Perpustakaan Digital ITB

Toko X yang bergerak di bidang semigrosir FMCG menghadapi tantangan dalam mengelola pelanggannya. Analisis menunjukkan adanya heterogenitas basis pelanggan, di mana sebagian bertransaksi rutin sementara lainnya memiliki keterikatan rendah. Sekitar 40% pelanggan memiliki resensi lebih dari satu bulan, termasuk pelanggan dengan nilai pembelian tinggi, Selain itu, rata-rata seluruh basis pelanggan hanya membeli 16,65% dari total produk yang tersedia. Permasalahan terkait disparitas perilaku pembelian, potensi churn, dan rendahnya penetrasi produk tersebut diatasi dengan merancang sistem retensi dan pengembangan pelanggan berbasis customer lifetime value (CLV) dan rekomendasi produk yang dipersonalisasi. CLV dihitung sebagai residual lifetime value (RLV), yaitu estimasi nilai transaksi dalam tiga bulan ke depan. Dengan data resensi, frekuensi, dan monetary setiap pelanggan, estimasi dilakukan secara berkala setiap akhir kuartal menggunakan gabungan model extended Pareto/NBD untuk memprediksi frekuensi transaksi dan gamma- gamma untuk memprediksi nilai moneter. Gabungan model ini memberikan hasil prediksi yang tergolong wajar, dengan nilai mean absolute error (MAE) sebesar Rp4.012.755 dan weighted mean absolute percentage error (WMAPE) sebesar 33,41%. Hasil estimasi digunakan untuk mengelompokkan pelanggan ke dalam empat klaster berdasarkan kombinasi probabilitas aktif dan nilai RLV, dengan klaster 1 dinamai champion customers, klaster 2 dinamai valuable at-risk customers, klaster 3 dinamai loyal low-spender customers, dan klaster 4 dinamai lost or low-value customers. Sebanyak 14,12% pelanggan teridentifikasi sebagai pelanggan bernilai tinggi (klaster 1 dan 2) yang menyumbang sekitar 80% dari total nilai RLV. Sementara itu, pelanggan baru dalam periode berjalan akan ditempatkan sementara dalam klaster 5 hingga siklus estimasi berikutnya. Strategi retensi dirancang berdasarkan segmentasi ini, yaitu poin loyalitas untuk mempertahankan pelanggan bernilai tinggi (klaster 1 dan 2), poin rekomendasi untuk pelanggan aktif bernilai rendah dan pelanggan baru (klaster 3 dan 5), serta voucher diskon untuk reaktivasi pelanggan berisiko churn (klaster 2 dan sebagian klaster 4). Selain itu, terdapat strategi pengembangan pelanggan melalui rekomendasi produk berbasis collaborative filtering pada klaster 1, 2, dan 3, serta berbasis popularitas global pada klaster 5. Dua pendekatan collaborative filtering yang digunakan adalah item-based dan user-based, dengan hasil evaluasi menunjukkan performa terbaik pada pendekatan user-based. Seluruh strategi diintegrasikan ke dalam prototipe sistem informasi berbasis Streamlit yang memungkinkan pemantauan, segmentasi, dan penyusunan program secara berkala.