Customer Segmentation merupakan suatu strategi pemasaran dengan mengelompokkan target pasar berdasarkan karakteristik yang serupa untuk bisa dikelola secara lebih efektif, sehingga dapat mencapai tujuan bisnis yang telah ditetapkan oleh perusahaan. Pada projek ini, akan dilakukan pengelompokkan pelanggan produk susu berdasarkan kemiripan karakteristik menggunakan metode klasterisasi K-Means.

Langkah-langkah penerapan metode K-Means untuk Customer Segmentation pada projek ini, antara lain:

  1. Mengaktifkan beberapa package R yang diperlukan.
  2. Melakukan eksplorasi data.
  3. Melakukan standardisasi data.
  4. Melakukan pereduksian dimensi menggunakan Principal Component Analysis (PCA).
  5. Menerapkan algoritma K-Means.
  6. Profiling hasil klasterisasi.

Mengaktifkan Package R

Berikut adalah beberapa package yang diperlukan.

library(tidyverse)
library(scales)
library(ggcorrplot) #Untuk Membuat Plot Korelasi
library(factoextra) #Untuk Clustering
library(FactoMineR) #Untuk PCA
library(rgl) #Untuk Membuat Plot 3D

Input Dataset

data_cust <- read.csv("E:/Portofolio/Portofolio 2/data_pelanggan_susu.csv")
head(data_cust)
##   MemberID NoChild tenure_months youngest_kid_age_join   recency frequency
## 1   336589       1     6.2094456              1.070500 89.500000         9
## 2   260165       1     6.8336756              1.229295 31.343056         4
## 3   232293       1     0.7227926              1.210130  5.461806         3
## 4    19982       1     1.2156057              1.442847 16.432639         2
## 5   185033       1     2.7268994              1.125257  9.195139         3
## 6   320637       1     2.2997947              1.097878 11.422222         1
##   avg_monthly_frequency monetary avg_monetary avg_interpurchase freq_last3mo
## 1                  2.25     1668     185.3333          11.12500            1
## 2                  2.00     1794     448.5000          12.33333            4
## 3                  3.00      648     216.0000           2.50000            3
## 4                  2.00      413     206.5000          12.00000            2
## 5                  1.50      834     278.0000          25.00000            3
## 6                  1.00      464     464.0000           0.00000            1
##   avg_consumption
## 1        8.555556
## 2       15.250000
## 3        9.333333
## 4        6.500000
## 5        9.000000
## 6       16.000000
colnames(data_cust)
##  [1] "MemberID"              "NoChild"               "tenure_months"        
##  [4] "youngest_kid_age_join" "recency"               "frequency"            
##  [7] "avg_monthly_frequency" "monetary"              "avg_monetary"         
## [10] "avg_interpurchase"     "freq_last3mo"          "avg_consumption"

Deskripsi Dataset

Dataset data_cust berisi riwayat pembelian suatu produk susu oleh setiap pelanggan yang tergabung dalam membership. Periode transaksi yang diambil selama 6 bulan (Juli hingga Desember 2019) dan ditarik pada 1 Januari 2020. Dataset ini memiliki 12 variabel (features) dengan keterangan sebagai berikut.

  • MemberID : ID pelanggan; bersifat unik
  • NoChild : Jumlah anak dari pelanggan
  • tenure_months : Lama menjadi pelanggan (bulan)
  • youngest_kid_age_join : Umur anak termuda ketika awal berlangganan (tahun)
  • recency : Lama transaksi terakhir dari tanggal penarikan data (hari)
  • frequency : Jumlah transaksi dalam 6 bulan terakhir
  • avg_monthly_frequency : Rataan jumlah transaksi per bulan yang ada transaksi aja
  • monetary : Total uang yang dibelanjakan (ribu rupiah)
  • avg_monetary : Rataan uang yang dibelanjakan setiap transaksi (ribu rupiah)
  • avg_interpurchase : Rataan jarak waktu antara transaksi dengan transaksi berikutnya (hari);(0=belum ada transaksi berikutnya/ belanja terus setiap hari)
  • freq_last3mo : Jumlah transaksi dalam 3 bulan terakhir
  • avg_consumption : Rataan berat pembelian produk susu setiap transaksi (ons)

Sumber Dataset: StarCore Analytics

Eksplorasi Data

Sebelum melakukan analisis lebih lanjut, perlu dilakukan eksplorasi data untuk menggali informasi yang termuat pada dataset data_cust.

