Customer Online Shopping Experience Data Analytics," International Journal of Retail - IDN
Customer Online Shopping Experience Data Analytics," International Journal of Retail - IDN
Informasi artikel:
Mengutip dokumen ini:
Eugene Wong, Yan Wei, (2018) "Analisis data pengalaman belanja online pelanggan: Segmentasi pelanggan terintegrasi
dan model prediksi layanan yang disesuaikan", International Journal of Retail & Distribution Management, https://doi.org/
10.1108/ IJRDM-06-2017-0130 Tautan permanen ke dokumen ini: https://doi.org/10.1108/
IJRDM-06-2017-0130
Untuk Penulis
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
Jika Anda ingin menulis untuk ini, atau publikasi Emerald lainnya, silakan gunakan informasi layanan Emerald untuk Penulis
kami tentang cara memilih publikasi mana yang akan ditulis dan pedoman pengiriman tersedia untuk semua. Silakan kunjungi
www.emeraldinsight.com/authors untuk informasi lebih lanjut.
penerbit global yang menghubungkan penelitian dan praktik untuk kepentingan masyarakat. Perusahaan ini mengelola
portofolio lebih dari 290 jurnal dan lebih dari 2.350 buku dan volume seri buku, serta menyediakan beragam produk online
serta sumber daya dan layanan pelanggan tambahan.
Emerald mematuhi COUNTER 4 dan TRANSFER. Organisasi ini merupakan mitra Komite Etika Publikasi (COPE)
dan juga bekerja sama dengan Portico dan inisiatif LOCKSS untuk pelestarian arsip digital.
Edisi terkini dan arsip teks lengkap jurnal ini tersedia di Emerald Insight di:
www.emeraldinsight.com/0959-0552.htm
Tujuan
Abstrak – Tujuan dari makalah ini adalah untuk mengembangkan alat analisis perilaku online pelanggan, mengelompokkan
pelanggan bernilai tinggi, menganalisis perilaku pembelian online mereka dan memprediksi pembelian berikutnya dari
perusahaan perjalanan udara online.
Desain/metodologi/pendekatan – Tinjauan operasi proses belanja online pelanggan di agen perjalanan online (OTA)
dilakukan. Alat analisis perilaku belanja online pelanggan dikembangkan.
Alat ini mengintegrasikan penambangan data harga pesaing, segmentasi pelanggan, dan analisis prediktif.
Dampak perubahan harga pesaing terhadap keputusan pembelian pelanggan mengenai produk OTA dievaluasi.
Model terintegrasi untuk menambang data harga, mengidentifikasi calon pelanggan, dan memprediksi pembelian
berikutnya membantu OTA merekomendasikan paket produk yang disesuaikan kepada pelanggan individual dengan
mengacu pada pola perjalanan mereka.
Temuan – Dalam analisis segmentasi pelanggan, 110.840 pelanggan diidentifikasi dan disegmentasi berdasarkan
perilaku pembelian mereka. Hubungan antara perilaku pembelian di OTA dan perubahan harga di berbagai OTA
dianalisis. Terdapat hubungan yang signifikan antara waktu durasi penerbangan dengan waktu tunggu pembelian.
hAuEL
ISNR W
8G
)d1S
V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
Tujuan perjalanan selanjutnya dari pelanggan bernilai tinggi yang tersegmentasi diprediksi dengan mengacu pada
YTD
1. Pendahuluan
Belanja online terus meningkat, dengan 1,61 miliar orang di seluruh dunia melakukan pembelian
secara online, yang berjumlah USD1,9 triliun pada tahun 2016. Jumlah orang yang membeli barang
dan jasa secara online diperkirakan meningkat menjadi lebih dari dua miliar pada tahun 2019 dan e-
commerce global. jumlah penjualan ritel diperkirakan akan meningkat lebih dari dua kali lipat pada
tahun 2020 (Statistia, 2017). Penjualan perjalanan online global juga meningkat dalam beberapa
tahun terakhir. Ostdick (2017) melaporkan bahwa lebih dari 148 juta pemesanan perjalanan dilakukan
melalui internet setiap tahunnya dan 57 persen reservasi perjalanan dilakukan secara online. Situs
e-commerce perjalanan kini menawarkan beragam produk dengan paket penerbangan, hotel, dan
sewa mobil. Paket online ini ditawarkan oleh berbagai pihak, seperti maskapai penerbangan
(misalnya Lufthansa dan Cathay Pacific) dan online travel agency (OTA) (misalnya Expedia, CTrip
dan Zuji). Statistia (2017) menunjukkan bahwa penjualan perjalanan online di seluruh dunia akan
meningkat dari USD564,9 miliar pada tahun 2016 menjadi USD817,5 miliar pada tahun 2020.
Perusahaan perjalanan, khususnya OTA menghadapi persaingan ketat dari OTA baru dalam hal
Jurnal Internasional Manajemen
harga, kualitas, dan biaya, secara aktif menjajaki peluang dalam bisnis perjalanan online. TrekkSoft Ritel & Distribusi ©
(2016) mengungkapkan bahwa penyedia tur dan aktivitas menerapkan sistem pemesanan online, Emerald Publishing Limited
karena saluran online cenderung menerima pemesanan 30-40 persen lebih banyak setelah menerapkan sistem
0959-0552 DOItersebut.
10.1108/IJRDM-06-2017-0
Machine Translated by Google
IJRDM Dengan meningkatnya jumlah wisatawan yang meninjau situs web perjalanan dan memesan tiket
secara online, OTA berupaya memanfaatkan analisis data besar untuk meningkatkan pemasaran dan
penjualan mereka dengan menyediakan paket perjalanan khusus kepada pelanggan sasaran dengan
cara yang lebih proaktif. Menggunakan kumpulan data yang sangat besar untuk mengidentifikasi
pelanggan bernilai tinggi dan menganalisis perilaku belanja online mereka sangat penting bagi OTA
untuk meningkatkan pangsa pasar mereka. Menentukan calon pelanggan, memahami perilaku
pembelian online mereka, dan memprediksi pembelian berikutnya adalah faktor kunci untuk
mengembangkan bisnis perjalanan online yang sukses. Studi empiris telah dilakukan untuk memahami
atribut dan determinan dalam pemilihan OTA (Ha dan Ha, 2016; Kim et al., 2007a, b; Li dan Suomi,
2007). Penelitian lain telah melakukan hipotesis untuk menguji motivasi pembelian online (Huang et
al., 2017; Bilgihan et al., 2016; Amaro dan Duarte, 2015). Untuk membantu OTA mengidentifikasi dan
mengelompokkan pelanggan berdasarkan perilaku pembelian online mereka, berbagai model dan
aturan penambangan data telah dikembangkan untuk membuat profil pelanggan yang menguntungkan
secara sistematis. Model-model tersebut meliputi model terkini, frekuensi dan moneter (RFM) (Dursun
dan Caber, 2016; Mohammadian dan Makhani, 2016; Lumsden et al., 2008), nilai umur pelanggan
(CLV) (Wang, 2015; Kumar dan Rajan, 2009 ), proses hierarki analitik (Lin et al., 2016; Chiang, 2014)
dan aturan asosiasi (Schiaffino dan Amandi, 2009; Leung et al., 2006).
