Pembukaan

Halo apa kabar? Kembali bertemu lagi dengan saya Salomo teman kalian yang baik hati (iya, baik). Pada kesempatan kali ini saya kembali melakukan beberapa analisis dan kali ini berkaitan dengan marketing. Awalnya ingin membuat sesuatu yang berhubungan dengan digital marketing dan data science sih, tapi hal tersebut kurang dapat diwujudkan karena saya masih malas untuk gather data-data digital marketing. Ohya, alasan saya membuat ini juga karena saya baru saja lulus dari Revou Digital Marketing Course (yippiiieee!!!), setelah melewati 3 bulan sleepless night akhirnya saya lewati juga.

Tujuan saya membuat tulisan ini adalah untuk mendemokan kemampuan yang sudah saya dapat dari kelas digital marketing dan ingin saya kombinasikan dengan ilmu data science yang sebelumnya sempat saya pelajari. Terutama dalam melakukan profiling konsumen hingga sampai menentukan channel atau campaign mana yang paling efektif. Data yang saya gunakan adalah data yang saya dapat dari Kaggle yaitu data sebuah perusahaan dari tahun 2012 sampai 2014.

Without further ado let’s get started (bahasanya sudah mirip influencer crypto di Youtube belum? wkwkwkwk)

EDA

Data

Seperti yang telah disebutkan sebelumnya, data yang saya gunakan adalah data sebuah perusahaan yang dapat didownload dari Kaggle untuk melakukan analisis pemasaran. Data tersebut sebenarnya agak sedikit “kotor” karena terdapat 24 NAs data dan beberapa categorical variable kurang relevan. Tapi untuk data yang kita pakai sekarang sudah saya bersihkan sehingga tinggal dipakai.

Dalam pemasaran kita mengenal istilah 4P yaitu People, Products, Places dan Promotions. Data yang kita miliki ini akan kita bagai per masing-masing kategori tersebut.

People Variables

##  [1] "Education"      "Marital_Status" "Kidhome"        "Teenhome"      
##  [5] "Complain"       "Country"        "Year_Birth"     "Income"        
##  [9] "Dt_Customer"    "Recency"

Kategori People berisi informasi dari konsumen yang bersifat personal seperti pendidikan, status pernikahan, jumlah anak, asal negara, tahun kelahiran, pendapatan hingga kapan terakhir konsumen tersebut melakukan log in pada website. Data ini sangat penting untuk mengetahui profile dari para konsumen.

Products Variables

## [1] "MntWines"         "MntFruits"        "MntMeatProducts"  "MntFishProducts" 
## [5] "MntSweetProducts" "MntGoldProds"

Kategori Products berisi informasi mengenai produk-produk yang telah terjual kepada para konsumen. Data ini berguna untuk selain untuk pemasaran, juga untuk warehouse management. Hal tersebut karena ada beberapa produk yang memiliki tenggat waktu misalnya buah-buahan, daging dan ikan yang bisa saja busuk dalam hitungan jam.

Places Variables

## [1] "NumWebPurchases"     "NumCatalogPurchases" "NumStorePurchases"  
## [4] "NumWebVisitsMonth"

Kategori Places berisi informasi konsumen membeli barang menggunakan channel apa. Dalam data ini terdapat 3 channel yaitu Web, Store dan Catalog. Nanti kita akan melihat channel mana yang lebih efektif dalam mendatangkan konsumen sehingga kita bisa menentukan apa yang harus dilakukan ke depannya.

Promotions Variables

## [1] "AcceptedCmp3"      "AcceptedCmp4"      "AcceptedCmp5"     
## [4] "AcceptedCmp1"      "AcceptedCmp2"      "Response"         
## [7] "NumDealsPurchases"

Kategori Promotions berisi informasi marketing campaign apa saja yang sudah dijalankan dan campaign mana yang paling banyak mendatangkan konsumen. Sama seperti channel, campaign yang under perform sebaiknya di-take down supaya alokasi budget bisa lebih efisien.

Feature Engineering

Setelah memisahkan data berdasarkan kategori, langkah selanjutnya yang kita lakukan adalah melakukan feature engineering. Apa itu feature engineering? Untuk pastinya googling aja ya, jangan malas. Tapi intinya adalah modifikasi beberapa variable dan parameter sehingga nantinya memudahkan kita untuk melakukan analisis.

