Business Intelligence untuk Strategi Mempertahankan Pelanggan pada UKM Angga Purwoko1, Wiranto Herry Utomo2 Magister Sistem Informasi Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga, 50711- Indonesia
[email protected] [email protected]
Abstract — Gold SC use information systems to store its member’s information and member's attendance. This piles of data can be useful not only for administrative purposes, but also can be used to identify the characteristics and behavior of customers. Analytical methods CRM can help an organization, to sort out better and to allocate resources more effectively to better group of customer. This classification process can be achieved by processing a pile of customer data using data mining techniques. In this research conclude that the knowledge of customer behavior, can be a valuable information for promotional strategy Gold SC to maintain and improve customer. Keywords—BI, Customer Retention, Data Mining
I. PENDAHULUAN Pengetahuan tentang pelanggan merupakan aset yang kritikal. Usaha untuk mengumpulkan, mengelola dan membagi pengetahuan tentang pelanggan dapat menjadi kegiatan yang penting bagi suatu usaha kecil menengah (UKM) [1][2]. Gold SC merupakan salah satu UKM di Salatiga. Gold SC memiliki visi untuk menjadi pusat kegiatan olahraga dan kebugaran di Salatiga. Pendapatan perusahaan diperoleh dari membership yang dibayarkan oleh pelanggannya tiap bulan. Gold SC berusaha untuk mempertahankan jumlah pelanggan 100 pelanggan tiap bulan. Gold SC perlu mengenali pelanggannya untuk dapat meningkatkan layanan, dengan tujuan mempertahankan pelanggan. Sistem informasi absensi yang digunakan saat ini digunakan untuk menghasilkan laporan kehadiran anggota dan laporan kas. Sejak tahun 2012, sistem informasi tersebut merekam data perubahan anggota dan juga data kehadiran anggota tiap hari. Pendekatan untuk memahami dan mempengaruhi perilaku pelanggan melalui komunikasi yang berarti, dengan tujuan untuk meningkatkan akuisisi pelanggan, mempertahankan pelanggan, meningkatkan loyalitas pelanggan, dan profitabilitas pelanggan merupakan definisi dari CRM yang diungkapkan oleh Swift [3]. CRM dari sudut pandang arsitektur dibedakan menjadi 3 yaitu operational system, analytical system, dan collaborative system [4]. Analytical system digunakan untuk
menganalisis dan data dan pengetahuan tentang pelanggan [4][5]. Dengan demikian analytical CRM dapat dapat membantu suatu organisasi, untuk memilah-milah secara lebih baik dan mengalokasikan sumber daya secara lebih efektif kepada kelompok pelanggan yang lebih baik. Data mining dapat membantu perusahaan untuk menemukan pengetahuan yang tersembunyi pada data yang besar. Wei pada penelitiannya [6] menggunakan teknik data mining untuk mengidentifikasi tipe pelanggan pada penyedia layanan tata rambut. Teknik yang digunakan merupakan kombinasi antara self-orginizing map (SOM) dan K-means untuk diterapkan pada model RFM (recency, frequency, dan monetary). Teknik tersebut membantu mengidentifikasi empat tipe pelanggan, yaitu pelanggan setia, pelanggan potensial, pelanggan baru dan pelanggan hilang, dan kemudian membangun strategi pemasaran yang spesifik bagi empat tipe pelanggan tersebut. Liao [7] menegaskan bahwa jenis pemasaran yang spesifik ini, atau lebih dikenal dengan istilah pemasaran langsung adalah metode pemasaran yang efektif. Metode tersebut dapat menyediakan produk dan layanan yang spesifik bagi pelanggan tertentu. Selain itu metode tersebut juga dapat mengurangi biaya transaksi dan promosi. Pada penelitiannya, Liao menggunakan pendekatan association rules dan cluster analysis, untuk menganalisis gaya hidup dan perilaku belanja konsumen, dengan tujuan untuk mencapai pemasaran langsung. Studi tersebut menemukan beberapa model, diantaranya adalah cluster preferensi pembelian oleh konsumen. Penelitian yang dilakukan Wei dan Liao menjadi dasar acuan penelitian ini. Kedua penelitian tersebut menyatakan bahwa data mining dapat memberikan keuntungan dan kemudahan dalam menyusun strategi pemasaran. Pada penelitian ini digunakan teknik data mining Classification, Association, dan Clustering untuk menggali pengetahuan tentang perilaku pelanggan. Berbeda dengan penelitian sebelumnya, teknik classification tidak digunakan pada kedua penelitian sebelumnya, namun pada penelitian ini, teknik tersebut digunakan untuk membagi pelanggan ke dalam kelompok pelanggan rutin atau bukan. Hasil analisis tidak hanya digunakan untuk mendapatkan pelanggan baru,
