kontan.co.id
banner langganan top
| : WIB | INDIKATOR |
KOLOM / bigdata

Mengetahui perilaku belanja konsumen

oleh Feris Thia - Praktisi Teknologi Big Data Universitas Multimedia Nusantara


Jumat, 19 Juni 2015 / 10:00 WIB
Mengetahui perilaku belanja konsumen

Reporter: Feris Thia | Editor: tri.adi

Ibu Rini yang bekerja sebagai staf inventori pada perusahaan retail X sedang bingung. Penyebabnya banyak stok yang dikembalikan oleh toko cabang karena kurang laku. Yang dikembalikan hanya warna tertentu untuk satu produk aksesoris. Warna lain laku terjual.

Pada divisi lain, Pak Rahma yang bekerja sebagai staf pemasaran juga sedang mengevaluasi performa penjualan yang tidak bagus. Padahal promosi dan iklan telah gencar dilakukan.

Kedua masalah ritel di atas sangat umum terjadi. Apa solusinya? Beruntung, dengan menganalisis data transaksi penjualan, data inventori dan data pelanggan menggunakan software data mining, kita bisa mengatasi problem tersebut.


Shopping basket analysis

Shopping atau market basket analysis adalah salah satu analisis yang bisa dilakukan oleh data mining untuk menganalisis kombinasi produk apa saja yang biasa dibeli pelanggan pada waktu yang sama. Hasil analisis ini dapat memberikan gambaran kepada store manager paket kombinasi produk yang memiliki daya tarik paling besar bagi pelanggan.

Dari sisi inventori, kita bisa mencari kemungkinan item yang kurang laku menjadi sangat menarik dan memiliki nilai lebih jika dipasangkan dengan item lain dalam satu paket.


Segmentasi pelanggan

Saat ini perusahaan retail gencar menggelar program loyalitas dengan tujuan menjaga customer. Mereka memberikan kartu membership pada pelanggan untuk menyimpan poin dari transaksi belanja yang dilakukan. Poin itu bisa dipakai sebagai pengganti nilai belanja.

Dengan program ini, data pelanggan dan apa saja yang pernah dibelanjakan dapat digunakan perusahaan ritel untuk mengenal lebih jauh perilaku pelanggannya. Melalui identifikasi perilaku, bagian CRM bisa melakukan segmentasi pelanggan berdasarkan data buying behavior. Contoh segmentasi, wanita single umur 17-25 tahun, wanita menikah 20-25 tahun, pria profesional umur 30-40 tahun, dan lain-lain.

Segmentasi yang jelas ini memberikan kita kesempatan memberikan respons lebih baik dan intim kepada pelanggan, dan ujung-ujungnya memberi kenyamanan dan meningkatkan loyalitas. Contoh respons yang biasa dilakukan adalah mengirim SMS campaign khusus untuk segmen tersebut.


Analisis keputusan

Analisis jenis lain yang bisa dilakukan adalah melakukan analisis faktor utama atau key influencers apa yang menjadi penentu yang akhirnya membuat pelanggan melakukan pembelian. Apa itu model, warna, brand, harga atau bahan? Apakah itu berlaku nasional atau untuk cabang tertentu saja?

Dari masalah Ibu Rini di atas, ternyata atribut-atribut tadi sangat menentukan. Tapi yang mana? Karena ini penting untuk merencanakan inventori kita agar mengurangi masalah-masalah stok secara signifikan.


Kesimpulan

Untuk memenangi kompetisi bisnis, kita harus memahami setiap pelanggan lebih mendalam dan intim. Dengan pemahaman ini, kita mampu melakukan identifikasi, respons yang lebih baik, sekaligus memecahkan berbagai problem bisnis.

Di industri ritel yang mencatat lengkap data transaksi, produk, dan pelanggan, peluang melakukan ini terbuka. Dengan menggunakan software data mining, kita mengetahui faktor utama pelanggan membeli, paket produk apa saja yang bisa meningkatkan penjualan, dan kita dapat mengidentifikasi kelompok pelanggan yang ingin disasar untuk campaign tertentu.

Kenapa dengan software data mining? Yang utama, analisa perilaku melibatkan kombinasi data sangat besar dan tidak cocok diperiksa manusia satu per satu. Cara manual juga bisa menghasilkan analisa yang bias. Untungnya, kini banyak tersedia aplikasi data mining. Jadi, kenapa tidak manfaatkan untuk keuntungan bisnis Anda?



TERBARU

×