Senin, 02 Februari 2009

ETHNOGRAPHY RESEARCH

Mungkin Anda masih baru mendengar kata Ethnography, Ilmu ini dikembangkan dari ilmu antroplogi untuk mempelajari pola perilaku seseorang dalam mengunakan suatu produk dengan cara observasi.

Untuk memudahkan mengerti Ethnography Riset mari kita melihat dari istilah sleeping with the customer/wife, beberapa pertanyaan triger yang bisa Anda jawab sendiri ?
1. Apakah Anda sudah benar kenal istri Anda ketika masih pacaran ? 2. Apakah ada yang disembunyikan oleh istri Anda sebelum Anda menikah?
3. Sebelum Anda menikah, Apakah Anda tahu bagaimana kebiasaan istri Anda saat dia baru bangun tidur dan apa saja yang dia lakukan?

Menurut Saya, Anda benar benar kenal sama istri Anda setelah Anda resmi menjadi suami istri kan? setelah Anda hidup bareng selama 24 jam penuh, tidur sama dia, aktivitas apapun bersama dia ? Anda pastinya sekarang tahu siapa istri Anda, apa yang dia mau, apa kebiasaan dia dari bangun tidur sampai tidur lagi? Apakah Anda kenal istri Anda karena Anda memang bertanya mengenai siapa dia, atau karena Anda memperhatikan keseharian yang dia Lakukan?
Hal - hal tersebut mungkin akan lebih membantu mengenal Ethnography Riset.

Sekarang kita coba bedanya market riset dengan riset Ethnography? Market riset biasanya bersifat eksplorasi berupa pertanyaan yang diberikan kepada konsumen, dimana kumpulan jawaban ini yang menjadikan dasar pengambilan keputusan,Sedangkan Ethnography research bentuknya berupa observasi dengan melihat pola perilaku konsumen sehari – hari masuk kehidupan keseharian mereka Beberapa kekurangan dari riset ini adalah waktu yang relatif bisa lebih panjang tergantung kapan kita bisa mendapat AHA moment yang tepat sebagai key consumer insight yang memang kita cari, tentu saja orang yang melakukan riset ini juga harus punya skill khusus.

Tujuan dari Ethnography Riset :
· Untuk memahami konsumen secara mendalam
· Melihat suatu hal dari berbagai sudut pandang
· Bisa mendekati konsumen dari berbagai sudut pandang
· Melihat sisi emosi dibelakang perilaku konsumen

Hal yang dicari ketika melakukan Riset Ethnography
· Budaya
· Simbol, tanda, bahasa
· Ritual
· Aturan
· Perilaku hidup
· Emosional
· Hubungan Sosial

Hal apa yang bisa dicari dalam Riset Ethnography :
· Consumer behavior &
· New product idea
· Permasalah konsumen penggunaan suatu produk
· Product performance & consumer context
· Konsumen lifestyles & product usage
· Trend yang mempengaruhi perubahan perilaku konsumen
· Interaksi konsumen dalam pemilihan suatu produk

Contoh hasil product development yang dihasilkan dari insight etnography :
1. Motorolla A732 Setelah mengamati betapa populernya SMS huruf Cina di Shanghai para peneliti Motorolla mengembangkan sebuah ponsel yang memungkinkan Anda mengirim pesan dengan menulis langsung di keypad menggunakan jari Anda
2. Oxo Hammer Untuk mengembangkan perangkat bagi konsumen, Hasil dari kunjungan ke kontraktor ketika renovasi rumah Salah satunya sebuah palu diciptakan dengan inti serat kaca untuk mengurangi getaran yang menganggu penghuni.

Pengalaman yang pernah saya lakukan saat bekerja di Dwisapta ketika salah satu produk klien kami Fatigon menyuruh kami untuk meneliti penurunan penjualan produk mereka. Setelah kami melakukan observasi selama 1 minggu terhadap beberapa konsumen dengan cara berpura pura ikut bekerja ditemukan findings menarik dimana bahwa mereka mulai mengurangi pengurangan multivitamin dikarenakan mereka merasa bahwa mulai berat untuk membeli dikarenakan krisis keuangan yang mereka miliki, padahal mereka sangat butuh memulihkan kondisi badan mereka sehingga tetap bisa mencari uang untuk mengghidupi kehidupan keluarga. Dari consumer insight tersebut maka dibuatlah iklan Ari Wibowo versi dipatok rejeki ayam yang mengedukasi rejeki harus dicari jangan sampai telat bekerja gara-gara kecapaian. Walhasil penjualan fatigon akhirnya merangkak kembali naik. By : Dodi Rudiana

