Menangkan Kompetisi Bisnis dengan Machine Learning

Belajar Data Science 26-Oktober-2018

https://dqlab.id/files/dqlab/cache/16be46d073493d8fe77acce7e93f4502_x_Thumbnail800.png

Ibu Rini yang bekerja sebagai staf inventory pada perusahaan retail X sedang bingung. Penyebabnya adalah banyak stok yang dikembalikan oleh toko cabang karena kurang laku di pasaran. Apalagi yang dikembalikan ternyata memiliki satu ciri, hanya warna tertentu untuk satu produk aksesoris. Sedangkan warna lainnya untuk aksesoris tersebut laku terjual. Kenapa bisa?

Pada divisi lain perusahaan yang sama, Pak Rahma yang bekerja sebagai staf marketing juga sedang mengevaluasi performa penjualan yang tidak begitu bagus. Padahal berbagai program promosi dan iklan telah sangat gencar dilakukan. Dengan best practice yang sama, ternyata hasilnya jauh menurun dibandingkan dilakukan pada tahun sebulannya. Apa yang terjadi? Apakah ekonomi lagi tidak bagus? Apakah terjadi perubahan trend?

Kedua masalah ritel di atas sangat umum terjadi dan bisa menurunkan pendapatan perusahaan secara signifikan. Apakah ada solusinya? Beruntung, dengan menganalisa data transaksi penjualan, data inventory dan data pelanggan menggunakan software data mining maka kita bisa mengetahui apa trend yang sedang terjadi dan membantu mengatasi problem tersebut.

Market Basket Analysis

Market Basket Analysis atau dikenal dengan Shopping Basket Analysis adalah salah satu analisa yang bisa dilakukan oleh data mining untuk menganalisa kombinasi produk apa saja yang biasa dibeli oleh pelanggan pada waktu yang sama. Hasil analisa ini dapat memberikan gambaran kepada store manager paket kombinasi produk apa saja yang memiliki daya tarik paling besar bagi pelanggan.

Dari sisi inventory bila kita ingin mencari kemungkinan apakah item yang kurang laku akan menjadi sangat menarik dan memiliki nilai lebih jika dipasangkan dengan item lain sebagai satu paket? Jika paket ini diterima oleh pasar, tentunya akan memecahkan masalah Ibu Rini pada cerita di atas.

Customer Segmentation dan Loyalty Program

Saat ini perusahaan retail gencar mengadakan program loyalitas (loyalty program) dengan tujuan menjaga customer. Program ini biasanya memberikan kartu membership kepada pelanggan yang isinya adalah poin untuk setiap transaksi belanja yang kita lakukan dan bersifat "tabungan" dengan nilai tertentu yang bisa kita gunakan sebagai pengganti nilai belanja.

Dengan adanya program ini, data pelanggan dan apa saja yang pernah dibelanjakan dapat digunakan oleh perusahaan ritel untuk mengenal lebih jauh perilaku pelanggannya. Melalui identifikasi perilaku ini, bagian CRM bisa melakukan kategori atau segmentasi pelanggan berdasarkan data buying behavior. Contoh segmentasi atau customer clustering misalkan wanita single berumur 17-25 tahun, wanita menikah berumur 20-25 tahun, pria professional berumur 30-40 tahun, pelanggan yang tinggal di area X, dan lain-lain.

Adanya segmentasi yang jelas ini memberikan kita kesempatan untuk memberikan respon lebih baik dan intim kepada pelanggan, dan ujung-ujungnya akan memberi rasa kenyamanan dan meningkatkan loyalitas. Contoh respon yang biasa dilakukan adalah melakukan melakukan pengiriman sms campaign yang telah dibuat khusus untuk segmen-segmen tersebut.

Tentunya tidak lucu bukan kalau sebagai seorang pelanggan yang telah menjadi pelanggan 20 tahun masih disapa dengan sms alay seperti "Ciyus kamu-kamu mau bergaya ok? Segera¦."