namun juga untuk mempertahankan pelanggan yang ada. II. PERUMUSAN MASALAH Berdasarkan observasi dan wawancara, hipotesis yang diajukan adalah: 1) Karakteristik pelanggan yang datang bersama dengan satu atau lebih teman, akan cenderung menjadi pelanggan rutin. Hipotesis akan diuji dengan menggunakan analisis classification dan association; 2) Pelanggan pria akan lebih banyak datang ketika kegiatan aerobics (yang diikuti oleh pelanggan wanita) sedang berlangsung. Hipotesis ini akan diuji dengan analisis statistik; 3) Jam 16 - 20 merupakan jam sibuk dan pelanggan yang datang merupakan pelanggan lama. Hipotesis akan diuji dengan analisis clustering; 4) Pelanggan baru akan datang diluar jam-jam tersebut untuk menghindari kontak dengan pelanggan lama. Hipotesis akan diuji dengan analisis clustering. Secara garis besar, tujuan penelitian ini adalah sebagai berikut: 1) Menganalisis data pelanggan milik Gold SC sehingga diperoleh karakteristik dan perilaku pelanggan, kemudian dapat menjadi dasar pembuatan keputusan dalam hal pemasaran dan promosi yang tepat sasaran, untuk menarik dan mempertahankan pelanggan; 2) Menganalisis promosi dan kegiatan yang telah dilakukan oleh Gold SC, yang mempengaruhi kenaikan jumlah pelanggan bulanan, sehingga dapat menjadi acuan untuk perencanaan strategis perusahaan di masa depan. Manfaat dari hasil penelitian ini adalah: 1) Secara khusus, menyediakan perangkat untuk menganalisis data pelanggan sehingga diperoleh informasi yang pada akhirnya dapat membantu meningkatkan pendapatan perusahaan; Secara umum, memberikan pandangan bagi UKM dalam menggali informasi berharga dari tumpukan data yang dimiliki, untuk keuntungan strategis UKM. III. PENELUSURAN PUSTAKA Ngai [5] pada penelitiannya mengklasifikasikan delapan puluh tujuh artikel yang membahas tentang manfaat data mining pada CRM. Ngai mengategorikan CRM ke dalam empat dimensi yaitu: Customer Identification, Customer Attraction, Customer Retention, dan Customer Development. Empat dimensi tersebut serangkaian langkah yang perlu dilakukan untuk memahami pelanggan. A. Customer Identification Pada langkah Customer identification, CRM menentukan populasi yang menjadi target pemasaran, yang memiliki kecenderungan untuk menjadi pelanggan, atau merupakan pelanggan yang paling menguntungkan bagi perusahaan [5]. Lebih lanjut lagi, langkah ini melibatkan proses analisis pelanggan yang hilang dalam persaingan dan bagaimana
mendapatkan mereka kembali [8]. B. Customer Attraction Customer attraction adalah fase setelah fase identifikasi nasabah. Setelah mengidentifikasi segmen pelanggan yang potensial, organisasi dapat memfokuskan usaha dan sumber dayanya pada untuk menarik segmen pelanggan yang menjadi sasaran.[10]. Misalnya, direct mail atau distribusi kupon adalah contoh umum dari pemasaran langsung. C. Customer Retention Fase ini adalah perhatian utama bagi CRM. Kepuasan pelanggan, yang mengacu pada perbandingan harapan pelanggan terhadap persepsinya tentang kondisi puas, adalah syarat penting untuk mempertahankan pelanggan [8].
Gambar 1 Klasifikasi teknik data mining pada CRM [5]
D. Customer Development Fase ini melibatkan ekspansi konsisten intensitas transaksi, nilai transaksi dan profitabilitas pelanggan individu. Ngai [5] menyebutkan fungsi dari data mining. Fungsi tersebut yaitu: Association, Classification, Forecasting, Regression, Sequence Discovery, dan Visualization. A. Association Association bertujuan untuk membangun hubungan antara item yang ada bersama-sama dalam suatu record. Contoh aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu [5].