Customer Value

Value, sebagai penyeimbang antara biaya yang dikeluarkan untuk mendapatkan suatu produk/jasa dengan kualitas produk/jasa tersebut, sudah terbukti menjadi faktor penggerak dalam attitude dan perilaku pelanggan. Reliability, kepercayaan, harga, dan banyak lagi elemen dari persepsi konsumen dikumpulkan untuk membentuk suatu penilaian terhadap produsen dan produknya, dan penilaian ini tidak dapat dihindari melibatkan perbandingan dengan perceived value yang ditawarkan oleh kompetitor.

Pendekatan Customer Value terfokus untuk mengidentifikasi bagaimana konsumen mengevaluasi sekian banyak penawaran. Ada 2 pendekatan untuk mengukur dan memanfaatkan customer value. Yang pertama adalah mengidentifikasi value dari produk/jasa yang dipersepsikan pelanggan. Kalau value yang dimiliki oleh perusahaan lebih baik atau lebih tinggi daripada persepsi value produk/jasa yang ditawarkan oleh kompetitor, perusahaan mempunyai potensi untuk berhasil di pasar. Sebaliknya, bila value yang ditawarkan kompetitor dipersepsikan lebih tinggi oleh pelanggan, perusahaan harus mengambil sejumlah tindakan untuk mempertahankan competitiveness.

Pendekatan kedua adalah mengukur value pelanggan terhadap perusahaan dan menggunakannya sebagai dasar untuk melakukan kegiatan pemasaran, contohnya untuk kampanye pemasaran. Hal ini bisa digunakan dua arah, yaitu dengan memanfaatkan pengetahuan mengenai pelanggan yang mempunyai value yang tinggi, perusahaan dapat menawarkan informasi tambahan atau insentif untuk menjaga loyalitas mereka, atau menawarkan insentif kepada pelanggan yang value-nya rendah untuk pindah ke dalam kategori value yang tinggi.

Setelah faktor-faktor penggerak tadi teridentifikasi, persepsi konsumen terhadap performa perusahaan pada masing-masing faktor penggerak tadi menjadi alat untuk memetakan kompetitor pada matrix persaingan untuk memahami positioning perusahaan di pasar. Dengan demikian, pengelolaan customer value menjadi inti dari strategi perusahaan dan dengan menggunakan pengertian kepuasan pelanggan yang lebih baik akan memaksimalkan value yang diberikan kepada target market, memperoleh keuntungan strategik, dan meningkatkan profit.

Dalam pada itu, dalam penyusunan marketing plan sebaiknya pendekatan customer value ini bisa dipergunakan. Keunggulan pendekatan ini adalah kita dapat memahami produk/jasa kita hasilkan dari dua aspek, yaitu selera dan keinginan konsumen serta selera dan potensi yang dimiliki perusahaan. Dengan pendekatan ini, maka dalam penyusunan marketing plan hasilnya tidak hanya berasal dari pendekatan tradisionil top-down marketing planning process saja, tetapi sudah mepertimbangkan perspectif cultural yang berfokus pada nilai-nilai yang dimiliki pelanggan.

Consumer Insight Fatigon

Minggu, 01 Februari 2009

Selintas mengenai ICSA (Indonesia Customer Satisfaction Index)

Dalam dunia bisnis, pelanggan atau konsumen selalu menjadi pusat perhatian dari setiap pelaku bisnis. Setiap perusahaan dari waktu ke waktu haruslah berusaha untuk memberikan kepuasan kepada pelanggannya, karena memberi kepuasan kepada pelanggan sama artinya dengan mempertahankan bahkan meningkatkan usaha dari si pelaku bisnis itu sendiri. Dengan memberi kepuasan kepada pelanggan maka pelanggan cenderung menjadi loyal, dan bahkan mengajak orang lain untuk menggunakan produk/jasa yang telah memberi kepuasan kepadanya. Pada kenyataannya pelanggan memang tidak selalu terpuaskan dengan apa yang telah dilakukan perusahaan, tetapi paling tidak perusahaan telah berusaha untuk melakukan yang terbaik guna memberi kepuasan kepada pelanggannya.

