BAB 2 LANDASAN TEORI

BAB 2
LANDASAN TEORI
2.1
Data mining
2.1.1
Definisi Data mining
Data mining menyediakan teknologi yang pintar dan kemampuan untuk
menjelajahi kemungkinan pengetahuan atau informasi yang tersimpan dalam suatu data
(Berson, 2000, p33).
Data mining adalah proses untuk menemukan pola yang bernilai dan hubungan
yang tersembunyi dalam database yang berukuran sangat besar (Seidman, 2001, p3).
Data mining adalah beberapa cara pengembangan dari ilmu statistik dengan
sedikit artificial intelligence dan seperti sebuah mesin yang mempelajari data untuk
mengatasi masalah dengan menghasilkan informasi yang tidak kelihatan atau tidak
disadari oleh pengguna informasi tersebut (Thearling, 1995, p7).
2.1.2
Metodologi Data mining
Sebagai salah satu bagian dari sistem informasi, data mining menyediakan
perencanaan dari ide hingga implementasi akhir. Komponen-komponen perancangan
data mining (Seidman, 2001, pp9-11) adalah sebagai berikut:
1.
Analisis masalah.
2.
Mengekstrak dan membersihkan data.
7
8
3.
Validasi data.
4.
Membuat dan melatih model.
5.
Query data.
6.
Pemeliharaan model data mining.
Analisis Masalah
Mengekstrak dan
Membersihkan Data
Validasi Data
Membuat dan Melatih
Model
Query data
Pemeliharaan Model
Data mining
Gambar 2.1 Diagram Alir Komponen-komponen Perancangan Data mining
Sumber: Seidman, 2001, p9
2.1.3
Teknik Pembelajaran Data Mining
Teknik yang digunakan dalam data mining erat kaitannya dengan “penemuan”
(discovery) dan “pembelajaran” (learning) yang terbagi dalam tiga kelompok utama
9
pembelajaran, yaitu: supervised learning, unsupervised learning, dan reinforcement
learning (Berson, 2000, p36).
2.1.3.1 Supervised Learning
Supervised learning adalah teknik yang paling umum digunakan. Teknik ini
serupa dengan ”programming by example”. Teknik ini melibatkan fase pelatihan di
mana pelatihan historis yang karakter-karakternya dipetakan ke hasil-hasil yang telah
diketahui diolah dalam algoritma data mining. Proses ini melatih algoritma untuk
mengenali variabel-variabel dan nilai-nilai kunci yang nantinya akan digunakan sebagai
dasar dalam membuat perkiraan-perkiraan ketika diberikan data baru.
2.1.3.2 Unsupervised Learning
Teknik ini tidak melibatkan fase pelatihan seperti yang terdapat pada supervised
learning. Teknik ini bergantung pada penggunaan algoritma yang mendeteksi semua
pola, seperti associations dan sequences, yang muncul dari kriteria penting yang spesifik
dalam data masukan. Pendekatan ini mengarah pada pembuatan banyak aturan (rules)
yang mengkarakterisasikan penemuan associations, clusters, dan segments. Aturanaturan ini kemudian dianalisis untuk menemukan hal-hal penting.
2.1.3.3 Reinforcement Learning
Meskipun teknik ini jarang digunakan jika dibandingkan dengan kedua teknik
lainnya, teknik ini memiliki penerapan-penerapan yang terus dioptimalkan dari waktu ke
waktu dan memiliki kontrol adaptif. Teknik ini menyerupai kehidupan nyata seperti ”onjob-training”, di mana seorang pekerja diberikan sekumpulan tugas yang membutuhkan
10
keputusan-keputusan. Pada beberapa titik waktu kelak diberikan penilaian atas performa
pekerja itu, kemudian pekerja itu diminta untuk mengevaluasi keputusan-keputusan
yang telah dibuatnya sehubungan dengan hasil performa pekerja itu. Reinforcement
learning tepat digunakan untuk menyelesaikan masalah-masalah yang sulit dan
bergantung pada waktu.
2.1.4
Teknik Data mining
2.1.4.1 Decision Trees
Algoritma ini merupakan salah satu algoritma klasifikasi yang paling populer
dan digunakan dalam Data mining and Machine Learning. Algoritma ini bisa digunakan
sebagai introduksi / pengenalan pada suasana dan terminologi dari data mining tanpa
harus
me-review
banyak
kemungkinan
statistikal.
Algoritma
ini
cocok
diimplementasikan oleh mereka yang masih awam terhadap data mining. Setelah
mendefinisikan klasifikasi, akan dijelaskan tentang bagaimana perolehan informasi
dapat digunakan untuk menemukan atribut-atribut prediktif yang diinput. Pengaplikasian
prosedur ini secara rekursif memungkinkan user dalam membangun suatu decision trees
untuk memprediksi kejadian di masa mendatang.
Decision trees merupakan suatu model prediksi yang berbentuk seperti pohon
(tree) dengan setiap cabangnya (branches) merupakan hasil klasifikasi dari pertanyaan
dan daunnya (leaf) merupakan hasil partisi dari kumpulan data sesuai dengan
klasifikasinya.
Sebagai contoh, jika dilihat dari sudut pandang bisnis, decision trees dapat dilihat
sebagai segmentasi dari data, di mana setiap segmen merupakan data yang mempunyai
11
sifat yang sama, sehingga memudahkan pengguna bisnis dalam memahami informasi
yang terkandung di dalamnya. Melalui decision trees, user dapat memprediksi sumbersumber penyebab suatu masalah bisnis, yang diurutkan mulai dari yang paling
berpengaruh hingga yang berpengaruh lebih sedikit.
Decision tree dapat digunakan untuk menangani berbagai masalah bisnis, yaitu
untuk eksplorasi, preproses data, dan prediksi. Eksplorasi dilakukan dengan melihat
predictor dan nilai yang dipilih pada setiap segmen dari tree. Preproses data merupakan
keadaan di mana decision trees digunakan untuk mencari predictor pada tahap awal
proses data mining, di mana hasilnya kemudian dapat digunakan oleh algoritma lainnya,
seperti neural networks, nearest neighbour, atau statistik.
