedaan antara nilai aktual dan target (variance) pada penjualan dan profit menjadi indikator penting untuk mengevaluasi efektivitas strategi yang dijalankan. Ketidaksesuaian antara kedua variabel tersebut dapat mencerminkan adanya inefisiensi, baik dari sisi biaya maupun strategi pemasaran.

Dataset Coffee Chain memberikan gambaran yang lengkap mengenai performa bisnis melalui berbagai indikator seperti penjualan (sales), keuntungan (profit), biaya barang terjual (COGS), biaya pemasaran, serta target yang telah ditetapkan (budget). Perbedaan antara nilai aktual dan target (variance) pada penjualan dan profit menjadi indikator penting untuk mengevaluasi efektivitas strategi yang dijalankan. Ketidaksesuaian antara kedua variabel tersebut dapat mencerminkan adanya inefisiensi, baik dari sisi biaya maupun strategi pemasaran.

Berdasarkan hal tersebut, penelitian ini berfokus pada analisis kesenjangan antara kinerja penjualan dan profitabilitas dengan memanfaatkan pendekatan statistik yang beragam. Analisis dilakukan untuk mengidentifikasi apakah kesenjangan tersebut signifikan, bagaimana distribusinya pada berbagai kategori produk, serta faktor-faktor apa saja yang memengaruhi munculnya kondisi tersebut. Selain itu, pendekatan visual dan analitis digunakan untuk memberikan gambaran terkait posisi masing-masing produk dalam konteks kinerja bisnis.

Hasil analisis ini diharapkan dapat memberikan wawasan yang lebih mendalam bagi perusahaan dalam mengevaluasi strategi yang telah diterapkan. Dengan memahami pola kesenjangan antara penjualan dan profit, perusahaan dapat merancang langkah perbaikan yang lebih tepat sasaran, baik melalui efisiensi biaya, penyesuaian strategi pemasaran, maupun optimalisasi portofolio produk.

DESKRIPSI DATA

Load Data

Sebelum melakukan analisis lebih lanjut, penting untuk memahami karakteristik data yang digunakan. Tahap ini bertujuan untuk memberikan gambaran awal mengenai struktur, isi, serta variabel dalam dataset, sehingga proses analisis dapat dilakukan dengan lebih terarah.

Dataset yang digunakan merupakan data penjualan dari sebuah Coffee Chain yang memuat informasi terkait penjualan berbagai produk, seperti kopi dan teh, pada beberapa wilayah pemasaran. Setiap baris dalam dataset merepresentasikan satu unit observasi yang berisi informasi mengenai performa penjualan suatu produk pada wilayah dan periode tertentu. Untuk memperoleh gambaran awal mengenai data, dilakukan proses data loading serta penampilan sebagian data sebagai berikut:

library(readxl)
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(knitr)
library(kableExtra)

## Warning: package 'kableExtra' was built under R version 4.5.3

## 
## Attaching package: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

data = read_excel("Coffee Chain Datasets.xlsx")

head(data, 10) %>%
  kable() %>%
  kable_styling(full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#FFC0CB", color = "#440E03") %>%
  scroll_box(width = "100%", height = "300px")

Area Code	Date	Market	Market Size	Product	Product Line	Product Type	State	Type	Budget COGS	Budget Margin	Budget Profit	Budget Sales	COGS	Inventory	Margin	Marketing	Profit	Sales	Total Expenses
719	2012-01-01	Central	Major Market	Amaretto	Beans	Coffee	Colorado	Regular	90	130	100	220	89	777	130	24	94	219	36
970	2012-01-01	Central	Major Market	Colombian	Beans	Coffee	Colorado	Regular	80	110	80	190	83	623	107	27	68	190	39
970	2012-01-01	Central	Major Market	Decaf Irish Cream	Beans	Coffee	Colorado	Decaf	100	140	110	240	95	821	139	26	101	234	38
303	2012-01-01	Central	Major Market	Green Tea	Leaves	Tea	Colorado	Regular	30	50	30	80	44	623	56	14	30	100	26
303	2012-01-01	Central	Major Market	Caffe Mocha	Beans	Espresso	Colorado	Regular	60	90	70	150	54	456	80	15	54	134	26
720	2012-01-01	Central	Major Market	Decaf Espresso	Beans	Espresso	Colorado	Decaf	80	130	80	210	72	558	108	23	53	180	55
970	2012-01-01	Central	Major Market	Chamomile	Leaves	Herbal Tea	Colorado	Decaf	140	160	110	300	170	1091	171	47	99	341	72
719	2012-01-01	Central	Major Market	Lemon	Leaves	Herbal Tea	Colorado	Decaf	50	80	20	130	63	435	87	57	0	150	87
970	2012-01-01	Central	Major Market	Mint	Leaves	Herbal Tea	Colorado	Decaf	50	70	40	120	60	336	80	19	33	140	47
719	2012-01-01	Central	Major Market	Darjeeling	Leaves	Tea	Colorado	Regular	40	70	20	110	58	338	72	22	17	130	55

