Implementasi Teknik Data Mining dalam Konsep CRM

Rizal Awaludin R Ferancis Leonardo S Aquila Yoma E Yudha Saintika Zenfrison Tuah B Firda Rizkia S

Latar belakang
diperlukan suatu analisis data dari seluruh data transaksi yang ada untuk informasi pelanggan dan data transaksi pelanggan yang akurat. y teknik pemasaran seperti cross-selling mutlak diperlukan bagi perusahaan yang ingin berkompetisi di pasar y Penerapan cross-selling harus didahului oleh analisis yang mendalam mengenai data transaksi pelanggan dengan menggunakan konsep data mining yang melibatkan proses pengambilan sumber informasi dari sebuah transaksi pelanggan,
y

Tujuan Memahami lebih mendalam peran CRM dan teknik data mining dalam memahami perilaku pembelian pelanggan. y Sebagai masukan bagi penetapan strategi cross-selling pada CRM untuk menjawab kebutuhan pelanggan secara akurat. y Mendukung sistem pengambilan keputusan (decision support system) melalui data historikal pelanggan untuk meningkatkan revenue bagi perusahaan y .

Teknik Data Mining Klasifikasi y Analisis Asosiasi y Analisis Klasterisasi y Analisis Outlier y .

Cross Selling y y y y y y y Merupakan salah satu teknik penjualan additional products dan layanan kepada pelanggan yang telah membeli sesuatu dari perusahaan Product bundling Product affinity analysis Next sequential purchase Propensity-to-buy analysis Profitability analysis Price elasticity modeling and dynamic pricing .

Cross Selling (2) y Additional product yang disarankan dapat berupa common-sense-based dan datadriven .

Penentuan Cross Selling pemilihan produk yang didasarkan pada frekuensi (seberapa sering) kemunculan produk selama periode transaksi berlangsung y dicari tiga indikator yang berbeda untuk menghasilkan kemungkinan cross-selling yang paling baik y Support score y Confidence score y Improvement score y .

Pemodelan Cross Selling y pemodelan dari cross selling dapat menggunakan algoritma a priori.Terbagi 2 tahap 1.Analisis pola frekuensi tinggi mencari kombinasi item yang memenuhi syarat minimum dari nilai support di database. Pembentukan Aturan Asosiasi kita dapat mencari aturan asosiasi untuk memenuhi syarat minimum untuk confidence dengan menghitung nilai confidence A B . 2.

Kopi.Gula Gula. Gula. Kopi Gula. Roti Teh. Gula Susu. Roti. Kopi . Roti Teh. Gula Teh. Roti Susu. Susu Susu.Contoh Transaksi 1 2 3 4 5 6 7 8 9 10 Item yang dibeli Susu. Gula. Teh. Kopi.Teh. Susu Gula.

Transaksi 1 1 1 2 2 2 3 3 4 4 5 5 5 6 6 7 7 7 8 8 8 9 9 10 Item yang dibeli Susu Teh Gula Teh Gula Roti Teh Gula Susu Roti Susu Gula Roti Teh Gula Gula Kopi Susu Gula Kopi Susu Roti Kopi Gula Tabel Representasi dalam database transaksional .

Format tabular data transaksi Transaksi 1 2 3 4 5 6 7 8 9 10 Teh 1 1 1 0 0 1 0 0 0 1 Gula 1 1 1 0 1 1 1 1 0 1 Kopi 0 0 0 0 0 0 1 1 1 1 Susu 1 0 0 1 1 0 1 1 1 0 Roti 0 1 0 1 1 0 0 0 1 0 .

Gula Teh.Calon 2 itemset ( = 2) ) Kombinasi Teh. Susu Kopi. Roti Gula. Susu Teh. Kopi Teh. Susu Gula. Roti Susu. Roti Jumlah 5 1 1 1 3 4 2 3 1 3 . Kopi Gula. Roti Kopi.

Susu.Gula. Susu Gula. Susu. Roti Kopi.Gula. Kopi Gula. Roti Jumlah 1 1 2 0 0 1 . Kopi. Kopi Teh.Calon 3 itemset ( =3) Kombinasi Teh. Roti Gula. Susu.

Pembentukan aturan asosiasi Aturan Jika membeli gula dan susu. maka akan membeli gula. maka akan membeli susu. 2/3 2/3 2/4 Confidence 50% 67% 67% . maka akan membeli kopi Jika membeli gula dan kopi. Jika membeli kopi dan susu.

