Data penjualan dapat memberikan banyak informasi mengenai perilaku pelanggan, produk yang diminati, dan kondisi transaksi. Namun, data yang masih berbentuk tabel biasanya belum dapat langsung digunakan untuk mengambil keputusan. Data perlu diperiksa dan dianalisis terlebih dahulu agar pola yang terdapat di dalamnya dapat dipahami.

Salah satu metode yang dapat digunakan adalah Exploratory Data Analysis (EDA). EDA merupakan proses eksplorasi data untuk memahami karakteristik, pola, hubungan, serta kecenderungan yang terdapat dalam suatu dataset. Dalam analisis penjualan, EDA dapat membantu mengetahui kategori produk yang banyak dibeli, rata-rata nilai transaksi, karakteristik pelanggan, penggunaan diskon, hingga kebiasaan pelanggan dalam melakukan pembelian.

Pada artikel ini, EDA diterapkan menggunakan Customer Shopping Trends Dataset yang tersedia di Kaggle. Dataset tersebut berisi data mengenai kebiasaan belanja pelanggan dan dapat digunakan untuk mempelajari berbagai faktor yang berkaitan dengan transaksi penjualan.

🔎 Mengenal Exploratory Data Analysis (EDA)

Exploratory Data Analysis atau EDA merupakan tahap awal dalam proses analisis data. Tujuannya bukan langsung membuat prediksi, tetapi memahami data terlebih dahulu sebelum dilakukan analisis yang lebih lanjut.

Melalui EDA, kita dapat melihat bagaimana data tersebar, menemukan nilai yang tidak biasa, membandingkan kelompok data, serta mengetahui hubungan antara satu variabel dengan variabel lainnya.

Dalam kasus penjualan, EDA dapat digunakan untuk menjawab pertanyaan sederhana tetapi penting, seperti produk apa yang paling banyak dibeli, kategori mana yang memiliki nilai transaksi tinggi, apakah pelanggan yang sering berbelanja memiliki nilai pembelian lebih besar, dan bagaimana penggunaan diskon berkaitan dengan transaksi.

📊 Mengenal Dataset Customer Shopping Trends

Customer Shopping Trends Dataset merupakan dataset sintetis yang dibuat untuk keperluan pembelajaran analisis data dan machine learning. Dataset ini memiliki 3.900 baris data pelanggan dengan berbagai informasi mengenai aktivitas pembelian.

Agar analisis tidak terlalu luas, artikel ini hanya menggunakan beberapa variabel yang berhubungan langsung dengan performa penjualan.

🧹 Memeriksa Data Sebelum Dianalisis

Sebelum membuat grafik atau mencari pola, data perlu diperiksa terlebih dahulu. Pemeriksaan awal bertujuan untuk mengetahui jumlah baris, nama kolom, tipe data, serta kondisi data.

Jika menggunakan Python dan Pandas, pemeriksaan awal dapat dilakukan dengan beberapa perintah berikut:

import pandas as pd

df = pd.read_csv("shopping_trends.csv")

print(df.head())
print(df.info())
print(df.describe())

Perintah head() digunakan untuk melihat beberapa baris pertama. info() digunakan untuk melihat struktur dataset dan tipe data, sedangkan describe() memberikan gambaran statistik dasar pada kolom numerik.

Pemeriksaan ini penting karena analisis yang baik harus dimulai dari pemahaman terhadap kondisi data. Jika ditemukan data kosong, tipe data yang salah, atau nilai yang tidak sesuai, masalah tersebut perlu ditangani sebelum masuk ke tahap analisis.

💰 Menganalisis Nilai Pembelian

Salah satu variabel utama dalam dataset adalah Purchase Amount (USD). Variabel ini menunjukkan jumlah uang yang dikeluarkan pelanggan dalam transaksi.

Berdasarkan statistik deskriptif dataset, nilai pembelian berada pada rentang sekitar 20 hingga 100 USD dengan rata-rata sekitar 59,76 USD. Nilai tengahnya berada di sekitar 60 USD.