Definisi dari kepuasan pelanggan sendiri adalah suatu keadaan dimana keinginan, kebutuhan dan harapan pelanggan dapat terpenuhi. Kepuasan pelanggan ditentukan oleh persepsi pelanggan atas kinerja produk atau jasa dalam memenuhi harapannya. Jadi kepuasan pelanggan akan tercapai apabila setelah pelanggan menggunakan suatu produk/jasa, apa yang diinginkan dan dibutuhkan pelanggan dapat terpenuhi bahkan melebihi harapannya. Ada 5 hal utama yang mempengaruhi kepuasan pelanggan, yaitu : kualitas produk, kualitas pelayanan, harga, faktor emosional, dan kemudahan untuk mendapatkan produk atau jasa tersebut.

Seorang pelanggan yang puas adalah pelanggan yang merasa mendapatkan value dari pemasok, produsen atau penyedia jasa. Value ini bisa berasal dari produk, pelayanan, atau sesuatu yang bersifat emosional. Jika pelanggan mengatakan bahwa value adalah produk yang berkualitas, maka kepuasan terjadi jika pelanggan mendapatkan produk yang berkualitas. Jika value bagi pelanggan adalah kenyamanan, maka kepuasan akan datang jika pelayanan yang diperoleh benar-benar nyaman. Jika value dari pelanggan adalah harga yang murah, maka pelanggan akan puas kepada produsen yang memberikan harga yang paling kompetitif.

Pengukuran kepuasan pelanggan merupakan hal yang penting, karena dengan dilakukannya pengukuran ini maka bentuk pelayanan yang lebih baik dapat dirumuskan. Pada saat ini, di Indonesia telah terdapat indeks pengukuran berskala nasional yang dilakukan oleh Frontier Marketing & Research Consultant, yang dikenal dengan nama Indonesian Customer Satisfaction Index (ICSI), dimana hasil-hasilnya telah menjadi tolok ukur bagi para pemilik merek di Indonesia untuk melihat kinerjanya dalam memberi kepuasan kepada pelanggan dibandingkan dengan merek pesaing. Selain itu, pengukuran indeks kepuasan secara nasional ini berguna bagi perusahaan terutama memberikan informasi mengenai rata-rata indeks kepuasan industri, yang tidak mungkin dilakukan sendiri oleh suatu perusahaan mengingat biaya yang diperlukan cukup besar.

Dalam survei ICSI ini, 3 hal yang dijadikan ukuran kepuasan pelanggan, yaitu: kepuasan terhadap kualitas produk atau kualitas pelayanan (Quality Satisfaction Score/QSS)TM, kepuasan terhadap harga berdasarkan kualitas yang diterima (Value Satisfaction Score/VSS), dan persepsi bahwa merek yang dipergunakan secara keseluruhan merupakan merek yang paling baik dibandingkan dengan merek-merek lainnya (Perceived Best Score/PBS). Ketiga hal tersebut dijadikan ukuran atas dasar asumsi : “Pelanggan akan puas jika merek yang digunakan berkualitas, pelanggan akan puas jika harga dari merek yang digunakan sesuai dengan kualitas yang diterima, dan pelanggan akan puas jika pelanggan sudah merasa bahwa merek yang dipergunakan adalah paling baik dibandingkan merek lainnya”. Terhadap ke-3 variabel tersebut kemudian dilakukan analisa regresi dengan tingkat loyalitas sehingga menghasilkan (TSS/Total Satisfaction Score) TM, yang menjadi ukuran peringkat dalam ICSI.

Customer Value

Value, sebagai penyeimbang antara biaya yang dikeluarkan untuk mendapatkan suatu produk/jasa dengan kualitas produk/jasa tersebut, sudah terbukti menjadi faktor penggerak dalam attitude dan perilaku pelanggan. Reliability, kepercayaan, harga, dan banyak lagi elemen dari persepsi konsumen dikumpulkan untuk membentuk suatu penilaian terhadap produsen dan produknya, dan penilaian ini tidak dapat dihindari melibatkan perbandingan dengan perceived value yang ditawarkan oleh kompetitor.

