Data ini merupakan data penjualan sepeda yang ada di berbagai Negara. Kita akan menganalisis penjualan yang dilakukan oleh Toko Sepeda. Terutama dari keuntungan, dan produk apa saja yang harus ditingkatkan.
sales = read.csv("data_input/Sales.csv")
head(sales, 3)tail(sales, 4)dim(sales)## [1] 113036 18
Kita melakukan pengecekan tipe data terlebih dahulu, karena data yang kita gunakan belum tentu cocok.
str(sales)## 'data.frame': 113036 obs. of 18 variables:
## $ Date : chr "2013-11-26" "2015-11-26" "2014-03-23" "2016-03-23" ...
## $ Day : int 26 26 23 23 15 15 22 22 22 22 ...
## $ Month : chr "November" "November" "March" "March" ...
## $ Year : int 2013 2015 2014 2016 2014 2016 2014 2016 2014 2016 ...
## $ Customer_Age : int 19 19 49 49 47 47 47 47 35 35 ...
## $ Age_Group : chr "Youth (<25)" "Youth (<25)" "Adults (35-64)" "Adults (35-64)" ...
## $ Customer_Gender : chr "M" "M" "M" "M" ...
## $ Country : chr "Canada" "Canada" "Australia" "Australia" ...
## $ State : chr "British Columbia" "British Columbia" "New South Wales" "New South Wales" ...
## $ Product_Category: chr "Accessories" "Accessories" "Accessories" "Accessories" ...
## $ Sub_Category : chr "Bike Racks" "Bike Racks" "Bike Racks" "Bike Racks" ...
## $ Product : chr "Hitch Rack - 4-Bike" "Hitch Rack - 4-Bike" "Hitch Rack - 4-Bike" "Hitch Rack - 4-Bike" ...
## $ Order_Quantity : int 8 8 23 20 4 5 4 2 22 21 ...
## $ Unit_Cost : int 45 45 45 45 45 45 45 45 45 45 ...
## $ Unit_Price : int 120 120 120 120 120 120 120 120 120 120 ...
## $ Profit : int 590 590 1366 1188 238 297 199 100 1096 1046 ...
## $ Cost : int 360 360 1035 900 180 225 180 90 990 945 ...
## $ Revenue : int 950 950 2401 2088 418 522 379 190 2086 1991 ...
Kita lihat dari tipe data diatas. terdapat tipe-tipe data yang harus kita ubah. sebagai contoh yang perlu kita ubah adalah : 1. Age_Group -> Faktor 2. Customer_Gender -> Faktor 3. Country -> Faktor 4. State -> Faktor 5. Product_Category -> Faktor 6. Sub_Category-> Faktor 7. Product -> Faktor 8. Date -> Date Oleh karena itu kita perlu ubah dengan cara menggunakan fungsi as.factor
sales$Age_Group <- as.factor(sales$Age_Group)
sales$Customer_Gender <- as.factor(sales$Customer_Gender)
sales$Country <- as.factor(sales$Country)
sales$State <- as.factor(sales$State)
sales$Product_Category <- as.factor(sales$Product_Category)
sales$Sub_Category <- as.factor(sales$Sub_Category)
sales$Product <- as.factor(sales$Product)
sales$Date <- as.Date(sales$Date)Setelah itu mari kita mengecek terlebih dahulu apakah tipe datanya sudah berubah atau belum kita gunakan fungsi str()
str(sales)## 'data.frame': 113036 obs. of 18 variables:
## $ Date : Date, format: "2013-11-26" "2015-11-26" ...
## $ Day : int 26 26 23 23 15 15 22 22 22 22 ...
## $ Month : chr "November" "November" "March" "March" ...
## $ Year : int 2013 2015 2014 2016 2014 2016 2014 2016 2014 2016 ...
## $ Customer_Age : int 19 19 49 49 47 47 47 47 35 35 ...
## $ Age_Group : Factor w/ 4 levels "Adults (35-64)",..: 4 4 1 1 1 1 1 1 1 1 ...
## $ Customer_Gender : Factor w/ 2 levels "F","M": 2 2 2 2 1 1 1 1 2 2 ...
## $ Country : Factor w/ 6 levels "Australia","Canada",..: 2 2 1 1 1 1 1 1 1 1 ...
## $ State : Factor w/ 53 levels "Alabama","Alberta",..: 6 6 27 27 27 27 49 49 49 49 ...
## $ Product_Category: Factor w/ 3 levels "Accessories",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ Sub_Category : Factor w/ 17 levels "Bike Racks","Bike Stands",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ Product : Factor w/ 130 levels "All-Purpose Bike Stand",..: 11 11 11 11 11 11 11 11 11 11 ...
