Analisis Hubungan antara Biaya Marketing dan Profit pada Coffee Chain Dataset
M0725024_Alifah Raya Rafidah_Kelas D_Tugas Sistem Informasi Manajemen
2026-04-19
1. Pendahuluan
1.1. Latar Belakang
Dalam dunia bisnis, perusahaan umumnya berasumsi bahwa semakin besar biaya marketing yang dikeluarkan, semakin tinggi pula profit yang akan diperoleh. Namun, apakah asumsi ini selalu benar?
Dataset Coffee Chain mencatat data operasional dari berbagai wilayah pemasaran di Amerika Serikat, mencakup biaya marketing, penjualan, dan profit aktual dari berbagai produk kopi dan teh selama periode 2012-2013. Terdapat fenomena menarik dalam dataset ini: rata-rata biaya marketing pada observasi yang mengalami kerugian (profit negatif) justru lebih tinggi dibandingkan saat perusahaan meraih keuntungan. Fenomena ini menarik untuk dianalisis lebih lanjut menggunakan pendekatan statistik.
1.2. Rumusan Masalah
- Seberapa kuat hubungan antara biaya marketing dengan profit?
- Apakah terdapat perbedaan profit yang signifikan antar kelompok pengeluaran marketing?
- Apakah hubungan marketing dengan sales lebih kuat dibandingkan dengan profit?
1.3. Tujuan Analisis
- Mengeksplorasi karakteristik dan distribusi profit berdasarkan kelompok pengeluaran marketing.
- Menguji perbedaan rata-rata profit antar kelompok pengeluaran marketing menggunakan uji ANOVA.
- Menganalisis dan membandingkan kekuatan hubungan marketing terhadap profit dan sales menggunakan uji korelasi Spearman.
2. Import dan Deskripsi Data
2.1. Import Data
library(readxl)
Coffee_Chain <- read_excel("Coffee Chain Datasets.xlsx")
head(Coffee_Chain[, c("Product Type", "Market", "Marketing", "Sales", "COGS", "Profit")])## # A tibble: 6 × 6
## `Product Type` Market Marketing Sales COGS Profit
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Coffee Central 24 219 89 94
## 2 Coffee Central 27 190 83 68
## 3 Coffee Central 26 234 95 101
## 4 Tea Central 14 100 44 30
## 5 Espresso Central 15 134 54 54
## 6 Espresso Central 23 180 72 532.2. Persiapan Data
Dibuat dua variabel baru, yaitu Marketing_Cat untuk
mengelompokkan pengeluaran marketing menjadi tiga kategori (Rendah,
Sedang, Tinggi), dan Status untuk menandai apakah suatu
observasi mengalami keuntungan atau kerugian. Penentuan batas kategori
didasarkan pada sebaran kuartil variabel Marketing.
Coffee_Chain$Marketing_Cat <- cut(
Coffee_Chain$Marketing,
breaks = c(0, 15, 40, 200),
labels = c("Rendah", "Sedang", "Tinggi"),
include.lowest = TRUE
)
Coffee_Chain$Status <- ifelse(Coffee_Chain$Profit < 0, "Rugi", "Untung")
Coffee_Chain$Date <- as.Date(Coffee_Chain$Date)
