Analisis RFM (Recency, Frequency, Monetary) dan K-Means Clustering untuk Segmentasi Pelanggan (Studi Kasus Data Transaksi Minimarket ABC tahun 2023)

Abstract

Industri ritel, khususnya minimarket, menghadapi persaingan yang semakin ketat sehingga membutuhkan strategi pemasaran yang berbasis data untuk meningkatkan loyalitas pelanggan dan volume penjualan. Penelitian ini memanfaatkan analisis RFM (Recency, Frequency, Monetary) dan algoritma K- Means Clustering untuk melakukan segmentasi pelanggan, guna mendukung pengambilan keputusan strategis yang lebih efektif. Data transaksi pelanggan diolah menggunakan Python untuk menghitung nilai RFM, yang mencerminkan kebiasaan pelanggan berdasarkan waktu transaksi terakhir, frekuensi pembelian, dan total nilai pembelian. Setelah melalui proses normalisasi dengan metode Standard-Scaler, data tersebut dikelompokkan menggunakan algoritma K-Means. Metode Elbow digunakan untuk menentukan jumlah kluster optimal. Hasil segmentasi menghasilkan beberapa kategori pelanggan utama, seperti pelanggan prioritas tinggi, pelanggan pasif, dan pelanggan potensial. Setiap kategori dianalisis lebih lanjut untuk merancang strategi pemasaran yang spesifik, seperti program loyalitas dan promosi diskon, Penelitian ini menawarkan pendekatan berbasis data yang mengelompokkan pelanggan ke dalam empat cluster, yaitu pelanggan baru dengan frekuensi kecil, pelanggan baru dengan frekuensi sedang, pelanggan menengah dengan pola belanja yang stabil. dan pelanggan setia yang berkontribusi besar. Kombinasi antara analisis RFM dan algoritma K-Means terbukti efektif dalam memahami pola perilaku pelanggan serta mendukung pengambilan keputusan bisnis yang lebih terarah.