1. Business Understanding (Pemahaman Bisnis)

   RetailMart ingin meningkatkan penjualan dan loyalitas pelanggan dengan mengembangkan strategi pemasaran yang lebih tepat sasaran. Tujuan spesifiknya adalah untuk memahami pola pembelian pelanggan dan mengidentifikasi segmen pelanggan berbeda untuk kampanye pemasaran yang lebih efektif.

   Tugas:

   • Bertemu dengan stakeholders untuk memahami kebutuhan bisnis.

     • Mendefinisikan tujuan proyek dan metrik kesuksesan.

     • Mengidentifikasi sumber daya yang diperlukan, seperti data dan alat analisis.

   
   

Pihak RetailMart akan mengumpulkan data dari berbagai sumber, seperti transaksi penjualan, data demografi pelanggan, dan interaksi pelanggan di berbagai saluran. Setelah itu, RetailMart akan melakukan eksplorasi awal data untuk memahami distribusi, kualitas, dan keterkaitan data.

Tugas:

• Mengidentifikasi data yang relevan.

  • Menilai kualitas data (misalnya, mengidentifikasi data yang hilang atau outlier).

  • Membuat ringkasan statistik awal untuk mendapatkan wawasan awal tentang data.

Setelah itu, RetailMart membersihkan data dengan menangani nilai yang hilang, menghapus duplikasi, dan menangani outlier. Data dari berbagai sumber diintegrasikan dalam satu dataset yang kohesif. Kemudian, RetailMart akan membuat fitur-fitur baru yang mungkin berguna untuk analisis, seperti frekuensi pembelian atau jumlah pengeluaran rata-rata per kunjungan.

Tugas:

• Data cleaning.

  • Data transformation (normalisasi, encoding).

  • Feature engineering.

RetailMart memilih teknik pemodelan yang sesuai, seperti clustering untuk segmentasi pelanggan. Beberapa model dibangun dan diuji untuk menemukan yang paling sesuai. Teknik validasi digunakan untuk memastikan model tidak overfitting.

Tugas:

• Memilih algoritma (misalnya, K-means clustering).

  • Melatih model dengan data yang telah dipersiapkan.

  • Mengevaluasi kinerja model menggunakan metrik yang relevan.

RetailMart mengevaluasi model terhadap tujuan bisnis yang telah ditetapkan. Hal ini dilakukan untuk menilai bahwa hasil model memberikan wawasan yang bermanfaat dan dapat diterapkan. RetailMart akan melakukan iterasi ulang jika hasil model belum memuaskan.

Tugas:

• Mengevaluasi model berdasarkan akurasi dan interpretabilitas.

  • Menyelaraskan hasil model dengan tujuan bisnis.

  • Mendiskusikan hasil dengan stakeholders dan mendapatkan umpan balik.

Mengimplementasikan model dalam sistem produksi RetailMart. Mengembangkan dashboard atau alat lain untuk memantau kinerja model. Melatih tim pemasaran untuk menggunakan hasil analisis dalam kampanye mereka.

Tugas:

• Mengatur infrastruktur untuk penerapan model.

  • Membuat laporan dan visualisasi yang mudah dipahami.

  • Merancang strategi untuk pemantauan dan pemeliharaan model.

Meskipun CRISP-DM sangat populer dan efektif, seperti semua metodologi, ia memiliki kelebihan dan kelemahan. Selanjutnya, kita akan membahas kelebihan dan kelemahannya.

source :

CRISP-DM: Tahapan, Studi Kasus, Kelebihan, dan Kekurangan (dicoding.com)

NPM : 2231188

Role : Data Scientist

NPM : 2231124

Posisi : Data Scientist

NPM : 2231074

Posisi : UI/UX

CRISP-DM memberikan banyak manfaat dalam proses pengembangan dan implementasi proyek data mining. Metodologi ini menawarkan beberapa keunggulan yang membuatnya menjadi populer di kalangan profesional. Beberapa kelebihan CRISP-DM sebagai berikut.

1. Struktur yang Jelas dan Terdefinisi. 

Menyediakan kerangka kerja yang terstruktur dan terorganisasi dengan baik serta membantu tim data science mengikuti langkah-langkah sistematis dalam proyek data mining.