Terdapat banyak variasi algoritma dalam mengkonstruksi decision trees. Dalam
menyusun skripsi ini, digunakan teknik Microsoft Decision Trees yang merupakan
Probabilistic Classification Tree. Teknik ini menggunakan Bayesian score sebagai
default-nya. (Lihat halaman 133)
2.1.4.2 Clustering
Clustering merupakan suatu metode di mana record-record dikumpulkan
bersama dengan tujuan untuk dapat memberikan pandangan terhadap apa yang ada di
dalam database. Clustering juga dapat berarti segmentasi yang berguna dalam hal
prediksi masalah bisnis. Salah satu varian dari algoritma clustering adalah algoritma
Microsoft Clustering, yang berdasarkan pada algoritma Expectation and Maximization
(EM). Algoritma ini terdiri dari dua tahap. Pada tahap pertama, yang disebut dengan
tahap E atau ”expectation”, dilakukan pengkalkulasian cluster-cluster dari setiap kasus.
Pada tahap kedua, yang disebut dengan tahap M atau ”maximization”, dilakukan
12
estimasi ulang terhadap parameter-parameter dari model dengan menggunakan clustercluster yang ada.
Algortima ini terdiri lima tahap penting:
1.
Menerapkan metode / cara initial.
2.
Menerapkan kasus-kasus yang ada ke setiap metode dengan menggunakan
beberapa distance measure.
3.
Mengkomputasi metode-metode yang baru dengan berdasarkan pada setiap
cluster.
4.
Menerapkan bin boundaries baru yang berdasarkan pada metode-metode baru.
5.
Ulang sampai terjadi konvergensi.
Teknik EM ini berbeda dengan K-Means, di mana teknik EM tidak memiliki
batasan yang ketat antar cluster. Setiap kasus diterapkan ke setiap cluster dengan
kemungkinan tertentu.
Umumnya, beberapa algoritma clustering harus me-load semua data points ke
memory, yang di mana dapat menyebabkan masalah skalabilitas yang serius ketika
dihadapkan dengan keadaan pemrosesan dataset dalam jumlah besar. Algoritma
Microsoft Clustering menggunakan scalable framework, yang dapat menyimpan bagianbagian dari database yang penting dan merangkum bagian-bagian yang lain. Algoritma
Microsoft Clustering hanya perlu melakukan scanning data mentah sebanyak satu kali.
13
2.1.5
Istilah-istilah Data Mining
2.1.5.1 Data Mining Model
Suatu model data mining serupa dengan tabel relasi. Model data mining
mengandung sejumlah kolom key, kolom input, dan kolom predictable. Model ini
berhubungan dengan algoritma data mining. Suatu model data mining menyimpan polapola yang ditemukan oleh algoritma data mining tentang dataset. Suatu model data
mining dapat dikategorikan sebagai suatu ”truth table” yang mengandung baris-baris
untuk setiap kombinasi nilai setiap kolom dari model yang mungkin. Model ini
kemudian dapat digunakan sebagai alat prediksi.
2.1.5.2 Columns
Suatu kolom pada model data mining serupa dengan kolom pada tabel relasi.,
yang di mana pada tabel relasi kolom ini disebut dengan ”variable” atau ”attribute”.
Terdapat tiga jenis kolom pada model data mining, yaitu kolom input, kolom
predictable, atau kolom yang merupakan gabungan dari kolom input dan predictable.
Suatu model data mining menggunakan suatu set atribut input dari kasus untuk
memprediksi atribut output.
2.1.5.3 States
Setiap atribut memiliki suatu set nilai yang mungkin. Nilai-nilai ini disebut
dengan state dari atribut.
14
2.1.5.4 Cases
Suatu case (kasus) merupakan entiti dasar dari informasi. Suatu kasus dapat
berbentuk sederhana, sebagai contoh, ketika menganalisa resiko pinjaman kredit dari
pelanggan, di mana informasi pelanggan menjadi suatu kasus. Suatu kasus dapat
berbentuk lebih rumit. Sebagai contoh, suatu model data mining dapat memprediksi
daftar produk apa saja yang mungkin dibeli oleh pelanggan, dengan berdasarkan pada
informasi demografi pelanggan. Model yang mengkombinasikan informasi demografi
pelanggan dengan daftar produk yang dibelinya seperti disebutkan di atas disebut
dengan ”nested tables”.
2.1.5.5 Case Tables dan Nested Tables
Case table merupakan tabel yang mengandung informasi kasus yang
berhubungan dengan bagian non nested dari data. Nested table merupakan tabel yang
mengandung informasi yang berhubungan dengan bagian nested dari data. Pada contoh
di atas, terdapat dua tabel input pada model data mining. Tabel yang satu mengandung
informasi seputar demografi pelanggan. Tabel ini disebut dengan case table. Sedangkan
tabel yang lainnya mengandung informasi seputar transaksi pembelian pelanggan. Tabel
ini disebut dengan nested table. Suatu nested table serupa dengan tabel transaksi dalam
terminologi database.
15
2.2
Customer Relationship Management (CRM)
2.2.1
Definisi CRM
Menurut buku E-Business Roadmap for Success (Kalakota dan Robinson, 1999,
p117), CRM adalah kombinasi dari proses bisnis dan teknologi untuk memperoleh
informasi agar dapat memahami pelanggan-pelanggan perusahaan dari berbagai sudut
pandang: siapa mereka, apa yang mereka lakukan, dan apa yang mereka suka.
CRM didefinisikan sebagai suatu integrasi antara strategi penjualan, pemasaran,
dan pelayanan yang tidak melihat keputusan masing-masing departemen dalam
perusahaan dan bergantung pada tindakan-tindakan terkoordinasi perusahaan.
2.2.2
Mengapa CRM?
Kunci utama dalam mempertahankan stabilitas ruang lingkup pemasaran,
khususnya yang bergerak dalam bidang e-commerce, saat ini adalah dengan
menciptakan suatu hubungan jangka panjang dengan para pelanggan.
Pelanggan (customer) dapat dibedakan ke dalam tiga zona:
1.
Zone of defection, di mana para pelanggan merasa tidak puas akan pelayanan
yang ditawarkan dan memiliki kemungkinan besar untuk berpindah ke
perusahaan lain.
