Analytic CRM
Penulis:
Ni Wayan Wardani
Penulis:
Ni Wayan Wardani
Penerbit
Yayasan Kita Menulis
Web: kitamenulis.id
e-mail: press@kitamenulis.id
WA: 0821-6453-7176
Ni Wayan Wardani
Penerapan Data Mining Dalam Analytic CRM
Yayasan Kita Menulis, 2020
xii; 64 hlm; 16 x 23 cm
ISBN: 978-623-94636-7-0
Cetakan 1, September 2020
I. Penerapan Data Mining Dalam Analytic CRM
II. Yayasan Kita Menulis
Puji dan syukur penulis panjatkan ke hadapan Tuhan Yang Maha Esa,
atas anugrah-Nya, sehingga hanya dengan rahmat-Nya lah penulis dapat
menyelesaikan buku ini.
kasih kepada kedua Orang Tua, Mertua, Suami dan anak – anak tercinta
atas segala doa dan dukungannya. Tak lupa kepada Yayasan Kita
Menulis, sebagai penerbit buku ini, penulis ucapkan terima kasih.
Penulis menyadari tak ada sesuatu yang sempurna di dunia ini, termasuk
buku ini yang dibuat dengan segala keterbatasan. Oleh karena itu penulis
sangat membutuhkan saran dan kritik yang membangun dan bermanfaat.
Akhir kata, semoga buku ini bermanfaat.
Wardani
Daftar Isi
Bab 1 Pendahuluan
Bab 6 Penutup
6.1 Kesimpulan .................................................................................................. 59
6.2 Saran ............................................................................................................. 60
Ritel adalah aktivitas yang melibatkan pembelian barang atau jasa dan
selanjutnya menjualnya ke konsumen akhir, biasanya dalam jumlah kecil dan
tanpa transformasi. Retailer atau pengecer adalah seseorang atau perusahaan
yang mendapatkan produk atau layanan dari seseorang untuk dijual kembali
kepada orang lain. Layanan ritel mencakup berbagai macam bentuk (toko,
perdagangan elektronik, pasar terbuka, dan lain-lain), dalam format (toko kecil,
minimarket, supermarket, hypermarket, dan lain-lain), dengan produk
(makanan, non-makanan, obat, dan lain-lain), struktur hukum (toko
independent, waralab, grup terintegrasi, dan lain-lain), dan lokasi (perkotaan /
pedesaan, pusat kota / pinggiran kota, dan lain-lain).
Sektor ritel sangat penting bagi ekonomi dunia, karena menyediakan lapangan
kerja skala besar bagi tenaga kerja terampil dan tidak terampil, pekerja lepas,
penuh waktu dan paruh waktu.
Di tengah persaingan bisnis retail yang sangat ketat dewasa ini menjadikan
perusahaan retail mulai mengalihkan fokus perusahaan dari sekedar
mengembangkan produk dan layanan yang unggul dan juga ekspansi ke basis
pelanggan yang besar menjadi ke arah mempertahankan pelanggan di
perusahaan dengan penciptaan pengalaman personal pelanggan. Hal ini
dilakukan karena hubungan antara perusahaan dengan pelanggan sangat
penting untuk menunjang perkembangan dan kelangsungan perusahaan.
2 Penerapan Data Mining Dalam Analytic CRM
pola yang dapat dijadikan pengetahuan baru untuk proses prediksi pelanggan
churn perusahaan retail.
Pada penelitian ini, penerapan data mining dilakukan selain untuk proses
prediksi pelanggan churn, terlebih dahulu penerapan data mining dilakukan
untuk mengidentifikasi karakter pelanggan dan mengelompokkan pelanggan
dalam beberapa kelas pelanggan. Untuk menghasilkan beberapa kelas
pelanggan akan digunakan model RFM (recency, frequency, monetary). Dari
hasil pengelompokkan pelanggan tersebut, selanjutnya akan digunakan untuk
prediksi customer churn menggunakan Algoritma Naïve Bayes. Algoritma
Naïve Bayes adalah suatu klasifikasi yang bekerja berdasarkan teori
probabilitas yang memandang semua fitur dari data sebagai bukti dalam
probabilitas.