2. Fleksibilitas. 

Metodologi ini dapat diterapkan pada berbagai jenis proyek dan industri sehingga sangat fleksibel. Setiap fase bisa disesuaikan dengan kebutuhan spesifik proyek.

3. Iteratif dan Interaktif. 

CRISP-DM mengakui bahwa proyek data mining adalah proses iteratif. Tahapan-tahapan dalam metodologi ini dapat dilalui beberapa kali, memungkinkan perbaikan dan penyesuaian yang berkelanjutan.

4. Fokus pada Pemahaman Bisnis. 

Menekankan pentingnya memahami konteks dan tujuan bisnis dari proyek data mining serta memastikan bahwa solusi yang dihasilkan relevan dan bermanfaat bagi organisasi.

5. Dokumentasi yang Baik. 

Mendorong dokumentasi yang baik pada setiap fase proyek. Hal ini membantu dalam komunikasi antar anggota tim, pelaporan kepada stakeholder, dan penggunaan ulang proyek di masa depan.

Kelemahan

Dari kelebihan yang telah disebutkan di atas, bukan berarti metodologi CRISP-DM tidak memiliki kekurangan. Metodologi ini juga memiliki beberapa kelemahan yang dapat dijadikan pertimbangan sebelum menerapkannya pada proyek data mining. Berikut adalah beberapa kelemahan CRISP-DM. 

1. Tidak Terlalu Detail. 

CRISP-DM memberikan panduan umum tanpa spesifikasi teknis yang rinci, artinya tim mungkin memerlukan pengetahuan tambahan atau metodologi lain untuk mengisi detail teknis tertentu.

2. Ketergantungan pada Pengalaman. 

Keberhasilan penerapan CRISP-DM sering kali bergantung pada pengalaman dan keahlian tim. Tim yang kurang berpengalaman mungkin mengalami kesulitan dalam menerapkan metodologi ini secara efektif.

3. Waktu dan Sumber Daya. 

Proyek dengan penerapan CRISP-DM secara ketat bisa memakan waktu dan sumber daya yang signifikan, terutama pada tahap pemahaman bisnis serta persiapan data, yang kadang-kadang bisa sangat intensif.

4. Keterbatasan dalam Proyek Skala Kecil. 

Untuk proyek-proyek kecil atau sederhana, metodologi CRISP-DM mungkin terasa terlalu berlebihan dan birokratis.

5. Tidak Selalu Adaptif terhadap Metode Baru. 

Karena metodologi ini sudah lama ada, mungkin kurang adaptif terhadap perkembangan terbaru dalam teknologi dan teknik data mining modern, seperti machine learning dan big data analytics.

Secara keseluruhan, CRISP-DM tetap menjadi salah satu metodologi yang paling banyak diadopsi dalam industri data mining karena struktur dan fleksibilitasnya, meskipun ada beberapa tantangan yang perlu diatasi untuk penerapannya secara efektif.

source :

CRISP-DM: Tahapan, Studi Kasus, Kelebihan, dan Kekurangan (dicoding.com)

1. Business Understanding (Pemahaman Terhadap Bisnis)

• Permasalahan:
• Budi adalah Rektor di Universitas Suka Belajar
• Universitas Suka Belajar memiliki masalah besar karena rasio kelulusan mahasiswa tiap angkatan sangat rendah
• Budi ingin memahami dan membuat pola dari profile mahasiswa yang bisa lulus tepat waktu dan yang tidak lulus tepat waktu
• Dengan pola tersebut, Budi bisa melakukan konseling, terapi, dan memberi peringatan dini kepada mahasiswa kemungkinan tidak lulus tepat waktu untuk memperbaiki diri, sehingga akhirnya bisa lulus tepat waktu

• Tujuan:
• Menemukan pola dari mahasiswa yang lulus tepat waktu dan tidak

2. Data Understanding (Pemahaman Terhadap Data)

• Untuk menyelesaikan masalah, Budi mengambil data dari sistem informasi akademik di universitasnya

• Data-data dikumpulkan dari data profil mahasiswa dan indeks prestasi semester mahasiswa, dengan atribut seperti di bawah

