http://hdl.handle.net/123456789/53728 2026-05-25T18:27:06Z 2026-05-25T18:27:06Z Ariyadi, Fandy Akhmad http://hdl.handle.net/123456789/62096 2026-05-06T05:32:29Z 2025-01-01T00:00:00Z

An Eiv-based Predictive Segmentation Framework for Retail CRM Optimization: Machine Learning Benchmarking and Causal Field Experimentation For Email Conversion Uplift Ariyadi, Fandy Akhmad Identifying customers who are most likely to convert following marketing communication remains a central challenge in retail customer relationship management (CRM), particularly in omnichannel environments characterized by fragmented behavioral signals. While machine learning–based propensity models have demonstrated strong offline predictive performance, limited empirical evidence exists regarding their effectiveness when deployed in real-world marketing campaigns. This study proposes an EIV-based predictive segmentation framework that integrates Engagement (email interaction), Intent (website activity), and Value (transaction history) into a unified customer representation, and evaluates its impact through both offline model benchmarking and online causal field experimentation. Using customer-level omnichannel behavioral data from the Indonesian retail sector, five algorithmic families—Logistic Regression, Random Forest, Gradient Boosting Machines, Artificial Neural Networks (ANN), and Deep Neural Networks (DNN)—are trained and evaluated under an identical experimental protocol. Given the highly imbalanced nature of email conversion data, model performance is assessed using precision, recall, F1-score, and Matthews Correlation Coefficient (MCC). The results indicate that the Gradient Boosting Machines model delivers the most stable and robust predictive performance across evaluation metrics and is therefore selected for operational deployment. The selected model is implemented in a large-scale field experiment involving 59 email campaigns across 15 retail e-commerce websites. Customers are randomly assigned to either a predictive segment or an existing operational segmentation, with conversion defined as a completed transaction within seven days of email exposure. The experimental results demonstrate that predictive segmentation consistently yields higher conversion rates and statistically significant uplift across campaigns and SBU. This study contributes to an end-to-end methodological framework that bridges offline predictive modeling and online causal validation, providing empirical evidence that unified, propensity-based segmentation can enhance CRM effectiveness in real-world omnichannel retail settings.

2025-01-01T00:00:00Z Putra, Novaldy Pratama http://hdl.handle.net/123456789/60127 2026-02-02T07:53:07Z 2025-01-01T00:00:00Z

Implementasi Model Bayesian Network dalam Penilaian Pengaruh Faktor-faktor Terhadap Kenaikan Jabatan PTK dan Rekomendasi Kebijakan Pengelolaan Karier Ptk Putra, Novaldy Pratama Penelitian ini mengimplementasikan model Bayesian Network untuk menganalisis faktor- faktor yang memengaruhi kenaikan jabatan Pendidik dan Tenaga Kependidikan (PTK) serta memberikan rekomendasi kebijakan pengelolaan karier. Data penelitian bersum- ber dari Data Pokok Pendidikan (Dapodik) dan Badan Kepegawaian Nasional dengan sampel sebanyak 1.454.516 PTK hingga Desember 2024. Metode analisis mencakup pembangunan struktur jaringan menggunakan algoritma hill-climbing, estimasi para- meter melalui Conditional Probability Table (CPT), serta perhitungan Joint Probabi- lity Distribution (JPD) dan probabilitas posterior. Hasil kuantitatif menunjukkan bah- wa model Bayesian Network mencapai akurasi 100% pada skenario dengan variabel pangkat golongan, sedangkan tanpa variabel tersebut akurasi turun menjadi 53%. In- tegrasi dengan Random Forest berhasil memperbaiki 66,67% kesalahan prediksi pada model lengkap. Faktor pangkat golongan menjadi penentu utama dengan 86,29% PTK golongan IV berpeluang menjadi Ahli Madya. Masa kerja >20 tahun memberikan pe- luang 85,25% mencapai Ahli Madya, sedangkan pendidikan S3 menjamin 100% posisi di jenjang tersebut. PTK di daerah 3T memiliki probabilitas 69,09% terjebak di jen- jang Ahli Pertama. Simulasi proyeksi karier menunjukkan transisi signifikan terjadi pada horizon waktu 5 tahun, dengan hanya 64% PTK yang berhasil mencapai Ahli Utama dalam 10 tahun. Regulasi PERMENPANRB Nomor 1 Tahun 2023 berpotensi meningkatkan fleksibilitas karier, namun memerlukan waktu dan intervensi pendukung untuk hasil optimal. Rekomendasi kebijakan mencakup program beasiswa dan sertifi- kasi untuk daerah 3T, sistem promosi berbasis merit, serta penyederhanaan persyaratan administratif. Penelitian ini menyimpulkan bahwa Bayesian Network efektif dalam me- modelkan hubungan kausal kompleks dan mendukung pengambilan keputusan berbasis data dalam pengelolaan karier PTK.

2025-01-01T00:00:00Z Mahmudiati, Imtikhanah Anis http://hdl.handle.net/123456789/53372 2024-11-14T09:00:42Z 2024-01-01T00:00:00Z

Analisis Segmentasi Pelanggan Berdasarkan Kategori Produk Dalam Pasar Business To Business (B2B) Industri Tekstil dan Pakaian Jadi Mahmudiati, Imtikhanah Anis Penelitian ini bertujuan untuk melakukan analisis segmentasi pelanggan dalam pasar Business to Business (B2B) dengan studi kasus pada CV Laras Mitra Sejati (CV LMS), perusahaan yang bergerak di industri tekstil dan pakaian jadi dengan fokus pada produk hospital linen. Mengingat kompleksitas pasar B2B dan pentingnya pemahaman mendalam tentang kebutuhan serta preferensi pelanggan, penelitian ini menggunakan metode pengelompokan Blok-KM (Block-Based K- Medoids) untuk mengatasi data yang memiliki outlier. Selain itu, perbandingan antara penggunaan ukuran jarak Euclidean dan Manhattan dalam metode Blok-KM dilakukan guna mengevaluasi performa dan sensitivitas terhadap variasi data. Penelitian ini menggunakan lima indeks penentuan jumlah kelompok optimal, yang mayoritas mengidentifikasi dua kelompok optimal dalam data pelanggan CV LMS. Hasil analisis menunjukkan adanya perbedaan signifikan antara dua kelompok pelanggan dalam hal preferensi produk, di mana Kelompok 1 memiliki permintaan lebih tinggi untuk semua kategori produk, mengindikasikan potensi pelanggan yang lebih loyal. Penelitian ini merekomendasikan penggunaan variabel nilai kontrak untuk analisis yang lebih komprehensif, serta penerapan strategi berbasis data guna meningkatkan performa perusahaan. Selain itu, peneliti menyarankan pengembangan database dengan histori data yang lebih panjang, sehingga analisis di masa mendatang dapat dilakukan secara otomatis menggunakan algoritma machine learning, memberikan efisiensi dan akurasi yang lebih tinggi dalam pengambilan keputusan pemasaran dan penjualan.

2024-01-01T00:00:00Z