B. Classification Klasifikasi data adalah suatu proses yang menemukan properti-properti yang sama pada sebuah himpunan obyek di dalam sebuah basis data, dan mengklasifikasikannya ke dalam kelas-kelas yang berbeda menurut model klasifikasi yang ditetapkan. Tujuan dari klasifikasi ini adalah pertamatama untuk menganalisa training data dan membentuk sebuah deskripsi yang akurat atau sebuah model untuk setiap kelas berdasarkan feature-feature yang tersedia di dalam data itu [14]. Sebagai contoh, sebuah dealer mobil ingin mengklasifikasikan pelanggannya menurut kecenderungan mereka untuk menyukai mobil jenis tertentu, sehingga para sales yang bekerja di tempat tersebut dapat mengetahui siapa yang harus didekati, kemana katalog mobil jenis baru harus dikirim, sehingga hal ini akan sangat membantu dalam hal promosi. C. Clustering Clustering adalah proses membagi dataset ke dalam kelompok-kelompok dengan anggota tiap kelompok memiliki kedekatan sifat atau perilaku. Clustering merupakan pembelajaran tanpa pengawasan (unsupervised learning). Clustering dapat mengungkap hubungan yang sebelumnya tidak terdeteksi dalam dataset. Ada banyak aplikasi untuk clustering. Misalnya, dalam bisnis, clustering dapat digunakan untuk menemukan dan mengenali segmen pelanggan, untuk tujuan pemasaran dan dalam biologi, dapat digunakan untuk klasifikasi tumbuhan dan hewan yang diberikan fitur mereka [15]. Pada penelitian ini digunakan teknik classification, Association dan clustering. Classification bertujuan untuk membangun model untuk memprediksi perilaku pelanggan melalui pengelompokan rekaman di database, menjadi beberapa kelas yang telah ditetapkan, berdasarkan kriteria tertentu. Association bertujuan untuk membentuk hubungan antara item-item yang muncul secara bersamaan pada suatu batas tertentu [15]. Batas ini dapat berupa satu record atau rentang nilai tertentu.
Gambar 4 Association
IV. RANCANGAN PENELITIAN Penelitian dilakukan dengan melalui beberapa tahap. Tahap pertama yaitu: 1) Tahap Studi Pendahuluan. Pada tahap ini diidentifikasi masalah yang ada; 2) Tahap Analisis. Pada tahap ini dikumpulkan data untuk masukan sistem, proses pembersihan data dari atributatribut yang tidak diperlukan, dan proses pembentukan pengenalan pola; 3) Tahap Implementasi. Pada tahap ini dibangun sistem, dan diimplementasikan dengan menggunakan data nyata. Pengujian sistem dilakukan pada tahap ini, untuk didapatkan keunggulan maupun kekurangan sistem; 4) Tahap Penelitian Kemanfaatan. Pada tahap ini dipelajari manfaat yang dihasilkan dari implementasi sistem. Teknik data mining yang digunakan dijelaskan sebagai berikut: 1) Proses classification dilakukan dengan algoritma k-NN (k-nearest neighbors). Nilai k yang digunakan adalah jarak waktu, yaitu 10 menit. 2) Proses association dilakukan dengan Apriori rules 3) Proses clustering dilakukan dengan algoritma K-means. V. HASIL DAN PEMBAHASAN
Gambar 2 Classification
Gambar 3 Clustering
A. Tahap Analisis Dua tabel pada Gambar 5 merupakan bagian dari relasi yang lebih besar pada sistem yang digunakan oleh Gold SC. Tabel absensi digunakan untuk menyimpan data kehadiran member. Data mining dipusatkan pada tabel absensi ini. Jumlah data member adalah 2450 orang, terhitung sejak Februari 2009 sampai dengan Februari 2015. Data catatan kehadiran adalah 26161 pada periode yang sama. Dari keseluruhan member, terdapat 112 member yang selama 6 bulan terakhir (sejak Juli 2014), datang setidaknya satu minggu sekali.