dim(data_cust)
## [1] 5000   12
str(data_cust)
## 'data.frame':    5000 obs. of  12 variables:
##  $ MemberID             : int  336589 260165 232293 19982 185033 320637 308914 351130 294108 121798 ...
##  $ NoChild              : int  1 1 1 1 1 1 1 1 3 1 ...
##  $ tenure_months        : num  6.209 6.834 0.723 1.216 2.727 ...
##  $ youngest_kid_age_join: num  1.07 1.23 1.21 1.44 1.13 ...
##  $ recency              : num  89.5 31.34 5.46 16.43 9.2 ...
##  $ frequency            : int  9 4 3 2 3 1 1 9 6 7 ...
##  $ avg_monthly_frequency: num  2.25 2 3 2 1.5 1 1 1.8 2 1.4 ...
##  $ monetary             : int  1668 1794 648 413 834 464 276 2166 1489 2589 ...
##  $ avg_monetary         : num  185 448 216 206 278 ...
##  $ avg_interpurchase    : num  11.1 12.3 2.5 12 25 ...
##  $ freq_last3mo         : int  1 4 3 2 3 1 1 5 6 5 ...
##  $ avg_consumption      : num  8.56 15.25 9.33 6.5 9 ...
colSums(is.na(data_cust))
##              MemberID               NoChild         tenure_months 
##                     0                     0                     0 
## youngest_kid_age_join               recency             frequency 
##                     0                     0                     0 
## avg_monthly_frequency              monetary          avg_monetary 
##                     0                     0                     0 
##     avg_interpurchase          freq_last3mo       avg_consumption 
##                     0                     0                     0
sum(duplicated(data_cust))
## [1] 0

Dataset data_cust berisi riwayat pembelian produk susu oleh 5,000 pelanggan yang tergabung dalam membership. Setelah dilakukan pengecekan, data tidak memuat nilai kosong maupun data duplikat. Berikutnya, akan diselidiki statistik deskriptif dari setiap variabel untuk menggali beberapa informasi.

Visualisasi Data Jumlah Anak Pelanggan

#NoChild
data_cust |> 
  ggplot(aes(x = NoChild)) + 
  geom_bar() + 
  scale_x_continuous(breaks = seq(1, 10, by = 1)) + 
  scale_y_continuous(breaks = seq(0, 5000, by = 1000), 
                     labels = number_format(big.mark = ",")) +
  labs(x = "Number of Child") + 
  theme_bw() + 
  theme(
    panel.grid.minor = element_blank(), 
    panel.grid.major.x = element_blank()
  )

Berdasarkan grafik batang di atas, lebih dari 4,000 pelanggan produk susu memiliki jumlah anak 1. Sementara jumlah anak paling banyak yang dimiliki oleh pelanggan adalah 6.

Analisis Data Lama Berlangganan

#tenure_months
rata1 <- mean(data_cust$tenure_months)
data_cust |> 
  ggplot(aes(x = tenure_months)) + 
  geom_density(fill = "skyblue", alpha = 0.75) +
  geom_boxplot(width = 0.005) + 
  geom_point(x = rata1, y = 0, 
             inherit.aes = FALSE, color = "red")+
  scale_x_continuous(breaks = seq(0, 150, by = 10)) + 
  labs(x = "Tenure (month)") + 
  theme_bw() + 
  theme(panel.grid.minor = element_blank())

Berdasarkan plot di atas, terlihat bahwa distribusi data variabel tenure_month cenderung menjulur ke kanan. Kemudian, dari boxplot diperoleh informasi bahwa rata-rata pelanggan sudah berlangganan selama 12 bulan dan adapula pelanggan yang sudah berlangganan selama lebih dari 10 tahun.

Analisis Data Umur Anak Pelanggan

#youngest_kid_age_join
rata2 <- mean(data_cust$youngest_kid_age_join)
data_cust |> 
  ggplot(aes(x = youngest_kid_age_join)) + 
  geom_density(fill = "orange", alpha = 0.75) +
  geom_boxplot(width = 0.05) + 
  geom_point(x = rata2, y = 0, 
             inherit.aes = FALSE, color = "red")+
  scale_x_continuous(breaks = seq(0, 10, by = 1)) + 
  labs(x = "Youngest Kid Age when Join (year)") + 
  theme_bw() + 
  theme(panel.grid.minor = element_blank())

Dari plot di atas, dapat diperoleh informasi bahwa rata-rata umur anak pelanggan saat bergabung membership adalah 2 tahun. Namun, ada pula pelanggan yang baru bergabung ketika anaknya sudah berusia lebih dari 10 tahun.

