aplikasi data mining crm
DESCRIPTION
Data WarehouseTRANSCRIPT
•1
•Aplikasi Business Intelligence& Data Mining
•© MKOM – UBL •2
•Contoh Kasus: CRM
Customer Relationship Management (CRM)Bertujuan untuk menciptakan kesetiaan pelanggan kepada perusahaan dengan mengelola hubungan dengan pelanggan.Mencari pelanggan baru jauh lebih mahal dibanding mempertahankan pelanggan setia yang sudah dimiliki.
Pergeseran paradigma dari pemasaran masal, ke pemasaran tersegmentasi, ke pemasaran individual.
Kunci: memahami perilaku (termasuk kebutuhan khas) konsumen.
•© MKOM – UBL •3
•Customer Profiling
Manfaat utama data konsumen dan data transaksinya adalah untuk identifikasi profil konsumen.Profil berguna untuk memahami kebutuhan dan kepentingan konsumen.
Dua pendekatan profiling:Berdasarkan data Demografi
Jenis kelamin, usia, pekerjaan, penghasilan, dsb.
Berdasarkan PerilakuData aktivitas transaksi oleh konsumen ybs.
•© MKOM – UBL •4
•Demografi vs Perilaku
•Data demografi:Kelebihan
oDapat digunakan untuk mengidentifikasi ciri-ciri calon konsumen baru yang berpotensi membeli/memakai.
KelemahanoData sulit didapat, sering kali harus dibeli dari pihak ke tiga.oMembutuhkan keahlian analisa statistik.oDaya prediksinya tidak selalu akurat.
•© MKOM – UBL •5
•Demografi vs Perilaku
•Data perilaku:Kelebihan
oDaya prediksinya sangat akurat – dibanding model berbasis data demografi.oData mudah diperoleh dari catatan transaksi konsumen.oSedikit membutuhkan keahlian analisa statistik.
KelemahanoTidak dapat digunakan untuk mencari calon konsumen baru (belum ada datanya).
•© MKOM – UBL •6
•Skema Bintang
Skema bintang umum untuk CRM:
PENJUALANTanggalKode_PelangganKode_ProdukKode_LokasiKode_PromosiJumlahNilai
WAKTUTanggalBulanKuartalTahun
PELANGGANKode_PelangganNamaAlamatNo_TeleponJenis_KelaminTgl_Lahir
PRODUKKode_ProdukMerkDeskripsiModelHarga
LOKASIKode_LokasiNamaAlamatWilayahKategori
PROMOSIKode_PromosiDeskripsiTgl_MulaiTgl_BerakhirKategori
•Demografi: dari angket atau membership
•Kupon, discount, dsb.
•Data RFM
•© MKOM – UBL •7
•Skema Bintang
Membuat tabel RFMRecency:
SELECT Kode_Pelanggan, MAX(Tanggal) AS Recency FROM PENJUALAN GROUP BY Kode_Pelanggan
Frequency: SELECT Kode_Pelanggan, COUNT(*) AS Frequency FROM PENJUALAN GROUP BY Kode_Pelanggan
Monetary: SELECT Kode_Pelanggan, SUM(Nilai) AS Monetary FROM PENJUALAN GROUP BY Kode_Pelanggan
•© MKOM – UBL •8
•Pemanfaatan
Pemanfaatan hasil analisa data CRMPemasaran atau promosi produk/layanan baru dengan target yang selektif: efisien dan efektif.Mempromosikan produk/jasa yang lebih bagus atau mahal dibanding yang dibeli konsumen (up-selling).Mempromosikan produk/jasa lain yang ada hubungannya dengan yang dibeli konsumen (cross-selling).Deteksi konsumen yang loyalitasnya menurun dan memberi penawaran/promosi menarik.
•© MKOM – UBL •9
Definisi berdasarkan karakteristikMenggunakan berbagai teknik komputasi untuk menemukan pola-pola (termasuk pola hubungan) dan keteraturan dalam data yang belum diketahui sebelumnya (atau yang tersembunyi).Melibatkan selengkap mungkin data.
Dibangun di atas data warehouseMemanfaatkan datawarehouse sebagai aset.Jembatan antara data dan knowledge (pemahaman).
•Data Mining
•© MKOM – UBL •10
Metoda VerifikasiUji validitas hipotesa (ditemukan melalui analisa multi-dimensional) terhadap data.Contoh: Apakah penjualan ayam potong meningkat 3x lipat sehari menjelang hari libur?
