Slide Data Mining

8/3/2019 Slide Data Mining

1/60


2/60

The CRM Strategy Pelanggan yang loyal dan menguntungkan

adalah asset yang paling penting bagi sebuahperusahaan.

CRM menggunakan pendekatan customer centricdengan berdasarkan customer driven. Customerdriven adalah pemasaran yang dikendalikan oleh

kebutuhan dan keinginan konsumen.

Customer-DrivenCustomer Centric

CRM (CustomerRelationship

Management)

CRM

Strategi untuk membangun, mengelola,meningkatkan kesetiaan, dan menjaga

hubungan jangka panjang denganpelanggan.


3/60

The CRM Strategy

Penanganan pelanggan dilakukan secara pribadiuntuk mengidentifikasi dan memahami perbedaankebutuhan, preferensi, serta perilaku masing-masing.

Dalam kehidupan nyata, berikut merupakan contoh

dua toko pakaian dengan pendekatan penjualan yangberbeda.

1 2

VS


4/60

The CRM Strategy

Toko pertama menjual segala jenis pakaian untuksemua orang.

Toko kedua, karyawan mencoba mengidentifikasikebutuhan dan keinginan setiap pelanggan

kemudian memberikan saran yang sesuai kepadapelanggan.

Antara dua toko tersebut, toko kedua yangtampak lebih dapat dipercaya dalam hubungan

jangka panjang karena toko tersebutmemperhatikan kebutuhan pelanggan yangspesifik dalam memenuhi kepuasanpelanggannya.


5/60

The CRM Strategy

CRM memiliki dua tujuan utama, yaitu:

Customer retention through customer satisfaction

Customer development through customer insight

1

2


6/60

Kunci utama pengembangan pelanggan adalah tidak adapelanggan yang rata-rata. Maksudnya adalah pelangganmerupakan orang yang berbeda, dengan kebutuhan yangberbeda, oleh karena itu perilaku dan potensi pelangganharus ditangani dengan sesuai.

Akuisisi pelanggan sangat sulit, terutama pada mature-market. Mature market adalah suatu kondisi ketika pasartelah mencapai keadaan kesetimbangan. Sebuah pasardianggap dalam keadaan kesetimbangn apabila tidak adapertumbuhan yang signifikan akibat kurangnya inovasi.

Dalam sebuah kompetisi, sangat susah untuk menggantipelanggan yang sudah ada dengan pelanggan yang baru.Salah satu cara mempertahankan pelanggan yaitu dengancara memberikan kepuasan kepada pelanggan.

The CRM Strategy

Customerretentionthrough

customersatisfaction

Customerdevelopmentthroughcustomerinsight


7/60

DATA MININGSerangkaian proses untuk menggali nilai tambah berupainformasi yang selama ini tidak diketahui secara manual darisuatu basisdata dengan melakukan penggalian pola-pola daridata dengan tujuan untuk memanipulasi data menjadi informasi

yang lebih berharga yang diperoleh dengan cara mengekstraksidan mengenali pola yang penting atau menarik dari data yangterdapat dalam basis data.


8/60

DATA MINING

Beberapa faktor yang mendukung perlunyadilakukan data mining adalah:

Data telah mencapai jumlah dan ukuran yang sangat besar(overload)

Telah dilakukan proses data warehousing

Kemampuan komputasi yang semakin terjangkau

Persaingan bisnis yang semakin ketat

Overload terjadi akibat akumulasi data yang terekam bertahun-tahun


9/60

MANFAAT DATA MININGData mining juga diperlukan untuk menyelesaikanpermasalahan atau menjawab kebutuhan bisnis itu sendiri,misalnya:

Bagaimana mengetahui hilangnya pelanggan karenapesaing

Bagaimana mengetahui item produk atau konsumen yangmemiliki kesamaan karakeristik

Bagaimana mengidentifikasi produk-produk yang terjualbersamaan dengan produk lain

Bagaimana memprediksi tingkat penjualan

Bagaimana menilai resiko dalam menentukan jumlahproduksi suatu item

Bagaimana memprediksi perilaku bisnis di masa yangakan datang


10/60

WHAT CAN DATA MINING DO? Data mining bertujuan untuk mengekstrak pengetahuan

dan wawasan melalui analisis data dalam jumlah besarmenggunakan teknik pemodelan yang canggih. Data

mining mengkonversi data ke dalam pengetahuan daninformasi yang nantinya akan ditindak lanjuti. Data yangakan dianalisis berada pada data marts dan datawarehouses.


