Customer Segmentation and Strategy Development Based on User Behavior Analysis, RFM Model and Data Mining Techniques: A Case Study

Tavakoli, Mohammadreza; Molavi, Mohammadreza; Masoumi, Vahid; Mobini, Majid; Etemad, Sadegh; Rahmani, Rouhollah

doi:10.1109/icebe.2018.00027

Cited by 29 publications

(12 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Beberapa penelitian sebelumnya menggunakan model RFM untuk menganalisis data penjualan seperti yang dilakukan oleh Tavakoli, Molavi dkk. di perusahaan Digikala, perusahaan E-Commerce terbesar di Timur Tengah, dengan membandingkan model RFM dan model Customer Quantile dari hasil perbandingan diterapkan ke dalam bentuk promosi melalui media SMS sesuai dengan strategi menunjukan bahwa model segmentasi RFM mampu meningkatkan jumlah pembelian [1].…”

Section: Algoritma K-meansunclassified

“…b. Instrumen Penelitian Pada instrumen penelitian ini mengadopsi dan memodifikasi pada penelitian sebelumnya yang dilakukan oleh [1] dan [4]. Data transaksi penjualan 3 tahun 2017, 2018 dan 2019 dengan jumlah transaksi 4332 penjualan, terlihat data transaksi penjualan pada gambar 1 berikut:…”

Section: Metode Pengumpulan Data Instrumen Penelitian Dan Metode Pengujian a Metode Pengumpulan Dataunclassified

“…Permasalahan yang muncul saat ini adalah dari 3 tahun terakhir ini terjadi penurunan jumlah transaksi, tahun 2017 sebanyak 2092 transaksi dari 1040 pelanggan, tahun 2018 1754 transaksi dari 922 pelanggan, sedangkan jumlah transaksi di tahun 2018 hanya 486 transaksi dari 250 pelanggan, bentuk penurunan jumlah transaksi terlihat di gambar 1 di bawah ini: Untuk meningkatkan jumlah transaksi penjualan maka perlu adanya proses pengendalian pendekatan antara perusahaan dan pelanggan, karena hubungan antara perusahaan dan pelanggan merupakan elemen bisnis utama yang menunjang peningkatan transaksi penjualan [1]. Proses pengendalian hubungan antara perusahaan dan pelanggan disebut dengan istilah Customer Relationship Management (CRM).…”

unclassified

See 2 more Smart Citations

Pemanfaatan Data Transaksi untuk Dasar membangun Strategi berdasarkan Karakteristik Pelanggan dengan Algoritma K-Means Clustering dan Model RFM

Carudin¹

2021

j. teknologi terpadu

View full text Add to dashboard Cite

Setiap waktu terdapat proses transaksi yang dilakukan oleh pelanggan, proses tersebut menambah koleksi data pada sebuah database. Pada penelitian ini dengan melakukan pemanfaatan data transaksi untuk mengetahui segmentasi pelanggan dan membangun strategi berdasarkan karakteristik pelanggan dengan pendekatan model RFM dan K-Means. K-Means Clustering adalah sebuah algoritma yang dapat menghasilkan suatu model cluster visual dengan aplikasi Rapidminer versi 9.9, dengan menggunakan atribut RFM berfungsi untuk mewakili jumlah pelanggan dari setiap cluster. Dari data transaksi 3 tahun terakhir 2017, 2018, dan 2019 dengan jumlah 4.332 transaksi yang kemudian diolah berdasarkan model RFM menghasilkan 1898 pelanggan. Selanjutnya dilakukan analisis cluster dengan menggunakan algoritma K-Means dengan hasil cluster 1 memliki 319 pelanggan, cluster 2 memiliki 314 pelanggan, cluster 3 memiliki 316 pelanggan, cluster 4 memiliki 317 pelanggan, cluster 5 memiliki 315 pelanggan, dan cluster 6 memiliki 317 pelanggan. Dari hasil penelitian ini dapat dimanfaatkan oleh perusahaan untuk mengetahui karakteristik pelanggan dan sebagai bahan pertimbangan membuat suatu strategi baru.

show abstract

Section: Algoritma K-meansunclassified

Section: Metode Pengumpulan Data Instrumen Penelitian Dan Metode Pengujian a Metode Pengumpulan Dataunclassified

unclassified

See 1 more Smart Citation

Pemanfaatan Data Transaksi untuk Dasar membangun Strategi berdasarkan Karakteristik Pelanggan dengan Algoritma K-Means Clustering dan Model RFM

Carudin¹

2021

j. teknologi terpadu

View full text Add to dashboard Cite

show abstract

“…Penerapan model RFM ini bertujuan dalam membentuk segmentasi pelanggan yang pada akhirnya akan dimanfaatkan dalam memberikan informasi yang tepat untuk penentuan treat kepada tiap pelanggan. Perusahaan melakukan tindakan ini demi meningkatkan tingkat keloyalitasan dari pelanggannya [3] [10]. Pada penelitian ini penulis berencana dalam menerapkan metode K-Means bersamaan dengan metode Elbow sebagai pengoptimalan nilai Cluster yang akan diterapkan juga dengan model RFM dalam penyusunan segmentasi pelanggan pada perusahaan PT Hasjrat Abadi Ambon, data yang dipakai berupa data transaksi pelanggan dari tahun 2012 sampai 2019.…”

