Analisis Tren Penjualan dan Demografi Pelanggan pada Data E-Commerce Olist

Source: https://www.kaggle.com/datasets/olistbr/brazilian-ecommerce

Welcome!

Analisis ini menggunakan dataset publik E-commerce Brasil, Olist. Dataset ini memiliki data sekitar 100 ribu order dari tahun 2016 hingga 2018 yang dibuat di beberapa pasar di Brasil. Dataset ini adalah data komersial yang nyata, telah dianonimkan, dan referensi ke perusahaan dan mitra dalam teks ulasan telah diganti dengan nama-nama karakter Game of Thrones.

Proses analisis menggunakan tools SQL dan Python. Beberapa basic statement SQL bisa dipelajari melalui tautan berikut. Dataset didapat melalui kaggle.

Source code python sudah tersedia di github.

Objektif analisis dataset E-Commerce Olist diantaranya adalah:

1. Payment Methods (metode pembayaran). Metode pembayaran mengacu pada berbagai cara yang dapat digunakan pelanggan untuk membayar barang atau jasa. Metode ini bisa berupa uang tunai, cek, kartu kredit, kartu debit, transfer bank, dan metode pembayaran lainnya. Menerima berbagai metode pembayaran dapat membantu bisnis memenuhi preferensi pelanggan dan meningkatkan penjualan.
2. Sales trend. Tren penjualan barang merujuk pada pola atau kecenderungan penjualan barang dalam suatu periode waktu tertentu. Pola ini dapat berupa peningkatan atau penurunan penjualan barang dalam jangka waktu tertentu. Tren penjualan barang dapat memberikan informasi yang berguna bagi perusahaan dalam mengambil keputusan bisnis, seperti menentukan strategi pemasaran dan produksi. Tren penjualan barang dapat dianalisis menggunakan data penjualan yang tercatat dalam suatu periode waktu tertentu. Dalam analisis tren penjualan barang, perlu diperhatikan faktor-faktor yang mempengaruhi penjualan, seperti musim, tren mode, dan faktor ekonomi.
3. Customer Demographic (demografi pelanggan). Demografi pelanggan adalah data statistik yang mendefinisikan kelompok pembeli atau pelanggan tertentu dan disegmentasi serta dipasarkan berdasarkan kemungkinan mereka untuk membeli produk atau layanan tertentu. Dengan memahami demografi pelanggan, bisnis dapat memasarkan produk dan layanan dengan lebih efektif dalam memenuhi kebutuhan pelanggan dan menciptakan lebih banyak peluang untuk cross-selling and up-selling.
4. RFM Score. RFM sendiri merupakan singkatan dari recency, frequency, dan monetary value. Analisis ini bisa dijadikan dasar untuk menyusun strategi pemasaran suatu perusahaan.

Proses Data Cleansing sebelum analisis data.

Data cleansing

Handling Missing Value. Dataframe olist_order_reviews. Pada E-Commerce, kolom ini tidak mandatory diisi, jadi missing value pada kedua kolom tersebut akan diisi dengan ‘unknown’

Treatment pada kedua kolom, berhasil

Dataframe olist_orders. Diberikan treatment supaya baris data dengan missing value tidak dianalisis pada proses berikutnya dengan apply dropna.

Dataframe olist_orders

Dataframe olist_products. Diberikan treatment supaya baris data dengan missing value tidak dianalisis pada proses berikutnya dengan apply dropna.

Apply dropna pada dataframe olist_orders

Handling Duplicates. Tidak ditemukan duplikasi data.

Handling Data Type. Memeriksa tipe data setiap kolom yang digunakan pada proses analisis. Parse date_time pada dataframe olist_orders kolom order_purchase_timestamp, order_approved_at, order_delivered_carrier_date, order_delivered_customer_date, dan order_estimated_delivery_date karena masih bertipe object.

Parse date_time berhasil dilakukan. Tipe object telah berubah menjadi tipe datetime64.

Handling Outliers. Pemeriksaan outlier hanya dilakukan pada data payment_value dari dataframe olist_order_payments.

Payment_value sebelum dilakukan proses handling outliers.

Ditemukan outliers pada data payment_value dan dilakukan treatment dengan menghapus baris data dengan outliers.

Payment_value setelah dilakukan proses handling outliers.

Data payment_value tanpa outliers.

Handling Inconsistent Data Format. Pengecekan ketidakkonsistenan data dilakukan pada data product_category_name. Ditemukan ketidakkonsistenan pada data home_appliances_2, home_appliances, home_confort, home_comfort_2.

Sebelum treatment standardisasi data.

Treatment yang dilakukan adalah standardisasi data tersebut menjadi home_appliances dan home_comfort.

Setelah treatment standardisasi data.

