ABSTRAK:

Klasifikasi dan ekstraksi pola dari data pelanggan sangat penting untuk
dukungan bisnis dan
pengambilan keputusan. Identifikasi yang tepat waktu terhadap tren yang
baru muncul sangat penting dalam proses bisnis.
Perusahaan-perusahaan besar memiliki volume data yang sangat besar tetapi
lapar akan pengetahuan. Untuk mengatasi
organisasi masalah saat ini, generasi baru teknik diperlukan yang memiliki
kecerdasan dan kemampuan
memecahkan kelangkaan pengetahuan dan teknik ini disebut Data mining.
Tujuan dari makalah ini adalah untuk
mengidentifikasi pelanggan high-profit, bernilai tinggi, dan berisiko
rendah dengan salah satu teknik penambangan data - pelanggan
pengelompokan. Pada tahap pertama, pembersihan data dan mengembangkan pola
melalui pengelompokan demografis
algoritma menggunakan IBM I-Miner. Pada tahap kedua, profilkan data,
kembangkan kluster dan identifikasi
pelanggan berisiko rendah bernilai tinggi. Cluster ini biasanya mewakili
10-20 persen pelanggan yang
menghasilkan 80% dari pendapatan.
KATA KUNCI:
Data mining, pengelompokan pelanggan dan I-Miner

1. PERKENALAN

Untuk bisnis yang sukses, identifikasi pelanggan high-profit, berisiko rendah, dan pertahankan
mereka

pelanggan dan membawa pelanggan tingkat berikutnya ke atas cluster adalah tugas utama bagi
pemilik bisnis

dan pemasar. Secara tradisional, pemasar pertama-tama harus mengidentifikasi kelompok pelanggan
menggunakan matematika

mode dan kemudian menerapkan rencana kampanye yang efisien untuk menargetkan pelanggan
yang menguntungkan (1-4). Ini

proses menghadapi masalah yang cukup besar. Sebagian besar penelitian sebelumnya menggunakan
berbagai matematika

model untuk pelanggan segmen tanpa mempertimbangkan korelasi antara cluster pelanggan dan

program kampanye / loyalitas. Apalagi karena kemajuan komputasi dan penyimpanan informasi

area perusahaan besar menumpuk volume data yang besar dan model matematika tradisional

sulit memprediksi segmentasi dan pola. Akibatnya, informasi yang berguna sering

diabaikan, dan manfaat potensial dari peningkatan kemampuan pengumpulan data dan komputasi

hanya sebagian yang disadari. Hanya melalui teknik penambangan data, adalah mungkin untuk
mengekstrak berguna

pola dan asosiasi dari data pelanggan (5). Teknik penambangan data seperti pengelompokan dan
asosiasi dapat digunakan untuk menemukan pola bermakna untuk prediksi masa
depan (6,7). Pelanggan Jurnal Internasional Sistem Manajemen Database
(IJDMS) Vol.3, No.4, November 2011
2
pengelompokan dan segmentasi adalah dua teknik yang paling penting yang
digunakan dalam pemasaran dan
pengelolaan hubungan pelanggan. Mereka menggunakan data transaksi pembelian
pelanggan untuk melacak pembelian
perilaku dan membuat inisiatif bisnis strategis. Bisnis dapat menggunakan
data ini untuk membagi pelanggan
menjadi segmen berdasarkan variabel "nilai pemegang saham" seperti
profitabilitas pelanggan saat ini, beberapa
ukuran risiko, ukuran nilai umur pelanggan, dan probabilitas retensi.
Menciptakan
segmen pelanggan berdasarkan variabel tersebut menyoroti peluang pemasaran
yang jelas.
Makalah ini disusun sebagai berikut. Bagian 2 membahas tentang Penelitian
latar belakang. Bagian 3 secara singkat
meninjau penambangan data dan teknik pengelompokan yang berbeda. Arsitektur
yang diusulkan, eksperimen
dan hasil dibahas dalam bagian 4. Bagian 5 menyimpulkan kertas dan
memberikan saran untuk
pekerjaan masa depan.\