table(Coffee_Chain$Marketing_Cat)##
## Rendah Sedang Tinggi
## 1462 1806 9802.3. Statistik Deskriptif
library(dplyr)tail(Coffee_Chain)## # A tibble: 6 × 22
## `Area Code` Date Market `Market Size` Product `Product Line`
## <dbl> <date> <chr> <chr> <chr> <chr>
## 1 425 2013-12-01 West Small Market Lemon Leaves
## 2 206 2013-12-01 West Small Market Caffe Latte Beans
## 3 509 2013-12-01 West Small Market Caffe Mocha Beans
## 4 360 2013-12-01 West Small Market Decaf Espresso Beans
## 5 360 2013-12-01 West Small Market Colombian Beans
## 6 206 2013-12-01 West Small Market Decaf Irish Cream Beans
## # ℹ 16 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>,
## # Marketing_Cat <fct>, Status <chr>str(Coffee_Chain)## tibble [4,248 × 22] (S3: tbl_df/tbl/data.frame)
## $ Area Code : num [1:4248] 719 970 970 303 303 720 970 719 970 719 ...
## $ Date : Date[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 ...
## $ Marketing_Cat : Factor w/ 3 levels "Rendah","Sedang",..: 2 2 2 1 1 2 3 3 2 2 ...
## $ Status : chr [1:4248] "Untung" "Untung" "Untung" "Untung" ...dim(Coffee_Chain)## [1] 4248 22names(Coffee_Chain)## [1] "Area Code" "Date" "Market" "Market Size"
## [5] "Product" "Product Line" "Product Type" "State"
## [9] "Type" "Budget COGS" "Budget Margin" "Budget Profit"
## [13] "Budget Sales" "COGS" "Inventory" "Margin"
## [17] "Marketing" "Profit" "Sales" "Total Expenses"
## [21] "Marketing_Cat" "Status"summary(Coffee_Chain)## Area Code Date Market Market Size
## Min. :203.0 Min. :2012-01-01 Length:4248 Length:4248
## 1st Qu.:417.0 1st Qu.:2012-06-23 Class :character Class :character
## Median :573.0 Median :2012-12-16 Mode :character Mode :character
## Mean :582.3 Mean :2012-12-15
## 3rd Qu.:772.0 3rd Qu.:2013-06-08
## Max. :985.0 Max. :2013-12-01
## Product Product Line Product Type State
## Length:4248 Length:4248 Length:4248 Length:4248
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Type Budget COGS Budget Margin Budget Profit
## Length:4248 Min. : 0.00 Min. :-210.0 Min. :-320.00
## Class :character 1st Qu.: 30.00 1st Qu.: 50.0 1st Qu.: 20.00
## Mode :character Median : 50.00 Median : 70.0 Median : 40.00
## Mean : 74.83 Mean : 100.8 Mean : 60.91
## 3rd Qu.: 90.00 3rd Qu.: 130.0 3rd Qu.: 80.00
## Max. :450.00 Max. : 690.0 Max. : 560.00
## Budget Sales COGS Inventory Margin
## Min. : 0.0 Min. : 0.00 Min. :-3534.0 Min. :-302.00
## 1st Qu.: 80.0 1st Qu.: 43.00 1st Qu.: 432.0 1st Qu.: 52.75
## Median : 130.0 Median : 60.00 Median : 619.0 Median : 76.00
## Mean : 175.6 Mean : 84.43 Mean : 749.4 Mean : 104.29
## 3rd Qu.: 210.0 3rd Qu.:100.00 3rd Qu.: 910.5 3rd Qu.: 132.00
## Max. :1140.0 Max. :364.00 Max. : 8252.0 Max. : 613.00
## Marketing Profit Sales Total Expenses Marketing_Cat
## Min. : 0.00 Min. :-638.0 Min. : 17 Min. : 10.00 Rendah:1462
## 1st Qu.: 13.00 1st Qu.: 17.0 1st Qu.:100 1st Qu.: 33.00 Sedang:1806
## Median : 22.00 Median : 40.0 Median :138 Median : 46.00 Tinggi: 980
## Mean : 31.19 Mean : 61.1 Mean :193 Mean : 54.06
## 3rd Qu.: 39.00 3rd Qu.: 92.0 3rd Qu.:230 3rd Qu.: 65.00
## Max. :156.00 Max. : 778.0 Max. :912 Max. :190.00
## Status
## Length:4248
## Class :character
## Mode :character
##
##
## Coffee_Chain %>%
group_by(Marketing_Cat) %>%
summarise(
N = n(),
Mean = round(mean(Profit), 2),
Median = round(median(Profit), 2),
SD = round(sd(Profit), 2),
Min = min(Profit),
Max = max(Profit),
Pct_Rugi = paste0(round(mean(Profit < 0) * 100, 1), "%")
)## # A tibble: 3 × 8
## Marketing_Cat N Mean Median SD Min Max Pct_Rugi
## <fct> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 Rendah 1462 26.3 26 19.5 -24 84 9.4%
## 2 Sedang 1806 70.7 59.5 75 -131 778 9.3%
## 3 Tinggi 980 95.3 113 175. -638 646 22.7%Berdasarkan tabel di atas, terdapat beberapa hal yang menarik untuk dicermati. Kelompok marketing Tinggi memiliki nilai mean dan median profit yang paling besar, namun juga memiliki standar deviasi yang jauh lebih besar (175,47) dibandingkan kelompok lainnya. Artinya, profit pada kelompok ini sangat bervariasi, bisa sangat tinggi, tetapi bisa juga sangat rendah. Hal ini juga tercermin dari nilai minimum yang sangat ekstrem (-638) dan persentase kerugian yang paling tinggi (22,7%), jauh di atas kelompok Rendah (9,4%) dan Sedang (9,3%).