Mentransformasi bisnis tradisional agen perjalanan, OTA terus meningkatkan nilai produk dengan
memungkinkan pelanggan mengakses dan membeli berbagai macam paket perjalanan secara online
dengan cara yang mudah digunakan, berbiaya rendah, dan dapat disesuaikan.
Hal ini dicapai melalui penggunaan alat penambangan data untuk mendapatkan data harga pesaing
dalam jumlah besar dan data penggunaan pembelian online pelanggan, dan melalui penggunaan alat
analisis data besar untuk menganalisis perilaku pelanggan dan memprediksi pembelian berikutnya
(Wang dan Wang, 2010 ; Demangeot dan Broderick, 2007; Kamarulzaman, 2007; Wong et al., 2006).
(Kim et al., 2007a, b) menunjukkan harga sebagai atribut paling penting bagi pelanggan dalam
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
membeli tiket penerbangan, diikuti oleh keamanan. Hao dkk. (2015) menunjukkan pentingnya
kepuasan pelanggan di situs OTA. Analisis data besar adalah proses memeriksa kumpulan data yang
sangat besar dan mengungkap pola tersembunyi, korelasi yang tidak diketahui, tren pasar, dan
preferensi pelanggan (White, 2012). Oleh karena itu, penting bagi bisnis ritel online yang memiliki
informasi berukuran besar tentang transaksi, perilaku pelanggan, dan catatan pembelian untuk
mengumpulkan dan menganalisis data tersebut setiap jam (Bradlow et al., 2017). Dalam studi ini,
model data mining dan analitik terintegrasi dikembangkan; setelah itu peninjauan operasi dilakukan di
kantor OTA internasional Hong Kong. Angka harga tiket penerbangan online dari pesaing OTA
dijelajahi dalam model untuk analisis data waktu nyata. Data pelanggan diprofilkan dan disegmentasi
untuk analisis perilaku perjalanan penumpang. Sepuluh tujuan perjalanan dipilih untuk ditinjau. Harga
tiket OTA terpilih dan lima OTA saingannya diperoleh melalui perayapan data Web setiap hari selama
lima bulan. Secara keseluruhan, 110.843 profil pelanggan dan nilai pembelian pada tahun 2015 dan
2016 diperoleh dan disegmentasi menggunakan model RFM dan CLV. Pelanggan bernilai tinggi dan
menguntungkan diidentifikasi. Sistem yang dikembangkan memprediksi tujuan pelanggan selanjutnya
untuk memfasilitasi promosi paket yang disesuaikan kepada klien potensial. Kerangka model
ditunjukkan pada Gambar 1.
Perubahan harga
Pelanggan
Masukan profil
berdasarkan
pelanggan
on line
tanggal dan tujuan
belanja
pengalaman
data harga Profil
pertambangan pelanggan
Segmentasi
pelanggan melalui
RFM dan CLV
Analisis prediktif
menunjukkan bahwa nilai RFM harus spesifik pada perusahaan dan berdasarkan pada sifat produk.
Perilaku pelanggan dapat diukur melalui model RFM dengan menggunakan kuintil pelanggan
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
metode (Miglautsch, 2000) atau metode kuintil perilaku (McCarty dan Hastak, 2007).
Karena kuintil adalah sekelompok angka yang mewakili 20 persen nilai dalam kumpulan data yang lebih besar,
keuntungannya adalah memiliki jumlah pelanggan yang sama di setiap segmen. Pelanggan
kuintil mengikuti prinsip ini dalam mensegmentasi pelanggan secara setara dengan membandingkan mereka
parameter dan skor RFM yang ditentukan. Pelanggan dengan skor RFM tertinggi adalah
umumnya dikategorikan paling menguntungkan (Hosseini et al., 2010). Namun, segmentasi melalui
metode kuintil mungkin bias jika persentase pelanggan yang tinggi hanya membeli sekali
pengukuran frekuensi. Hal ini dapat mengakibatkan dua atau tiga kuintil memiliki kesamaan
perilaku; artinya, pelanggan pada skor frekuensi 2 dan 3 berperilaku sama dengan pelanggan pada skor
1. Metode kuintil perilaku mengurutkan pelanggan dengan menghasilkan potongan persentase yang sewenang-wenang
perilaku untuk memecahkan masalah sensitivitas metode kuintil pelanggan (Dursun dan
Caber, 2016). Ini memiliki keuntungan dalam mengelompokkan pelanggan dengan perilaku serupa.
Secara keseluruhan diperoleh 110.843 pelanggan dari data transaksi yang diperoleh dan disegmentasi
sesuai dengan metode kuintil pelanggan. Skema penilaian keterkinian ditetapkan dengan pemberian skor
salah satu dari lima interval dari 1 hingga 5 untuk setiap nomor identifikasi pelanggan berdasarkan
tanggal pemesanan perjalanan pelanggan dalam urutan menurun. Misalnya, pelanggan yang melakukan pemesanan
tanggal kemarin akan mendapat skor 5. Tabel I menunjukkan skor kuintil keterkinian.
IJRDM Penilaian frekuensi diperoleh berdasarkan jumlah pembelian dalam periode tertentu dengan
mengelompokkannya ke dalam interval berdasarkan nilai rata-rata sisa frekuensi dalam periode yang
ditentukan dalam urutan menaik. Misalnya, pada kumpulan data tahun 2016, lima interval dihitung
menggunakan rata-rata jumlah total pembelian: 1, 1oxÿ2.8915; 2,8915okÿ4,3369; 4.3369oxÿ7.0229; dan
W7.0229, dengan skor masing-masing 1 sampai 5.
Skor frekuensi yang tinggi menyiratkan bahwa pelanggan memiliki loyalitas pelanggan yang lebih besar
atau permintaan produk yang tinggi dan pelanggan tersebut cenderung membeli produk berulang kali.