1. NAMA
2. JENIS KELAMIN: Laki-Laki atau Perempuan
3. STATUS MAHASISWA: Mahasiswa atau Bekerja
4. UMUR:
5. STATUS NIKAH: Menikah atau Belum Menikah
6. IPS 1: Indeks Prestasi Semester 1
7. IPS 2: Indeks Prestasi Semester 1
8. IPS 3: Indeks Prestasi Semester 1
9. IPS 4: Indeks Prestasi Semester 1
10. IPS 5: Indeks Prestasi Semester 1
11. IPS 6: Indeks Prestasi Semester 1
12. IPS 7: Indeks Prestasi Semester 1
13. IPS 8: Indeks Prestasi Semester 1
14. IPK: Indeks Prestasi Kumulatif
15. STATUS KELULUSAN: Terlambat atau Tepat

3. Data Preparation (Persiapan Data)

• Terdapat 379 data mahasiswa dengan 15 atribut
• Missing Value sebayak 10 data, dan tidak terdapat data noise

• Missing Value dipecahkan dengan menambahkan data dengan nilai rata-rata
• Hasilnya adalah data bersih tanpa missing value

4. Modeling (Pemodelan)

• Modelkan dataset dengan Decision Tree
• Pola yang dihasilkan bisa berbentuk tree atau if-then

Hasil pola dari data berupa berupa decision tree (pohon keputusan)

5. Evaluation (Evaluasi)

Hasil pola dari data berupa berupa peraturan if-then

• Atribut atau faktor yang paling berpengaruh adalah Status Mahasiswa, IPS2, IPS5, IPS1
• Atribut atau faktor yang tidak berpengaruh adalah Nama, Jenis Kelamin, Umur, IPS6. IPS7, IPS8

6. Deployment (Penyebaran)

• Budi membuat program peningkatan disiplin dan pendampingan ke mahasiswa di semester awal (1-2) dan semester 5, karena faktor yang paling menentukan kelulusan mahasiswa ada di dua semester itu
• Budi membuat peraturan melarang mahasiswabekerja paruh waktu di semester awal perkuliahan, karena beresiko tinggi di kelulusan tepat waktu
• Budi membuat program kerja paruh waktu di dalam kampus, sehingga banyak pekerjaan kampus yang bisa intens ditangani, sambil mendidik mahasiswasupaya memilikipengalaman kerja. Dan yang paling penting mahasiswa tidak meninggalkan kuliah karena pekerjaan
• Budi memasukkanpola dan model yang terbentuk ke dalam sistem informasi akademik, dimana sistem dibuat cerdas, sehingga bisa mengirimkan email analisis pola secara otomatis ke mahasiswasesuai profilnya

source :

Metodologi CRISP-DM Beserta Contoh Kasusnya - Flin Setyadi

Memuat kumpulan data ke dalam bingkai data Pandas, kita dapat mengekstrak informasi yang berguna tentang data tersebut.

5 baris pertama dari kumpulan data

Tipe data

Nilai kosong atau hilang

Catatan: Tidak ada data kosong pada kolom jenis kelamin. Saya mengubah elemen unik "Lainnya" menjadi nilai NaN untuk menghapusnya nanti.

Persiapan data

Pertama, saya melakukan pertengkaran dan pembersihan data, mengisi beberapa data yang hilang, dan menghapus kolom yang tidak relevan dari bingkai data kami.

Setelah itu, saya mengubah beberapa data agar lebih mudah untuk dianalisis nanti.

Kasus stroke antara usia 0 hingga 37 tahun jarang terjadi untuk kumpulan data ini. Karena fakta ini, data dari pasien ini dihapus dari bingkai data.

Sekarang, mungkin untuk mulai menjawab pertanyaan di atas. Pertama, saya akan melihat matriks korelasi dan melihat saya bisa mendapatkan informasi darinya.

Matriks Korelasi

Pertanyaan 1: Apakah informasi tentang jenis pekerjaan penting untuk kumpulan data ini?

Jika kita melihat pada baris (atau kolom) work_type dari matriks korelasi, ada 2 faktor stroke yang berkorelasi dengannya: hipertensi dan penyakit jantung.