2.
Zone of indifference, di mana para pelanggan bersikap tidak begitu pasti dan
memiliki tingkat kepuasan dan loyalitas terhadap perusahaan yang medium.
3.
Zone of affection, di mana para pelanggan merasa puas akan pelayanan yang
ditawarkan dan menempatkan loyalitas yang tinggi pada perusahaan.
16
Pelanggan menuntut adanya kustomisasi pelayanan yang semakin beragam
seiring berjalannya waktu. Hal ini menyebabkan perusahaan-perusahaan memindahkan
fokus mereka dari “mass production” ke “mass customization”. Hal yang perlu
diperhatikan oleh perusahaan-perusahaan e-commerce saat ini adalah tentang penerapan
strategi multi-channels dengan tujuan untuk meningkatkan kepuasan dan loyalitas para
pelanggan.
Berdasarkan hasil studi IT Consulting Firm Aberdeen, perusahaan-perusahaan
yang mengimplentasikan CRM dan mengubah bisnis mereka menjadi e-business
memiliki kemungkinan yang lebih besar dalam menarik perhatian para pelanggan.
Pengorganisasian
bisnis
untuk
memuaskan
para
pelanggan
seperti
pada
pengimplemtasian CRM menuntut adanya pengorganisasian atau penyederhanaan
fungsi-fungsi internal dalam suatu perusahaan. Dengan CRM, suatu perusahaan dapat
mengurangi alur kerja, cycle time, dan alur informasi tentang pelanggan yang tidak
penting dapat dieliminasi.
2.2.3
Tujuan dan Manfaat CRM
Tujuan CRM adalah untuk mengoptimalkan keuntungan perusahaan dengan
membuat perusahaan lebih efisien dalam menggunakan sumber daya yang ada untuk
melayani pelanggan yang diinginkan dan memelihara hubungan dengan pelanggan.
(Kalakota dan Robinson, 1999, p117).
Pendapat lain tentang tujuan diterapkannya konsep CRM adalah (Seybold, Maret
2002, p5):
1.
Mendapatkan pelanggan baru (Acquire)
17
Memulai hal baru merupakan pengalaman yang penting bagi pelanggan.
Perusahaan dapat melakukan promosi dengan memasang iklan pada beberapa
media massa juga pemberian potongan harga untuk menarik pelanggan baru.
2.
Mempertahankan pelanggan untuk selamanya (Retain)
Fokus pada kemampuan untuk mengadaptasi pada pelayanan apa yang
diperlukan dan sesuai untuk pelanggan serta memberikan layanan yang bersifat
one-stop-service untuk semua hal yang berhubungan dengan pelanggan.
3.
Meningkatkan nilai transaksi pelanggan (Enhance)
Tujuan pada enhance adalah pengembangan relasi ke arah peningkatan nilai
transaksi penjualan yang bersifat cross-selling (produk komplemen) maupun upselling (produk yang bermutu lebih baik).
Kunci keberhasilan pelaksanaan CRM tergantung pada tiga hal yang harus saling
mendukung satu dengan yang lain, yaitu:
1.
People (sumber daya manusia)
Adalah keseluruhan anggota perusahaan, dari manajemen sampai staf terendah.
a. Budaya kerja.
Adanya kesamaan visi CRM, pemahaman konsep ’customer-focused’ dalam
pelaksanaan praktek kerja, kerja sama dan kekompakan tim, antara pihak
manajemen dan staf. Hal ini dapat diperoleh dengan diadakannya pelatihan
(training) dan penanaman konsep CRM dan ’customer-focused’ bagi staf dan
manajemen.
18
b. Keterampilan
Keterampilan staf dan pihak manajemen dalam menjalin hubungan dengan
pelanggan, dalam memperoleh informasi yang dibutuhkan tentang pelanggan,
serta kemampuan menganalisis dan menarik kesimpulan dari keseluruhan
informasi pelanggan.
2.
Process (proses bisnis yang dilakukan)
Adalah proses bisnis perusahaan yang berorientasi pada ’customer-focused’,
yang lebih difokuskan pada sisi penjualan, pemasaran, dan pelayanan pelanggan.
3.
Technology (teknologi informasi yang digunakan)
Adalah teknologi informasi yang digunakan sebagai piranti pembantu yang
mendukung unsur people dan process.
Kombinasi antara ketiganya disimbolkan dengan:
( People + Process ) Technology
artinya:
1.
Jika (People + Process) < adequate (memadai), maka penggunaan teknologi
informasi akan memperbesar kesalahan pada inisiatif CRM.
2.
Jika (People + Process) > adequate (memadai), maka penggunaan teknologi
informasi akan mempercepat kesuksesan dan memperbesar keuntungan yang
dapat diraih perusahaan.
19
Beberapa manfaat yang dapat diperoleh dari penggunaan CRM dijabarkan
sebagai berikut :
1.
Meningkatkan pendapatan.
2.
Mendorong loyalitas pelanggan.
3.
Menekan biaya.
4.
Meningkatkan efisiensi operasional.
5.
Meningkatkan time to market.
2.2.4
Arsitektur dan Komponen CRM
Dalam arsitektur CRM (gambar 2.2), dapat dilihat sejumlah customer touch-
points dan delivery channels yang menghasilkan dan menggunakan informasi. Yang
dimaksud dengan customer touch-points (Berson, 1999, p46) adalah points of contact
dimana perusahaan dapat berinteraksi dan “touch” pelanggan dan begitu pula sebaliknya.
Informasi ini perlu diintegrasikan dan dianalisis untuk mendapatkan sebuah gambaran
yang lengkap dan akurat tentang preferensi, kebutuhan, keluhan, dan atribut lainnya dari
pelanggan yang dapat menjadikannya menjadi pelanggan jangka panjang sebagai
pelanggan produk atau jasa perusahaan.
Komponen-komponen yang menjadi bagian dari CRM tidak hanya data
warehouse dan data marts, tetapi juga meliputi data mining, reporting, OLAP engines,
dan penyimpanan metadata.
Gambar 2.2 CRM Architecture
(Sumber : Berson ,1999, p45)
20
21
2.2.5
Jenis-Jenis CRM
Secara garis besar, CRM dapat diklasifikasikan dalam 3 jenis, yaitu (Bearson,
1999, p45):
1.