Kali ini saya menambah 4 kolom baru yaitu:
Age_Demographic yaitu kategorisasi generasi berdasarkan tahun lahir
TotalChildren yaitu jumlah total Kidhome dan Teenhome
TotalMntSpent yaitu jumlah total dari seluruh produk yang sudah dibeli konsumen dalam Dollar
NumTotalPurchases yaitu jumlah total purchase dari Web, Store dan Catalog

Gimana? Sudah lelah? Tenang saja, penderitaan ini akan berlanjut sama seperti penderitaanmu digaji tapi tidak setimpal dengan job desc mu.

Scientist Side

Seperti tulisan-tulisan saya sebelumnya, selalu ada disclaimer bahwa saya bukan seorang data science. Saya hanya melakukan ini untuk sekedar tes kemampuan saya saja. Dan pada chapter ini sebenarnya akan dipenuhi oleh banyak rumus yang membuat penggila statistik horny, tapi tidak saya lakukan karena pasti akan membosankan.

Di bagian ini saya akan mencoba memaparkan korelasi antar variabel, significant factor untuk tiap produk sampai ke interaksi 4P tadi. Saya akan melakukannya se-simple mungkin sehingga mudah dimengerti. Yuk

Correlation

Korelasi adalah hubungan antar variable yang mempengaruhi satu sama lain (googling lagi ya), korelasi sendiri ada positif dan negatif. Korelasi positif adalah bertambahnya nilai variabel A dipengaruhi pertambahan variabel B, sebaliknya korelasi negatif adalah berkurangnya nilai variabel A dipengaruhi pertambahan variabel B.

Di bawah ini saya coba sediakan sebuah grafik yang dapat membantu kita untuk melihat korelasi semua variabel. Biru menandakan korelasi negatif, sementara merah menandakan korelasi positif.

Significant Factor

Pada bagian ini kita ingin mengetahui kira-kira faktor apa saja yang mempengaruhi konsumen membeli pada masing-masing channel (web, store, catalog, total). Metode yang saya gunakan adalah linear regresi biasa dengan masing-masing channel sebagai variabel bebasnya, lalu saya akan mengambil p value kurang dari 0.05 untuk melihat variabel mana saja yang signifikan terhadap masing-masing channel (bingung? sama).

NumWebPurchases

NumCatalogPurchases

NumStorePurchases

NumTotalPurchases

Pada grafik dan tabel di atas terlihat bahwa variabel yang mempengaruhi masing-masing channel adalah variabel channel lain ditambah variabel MntSweetProducts, MntGoldProds dan Response. Pada channel Web terlihat bahwa untuk variabel MntSweetProducts, MntGoldProds dan Response bernilai positif sementara variabel yang lain bernilai negatif. Hal yang sama juga terjadi pada channel Catalog dan Store. Hal ini dapat kita simpulkan bahwa variabel campaign Response dan produk berupa Sweets dan Gold berpengaruh positif terhadap kenaikan masing-masing channel. Tetapi apakah sampai disana saja? Tentu tidak, kita akan gali lebih dalam lagi

Interaction

Sekarang kita masuk kepada sesuatu yang sedikit bisa lebih dicerna (hopefully) yaitu interaksi dari beberapa variabel. Let’s make this easier. Kita kelompokkan produk-produk yang kita jual berdasarkan generasi konsumen, pendidikan konsumen dan pendapatan konsumen. Hal ini sebagai profiling awal yang kita lakukan untuk mengidentifikasi produk mana yang paling laku untuk kategori tertentu.

Sebelumnya kita sudah melakukan feature engineering untuk variabel usia. Lalu kita juga sudah mengelompokkan usia-usia tersebut berdasarkan generasi-generasinya. Lalu kita coba untuk melakukan kategorisasi generasi terhadap produk yang dibeli. Berdasarkan grafik di atas, jelas bahwa produk Wine paling banyak peminatnya terutama oleh Gen X, diikuti Baby Boomer dan Gen Y. Ada apa ini? Apa karena tingkat stres yang meningkat di usia-usia itu? hehe. Sementara produk kedua yang terlihat signifikan adalah Meat. Apakah ada korelasi Wine dengan Meat? Bukannya Baby Boomer harusnya mengurangi daging karena urusan kesehatan ya? Hmmmm..

