Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Penelitian ini bertujuan untuk mengidentifikasi perilaku belanja konsumen, menentukan segmentasi konsumen dan mengidentifikasi konsumen berdasarkan wilayah konsumen Bukku.id. Penelitian ini menggunakan data transaksi pada periode 1 September 2017 hingga 17 September 2018. Data diolah dengan analisis Recency, Frequency, Monetary (RFM) dan clustering untuk membentuk segmentasi konsumen. Selanjutnya, analisis pareto diberlakukan dalam menentukan penerbit dan penulis yang layak diprioritaskan untuk memaksimalkan hasil/return dengan meminimalkan usaha/effort. Pemetaan terhadap lokasi konsumen untuk pareto penulis ditentukan agar memberikan pemahaman untuk perbaikan promosi dan strategi pemasaran offline.

Hasil dari penelitian ini menunjukkan adanya tiga jenis profil konsumen yang berbeda berdasarkan analisis RFM dan clustering. Profil konsumen yang dipetakan terhadap penerbit dan penulis akan memberikan perusahaan keuntungan dalam memprioritisasi usaha dalam mengembangkan pola treatment terhadap penerbit dan penulis. Pengembangan offline marketing juga dapat dibangun karena mengetahui analisis lokasi konsumen yang ada.

---

The purpose of this research is to identify customer purchase behavior, form customer segmentation, and identify customer address of Bukku.id. this research uses customer purchase data of Bukku.co.id in the period 1 September 2017 – 17 September 2018. RFM method and clustering are used to identify customer segmentation. Then, pareto analysis results which publishers and authors need to be concerned for prioritizing effort in order to gain maximum benefit. Customer address or location has been mapped based on priority authors to determine promotion and offline marketing strategy.

The results of this research show three customer cluster based on RFM and clustering analysis. Each cluster has different characteristic and it can determine which strategy suit to approach their customers. Customer profile based on authors and publisher could also benefit the company to prioritize any treatments relate to them. Better offline marketing strategy can be developed by knowing location analysis

"

"Perdagangan sembako merupakan salah satu sektor industri dan bisnis yang sangat besar, terutama di Indonesia, di mana negara ini banyak bergerak di bidang agrikultur. Salah satu dari komponen sembako yang sangat besar adalah telur, dan perdagangan telur adalah suatu industri yang mempunyai banyak persaingan dari hulu ke hilir. Dikarenakan telur merupai produk yang menjadi konsumsi sehari-hari masyarakat, maka hampir semua bisnis kuliner dan tata boga membutuhkan telur. Dari kebutuhan itu, maka ada agen atau toko yang penjadi penyalur telur di suatu daerah. Penelitian ini bertujuan untuk memberikan segmentasi pelanggan dan parameter yang dapat membantu pedagang tersebut mengidentifikasi segmen pelanggan mereka dengan menggunakan model RFM. Hal ini akan sangat membantu usaha tersebut mengembangkan strategi pemasaran dan bisnis mereka, ini sangat penting dikarenakan perdagangan telur ini adalah bisnis red ocean yang sangat banyak pesaingnya, jadi harus mempunyai strategi yang tepat untuk berkembang. Hasil dari penelitian ini diharapkan akan membantu membuat kategori segmen yang tepat untuk pedagang telur di Indonesia.

---

Grocery trading is one of the biggest industrial and business sectors, especially in Indonesia, where the country is heavily engaged in agriculture. One of the major components of basic food is eggs, and the egg trade is an industry that has a lot of competition from upstream to downstream. Because eggs are a product that is consumed daily by the public, almost all culinary and catering businesses need eggs. From that need, there are agents or shops that distribute eggs in an area. This research aims to provide customer segmentation and parameters that can help these merchants identify their customer segments using the RFM model combined with teh statistical approach of clustering and data distribution. This will greatly help the business develop their marketing and business strategies, by using costumer data as a source for statistical analysis, combined with RFM for costumer segmentation method, it is hoped that the results of this research will hopefully help categorize the right segments for egg traders in Indonesia."

