Customer Segmentation untuk Menentukan Target Campaign Marketing
Patrick Bagasminulyo H
2023-01-09
Pendahuluan
Latar Belakang
Marketing campaign merupakan suatu cara yang dilakukan suatu perusahaan atau entitas bisnis dalam mempromosikan produk melalui berbagai media yang berbeda. Ada berbagai macam tujuan dilakukannya marketing campaing, misalnya untuk membangun brand image, untuk memperkenalkan produk baru, untuk meningkatkan penjualan produk yang sudah ada di pasar, untuk meningkatkan brand awareness, atau bahkan mengurangi dampak berita negatif yang tersebar. Keberhasilan dari marketing campaign dapat dilihat dari berbagai faktor, seperti : media yang digunakan, produk yang ditawarkan, dan target dari marketing campaign tersebut. Dalam menentukan target pasar, perusahaan perlu mengenal karakteristik customer supaya marketing campaign yang dibuat tepat sasaran.
Penentuan target customer bisa dilakukan dengan melakukan customer segmentation. Customer segmentation adalah strategi pemasaran yang mengelompokan target pasar berdasarkan karakteristik yang sama untuk dikelola secara efektif dan tepat agar mencapai tujuan bisnis yang telah ditetapkan. Pengelompokan pelanggan yang dilakukan dengan tepat akan memudahkan perusahaan dalam memasarkan produk secara efisien dan efektif, baik secara biaya maupun waktu.Dalam kasus ini, customer segmentation akan membantuh superstore dalam melakukan marketing campaing.
Superstore merupakan sebuah perusahaan retail yang sedang membuat rencana untuk melakukan marketing campaing akhir tahun. Superstore ingin marketing campaing yang mereka buat tepat sasaran, sehingga menghasilkan output yang lebih baik. Selain itu Superstore juga menginginkan marketing tersebut efektif dan efesian, dalam artian marketing campaing yang dilakukan tidak memakan waktu dan biaya yang terlalu besar. Oleh karena itu saya akan membuat sebuah machine learning untuk mengklafikasikan customer-customer superstore kedalam beberapa cluster untuk memudahkan superstore dalam melakukan aktivitas marketing campaing yang efektif dan efisien.
Business Impact
Customer Segmentation tentunya akan membawa banyak impact postifi bagi Superstore. Impact-impact yang Superstore bisa dapatkan adalah sebagai berikut:
- Memudahkan superstore dalam memahami karakteristik customernya
- Meningkatkan efektitivitas dan efisiensi dalam melakukan marketing campaign, baik dari segi waktu maupun biaya yang dikeluarkan
- Meningkatkan keberhasilan marketing campaign yang dilakukan oleh superstore.
Target dan Manfaat
- Bagi perusahaan : kegiatan pemasaran lebih efektif dan efisien
- Bagi pelanggan : mengetahui infromasi-informasi yang sesuai dengan kebutuhan pelanggan
- Bagi karyawan : karyawan jadi memiliki tujuan yang lebih jelas dalam menawarkan produk dan jasa perusahaan, sehingga kerja karyawan menjadi lebih produktif
- Bagi pemagang saham : target pasar yang tepat sasaran dapat meningkatkan keuntungan bagi perusahaan.