Pendekatan Customer Value terfokus untuk mengidentifikasi bagaimana konsumen mengevaluasi sekian banyak penawaran. Ada 2 pendekatan untuk mengukur dan memanfaatkan customer value. Yang pertama adalah mengidentifikasi value dari produk/jasa yang dipersepsikan pelanggan. Kalau value yang dimiliki oleh perusahaan lebih baik atau lebih tinggi daripada persepsi value produk/jasa yang ditawarkan oleh kompetitor, perusahaan mempunyai potensi untuk berhasil di pasar. Sebaliknya, bila value yang ditawarkan kompetitor dipersepsikan lebih tinggi oleh pelanggan, perusahaan harus mengambil sejumlah tindakan untuk mempertahankan competitiveness.

Pendekatan kedua adalah mengukur value pelanggan terhadap perusahaan dan menggunakannya sebagai dasar untuk melakukan kegiatan pemasaran, contohnya untuk kampanye pemasaran. Hal ini bisa digunakan dua arah, yaitu dengan memanfaatkan pengetahuan mengenai pelanggan yang mempunyai value yang tinggi, perusahaan dapat menawarkan informasi tambahan atau insentif untuk menjaga loyalitas mereka, atau menawarkan insentif kepada pelanggan yang value-nya rendah untuk pindah ke dalam kategori value yang tinggi.

Setelah faktor-faktor penggerak tadi teridentifikasi, persepsi konsumen terhadap performa perusahaan pada masing-masing faktor penggerak tadi menjadi alat untuk memetakan kompetitor pada matrix persaingan untuk memahami positioning perusahaan di pasar. Dengan demikian, pengelolaan customer value menjadi inti dari strategi perusahaan dan dengan menggunakan pengertian kepuasan pelanggan yang lebih baik akan memaksimalkan value yang diberikan kepada target market, memperoleh keuntungan strategik, dan meningkatkan profit.

Dalam pada itu, dalam penyusunan marketing plan sebaiknya pendekatan customer value ini bisa dipergunakan. Keunggulan pendekatan ini adalah kita dapat memahami produk/jasa kita hasilkan dari dua aspek, yaitu selera dan keinginan konsumen serta selera dan potensi yang dimiliki perusahaan. Dengan pendekatan ini, maka dalam penyusunan marketing plan hasilnya tidak hanya berasal dari pendekatan tradisionil top-down marketing planning process saja, tetapi sudah mepertimbangkan perspectif cultural yang berfokus pada nilai-nilai yang dimiliki pelanggan.

BASIC ANALYSIS I

A. DATA COLLECTION
Agar pemahaman mengenai berbagai macam aspek yang berkaitan dengan collection data dapat lebih jelas, maka ada baiknya terlebih dahulu kita uraikan beberapa istilah pokok yang menyangkut dengan data collection ini diantaranya :

1. Populasi
Populasi merujuk pada sekumpulan orang atau objek yang memiliki kesamaan dalam suatu atau beberapa hal dan yang membentuk masalah pokok dalam suatu riset khusus. Populasi memiiki karakteristik yang dapat diperkirakan dan di klasifikasikan sesuai dengan keperluan penelitian. Atribut merupakan karakteristik khusus yang dapat dimiliki atau tidak dimiliki oleh setiap sampel, misalnya pemilik antena parabola, konsumen berpenghasilan Rp 5 juta atau lebih perbulan, orang yang memiliki mobil lebih dari satu buah, dan sebagainya. pengukuran mencakup perhitungan atau estimasi jumlah anggota populasi yang memiliki jumlah atribut-atribut tersebut sehingga informasi kualitatif dapat dikuantitatifkan. Hal ini kemudian disebut sebagai nilai Variasi atau variabel.

2.Sensus
Sensus adalah penelitian yang dilakukan terhadap seluruh anggota populasi. Sensus membutuhkan biaya yang mahal dan waktu yang lama. oleh karena itu, dalam riset pemasaran cara ini jarang di gunakan.

3.Sampel
Sampel merupakan bagian atau sejumlah cuplikan tertentu yang diambil dari suatu populasi dan diteliti secara rinci. Informsi yang diperoleh kemudian diterapkan pada keseluruhan populasi. Meskipun demikian sapel tidak selalu menggambarkan populasi secara senpurna.

