Pendahuluan

Dalam dunia bisnis ritel seperti Coffee Chain, analisis kinerja perusahaan menjadi hal yang penting untuk memastikan bahwa strategi yang dijalankan sudah sesuai dengan target yang ditetapkan. Perusahaan tidak hanya perlu melihat penjualan dan profit yang dihasilkan, tetapi juga membandingkannya dengan anggaran (budget) yang telah direncanakan.

Selain itu, faktor pemasaran (marketing) juga memiliki peran penting dalam mempengaruhi tingkat penjualan dan profit. Oleh karena itu, diperlukan analisis data untuk memahami hubungan antara penjualan, profit, budget, dan aktivitas marketing.

Penelitian ini bertujuan untuk: 1. Mengevaluasi kinerja penjualan dan profit Coffee Chain 2. Membandingkan realisasi dengan target (budget) perusahaan 3. Menganalisis pengaruh marketing terhadap profit

Deskripsi Dataset

Coffee Chain Performance Analysis ini dilakukan untuk mengevaluasi kinerja bisnis berdasarkan data penjualan, profit, dan anggaran (budget) perusahaan. Analisis ini bertujuan untuk memahami sejauh mana realisasi kinerja perusahaan sesuai dengan target yang telah ditetapkan, serta mengidentifikasi faktor-faktor yang memengaruhi profit.

Fokus utama dalam analisis ini meliputi perbandingan antara penjualan dan profit aktual terhadap budget, serta pengaruh aktivitas marketing terhadap profit perusahaan. Dengan pendekatan eksplorasi data dan analisis statistik sederhana, diharapkan dapat diperoleh insight yang berguna dalam pengambilan keputusan bisnis.

Melakukan load data terlebih dahulu

library(readxl)
## Warning: package 'readxl' was built under R version 4.5.3
data <- read_excel("C:/Users/Lenovo/Downloads/SIM/COFFEE.xlsx")
names(data)
##  [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"

Dataset Coffee Chain terdiri dari berbagai variabel yang merepresentasikan aspek operasional dan finansial perusahaan.

Variabel dalam dataset meliputi:

Variabel keuangan meliputi:

Selain itu terdapat variabel target (budget):

Secara keseluruhan, dataset ini memungkinkan analisis kinerja bisnis melalui perbandingan antara realisasi dan target, serta identifikasi faktor-faktor yang mempengaruhi profit.

Analisis Profit per Product

Analisis ini bertujuan untuk mengetahui distribusi total profit berdasarkan market dan jenis produk, sehingga dapat diidentifikasi segmen yang paling berkontribusi terhadap keuntungan perusahaan.

library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.5.2
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
data %>%
  group_by(`Product Type`) %>%
  summarise(total_profit = sum(Profit)) %>%
  ggplot(aes(x = `Product Type`, y = total_profit)) +
  geom_col() +
  theme_minimal() +
  labs(title = "Total Profit per Product Type")

Interpretasi grafik Total Profit per Product Type:

Profit tidak merata antar produk, di mana hanya beberapa jenis produk yang memberikan kontribusi besar terhadap total profit, sementara produk lainnya memberikan kontribusi yang lebih kecil. Coffee menghasilkan profit tertinggi, hal tersebut menandakan bahwa produk paling menguntungkan. Di posisi kedua ada Espresso. Herbal tea berada pada profit menengah dan tea memiliki kontribusi paling kecil dibanding yang lain.

Produk berbasis kopi (coffee & espresso) lebih profitable dibanding teh. Bisa jadi karena permintaan lebih tinggi, harga jual lebih tinggi, atau margin lebih besar. Jika fokus bisnis, coffee adalah produk utama, sedangkan tea mungkin perlu evaluasi (harga, promosi, atau biaya).