Tujuan dan Output Project
- Unsupervised machine learning yagn akurat dalam melakukan clustering
- Dashboard visualisasi yang memudahkan Superstore dalam memberikan karakteristik calon customer
Pengumpulan Data
Library
library(dplyr)
library(caret)
library(GGally)
library(MLmetrics)
library(rsample)
library(lmtest)
library(car)
library(ggplot2)
library(lubridate)Penjelasan Singkat
marketing <- read.csv("superstore_data.csv")
glimpse(marketing)## Rows: 2,240
## Columns: 22
## $ Id <int> 1826, 1, 10476, 1386, 5371, 7348, 4073, 1991, 4047…
## $ Year_Birth <int> 1970, 1961, 1958, 1967, 1989, 1958, 1954, 1967, 19…
## $ Education <chr> "Graduation", "Graduation", "Graduation", "Graduat…
## $ Marital_Status <chr> "Divorced", "Single", "Married", "Together", "Sing…
## $ Income <int> 84835, 57091, 67267, 32474, 21474, 71691, 63564, 4…
## $ Kidhome <int> 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1,…
## $ Teenhome <int> 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1,…
## $ Dt_Customer <chr> "6/16/2014", "6/15/2014", "5/13/2014", "11/5/2014"…
## $ Recency <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ MntWines <int> 189, 464, 134, 10, 6, 336, 769, 78, 384, 384, 450,…
## $ MntFruits <int> 104, 5, 11, 0, 16, 130, 80, 0, 0, 0, 26, 4, 82, 10…
## $ MntMeatProducts <int> 379, 64, 59, 1, 24, 411, 252, 11, 102, 102, 535, 6…
## $ MntFishProducts <int> 111, 7, 15, 0, 11, 240, 15, 0, 21, 21, 73, 0, 80, …
## $ MntSweetProducts <int> 189, 0, 2, 0, 0, 32, 34, 0, 32, 32, 98, 13, 20, 16…
## $ MntGoldProds <int> 218, 37, 30, 0, 34, 43, 65, 7, 5, 5, 26, 4, 102, 3…
## $ NumDealsPurchases <int> 1, 1, 1, 1, 2, 1, 1, 1, 3, 3, 1, 2, 1, 1, 0, 4, 4,…
## $ NumWebPurchases <int> 4, 7, 3, 1, 3, 4, 10, 2, 6, 6, 5, 3, 3, 1, 25, 2, …
## $ NumCatalogPurchases <int> 4, 3, 2, 0, 1, 7, 10, 1, 2, 2, 6, 1, 6, 1, 0, 1, 1…
## $ NumStorePurchases <int> 6, 7, 5, 2, 2, 5, 7, 3, 9, 9, 10, 6, 6, 2, 0, 5, 5…
## $ NumWebVisitsMonth <int> 1, 5, 2, 7, 7, 2, 6, 5, 4, 4, 1, 4, 1, 6, 1, 4, 4,…
## $ Response <int> 1, 1, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1,…
## $ Complain <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…Objek marketing terdiri dari 2.240 baris dan 22 kolom.
Kolom-kolomnya adalah sebagai berikut:
- Response (target) : 1 jika pelanggan menerima tawaran di kampanye terakhir, 0 sebaliknya
- ID : ID unik dari setiap pelanggan
- Year_Birth : Usia pelanggan
- Complain : 1 jika pelanggan melakukan komplain dalam 2 tahun terakhir
- DtCustomer : tanggal pendaftaran pelanggan dengan perusahaan
- Education : tingkat pendidikan pelanggan
- Marital_Status : status perkawinan pelanggan
- Kidhome : jumlah anak kecil di rumah pelanggan
- Teenhome : jumlah remaja dalam rumah tangga pelanggan
- Income : pendapatan rumah tangga tahunan pelanggan
- MntFishProducts : jumlah yang dibelanjakan untuk produk ikan dalam 2 tahun terakhir
- MntMeatProducts : jumlah yang dihabiskan untuk produk daging dalam 2 tahun terakhir
- MntFruits : jumlah yang dibelanjakan untuk produk buah-buahan dalam 2 tahun terakhir
- MntSweetProducts : jumlah yang dibelanjakan untuk produk manis dalam 2 tahun terakhir
- MntWines : jumlah yang dibelanjakan untuk produk anggur dalam 2 tahun terakhir
- MntGoldProds : jumlah yang dibelanjakan untuk produk emas dalam 2 tahun terakhir
- NumDealsPurchases : jumlah pembelian yang dilakukan dengan diskon
- NumCatalogPurchases : jumlah pembelian yang dilakukan menggunakan katalog (membeli barang untuk dikirim melalui pos)
- NumStorePurchases : jumlah pembelian yang dilakukan langsung di toko
- NumWebPurchases : jumlah pembelian yang dilakukan melalui situs web perusahaan
- NumWebVisitsMonth : jumlah kunjungan ke situs web perusahaan dalam sebulan terakhir
- Recency : jumlah hari sejak pembelian terakhir
Sumber data
Data diambil dengan menggunakan teknik pengumpulan data sekunder, yaitu dengan data customer superstore yang sudah ada. Dataset yang akan saya gunakan bersumber dari Kaggle dengan judul “Superstore Marketing Campaing Dataset”. Berikut lampiran link dari dataset tersebut https://www.kaggle.com/datasets/ahsan81/superstore-marketing-campaign-dataset
Kesesuaian data dengan kebutuhan bisnis
Dataset “Superstore Marketing Campaing Dataset” memiliki kolom-kolom yang yang menjelaskan karaktersik customer sehingga mampu mengklafikasikan customer kedalam cluster-cluster tertentu. Oleh karen aitu dataset tersebut sudah cukup sesuai dengan kebutuhan Superstore.
