Machine Translated by Google

Artikel Penelitian

JURNAL PEMASARAN TURKISH

Vol.: 5 Edisi: 1 Tahun: 2020, hlm.22-36

Kutipan: Sabuncu, ÿ., Türkan, E., & Polat, H., Segmentasi dan Profil Pelanggan Dengan RFM
Analisis, TUJOM, (2020), 5(1): 22-36 doi: http://dx.doi.org/10.30685/tujom.v5i1.84

SEGMENTASI DAN PROFIL PELANGGAN DENGAN RFM

ANALISIS

ÿbrahim SABUNCU1 Diterima (Baÿvuru Tarihi): 23/03/2020

Edanur TÜRKAN2 Diterima (Kabul Tarihi): 22/04/2020
Hilal POLAT3 Tanggal Terbit (Yayÿn Tarihi): 25/04/2020

ABSTRAK Tulisan ini merupakan studi kasus mengenai segmentasi dan profiling pelanggan
menurut nilai umurnya dengan menggunakan model RFM (Recency, Frekuensi dan
Monetary Value) yang merupakan metode analisis untuk segmentasi perilaku pelanggan.
Kata kunci: Data pelanggan nyata yang dikumpulkan dari pompa bensin di Istanbul, Turki digunakan
Seumur Hidup Pelanggan untuk studi kasus. Data tersebut berisi 1.015 frekuensi kedatangan pelanggan, tanggal
Nilai, Segmentasi, kedatangan terakhir dan total jumlah pembelanjaan pada semester pertama tahun 2016,
Model RFM serta 10 variabel deskriptor pelanggan. Pertama, karakteristik demografi pelanggan SPBU
dianalisis dengan statistik deskriptif. Kemudian skor RFM pelanggan dihitung melalui
program SPSS, dan pelanggan dibagi menjadi 5 segmen berdasarkan skor RFMnya
Kode JEL: M31, M39, dengan analisis cluster. Terakhir, profil pelanggan segmen dibuat dengan menggunakan
Bab 69 analisis Korespondensi dan analisis Diskriminan. Meskipun manajer SPBU berpikir bahwa
pelanggan yang paling berharga bagi perusahaannya adalah pengemudi mobil, hasil
analisis menunjukkan bahwa pelanggan yang paling berharga adalah pengemudi truk. Di
akhir makalah, rekomendasi dibuat berdasarkan profil pelanggan dari dua segmen paling
berharga yaitu VIP dan GOLD.

RFM ANALÿZÿ ÿLE MÜÿTERÿ BÖLÜMLENDÿRÿLMESÿ VE PROFÿL

OLUÿTURULMASI

ONS Namun, ini adalah produk yang dibuat oleh RFM (Güncellik, Sÿklÿk, Parasallÿk)
model yang dapat digunakan untuk memutar dan memutar profil perangkat lunak yang
Anahtar Kelimeler: Anda gunakan. ÿstanbul, Türkiye'de bir akaryakÿt istasyonundan toplanan gerçek müÿteri
Müÿteri Yaÿam Boyu verileri vaka çalÿÿmasÿ için kullanÿlmÿÿtÿr. Memang benar, 2016 tidak seperti 1015
Deÿeri, müÿterinin varÿÿ sÿklÿÿÿnÿ, son varÿÿ tarihini dan toplam harcama tutarÿnÿ dan
Bölümlendirme, RFM müÿterilerin 10 tanÿmlayÿcÿ deÿiÿkenini içerir. Misalnya saja, istasy istasyonu müsterilerinin
Model demografik özellikleri tanÿmlayÿcÿ isstatistikler atau analizedilmiÿtir. Ini adalah program
SPSS yang dapat Anda gunakan untuk memproses RFM dan menganalisis data RFM
JEL Kodlari: yang dapat digunakan sebanyak 5 kali.
Oleh karena itu, Anda dapat melihat profil banyak orang, analisis Anda, dan analisis
M31, M39, C69
diskriminan dari berbagai profil tersebut. Jika Anda melakukan pekerjaan ini, Anda perlu
melakukan analisis pada mesin-mesin yang digunakan oleh mesin-mesin lama,
menganalisisnya dengan baik, dan menggunakan mesin-mesin lama. Makalenin sonunda,
VIP dan GOLD olarak adlandÿrÿlan en deÿerli iki bölümün müÿteri profilleri temel alÿnarak
önerilerde bulunulmuÿtur.

1
Asisten Profesor, Universitas Yalova, isabuncu@yalova.edu.tr, https://orcid.org/0000-0001-8625-9256
2
edaaturkan@gmail.com, https://orcid.org/0000-0002-0496-1592
3
hilalpolat142@gmail.com, https://orcid.org/0000-0003-4324-3451

Jurnal Pemasaran Turki Vol.:5 Edisi:1 Tahun: 2020 hlm.22-36

Tapi makale, araÿtÿrma dan yayÿn etiÿine uygun hazÿrlanmÿÿ ve intihal taramasÿndan geçirilmiÿtir.
Machine Translated by Google

ÿbrahim SABUNCU & Edanur TÜRKAN & Hilal POLAT

1. PERKENALAN

Perusahaan tidak dapat memuaskan seluruh calon pembeli produk atau jasanya. Mereka harus

memilih sekelompok pelanggan yang dapat mereka layani lebih baik daripada pesaing mereka. Untuk melakukan

ini, perlu dilakukan segmentasi pelanggan dan membuat profil mereka. Tujuan utama dari

membuat profil pelanggan adalah membuat strategi pemasaran yang efektif untuk mencapai sasaran yang paling banyak

pelanggan yang menguntungkan.