Dari informasi ini, saya dapat menyimpulkan bahwa tergantung pada jenis pekerjaan, ada lebih banyak atau lebih sedikit kemungkinan untuk menderita hipertensi atau penyakit jantung. Fakta ini nantinya akan berguna untuk melatih para model. Jadi, harus dipertahankan apa adanya.

Pertanyaan 2: Apakah status perkawinan benar-benar relevan untuk memprediksi stroke? Bagaimana dengan tipe tempat tinggal?

Perbandingan kasus positif

Dibandingkan dengan kasus positif pada kolom pernah kawin, terdapat lebih banyak kasus pada pasien pernah kawin daripada pasien belum kawin.

Mengenai tipe tempat tinggal, jumlah data antara data pedesaan dan perkotaan cukup mirip. Saya percaya bahwa karena fakta ini, itu tidak akan cukup membantu untuk memprediksi kasus stroke. Itu dapat dihapus dari kumpulan data.

Pertanyaan 3: Mempertimbangkan pasien dengan berat badan kurang, seberapa membantu untuk memprediksi stroke?

Melihat berapa banyak data yang ada dalam kumpulan data, kita dapat menyimpulkan bahwa itu tidak akan membantu sama sekali. Jumlah data yang diwakili oleh pasien kurus mendekati 0%, dibandingkan dengan kategori BMI lainnya.

Sekarang setelah semua pertanyaan saya terjawab, saya menyiapkan kumpulan data akhir untuk melatih dan menguji model ML yang akan diterapkan.

Pemodelan

Saya memilih 3 jenis model pembelajaran mesin untuk dilatih dan dibandingkan: Regresi Logistik, Hutan Acak, dan Jaringan Saraf Tiruan.

• Regresi Logistik: Salah satu algoritma pembelajaran mesin yang paling sederhana dan umum digunakan untuk masalah klasifikasi biner.

• https://dataaspirant.com/how-logistic-regression-model-works/

• Hutan Acak: Ini adalah algoritma pembelajaran yang diawasi. Ini adalah algoritma yang paling fleksibel dan mudah digunakan.

• https://en.wikipedia.org/wiki/Random_forest#/media/File:Random_forest_diagram_complete.png

• Neural Network (NN): Ini adalah jaringan node, membangun struktur yang mirip dengan jaringan neuron biologis. Biasanya terdiri dari 3 lapisan: lapisan input, lapisan tersembunyi, dan lapisan output.

• https://cdn.chipkin.com/assets/uploads/2020/Jun/Neural%20Network%20Diagram_26-17-07-01.png

Sekarang, kumpulan data siap digunakan dan kami dapat melatih dan menguji model ML.

Evaluasi

Model ML dievaluasi menggunakan kurva ROC , AUC dan Laporan Klasifikasi . Saya tidak menyertakan laporan dari metrik terakhir di sini, tetapi ada di GitHub saya jika Anda ingin melihatnya.

Seperti yang mungkin Anda perhatikan dengan melihat skor AUC, kinerja model MLP menjadi lebih baik daripada 2 model lainnya menggunakan kumpulan data yang relevan. Tetapi model Hutan Acak masih merupakan model yang lebih baik untuk kumpulan data ini. Karena fakta ini, jika saya perlu menggunakan model untuk memprediksi pukulan, saya akan memilihnya.

Menyebarkan

Sebagai langkah terakhir dari CRISP-DM, Anda akan membuat model yang dilatih ML tersedia untuk pengguna atau sistem dan memantaunya. Saya akan membuat daftar beberapa lingkungan yang dapat Anda gunakan untuk model Anda:

• AWS

• Google Cloud

• Microsoft Azure

• Aplikasi Seluler

CRISP-DM adalah teknik pertama yang bisa saya gunakan di Data Science untuk eksplorasi data. Mengecualikan fakta ini, saya akan mengatakan bahwa ini adalah proses yang baik untuk mengeksplorasi data dan memikirkan wawasan atau solusi bisnis.