Secara pendidikan juga tidak jauh berbeda dengan generasi tadi. Didominasi oleh Wine dan diikuti oleh Meat. Semua produk didominasi oleh orang-orang yang memiliki tingkat pendidikan minimal sarjana. Ada yang menarik jika kita melihat Master dan PhD pada setiap produk, hanya Wine saja yang memiliki konsumen bergelar PhD lebih banyak dibanding Master. Berat sepertinya desertasi itu ya, penenang yang dibutuhkan lebih banyak.

Selain usia, kita juga melakukan feature engineering terhadap pendapatan keluarga selama setahun. Pertama menemukan quartile pada variabel Income lalu lakukan kategorisasi pada masing-masing quartile dan seperti ini hasilnya. Yap, kembali Wine dan Meat adalah produk yang diminati.

Setelah melakukan pengelompokkan yang bahkan bisa dilakukan di Excel, selanjutnya kita akan sedikit advance supaya bisa menempatkan diri kita lebih baik daripada orang-orang yang udah bangga banget padahal hanya bisa pakai Google Spreadsheet. Yang akan kita lakukan selanjutnya adalah mengetahui berapa banyak uang yang dibelanjakan konsumen berdasarkan channel

Wine

## Rata-rata purchase dari Store 8.5 dengan rata-rata pembelanjaan $ 499.1412

## Rata-rata purchase dari Web 6.5 dengan rata-rata pembelanjaan $ 478.2095

## Rata-rata purchase dari Catalog 6.5 dengan rata-rata pembelanjaan $ 594.0506

Meat

## Rata-rata purchase dari Store 7.7 dengan rata-rata pembelanjaan $ 317.4613

## Rata-rata purchase dari Web 6.3 dengan rata-rata pembelanjaan $ 228.8977

## Rata-rata purchase dari Catalog 11 dengan rata-rata pembelanjaan $ 652.5839

Gold

## Rata-rata purchase dari Store 8.2 dengan rata-rata pembelanjaan $ 67.76537

## Rata-rata purchase dari Web 13.1 dengan rata-rata pembelanjaan $ 127.2936

## Rata-rata purchase dari Catalog 6.5 dengan rata-rata pembelanjaan $ 75.80826

Fish

## Rata-rata purchase dari Store 8.5 dengan rata-rata pembelanjaan $ 60.00606

## Rata-rata purchase dari Web 6.5 dengan rata-rata pembelanjaan $ 50.88113

## Rata-rata purchase dari Catalog 6.5 dengan rata-rata pembelanjaan $ 76.64346

Sweets

## Rata-rata purchase dari Store 8.1 dengan rata-rata pembelanjaan $ 45.62767

## Rata-rata purchase dari Web 9 dengan rata-rata pembelanjaan $ 62.01519

## Rata-rata purchase dari Catalog 6.5 dengan rata-rata pembelanjaan $ 54.7032

Fruit

## Rata-rata purchase dari Store 8.5 dengan rata-rata pembelanjaan $ 42.57618

## Rata-rata purchase dari Web 6.5 dengan rata-rata pembelanjaan $ 36.31436

## Rata-rata purchase dari Catalog 6.5 dengan rata-rata pembelanjaan $ 53.44202

TOTAL

## Rata-rata purchase dari Store 8.2 dengan rata-rata pembelanjaan $ 1001.162

## Rata-rata purchase dari Web 9 dengan rata-rata pembelanjaan $ 899.7753

## Rata-rata purchase dari Catalog 11 dengan rata-rata pembelanjaan $ 1396.462

Tuh kan menarique..
Kita coba bahas dari Wine. Channel paling banyak yang digunakan adalah Catalog dengan rata-rata pembelanjaan $594 dan konsumen yang menggunakan channel ini rata-rata menggunakannya 6-7 kali. Begitu juga dengan Meat, hmm sepertinya memang ada hubungan minuman keras dan daging ya gaes ya.

