Klasifikasi Cutomer Segmentasi

Latar Belakang

Pelanggan supermarket mempunyai kebiasan yang yang menunjukan pola pembelian berdasarkan pendidikan jumlah pendapatan dan masih banyak lagi, Customer segmentation adalah aktivitas mengelompokkan pelanggan berdasarkan katagori tertentu seperti perilaku, minat, demografi geografi, loyalitas, transaksi atau lainnya. Tujuan pengelompokkan ini untuk mempermudah bisnis menyusun strategi pemasaran yang lebih efektif.

Pada umumnya, hasil segmentasi pelanggan akan digunakan untuk membangun persona pemasaran. Diantaranya untuk untuk menentukan brand positioning, pesan brand yang akan disampaikan, hingga memperbaiki cara menjual

Project Idea

pada project ini saya ingin melakukan segmentasi pelanggan untuk mengetahui pada kelompok apa sebuah produk dapat maksimal melakukan strategi pemasaran yang lebih efektif sehingga tujuan dari penjualan dapat lebih di tingaktkan

Problem Scope

Pada project ini akan digunakan sebuah data data pelanggan supermarket yang diambil dari situs Kaggle dengan judul “marketing_campaign Dataset”. Dataset ini mengandung informasi sebagai berikut:

• ID : Unique ID for each customer
• Year_Birth : Birth year of the customer
• Education : Education level of the customer
• Marital_Status : Marital status of the customer
• Income : Annual income of the customer
• Kidhome : Number of young children in the household
• Teenhome : Number of teenagers in the household
• Dt_Customer : Date when the customer was enrolled
• Recency : Number of days since the last purchase
• MntWines : Amount spent on wines in the last 2 years
• MntFruits : Amount spent on fruits in the last 2 years
• MntMeatProducts : Amount spent on meat products in the last 2 years
• MntFishProducts : Amount spent on fish products in the last 2 years
• MntSweetProducts : Amount spent on sweet products in the last 2 years
• MntGoldProds : Amount spent on gold products in the last 2 years
• NumDealsPurchases : Number of purchases made with a discount
• NumWebPurchases : Number of purchases made through the web
• NumCatalogPurchases : Number of purchases made using a catalog
• NumStorePurchases : Number of purchases made directly in stores
• NumWebVisitsMonth : Number of visits to the website per month

Selanjutnya, kebutuhan pembuatan model machine learning mengunakan unsupervised learning untuk mengklasifikasi kelompok pelanggan pada suatu produk dengan menggnakan clustering menggunakan Kmeans

Output

Output dari project ini berupa dashboard analysis yang menampilkan kelompok customer pada sebuah produk untuk menganalisa pada kelompok mana promosi sebuah produk

Business Impact : pada project ini dapat menghasilkan clustering kelompok pada suatu produk sehingga dapat dilakukan strategi marketing yang cukup efektif sehingga penjualan suatu produk dapat di tingkatkan

Exploratory Data Analysis

Membaca Data

df <- read.csv("data_input/marketing_campaign.csv") 
head (df)

##   Unnamed..0   ID Year_Birth  Education Marital_Status Income Kidhome Teenhome
## 1          0 5524       1957 Graduation         Single  58138       0        0
## 2          1 2174       1954 Graduation         Single  46344       1        1
## 3          2 4141       1965 Graduation       Together  71613       0        0
## 4          3 6182       1984 Graduation       Together  26646       1        0
## 5          4 5324       1981        PhD        Married  58293       1        0
## 6          5 7446       1967     Master       Together  62513       0        1
##   Dt_Customer Recency MntWines MntFruits MntMeatProducts MntFishProducts
## 1  2012-09-04      58      635        88             546             172
## 2  2014-03-08      38       11         1               6               2
## 3  2013-08-21      26      426        49             127             111
## 4  2014-02-10      26       11         4              20              10
## 5  2014-01-19      94      173        43             118              46
## 6  2013-09-09      16      520        42              98               0
##   MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 1               88           88                 3               8
## 2                1            6                 2               1
## 3               21           42                 1               8
## 4                3            5                 2               2
## 5               27           15                 5               5
## 6               42           14                 2               6
##   NumCatalogPurchases NumStorePurchases NumWebVisitsMonth AcceptedCmp3
## 1                  10                 4                 7            0
## 2                   1                 2                 5            0
## 3                   2                10                 4            0
## 4                   0                 4                 6            0
## 5                   3                 6                 5            0
## 6                   4                10                 6            0
##   AcceptedCmp4 AcceptedCmp5 AcceptedCmp1 AcceptedCmp2 Complain Z_CostContact
## 1            0            0            0            0        0             3
## 2            0            0            0            0        0             3
## 3            0            0            0            0        0             3
## 4            0            0            0            0        0             3
## 5            0            0            0            0        0             3
## 6            0            0            0            0        0             3
##   Z_Revenue Response
## 1        11        1
## 2        11        0
## 3        11        0
## 4        11        0
## 5        11        0
## 6        11        0