Informasi tersebut memberikan gambaran umum mengenai nilai transaksi pelanggan. Namun, rata-rata saja belum cukup untuk mengetahui performa penjualan secara keseluruhan. Nilai tersebut perlu dibandingkan dengan kategori produk, frekuensi pembelian, penggunaan diskon, dan karakteristik pelanggan.

🛍️ Menganalisis Performa Berdasarkan Kategori

Kolom Category dapat digunakan untuk membandingkan performa penjualan berdasarkan kelompok produk. Dengan mengelompokkan data berdasarkan kategori, kita dapat melihat jumlah transaksi dan nilai pembelian pada masing-masing kategori.

Analisis sederhana dapat dilakukan menggunakan fungsi groupby() pada Pandas.

category_sales = df.groupby("Category")["Purchase Amount (USD)"].agg(
    ["count", "sum", "mean"]
)

print(category_sales)

Hasil tersebut memberikan tiga informasi. Count menunjukkan jumlah transaksi, sum menunjukkan total nilai pembelian, sedangkan mean menunjukkan rata-rata nilai pembelian.

Ketiga ukuran tersebut perlu diperhatikan secara bersamaan. Kategori yang mempunyai jumlah transaksi paling banyak belum tentu memiliki rata-rata nilai pembelian paling tinggi.

📦 Mengetahui Produk yang Paling Banyak Dibeli

Selain melihat kategori, kita juga dapat mengetahui produk yang paling sering muncul dalam transaksi melalui kolom Item Purchased.

top_items = df["Item Purchased"].value_counts().head(10)

print(top_items)

Hasil tersebut akan menampilkan sepuluh produk dengan jumlah transaksi terbanyak. Informasi ini dapat membantu dalam memahami produk yang paling sering dipilih pelanggan.

Namun, jumlah pembelian tidak selalu sama dengan nilai penjualan terbesar. Produk yang banyak dibeli bisa saja memiliki harga atau nilai transaksi yang lebih rendah. Oleh karena itu, jumlah transaksi sebaiknya dibandingkan dengan Purchase Amount (USD).

👥 Menganalisis Karakteristik Usia Pelanggan

Usia pelanggan dapat digunakan untuk melihat kelompok pelanggan yang terdapat dalam dataset. Data usia pada dataset berada pada rentang 18 hingga 70 tahun.

Agar lebih mudah dianalisis, usia dapat dikelompokkan menjadi beberapa rentang.

bins = [17, 25, 35, 45, 55, 70]
labels = ["18-25", "26-35", "36-45", "46-55", "56-70"]

df["Age Group"] = pd.cut(
    df["Age"],
    bins=bins,
    labels=labels
)

print(df["Age Group"].value_counts())

Dengan pengelompokan tersebut, jumlah pelanggan dapat dibandingkan berdasarkan kelompok usia. Analisis selanjutnya dapat dilakukan dengan membandingkan kelompok usia dengan rata-rata nilai pembelian.

🎯 Hubungan Frekuensi Pembelian dengan Nilai Transaksi

Salah satu hal menarik dalam analisis penjualan adalah mengetahui apakah pelanggan yang lebih sering melakukan pembelian juga mempunyai nilai transaksi yang berbeda.

Variabel Previous Purchases dapat digunakan sebagai salah satu indikator riwayat pembelian pelanggan. Hubungannya dengan nilai transaksi dapat diperiksa menggunakan korelasi.

correlation = df[
    ["Previous Purchases", "Purchase Amount (USD)"]
].corr()

print(correlation)

Hasil korelasi dapat memberikan gambaran apakah terdapat hubungan antara jumlah pembelian sebelumnya dengan nilai transaksi. Nilai korelasi yang mendekati nol menunjukkan hubungan linear yang lemah, sedangkan nilai yang semakin mendekati 1 atau -1 menunjukkan hubungan linear yang semakin kuat.

Meski demikian, korelasi tidak dapat digunakan untuk menyatakan bahwa satu variabel secara langsung menyebabkan perubahan pada variabel lainnya.

