Machine Translated by Google

Komputer, Material & Continua Pers Sains Teknologi

DOI: 10.32604/cmc.2023.023596
Artikel

Pendekatan Bobot Dinamis Berbasis Data Besar untuk Segmentasi RFM

Lin Lang1 ,Shuang Zhou1 , Minjuan Zhong1, *, Guang Sun1 , Bin Pan1 dan Peng Guo1,2

1Universitas Keuangan dan Ekonomi Hunan, Changsha, 410205, Cina

2Universitas Malaysia Sabah, Kota Kinabalu, 88670, Malaysia
*
Penulis Koresponden: Minjuan Zhong. Email: simon5115@163.com
Diterima: 13 September 2021; Diterima: 16 Desember 2021

Abstrak: Penggunaan model RFM (Recency, Frekuensi, Nilai Moneter) dapat

memberikan wawasan berharga tentang cluster pelanggan yang merupakan inti
dari manajemen hubungan pelanggan. Karena segmen pelanggan yang akurat
berasal dari aplikasi berbobot dinamis, pemasaran bertarget yang mendalam juga
dapat menggunakan jenis bobot dinamis R, F, dan M sebagai faktor. Dalam
makalah ini, kami menyajikan pendekatan RFM tertimbang dinamis yang
dimaksudkan untuk meningkatkan kinerja segmentasi pelanggan dengan
menggunakan faktor dan variasi untuk mencapai bobot dinamis. Pendekatan bobot
dinamis kami adalah sejenis metode Kustom yang pada dasarnya berakar pada
pemahaman kumpulan data. Pertama, Proses Hierarki Analitik digunakan untuk
menghitung bobot subjektif, kemudian metode entropi digunakan untuk menghitung
bobot objektif. Terakhir, kami menggunakan metode pembobotan integrasi
komprehensif untuk menggabungkan bobot subjektif dan objektif untuk
mendapatkan bobot akhir indeks guna menghitung nilai pengguna individual dan
mengukur perbedaan nilai pengguna. Eksperimen menunjukkan bahwa bobot
dinamis yang kami gunakan dalam model RFM sangat penting dan mempengaruhi
kinerja segmentasi pelanggan secara positif. Selain itu, penelitian ini menunjukkan
bahwa segmen pelanggan yang berisi skor RFM tertimbang dinamis menghasilkan
aturan asosiasi yang lebih kuat dan akurat untuk memahami perilaku pelanggan. Terakhir, kita membahas keterbatasan

Kata Kunci: Model RFM; bobot dinamis; segmen pelanggan; pemasaran presisi

1 Pendahuluan

Dalam beberapa tahun terakhir, jumlah pengguna belanja online di Tiongkok menunjukkan pertumbuhan pesat.
CNNIC (Pusat Informasi Jaringan Internet Tiongkok) merilis Laporan Statistik Perkembangan Internet Tiongkok
ke-47 pada Februari 2021. Tingkat penetrasi sebesar 70,4%, meningkat 5,9 persentase dari Maret 2020. Pada tahun
2020, penjualan ritel online Tiongkok mencapai 11,76 triliun yuan, meningkat sebesar 10,9% dibandingkan tahun 2019.
Diantaranya, penjualan ritel barang fisik secara online mencapai 9,76 triliun yuan, menyumbang 24,9% dari total
penjualan ritel barang konsumsi. Hingga Desember 2020, jumlah pengguna belanja online di Tiongkok telah
mencapai 782 juta, meningkat 72,15 juta dibandingkan Maret 2020, terhitung

Karya ini dilisensikan di bawah Lisensi Internasional Creative Commons Attribution 4.0, yang
mengizinkan penggunaan, distribusi, dan reproduksi tanpa batas dalam media apa pun, asalkan
karya asli dikutip dengan benar.
Machine Translated by Google

3504 CMC, 2023, jilid 74, no.2

79,1% dari total pengguna Internet, dan jumlah orang yang menggunakan Internet untuk berbelanja di Tiongkok telah
mencapai 782 juta.

