Klik di sini untuk melihat video penelitian⁠

 

Perilaku pelanggan dalam bisnis ritel dapat berubah dari waktu ke waktu mengikuti pola dan frekuensi transaksi. Oleh karena itu, segmentasi pelanggan perlu diperbarui secara berkala agar tetap mencerminkan kondisi dan kebutuhan konsumen. Penelitian oleh Daniel Loedijanto mengeksplorasi pendekatan machine learning berbasis clustering untuk mengembangkan sistem segmentasi pelanggan yang lebih adaptif terhadap perubahan data transaksi.

Penelitian ini mengembangkan metode Time Fuzzy C-Means (TFCM) dengan memanfaatkan pendekatan Recency, Frequency, Monetary (RFM). Ketiga indikator tersebut digunakan untuk mengelompokkan pelanggan berdasarkan waktu transaksi terakhir, frekuensi pembelian, dan nilai transaksi. Berbeda dari pendekatan segmentasi konvensional yang cenderung mempertahankan struktur klaster sebelumnya, TFCM dirancang untuk membangun kembali klaster pada setiap siklus dengan mempertimbangkan perubahan data dan kemungkinan jumlah klaster yang berbeda.

Pendekatan ini memungkinkan segmentasi pelanggan menyesuaikan pola transaksi terbaru tanpa sepenuhnya mengabaikan struktur segmentasi pada periode sebelumnya. Dengan demikian, hasil pengelompokan diharapkan dapat mengikuti perubahan perilaku pelanggan secara lebih fleksibel.

Penelitian ini menunjukkan potensi penerapan machine learning dalam mendukung pengelolaan data pelanggan yang dinamis. Khususnya pada sektor ritel, pendekatan TFCM dapat membantu bisnis memahami perubahan perilaku konsumen dan menyesuaikan strategi penjualan berdasarkan segmentasi pelanggan yang lebih relevan.

Lihat video penelitian selengkapnya di Instagram:
https://www.instagram.com/reel/DeycfVmx3Wn/?utm_source=ig_web_copy_link&xtok=MzRlODBiNWFlZA==&srtk=MzRlODBiNWFlZA==