Data Mining Customer - Pengenalan Data Pemodelan

Judulnya keren ya. In English. Pengennya sih isinya juga bahasa Inggris. Tapi yasudahlah, bahasa yang gue banyak mengerti ya bahasa Indonesia toh campur-campur juga. Gue kuliah mengambil jurusan statistika. Kemudian bekerja di job role yang memang banyak berkutat dengan data, analisis dan statistika lah pokoknya. Salah satu pokok dalam kerjaan gue adalah membuat model yang digunakan untuk memprediksi hal-hal yang berkaitan dengan customer. Model di sini bukan model yang ada di restoran palembang, yang itu enak sih tapi beda banget. Model yang gue maksud di sini lebih ke formula matematika dimana kombinasi dari beberapa faktor untuk memprediksi customer. Istilahnya sih menebak perilaku customer. Sebagai contoh kasus di minimarket, dapat dibuat suatu model untuk memprediksi preferensi pembelian barang yang dikonsumsi customer. Misalnya jika customer perempuan membeli sabun mandi dan sabun cuci, kemungkinan besar dia akan membeli pasta gigi (cuma misal loh).

Nah, dari ilustrasi di atas yang menjadi faktor adalah barang-barang yang dikonsumsi customer (sabun cuci, sabun mandi, dll) dan jenis kelaminnya sedangkan yang diprediksi adalah preferensi membeli pasta gigi. Ilustrasi ini biasa dinamakan cross-sell modelling. Dalam proses bisnis pemodelan customer biasanya faktor-faktor yang gue gunakan dalam model, gue bagi menjadi beberapa bagian, yaitu:

1. Demografi customer. Biasanya merupakan profile dari customer sendiri seperti jenis kelamin, tempat tinggal, usia, pendidikan, pekerjaan, pendapatan, dll.
2. Portofolio customer terhadap perusahaan. Biasanya ini berkaitan dengan koneksi customer dengan perusahaan dan bisa diperoleh jika customer sudah berlangganan dengan perusahaan. Sebagai contoh produk apa saja yang dimiliki, lamanya customer berhubungan dengan perusahaan, dll.
3. Transaksi customer. Faktor ini menjadi variabel paling powerfull untuk pemodelan. Banyak model yang bisa dengan hanya menggunakan variabel dari sisi transaksi dengan mengabaikan demografi dan portofolio customer. Contoh untuk transaksi customer yaitu penarikan tunai di ATM, pembelian pulsa, berapa lama penggunaan telepon, berapa kali penggunaan sms, dll.
4. Psikologi customer. Sebenarnya faktor ini sangat powerfull untuk memprediksi customer. Namun, sulitnya memperoleh data ini menyebabkan banyak statistician tidak menggunakan. Selain itu, perubahan psikologi yang sangat tidak stabil membuat harus ekstra hati-hati dalam penggunaan faktor ini. Contoh untuk variabel ini adalah kondisi emosional, tingkat stress, dll.

Dalam setiap proses pemodelan, mengenal data yang kita punya adalah hal yang sangat penting. Karena hal pertama setelah permasalahan muncul adalah bagaimana kita dapat memecahkan masalah dari data yang ada. Untuk Indonesia, tidak semua data tersedia dan valid. Hal ini yang harus diketahui dalam proses pemodelan.