Analisis Cluster
Reynaldo Manurung
2022-11-24
Pengenalan Data
Data yang digunakan dalam analisis ini adalah Data Mall_Customer yang merupakan data karakteristik customer suatu perusahaan. Data ini berisikan peubah jenis kelamin (Gender), usia(Age), pendapatan tahunan (Annual.Income), dan nilai yang dihabiskan (Spending.Score dengan jumlah customer yang terdata sebanyak 200 customer. Data set ini dapat diakses melalui laman https://www.kaggle.com/datasets/aajay20/mall-customers-datacsv
DataMall <- read.table("Data Mall_Customer.csv.", sep=";",header=T)
DataMall## CustomerID Genre Age Annual.Income Spending.Score
## 1 1 Male 19 15 39
## 2 2 Male 21 15 81
## 3 3 Female 20 16 6
## 4 4 Female 23 16 77
## 5 5 Female 31 17 40
## 6 6 Female 22 17 76
## 7 7 Female 35 18 6
## 8 8 Female 23 18 94
## 9 9 Male 64 19 3
## 10 10 Female 30 19 72
## 11 11 Male 67 19 14
## 12 12 Female 35 19 99
## 13 13 Female 58 20 15
## 14 14 Female 24 20 77
## 15 15 Male 37 20 13
## 16 16 Male 22 20 79
## 17 17 Female 35 21 35
## 18 18 Male 20 21 66
## 19 19 Male 52 23 29
## 20 20 Female 35 23 98
## 21 21 Male 35 24 35
## 22 22 Male 25 24 73
## 23 23 Female 46 25 5
## 24 24 Male 31 25 73
## 25 25 Female 54 28 14
## 26 26 Male 29 28 82
## 27 27 Female 45 28 32
## 28 28 Male 35 28 61
## 29 29 Female 40 29 31
## 30 30 Female 23 29 87
## 31 31 Male 60 30 4
## 32 32 Female 21 30 73
## 33 33 Male 53 33 4
## 34 34 Male 18 33 92
## 35 35 Female 49 33 14
## 36 36 Female 21 33 81
## 37 37 Female 42 34 17
## 38 38 Female 30 34 73
## 39 39 Female 36 37 26
## 40 40 Female 20 37 75
## 41 41 Female 65 38 35
## 42 42 Male 24 38 92
## 43 43 Male 48 39 36
## 44 44 Female 31 39 61
## 45 45 Female 49 39 28
## 46 46 Female 24 39 65
## 47 47 Female 50 40 55
## 48 48 Female 27 40 47
## 49 49 Female 29 40 42
## 50 50 Female 31 40 42
## 51 51 Female 49 42 52
## 52 52 Male 33 42 60
## 53 53 Female 31 43 54
## 54 54 Male 59 43 60
## 55 55 Female 50 43 45
## 56 56 Male 47 43 41
## 57 57 Female 51 44 50
## 58 58 Male 69 44 46
## 59 59 Female 27 46 51
## 60 60 Male 53 46 46
## 61 61 Male 70 46 56
## 62 62 Male 19 46 55
## 63 63 Female 67 47 52
## 64 64 Female 54 47 59
## 65 65 Male 63 48 51
## 66 66 Male 18 48 59
## 67 67 Female 43 48 50
## 68 68 Female 68 48 48
## 69 69 Male 19 48 59
## 70 70 Female 32 48 47
## 71 71 Male 70 49 55
## 72 72 Female 47 49 42
## 73 73 Female 60 50 49
## 74 74 Female 60 50 56
## 75 75 Male 59 54 47
## 76 76 Male 26 54 54
## 77 77 Female 45 54 53
## 78 78 Male 40 54 48
## 79 79 Female 23 54 52
## 80 80 Female 49 54 42
## 81 81 Male 57 54 51
## 82 82 Male 38 54 55
## 83 83 Male 67 54 41
## 84 84 Female 46 54 44
## 85 85 Female 21 54 57
## 86 86 Male 48 54 46
## 87 87 Female 55 57 58
## 88 88 Female 22 57 55
## 89 89 Female 34 58 60
## 90 90 Female 50 58 46
## 91 91 Female 68 59 55
## 92 92 Male 18 59 41
## 93 93 Male 48 60 49
## 94 94 Female 40 60 40
## 95 95 Female 32 60 42
## 96 96 Male 24 60 52
## 97 97 Female 47 60 47
## 98 98 Female 27 60 50
## 99 99 Male 48 61 42
## 100 100 Male 20 61 49
## 101 101 Female 23 62 41
## 102 102 Female 49 62 48
## 103 103 Male 67 62 59
## 104 104 