Segmentasi pelanggan adalah alat untuk berkomunikasi secara efektif dengan pelanggan. Melalui

dari proses partisi, karakteristik kelompok pelanggan tersembunyi didefinisikan dalam

data. Proses partisi mengelompokkan pelanggan menurut fitur serupa.

Partisi adalah langkah awal yang dibuat untuk mengklasifikasikan kelompok pelanggan yang teridentifikasi.

Dengan segmentasi, pemasar dapat memandu sumber daya dengan lebih baik, dan lebih efektif dalam melakukan eksplorasi

peluang.

Pembuatan profil dilakukan setelah segmentasi pelanggan. Profil pelanggan memungkinkan

pemasar untuk memberikan layanan yang lebih baik kepada pelanggan dan berkomunikasi secara lebih efektif

pelanggan yang ada. Data demografis dan pribadi pelanggan dikumpulkan dan dibawa

bersama-sama untuk membentuk profil pelanggan. Profil pelanggan juga digunakan untuk mencari pelanggan baru 23
menggunakan sumber daya eksternal.

Segmentasi dapat dilakukan menurut sifat demografis dan psikografisnya

pelanggan. Namun mengelompokkan pelanggan berdasarkan nilai mereka bagi perusahaan adalah salah satu caranya

metode yang paling banyak muncul (Armstrong et al., 2016).

Nilai seumur hidup pelanggan, yang merupakan ukuran penting dalam pemasaran, khususnya di

manajemen hubungan pelanggan, berfokus pada seluruh harapan hidup pelanggan

bisnis dan memaksimalkan keuntungan yang diharapkan dari pelanggan. Bisnis dapat menciptakan

pemasaran, strategi dan taktik dengan mendefinisikan pelanggan mereka dengan nilai seumur hidup mereka. Nilai

kehidupan pelanggan adalah sebuah konsep di mana banyak akademisi dan manajer pemasaran bekerja

dalam praktiknya dalam waktu yang lama. Tujuan utama dari nilai seumur hidup pelanggan adalah untuk menentukan

tingkat pentingnya pelanggan bagi perusahaan (Ekergil & Ersoy, 2016). Bermacam-macam

pendekatan digunakan untuk menentukan mana yang paling berharga. Salah satu pendekatan tersebut adalah dengan

menghitung nilai seumur hidup pelanggan. Jawaban atas pertanyaan seperti berapa harganya

perusahaan harus berinvestasi, strategi pemasaran mana yang harus dipilih untuk setiap pelanggan, dan

kampanye mana yang harus diselenggarakan untuk setiap pelanggan dapat ditentukan dengan menghitung

nilai seumur hidup pelanggan (Ekergil & Ersoy, 2016).

SEGMENTASI DAN PROFIL PELANGGAN DENGAN ANALISIS RFM

Machine Translated by Google

tujom (2020) 5 (1): 22-36

Strategi pemasaran jangka panjang dapat dikembangkan menurut pelanggan dengan melihat

pada profitabilitas yang diharapkan pelanggan dengan informasi yang diperoleh dari pelanggan

nilai kehidupan. Ini memberi perusahaan kesempatan untuk memeriksa apakah portofolio pelanggan mereka

optimal. Portofolio pelanggan yang optimal dapat dicapai, dan profitabilitas dapat ditingkatkan

mengidentifikasi pelanggan yang kurang menguntungkan atau tidak menguntungkan dibandingkan pelanggan yang tidak

sepadan dengan usaha yang dilakukan perusahaan.

Mengingat nilai seumur hidup pelanggannya, perusahaan dapat terus meningkatkan nilai mereka

pendapatan dan profitabilitas dengan menawarkan solusi yang lebih menarik kepada pelanggan yang sudah ada tanpa

fokus untuk mendapatkan pelanggan baru. Mencoba memikat pelanggan baru dapat mengakibatkan kerugian

perusahaan.

Banyak metode dan model yang digunakan untuk mengukur nilai seumur hidup pelanggan. Ini adalah

dibagi menjadi 2 sebagai model berbasis perilaku masa lalu dan masa depan-masa lalu. Model berbasis masa lalu-masa depan; Itu

model dibagi menjadi 2 yaitu model yang tidak memperhitungkan biaya perolehan pelanggan

biaya dan biaya pembelian pelanggan. Semua model ini memanfaatkan data historis dalam

basis data pelanggan. Poin utama yang membedakannya dengan model berbasis perilaku di masa lalu

dan model berbasis perilaku masa depan-masa lalu adalah untuk menilai apakah pelanggan aktif di dalamnya
24
masa depan. Meskipun klien mempertimbangkan biaya model berbasis perilaku di masa depan, mereka tidak melakukannya

mempertimbangkan model berbasis perilaku masa lalu (Hiziroglu & Sengul, 2012).

Salah satu model penghitungan nilai seumur hidup pelanggan yang paling banyak digunakan adalah RFM

model (Cheng & Chen, 2009). Mudah digunakan, dapat diterapkan dengan cepat dan merupakan metode yang tepat

digunakan terus menerus karena mudah dipahami oleh pengelola usaha. RFM adalah inisial dari

kata Kekinian, Frekuensi dan Moneter. Kekinian berarti tanggal transaksi terakhir

pelanggan; Frekuensi berarti frekuensi transaksi klien; Moneter mengacu pada

jumlah total uang yang dibelanjakan pelanggan. Model RFM memungkinkan untuk menemukan kemungkinan yang paling besar

untuk menanggapi proposal baru di antara pelanggan yang sudah ada.