4 Penerapan Data Mining Dalam Analytic CRM
Bab 2
Data Mining
di dalam KDD, maka data mining didahului dengan proses pemilihan data,
pembersihan data, preprocessing dan transformasi data (Sumanthi dan
Sivandham, 2009).
Proses yang ada di dalam KDD dimulai dengan data masuk yang berasal dari
berbagai sumber kemudian terintegrasi dan ditempatkan di beberapa
penyimpanan umum.
2. Data preprocessing
3. Postprocessing
Proses ini adalah proses visualisasi di mana menganalisa keluaran dari proses
data mining, yang bertujuan untuk memastikan bahwa hasil keluaran dari
proses data mining adalah hasil valid dan berguna bagi pihak yang
berkepentingan.
Tujuan utama dari tugas ini adalah untuk memprediksikan nilai yang tidak
diketahui atau nilai di masa mendatang dari atribut tertentu berdasarkan nilai
dari atribut lainnya. Atribut yang diprediksi dikenal sebagai target atau
dependent variable, sedangkan atribut yang digunakan untuk membuat
prediksi disebut penjelas atau independent variable.
2. Tugas deskriptif
Tujuan utama dari tugas ini adalah untuk memperoleh pola (correlation, trend,
cluster, trajectory, anomaly) untuk menyimpulkan hubungan di dalam data.
Tugas deskriptif merupakan tugas data mining yang sering dibutuhkan pada
teknik postprocessing untuk melakukan validasi dan menjelaskan hasil proses
data mining. Inti dari tugas data mining adalah pemodelan prediktif, analisa
asosiasi, analisa cluster, dan deteksi terhadap anomali (Gambar 2.3).
Gambar 2.3: Empat Tugas Inti Data Mining (Tan dkk, 2006)
Bab 2 Data Mining 9
2.5 CRISP-DM
CRISP-DM (Cross-Industry Standard Process for Data mining) merupakan
suatu konsorsium perusahaan yang didirikan oleh Komisi Eropa pada Tahun
1996 dan telah ditetapkan sebagai proses standar dalam data mining yang
dapat diaplikasikan di berbagai sektor industri.
Gambar 2.4: Enam tahap siklus hidup pengembangan data mining (Chapman,
2000)
Berikut ini adalah enam tahap siklus hidup pengembangan data mining
(Chapman, 2000) :
1. Business understanding
Tahap pertama adalah memahami tujuan dan kebutuhan dari sudut pandang
bisnis, kemudian menterjemahkan pengetahuan ini ke dalam pendefinisian
Bab 2 Data Mining 11
masalah dalam data mining. Selanjutnya akan ditentukan rencana dan strategi
untuk mencapai tujuan tersebut.
2. Data understanding
Tahap ini dimulai dengan pengumpulan data yang kemudian akan dilanjutkan
dengan proses untuk mendapatkan pemahaman yang mendalam tentang data,
mengidentifikasi masalah kualitas data, atau untuk mendeteksi adanya bagian
yang menarik dari data yang dapat digunakan untuk hipotesa untuk informasi
yang tersembunyi.
3. Data preparation
Tahap ini meliputi semua keinginan untuk membangun dataset akhir (data
yang akan diproses pada tahap pemodelan/modeling) dari data mentah. Tahap
ini dapat diulang beberapa kali. Pada tahap ini juga mencakup pemilihan table,
record, dan atribut-atribut data, termasuk proses pembersihan dan transformasi
data untuk kemudian dijadikan masukan dalam tahap pemodelan (modeling).
4. Modeling
Dalam tahap ini akan dilakukan pemilihan dan penerapan berbagai teknik
pemodelan dan beberapa parameternya akan disesuaikan untuk mendapatkan
nilai yang optimal. Secara khusus, ada beberapa teknik berbeda yang dapat
diterapkan untuk masalah data mining yang sama. Di pihak lain ada teknik
pemodelan yang membutuhkan format data khusus. Sehingga pada tahap ini
masih memungkinkan kembali ke tahap sebelumnya.
