Practical Work Material KS Introduction to Information System

2012

Practical Work Material KS091302 – Introduction to Information System

Module 5: Customer Relationship Management Modul ini menjelaskan tentang apa itu Customer Relationship Management dan implementasinya dari Tugas Akhir Mahasiswa Sistem Informasi

INFORMATION SYSTEM Department Faculty of Information Technology

Institut Teknologi Sepuluh Nopember Surabaya

1

KS091302 – Introduction to IS

Practical Work Material

OTORITAS DOKUMEN Prepared by Terry Safiria Ramadhani Hafizh Pahlevie Reviewed by Feby Artwodini M. Retno Aulia Vinarti Amna Shifia INFORMATION SYSTEM Department, Faculty of Information Technology Institut Teknologi Sepuluh Nopember Jl. Raya ITS – SURABAYA 60111 http://si.its.ac.id/ Publish date : 01/04/2013

2



DAFTAR ISI

OTORITAS DOKUMEN ......................................................................................................... 2 DAFTAR ISI........................................................................................................................... 3 TUJUAN PRATIKUM ............................................................................................................. 4 LANDASAN TEORI ................................................................................................................ 5 Customer Relationship Management ........................................................................ 5 Pengertian ..................................................................................................................... 5 Siklus Hidup CRM .......................................................................................................... 5 Jenis-Jenis CRM ............................................................................................................. 6

Segmentasi Pelanggan ............................................................................................... 6 IMPLEMENTASI ................................................................................................................... 8 Judul ........................................................................................................................... 8 Abstrak ....................................................................................................................... 8 Metode....................................................................................................................... 9 Diagram Alir ................................................................................................................... 9 Pengumpulan Data ........................................................................................................ 9 Praproses Data .............................................................................................................. 9 Perhitungan Nilai RFM dan Pembobotan AHP ............................................................ 10 Proses Klasterisasi ....................................................................................................... 10 Penentuan Aturan Rokomendasi Produk .................................................................... 10

Implementasi ........................................................................................................... 11 Pengumpulan Data dan Preprosesing Data ................................................................ 11 Penilaian Pelanggan Berbasis Model RFM .................................................................. 12 Proses Klasterisasi ....................................................................................................... 14 Perumusan Aturan Rekomendasi Produk ................................................................... 15

KESIMPULAN ..................................................................................................................... 16 DAFTAR PUSTAKA ............................................................................................................. 17

3



TUJUAN PRATIKUM Pratikum ini bertujuan untuk mengenalkan peserta pratikum terhadap : 1. CRM dan manfaatnya untuk perusahaan 2. Implementasi CRM Diharapkan peserta partikum mampu menguasai materi ini dan bisa menerapkannya pada mata kuliah Pengantar Sistem Informasi

4



LANDASAN TEORI Customer Relationship Management Pengertian Customer Relationship Management adalah sebuah pendekatan baru dalam mengelola hubungan dengan pelanggan pada level bisnis sehingga dapat memaksimumkan komunikasi, pemasaran melalui pengelolaan berbagai kontak yang berbeda dengan pelanggan. Pendekatan ini memungkinakn untuk mempertahankan pelanggan dan memberikan nilai tambah terus menerus pada pelanggan, selain juga memperoleh keuntungan yang berkelanjutan. CRM (Customer Relationship Management) mengkombinasikan kebijakan, proses, dan strategi yang diterapkan organisasi menjadi satu kesatuan yang digunakan untuk melakukan interaksi dengan pelanggan dan juga untuk menelusuri informasi pelanggan. Pada era saat ini, implementasi CRM selalu akan menggunakan teknologi informasi untuk menarik pelanggan baru yang mengguntungkan, hingga mereka memiliki keterikatan pada perusahaan. Siklus Hidup CRM Terdapat 3 fase dalam siklus hidup CRM, yaitu : 1. Mengakuisisi Pelanggan Baru Merupakan strategi untuk menarik pelanggan baru melalui promosi terhadap produk barang dan jasa. Tujuan utama dari fase ini adalah membangun basis awal yang kuat bagi pelanggan yang setia kepada produk dan jasa yang ditawarkan oleh perusahaan. 2. Menambah nilai kepada pelanggan Nilai tambah yang diberikan dapat berupa penawaran produk atau jasa dengan kualitas yang baik. Menjaga dan meningkatkan kepuasan pelanggan pada fase ini menjadi sangat krusial karena pada fase ini pelanggan sedang menggunakan semua yang menjadi produk barang dan jasa dari perusahaan tersebut. Fase ini merupakan tindak lanjut penting dari fase pertama, dengan memberikan pelayanan yang memuaskan pada saat pelanggan berinteraksi dengan perusahaan. Hal ini meningkatkan perusahaan dengan mengurangi biaya akuisisi pelanggan baru. 3. Mempertahankan Pelanggan Merupakan sebuah strategi untuk mempetahankan pelanggan untuk tetap setia menggunakan produk barang dan jasa perusahaan serta membawa relasi pleanggan untuk ikut serta untuk mencoba produk barang dan jasa perusahaan tersebut.Mempertahankan pelanggan lebih dipusatkan pada kemampuan untuk