Banyaknya pembeli online membawa peluang besar bagi industri e-commerce, namun juga membuat persaingan
industri semakin ketat [1]. Perang harga membutuhkan peningkatan biaya periklanan dan pemasaran dari tahun ke
tahun, yang mengakibatkan ruang keuntungan terus-menerus terkompresi [2]. Jika perusahaan e-commerce menginginkan
pengembangan yang lebih baik, mengurangi biaya dan menyempurnakan operasi menjadi satu-satunya pilihan [3].
Analisis perilaku pembelian pengguna memiliki signifikansi praktis yang sangat penting dalam pembangunan sosial
dan ekonomi [4,5]. Nilai pengguna berdasarkan perilaku pengguna telah menjadi perhatian sebagian besar perusahaan
e-commerce [6]. Dibandingkan dengan perdagangan tradisional, saat ini, jalur penelusuran, catatan pembelian, dan
waktu akses konsumen perusahaan e-commerce dapat dilacak, yang berarti lebih mudah untuk memperoleh data
konsumen [7]. Bagaimana mengeksplorasi karakteristik dan nilai-nilai konsumen, serta bagaimana melakukan pemasaran
yang tepat sasaran kepada pengguna, merupakan masalah yang paling memprihatinkan bagi pedagang, dan juga
merupakan skenario penerapan inti CRM (Customer Relationship Management) [8] . Sebagian besar perusahaan
berkeinginan untuk memilih pelanggan berkualitas tinggi untuk memanfaatkan sumber daya mereka yang terbatas,
memberikan prioritas untuk melayani pengguna perusahaan yang berkualitas tinggi, untuk mencapai pemasaran yang
presisi [9].
Meskipun ada banyak metode untuk menghitung nilai pelanggan seperti Share of Wallet, Past Customer Value, dan
Life Time Value, RFM umumnya digunakan untuk mendapatkan nilai pelanggan, yang telah menunjukkan fleksibilitas
dan adaptasi yang baik pada setiap situasi bisnis [10–12 ] . Namun, karena ketidakjelasan Keterkinian, Frekuensi, Nilai
Moneter, penggunaan pendekatan deterministik tidak tepat [13]. Untuk mengatasi masalah ini, makalah ini menyajikan
pendekatan bobot dinamis yang diperoleh dari data besar transaksi nyata untuk meningkatkan RFM dalam mengevaluasi
nilai pengguna dengan lebih akurat. Bobot dinamis ini menutupi keterbatasan metode segmentasi pelanggan sebelumnya.

2 Model RFM dan Metode Bobot Dinamis Terkait 2.1 Model

RFM

Analisis RFM adalah model yang efektif untuk mempelajari nilai pelanggan dan profitabilitas pelanggan, yang dapat
meningkatkan kompleksitas model analisis nilai pelanggan dengan bantuan karakteristik perilaku konsumen yang relatif
sedikit [14]. Ada tiga indikator pengamatan perilaku pembelian pelanggan: R berarti waktu pembelian terakhir, F
didefinisikan sebagai frekuensi pembelian pelanggan, M berarti jumlah pembelian pelanggan untuk menggambarkan
status nilai pelanggan. Kekinian mengacu pada jumlah hari waktu analisis jarak waktu pembelian terakhir pelanggan.
Ketika waktu pembelian terakhir pelanggan mendekati saat ini, kemungkinan besar pelanggan akan melakukan konsumsi
kembali [15]. Frekuensi mengacu pada berapa kali pelanggan membeli produk perusahaan dalam periode tertentu.
Semakin tinggi frekuensi pembelian pelanggan, semakin loyal pelanggan tersebut terhadap perusahaan, dan semakin
tinggi nilai pelanggan tersebut [16]. Moneter mengacu pada jumlah total produk yang dibeli oleh pelanggan dalam
periode tertentu. Semakin tinggi jumlah total produk yang dibeli oleh pelanggan, semakin tinggi pula nilai yang dianggap
dimiliki oleh pelanggan oleh perusahaan [17]. Skema model RFM ditunjukkan pada Gambar 1.
Machine Translated by Google