Model RFM dapat digunakan untuk memperkirakan nilai umur pelanggan (CLV) secara akurat (Buckinx

& Van den Poel, 2005), (Fader et al., 2005), (Sohrabi & Khanlari, 2007) dan untuk segmentasi

dan profil pelanggan (Tsiptsis & Chorianopoulos, 2011). Meskipun ada banyak sekali

penelitian menunjukkan bahwa model RFM dapat digunakan untuk segmentasi dan pembuatan profil pelanggan di

dunia seperti (Piersma & Jonker, 2004), (Wei et al., 2010), (Namvar et al., 2011), (Maryani &

Riana, 2017) studi kasus di Turki sangat sedikit. Beberapa penelitian ini diterapkan pada hal yang berbeda

sektor e-commerce toko olahraga (Birant, 2011), pasar industri B2B (Ekergil & Ersoy,

Jurnal Pemasaran Turki Vol.:5 Edisi:1 Tahun: 2020 hlm.22-36

Machine Translated by Google

ÿbrahim SABUNCU & Edanur TÜRKAN & Hilal POLAT

2016), hotel (Dursun & Caber, 2016), jaringan restoran pizza (Sarvari et al., 2016), toko kelontong

rantai (Peker et al., 2017), pariwisata (Pakyurek et al., 2018), maskapai penerbangan (Altan, 2019), e-retailer

(Kabasakal, 2020) namun tidak ditemukan penelitian lain mengenai sektor ritel bahan bakar.

Dealer bahan bakar adalah pengecer yang menjual produk yang sangat mirip dengan harga yang hampir sama.

Oleh karena itu, sulit bagi mereka untuk membedakan produk, harga, dan saluran distribusi yang sebenarnya

untuk kompetisi. Namun, mereka dapat melakukan diferensiasi dan positioning merek dengan perusahaan tersebut

layanan tambahan yang mereka berikan kepada pelanggan mereka. Layanan ini harus bergantung pada

preferensi pelanggan. Namun tipe pelanggan yang berbeda mungkin memiliki ekspektasi layanan yang berbeda.

Oleh karena itu, penting bagi SPBU untuk memilih segmen pelanggan yang paling berharga

dan melayani sesuai dengan tuntutan segmen ini. Meskipun penting, tidak ada lokal atau

studi internasional tentang penghitungan nilai seumur hidup pelanggan untuk stasiun minyak telah ditemukan. Jadi,

studi kasus ini bertujuan untuk berkontribusi dalam penanaman segmentasi dan profil pelanggan oleh RFM

model di Turki dengan membuat studi kasus mengenai hal ini di stasiun ritel bahan bakar.

2. METODOLOGI DAN ANALISIS

Untuk menerapkan model RFM untuk segmentasi dan profil pelanggan

menurut nilainya, data pelanggan sebenarnya diperoleh dari sebuah pompa bensin di Istanbul, 25
Turki.

Kumpulan data terdiri dari frekuensi kedatangan 1015 pelanggan, tanggal kedatangan terakhir dan total

jumlah pembelanjaan pada paruh pertama tahun 2016, dan 10 variabel deskriptor pelanggan yaitu

dirangkum pada Tabel 1 setelah analisis deskriptif.

SEGMENTASI DAN PROFIL PELANGGAN DENGAN ANALISIS RFM

Machine Translated by Google

tujom (2020) 5 (1): 22-36

Tabel 1. Tabel Rangkuman Analisis Deskriptif

Hitung Kolom Lapisan

JENIS BAHAN BAKAR Ecto Euro Diesel 418 41,2%
Ecto Pro Diesel 221 21,8%
Tanpa timbal95 93 9,2%
LPG 283 27,9%
JENIS KELAMIN Pria 893 88,0%
Perempuan 122 12,0%
JENIS KENDARAAN Mobil 796 78,4%
SUV 0,0%
Komersial Ringan 0 104 10,2%
Minibus 44 4,3%
Otobis 33 3,3%
Truk 25 2,5%
Cuplikan 13 1,3%
PENGGUNAAN Komersial 104 10,2%
METODE Pribadi 815 80,3%
Taksi 96 9,5%
PROFESI pekerja lepas 464 45,7%
Pedagang 171 16,8%
Penerima gratis 206 20,3%
Pengemudi 174 17,1%
Lainnya 0,0%
FAVORIT Besiktas 0 20,4%
TIM Fenerbahce 207 29,9%
Galatasaray 303 25,5%
Trabzonspor 259 13,6%
Bursaspor 3,5%
Lainnya
PEMBAYARAN Kartu kredit 138
7,1%
47,7%
26
METODE Uang tunai 36 72 484 522 51,4%
Lainnya 9 0,9%
PENDIDIKAN Sekolah dasar 28,8%
Sekolah menengah atas 292518 51,0%
Universitas dan Tinggi 205 20,2%
PONSEL PINTAR Ya 978 96,4%
37 3,6%
USIA Nomor 19-30 277 27,3%
31-45 465 45,8%
46-70 273 26,9%

Data pelanggan digunakan untuk menghitung nilai seumur hidup pelanggan dengan menggunakan model RFM,

kemudian pelanggan disegmentasi dengan analisis clustering. Tanggal pembelian terakhir digunakan untuk

Kekinian, frekuensi kedatangan digunakan sebagai Frekuensi dan jumlah total pembelanjaan digunakan untuk Moneter