5



beradaptasi dengan pelayanan unutk memenuhi kebutuhan pelanggan bukan kebutuhan pasar. Jenis-Jenis CRM Terdapat 3 jenis CRM, yaitu : 1. Operational CRM Operational CRM memberikan dukungan untuk proses bisnis di front office, seperti untuk penjualan, pemasaran, dan staf pelayanan. Informasi identitas pelanggan biasanya disimpan dan staf dapat melihat kembali informasi pelanggan ketika dibutuhkan. Dengan informasi identitas pelanggan ini, staf dapat dengan cepat memperoleh informasi penting. Dapat meraih pelanggan dalam waktu dan tempat yang tepat merupakan sesuatu yang sangat diinginkan. 2. Analytical CRM Analisa data yang dihasilkan dari operasional CRM yang meliputi aplikasi data mining. Fokusnya adalah manajer marketing dalam hal cara mengelola pelanggan seperti merancang dan menjalankan target pemasaran, termasuk melakukan cross-selling, up-selling, sistem informasi manajemen untuk forecasting keuangan dan analisis profitabilitas pelanggan. 3. Collaborative CRM Collaborative CRM mencakup aspek-aspek yang ditangani korporasi yang terkait dengan pelanggan pada berbagai departemen seperti pada bagian penjualan, dukungan teknis, dan pemasaran. Staf dari berbagai departemen pada korporasi yang sama dapat saling bertukar dan berbagi informasi yang dikumpulkan ketika berinteraksi dengan pelanggan. CRM jenis ini bertujuan untuk menggunakan informasi yang dikumpulkan secara bersama di semua departemen untuk peningkatkan kualitas pelayanan yang diberikan.

Segmentasi Pelanggan Segmentasi pelanggan 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. Segmentasi pelanggan dapat pula dibuat berdasarkan tingkat keloyalan pelanggannya. Dengan demikian, dapat diketahui segmen pelanggan yang loyal untuk dijadikan sasaran kegiatan pemasaran yang tepat. Sedangkan untuk pelanggan yang kurang loyal, perusahaan dapat

6



mengusahakan strategi untuk mengubah pelanggan yang kurang menguntungkan menjadi pelanggan yang setia dan memberikan nilai kepada perusahaan. Pola pembelian pelanggan pada setiap segmen dapat diidentifikasi dari analisis data pelanggan untuk membantu perusahaan dalam mengembangkan strategi pemasaran oneto-one. Rekomendasi produk adalah teknik yang dapat membantu perusahaan dalam menerapkan strategi tersebut. Sistem ini biasanya muncul dalam aplikasi pembelian online. Berdasarkan riwayat pembelian, sistem ini menentukan preferensi dan mengidentifikasi produk yang mungkin ingin dibeli pelanggan. Umumnya, sistem rekomendasi produk merupakan upaya untuk meningkatkan kemungkinan penjualan silang (cross-selling), membangun loyalitas, dan memenuhi kebutuhan pelanggan dengan menemukan produk yang mungkin menarik pelanggan.

7



IMPLEMENTASI Implementasi CRM dapat dilihat dalam pembahasan modul kali ini, contoh diambil dari salah satu tugas akhir mahasiswa Sistem Informasi ITS (Dita Kurniawaty, 5209100089).

