Segmentasi Pelanggan B2b Berdasarkan Model Lrfmp Menggunakan Klasterisasi K-Means Dua Tahap Pada Perusahaan Logistik Di Indonesia B2b Customer Segmentation Based On Lrfmp Model Using Two-Stage K-Means Clustering In Logistic Company In Indonesia

Cahyani, Zaneta Nilam (2021) Segmentasi Pelanggan B2b Berdasarkan Model Lrfmp Menggunakan Klasterisasi K-Means Dua Tahap Pada Perusahaan Logistik Di Indonesia B2b Customer Segmentation Based On Lrfmp Model Using Two-Stage K-Means Clustering In Logistic Company In Indonesia. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
05211740000119-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (3MB) | Request a copy

Abstract

Pelanggan merupakan elemen yang krusial dalam sebuah bisnis. Bisnis harus mampu mengidentifikasi dan mendefinisikan dengan jelas pelanggan seperti apa yang menjadi sasaran utama perusahaan. Pengidentifikasian sasaran pelanggan dapat dilihat dari berbagai persepektif, seperti jenis produk yang dijual, pasar yang memungkinkan untuk dimasuki, dan lain-lain. Pendefinisian ini dilakukan pada awal bisnis, namun seiring berjalannya bisnis, perkembangan pelanggan juga harus tetap dipantau karena tidak menutup kemungkinan adanya perubahan pada pasar yang mengharuskan perusahaan untuk beradaptasi. Di tengah berjalannya bisnis, pengidentifikasian pelanggan perusahaan dapat dilakukan dengan berbagai macam metode, salah satunya adalah segmentasi pelanggan. Hasil dari segmentasi pelanggan ini biasanya dipakai sebagai dasaran, oleh bagian pemasaran maupun penjualan pada perusahaan, untuk membuat strategi. PT XYZ merupakan sebuah perusahaan yang bergerak di industri logistik, mulai dari penyediaan layanan penyimpanan dan pengiriman barang hingga menjadi penyalur dari pemasok ke mitra bisnis. Perusahaan ini belum pernah melakukan segmentasi pelanggan pada lini bisnis yang akan dibahas pada tugas akhir ini, dikarenakan lini bisnis tersebut baru berjalan selama kurang lebih satu tahun. Tanpa pendefinisian segmen yang jelas, upaya perusahaan dalam membuat strategi pemasaran dan penjualan produknya dapat menjadi tidak efektif dan efisien. Klasterisasi merupakan salah satu teknik untuk melakukan pengelompokkan segmen pelanggan. Klasterisasi adalah teknik pengelompokkan data berdasarkan faktor keserupaannya. Klasterisasi terbukti sangat baik untuk mengelompokkan segmentasi pelanggan, hal ini dapat terlihat pada penelitian-penelitian sebelumnya yang berhasil menggunakan teknik klasterisasi untuk mengelompokkan segmentasi pelanggan. Pada tugas akhir ini, klasterisasi dilakukan menggunakan parameter model LRFMP untuk melakukan klasterisasi berdasarkan loyalitas dan nilai moneter pelanggan. Dalam implementasinya, metode klasterisasi yang akan digunakan adalah K-Means. K-Means merupakan salah satu metode klasterisasi yang mudah diimplementasikan dan cepat dalam penggunaannya. Dalam tugas akhir ini, digunakan klasterisasi dua tahap untuk mendapatkan wawasan yang lebih dalam dan presisi terkait segmentasi pelanggan yang dihasilkan. Tugas akhir ini bertujuan untuk menghasilkan segmentasi pelanggan PT. XYZ berdasarkan loyalitas dan nilai moneternya. Dengan adanya segmentasi pelanggan ini, diharapkan PT. XYZ dapat merumuskan strategi penjualan maupun pemasaran yang efektif dan juga efisien. Pada tugas akhir ini dihasilkan sebanyak enam segmentasi pelanggan berdasarkan variabel LRFMP, yaitu Loyal high-spending customers, High-spending new customers, Low-spending uncertain new customers, Low-spending potential uncertain customers, Low-spending uncertain lost customers, dan One-time-buying uncertain lost customers. ======================================================================================================= Customers are a crucial element in a business. Businesses must be able to identify and clearly define what kind of customers are the company's main targets. Identifying target customers can be seen from various perspectives, such as the type of product being sold, the possible market to enter, and so on. This definition should be done at the beginning of the business, but as the business progresses, customer developments must also be monitored because it does not rule out that there’s changes in the market that require companies to adapt. In the midst of running a business, identification of company customers can be done by various methods, one of which is customer segmentation. The results of this customer segmentation are usually used as a basis, by the marketing and sales department of the company, to make strategies. XYZ Inc. is a company engaged in the logistics industry, starting from providing storage and shipping services to being a distributor from suppliers to business partners. This company has never done customer segmentation in the line of business that will be discussed in this final project, because this line of business has only been running for about one year. Without a clear definition of segments, the company's efforts in making marketing strategies and selling their products can be ineffective and inefficient. Clustering is a technique for grouping customer segments by grouping data based on similarity factors. Clustering is proven to be very good for grouping customer segmentation, this can be seen in previous studies which used clustering techniques to classify customer segmentation. In this final project, clustering is carried out using the LRFMP model parameters to perform clustering based on customer loyalty and monetary value. In its implementation, the clustering method that will be used is K-Means. K-Means is a clustering method that is easy to implement and fast to use. In this final project, two-stage clustering is used to gain deeper insight and precision regarding the resulting customer segmentation. This final project aims to generate customer segmentation of XYZ Inc. based on loyalty and monetary value. With this customer segmentation, it is expected that XYZ Inc. can map out even more effective and efficient sales and marketing strategies. In this final project, six customer segments were generated based on LRFMP variables, which are Loyal high-spending customers, High-spending new customers, Low-spending uncertain new customers, Low-spending potential uncertain customers, Low-spending uncertain lost customers, and One-spending uncertain lost customers. time-buying uncertain lost customers.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Segmentasi pelanggan, Klasterisasi dua tahap, K-Means, Model LRFMP, Customer segmentation, two-stage clustering, K-Means, LRFMP model Model
Subjects: H Social Sciences > HF Commerce > HF5415.127 Market segmentation. Target marketing
Q Science > Q Science (General) > Q325.5 Machine learning.
Q Science > QA Mathematics > QA278.55 Cluster analysis
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User: Zaneta Nilam Cahyani
Date Deposited: 22 Aug 2021 02:31
Last Modified: 22 Aug 2021 02:31
URI: https://repository.its.ac.id/id/eprint/88353

Actions (login required)

View Item View Item