Bagaimana
hubungan Data Mining dengan CRM (Customer Relationship Management)
Gambar
1 Klasifikasi Bidang CRM [Goodhue et al.2002].
Sebelum mengupas hubungan antara DM (Data Mining) dengan CRM
(Customer Relationship Management) ada baiknya kita mengenal dulu apa itu CRM,
1.
Apa itu CRM
Customer Relationship Management adalah strategi bisnis inti yang
memadukan proses dan fungsi internal, jaringan internet untuk
menciptakan dan menyamakan nilai kepada pelanggan untuk mendapatkan keuntungan.
CRM didasarkan pada data pelanggan berkualitas dan memungkinkan dengan adanya
teknologi informas[ BUT04].
2. Macam-macam CRM
Dalam CRM kita dapat mengkaji ada 3 fokus pandangan strategi dan
ciri masing-masing strategi yang berbeda, yaitu :
a. Strategi dengan ciri yaitu pandangan 'top-down'
tentang CRM sebagai strategi bisnis paling penting yang mengutamakan konsumen
dan bertujuan memikat dan mempertahankan konsumen yang menguntungkan.
b.
Operasional dengan ciri yaitu pandangan tentang CRM yang
befokus pada proyek-proyek otomatisasi layanan, otomatisasi armada
penjualan, dan otomatisasi pemasaran.
c.
Analitis pandangan 'bottom-up' tentang CRM yang
terfokus pada kegiatan penggalian data konsumen untuk tujuan-tujuan strategi
dan taktis[ BUT04].
3. Tujuan CRM
Secara
umum dapat dikatakan bahwa tujuan setiap strategi CRM adalah untuk
mengembangkan hubungan yang menguntungkan dengan pelanggan. Beberapa perusahaan
melakukannya dengan menghilangkan biaya hubungan tersebut, seperti dengan
mengalihkan pelanggan layanan mandiri berbasis website. Perusahaan lain
melakukan dengan meningkatkan pendapatan yang diperoleh dari hubungan
pelanggan. Tujuan ini CRM itu ditujukan kepada probabilitas pelanggan. Didalam
non-profit, perusahaan akan mengupayakan tujuan CRM yang berbeda seperti
efisiensi operasional atau peningkatan kepuasan klien. Pengukuran probabilitas
pelanggan berarti perusahaan harus mampu melacak pendapatan dan biaya pada
pelanggan baik pada tingkatan segmen ataupun tingkat individu. Kebanyakan perusahaan bisnis dengan bisnis
(B2B) dapat melacak pendapatan pada pelanggan, database invoice berisi
data-data tersebut, dalam penerapan CRM bisnis dengan pelanggan (B2B) biaya dan
pendapatan kemungkinan besar dialokasikan pada tingkatan segmen karena ada
banyak pelanggan disana[BUT04].
Setelah mengetahui CRM
itu apa langkah selanjutnya mari kita ketahui secara definisi Data Mining itu
apa.
1. Apa itu Data Mining?
Data mining biasa juga
dikenal nama lain seperti : Knowledge discovery (mining) in databases (KDD),
ekstraksi pengetahuan (knowledge extraction) Analisa data/pola dan kecerdasan
bisnis (business intelligence) dan merupakan alat yang penting untuk
memanipulasi data untuk penyajian informasi sesuai kebutuhan user dengan tujuan
untuk membantu dalam analisis koleksi pengamatan perilaku, secara umum definisi
data-mining dapat diartikan sebagai berikut :
a. Proses penemuan pola yang menarik dari data yang tersimpan dalam jumlah
besar.
b. Ekstraksi dari suatu informasi yang berguna atau menarik (non-trivial,
implisit, sebefumnya belum diketahui potensial kegunaannya) pola atau
pengetahuan dari data yang disimpan dalam jumfah besar.
c.
Ekplorasi dari analisa
secara otomatis atau semiotomatis terhadap data-data dalam jumlah besar untuk
mencari pola dan aturan yang berarti.
2.
Beberapa
teknik dalam Data Mining sebagai berikut :
a.
Classification
(target is category "Y/N" ) and class probability estimation
b.
Regression
(target is number "20%/30%” )
c.
Similarity
matching
d.
Clustering
e.
Co-occurrence
grouping
f.
Profiling
g.
Link
Prediction
h.
Data
reduction
i.
Casual
Modeling
(sumber : Data Science for Business – Foster
Provost & Tom Fawcett)
Dari
pemaparan 2 hal tersebut dapat ditarik benang merah nya untuk mengetahui
hubungan antara CRM dan DM yaitu seperti berikut ini :
Klasterisasi
pelanggan atau segementasi pelanggan yang di kemukakan oleh Butle, F. (F
Butle,2004) [BUT04] “Customer Relationship Management, Concept and Tools”, Pengelompokan atau segmentasi pelanggan
merupakan bagian dari strategi CRM. Pengelompokan pelanggan atau segmentasi
pelanggan tersebut merupakan proses pengelompokan pelanggan berdasarkan
kriteria atau karakteristik tertentu. Tujuan utama dari segmentasi adalah untuk
membangun model pelanggan sebagai target
promosi yang potensial.