4.Sampling
Sampling adalah metodologi yang digunakan untuk memilih dan mengambil unsur-unsur atau anggota – anggota populasi untuk digunakan sebagai sampel yang representatif. sampling digunakan biasanya karena dengan alasan lebih murah dan cepat dibandingkan dengan sensus.

5.Statistik (Estimator)
Statistik merupakan perhitungan kuantitatif dari suatu sampel yang dipergunakan untuk mengestimasi atau menduga suatu parameter populasi.

6.Parameter
Parameter merupakan nilai dari sebuah variabel atau atribut yang dihitung dari sebuah populasi, misal: nilai dari sebuah rata-rata populasi, nilai deviasi,nilai proporsi populasi dan seterusnya.

11. Kesalahan Sampling (Sampling eror)
Kesalahan sampling adalah perbedaan antara suatu estimasi sampel dengan nilai parameter populasi yang sesungguhnya ada dua tipe kesalahan yang dapat menyesatkan estimasi sampel, yaitu:
a.Kesalahan percobaan. yaitu kesalahan yang timbul dari perbedaan estimasi
yang terjadi apabila sampel yang sama diambil dari populasi yang sama. Tingkat kesalahan ini dipengaruhi oleh variabilitas dalam populasi dan jumlah sampel yang diambil.
b.Kesalahan Sistematis. yaitu kesalahan yang timbul dari kurang memadainya
teknik pengukuran dan pemilihan, misalnya kerangka sampling yang tidak efisien atau kuesioner yang tidak jelas.

B. DATA ENTRY
Setelah data terkumpul dengan baik dan di cek dari sampling erornya, kemudian data tersebut di entry ke dalam bentuk angka sehingga suatu pernyataan akan di nilai oleh angka – angka tertentu.
Adapun langkah – langkah dalam pemasukan data adalah sebagai berikut
Note : dengan menggunakan SPSS versi 10
A. Buka lembar kerja baru
Lembar kerja baru selalu dibuka jika ada pemasukan variabel yang baru. untuk itu, dari menu utama File , pilih menu New. Dengan mengklik mouse pada menu tersebut tampak beberapa pilihan, oleh karena itu klik Data untuk membuat data yang baru.

B. Menamai Variable dan properti yang diperlukan
Langkahnya adalah klik Mouse pada variable view yang ada di bagian kiri

Pengisian:
· NAME = adalah nama variable yang akan tampil pada spss editor maximal 7 karakter,
tidak boleh didahului dengan angka dan tidak boleh ada spasi.
· TYPE = Secara default, SPSS memberi type Numeric.
· WIDTH = pilihan ini menyediakan masukan antara 1 –1 40 digit untuk variable yang
bertype numeric.
· DECIMAL = pilihan desimal untuk variable yang bertype numeric
· LABEL = Judul pada variable yang ada di kolom NAME
· VALUE = untuk proses pemberian kode seperti pada gambar


Pengisian :
Value : nilai berupa angka yang dimasukan
Value Label : keterangan untuk angka tersebut
lalu ketik ADD

· MISSING = untuk menyatakan tidak ada data missing, abaikan coloum ini
· COLUMN = untuk coloumn ini SPSS memberikan (default) 8
· ALIGN = pilih Right (Sudah Default)
· MEASURE = Pilih original, SPSS akan otomatis memberikan type data pada measure ini.

C. DATA CLEANING
Tahap berikutnya adalah mengcleaning data baik dari kekosongan data atau kesalahan dalam tahap entry sehingga setelah data dari entry masuk ke pengolahan, akan terolah dengan benar. dan menghasilkan output yang bisa di pakai untuk tahap selanjutnya.
Untuk pertanyaan – pertanyaan pada Quessioner yang sifatnya tertutup seperti Alasan, Association, Brand Awarenes dan lainnya, maka untuk pertanyaan ini perlu di adakan pengkodingan terlebih dahulu sehingga peng-cleaning-an data dapat dilakukan dengan mudah.

D. DATA ANALYST
Tahap ini adalah lebih ke pengolahan datanya. Data tersebut mau diolah seperti apa?, sesuai dengan riset yang telah ditentukan diawal sesuai dengan metode risetnya.

