Manfaat dan Penerapan Data Mining:

Studi Kasus Amazon.com

Disusun oleh:
Sari Dewi 17919021
Lia Yuanisa 17919024

PROGRAM PASCA SARJANA MAGISTER AKUNTANSI

FAKULTAS EKONOMI
UNIVERSITAS ISLAM INDONESIA
2018
PENDAHULUAN
Kemajuan teknologi menyebabkan data mining menjadi salah satu disiplin ilmu yang
akan terus berkembang baik dari kalangan komersil ataupun non komersil. Hal ini dapat
dilihat dari semakin berkembangnya teknologi informasi (komputer) dan sistem informasi
untuk mengolah data yang jumlahnya sangat besar. Munculnya internet telah mendatangkan
peluang bisnis yang semakin hari semakin berkembang, salah satunya e-commerce. Apalagi
big data yang didapatkan oleh bisnis online cukup banyak karena informasi ini jelas
digunakan untuk mencari keuntungan kompetitif. Selain itu informasi tersebut kemudian
digunakan untuk meningkatkan pendapatan perusahaan dan mengurangi biaya ke tingkat
yang signifikan.

LANDASAN TEORI
Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan
pengetahuan di dalam database, atau dapat diartikan sebagai sebuah proses yang
menggunakan teknik statistik, matematika, kecerdasan buatan dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit
dari berbagai proses besar (Turban, Aronson, & Liang, 2008). Menurut Garnet Group, data
mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan
dengan memeriksa denga sekumpulan besar data yang tersimpan dalam penyimpanan dengan
menggunakan teknik pengenalan pola seperti teknik stastik dan matematika (Nofriansyah,
2014)
Data mining dapat mempercepat analisis dengan memusatkan perhatian pada veriabel
yang paling penting. Masing-masing kelas aplikasi data mining didukung oleh satu set
pendekatan algoritmik untuk mengekstraksi hubungan-hubngan yang relevan di dalam data.
Beberapa pendekatan kelas– kelas yang dapat di pecahkan (Haskett, 2000) :
1 Classification tindakan untuk memberikan kelompok pada setiap keadaan. Setiap
keadaan berisi sekelompok atribut, salah satunya adalah class attribute. Metode
ini butuh untuk menemukan sebuah model yang dapat menjelaskan class attribute
itu sebagai fungsi dari input attribute.

2 Clustering adalah metode data mining yang Unsupervised, karena tidak ada satu
atributpun yang digunakan untuk memandu proses pembelajaran, jadi seluruh
atribut input diperlakukan sama. Kebanyakan Algoritma Clustering membangun

2
 sebuah model melalui serangkaian pengulangan dan berhenti ketika model
tersebut telah memusat atau berkumpul (batasan dari segmentasi ini telah stabil)
3 Association juga disebut sebagai Market Basket Analysis. Sebuah problem bisnis
yang khas adalah menganalisa tabel transaksi penjualan dengan mengidentifikasi
produk-produk yang seringkali dibeli bersamaan oleh customer.
4 Metode Regression mirip dengan metode Classification, yang membedakannya
adalah metode regression tidak bisa mencari pola yang dijabarkan sebagai class
(kelas). Metoda regression bertujuan untuk mecari pola dan menentukan sebuah
nilai numerik.
5 Forecasting adalah teknik perkiraan dengan mengambil sederetan angka yang
menunjukkan nilai yang berjalan seiring waktu dan kemudian teknik forecasting
ini akan menghubungkan nilai masa depan dengan menggunakan bermacam-
macam teknik machine-learning dan teknik statistik yang berhubungan dengan
musim, trend, dan noise pada data.
6 Sequence Anlysis digunakan untuk mencari pola pada serangkaian kejadian yang
disebut dengan Sequence.

Tahap Proses Data Mining

Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap
proses tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan
knowledge base. Tahap-tahap data mining adalah sebagai berikut:
a. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilang-kan noise dan data yang tidak
konsisten atau data tidak relevan.
b. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam
satu database baru.
c. Seleksi data (data selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu
hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
d. Transformasi data (data transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam
data mining.