"CRM yang sukses seperti meningkatkan loyalitas pelanggan, dan profit perusahaan berawal dari identifikasi pelanggan berdasarkan nilai dan loyalitas pelanggan. Dalam penelitian ini, Customer Lifetime Value (CLV) digunakan untuk mensegmentasi pelanggan seluler berdasarkan nilai pelanggan. Atribut yang dipilih dari database pelanggan yaitu variabel recency, frequency dan monetary (RFM). Dalam segmentasi pelanggan digunakan metode k-means, salah satu metode dalam data mining dengan menggunakan Euclidean Distance dalam menentukan nilai k optimal (jumlah segmentasi optimal). Pembobotan variabel RFM menggunakan Analytic Hierarchy Process (AHP) untuk mengevaluasi customer lifetime value (CLV). Pada akhirnya, penelitian ini akan dilakukan analisis CLV pada masing-masing kelompok pelanggan yang dibagi dalam beberapa kuartal. Tujuan utama penelitian ini yaitu sebagai acuan pemberi keputusan strategi pemasaran perusahaan berdasarkan segmentasi pelanggan mereka.

---

A firm starts from identifying customers’ value and loyalty in identifying different segments of customer for to building successful customer relationship management (CRM) such as improve customer loyalty and revenue of the firm. In this paper, CLV is used to telecom market segmentation. The RFM (recency, frequency and monetary ) model variables were used to segment database, the K-means cluster analysis was also employed in data mining with K-optimum according to Euclidean Distance. The Analytic Hierarchy Process (AHP) was applied to determine the relative weights of RFM variables in evaluating customer customer lifetime value (CLV). Finally, this paper analysing customer lifetime value of each segments by tren of customer value in different quartal. The general aim of this study is to provide a quide to marketing decisions of the firm based on their customer segmentation."

"[ABSTRAKDana pihak ketiga (DPK), yaitu dana yang dihimpun bank yang berasal darimasyarakat, perlu dikelola secara efektif dan efisien dengan mempersiapkanstrategi penempatan dana. Salah satu strategi dalam penempatan dana tersebutadalah menyalurkan kembali kepada masyarakat dalam bentuk pinjaman untukDPK yang diprediksi akan mengendap dalam jangka waktu yang cukup lama danmenyimpan DPK dalam bentuk kas, cadangan, atau investasi jangka pendek untukDPK yang diprediksi tidak akan mengendap dalam jangka waktu yang cukuplama menurut definisi bank. Penelitian ini menggunakan data mining untukmemprediksi porsi DPK yang mengendap dari masing-masing nasabahberdasarkan profil demografi dan transaksinya. Penelitian dibatasi pada produk tabungan, dan data yang digunakan untuk proses data mining adalah data profil nasabah dan data transaksi produk tabungan. Metodologi penelitian ini menggunakan pendekatan CRISP DM. Dan metodedata mining yang digunakan adalah teknik decision tree untuk prediksi, analisaklaster untuk proses diskritisasi label kelas yang akan digunakan dalam klasifikasidan menggunakan analisa RFM (Recency, Frequency, Monetary) untukmenyederhanakan nilai pada atribut-atribut yang terkait dengan transaksitabungan. Metode klasifikasi menggunakan algoritma C4.5 dan analisa klastermenggunakan algoritma k-means dan menggunakan WEKA sebagai data miningtools. Hasil dari penelitian ini adalah model untuk memprediksi porsi danamengendap dari nasabah. Dari hasil evaluasi menggunakan perhitungan sensitivity, spesitivity, dan accuracy menunjukan model yang berhasil dibangun memiliki keakuratan yang cukup baik dalam memprediksi porsi dana mengendap.

---

ABSTRACTThird-party funds (TPF), which is funds raised from the public, need to bemanaged effectively and efficiently by preparing a strategic placements. One ofthe strategies is by distributing loan from TPF that are expected to settle for a longperiod of time and store in the form of cash, reserves, or short-term investmentsfor TPF that are predicted will not settle within long period based on definitionfrom the bank. In this study data mining is used to predict portion of TPF thatwill settle for certain period of each customer based on the demographic profileand transaction history. The scope of this study is only for saving account product,and this study uses the customer profile data and transaction data of savingsproducts for data mining process. The research methodology in this study using the CRISP DM approach. Decision tree classification technique is used for prediction, cluster analysis method is usedfor discretization process of class labels to be used in the classification and useRFM analysis (Recency, Frequency, Monetary) to simplify the value of theattributes associated with the transaction of saving account. C4.5 algorithm isused for classification and cluster analysis using k-means algorithm and WEKA isused as data mining tools. The results of this study is the model that can predictportion of TPF that will settle for a certain period. The model evaluation bysensitivity, spesitivity, and accuracy calculation shows that the model hassuccessfully built a good accuracy in predicting of TPF that are expected to settlefor a long period of time. , Third-party funds (TPF), which is funds raised from the public, need to bemanaged effectively and efficiently by preparing a strategic placements. One ofthe strategies is by distributing loan from TPF that are expected to settle for a longperiod of time and store in the form of cash, reserves, or short-term investmentsfor TPF that are predicted will not settle within long period based on definitionfrom the bank. In this study data mining is used to predict portion of TPF thatwill settle for certain period of each customer based on the demographic profileand transaction history. The scope of this study is only for saving account product,and this study uses the customer profile data and transaction data of savingsproducts for data mining process. The research methodology in this study using the CRISP DM approach. Decision tree classification technique is used for prediction, cluster analysis method is usedfor discretization process of class labels to be used in the classification and useRFM analysis (Recency, Frequency, Monetary) to simplify the value of theattributes associated with the transaction of saving account. C4.5 algorithm isused for classification and cluster analysis using k-means algorithm and WEKA isused as data mining tools. The results of this study is the model that can predictportion of TPF that will settle for a certain period. The model evaluation bysensitivity, spesitivity, and accuracy calculation shows that the model hassuccessfully built a good accuracy in predicting of TPF that are expected to settlefor a long period of time. ]"

