Data Science in Marketing: Customer Segmentation
Daftar SekarangData 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.
Silabus & Beban Materi Pengajaran
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