Nilai. Untuk menghitung skor RFM setiap pelanggan, data terkait RFM dikodekan dalam lima angka yang sama

porsi (Hughes, 1996), (Wei et al., 2010): Tanggal pembelian pelanggan yang diurutkan berdasarkan

urutan kasus ketepatan waktu yang menurun. 20% segmen teratas diberi kode 5, sedangkan 20% berikutnya

segmen diberi kode 4 dan seterusnya. Terakhir, keterkinian setiap pelanggan dalam database adalah

dilambangkan dengan angka 5 sampai 1. Frekuensi kunjungan pelanggan dan data pembelian juga

diurutkan dalam urutan menurun. Semua pelanggan yang dirujuk oleh 555, 554,553, …..111, ini menghasilkan 125

Jurnal Pemasaran Turki Vol.:5 Edisi:1 Tahun: 2020 hlm.22-36

Machine Translated by Google

ÿbrahim SABUNCU & Edanur TÜRKAN & Hilal POLAT

(5x5x5) sel RFM. Dengan cara ini, database pelanggan dibagi menjadi 125 bagian. Pelanggan yang

memiliki skor RFM tertinggi adalah pelanggan yang paling menguntungkan.

Skor RFM setiap pelanggan ditambahkan ke kumpulan data sebagai kolom tambahan untuk selanjutnya

analisis. Histogram RFM yang diberikan pada Gambar 1, menunjukkan bahwa mayoritas pelanggan adalah pelanggan terakhir

pembelian setelah bulan Juni (bulan berjalan), mereka melakukan pembelian di bawah 30 kali sebanyak enam kali

bulan (paruh pertama tahun 2016) dan belanjakan antara 0 dan 39000 TL.

27

Gambar 1. Histogram RFM

Skor RFM digunakan untuk analisis clustering untuk mensegmentasi 1.015 pelanggan bahan bakar

stasiun. Dari hasil analisis, pelanggan dengan karakteristik serupa dikelompokkan menjadi 5

kelompok. Rata-rata skor RFM setiap segmen ditunjukkan pada Gambar 2. Nama-nama

segmen ditentukan berdasarkan inspirasi (Berman, 2006). Jumlah pelanggannya adalah

25 dan segmen dengan rata-rata 949 poin RFM disebut VIP dan terlihat bahwa

segmen yang paling berharga adalah stasiun bahan bakar. Segmen Emas adalah yang paling berharga kedua

segmen dengan 226 pelanggan dan rata-rata 890 poin RFM. Pelanggan perak dengan a

jumlah pelanggan 292 dan rata-rata 651 poin RFM berada di urutan ketiga paling berharga

segmen. Pelanggan Platinum yang memiliki jumlah pelanggan 249 dan rata-rata 415

Poin RFM, berada di segmen paling berharga keempat. Segmen normal merupakan segmen terbanyak kelima

segmen berharga dengan 223 pelanggan dan rata-rata 205 poin RFM.

SEGMENTASI DAN PROFIL PELANGGAN DENGAN ANALISIS RFM

Machine Translated by Google

tujom (2020) 5 (1): 22-36

1000

900

800

700

600

500

400

300

200

100

0
EMAS PLATINUM PERAK VIP NORMAL
Jumlah Pelanggan 226 292 249 25 223

Nilai kehidupan 890 651 415 949 205

Gambar 2. Histogram RFM

Untuk memprofilkan segmen pelanggan menurut deskriptor variabel diskriminan

analisis dan analisis korespondensi dilakukan. Analisis diskriminan bersifat statistik

teknik pengukuran yang memungkinkan kita melihat perbedaan antar kelompok yaitu

karakteristik yang membedakan satu kelompok dengan kelompok lainnya (Charan, 2015). Secara diskriminan

menganalisis perbedaan 10 deskriptor dan 2 variabel dasar (Frekuensi dan skor RFM) untuk
28
setiap segmen diuji. Hasil yang diberikan pada Tabel 2 menunjukkan bahwa variabel-variabel tersebut

dibedakan untuk setiap segmen dan klasifikasi segmen menurut variabel-variabel tersebut

bermakna kecuali variabel gender dan penggunaan ponsel pintar.

Tabel 2. Uji Kesetaraan Rata-rata Kelompok

Wilks'
Lambda F df1 df2 tanda tangan.

JENIS BAHAN BAKAR .945 14.718 4 1010 ,000

JENIS KELAMIN .992 2.017 4 1010 ,090
JENIS KENDARAAN .797 64.450 4 1010 ,000
METODE PENGGUNAAN .890 31.075 4 1010 ,000
PROFESI .930 18.925 4 1010 ,000
TIM FAVORIT .968 8.312 4 1010 ,000
CARA PEMBAYARAN .979 5.353 4 1010 ,000
PENDIDIKAN .973 6.899 4 1010 ,000
PENGGUNAAN PONSEL PINTAR ,998 .476 4 1010 .753
USIA ,983 ,388 ,429 ,066 4.289 4 1010 ,002
TOTAL PENGELUARAN 397.756 4 1010 ,000
FREKUENSI 335.405 4 1010 ,000
SKOR RFM 3596.704 4 1010 ,000

Jurnal Pemasaran Turki Vol.:5 Edisi:1 Tahun: 2020 hlm.22-36

Machine Translated by Google

ÿbrahim SABUNCU & Edanur TÜRKAN & Hilal POLAT

Tabel 3. Tabel Ringkasan Analisis Korespondensi Segmen VIP dan GOLD

Segmen VIP Segmen EMAS

Variabel F Persen Variabel F Persen

Ecto Euro Diesel 12 1,20% Ecto Euro Diesel 127 12,50%

Ecto Pro Diesel 13 1,30% Ecto Pro Diesel 29 2,90%

JENIS BAHAN BAKAR JENIS BAHAN BAKAR
Tanpa timbal95 0 0,00% Tanpa timbal95 17 1,70%
LPG 0 0,00% LPG 53 5,20%
Pria 25 2,50% Pria 207 20,40%
JENIS KELAMIN JENIS KELAMIN
Perempuan 0 0,00% Perempuan 19 1,90%
Mobil 0 0,00% Mobil 174 17,10%
SUV 0 0,00% SUV 0 0,00%