3
 e. Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.
f. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang
ditemukan.
g. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang
digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.
Data mining menggunakan berbagai peranti analisis data untuk menemukan pola-pola
dan hubungan di dalam data yang mungkin digunakan untuk membuat ramalan yang akurat.
Data mining membantu organisasi mengembangkan model yang akurat untuk pelanggan dan
pelanggan prospektif mereka. Tujuh langka data mining adalah (Herbert Edelstein, 2001):
1. Menentukan masalah bisnis
2. Membangun (menemukan atau memperoleh) database data mining
3. Menyelidiki data
4. Menyiapkan data untk pemodelan
5. Membangun (atau menemkan) model
6. Mengevaluasi model
7. Bertindak atas hasil yang diperoleh

Kesalahan – Kesalahan pada Data Mining

Berikut ini kesalahan data mining yang sering dibuat dalam praktik. Berusahalah
untuk menghindarinya :
1. Memilih data yang salah untuk data mining.
2. Mengabaikan apa yang dipikirkan oleh sponsor anda soal data mining tersebut
dan apa yang benar-benar dapat dan tidak dapat lakukan.
3. Tidak memberi cukup waktu ntuk persiapan data. Persiapan data memakan
banyak usaha disbanding yang umumnya dipahami.
4. Hanya melihat pada hasil dikumpulkan, tidak pernah pada arsip individu.
5. Asal-asalan dalam mengawasi prosedur dan hasil data mining
6. Mengakibatkan penemuan yang mencurigakan dan dengan cepat terus
melanjutkan proses.

4
 7. Menjalankan algoritma mining secara berulang dan dengan membabi buta. Tidak
berpikir keras tentang tahap berikutnya dari analisis data. Data mining merupakan
satu aktivitas yang sangat langsung.
8. Memercayai segala informasi yang anda terima mengenai data.
9. Memercayai segala informasi yang di terima mengenai data.
10. Mengukur hasil anda dengan cara yang berbeda dari caa yang dilakkan oleh
sponsor.

Peranti dan Teknik-teknik Data Mining

Ada banyak metode untuk melakkan data mining. Salah satu teknik pembeda dalam
perangkat lunak data mining. Teknik dan peranti data mining dapat digolongkan berdasakan
struktur data dan algoritma yang digunakan, teknik utama yang digunakan adalah :
1. Metode Stastistik. Meliputi regresi linier dan nonlinier, poin, estimasi, dalil bayes
(distribsi probabilitas), korelasi, dan analisis cluster.
2. Pohon keputusan. Pohon keputusan digunakan dalam klasifikasi dan metode
clustering
3. Pemikiran berbasis kasus. Dengan menggnakan kasus historis, pendekatan
pemiiran berbasis kasus dapat dignakan untuk mengenali berbagai pola
4. Komputasi saraf. Jaringan saraf menggunakan banyak node terkoneksi (yang
beroperasi dalam suatu cara yang serupa dengan bagaimana saraf otak manusia
befungsi) pendekatan ini menguji suatu sejumlah besar data historis untuk
berbagai pola
5. Agen cerdas. Salah satu dari pendekatan paling menjanjikan untk mendapatkan
kembali informasi dari database, terutama informasi eksternal adalah penggunaan
agen cerdas. Dengan ketersedian sejumlah luas informasi yang terus bertumbuh
melalui internet, menemukan informasi yang tepat menjadi semakin sulit.
6. Algoritma genetika. Algoritma genetika bekerja pada prinsip perluasan hasil akhir
yang mungkin dicapai. Dengan menetapkan jumlah tertentu dari hasil akhir yang
mungkin dicapai. Dengan menetapkan jmlah tetentu dari hasil akhir yang
mungkin dicapai, algoritma genetika berusaha menentukan solusi baru dan lebih
baik.
7. Peranti-peranti lainnya. Beberapa peranti lain dapat digunakan, meliputi induksi
aturan dan visualisasi data. Sumber terbaik pengembangan peranti baru adalah
website vendor.

