Upload
fransiska-janette-wibowo
View
229
Download
0
Embed Size (px)
Citation preview
8/3/2019 Slide Data Mining
1/60
8/3/2019 Slide Data Mining
2/60
The CRM Strategy Pelanggan yang loyal dan menguntungkan
adalah asset yang paling penting bagi sebuahperusahaan.
CRM menggunakan pendekatan customer centricdengan berdasarkan customer driven. Customerdriven adalah pemasaran yang dikendalikan oleh
kebutuhan dan keinginan konsumen.
Customer-DrivenCustomer Centric
CRM (CustomerRelationship
Management)
CRM
Strategi untuk membangun, mengelola,meningkatkan kesetiaan, dan menjaga
hubungan jangka panjang denganpelanggan.
8/3/2019 Slide Data Mining
3/60
The CRM Strategy
Penanganan pelanggan dilakukan secara pribadiuntuk mengidentifikasi dan memahami perbedaankebutuhan, preferensi, serta perilaku masing-masing.
Dalam kehidupan nyata, berikut merupakan contoh
dua toko pakaian dengan pendekatan penjualan yangberbeda.
1 2
VS
8/3/2019 Slide Data Mining
4/60
The CRM Strategy
Toko pertama menjual segala jenis pakaian untuksemua orang.
Toko kedua, karyawan mencoba mengidentifikasikebutuhan dan keinginan setiap pelanggan
kemudian memberikan saran yang sesuai kepadapelanggan.
Antara dua toko tersebut, toko kedua yangtampak lebih dapat dipercaya dalam hubungan
jangka panjang karena toko tersebutmemperhatikan kebutuhan pelanggan yangspesifik dalam memenuhi kepuasanpelanggannya.
8/3/2019 Slide Data Mining
5/60
The CRM Strategy
CRM memiliki dua tujuan utama, yaitu:
Customer retention through customer satisfaction
Customer development through customer insight
1
2
8/3/2019 Slide Data Mining
6/60
Kunci utama pengembangan pelanggan adalah tidak adapelanggan yang rata-rata. Maksudnya adalah pelangganmerupakan orang yang berbeda, dengan kebutuhan yangberbeda, oleh karena itu perilaku dan potensi pelangganharus ditangani dengan sesuai.
Akuisisi pelanggan sangat sulit, terutama pada mature-market. Mature market adalah suatu kondisi ketika pasartelah mencapai keadaan kesetimbangan. Sebuah pasardianggap dalam keadaan kesetimbangn apabila tidak adapertumbuhan yang signifikan akibat kurangnya inovasi.
Dalam sebuah kompetisi, sangat susah untuk menggantipelanggan yang sudah ada dengan pelanggan yang baru.Salah satu cara mempertahankan pelanggan yaitu dengancara memberikan kepuasan kepada pelanggan.
The CRM Strategy
Customerretentionthrough
customersatisfaction
Customerdevelopmentthroughcustomerinsight
8/3/2019 Slide Data Mining
7/60
DATA MININGSerangkaian proses untuk menggali nilai tambah berupainformasi yang selama ini tidak diketahui secara manual darisuatu basisdata dengan melakukan penggalian pola-pola daridata dengan tujuan untuk memanipulasi data menjadi informasi
yang lebih berharga yang diperoleh dengan cara mengekstraksidan mengenali pola yang penting atau menarik dari data yangterdapat dalam basis data.