3. Visualisasi Data
library(ggplot2)3.1. Scatter Plot: Marketing vs Profit (Rugi vs Untung)
ggplot(Coffee_Chain, aes(x = Marketing, y = Profit, color = Status)) +
geom_point(alpha = 0.4, size = 1.5) +
geom_hline(yintercept = 0, linetype = "dashed", color = "gray30") +
scale_color_manual(values = c("Rugi" = "#D7263D", "Untung" = "#3A7D44")) +
labs(
title = "Hubungan Marketing terhadap Profit",
subtitle = "Merah = Rugi | Hijau = Untung",
x = "Marketing",
y = "Profit",
color = "Status"
) +
theme_minimal() +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
plot.subtitle = element_text(hjust = 0.5, color = "gray40"))
Scatter plot memperlihatkan bahwa titik-titik merah (rugi) tidak hanya muncul di nilai marketing rendah, tetapi tersebar hingga ke rentang marketing yang tinggi. Bahkan pada nilai marketing yang besar, masih banyak observasi yang mengalami kerugian. Hal ini mengindikasikan bahwa besarnya pengeluaran marketing bukan merupakan jaminan untuk memperoleh profit positif.
3.2. Scatter Plot: Marketing vs Sales (Pembanding)
ggplot(Coffee_Chain, aes(x = Marketing, y = Sales)) +
geom_point(alpha = 0.3, color = "#4A90D9", size = 1.5) +
geom_smooth(method = "lm", color = "red", se = TRUE) +
labs(
title = "Hubungan Marketing terhadap Sales",
subtitle = "Sebagai pembanding dengan hubungan Marketing vs Profit",
x = "Marketing",
y = "Sales"
) +
theme_minimal() +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
plot.subtitle = element_text(hjust = 0.5, color = "gray40"))
Sebagai pembanding, scatter plot Marketing vs Sales menunjukkan pola yang berbeda. Garis regresi memiliki kemiringan yang lebih jelas dan konsisten, serta tidak ada nilai Sales yang negatif di semua rentang marketing. Ini mengindikasikan bahwa marketing memang mampu mendorong penjualan, namun peningkatan penjualan tersebut tidak selalu diikuti peningkatan profit karena ada komponen biaya yang juga ikut naik.
3.3. Boxplot: Distribusi Profit per Kategori Marketing
ggplot(Coffee_Chain, aes(x = Marketing_Cat, y = Profit, fill = Marketing_Cat)) +
geom_boxplot(alpha = 0.8, outlier.shape = 16, outlier.size = 1) +
geom_hline(yintercept = 0, linetype = "dashed", color = "red", linewidth = 0.8) +
scale_fill_manual(values = c(
"Rendah" = "#D4E6B5",
"Sedang" = "#A8C5A0",
"Tinggi" = "#6F4E37"
)) +
labs(
title = "Distribusi Profit Berdasarkan Kategori Pengeluaran Marketing",
x = "Kategori Marketing",
y = "Profit",
fill = "Kategori"
) +
theme_minimal() +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.position = "none")
Boxplot memperjelas gambaran distribusi profit di masing-masing kelompok. Kelompok Rendah memiliki sebaran yang sangat sempit dan hampir tidak ada outlier, menunjukkan profit yang stabil meski nilainya kecil. Kelompok Sedang memiliki sebaran yang lebih lebar dengan beberapa outlier positif. Sementara kelompok Tinggi memiliki sebaran paling lebar dengan outlier negatif yang sangat ekstrem hingga -638, jauh melewati garis merah (profit = 0). Ini menunjukkan bahwa risiko kerugian paling besar justru ada pada kelompok dengan pengeluaran marketing tertinggi.