Operational CRM
Mencakup otomatisasi yang terintegrasi dari keseluruhan proses bisnis, termasuk
di dalamnya customer touch-points dan customer channels dan integrasi front
office-back office.
2.
Analytical CRM
Merupakan proses analisis dari data-data yang dihasilkan pada Operational CRM.
3.
Collaborative CRM
Aplikasi pelayanan yang terkolaborasi, seperti e-mail, personalized publishing,
e-communities, forum diskusi, dan sarana lainnya yang dirancang untuk
memfasilitasi interaksi antara pelanggan dan pihak perusahaan.
CRM yang terdiri dari ketiga komponen di atas memiliki tujuan secara umum
yaitu untuk memaksimumkan keuntungan perusahaan sejalan dengan meningkatkan dan
memelihara kepuasan pelanggan.
Operational CRM mengoptimasi proses bisnis yang berinteraksi secara langsung
dengan pelanggannya (Beck dan Summer, 2001, pp1-2). CRM memiliki berbagai
macam aplikasi yang diterapkan dalam pemasaran, penjualan, dan pelayanan yang
mendukung proses bisnis. Aplikasi proses bisnis yang menerapkan hal di atas tergolong
dalam aplikasi operasional.
Aplikasi operational CRM dibedakan menjadi dua, yaitu:
1.
Customer-Facing Applications
22
Faktor utama dari aplikasi CRM Customer-Facing adalah contact center, Sales
Force Automation, dan field service. Disebut Customer-Facing karena pada
kenyataannya, pihak perusahaan ini langsung berhubungan dengan pelanggannya.
2.
Customer-Touching Applications
Faktor utama dari aplikasi CRM Customer-Touching Applications adalah
Campaign management, e-commerce, dan Self-Service Customer Support.
Disebut Customer-Touching karena pelanggan berhubungan langsung dengan
aplikasi sistem daripada berhubungan dengan perwakilan perusahaan.
Strategi operational CRM ini memfasilitasi traditional CRM, yang berfokuskan
bagaimana membuat pelayanan, penjualan, dan/atau departemen pemasaran lebih efisien
dan meningkatkan profitabilitas perusahaan dan pelanggan. Sedangkan infrastruktur dan
servis dari Collaborative CRM membuat perusahaan dapat berinteraksi dengan channelnya, yakni semua pihak yang memungkinkan berhubungan dengan perusahaan.
Gambar 2.3 CRM Cycle
(Sumber : Beck dan Summer, 2001, p2)
23
2.2.6
Analytical CRM
Tantangan bagi perusahaan sekarang ini adalah untuk mengerti apa yang menjadi
permintaan pelanggan dan memberikan respon, secara lebih baik, mengantisipasi
kebutuhan
mereka.
Namun,
banyak
perusahaan
hanya
berfokus
untuk
mengimplementasikan penggunaan CRM hanya sebatas untuk “mendengar” kebutuhan
dan keluhan dari pelanggan, yang pada praktisnya hanya berkonsentrasi pada komponen
Operational dan Collaborative CRM, sehingga analisis akan pemahaman dan
pengenalan terhadap pelanggan yang sebenarnya belum terjadi. Diperlukan komponen
Analytical CRM untuk mengoptimalkan hubungan perusahaan dengan pelanggannya.
Analytical CRM memungkinkan perusahaan untuk mendapatkan suatu
pengetahuan akan pelanggan dan melakukan penaksiran atau estimasi terhadap
pelanggan berdasarkan data-data analisis yang dipakai. Pengetahuan yang didapat
perusahaan adalah tentang nilai pelanggan, yang dapat mendukung channel pelayanan
interaksi dengan lebih baik dan mendukung berbagai keputusan dalam mensinergi
penerapan Operational dan/atau Collaborative CRM dalam proses penjualan dan
pemasaran produk, sehingga kedudukannya menjadi sangat esensial bagi komponen
CRM lainnya (Beck dan Summer , 2001, p2).
2.2.6.1 Pengertian Analytical CRM
Analytical CRM merupakan feedback loop antara interaksi pelanggan yang realtime yang terjadi pada front-end atau back-end scorecard untuk menganalisa apa yang
telah terjadi dan bagaimana meningkatkan cara perusahaan berinteraksi di kemudian hari.
(Beck dan Summer, 2001, p5) mengatakan bahwa analytical CRM adalah penggunaan
data pelanggan untuk analisis, pemodelan, dan evaluasi yang ditujukan untuk
24
mendukung perusahaan untuk membentuk suatu hubungan yang profitable antara
perusahaan dan pelanggannya. Analytical CRM terdiri dari semua programming yang
menganalisis data tentang pelanggan perusahaan, sehingga keputusan yang lebih cepat
dan lebih baik dapat dihasilkan (Anonymous, 2001 pp1-1).
Berdasarkan sebuah artikel dalam Info World analytical CRM dapat
menyediakan hal-hal sebagai berikut:
1.
Kelompok segmentasi pelanggan.
2.
Analisa profitabilitas, mengetahui pelanggan mana yang profitable selama kurun
waktu tertentu.
3.
Personalisasi, kemampuan untuk memasarkan kepada pelanggan secara personal
berdasarkan data-data yang ada tentang pelanggan itu.
4.
Event monitoring, yaitu segala aktifitas yang dilakukan pelanggan yang berkaitan
dengan perusahaan dan begitu pula sebaliknya tindakan perusahaan terhadap
segala yang berhubungan dengan pelangannya, seperti promosi, transaksi, dsb.
Analytical CRM mampu melakukan segmentasi pelanggan, membedakan
pelanggan yang memiliki profitabilitas tinggi dengan tingkat akurasi yang lebih matang,
maka Return On Investment (ROI) akan suatu pelanggan dapat diprediksi dengan baik
(Meta Group, 2000, p1). Dengan pengetahuan tersebut maka penawaran yang tepat,
harga yang tepat dapat ditawarkan pada saat yang tepat, kepada pelanggan yang memang
berpotensi untuk membelinya, hal ini akan mengoptimasi pelanggan dan perusahaan.