Male 26 62 55
## 105 105 Male 49 62 56
## 106 106 Female 21 62 42
## 107 107 Female 66 63 50
## 108 108 Male 54 63 46
## 109 109 Male 68 63 43
## 110 110 Male 66 63 48
## 111 111 Male 65 63 52
## 112 112 Female 19 63 54
## 113 113 Female 38 64 42
## 114 114 Male 19 64 46
## 115 115 Female 18 65 48
## 116 116 Female 19 65 50
## 117 117 Female 63 65 43
## 118 118 Female 49 65 59
## 119 119 Female 51 67 43
## 120 120 Female 50 67 57
## 121 121 Male 27 67 56
## 122 122 Female 38 67 40
## 123 123 Female 40 69 58
## 124 124 Male 39 69 91
## 125 125 Female 23 70 29
## 126 126 Female 31 70 77
## 127 127 Male 43 71 35
## 128 128 Male 40 71 95
## 129 129 Male 59 71 11
## 130 130 Male 38 71 75
## 131 131 Male 47 71 9
## 132 132 Male 39 71 75
## 133 133 Female 25 72 34
## 134 134 Female 31 72 71
## 135 135 Male 20 73 5
## 136 136 Female 29 73 88
## 137 137 Female 44 73 7
## 138 138 Male 32 73 73
## 139 139 Male 19 74 10
## 140 140 Female 35 74 72
## 141 141 Female 57 75 5
## 142 142 Male 32 75 93
## 143 143 Female 28 76 40
## 144 144 Female 32 76 87
## 145 145 Male 25 77 12
## 146 146 Male 28 77 97
## 147 147 Male 48 77 36
## 148 148 Female 32 77 74
## 149 149 Female 34 78 22
## 150 150 Male 34 78 90
## 151 151 Male 43 78 17
## 152 152 Male 39 78 88
## 153 153 Female 44 78 20
## 154 154 Female 38 78 76
## 155 155 Female 47 78 16
## 156 156 Female 27 78 89
## 157 157 Male 37 78 1
## 158 158 Female 30 78 78
## 159 159 Male 34 78 1
## 160 160 Female 30 78 73
## 161 161 Female 56 79 35
## 162 162 Female 29 79 83
## 163 163 Male 19 81 5
## 164 164 Female 31 81 93
## 165 165 Male 50 85 26
## 166 166 Female 36 85 75
## 167 167 Male 42 86 20
## 168 168 Female 33 86 95
## 169 169 Female 36 87 27
## 170 170 Male 32 87 63
## 171 171 Male 40 87 13
## 172 172 Male 28 87 75
## 173 173 Male 36 87 10
## 174 174 Male 36 87 92
## 175 175 Female 52 88 13
## 176 176 Female 30 88 86
## 177 177 Male 58 88 15
## 178 178 Male 27 88 69
## 179 179 Male 59 93 14
## 180 180 Male 35 93 90
## 181 181 Female 37 97 32
## 182 182 Female 32 97 86
## 183 183 Male 46 98 15
## 184 184 Female 29 98 88
## 185 185 Female 41 99 39
## 186 186 Male 30 99 97
## 187 187 Female 54 101 24
## 188 188 Male 28 101 68
## 189 189 Female 41 103 17
## 190 190 Female 36 103 85
## 191 191 Female 34 103 23
## 192 192 Female 32 103 69
## 193 193 Male 33 113 8
## 194 194 Female 38 113 91
## 195 195 Female 47 120 16
## 196 196 Female 35 120 79
## 197 197 Female 45 126 28
## 198 198 Male 32 126 74
## 199 199 Male 32 137 18
## 200 200 Male 30 137 83Data set ini dikumpulkan untuk kepentingan marketing guna meningkatkan keuntungan yang didapatkan oleh perusahaan tersebut. Salah satu metode analisis yang dapat digunakan untuk dapat memberikan gambaran strategi marketing yang baik untuk dilakukan adalah analisis gerombol dengan memanfaatkan data Age, Annual.Income, dan Spending.Score. Dengan analisis cluster, perusahaan dapat membuat strategi marketing dengan mempertimbangkan segmentasi pasar berdasarkan hasil analisis tersebut. Dengan demikian, strategi marketing akan efisien dan efektif terhadap sasaran perlakukan strategi.