EKSPLORASI DATA

Sebelum dilakukan analisis lebih lanjut, dilakukan eksplorasi data untuk memahami kualitas dan kelengkapan dataset. Tahap ini bertujuan untuk mengidentifikasi adanya nilai yang hilang (missing values), duplikasi data, serta memastikan tipe data pada setiap variabel sudah sesuai.

Deskripsi Variabel

Dataset yang digunakan terdiri dari 20 variabel yang mencakup informasi waktu, produk, wilayah, serta kinerja finansial perusahaan. Penjelasan variabel tersebut sebagai berikut:

Variabel	Type Data	Deskripsi
`Area Code`	Kategorik	Kode wilayah penjualan
`Date`	Date	Tanggal transaksi
`Market`	Kategorik	Wilayah pasar
`Market Size`	Kategorik	Ukuran pasar
`Product Type`	Kategorik	Kategori produk
`Product Line`	Kategorik	Lini produk
`Product`	Kategorik	Nama produk
`State`	Kategorik	Lokasi atau negara bagian penjualan
`Type`	Kategorik	Jenis produk
`Budget COGS`	Numerik	Target biaya barang terjual
`Budget Margin`	Numerik	Target margin keuntungan
`Budget Profit`	Numerik	Target keuntungan
`Budget Sales`	Numerik	Target penjualan
`Inventory`	Numerik	Jumlah persediaan
`Sales`	Numerik	Total penjualan
`COGS`	Numerik	Biaya barang terjual
`Profit`	Numerik	Keuntungan
`Marketing`	Numerik	Biaya pemasaran
`Sales`	Numerik	Total penjualan
`Margin`	Numerik	Selisih antara sales dan COGS (keuntungan kotor)
`Total Expenses`	Numerik	Total biaya operasional

Pengecekan Kualitas Data

sapply(data, function(x) sum(is.na(x)))

##      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

sum(duplicated(data))

## [1] 0

Berdasarkan hasil pengecekan, tidak ditemukan nilai yang hilang dan duplikasi pada seluruh variabel dalam dataset. Hal ini menunjukkan bahwa data telah lengkap dan setiap observasi dalam dataset bersifat unik dan dapat digunakan secara langsung dalam analisis.

STATISTIKA DESKRIPTIF

Transformasi

Setelah eksplorasi data, dilakukan transformasi data dengan membentuk variabel baru untuk mendukung analisis.

Variabel yang dibuat adalah sales variance dan profit variance, yaitu selisih antara nilai aktual dan target (budget). Sales variance menunjukkan selisih penjualan terhadap target, sedangkan profit variance menunjukkan selisih keuntungan terhadap target. Kedua variabel ini digunakan untuk melihat apakah penjualan yang tinggi diikuti profit yang sebanding.

data <- data %>%
  mutate(
    Sales_Variance = Sales - `Budget Sales`,
    Profit_Variance = Profit - `Budget Profit`
  )

Variabel sales variance dan profit variance memberikan informasi mengenai sejauh mana kinerja aktual perusahaan dibandingkan dengan target yang telah ditetapkan. Nilai positif menunjukkan bahwa kinerja melebihi target, sedangkan nilai negatif menunjukkan bahwa kinerja belum mencapai target.