## $ Order_Quantity : int 8 8 23 20 4 5 4 2 22 21 ...
## $ Unit_Cost : int 45 45 45 45 45 45 45 45 45 45 ...
## $ Unit_Price : int 120 120 120 120 120 120 120 120 120 120 ...
## $ Profit : int 590 590 1366 1188 238 297 199 100 1096 1046 ...
## $ Cost : int 360 360 1035 900 180 225 180 90 990 945 ...
## $ Revenue : int 950 950 2401 2088 418 522 379 190 2086 1991 ...
Setelah itu kita mengecek apakah data kita ada yang kosong atau tidak? kita bisa menggunakan fungsi anyNA(), dan untuk mengecek data kosong dapat menggunakan fungsi colSums(is.na())
colSums(is.na(sales))## Date Day Month Year
## 0 0 0 0
## Customer_Age Age_Group Customer_Gender Country
## 0 0 0 0
## State Product_Category Sub_Category Product
## 0 0 0 0
## Order_Quantity Unit_Cost Unit_Price Profit
## 0 0 0 0
## Cost Revenue
## 0 0
Ketika kita mengecek datanya, ternyata data kita tidak memiliki data yang kosong
kita bisa menggunakan fungsi summary untuk mengecek data kita
summary(sales)## Date Day Month Year
## Min. :2011-01-01 Min. : 1.00 Length:113036 Min. :2011
## 1st Qu.:2013-12-22 1st Qu.: 8.00 Class :character 1st Qu.:2013
## Median :2014-06-27 Median :16.00 Mode :character Median :2014
## Mean :2014-11-23 Mean :15.67 Mean :2014
## 3rd Qu.:2016-01-09 3rd Qu.:23.00 3rd Qu.:2016
## Max. :2016-07-31 Max. :31.00 Max. :2016
##
## Customer_Age Age_Group Customer_Gender
## Min. :17.00 Adults (35-64) :55824 F:54724
## 1st Qu.:28.00 Seniors (64+) : 730 M:58312
## Median :35.00 Young Adults (25-34):38654
## Mean :35.92 Youth (<25) :17828
## 3rd Qu.:43.00
## Max. :87.00
##
## Country State Product_Category
## Australia :23936 California :22450 Accessories:70120
## Canada :14178 British Columbia:14116 Bikes :25982
## France :10998 England :13620 Clothing :16934
## Germany :11098 Washington :11264
## United Kingdom:13620 New South Wales :10412
## United States :39206 Victoria : 6016
## (Other) :35158
## Sub_Category Product Order_Quantity
## Tires and Tubes :33870 Water Bottle - 30 oz.:10794 Min. : 1.0
## Bottles and Cages:15876 Patch Kit/8 Patches :10416 1st Qu.: 2.0
## Road Bikes :13430 Mountain Tire Tube : 6816 Median :10.0
## Helmets :12158 AWC Logo Cap : 4358 Mean :11.9
## Mountain Bikes : 8854 Sport-100 Helmet, Red: 4220 3rd Qu.:20.0
## Jerseys : 6010 Road Tire Tube : 4176 Max. :32.0
## (Other) :22838 (Other) :72256
## Unit_Cost Unit_Price Profit Cost
## Min. : 1.0 Min. : 2.0 Min. : -30.0 Min. : 1.0
## 1st Qu.: 2.0 1st Qu.: 5.0 1st Qu.: 29.0 1st Qu.: 28.0
## Median : 9.0 Median : 24.0 Median : 101.0 Median : 108.0
## Mean : 267.3 Mean : 452.9 Mean : 285.1 Mean : 469.3
## 3rd Qu.: 42.0 3rd Qu.: 70.0 3rd Qu.: 358.0 3rd Qu.: 432.0
## Max. :2171.0 Max. :3578.0 Max. :15096.0 Max. :42978.0
##
## Revenue
## Min. : 2.0
## 1st Qu.: 63.0
## Median : 223.0
## Mean : 754.4
## 3rd Qu.: 800.0
## Max. :58074.0
##
Dari hasil summary diatas kita dapat mendapatkan informasi yaitu :
Kita ingin tahu profit terkecil itu berada di data yang mana, kita gunakan subsetting pada data yang diinginkan
sales[sales$Profit == -30.0,]sales[sales$Profit == 15096.0,]Total Profit yang didapatkan
sum(sales$Profit)## [1] 32221100
Berikut adalah Pendapatan dan Pengeluaran setiap negara
aggregate(cbind(Revenue,Cost,Profit) ~Country, sales, sum)Kita ingin mengetahui mengenai Revenue, Cost, Profit yang terbesar dan terkecil
prof_agg <- aggregate(Profit ~ Country,sales, sum)
prof_agg[order(prof_agg$Profit, decreasing = T),]rev_agg <- aggregate(Revenue ~ Country,sales, sum)
rev_agg[order(rev_agg$Revenue, decreasing = T),]cost_agg <- aggregate(Cost ~ Country,sales, sum)
cost_agg[order(cost_agg$Cost, decreasing = T),]Kita mendapatkan informasi bahwa:
Kita ingin melihat revenue(pendapatan penjualannya) setiap tahunnya,disetiap negara.