8/3/2019 Slide Data Mining
8/60
DATA MINING
Beberapa faktor yang mendukung perlunyadilakukan data mining adalah:
Data telah mencapai jumlah dan ukuran yang sangat besar(overload)
Telah dilakukan proses data warehousing
Kemampuan komputasi yang semakin terjangkau
Persaingan bisnis yang semakin ketat
Overload terjadi akibat akumulasi data yang terekam bertahun-tahun
8/3/2019 Slide Data Mining
9/60
MANFAAT DATA MININGData mining juga diperlukan untuk menyelesaikanpermasalahan atau menjawab kebutuhan bisnis itu sendiri,misalnya:
Bagaimana mengetahui hilangnya pelanggan karenapesaing
Bagaimana mengetahui item produk atau konsumen yangmemiliki kesamaan karakeristik
Bagaimana mengidentifikasi produk-produk yang terjualbersamaan dengan produk lain
Bagaimana memprediksi tingkat penjualan
Bagaimana menilai resiko dalam menentukan jumlahproduksi suatu item
Bagaimana memprediksi perilaku bisnis di masa yangakan datang
8/3/2019 Slide Data Mining
10/60
WHAT CAN DATA MINING DO? Data mining bertujuan untuk mengekstrak pengetahuan
dan wawasan melalui analisis data dalam jumlah besarmenggunakan teknik pemodelan yang canggih. Data
mining mengkonversi data ke dalam pengetahuan daninformasi yang nantinya akan ditindak lanjuti. Data yangakan dianalisis berada pada data marts dan datawarehouses.
8/3/2019 Slide Data Mining
11/60
WHAT CAN DATA MINING DO?
Data marts
Datawarehouse
Fasilitas penyimpanan data yang berorientasi pada subjecttertentu atau berorientasi pada departemen tertentu dari suatuorganisasi, fokus pada kebutuhan departemen tertentu seperti,sales, marketing, operation atau collection. Suatu perusahaan
dapat memiliki lebih dari satu data mart.
Basis data yang menyimpan data sekarang dan data masa
lalu yang berasal dari berbagai sistem operasional dan sumberyang lain (sumber eksternal) yang menjadi perhatian pentingbagi manajemen dalam organisasi dan ditujukan untukkeperluan analisis dan pelaporan manajemen dalam rangkapengambilan keputusan.
8/3/2019 Slide Data Mining
12/60
DATA MININGMODEL TECHNIQUE
8/3/2019 Slide Data Mining
13/60
MODEL DATA MININGModel data mining terdiri dari: set of rules (aturan),
equations (persamaan),
atau complex transfer functions
yang dapat digunakan untuk:
mengidentifikasi pola-pola data,
memahami,
dan memprediksi perilaku.
8/3/2019 Slide Data Mining
14/60
MODEL DATA MINING
Model data mining dikelompokkan menjadi duakelas utama sesuai dengan tujuan nya :
1. SUPERVISED/PREDICTIVE MODELS
2. UNSUPERVISED MODELS
8/3/2019 Slide Data Mining
15/60
SUPERVISED/PREDICTIVE MODELS
8/3/2019 Slide Data Mining
16/60
SUPERVISED/PREDICTIVE MODELS Dalam supervised, or predictive, directed, atau
targeted modeling,tujuannya adalah untukmemprediksi peristiwa atau memperkirakan nilaidari atribut numerik kontinu.
8/3/2019 Slide Data Mining
17/60
About supervised/predictive models
Dalam model ini ada bidang input atau atribut danbidang output atau target. Field input juga disebutprediktor karena mereka digunakan oleh modeluntuk mengidentifikasi fungsi prediksi untuk
bidang output. Kita dapat memikirkan prediktorsebagai bagian X dari fungsi dan bidang sasaransebagai bagian Y, hasilnya.
8/3/2019 Slide Data Mining
18/60
About supervised/predictive models
Model ini menggunakan medan input yangdianalisis sehubungan dengan efeknya padabidang sasaran. Pengenalan pola diawasi olehbidang sasaran. Hubungan dibentuk antara input
dan output yang bidang. Sebuah input-outputpemetaan fungsi-fungsi yang dihasilkan olehmodel, yang rekan prediktor dengan output danmemungkinkan prediksi dari nilai output,
mengingat nilai-nilai field input.
8/3/2019 Slide Data Mining
19/60
About supervised/predictive models
Model prediksi dikategorikan ke dalam: Classification or propensity models
Estimation models
8/3/2019 Slide Data Mining
20/60
Classificationor propensity models Grup belum diketahui di awal sehingga perlu
dilakukan klasifikasi terlebih dahulu
Dalam model ini kelompok sasaran atau kelasdiketahui dari awal. Tujuannya adalah untukmengklasifikasikan kasus ke dalam kelompok-kelompok yang telah ditetapkan, dalam kata lain,untuk memprediksi suatu kejadian. Model yangdihasilkan dapat digunakan sebagai mesin scoringuntuk menugaskan kasus baru ke kelas yang telah
ditetapkan. Hal ini juga memperkirakan skor kecenderungan
untuk setiap kasus. Kecenderungan skormenunjukkan kemungkinan terjadinya kelompoksasaran atau peristiwa.