CMC, 2023, jilid 74, no.2 3505

Gambar 1: Skema model RFM

Model RFM menggabungkan tiga indikator berbeda untuk menghitung nilai pelanggan, dan kemudian
mengelompokkannya. Nilai RFM dapat dihitung dengan beberapa cara. Cara yang umum adalah pemotongan
Pareto 80/20, Persentil misalnya, Kuantil dan Kustom.
Prinsip Pareto biasa disebut dengan aturan 80/20. Sekitar 20% pelanggan berkontribusi terhadap 80% total
pendapatan [18,19]. Prinsip Pareto adalah cara paling umum untuk menghitung nilai pelanggan dalam model RFM.
Ini menghasilkan 8 segmen. Metode persentil memberikan skor 1–5 hingga nilai R, F dan M. Jadi menghasilkan
125 segmen. Metode kustom berfungsi paling baik karena dapat digunakan untuk semua bisnis dan disesuaikan
dengan data Anda. Itu berdasarkan pengetahuan bisnis, intinya adalah bobot dinamis [20].
Menurut model RFM, bobot setiap indeks yang digunakan untuk mengidentifikasi nilai pelanggan adalah sama.
Penelitian telah menunjukkan bahwa kedekatan dan frekuensi merupakan indikator loyalitas yang baik [21].
Misalnya, Stone B, Wu J dan Lin Z menemukan bahwa dalam bidang konsumsi kartu kredit, kedekatan dan
frekuensi mempunyai pengaruh penting terhadap konsumsi pelanggan berikutnya, sehingga kedekatan diberi bobot
tertinggi, diikuti oleh frekuensi dan jumlah terendah [ 12]. Namun bukan berarti jumlah tidak penting, karena jumlah
konsumsi dapat digunakan untuk menilai besarnya transaksi dan kemauan pengguna. Jika ditujukan pada industri
non-frekuensi tinggi, non-konsumen, atau industri yang stratifikasi pelanggannya tidak terlalu terlihat, lain soal.
Begitu banyak ahli yang berpendapat bahwa kita harus menetapkan bobot indeks sesuai dengan karakteristik daya
saing industri, jenis pelanggan, dan konsistensi pelanggan [13]. Kalangan akademisi mempunyai pendapat yang
berbeda-beda mengenai bobot indeks, sehingga perlu dianalisis permasalahannya secara spesifik [16]. Saat
menggunakan RFM untuk menghitung nilai pelanggan, metode pembobotan integrasi komprehensif tepat untuk
menentukan bobot indeks dengan mempertimbangkan faktor subjektif dan objektif secara komprehensif [17].

2.2 Metode Pembobotan Dinamis Terkait

1 Proses Hierarki Analitik
Proses Hirarki Analitik (AHP) adalah metode analisis sistematis dan pengambilan keputusan praktis yang
diusulkan oleh profesor Thomas Seti dari Universitas Pittsburgh pada awal tahun 1970-an [18]. Menggabungkan
metode kualitatif dan kuantitatif, merepresentasikan permasalahan kompleks sebagai struktur hierarki yang teratur,
melalui penilaian subjektif masyarakat dan perhitungan ilmiah untuk memperoleh urutan dan bobot setiap alternatif,
memberikan landasan teoritis bagi pengambil keputusan untuk memilih solusi terbaik. Langkah-langkahnya adalah
sebagai berikut: Langkah 1. Membangun
model hierarki.
Machine Translated by Google

3506 CMC, 2023, jilid 74, no.2

Langkah 2. Membangun matriks penilaian (perbandingan berpasangan). Sifat-sifat matriks penilaian

adalah sebagai berikut:

1
aij = (1)
aji

aij merupakan hasil perbandingan pentingnya i dan j.

Langkah 3. Pengurutan tunggal hierarki dan uji konsistensinya.

Langkah 4. Urutan total hierarki dan uji konsistensinya. Tabel skala matriks penilaian
elemen aij ditampilkan di Tab. 1.

Tabel 1: Tabel skala elemen matriks penilaian

Skala Definisi dan deskripsi

1 Dua elemen sama pentingnya untuk atribut
3 Membandingkan dua elemen, elemen yang satu sedikit lebih penting dibandingkan elemen lainnya
5 Membandingkan dua elemen, elemen yang satu jelas lebih penting dibandingkan elemen lainnya
7 Membandingkan dua elemen, elemen yang satu jauh lebih penting dibandingkan elemen lainnya
Membandingkan dua elemen, satu elemen jauh lebih penting dibandingkan elemen lainnya
9 2, 4, 6, Menunjukkan perlunya kompromi antara dua elemen
8 1/aij Perbandingan terbalik antara kedua elemen tersebut

2 Metode Entropi

Metode entropi merupakan metode pembobotan obyektif yang menentukan bobot indeks
sesuai dengan informasi yang diberikan oleh nilai observasi setiap indeks [20-22]. Seandainya
terdapat m rencana yang akan dievaluasi dan n indeks evaluasi, membentuk matriks data indeks asli
X = (Xij) m × n, untuk suatu indeks Xj, semakin besar selisih nilai indeks Xij maka semakin besar
peran indeks dalam evaluasi komprehensif; jika nilai indeks suatu indeks semuanya sama, maka
indeks tidak berperan dalam evaluasi komprehensif.

3 Metode Pembobotan Integrasi Komprehensif

Metode pembobotan integrasi komprehensif mengintegrasikan bobot yang dihitung dengan metode pembobotan subyektif
dan metode pembobotan obyektif melalui suatu persamaan tertentu. Yang terintegrasi
Hasil mencerminkan maksud subjektif penilai dan objektivitas data evaluasi pada
pada saat yang sama, menghindari cacat bahwa bobot subjektif terlalu subjektif dan bobot objektif
kurang informasi subjektif [23-25].

