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 Mendukung sistem pengambilan keputusan (decision support system) melalui data historikal pelanggan untuk meningkatkan revenue bagi perusahaan 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.

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.Analisis pola frekuensi tinggi mencari kombinasi item yang memenuhi syarat minimum dari nilai support di database.Terbagi 2 tahap 1. 2. Pembentukan Aturan Asosiasi kita dapat mencari aturan asosiasi untuk memenuhi syarat minimum untuk confidence dengan menghitung nilai confidence A B .

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

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

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

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

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

Aturan asosiasi final berdasarkan support x confidence Support x Aturan Jika membeli teh. maka akan membeli gula Jika membeli kopi.40% 20% 67% 13. Jika membeli susu.50% . maka akan membeli susu Jika membeli gula dan kopi. Jika membeli kopi. maka akan membeli susu Jika membeli kopi dan susu. maka akan membeli gula.30% 26. maka akan membeli susu Jika membeli roti.50% 67% 75% 75% 75% Confidence 50% 31. maka akan membeli teh.80% 22. maka akan membeli gula.40% Support 50% 50% 40% 30% 30% 30% Confidence 100% 62.50% 22.50% 22. maka akan membeli gula 20% 67% 13. Jika membeli gula.

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

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

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. menggunakan parameter default. RANK membangun model regresi linear. setelah proses pengkodean ulang dan linearisasi dari vektor space. .

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

dilakukan secara otomatis menggunakan teknik berikut : Ridge Regression: algoritma menggunakan teknik "Ridge Regression". dan dikembangkan oleh Orr (1995). 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). y .Jurnal (5) Untuk menjaga Robustness dan mencegah overfitting. y -Systematic cross-validation: seleksi variabel dilakukan berdasarkan lima tingkatan cross validation yang akan meningkatkan proses seleksi. menambahkan aturan term terhadap persamaan normal. y -Boot straps: interval nilai boot strap confidence di komputasi dalam pengujian guna membeikan nilai estimasi dari variansi model.

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

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