E. REPORT
Adalah pembuatan laporan akhir dari hasil analisa data suatu riset tertentu. ini adalah langkah paling akhir dari setiap project.

DATA MINING

1.Definisi

Narrow Scope
Data mining adalah penemuan (discovery) secara automatis tentang hal-hal yang “menarik” (interesting) , atau pola-pola yang tidak begitu kentara dalam sebuah database yang memiliki potensial tinggi untuk berkontribusi pada bottom line.

Makna penemuan (discovery) adalah temuan yang sebelumnya tidak diketahui. Dalam proses ini jutaan data mungkin harus diperiksa untuk menemukan pola-pola yang menarik.

Makna “menarik” (interesting) adalah hubungan-hubungan yang memiliki dampak pada taktik atau strategi atau secara mendasar obyektif dari sebuah organisasi.

Scope dalam pengertian sempit ini meliputi: computer-based methods (machine learning methods) dalam proses mana ektraksi informasi dilakukan secara otomatis dengan sedikit keterlibatan manusia. Asal-muasal metoda ini adalah di Kecerdasan Buatan (AI), contohnya : jaringan saraf tiruan (neural network), association rules, decision trees dan genetic algorithm.

Broad Scope
Data mining melingkupi seluruh proses konfirmasi atau pemeriksaan berbagai hubungan (relationship) yang diperoleh melalui proses discovery. Dalam proses ini diganakan metoda-metoda statistik yang biasa untuk secara formal memeriksa hipotesa-hipotesa yang muncul dalam proses discovery. Dalam definisi yang luas ini keterlibatan orang (manager dan analis) lebih banyak dalam mengidentifikasi variabel yang penting serta struktur analisis yang akan dilakukan.

Very Broad Scope
Dalam arti seluas-luasnya data mining didefinisikan sebagai penemuan/penggalian pengetahuan dari dalam database (KDD : Knowledge Discovery in databases). Aktivitas yang tercakup seperti:
· Acquiring. Mencari dan mendapatkan data internal dan external.
· Preparing. Translating, cleaning dan formatting the data.
· Analysing & Interpreting.
· Scoring databases.
· Building & Implementing decissiopn support system and tools untuk membuat hasil
datamining tersedia bagi decision makers dan staf lebih rendah.
· Maintaining.

Sebenarnya berbagai langkah tersebut diatas telah banyak dilakukan sejak dulu, hanya kini prosesnya menjadi secara formal dikelola, secara berkesinambungan di perbaharui dan menjadi inti dari jalannya bisnis.

2. Driving Factors

Akar mula datamining telah dilakukan oleh John Tukey dari Princeton and Bell Labs (tengah 1970-an) yang memperkenalkan Exploratory Data Analysis (EDA). Perbedaannya kini data yang tersedia menggunung, dan tersedia komputer kecepatan tinggi untuk membantu mengolahnya, selain itu datamining lebih berat menekankan pada machine-learning daripada human-learning, dan proses dilakukan pada keseluruhan data bukan sampel.
· Supply side factors
- Kemajuan IT telah menurunkan ongkos untuk memperoleh, menyimpan dan mengolah data.
- Turunnya biaya komunikasi elektronik
- Munculnya teknik-teknik analisa baru yang memungkinkan proses analisa secara
otomatis.
- Software komputer yang semakin ramah terhadap pengguna.

· Demand side factors
- Kebutuhan yang semakin bertumbuh akan analisa dan hasil yang dapat secara cepat
diperoleh.
- Berkurangnya hirarki di organisasi bisnis
- Membludaknya buku/artikel tentang building and maintaining customer relationships.

3. Usage of Data Mining in Marketing

· Customer Acquisition.
Langkah pertama, marketer menerapkan metoda data mining terhadap database pelanggan untuk menemukan atribut yang dapat memprediksikan respons pelanggan terhadap penawaran dan komunikasi yang akan dilakukan. Tahap berikutnya, atribut yang disebutkan model sebagai yang paling positif responsnya dicocokkan dengan atribut yang dimiliki oleh non-pelanggan sehingga dapat dipilih para calon pelanggan yang potensial.

· Customer Retention.
Mengidentifikasi para pelanggan yang berkontribusi pada bottom-line perusahaan tapi mungkin sekali berniat pindah ke kompetitor. Menggunakan informasi ini sehingga perusahaan dapat melakukan penawaran/perlakuan khusus pada mereka yang rawan tersebut.