3 Pendekatan Bobot Dinamis

3.1 Deskripsi Kumpulan Data

Pendekatan bobot dinamis kami adalah semacam metode Kustom yang pada dasarnya berakar pada
pemahaman tentang kumpulan data. Oleh karena itu langkah pertama bertujuan untuk mengidentifikasi persyaratan dari data, tentu saja
tentu saja, yang terbaik adalah data besar. Misalnya, kami mengumpulkan data penjualan CD dari website CDnow, bulan Januari
1, 1997 hingga 30 Juni 1998. Kumpulan data berisi 69660 catatan pembelian. Kami memilih tanggal secara acak
8 Desember 2019 untuk perhitungan indeks. Hasil perhitungan ditunjukkan pada Gambar 2.
Machine Translated by Google

CMC, 2023, jilid 74, no.2 3507

Gambar 2: Hasil perhitungan nilai indeks

Kekinian adalah jumlah hari sejak tanggal pembelian terakhir pengguna hingga tanggal pengumpulan data, yaitu nilai
indikator R; Frekuensi adalah jumlah total konsumsi pengguna, yaitu nilai indikator F; Moneter adalah jumlah total konsumsi
pengguna, yaitu nilai indikator M.
Analisis eksplorasi dilakukan pada hasil perhitungan, dan hasil operasi program ditunjukkan pada Gambar 3

Gambar 3: Hasil analisis eksplorasi

Dari Gambar 3 kita mendapatkan wawasan data bahwa ada total 23570 pengguna setelah ringkasan selesai. Kekinian
rata-rata adalah 8198,22 hari, frekuensi rata-rata adalah 2,96 kali, dan rata-rata bulanan adalah 106,08 yuan. Tidak ada nilai
yang hilang dalam kumpulan data.

3.2 Perhitungan Nilai Pelanggan

Untuk membedakan perbedaan nilai dari pengguna yang berbeda dengan lebih tepat, bobot dinamis ditetapkan ke R, F,
dan M. Pertama, AHP digunakan untuk menghitung bobot subjektif. Kemudian metode entropi digunakan untuk menghitung
bobot objektif. Terakhir, metode pembobotan integrasi komprehensif digunakan untuk menggabungkan bobot subjektif dan
objektif untuk mendapatkan bobot akhir indeks guna menghitung nilai pengguna individu dan mengukur perbedaan nilai
pengguna.

3.2.1 Menggunakan Proses Hierarki Analitik untuk Menghitung Bobot Subjektif

Adapun ketiga indeks RFM, pentingnya indeks harus ditentukan dengan perbandingan berpasangan. Tulisan ini
menggabungkan ciri-ciri CD itu sendiri untuk membuat penilaian kualitatif artifisial: 1 CD termasuk barang tahan lama, berbeda
dengan kebutuhan sehari-hari, setelah pembelian pengguna dapat menggunakan CD dalam waktu lama, tidak perlu membeli
dua kali. 2 Bagi pengguna yang menyukai CD, pembelian CD dipengaruhi oleh banyak faktor, seperti preferensi pembelian
pengguna, tanggal rilis CD, dan sebagainya. Siklus pembelian kembali tidak teratur, dan permintaan pengguna terhadap CD
tidak terputus. Oleh karena itu, untuk industri non-frekuensi tinggi dan non-konsumen, dampak tanggal pembelian terbaru R
terhadap nilai pelanggan relatif kecil dalam kontribusinya terhadap keuntungan perusahaan, konsumsi pelanggan adalah
cerminan yang paling intuitif. Jadi jumlah total konsumsi M mempunyai kepentingan tertinggi. Dan
Machine Translated by Google

3508 CMC, 2023, jilid 74, no.2

F fokus pada pengukuran loyalitas pelanggan, semakin tinggi loyalitas maka nilai pelanggan akan semakin besar, F akan
juga memperhitungkan proporsi tertentu. Matriks penilaian akhir ditunjukkan pada Tab. 2.

Tabel 2: Matriks penilaian data situs CDnow

RFM
R 1 1/5 1/7
F 5 1 1/2
M7 2 1

Setelah normalisasi matriks judgement diperoleh vektor T = (0,23, 0,99, 1,78). Setelah
normalisasi vektor, diperoleh vektor eigen dari matriks penilaian R, F dan M.
W = (0,08, 0,33, 0,59) T. Pada titik ini, apakah bobot setiap elemen vektor fitur dapat
menjadi indeks ditentukan oleh uji konsistensi. Oleh karena itu, dalam makalah ini, pertama-tama kami menghitungnya
akar karakteristik maksimum dari matriks penilaian. Katakanlah matriks asli:
1 1/5 1/7
B = ÿ 511/2 ÿ (2)
ÿ 72 1 ÿ
B sama dengan

