KERANGKA PENGAMBILAN KEPUTUSAN UNTUK PEMASARAN PRESISI MENGGUNAKAN METODE RFM, ALGORITMA K-MEANS DAN DECISION TREE

Abstract

Pemasaran presisi memberikan kemampuan pada perusahaan untuk menawarkan produk-produk yang dibuat secara khusus kepada pelanggan dan memberikan kemampuan kepada perusahaan untuk menarik minat pelanggan dengan pesan-pesan pemasaran yang dibuat secara khusus. Penelitian ini menyajikan kerangka kerja pengambilan keputusan baru menggunakan teknik data mining. Pertama, penelitian ini menyajikan model tren untuk memprediksi secara akurat kuantitas pasokan bulanan; kedua, menggunakan model RFM (Recency,Frequency, Monetary) untuk memilih atribut untuk mengelompokkan pelanggan ke dalam kelompok sesuai history transaksi belanjanya; ketiga, menggunakan Algoritma K-Means untuk membuat clustering pelanggan berdasarkan data RFM masing-masing pelanggan, keempat, menggunakan Decision Tree untuk mengidentifikasi nilai atribut penting untuk membedakan kelompok pelanggan yang berbeda; dan akhirnya, dari proses data mining yang peneliti lakukan menciptakan berbagai strategi penawaran yang menargetkan setiap cluster pelanggan. Data penjualan dari Syifamart di Subang Jawa Barat, dikumpulkan dan digunakan dalam studi kasus untuk menggambarkan bagaimana mengimplementasikan kerangka yang diusulkan. Dari penelitian yang telah dilakukan menunjukan bahwa proses data mining dari history transaksi penjualan 351,158 rows, dengan agregasi berdasarkan pelanggan menggunakan metode RFM dan diekstraksi dengan menggunakan algoritma clustering k-means membentuk 4 (empat) cluster optimal. Keempat (empat) cluster tersebut diklasifikasikan dengan menggunakan algoritma decision tree sehingga Syifamart dapat mengetahui mana pelanggan potensial dan mana pelanggan yang tidak potensial. Untuk ketersediaan pasokan stok, manajemen memprediksi kebutuhan persediaan produk dengan menggunakan metode tren dimana stok di bulan selanjutnya di prediksi dengan menggunkana history penjualan di bulan sebelumnya.