· Customer Abandonment.
Beberapa pelanggan membutuhkan biaya lebih dari keuntungan yang diberikan, mereka mesti didorong untuk pindah. Datamining digunakan untuk menemukan efek negative yang dihasilkan oleh pelanggan macam tersebut pada bottom-line perusahaan.

· Market Basket Analysis.
Mengidentifikasi asosiasi antar berbagai produk yang dibeli pada saat pembayaran di POS (point of sales), Marketer menggunakan data ini untuk mengembangkan product affinities dan promosi yang lebih terfokus.

4. Data Mining Tasks and Tools

Obyek dari datamining bisa berupa: daftar individe, benda, ide, potongan tulisan atau bentuk lain yang dapat direpresentasikan secara elektronik. Akan tetapi untuk marketing umumnya yang dimodelkan adalah individu atau rumah tangga.

Tugas data mining yang mendasar adalah:
a. Summarization.
Merujuk pada metoda untuk meringkas garis besar data yang memberikan gambaran tentang data dan hubungan yang ada di dalamnya. Contoh: SQL (count, average, total etc), statistik deskriptif (central tendency dan dispersion), x-tab, grafik. Gunanya memberikan gambaran garis besar walaupun tidak mampu detail.

b. Predictive Modelling.
Merujuk pada metoda yang dapat meramalkan hasil (outcome) berdasarkan satu set variabel. Contohnys Least Square Regression, Logit Regression, Analisa Diskriminan, Association Rules, Decision Trees, Neural Network dan Genetic Algorithm.

c. Clustering.
Merujuk pada proses pembentukan kelompok/segmen berdasarkan satu set variabel. Marketer memanfaatkan ini agar program marketingnya lebih fokus dan efektif. Contoh : metoda Analisa Cluster, Decision Tree Based method (eg. CHAID : Chisquare Automatic Interaction Detector), neural network dan genetic algoritm.

d. Classification.
Serupa dengan Clustering, hanya disini fokusnya adalah untuk menentukan obyek baru masuk kategori yang mana berdasarkan satu set variabel yang telah dipakai untuk menganalisa data yang lama.

e. Link Analysis.
Merujuk pada sekumpulan metoda yang mencari korelasi dari pola pembelian secara x-section atau time-series. Hal ini digunakan untuk meramalkan produk yang akan dibeli pelanggan jika mereka tahu atau ada perlakuan khusus, misalnya seseorang yang membeli sepeda balap, lebih mungkin akan mau membeli perlengkapan tambahan sepeda (topi, dll) dibandingkan pembeli sepeda biasa.

Alat (Tools) untuk melakukan data mining adalah sbb:
a. Query Tools.

Bilamana pemakai telah mengetahui hal yang dicari bisa menggunakan simple query untuk menghasilkan frekuensi, mean, std dll. Biasanya bahasa database telah menyediakan fasilitas query. Syaratnya tahu struktur database dan tahu yang ingin dicari. Contoh Microsoft access.

b. Descriptive Statistics.
Pada akhir proses KDD descriptive statistics memberikan dukungan tambahan untuk meyakinkan pola-pola yang tergali dari proses data mining.

c. Visualization tools.
Teknik visualisasi berguna untuk dengan cepat melihat pola data yang jumlahnya banyak sekali, contohnya grafik histogram, scatter XY dll.
d. Regression-type model.
Yang termasuk dalam keluarga ini adalah (1) ordinary least squares. (2) logit (3) analisa diskriminan.

e. Association rules.
Asosiasi biasanya dinyatakan dalam kondisi biner (ya atau tidak atau probabilitas untuk ya). Pada dasarnya adalah sebuah statement yang menyatakan perilaku individu (probabilitas untuk ya) berdasarkan satu set variabel. Aturan yang ditemukan dipakai untuk menentukan klasifikasi data baru berdasarkan nilai set variabel yang dimilikinya. Contoh kita tertarik mempromosikan kaus balap sepeda kepada pelanggan yang baru saja menelpon membeli perlengkapan sepeda. Kita ingin hanya memberikan penawaran kepada penelpon yang memiliki probabilitas beli yang besar berdasarkan data masa lampau. Misalnya analisa data menunjukkan bahwa mereka yang membeli helm dan celana balap adalah yang paling mungkin membeli kaus balap pada pembelian berikutnya. Sehingga ketika seorang penelpon membeli helm dan celana balap, maka sistem akan memiliki probabilitas tinggi untuk juga menawarkan untuk membeli helm.