1 1/5 1/7 0,88 0,23

(BB) = ÿ 511/2 ÿ ÿ 0,33 ÿ = ÿ 1.03ÿ (3)
ÿ 72 1 ÿ ÿ 0,59 ÿ ÿ 0,81 ÿ
N
(BW)i
ÿmaks = = 3,02 (4)
saya=1
nWi

dimana (BW)i mewakili elemen ke-i dari vektor BW. Kemudian, indeks konsistensi:
ÿmaks ÿ n
CI = = 0,01 n ÿ 1 (5)

n adalah orde matriks, dan koefisien uji:

CI
CR = = 0,017 < 0,1 RI (6)

Oleh karena itu, bobot subjektif R, F dan M ditentukan menjadi 0,08, 0,33 dan 0,59
masing-masing melalui uji konsistensi.

3.2.2 Metode Entropi Menghitung Bobot Objektif

Karena tanggal pengambilan data adalah 8 Desember 2019 pada tulisan ini maka nilai indeks R adalah
meningkat, sedangkan dua indeks lainnya tetap. Untuk menghilangkan dampak dari urutan besarnya,
datanya terlebih dahulu distandarisasi sebagai berikut.

X - X menit
X, = (7)
Xmax - Xmin
Machine Translated by Google

CMC, 2023, jilid 74, no.2 3509

Xmaks - X
X, = (8)
Xmax - Xmin

Dimana X adalah nilai indeks standar R, F dan M, X adalah nilai asli dan maksimum
dan nilai minimum indeks masing-masing. Karena pengaruh F dan M positif, Persamaan . (7)
dapat diterapkan, sedangkan pengaruh R negatif, Persamaan . (8) dapat diterapkan.
Dengan menggunakan data yang terstandar untuk menghitung bobot objektif setiap indikator, langkah-langkahnya adalah sebagai berikut:

Langkah 1. Hitung proporsi indeks pada item j sampel ke-i :

X,
yij = 23570
(9)
X,
saya=1

Langkah 2. Hitung entropi informasi indeks ke-j :

23570
eij = ÿk (yij lnyij)
(10)
saya=1

k adalah koefisien Boltzmann.

Langkah3. Hitung koefisien selisih item j:

dj = 1 ÿ ej
(11)

Langkah4. Hitung bobot masing-masing indeks:

dj
Wj = 3
(12)
j=1
dj(di mana, 0 ÿ Wj ÿ 1, j = 1, 2, 3)

Melalui 4 langkah diatas, akhirnya diperoleh bobot objektif R, F dan M adalah 0.19, 0.48
dan 0,33 masing-masing.

3.2.3 Metode Pembobotan Terintegrasi Menetapkan Bobot Akhir

Disebabkan oleh kuatnya kemauan subjektif untuk memberi bobot pada individu, dan kurangnya analisis objektif
dan penilaian terhadap situasi nyata, dalam tulisan ini kami menggabungkan menggunakan bobot subjektif dan objektif
integrasi aditif dari metode integrasi komprehensif, untuk menetapkan bobot akhir. Biarkan Pj
dan Qj (j adalah indeks ke-j) masing-masing adalah vektor bobot subyektif dan obyektif dari R, F dan M.
Dengan menggunakan metode integrasi penjumlahan, persamaan perhitungan bobot akhir adalah sebagai berikut:

Wj = k1Pj + k2Qj (13)

Dimana, k1 dan k2 adalah koefisien sintesis (k1, k2 > 0, dan k1 + k2 = 1), yang digunakan untuk mengukur
pentingnya bobot subjektif dan objektif. Secara umum nilai k1 dan k2 dapat berupa
ditentukan oleh model matematis atau menurut preferensi subjektif pengambil keputusan.
Persamaan perhitungan k1 dan k2 adalah sebagai berikut:
N M
PjXij
k1 = saya=1 j=1
(14)
N M N M

saya=1 j=1
PjXij2 + saya=1 j=1 QjXij2
Machine Translated by Google

3510 CMC, 2023, jilid 74, no.2

N M

saya=1 j=1 QjXij

k2 = (15)
N M N M

saya=1 j=1 PjXij2 + saya=1 j=1 QjXij2

Bobot akhir R, F dan M masing-masing adalah 0,15, 0,42 dan 0,43. Menurut bobotnya
indikatornya, nilai satu pelanggan dihitung sebagai berikut.

