Analisis Segmentasi Pelanggan Flexi Trendy Kota Bandung Menggunakan RFM Dan Clustering K-Means Untuk Program Customer Development

Linda Kurniawati

Informasi Umum

Kode

112080211

Klasifikasi

658.812 - Customer relationships, Claims, Complaints, Returns, Servicing of products

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Customer Relationships

Dilihat

281 kali

Informasi Lainnya

Abstraksi

Peralihan trend penggunaan layanan telekomunikasi sejak tahun 2008 yang semula cenderung pada layanan voice dan SMS menjadi layanan data dan VAS mempengaruhi penurunan ARPU layanan voice dan SMS salah satu produk PT. Telekomunikasi Indonesia Tbk., (PT Telkom), yaitu produk CDMA pra bayar Flexi Trendy. ARPU layanan voice Flexi Trendy mengalami penurunan hampir 50% pada tahun 2009, meskipun jumlah pelanggan Flexi Trendy meningkat. Sementara diketahui bahwa layanan data dan VAS memberikan kontribusi untuk pendapatan PT Telkom sebesar 7% per tahun. Oleh karena itu, PT Telkom perlu memberikan strategi customer development kepada pelanggan potensial yang dapat meningkatkan intensitas penggunaan layanan data dan VAS Flexi Trendy, dalam upaya meningkatkan kembali ARPU Flexi Trendy. RFM merupakan metode untuk mengelompokkan pelanggan berdasarkan atribut recency, frequency dan monetary pelanggan dalam membelanjakan uangnya. Sementara K-Means merupakan salah satu metode clustering dalam data mining untuk mengelompokkan pelanggan berdasarkan karakteristik kesamaan pelanggan ke dalam sejumlah k atau cluster yang telah ditentukan. Kombinasi metode RFM dengan K-Means menghasilkan nilai kualitas cluster yang lebih tinggi, segmentasi yang lebih menggambarkan customer behaviour dan mempercepat runtime model. Jenis data yang digunakan adalah data pembelian voucher untuk pemodelan menggunakan RFM serta data penggunaan layanan untuk pemodelan menggunakan K-Means. Model RFM menghasilkan satu variabel baru, kemudian digabung dengan data penggunaan layanan yang telah dibagi menjadi empat variabel baru yaitu voice, SMS, data dan VAS serta total revenue untuk dimodelkan menggunakan K-Means. Setelah memodelkan segmentasi pelanggan menggunakan lima variabel kombinasi RFM dan K-Means, diperoleh jumlah cluster yang optimal adalah sebanyak lima cluster. Masing-masing cluster mempunyai kecenderungan penggunaan layanan dan peningkatan score RFM yang berbeda. Cluster ketiga merupakan cluster potensial untuk diberikan program customer development karena mempunyai karakteristik penggunaan layanan data dan VAS lebih banyak dibanding cluster lainnya. Selain itu, program customer development diberikan juga kepada cluster lain yang cenderung menggunakan layanan tertentu. RFM, K-Means, Customer Development, Flexi Trendy