5
PEMBAHASAN
Data harus diolah menjadi pengetahuan supaya bisa bermanfaat bagi manusia.
Pengetahuan tadi dapat membantu manusia dalam melakukan estimasi dan prediksi apa yang
akan terjadi di masa yang akan datang; melakukan analisis tentang asosiasi, korelasi, dan
pengelompokkan antar data dan atribut; serta membantu manusia dalam pengambilan
keputusan dan pembuatan kebijakan. Data mining menerapkan teknik analisis data tingkat
lanjut yang digunakan oleh perusahaan untuk menemukan pola tidak terduga yang diambil
dari sejumlah data besar, pola tersebut menawarkan pengetahuan yang relevan untuk
memprediksi hasil di masa mendatang. Sehingga bisa dibilang tujuan dari data mining adalah
menemukan pola yang menarik dan relevan dalam satu set data yang dapat digunakan untuk
memprediksi perilaku di masa depan.
Dengan kata lain, data mining relevan untuk membangun sistem pendukung
keputusan. Alasan pertama karena data mining dapat membantu mengidentifikasi hubungan
dan aturan yang dapat dimasukkan kedalam Sistem Pendukung Keputusan (SPK) berbasis
pengetahuan. Kedua, penalaran berbasis kasus dapat digunakan untuk membuat SPK berbasis
pengetahuan tertentu dapat digunakan oleh manajer atau orang yang mendiagnosis kasus
tersebut. Ketiga, alat visualisasi data yang dapat digunakan dari kumpulan data terstruktur
untuk membantu manajer dalam membuat keputusan berulang dimana kumpulan data secara
rutin diperbarui.
Metode data mining digunakan untuk mengekstraksi pola tersembunyi dari data,
kemudian diklasifikasikan ke dalam dua kategori, yaitu: metode deskripsi dan metode
prediksi. Metode deskripsi berorientasi pada interpretasi data yang berfokus pada pemahaman
dengan visualisasi. Metode prediksi bertujuan secara otomatis membangun model perilaku
untuk memperoleh sampel baru yang tidak terlihat serta mampu memprediksi nilai dari satu
atau lebih variabel yang terkait dengan sampel tersebut.
Pertumbuhan jumlah data yang terus meningkat menjadikan metode data mining
secara otomatis mengidentifikasi pola dan makna untuk menghasilkan informasi serta
pengetahuan yang bermanfaat di berbagai bidang yang dapat memenuhi tujuan berikut ini:
a. Bisnis. Data mining dapat diterapkan di ritel, perbankan dan asuransi untuk
kegiatan seperti segmentasi pelanggan dan retensi, analisis keranjang pasar atau
deteksi penipuan.
b. Edukasi. Data mining dapat diterapkan untuk mengelompokkan siswa,
memprediksi kinerja siswa, perencanaan dan penjadwalan kursus atau memahami
perilaku siswa.
6
 c. Sains dan teknik. Data mining dapat digunakan untuk bidang seperti
bioinformatika, astronomi, kedokteran, genetika, daya listrik, telekomunikasi atau
perkiraan iklim.
Data mining telah berkembang dalam dua dekade terakhir, menjadi proses penemuan
mendasar yang memasukkan beberapa teknik dari bidang lain termasuk statistik, mesin dan
sistem database. Keragaman data dan banyaknya teknik data mining menyediakan berbagai
aplikasi tentang data mining yang telah meningkatkan kebutuhan manusia.
Area bisnis yang berhasil menerapkan data mining diantaranya pada bidang (Petre,
2013):
1. Ritel. Data mining pada ritel dapat membantu mengidentifikasi perilaku pembelian
konsumen, menemukan pola dan tren belanja konsumen, meningkatkan kualitas
layanan konsumen, meraih retensi konsumen dan kepuasan yang lebih baik,
meningkatkan rasio konsumsi barang, merancang kebijakan transportasi dan distribusi
barang yang lebih efektif, serta mengurangi biaya bisnis. Teknik data mining untuk
industri ritel diantaranya:
 Segmentasi konsumen: identifikasi kelompok konsumen dan hubungan setiap
konsumen dengan kelompok yang tepat.
 Retensi konsumen: identifikasi pola belanja konsumen dan menyesuikan
dengan portofolio produk, harga serta promosi yang ditawarkan.
 Analisis ekspedisi penjualan: memprediksi efektivitas ekspedisi penjualan
berdasarkan faktor-faktor tertentu, seperti diskon yang ditawarkan atau iklan
yang digunakan.
2. Perbankan. Ada berbagai area dimana data mining dapat digunakan di sektor
keuangan seperti, segemnetasi nasabah dan profitabilitas, analisis kredit, memprediksi
gagal pembayaran, pemasaran, transaksi penipuan, peringkat investasi,
mengoptimalkan portofolio saham, manajemen kas dan peramalan operasi, sampai
pada mengetahui nasabah kartu kredit yang paling menguntungkan. Contoh utama
penerapan teknik data mining dalam industri perbankan atau keuangan adalah sebagai
berikut:
 Credit scoring: membedakan faktor-faktor seperti riwayat pembayaran
nasabah, yang dapat memiliki pengaruh tinggi atau rendah atas pembayaran
pinjamannya.

