Pendahuluan

Dalam riset pemasaran, analisis Customer Lifetime Value (CLV) adalah salah satu   metode   baru   dalam   perkembangan   bidang pemasaran untuk   menentukan   kelompok konsumen yang potensial. CLV ini bertujuan untuk untuk membantu bisnis membuat keputusan strategis dan meningkatkan laba, jadi jika didalam suatu perusahaan terdapat beberapa masalah dalam proses bisnisnya misal mengalami kerugian seperti masa Covid-19, itu salah satunya dan masih banyak contoh lainnya. Customer Lifetime Value ini membantu identifikasi pelanggan berharga, evaluasi kinerja, peningkatan loyalitas pelanggan, peningkatan laba, optimalisasi pemasaran dll. Namun tidak mudah untuk mengetahui bagaimana cara perusahaan menentukan konsumen yang baik untuk diakuisisi, diretensi dan dikembangkan. Karena setiap tahap dari siklus kehidupan konsumen membutuhkan biaya dan sumber daya yang tidak sedikit. Maka dari itu pemahaman terhadap Customer Lifetime Value(CLV) menjadi sangat penting, karena CLV memberikan suatu

 

Isi

Unsupervised Learning

Unsupervised Learning, sistem disediakan dengan beberapa input sampel tetapi tidak ada output yang hadir. Karena tidak ada output yang diinginkan di sini kategorisasi dilakukan sehingga algoritma membedakan dengan benar antara kumpulan data. Ini adalah tugas mendefinisikan fungsi untuk menggambarkan struktur yang tersembunyi dari data yang tidak berlabel (Somvanshi & Chavan, 2016).

 

RFM (Recency, Frequency dan Monetary Value)

RFM merupakan metode analisis yang digunakan untuk membuat segmentasi konsumen menjadi beberapa kelas tertentu.  Dalam penelitian ini, akan dibagi menjadi tiga kategori: Low, Middle and High.  Analisis RFM sangat bergantung pada data transaksi yang dilakukan oleh konsumen.

  • Recency atau keterkinian: mengindikasikan pelanggan telah membeli sesuatu baru-baru ini. Pelanggan yang membeli belum lama ini lebih cenderung bereaksi terhadap penawaran baru daripada pelanggan yang transaksi pembeliannya sudah terjadisejak lama.
  • Frequency atau frekuensi: memperlihatkan banyaknya pembelian yang dilakukan konsumen. Jika pelanggan melakukan pembelian lebih sering, hal itu akan menghasilkan respon lebih positif lebih tinggi daripada pelanggan yang jarang membeli sesuatu
  • Monetary Value atau nilai uang: omset pembelian atau nilai moneter mengacu pada semua pembelian yang dilakukan oleh pelanggan. Pelanggan yang menghabiskan jumlah uang yang lebih besar untuk membeli sesuatu lebih cenderung menanggapi penawaran daripada pelanggan yang menghabiskan jumlah uang yang lebih kecil.

 

K-Means Clustering

Algoritma K-Means Clustering adalah metode unsupervised learning klasik. Output algoritma ini adalah memecah data observasi menjadi beberapa cluster sehingga setiap data masuk ke dalam cluster berdasarkan mean (rata-rata) terdekat.K-Means merupakan unsupervised machine learning algorithms yang bertujuan untuk menemukan grup dalam data, dengan jumlah grup/kelompok yang diwakili oleh variabel K. Variabel K sendiri adalah jumlah cluster yang dinginkan.Untuk memproses data algoritma K-means Clustering, data dimulai dengan kelompok pertama centroid yang dipilih secara acak, yang digunakan sebagai titik awal untuk setiap cluster, dan kemudian melakukan perhitungan berulang untuk mengoptimalkan posisi centroid. Ketika: Proses akan berhenti

a. Centroid telah stabil

b. Jumlah iterasi yang telah ditetapkan telah tercapai.

Perhitungan  jarak  Minkowski  dapat digunakan  untuk  menghitung  jarak  antar  dua  buah  data.  rumus  untuk  menghitung  jarak tersebut adalah

 

Rumus CLV menganalisis konsumen secara individu :

CLV = Total revenue – Total Cost

Pada suatu contoh penelitian, memiliki data RFM, RFM akan membagi nilai setiap pelanggan menjadi tiga bagian berdasarkan skor perhitungan frekuensi, frekuensi, dan uang. Berdasarkan dataset yang dikumpulkan, terdapat 541909 transaksi yang terjadi; kemudian, berdasarkan variabel CustomerID, 4228 konsumen berbeda ditemukan. Selanjutnya, frekuensi, frekuensi, dan frekuensi dihitung. (ini sebagai contoh)

Secara keseluruhan, hasil analisis menunjukkan bahwa ada 4338 pelanggan yang memiliki nilai RFM masing-masing di toko retail online tersebut. Analisis tersebut menemukan angka keterlambatan, frekuensi, dan uang. Angka keterlambatan yang lebih tinggi menunjukkan bahwa pelanggan telah membeli barang di toko tersebut untuk waktu yang lama, dan angka frekuensi yang lebih rendah menunjukkan bahwa pelanggan memiliki nilai keaktifan yang rendah.

Untuk metode K-Means memiliki contoh perhitungan nya

Segmentasi masing masing level yaitu 0 = Low, 1 = Middle , 2 = High, sehingga dapat diketahui diawal nilai K = 3

 

Kesimpulan

Untuk menentukan pelanggan potensial yang menguntungkan bagi bisnis, analisis Customer Lifetime Value (CLV) sangat penting. Pelanggan dapat dikategorikan menurut pola transaksi mereka dengan menggunakan metode RFM (Recency, Frequency, and Monetary Value). K-Means Clustering, sebuah algoritma pembelajaran tak terlihat yang mengelompokkan data berdasarkan kesamaan atribut, digunakan untuk mengoptimalkan segmentasi ini. Kombinasi RFM dan K-Means memungkinkan bisnis menemukan pelanggan bernilai tinggi, membuat strategi pemasaran yang lebih efisien, dan mengatur sumber daya dengan cara yang paling efektif untuk memastikan bahwa perusahaan terus berkembang.

 

 

References :

  • Homepage, J., Roihan, A., Abas Sunarya, P., & Rafika, A. S. (2019). IJCIT (Indonesian Journal on Computer and Information Technology) Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper. In IJCIT (Indonesian Journal on Computer and Information Technology) (Vol. 5, Issue 1).
  • Learning, M., Cahyo Laksono, B., Wulansari, I. Y., & Laksono, B. C. (n.d.). Pemodelan dan Penerapan Metode RFM pada Estimasi Nilai Konsumen (Customer Lifetime Value) Menggunakan K-Means Clustering PEMODELAN DAN PENERAPAN METODE RFM PADA ESTIMASI NILAI KONSUMEN (CUSTOMER LIFETIME VALUE) MENGGUNAKAN K-MEANS CLUSTERING MACHINE LEARNING (Modeling and Application of the RFM Method on the Estimation of Customer Lifetime Value Using K-Means Clustering Machine Learning).