Sabtu, 05 November 2016

Menambang Insight dari record transaksi – dengan teknik Recency Frequency Monetary - data minning (RFM)


RFM merupakan tools yang berguna untuk mendapatkan insight dari sejumlah data transaksi. Data transaksi biasanya akan memuat informasi mengenai ID customers, date purchase, Quantity, dan Amount nya
Sebelum lanjut, ada baiknya kamu mengerti sedikit mengenai RFM yaitu
http://www.ryerson.ca/~rmichon/mkt700/SPSS/RFM%20Analysis.htm
http://www.responseb2b.com/files/rfm.ppt
http://en.wikipedia.org/wiki/RFM
                 (The above definitions are from Wikipeida.)
http://www.slideshare.net/WhiteRavenPL/rfm-segmentation
untuk mempelajari dan memahami, kamu bisa menggunakan data berikut
http://www.brucehardie.com/datasets/
 

Cara Kerja Teknik RFM : Persiapan Data

Download lah yang http://www.brucehardie.com/datasets/CDNOW_sample.zip
Disitu akan terdapat 5 kolom yang masing-masing berikut
Each record in this file, 6919 in total, comprises five fields:
1.    the customer's ID in the master dataset,
2.    the customer's ID in the 1/10th sample dataset (ranging from 1 to 2357),
3.    the date of the transaction,
4.    the number of CDs purchased,
5.    and the dollar value of the transaction.

Cara Kerja Teknik RFM : Modifikasi Header

Untuk lebih jelasnya, penulis tambahkan header di file *.txt menjadi berikut
 

Cara Kerja Teknik RFM :Gunakan tools yang mumpuni


Mari kita bedah satu – persatu
Penulis menggunakan python, pandas, dan spyder dalam melakukan pengolahan data
 
Kita persempit dengan nama kolom id, tanggal, jumlah_cd, dan rupiah 
 
Penulis sengaja coloring yang berfokus pada  id

Cara Kerja Teknik RFM : Apa itu Recency

Adalah kapan terakhir customer tersebut melakukan pembelian

Cara Kerja Teknik RFM : Apa itu Frequency

Berapa kali melakukan pembelian? Dalam hal ini penulis menggunakan acuan data 1997 – 1998

Cara Kerja Teknik RFM : Apa itu Monetary

Berapa uang yang dihabiskan untuk melakukan pembelian

Cara Kerja Teknik RFM

Pada recency kurang begitu bagus! Kita ubah dengan aturan berikut
1997 menjadi 7
1998 menjadi 8
Bulan dan tanggal dibiarkan saja
Sehingga 19971212 mejadi 7+12+12 = 31
 
Semakin tinggi nilai recency maka customers semakin baik, karena last purcashing semakin baik
Berikut tampilan akhir nya
 
Yuk kita ploting datanya ke 3D
 
Biar bagus, kita lakukan normalisasi data saja agar nilainya 0 sampai 1
 

Cara Kerja Teknik RFM : Manfaatkan Teknik Clustering


Masih sulit, kita gunakan fcm – fuzzy cmeans clustering atau kmeans clustering atau histogram
Pada kasus berikut, penulis menggunakan fcm untuk melakukan clustering 3 kelompok menghasilkan berikut
Nilai center untuk masing-masing kelas – kelompok sebagai berikut
 
Kita bisa melakukan kelompok terhadap customers sebagai berikut
 
Maka ID customers berikut yang perlu diberikan hal lebih, misalkan lebih sering diberikan discount khusus, biar makin loyal!
 
Untuk kelas berikut nya diberikan discount biasa saja
 
Kalau kelas dibawah ini, perlu sekali diberikan penawaran menarik! Agar customers menjadi lebih ingin tertarik untuk membeli barang di toko
 
Bila ditilik dari jumlah maka,
 
Jadi sebagai marketing lebih bisa mengalokasikan resource dengan baik untuk menumbuhkembangkan kelompok no 2 karena nilai terendah yaitu 209 saja dengan jumlah konsumen paling banyak yaitu 2.357 orang.
“Penulis menggunakan bahasa python, pandas, numpy, matplotlib, dan sejumlah code yang dibuat sendiri. Kamu pun bisa menggunakan SQL daripada susah dalam mengolah data dalam bentuk tabel, kemudian anda harus melakukan clustering ataupun mapping dengan baik”
Kunjungi kami di : www.softscients.web.id



Posting Komentar