Analisis data pengalaman belanja daring pelanggan.

Segmentasi pelanggan terpadu dan model prediksi

layanan khusus

Eugene Wong and Yan Wei

Tujuan dari makalah ini adalah untuk mengembangkan alat analisis perilaku pelanggan online,
menyegmentasikan pelanggan bernilai tinggi, menganalisis perilaku pembelian online mereka dan
memprediksi pembelian berikutnya dari perusahaan perjalanan udara online.

Sebuah tinjauan operasi dari proses belanja online pelanggan dari agen perjalanan online (OTA) dilakukan.
Alat analisis perilaku belanja pelanggan online dikembangkan. Alat ini mengintegrasikan penaksiran harga
data pesaing, segmentasi pelanggan, dan analisis prediktif. Dampak dari perubahan harga pesaing pada
keputusan pembelian pelanggan terkait produk OTA dievaluasi. Model terintegrasi untuk data penentuan
harga penambangan, mengidentifikasi calon pelanggan, dan memprediksi pembelian berikutnya akan
membantu OTA merekomendasikan paket produk yang disesuaikan untuk masing-masing pelanggan
dengan mengacu pada pola perjalanan mereka.

Temuan - Dalam analisis penganalisis pelanggan, 110.840 pelanggan diidentifikasi dan dibagi berdasarkan
perilaku pembelian mereka. Hubungan antara perilaku pembelian dalam OTA dan perubahan harga dari
OTA yang berbeda dianalisis. Ada hubungan yang signifikan antara durasi waktu penerbangan dan waktu
tunggu pembelian. Tujuan perjalanan berikutnya dari pelanggan bernilai tinggi segmen diprediksi dengan
mengacu pada pola perjalanan mereka dan signifikansi hubungan antara pasangan tujuan.

Dalam studi ini, model data mining dan analitik terintegrasi dikembangkan; setelah itu peninjauan operasi
dilakukan di kantor Hong Kong OTA internasional. Angka harga tiket penerbangan online dari pesaing OTA
dirayapi dalam model untuk analisis data real-time. Data pelanggan diprofilkan dan disegmentasikan
untuk analisis perilaku perjalanan penumpang. Sepuluh tujuan perjalanan dipilih untuk ditinjau. Harga
tiket dari OTA yang dipilih dan lima OTA saingannya diperoleh melalui perayapan data Web setiap hari
selama lima bulan.Secara keseluruhan, 110.843 profil pelanggan dan nilai pembelian pada tahun 2015
dan 2016 tercapai dan disegmentasi menggunakan model RFM dan CLV.Nilai tinggi dan pelanggan yang
menguntungkan diidentifikasi. Sistem yang dikembangkan memprediksi tujuan pelanggan berikutnya
untuk memfasilitasi promosi paket yang disesuaikan untuk klien potensial.