Dengan kombinasi informasi tentang pelanggan dari semua sumber dan sarana informasi
vital lainnya yang berinteraksi dengan pelanggan, maka perusahaan dapat memperoleh
gambaran yang pasti tentang pelanggan dan perilakunya. Dengan demikian mendukung
25
perusahaan dalam melakukan personalisasi terhadap pelanggan dan menyesuaikan diri
seiring dengan kemungkinan perubahan-perubahan yang terjadi dari permintaan
pelanggan.
Analytical CRM digunakan juga sebagai alat untuk mengevaluasi profitabilitas
pelanggan, berdasarkan segmentasi dari hasil analisa yang kuat, dan meningkatkan ROI
dari pelanggan perusahaan. Dengan menganalisa profitabilitas pelanggan, perusahaan
dapat
melakukan segmentasi pelanggannya berdasarkan tingkat profitabilitasnya
sehingga dapat menetapkan target tingkat penjualannya terhadap masing-masing
pelanggan. Langkah selanjutnya adalah menindaklanjuti feedback loop dari hasil analisa
yang telah dilakukan untuk menentukan interaksi selanjutnya yang akan dibangun
dengan pelanggan (Meta Group, 2000, p2).
Gambar 2.4 Aliran Proses feedback Loop Knowledge
(Sumber : Meta Group, 2000, p2)
26
2.2.6.2 Perbedaan Operational CRM dan Analytical CRM
Tabel berikut ini menjelaskan perbedaan antara Operational CRM dan Analytical
CRM.
Tabel 2.1 Perbedaaan Operational CRM dan Analytical CRM
Operational CRM
ƒ
ƒ
Dibuat untuk menyediakan respon ƒ Didesain untuk proses yang kompleks dan
yang cepat kepada banyak user
memerlukan waktu proses yang lama dan hanya
User mengakses dan mengupdate
digunakan untuk beberapa user saja
data.
ƒ
Analytical CRM
ƒ Selama pemrosesan, jumlah data yang diproses
User melakukan proses transaksi
banyak dan biasanya hanya dapat diretrieve
dalam waktu yang singkat.
(read-only), dengan menggunakan query yang
kompleks.
2.3
Pelanggan
2.3.1
Definisi Pelanggan
Pelanggan adalah semua orang yang menurut perusahaan memenuhi suatu
standard kualitas tertentu, dan karena itu akan memberikan pengaruh kepada performa
organisasi (Gaprez, 1997, p73).
27
A c t iv e
C u sto m e r
I n a c t iv e
C u s to m e r
P ro s p e c t
S uspect
T h e R e s t o f t h e W o rl d
Gambar 2.5 Unsur-unsur Pokok Piramida Pelanggan
(Sumber : Curry, 2000, p7)
Piramida pelanggan di atas (Gambar 2.5) menjelaskan tentang tahapan secara
umum seorang pelanggan organisasi. Unsur-unsur dari piramida pelanggan adalah
sebagai berikut :
1.
Pelanggan Aktif (Active Customer)
Adalah orang atau perusahaan yang telah melakukan pembelian barang atau jasa
dari perusahaan dalam periode tertentu, katakanlah dalam 12 bulan terakhir.
2.
Pelanggan yang tidak aktif (Inactive Customer)
Adalah orang-orang atau perusahaan yang telah membeli barang atau jasa pada
masa lalu, akan tetapi tidak dalam periode tertentu. Pelanggan yang tidak aktif
merupakan sumber yang penting untuk pendapatan potensial dan juga merupakan
sumber informasi tentang apa yang perlu perusahaan lakukan untuk mencegah
pelanggan aktif menjadi pelanggan tidak aktif.
28
3.
Prospects
Adalah orang atau perusahaan yang mempunyai suatu hubungan dengan
perusahaan kita, akan tetapi sampai sekarang mereka belum membeli barang atau
jasa perusahaan. Contoh prospects adalah orang yang telah meminta brosur
perusahaan, orang-orang yang telah melakukan kontak lewat pameran dagang.
Prospects merupakan orang-orang atau perusahaan yang diharapkan akan
meningkat menjadi status pelanggan aktif dalam waktu dekat.
4.
Suspects
Adalah orang-orang atau perusahaan yang sanggup kita layani dengan produk
atau jasa dari suatu perusahaan, akan tetapi sampai sekarang belum memiliki
hubungan dengan perusahaan. Biasanya perusahaan memulai hubungan dengan
suspects dan mengkualifikasikan mereka sebagai Prospects, dengan
tujuan
jangka panjang untuk mengkonversikannya menjadi pelanggan aktif.
5.
The Rest of the World
Adalah orang-orang atau perusahaan yang memang tidak mempunyai keperluan
atau keinginan untuk membeli atau menggunakan produk atau jasa perusahaan.
2.3.2
Model Segmentasi Pelanggan
Seringkali
perusahaan
mengalokasikan
sebagian
besar
pemasarannya
dibelanjakan untuk non-customers. Piramida pelanggan merupakan alat yang berguna
untuk memvisualisasikan, menganalisis, dan memperbaiki perilaku dan profitabilitas
pelanggan. (Curry, 2000, p9).
29
Nilai dari piramida pelanggan meningkat apabila perusahaan mensegmentasikan
pelanggan aktif ke dalam kategori perilaku yang kritikal terhadap keberhasilan
perusahaan, seperti pendapatan penjualan. Namun ini akan disesuaikan dengan
perusahaan masing-masing yang menentukan tolak ukurnya.
"Top"
"Big"
Active Customer
"Small"
"Inactive"
Prospect
Suspect
The Rest of the World
Gambar 2.6 Piramida pelanggan yang Standar (Berdasarkan Penghasilan)
(Sumber : Curry, 2000, p9)
CRM terbentuk untuk memungkinkan setiap pelanggan diperlakukan secara
personal selama proses pemasaran. Segmentasi adalah kunci langkah pertama. Dengan
mengelompokan pelanggan ke dalam segmen-segmen berdasarkan profitabilitas,
kontribusi penghasilan bagi perusahaan, perilaku
dan faktor lainnya, maka setiap
segmen akan mendapatkan perlakuan yang berbeda-beda. Dengan demikian, maka
memperlakukan pelanggan secara personalisasi dapat diwujudkan dan dilakukan dengan
tepat.