TABEL I CONTOH DATA KEHADIRAN PELANGGAN
TID 1 2 3 4 5 6 7 8 9 10
Gambar 5 Struktur dan Relasi Tabel Absensi dan Tabel member
Date 01-01-2014 01-01-2014 01-01-2014 01-01-2014 01-01-2014 02-01-2014 02-01-2014 02-01-2014 02-01-2014 02-01-2014
Time 16:10 16:10 17:56 18:00 18:01 16:13 16:13 16:14 18:10 18:12
Member ID A B C A B A B C B C
Tabel 1 merupakan bagian kecil dari hasil keseluruhan proses. Selanjutnya adalah proses klasifikasi data absensi. Klasifikasi bertujuan untuk mengelompokkan data kehadiran berdasarkan rentang waktu. Dengan asumsi bahwa pelanggan yang datang bersama satu atau lebih teman, akan tercatat dalam sistem dengan selisih waktu tidak lebih dari 10 menit. Hasil klasifikasi ditunjukkan pada tabel 2. Tabel 2 merupakan bagian dari keseluruhan data absensi TABEL II HASIL KLASIFIKASI
Gambar 6 Jumlah Member Aktif Sejak Juli 2014
Melalui tahap analisis, struktur data pada tabel Absensi tersebut dipecah antara atribut tanggal dengan atribut waktu masuk, sehingga dapat diproses oleh data mining. Tujuannya adalah mempermudah proses klasifikasi waktu kehadiran pelanggan. Struktur yang siap proses adalah sebagai berikut: ID: big integer TDate: dd-MM-yyyy TTime: HH:mm MemberID: int
TID
Date
Time
1 2 3 4 5 6 7 8 9 10
01-01-2014 01-01-2014 01-01-2014 01-01-2014 01-01-2014 02-01-2014 02-01-2014 02-01-2014 02-01-2014 02-01-2014
16:10 16:10 17:56 18:00 18:01 16:13 16:13 16:14 18:10 18:12
Member ID A B C A B A B C B C
Class 1 2
3
4
Hasil klasifikasi kemudian diproses dengan teknik association, untuk diketahui pelanggan-pelanggan yang datang berpasangan, dan terjadi lebih dari satu. Hasil proses association ditunjukkan pada gambar 7.
Melalui tahap analisis, struktur data tersebut dipecah antara atribut tanggal dengan atribut waktu, sehingga dapat dilakukan proses klasifikasi waktu kehadiran pelanggan. ID merupakan atribut untuk kode record absensi. TDate merupakan atribut untuk data tanggal. TTime merupakan atribut untuk data jam dan menit. MemberID merupakan data untuk kode member. B.
Uji Hipotesis 1 Tahap implementasi menghasilkan data dengan contoh ditunjukkan pada tabel 1 Gambar 7 Hasil Proses Association
Hasil proses association, menunjukkan bahwa pelanggan
A dan B memiliki frekuensi kehadiran bersamaan sebesar 3. Demikian juga dengan pelanggan B C. Hipotesis 1 terbukti, yaitu pelanggan yang datang dengan temannya akan menjadi pelanggan rutin. C. Uji Hipotesis 2 Pengujian hipotesis kedua dicapai dengan menghitung rata-rata pengunjung tiap hari, pada kelompok-kelompok waktu dengan selisih satu jam. Kelompok jam dimulai dari jam buka (jam 6:00) sampai dengan jam tutup (jam 9.00). Pada tabel 3 ditunjukkan TABEL IIII HASIL PERHITUNGAN RATA-RATA JUMLAH PENGUNJUNG
Time 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00
Men (Mean) 2.4 3.5 3.3 1.2 2.3 4.2 4.4 5.9 2.4 5.7 6.2 8.7 8.4 13.8 15.5
Women (Mean) 1.1 4.6 5.6 0.6 4.2 1.2 1.5 0.2 0.1 4.1 4.0 4.2 4.5 12.2 12.3
Tabel 3 merupakan bagian dari keseluruhan data absensi. Tabel 3 menunjukkan bahwa pada pada jam 19-20, rata-rata pengunjung wanita adalah 12 orang. Jumlah pelanggan pria yang hadir juga meningkat menjadi rata-rata 13 sampai dengan 15 orang.