11/60

WHAT CAN DATA MINING DO?

Data marts

Datawarehouse

Fasilitas penyimpanan data yang berorientasi pada subjecttertentu atau berorientasi pada departemen tertentu dari suatuorganisasi, fokus pada kebutuhan departemen tertentu seperti,sales, marketing, operation atau collection. Suatu perusahaan

dapat memiliki lebih dari satu data mart.

Basis data yang menyimpan data sekarang dan data masa

lalu yang berasal dari berbagai sistem operasional dan sumberyang lain (sumber eksternal) yang menjadi perhatian pentingbagi manajemen dalam organisasi dan ditujukan untukkeperluan analisis dan pelaporan manajemen dalam rangkapengambilan keputusan.


12/60

DATA MININGMODEL TECHNIQUE


13/60

MODEL DATA MININGModel data mining terdiri dari: set of rules (aturan),

equations (persamaan),

atau complex transfer functions

yang dapat digunakan untuk:

mengidentifikasi pola-pola data,

memahami,

dan memprediksi perilaku.


14/60

MODEL DATA MINING

Model data mining dikelompokkan menjadi duakelas utama sesuai dengan tujuan nya :

1. SUPERVISED/PREDICTIVE MODELS

2. UNSUPERVISED MODELS


15/60

SUPERVISED/PREDICTIVE MODELS


16/60

SUPERVISED/PREDICTIVE MODELS Dalam supervised, or predictive, directed, atau

targeted modeling,tujuannya adalah untukmemprediksi peristiwa atau memperkirakan nilaidari atribut numerik kontinu.


17/60

About supervised/predictive models

Dalam model ini ada bidang input atau atribut danbidang output atau target. Field input juga disebutprediktor karena mereka digunakan oleh modeluntuk mengidentifikasi fungsi prediksi untuk

bidang output. Kita dapat memikirkan prediktorsebagai bagian X dari fungsi dan bidang sasaransebagai bagian Y, hasilnya.


18/60


Model ini menggunakan medan input yangdianalisis sehubungan dengan efeknya padabidang sasaran. Pengenalan pola diawasi olehbidang sasaran. Hubungan dibentuk antara input

dan output yang bidang. Sebuah input-outputpemetaan fungsi-fungsi yang dihasilkan olehmodel, yang rekan prediktor dengan output danmemungkinkan prediksi dari nilai output,

mengingat nilai-nilai field input.


19/60


Model prediksi dikategorikan ke dalam: Classification or propensity models

Estimation models


20/60

Classificationor propensity models Grup belum diketahui di awal sehingga perlu

dilakukan klasifikasi terlebih dahulu

Dalam model ini kelompok sasaran atau kelasdiketahui dari awal. Tujuannya adalah untukmengklasifikasikan kasus ke dalam kelompok-kelompok yang telah ditetapkan, dalam kata lain,untuk memprediksi suatu kejadian. Model yangdihasilkan dapat digunakan sebagai mesin scoringuntuk menugaskan kasus baru ke kelas yang telah

ditetapkan. Hal ini juga memperkirakan skor kecenderungan

untuk setiap kasus. Kecenderungan skormenunjukkan kemungkinan terjadinya kelompoksasaran atau peristiwa.


21/60

Tujuan : memberikan pengetahuan tambahantentang pelanggan dan optimasi pengembanganaplikasi


22/60

Estimation models

Model ini serupa dengan model klasifikasi tetapidengan satu perbadaan utama. Merekadigunakan untuk memprediksi nilai dalamfield/bidang/medan yang berkesinambungan

berdasarkan nila-nilai dari atribut input (masukan)


23/60

Diteraokan dalam : keseimbangan yangdiharapkan dari rekening tabungan nasabahdalam waktu dekat mengetahui kebutuhannasabah dalam waktu dekat


24/60

UNSUPERVISED MODELS


25/60

UNSUPERVISED MODELS Dalam unsupervised atau undirected model tidak ada

medan output, hanya input saja. Pola pengenalannyaadalah pola berarah, dan tidak dipandu oleh atributtarget tertentu.

Tujuan dari model tersebut adalah untukmembuka/menemukan pola-pola dalam set inputfields.