f. Decision trees.
Pada dasarnya metoda ini menyusun pohon keputusan menggunakan struktur if-then-else. Berguna untuk mengidentifikasi variabel yang penting, hubungan nonlinear, dan interaksi antar variabel dan bisa bekerja baik pada kasus dengan variabel prediktor yang banyak dan banyak yang tidak relevan. Akan tetapi analisa ini dengan cepat menghabiskan data. Ada bahaya overfitting, yaitu kriteria yang dipakai untuk pengelompokkan pada berbagai cabang bukanlah karakter yang mendasar, sehingga bila diterapkan pada data baru akan menghasilkan pola yang berbeda. Oleh karena itu cross-validasi (half-split) menjadi alat yang berguna. Contoh decision trees algorithm adalah CHAID, CART dan C4.5.

g. Case-based reasoning.
Pada dasarnya ini adalah sebuah proses pencocokan antara kasus masa lalu dengan data yang baru masuk paling mirip dengan yang mana. Contohnya sbb: Misal sebuah supermarket akan mencari lokasi yang cocok. Langkah pertama menentukan spesifikasi , misal m2, jumlah outlet, ada bagian roti segar atau tidak dll. Langkah kedua, identifikasi atribut-atribut yang penting yang untuk mengidentifikasi suatu lokasi, misal : kepadatan penduduk, kepadatan lalu lintas, pengeluaran rumah tangga, umur kepala rumah tangga. Langkah ketiga bandingkan lokasi-lokasi yang potensial dengan lokasi supermarket yang telah ada berdasarkan atribut pada langkah kedua lengkap dengan performance indexnya misalnya. Langkah keempat CBR akan mengidentifikasi lokasi baru yang paling mungkin sukses berdasarkan data yang ada, lengkap dengan spesifikasi yang sebaiknya dimiliki toko tersebut. Kekuatan metoda ini adalah efektif dalam mengubah konsep abstrak menjadi hal yang real. Memaksa analis untuk fokus pada persamaan dan perbedaan secara sistematis dan terstruktur. Bisa mengakomodasi data kualitatif, diskrit maupun hubungan yang tidak jelas. Kelemahannya antara lain solusinya bisa tidak optimal sebab hal yang terbaik di masa lalu belum tentu demikian juga hari ini. Kurang baik jika antara variabel prediktor berinteraksi secara kuat.

h. Neural networks.
Metoda ini meniru kerja otak dalam mengenali pola. Pada prinsipnya metoda ini belajar mengenali pola dengan belajar dari berbagai set data yang ada dan berusaha menemukan hubungan antara variabel-variabel prediktor dan dependent. Kekuatan metoda ini adalah mampu mengkombinasikan banyak informasi dari prediktor, bahkan jika variabel prediktor tersebut saling berkorelasi dan ada hubungan bersifat non linear. Kelemahannya adalah membutuhkan banyak waktu dalam seleksi variabel yang terlibat serta transformasi yang diperlukan dan proses belajarnya. Disamping itu proses kerjanya tidak transparen/sulit dipahami oleh non-expert.

i. Genetic algorithm.
Metoda ini mengikuti pola yang terjadi pada evolusi biologis, yaitu terjadinya seleksi, reproduksi, mutasi dan yang kuat menang dalam mencari solusi yang bersifat prediksi atau klasifikasi. Kekuatannya baik digunakan untuk mencari solusi problem yang tidak begitu dipahami dan berstruktur kurang baik juga sebab metoda ini secara simultan berusaha mencari banyak solusi sekaligus. Metoda ini juga kadang bisa menemukan hubungan yang “baru” tak terduga sebelumnya. Kelemahannya dalam proses pembentukannya (fitting) memerlukan waktu yang lama sebab perlu banyak runs. Selain itu solusinya sering sulit dijelaskan, sebab tidak ada penjelasan bagaimana metoda ini bisa sampai pada satu kesimpulan.