Data Science in Marketing: Customer Segmentation

Daftar Sekarang

Data Science in Marketing: Customer Segmentation

Seluruh bisnis atau badan usaha – baik itu bisnis kecil, menengah maupun besar – pasti memiliki customer atau pelanggan. Pelanggan memiliki karakter spesifik, misalkan wanita dewasa (berumur di atas 17 tahun). Namun sebenarnya karakteristik itu bisa dibagi lagi lebih detail berdasarkan profesi, misalkan ibu rumah tangga dan wanita karir. Dan itu masih dibagi lagi lebih detail berdasarkan total pembelanjaan selama setahun, provinsi tempat tinggal, dan lain-lain.

Semakin kita mengenali karakteristik pelanggan kita, maka akan semakin mudah kita melakukan inovasi produk dengan kebutuhan karakter tersebut dan melakukan komunikasi pemasaran. Proses pembagian karakteristik pelanggan ini disebut dengan segmentasi pelanggan atau customer segmentation. Jika proses ini dilakukan terhadap data customer yang kita miliki secara manual, akan sulit dan memakan waktu jika dilakukan secara manual – terutama dengan jumlah dan variasi data yang besar.

Beruntung saat ini sudah banyak proses otomatisasi untuk melakukan customer segmentation menggunakan berbagai algoritma machine learning. Dua diantaranya adalah k-means dan k-modes. Course "Data Science in Marketing: Customer Segmentation" ini akan berfokus pada pemahaman dan penggunaan kedua algoritma tersebut dengan pendekatan praktek menggunakan bahasa pemrograman R.

Institusi DQLab
Subjek Data Science
Bahasa Bahasa Indonesia
Metode Full Online
Detail 8 Chapters, 33 Sub-babs
Sertifikasi Data Science in Marketing: Customer Segmentation

Silabus & Beban Materi Pengajaran

Buka semua

Customer Segmentation

  • Selamat Datang
  • Marketing and Customer Segmentation (Business Case)
  • Kenapa Customer Segmentation Penting
  • Kenapa Perlu Bantuan Algoritma untuk Customer Segmentation?
  • Kesimpulan

Persiapan Data

  • Pengantar
  • Dataset Customer Segments
  • Membaca data dengan fungsi read.csv
  • Vector untuk Menyimpan Nama Field
  • Konversi Data dengan data.matrix
  • Menggabungkan Hasil Konversi
  • Menormalisasikan Nilai Belanja
  • Membuat Data Master
  • Kesimpulan

Clustering dan Algoritma K-Means

  • Apa itu Clustering dan algoritma K-Means?
  • Video: Clustering with k-means
  • Fungsi kmeans
  • Analisa Hasil Clustering Vector
  • Analisa Hasil Cluster Size
  • Melihat Data pada Cluster ke-N
  • Analisa Hasil Cluster Means
  • Analisa Hasil Sum of Squares
  • Available Components
  • Kesimpulan

Menentukan Jumlah Cluster Terbaik

  • Pengantar
  • Video: Skema Cluster dan Elbow Effect
  • Simulasi Jumlah Cluster dan SS
  • Grafik Elbow Effect
  • Kesimpulan

"Pemaketan" Model K-Means

  • Pengantar
  • Menamakan Segmen
  • Menggabungkan Referensi
  • Menyimpan Objek dalam Bentuk File
  • Kesimpulan

Mengoperasionalkan Model K-Means

  • Pengantar
  • Data Baru
  • Memuat Objek Clustering dari File
  • Merge dengan Data Referensi
  • Menentukan Cluster
  • Kesimpulan

K-Modes

  • K-Modes

Penutup

  • Kesimpulan
  • What Next?

Informasi Pengajar

Belum / tidak ada data pengajar pada kursus ini

Dibuat dan dikembangkan di Jakarta, Indonesia Hak Cipta Dilindungi 2015 - 2020 Rencanamu ©
Rencanamu App

Platform Persiapan Kuliah & Karir No 1