8/3/2019 Slide Data Mining
21/60
Tujuan : memberikan pengetahuan tambahantentang pelanggan dan optimasi pengembanganaplikasi
8/3/2019 Slide Data Mining
22/60
Estimation models
Model ini serupa dengan model klasifikasi tetapidengan satu perbadaan utama. Merekadigunakan untuk memprediksi nilai dalamfield/bidang/medan yang berkesinambungan
berdasarkan nila-nilai dari atribut input (masukan)
8/3/2019 Slide Data Mining
23/60
Diteraokan dalam : keseimbangan yangdiharapkan dari rekening tabungan nasabahdalam waktu dekat mengetahui kebutuhannasabah dalam waktu dekat
8/3/2019 Slide Data Mining
24/60
UNSUPERVISED MODELS
8/3/2019 Slide Data Mining
25/60
UNSUPERVISED MODELS Dalam unsupervised atau undirected model tidak ada
medan output, hanya input saja. Pola pengenalannyaadalah pola berarah, dan tidak dipandu oleh atributtarget tertentu.
Tujuan dari model tersebut adalah untukmembuka/menemukan pola-pola dalam set inputfields.
Unspervised model meliputi :
Cluster models Association and sequence models
8/3/2019 Slide Data Mining
26/60
Cluster models
Dalam model ini kelompok tidak dikenal secaraadvance. Sebaliknya, kita menginginkan algoritmauntuk menganalisa pola input data danmengidentifikasi pengelompokan alami dalam catatan
atau kasus. Ketika kasus-kasus baru dinilai olehmodel kluster yang dihasilkan dan ditugaslan ke salahsatu revealed kluster.
Dapat menganalisis input dan pola data yangkompleks dan menyarankan solusi yang jelas untukmodel data yang kompleks.
8/3/2019 Slide Data Mining
27/60
Cluster model Clasification modelTidak menampilkan kelas Menampilkan kelas
8/3/2019 Slide Data Mining
28/60
Association and sequence models
Model ini juga termasuk pada kelas dari pemodelanunsupervised. Model ini tidak melibatkan prediksilangsung dari suatu bidang/medan/field. Bahkan,semua bidang yang terlibat memiliki peran ganda,
sejak model ini berperan/bertindak sebagai input danoutput pada saat yang sama. Association modelsmendeteksi asosiasi antara peristiwa diskrit, produk,atau atribut. Model berurutan mendeteksi asosiasidari waktu ke waktu.
8/3/2019 Slide Data Mining
29/60
DATA MINING IN THE CRMFRAMEWORK
8/3/2019 Slide Data Mining
30/60
DATA MINING IN THE CRMFRAMEWORK
Data mining dapat memberikan pengetahuan tentangpelanggan yang sangat penting untuk membangunstrategi CRM yang efektif.
Model data mining dapat membantu dalammendapatkan, mengembangkan, serta mempertahankanpelanggan seperti yang ditunjukkan pada Gambar 1.1
8/3/2019 Slide Data Mining
31/60
DATA MINING IN THE CRM
FRAMEWORK
Gambar 1.1 Data mining dan customer lifecycle management
8/3/2019 Slide Data Mining
32/60
CUSTOMER SEGMENTATION Segmentasi adalah proses membagi pelanggan ke
dalam basis yang berbeda dalam rangkamengembangkan strategi pemasaran yang berbedasesuai dengan karakteristik pelanggan. Terdapat jenissegmentasi yang berbeda berdasarkan kriteria atauatribut tertentu yang digunakan untuk segmentasi. Dalamsegmen perilaku, pelanggan dikelompokkan berdasarkanperilaku dan karakteristiknya.
