Watermelon v.2.1 Applikasi Point Of Sales Toko Bahan Bangunan

1 Latar Belakang

Data transaksi penjualan sering kali tidak digunakan atau diolah lebih lanjut untuk melihat kondisi bisnis yang sedang berjalan dan juga untuk melakukan inovasi atau pengembangan kedepan.

Dengan data penjualan yang terbentuk dari applikasi Point Of Sales yang digunakan sehari - hari, kami mencoba menampilkan sebuah laporan dan melakukan proses pengolahan data untuk menghasilkan visualisasi penjualan dalam grafik.

2 Set Up

Setup awal untuk mengeset format chunk pada markdown

options(scipen = 999)

Load library yang diperlukan

library(lubridate, warn.conflicts = F)
library(ggplot2)
library(scales)

#variable `warn.conflict = F` digunakan untuk menghilangkan warning yang timbul jika terjadi conflict dengan `base` package

3 Data Pre Processing

3.1 Import Data

Impor data sumber yang berbentuk file .csv

#import data

# Penyesuaian proses input dengan menentukan variable - variable sbb : 
#    - sep =";" -- separator yang digunakan dalam file csv yang di load menggunakan titik koma (;)
#    - na.string = "\\N" -- data yang berisi tulisan \N akan di anggap data NA
#    - stringAsFactors = F -- tidak otomatis merubah type data chr menjadi faktor
#    - dec = "," -- menentukan format notasi decimal nya adalah koma, default di R adalah titik (.)

sales <- read.csv("assets/retail_mj.csv", 
                  sep = ";", na.strings = "\\N", 
                  stringsAsFactors = F,
                  dec = ","
                  )

#cek nama kolom
names(sales)

##  [1] "ID_Jenis"    "Tanggal"     "Bulan"       "Tahun"       "ID_Jual"    
##  [6] "ID_Barang"   "stockAwal"   "Jumlah"      "stockAkhir"  "Harga"      
## [11] "ID_Post"     "dummistk"    "Keterangan"  "ID_Satuan"   "Batch"      
## [16] "CreatedTime" "tglUpdate"   "dolokasi"    "Bln"         "Thn"        
## [21] "NoUrut"      "Nomor"       "Deskripsi"   "ID_Lokasi"   "IDP"        
## [26] "ID_Anggota"  "Nama_Barang" "Harga_Beli"  "Satuan"      "Kategori"   
## [31] "JenisBarang"

#cek struktur data sales

str(sales)

## 'data.frame':    520804 obs. of  31 variables:
##  $ ID_Jenis   : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Tanggal    : chr  "2002-01-01 00:00:00" "2002-01-01 00:00:00" "2002-01-01 00:00:00" "2002-01-01 00:00:00" ...
##  $ Bulan      : int  1 1 1 2 3 1 2 1 1 1 ...
##  $ Tahun      : int  4 4 4 4 4 4 4 4 4 4 ...
##  $ ID_Jual    : int  103051 103084 103101 103101 103101 103121 103121 103124 103148 103165 ...
##  $ ID_Barang  : int  2254 4724 3176 5044 6365 1245 5162 7608 2397 5849 ...
##  $ stockAwal  : num  952 254 12 15 7 ...
##  $ Jumlah     : num  2 1 1 1 2 0.5 5 1 13 1 ...
##  $ stockAkhir : num  950 253 11 14 5 ...
##  $ Harga      : num  1500 10000 6500 37500 50000 12000 200 3000 150 27500 ...
##  $ ID_Post    : num  NA NA NA NA NA NA NA NA NA NA ...
##  $ dummistk   : num  NA NA NA NA NA NA NA NA NA NA ...
##  $ Keterangan : num  4166002022 4166002023 4166002024 4166002024 4166002024 ...
##  $ ID_Satuan  : int  3 91 3 91 13 2 45 3 3 3 ...
##  $ Batch      : chr  "600" "7500" "5250" "30368" ...
##  $ CreatedTime: chr  "2016-08-03 08:17:43" "2016-08-03 09:21:41" "2016-08-03 10:17:53" "2016-08-03 10:18:08" ...
##  $ tglUpdate  : chr  "2016-08-03 08:17:43" "2016-08-03 09:21:41" "2016-08-03 10:17:53" "2016-08-03 10:18:08" ...
##  $ dolokasi   : int  NA NA NA NA NA NA NA NA NA NA ...
##  $ Bln        : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Thn        : int  2002 2002 2002 2002 2002 2002 2002 2002 2002 2002 ...
##  $ NoUrut     : num  4166002022 4166002023 4166002024 4166002024 4166002024 ...
##  $ Nomor      : chr  "Umum" "Umum" "Umum" "Umum" ...
##  $ Deskripsi  : chr  "" "" "" "" ...
##  $ ID_Lokasi  : int  4 4 4 4 4 4 4 4 4 4 ...
##  $ IDP        : int  NA NA NA NA NA NA NA NA NA NA ...
##  $ ID_Anggota : int  0 0 0 0 0 0 0 0 0 0 ...
##  $ Nama_Barang: chr  "IN BOW BIASA" "AVIAN 100CC" "EMBER BESAR HITAM" "REDDISH CLAY V-09" ...
##  $ Harga_Beli : num  600 8302 5250 39000 37200 ...
##  $ Satuan     : chr  "PCS" "KLG" "PCS" "KLG" ...
##  $ Kategori   : chr  "ALAT LISTRIK" "BANGUNAN" "BANGUNAN" "BANGUNAN" ...
##  $ JenisBarang: chr  "INBOW" "CAT AVIAN" "EMBER" "POLITUR" ...