Untuk penilaian moneter, pelanggan dikelompokkan ke dalam lima kuintil menurut jumlah total yang
dibelanjakan pada periode tertentu, dengan skor 1 hingga 5, dalam urutan jumlah uang yang dibelanjakan.
CLV sering digunakan sebagai indikasi atau prediksi laba bersih yang dikaitkan dengan seluruh
hubungan masa depan dengan pelanggan. Venkatesan dan Kumar (2004) menyebut CLV sebagai
penerapan prinsip keuangan kontemporer dalam penilaian nilai pelanggan dan manajemen hubungan. Ini
digunakan sebagai metrik untuk pemilihan pelanggan dan alokasi sumber daya pemasaran.
Verhoef dan Lemon (2013) mendefinisikan CLV sebagai metrik inti yang berpusat pada pelanggan yang
dihitung sebagai nilai sekarang bersih dari seluruh keuntungan masa depan yang diperoleh dari pelanggan
selama masa hidupnya di suatu perusahaan. Paman dkk. (2003) mendefinisikan CLV sebagai nilai yang
pembilangnya adalah laba bersih yang diperoleh setiap periode dan penyebutnya mengubah laba menjadi
nilai saat ini. Berbagai model dan aplikasi CLV telah dikembangkan untuk membantu perusahaan OTA
dalam mengidentifikasi pelanggan potensial dengan daya beli tinggi (Safari et al., 2016; Wang, 2015; Fan
dan Ku, 2010; Kumar dan Rajan, 2009). Dalam satu kasus, model CLV hanya bergantung pada
pembayaran masuk dan keluar yang diharapkan dan dapat diatribusikan secara langsung (Bauer et al.,
2003). Namun model ini gagal mempertimbangkan kemungkinan perubahan dalam migrasi pesaing dan
pelanggannya. Oleh karena itu, kemungkinan churn pelanggan individu perlu diperhitungkan (Ascarza et al., 2018).
Setelah mengevaluasi data yang dikumpulkan dari OTA, nilai RFM yang dihasilkan dikonsolidasikan
dan dirangkum dalam Tabel I. Nilai kekinian diberikan dengan kode kekinian masing-masing dari 1 hingga
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
5 berdasarkan distribusi kuintil yang sama. Khajvand dkk. (2011) memperkirakan CLV berdasarkan
analisis RFM. Sarvari dkk. (2016) mengemukakan bahwa ketiga variabel RFM berbeda dan harus
didasarkan pada karakteristik industri. RFM tertimbang dihitung dengan nilai tertimbang masing-masing
10, 30, dan 60 persen dari nilai RFM.
Untuk mengidentifikasi 0,1 persen pelanggan berharga teratas dari 58.545 pelanggan pada tahun 2015
dan 64.824 pelanggan pada tahun 2016, batas CLV ditetapkan ke 4,6 dari 5. Kemudian, 57 dan 55
pelanggan disegmentasi sebagai pelanggan terbaik tahun 2015 dan 2016, masing-masing. Ini adalah
pelanggan online dengan potensi tertinggi yang melakukan pembelian berulang dan menghabiskan banyak
uang untuk perjalanan. Perilaku pembelian online mereka sehubungan dengan berbagai atribut, seperti
perubahan harga OTA, tingkat konversi, kaitan dengan tujuan perjalanan berikutnya, frekuensi perjalanan
dan uang yang dibelanjakan pada periode tertentu, dianalisis.
Profil dan perilaku pembelian pelanggan tersegmentasi di OTA diperoleh dan dianalisis dengan harga
pesaingnya yang dijelajahi melalui program Python dan server. Harga dari lima pesaing OTA, termasuk
Expedia, Ctrip, Hutchgo, Wing On dan CheapTickets, untuk sepuluh tujuan perjalanan diambil tiga kali
sehari pada pukul 12:00, 10:00, dan 14:00, yang mana OTA berada di bawah studi (OTA x) dianggap
sebagai waktu dengan volume transaksi online tertinggi. Kumpulan data yang diambil untuk harga
penerbangan lima OTA dari Hong Kong ke sepuluh tujuan terpilih, termasuk Singapura (SIN), Shanghai
(SHA), Tokyo (TYO), Bangkok (BKK), Taipei (TPE), Kaohsiung (KHH) , Osaka (OSA), Seoul (SEL), Manila
(MNL) dan London Heathrow (LHR), disimpan dalam database yang dikembangkan untuk korelasi lebih
lanjut dan analisis prediktif.
kemungkinan besar membeli tiket penerbangan melalui OTA yang menawarkan harga rendah (Kim et al., 2007a, b).
Oleh karena itu, strategi penetapan harga merupakan salah satu atribut terpenting dalam kompetisi ini.
Perilaku pembelian online pelanggan seringkali berubah seiring dengan perubahan harga tiket pesaing.
Untuk memverifikasi hal ini, fluktuasi harga tiket pesaing yang mungkin berdampak pada perilaku
pembelian pelanggan dari OTA x dikaji. Menganalisis dampak ini akan membantu OTA x bersaing
Pengalaman bel
dengan pesaingnya secara lebih efektif dan dengan demikian menghindari perpindahan pelanggan.
Analisis regresi terhadap perilaku pembelian tiket pesawat pelanggan OTA x dari Hongkong ke
sepuluh besar destinasi yang paling banyak dikunjungi dilakukan terhadap fluktuasi harga tiket
kompetitor OTA x yang diperoleh dari data crawling system.
Tujuan diindeks sebagai tujuan pertama hingga kesepuluh. Untuk setiap destinasi, kumpulan data
mencakup data harga dari lima pesaing dan data transaksi yang disediakan oleh OTA x. Data harga
masing-masing pesaing dikumpulkan secara online melalui program perayapan data pada tiga waktu
jam sibuk internet (yaitu pukul 12:00, 10:00, dan 14:00).
Tanggal keberangkatan tiket yang dirayapi adalah dua minggu setelah tanggal perayapan. Data yang dikumpulkan
di atas adalah dari tanggal 23 November 2016 hingga 31 Desember 2016. Tanggal-tanggal tersebut diindeks
sebagai hari ke-0 hingga ke-38.
Analisis ini menggunakan fungsi linier untuk mengetahui hubungan fluktuasi harga tiket lima pesaing
OTA x dengan jumlah pembelian OTA x. Notasinya adalah sebagai berikut:
• ÿPitm : fluktuasi harga kompetitor i pada hari ke-t untuk tujuan m, hari apa dan pada hari ke-1, yaitu
th
sama dengan selisih harga rata-rata pada t ÿPitm ¼
PitmÿPitÿ1m, i ¼ 1, …, 5; t ¼ 1, …, 38; m ¼ 1, …, 10.