30
2.3.3
Membangun Model Pengukuran Profitabilitas Pelanggan
Adalah sesuatu yang sangat efektif bagi perusahaan jika dapat mengetahui
pelanggan mana yang berpotensi meningkatkan profitabilitas perusahaan dan berapa
lama pelanggan tersebut akan memberikan nilai bagi perusahaan, dan sebaliknya
mengetahui mana yang menjadi beban perusahaan dan tidak memberikan kontribusi
yang berarti bagi perusahaan. Sangat penting bagi perusahaan memiliki kemampuan
untuk mengetahui pengetahuan ini, sehingga perusahaan dalam hal ini pimpinan dapat
membuat keputusan dengan lebih baik dengan mengetahui bagaimana, kapan, dan apa
yang harus ditawarkan pada setiap pelanggan. Hal ini akan mendukung dan mampu
meningkatkan efektifitas pelayanan dan interaksi dengan pelanggan.
Ada beberapa faktor yang dapat mempengaruhi profitabilitas seorang pelanggan,
antara lain :
1.
Nilai Pelanggan (Customer Value)
2.
Perilaku Pelanggan (Customer Behavior)
3.
Kepuasan Pelanggan (Customer Satisfaction)
4.
Masa Umur Pelanggan (Customer Lifetime)
5.
Return on Investment (ROI)
2.3.3.1 Nilai Pelanggan (Customer Value)
Secara garis besar, Customer Value atau nilai pelanggan digambarkan sebagai
suatu pemahaman tentang nilai yang sebenarnya terhadap produk atau jasa yang
diberikan perusahaan (Childers, 2003, p25). Value berbicara tentang apa yang akan
pembeli bayar untuk sebuah produk atau jasa. Penting untuk mengetahui bagaimana
31
untuk mengelola customer value secara konsisten, karena hal tersebut dapat merupakan
investasi yang terbaik yang dapat dilakukan oleh perusahaan. Customer value secara
langsung dihubungkan dengan benefit yang dapat diperoleh dari produk dan jasa yang
diberikan kepada masing–masing pelanggan yang mengkonsumsi barang dan jasa.
Pemahaman akan nilai pelanggan merupakan salah satu competitive advantage
perusahaan untuk menghadapi pesaingnya (Childers, 2003, p37)
Variabel-variabel yang digunakan untuk mengukur tingkat customer value antara
lain:
1.
Product Value
Nilai yang didapat pelanggan dari produk yang ditawarkan perusahaan.
2.
Service Value
Nilai yang diperoleh pelanggan dari tingkat pelayanan yang diberikan kepada
pelanggan baik pelayanan secara langsung maupun tidak langsung.
3.
Personnel Value
Nilai yang diperoleh pelanggan dari pelayanan serta tingkah laku karyawan
perusahaan.
4.
Image Value
Nilai yang diperoleh pelanggan dari merek produk yang ditawarkan/yang dibeli
dari perusahaan.
Dapat dipastikan bahwa pelanggan pasti memperhitungkan penawaran mana
yang akan memberikan nilai tertinggi. Para pelanggan membentuk suatu harapan akan
nilai dan bertindak berdasarkan hal itu. Pada praktisnya, penawaran yang memenuhi
32
harapan nilai pelanggan mempengaruhi kepuasan dan kemungkinan pelanggan membeli
kembali (Tunggal, 2000, p18).
2.3.3.2 Perilaku Pelanggan (Customer Behaviour)
Dalam hubungannya dengan perusahaan, identifikasi perilaku pelanggan dapat
diukur dengan beberapa parameter berikut (Tunggal, 2000, pp20-21) :
1.
Penghasilan (Revenue)
Tingkat profitabilitas seorang pelanggan dapat dilihat dari tingkat penghasilan
yang dikontribusikan oleh pelanggan tersebut kepada perusahaan. Ini dapat
diukur dalam jumlah rupiah atau volume produk yang dipesan selama suatu
periode tertentu. Penghasilan yang dimaksud adalah penghasilan kotor yang
diperoleh perusahaan atas transaksi penjualan yang dilakukan pelanggan.
Semakin tinggi kontribusi seorang pelanggan bagi perusahaan dalam hal
penghasilan yang perusahaan terima, maka semakin tinggi tingkat profitabilitas
pelanggan. Perusahaan akan mengalihkan pelayanannya dan mengoptimalkan
penawarannya bagi seorang atau perusahaan pelanggan yang memberikan
keuntungan yang tinggi bagi perusahaan. Tentu saja hal ini dapat mengefektifkan
dan mengefisiensikan praktek pemasaran dan servis lainnya yang diberikan
perusahaan untuk pelanggan.
2.
Customer Lifeture
Customer Lifeture dapat diukur dari rata-rata lamanya waktu, diukur dalam
bulanan atau tahunan, yaitu rata-rata pelanggan melakukan transaksi dengan
perusahaan dalam memenuhi produk atau jasa yang dibutuhkan.
33
3.
Customer Share
Customer Share yaitu sejauh mana seorang pelanggan memenuhi kebutuhannya
atas produk atau jasa yang diinginkan pelanggan dengan berbisnis dengan
perusahaan kita.
4.
Corporate Value
Corporate value ini diukur berdasarkan sejauh mana seorang pelanggan dapat
bekerjasama dengan baik dengan perusahaan, yang dilihat dari ketepatan dalam
melakukan pembayaran yang telah ditargetkan (khusus untuk pembayaran kredit)
serta seberapa sering giro yang dikeluarkan pelanggan ditolak oleh pihak bank.
2.3.3.3 Kepuasan Pelanggan (Customer Satisfaction)
Secara umum kepuasan adalah perasaan senang atau kecewa seseorang yang
berasal dari perbandingan antara kesannya terhadap kinerja (atau hasil) suatu produk dan
harapannya. Kepuasan merupakan fungsi dari kesan kinerja dan harapan. Jika kinerja
produk atau jasa perusahaan berada dibawah harapan, maka pelanggan tidak puas. Jika
kinerja memenuhi harapan, maka pelanggan akan merasa puas. Jika kinerja melebihi
harapan, maka pelanggan amat puas dan senang (Tunggal, 2000, p21).