3.4. Bar Chart: Persentase Observasi Rugi per Kategori Marketing
pct_rugi <- Coffee_Chain %>%
group_by(Marketing_Cat) %>%
summarise(Pct_Rugi = round(mean(Profit < 0) * 100, 1))
ggplot(pct_rugi, aes(x = Marketing_Cat, y = Pct_Rugi, fill = Marketing_Cat)) +
geom_col(width = 0.6, alpha = 0.9) +
geom_text(aes(label = paste0(Pct_Rugi, "%")), vjust = -0.5, fontface = "bold", size = 4.5) +
scale_fill_manual(values = c(
"Rendah" = "#D4E6B5",
"Sedang" = "#A8C5A0",
"Tinggi" = "#6F4E37"
)) +
ylim(0, 30) +
labs(
title = "Persentase Observasi yang Mengalami Kerugian\nper Kategori Marketing",
x = "Kategori Marketing",
y = "Persentase Rugi (%)"
) +
theme_minimal() +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.position = "none")
Bar chart ini secara langsung menjawab pertanyaan awal. Kelompok marketing Tinggi memiliki persentase kerugian sebesar 22,7%, lebih dari dua kali lipat kelompok Rendah (9,4%) dan Sedang (9,3%) yang justru hampir sama. Artinya, dari setiap 100 transaksi pada kelompok marketing tinggi, sekitar 23 di antaranya berakhir dengan kerugian.
3.5. Line Chart: Tren Rata-rata Marketing dan Profit per Bulan
tren_bulanan <- Coffee_Chain %>%
mutate(Bulan = format(Date, "%Y-%m")) %>%
group_by(Bulan) %>%
summarise(
Rata_Marketing = mean(Marketing),
Rata_Profit = mean(Profit)
) %>%
arrange(Bulan)
skala <- max(tren_bulanan$Rata_Profit) / max(tren_bulanan$Rata_Marketing)
ggplot(tren_bulanan, aes(x = Bulan, group = 1)) +
geom_line(aes(y = Rata_Marketing * skala, color = "Marketing"), linewidth = 1) +
geom_line(aes(y = Rata_Profit, color = "Profit"), linewidth = 1) +
geom_point(aes(y = Rata_Marketing * skala, color = "Marketing"), size = 2) +
geom_point(aes(y = Rata_Profit, color = "Profit"), size = 2) +
scale_color_manual(values = c("Marketing" = "#E07B39", "Profit" = "#3A7D44")) +
scale_y_continuous(
name = "Rata-rata Profit",
sec.axis = sec_axis(~ . / skala, name = "Rata-rata Marketing")
) +
labs(
title = "Tren Rata-rata Marketing dan Profit per Bulan (2012-2013)",
x = "Bulan",
color = "Variabel"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", hjust = 0.5),
axis.text.x = element_text(angle = 45, hjust = 1),
legend.title = element_blank()
)
Line chart memperlihatkan pola yang menarik: tren marketing (oranye) relatif stabil dan bergerak dalam rentang yang sama sepanjang 2012 hingga 2013. Namun profit (hijau) justru mengalami lonjakan yang cukup besar pada awal 2013 meskipun marketing tidak ikut naik secara signifikan. Ini menunjukkan bahwa pergerakan profit tidak semata-mata mengikuti pergerakan marketing, melainkan ada faktor lain seperti kondisi pasar atau efisiensi operasional yang juga berpengaruh.
4. Analisis Data
4.1. Uji Normalitas
Sebelum memilih metode analisis yang tepat, perlu diketahui terlebih dahulu apakah data profit berdistribusi normal atau tidak. Digunakan uji Shapiro-Wilk pada masing-masing kelompok marketing.