Maka model regresi dapat direpresentasikan sebagai berikut:
dimana ÿim dan ÿm masing-masing adalah koefisien fluktuasi harga pesaing ke-i dan suku intersep
model regresi untuk tujuan m, ÿtm adalah suku kesalahan pengamatan ke-t tujuan m.
Hasil model regresi sepuluh destinasi disajikan pada Tabel II dan III. Nilai p dari koefisien pada
Tabel III semuanya lebih besar dari 0,05. Hal ini menunjukkan bahwa tidak terdapat hubungan yang
signifikan antara perilaku pembelian pelanggan OTA x dengan fluktuasi harga tiket kompetitor terhadap
hari-hari sebelumnya. Dapat diamati bahwa hasil yang tidak signifikan adalah jumlah pembelian yang
diperoleh pada tanggal pembelian dalam kumpulan data difokuskan pada analisis tradisional perayapan
data pada dua minggu sebelum tanggal keberangkatan. Pengembangan lebih lanjut dapat dilakukan
pada analisis regresi kumpulan data untuk memperpanjang tanggal pembelian dimana untuk setiap
tanggal keberangkatan t, harga rata-rata pesaing i untuk tujuan m, Pitm, dikumpulkan untuk t ¼ t14; ...;
t1.
IJRDM nomor pembelian pelanggan untuk satu destinasi dibandingkan fluktuasi harga tiket destinasi lainnya
tujuan OTA x dilakukan pada data tiket penerbangan sepuluh tujuan yang tercantum di
Bagian 3.1. Kumpulan data setiap tujuan mencakup data harga dan transaksi yang disediakan oleh
OTAx. Seluruh data yang dikumpulkan di atas bertanggal 11 November 2016 hingga 31 Desember 2016.
Tanggal diindeks dari hari 0 hingga 50. Notasinya adalah sebagai berikut:
• Ytm : nomor pembelian di OTA x hari ke t tujuan m, t ¼ 1, …, 50,
m ¼ 1, …, 10.
• Pit : rata-rata harga OTA x hari ke-t tujuan i, dihitung sebagai
rata-rata ketiga harga yang tercatat pada pukul 12.00, 10.00, dan 14.00, i ¼ 1, …,
10; t ¼ 1, …, 50.
• ÿPit : fluktuasi harga OTA x pada hari ke-t untuk tujuan i, yaitu sebesar
selisih harga rata-rata pada hari ke-t dan pada tanggal tÿ1 yaitu ÿPit
¼ Lubang ÿ Lubangÿ1; saya ¼ 1, …,10; t ¼ 1, …, 50.
10
dimana ÿim dan ÿm adalah koefisien fluktuasi harga destinasi ke-i dalam OTA x
dan suku intersep model regresi untuk tujuan m, masing-masing, ÿtm adalah kesalahannya
jangka waktu pengamatan ke-t model regresi untuk tujuan m.
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
Tujuan dari model regresi ini adalah untuk mengetahui apakah pelanggan cenderung membeli Pelanggan
tiket ke tujuan lain ketika harga tujuan lain berubah. Hasilnya ditampilkan on line
pada Tabel IV dan V. Hanya tiga dari nilai p koefisien pada Tabel V yang kurang dari 0,05,
belanja
yaitu p-value ÿ39 (BKK), ÿ89 (SEL) dan ÿ99 (MNL), menunjukkan bahwa harga
Fluktuasi ketiga destinasi tersebut berdampak pada pembelian kesembilan
pengalaman
tujuan (MNL). Nilai dari tiga koefisien yang bersesuaian adalah 0,0035, ÿ0,0022
dan 0,0015, masing-masing. Hasil ini menunjukkan bahwa jumlah pembelian MNL pada
th
t hari meningkat dibandingkan dengan hari ke tÿ1, saat harga BKK atau MNL
meningkat atau ketika harga SEL turun dibandingkan dengan harganya pada hari ke-1.
Pola ini terutama terlihat pada kelompok pelanggan keluarga dan pembantu rumah tangga.
Namun untuk model regresi tujuan ke-i selain MNL tidak ada
hubungan yang signifikan antara perilaku pembelian di tujuan ke-i dan harga
fluktuasi tujuan OTA x lainnya.