Analisis Waktu Transaksi Terakhir

#recency
rata3 <- mean(data_cust$recency, na.rm = TRUE)
data_cust |> 
  ggplot(aes(x = recency)) + 
  geom_density(fill = "lightgreen", alpha = 0.75) +
  geom_boxplot(width = 0.0025) + 
  geom_point(x = rata3, y = 0,
             inherit.aes = FALSE, color = "red") +
  scale_x_continuous(breaks = seq(0, 100, by = 5)) +
  labs(x = "Recency (day)") + 
  theme_bw() + 
  theme(panel.grid.minor = element_blank())

Dari plot densitas, diketahui bahwa pelanggan yang melakukan transaksi terakhir pada 5 hari yang lalu memiliki frekuensi paling besar. Sementara berdasarkan boxplot, rata-rata pelanggan melakukan transaksi terakhir pada 26 hari yang lalu. Namun, terdapat pula pelanggan yang belum transaksi lagi selama lebih dari 90 hari.

Analisis Jumlah Transaksi Tiap Bulan

#avg_monthly_frequency
rata4 <- mean(data_cust$avg_monthly_frequency, na.rm = TRUE)
data_cust |> 
  ggplot(aes(x = avg_monthly_frequency)) + 
  geom_density(fill = "yellow", alpha = 0.75) +
  geom_boxplot(width = 0.1) + 
  geom_point(x = rata4, y = 0,
             inherit.aes = FALSE, color = "red") +
  scale_x_continuous(breaks = seq(0, 26, by = 2)) +
  labs(x = "Avg Monthly Visit") + 
  theme_bw() + 
  theme(panel.grid.minor = element_blank())

Berdasarkan plot di atas, diperoleh informasi bahwa rata-rata pelanggan bertransaksi sebanyak 2 kali dalam satu bulan. Namun, terdapat pula pelanggan yang bertransaksi lebih dari 20 kali dalam satu bulan.

Analisis Jumlah Uang yang Dibelanjakan

#avg_monetary
rata5 <- mean(data_cust$avg_monetary, na.rm = TRUE)
data_cust |> 
  ggplot(aes(x = avg_monetary)) + 
  geom_density(fill = "grey", alpha = 0.75) +
  geom_boxplot(width = 0.0005) + 
  geom_point(aes(x = rata5, y = 0),
             inherit.aes = FALSE, color = "red") +
  scale_x_continuous(
    breaks = seq(0, 10000, by = 500), 
    labels = number_format(big.mark = ",")
  ) +
  labs(x = "Avg Monetary (Ribu Rupiah)") + 
  theme_bw() + 
  theme(panel.grid.minor = element_blank())

Berdasarkan boxplot di atas, rata-rata pelanggan menghabiskan 500 ribu rupiah dalam sekali transaksi. Namun, tidak sedikit pula pelanggan yang menghabiskan lebih dari 1 juta rupiah dalam sekali transaksi.

Analisis Jarak Antartransaksi

#avg_interpurchase
rata6 <- mean(data_cust$avg_interpurchase, na.rm = TRUE)
data_cust |> 
  ggplot(aes(x = avg_interpurchase)) + 
  geom_density(fill = "red", alpha = 0.75) +
  geom_boxplot(width = 0.005) + 
  geom_point(x = rata6, y = 0,
             inherit.aes = FALSE, color = "red") +
  scale_x_continuous(breaks = seq(0, 200, by = 10)) +
  labs(x = "Avg Interpurchase (hari)") + 
  theme_bw() + 
  theme(panel.grid.minor = element_blank())

Dari plot di atas, rata-rata pelanggan membeli produk susu dalam rentang waktu 20 hari sekali. Namun, ada pula yang bertransaksi 6 bulan sekali.

Analisis Berat Produk Susu yang Dibeli

#avg_consumption
rata7 <- mean(data_cust$avg_consumption, na.rm = TRUE)
data_cust |> 
  ggplot(aes(x = avg_consumption)) + 
  geom_density(fill = "purple", alpha = 0.75) +
  geom_boxplot(width = 0.005) + 
  geom_point(x = rata7, y = 0,
             inherit.aes = FALSE, color = "red") +
  scale_x_continuous(breaks = seq(0, 200, by = 10)) +
  labs(x = "Avg Consumption (ons)") + 
  theme_bw() + 
  theme(panel.grid.minor = element_blank())

Berdasarkan plot di atas, rata-rata berat susu yang dibeli oleh pelanggan dalam satu kali transaksi adalah 20 ons atau kurang lebih 500 gram.