Lalu barang apa saja yang diminati oleh konsumen yang dibeli melalui channel Web? Gold dan Sweets! Jadi sepertinya konsumen kita beranggapan bahwa membeli permen sama mudahnya dengan membeli emas secara emas! Jika kita lihat dari grafik generasi di atas, memang untuk produk Gold dan Sweet lebih banyak dari Gen X dan Gen Y yang dapat kita asumsikan lebih “yakin” membeli barang secara online daripada generasi sebelumnya.

Karena kita akan fokus terhadap digital marketing, maka coba kita lihat jika seluruh barang disatukan, channel mana yang akan menjadi favorit. Dan ternyata Catalog, diikuti Store dan Web adalah channel paling terakhir yang diminati. Mengapa terjadi seperti ini? Banyak hal bisa terjadi, mulai dari CTA website kita yang kurang baik, organik/paid promotion kita kurang militan sampai kepada kemungkinan toko kita dekat dengan konsumen sehingga mereka memilih langsung datang ke toko atau telepon langsung menggunakan Catalog.

Mari kita lihat hubungan antara konsumen yang membeli dari channel Web dengan kunjungan Web

## [1] 76.85193

Paling banyak kunjungan adalah 10 kunjungan dalam sebulan dengan 5-6 purchase. Untuk toko yang menjual kebutuhan harian, apakah angka 10 kunjungan per bulan adalah angka yang wajar? Lalu mengapa ada orang yang 0 kunjungan tapi purchase sampai 3 produk dalam sebulan? Apakah ada kesalahan dalam data atau pencatatan website yang ada bug?

Tapi terlepas dari itu semua. Jika toko ini ingin berkembang dan melakukan ekspansi, tentu saja perubahan penggunaan Catalog harus seluruhnya diubah menjadi Web (mungkin apps). Hal tersebut akan memudahkan kita sebagai manajemen untuk melakukan CRM dan tentu saja kepada para konsumen yang tidak perlu repot-repot mendatangi toko kita. Mungkin beberapa toko harus ditutup dan hanya dimanfaatkan sebagai penyimpanan saja sehingga lebih menghemat pengeluaran.

Campaigns

Lalu Marketing Campaigns mana yang paling paling sukses untuk menarik konsumen?

Ternyata Marketing Campaign paling terakhir yang berhasil mendatangkan banyak konsumen. Seperti apa campignnya? Kita tidak tahu karena kita tidak diberikan data maupun mockup campaignnya, jadi mari kita anggap campaign ini berhasil setelah mempelajari kesalahan campaign-campaign sebelumnya.

Scientist’s Conclusions

Adanya korelasi positif pada masing-masing channel dengan produk Sweet dan Gold, dan ini diperkuat oleh temuan bahwa memang kedua produk ini yang ternyata memiliki channel yang sedikit berbeda dengan yang lainnya.
Untuk produk paling diminati sudah pasti Wine dan Meat. Jika memang ini adalah toko yang khusus menjual bahan makanan, lalu mengapa ada produk Gold? Butuh lebih banyak data lagi terkait produk.
Jika ingin lebih banyak mendapatkan konsumen menggunakan digital marketing, maka website harus benar-benar dibenahi dan channel Catalog ditiadakan karena sudah termasuk dalam channel Web. Jika Web sudah terdevelop dengan baik, maka perlahan jumlah Store bisa dapat dikurangi dan dapat dialihfungsikan menjadi storage saja.
Campaign Response/Last merupakan campaign terbaik, hal tersebut juga sejalan dengan korelasi positif dengan masing-masing channel. Sepertinya campaign yang dijalankan adalah campaign multichannel yang dapat berjalan secara online maupun offline.

Marketeer Side

Gimana gaes? Mental aman? Congrats sudah sampai part ini. Tinggal setengah lagi kok dan part ini memang kita akan lebih berfokus kepada bidang pemasarannya saja. Pada bagian ini kita akan membicarakan most popular product, best country sampai ke CRM yang berisi RFM segmentation dan automation (apa pulak ini!). Jadi yuk kita lanjut.

Most Popular Products

Pada bagian Scientist di atas sudah disinggung bahwa produk paling banyak mendatangkan pendapatan adalah Wine dan Meat. Coba kita lihat pada bagian ini dengan menggunakan grafik sederhana.