2. PENELITIAN BAGROUND
Di pasar tradisional, pengelompokan / segmentasi pelanggan adalah salah
satu metode yang paling signifikan
digunakan dalam studi pemasaran. Penelitian ini mengklasifikasikan
pengelompokan / segmentasi pelanggan yang ada
metode ke dalam pendekatan yang berorientasi pada metodologi dan aplikasi.
Sebagian besar metodologid
studi menggunakan metodologi matematika; misalnya statistik, neural net,
generic algorithm (GA)
dan Fuzzy mengatur untuk mengidentifikasi kelompok homogen yang di
segmentasi optimal (8-15).
Dalam beberapa tahun terakhir, telah diakui bahwa teknik pengelompokan yang
dipartisi sangat cocok untuk
mengelompokkan kumpulan data besar karena persyaratan komputasinya yang
relatif rendah. Perilaku
pengelompokan dan segmentasi membantu memperoleh inisiatif pemasaran
strategis dengan menggunakan variabel-variabel itu
menentukan nilai pemegang saham pelanggan. Dengan melakukan pengelompokan
dan segmentasi demografi
dalam segmen perilaku, kita dapat mendefinisikan kampanye pemasaran taktis
dan pilih
saluran pemasaran dan iklan yang sesuai untuk kampanye taktis. Itu mungkin
untuk
target pelanggan tersebut paling mungkin untuk menunjukkan perilaku yang
diinginkan dengan membuat model prediktif.
Dalam pekerjaan ini algoritma pengelompokan demografi digunakan untuk
mengidentifikasi pengelompokan pelanggan. Di
fase 1, data pelanggan dibersihkan dan dikembangkan pola menggunakan
berbagai parameter dan
selanjutnya, dalam fase 2 memetakan data, mengembangkan kelompok dan
mengidentifikasi nilai tinggi
pelanggan berisiko rendah. Dari hasil eksperimen itu menunjukkan bahwa
pendekatan yang diusulkan akan
menghasilkan pola yang lebih berguna dari data besar.
3. METODE DATA MINING DAN CLUSTERING
Data mining - juga dikenal sebagai knowledge-discovery in databases (KDD)
adalah proses ekstraksi
informasi yang berpotensi bermanfaat dari data mentah. Mesin perangkat
lunak dapat memindai sejumlah besar data
dan secara otomatis melaporkan pola yang menarik tanpa memerlukan campur
tangan manusia. Lain
teknologi penemuan pengetahuan adalah Analisis Statistik, OLAP, Visualisasi
Data, dan Iklan
pertanyaan hoc. Tidak seperti teknologi ini, penambangan data tidak
mengharuskan manusia untuk bertanya secara spesifik
pertanyaan.
Secara umum, Data mining memiliki empat hubungan utama. Mereka:
(i) Kelas
(ii) Cluster
Jurnal Internasional Sistem Manajemen Database (IJDMS) Vol.3, No.4,
November 2011
3
(iii) Asosiasi
(iv) Pola berurutan.
(i) Kelas: Data yang tersimpan digunakan untuk mencari data dalam kelompok
yang telah ditentukan. Misalnya, a
rantai restoran dapat menambang data pembelian pelanggan untuk menentukan
kapan pelanggan
kunjungi dan apa yang biasanya mereka pesan. Informasi ini dapat digunakan
untuk meningkatkan lalu lintas
dengan memiliki spesial sehari-hari.
(ii) Cluster: Item-item data dikelompokkan berdasarkan hubungan logis atau
konsumen
preferensi. Misalnya, data dapat ditambang untuk mengidentifikasi segmen
pasar atau
kedekatan konsumen.
(iii) Asosiasi: Data dapat ditambang untuk mengidentifikasi asosiasi.
Contoh bir-popok adalah
contoh penambangan asosiatif.
(iv) Pola berurutan: Data ditambang untuk mengantisipasi pola dan tren
perilaku. Untuk
Misalnya, pengecer peralatan luar ruangan dapat memprediksi kemungkinan tas
punggung
dibeli berdasarkan pembelian tas tidur dan sepatu hiking oleh konsumen.
3.1 Metode Klaster:
Clustering adalah teknik pembelajaran yang tidak diawasi untuk
mengelompokkan titik data yang sama. SEBUAH
algoritma pengelompokan memberikan sejumlah besar titik data ke sejumlah
kecil kelompok seperti itu
titik data dalam grup yang sama berbagi properti yang sama sementara, dalam
kelompok yang berbeda, mereka
berbeda. Clustering memiliki banyak aplikasi, termasuk bagian formasi
keluarga untuk grup
teknologi, segmentasi gambar, pengambilan informasi, pengelompokan halaman
web, pasar
segmentasi, dan analisis ilmiah dan teknik (16).