m Des. ÿ1m ÿ2m ÿ3m ÿ4m ÿ5m ÿ6m ÿ7m ÿ8m ÿ9m ÿ10m ÿm
1 DOSA 0,0004 ÿ0,0008 0,0000 0,0001 0,0000 0,0030 0,0003 0,0008 ÿ0,0001 0,0000 5,9
2 SHA ÿ0,0007 ÿ0,0007 0,0022 0,0000 0,0026 ÿ0,0011 ÿ0,0005 ÿ0,0006 ÿ0,0003 0,0001 5.3
3 BKK 0,0008 0,0007 0,0016 0,0003 0,0002 0,0053 0,0010 0,0025 ÿ0,0003 ÿ0,0006 17,6
4 TYO 0,0002 ÿ0,0036 0,0068 ÿ0,0013 0,0007 0,0108 0,0015 0,0001 ÿ0,0001 ÿ0,0002 11,2
5 TPE 0,0041 0,0122 ÿ0,0021 0,0031 ÿ0,0010 0,0071 0,0010 ÿ0,0062 0,0011 0,0001 47,9
6 KHH 0,0000 0,0012 ÿ0,0001 0,0000 0,0011 0,0015 0,0001 0,0005 ÿ0,0003 0,0001 4,0 Tabel IV.
7 OSA 0,0001 ÿ0,0005 ÿ0,0012 0,0002 0,0019 0,0031 ÿ0,0009 0,0020 ÿ0,0007 ÿ0,0002 7.1 Nilai-nilai dari
8 SEL 0,0004 0,0041 ÿ0,0052 0,0002 ÿ0,0008 0,0030 0,0003 0,0023 0,0001 11,4 0,0006 koefisien dan
9 MNL 0,0002 0,0002 0,0035 0,0004 ÿ0,0020 0,0031 0,0008 ÿ0,0022 0,0015 0,0000 4,0 mencegat masing-masing
10 LHR ÿ0,0001 0,0009 0,0006 0,0000 1,8 0,0002 0,0012 ÿ0,0023 ÿ0,0001 ÿ0,0010 0,0002 tujuan
m Des. ÿ1m ÿ2m ÿ3m ÿ4m ÿ5m ÿ6m ÿ7m ÿ8m ÿ9m ÿ10m ÿm
1 DOSA 0,643 0,587 0,991 0,926 0,993 0,414 0,779 0,534 0,999 0,000 0,883
2 SHA 0,243 0,543 0,228 0,986 0,320 0,695 0,528 0,548 0,282 0,000 0,708
3 BKK 0,666 0,839 0,767 0,850 0,982 0,534 0,631 0,425 0,102 0,000 0,913
4 TYO 0,952 0,437 0,346 0,592 0,947 0,346 0,604 0,985 0,747 0,000 0,969
5 TPE 0,547 0,335 0,912 0,631 0,971 0,818 0,892 0,582 0,950 0,000 0,896
6 KHH 0,959 0,313 0,947 0,999 0,647 0,602 0,934 0,617 0,352 0,000 0,718 Tabel V.
7 OSA 0,960 0,832 0,748 0,845 0,717 0,607 0,574 0,361 0,343 0,000 0,670 nilai p dari
8 SEL 0,755 0,127 0,214 0,865 0,894 0,641 0,875 0,342 0,649 0,000 0,716 koefisien dan
9 MNL 0,762 0,827 0,039 0,457 0,404 0,241 0,202 0,022 0,042 0,897 0,000 mencegat masing-masing
10 LHR 0,865 0,278 0,644 0,555 0,492 0,228 0,762 0,173 0,545 0,000 0,753 tujuan
Machine Translated by Google
IJRDM Untuk menyelidiki efisiensi saluran yang berbeda untuk OTA x, tingkat konversi berbagai saluran dipelajari
dengan menggunakan mesin Google Analytics (Tabel VI).
Tingkat konversi adalah persentase kunjungan yang menghasilkan transaksi e-commerce.
Tingkat konversi dihitung dengan membagi jumlah konversi dengan jumlah total klik iklan yang dapat dilacak
ke suatu konversi selama periode yang sama. Jika seseorang melacak lebih dari satu tindakan konversi
atau memilih untuk menghitung setiap konversi, rasio konversi yang diperoleh mungkin lebih dari 100
persen, karena lebih dari satu konversi dapat dihitung untuk setiap klik, serupa dengan hasil pada Tabel VI.
Tiga tingkat konversi teratas masing-masing adalah 58,59 persen, 36,5 persen, dan 29,75 persen yang
diakses melalui penelusuran langsung, organik, dan berbayar.
Tingkat penelusuran organik yang relatif tinggi berarti bahwa orang yang menelusuri OTA x benar-benar
mengeklik situs webnya dari daftar, menunjukkan bahwa menambahkan kata kunci, seperti “OTA x” ke
kampanye AdWords yang relevan dapat membantu biro iklan tersebut menarik lebih banyak pelanggan.
• Ti : rata-rata lead time pembelian untuk tujuan ke-i, dimana lead time dihitung sebagai selisih antara
tanggal transaksi dengan tanggal pemberangkatan sebenarnya; Dan
dimana 4,409 dan 40,11 masing-masing adalah koefisien dan intersep model regresi, dan ÿi adalah error
term observasi ke-i. Plot sebar data ditunjukkan pada Gambar 2. Nilai p koefisien dan intersep kurang dari
0,05. Artinya, model tersebut signifikan secara statistik pada tingkat 0,05, yang menunjukkan bahwa ada
hubungan antara waktu durasi penerbangan dan waktu tunggu pembelian. Hasilnya menunjukkan bahwa
OTA x mungkin mencoba mempromosikan penerbangannya berdasarkan hubungan ini.
R2 (sesuai) 62,2%
90
80
70
60
50
40
30
20
0 2 4 6 8 10 12 14 16 Gambar 2.
Waktu (jam)
Plot sebar
dari data R2
Catatan: Garis menunjukkan prediksi dan titik adalah data sebenarnya
Liburan Des. 1 Des. 2 Des. 3 Des. 4 Des. 5 Des. 6 Des. 7 Des. 8 Des. 9 Des. 10
IJRDM Tabel VIII menunjukkan rata-rata waktu tunggu pembelian setiap hari libur, yang mewakili angka tersebut
hari dimana pelanggan cenderung membeli di muka. Ini membantu untuk memprediksi
tanggal yang direkomendasikan bagi OTA x untuk melakukan promosi pada hari libur mendatang
2017 dan 2018. Tanggal yang direkomendasikan tercantum pada Tabel IX.
Des. Des. Des. Des. Des. Des. Des. Des. Des. Des.
Liburan 1 2 3 4 5 6 7 8 9 10 Rata-rata
Tahun Baru Imlek 3 8,2 35,2 41,1 37,7 39,7 52,1 39,2 39,6 49,1 32,6 37,6 37,7 38,2 42,6 33,7 23.0
Paskah 52,9 33,2 31,3 39,8 40,9 41,5 45,1 45,0 49,5 32,7 62.9 48,2 34,6 45,7 44,3 39.9
Festival Ching Ming 44,3 57,0 54,9 55,4 39,0 66,5 40.4
hari Buruh 40.3
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
• I ¼ {i1, i2, …, in}: himpunan item yang setiap item merujuk pada satu tujuan, n ¼ 71.
• D ¼ {T1, T2, …, Tm}: database transaksi dimana setiap transaksi, Ti , mengacu pada catatan
pembelian satu pelanggan (yaitu, Ti terdiri dari sekumpulan item, TiÿI ), m adalah nomornya
pelanggan pada grup CLV 4.6-5, m ¼ 57 untuk grup pada tahun 2015 dan m ¼ 55 untuk grup pada
tahun 2016.
Aturan asosiasi dalam bentuk XÿY (X ÿI,YÿI ) menunjukkan bahwa jika pelanggan membeli X, kemungkinan
besar dia juga akan membeli Y. Ada tiga ukuran utama dalam analisis aturan asosiasi, termasuk dukungan ,
kepercayaan diri dan semangat: • Dukungan (X, D). Hal
Terjadinya X
Mendukung ð Þ¼ X;D
M
Keyakinan (XÿY ). Ini menunjukkan seberapa sering aturan XÿY terbukti benar
(yaitu probabilitas membeli Y ketika X dibeli):
Keyakinan(XÿY ) ¼ Dukungan(XÿY,D)/Dukungan(X,D)
• Angkat (XÿY ). Nilai ini menunjukkan peningkatan derajat strategi pemasaran bertarget berdasarkan
XÿY terhadap strategi pemasaran bertarget pilihan acak.