3.2 Filter Kolom

Filter kolom yang di perlukan saja :
- Tanggal : Tanggal transaksi
- Bln : Bulan transaksi
- Thn : Tahun transaksi
- Nama_Barang : Deskripsi Barang yang di jual
- Harga : Harga Jual
- Jumlah : Jumlah barang yang di jual
- JenisBarang : Sub Kategori barang
- NoUrut : Nomor urut transaksi,
- Kategori : Kategori Barang

#Subsetting Data hanya menampilkan 9 kolom seperti diatas
#Assign ke data frame baru

sales_new <- sales[,
                   c("Tanggal","Bln","Thn","Nama_Barang","Harga","Jumlah",
                     "JenisBarang","NoUrut","Kategori")
                   ]

str(sales_new)

## 'data.frame':    520804 obs. of  9 variables:
##  $ Tanggal    : chr  "2002-01-01 00:00:00" "2002-01-01 00:00:00" "2002-01-01 00:00:00" "2002-01-01 00:00:00" ...
##  $ Bln        : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Thn        : int  2002 2002 2002 2002 2002 2002 2002 2002 2002 2002 ...
##  $ Nama_Barang: chr  "IN BOW BIASA" "AVIAN 100CC" "EMBER BESAR HITAM" "REDDISH CLAY V-09" ...
##  $ Harga      : num  1500 10000 6500 37500 50000 12000 200 3000 150 27500 ...
##  $ Jumlah     : num  2 1 1 1 2 0.5 5 1 13 1 ...
##  $ JenisBarang: chr  "INBOW" "CAT AVIAN" "EMBER" "POLITUR" ...
##  $ NoUrut     : num  4166002022 4166002023 4166002024 4166002024 4166002024 ...
##  $ Kategori   : chr  "ALAT LISTRIK" "BANGUNAN" "BANGUNAN" "BANGUNAN" ...

3.3 Mengeluarkan NA dari data

#Membuat data frame baru `sales_datafix` dengan mengeluarkan baris yang ada kolom berisi NA

sales_datafix <- sales_new[rowSums(is.na(sales_new))==0 & sales_new$Jumlah >0,]

#cek perubahan struktur data

str(sales_datafix)

## 'data.frame':    499334 obs. of  9 variables:
##  $ Tanggal    : chr  "2002-01-01 00:00:00" "2002-01-01 00:00:00" "2002-01-01 00:00:00" "2002-01-01 00:00:00" ...
##  $ Bln        : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Thn        : int  2002 2002 2002 2002 2002 2002 2002 2002 2002 2002 ...
##  $ Nama_Barang: chr  "IN BOW BIASA" "AVIAN 100CC" "EMBER BESAR HITAM" "REDDISH CLAY V-09" ...
##  $ Harga      : num  1500 10000 6500 37500 50000 12000 200 3000 150 27500 ...
##  $ Jumlah     : num  2 1 1 1 2 0.5 5 1 13 1 ...
##  $ JenisBarang: chr  "INBOW" "CAT AVIAN" "EMBER" "POLITUR" ...
##  $ NoUrut     : num  4166002022 4166002023 4166002024 4166002024 4166002024 ...
##  $ Kategori   : chr  "ALAT LISTRIK" "BANGUNAN" "BANGUNAN" "BANGUNAN" ...