Judul “Rekomendasi Produk berdasarkan Loyalitas Pelanggan Menggunakan Integrasi Metode AHP dan Teknik Penggalian Data : Studi Kasus di CV. XYZ”

Abstrak Salah satu cara untuk mempertahankan pelanggan adalah dengan memahami perilaku mereka. Customer Relationship Management (CRM) memberikan peluang bagi perusahaan untuk mengatur strategi pemasarannya dan memberikan layanan yang sesuai dengan nilai pelanggannya. Pemberian rekomendasi produk-produk baru kepada para pelanggan merupakan upaya untuk meningkatkan kemungkinan penjualan silang, membangun loyalitas pelanggan, dan memenuhi kebutuhan pelanggan dengan menemukan produk yang mungkin menarik bagi pelanggan CV. XYZ adalah sebuah industri rumahan yang bergerak dalam bidang konveksi dan telah memiliki persebaran pelanggan di seluruh Indonesia. Dalam Tugas Akhir ini analisis perilaku pelanggan dilakukan melalui segmentasi pelanggan untuk memperoleh informasi mengenai karakteristik pelanggan terhadap produk. Segmentasi pelanggan dapat diketahui dengan menggunakan teknik penggalian data dan proses klasterisasi. Data mentah pelanggan diolah menggunakan analisis berbasis RFM (recency, frequency, monetary) untuk memprediksi tingkat loyalitas pelanggan (customer lifetime value). Metode perhitungan analytic hierarchy process (AHP) diaplikasikan untuk menentukan bobot relatif variabel RFM.

8



Metode Diagram Alir Mulai

Identifikasi Masalah dan Pemahaman Bisnis CV. XYZ

Tinjauan Pustaka

Pengumpulan Data

Praproses Data

Pembentukan Data Nilai RFM dan Pembobotan AHP

Proses Klasterisasi menggunakan algoritma fuzzy c-means

Menentukan aturan rekomendasi produk dengan teknik association rule mining dan collaborative filtering

Uji coba perbandingan

Analisis Hasil Uji Coba

Penyusunan Buku Tugas Akhir

Selesai

Gambar 1 Diagram Alir Metodologi

Pengumpulan Data Tahap ini bertujuan untuk mengumpulkan berbagai informasi mengenai studi kasus pada CV. XYZ dengan cara wawancara dan dokumentasi. Data yang digunakan adalah sebagai berikut : 1. Data pelanggan yang melakukan transaksi dengan CV. XYZ baik dalam jumlah kecil maupun besar dalam masa waktu/periode yang ditentukan 2. Data historikal penjualan produk dengan atribut sesuai dengan yang dibutuhkan oleh model RFM, terdiri dari:  Waktu transaksi terakhir  Jumlah nominal transaksi  Jumlah frekuensi transaksi 3. Data historikal penjualan produk yang digunakan adalah data transaksi untuk produk jubah, jubah over all, jubah a-line, busana muslim setelan rok, busana muslim setelan rompi, mukenah set lengkap dan busana taqwa. Praproses Data Data mentah yang diperoleh dari data pelanggan dan data historikal penjualan pada studi kasus akan melalui praproses data yang meliputi : 9