xtabs(Revenue~Year +Country,sales)## Country
## Year Australia Canada France Germany United Kingdom United States
## 2011 2529914 789798 946624 833603 823481 3041468
## 2012 2557511 835527 962153 835188 834885 3150719
## 2013 4107470 1443537 1431870 1452704 1868796 4935660
## 2014 2802842 1471522 1411100 1702508 2014044 4750708
## 2015 5712339 1731954 1877928 1931091 2484181 6286498
## 2016 3591983 1663400 1803197 2223502 2620809 5810494
Setelah itu apakah korelasi antara penjualan dan Profit dari transaksi yang dilakukan apakah memiliki hubungan yang kuat?
cor.test(sales$Revenue, sales$Profit)##
## Pearson's product-moment correlation
##
## data: sales$Revenue and sales$Profit
## t = 1103.3, df = 113034, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.9560735 0.9570643
## sample estimates:
## cor
## 0.9565717
Setelah dilakukan korelasi ternyata memiliki korelasi yang berbanding lurus, dimana semakin besar pendapatan yang didapatkan maka semakin besar juga profit yang didapatkan
Kita ingin mengetahui berapa banyak sepeda yang terjual di seluruh negara yang ada
sum(sales$Order_Quantity)## [1] 1345316
Setelah itu kita ingin melihat, negara mana yang memiliki order quantity terbanyak dan terkecil
agg2 <- aggregate(Order_Quantity ~ Country,sales, sum)
agg2[order(agg2$Order_Quantity, decreasing = T),]Kita bisa melihat bahwa United States memiliki order_quantity yang banyak, sedangkan yang terkecil terdapat pada Jerman
Kita ingin mengetahui jenis produk apa saja yang dijual
table(sales$Product_Category)##
## Accessories Bikes Clothing
## 70120 25982 16934
Ternyata ada 3 jenis produk yang terjual yaitu Aksesoris, Sepeda, dan pakaian
Setelah itu kita ingin mengetahui jenis produk apa yang sering dibeli oleh masyarakat
agg3 <- aggregate(Order_Quantity ~ Product_Category + Sub_Category,sales, sum)
agg3[order(agg3$Order_Quantity, decreasing = T),]Jenis produk yang sering dibeli masyarakt pada umumnya yaitu Aksesoris sepeda, yaitu Tires and Tubes, sedangkan produk yang sedikit di beli yaitu dibagian aksesoris sepeda juga yaitu Bike Stands
aggregate(x=Order_Quantity ~ Country, data=sales, FUN=sum)Keuntungan setiap produk yang terjual di berbagai negara
agg3 <- aggregate(Profit ~ Product_Category + Sub_Category ,sales, sum)
agg3[order(agg3$Profit, decreasing = T),]Kategori produk yang paling terlaris terjual adalah Sepeda yaitu bagian roda sepeda.
Jadi Toko Sepeda ini sudah bergerak selama 5 tahun, dimulai dari tahun 2011-2016. Toko sepeda ini sudah menjual sekitar:
Yang jika kita totalkan maka, 1345316 barang terjual, dengan total profit yang didapatkan sebesar 32221100 Dollar . Toko sepeda ini menjual berbagai jenis produk diantaranya : Aksesoris, Sepeda, dan Pakaian. Produk yang menjadi profit tertinggi yaitu Sepeda di bagian roda sepeda dengan Nilai sebesar 10078875 Dollar. Namun Jenis produk yang sering dibeli masyarakt pada umumnya yaitu Aksesoris sepeda, yaitu Tires and Tubes. Jadi kita harus meningkatkan jenis produk yaitu aksesoris sepeda terutama dibagain tires and tubes. Oleh karena itu jika hal itu dilakukan maka semakin banyak penjualan yang berhasil dijual maka semakin besar juga keuntungan yang Toko Sepeda dapatkan