3.4 Merubah tipe data

#merubah kolom tanggal menjadi as.Date
   
sales_datafix$Tanggal <- as.Date(sales_datafix$Tanggal)

#merubah kolom Nama_Barang,Satuan,NoUrut sekaligus menjadi  `as.factor`

sales_datafix[,c("Nama_Barang","JenisBarang","NoUrut","Kategori")] <- 
   lapply(
      sales_datafix[,c("Nama_Barang","JenisBarang","NoUrut","Kategori")], 
      FUN = as.factor
      )

3.5 Finishing

#cek struktur data setelah di lakukan perubahan

str(sales_datafix)

## 'data.frame':    499334 obs. of  9 variables:
##  $ Tanggal    : Date, format: "2002-01-01" "2002-01-01" ...
##  $ Bln        : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Thn        : int  2002 2002 2002 2002 2002 2002 2002 2002 2002 2002 ...
##  $ Nama_Barang: Factor w/ 6073 levels "","10/20 BIRU KITA",..: 1894 484 1303 4410 4814 3746 4749 4156 2075 1908 ...
##  $ Harga      : num  1500 10000 6500 37500 50000 12000 200 3000 150 27500 ...
##  $ Jumlah     : num  2 1 1 1 2 0.5 5 1 13 1 ...
##  $ JenisBarang: Factor w/ 584 levels "ADAPTOR","AIR ACCU",..: 181 86 128 421 480 352 474 415 193 184 ...
##  $ NoUrut     : Factor w/ 290416 levels "2150000000","4140000000",..: 66191 66192 66193 66193 66193 66194 66194 66195 66196 66197 ...
##  $ Kategori   : Factor w/ 12 levels "ALAT LISTRIK",..: 1 4 4 4 4 4 4 1 1 10 ...

#cek minimal dan maximal tanggal transaksi

min(sales_datafix$Tanggal)

## [1] "2002-01-01"

max(sales_datafix$Tanggal)

## [1] "2020-12-21"

#Berhubung kita hanya akan menampilkan data pada periode 2014 s/d 2020 
#maka tahun dibawah 2014 kita hilangkan

sales_datafix <- sales_datafix[sales_datafix$Thn >= 2014,]

unique(sales_datafix$Thn)

## [1] 2014 2015 2016 2017 2018 2019 2020

#menambahkan kolom TotalHarga yang berasal dari kolom `Harga` x `Jumlah`

sales_datafix$TotalHarga <- sales_datafix$Harga * sales_datafix$Jumlah

#cek isi data untuk melihat bentuk data

head(sales_datafix)

##        Tanggal Bln  Thn       Nama_Barang Harga Jumlah JenisBarang     NoUrut
## 112 2014-08-31   8 2014       AQUA 600 ML 38500      5 AIR MINERAL 4140000000
## 113 2014-08-31   8 2014        AQUA GALON 13000      6 AIR MINERAL 4140000000
## 115 2014-09-01   9 2014 SEMEN HOLSIN 50KG 68500      1       SEMEN 4140000004
## 116 2014-09-01   9 2014 SEMEN HOLSIN 50KG 68500      1       SEMEN 4140000005
## 117 2014-09-01   9 2014 SEMEN HOLSIN 40KG 55000      2       SEMEN 4140000006
## 121 2014-09-01   9 2014        AQUA GALON 14000      2 AIR MINERAL 4140000010
##          Kategori TotalHarga
## 112 GAS & MINUMAN     192500
## 113 GAS & MINUMAN      78000
## 115      BANGUNAN      68500
## 116      BANGUNAN      68500
## 117      BANGUNAN     110000
## 121 GAS & MINUMAN      28000

Menambahan Kolom Periode yang berisi Tahun-Bulan transaksi

sales_datafix$Periode <- format(as.Date(sales_datafix$Tanggal),'%Y-%m')