Benar saja, memang produk Wine dan Meat mendominasi dari sisi pendapatan. Jika memang ini adalah toko atau restaurant seperti Cork & Screw, mengapa ada produk Gold? Dan produk Gold ini berada di peringkat ketiga jika dilihat dari pendapatan, ini dikarenakan karena harga Gold yang lebih mahal dari Fish, Sweet dan Fruit.

Lalu untuk strategi pemasaran, selain produk Wine dan Meat apakah produk lain juga tetap akan kita tingkatkan revenuenya? Menurut saya tetap kita lakukan penjualan, akan tetapi dijadikan bundle dengan Wine dan Meat dengan beberapa penyesuaian harga dan kuantitas pada produk-produk lain yang bundling. Diharapkan dengan melakukan hal tersebut dapat meningkatkan value dari Wine dan Meat itu sendiri.

Bundling Wine, Meat dan Fish mungkin bisa diarahkan kepada “Bundling Makan Siang Keluarga”, atau kombinasi Wine, Meat dan Gold untuk “Bundling Untuk yang Paling Spesial” dan lain sebagainya.

Best Country

Lalu dimana saja negara yang paling banyak konsumennya?

Ternyata negara yang memiliki paling banyak konsumen adalah SP yaitu Spanyol, apakah ini yang menyebabkan Meat dan Wine memiliki pendapatan paling tinggi?

Sementara untuk campaign per negara dapat kita lihat pada grafik di bawah ini

## `summarise()` has grouped output by 'Country'. You can override using the `.groups` argument.

Seperti yang sudah dipaparkan sebelumnya ternyata memang campaign terakhir sangat efektif di semua negara dan campaign 2 yang paling tidak efektif. Akan lebih baik lagi jika kita memiliki data per masing-masing campaign seperti apa ekesekusinya sehingga kita bisa mengetahui celah campaign tersebut dan melakukan penyempurnaan untuk campaign-campaign berikutnya.

Growth

Data yang kita miliki sekarang hanya sampai tanggal 29 Juni 2014 dan Recency hanya sampai angka 99. Ini amat disayangkan karena kita hanya bisa melihat kecenderungan konsumen kita paling jauh hanya sampai 99 hari ke belakang. Tapi daripada tidak ada, yuk kita lihat.

Seperti yang kita lihat pada grafik di atas bahwa konsumen terbanyak ada di bulan Mei dan pada bulan itu juga konsumen paling sedikit. Secara tren cenderung sideways untuk jumlah konsumen yang melakukan pembelian. Dengan adanya grafik ini kita bisa melakukan analisis lebih dalam lagi jika kita mengaitkannya dengan musim yang sedang terjadi di masing-masing negara.

Daily Habbit

Bisakah kita mengetahui kebiasaan konsumen kita membeli di hari apa? Kita akan mengelompokkan konsumen berdasarkan hari apa yang paling banyak digunakan untuk berbelanja.

TGIF! Kebanyakan dari konsumen kita berbelanja di hari Jumat diikuti hari Minggu, Rabu dan Kamis. Tetapi mengapa jarang yang berbelanja di hari Sabtu? Mungkin mereka menghabiskan uangnya pada hari Sabtu di tempat lain, bukan di tempat kita.

RFM

RFM atau Recency, Frequency dan Monetary merupakan salah satu metode segmentasi berdasarkan kebiasaan konsumen. Setelah melakukan segmentasi biasanya dapat dilakukan profiling kepada konsumen yang lebih detil lagi sehingga memudahkan kita untuk menentukan treatment apa yang paling baik dalam skala individu konsumen.

Data yang kita gunakan adalah sebagai berikut

Recency sebagai Recency adalah seberapa baru pelanggan melakukan transaksi
NumTotalPurchases sebagai Frequency adalah seberapa sering pelanggan melakukan transaksi
TotalMntSpent sebagai Monetary seberapa besar transaksi yang sudah dilakukan pelanggan

Tabel di atas kemudian akan kita olah agar masing-masing variabel memiliki nilainya masing-masing. Metode yang saya gunakan sama seperti kategorisasi yang sudah saya lakukan sebelumnya untuk penentuan kelompok pendapatan dari Income yaitu dengan menggunakan quantile.