5. Evaluation
Pada tahap ini, model sudah terbentuk dan diharapkan memiliki kualitas baik
jika dilihat dari sudut pandang analisa data. Pada tahap ini akan dilakukan
evaluasi terhadap keefektifan dan kualitas model sebelum digunakan dan
menentukan apakah model dapat mencapai tujuan yang ditetapkan pada fase
awal (business understanding). Kunci dari tahap ini adalah menentukan apakah
ada masalah bisnis yang belum dipertimbangkan. Di akhir dari tahap ini harus
ditentukan penggunaan hasil proses data mining.
12 Penerapan Data Mining Dalam Analytic CRM
6. Deployment
Pada tahap ini, pengetahuan atau informasi yang telah diperoleh akan diatur
dan dipresentasikan dalam bentuk khusus sehingga dapat digunakan oleh
pengguna. Tahap deployment dapat berupa pembuatan laporan sederhana atau
mengimpelementasikan proses data mining yang berulang dalam perusahaan.
Dalam banyak kasus, tahap deployment melibatkan konsumen, di samping
analis data, karena sangat penting bagi konsumen untuk memahami tindakan
apa yang harus dilakukan untuk menggunakan model yang telah dibuat.
Bab 3
Customer Relationship
Management
2. Era Produksi
Pada era ini penekanan utama pemasaran terdiri dari menghasilkan produk
yang memuaskan, tanpa upaya besar dan memperkenalkan kepada calon
pelanggan melalui katalog, brosur dan iklan.
3. Era Penjualan
Dari ketiga definisi di atas dapat ditarik kesimpulan mengenai definisi CRM
yaitu sebuah pendekatan yang komperehensif yang mengintegrasikan setiap
bisnis proses yang berhubungan langsung dengan konsumen, yaitu penjualan,
pemasaran dan layanan konsumen melalui integrasi filosofi, teknologi, dan
juga proses (Tama, 2009). Dengan kata lain, CRM dipandang bukanlah
sebagai sebuah produk ataupun sebuah layanan, tetapi sebuah filosofi bisnis
yang bertujuan memaksimalkan nilai konsumen dalam jangka panjang
(customer lifetime value).
16 Penerapan Data Mining Dalam Analytic CRM
Ada tiga tipe utama dari teknologi CRM yaitu (Tama, 2009) :
1. Operational CRM, mengacu pada komponen yang membantu
meningkatkan efisiensi operasi pelanggan sehari-hari (Peppers dan
Rogers, 2011). Berkaitan dengan otomatisasi proses yang melibatkan
komunikasi dan interaksi dengan pelanggan dan mengintegrasikan
front office, back office dan mobile phone. Komponen CRM ini
adalah produsen awal data dan termasuk fungsi perusahaan yang khas
dari otomasi penjualan, otomatisasi pemasaran perusahaan,
manajemen pesanan dan layanan atau dukungan pelanggan (Crosby
dan Johnson, 2001; Greenberg, 2004). Untuk memastikan
keberhasilan operasional CRM, perusahaan harus fokus pada
kebutuhan pelanggan dan karyawan harus memiliki keterampilan
yang tepat untuk memuaskan pelanggan. Keluaran dari solusi CRM
operasional biasanya hanya tingkat ringkasan, menunjukkan aktivitas
apa yang terjadi, tetapi gagal menjelaskan penyebab atau dampaknya
(Reynolds, 2002). Dengan perkembangan teknologi informasi dan
komunikasi yang pesat, operational CRM kemudian juga dapat
dibedakan menjadi dua bagian yaitu e-CRM dan m-CRM.
2. Collaborative CRM, merupakan pusat komunikasi yang menyediakan
koneksi antara perusahan dan pelanggan, pemasok dan mitra bisnis
sehingga memungkinkan untuk mengakses, mendistribusikan dan
berbagi data merupakan bentuk perluasan dari CRM tradisional.
Aplikasi utama dari collaborative CRM adalah enterprise portal yang
berbasis pada infrastruktur ekstranet dan perangkat lunak manajemen
hubungan mitra (partner relationship management software) yang
memberikan akses kepada konsumen, reseller, dan mitra bisnis
melalui internet. Layanan ini membuat kerja tim lebih mudah dan
lebih produktif, memungkinkan perusahaan untuk meningkatkan
proses dan kepuasan pelanggan (Greenberg, 2001)
3. Analytical CRM, di masa lalu, perusahaan berfokus pada operational
CRM dan collaborative CRM, tetapi kecenderungan ini tampaknya
berubah (Reynolds, 2002). Pengambil keputusan telah menyadari
bahwa analytical CRM diperlukan untuk mendorong strategi dan
18 Penerapan Data Mining Dalam Analytic CRM
CRM dimulai dengan dimensi ini, juga disebut akuisisi pelanggan (Kracklauer
et al., 2004). Identifikasi pelanggan mencakup segmentasi pelanggan dan
menganalisis pelanggan yang menjadi target berdasarkan karakteristik mereka.