4 Data Processing dan Ploting

4.1 Melihat Total Penjualan dalam periode tahun

Aggregasi data Total Penjualan dalam setiap tahunnya

#load theme dari Algorima

theme_algoritma <- theme(legend.key = element_rect(fill="black"),
           legend.background = element_rect(color="white", fill="#263238"),
           plot.subtitle = element_text(size=6, color="white"),
           panel.background = element_rect(fill="#dddddd"),
           panel.border = element_rect(fill=NA),
           panel.grid.minor.x = element_blank(),
           panel.grid.major.x = element_blank(),
           panel.grid.major.y = element_line(color="darkgrey", linetype=2),
           panel.grid.minor.y = element_blank(),
           plot.background = element_rect(fill="#263238"),
           text = element_text(color="white"),
           axis.text = element_text(color="white")
           
           )

#Aggregasi `sum` kolom `TotalHarga` terhadap Tahun

total_sales <- aggregate(cbind(Jumlah,TotalHarga) ~ Thn, data = sales_datafix, FUN = sum)

total_sales

##    Thn    Jumlah TotalHarga
## 1 2014   44644.0  265310530
## 2 2015  717351.6 5375859263
## 3 2016  959318.3 9100774237
## 4 2017  609248.3 4769742808
## 5 2018 1489548.8 7769461858
## 6 2019  753941.2 5024420806
## 7 2020  549600.2 3886486010

Ploting menggunakan bar chart untuk melihat perbandingan Total penjualan dari tahun ke tahun

   ggplot(data = total_sales, aes(x = Thn, y = TotalHarga, fill="skyblue4"))+
   geom_col()+
   geom_text(aes(
      label = formatC(round(TotalHarga,0),big.mark = ",", digits = 12),
      y = TotalHarga +(TotalHarga*0.075) 
   ), size = 3)+
   labs(
      x = "Tahun",
      y = "Total Penjualan",
      title = "Total Pendapatan Penjualan",
      subtitle = paste("Periode ",min(total_sales$Thn),"-", max(total_sales$Thn)),
      caption = "source :Data dari Applikasi Penjualan di cv. Mekar Jaya Maniis Purwakarta"
   )+
   scale_y_continuous(labels = comma_format(big.mark = ","))+
   scale_x_continuous(breaks =  breaks_extended(8))+
   scale_color_brewer(palette = "Set1")+
   theme_algoritma +
   theme(
      legend.position = "none",
      plot.title = element_text(hjust=0.5),
      plot.subtitle = element_text(hjust = 0.5,size = 8, color = "blue"),
      plot.caption = element_text(size = 5,face = "italic")
   )+
   geom_line( size=0.8, colour ="blue")

Insight :

Dari grafik terlihat mudah dipahami pada tahun berapa penjualan mengalami hasil yang tertinggi dan yang terendah.
Penjualan dengan total pendapatan penjualan tertinggi terjadi pada tahun 2016 yang mana dalam setahun berhasil membukukan penjualan lebih dari 9 Milyar.
Tahun 2018 kembali mendapatkan kenaikan penjualan setelah sempat turun hampir 50% di tahun 2017.

4.2 Membuat facet plot Top 3 Kategori

Untuk mengetahui lebih dalam, kita mencoba menampilkan 3 kategori utama dari role bisnis Toko Bahan Bangunan:

Bangunan
Alat Listik
Elektronik

#Subsetting data hanya 3 kategori penjualan
#masukan dalam data plot
ggplot(data = sales_datafix[sales_datafix$Kategori %in% 
                               c("ALAT LISTRIK","BANGUNAN","ELEKTRONIK"), ],
       aes(x=Tanggal, 
           y=TotalHarga)) +
   
   scale_y_continuous(labels = comma_format(big.mark = ","))+
   geom_line(aes(col= Kategori),show.legend = F)+
   facet_wrap( ~ Kategori)+
   labs(
      x = "Periode",
      y = "Total Penjualan ",
      title = "Facet Plot Top 3 Kategori",
      subtitle = "Kategori Alat Listrik, Bangunan dan Elektronik"
   )+
   theme_algoritma+
   theme(
      legend.position = "none",
      plot.title = element_text(hjust=0.5),
      plot.subtitle = element_text(hjust = 0.5,size = 8, color = "blue"),
      plot.caption = element_text(size = 5,face = "italic")
   )

Berdasarkan hasil explorasi data yang di tuangkan kedalam grafik terlihat Kategori Bangunan sangat dominan sebagai penyumbang terbesar dari total pendapatan yang terjadi.