Analisis gerombol yang paling terkenal dan mudah diaplikasikan dapat menggunakan 2 teknik analisis, yakni : 1. Analisis Gerombol tak berhierarki (Non-hierarchical Clustering): K-means 2. Analisis Gerombol berhierarki (Hierarchical Clustering)
Pada analisis kali ini, data Mall_Customer akan diberlakukan analisis gerombol dengan kedua teknik analisis tersebut, lalu menentukan hasil cluster terbaik.
Sebelum melakukan analisis cluster, data Age, Annual.Income, dan Spending.Score harus distandarisasi terlebih dahulu karena analisis cluster sangat dipengaruhi oleh ukuran jarak.
dtmall = DataMall[,c(-1,-2)] # hanya menggunakan peubah Age, Annual.Income, dan Spending.Score
data.stdz = scale(dtmall)
apply(data.stdz, 2, mean)## Age Annual.Income Spending.Score
## -1.016906e-16 -8.144310e-17 -1.096708e-16apply(data.stdz, 2, sd) ## Age Annual.Income Spending.Score
## 1 1 1Simpangan baku tiga peubah di atas sama dengan satu, artinya data hasil standarisasai kini memiliki nilai dengan besar satuan yang telah selaras atau sama.
Adapun beberapa library yang digunakan dalam analisis ini, yakni :
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.2.2library(factoextra)## Warning: package 'factoextra' was built under R version 4.2.2## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa1. Analisis Gerombol tak berhierarki (Non-hierarchical Clustering): K-means
Analisis Gerombol K-means sebagaimana namanya mempartisi data menjadi K buah gerombol yang tidak saling tumpang tindih. Penentuan jumlah K didasari oleh keragaman di dalam cluster yang dibangun. Jumlah K sebaiknya adalah sejumlah gerombol yang meminimumkan keragaman dalam cluster (Within-cluster variation)
Penentuan Jumlah K
Penentuan jumlah gerombol (K) ditentukan oleh beberapa pengukuran, di antaranya koefisien silhouette dan WSS (within Sum of Squared). Koefisien Silhouette mengukur seberapa dekat atau jauh suatu amatan dengan amatan lainnya yang berada pada gerombol yang sama yang kemudian dibandingkan dengan jaraknya terhadao amatan lainnya di gerombol berbeda. Koefisien dengan nilai yang semakin besar menunjukkan gerombol yang terbentuk semakin sesuai. Adapun WSS menghitung keragaman dalam gerombol yang terbentuk. Berkebalikan dengan koefisien Silhouette, gerombol yang lebih sesuai akan memiliki nilai WSS yang semakin kecil.
WSS (Within Sum of Squared)
fviz_nbclust(data.stdz, FUNcluster = kmeans, method = "wss")
Penentuan jumlah K berdasarkan WSS dapat teramati berdasarkan perubahan
nilai WSS dari k-1 ke k+1, dimana cluster yang lebih sesuai akan
menghasilkan perbedaan nilai WSS yang cenderung besar dengan K
sebelumnya dan tidak berbeda jauh dengan K setelahnya. Secara visual,
grafik akan membentuk pola mirip siku-siku. Pada kasus di atas, maka
jumlah K optimum berdasarkan WSS adalah saat K bernilai 4 karena
perubahan nilai WSS dengan K=3 cenderung besar dan perubahannya terhadap
K=5 cenderung kecil.
Koefisien Silhoutte
fviz_nbclust(data.stdz, FUNcluster = kmeans, method = "silhouette")
Sesuai dengan pengertian sebelumnya tentang koefisien silhouette, jumlah
K terbaik akan memiliki nilai Silhouette terbesar. Berdasarkan grafik di
atas, maka K optimum adalah saat K=8 dengan nilai koefisien Silhouette
sekitar 0,4.
Dari kedua pengukuran tersebut, nilai K=4 dapat dijadikan jumlah K yang cukup baik. Hal ini didukung oleh nilai WSS serta koefisein Silhouette yang cukup sesuai untuk dijadikan acuan, selain itu jumlah cluster sebanyak 4 sangatlah ideal untuk digunakan.