2. Membangun daya tarik terhadap konsumen (customer attraction)
Dimensi ini adalah salah satu perhatian utama CRM. Menurut Kracklauer et al.
(2004), kepuasan pelanggan adalah masalah utama dalam retensi pelanggan.
Kepuasan pelanggan dapat didefinisikan sebagai perbandingan harapan
pelanggan (yang dihasilkan dari standar pribadi, citra perusahaan, pengetahuan
tentang alternatif, dan lain-lain) dengan persepsi (yang dihasilkan dari
pengalaman aktual, kesan subjektif dari kinerja produk, kesesuaian produk
atau layanan, dan lain-lain). Persepsi pelanggan tentang nilai yang ditawarkan
oleh perusahaan mengarah pada retensi pelanggan yang berkelanjutan. Selain
itu, pengalaman berbelanja yang berkualitas tinggi mengarah pada perasaan
emosional yang positif, yang memungkinkan perusahaan mencapai loyalitas
pelanggan yang diinginkan. Elemen dari dimensi CRM ini mencakup
pemasaran satu-ke-satu, program loyalitas dan bonus, dan manajemen
20 Penerapan Data Mining Dalam Analytic CRM
Fokus utama dimensi ini adalah untuk meningkatkan intensitas transaksi, nilai
transaksi, dan profitabilitas pelanggan. Elemen utama pengembangan
pelanggan adalah analisis customer life time dan up/cross selling.
Kerangka kerja teknik data mining dalam keempat dimensi CRM dijelaskan
melalui Gambar 3.3.
Gambar 3.3: Kerangka Kerja Teknik Data Mining dalam CRM (Ngai dkk,
2008)
22 Penerapan Data Mining Dalam Analytic CRM
merupakan metode yang sudah lama dan populer untuk mengukur hubungan
dengan pelanggan (Schijns, 1996).
Model RFM diaplikasikan secara luas pada database pemasaran dan
merupakan tool yang umum digunakan untuk membangun strategi pemasaran
(Wei et al, 2010). RFM berdasarkan segmentasi pelanggan menghasilkan
kemampuan antara 75% sampai 85% (Hughes, 2000).
Berikut ini adalah penjelasan mengenai RFM menurut C.H.Cheng, Y.S Chen
(2009) :
1. Recency, yaitu kapan transaksi terakhir dilakukan.
Keterangan :
X : Data dengan class yang belum diketahui H : hipotesis data X
merupakan suatu class spesifik P(H|X): Probabilitas akhir
bersyarat suatu hipotesis H terjadi jika diberikan bukti X
terjadi
P(H) : Probabilitas awal (priori) hipotesis H terjadi tanpa
26 Penerapan Data Mining Dalam Analytic CRM
Keterangan :
1. TP (True Positive) adalah jumlah record positif yang diklasifikasikan
sebagai positif
Bab 4 Membangun Model Prediksi 27
1. Business Understanding
2. Tinjauan Pustaka
Tahap ke tiga yaitu Data Understanding. Pada tahap ini dilakukan proses
pengumpulan data, kemudian melakukan analisa data serta melakukan
evaluasi kualitas data yang digunakan dalam penelitian ini. Dari proses
perijinan data yang diajukan, diperoleh data transaksi pelanggan selama 2
tahun sebesar 121.089 record.
4. Konstruksi Model
Pada tahap ini data akan dipersiapkan sehingga mempermudah proses mining.
Proses preparation ini mencakup tiga hal utama yaitu :
a. Data Selection : Memilih data yang akan digunakan dalam proses
data mining. Dalam proses ini dilakukan juga pemilihan atribut-
atribut yang disesuaikan dengan proses data mining.