Penghapusan aturan juga mewakili kemungkinan membeli Y ketika X dibeli, namun dengan
mempertimbangkan popularitas Y:
Mendukungð Þ X[Y; D
Angkatð Þ X ) Y ¼
Mendukung ð Þ X; D Dukungan ð Þ Y; D
iO
lN
D
U
E
P
A
o(
0
2
Nilai peningkatan yang lebih besar dari 1 menunjukkan sejauh mana kemunculan X dan Y saling terkait
W
8G
)d1S
hAuEL V
an iU
)hd
l4 I1TN
:E
ruF 1P
a0
ep9A
satu sama lain dan menjadikan aturan XÿY berpotensi berguna untuk prediksi pasar.
ISNR
YTD
Data
pelanggan
situs web OTA
. ..
jaring Alat
Perayapan
server Penyimpanan
situs web OTA data web
pengolah data
Laporan Gambar 3.
basis
(Piton) Model aliran sistem
data (akses) (VBA) untuk analisis
...
perilaku belanja
online pelangga
situs web OTA
Machine Translated by Google
IJRDM Aturan asosiasi diperlukan untuk memenuhi dukungan minimum dan kepercayaan minimum pada
waktu yang sama. Dalam penelitian ini, minimum support dan minimum Confidence ditetapkan sebesar 5 dan
masing-masing sebesar 45 persen.
Profil kelompok pelanggan CLV 4.6-5 tahun 2015 dan 2016 dalam bentuk asosiasi
aturan masing-masing ditunjukkan pada Tabel X dan XI.
Untuk database transaksi tahun 2015, aturan asosiasi XÿY yang ditunjukkan pada Tabel X miliki
nilai kepercayaan antara 45,5 dan 50 persen, menunjukkan bahwa sekitar setengah dari pelanggan
yang membeli tiket ke X ingin membeli tiket ke Y. Terlebih lagi, ketika seseorang membeli tiket ke
Y, dia kemungkinan besar juga akan membeli tiket ke X, sebagaimana disimpulkan dari nilai lift yang tinggi, yaitu
semuanya lebih besar dari 2. Misalnya, karena nilai peningkatan untuk aturan {BKKÿSIN} adalah yang tertinggi, maka
dampak promosi tiket ke SIN akan lebih signifikan dibandingkan ke destinasi lain
sedangkan kelompok yang berorientasi adalah pelanggan yang telah membeli tiket ke BKK. Efek dari
mengirimkan paket promosi NRT kepada pelanggan yang telah membeli tiket ICN
lebih besar dari mengirimkan paket promosi untuk MNL. Pelanggan ini akan mendapatkan harga yang lebih tinggi
kesempatan untuk membeli tiket lebih lanjut ke NRT. Begitu pula untuk database transaksi tahun 2016, as
ditunjukkan pada Tabel XI, hanya satu aturan asosiasi yang secara bersamaan memenuhi dukungan minimum
dan kepercayaan diri minimal. Karena aturan asosiasi ini memiliki nilai peningkatan 3, promosi berdasarkan
aturan ini akan mempromosikan tiket ke NRT kepada pelanggan yang telah membeli tiket ke LAX.
Hal ini disebabkan adanya daya tarik untuk menggunakan NRT sebagai pilihan transshipment pelanggan saat mereka
sedang bepergian ke LAX. Strategi promosi berdasarkan hasil penambangan akan mempunyai dampak
tingkat respons pelanggan yang jelas meningkat dibandingkan dengan promosi acak.
Dengan pelanggan bernilai tinggi yang teridentifikasi dan sistem terintegrasi termasuk penetapan harga,
profil pelanggan dan modul prediksi perilaku dan layanan, hasil prediksi
tujuan selanjutnya memiliki implikasi besar bagi agen perjalanan. Perilaku pelanggan online adalah
ditangkap dan dianalisis, memfasilitasi pembentukan strategi promosi, khususnya untuk OTA
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
dengan sumber daya terbatas untuk mempromosikan paket ke jutaan konsumen. Paket promosi
dan iklan yang menjangkau setiap pelanggan diharapkan disesuaikan dan disesuaikan dalam
era informasi promosi pelanggan yang melimpah, terutama bagi pelanggan bernilai tinggi.
5. Kesimpulan
Permintaan belanja online, termasuk tiket dan paket perjalanan, terus meningkat
meningkat. Perusahaan perjalanan seperti OTA secara aktif mengeksplorasi cara pelanggan bernavigasi
OTA dan membuat keputusan pembelian mereka. Analisis proses navigasi online pelanggan
dan pembelian melalui OTA x dievaluasi dalam penelitian ini. Manajemen hubungan pelanggan adalah
ditinjau, dan segmentasi pelanggan diusulkan menggunakan model RFM dan CLV tertimbang.
Secara keseluruhan, 110,843 pelanggan tersegmentasi ke dalam kelompok pelanggan yang berbeda dan 0,1 persen
pelanggan diidentifikasi sebagai pelanggan bernilai tinggi berdasarkan perilaku pembelian RFM mereka.
Tabel XI. ID Aturan Aturan asosiasi Mendukung (%) Kepercayaan diri (%) Mengangkat
Untuk menganalisis lebih lanjut perilaku pembelian pelanggan, data transaksi dianalisis dari
sudut pandang perubahan harga dan waktu tunggu pembelian. Dua model regresi diterapkan
untuk menganalisis perilaku pembelian terhadap perubahan harga tiket. Regresi pertama
dilakukan antara perilaku pembelian pelanggan OTA x dengan fluktuasi harga tiket kompetitor
terhadap hari sebelumnya. Regresi kedua dilakukan terhadap perubahan harga berbagai
Pengalaman bel
destinasi di OTA x terhadap keputusan pembelian pelanggannya. Hasilnya menunjukkan bahwa
jumlah pembelian dalam data panel yang diuji dapat diperluas dari analisis tradisional dua minggu
sebelum tanggal keberangkatan menjadi jumlah pembelian harian selama dua minggu sebelum
tanggal keberangkatan. Pada setiap tanggal keberangkatan, data panel dengan 14 observasi
dirumuskan untuk menganalisis dan memperoleh hasil lebih lanjut mengenai hubungan antara
perilaku pembelian dan perubahan harga.