1. Proses pembersihan data untuk menghilangkan baris data dengan nilai kosong atau data yang tidak valid (data cleaning and integration) 2. Pemilihan data berdasarkan atribut yang disesuaikan dengan model RFM yaitu: atribut waktu transaksi, jumlah frekuensi transaksi dan jumlah nominal transaksi untuk setiap pelanggan (data selection) 3. Persiapan data dengan cara mereduksi kolom data yang tidak sesuai dengan kebutuhan dalam melakukan proses klasterisasi (data preprocessing) 4. Transformasi data kedalam bentuk yang terukur sehingga dapat digunakan sebagai atribut untuk proses klasterisasi (transformation) Perhitungan Nilai RFM dan Pembobotan AHP Berpedoman pada model RFM yang terdiri dari tiga kriteria yaitu recency, frequency, monetary, maka dilakukan ekstraksi data dengan atribut-atribut yang dibutuhkan untuk mengukur nilai loyalitas pelanggan. Data yang digunakan adalah data yang telah melewati tahap pengumpulan dan praproses data. Selanjutnya dilakukan perhitungan bobot prioritas pada masing-masing kriteria model RFM berdasarkan hasil kuesioner yang diberikan kepada pemilik perusahaan menggunakan metode AHP. Proses Klasterisasi Pada tahap ini dilakukan proses klasterisasi atau pengelompokan pelanggan menggunakan metode fuzzyc-means. Data yang digunakan dalam proses ini adalah keluaran tahap analisis model RFM dan pembobotan AHP. Penentuan Aturan Rokomendasi Produk Pada tahap ini dilakukan pembuatan aturan rekomendasi produk dengan cara menghimpun seluruh informasi mengenai preferensi pembelian produk oleh pelanggan berdasarkan data pelanggan dan data historikal transaksi pelanggan dengan CV. XYZ selama masa periode analisis. Informasi tersebut meliputi semua kombinasi produk yang telah dibeli oleh setiap pelanggan. Berdasarkan informasi tersebut, dilakukan penentuan aturan rekomendasi produk sesuai segmen pelanggan menggunakan teknik penggalian aturan asosiasi yang memanfaatkan algoritma FP-Growth.

10



Implementasi Pengumpulan Data dan Preprosesing Data Tahapan implementasi ini dimulai dari proses pengumpulan data yang telah dijelaskan di atas. Data yang digunakan adalah data pelanggan dan data historikal transaksi penjualan untuk periode 1 Agustus 2010 – 1 Agustus 2011. Sebelum dilakukan praproses data, data mentah yang dikumpulkan dari perusahaan adalah data-data dengan atribut ditunjukkan dalam tabel berikut : Tabel 1 Tabel Pelanggan No

Nama Atribut

1

Nama Pelanggan

2

Kota

Keterangan Nama pelanggan yang pernah melakukan transaksi dengan perusahaan Nama kota/area lokasi tempat tinggal pelanggan

Tabel 2 Tabel Transaksi No

Nama Atribut

1

No

2

Tanggal Transaksi

3 4 5 6 7

Nama Pelanggan Qty Nama Produk Harga Satuan Harga Total

8

Diskon

9

Harga Bayar

Keterangan Nomor urut transaksi pelanggan Tanggal pada saat pelanggan melakukan transaksi pembelian (periode analisis 1 Agustus 2010 s/d 1 Agustus 2012) Nama pelanggan yang melakukan transaksi Jumlah satuan produk yang dibeli pelanggan Nama produk yang dibeli pelanggan berdasarkan jumlah Harga satuan per produk yang dibeli pelanggan Jumlah harga produk yang dibeli pelanggan Jumlah diskon (dalam satuan prosen) yang diberikan perusahaan kepada pelanggan Jumlah harga pembelian yang harus dibayar oleh pelanggan setelah diskon

Setelah itu dilakukan praproses data kepada tabel transaksi dengan mereduksi atribut yang tidak dibutuhkan dalam model RFM. Sehingga mendapat hasil tabel sebagai berikut : Tabel 3 Hasil pemilihan data dari tabel transaksi No 1

No

Nama Atribut

2

Tanggal Transaksi

3 4 8

Nama Pelanggan Kota Harga Total

Keterangan Nomor urut transaksi pelanggan Tanggal pada saat pelanggan melakukan transaksi pembelian (dengan periode analisis 1 Agustus 2010 s/d 1 Agustus 2011) Nama pelanggan yang melakukan transaksi Nama kota/area lokasi tempat tinggal pelanggan Jumlah harga produk yang dibeli pelanggan

11



Penilaian Pelanggan Berbasis Model RFM Pada tahap ini, dilakukan pemilihan atribut yang disesuaikan dengan kebutuhan kriteria model RFM, yaitu rentang waktu transaksi akhir pelanggan dengan periode analisis, jumlah frekuensi transaksi yang dilakukan pelanggan selama periode analisis, serta jumlah nominal transaksi untuk setiap pelanggan selama periode analisis. Berikut adalah uraian mengenai atribut yang dibutuhkan untuk model RFM:  Kriteria R (recency) Membutuhkan atribut yang menunjukkan adanya rentang waktu transaksi terakhir pelanggan dengan periode analisis, sehingga atribut yang dibutuhkan adalah atribut tanggal transaksi.