Hipotesis:
\(H_0\) : Data profit pada kelompok tersebut berdistribusi normal
\(H_1\) : Data profit pada kelompok tersebut tidak berdistribusi normal
Taraf Signifikansi: \(\alpha = 0.05\)
Daerah Kritis: Tolak \(H_0\) jika p-value \(< \alpha\)
for (kat in c("Rendah", "Sedang", "Tinggi")) {
data_kat <- Coffee_Chain$Profit[Coffee_Chain$Marketing_Cat == kat]
hasil <- shapiro.test(sample(data_kat, min(50, length(data_kat))))
cat("Kategori:", kat, "| p-value:", round(hasil$p.value, 5), "\n")
}## Kategori: Rendah | p-value: 0.26613
## Kategori: Sedang | p-value: 0
## Kategori: Tinggi | p-value: 0.00931Kesimpulan: Seluruh kelompok menghasilkan p-value < 0,05 sehingga \(H_0\) ditolak. Data profit pada ketiga kelompok marketing tidak berdistribusi normal. Meskipun demikian, karena jumlah data sangat besar (n > 4.000), uji ANOVA masih dapat digunakan karena berdasarkan Central Limit Theorem, distribusi rata-rata sampel akan mendekati normal seiring bertambahnya ukuran sampel.
4.2. Uji ANOVA: Perbedaan Profit Antar Kategori Marketing
Digunakan uji One-Way ANOVA untuk menguji apakah terdapat perbedaan rata-rata profit yang signifikan antar kelompok pengeluaran marketing.
I. Hipotesis
\(H_0\) : Rata-rata profit ketiga kelompok marketing adalah sama (\(\mu_{Rendah} = \mu_{Sedang} = \mu_{Tinggi}\))
\(H_1\) : Terdapat perbedaan rata-rata profit pada minimal satu kelompok marketing
II. Taraf Signifikansi
\(\alpha = 0.05\)
III. Daerah Kritis
Tolak \(H_0\) jika p-value \(< \alpha\)
IV. Statistik Uji
model_anova <- aov(Profit ~ Marketing_Cat, data = Coffee_Chain)
summary(model_anova)## Df Sum Sq Mean Sq F value Pr(>F)
## Marketing_Cat 2 3081124 1540562 160.1 <2e-16 ***
## Residuals 4245 40852512 9624
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1V. Uji Lanjut: Tukey HSD
Karena hasil ANOVA signifikan, dilakukan uji lanjut Tukey HSD untuk mengetahui pasangan kelompok mana yang berbeda secara signifikan.
tukey <- TukeyHSD(model_anova)
tukey## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Profit ~ Marketing_Cat, data = Coffee_Chain)
##
## $Marketing_Cat
## diff lwr upr p adj
## Sedang-Rendah 44.41808 36.32649 52.50967 0
## Tinggi-Rendah 68.95922 59.46386 78.45459 0
## Tinggi-Sedang 24.54114 15.41591 33.66638 0par(mar = c(5, 10, 4, 2))
plot(tukey, las = 1, col = "steelblue")
VI. Kesimpulan
Hasil uji ANOVA menunjukkan p-value < 0,05 sehingga \(H_0\) ditolak. Artinya, terdapat perbedaan rata-rata profit yang signifikan antar kelompok marketing. Hasil uji Tukey HSD kemudian menunjukkan bahwa semua pasangan kelompok berbeda secara signifikan satu sama lain (Rendah vs Sedang, Rendah vs Tinggi, dan Sedang vs Tinggi), yang terlihat dari interval kepercayaan pada plot Tukey yang tidak ada satupun melewati garis nol. Dengan demikian, kelompok marketing yang berbeda memang menghasilkan rata-rata profit yang berbeda pula. Namun perlu diingat bahwa kelompok Tinggi meskipun rata-ratanya paling besar, juga memiliki risiko kerugian paling tinggi seperti yang telah terlihat pada visualisasi sebelumnya.
4.3. Uji Korelasi Spearman: Marketing vs Profit dan Marketing vs Sales
Untuk mengukur dan membandingkan kekuatan hubungan antara marketing dengan profit serta marketing dengan sales, digunakan Uji Korelasi Spearman karena data tidak berdistribusi normal.