Ringkasan Analisis Deskriptif

Statistik deskriptif digunakan untuk memberikan gambaran umum mengenai karakteristik data setelah dilakukan proses transformasi. Analisis ini difokuskan pada variabel yang berkaitan dengan kinerja penjualan dan profitabilitas, termasuk variabel turunan berupa sales variance dan profit variance.

Melalui statistik deskriptif, dapat diketahui ukuran pemusatan dan penyebaran data, seperti nilai minimum, maksimum, rata-rata (mean), dan simpangan baku (standard deviation). Informasi ini penting untuk melihat pola awal serta indikasi adanya kesenjangan antara pencapaian penjualan dan keuntungan.

stat_desc <- data %>%
  summarise(
    Sales_mean = mean(Sales),
    Sales_sd = sd(Sales),
    Sales_min = min(Sales),
    Sales_max = max(Sales),
    
    Profit_mean = mean(Profit),
    Profit_sd = sd(Profit),
    Profit_min = min(Profit),
    Profit_max = max(Profit),
    
    SalesVar_mean = mean(Sales_Variance),
    ProfitVar_mean = mean(Profit_Variance)
  ) %>%
  tidyr::pivot_longer(cols = everything(),
                      names_to = "Variabel",
                      values_to = "Nilai")

stat_desc %>%
  kable() %>%
  kable_styling(full_width = FALSE, 
                bootstrap_options = c("striped", "hover", "condensed")) %>%
  row_spec(0, bold = TRUE, background = "#FFC0CB", color = "#440E03")

Variabel	Nilai
Sales_mean	192.987524
Sales_sd	151.133127
Sales_min	17.000000
Sales_max	912.000000
Profit_mean	61.097693
Profit_sd	101.708546
Profit_min	-638.000000
Profit_max	778.000000
SalesVar_mean	17.337806
ProfitVar_mean	0.184322

Hasil statistik deskriptif menunjukkan bahwa penjualan (Sales) memiliki nilai rata-rata yang cukup tinggi, namun dengan variasi yang besar antar transaksi. Hal ini terlihat dari standar deviasi yang tinggi serta rentang nilai yang cukup jauh antara penjualan terendah dan tertinggi.

Untuk profit, rata-ratanya lebih rendah dan tingkat penyebarannya bahkan lebih besar dibanding sales. Ini menunjukkan bahwa profit sangat fluktuatif, di mana terdapat transaksi yang menghasilkan keuntungan tinggi, tetapi juga terdapat transaksi yang mengalami kerugian cukup besar.

Selain itu, nilai rata-rata SalesVar yang positif menunjukkan bahwa secara umum penjualan sudah melampaui target yang ditetapkan. Namun, ProfitVar yang sangat kecil menunjukkan bahwa peningkatan penjualan tersebut tidak diikuti oleh peningkatan profit yang signifikan, sehingga kinerja profit cenderung tidak stabil.

VISUALISASI DATA

Visualisasi data dilakukan untuk memberikan gambaran yang lebih jelas mengenai hubungan antara penjualan (sales) dan keuntungan (profit).

library(ggplot2)

ggplot(data, aes(x = Sales, y = Profit)) +
  geom_point(alpha = 0.6, color = "#440E03") +
  labs(
    title = "Hubungan antara Sales dan Profit",
    x = "Sales",
    y = "Profit"
  ) +
  theme_minimal()

Berdasarkan hasil visualisasi, terlihat bahwa terdapat kecenderungan hubungan positif antara penjualan (sales) dan profit. Namun, hubungan tersebut tidak bersifat linear sempurna, karena terdapat variasi yang cukup besar pada nilai profit untuk tingkat penjualan yang sama. Selain itu, ditemukan sejumlah observasi dengan nilai profit negatif, bahkan pada tingkat penjualan yang relatif tinggi. Hal ini menunjukkan bahwa peningkatan penjualan tidak selalu diikuti oleh peningkatan keuntungan, dan dalam beberapa kasus justru menghasilkan kerugian.

Pola sebaran data yang semakin melebar pada nilai penjualan yang tinggi mengindikasikan adanya ketidakkonsistenan dalam efisiensi operasional. Kondisi ini memperlihatkan bahwa faktor biaya, seperti COGS dan pemasaran, berperan penting dalam menentukan profitabilitas.