🏷️ Menganalisis Penggunaan Diskon

Diskon merupakan salah satu strategi yang sering digunakan untuk menarik pelanggan. Dataset menyediakan kolom Discount Applied yang menunjukkan apakah sebuah transaksi mendapatkan diskon.

discount_analysis = df.groupby(
    "Discount Applied"
)["Purchase Amount (USD)"].agg(
    ["count", "sum", "mean"]
)

print(discount_analysis)

Hasil analisis tersebut dapat digunakan untuk membandingkan jumlah transaksi, total nilai pembelian, dan rata-rata transaksi antara kelompok yang menggunakan diskon dan kelompok yang tidak menggunakan diskon.

💳 Melihat Metode Pembayaran

Metode pembayaran juga dapat memberikan informasi mengenai kebiasaan pelanggan. Dataset menyediakan beberapa metode pembayaran yang dapat dibandingkan berdasarkan jumlah transaksi.

payment = df["Payment Method"].value_counts()

print(payment)

Hasil tersebut dapat digunakan untuk mengetahui metode pembayaran yang paling sering digunakan. Informasi ini dapat membantu bisnis memastikan metode pembayaran yang banyak digunakan pelanggan tetap tersedia.

⭐ Melihat Rating Produk

Performa penjualan tidak hanya dilihat dari jumlah transaksi. Kepuasan pelanggan juga dapat menjadi indikator penting. Dalam dataset terdapat kolom Review Rating yang berisi penilaian pelanggan terhadap produk.

Rata-rata rating pada dataset berada di sekitar 3,75 dari 5. Rating tersebut dapat dibandingkan berdasarkan kategori untuk mengetahui apakah terdapat perbedaan penilaian pelanggan.

rating_category = df.groupby(
    "Category"
)["Review Rating"].mean().sort_values(
    ascending=False
)

print(rating_category)

Kategori dengan rating lebih rendah dapat menjadi bahan evaluasi. Terlebih jika kategori tersebut juga mempunyai jumlah transaksi yang tinggi, karena banyak pelanggan berarti semakin besar dampak yang mungkin diberikan oleh pengalaman pelanggan terhadap bisnis.

📅 Menganalisis Frekuensi Pembelian

Kolom Frequency of Purchases digunakan untuk melihat seberapa sering pelanggan melakukan pembelian. Beberapa pilihan frekuensi yang terdapat dalam dataset antara lain Weekly, Fortnightly, Monthly, Quarterly, dan Annually.

frequency = df["Frequency of Purchases"].value_counts()

print(frequency)

Distribusi frekuensi pembelian dapat memberikan gambaran mengenai kebiasaan pelanggan. Pelanggan yang melakukan pembelian secara lebih sering dapat menjadi kelompok yang potensial untuk program loyalitas atau promosi khusus.

📈 Visualisasi dalam Exploratory Data Analysis

Angka dalam tabel terkadang sulit dipahami jika jumlah data cukup banyak. Karena itu, hasil EDA dapat divisualisasikan dalam bentuk grafik.

• Bar chart dapat digunakan untuk membandingkan jumlah transaksi antar kategori.
• Histogram dapat digunakan untuk melihat distribusi nilai pembelian.
• Box plot dapat digunakan untuk membandingkan persebaran nilai transaksi.
• Pie chart dapat digunakan untuk melihat proporsi metode pembayaran.
• Scatter plot dapat digunakan untuk melihat hubungan dua variabel numerik.

Salah satu contoh visualisasi yang dapat digunakan adalah rata-rata nilai pembelian berdasarkan kategori.

import matplotlib.pyplot as plt

category_mean = df.groupby(
    "Category"
)["Purchase Amount (USD)"].mean()

category_mean.plot(kind="bar")

plt.title("Rata-rata Nilai Pembelian Berdasarkan Kategori")
plt.xlabel("Kategori")
plt.ylabel("Purchase Amount (USD)")
plt.tight_layout()
plt.show()

Grafik tersebut membuat perbedaan rata-rata nilai transaksi antar kategori lebih mudah dilihat. Dengan begitu, analisis tidak hanya bergantung pada angka tetapi juga dapat menemukan pola secara visual.

🧩 Menggabungkan Hasil Analisis

EDA akan menjadi lebih bermanfaat jika hasil dari beberapa analisis digabungkan. Misalnya, kategori yang memiliki jumlah transaksi tinggi dapat dibandingkan dengan rata-rata nilai pembelian dan rating pelanggan.