Semakin kecil nilai Recency maka score yang diberikan semakin besar, sebaliknya untuk Frequency dan Monetary scorenya akan semakin besar jika nilainya semakin besar juga.

Lalu berdasarkan score tersebut kita kembali melakukan kategorisasi berdasarkan 10 kategori yang biasa digunakan dalam analisis RFM, untuk lebih jelasnya dapat dilihat dari tabel berikut ini.

Lalu segment yang mana saja yang krusial sehingga membutuhkan treatment? Jangan takut, jangan resah, jangan gundah. Saya sudah menyiapkan tabel rekap berdasarkan segment, banyak anggota per segment dan total uang yang sudah dibelajakan oleh masing-masing segment (bahkan lengkap dengan treemapnya biar semakin mirip CRM tool ternama itu).

Lalu segment mana saja yang akan kita ambil untuk dijadikan fokus CRM? Banyak metode untuk menentukan prioritas sebenarnya, tergantung juga dari historikal perusahaan, pengalaman para pengambil kebijakan bahkan hingga ke perhitungan matematikan nan rumit. Tapi pada saat ini saya hanya akan memilih 5 segment yang menurut saya perlu perhatian lebih dilihat dari banyak populasi dan total uang yang sudah dibelanjakan untuk perusahaan kita.

5 segment tersebut adalah Can’t Lose Them, Loyal Customers, At Risk, Customer Needing Attention dan Potential Loyalist. Kelima segment tersebut yang akan coba kita profiling di bagian selanjutnya.

Profiling

Can’t Lose Them

Pada segment Can’t Lose Them secara pendidikan didominasi oleh konsumen sarjana, berstatus menikah, rata-rata belum memiliki anak. berasal dari Gen X, pendapatan setahun 68k - 160k dan kebanyakan bertempat tinggal di Spanyol. Untuk produk mereka lebih menyukai Wine dan Meat, sementara untuk channel mereka lebih memilih Store lalu Web dan terakhir Catalog

Loyal Customers

Pada segment Loyal Customer secara pendidikan didominasi oleh konsumen sarjana, berstatus menikah, rata-rata memiliki 1 anak. berasal dari Gen X, pendapatan setahun 68k - 160k dan kebanyakan bertempat tinggal di Spanyol. Untuk produk mereka lebih menyukai Wine dan Meat, sementara untuk channel mereka lebih memilih Store lalu Web dan terakhir Catalog

At Risk

Pada segment At Risk secara pendidikan didominasi oleh konsumen sarjana, berstatus menikah, rata-rata memiliki 1 anak. berasal dari Gen X, pendapatan setahun 35k - 51k dan kebanyakan bertempat tinggal di Spanyol. Untuk produk mereka lebih menyukai Wine dan Meat, sementara untuk channel mereka lebih memilih Store lalu Web dan terakhir Catalog

Customer Needing Attention

Pada segment Customer Needing Attention secara pendidikan didominasi oleh konsumen sarjana, berstatus menikah, rata-rata memiliki 1 anak. berasal dari Gen X, pendapatan setahun 35k - 51k dan kebanyakan bertempat tinggal di Spanyol. Untuk produk mereka lebih menyukai Wine dan Meat, sementara untuk channel mereka lebih memilih Store lalu Web dan terakhir Catalog

Potential Loyalist

Pada segment Potential Loyalist secara pendidikan didominasi oleh konsumen sarjana, berstatus menikah, rata-rata memiliki 1 anak. berasal dari Gen X, pendapatan setahun 35k - 51k dan kebanyakan bertempat tinggal di Spanyol. Untuk produk mereka lebih menyukai Wine dan Meat, sementara untuk channel mereka lebih memilih Store lalu Web dan terakhir Catalog

Mungkin akan timbul pertanyaan, mengapa pada profiling ini justru channel Store lebih tinggi daripada channel Catalog yang sebelumnya sudah dibahas pada bagian Interaction? Interaction kita melihat berapa kali rata-rata konsumen memesan pada sebuah channel berdasarkan nilai rata-rata masing-masing produk, sedangkan pada profiling ini kita secara keseluruhan menjumlahkan pembelian per masing-masing channel. Lebih simpelnya pada Interaction kita melihat mana channel yang lebih mendatangkan konsumen sementara dalam profiling ini kita melihat kecenderungan pada masing-masing segment.

