Wekadata — Ringkasan Performa Bisnis

💰 Gross Revenue — Total penjualan sebelum dikurangi biaya apapun. Ini mengukur skala bisnis: seberapa besar aktivitas penjualan yang terjadi? Berguna untuk membandingkan performa antar periode atau antar cabang.

🏦 Net Revenue — Yang benar-benar masuk kantong setelah semua biaya operasional dikurangi (gaji, bahan baku, sewa, dll). Ini angka yang paling jujur tentang kondisi bisnis.

📊 Net Margin — Persentase keuntungan bersih dari total penjualan. Mengukur efisiensi bisnis, bukan sekadar skala. Revenue besar belum tentu bisnis sehat — margin yang mengonfirmasi.

📐 Apa itu Net Margin?

Persentase keuntungan bersih dari total penjualan. Kalau margin 15%, artinya dari setiap Rp 100.000 penjualan, Rp 15.000 adalah keuntungan bersih — sisanya habis untuk biaya operasional.

Cara hitungnya:

Net Margin = (Net Revenue ÷ Gross Revenue) × 100%

Contoh: Gross Rp 50 juta, Net Rp 8 juta → margin 16%

Kenapa penting? Omzet besar bukan jaminan bisnis sehat. Bisa saja penjualan tinggi tapi biaya operasional juga tinggi sehingga keuntungan tipis. Margin mengukur efisiensi nyata bisnis, bukan sekadar skala.

🎯 Threshold Margin — Standar Umum F&B

Catatan: Angka ini standar umum industri F&B dan bisa berbeda tergantung model bisnis, lokasi, dan struktur biaya masing-masing restoran. Gunakan sebagai acuan awal, bukan patokan mutlak.

Kalau margin rendah, cek dulu: apakah karena revenue yang turun, atau biaya yang naik? Keduanya butuh penanganan berbeda.

Margin satu hari bisa sangat fluktuatif — hari sepi pelanggan, biaya tetap (gaji, sewa) tetap berjalan sehingga margin bisa terlihat rendah. Untuk keputusan strategis, lihat tren 7 atau 30 hari.

🏆 Cabang Terbaik — Siapa yang jadi acuan performa? Bukan untuk dipuji, tapi untuk dipelajari: apa yang mereka lakukan berbeda dari cabang lain?

🧾 Total Orders — Seberapa ramai bisnis secara keseluruhan? Angka ini mengukur volume aktivitas, terlepas dari harga. Berguna untuk membedakan apakah penurunan revenue karena sepi pengunjung atau karena pelanggan belanja lebih sedikit.

💳 AOV (Avg Order Value) — Seberapa besar nilai tiap transaksi? Ini mengukur kualitas kunjungan, bukan hanya jumlahnya. AOV rendah bisa berarti pelanggan hanya beli satu item — ada peluang upselling yang belum dimanfaatkan.

🎯 Target AOV — Rp 50.000

Angka ini bukan standar industri nasional, tapi threshold yang wajar berdasarkan struktur menu restoran ini:

• Menu utama berkisar Rp 25.000–40.000
• Pelanggan ideal = satu menu utama + minuman → AOV seharusnya di atas Rp 50.000
• AOV di bawah target → banyak pelanggan hanya pesan satu item

Apa yang bisa dilakukan? Bundling menu, rekomendasi aktif dari kasir, atau penempatan item add-on yang lebih strategis di daftar menu.

📊 Gap Antar Cabang

Gap dihitung dengan rumus sederhana: (Revenue tertinggi − Revenue terendah) ÷ Revenue terendah × 100%

Contoh: cabang terbaik Rp 10 juta, cabang terburuk Rp 5 juta → gap = 100%

Penting: Gap besar bukan otomatis masalah — bisa karena lokasi memang berbeda potensinya. Yang perlu diwaspadai adalah kalau gap membesar dari waktu ke waktu, artinya cabang bawah semakin tertinggal secara struktural.