Pembentukan Gerombol
kmeans.data <- eclust(dtmall, stand = TRUE, FUNcluster = "kmeans", k=4, graph = F)
kmeans.data$cluster## [1] 3 3 3 3 3 3 2 3 2 3 2 3 2 3 2 3 3 3 2 3 3 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2
## [38] 3 2 3 2 3 2 3 2 3 2 3 3 3 2 3 3 2 2 2 2 2 3 2 2 3 2 2 2 3 2 2 3 3 2 2 2 2
## [75] 2 3 2 2 3 2 2 3 2 2 3 2 2 3 3 2 2 3 2 2 3 3 2 3 2 3 3 2 2 3 2 3 2 2 2 2 2
## [112] 3 1 3 3 3 2 2 2 2 3 1 4 4 1 4 1 4 2 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4
## [149] 1 4 1 4 1 4 1 4 1 4 1 4 2 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4 1
## [186] 4 1 4 1 4 1 4 1 4 1 4 1 4 1 4kmeans.data$centers## Age Annual.Income Spending.Score
## 1 0.03711223 0.9876366 -1.1857814
## 2 1.08344244 -0.4893373 -0.3961802
## 3 -0.96008279 -0.7827991 0.3910484
## 4 -0.42773261 0.9724070 1.2130414\(cluster** menunjukkan cluster yang dimiliki oleh masing-masing amatan. Sebagai contoh, berdasarkan hasil analisis gerombol dengan metode K-means maka customer 1 dan 2 sama-sama diidentifikasi sebagai cluster 3. **\)centers menunjukkan rata-rata nilai masing-masing peubah berdasarkan gerombolnya. Sebagai contoh, berdasarkan hasil analisis gerombol dengan metode K-means maka gerombol 1 memiliki rata-rata usia customer 0,037 tahun dalam satuan terstrandarisasi.
Interpretasi Hasil Analisis Gerombol dengan Metode K-means
Berdasarkan hasil analisis gerombol dengan metode K-means, interpretasi yang dapat dibangun berkenaan dengan keempat gerombol yang terbentuk adalah sebagai berikut :
Gerombol 1
Gerombol 1 merupakan gerombol dengan customer-customer berusia muda (Age cukup kecil) dengan penghasilan yang cenderung besar (Annual.Income cukup besar). Gerombol ini sangat strategis dijadikan target pasar dengan mengedepankan inovasi dan kreativitas yang kekinian. Namun, gerombol ini punya rataan pengeluaran uang yang dibelanjakan cukup kecil (Spending.Score kecil). Dengan kata lain, strategi marketing yang diperlukan bagi target pasar ini perlu memperhatikan aspek-aspek yang meningkatkan minat customer untuk berbelanja.
Gerombol 2
Gerombol 2 merupakan gerombol dengan customer-customer berusia lanjut (Age besar) dengan penghasilan yang terbilang kecil serta intensitas berbelanja yang juga cenderung kecil. Berdasarkan ciri-ciri ini, kemungkinan besar individu gerombol ini sudah pensiun atau memasuki usia-usia senja dalam dunia pekerjaan. Gerombol ini sebaiknya tidak dijadikan target utama pasar sebab kurang menjanjikan, tetapi tetap dijadikan sasaran marketing dengan tujuan branding ke anak, keponakan, atau lainnya.
Gerombol 3
Gerombol 3 merupakan gerombol dengan customer-customer diusia masih sangat muda (Age sangat kecil) yang belum memiliki penghasilan memadai. Walaupun demikian, intensitas belanja mereka cenderung tinggi (Spending.Score bernilai postif). Kondisi ini menunjukkan anomali perilaku customer yang sering belanja walau penghasilan pas-pasan. Strategi marketing mungkin tidak perlu terlalu diubah bagi gerombol ini, tetapi management tetap perlu memantau pergerakan dari gerombol ini.
Gerombol 4
Gerombol 4 merupakan gerombol dengan customer-customer berusia masih cukup muda namun memiliki penghasilan yang terbilang besar ditambahlagi dengan intensitas mereka yang paling tinggi dibandingkan gerombol-gerombol lainnya. Gerombol ini merupakan gerombol yang paling strategis untuk dijadikan target pasar. Pada usia yang mungkin masih terbilang labil dengan penghasilan besar dan gaya hidup yang cukup konsumtif, maka mereka dapat menjadi sasaran empuk dari kebijakan marketing guna mencari cuan sebesar-besarnya.