Metoda PenemuanPencarian informasi yang bermanfaat dibalik data.Mencari pola, kecenderungan, keteraturan dalam data tanpa intervensi analis.Contoh: Mencari karakteristik demografis konsumen yang tertarik dengan kategori penawaran tertentu.
•Metoda Data Mining
•© MKOM – UBL •11
•Perumusan Tujuan •Bisnis
•Seleksi Data
•Penyiapan Data•(cleansing)
•Transformasi Data
•Data Mining
•Interpretasi •& Evaluasi
•Eksploitasi
•20%
•45%
•15%
•20%
•Proses Data Mining
•© MKOM – UBL •12
Eksplorasi & AnalisaEksplorasi
Menggunakan data ringkasan untuk menangkap pola-pola atau kejanggalan-kejanggalan.Menggunakan sample untuk analisa awal.Mengandalkan intuisi dan pengalaman (heuristic).
AnalisaMenguji signifikansi pola temuan secara statistik dengan data lengkap.Membuang kesimpulan-kesimpulan false positive.Melihat kecenderungan historis pola temuan.
•Tahapan Data Mining
•© MKOM – UBL •13
Membuat model analisis untuk menjelaskan apa yang terjadi dan melakukan prediksi.Model Statistik
Analisa statistik.Analisa korelasi, regresi linear, dsb.
Machine Learning (Model Adaptif)Menciptakan representasi (model) pengetahuan (pola, keteraturan, dsb.) melalui proses belajar/training dari sample data.Proses induksi berdasarkan data.
•Metoda Analisa
•© MKOM – UBL •14
KlasifikasiMempartisi data ke dalam kelas-kelas, masing-masing kelas memiliki atribut-atribut khas.Misalnya, untuk tujuan deteksi resiko: ada 2 kelas, ya (aman) dan tidak (beresiko).
•Klasifikasi
•© MKOM – UBL •15
Sistem belajar mengklasifikasikan data dengan memformulasikan rumus (fungsi) atau aturannya.Proses induksi dari data sampel yang mewakili masing-masing kelas.Sistem membangun dan menyimpan fungsi/aturan klasifikasi sebagai representasi pengetahuan.Contoh:
Artificial Neural Network (Jaringan Syaraf Buatan)Decision Trees (Pohon Keputusan)
•Sistem Adaptif
•© MKOM – UBL •16
•Neural Network
•(N / P)
Kelas (variable dependen) adalah fungsi dari atribut-atribut data (variabel independen): y = f (x1, x2, x3, …, xn)Koneksi jaringan dibentuk melalui proses belajar dari data
•usia
•pria/wanita
•tinggi
•berat
•merokok
•konsumsi• alkohol
•resiko•kanker
•© MKOM – UBL •17
Permasalahan umum:Keterbatasan data
Data tidak relevan, atau semula tidak dirancang untuk DM.
Mutu dataData banyak mengandung kesalahan-kesalahan, perlu pembersihan.Data banyak mengandung nilai-nilai kosong (tak lengkap).
•Permasalahan Data
•© MKOM – UBL •18
Volume data yang besar dapat berakibat:Mengubur pola-pola yang mungkin menarik.Probabilitas false positive (misal: korelasi random) yang tinggi.
Teknik memperkecil data input:Sampling.Menggunakan data rangkuman.Mengandalkan intuisi ahli untuk menseleksi data.
•Reduksi Jumlah Data
•© MKOM – UBL •19
DM dapat merombak/transformasi bisnis perusahaan?
Umumnya hanya perbaikan-perbaikan incremental.Terikat pada pengalaman (sejarah) perusahaan: data masa lalu yang tersedia.Terikat pada apa yang diukur/didata perusahaan.
DM dapat menghasilkan penemuan baru secara otomatis?
DM harus dipandu oleh suatu tujuan spesifik.Tanpa pemahaman aspek bisnisnya DM tidak akan menghasilkan sesuatu yang berarti.
•Fiksi dan Kenyataan
•© MKOM – UBL •20
DM membutuhkan teknik yang rumit?Walaupun sudah banyak alat bantu yang canggih, analisa sederhana (misal statistik dasar) dan visualisasi data umumnya sudah cukup.
DM membutuhkan volume data besar-besaran?Data set yang kecil juga dapat menghasilkan penemuan yang bermanfaat.Yang penting data harus relevan dengan permasalahannya/tujuannya, bukan volumenya.
•Fiksi dan Kenyataan