7
  Segmentasi nasabah: membentuk kelompok nasabah dan memasukkan setiap
nasabah baru dalam kelompok yang tepat.
 Rentensi nasabah: identifikasi pola belanja dan disesuaikan portolio produk,
harga dan promosi yang ditawarkan.
 Memprediksi profitabilitas nasabah: mengidentifikasi pola berdasarkan
berbagai faktor, seperti produk yang digunakan oleh pelanggan untuk
memprediksi profitabilitas nasabah.
3. Asuransi. Data mining dapat membantu perusahaan asuransi dalam praktik bisnis
seperti, memperoleh konsumen baru, mempertahankan konsumen yang sudah ada,
melakukan klasifikasi canggih atau korelasi antara perancangan kebijakan dan
pemilihan kebijakan. Teknik data mining di perusahaan asuransi dimanfaatkan untuk:
 Identifikasi faktor resiko: analisis faktor seperti riwayat klaim konsumen atau
pada perilaku yang dapat memiliki pengaruh yang tinggi atau rendah atas
tingat resiko tertanggung.
 Deteksi penipuan: menetapkan pola penipuan dan menganalisis faktor-faktor
yang menunjukkan profitabilitas tinggi kecurangan untuk klaim.
 Segmentasi dan retensi konsumen: membetuk kelompok yang sesuai dan
memasukkan setiap konsumen baru ke kelompok yang sesuai serta
mengidentifikasi diskon atau paket yang akan meningkatkan loyalitas
konsumen.
Fitur utama dari solusi data mining untuk bisnis (Petre, 2013) terbagi menjadi enam
kegiatan yang terdiri dari:
a. Memilih data: identifikasi kumpulan data yang digunakan untuk analisis spesifik
dan tingkatkan kumpulan data yang dipilih pada awalnya jika diperlukan.
b. Mempersiapkan data: mengubah dan membersihkan data sehingga dalam format
yang tepat untuk menerapkan teknik data mining.
c. Memilih teknik data mining: pilih algoritma yang terkait dengan teknik data
mining yang cocok untuk analisis yang diperlukan.
d. Mengkonfigurasi pengaturan untuk teknik data mining: mengkonfigurasi untuk
algoritma yang dipilih parameter yang diperlukan.
e. Melaksanakan proses penambangan data: jalankan proses penambangan data
yang dikonfigurasi.

8
 f. Melihat hasil proses penambangan data: melihat hasil yang dihasilkan oleh
pelaksanaan proses penambangan data.

Arsitektur solusi data mining untuk bisnis (Petre, 2013)