Komersial Ringan 0 0,00% Komersial Ringan 23 2,30%

KENDARAAN KENDARAAN
Minibus 5 0,50% Minibus 9 0,90%
JENIS JENIS
Otobis 5 0,50% Otobis 8 0,80%
Truk 12 1,20% Truk 8 0,80%
Cuplikan 3 0,30% Cuplikan 4 0,40%
Komersial 22 2,20% Komersial 36 3,50%
PENGGUNAAN PENGGUNAAN
Pribadi 3 0,30% Pribadi 168 16,60%
METODE METODE
Taksi 0 0,00% Taksi 22 2,20%
pekerja lepas 3 0,30% pekerja lepas 97 9,60%
29
Pedagang 0 0,00% Pedagang 46 4,50%

PROFESI Penerima gratis 2 0,20% PROFESI Penerima gratis 37 3,60%

Pengemudi 20 2,00% Pengemudi 46 4,50%
Lainnya 0 0,00% Lainnya 0 0,00%

Besiktas 6 0,60% Besiktas 54 5,30%

Fenerbahce 8 0,80% Fenerbahce 72 7,10%

FAVORIT Galatasaray 9 0,90% FAVORIT Galatasaray 65 6,40%

TIM 2 0,20% TIM 13 1,30%
Trabzonspor Trabzonspor

Bursaspor 0 0,00% Bursaspor 10 1,00%

Lainnya 0 0,00% Lainnya 12 1,20%

Kartu kredit 12 1,20% Kartu kredit 102 10,00%
PEMBAYARAN PEMBAYARAN
Uang tunai 13 1,30% Uang tunai 123 12,10%
METODE METODE
Lainnya 0 0,00% Lainnya 1 0,10%

Sekolah dasar 15 1,50% Sekolah dasar 83 8,20%

PENDIDIKAN Sekolah menengah atas 10 1,00% PENDIDIKAN Sekolah menengah atas 105 10,30%

Universitas dan Tinggi 0 0,00% Universitas dan Tinggi 38 3,70%

CERDAS Ya 25 2,50% CERDAS Ya 219 21,60%

TELEPON TIDAK 0 0,00% TELEPON TIDAK 7 0,70%
19-30 4 0,40% 19-30 44 4,30%
USIA 31-45 15 1,50% USIA 31-45 102 10,00%
46-70 6 0,60% 46-70 80 7,90%

SEGMENTASI DAN PROFIL PELANGGAN DENGAN ANALISIS RFM

Machine Translated by Google

tujom (2020) 5 (1): 22-36

Sebagai hasil dari analisis korespondensi, segmen diperiksa dan diinterpretasikan

melalui hubungannya antara kategori masing-masing variabel. Dengan analisis ini,

frekuensi setiap variabel dalam kumpulan data ditentukan untuk segmen. Tabel 3 menunjukkan

hasil analisis korespondensi untuk segmen paling berharga yang diberi nama VIP dan GOLD.

Pada tabel, persen menunjukkan persentase nilai variabel yang ditunjukkan pada seluruh pelanggan, bukan hanya pelanggan

pelanggan segmen tersebut.

Semua analisis dilakukan dengan menggunakan perangkat lunak statistik SPSS. Tapi didukung grafik dan

angka-angka untuk memperkaya analisis dibuat dalam MS Excel. Interpretasi hasil analisis dan

strategi pemasaran menurut hasil ini untuk segmen paling berharga dikembangkan di

bagian berikut.

3. TEMUAN

Hasil analisis dirangkum dalam Tabel 4. Nilai frekuensi tertinggi dari

variabel deskriptor ditunjukkan pada Tabel. Berdasarkan tabel, pelanggan terbanyak

segmen VIP yang berharga menggunakan Ecto Euro Diesel dan Ecto Pro Diesel sebagai jenis bahan bakarnya. Pelanggan ini

sebagian besar adalah pengemudi truk, bus, dan minibus yang menggunakan kendaraannya untuk tujuan komersial

tujuan. Mereka biasanya lulusan sekolah dasar, laki-laki, berusia antara 31-45 tahun ke atas 30
mendukung Galatasaray sebagai tim favoritnya. Mereka melakukan pembayaran secara tunai dan menggunakan Smart

Telepon. Di segmen ini, rata-rata skor RFM pelanggan adalah 948, totalnya

pengeluaran 76.227 TL dan frekuensi kedatangan 206 selama enam bulan.

Tabel 4. Tabel Ringkasan

Pelanggan di segmen Emas umumnya adalah wiraswasta atau pebisnis

lebih memilih jenis bahan bakar Ecto Euro Diesel. Mereka menggunakan kendaraan Mobil untuk keperluan pribadi. Mereka

sebagian besar adalah laki-laki dan lulusan sekolah menengah. Mereka melakukan pembayaran dengan uang tunai atau kartu kredit dan menggunakannya

Jurnal Pemasaran Turki Vol.:5 Edisi:1 Tahun: 2020 hlm.22-36

Machine Translated by Google

ÿbrahim SABUNCU & Edanur TÜRKAN & Hilal POLAT

Ponsel Pintar. Skor RFM pelanggan pada segmen ini adalah 890, sedangkan total pengeluarannya

adalah 4.725 dan frekuensi kedatangannya adalah 45. Profil segmen lainnya juga dapat dilihat pada Tabel 5.