"ABSTRAKPenelitian ini menjelaskan mengenai penerapan segmentasi konsumen berdasarkan CLV agar dapat menghasilkan profil konsumen bagi perusahan untuk memberikan perlakuan yang tepat bagi masing ndash; masing konsumen. Dalam memproses data yang akan digunakan, penelitian ini mengunakan segmentasi RFM sebagai langkah awal untuk mengidentifiksi data dan dilanjutkan dengan klasterisasi menggunakan K-Means agar mendapatkan gambaran data konsumen yang lebih jelas. Hasil dari penelitian ini menunjukan adanya lima jenis profile konsumen yang berbeda berdasarkan perhitungan RFM dan K-Means. Setiap kelompok memiliki karakteristik yang berbeda yang dapat digunakan oleh perusahaan untuk membentuk strategi dalam memberikan pendekatan kepada konsumen. Terdapat juga perbandingan antara kelompok konsumen yang akan dihasilkan apabila perusahaan menggunakan segmentasi konsumen menggunakan CLV dengan saat tidak menggunakan CLV. Dengan memberikan perlakuan yang tepat bagi konsumen yang dapat memberikan keuntungan bagi perusahaan dimasa yang akan datang, maka perusahaan dapat membentuk strategi yang lebih efektif dan tepat sasaran.

---

ABSTRACTThis research focus on how to make a consumer segmentation based on CLV in order to create a customer profile for the company to provide appropriate treatment for each consumer. In order to process the data, this research uses RFM segmentation as the first step to identify the data and continued with K Means clustering to get a better interpretation of consumer data. The results of this research show five different types of consumer profiles based on RFM and K Means calculations. Each cluster has a different characteristic that can be used for a company to define a better strategy in order to approach their customer. There is also a comparison between the consumer groups if the company uses consumer segmentation using CLV or when not using CLV. By providing the right treatment for profitable customer, the company can form an effective and targeted strategy in the future. "

"Penelitian ini bertujuan untuk mengidentifikasi segmentasi RFM pada toko kosmetik online di Indonesia. Penelitian ini menggunakan analisis RFM (Recency, Frequency, dan Monetary) yang dilanjutkan dengan K-Means Clustering dengan menggunakan Hiearchical Clustering untuk mencari nilai k. Penelitian ini menggunakan data transaksi penjualan Makeupuccino sepanjang tahun 2017 untuk segmentasi RFM. Hasilnya menunjukkan bahwa jumlah segmentasi yang paling tepat untuk toko kosmetik online adalah 4, yang dibagi menjadi Platinum, Gold, Iron, dan Lead. Keempat segmentasi tersebut memiliki marketing objective dan program marketing yang berbeda.

---

This research aims to identify RFM segmentation on makeup online store in Indonesia. This research uses RFM (Recency, Frequency, and Monetary) analysis and then uses K-Means Clustering with Hierarchical Clustering as the way to finds k values. This study uses transaction on Makeupuccino (one of makeup online store in Indonesia) during 2017 to get RFM segmentation. The result shows that the best RFM segmentation for makeup online store in Indonesia is 4, that divided into Platinum, Gold, Iron, and Lead. Each of segmentation has different marketing objective and marketing program."