Section: Recency Frequency Monetary (Rfm)unclassified

PENERAPAN METODE K-MEANS DENGAN METODE ELBOW UNTUK SEGMENTASI PELANGGAN MENGGUNAKAN MODEL RFM(Recency, Frequency, & Monetary)

Kiat

Azhar

Rahmayanti

2020

View full text Add to dashboard Cite

Segmentasi pelanggan pada perusahaan merupakan tindakan yang dapat mempermudah perusahaan dalam mengambil keputusan ke depan. Pada penelitian ini data yang digunakan berasal dari perusahaan otomotif, PT Hasjrat Abadi Ambon. Data yang dipakai terdiri dari data transaksi dan pelanggan kendaraan bermotor. Penerapan model RFM dapat mengelompokkan pelanggan-pelanggan berdasarkan nilai variabel Recency, Frequency dan Monetary. Hasil dari model RFM akan memperoleh status baru pada tiap pelanggan dari skala terbaik sampai terburuk. Pelanggan yang telah memiliki status akan dikelompokkan menggunakan metode K-Means menjadi beberapa Cluster(kelompok). Dalam menentukan jumlah Cluster yang optimal maka diterapkan metode Elbow. Algoritma yang digunakan dalam pembentukan Cluster terdiri dari Euclidean Distance dan Manhattan Distance. Kedua algoritma akan dibandingkan kualitas pembentukan Clusternya menggunakan metode Silhoutte Coefficient. Hasil yang diberikan pada penelitian ini berupa data yang terbagi atas 5 kelompok dengan dilakukannya lima kali pengujian untuk menentukan centroid yang unggul. Cluster yang unggul akan dibuatkan visualisasi datanya untuk memudahkan perusahaan dalam mengambil keputusan. Berdasarkan penerapan Silhoutte Coefficient, algoritma yang lebih unggul yaitu Manhattan Distance dengan nilai s(i) sebesar 0.152695. Customer segmentation at the company is an action that can facilitate the company in making decisions going forward. In this study the data used came from an automotive company, PT Hasjrat Abadi Ambon. The data used consists of transaction data and motor vehicle customers. The application of the RFM model can classify customers based on the value of the Recency, Frequency and Monetary variables. The results of the RFM model will obtain a new status on each customer from the best to the worst scale. Customers who already have status will be grouped using the K-Means method into several Clusters (groups). In determining the optimal number of Clusters, the Elbow method is applied. The algorithm used in Cluster formation consists of Euclidean Distance and Manhattan Distance. The two algorithms will be compared the quality of the Cluster formation using the Silhoutte Coefficient method. The results given in this study are in the form of data divided into 5 groups by conducting five tests to determine superior centroids. Excellent clusters will be made of data visualization to facilitate the company in making decisions. Based on the application of Silhoutte Coefficient, a superior algorithm is Manhattan Distance with value s(i) : 0.152695.

show abstract

“…The most popular is RFM analysis. It is for behavioral-based data processing that extracts customer profiles using the recency (current), frequency, and monetary values [4]. This literature review aims to find out other customer segmentation attribute in the banking industry, the analytical methods frequently operated, and the parameters involved.…”

Section: Introductionmentioning

confidence: 99%

Balance as One of the Attributes in the Customer Segmentation Analysis Method: Systematic Literature Review

Firdaus¹,

Utama²

2020

Adv. sci. technol. eng. syst. j.

View full text Add to dashboard Cite

The banking industry is very competitive. To utilize the information, they have in order to be a competitive advantage winner is reasonably very crucial for the company. At present, the company does not only focus on the company's strategy that prioritizes products (e.g. product or service oriented), however also necessitates to focus on the company's strategy in prioritizing customers. Customer segmentation, its attributes, and the appropriate analysis method are going to get accurate data segmentation results, so that it is able to be used as a reference by the company and as a basis for determining its products' marketing strategies. This systematic literature review discusses the types of attributes operated, including customer balance attributes, whether or not they can be included in segmentation. In addition, it also discusses what popular analytical methods are widely used in the customer segmentation process. Literature searching in the digital library resulted in a total are 592,363, 1,361, and 21 papers respectively in the first, second, and third stage. 10 papers found finally in the final stage that were considered capable of answering research questions. Based on 10 papers selected, it can be concluded that customer balances can be functioned scientifically as one of attributes for segmentation use. The popular analytic methods operated for customer segmentation are recency, frequency, monetary (RFM) model (4 times appeared), K-Means algorithm (6 times occurred), and C-Means (2 times emerged).

show abstract

Customer Segmentation and Strategy Development Based on User Behavior Analysis, RFM Model and Data Mining Techniques: A Case Study

Cited by 29 publications

References 17 publications

Pemanfaatan Data Transaksi untuk Dasar membangun Strategi berdasarkan Karakteristik Pelanggan dengan Algoritma K-Means Clustering dan Model RFM

Pemanfaatan Data Transaksi untuk Dasar membangun Strategi berdasarkan Karakteristik Pelanggan dengan Algoritma K-Means Clustering dan Model RFM

PENERAPAN METODE K-MEANS DENGAN METODE ELBOW UNTUK SEGMENTASI PELANGGAN MENGGUNAKAN MODEL RFM(Recency, Frequency, & Monetary)

Balance as One of the Attributes in the Customer Segmentation Analysis Method: Systematic Literature Review

Contact Info

Product

Resources

About