PENERAPAN EXPLORATORY DATA ANALYSIS (EDA) DAN ANALISIS RECENCY, FREQUENCY, AND MONETARY (RFM) UNTUK SEGMENTASI PELANGGAN E-COMMERCE

Fatia Amalia Maresti; Gabriella Mustika Anugraheni; Radio Ananto Hargiyanto; Kiki Mustaqim

doi:10.36618/competitive.v19i1.4059

Authors

Fatia Amalia Maresti Universitas Logistik dan Bisnis Internasional
Gabriella Mustika Anugraheni Universitas Logistik dan Bisnis Internasional
Radio Ananto Hargiyanto Universitas Logistik dan Bisnis Internasional
Kiki Mustaqim Universitas Logistik dan Bisnis Internasional

DOI:

https://doi.org/10.36618/competitive.v19i1.4059

Keywords:

Segmentasi Pelanggan, Exploratory Data Analysis (EDA), Recency, Frequency, and Monetary (RFM), E-Commerce

Abstract

E-commerce menghasilkan volume data yang sangat besar setiap harinya yang dihasilkan oleh pelanggan saat bertransaksi. Pelanggan merupakan kelompok maupun individu yang memegang peranan penting dalam proses strategi bisnis dengan membeli produk atau jasa berdasarkan pada keputusan sendiri yang beralaskan oleh pertimbangan dari segi kebermanfaatan serta harga dari setiap produk atau jasa. Dalam penelitian ini pelanggan akan dilakukan segmentasi berdasarkan data transaksi penjualan pada e-commerce menggunakan metode Exploratory Data Analysis (EDA) dan analisis Recency, Frequency, and Monetary (RFM). Pemberlakuan segmentasi pelanggan bertujuan untuk memahami karakteristik pelanggan dan mengimplementasi strategi retensi agar meningkatkan kemajuan suatu perusahaan dengan membuat strategi pemasaran yang efektif dan memprediksi perilaku pelanggan di masa mendatang. Pada tahapan awal segmentasi pelanggan dilakukan investigasi untuk menemukan pola, mengevaluasi hipotesis, dan memverifikasi asumsi berkaitan dengan data pelanggan melalui rangkuman statistik menggunakan metode Exploratory Data Analysis (EDA). Tahapan selanjutnya dilakukan identifikasi untuk mengetahui pola perilaku pelanggan yang melakukan pembelian barang sehingga dapat dikelompokkan berdasarkan karakteristik dengan analisis Recency, Frequency, and Monetary (RFM). Terdapat 11 kategori yang dihasilkan dalam segmentasi pelanggan, di antaranya adalah Champions, Loyal Customer, Promising Customer, New Customer, Need Attention, At Risk, Potential, About To Sleep, Old Potensial, Hibernating, dan Lost.

References

Harani, N. H. (dkk.). (2020). Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python. Jurnal Manajemen Informatika (JAMIKA), 10(2), 133-146.

Angela, J. B. dan Irsyad, A. (2023). Implementasi Visualisasi Data Berbasis Web Pada Exploratory Data Analysis Profil Kesehatan Kota Samarinda. Kreatif Teknologi dan Sistem Informasi (KRETISI), 1(1), 9-16.

Tivano, D., Ruslianto, I., & Prawira, D (2023). SISTEM SEGMENTASI PELANGGAN POTENSIAL MENGGUNAKAN METODE K-MEANS DAN ANALISIS RFM. Coding Jurnal Komputer dan Aplikasi, 11(03), 325-337.

Rizaty, Monavia Ayu. (2023, Januari 24). Transaksi e-Commerce RI Tak Capai Target pada 2022. Dataindonesia.id [Online]. Tersedia: https://dataindonesia.id/ekonomi-digital/detail/transaksi-ecommerce-ri-tak-capai-target-pada-2022. [2023, Maret 1].

Mustajab, Ridhwan. (2023, September 4). Pengguna E-Commerce RI Diproyeksi Capai 196,47 Juta pada 2023. dataindonesia.id [Online]. Tersedia : https://dataindonesia.id/ekonomi-digital/detail/pengguna-ecommerce-ri-diproyeksi-capai-19647-juta-pada-2023 [2023, Maret 1].

Nugraha, Jefri Putri. (dkk.). 2021. Teori Perilaku Konsumen. Pekalongan: Penerbit NEM.

KATRAGADDA, V. (2022). Dynamic Customer Segmentation: Using Machine Learning to Identify and Address Diverse Customer Needs in Real-Time. IRE Journals, 5(10), 278-279.

Amutha. R, (dkk). 2023. Customer Segmentation Using Machine Learning Techniques. Tuijin Jishu / Journal of Propulsion Technology, 44(3).

Leni, D. (dkk.). (2023). Evaluasi Sifat Mekanik Baja Paduan Rendah Berdasarkan Komposisi Kimia Dan Suhu Perlakuan Panas Menggunakan Teknik Exploratory Data Analysis (EDA). Dinamika Teknik Mesin, 13(1), 74-83.

Da Poian, V., Theiling, B., Clough, L., McKinney, B., Major, J., Chen, J., & Hörst, S. (2023). Exploratory data analysis (EDA) machine learning approaches for ocean world analog mass spectrometry. Frontiers in Astronomy and Space Sciences, 10, 1134141.

Iriawan, Nur dan Permadina Kanah. (dkk.). 2021. Aplikasi Data Science dengan Mudah Menggunakan Python. Penerbit Andi.

Alzami, F., Sambasri, F. D., Nabila, M., Megantara, R. A., Akrom, A., Pramunendar, R. A., ... & Sulistiyawati, P. (2023). Implementation of RFM method and K-Means algorithm for Customer Segmentation in E-Commerce with Streamlit. ILKOM Jurnal Ilmiah, 15(1), 32-44.

Anitha, P., & Patil, M. M. (2022). RFM model for customer purchase behavior using K-Means algorithm. Journal of King Saud University-Computer and Information Sciences, 34(5), 1785-1792.

Supangat, S., & Mulyani, Y. (2023). Customer Loyalty Analysis Using Recency, Frequency, Monetary (RFM) and K-means Cluster for Labuan Bajo Souvenirs in Online Store. Journal of Information Systems and Informatics, 5(1), 285-299.

Wicaksana, Putu Aryasuta. (dkk.). (2022). “Literature Review Analisis Perilaku Pelanggan Menggunakan RFM Model.” Majalah Ilmiah Teknologi Elektro. 21(1), 21-30.