Distribusi Profit

Untuk melihat persebaran profit, dilakukan analisis untuk distribusi profit :

ggplot(data, aes(x = Profit)) +
  geom_histogram(bins = 30) +
  theme_minimal() +
  labs(title = "Distribusi Profit")

data %>%
  summarise(
    total_sales = sum(Sales),
    budget_sales = sum(`Budget Sales`),
    total_profit = sum(Profit),
    budget_profit = sum(`Budget Profit`)
  )
## # A tibble: 1 × 4
##   total_sales budget_sales total_profit budget_profit
##         <dbl>        <dbl>        <dbl>         <dbl>
## 1      819811       746160       259543        258760

Analisis Distribusi Profit

Distribusi profit menunjukkan bahwa sebagian besar transaksi menghasilkan keuntungan yang relatif kecil, dengan beberapa transaksi mengalami kerugian. Selain itu, terdapat sejumlah kecil transaksi dengan profit yang sangat tinggi, yang mengindikasikan bahwa profit perusahaan tidak terdistribusi secara merata.

Meskipun perusahaan berhasil meningkatkan penjualan melebihi target, profit yang dihasilkan tidak meningkat secara signifikan. Hal ini didukung oleh distribusi profit yang menunjukkan bahwa sebagian besar transaksi memberikan keuntungan rendah, serta adanya sejumlah transaksi yang merugi. Dengan demikian, peningkatan penjualan belum tentu mencerminkan peningkatan kinerja profit secara keseluruhan.

Hasil analisis menunjukkan bahwa perusahaan berhasil melampaui target penjualan, namun peningkatan tersebut tidak diikuti dengan peningkatan profit yang signifikan. Hal ini mengindikasikan adanya kemungkinan inefisiensi biaya atau rendahnya margin keuntungan.

Analisis Hubungan Marketing dan Profit

Pada bagian ini dilakukan analisis untuk melihat hubungan antara biaya marketing dan profit. Analisis ini bertujuan untuk mengetahui apakah peningkatan pengeluaran marketing berkontribusi terhadap peningkatan profit perusahaan.

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

model <- lm(Profit ~ Marketing, data = data)
summary(model)
## 
## Call:
## lm(formula = Profit ~ Marketing, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -769.37  -30.82   -7.97   33.00  728.94 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 34.63433    2.32197   14.92   <2e-16 ***
## Marketing    0.84859    0.05627   15.08   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 99.1 on 4246 degrees of freedom
## Multiple R-squared:  0.05083,    Adjusted R-squared:  0.05061 
## F-statistic: 227.4 on 1 and 4246 DF,  p-value: < 2.2e-16

Analisis Scatter Plot

Berdasarkan grafik scatter plot, terlihat bahwa terdapat kecenderungan hubungan positif antara biaya marketing dan profit, yang ditunjukkan oleh garis regresi yang menanjak. Hal ini mengindikasikan bahwa peningkatan pengeluaran marketing cenderung diikuti oleh peningkatan profit.

Namun, pada sebaran titik yang cukup luas menunjukkan bahwa hubungan tersebut tidak kuat. Hal ini berarti bahwa pada tingkat pengeluaran marketing yang sama, nilai profit dapat bervariasi secara signifikan. Dengan kata lain, peningkatan biaya marketing tidak selalu menghasilkan peningkatan profit yang konsisten.

Dengan demikian, dapat disimpulkan bahwa marketing memiliki pengaruh positif terhadap profit, namun bukan merupakan faktor utama. Faktor lain seperti biaya produksi (COGS), penjualan, dan jenis produk kemungkinan memiliki peran yang lebih dominan dalam menentukan profit perusahaan.

Analisis Hasil Regresi

Berdasarkan hasil analisis, model regresi linear sederhana yang diperoleh adalah:

Profit = 34.63 + 0.85 × Marketing

Model regresi tersebut menunjukkan bahwa terdapat hubungan positif antara variabel marketing dan profit. Nilai intercept sebesar 34.63 mengindikasikan bahwa ketika tidak terdapat pengeluaran untuk marketing (Marketing = 0), perusahaan masih memperoleh profit sebesar 34.63.

Koefisien variabel marketing sebesar 0.85 menunjukkan bahwa setiap peningkatan satu unit biaya marketing akan meningkatkan profit sebesar 0.85 unit, dengan asumsi faktor lain konstan. Nilai koefisien determinasi (R²) sebesar 0.0508 menunjukkan bahwa variabel marketing hanya mampu menjelaskan sekitar 5.08% variasi dalam profit. Hal ini mengindikasikan bahwa hubungan antara marketing dan profit tergolong lemah.