Data satu hari bisa fluktuatif — jangan langsung simpulkan dari satu hari saja. Kolom "Rata-rata Hari Serupa" menunjukkan baseline hari yang sama di minggu-minggu sebelumnya.

🥇 Menu Terlaris — Menu dengan revenue tertinggi kemarin. Urutan menu harian bisa berubah antara hari kerja dan weekend — untuk pola yang lebih konsisten, lihat data 7 atau 30 hari.

📊 Kontribusi Revenue — Berapa persen revenue total yang disumbang menu terlaris kemarin? Angka ini mengukur ketergantungan bisnis pada satu menu di hari itu.

✅ Menu Terjual — Berapa menu yang berhasil terjual kemarin dari total menu yang tersedia. Menu yang tidak terjual sama sekali dalam sehari bisa karena stok habis, tidak tampil di POS, atau memang tidak diminati.

📊 Kontribusi Revenue

Persentase revenue menu terlaris dari total revenue semua menu kemarin. Data satu hari bisa sangat fluktuatif — angka ini lebih bermakna kalau dibandingkan dengan tren 7 atau 30 hari.

🗺️ Peta Menu Engineering

Scatter plot tidak ditampilkan untuk data harian karena satu hari terlalu sedikit untuk menyimpulkan posisi menu. Gunakan period 7 atau 30 hari untuk melihat menu engineering yang akurat.

Urutan menu harian bisa berubah signifikan antara hari kerja dan weekend. Untuk keputusan menu engineering, gunakan data 7 atau 30 hari.

👥 Member Aktif — Jumlah member yang bertransaksi kemarin. Data harian bisa fluktuatif — untuk pola loyalitas yang lebih akurat, lihat data 7 atau 30 hari.

📦 Kontribusi Order Member — Berapa persen dari total order kemarin yang berasal dari member? Angka harian bisa sangat bervariasi tergantung hari dalam seminggu.

🔁 Transaksi per Member — Rata-rata berapa kali seorang member bertransaksi kemarin. Untuk data harian angka ini hampir selalu 1 — lebih bermakna dilihat di period 7 atau 30 hari.

📦 Kontribusi Order Member

Persentase order dari member dibanding total order semua pelanggan kemarin. Data harian bisa sangat fluktuatif — gunakan sebagai sinyal awal, bukan kesimpulan.

Catatan: Threshold ini adalah acuan awal dan bersifat fleksibel — disarankan dikalibrasi ulang setelah 3–6 bulan data terkumpul.

🔁 Transaksi per Member

Untuk data harian angka ini hampir selalu mendekati 1 karena seorang member jarang bertransaksi lebih dari sekali dalam sehari. Gunakan period 7 atau 30 hari untuk analisis frekuensi yang lebih bermakna.

Data member harian menunjukkan siapa yang aktif kemarin. Untuk analisis frekuensi kembali per tier yang lebih bermakna, lihat data 7 atau 30 hari.

✅ Tingkat Kehadiran — Persentase pegawai yang hadir kemarin. Data harian berguna untuk respon cepat — kalau hari ini banyak yang absent, owner bisa langsung antisipasi sebelum jam buka.

⏰ Tingkat Keterlambatan — Persentase dari yang hadir tapi datang terlambat kemarin. Untuk pola yang lebih bermakna, lihat data 7 atau 30 hari.

📊 Shift Tersibuk — Shift dengan revenue tertinggi kemarin. Informasi ini membantu owner memastikan staf terbaik ditempatkan di shift yang paling kritis.

✅ Tingkat Kehadiran

Persentase pegawai yang hadir kemarin dari total yang dijadwalkan. Data satu hari bisa fluktuatif — satu kejadian insidental (sakit mendadak, kecelakaan) bisa langsung turunkan angka ini. Gunakan sebagai sinyal awal, bukan kesimpulan.