Nilai skor = WR ÿ XR + WF ÿ XF + WM ÿ XM (16)

Skor nilai pastinya adalah skor nilai pelanggan, WR, WF dan WM masing-masing mewakili bobot R, F dan M, dan XR, XF
dan XM masing-masing mewakili R, F dan M setelah standarisasi.
20% pengguna pertama disaring dalam urutan nilai pelanggan, seperti yang ditunjukkan pada Gambar 4.

Gambar 4: Hasil pemfilteran pengguna

4 Percobaan dan Pembahasan 4.1

Percobaan Dengan

menggunakan data penjualan dari website CDnow, kami menghitung nilai dari setiap pengguna. Kemudian kami menerapkan
model dan memberi bobot pada data transaksi yang berbeda dengan indeks yang berbeda. Kunci dari penetapan bobot dinamis
adalah penetapan matriks penilaian. Dalam tulisan ini, model RFM tertimbang dinamis diterapkan pada data transaksi e-
commerce Brasil, yang menggabungkan karakteristik kawasan, data, dan indeks penilaian produk perdagangan penting: 1
Menurut laporan media asing, selama beberapa tahun terakhir Brasil telah dilanda krisis politik dan ekonomi, dalam menghadapi
tekanan ekonomi yang menurun, listrik di Brazil kuat, keuntungannya memberikan kontribusi yang luar biasa terhadap
pembangunan ekonomi seluruh Brazil; 2 Dari karakteristik datanya sendiri, banyak pengguna yang hanya mengkonsumsi satu
kali dan membeli satu barang saja. Oleh karena itu, model RFM tradisional tidak dapat digunakan untuk pembobotan umum; 3
Berdasarkan pengamatan terhadap produk yang diperdagangkan, diketahui bahwa sebagian besar produk tersebut merupakan
barang rumah tangga dan produk elektronik, seperti kesehatan, kecantikan, otomotif, aksesoris komputer, peralatan rumah
tangga, dan lain-lain, yang merupakan barang tahan lama dan siklus pembelian kembali tidak teratur.

Tangkapan layar produk perdagangan ditunjukkan pada Gambar 5.

Oleh karena itu, kami yakin bahwa tanggal pembelian terakhir dan total waktu konsumsi memiliki pengaruh yang kecil
terhadap nilai pengguna. Jadi, matriks penilaian ditunjukkan pada Tab. 3. Perhitungan nilai pengguna dan hasil penyaringan
pengguna berkualitas tinggi ditunjukkan pada Gambar 6.
Machine Translated by Google

CMC, 2023, jilid 74, no.2 3511

Gambar 5: Tangkapan layar produk perdagangan

Tabel 3: Matriks penilaian data transaksi e-commerce Brasil

RFM
R 1 1/2 1/3
F 2 1 1/3
M3 3 1

Gambar 6: Hasil pemfilteran data pengguna e-commerce Brasil

4.2 Diskusi
Menurut hasil eksperimen, setelah bobot dinamis ditetapkan ke RFM tradisional
model ini, pelanggan yang paling berharga belum tentu pelanggan yang penting. Pada titik ini, pelanggan
value menggabungkan karakteristik data untuk menilai pentingnya indeks, alih-alih mengklasifikasikan pengguna
secara umum, sehingga hasil evaluasi nilai pengguna lebih masuk akal.
Sebagai alat yang efektif untuk mengidentifikasi nilai pelanggan dan profitabilitas pelanggan, model RFM bisa
dengan mudah dan cepat mengidentifikasi pelanggan yang paling berharga (Important value user) dan yang paling tidak berharga
pelanggan (Pengguna tetap umum). Untuk enam kategori pelanggan menengah, model RFM
tidak dapat secara efektif menilai peringkat kategori nilai pengguna, karena bisnis yang berbeda mempunyai nilai yang berbeda
penekanan pada R, F dan M, sehingga perlu membedakan bobot masing-masing indeks. Bobot dinamis
Model RFM dibangun berdasarkan model RFM tradisional. Melalui perhitungan nilai pelanggan,
perbedaan nilai setiap jenis pengguna dan bahkan setiap pengguna dapat diperjelas untuk memenuhi persyaratan
Machine Translated by Google

3512 CMC, 2023, jilid 74, no.2

penyesuaian dinamis bobot indeks berbagai bisnis, untuk membantu perusahaan memilih pengguna terbaik untuk
pemasaran presisi. Eksperimen pada data yang berbeda dalam makalah ini menunjukkan bahwa model RFM bobot
dinamis berlaku untuk data transaksi bisnis yang berbeda, dan hasil evaluasi nilai pengguna lebih ilmiah, sehingga secara
efektif menutupi kekurangan model RFM tradisional.
Sementara itu, penelitian kami menemukan keterbatasan analisis RFM sudah jelas. RFM hanya menggunakan data
historis tentang pelanggan, sehingga RFM tidak dapat mengidentifikasi perilaku pelanggan di masa depan yang mungkin
dapat dilakukan oleh metode prediktif. Penggunaan pemodelan RFM dapat memberikan wawasan berharga tentang
pelanggan. Tapi itu tidak memperhitungkan banyak faktor lain tentang pelanggan. Demografi pelanggan seperti usia,
jenis kelamin, dan etnis juga tidak tercakup dalam analisis RFM. Pemasaran bertarget yang mendalam juga dapat
menggunakan jenis barang yang dibeli atau tanggapan kampanye pelanggan sebagai faktor.

