Customer Segmentation and Profiling With RFM Analysis - Idn
Customer Segmentation and Profiling With RFM Analysis - Idn
Artikel Penelitian
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
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.
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
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
Segmentasi pelanggan adalah alat untuk berkomunikasi secara efektif dengan pelanggan. Melalui
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.
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.
pelanggan. Namun mengelompokkan pelanggan berdasarkan nilai mereka bagi perusahaan adalah salah satu caranya
Nilai seumur hidup pelanggan, yang merupakan ukuran penting dalam pemasaran, khususnya di
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
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
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
jumlah total uang yang dibelanjakan pelanggan. Model RFM memungkinkan untuk menemukan kemungkinan yang paling besar
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,
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.
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
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
(5x5x5) sel RFM. Dengan cara ini, database pelanggan dibagi menjadi 125 bagian. Pelanggan yang
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
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
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.
1000
900
800
700
600
500
400
300
200
100
0
EMAS PLATINUM PERAK VIP NORMAL
Jumlah Pelanggan 226 292 249 25 223
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
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
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
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
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
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.
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.
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.
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
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
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.
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
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
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
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
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
34
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,
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.
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.