Menentukan periode analisis : 1 Agustus 2010 – 1 Agustus 2011

Selisih hari antara periode analisis dengan tanggal transaksi terakhir pelanggan (dinyatakan dalam satuan hari)

Tabel 4 Cuplikan Hasil Transformasi Data ke dalam Nilai Recency No ID001 ID002 ID003 ID004 ID005 ID006 ID007 ID008 ID009 ID010 ID011 ID012 ID013 ID014 ID015



Nama Pelanggan Aan Achmad Yunus Agus Al Kautsar Al-Fath Amril Andik Anggi Anik Anis Anisa Anisa Butik Anny Hossey Antv Ariani

Kota Semarang Kebumen Malang Surabaya Yogyakarta Pekanbaru Sidoarjo Nganjuk Surabaya Perawang Kudus Gorontalo Jakarta Jakarta Bontang

Recency (Hari) 328 296 43 286 17 24 268 331 141 256 4 37 11 3 82

Kriteria F (frequency) Membutuhkan atribut yang merepresentasikan berapa kali pelanggan melakukan transaksi. Kriteria ini ini dapat dilihat dari berapa banyak pelanggan dengan nama yang sama muncul dalam data transaksi. Atribut yang dibutuhkan adalah atribut tanggal transaksi yang dihitung jumlahnya. Menghitung jumlah transaksi setiap pelanggan selama periode analisis

Jumlah transaksi yang dilakukan setiap pelanggan selama periode analisis

12



Tabel 5 Cuplikan Hasil Transformasi Data ke dalam Atribut Frequency No ID001 ID002 ID003 ID004 ID005 ID006 ID007 ID008 ID009 ID010 ID011 ID012 ID013 ID014



Nama Pelanggan Aan Achmad Yunus Agus Al Kautsar Al-Fath Amril Andik Anggi Anik Anis Anisa Anisa Butik Anny Hossey Antv

Kota

Frequency 1 2 1 1 9 1 2 1 1 1 3 14 3 3

Semarang Kebumen Malang Surabaya Yogyakarta Pekanbaru Sidoarjo Nganjuk Surabaya Perawang Kudus Gorontalo Jakarta Jakarta

Kriteria M (monetary) Membutuhkan atribut yang berhubungan dengan harga yang telah dihabiskan pelanggan selama melakukan transaksi, sehingga atribut yang dibutuhkan adalah atribut harga total yang harus dibayar pelanggan. Dalam data yang diperoleh dari perusahaan, terdapat diskon yang mereduksi harga yang harus dibayar pelanggan. Namun nilai diskon ini berbeda-beda untuk setiap pelanggan, maka untuk nilai monetary, atribut yang dipakai adalah harga total sebelum diskon. Jumlah transaksi yang dilakukan pelanggan (dengan identitas yang sama) selana periode analisis

Menghitung total harga pembelian yang dilakukan

Tabel 6 Cuplikan Hasil Transformasi Data ke dalam Monetary No ID001

Aan

Semarang

443.000

ID002

Achmad Yunus

Kebumen

5.112.000

ID003

Agus

Malang

6.250.000

ID004

Al Kautsar

Surabaya

6.125.000

ID005

Al-Fath

Yogyakarta

83.039.000

ID006 ID007

Amril Andik

Pekanbaru Sidoarjo

5.545.000 3.818.000

ID008

Anggi

Nganjuk

ID009 ID010

Anik

Surabaya

167.000

Anis

Perawang

1.665.000

ID011

Anisa

Kudus

28.452.000

ID012

Anisa Butik

Gorontalo

234.856.000

ID013

Anny Hossey

Jakarta

27.035.000

ID014

Antv Ariani

Jakarta Bontang

14.982.000 22.306.000

ID015

Nama Pelanggan

Kota

Monetary (rupiah)