Data Preperation
Check Missing Values
anyNA(marketing)## [1] TRUEcolSums(is.na(marketing))## Id Year_Birth Education Marital_Status
## 0 0 0 0
## Income Kidhome Teenhome Dt_Customer
## 24 0 0 0
## Recency MntWines MntFruits MntMeatProducts
## 0 0 0 0
## MntFishProducts MntSweetProducts MntGoldProds NumDealsPurchases
## 0 0 0 0
## NumWebPurchases NumCatalogPurchases NumStorePurchases NumWebVisitsMonth
## 0 0 0 0
## Response Complain
## 0 0Ubah Tipe Data, seleksi kolom, dan handle missing values
marketing_clean <- marketing %>%
mutate(Education = as.factor(Education),
Marital_Status = as.factor(Marital_Status),
Dt_Customer = mdy(Dt_Customer),
Response = as.factor(Response),
Complain = as.factor(Complain)) %>%
select(-Id) %>%
filter(Income > 0)
glimpse(marketing_clean)## Rows: 2,216
## Columns: 21
## $ Year_Birth <int> 1970, 1961, 1958, 1967, 1989, 1958, 1954, 1967, 19…
## $ Education <fct> Graduation, Graduation, Graduation, Graduation, Gr…
## $ Marital_Status <fct> Divorced, Single, Married, Together, Single, Singl…
## $ Income <int> 84835, 57091, 67267, 32474, 21474, 71691, 63564, 4…
## $ Kidhome <int> 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1,…
## $ Teenhome <int> 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1,…
## $ Dt_Customer <date> 2014-06-16, 2014-06-15, 2014-05-13, 2014-11-05, 2…
## $ Recency <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ MntWines <int> 189, 464, 134, 10, 6, 336, 769, 78, 384, 384, 450,…
## $ MntFruits <int> 104, 5, 11, 0, 16, 130, 80, 0, 0, 0, 26, 4, 82, 10…
## $ MntMeatProducts <int> 379, 64, 59, 1, 24, 411, 252, 11, 102, 102, 535, 6…
## $ MntFishProducts <int> 111, 7, 15, 0, 11, 240, 15, 0, 21, 21, 73, 0, 80, …
## $ MntSweetProducts <int> 189, 0, 2, 0, 0, 32, 34, 0, 32, 32, 98, 13, 20, 16…
## $ MntGoldProds <int> 218, 37, 30, 0, 34, 43, 65, 7, 5, 5, 26, 4, 102, 3…
## $ NumDealsPurchases <int> 1, 1, 1, 1, 2, 1, 1, 1, 3, 3, 1, 2, 1, 1, 0, 4, 4,…
## $ NumWebPurchases <int> 4, 7, 3, 1, 3, 4, 10, 2, 6, 6, 5, 3, 3, 1, 25, 2, …
## $ NumCatalogPurchases <int> 4, 3, 2, 0, 1, 7, 10, 1, 2, 2, 6, 1, 6, 1, 0, 1, 1…
## $ NumStorePurchases <int> 6, 7, 5, 2, 2, 5, 7, 3, 9, 9, 10, 6, 6, 2, 0, 5, 5…
## $ NumWebVisitsMonth <int> 1, 5, 2, 7, 7, 2, 6, 5, 4, 4, 1, 4, 1, 6, 1, 4, 4,…
## $ Response <fct> 1, 1, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1,…
## $ Complain <fct> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…EDA
dim(marketing_clean)## [1] 2216 21summary(marketing_clean)## Year_Birth Education Marital_Status Income