Data diambil dari sumber data, baik sistem operasional dan file data, dan dimuat
melalui proses ETL (Extract, Transform and Load) ke gudang data. Gudang data dapat berisi
data mentah - data dalam format terperinci, seperti yang telah diekstrak, data ringkasan - data
yang telah dikumpulkan dan diubah dan metadata, data yang memberikan informasi tentang
data mentah dan ringkasan milik gudang data. Data milik gudang data dapat diatur dalam
data mart.
Mesin data mining yang dapat digunakan untuk memperoleh analisis lanjutan, dan
dilanjutkan ke interface pengguna grafis yang menyediakan akses ke fitur utama dari solusi
tersebut, seperti yang disajikan dalam gambar: pilih dan siapkan data, pilih teknik data
mining, konfigurasikan pengaturan dan jalankan proses data mining, kemudian lihat hasil
yang diperoleh. Pengguna bisnis dapat mengakses Graphical user interface (GUI) dari
berbagai perangkat, seperti desktop, laptop, tablet, atau seluler.
Alat data mining yang tersedia secara komersial mengimplementasikan berbagai
teknik data mining untuk melakukan analisis data lanjutan pada volume data yang besar.
Contohnya IBM SPSS Modeler, yang dikembangkan oleh IBM, alat data mining termasuk
Microsoft SQL Server Analysis Services, Oracle Data Mining, yang tertanam dalam database
Oracle, SAS Enterprise Miner diproduksi oleh SAS, dan STATISTICA Data Miner yang
dikembangkan oleh StatSoft.

9
STUDI KASUS AMAZON.COM
Amazon adalah salah satu perusahaan besar yang menjual barangnya melalui internet,
didirikan oleh Jeff Bezos pada November 1994 di Seattle, Amerika Serikat. Amazon
membuka situs e-commerce pada tahun 1995, dan pertama kali produk yang dijual adalah
buku kemudian dengan cepat meluas ke produk lain. Tahun 2002 Amazon.com dinobatkan
menjadi toko online terbaik versi majalah Yahoo karena penjualan atas order konsumennya
melebihi 56 juta item. Kesuksesan Amazon dilatarbelakangi oleh penerapan data mining
untuk pemasaran produk dalam berbagai aspek sehingga perusahaan mencapai keunggulan
kompetitifnya.
Data Mining bagi Amazon diterapkan untuk konsep desain dan analisis dalam
Customer Relationship Management (CRM). Tujuan dari data mining dalam CRM ini adalah
untuk mengesktrak informasi yang perlu didalam menyediakan layanan kepada konsumen
secara efisien. Memiliki jutaan pelanggan di seluruh dunia, Amazon menjadi toko online
terbesar yang menawarkan produk dan layanan luar biasa secara online. Mereka memiliki
basis data pelanggan yang luar biasa dan mereka menggunakan data ini untuk membangun
hubungan yang kuat dengan pelanggan. Hasil dari analisis dan ringkasan informasi yang
berguna tentang pelanggan tersebut digunakan oleh Amazon untuk merancang strategi
mengenai promosi dan peningkatan produk. Konsep data mining telah diterapkan dari rantai
pasokan ke operasi pemasaran (Zatari, 2015).
Amazon merupakan perusahaan yang menempatkan konsumen sebagai fokus
utamanya. Seluruh sturktur organisasi di perusahaan diajarkan untuk selalu mengutamakan
value untuk konsumen dan menargetkan operational excellence yang memberikan
pengalaman berbelanja yang memuaskan kepada konsumen. Maka dari itu, penerapan CRM
di Amazon sangat penting dan menjadi pusat perhatian utama. Karena sifat internet, bisnis e-
commerce mendapatkan banyak data tentang konsumennya atau calon konsumen. Data
diperoleh setiap kali pembelian dilakukan, akun dibuat, atau saat menampilkan halaman situs.
Data mentah ini dapat berasal dari basis data yang terkait dengan situs web dimana
menyimpan semua informasi akun dan pembayarannya.

Metode dan Analisis Data Mining Amazon

Pada awal ketika Amazon hanya menjual buku secara ecer, perusahaan menggunakan
alogaritma secara ekstensif sehingga dapat memberikan rekomendasi untuk konsumen.
Contohnya “Customers who bought this item, also bought this one…” Amazon menggunakan
pendekatan data mining berupa alogaritma, yang memungkinkan perusahaan dapat