Payment Method

Metode pembayaran (payment method) adalah cara yang digunakan untuk melakukan pembayaran atas suatu produk atau jasa yang dibeli. Diantaranya adalah transfer bank, debit card, credit card, dan metode pembayaran legal lainnya.

Analisis metode pembayaran dilakukan dengan join dataframe payments dan order. Metode pembayaran favorit customer E-Commerce Olist adalah credit card, diikuti dengan boleto, voucher, dan terakhir debit card.

SELECT payment_type, COUNT(*) AS payment_count
FROM payments_df_new
GROUP BY payment_type
ORDER BY payment_count DESC;

Credit card merupakan metode pembayaran yang paling banyak digunakan oleh customer Olist. Perbedaan penggunaan Credit card dengan metode boleto (posisi kedua) sangat signifikan. Penggunaan boleto jauh lebih sedikit dibandingkan kartu kredit dengan perbedaan yang sangat signifikan.

Selain itu, penggunaan Debit card oleh customer Olist tergolong kecil (dan bisa disampaikan juga bahwa Debit card merupakan metode pembayaran yang paling sedikit digunakan oleh customer Olist). Meskipun alasan penggunaan Credit card lebih banyak daripada Debit card tidak dapat diketahui dari data, salah satu kemungkinannya adalah karena adanya reward yang diberikan oleh Bank penerbit ketika menggunakan kartu kredit, seperti cashback atau loyalty point.

Anda pasti familiar dengan Credit card, Debit card, atau voucher. Namun tahukah anda dengan boleto? Klik disini untuk informasi lebih lanjut.

Ringkasan data customer Olist berdasarkan metode pembayaran.

Ringkasan data (count, sum, mean, dan standard deviation) customer Olist berdasarkan metode pembayaran. Maksimum pembayaran customer Olist dengan menggunakan keempat metode pembayaran memiliki kisaran harga yang serupa, sekitar 340–344.

Terdapat hal menarik, nilai mean dan standar deviasi pada metode pembayaran dengan menggunakan voucer memiliki nilai yang hampir sama.

Histogram penggunaan metode pembayaran Voucher.

Distribusi data penggunaan voucher menunjukkan bahwa data terdistribusi right-skewed. Artinya, penggunaan voucher lebih banyak digunakan customer Olist untuk membayar tagihan dengan nominal relatif kecil. Dibutuhkan analisis lebih lanjut pada mean dan standar deviasi voucher yang memiliki nilai hampir sama.

Sales Trend

Sales trend atau tren penjualan adalah pola dari data penjualan dalam jangka waktu tertentu yang digunakan untuk menentukan trend. Analisis tren penjualan berfokus untuk menemukan pola dari data penjualan dalam jangka waktu tertentu, sehingga dapat membantu perusahaan untuk menentukan strategi di masa yang akan datang.

Analisis metode pembayaran dilakukan dengan join dataframe payments dan order. Timeframe database E-Commerce Olist dari tanggal 3 Oktober 2016 sampai 29 Agustus 2018.

SELECT MONTH(order_purchase_timestamp) AS month_purchase, YEAR(order_purchase_timestamp) AS year_purchase, SUM(payment_value) AS total_payment
FROM payments_df_new
JOIN order_df ON payments_df_new.order_id = order_df.order_id
GROUP BY month_purchase, year_purchase;

Data penjualan dianalisis dengan grouping per bulan dan per tahun. Beberapa insight menarik dari data penjualan diantaranya adalah:

• Nilai pembayaran tertinggi terjadi pada November 2017 dengan nominal 770344.
• Tidak ada catatan data penjualan customer Olist pada bulan November 2016.
• Hanya ada satu data penjualan pada bulan Desember 2016.
• Secara umum, nilai pembayaran customer Olist terus mengalami peningkatan dari tahun ke tahun (trend positif).
• Nilai pembayaran customer Olist tahun 2018 stagnan, malah cenderung mengalami penurunan.

Menarik untuk dianalisis bahwa data payment customer Olist tahun 2018 cenderung stagnan. Tidak ada informasi tambahan di database Olist mengapa hal tersebut bisa terjadi. Namun, didapatkan informasi bahwa pertumbuhan ekonomi Brasil pada tahun 2018 sangat rendah, GDP hanya tumbuh 1.1%. Data pertumbuhan GDP tersebut cukup menjelaskan mengapa nilai pembayaran customer Olist tahun 2018 stagnan, klik disini untuk mendapat informasi lebih lanjut.

Customer Demographic

Segmentasi konsumen (customer demographic) dalam konteks e-commerce merujuk pada karakteristik dan profil konsumen yang melakukan transaksi pembelian secara online. Berikut adalah beberapa faktor demografis yang dapat digunakan untuk melakukan segmentasi konsumen dalam e-commerce: Usia, Jenis kelamin, Pendidikan, Pendapatan, Pekerjaan, Lokasi geografis, Kebiasaan belanja online, dan Preferensi produk.

