Myresearch


Penggunaan Metode Data Mining Untuk Membangun Profile Konsumen

Using Data Mining Method to Build Customer Profiles

Latar Belakang Riset

Personalisasi adalah Kemampuan untuk menyediakan isi dan pelayanan yang sesuai secara individual berbasiskan pada pengetahuan tentang sikap dan kebiasaan konsumen. Personalisasi merupakan salah satu komponen yang penting pada penjualan. Misalnya penerapan personalisasi pada web yang menyediakan buku,cd dan merekomendasikan stock penjualan pada mereka. Secara umum yang dimaksud personalisasi disini mempunyai kepentingan untuk bagaimana menyediakan saran secara personal berbasiskan kepada pengetahuan yang komprehensif tentang siapa si konsumen, bagaimana prilaku mereka, dan seberapa samanya mereka dengan konsumen lainnya, dan bagaimana meng-ekstrak pengetahuan ini dari data yang tersedia dan menyimpannya sebagai profil konsumen

Permasalahan Riset

Bagaimana mendapatkan informasi tentang profile konsumen dengan menerapkan berbagai algoritma data mining yang sesuai dengan informasi yang dicari atau mendapatkan informasi yang diinginkan dengan lebih akurat dengan menggunakan algoritma tertentu pada sebuah halaman web atau pada sebuah database tertentu.

Kontribusi Utama Riset

Dengan adanya personalisasi e-commerce atau perusahaan dapat menentukan apakah pelanggan mulai menghabiskan lebih banyak waktu (dan uang) di situs Web-nya atau ditempat pelanggan membeli suatu produk, apakah layanan personalisasi dapat menarik pelanggan baru, dan apakah loyalitas pelanggan akan meningkat dengan adanya personalisasi.

Metode pemecahan masalah

Membangun profile konsumen dilakukan dengan 2 tahap yaitu menetapkan aturan-aturan yang akan dikenakan tentang profile konsumen dan melakukan validasi pada data tentang konsumen.

aturan-aturan yang akan dikenakan tentang profile konsumen

Data tentang konsumen di klasifikasikan kedalam dua jenis yaitu

  1. Faktual (Siapa si konsumen)

Faktual data didalamnya berisi tentang informasi demographic seperti nama, jenis kelamin, tanggal lahir, alamat, jumlah pendapatan, nomor indentitas.

Faktual data dapat juga diperoleh dari transaksional data seperti minuman favorit konsumen A adalah fanta merah atau produk termahal yang dibeli konsumen A bulan lalu adalah Rp.500.000,-

  1. Transaksional (Apa yang dilakukan konsumen)

Transaksional data berisi tentang pembelian konsumen dalam periode tertentu seperti tanggal pembelian, produk yang dibeli, jumlah yang dibeli, jenis pembayaran yang digunakan, menggunakan kupon atau tidak, jumlah diskon yang didapat.

Profile konsumen model

Sebuah profile konsumen yang lengkap memiliki dua bagian yaitu :

  1. Faktual profile

Sama seperti faktual data diatas

  1. Prilaku profile

Sesuatu yang dilakukan konsumen dan seringkali datanya diambil dari data transaksi misalnya Ketika membeli sereal, konsumen A biasanya membeli susu dan diakhir pekan konsumen A biasanya menghabiskan lebih dari Rp.100.000,- pada bahan makanan.

Model prilaku konsumen dilakukan dengan menggunakan berbagai pendekatan metode seperti metode conjunctive, assosiasi dan metode classification.

Contoh untuk metode classification rule

Konsumen A seringkali membeli lemon juice disupermarket RiteAid. Spesifiknya 95 persen kejadian ketika membeli lemon juice konsumen A membelinya disupermarket RiteAid atau 2,4 persen dari semua transaksi belanja konsumen A dilakukan di RiteAid termasuk pembelian lemon juice.

Contoh untuk metode conjuctive rule

Model ini mengasumsikan bahwa konsumen menentukan tempat belanja dengan menggunakan tiga atribut (misalnya : luas, brand dan jenis pembayaran yang diterima) minimal luasnya 1000 m2 dengan cara conjuctive konsumen akan memilih supermarket B dan C karena keduanya memiliki luas lebih dari 1000 m2 Supermarket A dieliminasi karena luasnya kurang dari 1000 m2 .

Contoh untuk metode Association Rules

Support: adalah seberapa sering itemset tertentu terjadi dalam database

X => Y:       Bread => Juice is 50%

Tingkat kepercayaan terhadap X=>Y:

support (X U Y) / support (X)

The goal of mining association rules is generate all possible rules that exceed some minimum user-specified support and confidence thresholds

Pengembangan riset lebih lanjut

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s