andikabaihaqi / e-commerce-cust-churn

E-Commerce Customer Churn

Overview

Churn rate adalah rasio pelanggan yang berhenti berlangganan dengan perusahaan dalam periode waktu tertentu. Salah satu mekanisme terbaik untuk mempertahankan pelanggan saat ini adalah mengidentifikasi potensi churn dan merespons dengan cepat untuk mencegahnya. Mendeteksi tanda-tanda awal dari potensi churn, mengenali apa yang dicari pelanggan melalui pergerakan, dan meningkatkan pelayanan untuk meningkatkan kepuasan para customer sangat penting untuk mempertahankan bisnis di era persaingan ini. Perusahaan E-Commerce biasanya memiliki volume besar data yang berkaitan dengan pelanggan mereka yang sudah ada seperti riwayat transaksi, riwayat pencarian, periodisitas pembelian, dan lain-lain. Teknik data mining dapat diterapkan untuk menganalisis perilaku pelanggan dan untuk memprediksi pengurangan pelanggan potensial sehingga strategi pemasaran khusus dapat diadopsi untuk mempertahankannya.

Problem Statement

Mempertimbangkan tingkat persaingan yang berlaku di domain E-Commerce Business-to-Consumer (B2C) sehingga diperlukan strategi dan penawaran khusus yang ditujukan untuk menarik pelanggan baru serta fokus untuk mengurangi tingkat churn pelanggan. Pelanggan yang sudah loyal bukan tidak mungkin untuk meninggalkan layanan apabila memang ada pesaing baru yang lebih baik. Karena itu perusahaan harus bisa memberikan pelayanan yang bisa membuat pelanggan yang sudah loyal tidak berpaling ke layanan lainnya, agar perusahaan tidak mengalami kerugian.

Goals

Sebuah perusahaan ingin memprediksi pelanggan mana yang loyal dan akan churn berdasankan variabel data yang telah dikumpulkan. Hal ini sejalan untuk meningkatkan potensi keuntungan yang akan diperoleh perusahaan. Dengan menggunakan pendekatan model machine learning yang akan dibangun yang nantinya akan digunakan sebagai tools untuk memprediksi tingkat churn pelanggan.

Analytic Approach

Analitik yang dilakukan berupa evaluasi dan implementasi model klasifikasi untuk memprediksi tingkat churn suatu pelanggan dengan memanfaatkan data yang telah dikumpulkan.

Metrics Evaluation

0 : Pelanggan tidak churn, 1 : Pelanggan Churn

Type 1 error : False Positive Konsekuensi : Mengeluarkan uang yang sia-sia untuk pelanggan yang tidak akan churn, Type 2 error : False Negative Konsekuensi : Kehilangan pelanggan yang sudah loyal

Data Source

https://drive.google.com/drive/folders/1PITb78NtK9Ra6wOkQdXCIgItZkj29Ves?usp=share_link