8/3/2019 Slide Data Mining
33/60
CUSTOMER SEGMENTATION
Data mining dapat membuat segmen data berbasisperilaku. Algoritma clustering dapat menganalisisperilaku data, mengidentifikasi pengelompokan alamipelanggan, dan memberikan saran pada pola data
yang diamati. Data mining juga dapat digunakanuntuk pengembangan skema segmentasiberdasarkan nilai saat ini atau yang diharapkan/diperkirakan dari pelanggan. Segmentasi diperlukandalam rangka memprioritaskan penanganan
pelanggan dan berdasarkan pentingnya masing-masing pelanggan.
8/3/2019 Slide Data Mining
34/60
DIRECT MARKETING CAMPAIGNS Marketers menggunakan kampanye
pemasaran langsung untuk berkomunikasidengan pelanggan melalui mail, e-mail,telemarketing (telepon), dan saluran lainnyauntuk mencegah churn (attrition) dan untukmendorong akuisisi pelanggan sertapembelian produk add-on.
8/3/2019 Slide Data Mining
35/60
DIRECT MARKETING CAMPAIGNS
Churn (attrition) adalah ukuran jumlah orang ataubenda yang masuk atau keluar dari suatu kelompokdalam jangka waktu tertentu. Istilah ini biasanyadigunakan dalam konteks customer base sebagai
persentase pelanggan yang meninggalkan supplierdalam jangka waktu tertentu. Hal ini menandaiketidakpuasan customer, akibat tawaran lebih murahdari pesaing, pemasaran yang lebih baik olehpesaing, atau penyebab lain.
8/3/2019 Slide Data Mining
36/60
DIRECT MARKETING CAMPAIGNS
Kampanye bertujuan untuk mencegah retensipelanggan yang berharga dan menjagahubungan jangka panjang. Namun, apabilatidak dilakukan dengan baik, walaupunberpotensi efektif, juga dapat menyebabkanpemborosan sumber daya dan pelanggandapat merasa terganggu dengan komunikasi
yang tidak diminta.
8/3/2019 Slide Data Mining
37/60
DIRECT MARKETING CAMPAIGNS
Berikut ini merupakan model klasifikasi yangdigunakan untuk mengoptimalkan kampanyepemasaran:
Acquisition models
Cross-/deep-/up-selling models
Voluntary attrition or voluntary churn models
8/3/2019 Slide Data Mining
38/60
Acquisition models
Cross-/deep-/up-selling models
Voluntary attritionor voluntary churn
models
Kampanye akuisisi bertujuan untuk menarik pelangganbaru yang potensial. Model ini dapat digunakan untukmengenali calon pelanggan yang berpotensi danmenguntungkan dengan mencari clones pelangganyang sudah ada dalam daftar kontak eksternal.
Model ini diimplementasikan untuk menjual produktambahan. Model ini dapat mengungkapkan potensipembelian pelanggan yang telah ada.
Model ini mengidentifikasi sinyal awal churn dantempat para pelanggan dengan kemungkinanpeningkatan untuk meninggalkan produk atauperusahaan.
DIRECT MARKETING CAMPAIGNS
8/3/2019 Slide Data Mining
39/60
DIRECT MARKETING CAMPAIGNS
Tahap kampanye pemasaran langsung
Gambar 1.2 The stages of direct marketing campaigns.
8/3/2019 Slide Data Mining
40/60
DIRECT MARKETING CAMPAIGNS
Mengumpulkan dan mengintegrasikan data yang diperlukan darisumber data yang berbeda.
Menganalisis dan melakukan segmentasi pelanggan ke dalamkelompok yang berbeda.
Pengembangan target pemasaran langsung dengan modelkecenderungan untuk memilih pelanggan yang tepat.
Kampanye eksekusi dengan memilih channel yang sesuai, waktu yangtepat, dan tawaran yang sesuai untuk setiap kampanye.
Kampanye evaluasi melalui tes dan control group. Evaluasi melibatkanpartisi penduduk dan perbandingan tanggapan positif.
Analisis hasil kampanye dalam rangka meningkatkan kampanye untukputaran selanjutnya dalam hal penargetan, waktu, penawaran, produk,
komunikasi, dan sebagainya.