Unspervised model meliputi :

Cluster models Association and sequence models


26/60

Cluster models

Dalam model ini kelompok tidak dikenal secaraadvance. Sebaliknya, kita menginginkan algoritmauntuk menganalisa pola input data danmengidentifikasi pengelompokan alami dalam catatan

atau kasus. Ketika kasus-kasus baru dinilai olehmodel kluster yang dihasilkan dan ditugaslan ke salahsatu revealed kluster.

Dapat menganalisis input dan pola data yangkompleks dan menyarankan solusi yang jelas untukmodel data yang kompleks.


27/60

Cluster model Clasification modelTidak menampilkan kelas Menampilkan kelas


28/60

Association and sequence models

Model ini juga termasuk pada kelas dari pemodelanunsupervised. Model ini tidak melibatkan prediksilangsung dari suatu bidang/medan/field. Bahkan,semua bidang yang terlibat memiliki peran ganda,

sejak model ini berperan/bertindak sebagai input danoutput pada saat yang sama. Association modelsmendeteksi asosiasi antara peristiwa diskrit, produk,atau atribut. Model berurutan mendeteksi asosiasidari waktu ke waktu.


29/60

DATA MINING IN THE CRMFRAMEWORK


30/60

DATA MINING IN THE CRMFRAMEWORK

Data mining dapat memberikan pengetahuan tentangpelanggan yang sangat penting untuk membangunstrategi CRM yang efektif.

Model data mining dapat membantu dalammendapatkan, mengembangkan, serta mempertahankanpelanggan seperti yang ditunjukkan pada Gambar 1.1


31/60

DATA MINING IN THE CRM

FRAMEWORK

Gambar 1.1 Data mining dan customer lifecycle management


32/60

CUSTOMER SEGMENTATION Segmentasi adalah proses membagi pelanggan ke

dalam basis yang berbeda dalam rangkamengembangkan strategi pemasaran yang berbedasesuai dengan karakteristik pelanggan. Terdapat jenissegmentasi yang berbeda berdasarkan kriteria atauatribut tertentu yang digunakan untuk segmentasi. Dalamsegmen perilaku, pelanggan dikelompokkan berdasarkanperilaku dan karakteristiknya.


33/60

CUSTOMER SEGMENTATION

Data mining dapat membuat segmen data berbasisperilaku. Algoritma clustering dapat menganalisisperilaku data, mengidentifikasi pengelompokan alamipelanggan, dan memberikan saran pada pola data

yang diamati. Data mining juga dapat digunakanuntuk pengembangan skema segmentasiberdasarkan nilai saat ini atau yang diharapkan/diperkirakan dari pelanggan. Segmentasi diperlukandalam rangka memprioritaskan penanganan

pelanggan dan berdasarkan pentingnya masing-masing pelanggan.


34/60

DIRECT MARKETING CAMPAIGNS Marketers menggunakan kampanye

pemasaran langsung untuk berkomunikasidengan pelanggan melalui mail, e-mail,telemarketing (telepon), dan saluran lainnyauntuk mencegah churn (attrition) dan untukmendorong akuisisi pelanggan sertapembelian produk add-on.


35/60

DIRECT MARKETING CAMPAIGNS

Churn (attrition) adalah ukuran jumlah orang ataubenda yang masuk atau keluar dari suatu kelompokdalam jangka waktu tertentu. Istilah ini biasanyadigunakan dalam konteks customer base sebagai

persentase pelanggan yang meninggalkan supplierdalam jangka waktu tertentu. Hal ini menandaiketidakpuasan customer, akibat tawaran lebih murahdari pesaing, pemasaran yang lebih baik olehpesaing, atau penyebab lain.


36/60


Kampanye bertujuan untuk mencegah retensipelanggan yang berharga dan menjagahubungan jangka panjang. Namun, apabilatidak dilakukan dengan baik, walaupunberpotensi efektif, juga dapat menyebabkanpemborosan sumber daya dan pelanggandapat merasa terganggu dengan komunikasi

yang tidak diminta.


37/60


Berikut ini merupakan model klasifikasi yangdigunakan untuk mengoptimalkan kampanyepemasaran:

Acquisition models

Cross-/deep-/up-selling models

Voluntary attrition or voluntary churn models


38/60

Acquisition models

Cross-/deep-/up-selling models

Voluntary attritionor voluntary churn

models

Kampanye akuisisi bertujuan untuk menarik pelangganbaru yang potensial. Model ini dapat digunakan untukmengenali calon pelanggan yang berpotensi danmenguntungkan dengan mencari clones pelangganyang sudah ada dalam daftar kontak eksternal.

