Pemodelan Dan Penerapan Metode RFM Pada Estimasi Nilai Konsumen (Customer Lifetime Value) Menggunakan K-Means Clustering Machine Learning

Abstract

Krisis Covid-19 berdampak pada revenue perusahaan, jika perusahaan tidak meningkatkan strategi pemasaran yang tepat terhadap konsumen, akan beresiko gulung tikar karena tidak memiliki target pasar yang jelas. Disamping itu, perusahaan dapat mengembangkan bisnisnya menggunakan big data untuk mendukung decision making. Big data dalam industry e-commerce yang mencakup ukuran dan kecepatan transaksi yang tinggi dapat digunakan untuk menganalisis perilaku konsumen bahkan memprediksi nilai konsumen. Pada zaman sekarang perusahaan mulai mengembangkan ketertarikan bisnis yang berorientasi konsumen daripada berorientasi produk. Salah satu cara yang dapat digunakan untuk menentukan nilai konsumen yaitu dengan menghitung Customer Lifetime Value (CLV). Dengan mengetahui CLV di level individu, akan berguna untuk membantu pengambil keputusan untuk mengembangkan segmentasi konsumen dan alokasi sumber daya. Penting dilakukan segmentasi atau pengelompokkan konsumen yang menggambarkan kelompok loyalitas konsumen. Oleh karena itu tujuan dalam penelitian ini adalah melakukan penghitungan CLV dan segmentasi konsumen dengan menggunakan metode analisis RFM dengan K-Means Clustering Machine Learning Model. Tahapan analisis diantaranya mendefinisikan RFM Segmentation Value yang merupakan clustering yang dibangun dari angka kumulatif yang berisi penjumlahan Recency, Frequency dan Monetary Level yang dimiliki masing-masing konsumen. Kombinasi nilai level yang tercipta berkisar antara 0,1,2,3,4,5,6 yang artinya semakin tinggi nilainya maka semakin berharga konsumen tersebut. Pada akhirnya, metode segmentasi konsumen yang di bangun penulis dapat digunakan untuk optimasi strategi perusahaan untuk mendapat profit yang maksimum. Metode ini dapat diterapkan pada berbagai kasus dan perusahaan lain. Hasil penelitian ini diharapkan dapat membantu perusahaan untuk bertahan di tengah krisis akibat Covid-19.

Penerapan k-Means Clustering Berdasarkan Analisis RFM Terhadap Segmentasi Pembeli untuk Meningkatkan Strategi CRM

“…Metode segmentasi pelanggan yang dapat digunakan adalah dengan metode clustering menggunakan model Recency, Frequency, Monetery (RFM). RFM merupakan salah satu metode analisis untuk membagi beberapa kategori tertentu dalam pembuatan segmentasi konsumen [7]. Data transaksi dari konsumen merupakan penentu keberhasilan dalam analisis RFM.…”

“…Data transaksi dari konsumen merupakan penentu keberhasilan dalam analisis RFM. Tiga atribut pada model RFM terdiri dari atribut recency (R) yang berfungsi mendefinisikan selisih hari antara tanggal dilakukannya analisis dan tanggal terakhir seorang konsumen melakukan transaksi, atribut frequency (F) untuk menunjukkan jumlah transaksi yang dilakukan konsumen pada waktu tertentu, dan atribut monetary (M) adalah nilai moneter atau total uang yang ditransaksikan konsumen ke perusahaan [7].…”