The customer relationship management based on data mining

2012 ◽  
Author(s):  
Haiying Ma ◽  
Dong Gang
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Relationship

scholarly journals Penerapan Algoritma Fuzzy C-Means Dipadukan Dengan Model Fuzzy Recency Frequency Monetary (RFM) Untuk Customer Relationship Management (CRM) (Studi Kasus Di TokoSweet Amirah Medan)

2019 ◽  
Vol 15 (1) ◽  
pp. 7
Author(s):  
Yohanni Syahra ◽  
Yusnidah Y ◽  
Beni Andika
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Relationship ◽  
Fuzzy C Means

Konsumen merupakan aset yang sangat penting bagi perusahaan retail.Hal ini adalah alasan mengapa perusahaan retail harus merencanakan dan menggunakan strategi yang cukup jelas dalam memperlakukan konsumen.Dengan banyaknya jumlah konsumen yang dimiliki oleh suatu perusahaan retail, maka masalah yang dihadapi adalah bagaimana menentukan konsumen potensial.Dengan menerapkan konsep CRM (Customer Relationship Management), perusahaan dapat melakukan identifikasi konsumen potensial dengan melakukan segmentasi konsumen. Tujuan dari proses segmentasi konsumen adalah untuk mengetahui perilaku konsumen dan menerapkan strategi pemasaran yang tepat sehingga mendatangkan keuntungan bagi pihak perusahaan. Penelitian ini membahas tentang bagaimana proses data mining dari data konsumen di Toko Sweet Amirah, yaitu perusahaan retail yang khusus menjual perlengkapan dan peralatan bayi serta underwear pria dan wanita dewasa dan anak-anak dan berlokasi di Jalan Gedung Arca No. 29 B-C, Medan.ProsesData Miningini menggunakan data yang berasal dari data penjualan pada Toko Sweet Amirah dan bertujuan untuk mencari konsumen potensial.Model RFM merupakan model segmentasi yang umum digunakan pada perusahaan retail. Selanjutnya melakukan proses clustering menggunakan algoritma Fuzzy C-Means (FCM). Pada FCM jumlah cluster ditentukan. Hasil clustering dari algoritma tersebut digunakan untuk Aplikasidata miningmenggunakan MATLAB versi 7.10.0 dan memanfaatkan beberapatoolboxyaituFuzzy Logic ToolboxdanDatabase Toolbox

scholarly journals IMPLEMENTASI ALGORITMA FUZZY C-MEANS DAN METODE RECENCY FREQUENCY MONETARY (RFM) PADA APLIKASI DATA MINING UNTUK PENGELOMPOKAN PELANGGAN

Sebatik ◽  
2018 ◽  
Vol 22 (2) ◽  
pp. 88-94
Author(s):  
Nindya Rahmawati Syarif ◽  
Windarto Windarto
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Relationship ◽  
Fuzzy C Means ◽  
Rfm Model ◽  
Total Data

Pada dunia retail, konsumen merupakan salah satu aset yang sangat berpengaruh. Oleh sebab itu konsumen menjadi alasan perusahaan retail harus merencanakan dan mempunyai strategi yang baik dalam memperlakukan konsumennya. Dengan banyaknya jumlah konsumen yang dimiliki oleh suatu perusahaan retail, maka masalah yang harus dihadapi adalah bagaimana menentukan konsumen potensial dan menerapkan strategi pemasaran yang tepat sehingga mendatangkan keuntungan bagi pihak perusahaan. Maka dari itu, dengan menerapkan konsep CRM (Customer Relationship Management), perusahaan dapat melakukan penerapan konsumen potensial dengan melakukan segmentasi pengelompokan konsumen. Penelitian ini membahas tentang proses data mining menggunakan data konsumen dan data transaksi pada PT Eka Cipta Rasa. Proses data mining dimulai dengan melakukan proses clustering menggunakan algoritma Fuzzy C-Means (FCM). Output dari FCM adalah deretan pusat cluster dan beberapa derajat keanggotaan untuk setiap titik data. Hasil clustering digunakan untuk melakukan segmentasi kelas konsumen dengan menggunakan model Fuzzy RFM. Model Fuzzy RFM yaitu dengan menggabungkan teori himpunan fuzzy dengan model RFM dengan segmentasi berdasarkan atribut Recency, Frequency, dan Monetary. Umumnya perusahaan retail menggunakan metode ini untuk proses segmentasi konsumennya. Pengelompokkan (cluster) pelanggan berdasarkan karakteristik dan sifat saat bertransaksi dapat dijadikan suatu alternatif dalam pemecahan masalah. Dalam hal  ini, pelanggan akan dibagi menjadi 4 kelompok atau cluster pelanggan diantaranya  Golden, Silver, Bronze, dan Iron adapun variabel yang menjadi acuan pengelompokannya adalah tanggal pembelian akhir , frekuensi beli, dan total pembelian. Data yang digunakan merupakan data transaksi pelanggan periode Januari sampai Juni 2016. Total data adalah 4007 transaksi dari 328 pelanggan. Setelah data tersebut diolah dengan algoritma Fuzzy C-Means dan metode RFM, hasil akhir pada proses ini menunjukkan iterasi berakhir pada iterasi ke – 9 dengan total fungsi objektif sebesar 102,2 dan perubahan fungsi objektif sebesar 51,1. Cluster pelanggan yang dihasilkan adalah Golden : 38, Silver: 186, Bronze : 103 dan Iron : 0 .

