Penerapan Unsupervised Learning untuk Pengelompokan Pelanggan E-Commerce

Posted on by Anisa Rahma Nasution
0

1. Apa itu Pengelompokan Pelanggan (Customer Segmentation)?

Pengelompokan pelanggan adalah proses membagi pelanggan ke dalam kelompok (segmen) berdasarkan kesamaan perilaku atau karakteristik. Dalam e-commerce, segmentasi membantu dalam:

  • Personalisasi promosi

  • Rekomendasi produk

  • Pengelolaan retensi pelanggan

  • Optimasi anggaran pemasaran

Unsupervised learning cocok dipakai karena tidak membutuhkan label — model menemukan pola secara otomatis.

2. Mengapa Unsupervised Learning?

Metode ini digunakan ketika:

  • Tidak ada ground truth segmen pelanggan

  • Data hanya menunjukkan perilaku/riwayat transaksi

  • Ingin menemukan pola tersembunyi dari data besar (behavioral pattern discovery)

Algoritma paling umum:

  • K-Means

  • Hierarchical Clustering

  • DBSCAN

  • Gaussian Mixture Model (GMM)

  • Dimensionality reduction (PCA, t-SNE, UMAP) untuk visualisasi

3. Contoh Fitur yang Digunakan untuk Segmentasi Pelanggan

E-commerce biasanya menggunakan 3 jenis variabel:

A. Data Transaksi (RFM Model)

  • Recency: terakhir kali melakukan pembelian

  • Frequency: seberapa sering membeli

  • Monetary: total nilai belanja

RFM adalah baseline paling populer.

B. Data Perilaku Aplikasi/Web

  • Waktu yang dihabiskan di aplikasi

  • Jumlah produk yang dilihat

  • Click-through rate (CTR)

  • Keranjang yang ditinggalkan (cart abandonment)

C. Demografi (opsional jika tersedia)

  • Usia

  • Lokasi

  • Jenis kelamin

4. Alur Penerapan Unsupervised Learning dalam E-Commerce

Langkah 1 — Data Preparation

  • Bersihkan data (handling missing values)

  • Normalisasi/standarisasi (z-score atau min-max)

  • Sampling bila data sangat besar

Langkah 2 — Feature Engineering

Contoh RFM:

Recency = hari sejak pembelian terakhir
Frequency = jumlah transaksi
Monetary = total belanja

Langkah 3 — Menentukan Jumlah Cluster

Metode umum:

  • Elbow Method (SSE)

  • Silhouette Score

  • Davies-Bouldin Index

Langkah 4 — Training Model

Contoh: K-Means

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=4, random_state=42)
kmeans.fit(X)
labels = kmeans.labels_

Langkah 5 — Evaluasi Hasil Cluster

  • Interpretasi pola tiap cluster

  • Visualisasi (PCA/t-SNE)

Langkah 6 — Integrasi ke Bisnis

Misalnya:

Segmen Ciri Perilaku Strategi
High-value, loyal Belanja besar dan rutin Program VIP, early access
New customers Baru sekali beli Welcome promo
Price-sensitive Belanja kecil, jarang Diskon & bundling
At-risk Lama tidak belanja Email retargeting

5. Contoh Studi Kasus Sederhana

Misalkan setelah K-Means, ditemukan 4 cluster:

Cluster 0 – Loyal High Spender

  • Frequency tinggi

  • Monetary tinggi

  • Recency rendah (baru belanja)

Strategi: hadiah loyalitas, rekomendasi premium.

Cluster 1 – At-Risk Customer

  • Recency tinggi (lama tidak beli)

  • Frequency & Monetary rendah

Strategi: retargeting, voucher re-activation.

Cluster 2 – New Customer

  • Frequency rendah

  • Monetary kecil

  • Recency rendah

Strategi: edukasi produk, onboarding, welcome coupon.

Cluster 3 – Budget Shoppers

  • Frequency sedang

  • Monetary rendah

Strategi: promo harga, diskon kampanye.

6. Manfaat Nyata bagi E-Commerce

  • ROI iklan meningkat karena kampanye lebih terfokus

  • Akurasi rekomendasi produk naik karena model memahami segmen

  • Retensi pelanggan meningkat

  • Optimalisasi stok berdasarkan perilaku belanja

Kode Python Ringkas: Customer Segmentation (RFM + K-Means)

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# ——————————————
# 1. Contoh Data (ganti dengan dataset Anda)
# ——————————————
# dataset harus berisi: customer_id, order_date, amount
df = pd.read_csv(“transactions.csv”, parse_dates=[“order_date”])

# ——————————————
# 2. Hitung RFM
# ——————————————
ref_date = df[“order_date”].max() + pd.Timedelta(days=1)

rfm = df.groupby(“customer_id”).agg({
“order_date”: lambda x: (ref_date – x.max()).days,
“customer_id”: “count”,
“amount”: “sum”
})

rfm.columns = [“Recency”, “Frequency”, “Monetary”]

# ——————————————
# 3. Normalisasi Data
# ——————————————
scaler = StandardScaler()
X = scaler.fit_transform(rfm)

# ——————————————
# 4. K-Means Clustering
# ——————————————
kmeans = KMeans(n_clusters=4, random_state=42)
rfm[“Cluster”] = kmeans.fit_predict(X)

# ——————————————
# 5. Lihat Hasil Cluster
# ——————————————
print(rfm.groupby(“Cluster”).mean())
print(rfm.head())

Apa yang dihasilkan?

  • Perhitungan RFM otomatis

  • Normalisasi dengan StandardScaler

  • Segmentasi menggunakan K-Means 4 cluster

  • Output berupa:

    • rata-rata Recency/Frequency/Monetary tiap cluster

    • data lengkap setiap pelanggan + cluster

Penerapan metode unsupervised learning dalam pengelompokan pelanggan e-commerce memberikan wawasan yang lebih mendalam mengenai perilaku konsumen tanpa memerlukan label data. Melalui pemodelan RFM dan algoritma seperti K-Means, perusahaan dapat mengidentifikasi segmen pelanggan secara lebih akurat dan otomatis. Hasil segmentasi ini kemudian dapat dimanfaatkan untuk meningkatkan efektivitas strategi pemasaran, personalisasi rekomendasi, dan retensi pelanggan. Dengan demikian, pendekatan ini tidak hanya memperkuat pengambilan keputusan berbasis data, tetapi juga mendorong peningkatan nilai bisnis secara keseluruhan.

Post Views: 116