Tabel 5 merupakan tabel ringkasan rata-rata dan persentase skor RFM

variabel. Nilai yang memiliki skor RFM tertinggi dari setiap variabel ditandai. Pelanggan

yang memiliki karakteristik demografi dengan skor RFM tinggi sangat berharga bagi perusahaan. Jadi,

tabel ini menunjukkan nilai deskriptor terpenting yang dapat digunakan untuk menargetkan yang baru

studi pelanggan dan promosi. Sebagai hasil dari analisis RFM, laki-laki, di atas 31 dan

pengemudi truk komersial adalah yang paling berharga bagi perusahaan bahan bakar. Tim Galatasaray

pendukung tampaknya memiliki skor RFM rata-rata tertinggi. Dalam hal pembayaran, pelanggan

terutama lebih memilih uang tunai. Informasi ini digunakan untuk menghasilkan rekomendasi di bagian terakhir.

Tabel 5. Rata-rata RFM Umum Tiap Variabel

Berarti Hitung Lapisan N%
JENIS BAHAN BAKAR Ecto Euro Diesel 567 418 41,2%
Ecto Pro Diesel 596 221 21,8%
Tanpa timbal95 Oktan 460 93 9,2%
LPG 539 283 27,9%
JENIS KELAMIN Pria 564 893 88,0%
Perempuan 492 122 12,0%
KENDARAAN Mobil 550 796 78,4%
JENIS SUV . 0,0% 31
Komersial Ringan 553 0 10,2%
Minibus 494 4,3%
Otobis 542 3,3%
Truk 804 2,5%
Cuplikan 698 1,3%
PENGGUNAAN Komersial 670 104 10,2%
METODE Pribadi 543 44 80,3%
Taksi 541 33 9,5%
PROFESI Freelancer 565 25 45,7%
Pedagang 571 13 16,8%
Penerima gratis 502 104 20,3%
579 815 17,1%
. 96 464 171 206 174 0
0,0%
Pengemudi FAV Lainnya. TIM Besiktas 568 207 20,4%
Fenerbahçe 517 303 29,9%
Galatasaray 599 259 25,5%
Trabzonspor 579 138 13,6%
Bursaspor 579 36 3,5%
Kartu 534 72 7,1%
PEMBAYARAN Kredit Lainnya 527 484 47,7%
METODE Tunai 583 522 51,4%
Lainnya 559 0,9%
PENDIDIKAN Sekolah Dasar 595 9 28,8%
Sekolah menengah atas 548 292 51,0%
Universitas dan Tinggi 520 518 20,2%
PONSEL PINTAR Ya 558 205 96,4%
PENGGUNAAN 494 3,6%
USIA Nomor 516 978 27,3%
19-30 570 37 45,8%
31-45 46-70 573 277 465 273 26,9%

SEGMENTASI DAN PROFIL PELANGGAN DENGAN ANALISIS RFM

Machine Translated by Google

tujom (2020) 5 (1): 22-36

4. KESIMPULAN DAN SARAN

Ada banyak alternatif bagi pelanggan di sektor SPBU. Untuk alasan ini,

pemilik bisnis perlu memahami kebutuhan pelanggan mereka agar menonjol dari kebutuhan mereka

pesaing, dan untuk mengembangkan layanannya sesuai dengan tuntutan dan kebutuhan pelanggan.

Di area dimana persaingan sangat ketat, perusahaan harus meningkatkan loyalitas pelanggan

pelanggan dengan membuat mereka merasa istimewa, berharga dan bahkan harus diyakinkan untuk tetap a

pelanggan perusahaan bahkan dalam kasus stasiun atau kampanye alternatif. Harus

memastikan bahwa kelompok pelanggan ini, yang disebut pelanggan setia, harus menawarkan bisnis ini

terhadap keluarga dan lingkungannya. Dengan demikian, menjalin hubungan yang panjang dan langgeng dengan

pelanggan akan lebih mudah untuk mengenal mereka lebih baik dan menawarkan layanan khusus. Oleh

Dengan membuat profil pelanggan, bisnis dapat meningkatkan keuntungan yang diharapkan dengan menawarkan hak

masyarakat mendapatkan layanan, diskon, kampanye, dan manfaat yang tepat. Untuk melakukan ini, database memiliki

telah dibuat untuk pelanggan SPBU berdasarkan CLV yang dihitung dengan menggunakan model RFM.

Dari hasil analisis, pelanggan dibagi menjadi 5 segmen menurutnya

Skor RFM dan segmen VIP merupakan segmen yang paling berharga bagi SPBU sementara

Segmen emas merupakan segmen paling berharga kedua. Manajer SPBU paling memikirkan hal itu
32
pelanggan berharga bagi perusahaan mereka adalah pengguna Mobil padahal faktanya sebagian besar

pelanggan berharga adalah pengguna Truk dan pelanggan paling berharga kedua adalah Mobil

pengguna. Dengan demikian, penelitian ini juga menunjukkan bahwa segmentasi intuitif mungkin berbeda dari kenyataan dan

metode segmentasi ilmiah harus digunakan. Sangat penting untuk menjaga stasiun bahan bakar

pelanggan di segmen ini dan berupaya menjadikan mereka pelanggan setia. Gasnya

stasiun harus mengembangkan strategi untuk mempertahankan pelanggannya yang paling berharga. Ini beberapa

saran berdasarkan profil segmen yang berharga:

1- 52% pelanggan VIP menggunakan Ecto Pro Diesel sebagai jenis bahan bakar. Oleh karena itu, untuk jenis ini

bahan bakar, jumlah pompa di stasiun dapat ditingkatkan hingga 52% sehingga waktu tunggu menjadi lebih lama

pelanggan dapat dipersingkat.