## Min. :1893 2n Cycle : 200 Married :857 Min. : 1730
## 1st Qu.:1959 Basic : 54 Together:573 1st Qu.: 35303
## Median :1970 Graduation:1116 Single :471 Median : 51382
## Mean :1969 Master : 365 Divorced:232 Mean : 52247
## 3rd Qu.:1977 PhD : 481 Widow : 76 3rd Qu.: 68522
## Max. :1996 Alone : 3 Max. :666666
## (Other) : 4
## Kidhome Teenhome Dt_Customer Recency
## Min. :0.0000 Min. :0.0000 Min. :2012-01-08 Min. : 0.00
## 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:2013-01-19 1st Qu.:24.00
## Median :0.0000 Median :0.0000 Median :2013-07-11 Median :49.00
## Mean :0.4418 Mean :0.5054 Mean :2013-07-11 Mean :49.01
## 3rd Qu.:1.0000 3rd Qu.:1.0000 3rd Qu.:2013-12-31 3rd Qu.:74.00
## Max. :2.0000 Max. :2.0000 Max. :2014-12-06 Max. :99.00
##
## MntWines MntFruits MntMeatProducts MntFishProducts
## Min. : 0.0 Min. : 0.00 Min. : 0.0 Min. : 0.00
## 1st Qu.: 24.0 1st Qu.: 2.00 1st Qu.: 16.0 1st Qu.: 3.00
## Median : 174.5 Median : 8.00 Median : 68.0 Median : 12.00
## Mean : 305.1 Mean : 26.36 Mean : 167.0 Mean : 37.64
## 3rd Qu.: 505.0 3rd Qu.: 33.00 3rd Qu.: 232.2 3rd Qu.: 50.00
## Max. :1493.0 Max. :199.00 Max. :1725.0 Max. :259.00
##
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## Min. : 0.00 Min. : 0.00 Min. : 0.000 Min. : 0.000
## 1st Qu.: 1.00 1st Qu.: 9.00 1st Qu.: 1.000 1st Qu.: 2.000
## Median : 8.00 Median : 24.50 Median : 2.000 Median : 4.000
## Mean : 27.03 Mean : 43.97 Mean : 2.324 Mean : 4.085
## 3rd Qu.: 33.00 3rd Qu.: 56.00 3rd Qu.: 3.000 3rd Qu.: 6.000
## Max. :262.00 Max. :321.00 Max. :15.000 Max. :27.000
##
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Response Complain
## Min. : 0.000 Min. : 0.000 Min. : 0.000 0:1883 0:2195
## 1st Qu.: 0.000 1st Qu.: 3.000 1st Qu.: 3.000 1: 333 1: 21
## Median : 2.000 Median : 5.000 Median : 6.000
## Mean : 2.671 Mean : 5.801 Mean : 5.319
## 3rd Qu.: 4.000 3rd Qu.: 8.000 3rd Qu.: 7.000
## Max. :28.000 Max. :13.000 Max. :20.000
## hist(marketing_clean$Income,100)
boxplot(marketing_clean$Income)
ggplot(marketing_clean,aes(x=Education,y=Income,fill=Education))+
geom_boxplot(outlier.shape=5,outlier.size=1)