segmentasi pelanggan berbasis rfm dengan...
TRANSCRIPT
PRESENTASI TUGAS AKHIR – KS091336
Oleh:
SEGMENTASI PELANGGAN BERBASIS RFM DENGAN
MENGGUNAKAN ALGORITMA K-MEANS UNTUK
MENDUKUNG STRATEGI PENGELOLAAN PELANGGAN DI PT
INDOSAT MEGA MEDIA
31 Januari 2011 Tugas Akhir KS09-1336 1
Oleh:
Gemala Yanuarita
5207.100.112
Dosen Pembimbing :
Rully A. Hendrawan S.Kom, M.Eng
Danu Prananta, ST, MSc.
Latar Latar BBelakanelakangg
Banyaknya data pelanggan yang tersimpan
Kebutuhan untuk memahami pelanggan yang dimiliki
Tugas Akhir KS09-1336 2
PERMASALAHANPERMASALAHAN
Bagaimana mengetahui:
� Siapa pelanggan yang memeili customer value tinggi
� Siapa pelanggan-pelanggan yang tidak memberikan
keuntungan bagi perusahaan
3
keuntungan bagi perusahaan
� Berapa banyak pelanggan yang memberikan
keuntungan besar kepada perusahaan
Bagaimana menyediakan informasi untuk mengetahui
jawaban pertanyan di atas?
Tugas Akhir KS09-1336
BATASAN BATASAN PERMASALAHANPERMASALAHAN
Studi kasus yang digunakan pada tugas akhir ini adalah
kondisi pelanggan di PT Indosat Mega Media
Customer profiling yang dilakukan terbatas pada
pengguna produk akses internet prabayar
Data yang digunakan adalah data penggunaan internet
4
Data yang digunakan adalah data penggunaan internet
pelanggan pada bulan Mei hingga Desember tahun 2010
Tugas Akhir KS09-1336
TUJUAN
Terbentuknya segmentasi atau pengelompokan pelanggan PT
Indosat Mega Media berdasarkan tingkat customer value untuk
mengetahui tingkat potensial pelanggan melalui teknik
clustering
Terbentuiknya visualisasi data hasil clustering pelanggan
5
Terbentuiknya visualisasi data hasil clustering pelanggan
sehingga dapat dilakukan pengamatan dengan lebih mudah
Tugas Akhir KS09-1336
MANFAAT
Mendukung strategi pengelolaan hubungan pelanggan.
� Strategi pemasaran
� Strategi mempertahankan pelanggan
� Strategi menarik pelanggan
6Tugas Akhir KS09-1336
METODOLOGI
Pengumpulan data dan informasi
Melakukan AnalisaRFM
Data Preprocessing
7Tugas Akhir KS09-1336
Preprocessing
Clustering
Analisa HasilClustering
MelakukanVisualisasi
Model RFM
Recency
� yaitu kapan transaksi terakhir dilakukan
Frequency
� tingkat keseringan pelanggan melakukan transaksi. Misalkan sekali transaksi tiap bulan, atau 2 kali dalam
9
Misalkan sekali transaksi tiap bulan, atau 2 kali dalamsatu tahun
Monetary
� besarnya nilai transaksi yang dilakukan
Tugas Akhir KS09-1336
Praproses Data
• Tabel databaseData integration
• Tabel tanpa nilai null (kosong)Data Cleaning
10Tugas Akhir KS09-1336
(kosong)Data Cleaning
• Atribut clusteringData transformation
• Tabel input clusteringData Reduction
Sistem Clustering
Input file:• dataset• jumlah cluster• atribut cluster
Input file:• dataset• jumlah cluster• atribut cluster
Output fileOutput file
Clustering
dengan
algoritma K-
11 Juni 2008 Tugas Akhir CF-1380 11
Output file• cluster assigning• centroid atribut cluster
Output file• cluster assigning• centroid atribut cluster
Visualisasi
• Scatter plot• Bubble Chart
Visualisasi
• Scatter plot• Bubble Chart
algoritma K-
Means
Visualisasi
Output dengan
JFreeChart
Uji Validitas
Membandingkan hasil cluster sistem dan WEKA
3 Uji coba dengan atribut dan jumlah cluster berbeda
11 Juni 2008 Tugas Akhir CF-1380 15
Uji Validitas
Uji coba ke: 1
Jumlah Cluster: 3
Atribut: Produk, Fitur Produk, Usia Pelanggan, PenggunaanBandwidth Pelanggan, Lama Pelanggan Berlangganan,Recency transaksi Pelanggan, Frekuensi TransaksiPelanggan, Nilai transaksi Pelanggan, Customer Value (RFM)
11 Juni 2008 Tugas Akhir CF-1380 16
Pelanggan, Nilai transaksi Pelanggan, Customer Value (RFM)
Perbandingan presebaran cluster
Cluster ke-
Sistem Cluster (%)
WEKA (%) Selisih(%)
0 12.82051 13 0.17949
1 38.46154 38 0.46154
2 48.71795 49 0.28205
Uji Validitas
Uji coba ke: 2
Jumlah Cluster: 3
Atribut: Fitur Produk, Usia Pelanggan, PenggunaanBandwidth Pelanggan, Lama Pelanggan Berlangganan,Recency transaksi Pelanggan, Frekuensi TransaksiPelanggan, Nilai transaksi Pelanggan, Customer Value
11 Juni 2008 Tugas Akhir CF-1380 17
Pelanggan, Nilai transaksi Pelanggan, Customer Value(RFM)