Dalam meninjau efisiensi saluran yang berbeda untuk OTA x, tingkat konversi berbagai
saluran dievaluasi. Tiga tingkat konversi teratas adalah penelusuran langsung (58,59 persen),
penelusuran organik (36,5 persen), dan penelusuran berbayar (29,75 persen). Hal ini
menunjukkan bahwa menambahkan kata kunci OTA x ke kampanye AdWords yang relevan
dapat membantu biro iklan menarik lebih banyak pelanggan. Dalam analisis perilaku pelanggan
terhadap waktu tunggu pembelian, dilakukan dua analisis: satu analisis tentang hubungan antara
waktu tunggu dengan waktu durasi penerbangan dan satu lagi tentang hubungan antara waktu tunggu dengan hari libur.
Rekomendasi telah diberikan kepada OTA x agar waktu dalam mempromosikan penerbangan
liburan kepada pelanggan harus disesuaikan. Misalnya, promosi penerbangan Natal bisa dimulai
pada awal Oktober. Hubungan numerik antara waktu tunggu dan waktu durasi penerbangan
untuk OTA x adalah waktu tunggu ¼ 40,11 +4,409 × waktu durasi penerbangan.
Untuk meningkatkan segmentasi pelanggan dan prediksi perilaku untuk menyesuaikan paket
produk, model analisis data terintegrasi baru pada segmentasi pelanggan, penambangan data
perubahan harga pesaing, dan prediksi perilaku pelanggan dikembangkan.
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
Model ini diterapkan di OTA x dan wawasan diberikan kepada perusahaan mengenai reaksi
pelanggan terhadap perubahan harga sepuluh pesaingnya di sepuluh tujuan wisata terpopuler.
Model ini dapat membantu OTA dalam segmentasi pelanggan dan strategi promosi paket produk
di masa depan. Dengan model yang dirancang, sistem COSBA dengan harga pesaing,
segmentasi pelanggan, dan modul prediksi layanan yang disesuaikan dikembangkan.
Tujuan berikutnya dari pelanggan bernilai tinggi yang teridentifikasi telah diprediksi (misalnya
ICN dan MNL, ICN dan NRT, YVR dan ICN, BKK dan SIN serta LAX dan NRT). Analisis masa
depan dapat diperluas dengan menggunakan lebih banyak informasi demografis pelanggan,
perilaku navigasi antarmuka pengguna online, dan prediksi waktu pembelian pelanggan. Kinerja
historis pelanggan juga dapat ditambahkan untuk meningkatkan akurasi proyeksi.
Referensi
Adjei, MT, Noble, SM dan Noble, CH (2009), “Pengaruh komunikasi C2C di komunitas merek online terhadap
perilaku pembelian pelanggan”, Jurnal Akademi Ilmu Pemasaran, Vol . 38 No.5, hal.634-653.
Amaro, S. dan Duarte, P. (2015), “Model integratif niat konsumen untuk membeli perjalanan
online”, Manajemen pariwisata, Vol. 46, hal.64-79.
Ascarza, E., Neslin, S., Netzer, O., Anderson, Z., Fader, P., Gupta, S. dan Provost, F. (2018), “Dalam mengejar
peningkatan manajemen retensi pelanggan”, Kebutuhan Pelanggan dan Solusi, Jil. 5 No. 1/2, hal.65-81.
Bilgihan, A., Barreda, A., Okumus, F. dan Nusair, K. (2016), “Persepsi konsumen terhadap berbagi pengetahuan
di jejaring sosial online terkait perjalanan”, Manajemen Pariwisata, Vol. 52, hal.287-296.
Borgelt, C. dan Kruse, R. (2002), “Induksi aturan asosiasi: implementasi apriori”, Compstat,
Physica-Verlag HD, hlm.395-400.
Bradlow, ET, Gangwar, M., Kopalle, P. dan Voleti, S. (2017), “ Peran data besar dan prediksi
analitik dalam ritel”, Jurnal Ritel, Vol. 93 No.1, hal.79-95.
Machine Translated by Google
IJRDM Chiang, WY (2014), “Menambang wisatawan bernilai tinggi menggunakan model baru yang dirancang untuk sistem
CRM online: studi kasus di Taiwan”, Aviation, Vol. 18 No.3, hal.157-160.
Demangeot, C. dan Broderick, AJ (2007), “Konseptualisasi perilaku konsumen dalam lingkungan belanja online”,
Jurnal Internasional Manajemen Ritel & Distribusi, Vol. 35 No.11, hal.878-894.
Dursun, A. dan Caber, M. (2016), “Menggunakan teknik penambangan data untuk membuat profil pelanggan hotel
yang menguntungkan: penerapan analisis RFM”, Perspektif Manajemen Pariwisata, Vol. 18, hal.153-160.
Fan, YW dan Ku, E. (2010), “Fokus pelanggan, kesesuaian proses layanan dan profitabilitas manajemen hubungan
pelanggan: efek berbagi pengetahuan”, The Service Industries Journal, Vol. 30 No.2, hal.203-223.
Pemerintah Daerah Administratif Khusus Hong Kong (2017), Hong Kong dalam Angka, Hong Kong.
Greenspan, R. (2004), “Internet tinggi pada tujuan perjalanan”, tersedia di: www.clickz.com/stats/markets/travel
( diakses 10 Juni 2017).
Ha, HY dan Ha, HY (2016), “Evolusi kepribadian merek: penerapan agen perjalanan online”, Jurnal Pemasaran Jasa,
Vol. 30 No.5, hal.529-540.
Hao, JX, Yu, Y., Law, R. dan Fong, DKC (2015), “Pendekatan pembelajaran berbasis algoritma genetika untuk
memahami kepuasan pelanggan dengan situs web OTA”, Manajemen Pariwisata, Vol. 48, hal.231-241.
Hosseini, SMS, Maleki, A. dan Gholamian, MR (2010), “Analisis cluster menggunakan pendekatan data mining untuk
mengembangkan metodologi CRM untuk menilai loyalitas pelanggan”, Sistem Pakar dengan Aplikasi, Vol. 37
No.7, hal.5259-5264.
Hu, YH dan Yeh, TW (2014), “Menemukan pola frekuensi yang berharga berdasarkan analisis RFM tanpa informasi
identifikasi pelanggan”, Sistem Berbasis Pengetahuan, Vol. 61, hal.76-88.
Huang, CD, Goo, J., Nam, K. dan Yoo, CW (2017), “Teknologi pariwisata cerdas dalam perencanaan perjalanan:
peran eksplorasi dan eksploitasi”, Informasi & Manajemen, Vol. 54 No.6, hal.757-770.