4.3 Lebih dalam dengan data

4.3.1 Studi Kasus Untuk Jenis Barang SEMEN

Semen sebagai bahan baku utama yang digunakan dalam pembuatan bangunan, pastinya akan menjadi barang yang banyak dicari disetiap Toko Bahan Bangunan.

Mari kita lihat apakah data menunjukan semen sebagai barang yang menjadi penyumbang pendapatan tertinggi?

#melakukan aggregasi data untuk mendapatkan `Total Harga` untuk kategori Bangunan

agg_semen <- aggregate(TotalHarga ~ JenisBarang,
                       data = sales_datafix[sales_datafix$Kategori=='BANGUNAN',],
                       FUN = sum)

#Assign ke `df` data 10 penjualan terbanyak

df <-head(agg_semen[order(agg_semen$TotalHarga, decreasing = T),],10)

# Tampilka dalam plot

ggplot(data = df, aes(x= reorder(JenisBarang,TotalHarga), y=TotalHarga,fill=JenisBarang)) +
   geom_col(show.legend = F)+
   coord_flip()+
   labs(
      x ="Nama Barang",
      y ="Jumlah Penjualan",
      title = "Top 10 Total Penjualan Kategori Bangunan ",
      subtitle = paste("Periode ",min(total_sales$Thn),"-", max(total_sales$Thn)),
      caption = "source :Data dari Applikasi Penjualan di cv. Mekar Jaya Maniis Purwakarta"
   )+
   geom_text(mapping = aes(label =formatC(round(TotalHarga,0),big.mark = ",",digits = 12),
                              y = TotalHarga/2), size=3)+
   scale_y_continuous(labels = comma_format(big.mark = ","))+
   scale_x_discrete(label = wrap_format(30))+
   geom_hline(yintercept = mean(df$TotalHarga), linetype = 5, col = "Red")+
   theme_algoritma +
   # scale_fill_gradient(low = "yellow", high = "red") +
   theme(
      
      legend.position = "none",
      plot.title = element_text(hjust=0.5),
      plot.subtitle = element_text(hjust = 0.5,size = 10, color = "blue"),
      plot.caption = element_text(size = 5,face = "italic"),
      axis.text.y = element_text(size = 7)
   )

* Dari plot diatas bisa dengan mudah kita simpulkan bahwa semen menjadi pertama yang memperoleh Total Penjualan Terbanyak

Mari kita coba melakukan eksplorasi data lebih detail lagi untuk transaksi penjualan barang kategori Bangunan semua jenis SEMEN

# Subseting data penjualan yang nama barangnya mengandung kata "SEMEN"

# menggunakan fungsi `grepl` 


jml_sales_semen <- aggregate(cbind(Jumlah , TotalHarga) ~ Nama_Barang,
                       data = sales_datafix[grepl("SEMEN",sales_datafix$Nama_Barang) ,], 
                       FUN = sum
                       )
jml_sales_semen <- jml_sales_semen[order(jml_sales_semen$Jumlah,decreasing = T),]

jml_sales_semen

##                   Nama_Barang   Jumlah TotalHarga
## 11              SEMEN MP 40KG 20405.00  858932380
## 6          SEMEN GERSIK 40 KG 18192.00  826604500
## 4           SEMEN GARUDA 40KG 15009.00  688937250
## 20      SEMEN TIGA RODA 40 KG 14903.00  663482750
## 18        SEMEN RAJAWALI 40KG 11113.00  452137500
## 8           SEMEN HOLSIN 40KG  8309.00  400732750
## 10              SEMEN KANTONG  8070.00   40218500
## 7           SEMEN GERSIK 50KG  1755.00   99633500
## 16           SEMEN PUTIH 1 KG  1541.75    6479650
## 5           SEMEN GARUDA 50KG  1103.00   63291250
## 19             SEMEN SCG 40KG   821.00   34339000
## 9           SEMEN HOLSIN 50KG   673.00   35072500
## 3            SEMEN CONCH 40KG   618.00   14726500
## 15 SEMEN PEREKAT ALC ADHESIVE   408.00   28094000
## 13          SEMEN PADANG 40KG   297.00   11220000
## 12              SEMEN MP 50KG    87.00    4524000
## 2             SEMEN BIMA 40KG    80.00    2974500
## 21       SEMEN TIGA RODA 50KG    75.00    4935500
## 22    SEMEN WARNA PRIMA GROUT    34.00     522500
## 17          SEMEN PUTIH 40 KG    32.00    2682500
## 14          SEMEN PADANG 50KG    27.00    1737000
## 1            SEMEN ACIN HEBEL    20.00    1300000