NPM : 2231167

Posisi : Data Collection

NPM : 2231075

Posisi : Backend

NPM : 2231001

Posisi : Backend

Antara tahun 2006 dan 2008 terbentuklah grup CRISP-DM 2.0 SIG yang berkeinginan untuk mengupdate CRISP-DM process model (Colin Shearer, 2006). Namun produk akhir dari inisiatip ini tidak diketahui.

Banyak hasil penelitian yang mengungkapkan bahwa CRISP-DM adalah datamining model yang masih digunakan secara luas di kalangan industry, sebahagian dikarenakan keunggulannya dalam menyelesaikan banyak persoalan dalam proyek proyek data mining.

Masing-masing tahapan tersebut dijelaskan sebagai berikut :

• Business Understanding

Ini adalah tahap pertama dalam CRISP-DM dan termasuk bagian yang cukup vital. Pada tahap ini membutuhkan pengetahuan dari objek bisnis, bagaimana membangun atau mendapatkan data, dan bagaimana untuk mencocokan tujuan pemodelan untuk tujuan bisnis sehingga model terbaik dapat dibangun. Kegiatan yang dilakukan antara lain: menentukan tujuan dan persyaratan dengan jelas secara keseluruhan, menerjemahkan tujuan tersebut serta menentukan pembatasan dalam perumusan masalah data mining, dan selanjutnya mempersiapkan strategi awal untuk mencapai tujuan tersebut.

• Data Understanding

Secara garis besar untuk memeriksa data, sehingga dapat mengidentifikasi masalah dalam data. Tahap ini memberikan fondasi analitik untuk sebuah penelitian dengan membuat ringkasaan (summary) dan mengidentifikasi potensi masalah dalam data. Tahap ini juga harus dilakukan secara cermat dan tidak terburu-buru, seperti pada visualisasi data, yang terkadang insight-nya sangat sulit didapat dika dihubungkan dengan summary data nya. Jika ada masalah pada tahap ini yang belum terjawab, maka akan menggangu pada tahap modeling.

Ringkasan atau summary dari data dapat berguna untuk mengkonfirmasi apakah data terdistribusi seperti yang diharapkan, atau mengungkapkan penyimpangan tak terduga yang perlu ditangani pada tahap selanjutnya, yaitu Data Preperation.

Masalah dalam data biasanya seperti nilai-nilai yang hilang, outlier, berdistribusi spike, berdistribusi bimodal harus diidentifikasi dan diukur sehingga dapat diperbaiki dalam Data Preperation.

• Data Preparation

Secara garis besar untuk memperbaiki masalah dalam data, kemudian membuat variabel derived. Tahap ini jelas membutuhkan pemikiran yang cukup matang dan usaha yang cukup tinggi untuk memastikan data tepat untuk algoritma yang digunakan.

Bukan berarti saat Data Preperation pertama kali dimana masalah-masalah pada data sudah diselesaikan, data sudah dapat digunakan hingga tahap terakhir. Tahap ini merupakan tahap yang sering ditinjau kembali saat menemukan masalah pada saat pembangunan model. Sehingga dilakukan iterasi sampai menemukan hal yang cocok dengan data.

Tahap sampling dapat dilakukan disini dan data secara umum dibagi menjadi dua, data training dan data testing.

Kegiatan yang dilakukan antara    lain: memilih kasus dan parameter yang akan dianalisis (Select Data), melakukan transformasi terhadap parameter tertentu (Transformation), dan melakukan pembersihan data agar data siap untuk tahap modeling (Cleaning).

• Modeling

Secara garis besar untuk membuat model prediktif atau deskriptif. Pada tahap ini dilakukan metode statistika dan Machine Learning untuk penentuan terhadap teknik data mining, alat bantu data mining, dan algoritma data mining yang akan diterapkan. Lalu selanjutnya adalah melakukan penerapan teknik dan algoritma data mining tersebut kepada data dengan bantuan alat bantu. Jika diperlukan penyesuaian data terhadap teknik data mining tertentu, dapat kembali ke tahap data preparation.

Beberapa modeling yang biasa dilakukan adalah classification, scoring, ranking, clustering, finding relation, dan characterization.