Model ini diimplementasikan untuk menjual produktambahan. Model ini dapat mengungkapkan potensipembelian pelanggan yang telah ada.

Model ini mengidentifikasi sinyal awal churn dantempat para pelanggan dengan kemungkinanpeningkatan untuk meninggalkan produk atauperusahaan.



39/60


Tahap kampanye pemasaran langsung

Gambar 1.2 The stages of direct marketing campaigns.


40/60


Mengumpulkan dan mengintegrasikan data yang diperlukan darisumber data yang berbeda.

Menganalisis dan melakukan segmentasi pelanggan ke dalamkelompok yang berbeda.

Pengembangan target pemasaran langsung dengan modelkecenderungan untuk memilih pelanggan yang tepat.

Kampanye eksekusi dengan memilih channel yang sesuai, waktu yangtepat, dan tawaran yang sesuai untuk setiap kampanye.

Kampanye evaluasi melalui tes dan control group. Evaluasi melibatkanpartisi penduduk dan perbandingan tanggapan positif.

Analisis hasil kampanye dalam rangka meningkatkan kampanye untukputaran selanjutnya dalam hal penargetan, waktu, penawaran, produk,

komunikasi, dan sebagainya.

1

2

3

4

5

6


41/60

DATA MINING METHODOLOGY


42/60

DATA MINING METHODOLOGY Sebuah proyek data mining melibatkan lebih dari

sebuah pemodelan. Fase pemodelan hanyalah salahsatu fase dalam proses pelaksanaan proyek datamining.

Langkah terpenting yang lebih dulu harus dilakukanadalah membangun model dan menciptakanpengaruh yang signifikan pada keberhasilan suatuproyek.

Proyek data mining ini biasanya dimulai denganharapan yang tinggi tetapi bisa saja berakhir dengankegagalan bisnis, jika sebuah tim yang terlibat tidakdipandu oleh kerangka metodologis yang jelas.


43/60

THE STEPS

Business Understanding1

Data Understanding2

Data Preparation3

Modeling4

Model Evaluation5

Deployment6


44/60

Table 1.1 The RISP-DM phases.


45/60

Business Understanding

Proyek data mining harus dimulai denganpemahaman tentang tujuan bisnis dan penilaianterhadap situasi saat ini. untuk menentukan

tujuan bisnis yang nantinya akan menjadi tujuan

data mining Parameter proyek harus dipertimbangkan,

termasuk sumber daya dan keterbatasan. Tujuanbisnis harus diterjemahkan ke dalam tujuan data

mining. Kriteria keberhasilan harus didefinisikandan rencana proyek harus dikembangkan.


46/60

Data Understanding

Fase ini antara lain mempertimbangkanpersyaratan data agar tepat dalam menanganitujuan yang telah ditetapkan dan juga melibatkaninvestigasi ketersediaan data yang diperlukan.

Fase ini juga mencakup pengumpulan data daneksplorasi awal dengan statistik ringkasan dan alatvisualisasi untuk memahami data danmengidentifikasi potensi masalah dalam

ketersediaan dan kualitas.


47/60

Data Preparation

Data yang akan digunakan sebelumnya harusdiidentifikasi, dipilih, dan disiapkan ntuk dimasukkan kedalam model data mining. (pemilihan data yangdiperlukan)

Fase ini melibatkan akuisisi, integrasi,dan format datasesuai dengan kebutuhan proyek. (akuisisi data)

Data konsolidasi kemudian dibersihkan dan harus benar-benar berubah sesuai dengan persyaratan dari algoritmayang akan diterapkan. (data cleaning)

Data baru seperti jumlah, rata-rata, rasio dan sebagainyaharus berasal dari data baku untuk memperkaya informasipelanggan, untuk lebih meringkas karakteristik pelanggan,sehingga dapat meningkatkan kinerja model.


48/60

Modeling

Data yang diolah kemudian digunakan untuk model training.Analis yang dilakukan harus memilih teknik pemodelan yangtepat untuk tujuan bisnis tertentu. (pemilihan teknik pemodelanyang sesuai)

Sebelum model training dilakukan, terutama dalam hal

pemodelan prediktif, dataset modelling harus dipartisi sehinggakinerja model dievaluasi pada dataset yang terpisah.