Perbandingan presebaran cluster
Cluster ke-
Sistem Cluster (%)
WEKA (%) Selisih(%)
0 28.20513 28 0.20513
1 28.20513 28 0.20513
2 43.58974 44 0.41026
Uji Validitas
Uji coba ke: 3
Jumlah Cluster: 4
Atribut: Usia Pelanggan, Penggunaan BandwidthPelanggan, Lama Pelanggan Berlangganan, Recencytransaksi Pelanggan, Frekuensi Transaksi Pelanggan, Nilaitransaksi Pelanggan, Customer Value (RFM)
11 Juni 2008 Tugas Akhir CF-1380 18
Perbandingan presebaran cluster
Cluster ke-
SistemCluster (%)
WEKA (%) Selisih(%)
0 10.25641 10 0.25641
1 38.46154 38 0.46154
2 46.15385 46 0.15385
3 5.128205 5 0.12821
Uji Segmentasi
Dilakukan 3 tipe uji coba masing-msaing sebanyak 4 kali
Tipe uji 1:
� Atribut RFM
� Jumlah cluster : 2,3,4,5
Tipe uji 2:Tipe uji 2:
� Atribut R, F & M
� Jumlah cluster : 2,3,4,5
Tipe uji 3:
� Atribut RFM & Bandwidth
� Jumlah cluster : 2,3,4,5
11 Juni 2008 Tugas Akhir CF-1380 19
Analisa Hasil
Dari uji coba, segmentasi dengan untuk atribut RFM danBandwidth dengan 4 cluster menghasilkan pola sesuaiteori Piramida pelanggan
Masing-masing segmen dikelompokkkan ke dalampelanggan dengan tipe:pelanggan dengan tipe:
� Most Valuable Customer (MVC)
� Most Growable Customer
� Below Zeros
� Migrators
11 Juni 2008 Tugas Akhir CF-1380 20
Analisa Hasil
cluster 2 cluster 2 (13%)
cluster 1 (17%)
rfm: 3156551
rfm: 2369598
Tugas Akhir CF-1380 21
cluster 0 (32%)
cluster 3 (38%)
Piramida pelanggan hasil segmentasi 4 cluster dengan atributRFM dan penggunaan bandwidth pelanggan
rfm: 1836999
rfm: 1697269
Kesimpulan
Pelanggan PT Indosat Mega Media (data periode Maret-
desember 2010) dapat dikelompokkan ke dalam 4 kategori:
� Most Valuable Customer (MVC)
� Kelompok pelanggan dengan customer value tinggi
� Most Growable Customer
23
� Kelompok pelanggan dengan potensi tinggi
� Below Zeros
� Kelompok pelanggan dengan value yang rendah
� Migrators
� Kelompok pelanggan yang berada di antara below zeros danmost growable customer
Tugas Akhir KS09-1336
Saran
Untuk melakukan segmentasi pelanggan, akan lebih baik
jika terdapat data demografi pelanggan yang lengkap.
Contoh: usia, jenis kelamin, pekerjaan, penghasilan, strata
sosial dan ekonomi
Adanya data demografi pelanggan yang lengkap akan
24
Adanya data demografi pelanggan yang lengkap akan
bermanfaat sebagai acuan dalam melakukan tindakan
lanjut setelah terbentuknya segmen pelanggan..
Tugas Akhir KS09-1336
Daftar Pustaka-1
Aggelis. V. & Chritodoulakis, D. 2004. Customer Clustering using RFM Analysis.
C.-H. Cheng, Y.-S. Chen. 2009. “Classifying the segmentation of customer value via RFM
model and RS theory”. Expert Systems with Applications 36 (2009) 4176–4184
Deck, Stewart .CIO Magazine. 15 Oktober 2001
E.W.T. Ngai et al. 2009. “Application of data mining techniques in customer relationship
management: A literature review and classification”. Expert Systems with Applications
36 (2009) 2592–2602
25
36 (2009) 2592–2602
Han & Kamber. 2006. “Data Mining: Concepts and techinuqes”. San Fransisco: Elsevier
Inc.
J.-L. Seng, T.C. Chen. 2010. “An analytic approach to select data mining for business
decision”. Expert Systems with Applications 37 (2010) 8042–8057
Karahoca, A., & Karahoca, D. 2010. “GSM churn management by using fuzzy c-means
clustering and adaptive neuro fuzzy inference system”. Expert Systems with
Applications (2010), doi:10.1016/j.eswa.2010.07.110
Tugas Akhir KS09-1336
Daftar Pustaka-2
L.B. Romdhane et al. 2010. “An efficient approach for building customer profiles from
business data”. Expert Systems with Applications 37 (2010) 1573–1585
Tan et al. 2005. “Introduction to Data Mining”. ACM. Inc.
S.M.S. Hosseini et al. 2010. “Cluster analysis using data mining approach to develop
CRM methodology to assess the customer loyalty”. Expert Systems with Applications
37 (2010) 5259–5264
S.-Y. Hung et al. 2006. “Applying data mining to telecom churn management”. Expert
26
S.-Y. Hung et al. 2006. “Applying data mining to telecom churn management”. Expert
Systems with Applications 31 (2006) 515–524
Tugas Akhir KS09-1336