"Seiring perkembangan waktu dan teknologi, persaingan bisnis ritel semakin ketat. Oleh karena itu, perusahaan yang bergerak di industri bisnis retail perlu membuat strategi pemasaran yang efektif dan efisien untuk dapat bertahan dan memenangkan persaingan tersebut. Perusahaan dapat memanfaatkan dan menerapkan CRM, seperti mengamati dan menganalisis perilaku pelanggan menggunakan teknik data mining. Identifikasi Pelanggan merupakan tahapan kirits dalam CRM. Hal terpenting dari identifikasi pelanggan adalah proses segmentasi pelanggan dengan mengklasifikasikan pelanggan menjadi beberapa kelompok berdasarkan perilaku transaksi, informasi demografis, geografis, dan atribut psikografis. Analisis RFM adalah teknik data mining yang menganalisis perilaku pelanggan berdasarkan nilai Recency, Frequency, dan Monetary. Oleh karena itu, penelitian ini melakukan segmentasi pelanggan menggunakan pengembangan model RFM yang memperhitungkan usia pelanggan, rata-rata lama pelanggan berbelanja kembali, dan faktor nilai diskon secara bersamaan pada data transaksi belanja rumah tangga. Hasil penelitian ini terbukti bahwa model pengembangan RFM dapat secara akurat menganalisis nilai pelanggan ritel rumah tangga dan diperoleh tiga kelompok kategori prioritas pelanggan yang masing-masing memiliki karakteristik yang berbeda

---

As technology evolved, retail business competition is getting tougher. Therefore, companies engaged in the retail business industry need to create effective and efficient marketing strategies to survive and win the competition. Companies can take advantage of and implement CRM, such as observing and analyzing customer behavior using data mining techniques. Customer identification is a critical step in CRM. The most important thing about customer identification is the customer segmentation process by classifying customers into several groups based on transaction behavior, demographic information, geographic information, and psychographic attributes. RFM analysis is a data mining technique that analyzes customer behavior based on the value of Recency, Frequency, and Monetary. Therefore, this study segmented customers using the RFM model development that took into account the customer's age, the customer's average duration to shop again, and the discount factor simultaneously on household spending transaction data. The results of this study prove that the RFM development model can accurately analyze the value of household retail customers and there are three groups of customer priority categories, that have their respective characteristics"

"ABSTRAKKartu kredit sebagai kartu pembayaran adalah produk yang dikeluarkan oleh bank dan menjadi pilihan favorit nasabah bank dalam melakukan transaksi secara offline dan online. Berbagai program promosi yang dilakukan oleh bank untuk meningkatkan penerbitan kartu untuk nasabah baru dan untuk menarik penggunaan kartu bagi para pemegang kartu kredit saat ini. Bank XYZ, sebagai salah satu penerbit kartu kredit, secara intensif menawarkan promosi kepada pelanggannya untuk bertransaksi menggunakan kartu kredit melalui berbagai media seperti SMS Blast maupun email notifikasi. Konten promosi yang dikirimkan ke pelanggan dapat mempengaruhi keputusan pelanggan untuk melakukan transaksi di merchant manapun menggunakan kartu kredit Bank XYZ. Dengan memanfaatkan analisa Big Data dengan Recency, Frequency dan Monetary (RFM) dan Association Rules, Bank XYZ dapat mengirimkan konten promosi kartu kredit yang sesuai dengan profile pelanggan. Mengirimkan konten promosi yang sesuai dengan profil pelanggan akan meningkatkan transaksi pelanggan menggunakan kartu kredit mereka. Peningkatan transaksi ini akan berkontribusi terhadap pendapatan Bank XYZ.

---

ABSTRACTCredit cards as a payment card are products issued by banks and become favorite customer`s choice to pay multiple transactions offline and online. Many promotion programs are done by banks to raise card issuances for new customer and to attract card usage for current credit card holders. Bank XYZ, as one of credit card issuer in Indonesia, is intensively offering promotions to its customer to use their credit cards through communication media such as SMS blast and email notifications. Media content may affect customer decision to purchase in any merchant using Bank XYZ credit card. By utilizing Big Data analysis with Recency, Frequency and Monetary(RFM), and Association Rules, Bank XYZ may send credit card promotional content fit with a customer profile. Sending proper promotional content fit with a customer profile will raise customer spending using their credit cards. Transactions rising contribute to Bank XYZ revenue.

"

"

Tujuan - Tujuan dari penelitian ini adalah untuk menghasilkan insight dan rekomendasi yang relevan dan dapat ditindaklanjuti dari berbagai sumber data maskapai penerbangan yang terkait dengan produk, pelanggan, kanal penjualan, dan transaksi. Insight ini dapat bermanfaat untuk mendukung kegiatan penjualan dan pemasaran.

