SEGMENTASI PELANGGAN BERBASIS RFM DENGAN …digilib.its.ac.id/public/ITS-Undergraduate-15185-Presentation-pdf.pdf · 11 Juni 2008 Tugas Akhir CF-1380 11 • cluster assigning •

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


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


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


Preprocessing

Clustering

Analisa HasilClustering

MelakukanVisualisasi

MODEL DAN IMPLEMENTASI

8

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


Praproses Data

• Tabel databaseData integration

• Tabel tanpa nilai null (kosong)Data Cleaning


(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

Visualisasi

Scatter Plot


Visualisasi

Scatter Plot


UJI COBA DAN ANALISIS HASIL


Uji Validitas

Membandingkan hasil cluster sistem dan WEKA

3 Uji coba dengan atribut dan jumlah cluster berbeda


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)


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


Pelanggan, Nilai transaksi Pelanggan, Customer Value(RFM)


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)



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


Tipe uji 3:

� Atribut RFM & Bandwidth



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


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

PENUTUP


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


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..


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


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


TERIMA KASIH


SEGMENTASI PELANGGAN BERBASIS RFM DENGAN …digilib.its.ac.id/public/ITS-Undergraduate-15185-Presentation-pdf.pdf · 11 Juni 2008 Tugas Akhir CF-1380 11 • cluster assigning •

Documents