Pendekatan segmentasi awalnya
didasarkan pada kriteria
geografis, sehingga perusahaan akan mengklaster pelanggan sesuai dengan
daerah tempat tinggal
atau pekerjaan. Hal
ini diikuti dengan
segmentasi berdasarkan
indikator sosial ekonomi,
sehingga pelanggan akan
dikelompokkan berdasarkan umur, jenis kelamin, pendapatan, atau
pekerjaan.
Klasterisasi
pelanggan atau Segmentasi pelanggan (customer segmentation) adalah pembagian
pasar kedalam kelompok-kelompok pelanggan spesifik yang memiliki karakteristik
sama. Klasterisasi pelanggan dapat menjadi sarana ampuh untuk mengidentifikasi
kebutuhan
pelanggan
yang tidak terlayani sehingga kemudian dapat mengungguli pesaing dengan
mengembangkan produk dan layanan unik yang menarik.
Klasterisasi
pelanggan paling efektif ketika sebuah perusahaan menyesuaikan layanan dengan klaster
atau segmen yang paling menguntungkan dan melayani mereka dengan keunggulan
kompetitif yang unik. Prioritas ini dapat membantu perusahaan mengembangkan
kampanye pemasaran dan strategi harga untuk mengambil nilai maksimum baik dari
pelanggan yang memberikan keuntungan tinggi maupun rendah. Perusahaan
dapat menggunakan klasterisasi pelanggan
sebagai dasar dalam mengalokasikan sumber daya untuk pengembangan produk,
pasar, layanan dan distribusi.
Berdasarkan hasil penelitian Feri Sulianta yang ditulis dalam
jurnal penelitian yang berjudul "Customer Profiling pada
Supermarket Menggunakan Algoritma K-Means Dalam Memilih Produk Berdasarkan
Selera Konsumen Dengan Daya Beli Maksimum"[FER14], dijelaskan bahwa klasterisasi merupakan Knowledge
Discovery Databse (KDD) pada data mining yang akan membagi data kedalam
kelompok-kelompok dimana pengelompokan yang terbentuk didasari pada obyek yang
memiliki kesamaan karakteristik sedemikian sehingga masing- masing elemen grup
memiliki pembeda dengan grup lain, Klaster akan mengungkapkan hubungan dan
struktur di dalam data yang sebelumnya bias dan tersembunyi. Tetapi sewaktu
ditemukan korelasi item-item dalam klaster, hasilnya sangat relevan dengan
mempertimbangkan karakteristik data-data yang terklaster[FER14].
Salah satu
teknik yang saya gunakan untuk mengelola data dalam Tugas Akhir saya adalah
klasterisasi dengan menggunakan Algoritma K-Means. Algoritma K-means mendasari
metode operasinya berdasarkan namanya yaitu 'mean' atau rerata. Dimana akan
dilakukan pengematan kedalam kelompok k, diamana k diberikan sebagai parameter
masukan. Kemudian dilakukan pengamatan pola utnuk setiap kelompok berdasarkan
kedekatan pada rerata jarak klaster yang adalah titik tengah, selanjutnya titik
pusat atau centroid akan dikalkulasi ulang dan proses dimulai kembali.
K-Means
adalah teknik yang dikategorikan greedy, komputasi dilakukan dengan teknik yang
efisien menjadi salah satu algoritma klastering yang paling banyak digunakan
untuk klasterisasi.
Gambar 2
Flowchart Algoritma K-Means.
Algoritma K-Means dapat dijabarkan
sebagai berikut :
1.
Algoritma secara acak akan memilih beberapa k titik
sebagai pusat klaster.
2.
Setiap titik dalam dataset didedikasikan untuk klaster
tertutup yang didasarkan pada jarak Euclidean antara setiap titik dan
masing-masing pusat klaster.
3.
Setiap pusat klaster dikalkulasi ulang sebagai rerata
dari titik-titik pada klaster.
4.
Langkah 2 dan 3 diulangi hingga klaster berkumpul dan
tidak didapati perubahan ketika langkah 2 dan 3 diulang atau bahwa perubahan
tidak membuat perbedaan karakteristik nilai data pada member klaster. Pada
kondisi ini klaster mencapai taraf stabil, dalam pengertian tidak ada lagi
obyek yang dapat dipindahkan.
Jarak
Euclidean antara dua titik atau obyek atau item x dan , dimana jika x =
(x1,x2,...,xn) dan y = (y1,y2,...,yn) adalah dua titik pada ruang lingkup
Euclidean n-area, maka jarak dari x ke y, atau dari y ke x ditulis dalam
formula sebagai berikut [ROS13] :
Gambar 3 Rumus Jarak Euclidean.
Baiklah
artikel ke 2 ini pembahasan sampai pada kesimpulan hubungan antara Data Mining
denga implementasi CRM, semoga bermanfaat ^^.
Sangat bermanfaat 😊
ReplyDelete