Desain / metodologi / pendekatan - Penelitian ini melakukan proses analisis big data. Pertama, sumber data yang terkait dengan aktivitas pelanggan dan produk Garuda Indonesia perlu dikumpulkan, disiapkan, dan diintegrasikan ke dalam satu platform big data. Kemudian, data terintegrasi dianalisis dan diproses melalui pendekatan analisis big data. Metode data aggregation, analisis cluster, dan analisis pareto digunakan untuk menganalisis insight. Model analisis RFM digunakan untuk menghitung customer value. Untuk segmentasi pelanggan, metode clustering digunakan. Kemudian, analisis campaign media dan konten digunakan untuk mengukur efektivitas proses campaign.

Hasil - Penelitian ini menghasilkan kerangka analisis bauran pemasaran untuk maskapai penerbangan menggunakan pendekatan analisis big data yang mencakup elemen 5P (Product, Pricing, Place, Promotion, and People).

---

Purpose – The purpose of this research is to generate relevant, actionable insight and recommendation from various airlines’ data sources related to Airlines’ products, customers, channels, and transactions. This insight can be beneficial to support sales and marketing campaign activity.

Design/methodology/approach – This research conducts big data analytics process and experimental analysis. First, data sources related to customer’s activities and Garuda Indonesia’s products need to be collected, prepared, and integrated into a single big data platform. Then, the integrated data is analyzed and processed through big data analytics approach. Data aggregation technique, cluster analysis, and pareto analysis are used for analyzing the insight. RFM model and analysis is used to calculate customer value. For segmenting customer, the clustering method is used. Therefore, analysis of campaign medium and content is used to measure the effectiveness of the campaign process.

Result – This research finds that a marketing mix framework analysis for airlines using big data analytics approach covering 5P element (Product, Pricing, Place, Promotion, and People).

"

"Kemajuan teknologi informasi menghasilkan berbagai pilihan dalam mengakses informasi termasuk membaca buku. Peningkatan jumlah pembaca yang beralih ke buku elektronik mengakibatkan angka penjualan buku cetak mengalami penurunan meskipun tidak signifikan pada beberapa tahun terakhir. PT Gramedia Asri Media merupakan salah satu perusahaan ritel buku di Indonesia. Gramedia menerapkan CRM dengan menerbitkan kartu member Kompas Gramedia Value Card KGVC . Promosi ataupun penawaran yang diberikan belum mampu meningkatkan transaksi buku member KGVC. Penelitian ini bertujuan untuk membuat segmentasi pelanggan pada Customer Relationship Management di PT Gramedia Asri Media. Proses data mining dilakukan dengan melakukan clustering menggunakan algoritma K-means untuk segmentasi pelanggan berdasarkan RFM, serta algoritma hierarchical clustering untuk segmentasi pelanggan berdasarkan banyaknya jenis buku. Evaluasi terhadap hasil cluster menggunakan elbow method, silhouette method, dan Calinski-Harabasz index.Segmentasi pelanggan berdasarkan RFM menghasilkan 2 cluster yang optimal, yaitu occasional customers dan dormant customers. Sementara itu, segmentasi pelanggan berdasarkan banyaknya jenis buku yang dibeli menghasilkan 3 cluster yang optimal, yaitu rendah, sedang, dan tinggi. Dengan hasil penelitian ini, diharapkan dapat membantu perusahaan dalam mengelompokkan pelanggan untuk menentukan strategi yang sesuai sehingga dapat meningkatkan jumlah transaksi buku member KGVC.

---

Advances in information technology produces wide range of choices in accessing information including reading books. The increase in the number of readers who turning to electronic books making sales of printed books has decreased although not significant in the recent years. PT Gramedia Asri Media is one of book retail company in Indonesia. Gramedia implement CRM by launching a member card named Kompas Gramedia Value Card KGVC . Promotion or offer given has not been able to increase book transaction of KGVC members.

This research focus on make customer segmentation in Customer Relationship Management at PT Gramedia Asri Media.Data mining process is done by clustering using K means algorithm for segmenting customers based on RFM, as well as hierarchical clustering algorithms for segmentation of customers based on the number of books type. Evaluation is done on cluster result using elbow method, silhouette method, and Calinski Harabasz index.

Customer segmentation based on the RFM produce two optimal clusters, occasional customers and dormant customers. While customer segmentation based on the number of types of books purchased produce 3 optimal cluster, namely low, medium, and high. With these results, it is expected to help the company in classifying customers to determine the appropriate strategies, so company can increase the number of books transactions from KGVC members."