Jika membeli roti. maka akan membeli kopi. maka akan membeli teh. maka akan membeli gula. Jika membeli gula. Jika membeli roti. maka akan membeli roti.5% 75% 50% 67% 25% 50% 75% 50% 50% 75% . Jika membeli kopi. maka akan membeli gula. maka akan membeli susu. Jika membeli gula. Jika membeli gula. Jika membeli susu. 5/5 5/8 3/8 3/4 4/8 4/6 2/8 2/4 3/4 3/6 3/6 3/4 Confidence 100% 62.Aturan Jika membeli teh.5% 37. maka akan membeli gula. maka akan membeli gula. maka akan membeli susu. maka akan membeli kopi. maka akan membel susu. Jika membeli susu. Jika membeli gula. maka akan membeli roti. Jika membeli kopi. Jika membeli susu.

50% 67% 75% 75% 75% Confidence 50% 31. Jika membeli susu. maka akan membeli gula Jika membeli kopi. maka akan membeli susu Jika membeli gula dan kopi.50% 22. Jika membeli gula.40% 20% 67% 13.30% 26. maka akan membeli gula 20% 67% 13.80% 22. maka akan membeli gula. maka akan membeli susu Jika membeli kopi dan susu.50% .50% 22.Aturan asosiasi final berdasarkan support x confidence Support x Aturan Jika membeli teh. maka akan membeli susu Jika membeli roti. Jika membeli kopi. maka akan membeli teh.40% Support 50% 50% 40% 30% 30% 30% Confidence 100% 62. maka akan membeli gula.

pemodelan dan evaluasi y .Pembahasan Jurnal Penggunaan RANK yang dirancang untuk mengautomasi banyak pekerjaan penting yang harus dilakukan untuk menyediakan solusi pemodelan cross selling untuk prediksi. y RANK mengautomasi proses audit. transformasi data.

Jurnal (1) Audit Proses audit memungkinkan menganalisis proses distribusi variabel y Transformasi -Koreksi anomali. -Pengkodean ulang variabel -Linearisasi dan normalisasi vector space. -Pengelompokkan modalitas dalam sampel statistik yang valid. y .

Jurnal (2) Pengkodean ulang dilakukan secara otomatis oleh RANK terhadap data set sebagai berikut: y Penggabungan dari variabel kontinu y Pengkodean ulang y Pembuatan variabel dummy tambahan y Missing value .

. menggunakan parameter default. RANK membangun model regresi linear. setelah proses pengkodean ulang dan linearisasi dari vektor space.Jurnal (3) y Pemodelan yang dilakukan diciptakan secara otomatis oleh RANK.

kita menggunakan lima kali cross validasi.Jurnal (4) y Pemodelan Dalam proses running model. . Karena semua data masih berada dalam memory. RANK dapat melakukan komputasi beberapa model tiap detik.

dan dikembangkan oleh Orr (1995). y -Boot straps: interval nilai boot strap confidence di komputasi dalam pengujian guna membeikan nilai estimasi dari variansi model. y -Systematic cross-validation: seleksi variabel dilakukan berdasarkan lima tingkatan cross validation yang akan meningkatkan proses seleksi. Teknik ini dikenalkan oleh Hoerl and Kennard (1970) dan Tikhonov and Arsenin (1977). y -Variable pruning: variabel yang membuat noise dan overfitting akan dibuang selama proses backward pruning. menambahkan aturan term terhadap persamaan normal. dilakukan secara otomatis menggunakan teknik berikut : Ridge Regression: algoritma menggunakan teknik "Ridge Regression".Jurnal (5) Untuk menjaga Robustness dan mencegah overfitting. y .

kita dapat menghitung lift curve dan menetapkan diagram cumulative response .Jurnal (6) y Evaluasi Untuk mengevaluasi performansi model.

. dapat digunakan sebagai acuan penetapan strategi penjualan. data transaksi yang sebelumnya tidak terpakai.kesimpulan y Peningkatan revenue perusahaan merupakan dampak yang langsung bisa dirasakan didalam menerapkan strategi penjualan cross-selling ini. Dalam hal ini data mining menjadi konsep yang berperan sangat penting untuk mengekstrak data transaksi menjadi sebuah pengetahuan (knowledge) yang didapatkan dari association rules. Dengan perangkat bantuan teknik data mining.