Perusahaan harus mulai berfokus untuk memberikan kepuasan yang lebih tinggi
kepada pelanggannya, karena hanya para pelanggan yang merasa tidak puas yang mudah
untuk berubah pikiran bila mendapat tawaran yang lebih baik. Pelanggan yang puas akan
memenuhi target perusahaan akan penjualan produk atau jasa kepada pelanggan yang
dituju, bahkan melebihi dari yang diharapkan. Pelanggan yang puas akan mempengaruhi
34
perilakunya terhadap perusahaan, sebagai hasilnya adalah kesetiaan pelanggan yang
tinggi.
Para pembeli akan membeli dari perusahaan yang mereka anggap menawarkan
customer delivered value yang tertinggi. Customer delivered value ini yang nantinya
menjadi faktor untuk mengetahui tingkat kepuasan pelanggan yang sebenarnya terhadap
pelayanan dan produk perusahaan yang telah diberikan.
Beberapa metode berikut dapat digunakan untuk melacak kepuasan pelanggan
(Kotler , 2000, pp30-35):
1.
Sistem Keluhan dan Saran (Complaint and Suggestion Systems)
Sistem keluhan dan saran mempermudah pelanggannya memberikan
keluhan dan sarannya. Contohnya restoran dan hotel menyediakan formulir bagi
tamu untuk melaporkan hal-hal yang disukai dan tidak disukai. Ada pula
perusahaan yang menyediakan layanan hot-lines bagi pelanggan dengan nomor
telepon gratis sehingga memudahkan pelanggan dalam menyampaikan
keluhannya.
2.
Survei Kepuasan Pelanggan (Customer Satisfaction Surveys)
Perusahaan-perusahaan yang responsif memperoleh ukuran kepuasan
pelanggan secara langsung biasanya dilakukan dengan cara ini. Perusahaan dapat
membuat daftar pertanyaan yang kemudian dibagikan atau menelepon pelanggan
sebagai sampel acak untuk menanyakan apakah mereka puas, biasa saja, kurang
puas, atau amat tidak puas dengan berbagai aspek kinerja perusahaan.
Perusahaan juga dapat meminta tanggapan pelanggan tentang
kinerja para
pesaing perusahaan. Selain itu juga berguna untuk mengajukan pertanyaan
tambahan untuk mengukur keinginan pelanggan untuk membeli kembali. Nilai
35
positif tinggi dari pelanggan menunjukkan bahwa perusahaan menghasilkan
kepuasan yang tinggi bagi pelanggannya. Pelanggan akan membeli dari
perusahaan yang dianggap menawarkan customer delivered value yang tertinggi.
Customer delivered value (Nilai yang diterima pelanggan) adalah selisih antara
total customer value (jumlah nilai bagi pelanggan) dan total customer cost (biaya
total pelanggan).
Value=Benefits= product value+service value+personnel value+image value = Total Get
Costs
3.
Monetary costs+time costs+energy costs+psychic costs
Total Give
Belanja Siluman (Ghost Shopping)
Cara ini biasa dilakukan dengan membayar orang-orang bertindak sebagai
pembeli potensial untuk melaporkan temuan-temuan tentang kekuatan dan
kelemahan yang ditemui dalam membeli produk perusahaan dan produk pesaing,
dan juga kinerja pelayanan dari staf perusahaan yang terlibat dalam transaksi
operasional perusahaan dengan pelanggan.
4.
Analisis Kehilangan Pelanggan (Lost Customer Analysis)
Perusahaan
dapat
menganalisis
kehilangan
pelanggan
dengan
mengidentifikasi sejumlah pelanggan yang dimiliki yang dikategorikan sebagai
inactive customer, yaitu orang-orang atau perusahaan yang telah membeli barang
atau jasa pada masa lalu, akan tetapi tidak dalam periode tertentu (Widjaja, 2000,
p40). Penting bagi perusahaan untuk mempelajari kegagalannya yang biasa
diakibatkan karena perusahaan
gagal memuaskan pelanggannya. Pelanggan
yang hilang berdampak terhadap penurunan pendapatan perusahaan, perusahaan
36
dapat menghitung berapa pendapatan yang hilang pertahunnya dikarenakan
kehilangan satu pelanggan.
Contoh kasusnya : penjualan rata-rata pelanggan tahun lalu (2003) adalah
Rp 400 Juta. Margin laba perusahaan adalah 5%, berapa biaya kehilangan
pelanggan ?
Maka perhitungannya adalah :
a.
Katakanlah perusahaan mempunyai 100 pelanggan.
b.
Perusahaan kehilangan 5% dari pelanggannya tahun 2003 karena
pelayanannya yang buruk. Hal ini berarti perusahaan kehilangan 5
pelanggan (5% x 100).
c.
Rata-rata penurunan pelanggan yang hilang mencerminkan Rp 400 juta
penurunan pendapatan bagi perusahaan. Oleh karenanya, perusahaan
kehilangan 2 milyar pendapatan pada tahun ini (5 x Rp 400 juta). Margin
laba perusahaan adalah 5%. Oleh karenanya, perusahaan kehilangan
Rp100 juta pada tahun 2004 (5% x Rp 2 Milyar).
Total Customer value (jumlah nilai bagi pelanggan) diperoleh dari nilai yang
didapatkan dari customer value (nilai pelanggan) yang telah dijelaskan sebelumnya.
Total Customer Value ini merupakan benefit yang diterima pelanggan dari melakukan
bisnis dengan perusahaan.
Total Customer Cost (total biaya pelanggan) ini merupakan akumulasi dari 4
jenis biaya, yaitu : Physic Cost, Energy Cost, Time Cost, Monetary Cost.
1.
Physic cost
37
Physic Cost = Biaya PBB + biaya sewa prasarana
2.
Energy Cost, dihitung berdasarkan biaya yang dikeluarkan dalam mendapatkan
produk perusahaan secara langsung.
3.
Time Cost, merupakan nilai atau jumlah biaya atas waktu yang dihabiskan
pelanggan dalam mendapatkan produk yang diinginkan.
