Data Science in Marketing: Customer Segmentation
Module Description
Seluruh bisnis atau badan usaha baik itu bisnis kecil, menengah maupun besar pasti memiliki customer atau pelanggan. Pelanggan memiliki karakter spesifik, misalkan wanita dewasa (berumur di atas 17 tahun). Namun sebenarnya karakteristik itu bisa dibagi lagi lebih detail berdasarkan profesi, misalkan ibu rumah tangga dan wanita karir. Dan itu masih dibagi lagi lebih detail berdasarkan total pembelanjaan selama setahun, provinsi tempat tinggal, dan lain-lain.
Semakin kita mengenali karakteristik pelanggan kita, maka akan semakin mudah kita melakukan inovasi produk dengan kebutuhan karakter tersebut dan melakukan komunikasi pemasaran. Proses pembagian karakteristik pelanggan ini disebut dengan segmentasi pelanggan atau customer segmentation. Jika proses ini dilakukan terhadap data customer yang kita miliki secara manual, akan sulit dan memakan waktu jika dilakukan secara manual terutama dengan jumlah dan variasi data yang besar.
Beruntung saat ini sudah banyak proses otomatisasi untuk melakukan customer segmentation menggunakan berbagai algoritma machine learning. Dua diantaranya adalah k-means dan k-modes. Course "Data Science in Marketing: Customer Segmentation" ini akan berfokus pada pemahaman dan penggunaan kedua algoritma tersebut dengan pendekatan praktek menggunakan bahasa pemrograman R.
Learning Outcomes
Dengan menyelesaikan course ini, Anda akan mampu menyusun model k-means dan k-modes untuk menghasilkan customer segmentation menggunakan R dengan detail pengetahuan dan keterampilan sebagai berikut:
- Memahami apa itu customer segmentation dalam penggunaannya di dunia bisnis.
- Mampu membaca dan mempersiapkan data profil pelanggan.
- Mampu menghasilkan model customer segmentation dengan algoritma k-means dan k-modes.
- Mengoperasionalkan model sehingga dapat digunakan sehari-hari oleh bisnis.
Chapters
1. Customer Segmentation
Apa itu Customer Segmentation?
- Selamat Datang
- Marketing and Customer Segmentation (Business Case)
- Kenapa Customer Segmentation Penting
- Kenapa Perlu Bantuan Algoritma untuk Customer Segmentation?
- Kesimpulan
2. Persiapan Data
Persiapan Data itu penting! Kita akan mempelajari mempersiapkan data agar siap digunakan untuk menganalisis lebih lanjut.
- Pengantar
- Dataset Customer Segments
- Membaca data dengan fungsi read.csv
- Vector untuk Menyimpan Nama Field
- Konversi Data dengan data.matrix
- Menggabungkan Hasil Konversi
- Menormalisasikan Nilai Belanja
- Membuat Data Master
- Kesimpulan
3. Clustering dan Algoritma K-Means
- Apa itu Clustering dan algoritma K-Means?
- Video: Clustering with k-means
- Fungsi kmeans
- Analisa Hasil Clustering Vector
- Analisa Hasil Cluster Size
- Melihat Data pada Cluster ke-N
- Analisa Hasil Cluster Means
- Analisa Hasil Sum of Squares
- Available Components
- Kesimpulan
4. Menentukan Jumlah Cluster Terbaik
Dari informasi yang dihasilkan oleh function kmeans, metrick Sum of Squares (SS) atau sering disebut Sum of Squared Errors (SSE) sangat penting untuk dijadikan dasar kita menentukan jumlah cluster yang paling optimal.
- Pengantar
- Video: Skema Cluster dan Elbow Effect
- Simulasi Jumlah Cluster dan SS
- Grafik Elbow Effect
- Kesimpulan
5. "Pemaketan" Model K-Means
Setelah berhasil mempersiapkan data, menggunakan algoritma kmeans, dan akhirnya bisa memutuskan jumlah cluster terbaik.
- Pengantar
- Menamakan Segmen
- Menggabungkan Referensi
- Menyimpan Objek dalam Bentuk File
- Kesimpulan
6. Mengoperasionalkan Model K-Means
Mengoperasionalkan Model K-Means
- Pengantar
- Data Baru
- Memuat Objek Clustering dari File
- Merge dengan Data Referensi
- Menentukan Cluster
- Kesimpulan
7. K-Modes
Updated Material for Customer Segmentation - Revision for k-means cases
- K-Modes
8. Penutup
Akhir dari pelajaran Machine Learning For Marketing: Customer Segmentation.
- Kesimpulan
- What Next?
Wahyu Herlambang
Senior Data Analyst
Traveloka
8 Chapters
33 Sub-babs
Premium
Details
Certificate of Completion