30 Penerapan Data Mining Dalam Analytic CRM
Tabel 4.2 berikut ini adalah hasil pemilihan atribut-atribut yang dibutuhkan
untuk proses prediksi, yaitu atribut-atribut yang terkait recency, frequency, dan
monetary.
Tabel 4.2: Data Parsial dari Database Perusahaan Retail (b)
Field Keterangan
Pada data latih, data window sebanyak 30.765 record, sedangkan forecasting
window sebanyak 17.915 record. Pada data uji, data window sebanyak 51.714
record, forecasting window sebanyak 14.511 record.
6. Modeling
Tahap pemodelan dalam penelitian ini terdiri dari 2 tahap yaitu pemodelan
untuk segmentasi pelanggan berbasis RFM dan pembangunan model untuk
prediksi customer churn menggunakan algoritma Naïve Bayes.
a. Segmentasi Pelanggan Berbasis RFM (Recency, Frequency,
Monetary)
3 0 ≤ r ≤ 60 hari
1 0 < f ≤ 30
Frequency 2 31 ≤ f ≤ 60
3 f > 60
K1 3 1 1 311 Dormant D
K2 3 1 2 312 Dormant A
K3 3 1 3 313 Occational A
Bab 4 Membangun Model Prediksi 33
K4 3 2 1 321 Everyday D
K5 3 2 2 322 Golden D
K6 3 2 3 323 Superstar D
K7 3 3 1 331 Everyday A
K8 3 3 2 332 Golden A
K9 3 3 3 333 Superstar A
1 0 < f ≤ 30 Jarang
Frequency 2 31 ≤ f ≤ 60 Agak sering
3 f > 60 Sering
Tahap ketujuh adalah evaluation. Pada tahap ini dilakukan evaluasi dari model
yang digunakan, apakah model tersebut sudah mencapai tujuan yang ingin
dicapai. Evaluasi yang digunakan untuk mengukur tingkat akurasi kinerja
algoritma Naïve Bayes adalah confusion matrix.
8. Deployment
Pada penelitian ini, proses deployment adalah melakukan proses mining pada
seluruh database untuk prediksi customer churn dan evaluasi tingkat akurasi
kinerja Algoritma Naïve Bayes. Deployment dalam penelitian ini tidak
dilakukan proses integrasi dengan sistem yang telah ada karena menggunakan
program simulasi dengan XAMPP.
Bab 4 Membangun Model Prediksi 37
Data yang disajikan oleh Pivot Table diolah kembali untuk mendapatkan skor
RFM sesuai dengan domain nilai yang tercantum pada tabel 4.3. Gambar 5.2
di bawah ini menunjukkan data yang nilai setiap atributnya berupa skor RFM.
Setelah melakukan proses pengumpulan data latih dan data uji, maka lakukan
proses konversi nilai data atribut pada data latih dan data uji sesuai dengan
Bab 5 Hasil dan Pembahasan 41
klasifikasi atribut dengan variabel kategorikal yang sudah dijelaskan pada tabel
4.5. Pada tabel 5.1 hanya ditampilkan beberapa contoh data yang sudah
dilakukan proses konversi.
Tabel 5.1: Hasil Konversi Data Latih Dan Data Uji Algoritma Naïve Bayes
Menentukan kriteria, nilai kriteria, jumlah data dari masing-masing kriteria dan
status dari masing – masing pelanggan yang berada dalam data latih. Hasil
perincian penentuan model kriteria Algoritma Naïve Bayes pada data latih
kelas pelanggan Dormant ditunjukkan dalam Tabel 5.2.
Tabel 5.2: Penentuan Model Kriteria Algoritma Naïve Bayes
Lama Ya 340
Frequency Sering Ya 0
Agak sering Ya 0
42 Penerapan Data Mining Dalam Analytic CRM
Jarang Ya 1105
Monetary Tinggi Ya 0
Sedang Ya 9
Rendah Ya 1096
STATUS CHURN “TIDAK”
Model kriteria Algoritma Naïve Bayes dan frekuensi kemunculan nilai atribut
untuk data latih kelas pelanggan everyday, golden, dan superstar akan
ditampilkan dalam tabel 5.5, tabel 5.6, tabel 5.7 di bawah ini.