Untuk memperkuat hasil analisis regresi, dilakukan visualisasi menggunakan scatter plot yang menunjukkan pola hubungan antara marketing dan profit.

Analisis Regresi Linear Berganda

data %>%
  group_by(Market) %>%
  summarise(total_profit = sum(Profit)) %>%
  arrange(desc(total_profit))
## # A tibble: 4 × 2
##   Market  total_profit
##   <chr>          <dbl>
## 1 Central        93852
## 2 West           73996
## 3 East           59217
## 4 South          32478
data %>%
  group_by(`Product Type`) %>%
  summarise(total_profit = sum(Profit)) %>%
  arrange(desc(total_profit))
## # A tibble: 4 × 2
##   `Product Type` total_profit
##   <chr>                 <dbl>
## 1 Coffee                74683
## 2 Espresso              68620
## 3 Herbal Tea            63254
## 4 Tea                   52986
model2 <- lm(Profit ~ Marketing + COGS + Sales, data = data)
summary(model2)
## 
## Call:
## lm(formula = Profit ~ Marketing + COGS + Sales, 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 ***
## Marketing    -1.461141   0.020260  -72.12   <2e-16 ***
## COGS         -1.195341   0.012388  -96.49   <2e-16 ***
## Sales         1.193813   0.004503  265.12   <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

Interpretasi

Hasil analisis regresi linear menunjukkan hubungan antara Profit dengan tiga variabel penjelas yaitu Marketing, COGS, dan Sales. Model yang diperoleh adalah:

Profit = −22.80 − 1.46(Marketing) − 1.20(COGS) + 1.19(Sales)

Model regresi menunjukkan bahwa Profit dipengaruhi secara signifikan oleh Marketing, COGS, dan Sales dengan kemampuan penjelasan yang sangat tinggi (R² = 0.9595). Variabel sales (+1.19) berpengaruh positif terhadap profit, artinya semakin tinggi penjualan maka profit meningkat. Kemudian COGS (-1.20) berpengaruh negatif, artinya kenaikan biaya produksi menurunkan profit. Marketing (-1.46) juga berpengaruh negatif, menunjukkan bahwa peningkatan biaya marketing justru menurunkan profit. Perubahan arah koefisien Marketing menunjukkan adanya kemungkinan pengaruh variabel lain (Sales dan COGS) yang memengaruhi hubungan antara Marketing dan Profit.

Secara keseluruhan, model sangat baik dan signifikan, dengan Sales sebagai faktor paling dominan dalam meningkatkan profit.

Kesimpulan

Berdasarkan hasil analisis yang dilakukan pada data Coffee Chain, dapat disimpulkan bahwa kinerja profit perusahaan dipengaruhi oleh beberapa faktor utama, yaitu Sales, COGS, dan Marketing. Hasil regresi menunjukkan bahwa Sales memiliki pengaruh positif dan paling dominan terhadap profit, sehingga peningkatan penjualan berpengaruh langsung dalam meningkatkan keuntungan perusahaan. Sebaliknya, COGS berpengaruh negatif terhadap profit, yang berarti semakin tinggi biaya produksi maka profit akan menurun.

Sementara itu, Marketing menunjukkan hasil yang tidak konsisten, di mana pada regresi sederhana memiliki pengaruh positif, namun pada regresi berganda menjadi negatif. Hal ini mengindikasikan bahwa pengaruh marketing terhadap profit dipengaruhi oleh variabel lain seperti Sales dan COGS, sehingga efektivitas marketing perlu dievaluasi lebih lanjut.

Selain itu, hasil analisis juga menunjukkan bahwa pencapaian target penjualan tidak selalu diikuti oleh peningkatan profit secara sebanding, yang mengindikasikan adanya potensi inefisiensi biaya dalam operasional perusahaan. Secara keseluruhan, model regresi yang digunakan memiliki kemampuan yang sangat baik dalam menjelaskan variasi profit, sehingga dapat digunakan sebagai dasar dalam pengambilan keputusan bisnis, terutama dalam meningkatkan efisiensi biaya dan strategi penjualan.