2- 36% pelanggan di segmen VIP mendukung tim Galatasaray, jadi

Galatasaray menjadi tim favorit perusahaan. Bagi penggemar, produk seperti mainan maskot,

gantungan kunci, magnet, dll dapat disediakan dengan 36% bagian. Jika tim ini menjadi a

juara atau memenangkan piala, ucapan dapat dikirimkan kepada pelanggan. Dengan cara ini, perusahaan bisa

menunjukkan pentingnya tim sepak bola yang didukung oleh pelanggan dapat meningkatkan loyalitas

pelanggan mereka.

Jurnal Pemasaran Turki Vol.:5 Edisi:1 Tahun: 2020 hlm.22-36

Machine Translated by Google

ÿbrahim SABUNCU & Edanur TÜRKAN & Hilal POLAT

3- 48% pelanggan di segmen VIP menggunakan truk. Itu dapat mengalokasikan 48% dari

produk teknis untuk kendaraan hingga oli mesin truk dan filter perawatan oli.

4- Agar pelanggan berharga dari 80% pengemudi dapat berkomunikasi lebih banyak dengan mereka

keluarga dalam perjalanan jauh, kesepakatan dapat dibuat dengan operator untuk menerima sejumlah tertentu

bahan bakar atau memberi mereka hadiah menit jika mereka mengumpulkan poin bahan bakar.

5- Seluruh segmen VIP dan mayoritas pelanggannya adalah pelanggan pria. Untuk

kepada pelanggan ini, produk yang memenuhi kebutuhan perawatan pribadi pria di pasar mereka dapat dijual.

6- Perusahaan dapat membuat pelanggan VIP merasa istimewa dengan mengirimkan mereka yang spesial

pesan di hari ulang tahun mereka. Selain itu, perusahaan mungkin mengalokasikan sebagian anggarannya untuk periklanan

berkampanye hanya kepada pelanggan VIP dan menawarkan mereka sertifikat hadiah khusus dan tiket pertandingan. Di dalam

dengan cara ini, mereka dapat meningkatkan loyalitas mereka kepada perusahaan dengan membuat pelanggannya merasa dihargai.

7- Semua pelanggan VIP, 96,4% dari seluruh pelanggan menggunakan ponsel pintar di perusahaan

umum. Aplikasi seluler yang ada dapat didorong dengan menggunakan kampanye iklan

dan selebaran. Pembayaran BBM pelanggan dapat dilakukan melalui mobile dengan aplikasi smartphone.

Perubahan harga bahan bakar, iklan dan kampanye yang diselenggarakan oleh stasiun dapat disajikan

kepada pelanggan sebagai pesan video.

33

8- Sebuah layanan dapat dikembangkan untuk melaporkan frekuensi kedatangan dan konsumsi bahan bakar

informasi pelanggan VIP di lingkungan elektronik dan untuk mengontrol konsumsi bahan bakar. Di dalam

Dengan cara ini, kampanye dan strategi khusus dapat dikembangkan jika terjadi penurunan loyalitas

pelanggan. Untuk mendukung loyalitas pelanggan, orang-orang yang sudah lama dan sering

pembelian dapat menerima 2 kali lipat kualitas bahan bakar.

9- Perusahaan dapat menawarkan layanan bernilai tambah seperti pencucian mobil kepada pelanggannya di

Segmen VIP dan Gold setelah mereka melakukan belanja bulanan dalam jumlah tertentu.

10- Pelanggan segmen VIP adalah segmen pelanggan yang paling berharga bagi

perusahaan. Mereka terdiri dari lulusan sekolah dasar dan pelanggan laki-laki berusia antara 31-

45. Ketika sebuah perusahaan beriklan, ia mempersempit target audiensnya dan mengarahkannya ke arah kanan

audiens dan mengelola anggarannya dengan baik.

Pengelola SPBU harus mengembangkan kampanye dan promosi sesuai dengan kebutuhan mereka

kebutuhan dan permintaan pelanggan untuk meningkatkan loyalitas mereka. Namun, hal itu tidak mungkin dilakukan

membuat kampanye yang akan memuaskan semua pelanggan karena keterbatasan anggaran. Faktanya,

preferensi pelanggan mungkin berbeda. Oleh karena itu, perlu untuk mengidentifikasi yang paling berharga

SEGMENTASI DAN PROFIL PELANGGAN DENGAN ANALISIS RFM

Machine Translated by Google

tujom (2020) 5 (1): 22-36

segmen pelanggan dan fokus pada kebutuhan segmen tersebut. Dalam penelitian ini, model RFM memiliki

telah terbukti menjadi alat segmentasi yang berguna untuk SPBU, yang juga dapat digunakan untuk tujuan ini

tujuan. Dengan analisis RFM, segmentasi pelanggan, profil pelanggan dan strategi pemasaran

telah dikembangkan berkat informasi penting yang diterima dari stasiun bahan bakar

mengenai frekuensi kejadian, waktu kedatangan dan total biaya pelanggan.