184.500

13



Proses Klasterisasi Berikut merupakan penjelasan untuk karakter pelanggan pada masing-masing klaster ditinjau dari nilai RFM : 1. Klaster 1 merupakan klaster dengan nilai recency, frequency dan monetary yang sangat rendah menunjukkan bahwa pelanggan pada klaster 1 merupakan pelanggan yang tidak banyak melakukan transaksi dan memberikan pemasukan yang sangat kecil kepada perusahaan. 2. Klaster 2 merupakan klaster dengan pelanggan yang memiliki nilai recency rendah namun memiliki nilai frequency dan monetary yang sangat tinggi. Pelanggan dalam klaster ini paling banyak memberikan nilai kepada perusahaan dan secara periodik melakukan pembelian. 3. Klaster 3 merupakan klaster dengan nilai recency, frequency dan monetary sangat rendah, menunjukkan bahwa pelanggan dalam klaster 3 memiliki rentang waktu yang cukup lama tidak lagi melakukan transaksi dengan perusahaan. Pelanggan juga hanya melakukan beberapa kali transaksi sehingga tidak banyak memberikan nilai uang kepada perusahaan. 4. Klaster 4 menunjukkan nilai recency medium dan nilai frequency dan monetary yang sangat rendah. Pelanggan dalam klaster 4 mungkin adalah pelanggan baru yang sedang mencoba menjalin hubungan dengan perusahaan. Pelanggan tersebut barubaru saja mengunjungi perusahaan dan melakukan beberapa kali transaksi pembelian. 5. Klaster 5 merupakan klaster yang mirip dengan klaster 4 dimana nilai recency dalam klaster ini adalah medium sedangkan nilai frequency dan monetary yang sangat rendah. 6. Klaster 6 merupakan klaster yang memiliki nilai frequency paling tinggi dibanding klaster lainnya. Pelanggan dalam klaster ini adalah pelanggan yang paling sering melakukan pembelian namun tidak banyak produk yang dibeli sehingga nilai monetary-nya rendah. Pelanggan klaster 6 merupakan pelanggan potensial yang harus tetap dijaga agar tidak hilang. 7. Klaster 7 adalah klaster dengan nilai recency medium, nilai frequency dan monetary sangat rendah. Klaster ini mirip dengan klaster 4 dan 5. 8. Klaster 8 merupakan klaster yang memiliki nilai recency dan frequency medium serta nilai monetary rendah. Pelanggan dalam klaster ini cukup banyak melakukan transaksi pembelian dengan rentang waktu yang dekat dengan periode akhir analisis. Namun, nilai uang yang dihabiskan saat melakukan transaksi tidak banyak.

Nilai Kriteria RFM

0,25 0,2 0,15 Recency

0,1 0,05

Frequency Monetary

0

Bagan 1 Visualisasi Nilai Kriteria RFM pada masing-masing Klaster

14



Perumusan Aturan Rekomendasi Produk Berikut merupakan rincian kode produk yang direkomendasikan berdasarkan hasil rumusan aturan rekomendasi produk yang ditemukan menggunakan algoritma FP-Growth pada hasil klasterisasi data berbasis model RFM : No. Klaster

Jumlah Aturan

Klaster 1

62 aturan

Klaster 2

294 aturan

Klaster 3

346 aturan

Klaster 4

247 aturan

Klaster 5

273 aturan

Klaster 6

18 aturan

Klaster 7

792 aturan

Klaster 8

299 aturan

Kode Produk yang direkomendasikan T/4, T/5, T/7, SET/7, SET/12, SROK/3, SROK/12, JOV/6. T/1, T/2, T/3, T/4, T/5, T/6, T/7, T/8, JOV/2, JOV/3, JOV/4, JOV/5, JOV/6, JOV/7, JOV/8, JOV/9, MUKENA/S, MUKENA/M, MUKENA/L T/1, T/2, T/3, T/4, T/5, T/6, T/7, T/8, T/9, T/10, T/11, JOV/0, JOV/1, JOV/2, JOV/4, JOV/9, MUKENA/M, MUKENA/L, MUKENA/XL T/0, T/1, T/2, T/3, T/4, T/5, T/6, T/7, T/8, T/9, JOV/4, JOV/5, JOV/6, JOV/7, JOV/9, MUKENA/S, MUKENA/XS, MUKENA/M, MUKENA/L, MUKENA/XL. T/0, T/1, T/2, T/3, T/4, T/5, T/6, T/7, T/8, JOV/4, JOV/5, JOV/6, JOV/7, JOV/9, JR/5, JR/10, MUKENA/S, MUKENA/XS, MUKENA/M, MUKENA/L, MUKENA/ XL. T/2, T/3, T/4, T/5, T/6, JOV/4, JOV/5, JOV/7, JOV/8, JOV/9. T/1, T/2, T/3, T/5, T/6, T/7, T/9, T/10, T/11, JOV/0, JOV/1, JOV/2, JOV/3, JOV/4, JOV/5, JOV/6, JOV/9, MUKENA/M, MUKENA/L, MUKENA/XL. T/2, T/3, T/4, T/5, T/7, T/8, T/9, JOV/4, JOV/5, JOV/6, JOV/7, JOV/8, SROK/4, SROK/9, MUKENA/S, MUKENA/XS, MUKENA/M, MUKENA/L, MUKENA/XL MUKENA/XXL.