Interpretasi di atas dibangun dengan menggunakan skala terstandarisasi. Cara interpretasi yang sama dapat juga digunakan pada data dengan satuan awal yang dibangkitkan dengan menggunakan fungsi aggregate.
aggregate(dtmall, by=list(cluster=kmeans.data$cluster), FUN = mean)## cluster Age Annual.Income Spending.Score
## 1 1 39.36842 86.50000 19.57895
## 2 2 53.98462 47.70769 39.96923
## 3 3 25.43860 40.00000 60.29825
## 4 4 32.87500 86.10000 81.52500Cluster Plot
Untuk mempermudah visualisasi hasil cluster, berikut disajikan Cluster Plot dari hasil analisis gerombol dengan metode K-means.
fviz_cluster(kmeans.data)
# 2. Analisis Gerombol berhierarki (Hierarchical Clustering) Analisis
Gerombol Berhierarki adalah bentuk analisis cluster yang menghasilkan
representasi pengamatan berbasis pohon atau tree yang disebut dendogram.
Konsep perbedaan (dissimilarity) antara sepasang pengamatan perlu
diperluas menjadi sepasang kelompok pengamatan. Perluasan ini dicapai
dengan mengembangkan gagasan keterkaitan (linkage), yang mendefinisikan
perbedaan (dissimilarity) antara dua kelompok pengamatan. Umumnya, jenis
linkage: complete, average, single, and centroid.
Penentuan Jumlah Cluster
Penentuan jumlah cluster dapat menggunakan konsep jarak yang dikembangkan dengan konsep linkages. Pada kasus ini, jarak yang akan digunakan untuk menentukan jumlah cluster adalah jarak euclidean dengan complete linkage, average linkage, centorid linkage, serta single lonkage.
1. Complete Linkage
fviz_nbclust(data.stdz, FUNcluster = hcut, method = "silhouette", hc_method = "complete", hc_metric="euclidean")
Berdasarkan Complete Linkage, jumlah cluster paling optimal adalah
K=5.
2. Average Linkage
fviz_nbclust(data.stdz, FUNcluster = hcut, method = "silhouette", hc_method = "average", hc_metric="euclidean")
Berdasarkan Average Linkage, jumlah cluster paling optimal adalah K=5
dengan nilai koefisien Silhouette sekitar 0,4. ### 3. Centroid
Linkage
fviz_nbclust(data.stdz, FUNcluster = hcut, method = "silhouette", hc_method = "centroid", hc_metric="euclidean")
Berdasarkan Centroid Linkage, jumlah cluster paling optimal adalah K=2
dengan nilai Koefisien Silhouette sekitar 0,3. ### 4. Single Linkage
fviz_nbclust(data.stdz, FUNcluster = hcut, method = "silhouette", hc_method = "single", hc_metric="euclidean")
Berdasarkan Single Linkage, jumlah cluster paling optimal adalah K=2
dengan nilai Koefisien Silhouette sekitar 0,3.
Berdasarkan keempat statistik di atas, maka K=5 yang dihasilkan Complete dan Avarage Linkages merupakan jumlah cluster paling optimum dengan nilai koeefisien Silhouette paling besar dibandingkan lainnya. Oleh karena itu, metode yang akan digunakan dalam proses analisis gerombol berheriarki adalah metode complete linkage dengan
Pengelompokkan dengan Complete Linkage
fviz_dend(hclust(dist(data.stdz, method = "euclidean"), method = "complete"))## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## ℹ The deprecated feature was likely used in the factoextra package.
## Please report the issue at <]8;;https://github.com/kassambara/factoextra/issueshttps://github.com/kassambara/factoextra/issues]8;;>.