proses, yaitu analisis clustering. Dengan menggunakan variabel berupa lama menjadi anggota, dibandingkan dengan rata-rata jam kehadiran, diperoleh dua kelompok, yaitu kelompok pelanggan baru dan kelompok pelanggan lama. Pelanggan baru cenderung untuk datang pada jam-jam awal, sedangkan pelanggan lama cenderung untuk hadir pada jamjam akhir. VI. KESIMPULAN Dengan menggunakan langkah classification, association, clustering, dan analisis statistik pada keseluruhan data, diperoleh pengetahuan sebagai berikut: Pelanggan pria akan hadir lebih banyak ketika pelanggan wanita juga hadir. Jam sibuk adalah jam-jam akhir (16-20), dan didominasi oleh pelanggan lama. Data mining menghasilkan informasi yang membantu Gold SC untuk mempelajari karakter dan perilaku pelanggan. Berdasarkan karakter dan perilaku yang dimunculkan oleh data mining, dapat digunakan bagi Gold SC untuk membuat program pemasaran langsung, seperti contohnya adalah program promosi semisal diskon bagi pasangan pelanggan, atau harga khusus bagi paket keluarga DAFTAR PUSTAKA [1].
Winer, R. S. 2001. A Framework for Customer Relationship Management. California Management Review 43, 89–105. (doi:10.2307/41166102)
[2].
Garcia-Murillo, M. & Annabi, H. 2002. Customer knowledge management. Journal of the Operational Research Society 53, 875–884. (doi:10.1057/palgrave.jors.2601365)
[3].
Swift, R. S. 2001. Accelerating customer relationships: Using CRM and relationship technologies. Prentice Hall Professional.
[4].
Khodakarami, F. & Chan, Y. E. 2014. Exploring the role of customer relationship management (CRM) systems in customer knowledge creation. Information & Management 51, 27–42. (doi:10.1016/j.im.2013.09.001)
[5].
Ngai, E. W. T., Xiu, L. & Chau, D. C. K. 2009. Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications. 36, 2592–2602. (doi:10.1016/j.eswa.2008.02.021)
[6].
Wei, J.-T., Lee, M.-C., Chen, H.-K. & Wu, H.-H. 2013. Customer relationship management in the hairdressing industry: An application of data mining techniques. Expert Systems with Applications 40, 7513–7518.
[7].
Liao, S., Chen, Y. & Hsieh, H. 2011. Mining customer knowledge for direct selling and marketing. Expert Systems with Applications 38, 6059–6069.
[8].
Kracklauer, A. H., Mills, D. Q., Seifert, D. & Mills, D. Q. 2003. Collaborative customer relationship management. Springer.
D. Uji Hipotesis 3 dan 4
Gambar 8 Hasil Clustering dengan K-Means
Pengujian hipotesis 3 dan 4 dilakukan dengan melalui satu
[9].
Woo, J. Y., Bae, S. M. & Park, S. C. 2005. Visualization method for customer targeting using customer map. Expert Systems with Applications. 28, 763–772. (doi:10.1016/j.eswa.2004.12.041)
[10].
Cheung, K. W., Kwok, J. T., Law, M. H. & Tsui, K. C. 2003. Mining customer product ratings for personalized marketing. Decision Support Systems 35, 231–243. (doi:10.1016/S01679236(02)00108-2)
[11].
Chen, M. C., Chiu, A. L. & Chang, H. H. 2005. Mining changes in customer behavior in retail marketing. Expert Systems with Applications. 28, 773–781. (doi:10.1016/j.eswa.2004.12.033)
[12].
Jiang, T. & Tuzhilin, A. 2006. Segmenting customers from population to individuals: Does 1-to-1 keep your customers forever?. IEEE Transactions on Knowledge and Data Engineering 18, 1297–1311. (doi:10.1109/TKDE.2006.164)
[13].
Kim, Y. H. & Moon, B. R. 2006. Multicampaign assignment problem. IEEE Transactions on Knowledge and Data Engineering 18, 405–414. (doi:10.1109/TKDE.2006.49)
[14].
Vercellis, C. 2009. Business Intelligence: Data Mining and Optimization for Decision Making. (doi:10.1002/9780470753866)
[15].
Ahmed, S. R. 2004. Applications of data mining in retail business. In International Conference on Information Technology: Coding Computing, ITCC, pp. 455– 459.(doi:10.1109/ITCC.2004.1286695)