Data Mining for Lifetime Value Estimation

2011 ◽  
pp. 431-437
Author(s):  
Silvia Figini
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Large Degree ◽  
Customer Relationship ◽  
Management Process ◽  
Independent Components ◽  
Customer Lifetime ◽  
Lifetime Value ◽  
Value Estimation

Customer lifetime value (LTV, see e.g. Bauer et al. 2005 and Rosset et al. 2003), which measures the profit generating potential, or value, of a customer, is increasingly being considered a touchstone for administering the CRM (Customer relationship management) process. This in order to provide attractive benefits and retain high-value customers, while maximizing profits from a business standpoint. Robust and accurate techniques for modelling LTV are essential in order to facilitate CRM via LTV. A customer LTV model needs to be explained and understood to a large degree before it can be adopted to facilitate CRM. LTV is usually considered to be composed of two independent components: tenure and value. Though modelling the value (or equivalently, profit) component of LTV, (which takes into account revenue, fixed and variable costs), is a challenge in itself, our experience has revealed that finance departments, to a large degree, well manage this aspect. Therefore, in this paper, our focus will mainly be on modelling tenure rather than value.

Customer Relationship Management and Data Mining

2016 ◽  
pp. 1362-1401
Author(s):  
Niccolò Gordini ◽  
Valerio Veglio
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Customer Value ◽  
Relationship Management ◽  
Global Market ◽  
Customer Relationship ◽  
Digital Revolution ◽  
Marketing Activities ◽  
Potential Customers

In the global market of today, Customer Relationship Management (CRM) plays a fundamental role in market-oriented companies to understand customer behaviors, achieve and maintain a long-term relationship with them, and maximize the customer value. Moreover, the digital revolution has made information easy and fairly inexpensive to capture. Thus, companies have stored a large amount of data about their current and potential customers. However, this data is often raw and meaningless. Within the CRM framework, Data Mining (DM) is a very popular tool for extracting useful information from this data and for predicting customer behaviors in order to make profitable marketing decisions. This research aims to demonstrate the classification decision tree as one of the main computational data mining models able to forecast accurate marketing performance within global organizations. Particular attention is paid to the identification of the best marketing activities to which firms should concentrate their future marketing investments. The criteria is based on the loss functions that confirm the accuracy of this model.

Big Data and Service Science

2016 ◽  
pp. 180-196
Author(s):  
Tu-Bao Ho ◽  
Siriwon Taewijit ◽  
Quang-Bach Ho ◽  
Hieu-Chi Dam
Keyword(s):  
Machine Learning ◽  
Data Mining ◽  
Big Data ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Service Science ◽  
Customer Relationship ◽  
Service Value ◽  
Mining Methods ◽  
The Relationship

Big data is about handling huge and/or complex datasets that conventional technologies cannot handle or handle well. Big data is currently receiving tremendous attention from both industry and academia as there is much more data around us than ever before. This chapter addresses the relationship between big data and service science, especially how big data can contribute to the process of co-creation of service value. In particular, the value co-creation in terms of customer relationship management is mentioned. The chapter starts with brief descriptions of big data, machine learning and data mining methods, service science and its model of value co-creation, and then addresses the key idea of how big data can contribute to co-create service value.

Sign in / Sign up

Export Citation Format

Share Document