# Distribusi plot

ggplot(jml_sales_semen, aes(x = reorder(Nama_Barang,Jumlah), 
                            y = Jumlah,
                            fill= Jumlah)) +
   geom_col(show.legend = F)+
   coord_flip()+
   labs(
      x ="Nama Barang",
      y ="Jumlah Penjualan",
      title = "Total Penjualan Semen",
      subtitle = paste("Periode ",min(total_sales$Thn),"-", max(total_sales$Thn)),
      caption = "source :Data dari Applikasi Penjualan di cv. Mekar Jaya Maniis Purwakarta"
   )+
   geom_text(mapping = aes(label =formatC(round(Jumlah,0),big.mark = ",",digits = 12),
                           y =Jumlah + 500), size=3)+
   scale_y_continuous(labels = comma_format(big.mark = ","))+
   scale_x_discrete(label = wrap_format(30))+
   theme_algoritma +
   scale_fill_gradient(low = "yellow", high = "red") +
   theme(
      
      legend.position = "none",
      plot.title = element_text(hjust=0.5),
      plot.subtitle = element_text(hjust = 0.5,size = 10, color = "blue"),
      plot.caption = element_text(size = 5,face = "italic"),
      axis.text.y = element_text(size = 7)
   )

Dari plot diatas, Semen MP 40KG menjadi top barang yang terjual tertinggi dari berbagai jenis semen yang dijual ditoko bahan bangunan ini.

4.3.2 Melihat hubungan antara banyaknya transaksi dengan Total Penjualan

Banyaknya transaksi yang terjadi tidak serta merta akan menghasilkan total penjualan yang tinggi. Karena bisa terjadi banyak transaksi namun barang-barang yang terjual nilainya kecil dll.
Mari kita lihat dari grafik sebaran data dibawah ini.

#membuat aggregasi data
sales_agg1 <- aggregate(NoUrut ~ Periode,data = sales_datafix, FUN = length)

sales_agg2 <- aggregate(TotalHarga ~ Periode,data = sales_datafix,FUN = sum)

#menggabungkan 2 data aggregasi menggunakan `merge` function

sales_agg <-merge(sales_agg1,sales_agg2,all = T)

ggplot(sales_agg, aes(x = NoUrut,
                      y = TotalHarga
                      ))+
   geom_jitter(aes(size=NoUrut),col= "red", alpha = 0.5)+
   labs(
      y = "Total Penjualan",
      x = "Jumlah Transaksi",
      title ="Hubungan antara Jumlah Transaksi dan Total Penjualan",
      subtitle = paste("Periode ",min(sales_agg$Periode)," - ", max(sales_agg$Periode)),
      caption = "source :Data dari Applikasi Penjualan di cv. Mekar Jaya Maniis Purwakarta",
      size =" Jml Transaksi"
   )+
   geom_smooth(method = "loess", formula = 'y ~ x')+
   scale_y_continuous(labels = comma_format(big.mark = ","))+
   scale_x_continuous(labels = comma_format(big.mark = ","))+
   theme_algoritma +
   theme(
      
      legend.position = "bottom",
      plot.title = element_text(hjust=0.5),
      plot.subtitle = element_text(hjust = 0.5,size = 10, color = "blue"),
      plot.caption = element_text(size = 5,face = "italic"),
      axis.text = element_text(size = 8)
   )

Kesimpulan yang bisa diambil dari penampakan graik diatas :

Jumlah Transaksi sangat berpengaruh dengan Total penjualan
Total transaksi yang besar akan menghasilkan total penjualan yang besar pula
Jadi kedepan hal yang perlu dilakukan untuk menaikan Total penjualan lebih tinggi lagi adalah salah satunya dengan membuat transaksi penjualan lebih banyak lagi yang artinya harus mampu meningkatkan jumlah konsumen atau meningkatkan jumlah transaksi untuk barag - barang yang harganya tinggi.

Laporan Analisa Penjualan

Toko Bahan Bangunan Periode 2014 - 2020

Iswan Putera

30 Juli 2021