Korelasi Antarvariabel

data_cust |> 
  select(-MemberID) |>
  cor() |> 
  ggcorrplot(colors = c("green", "white", "red"), 
             hc.order = TRUE,
             lab = TRUE, lab_size = 3, digits = 1, 
             ggtheme = theme_bw())

Berdasarkan plot korelasi di atas, terlihat bahwa beberapa variabel memiliki korelasi yang tinggi, yaitu variabel frequency dengan avg_monthly_frequency, freq_last3mo dengan avg_monthly_frequency, frequency dengan freq_last3mo, dan avg_monetary dengan avg_consumption.

Tujuan analisis data pada projek ini adalah untuk mengelompokkan pelanggan berdasarkan kemiripan karakteristiknya. Dengan demikian, akan dibuat plot antar dua variabel untuk mengecek apakah terlihat adanya kelompok-kelompok dalam plot tersebut.

plot(data_cust$tenure_months, data_cust$frequency, xlab="Tenure (month)",
     ylab="Frequency")

plot(data_cust$frequency, data_cust$monetary, xlab="Frequency",
     ylab="Monetary (ribu rupiah)")

Dari plot variabel tenure_months dengan frequency, terlihat bahwa terdapat 2 klaster besar. Namun, pada plot antara variabel frequency dengan monetary tidak terlihat jelas berapa jumlah klaster yang dapat dibentuk. Jumlah variabel pada dataset data_cust cukup banyak, sehingga cukup sulit untuk memplotkan semua variabel secara bersamaan. Selain itu, berdasarkan plot korelasi terlihat bahwa beberapa variabel memiliki korelasi/hubungan yang erat. Oleh karena itu, perlu dilakukan pereduksian dimensi untuk memudahkan visualisasi data dan agar diperoleh model yang lebih baik.

Pereduksian Dimensi dengan PCA

Dataset data_cust memiliki 12 variabel. Untuk memudahkan dalam visualisasi, perlu dilakukan pereduksian dimensi menggunakan Principal Component Analysis (PCA).

Diketahui bahwa beberapa variabel memiliki satuan yang berbeda, seperti variabel tenure_months yang memiliki satuan bulan, sementara variabel monetary memiliki satuan ribu rupiah. Perbedaan satuan ini dapat berpengaruh dalam perhitungan jarak pada metode K-Means. Dengan demikian, perlu dilakukan standardisasi data agar setiap variabel memiliki skala yang sama.

Standardisasi Data

Pada bagian ini, nilai dari semua variabel distandardisasi sehingga semua variabel memiliki rata-rata 0 dan varians 1.

