STTSSTTS

INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation

Segmen pelanggan yang komprehensif dalam konteks e-commerce sangat penting untuk mendukung pengambilan keputusan yang efektif berdasarkan data. Penelitian ini bertujuan untuk mengembangkan dan memvalidasi model segmen pelanggan setia dengan menggabungkan analisis Recency, Frequency, dan Monetary (RFM) dengan algoritma K-Means untuk menghasilkan kluster yang stabil, terpisah dengan baik, dan relevan secara manajerial. Data yang dianalisis terdiri dari 392.732 transaksi dari 4.339 pelanggan, diperoleh dari platform e-commerce publik. Alur penelitian mencakup pra-pengolahan data, perhitungan skor RFM, standardisasi fitur, penentuan jumlah kluster optimal menggunakan Metode Elbow, dan evaluasi kluster menggunakan Koefisien Silhouette dan Indeks Davies-Bouldin (DBI). Hasil eksperimen menunjukkan bahwa konfigurasi lima kluster menghasilkan kinerja terbaik, dengan skor Silhouette sebesar 0,6158 dan DBI sebesar 0,7190. Stabilitas solusi lima kluster dikonfirmasi melalui 30 inisialisasi acak (Silhouette = 0,6159 ± 0,0031; Indeks Rand yang Disesuaikan rata-rata = 0,9892), dan nilainya yang praktis ditunjukkan melalui analisis kontribusi pendapatan tingkat segmen dan perbandingan terhadap enam metode dasar.

Segmen Champions (yang terdiri dari Top Champions dan Champions) hanya mencakup 0,3% basis pelanggan tetapi menyumbang nilai moneter total tertinggi sebesar US$190.Sebaliknya, 94,5% pelanggan diklasifikasikan sebagai berisiko atau hibernasi.Temuan ini menunjukkan bahwa integrasi RFM dengan K-Means, yang divalidasi melalui berbagai metrik evaluasi, menghasilkan kerangka kerja segmen pelanggan yang andal, dapat diukur, dan dapat diterapkan.Pendekatan ini secara efektif mendukung pengembangan strategi retensi pelanggan dan optimasi nilai pelanggan yang didorong oleh data.

Berdasarkan hasil penelitian ini, ada beberapa saran untuk penelitian lanjutan. Pertama, perlu dikembangkan kerangka kerja validasi kluster multi-metrik yang menggabungkan Metode Elbow, Koefisien Silhouette, dan Indeks DBI, serta analisis stabilitas multi-benih, untuk mengurangi subyektivitas dalam memilih jumlah kluster k dalam segmen RFM. Kedua, perlu dikembangkan tipologi pelanggan yang dapat diinterpretasikan secara bisnis, seperti Top Champions, Champions, Perlu Perhatian, Berisiko, dan Hilang/Hibernasi, dan divalidasi secara eksternal melalui analisis kontribusi pendapatan, menunjukkan bahwa 0,3% pelanggan menghasilkan 17,8% total pendapatan. Ketiga, perlu dilakukan validasi eksternal terhadap segmen yang dihasilkan melalui perbandingan dengan metode dasar, termasuk manual aturan-berdasarkan segmen RFM, di mana K-Means mencapai keseimbangan terbaik antara validitas internal dan aksi manajerial. Penelitian lanjutan dapat fokus pada pengembangan strategi retensi pelanggan yang efektif dan peningkatan nilai pelanggan seumur hidup dalam konteks e-commerce.

  1. Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering | MATRIK... doi.org/10.30812/matrik.v21i2.1542Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K Means Clustering MATRIK doi 10 30812 matrik v21i2 1542
  2. Artistic Color Matching Technology Based on Silhouette Coefficient and Visual Perception. artistic color... doi.org/10.14569/IJACSA.2024.0150642Artistic Color Matching Technology Based on Silhouette Coefficient and Visual Perception artistic color doi 10 14569 IJACSA 2024 0150642
  3. Discovering the Optimal Number of Crime Cluster Using Elbow, Silhouette, Gap Statistics, and NbClust... journal.binus.ac.id/index.php/comtech/article/view/7270Discovering the Optimal Number of Crime Cluster Using Elbow Silhouette Gap Statistics and NbClust journal binus ac index php comtech article view 7270
Read online
File size662.09 KB
Pages9
DMCAReport

Related /

ads-block-test