10
memprediksi keinginan konsumen. Alogaritma Apriori adalah sebuah alogaritma pencarian
pola yang sangat populer dalam teknik penambangan data. Alogaritma unu ditnjukkan untuk
mencari kombinasi item-set yang mempunyai suatu nilai keseringan tertentu sesuai dengan
kriteria atau filter yang diinginkan. Hasil dari alogaritma ini dapat digunakan untuk
membantu dalam pengambilan keputusan pihak manajemen.
Model perkiraan ini menggunakan data dari aktivitas konsumen Amazon sebelumnya,
termasuk aktivitas konsumen saat di situs website, durasi penayangan, tautan yang diklik,
aktivitas keranjang belanja, dan daftar keinginan. Data mining berupa alogaritma dibangun
sendiri dengan mempekerjakan paa ilmuwan dan insinyur. Tim ini menjawab pertanyaan
operasional yang umum seperti tempat menyimpan produk, dimana memesan, sistem gudang,
dan bahkan cara memilih kotak paketan (Martinez, 2017).
Di Amazon, Layanan Konsumen (Customer Service) memiliki akses untuk melengkapi data
pelanggan dan dapat menganalisis masalah dan mendiskusikannya segera setelah mendapat
telepon dari pelanggan. Para pelanggan akan merasa nyaman dan rileks setelah mereka tahu
masalahnya. Pedagang yang cerdas seperti Amazon membuat penggunaan data yang efektif
dikumpulkan melalui sumber yang efektif kemudian menggunakan hasilnya secara lebih
wajar. Data pelanggan telah menjadi cara Amazon dalam membangun merek yang kuat dan
loyalitas pelanggan melalui data mining yang efektif. Setiap pelanggan diperlakukan sebagai
individu dan diberikan prioritas. Selain itu, sejarah pembelian pelanggan Amazon membantu
perusahaan untuk mengidentifikasi preferensi dan pilihan pelanggan. Sehingga berdampak
pada strategi pemasaran yang mana iklan akan ditunjukkan pada pelanggan yang tepat sesuai
pilihan.
a. Basket Analysis
Salah satu pendekatan yang digunakan disebut basket analysis dimana perilaku
pelanggan diprediksi dengan kinerja masa lalu tergantung pada pembelian dan
preferensi. Contohnya kebanyakan pelanggan menggunakan kartu kredit saat
berbelanja online, sehingga data dari transaksi tersebut digunakan untuk mengevaluasi
perilaku pelanggan melalui batas kredit, suku bunga, dan persyaratan. Data ini juga
dapat digunakan untuk mengidentifikasi penipuan dalam transaksi online.
Basket Analysis adalah salah satu teknik utama yang digunakan oleh pengecer
besar untuk mengungkap hubungan antar item. Analisi ini bekerja dengan mencari
kombinasi barang yang sering terjadi bersama dalam transaksi lainnya. Dengan kata
lain, memungkinkan pengecer untuk mengidentifikasi hubungan antara barang-barang
yang dibeli orang. Cara kerja basket analysis diibaratkan seperti melihat ribuan
11
 keranjang belanja, algoritme menentukan adanya hubungan antara sereal dan susu -
karena orang cenderung membelinya bersama. Hubungan itu bisa kuat, atau lemah,
dan berdasarkan data algoritma hubungan tersebut bisa dinilai. Jika dibayangkan
kedalam skala besar seperti Amazon, maka orang dapat memiliki banyak item berbeda
di keranjang mereka selama periode waktu yang berbeda. Bukankah lebih bagus lagi
jika perusahaan dapat melihat keranjang mereka, kemudian menemukan item terkait,
dan menggunakan hubungan tersebut untuk membuat rekomendasi. Misalnya,
konsumen baru saja menambahkan palu ke keranjang mereka, jadi perusahaan dapat
merekomendasikan paku populer. Basket Analysis adalah algoritma yang sangat
mendasar untuk memining hubungan tersebut, meskipun Amazon pasti menggunakan
metode yang jauh lebih rumit.
b. Remote Computing
Pendekatan ini dilakukan dengan mengidentifikasi dan mengevaluasi
keinginan pelanggan melalui penelitian yang efektif dan memberikan apa yang
mereka inginkan. Strategi pemasaran mereka dirancang melalui fokus data mining
pada tiga hal:
 Pelanggan peduli dengan harga dan diskon. Amazon telah memfokuskan
diri untuk menawarkan produk yang kompetitif kepada pelanggan.
Pelanggan menikmati pengalaman yang dapat diandalkan saat berbelanja
di Amazon. Ini dilakukan melalui pengaturan biaya tetap untuk
inventaris besar dan pelanggan.
 Pelanggan diberikan daftar wishlists, rekomendasi dan pencarian fasilitas
produk. Mereka dapat pergi untuk pengiriman pada hari yang sama
dengan menempatkan pesanan kapan saja.
 Menawarkan berbagai macam produk, mereka bukan hanya pengecer
tetapi bertindak sebagai platform untuk pembeli dan penjual. Layanan
Amazon tersedia 24 jam dan dalam kondisi operasi. Upaya pemasaran
mereka telah memberi mereka proyeksi pendapatan yang tidak dapat
dilihat di mana pun. Pengukuran dan pengelolaan email sepenuhnya
otomatis di mana kotak masuk pelanggan dikelola sehingga mereka tidak
menerima penawaran romotional terlalu banyak atau terlalu sedikit.
Pelanggan yang memiliki penelusuran produk yang sama dihubungkan
bersama untuk mengidentifikasi perilaku rata-rata (Meadows, 2013).