Dengan melakukan segmentasi konsumen berdasarkan faktor demografis, perusahaan dapat memahami lebih baik preferensi dan kebutuhan konsumen, sehingga dapat menyesuaikan strategi pemasaran dan produk yang ditawarkan. Selain itu, segmentasi konsumen juga dapat membantu perusahaan untuk meningkatkan efektivitas promosi dan pengelolaan persediaan produk.

Analisis segmentasi konsumen dilakukan dengan join dataframe payments dan order, kemudian dihitung order_status delivered dan canceled setiap customer_state.

SELECT MONTH(order_purchase_timestamp) AS month_purchase, YEAR(order_purchase_timestamp) AS year_purchase, SUM(payment_value) AS total_payment
FROM payments_df_new
JOIN order_df ON payments_df_new.order_id = order_df.order_id
GROUP BY month_purchase, year_purchase;

Top 10 order E-Commerce Olist berdasarkan Customer State.

Order dari state SP sangat tinggi, lebih dari tiga kali order dari state RJ. Mari analisis lebih dalam.

Analisis yang dilakukan adalah menghitung rata-rata Lead time customer setiap state. Lead time adalah waktu yang dibutuhkan untuk menyelesaikan suatu proses dari awal hingga akhir. Dalam konteks E-Commerce Olist, Lead time akan menghitung selisih waktu (dalam satuan jam) antara order_delivered_customer_date dengan order_purchase_timestamp.

Visualisasi data hasil agregasi lead time.

Visualisasi data Lead Time order Olist.

Berdasarkan hasil visualisasi agregasi data lead time, terlihat bahwa rata-rata lead time paling singkat adalah customer yang berasal dari state SP (210 jam). Lead time yang singkat dapat meningkatkan jumlah customer, karena dapat meningkatkan kepuasan pelanggan dan efisiensi bisnis. Pelanggan cenderung lebih memilih bisnis yang memberikan lead time yang singkat karena mereka ingin barang atau jasa yang dipesan datang secepat mungkin.

Diketahui pula bahwa banyak dari customer Olist yang berasal dari state SP melakukan repeat order.

Jumlah customer dari state SP yang melakukan repeat order adalah 2800 customer

Beberapa alasan customer melakukan repeat order diantaranya adalah kepuasan terhadap produk atau layanan yang diberikan, harga yang kompetitif atau diskon yang ditawarkan, kemudahan dalam melakukan pembelian atau proses pengiriman yang cepat, kualitas produk dan layanan yang baik, serta adanya program loyalitas atau reward yang menarik bagi konsumen.

RFM Score

RFM analysis merupakan salah satu jenis analisis data yang kerap digunakan di dunia bisnis. RFM sendiri merupakan sebuah singkatan dari recency, frequency, dan monetary value. Analisis ini biasanya dijadikan dasar untuk menyusun strategi pemasaran suatu perusahaan. Dengan menerapkan analisis ini, maka segmentasi pelanggan akan lebih terpersonalisasi, menyesuaikan perilaku pelanggan pada transaksi di waktu sebelumnya. RFM analysis akan membantu pemilik bisnis meningkatkan pendapatan dengan menargetkan kelompok tertentu dari pelanggan mereka. Simak penjelasan RFM dari Pacmann disini.

RFM analysis ini baru tahap awal, belum bisa diambil simpulan. Butuh analisis lanjutan dengan lebih detail dan komprehensif supaya dapat memberi masukan terbaik bagi bisnis E-Commerce Olist.

WITH rfm_table AS (
  SELECT customer_id,
         DATEDIFF(day, MIN(order_purchase_timestamp) OVER (PARTITION BY customer_id), GETDATE()) AS recency,
         COUNT(DISTINCT order_id) OVER (PARTITION BY customer_id) AS frequency,
         AVG(order_price) OVER (PARTITION BY customer_id) AS monetary_value
  FROM customer_order_details
)
SELECT customer_id,
       NTILE(4) OVER (ORDER BY recency DESC, frequency DESC, monetary_value DESC) AS rfm_score
FROM rfm_table;

Kesimpulan

Bank dapat bekerjasama dengan E-Commerce Olist untuk meningkatkan jumlah penggunaan debit card.

Diperlukan analisis lebih lanjut untuk mengetahui penyebab nilai mean dan standar deviasi pada metode pembayaran voucher memiliki nilai yang hampir sama.

Penjualan tahun 2018 cenderung stagnan (karena pertumbuhan ekonomi Brasil yang rendah). Untuk meningkatkan penjualan, manajemen Olist dapat mencari strategi penjualan lain berupa marketing campaign dengan kerja sama dengan Bank penerbit credit card/debit card.

E-Commerce Olist berpotensi meningkatkan jumlah order dari customer state yang lain dengan mengurangi Lead Time.

Diperlukan analisis lebih detail mengenai RFM Score.