• Apakah kategori dengan transaksi terbanyak juga memiliki nilai pembelian tertinggi?
• Apakah produk dengan rating tinggi mempunyai jumlah pembelian lebih banyak?
• Apakah pelanggan yang sering melakukan pembelian memiliki nilai transaksi berbeda?
• Apakah transaksi dengan diskon mempunyai rata-rata nilai pembelian yang berbeda?
• Metode pembayaran apa yang paling banyak digunakan?

Pertanyaan tersebut membantu mengubah data mentah menjadi informasi yang lebih bermakna. Jadi, tujuan EDA bukan sekadar membuat grafik, tetapi menemukan pola yang dapat digunakan untuk memahami kondisi penjualan.

💡 Insight yang Dapat Diperoleh

Dari proses eksplorasi dataset, terdapat beberapa jenis insight yang dapat digunakan untuk memahami performa penjualan.

• Karakteristik pelanggan: distribusi usia dan gender memberikan gambaran mengenai kelompok pelanggan dalam dataset.
• Performa produk: jumlah transaksi dan nilai pembelian dapat digunakan untuk membandingkan kategori produk.
• Perilaku pembelian: frekuensi dan riwayat pembelian membantu melihat tingkat aktivitas pelanggan.
• Strategi diskon: penggunaan diskon dapat dibandingkan dengan nilai transaksi untuk melihat pola pembelian.
• Kepuasan pelanggan: rating dapat digunakan sebagai informasi tambahan untuk mengevaluasi produk.

🎯 Dari Data Menjadi Keputusan

Hasil EDA dapat digunakan sebagai dasar untuk membuat keputusan yang lebih terarah. Misalnya, kategori yang memiliki jumlah transaksi tinggi tetapi rating rendah dapat menjadi prioritas untuk dievaluasi.

Sementara itu, kategori dengan performa transaksi dan rating yang baik dapat dipertimbangkan untuk mendapatkan perhatian lebih dalam strategi pemasaran. Informasi mengenai frekuensi pembelian juga dapat digunakan untuk mengidentifikasi pelanggan yang berpotensi menjadi pelanggan tetap.

Dengan demikian, data tidak hanya digunakan untuk mengetahui apa yang sudah terjadi, tetapi juga dapat membantu menentukan tindakan yang dapat dilakukan selanjutnya.

⚠️ Keterbatasan Analisis

Dataset yang digunakan dalam artikel ini merupakan dataset sintetis yang dibuat untuk keperluan pembelajaran. Oleh karena itu, hasil analisis tidak dapat dianggap sebagai gambaran kondisi penjualan perusahaan nyata.

Selain itu, dataset tidak menyediakan informasi tanggal transaksi yang dapat digunakan untuk melihat perkembangan penjualan berdasarkan waktu. Oleh sebab itu, analisis seperti pertumbuhan penjualan per bulan atau per tahun tidak dapat dilakukan secara langsung menggunakan dataset ini.

Analisis pada artikel ini lebih difokuskan pada hubungan antara karakteristik pelanggan, kategori produk, nilai transaksi, diskon, rating, metode pembayaran, dan frekuensi pembelian.

🚀 Kesimpulan

Exploratory Data Analysis dapat membantu memahami performa penjualan dengan cara mengeksplorasi data dari berbagai sudut pandang. Melalui Customer Shopping Trends Dataset, analisis dapat dilakukan terhadap nilai pembelian, kategori produk, karakteristik pelanggan, frekuensi pembelian, penggunaan diskon, metode pembayaran, dan rating.

Proses EDA dimulai dari memahami struktur data, memeriksa kondisi dataset, melakukan analisis statistik, membandingkan kelompok data, hingga membuat visualisasi. Dari proses tersebut, pola dan kecenderungan dalam data dapat ditemukan dengan lebih mudah.

Hal yang paling penting dari EDA bukan hanya menghasilkan grafik atau angka, tetapi menemukan informasi yang dapat menjawab pertanyaan mengenai kondisi penjualan. Dengan analisis yang tepat, data dapat membantu memahami pelanggan, mengevaluasi produk, dan mendukung pengambilan keputusan.

Dibuat oleh: Noviana Putri Yuliani