#Membuat Fungsi Standardisasi
std.scaling <- function(data){
  mean.data <- mean(data)
  sd.data <- sd(data)
  data.std <- (data-mean.data)/sd.data
  data.std
}
data_cust_std <- data.frame(sapply(data_cust[,-1], std.scaling))
summary(data_cust_std)
##     NoChild        tenure_months     youngest_kid_age_join    recency       
##  Min.   :-0.3959   Min.   :-1.0583   Min.   :-0.7644       Min.   :-1.0735  
##  1st Qu.:-0.3959   1st Qu.:-0.7472   1st Qu.:-0.6546       1st Qu.:-0.8122  
##  Median :-0.3959   Median :-0.3121   Median :-0.3455       Median :-0.3538  
##  Mean   : 0.0000   Mean   : 0.0000   Mean   : 0.0000       Mean   : 0.0000  
##  3rd Qu.:-0.3959   3rd Qu.: 0.5112   3rd Qu.: 0.2347       3rd Qu.: 0.4880  
##  Max.   : 8.8448   Max.   : 9.6768   Max.   : 7.1074       Max.   : 2.7486  
##    frequency       avg_monthly_frequency    monetary        avg_monetary    
##  Min.   :-0.9326   Min.   :-0.7336       Min.   :-0.9810   Min.   :-1.0067  
##  1st Qu.:-0.7701   1st Qu.:-0.7336       1st Qu.:-0.7151   1st Qu.:-0.5619  
##  Median :-0.2828   Median :-0.2871       Median :-0.2441   Median :-0.2540  
##  Mean   : 0.0000   Mean   : 0.0000       Mean   : 0.0000   Mean   : 0.0000  
##  3rd Qu.: 0.3670   3rd Qu.: 0.1593       3rd Qu.: 0.4185   3rd Qu.: 0.2340  
##  Max.   : 9.6263   Max.   :20.6961       Max.   :16.9709   Max.   :14.7815  
##  avg_interpurchase  freq_last3mo     avg_consumption  
##  Min.   :-0.9931   Min.   :-0.8328   Min.   :-0.9680  
##  1st Qu.:-0.5585   1st Qu.:-0.8328   1st Qu.:-0.5836  
##  Median :-0.2074   Median :-0.2641   Median :-0.1993  
##  Mean   : 0.0000   Mean   : 0.0000   Mean   : 0.0000  
##  3rd Qu.: 0.2930   3rd Qu.: 0.3047   3rd Qu.: 0.2235  
##  Max.   : 7.9066   Max.   :11.9633   Max.   :14.7132
sapply(data_cust_std, var)
##               NoChild         tenure_months youngest_kid_age_join 
##                     1                     1                     1 
##               recency             frequency avg_monthly_frequency 
##                     1                     1                     1 
##              monetary          avg_monetary     avg_interpurchase 
##                     1                     1                     1 
##          freq_last3mo       avg_consumption 
##                     1                     1
head(data_cust_std)
##      NoChild tenure_months youngest_kid_age_join    recency  frequency
## 1 -0.3958686    -0.5246504            -0.7083864  2.6615429  0.3669612
## 2 -0.3958686    -0.4704327            -0.5784588  0.2324203 -0.4452592
## 3 -0.3958686    -1.0011954            -0.5941398 -0.8485982 -0.6077033
## 4 -0.3958686    -0.9583920            -0.4037287 -0.3903640 -0.7701474
## 5 -0.3958686    -0.8271281            -0.6635838 -0.6926628 -0.6077033
## 6 -0.3958686    -0.8642244            -0.6859851 -0.5996411 -0.9325915
##   avg_monthly_frequency   monetary avg_monetary avg_interpurchase freq_last3mo
## 1             0.3825472 -0.3501893  -0.68678324        -0.4208159  -0.83276947
## 2             0.1593210 -0.3002326   0.08672806        -0.3586548   0.02030313
## 3             1.0522259 -0.7546006  -0.59664639        -0.8645170  -0.26405441
## 4             0.1593210 -0.8477738  -0.62456922        -0.3758027  -0.54841194
## 5            -0.2871314 -0.6808550  -0.41441320         0.2929642  -0.26405441
## 6            -0.7335838 -0.8275532   0.13228636        -0.9931261  -0.83276947
##   avg_consumption
## 1     -0.61780859
## 2     -0.10321671
## 3     -0.55802199
## 4     -0.77581606
## 5     -0.58364482
## 6     -0.04556534

Principal Component Analysis (PCA)

Setelah data distandardisasi, selanjutnya dapat dilakukan pereduksian dimensi menggunakan PCA.

hasil_pca <- PCA(data_cust_std, graph=FALSE)
get_eig(hasil_pca)
##        eigenvalue variance.percent cumulative.variance.percent
## Dim.1  3.33248410       30.2953100                    30.29531
## Dim.2  2.54514278       23.1376617                    53.43297
## Dim.3  1.21175985       11.0159986                    64.44897
## Dim.4  0.95670158        8.6972871                    73.14626
## Dim.5  0.93045509        8.4586826                    81.60494
## Dim.6  0.83226273        7.5660248                    89.17096
## Dim.7  0.59626098        5.4205543                    94.59152
## Dim.8  0.31213863        2.8376239                    97.42914
## Dim.9  0.17286930        1.5715390                    99.00068
## Dim.10 0.08543233        0.7766575                    99.77734
## Dim.11 0.02449264        0.2226603                   100.00000
#Menentukan Jumlah Komponen
fviz_screeplot(hasil_pca, addlabels = TRUE, ylim = c(0, 50))

Berdasarkan screeplot di atas, terlihat bahwa plot garis sebelah kiri dimensi 3 menurun dengan curam, sementara sebelah kanannya menurun dengan landai. Ini mengindikasikan bahwa jumlah komponen yang disarankan oleh analisis PCA adalah 3. Dengan mengambil 3 komponen sudah mewakili 64.45% dari keragaman data. Dengan demikian, komponen yang semula berjumlah 12 akan direduksi menjadi 3 komponen saja.