Lalu mana yang akan kita gunakan? Tergantung dari strategi bisnis yang akan kita lakukan ke depannya.

Automation

Dalam dunia CRM setelah melakukan segmentasi, biasanya akan dilakukan dilakukan Building Retention Campaign yang salah satunya adalah automation. Automation yang dimaksud adalah sebuah sequence (tahapan) yang akan dilakukan jika seorang atau sekelompok konsumen kita berada di kondisi tertentu sesuai dengan apa yang sudah kita tetapkan sebelumnya. Event-event juga dapat dijadikan automation seperti hari-hari besar, libur sekolah anak dll.

Automation sendiri bertujuan untuk meningkatkan retention dari konsumen kita, misalnya ada konsumen kita yang berada dalam segment At Risk dan ingin kita naikkan menjadi Loyal Customers, kita sudah memiliki automation sendiri yang berisi mulai dari kondisi trigger, delay waktu dari trigger, interaksi dengan medium yang kita gunakan untuk approach mereka kembali dan lain-lain.

Sebagai contoh di bawah ini saya berikan bagan automation yang dilakukan untuk segment At Risk dan Can’t Lose Them

Klik di sini untuk gambar yang lebih tajam

Marketer’s Conclusions

Product yang paling populer adalah Wine dan Meat, akan tetapi masih ada potensi untuk Produk yang lain. Kita dapat melakukan bundling yang memasangkan produk-produk paling populer dengan produk-produk yang lain dalam beberapa campaign.
Spanyol adalah konsumen utama kita. Apakah ke depannya kita akan lebih banyak membuka lebih banyak cabang di Spanyol atau cukup memperbaiki layanan delivery kita mengingat kita ingin mengarah kepada digital marketing.
Channel Store memang paling populer. Tetapi jika kita tetap pada channel ini sebagai unggulan, bagaimana dengan biaya operasionalnya? jika kita benar-benar menjadi full digital bagaimana kita dapat bertahan? Pertanyaan-pertanyaan ini hanya dapat dijawab dengan mengumpulkan lebih banyak data lagi seperti misalnya kenyamanan konsumen dalam berbelanja dibagi per channel dan lain lain.
Konsumen kita dapat dikatakan sudah menjadi pelanggan dalam waktu lama, sehingga CRM yang baik adalah cara untuk meminimalisir churn. Dan ya dalam marketing 4.0 review dan reference dari para konsumen terdahulu sangat memegang peranan penting bagi pertumbuhan sebuah perusahaan (baca aja bukunya, di gramed banyak).

Penutup

Di atas kita sudah panjang lebar mencari insight dari sebuah dataset perusahaan tahun 2012-2014. Bayangkan apa yang dapat kita lakukan jika perusahaan kita masing-masing memiliki data yang lebih dalam lagi, memiliki tools yang lebih canggih lagi. Tentu revenue kita tiap tahun sudah dapat diprediksi dan jika pun meleset kita akan dengan akurat memikirkan rencana cadangan.

Data Science dan Digital Marketing sangat memegang peranan penting untuk saat ini. Perusahaan-perusahaan Unicorn tidak punya pilihan lain untuk tidak menggunakan kemajuan teknologi ini untuk survive karena tuntutan yang sangat besar dan juga cepat. Lalu mengapa perusahaan-perusahaan yang secara skala mungkin lebih kecil tidak juga mengadaptasinya? Kita sudah hidup di era Brand Advocacy Ratio yaitu konsumen kita ingin diberikan rekomendasi untuk dapat membeli produk kita, mereka ingin tau rekomendasi dari kita dan dari konsumen sebelum mereka. Dan itu hanya dapat dicapai hanya dengan memanfaatkan setumpuk data yang kita kumpulkan.

Semoga tulisan singkat saya ini semakin membuka cakrawala kita untuk menjadi lebih baik lagi. Mohon maaf jika ada kesalahan. Sampai jumpa di tulisan-tulisan saya selanjutnya. Terima kasih.

Marketing Analytics

Salomo

2022-01-03