1
2
3
4
5
6
8/3/2019 Slide Data Mining
41/60
DATA MINING METHODOLOGY
8/3/2019 Slide Data Mining
42/60
DATA MINING METHODOLOGY Sebuah proyek data mining melibatkan lebih dari
sebuah pemodelan. Fase pemodelan hanyalah salahsatu fase dalam proses pelaksanaan proyek datamining.
Langkah terpenting yang lebih dulu harus dilakukanadalah membangun model dan menciptakanpengaruh yang signifikan pada keberhasilan suatuproyek.
Proyek data mining ini biasanya dimulai denganharapan yang tinggi tetapi bisa saja berakhir dengankegagalan bisnis, jika sebuah tim yang terlibat tidakdipandu oleh kerangka metodologis yang jelas.
8/3/2019 Slide Data Mining
43/60
THE STEPS
Business Understanding1
Data Understanding2
Data Preparation3
Modeling4
Model Evaluation5
Deployment6
8/3/2019 Slide Data Mining
44/60
Table 1.1 The RISP-DM phases.
8/3/2019 Slide Data Mining
45/60
Business Understanding
Proyek data mining harus dimulai denganpemahaman tentang tujuan bisnis dan penilaianterhadap situasi saat ini. untuk menentukan
tujuan bisnis yang nantinya akan menjadi tujuan
data mining Parameter proyek harus dipertimbangkan,
termasuk sumber daya dan keterbatasan. Tujuanbisnis harus diterjemahkan ke dalam tujuan data
mining. Kriteria keberhasilan harus didefinisikandan rencana proyek harus dikembangkan.
8/3/2019 Slide Data Mining
46/60
Data Understanding
Fase ini antara lain mempertimbangkanpersyaratan data agar tepat dalam menanganitujuan yang telah ditetapkan dan juga melibatkaninvestigasi ketersediaan data yang diperlukan.
Fase ini juga mencakup pengumpulan data daneksplorasi awal dengan statistik ringkasan dan alatvisualisasi untuk memahami data danmengidentifikasi potensi masalah dalam
ketersediaan dan kualitas.
8/3/2019 Slide Data Mining
47/60
Data Preparation
Data yang akan digunakan sebelumnya harusdiidentifikasi, dipilih, dan disiapkan ntuk dimasukkan kedalam model data mining. (pemilihan data yangdiperlukan)
Fase ini melibatkan akuisisi, integrasi,dan format datasesuai dengan kebutuhan proyek. (akuisisi data)
Data konsolidasi kemudian dibersihkan dan harus benar-benar berubah sesuai dengan persyaratan dari algoritmayang akan diterapkan. (data cleaning)
Data baru seperti jumlah, rata-rata, rasio dan sebagainyaharus berasal dari data baku untuk memperkaya informasipelanggan, untuk lebih meringkas karakteristik pelanggan,sehingga dapat meningkatkan kinerja model.
8/3/2019 Slide Data Mining
48/60
Modeling
Data yang diolah kemudian digunakan untuk model training.Analis yang dilakukan harus memilih teknik pemodelan yangtepat untuk tujuan bisnis tertentu. (pemilihan teknik pemodelanyang sesuai)
Sebelum model training dilakukan, terutama dalam hal
pemodelan prediktif, dataset modelling harus dipartisi sehinggakinerja model dievaluasi pada dataset yang terpisah.
Fase ini melibatkan pemeriksaan dari alternative algoritmapemodelan, pengaturan parameter dan perbandingan yang passerta melibatkan suatu kinerja dalam rangka untuk menemukan
hasil yang terbaik. Berdasarkan evaluasi awal dari hasil model,pengaturan model dapat direvisi dan disesuaikan. (berkaitandengan statsistik pengolahan data)
Ffine tuning of the model
8/3/2019 Slide Data Mining
49/60
Evaluation
Model yang dihasilkan kemudian dievaluasi secararesmi tidak hanya dalam hal langkah-langkah teknistetapi juga, yang lebih penting, dalam konteks kriteriakeberhasilan bisnis yang ditetapkan dalam fase
pemahaman bisnis. (evaluasi model dalam kontekskriteria keberhasilan bisnis)
Tim proyek harus memutuskan apakah hasil darimodel yang diberikan sesuai dengan tujuan awalbisnis. Jika demikian, model ini disetujui dan siapuntuk dilakukan deployement. (mdoel persetujuan)
8/3/2019 Slide Data Mining
50/60
Deployment Temuan proyek dan kesimpulan dirangkum dalam sebuah laporan,
tapi laporan ini belum bisa disebut sebagai akhir dari proyek. Suatu prosedur harus dirancang dan dikembangkan untuk
memungkinkan penilaian pelanggan dan memperbarui hasil.