• Evaluation

Melakukan interpretasi terhadap hasil dari data mining yang dihasilkan dalam proses pemodelan pada tahap sebelumnya. Evaluasi dilakukan terhadap model yang diterapkan pada tahap sebelumnya dengan tujuan agar model yang ditentukan dapat sesuai dengan tujuan yang ingin dicapai dalam tahap pertama.

• Deployment

Tahap deployment atau rencana penggunaan model adalah tahap yang paling dihargai dari proses CRISP-DM. Perencanaan untuk Deployment dimulai selama Business Understanding dan harus menggabungkan tidak hanya bagaimana untuk menghasilkan nilai model, tetapi juga bagaimana mengkonversi skor keputusan, dan bagaimana untuk menggabungkan keputusan dalam sistem operasional.

Pada akhirnya, rencana sistem Deployment mengakui bahwa tidak ada model yang statis. Model tersebut dibangun dari data yang diwakili data pada waktu tertentu, sehingga perubahan waktu dapat menyebabkan berubahnya karakteristik data. Modelpun harus dipantau dan mungkin diganti dengan model yang sudah diperbaiki.

source :

https://mmsi.binus.ac.id/2020/09/18/cross-industry-standard-process-for-data-mining-crisp-dm/

1. Generik dan Fleksibel
   CRISP-DM dapat digunakan di berbagai industri dan aplikasi karena pendekatannya yang fleksibel dan tidak bergantung pada teknologi atau domain spesifik. Ini cocok untuk berbagai masalah data mining, mulai dari analisis prediktif hingga segmentasi pasar.

2. Struktur yang Jelas dan Sistematis
   CRISP-DM memberikan kerangka kerja yang jelas dengan enam fase yang terstruktur (Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, Deployment). Ini membantu tim untuk memiliki arah yang jelas dan terorganisir dalam mengelola proyek data.

3. Iteratif
   Metode ini bersifat iteratif, memungkinkan pengulangan langkah-langkah jika diperlukan. Jika hasil tidak memuaskan, kita bisa kembali ke langkah sebelumnya untuk melakukan revisi sebelum melanjutkan ke tahap berikutnya.

4. Didukung secara Luas
   Karena popularitasnya, banyak alat dan software data mining yang mendukung CRISP-DM. Banyak profesional di bidang data juga familiar dengan metodologi ini, memudahkan kolaborasi antar tim.

5. Pendekatan Berbasis Bisnis
   Fase pertama dari CRISP-DM (Business Understanding) memfokuskan pada pemahaman terhadap masalah bisnis, sehingga membantu tim memastikan bahwa solusi yang dikembangkan relevan dengan kebutuhan bisnis.

Kelemahan dan Tantangan

1. Kaku

   Di sisi lain, beberapa orang berpendapat bahwa CRISP-DM memiliki kelemahan yang sama dengan Waterfall dan menghambat iterasi yang cepat.

2. Dokumentasi Berat: Hampir setiap tugas memiliki langkah dokumentasi. Meskipun mendokumentasikan pekerjaan seseorang adalah kunci dalam proses yang matang, persyaratan dokumentasi CRISP-DM mungkin memperlambat tim untuk benar-benar memberikan peningkatan.

3. Tidak Modern: Bertentangan dengan argumen Vorheis mengenai relevansi berkelanjutan CRISP-DM, pihak lain berpendapat bahwa CRISP-DM, sebagai sebuah proses yang mendahului big data, “mungkin tidak cocok untuk proyek Big Data karena empat V-nya” ( Saltz & Shamshurin, 2016 ).

4. Bukan Pendekatan Manajemen Proyek: Mungkin yang paling penting, CRISP-DM bukanlah metodologi manajemen proyek sejati karena secara implisit mengasumsikan bahwa penggunanya adalah satu orang atau tim kecil yang kompak dan mengabaikan koordinasi kerja tim yang diperlukan untuk proyek yang lebih besar ( Saltz, Shamshurin, & Connors, 2017 ).

Studi Kasus

Meningkatkan Strategi Pemasaran di Perusahaan Ritel Menggunakan CRISP-DM

1. Business Understanding (Pemahaman Bisnis)

Pada fase ini, tujuan bisnis didefinisikan dengan jelas. Tujuan utama perusahaan adalah:

• Meningkatkan loyalitas pelanggan dengan memahami perilaku pembelian.