34

Jurnal Pemasaran Turki Vol.:5 Edisi:1 Tahun: 2020 hlm.22-36

Machine Translated by Google

ÿbrahim SABUNCU & Edanur TÜRKAN & Hilal POLAT

REFERENSI

Altan, D. (2019). Güncellik/ Sÿklÿk/ Parasallÿk (RFM) Analisis ÿle Hedef Kitle Seçimi: Hava Yolu Sektöründe Bir
Uygulama. Hacettepe Üniversitesi Sosyal Bilimler Enstitüsü.

Armstrong, G., Kotler, P., & Opresnik, MO (2016). Pemasaran: Sebuah Pengantar (Edi Global). Pearson
Pendidikan.

Berman, B. (2006). Mengembangkan program loyalitas pelanggan yang efektif. Tinjauan Manajemen California, 49(1),
123–148.

Birant, D. (2011). Penambangan data menggunakan analisis RFM. Dalam aplikasi berorientasi pengetahuan dalam penambangan data.
IntechTerbuka.

Buckinx, W., & Van den Poel, D. (2005). Analisis basis pelanggan: pembelotan sebagian dari perilaku klien yang loyal dalam lingkungan
ritel FMCG non-kontraktual. Jurnal Riset Operasional Eropa, 164(1), 252–268.

Charan, A. (2015). Analisis pemasaran: Panduan Praktisi Analisis Pemasaran dan Metode Penelitian.
Perusahaan Penerbitan Ilmiah Dunia.

Cheng, C.-H., & Chen, Y.-S. (2009). Mengklasifikasikan segmentasi nilai pelanggan melalui model RFM dan RS
teori. Sistem Pakar dengan Aplikasi, 36(3), 4176–4184.

35
Dursun, A., & Caber, M. (2016). Menggunakan teknik penambangan data untuk membuat profil pelanggan hotel yang menguntungkan:
Sebuah penerapan analisis RFM. Perspektif Manajemen Pariwisata, 18, 153–160.

Ekergil, V., & Ersoy, NF (2016). B2B/Endüstriyel Pazarlar Için Anahtar Müsteri Yönetimine Iliskin Müsteri Yasam Boyu Degerinin
Hesaplanmasinda Muhasebe ve Pazarlamanin Rolü. Jurnal Penelitian Bisnis dan Ekonomi, 7(4), 159–180. http://
search.proquest.com/docview/1833938122/

Fader, PS, Hardie, BGS, & Lee, KL (2005). “Menghitung pelanggan Anda” dengan cara mudah: Sebuah alternatif dari
Model Pareto/NBD. Ilmu Pemasaran, 24(2), 275–284.

Hiziroglu, A., & Sengul, S. (2012). Menyelidiki Dua Model Nilai Seumur Hidup Pelanggan dari Perspektif Segmentasi.
- Sains, 766–774. https://doi.org/10.1016/j.sbspro.2012.09.129
Procedia Sosial dan Perilaku 62,

Hughes, AM (1996). Meningkatkan respons dengan RFM. Alat Pemasaran, 4–8.

Kabasakal, ÿ. (2020). Segmentasi Pelanggan Berdasarkan Model Moneter Frekuensi Terkini: Studi Kasus dalam E-
Ritel. Biliÿim Teknolojileri Dergisi, 13(1), 47–56.

Maryani, I., & Riana, D. (2017). Pengelompokan dan pembuatan profil pelanggan menggunakan RFM untuk rekomendasi manajemen
hubungan pelanggan. Konferensi Internasional ke-5 tentang Manajemen Layanan Siber dan TI (CITSM), 1–6.

SEGMENTASI DAN PROFIL PELANGGAN DENGAN ANALISIS RFM

Machine Translated by Google

tujom (2020) 5 (1): 22-36

Namvar, M., Khakabimamaghani, S., & Gholamian, MR (2011). Pendekatan untuk mengoptimalkan segmentasi
dan pembuatan profil pelanggan menggunakan RFM, LTV, dan fitur demografis. Jurnal Internasional
Manajemen Hubungan Pelanggan Elektronik, 5(3–4), 220–235. https://doi.org/10.1504/IJECRM.2011.044688

Pakyurek, M., Sezgin, MS, Kestepe, S., Bora, B., Duzagac, R., & Yildiz, OT (2018). Pengelompokan pelanggan
menggunakan analisis RFM. Konferensi Aplikasi Pemrosesan dan Komunikasi Sinyal (SIU) ke-26, 1–4.
https://doi.org/10.1109/SIU.2018.8404680

Peker, S., Kocyigit, A., & Eren, PE (2017). Model LRFMP untuk segmentasi pelanggan di ritel grosir
industri: studi kasus. Intelijen & Perencanaan Pemasaran.

Piersma, N., & Jonker, J.-J. (2004). Menentukan frekuensi pengiriman surat langsung yang optimal. Jurnal Eropa
Riset Operasional, 158(1), 173–182.

Sarvari, PA, Ustundag, A., & Takci, H. (2016). Evaluasi kinerja pendekatan segmentasi pelanggan yang berbeda
berdasarkan analisis RFM dan demografi. orang-orang Kybernet.

Sohrabi, B., & Khanlari, A. (2007). Pengukuran Customer Lifetime Value (CLV) Berdasarkan Model RFM. Tinjauan
Akuntansi & Audit Iran, 14(47), 7–20.

Tsiptsis, KK, & Chorianopoulos, A. (2011). Teknik penambangan data dalam CRM: dalam segmentasi pelanggan.
John Wiley & Putra.
36
Wei, J.-T., Lin, S.-Y., & Wu, H.-H. (2010). Tinjauan penerapan model RFM. Jurnal Afrika
Manajemen Bisnis, 4(19), 4199.

Jurnal Pemasaran Turki Vol.:5 Edisi:1 Tahun: 2020 hlm.22-36