Pada salah satu kasus rill yang penulis jumpai, dengan campaign sms untuk pelanggan yang sangat targeted ini, campain untuk upsell dan cross-sell memiliki konversi sangat tinggi dan perusahan tersebut mencatat penjualan di atas rata-rata pertumbuhan penjualan secara umum.

Analisa Pola Pengambilan Keputusan

Analisa jenis lain yang bisa dilakukan adalah melakukan analisa faktor utama atau key influencers apa yang menjadi penentu yang akhirnya membuat pelanggan melakukan pembelian. Apakah itu model, warna, brand, harga atau bahan? Apakah itu berlaku nasional atau untuk cabang tertentu saja?

Dari masalah Ibu Rini di atas, ternyata atribut-atribut tadi memang sangat menentukan. Tapi yang mana? Karena ini penting untuk merencanakan inventory kita agar mengurangi masalah-masalah stok secara signifikan.

Dengan data ribuan dan bahkan jutaan transaksi per bulannya, maka dengan aplikasi data mining hal ini dapat dilakukan dengan mudah dan akurat dibandingkan kalau dilaukan dengan cara manual.

Kesimpulan

Untuk memenangkan kompetisi terutama di dunia bisnis, kita sekarang dituntut untuk mampu memahami pelanggan kita sampai ke per orangan lebih jauh dan intim. Karena dengan pemahaman ini, kita mampu melakukan identifikasi, melakukan respon yang lebih baik sekaligus memecahkan berbagai problem bisnis.

Di industri ritel yang mencatat dengan lengkap data transaksi, produk dan pelanggan peluang untuk melakukan hal ini terbuka jauh lebih besar. Dengan melakukan analisa data-data tersebut dengan software data mining kita akan mengetahui faktor utama pelanggan membeli, paket produk apa saja yang bisa meningkatkan penjualan, dan kita dapat mengidentifikasi kelompok pelanggan yang ingin disasar untuk campaign tertentu.

Kenapa hal seperti ini harus dilakukan dengan software data mining? Salah satu hal utama adalah masalah analisa perilaku ini melibatkan kombinasi data yang sangat besar dan tidak cocok untuk diperiksa oleh manusia satu per satu dan berpotensi menghasilkan analisa yang bias.

Kelemahan ini tidak dimiliki oleh software data mining. Beruntungnya, di era internet dan big data saat ini banyak aplikasi data mining yang tersedia baik berbayar maupun gratis. Jadi, kenapa Anda tidak mulai memanfaatkan segera untuk meningkatkan profit bisnis Anda?

Belajar Data Science untuk menghasilkan Customer Segmentation dan Market Basket Analysis berbasis Project di DQLab.id

Module Machine Learning for Retail: Market Basket Analysis menjelaskan pemanfaatan metode ini untuk menemukan product packaging yang tepat dan mengurangi masalah inventory. Pengenalan terhadap algoritma apriori sebagai implementasi Market Basket Analysis di R, terutama kenapa algoritma ini bisa membantu menemukan paket produk terbaik dari sekian banyak kombinasi yang dihasilkan.

Module Machine Learning for Retail: Customer Segmentation menjelaskan pemanfaatkan metode ini untuk membagi data-data customer menjadi beberapa segmen yang bermanfaat bagi bisnis di marketing dan CRM menggunakan Clustering dan Algoritma K-Means.

Akses Group Data Science DQLab untuk melihat interaksi member!

Kamu bisa membangun portofolio datamu dengan belajar data science di DQLab. Untuk kamu yang ingin mulai belajar data science atau siap berkarir jadi Data Analyst, Data Scientist, dan Data Engineer, persiapkan diri kamu dengan tepat sekarang. Tidak ada kata terlambat untuk belajar. Yuk #MulaiBelajarData di DQLab.

Dengan belajar di DQLab, kamu bisa:

Menerapkan teknik mengolah data kotor, hasilkan visualisasi data dan model prediksi dengan studi kasus Retail dan Finansial
Dapatkan sesi konsultasi langsung dengan praktisi data lewat data mentoring
Bangun portofolio data langsung dari praktisi data Industri
Akses Forum DQLab untuk berdiskusi.

Simak informasi di bawah ini untuk mengakses gratis module "Introduction to Data Science":