⏰ Tingkat Keterlambatan

Persentase dari pegawai yang hadir tapi datang terlambat kemarin. Untuk pola yang lebih bermakna, lihat data 7 atau 30 hari — keterlambatan satu hari bisa karena faktor eksternal seperti macet atau cuaca.

Catatan: Semua threshold di atas adalah acuan awal yang dapat disesuaikan dengan kebijakan masing-masing restoran.

Satu hari absensi tinggi bisa karena faktor insidental. Kalau pola ini berulang di hari yang sama setiap minggu, itu indikasi masalah jadwal atau motivasi yang perlu ditangani.

📊 % Biaya Bahan dari Revenue — Berapa persen dari setiap rupiah penjualan kemarin yang habis untuk bahan baku. Data harian bisa sangat fluktuatif — hari pembelian stok besar akan terlihat lebih tinggi dari biasanya.

⚖️ Rasio Beli vs Pakai — Perbandingan pembelian vs pemakaian kemarin. Untuk data harian rasio ini bisa 0 di hari tanpa pembelian — lebih bermakna dilihat di period 7 atau 30 hari.

🏷️ Kategori Biaya Tertinggi — Kategori bahan yang paling banyak makan biaya kemarin. Informasi untuk tahu di mana fokus perhatian hari ini.

📊 % Biaya Bahan dari Revenue

Data harian bisa sangat fluktuatif — hari pembelian stok mingguan akan terlihat jauh lebih tinggi dari hari biasa. Gunakan sebagai sinyal awal, konfirmasi dengan tren 7 atau 30 hari.

⚖️ Rasio Beli vs Pakai

Untuk data harian, rasio ini bisa 0 di hari tanpa pembelian dan sangat tinggi di hari pembelian besar. Lihat tren 7 atau 30 hari untuk rasio yang lebih representatif.

Catatan: Semua threshold di atas adalah acuan awal yang dapat disesuaikan dengan pola pembelian masing-masing restoran.

Biaya bahan harian bisa fluktuatif tergantung jadwal pembelian. Hari pembelian besar akan terlihat lebih tinggi — lihat 7 atau 30 hari untuk pola yang lebih stabil.

Tabel diurutkan berdasarkan rasio beli/pakai tertinggi — item di posisi teratas adalah yang pembeliannya paling jauh melebihi pemakaian kemarin. Untuk data harian, item tanpa pembelian akan muncul dengan rasio 0.

🕐 Jam Puncak — Jam dengan volume order tertinggi kemarin. Berguna untuk evaluasi apakah distribusi staf kemarin sudah optimal di jam-jam kritis.

🍽️ Periode Puncak — Konteks waktu jam puncak kemarin. Data harian bisa berbeda signifikan antara hari kerja dan weekend — untuk pola yang lebih stabil, lihat data 7 atau 30 hari.

📦 Order Type Dominan — Jenis order terbanyak di jam puncak kemarin. Informasi untuk evaluasi kesiapan operasional hari ini kalau polanya serupa.

🕐 Konsentrasi Order di Jam Puncak

Persentase order yang terjadi di satu jam tersibuk kemarin. Data harian bisa berfluktuasi — gunakan sebagai evaluasi kemarin, bukan acuan penjadwalan jangka panjang.

Catatan: Threshold ini adalah acuan awal yang dapat disesuaikan dengan karakteristik masing-masing restoran.

📦 Order Type Dominan

Jenis order terbanyak di jam puncak kemarin. Kalau polanya konsisten, ini bisa jadi acuan untuk kesiapan operasional hari ini:

• Dine In → pastikan meja dan pramusaji siap
• Takeaway → pastikan kasir dan packaging siap
• Delivery → pastikan koordinasi kurir sudah terkonfirmasi

Data jam sibuk kemarin berguna untuk evaluasi apakah staf sudah terdistribusi dengan baik di jam-jam kritis. Bandingkan dengan pola 7 atau 30 hari untuk melihat apakah kemarin tipikal atau tidak.