Pernyataan Pendanaan: Penelitian ini diselesaikan bersama oleh Sekolah Jurnalisme dan Komunikasi Universitas
Normal Hunan dan Institut Penelitian Data Besar Keuangan Universitas Keuangan dan Ekonomi Hunan. Penelitian ini
didanai oleh Penelitian ini didukung oleh National Natural Science Foundation of China (No.72073041); Yayasan Terbuka
untuk Platform Inovasi Universitas di Provinsi Hunan (No. 18K103);Pusat Inovasi Kolaboratif 2011 untuk Pengembangan
dan Pemanfaatan Properti Big Data Keuangan dan Ekonomi, Universitas Provinsi Hunan, Proyek Terbuka (Nos.
20181901CRP03, 20181901CRP04, 20181901CRP05); Proyek Penelitian Reformasi Pengajaran Pendidikan Tinggi
Provinsi Hunan 2020 (Nos. HNJG-2020-1130, HNJG-2020-1124); dan Proyek Umum Dana Ilmu Sosial Hunan tahun 2020
(No. 20B16).

Konflik Kepentingan: Para penulis menyatakan bahwa mereka tidak memiliki konflik kepentingan untuk dilaporkan
mengenai penelitian ini.

Referensi

[1] Y. Yang, D. Zhou dan X. Yang, “Algoritme K-means berbasis pembobotan multi-fitur untuk pelajar MOOC
klasifikasi,” Komputer, Material & Continua, vol. 59, tidak. 2, hal.625–633, 2019.
[2] S. Monalisa, P. Nadya dan R. Novita, “Analisis kategorisasi nilai seumur hidup pelanggan dengan model RFM,”
Procedia Computer Science, vol. 161, hlm.834–840, 2019.
[3] MJ Awan, MSM Rahim, H. Nobanee, A. Munawar, A. Yasin et al., “Media sosial dan prediksi pasar saham: Pendekatan
data besar,” Computers, Materials & Continua, vol. 67, tidak. 2, hal.2569–2583, 2021.
[4] YS Cho, SC Moon, S. Jeong, IB Oh dan KH Ryu, “Metode pengelompokan menggunakan preferensi item berdasarkan
RFM untuk sistem rekomendasi di U-commerce,” Teknologi dan Aplikasi Informasi Ubiquitous, vol. 214, hlm.353–362,
2013.
[5] K. Coussement, FAM Van-Den-Bossche dan KW De-Bock, “Dampak akurasi data terhadap kinerja segmentasi: Analisis
RFM benchmarking, regresi logistik, dan pohon keputusan,” Journal of Business Research, vol . 67, tidak. 1, hal.2751–
2758, 2014.
[6] YH Hu dan TW Yeh, “Menemukan pola frekuensi yang berharga berdasarkan analisis RFM tanpa informasi identifikasi
pelanggan,” Sistem Berbasis Pengetahuan, vol. 61, tidak. 3, hal.76–88, 2014.
[7] Z. Zohre dan AV Yousef, “Mengukur loyalitas pelanggan menggunakan teknik RFM dan pengelompokan yang diperluas,”
Surat Ilmu Manajemen, vol. 4, tidak. 5, hal.905–912, 2014.
[8] H. Zhang, K. Hou dan Z. Zhou, “Algoritme KNN berbobot berdasarkan metode entropi,” Cerdas
Komputasi dan Internet of Things, vol. 924, hlm.443–451, 2018.
[9] X. Liu dan G. Yang, “Penelitian tentang model pemilihan metode evaluasi kekayaan intelektual berbasis teknologi
berdasarkan proses hierarki analitik,” Cluster Computing, vol. 22, tidak. 2, hal.2943–2953, 2019.
[10] E. Wong dan Y. Wei, “Analisis data pengalaman belanja online pelanggan,” International Journal of Retail
& Manajemen Distribusi, vol. 46, tidak. 4, hal.406–420, 2018.
Machine Translated by Google