Dendogram di atas menyajikan visualisasi hasil analisis gerombol
berhirearki.
hc.data <- eclust(dtmall, stand = TRUE, FUNcluster = "hclust", k=5, hc_method = "complete", hc_metric = "euclidean", graph = F)
hc.data$cluster #cluster dari setiap pengamatan## [1] 1 2 1 2 1 2 1 2 3 2 3 2 3 2 1 2 1 2 3 2 1 2 3 2 3 2 3 1 3 2 3 2 3 2 3 2 3
## [38] 2 3 2 3 2 3 1 3 2 3 1 1 1 3 1 1 3 3 3 3 3 1 3 3 1 3 3 3 1 1 3 1 1 3 3 3 3
## [75] 3 1 1 1 1 3 3 1 3 3 1 3 3 1 1 3 3 1 3 1 1 1 3 1 3 1 1 3 3 1 3 1 3 3 3 3 3
## [112] 1 1 1 1 1 3 3 3 3 1 1 1 4 1 4 5 4 5 4 5 4 1 4 5 4 5 4 5 4 5 4 1 4 5 4 5 4
## [149] 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5
## [186] 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4aggregate(dtmall, by=list(cluster=hc.data$cluster), FUN = mean)## cluster Age Annual.Income Spending.Score
## 1 1 28.35417 50.29167 45.93750
## 2 2 24.80952 25.61905 80.23810
## 3 3 55.33333 47.31579 41.08772
## 4 4 32.69231 86.53846 82.12821
## 5 5 41.68571 88.22857 17.28571Interpretasi Hasil Analisis Gerombol Berhearki
Berdasarkan hasil analisis gerombol berhearki, interpretasi yang dapat dibangun berkenaan dengan kelima gerombol yang terbentuk adalah sebagai berikut :
Gerombol 1
Gerombol 1 merupakan gerombol dengan customer-customer berusia muda (Age cukup kecil) dengan penghasilan yang menengah (Annual.Income sedang). Gerombol ini cukup strategis dijadikan target pasar dengan mengedepankan inovasi dan kreativitas yang kekinian. Namun, gerombol ini punya rataan pengeluaran uang yang dibelanjakan cukup kecil (Spending.Score kecil). Dengan kata lain, strategi marketing yang diperlukan bagi target pasar ini perlu memperhatikan aspek-aspek yang meningkatkan minat customer untuk berbelanja.
Gerombol 2
Gerombol 2 merupakan gerombol dengan customer-customer diusia masih sangat muda (Age sangat kecil) yang belum memiliki penghasilan memadai. Walaupun demikian, intensitas belanja mereka cenderung tinggi (Spending.Score bernilai postif). Kondisi ini menunjukkan anomali perilaku customer yang sering belanja walau penghasilan pas-pasan. Strategi marketing mungkin tidak perlu terlalu diubah bagi gerombol ini, tetapi management tetap perlu memantau pergerakan dari gerombol ini.
Gerombol 3
Gerombol 3 merupakan gerombol dengan customer-customer berusia lanjut (Age besar) dengan penghasilan yang terbilang kecil serta intensitas berbelanja yang juga cenderung kecil. Berdasarkan ciri-ciri ini, kemungkinan besar individu gerombol ini sudah pensiun atau memasuki usia-usia senja dalam dunia pekerjaan. Gerombol ini sebaiknya tidak dijadikan target utama pasar sebab kurang menjanjikan, tetapi tetap dijadikan sasaran marketing dengan tujuan branding ke anak, keponakan, atau lainnya.
Gerombol 4
Gerombol 4 merupakan gerombol dengan customer-customer berada pada usia yang produktif dengan penghasilan yang terbilang sangat besar ditambahlagi dengan intensitas mereka yang paling tinggi dibandingkan gerombol-gerombol lainnya. Gerombol ini merupakan gerombol yang paling strategis untuk dijadikan target pasar. Pada usia yang produktif dengan penghasilan besar dan gaya hidup yang cukup konsumtif, maka mereka dapat menjadi sasaran empuk dari kebijakan marketing guna mencari cuan sebesar-besarnya.
Gerombol 5
Gerombol 5 merupakan gerombol dengan customer-customer yang berada pada usia senja atau senior dalam dunia kerja. Rata-rata mereka yang berada pada usia ini pastinya telah berkeluarga dan punya pandangan hidup yang lebih hemat demi kelangsungan masa depan keluarga. Hal ini terlihat dari intensitas belanja mereka yang cenderung sangat rendah padahal memiliki penghasilan yang besar. Gerombol ini tidak lagi mementingkan keindahan, kemewahan, atau kesengangan belaka. Mereka lebih mengutamakan fungsionalitas suatu hal dalam menunjang kehidupan mereka. Gerombol ini sebaiknya tidak dijadikan target utama marketing, namun tetap berikan pelayanan yang baik.