STATISTIK UJI

Analisis Kuadran

library(ggplot2)
library(dplyr)

# hitung rata-rata sebagai garis pembagi
mean_sales_var <- mean(data$Sales_Variance)
mean_profit_var <- mean(data$Profit_Variance)

ggplot(data, aes(x = Sales_Variance, y = Profit_Variance)) +
  geom_point(alpha = 0.6, color = "#FF6DC1") +
  
  # garis pembagi
  geom_vline(xintercept = mean_sales_var, linetype = "dashed", color = "#440E03") +
  geom_hline(yintercept = mean_profit_var, linetype = "dashed", color = "#440E03") +
  
  labs(
    title = "Analisis Kuadran: Sales Variance vs Profit Variance",
    x = "Sales Variance",
    y = "Profit Variance"
  ) +
  theme_minimal()

Berdasarkan hasil analisis kuadran, terlihat bahwa sebagian besar data berada di sekitar titik pusat, yang menunjukkan bahwa kinerja penjualan dan profit relatif mendekati target. Namun, pada kuadran dengan nilai sales variance positif dan profit variance negatif. Kondisi ini menunjukkan bahwa meskipun penjualan berhasil melampaui target, profit yang dihasilkan justru tidak memenuhi target, bahkan dalam beberapa kasus mengalami penurunan. Hal ini mengindikasikan adanya inefisiensi, kemungkinan disebabkan oleh tingginya biaya operasional atau strategi pemasaran yang kurang optimal.

Selain itu, terdapat pula observasi dengan nilai profit variance yang sangat rendah meskipun sales variance berada di sekitar nol, yang menunjukkan bahwa pencapaian target penjualan tidak menjamin stabilitas profit. Hal ini memperkuat dugaan bahwa faktor biaya memiliki peran signifikan dalam menentukan profitabilitas.

Uji Wilcoxon Signed-Rank

Uji Wilcoxon Signed-Rank digunakan untuk menguji apakah terdapat perbedaan yang signifikan antara sales variance dan profit variance. Uji ini bersifat non-parametrik sehingga tidak memerlukan asumsi distribusi normal.

Berdasarkan hasil visualisasi data, terlihat bahwa sebaran data tidak menunjukkan pola yang simetris dan cenderung memiliki penyebaran yang tidak merata. Oleh karena itu, digunakan uji non-parametrik Wilcoxon Signed-Rank yang tidak memerlukan asumsi normalitas.

1. Hipotesis

H0: Tidak terdapat perbedaan antara sales variance dan profit variance
H1: Terdapat perbedaan antara sales variance dan profit variance

2. Taraf Signifikansi

α = 0,05 (5%)

3. Daerah kritis

H0 ditolak jika p-value < 0,05

4. Statistik uji

wilcox_result <- wilcox.test(
  data$Sales_Variance, 
  data$Profit_Variance, 
  paired = TRUE
)

median_sales_var <- median(data$Sales_Variance)
median_profit_var <- median(data$Profit_Variance)

wilcox_result

## 
##  Wilcoxon signed rank test with continuity correction
## 
## data:  data$Sales_Variance and data$Profit_Variance
## V = 7276690, p-value < 2.2e-16
## alternative hypothesis: true location shift is not equal to 0

median_sales_var

## [1] 16

median_profit_var

## [1] -4

5. Kesimpulan

Berdasarkan hasil uji Wilcoxon Signed-Rank, diperoleh nilai p-value < 2,2 × 10⁻¹⁶, yang jauh lebih kecil dari tingkat signifikansi 0,05. Sehingga, H0 ditolak yang artinya terdapat perbedaan yang signifikan antara sales variance dan profit variance.

Dari hasil tersebut juga didapatkan nilai median sales variance sebesar 16, sedangkan profit variance sebesar -4. Hal ini mengindikasikan bahwa secara umum penjualan cenderung melampaui target, sementara profit justru berada di bawah target.

