P. 1
presentasi

presentasi

|Views: 44|Likes:
Dipublikasikan oleh yudhasaintika

More info:

Published by: yudhasaintika on Dec 30, 2010
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPTX, PDF, TXT or read online from Scribd
See more
See less

12/04/2012

pdf

text

original

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

y Sebagai masukan bagi penetapan strategi cross-selling pada CRM untuk menjawab kebutuhan pelanggan secara akurat.Tujuan Memahami lebih mendalam peran CRM dan teknik data mining dalam memahami perilaku pembelian pelanggan. 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 .

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

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

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 .

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

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

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

Jika membeli roti. Jika membeli susu. maka akan membeli kopi. 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. maka akan membeli gula. maka akan membeli roti. maka akan membeli susu. maka akan membeli teh. maka akan membeli gula. maka akan membeli gula. Jika membeli susu. Jika membeli gula. maka akan membeli roti. Jika membeli gula. Jika membeli kopi.Aturan Jika membeli teh. Jika membeli kopi. maka akan membel susu.5% 37. Jika membeli gula. maka akan membeli kopi. Jika membeli susu. Jika membeli roti. Jika membeli gula.5% 75% 50% 67% 25% 50% 75% 50% 50% 75% . maka akan membeli susu. maka akan membeli gula.

maka akan membeli gula. Jika membeli gula.50% 22. maka akan membeli gula 20% 67% 13.50% 22.Aturan asosiasi final berdasarkan support x confidence Support x Aturan Jika membeli teh.50% .80% 22. Jika membeli kopi. maka akan membeli teh. maka akan membeli susu Jika membeli kopi dan susu. maka akan membeli gula.30% 26. maka akan membeli susu Jika membeli roti. maka akan membeli susu Jika membeli gula dan kopi. maka akan membeli gula Jika membeli kopi. Jika membeli susu.40% 20% 67% 13.40% Support 50% 50% 40% 30% 30% 30% Confidence 100% 62.50% 67% 75% 75% 75% Confidence 50% 31.

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.

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

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 .

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

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

menambahkan aturan term terhadap persamaan normal. y . 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.Jurnal (5) Untuk menjaga Robustness dan mencegah overfitting. dilakukan secara otomatis menggunakan teknik berikut : Ridge Regression: algoritma menggunakan teknik "Ridge Regression". y -Variable pruning: variabel yang membuat noise dan overfitting akan dibuang selama proses backward pruning. Teknik ini dikenalkan oleh Hoerl and Kennard (1970) dan Tikhonov and Arsenin (1977).

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

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

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->