Prosedur penyebaran harus memungkinkan distribusi hasil modelseluruh perusahaan dan penggabungan hasil model ke dalamdatabase organisasi dan sistem operasional CRM. (distribusi model
dan integrasu dalam sistem operasional CRM) Akhirnya, rencana pemeliharaan harus dirancang dan seluruh
proses harus ditinjau. Pelajaran harus diperhitungkan dan langkah-langkah berikutnya harus direncanakan. (pengembangan rencanamaintenance-update plan)
Fase diatas menyajikan dependensi yang kuat saat ini dan hasil dari
fase ini dapat menyebabkan dilakukannya peninjauan kembali danmereview hasil fase sebelumnya. ( review proyek)
8/3/2019 Slide Data Mining
51/60
DATA MINING AND BUSINESSDOMAIN EXPERTISE
8/3/2019 Slide Data Mining
52/60
INTRODUCTION Peran model data mining dalam pemasaran bisa
dikatakan cukup baru. Meskipun berkembangpesat, data mining masih ''wilayah'' asing bagipara marketer yang percaya hanya kepada
''intuisi mereka dan domain experience yangada.
8/3/2019 Slide Data Mining
53/60
Data Mining Model
Model data mining dapat mengidentifikasi pola-polayang bahkan orang-orang bisnis yang palingberpengalaman mungkin telah . Mereka dapatmembantu dalam fine tuning aturan bisnis yang ada,
dan memperkaya, mengotomatisasi, dan standarisasicara menghakimi kerja yang didasarkan padapersepsi dan pandangan pribadi. Mereka terdiri daritujuan, data-driven, meminimalkan keputusansubjektif dan menyederhanakan proses memakan
waktu.
8/3/2019 Slide Data Mining
54/60
Business Domain Expertise
Ketika kemampuan data mining dilengkapidengan keahlian bisnis mereka, dapat tercapaihasil yang benar-benar bermakna. Misalnya,kemampuan prediksi dari model data mining
dapat secara substansial meningkat termasukinput informatif dengan kekuatan prediktif yangdisarankan oleh orang-orang yangberpengalaman di lapangan.
8/3/2019 Slide Data Mining
55/60
The Combination
Model data mining tidak threatening, artinyatidak dapat menggantikan atau mengganti peranyang signifikan dari pakar domain danpengetahuan bisnis mereka. Sekuat apapun
model ini, tidak dapat secara efektif bekerja tanpadukungan aktif dari pakar bisnis.
8/3/2019 Slide Data Mining
56/60
The Combination
Informasi dan nilai dari aturan bisnis yang sudah adadapat diintegrasikan ke dalam model data mining danberkontribusi untuk membangun hasil yang lebih kuatdan sukses.
Selain itu, sebelum penyebaran yang nyata, hasilmodel harus selalu dievaluasi oleh pakar bisnisberkaitan dengan makna dari model tersebut, dalamrangka untuk meminimalkan risiko yang datangdengan penemuan sepele atau tidak jelas.
8/3/2019 Slide Data Mining
57/60
The Combination
Dengan demikian, pengetahuan bisnis domain penuhbenar-benar dapat membantu dan memperkaya hasildata mining.
8/3/2019 Slide Data Mining
58/60
CONCLUSION
Data MiningModel
OPTIMIZECustomer
Management
Business DomainExpertise
8/3/2019 Slide Data Mining
59/60
CONCLUSION
Sebagai kesimpulan, kombinasi business domainexpertise dengan kekuatan model data miningdapat membantu organisasi mendapatkankeuntungan kompetitif dalam upaya mereka
untuk mengoptimalkan manajemen pelanggan.
8/3/2019 Slide Data Mining
60/60
THANK YOU