Kamarulzaman, Y. (2007), “Adopsi e-shopping perjalanan di Inggris”, International Journal of Retail &
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
Kumar, V. dan Rajan, B. (2009), “Manajemen pelanggan yang menguntungkan: mengukur dan memaksimalkan nilai
seumur hidup pelanggan”, Management Accounting Quarterly, Vol. 10 No.3, hal. 1.
Leung, CWK, Chan, SCF dan Chung, FL (2006), “Kerangka kerja penyaringan kolaboratif berdasarkan aturan asosiasi
fuzzy dan kesamaan beberapa tingkat”, Pengetahuan dan Sistem Informasi, Vol. 10 No.3, hal.357-381.
Li, H. dan Suomi, R. (2007), “Persepsi dan niat pelanggan terhadap pemberian layanan perjalanan online: sebuah
studi empiris di Cina”, Integrasi dan Inovasi Berorientasi pada E-Society, Vol. 2, hal.113-122.
Lin, S., Shi, W. dan Dong, L. (2016), “Penelitian tentang pengambilan keputusan perjalanan berdasarkan analisis teks
catatan perjalanan – ambil Ctrip sebagai contoh”, IEEE Advanced Information Management, Communicates,
Electronic and Automation Konferensi Kontrol (IMCEC), Oktober, hlm.859-862.
Lumsden, SA, Beldona, S. dan Morrison, AM (2008), “Nilai pelanggan dalam klub liburan perjalanan lengkap:
penerapan kerangka RFM”, Jurnal Pemasaran Perhotelan & Kenyamanan, Vol. 16 No.3, hal.270-285.
McCarty, JA dan Hastak, M. (2007), “Pendekatan segmentasi dalam penambangan data: perbandingan RFM, CHAID,
dan regresi logistik”, Journal of Business Research, Vol. 60 No.6, hal.656-662.
Miglautsch, JR (2000), “Pemikiran tentang penilaian RFM”, Jurnal Pemasaran Basis Data, Vol. 8 No.1,
hal.67-72.
Machine Translated by Google
Mohammadian, M. dan Makhani, I. (2016), “Segmentasi pelanggan berbasis RFM sebagai alat analisis elaboratif untuk
memperkaya penciptaan strategi penjualan dan pemasaran perdagangan”, Manajemen, Vol. 3 No.6, hal.21-35.
Nusair, K. dan Kandampully, J. (2008), “Anteseden kepuasan pelanggan dengan layanan perjalanan online: model konseptual”,
European Business Review, Vol. 20 No.1, hal.4-19. Pengalaman bel
Ostdick, N. (2017), “5 Statistik Mengejutkan di Balik Bangkitnya Pemesanan Seluler” Travel Tech Insights, tersedia di:
www.dcsplus.net/blog/5-surprising-statistics-behind-the-rise-of-mobile- pemesanan (diakses April 2018).
Safari, F., Safari, N. dan Montazer, GA (2016), “Penentuan nilai seumur hidup pelanggan berdasarkan model RFM”, Marketing
Intelligence & Planning, Vol. 34 No.4, hal.446-461.
Sarvari, PA, Ustundag, A. dan Takci, H. (2016), “Evaluasi kinerja pendekatan segmentasi pelanggan yang berbeda
berdasarkan analisis RFM dan demografi”, Kybernetes, Vol. 45 No.7, hal.1129-1157.
Schiaffino, S. dan Amandi, A. (2009), “Membangun agen perjalanan ahli sebagai agen perangkat lunak”, Pakar
Sistem dengan Aplikasi, Vol. 36 No.2, hal.1291-1299.
Statistia (2017), “E-commerce di seluruh dunia – statistik & fakta”, tersedia di: www.statista.com/topics/871/online-shopping
(diakses 10 Juni 2017) .
TrekkSoft (2016), “Perangkat lunak pemesanan dan manajemen online untuk operator tur dan penyedia aktivitas”, tersedia
di: www.trekksoft.com (diakses 10 Juni 2017).
Paman, MD, Dowling, GR dan Hammond, K. (2003), “Program loyalitas pelanggan dan loyalitas pelanggan”, Jurnal Pemasaran
Konsumen, Vol. 20 No.4, hal.294-316.
Venkatesan, R. dan Kumar, V. (2004), “Kerangka nilai seumur hidup pelanggan untuk strategi pemilihan pelanggan dan
alokasi sumber daya”, Jurnal Pemasaran, Vol. 68 No.4, hal.106-125.
Verhoef, PC dan Lemon, KN (2013), “Manajemen nilai pelanggan yang sukses: pelajaran utama dan tren yang muncul”,
W
8G
)d1S
hAuEL
ISNR
YTD V
al4
n iU
)hd ruN
I1T E
:F iO
1P
a0
ep9AlN
D
U
E
P
A
o(
0
2
Visa (2015), “Survei Visa: Masyarakat Hong Kong menghabiskan lebih dari separuh liburan mereka bepergian ke luar negeri”,
Hongkong.
Wang, H. dan Wang, S. (2010), “Memprediksi adopsi reservasi hotel seluler: wawasan dari sudut pandang nilai yang
dirasakan”, Jurnal Internasional Manajemen Perhotelan, Vol. 29 No.4, hal.598-608.
Wang, JF (2015), “Nilai seumur hidup pelanggan yang menggabungkan perilaku negatif: pengukuran dan perbandingan”,
dalam Zhang, Z., Shen, ZM, Zhang, J. dan Zhang, R. (Eds), LISS, Springer, Berlin dan Heidelberg , hal.897-901.
Wong, JY, Chen, HJ, Chung, PH dan Kao, NC (2006), “Mengidentifikasi wisatawan yang berharga dan tujuan luar negeri
mereka berikutnya dengan penerapan teknik penambangan data”, Asia Pacific Journal of Tourism Research, Vol. 11
No.4, hal.355-373.
Gupta, S., Hanssens, D., Hardie, B., Kahn, W., Kumar, V., Lin, N., Ravishanker, N. dan Sriram, S. (2006), “Memodelkan nilai
seumur hidup pelanggan ”, Jurnal Penelitian Pelayanan, Vol. 9 No.2, hal.139-155.
Wei, JT, Lin, SY dan Wu, HH (2010), “Tinjauan penerapan model RFM”, African Journal of
Manajemen Bisnis, Jil. 4 No.19, hal.4199-4206.
Untuk instruksi tentang cara memesan cetak ulang artikel ini, silakan kunjungi situs web kami:
www.emeraldgrouppublishing.com/licensing/reprints.htm Atau hubungi kami untuk
rincian lebih lanjut: izin@emeraldinsight.com