15



KESIMPULAN Berdasarkan penjelasan yang telah dipaparkan dalam modul ini, dapat diambil beberapa kesimpulan sebagai berikut: 1. Penerapan proses bisnis menggunakan CRM – klasterisasi pelanggan dengan metode RFM berdampak baik pada CV. XYZ untuk meningkatkan penjualan produk mereka kepada pelanggan yang tepat sesuai dengan tingkat loyalitas pelanggan. 2. Dengan mengetahui tingkat loyalitas pelanggan, perusahaan dapat membuat sebuah strategi untuk menungkatkan penjualan dengan memberikan rekomendasi produk kepada pelanggan berdasarkan tingkat loyalitas mereka. 3. Pelanggan CV. XYZ dibagi dalam 8 klaster didasarkan pada hasil penilaian loyalitas pelanggan berbasis model RFM dan pembobotan AHP yang memiliki karakteristik berikut :  Klaster 1 merupakan klaster pelanggan dengan tingkat loyalitas paling rendah karena tidak banyak melakukan transaksi dan memberikan pemasukan yang sangat kecil kepada perusahaan.  Klaster 2 adalah klaster dengan pelanggan yang paling loyal karena paling banyak memberikan nilai kepada perusahaan dan secara periodik melakukan pembelian.  Klaster 3 adalah klaster dengan pelanggan yang hanya melakukan beberapa kali transaksi sehingga tidak banyak memberikan nilai uang kepada perusahaan.  Klaster 4 adalah klaster pelanggan baru yang sedang mencoba menjalin hubungan dengan perusahaan. Pelanggan tersebut baru-baru saja mengunjungi perusahaan dan melakukan beberapa kali transaksi.  Klaster 5 merupakan klaster yang mirip dengan klaster 4 yang memiliki pelanggan baru yang sedang mencoba menjalin hubungan dengan perusahaan dan beberapa kali melakukan transaksi  Klaster 6 merupakan klaster dengan pelanggan yang paling sering melakukan pembelian namun tidak banyak jumlah produk yang dibeli. Pelanggan klaster 6 merupakan pelanggan potensial yang harus dijaga agar tidak hilang.  Klaster 7 merupakan klaster yang mirip dengan klaster 4 dan 5 yang memiliki pelanggan baru yang sedang mencoba menjalin hubungan dengan perusahaan dan beberapa kali melakukan transaksi  Klaster 8 adalah klaster pelanggan yang cukup banyak melakukan transaksi pembelian dengan rentang waktu yang dekat dengan periode akhir analisis. Namun, nilai uang yang dihabiskan saat melakukan transaksi tidak banyak. 4. Perumusan aturan rekomendasi produk menggunakan teknik penggalian aturan asosiasi yang memanfaatkan algoritma FP-Growth, loyalitas pelanggan berbasis model RFM memberikan peningkatan sebesar 13 % terhadap kualitas rekomendasi produk. Jika diintegrasikan dengan metode pembobotan AHP, maka peningkatan sebesar 6% diperoleh terhadap kualitas rekomendasi produk.

16



DAFTAR PUSTAKA http://id.wikipedia.org/wiki/Manajemen_hubungan_pelanggan http://galihadi.wordpress.com/pengertian-crm/ http://blogs.itb.ac.id/degunk/crm-customer-relationship-management/

17

Practical Work Material KS Introduction to Information System

Recommend Documents