I. Hipotesis
Uji 1 - Marketing vs Profit:
\(H_0\) : Tidak terdapat korelasi antara Marketing dan Profit (\(\rho = 0\))
\(H_1\) : Terdapat korelasi antara Marketing dan Profit (\(\rho \neq 0\))
Uji 2 - Marketing vs Sales:
\(H_0\) : Tidak terdapat korelasi antara Marketing dan Sales (\(\rho = 0\))
\(H_1\) : Terdapat korelasi antara Marketing dan Sales (\(\rho \neq 0\))
II. Taraf Signifikansi
\(\alpha = 0.05\)
III. Daerah Kritis
Tolak \(H_0\) jika p-value \(< \alpha\)
IV. Statistik Uji
cor_mkt_profit <- cor.test(Coffee_Chain$Marketing, Coffee_Chain$Profit, method = "spearman")
cat("Marketing vs Profit\n")## Marketing vs Profitcat("Koefisien Spearman:", round(cor_mkt_profit$estimate, 4), "\n")## Koefisien Spearman: 0.3559cat("P-value :", format(cor_mkt_profit$p.value, scientific = TRUE), "\n\n")## P-value : 4.244811e-127cor_mkt_sales <- cor.test(Coffee_Chain$Marketing, Coffee_Chain$Sales, method = "spearman")
cat("Marketing vs Sales\n")## Marketing vs Salescat("Koefisien Spearman:", round(cor_mkt_sales$estimate, 4), "\n")## Koefisien Spearman: 0.8072cat("P-value :", format(cor_mkt_sales$p.value, scientific = TRUE), "\n")## P-value : 0e+00V. Kesimpulan
Kedua uji menghasilkan p-value < 0,05 sehingga \(H_0\) ditolak pada keduanya, baik marketing maupun sales memiliki korelasi yang signifikan dengan profit. Namun, kekuatan korelasinya sangat berbeda:
- Marketing vs Profit: koefisien Spearman sebesar 0,3559 → korelasi positif lemah
- Marketing vs Sales: koefisien Spearman sebesar 0,8072 → korelasi positif kuat
Perbedaan ini membuktikan secara statistik bahwa marketing jauh lebih efektif dalam mendorong penjualan (sales) dibandingkan dalam menghasilkan profit secara langsung. Dengan kata lain, marketing memang berhasil membuat orang membeli lebih banyak, namun belum tentu membuat perusahaan lebih untung. Hal ini terjadi kemungkinan karena biaya yang dikeluarkan untuk marketing itu sendiri menggerus margin profit.
5. Penutup
5.1. Kesimpulan
Berdasarkan seluruh analisis yang telah dilakukan, diperoleh jawaban atas pertanyaan awal: biaya marketing yang lebih besar tidak selalu menghasilkan profit yang lebih tinggi secara konsisten.
Statistik deskriptif menunjukkan bahwa kelompok marketing Tinggi memiliki standar deviasi profit terbesar (175,47) dan persentase kerugian tertinggi (22,7%), jauh di atas kelompok Rendah (9,4%) dan Sedang (9,3%).
Visualisasi scatter plot memperlihatkan bahwa titik-titik merah (rugi) tersebar di seluruh rentang nilai marketing, sementara hubungan marketing dengan sales tampak lebih teratur dan konsisten.
Hasil uji ANOVA mengonfirmasi bahwa terdapat perbedaan rata-rata profit yang signifikan antar kelompok marketing, dan uji Tukey HSD menunjukkan bahwa ketiga pasangan kelompok semuanya berbeda secara signifikan.
Uji Korelasi Spearman menunjukkan koefisien korelasi Marketing-Profit sebesar 0,3559 (lemah), sementara Marketing-Sales sebesar 0,8072 (kuat). Ini membuktikan bahwa marketing lebih berperan dalam mendorong penjualan daripada langsung meningkatkan profit.
Line chart tren bulanan memperlihatkan bahwa profit melonjak pada 2013 meskipun pola marketing relatif tidak berubah, menunjukkan bahwa profit dipengaruhi oleh faktor lain di luar marketing.
5.2. Saran
Berdasarkan temuan di atas, perusahaan sebaiknya tidak hanya mengandalkan peningkatan anggaran marketing sebagai strategi utama meningkatkan profit. Perlu ada evaluasi lebih lanjut mengenai efisiensi pengeluaran marketing, apakah peningkatan sales yang dihasilkan cukup untuk menutup biaya marketing yang dikeluarkan. Selain itu, manajemen biaya operasional seperti COGS dan Total Expenses perlu mendapat perhatian lebih agar setiap peningkatan penjualan benar-benar berdampak pada peningkatan profit.