12
 Data dikelola dengan sangat efisien sehingga pelanggan individu
mendapat rekomendasi unik berdasarkan riwayat pembeliannya. Tautan
sponsor juga tersedia di situs yang dibeli berdasarkan biaya per klik.
Amazon telah memperkenalkan namanya di pasar melalui pemasaran
prediktif. Membuat potret komersial dari setiap pelanggan, perusahaan
telah mendapat kesuksesan dengan memprediksi pembelian pelanggan di
masa depan. Itu hanya mengambil kesempatan dan membangun
hubungan pelanggan yang kuat. Perubahan dan penyesuaian yang
diperlukan dibuat di amazon setiap hari untuk menarik lebih banyak
pelanggan. Keputusan bisnis yang baik oleh Amazon telah membawanya
di antara pemain raksasa di pasar.

KESIMPULAN
Perkembangan data mining dibersamai dengan perkembangan teknologi informasi
sehingga perubahannya selalu terjadi kapan saja. Saat ini dunia bisnis telah melakukan
banyak aktivitas yang berhubungan dengan informasi, dan untuk teknik yang berguna untuk
meringkas informasi tersebut saat database sangat luas dengan menggunakan data mining.
Penerapan data mining bisa dilakukan dengan menggunakan software atau aplikasi lain atau
dapat membuat sendiri untuk digunakan dalam perusahaan, sehingga perusahaan bisa
mengidentifikasi hubungan antara faktor internal dan eksternal yang mempengaruhi
penjualan, pemasaran, keuntungan dan sampai kepuasan pelanggan.
Perusahaan Amazon salah satu perusahaan yang memanfaatkan data mining dan
menerapkannya di rantai nilai perusahaan. E-commerce yang kini sudah berumur lebih dari
20 tahun ini mencapai kesuksesan dengan membuat alogaritma data mining sendiri untuk
meningkatkan proses serta layanan perusahannya. Apalagi Amazon memusatkan data mining
untuk keperluan kepuasan pelanggan dan pemasaran. Data yang mereka peroleh setiap
harinya dari para pelanggan selalu diproses untuk mendapatkan pengetahuan yang
bermanfaat sehingga dapat digunakan oleh manajemen untuk mendukung keputusan mereka
dalam berbisnis.

13
DAFTAR PUSTAKA
Martinez, M. (27 September 2017). Amazon: Everything You Wanted to Know About Its
Alogarithm and Innovation. Retrieved from Internet Computing:
https://publications.computer.org/internet-computing/2017/09/27/amazon-all-the-
research-you-need-about-its-algorithm-and-innovation/
Nofriansyah, D. (2014). Konsep Data Mining & Sistem Pendukung Keputusan. Yogyakarta:
Deepublish.
Petre, R. (2013). Data Mining Solutions for the Business Environment. Database System
Journal Vol. 4, No. 4, 21-28.
Turban, E., Aronson, J., & Liang, T. (2008). Decision Support Systems and Intelligent
Systems 7th Edition. Indonesia: Andi Publisher.
Zatari, T. (2015). Data Mining by Amazon. International Journal of Scientific & Engineering
Research, Vol. 6, Issue 6, 867-868.

14