Segmentasi customer lifetime value menggunakan metode hubungan length recency frequency monetary Dan algoritma clustering expectation maximization

INDONESIA:

Pelanggan merupakan aset penting bagi setiap perusahaan. Memahami nilai pelanggan dan melakukan segmentasi pelanggan yang efektif menjadi kunci untuk meningkatkan profitabilitas dan loyalitas pelanggan. Penelitian ini bertujuan untuk melakukan segmentasi customer lifetime value bernilai tinggi dengan menggunakan metode hubungan length, recency, frequency, monetary dan algoritma expectation maximization clustering. Variabel length, recency, frequency dan monetary digunakan untuk mengukur nilai pelanggan berdasarkan durasi hubungan length, frekuensi pembelian recency, frekuensi transaksi frequency, dan nilai transaksi monetary. Algoritma expectation maximization kemudian digunakan untuk mengelompokkan pelanggan ke dalam segmen-segmen yang homogen berdasarkan nilai customer lifetime value mereka. Dengan 7988 data pelanggan dan 4 variabel yang sudah dijelaskan, yaitu length, recency, frequency dan monetary. Penelitian ini mengelompokkan menjadi 4 cluster yang ditentukan dengan menggunakan metode silhouette score. Pengclusteran disimulasikan menggunakan framework flask dengan bahasa pemrograman python 3. Dari hasil simulasi diperoleh cluster 0 dengan nilai loyal terdapat 1135 pelanggan, cluster 1 dengan nilai potential terdapat 2873, cluster 2 dengan nilai general & low value terdapat 3149 pelanggan serta cluster 3 dengan nilai important terdapat 731 pelanggan.

ENGLISH:

Customers are crucial assets for every company. Understanding customer value and effectively segmenting customers is key to enhancing profitability and customer loyalty. This study aims to segment high-value customer lifetime value using the length, recency, frequency, monetary relationship method, and expectation maximization clustering algorithm. Variables such as length (relationship duration), recency (purchase frequency), frequency (transaction frequency), and monetary (transaction value) are used to measure customer value. The expectation maximization algorithm is then employed to cluster customers into homogeneous segments based on their customer lifetime value. With 7988 customer data and the aforementioned 4 variables, namely length, recency, frequency, and monetary, the study identifies 4 clusters determined using the silhouette score method. Clustering was simulated using the Flask framework with Python 3 programming language. Results from the simulation reveal Cluster 0 with 1135 customers characterized as loyal, Cluster 1 with 2873 customers identified as potential, Cluster 2 with 3149 customers categorized as general & low value, and Cluster 3 with 731 customers identified as important.

ARABIC:

وولاء العملاء. تهدف هذه الدراسة إلى تقسيم قيمة عمر العميل ذات القيمة العالية باستخدام أسلوب العلاقة بين الطول والحداثة والتردد والقيمة المالية وخوارزمية تجميع التوقعات القصوى. يتم استخدام متغيرات مثل الطول (مدة العلاقة) والحداثة (تواتر الشراء) والتردد (تواتر المعاملة) والمالية (قيمة المعاملة) لقياس قيمة العميل. ثم يتم استخدام خوارزمية التوقعات القصوى لتجميع العملاء في قطاعات متجانسة بناءً على قيمة عمر العميل لديهم. باستخدام بيانات ٧٩٨٨ عميلًا والمتغيرات الأربعة المذكورة أعلاه ، وهي الطول والحداثة والتردد والمالية ، تحدد الدراسة ٤ مجموعات يتم تحديدها باستخدام طريقة درجات الصورة الظلية (Silhouette score). تمت محاكاة التجميع باستخدام إطار Flask مع لغة البرمجة Python ٣. تكشف نتائج المحاكاة عن المجموعة ٠ التي تضم ١١٣٥ عميلًا يتميزون بالولاء ، والمجموعة ١ التي تضم ٢٨٧٣ عميلًا تم تحديدهم كعملاء محتملين ، والمجموعة ٢ التي تضم ٣١٤٩ عميلًا تم تصنيفهم كعملاء عامين وقليلة القيمة ، والمجموعة ٣ التي تضم ٧٣١ عميلًا تم تحديدهم كعملاء مهمين.