Tabel 5.5: Model Kriteria Algoritma Naïve Bayes Data Latih Kelas Pelanggan
Everyday
Lama Ya 0
Frequency Sering Ya 1
Agak sering Ya 8
Jarang Ya 0
Monetary Tinggi Ya 0
Sedang Ya 0
Rendah Ya 9
STATUS CHURN “TIDAK”
Recency Baru saja Tidak 101
Agak lama Tidak 4
Lama Tidak 0
Frequency Sering Tidak 5
Agak sering Tidak 100
Jarang Tidak 0
Monetary Tinggi Tidak 0
Sedang Tidak 0
Rendah Tidak 105
Tabel 5.6: Model Kriteria Algoritma Naïve Bayes Data Latih Kelas Pelanggan
Golden
Agak sering Ya 9
Jarang Ya 0
Monetary Tinggi Ya 0
Sedang Ya 17
Rendah Ya 0
STATUS CHURN “TIDAK”
Recency Baru saja Tidak 215
Agak lama Tidak 0
Lama Tidak 0
Frequency Sering Tidak 76
Agak sering Tidak 139
Jarang Tidak 0
Monetary Tinggi Tidak 0
Sedang Tidak 215
Rendah Tidak 0
Tabel 5.7: Model Kriteria Algoritma Naïve Bayes Data Latih Kelas Pelanggan
Superstar
Monetary Tinggi Ya 4
Sedang Ya 0
Rendah Ya 0
STATUS CHURN “TIDAK”
Recency Baru saja Tidak 147
Agak lama Tidak 0
Lama Tidak 0
Frequency Sering Tidak 0
Agak sering Tidak 23
Jarang Tidak 0
Monetary Tinggi Tidak 147
Sedang Tidak 0
Rendah Tidak 0
!"#$%& ()$%*++%* 𝒄𝒉𝒖𝒓𝒏 7%* 𝒕𝒊𝒅𝒂𝒌 𝒄𝒉𝒖𝒓𝒏 6%*+ 78(9)78:;8 7)*+%* B)*%9
Accuracy = >?@%$ A"#$%& ()$%*++%* 7)*+%* :)%7%%* ;)B)*%9*6%
2. Proporsi kasus yang diprediksi positif yang juga positif benar pada
data yang sebenarnya sebanyak 1530 kasus dari 2035 kasus yang
diprediksi positif (Precision 75.18%).
3. Jumlah kasus yang tepat diprediksi adalah sebanyak 1740 kasus
terdiri dari 1530 kasus positif dan 210 kasus negatif yang diprediksi
secara benar (Accuracy 76.18%)
4. Jumlah kasus yang diprediksi dengan tidak tepat sebesar 544 kasus.
Sesuai tabel 5.14, hasil kinerja algoritma Naïve Bayes pada data kelas
pelanggan Dormant A dengan total 65 kasus adalah sebagai berikut :
1. Proporsi kasus positif yang sebenarnya diprediksi positif secara benar
adalah sebanyak 64 kasus dari 64 kasus yang sebenarnya positif
(Recall 100%).
2. Proporsi kasus yang diprediksi positif yang juga positif benar pada
data yang sebenarnya sebanyak 64 kasus dari 65 kasus yang
diprediksi positif (Precision 98.46%).
3. Jumlah kasus yang tepat diprediksi adalah sebanyak 64 kasus terdiri
dari 64 kasus positif dan 0 kasus negatif yang diprediksi secara benar
(Accuracy 98.46%)
4. Jumlah kasus yang diprediksi dengan tidak tepat sebesar 1 kasus.
Chart Title
120%
100%
80%
60%
Recall
40%
Precision
20%
0% Accuracy
Dormant Everyday Golden Superstar
Recall 98% 100% 100% 96%
Precision 75.18% 99.04% 98.84% 99.43%
Accuracy 76.18% 99.04% 98.84% 95.63%
120%
100%
80%
60%
40% Recall
20% Precision
Accuracy
0%
Dormant Dormant Dormant Dormant Dormant
A B D E F
Recall 100% 100% 100% 100% 0%
Precision 98.46% 16.67% 79.31% 26.70% 0%
Accuracy 98.46% 16.67% 79.31% 26.70% 84.34%
Dilihat dari hasil perhitungan recall yang sangat baik di semua kelas (gambar
5.1) dapat dianalisa bahwa sebagian besar pelanggan dari kelas dormant,
everyday, golden, dan superstar yang tidak churn diprediksi tidak churn
(pelanggan potensial/loyal) sehingga divisi CRM perlu memiliki strategi yang
tepat untuk mempertahankan pelanggan sehingga keseluruhan pelanggan dari
ke-empat kelas tersebut dapat tetap berlangganan.