Korelasi Spearman

Korelasi digunakan untuk melihat kekuatan dan arah hubungan antara dua variabel numerik. Analisis korelasi yang digunakan adalah korelasi Spearman, karena data memiliki distribusi yang tidak normal dan tidak simetris.

library(corrplot)

## Warning: package 'corrplot' was built under R version 4.5.2

## corrplot 0.95 loaded

num <- data[, c("Sales","Profit","COGS","Marketing")]
cor_mat <- cor(num, method = "spearman")

corrplot(
  cor_mat,
  method = "color",
  type = "lower",
  addCoef.col = "#440E03",
  tl.col = "#FD5EC0",
  tl.srt = 0,
  col = colorRampPalette(c("#FFE4EC", "#FFB6C1", "#FF91CE", "#FC3DB3"))(200),
  number.cex = 0.9,
  tl.cex = 1.1,
  mar = c(0,0,1,0)
)

Berdasarkan heatmap, seluruh variabel menunjukkan hubungan positif, yang berarti peningkatan pada satu variabel cenderung diikuti peningkatan variabel lainnya. Secara keseluruhan, variabel yang memiliki hubungan paling kuat dengan Profit adalah Sales, diikuti COGS, dan Marketing. Hasil ini menunjukkan bahwa peningkatan penjualan berperan besar terhadap profitabilitas, namun biaya produksi dan pemasaran juga tetap perlu dikelola agar keuntungan yang diperoleh lebih optimal.

Regresi Linear Berganda

Regresi linear berganda digunakan untuk menganalisis pengaruh beberapa variabel independen terhadap satu variabel dependen secara simultan. Dalam kasus ini, analisis regresi digunakan untuk mengetahui pengaruh Sales, COGS, dan Marketing terhadap Profit pada Coffee Chain. Metode ini dipilih karena profitabilitas perusahaan tidak hanya dipengaruhi oleh penjualan, tetapi juga oleh biaya barang terjual serta biaya pemasaran. Melalui analisis ini, dapat diketahui variabel mana yang berpengaruh signifikan terhadap profit serta seberapa besar kontribusinya.

model <- lm(Profit ~ Sales + COGS + Marketing, data=data)
summary(model)

## 
## Call:
## lm(formula = Profit ~ Sales + COGS + Marketing, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -123.137  -11.828   -0.518    9.241  101.270 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -22.801081   0.521941  -43.69   <2e-16 ***
## Sales         1.193813   0.004503  265.12   <2e-16 ***
## COGS         -1.195341   0.012388  -96.49   <2e-16 ***
## Marketing    -1.461141   0.020260  -72.12   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 20.48 on 4244 degrees of freedom
## Multiple R-squared:  0.9595, Adjusted R-squared:  0.9595 
## F-statistic: 3.351e+04 on 3 and 4244 DF,  p-value: < 2.2e-16

Berdasarkan analisis, diperoleh model:

\[ Profit=-22,801 + 1,194(Sales) - 1,195(COGS) - 1,461(Marketing) \]

Artinya, Sales berpengaruh positif terhadap Profit, sedangkan COGS dan Marketing berpengaruh negatif.

1. Uji Simultan (Uji F)

Nilai p-value = <2,2 × 10⁻¹⁶ < 0,05, sehingga dapat disimpulkan bahwa Sales, COGS, dan Marketing secara bersama-sama berpengaruh signifikan terhadap Profit.

2. Uji Parsial (Uji t)

Pada uji t, semua variabel memiliki p-value < 0,05 yang artinya masing-masing variabel berpengaruh signifikan terhadap profit. Dimana :

Sales (1,194) : meningkatkan profit
COGS (-1,195) : menurunkan profit
Marketing (-1,461) : menurunkan profit

3. Kesimpulan

Profit meningkat seiring kenaikan penjualan, tetapi tingginya biaya barang terjual dan pemasaran dapat menekan keuntungan. Hal ini menunjukkan bahwa penjualan tinggi belum tentu menghasilkan profit besar jika biaya tidak dikelola dengan baik.