CMC, 2023, jilid 74, no.2 3513

[11] Y. Chang, C. Liu, M. Liu, W. Liu, Z. Liu dkk., “Metode pembobotan kombinasi tingkat diferensiasi untuk penilaian risiko
pengambilan keputusan investasi dalam proyek konstruksi jaringan listrik,” Interkoneksi Energi Global, jilid. 2, tidak. 5,
hal.465–477, 2019.
[12] YH Hu, TCK Huang dan YH Kao, “Penemuan pengetahuan tentang pola sekuensial RFM tertimbang dari database
urutan pelanggan,” Jurnal Sistem dan Perangkat Lunak, vol. 86, tidak. 3, hal.779–788, 2013.
[13] AJ Christy, A. Umamakeswari, L. Priyatharsini dan A. Neyaa, “Peringkat RFM – pendekatan efektif untuk segmentasi
pelanggan,” Jurnal Universitas King Saud - Ilmu Komputer dan Informasi , https://doi.org/10.1016 /j.jksuci.2018.09.004,
2018.
[14] S. Xu, D. Xu dan L. Liu, “Konstruksi lingkungan ekologi informatisasi regional berdasarkan model hierarki AHP yang
dimodifikasi bobot entropi,” Komputasi Berkelanjutan: Informatika dan Sistem, vol. 22, hlm. 26–31, 2019.

[15] L. Li, F. Liu dan C. Li, “Metode evaluasi kepuasan pelanggan untuk pengembangan produk yang disesuaikan
menggunakan bobot entropi dan proses hierarki analitik,” Komputer & Teknik Industri, vol. 77, hal. 80– 87, 2014.

[16] HC Chang dan HP Tsai, “Analisis RFM Grup sebagai kerangka kerja baru untuk menemukan pelanggan yang lebih baik
perilaku konsumsi,” Sistem Pakar dengan Aplikasi, vol. 38, tidak. 12, hal.14499–14513, 2011.
[17] M. Khajvand, K. Zolfaghar, S. Ashoori dan S. Alizadeh, “Memperkirakan nilai seumur hidup pelanggan berdasarkan
analisis RFM terhadap perilaku pembelian pelanggan: Studi kasus,” Procedia Computer Science, vol. 3, hal.57–63,
2011.
[18] ZC Lin dan CH Cheng, “Desain kreatif struktur rangka web multi-layer menggunakan AHP yang dimodifikasi dan metode
pengelompokan TRIZ yang dimodifikasi,” Computers, Materials & Continua, vol. 68, tidak. 1, hal. 25–54, 2010.
[19] A. Wulam, Y. Wang, D. Zhang, J. Sang dan A. Yang, “Sistem rekomendasi berdasarkan model penguat sekering dan
model dnn,” Computers, Materials & Continua, vol. 60, tidak. 3, hal.1003–1013, 2019.
[20] YL Chen, MH Kuo, SY Wu dan K. Tang, “Menemukan pola sekuensial terkini, frekuensi, dan moneter (RFM) dari data
pembelian pelanggan,”Electronic Commerce Research and Applications, vol. 8, tidak. 5, hal.241–251, 2009.

[21] S. Bayrak, E. Yucel, H. Takci dan R. Samli, “Klasifikasi elektroensefalogram epilepsi menggunakan metode frekuensi
waktu dan propagasi balik ,” Komputer, Material & Continua, vol. 69, tidak. 2, hal. 1427–1446, 2021.

[22] B. Janakiraman dan S. Arumugam, “Rekomendasi nutrisi yang dipersonalisasi untuk pasien diabetes menggunakan
teknik optimasi,” Intelligent Automation & Soft Computing, vol. 26, tidak. 2, hal.269–280, 2020.
[23] B. Shazad, HU Khan, Z. Rehman, M. Farooq, A. Mahmood dkk., “Menemukan pengguna berpengaruh sementara di
media sosial menggunakan pembelajaran aturan asosiasi,” Intelligent Automation & Soft Computing, vol. 26, tidak. 1,
hal.87–98, 2020.
[24] C. Luo, C. Shi, X. Li, X. Wang, Y. Chen dkk., “Pembelajaran multi-tugas menggunakan encoder-decoder konvolusional
berbasis perhatian untuk segmentasi dan klasifikasi cmr kardiomiopati dilatasi,” Komputer, Bahan & Kontinua, vol. 63,
tidak. 2, hal. 995–1012, 2020.
[25] EM Abdelkader, O. Moselhi, M. Marzouk dan T. Zayed, “Metode optimasi gulma invasif multi-objektif untuk segmentasi
gambar marabahaya,” Intelligent Automation & Soft Computing, vol. 26, tidak. 4, hal.643–661, 2020.