Download Pertemuan XIII

Aplikasi Business Intelligence
& Data Mining
STMIK JAYANUSA
PADANG
1
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
2
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 Perilaku
 Data aktivitas transaksi oleh konsumen
ybs.
© MKOM – UBL
3
Demografi vs Perilaku
• Data demografi:
 Kelebihan
o Dapat digunakan untuk mengidentifikasi
ciri-ciri calon konsumen baru yang
berpotensi membeli/memakai.
 Kelemahan
o Data sulit didapat, sering kali harus dibeli
dari pihak ke tiga.
o Membutuhkan keahlian analisa statistik.
o Daya prediksinya tidak selalu akurat.
© MKOM – UBL
4
Demografi vs Perilaku
• Data perilaku:
 Kelebihan
o Daya prediksinya sangat akurat – dibanding
model berbasis data demografi.
o Data mudah diperoleh dari catatan
transaksi konsumen.
o Sedikit membutuhkan keahlian analisa
statistik.
 Kelemahan
o Tidak dapat digunakan untuk mencari calon
konsumen baru (belum ada datanya).
© MKOM – UBL
5
Skema Bintang
 Skema bintang umum untuk CRM:
WAKTU
Tanggal
Bulan
Kuartal
Tahun
Data RFM
PRODUK
Kode_Produk
Merk
Deskripsi
Model
Harga
PENJUALAN
Tanggal
Kode_Pelanggan
Kode_Produk
Kode_Lokasi
Kode_Promosi
Jumlah
Nilai
LOKASI
Kode_Lokasi
Nama
Alamat
Wilayah
Kategori
© MKOM – UBL
PELANGGAN
Kode_Pelanggan
Nama
Alamat
No_Telepon
Jenis_Kelamin
Tgl_Lahir
Demografi: dari angket
atau membership
PROMOSI
Kode_Promosi
Deskripsi
Tgl_Mulai
Tgl_Berakhir
Kategori
Kupon, discount, dsb.
6
Skema Bintang
 Membuat tabel RFM
 Recency:
SELECT Kode_Pelanggan, MAX(Tanggal) AS
Recency FROM PENJUALAN GROUP BY
Kode_Pelanggan

Frequency:

Monetary:
SELECT Kode_Pelanggan, COUNT(*) AS
Frequency FROM PENJUALAN GROUP BY
Kode_Pelanggan
SELECT Kode_Pelanggan, SUM(Nilai) AS
Monetary FROM PENJUALAN GROUP BY
Kode_Pelanggan
© MKOM – UBL
7
Pemanfaatan
 Pemanfaatan hasil analisa data CRM
 Pemasaran 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
8
Data Mining
 Definisi berdasarkan karakteristik
 Menggunakan 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 warehouse
 Memanfaatkan datawarehouse sebagai aset.
 Jembatan antara data dan knowledge
(pemahaman).
© MKOM – UBL
9
Metoda Data Mining
 Metoda Verifikasi
 Uji validitas hipotesa (ditemukan melalui analisa
multi-dimensional) terhadap data.
 Contoh: Apakah penjualan ayam potong
meningkat 3x lipat sehari menjelang hari libur?
 Metoda Penemuan
 Pencarian 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.
© MKOM – UBL
10
Proses Data Mining
Eksploitasi
Interpretasi
& Evaluasi
Data Mining
20%
15%
Transformasi Data
Penyiapan Data
(cleansing)
45%
Seleksi Data
Perumusan Tujuan
Bisnis
20%
© MKOM – UBL
11
Tahapan Data Mining
 Eksplorasi & Analisa
 Eksplorasi
 Menggunakan data ringkasan untuk
menangkap pola-pola atau kejanggalankejanggalan.
 Menggunakan sample untuk analisa awal.
 Mengandalkan intuisi dan pengalaman
(heuristic).
 Analisa
 Menguji signifikansi pola temuan secara
statistik dengan data lengkap.
 Membuang kesimpulan-kesimpulan false
positive.
 Melihat kecenderungan historis pola temuan.
© MKOM – UBL
12
Metoda Analisa
 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.
© MKOM – UBL
13
Klasifikasi
 Klasifikasi
 Mempartisi data ke dalam kelas-kelas,
masing-masing kelas memiliki atributatribut khas.
 Misalnya, untuk tujuan deteksi resiko: ada
2 kelas, ya (aman) dan tidak (beresiko).
© MKOM – UBL
14
Sistem Adaptif
 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)
© MKOM – UBL
15
Neural Network
 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
pria/wanita
usia
resiko
kanker
tinggi
(N / P)
berat
merokok
konsumsi
alkohol
© MKOM – UBL
16
Permasalahan Data
 Permasalahan umum:
 Keterbatasan data
 Data tidak relevan, atau semula tidak
dirancang untuk DM.
 Mutu data
 Data banyak mengandung kesalahankesalahan, perlu pembersihan.
 Data banyak mengandung nilai-nilai
kosong (tak lengkap).
© MKOM – UBL
17
Reduksi Jumlah Data
 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.
© MKOM – UBL
18
Fiksi dan Kenyataan
 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.
© MKOM – UBL
19
Fiksi dan Kenyataan
 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 besarbesaran?
 Data set yang kecil juga dapat menghasilkan
penemuan yang bermanfaat.
 Yang penting data harus relevan dengan
permasalahannya/tujuannya, bukan
volumenya.
© MKOM – UBL
20