Aplikasi Business Intelligence & Data Mining STMIK JAYANUSA PADANG

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

Customer Profiling Dua pendekatan 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

Demografi vs Perilaku Data demografi: Kelebihan Kelemahan Dapat digunakan untuk mengidentifikasi ciri-ciri calon konsumen baru yang berpotensi membeli/memakai. Kelemahan Data sulit didapat, sering kali harus dibeli dari pihak ke tiga. Membutuhkan keahlian analisa statistik. Daya prediksinya tidak selalu akurat. © MKOM – UBL

Demografi vs Perilaku Data perilaku: Kelebihan Kelemahan Daya prediksinya sangat akurat – dibanding model berbasis data demografi. Data mudah diperoleh dari catatan transaksi konsumen. Sedikit membutuhkan keahlian analisa statistik. Kelemahan Tidak dapat digunakan untuk mencari calon konsumen baru (belum ada datanya). © MKOM – UBL

Skema Bintang Skema bintang umum untuk CRM: Data RFM Demografi: dari angket atau membership Kupon, discount, dsb. © MKOM – UBL

Skema Bintang Membuat tabel RFM Recency: Frequency: Monetary: SELECT Kode_Pelanggan, MAX(Tanggal) AS Recency FROM PENJUALAN GROUP BY Kode_Pelanggan Frequency: SELECT Kode_Pelanggan, COUNT(*) AS Frequency FROM PENJUALAN GROUP BY Kode_Pelanggan Monetary: SELECT Kode_Pelanggan, SUM(Nilai) AS Monetary FROM PENJUALAN GROUP BY Kode_Pelanggan © MKOM – UBL

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

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

Metoda Data Mining Metoda Verifikasi Metoda Penemuan 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

Proses Data Mining Eksploitasi Interpretasi 20% & Evaluasi Data Mining 15% Transformasi Data Penyiapan Data (cleansing) 45% Seleksi Data Perumusan Tujuan Bisnis 20% © MKOM – UBL

Tahapan Data Mining Eksplorasi & Analisa Eksplorasi Analisa Menggunakan data ringkasan untuk menangkap pola-pola atau kejanggalan-kejanggalan. 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

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

Klasifikasi Klasifikasi Mempartisi data ke dalam kelas-kelas, masing-masing kelas memiliki atribut-atribut khas. Misalnya, untuk tujuan deteksi resiko: ada 2 kelas, ya (aman) dan tidak (beresiko). © MKOM – UBL

Sistem Adaptif Contoh: 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

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

Permasalahan Data Permasalahan umum: Keterbatasan data Mutu data Data tidak relevan, atau semula tidak dirancang untuk DM. Mutu data Data banyak mengandung kesalahan-kesalahan, perlu pembersihan. Data banyak mengandung nilai-nilai kosong (tak lengkap). © MKOM – UBL

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

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

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 besar-besaran? Data set yang kecil juga dapat menghasilkan penemuan yang bermanfaat. Yang penting data harus relevan dengan permasalahannya/tujuannya, bukan volumenya. © MKOM – UBL