• Mengidentifikasi segmen pelanggan yang paling menguntungkan.

• Mengembangkan strategi pemasaran yang lebih terfokus berdasarkan segmentasi pelanggan.

Hasil:

• Menemukan pola perilaku pelanggan untuk meningkatkan penjualan.

• Tingkat respons kampanye pemasaran yang lebih tinggi dan peningkatan pendapatan dari pelanggan yang ditargetkan.

  
  

2. Data Understanding (Pemahaman Data)

Pada fase ini, perusahaan mengumpulkan data transaksi yang tersedia, termasuk:

• Data demografi pelanggan (usia, jenis kelamin, lokasi, dll.).

• Riwayat pembelian (produk yang dibeli, frekuensi, waktu pembelian, dll.).

• Data interaksi pelanggan dengan kampanye pemasaran sebelumnya.

Proses:

• Mengeksplorasi data untuk memahami distribusi variabel.

• Mengidentifikasi anomali, missing values, atau inkonsistensi dalam data.

Hasil:

• Laporan deskriptif mengenai data transaksi, distribusi pelanggan, dan pola pembelian awal.

• Gambaran awal mengenai potensi segmen pelanggan yang berbeda.

  
  

3. Data Preparation (Persiapan Data)

Setelah memahami data, fase ini fokus pada membersihkan dan menyiapkan data untuk modeling. Langkah-langkah yang dilakukan:

• Membersihkan data yang hilang atau outlier.

• Menyusun data dalam format yang dapat dianalisis, termasuk encoding variabel kategoris dan melakukan normalisasi data jika diperlukan.

• Memilih fitur yang relevan seperti frekuensi pembelian, jumlah total yang dibelanjakan, dan waktu sejak pembelian terakhir.

Hasil:

• Dataset yang siap untuk modeling dengan fitur-fitur yang sudah dibersihkan dan distandarisasi.

4. Modeling (Pembuatan Model)

Pada tahap ini, algoritma machine learning diterapkan untuk menganalisis data. Beberapa teknik yang digunakan:

• Clustering (misalnya, algoritma K-Means atau DBSCAN) untuk segmentasi pelanggan berdasarkan pola pembelian.

• Classification (misalnya, Decision Tree atau Random Forest) untuk memprediksi pelanggan yang cenderung merespons kampanye pemasaran.

5. Evaluation (Evaluasi)

Model yang dibuat dievaluasi untuk memastikan apakah hasilnya memenuhi tujuan bisnis yang telah ditentukan pada fase pertama.

• Evaluasi clustering dilakukan dengan menggunakan metrik seperti silhouette score untuk memastikan bahwa segmen pelanggan terdefinisi dengan baik.

• Evaluasi prediksi dilakukan menggunakan metrik akurasi, precision, recall, dan AUC-ROC untuk memastikan bahwa model prediksi cukup baik dalam memprediksi respons pelanggan.

6. Deployment (Penerapan)

Setelah model dievaluasi dan hasilnya memuaskan, langkah berikutnya adalah implementasi hasil ke dalam bisnis. Beberapa cara penerapan:

• Personalisasi Kampanye Pemasaran: Berdasarkan hasil segmentasi, perusahaan mengirimkan kampanye yang disesuaikan untuk setiap segmen pelanggan.

• Retargeting: Menggunakan model prediksi untuk menargetkan pelanggan yang kemungkinan besar akan merespons kampanye pemasaran.

Hasil:

• Peluncuran kampanye pemasaran yang ditargetkan dan personalisasi strategi pemasaran berdasarkan segmentasi pelanggan.

Setelah menerapkan CRISP-DM dan mengidentifikasi segmen pelanggan serta memprediksi respons pelanggan terhadap kampanye, perusahaan melihat berbagai peningkatan.

Dengan menggunakan metodologi CRISP-DM, perusahaan ritel dapat mengubah data transaksi menjadi wawasan yang bermanfaat untuk meningkatkan loyalitas pelanggan dan penjualan. Melalui analisis terstruktur yang dimulai dengan pemahaman bisnis hingga penerapan model, CRISP-DM membantu memberikan panduan yang sistematis dalam proyek analisis data.