Fase ini melibatkan pemeriksaan dari alternative algoritmapemodelan, pengaturan parameter dan perbandingan yang passerta melibatkan suatu kinerja dalam rangka untuk menemukan

hasil yang terbaik. Berdasarkan evaluasi awal dari hasil model,pengaturan model dapat direvisi dan disesuaikan. (berkaitandengan statsistik pengolahan data)

Ffine tuning of the model


49/60

Evaluation

Model yang dihasilkan kemudian dievaluasi secararesmi tidak hanya dalam hal langkah-langkah teknistetapi juga, yang lebih penting, dalam konteks kriteriakeberhasilan bisnis yang ditetapkan dalam fase

pemahaman bisnis. (evaluasi model dalam kontekskriteria keberhasilan bisnis)

Tim proyek harus memutuskan apakah hasil darimodel yang diberikan sesuai dengan tujuan awalbisnis. Jika demikian, model ini disetujui dan siapuntuk dilakukan deployement. (mdoel persetujuan)


50/60

Deployment Temuan proyek dan kesimpulan dirangkum dalam sebuah laporan,

tapi laporan ini belum bisa disebut sebagai akhir dari proyek. Suatu prosedur harus dirancang dan dikembangkan untuk

memungkinkan penilaian pelanggan dan memperbarui hasil.

Prosedur penyebaran harus memungkinkan distribusi hasil modelseluruh perusahaan dan penggabungan hasil model ke dalamdatabase organisasi dan sistem operasional CRM. (distribusi model

dan integrasu dalam sistem operasional CRM) Akhirnya, rencana pemeliharaan harus dirancang dan seluruh

proses harus ditinjau. Pelajaran harus diperhitungkan dan langkah-langkah berikutnya harus direncanakan. (pengembangan rencanamaintenance-update plan)

Fase diatas menyajikan dependensi yang kuat saat ini dan hasil dari

fase ini dapat menyebabkan dilakukannya peninjauan kembali danmereview hasil fase sebelumnya. ( review proyek)


51/60

DATA MINING AND BUSINESSDOMAIN EXPERTISE


52/60

INTRODUCTION Peran model data mining dalam pemasaran bisa

dikatakan cukup baru. Meskipun berkembangpesat, data mining masih ''wilayah'' asing bagipara marketer yang percaya hanya kepada

''intuisi mereka dan domain experience yangada.


53/60

Data Mining Model

Model data mining dapat mengidentifikasi pola-polayang bahkan orang-orang bisnis yang palingberpengalaman mungkin telah . Mereka dapatmembantu dalam fine tuning aturan bisnis yang ada,

dan memperkaya, mengotomatisasi, dan standarisasicara menghakimi kerja yang didasarkan padapersepsi dan pandangan pribadi. Mereka terdiri daritujuan, data-driven, meminimalkan keputusansubjektif dan menyederhanakan proses memakan

waktu.


54/60

Business Domain Expertise

Ketika kemampuan data mining dilengkapidengan keahlian bisnis mereka, dapat tercapaihasil yang benar-benar bermakna. Misalnya,kemampuan prediksi dari model data mining

dapat secara substansial meningkat termasukinput informatif dengan kekuatan prediktif yangdisarankan oleh orang-orang yangberpengalaman di lapangan.


55/60

The Combination

Model data mining tidak threatening, artinyatidak dapat menggantikan atau mengganti peranyang signifikan dari pakar domain danpengetahuan bisnis mereka. Sekuat apapun

model ini, tidak dapat secara efektif bekerja tanpadukungan aktif dari pakar bisnis.


56/60

The Combination

Informasi dan nilai dari aturan bisnis yang sudah adadapat diintegrasikan ke dalam model data mining danberkontribusi untuk membangun hasil yang lebih kuatdan sukses.

Selain itu, sebelum penyebaran yang nyata, hasilmodel harus selalu dievaluasi oleh pakar bisnisberkaitan dengan makna dari model tersebut, dalamrangka untuk meminimalkan risiko yang datangdengan penemuan sepele atau tidak jelas.


57/60

The Combination

Dengan demikian, pengetahuan bisnis domain penuhbenar-benar dapat membantu dan memperkaya hasildata mining.


58/60

CONCLUSION

Data MiningModel

OPTIMIZECustomer

Management

Business DomainExpertise


59/60

CONCLUSION

Sebagai kesimpulan, kombinasi business domainexpertise dengan kekuatan model data miningdapat membantu organisasi mendapatkankeuntungan kompetitif dalam upaya mereka

untuk mengoptimalkan manajemen pelanggan.


60/60

THANK YOU

Slide Data Mining

Documents

Transcript of Slide Data Mining