b. Untuk mengetahui pelanggan yang berpotensi churn
6.1 Kesimpulan
Berdasarkan hasil yang didapat dari penelitian ini maka dapat disimpulkan
sebagai berikut :
1. Dari proses segmentasi pelanggan menggunakan pemodelan RFM
(recency, frequency, monetary) dapat diketahui karakteristik
pelanggan yang dimiliki yaitu kelas dormant, everyday, golden dan
superstar.
2. Jumlah pelanggan terbesar yang dimiliki selama 2 tahun berada di
kelas dormant yaitu pelanggan dengan karakteristik yang memiliki
nilai recency, frequency, dan monetary yang rendah.
3. Jumlah pelanggan terkecil dimiliki selama 2 tahun berada di kelas
everyday yaitu pelanggan dengan karakteristik yang memiliki
peningkatan transaksi dan kategori nilai monetary rendah atau
sedang.
4. Akurasi dari algoritma Naïve Bayes dalam memprediksi pelanggan
churn ataupun tidak churn cukup baik dengan hasil 76.18% di kelas
60 Penerapan Data Mining Dalam Analytic CRM
6.2 Saran
Dari hasil pembahasan penelitian ini maka dapat diberikan saran-saran
sebagai berikut :
1. Model segmentasi pelanggan dan prediksi dapat mempertimbangkan
variabel – variabel lainnya seperti lamanya berlangganan, data
demografi pelanggan maupun data dari kompetitor seperti harga dan
jenis produk yang ditawarkan oleh kompetitor. Dengan adanya
variabel tambahan diharapkan hasil segmentasi pelanggan dan hasil
prediksi dapat lebih akurat.
Bab 6 Penutup 61
Hollander, S. C., Rassuli, K. M., Jones, D. B., & Dix, L. F. (2005). Periodization
in marketing history. Journal of Macromarketing, 25(1), 32-41.
Jiang, T., & Tuzhilin, A. (2006). Segmenting customers from population to
individuals: Does 1-to-1 keep your customers forever?. IEEE
Transactions on knowledge and data engineering, 18(10), 1297-1311.
Kamakura, W. A., Ramaswami, S. N., & Srivastava, R. K. (1991). Applying
latent trait analysis in the evaluation of prospects for cross-selling of
financial services. international Journal of Research in Marketing, 8(4),
329-349.
Klepac, G., Kopal, R., & Mrsic, L. (2014). Developing churn models using data
mining techniques and social network analysis. Information Science
Reference.
Kracklauer, A. H., Mills, D. Q., & Seifert, D. (2004). Collaborative customer
relationship management: taking CRM to the next level. Springer Science
& Business Media.
Kracklauer, A., Passenheim, O., & Seifert, D. (2001). Mutual customer
approach: how industry and trade are executing collaborative customer
relationship management. International Journal of Retail & Distribution
Management.
Kurtz, D. L., & Boone, L. E. (2008). Contemporary business. Cengage
Learning.
Liu, Y., & Zhuang, Y. (2015). Research model of churn prediction based on
customer segmentation and misclassification cost in the context of big
data. Journal of Computer and Communications, 3(06), 87.
Miguéis, V. L., Van den Poel, D., Camanho, A. S., & e Cunha, J. F. (2012).
Predicting partial customer churn using Markov for discrimination for
modeling first purchase sequences. Advances in Data Analysis and
Classification, 6(4), 337-353.
Murphy, E. C., & Murphy, M. A. (2002). Leading on the edge of chaos: The 10
critical elements for success in volatile times. Prentice Hall.
Ngai, E. W., Xiu, L., & Chau, D. C. (2009). Application of data mining
techniques in customer relationship management: A literature review and
classification. Expert systems with applications, 36(2), 2592-2602.
Daftar Pustaka 63