hasil_pca_ind <- get_pca_ind(hasil_pca)
head(hasil_pca_ind$coord)
##        Dim.1      Dim.2      Dim.3       Dim.4       Dim.5
## 1 -0.6570760 -1.2562312 -0.1214670 -1.34857181  0.89002181
## 2 -0.2024048 -0.3940485 -0.7590886 -0.46494866 -0.08255533
## 3  0.2782717 -1.5017927 -1.1247046 -0.42652400 -0.35086667
## 4 -0.6132915 -1.5114313 -0.8045434 -0.28139829 -0.46224213
## 5 -0.5630325 -0.9614877 -0.7122091 -0.05113088 -1.12192020
## 6 -1.1832669 -0.6578673 -1.4218015 -0.68854149 -0.33297978
data_cust_pca <- data.frame(hasil_pca_ind$coord[,1:3])
head(data_cust_pca)
##        Dim.1      Dim.2      Dim.3
## 1 -0.6570760 -1.2562312 -0.1214670
## 2 -0.2024048 -0.3940485 -0.7590886
## 3  0.2782717 -1.5017927 -1.1247046
## 4 -0.6132915 -1.5114313 -0.8045434
## 5 -0.5630325 -0.9614877 -0.7122091
## 6 -1.1832669 -0.6578673 -1.4218015

Dataset data_cust_pca adalah dataset yang digunakan untuk proses klasterisasi dengan metode K-Means.

Klasterisasi K-Means

K-Means merupakan salah satu metode klasterisasi untuk data tidak berlabel, di mana metode ini menggunakan rata-rata (means) dalam perhitungan centroid dari setiap klaster. Pada metode K-Means,jumlah kluster perlu ditentukan sebelum menjalankan algoritma. Pada konteks masalah segmentasi pelanggan produk susu ini, tidak diberikan aturan mengenai berapa jumlah klaster yang dibentuk. Oleh karena itu, jumlah klaster harus ditentukan terlebih dahulu.

dim(data_cust_pca)
## [1] 5000    3
head(data_cust_pca)
##        Dim.1      Dim.2      Dim.3
## 1 -0.6570760 -1.2562312 -0.1214670
## 2 -0.2024048 -0.3940485 -0.7590886
## 3  0.2782717 -1.5017927 -1.1247046
## 4 -0.6132915 -1.5114313 -0.8045434
## 5 -0.5630325 -0.9614877 -0.7122091
## 6 -1.1832669 -0.6578673 -1.4218015
colnames(data_cust_pca) <- c("Comp1", "Comp2", "Comp3")

Menentukan Jumlah Klaster Optimal

Terdapat beberapa metode statistik yang dapat digunakan untuk menentukan jumlah klaster optimal, antara lain Metode Elbow dan Silhouette.

#Elbow Method
fviz_nbclust(data_cust_pca, kmeans, method="wss")+
  geom_vline(xintercept =3 , linetype=2)+
  labs(subtitle="Elbow Method")

#Silhouette Method
fviz_nbclust(data_cust_pca, kmeans, method="silhouette")+
  labs(subtitle="Silhouette Method")

Berdasarkan Metode Elbow dan Metode Silhouette, diperoleh bahwa jumlah klaster optimal adalah 3. Berikutnya, dilakukan proses klasterisasi dengan jumlah klaster sebanyak 3.

set.seed(20)
hasil_kmeans = kmeans(data_cust_pca, 3)
hasil_kmeans$centers
##        Comp1      Comp2       Comp3
## 1 -0.5643658  2.5572804 -0.01067535
## 2  2.5617209 -0.2173728  0.08533642
## 3 -0.7605916 -0.6242329 -0.02756704
Cluster <- as.factor(hasil_kmeans$cluster)
head(Cluster)
## 1 2 3 4 5 6 
## 3 3 3 3 3 3 
## Levels: 1 2 3
df_hasil_kmeans <- cbind(data_cust_pca, as.data.frame(Cluster))
head(df_hasil_kmeans)
##        Comp1      Comp2      Comp3 Cluster
## 1 -0.6570760 -1.2562312 -0.1214670       3
## 2 -0.2024048 -0.3940485 -0.7590886       3
## 3  0.2782717 -1.5017927 -1.1247046       3
## 4 -0.6132915 -1.5114313 -0.8045434       3
## 5 -0.5630325 -0.9614877 -0.7122091       3
## 6 -1.1832669 -0.6578673 -1.4218015       3
ggplot(df_hasil_kmeans, aes(x=Comp1, y=Comp2, color=Cluster)) + 
  geom_point()

ggplot(df_hasil_kmeans, aes(x=Comp1, y=Comp3, color=Cluster)) + 
  geom_point()

ggplot(df_hasil_kmeans, aes(x=Comp2, y=Comp3, color=Cluster)) + 
  geom_point()

