Close | x
kontan.co.id
| : WIB | INDIKATOR |
  • USD/IDR14.436
  • SUN94,17 -0,23%
  • EMAS659.000 0,61%
KOLOM / bigdata

Mengidentifikasi segmen pelanggan

oleh Feris Thia - Founder of Lightora UMN Incubator

Senin, 30 November 2015 / 15:23 WIB

Mengidentifikasi segmen pelanggan


Identifikasi dan pengelompokan pelanggan telah diakui manfaatnya oleh dunia marketing. Dengan pengelompokan yang jelas seperti “Kelas Menengah yang Belum Menikah”, “Orang Tua Tunggal dengan Dua Anak”, dan lain-lain – maka para marketer dapat menyusun kampanye iklan yang sangat berbeda untuk tiap kelompok. Mulai dari produk atau kategori produk yang dijual, media penyampaian, isi iklan, dan waktu yang tepat. Dengan kampanye seperti ini, pelanggan merasa lebih dimengerti dan intim terhadap kita. Niscaya, target mencapai hasil bisnis yang maksimal dan mencapai pertumbuhan pelanggan akan sangat memungkinkan.

Salah satu contoh sumber dari luar disediakan oleh Claritas – sebuah perusahaan yang merupakan bagian dari Nielsen, sebuah perusahaan riset pemasaran ternama– setiap minggu memberikan daftar segmen yang dapat membantu para marketer di AS untuk melakukan pemasaran yang terencana dan terarah. Segmentasi ini telah dimanfaatkan oleh banyak perusahaan dan daftarnya dapat diakses di alamat http://www.claritas.com/MyBestSegments.

Sedangkan usaha untuk melakukan identifikasi secara internal terbukti cukup banyak tantangannya, selain dibutuhkan pengetahuan dan pengalaman marketer yang sudah lama berkecimpung di area yang sama, usaha sistematis untuk melakukan analisa data internal banyak dilakukan secara manual.


Tantangan identifikasi manual
Dengan cara manual, maka tiap detil data pelanggan seperti umur, lokasi tinggal, status telah menikah atau tidak, nilai penghasilan, dan lain-lain, perlu dikombinasikan satu persatu dan dilihat jumlah populasinya terhadap data total. Dengan data yang semakin beragam maka kombinasi yang dilakukan akan menjadi luar biasa besar dan membutuhkan waktu banyak sedangkan kampanye perlu dilakukan secepatnya.

Akhirnya, analisa yang dilakukan cenderung memilih pola pengelompokan sebelumnya. Ini tentunya best practice yang paling minimal risiko, namun berpotensi kehilangan kesempatan dalam mengidentifikasi potensi pasar baru.


Menggunakan teknologi data mining
Menyadari pentingnya analisa data pelanggan dan tantangan yang dihadapi, banyak penyedia teknologi mengeluarkan deretan produk yang masuk dalam kategori data mining untuk dapat membantu para analis di marketing dalam melakukan identifikasi yang komprehensif. Semakin hari produk ini semakin mudah digunakan.

Sebagai contoh, jika Anda sudah terbiasa melihat dan mengolah data pelanggan dengan Microsoft Excel maka tersedia plugin data mining dimana Anda tinggal mengklik menu “Detect Categories” dan Excel akan bekerja dengan produk Microsoft SQL Server untuk mengidentifikasi dan melaporkan jumlah kategori dan atribut demografik pelanggan yang signifikan.

Dan jika Anda terkesima dengan magic show yang ditunjukkan oleh produk data mining seperti ini dan ingin mengenal lebih jauh, maka Anda dapat berinteraksi lebih jauh dengan produk-produk data mining seperti Microsoft SQL Server Analysis Service, WEKA, R, RapidMiner, Azure Machine Learning, dan lain-lain.

Sebagian produk tersebut bersifat gratis dan sebagian bersifat cloud di mana Anda dapat melakukan aktivitas data mining di internet dengan suguhan contoh penggunaan yang banyak sekali. Dengan dibantu oleh teknologi yang tersedia luas, mudah digunakan ini niscaya bisnis Anda sudah siap menghadapi kompetisi dengan anggaran lebih efisien dan hasil lebih baik.

Reporter: Feris Thia
Editor: tri.adi

TERBARU
Hubungi Kami
Redaksi : Gedung KONTAN,
Jalan Kebayoran Lama No. 1119 Jakarta 12210.
021 5357636/5328134
moderator[at]kontan.co.id
Epaper[at]kontan.co.id
Iklan : Gedung KOMPAS GRAMEDIA Unit 2
Lt 2 Jl. Palmerah selatan 22-28
Jakarta Selatan 10740.
021 53679909/5483008 ext 7304,7306
2018 © Kontan.co.id All rights reserved
Sitemap | Profile | Term of Use | Pedoman Pemberitaan Media Siber | Privacy Policy

diagnostic_api_kiri = || diagnostic_api_kanan = || diagnostic_web =

Close [X]
×