Analisis per Kategori Produk

library(ggplot2)
produk_summary <- data %>%
  group_by(`Product Type`) %>%
  summarise(
    Rata_Sales = mean(Sales),
    Rata_Profit = mean(Profit)
  )

produk_summary

## # A tibble: 4 × 3
##   `Product Type` Rata_Sales Rata_Profit
##   <chr>               <dbl>       <dbl>
## 1 Coffee               205.        70.7
## 2 Espresso             190.        58.4
## 3 Herbal Tea           196.        59.9
## 4 Tea                  180.        55.2

ggplot(produk_summary, aes(x = `Product Type`, y = Rata_Profit, fill = `Product Type`)) +
  geom_col() +
  geom_text(aes(label = round(Rata_Profit, 1)),
            vjust = -0.4, size = 4, color = "#440E03") +
  labs(
    title = "Rata-rata Profit per Kategori Produk",
    x = "Kategori Produk",
    y = "Rata-rata Profit"
  ) +
  theme_minimal() +
  scale_fill_manual(values = c("#FFB6C1", "#FEB9E3","#FD8BD2", "#FF69B4" )) +
  theme(legend.position = "none")

Berdasarkan hasil analisis, Coffee memiliki rata-rata profit tertinggi (70,7) sehingga menjadi kategori paling menguntungkan. Herbal Tea (59,9) dan Espresso (58,4) berada di tingkat menengah dengan kontribusi profit yang cukup stabil. Sementara itu, Tea memiliki rata-rata profit terendah (55,1) sehingga memberikan kontribusi keuntungan paling kecil dibandingkan kategori lainnya. Secara keseluruhan, produk Coffee menjadi yang paling dominan dalam menghasilkan profit perusahaan.

PENUTUP

Kesimpulan

Berdasarkan hasil analisis yang telah dilakukan terhadap dataset Coffee Chain, ditemukan bahwa terdapat kesenjangan yang signifikan antara kinerja penjualan dan profitabilitas. Hal ini terlihat melalui uji Wilcoxon Signed-Rank dengan p-value < 2,2 × 10⁻¹⁶, di mana median sales variance bernilai positif (+16) sementara median profit variance bernilai negatif (−4). Kondisi ini mengindikasikan bahwa secara umum penjualan berhasil melampaui target, namun profit justru berada di bawah target yang telah ditetapkan.

Hasil analisis kuadran juga menunjukkan bahwa terdapat beberapa kasus ketika penjualan meningkat (positif), tetapi profit justru menurun (negatif). Hal ini membuktikan bahwa penjualan yang tinggi tidak selalu menghasilkan keuntungan yang tinggi.

Selain itu, hasil analisis korelasi Spearman menunjukkan bahwa Sales memiliki hubungan positif yang paling kuat terhadap Profit. Namun, biaya COGS dan Marketing yang tinggi dapat menurunkan profit perusahaan. Hal ini semakin diperkuat oleh hasil regresi linear berganda, di mana Sales terbukti berpengaruh positif terhadap Profit, sedangkan COGS dan Marketing berpengaruh negatif secara signifikan baik secara simultan maupun parsial

Berdasarkan kategori produk, Coffee memiliki rata-rata profit tertinggi sehingga menjadi produk yang paling menguntungkan. Sementara itu, tea berada di posisi terendah dengan kontribusi profit paling kecil dibandingkan kategori lainnya.

Saran

Berdasarkan analisis yang telah dilakukan, perusahaan disarankan untuk lebih memperhatikan pengendalian biaya produksi, terutama pada kategori Tea yang mencatat profit paling rendah, karena peningkatan penjualan tanpa diimbangi efisiensi biaya tidak akan menghasilkan keuntungan yang optimal.

Selain itu, pengeluaran untuk marketing perlu dievaluasi secara rutin, karena terbukti dapat menurunkan profit jika tidak tepat sasaran. Anggaran marketing sebaiknya difokuskan pada produk dan wilayah yang memberikan keuntungan lebih tinggi.

Secara keseluruhan, kesenjangan antara sales variance dan profit variance yang ditemukan dalam analisis ini dapat dijadikan sinyal awal bagi manajemen untuk melakukan evaluasi strategi operasional secara lebih menyeluruh dan berbasis data.

Laku Keras, Untung Tipis: Analisis Kesenjangan Antara Kinerja Penjualan dan Profitabilitas pada Coffee Chain

Septi Choirunnisa - M0724078