Dari plot 2D antara Comp1 dan Comp2, terlihat jelas pembagian klasternya. Sedangkan dari plot Comp1 dan Comp3, serta Comp2 dan Comp3 pembagian klasternya terlihat tumpang tindih.

Berikut, diberikan plot 3D untuk memvisualisasikan hasil klasterisasi dengan melibatkan ketiga komponen.

#Plot 3D
plot3d(x=df_hasil_kmeans$Comp1, y=df_hasil_kmeans$Comp2, z=df_hasil_kmeans$Comp3,
       col=df_hasil_kmeans$Cluster,
       type="s",
       radius=0.5,
       xlab="Component 1",
       ylab="Component 2",
       zlab="Component 3")

#Add Legend
k <- sort(unique(df_hasil_kmeans$Cluster))
legend3d(x=0.8, y=0.5, legend=k, title="Cluster", col=k, pch=16)

Profiling Hasil Klasterisasi

data_cust <- cbind(data_cust, as.data.frame(Cluster))
head(data_cust)
##   MemberID NoChild tenure_months youngest_kid_age_join   recency frequency
## 1   336589       1     6.2094456              1.070500 89.500000         9
## 2   260165       1     6.8336756              1.229295 31.343056         4
## 3   232293       1     0.7227926              1.210130  5.461806         3
## 4    19982       1     1.2156057              1.442847 16.432639         2
## 5   185033       1     2.7268994              1.125257  9.195139         3
## 6   320637       1     2.2997947              1.097878 11.422222         1
##   avg_monthly_frequency monetary avg_monetary avg_interpurchase freq_last3mo
## 1                  2.25     1668     185.3333          11.12500            1
## 2                  2.00     1794     448.5000          12.33333            4
## 3                  3.00      648     216.0000           2.50000            3
## 4                  2.00      413     206.5000          12.00000            2
## 5                  1.50      834     278.0000          25.00000            3
## 6                  1.00      464     464.0000           0.00000            1
##   avg_consumption Cluster
## 1        8.555556       3
## 2       15.250000       3
## 3        9.333333       3
## 4        6.500000       3
## 5        9.000000       3
## 6       16.000000       3
aggregate(data_cust[,-c(1,13)], by=list(Cluster=Cluster), FUN=mean)
##   Cluster  NoChild tenure_months youngest_kid_age_join  recency frequency
## 1       1 1.474435      19.42727              1.760106 25.79228  5.063020
## 2       2 1.254795      12.84228              1.635247 10.83848 15.247489
## 3       3 1.128264      10.06826              2.092215 31.11401  4.161554
##   avg_monthly_frequency monetary avg_monetary avg_interpurchase freq_last3mo
## 1              1.330083 4461.820     939.8463          33.28153     2.665874
## 2              3.146819 4510.100     311.9642          10.77290     8.717808
## 3              1.482860 1326.782     314.2800          18.51815     2.563642
##   avg_consumption
## 1        36.71881
## 2        12.26540
## 3        12.61512

Perbedaan signifikan dari karakteristik setiap klaster ditunjukkan pada variabel tenure_months, recency, dan avg_interpurchase. Untuk variabel yang lain, nilai dari setiap klaster tidak jauh berbeda. Dari hasil klasterisasi K-means tersebut, diperoleh Customer Segmentation dari data pelanggan susu sebagai berikut.

  • Cluster 1: Pelanggan yang sudah lama bergabung, belum lama ini bertransaksi, dan memiliki rentang antartransaksi jauh.
  • Cluster 2: Pelanggan yang sudah bergabung sekitar 1 tahun, baru saja bertransaksi, dan memiliki rentang antartransaksi dekat.
  • Cluster 3: Pelanggan yang baru bergabung, sudah lama tidak bertransaksi, dan memiliki rentang antartransaksi sekitar 20 hari.