4.
Monetary cost :
Monetary cost = Production cost + Marketing cost + Operational cost
a. Perhitungan Production cost
Production cost =
Raw material cost+ electric cost + biaya penyusutan mesin + biaya tenaga kerja
b. Perhitungan marketing cost didapat dari biaya promosi yang dikeluarkan
seperti biaya iklan, brosur, reklame, spanduk, katalog, promosi umum, dsb.
c. Perhitungan operational cost :
Operational Cost = Gaji karyawan + biaya peralatan + biaya perlengkapan
Rumus untuk menghitung customer delivered value ( Nilai yang diterima
pelanggan) yang menggambarkan nilai kepuasan pelanggan yaitu :
CUSTOMER DELIVERED VALUE = CUSTOMER BENEFIT - CUSTOMER COST
38
CUSTOMER
DELIVERED
VALUE
TOTAL
CUSTOMER
VALUE
TOTAL
CUSTOMER
COST
PERSONEL
VALUE
MONETARY
COST
SERVICE
VALUE
TIME
COST
PRODUCT
VALUE
ENERGY
COST
IMAGE
VALUE
PHYSIC
COST
Gambar 2.7 Penentu Nilai yang Diterima Pelanggan
(Sumber : Kotler, 2000, p35)
2.3.3.4 Masa Umur Pelanggan (Customer Lifetime)
Model lifetime value ini digunakan untuk mengestimasi jangka waktu
keuntungan yang diharapkan perusahaan dari setiap pelanggan. Dengan mengetahui ini,
memungkinkan servis atau produk yang khusus ditawarkan untuk
memiliki nilai yang tinggi. (Kotler , 2000, pp30-35).
pelanggan yang
39
2.3.3.5 Return on Investment (ROI)
Perusahaan melakukan penanaman modal untuk mencari tingkat pengembalian
yang memuaskan. Untuk menentukan tingkat pengembaliannya tergantung dari jumlah
biaya yang terpakai, dan faktor lainnya. Tingkat pengembalian yang perlu didapatkan
harus sama atau melebihi dari besarnya modal.
Perhitungan tingkat ROI mengkalkulasi tingkat pengembalian modal yang telah
diinvestasikan dengan menyesuaikan pemasukan dari modal yang dikeluarkan termasuk
depresiasi. ROI dapat dihitung dengan menghitung rata-rata dari keuntungan bersih.
Keuntungan bersih ini dibagi dengan total investasi awal untuk mendapatkan ROI.
Rumusnya adalah :
Net Benefit
= ROI
Net Investment
Lemahnya tingkat ROI dapat mempengaruhi lemahnya time value of money. ROI
dapat memodifikasi/mengubah keuntungan di masa yang akan datang.
Keuntungan dengan melakukan perhitungan ROI adalah :
1.
Perbandingan dalam menghitung keuntungan.
2.
Memudahkan penghitungan dari tahun tertentu yang khusus.
2.4
Data Warehouse Sebagai Pondasi dalam CRM
2.4.1
Definisi Data Warehouse
Sebuah analytical database biasanya didesain sebagai read-only database.
Basisdata untuk proses analisis pengguna hanya dapat melakukan view terhadap data,
40
dan tidak dapat melakukan pengubahan terhadap data, seperti update dan delete. Yang
menjadi perbedaan antara basisdata operasional dan analisis adalah desain dari
basisdatanya. Sebuah basisdata operasional dibangun untuk capturing atau mendapatkan
data, mengubah data, rekonsiliasi jumlahnya, tetap menjaga track transaksi, membangun
laporan, menjaga integrasi data dan memaintain transaksi sesegera mungkin. Sebuah
basisdata analisis dibangun dalam volume yang besar yang bersifat read-only,
menyediakan informasi yang akan digunakan dalam pembuatan keputusan. Data
warehouse adalah suatu basisdata analitikal yang bersifat read-only yang digunakan
sebagai pondasi dari Sistem Penunjang Keputusan (SPK). Basisdata analitikal dan data
warehouse menjadi sesuatu yang dapat bertukar dan hampir sama (Poe, 2000, pp60-75).
2.4.2
Arsitektur Data Warehouse
Pada gambar 2.8 diperlihatkan Data Warehouse Architecture berdasarkan sebuah
Relational Database Management System (RDBMS), server berfungsi sebagai pusat
penyimpanan secara terpusat basisdata perusahaan. Dalam arsitektur ini, dapat terlihat
bahwa data operasional dan proses terpisah dari proses data warehouse. Penyimpanan
terpusat ini dikelilingi oleh sejumlah komponen kunci untuk kepentingan fungsi lainnya,
pengaturan dan pengaksesan bersama baik oleh sistem operasional yang merupakan
sumber data dari data warehouse dan oleh end-user query serta analysis tools.
Data warehouse berasal dari data operasional yang terdiri dari data history
sampai kepada data operasional sampai dengan periode tertentu (contoh : sampai dengan
minggu terakhir bulan kemarin). Data warehouse mentransformasinya ke dalam bentuk
41
dan
struktur
yang
terintegrasi.
Proses
transformasinya
meliputi
conversion,
summarization, filtering of data.
6
Operational &
Eksternal Data
7
Information
Delivery
System
Management Platform
Metadata
Report,
Query,
EIS
Tools
MRDB
Data Extract
Data CleanUp
Data Load
Data Warehouse
DBMS
1
OLAP
Tools
3
MDDB
Data
Mining
Tools
Data Marts
Admin
Platform
4
2
5
Application
& Tools
Repository
Gambar 2.8 Data Warehouse Architecture
(Sumber : Berson , 1999, p57)
2.5
Data Marts
Definisi yang dapat menggambarkan konsep data mart adalah sebuah
penyimpanan data yang merupakan tambahan lainnya dari sebuah data warehouse yang
mengintegrasikan data. Data mart menunjuk kepada sebuah partisi data (sering juga
disebut sebagai sebuah subjek area) yang ditujukan untuk digunakan oleh kelompok
pengguna tertentu. Data mart bersifat residen dalam basisdata server yang terpisah, dan
datanya dapat berupa summarized, denormalisasi atau agregasi data (Berson, 1999, p72).