Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pertumbuhan industri e-commerce di Indonesia telah meningkat secara signifikan dalam beberapa tahun terakhir. Nilai transaksi di sektor e-commerce di Indonesia diproyeksikan akan tumbuh sekitar 115%. Respons cepat terhadap keluhan pelanggan di platform digital menjadi krusial dalam mempertahankan kepercayaan dan loyalitas pelanggan di tengah persaingan yang ketat. Salah satu strategi yang digunakan oleh perusahaan adalah pendekatan multi-channel, di mana media sosial berperan penting. Namun, penggunaan media sosial sebagai saluran komplain menghadapi tantangan dalam membedakan keluhan yang sebenarnya dari noise yang tidak relevan. Saat ini, PT XYZ mengalami kesulitan dalam mengidentifikasi secara akurat interaksi mana yang memerlukan penanganan khusus dan mana yang tidak. Sistem yang ada saat ini mengharuskan tim khusus melakukan penyaringan secara manual. Metode ini menyebabkan tim tidak dapat mengimbangi saat terjadi peningkatan volume interaksi yang pesat. Akibatnya, waktu respon menjadi lebih lambat hingga 20%. Penelitian ini bertujuan untuk mengevaluasi performa model berbasis klasifikasi yang dapat dimanfaatkan serta menyusun rekomendasi dalam upaya meningkatkan skalabilitas untuk mengatasi tantangan tersebut. Desain penelitian ini menggunakan metode experimental research, di mana data yang diolah berasal dari interaksi pelanggan di media sosial dari rentang waktu tertentu. Dalam pengembangan model klasifikasi, digunakan beberapa metode meliputi Random Forest (RF), Support Vector Machine (SVM), Neural Network (NN), dan XGBoost menggunakan TF-IDF sebagai metode ekstraksi fitur, serta menggunakan BERT untuk ekstraksi fitur hingga klasifikasi. Pemodelan interaksi pelanggan dilakukan sebanyak lima kali dengan pengaturan k-fold cross-validation untuk menghindari bias. Hasil penelitian ini menunjukan bahwa dari persebaran data interaksi yang terdiri terdapat 6.220 keluhan dan 4.572 bukan keluhan. Akun sosial media perusahaan yang dikhususkan sebagai saluran komplain terbukti menjadi saluran yang efektif untuk menangani keluhan pelanggan, sementara akun yang bersifat umum lebih sering digunakan untuk interaksi yang lebih luas yang tidak terkait dengan keluhan. Tipe keluhan juga teridentifikasi bahwa keluhan yang berkaitan dengan logistik mendominasi, mencakup isu-isu seperti keterlambatan pengiriman, serta pelayanan dari kurir atau ekspedisi. Model klasifikasi terbaik yang berhasil dikembangkan menggunakan BERT dengan indobert-p1 mencapai F1-score sebesar 98,3%. Implementasi model ini berpotensi mengurangi beban pekerjaan hingga 97,58% dan menghasilkan ROI sebesar 23,52 kali. Dengan pengurangan beban pekerjaan ini, perusahaan dapat mengurangi jumlah headcount yang dibutuhkan untuk proses klasifikasi manual menjadi hanya 1 orang.

---

The e-commerce industry in Indonesia has experienced significant growth in recent years, with transaction values projected to increase by around 115%. Rapid responsiveness to customer complaints on digital platforms is crucial for maintaining trust and loyalty amidst intense competition. One strategy utilized by companies involves a multi-channel approach, where social media plays a pivotal role. However, using social media as a complaint channel faces challenges in accurately discerning genuine complaints from irrelevant noise. Currently, PT XYZ encounters difficulties in precisely identifying which interactions necessitate specialized handling, relying on manual screening by dedicated teams. This method proves inadequate during periods of increased interaction volumes, resulting in response times slowing by up to 20%. To address these challenges, this research aims to evaluate the performance of machine learning models and provide recommendations for enhancing scalability. The study employs an experimental research design, analyzing customer interactions on social media over a specified timeframe. Various classification methods, including Random Forest (RF), Support Vector Machine (SVM), Neural Network (NN), and XGBoost, utilize TF-IDF for feature extraction and BERT for feature extraction and classification. Customer interaction modeling is conducted five times with k-fold cross-validation to mitigate bias. The findings reveal that the dataset comprises 6,220 complaints and 4,572 non-complaints. Company-designated social media accounts prove effective for handling customer complaints, while general accounts are more commonly used for broader interactions unrelated to complaints. Issues related to logistics, such as delivery delays and courier services, dominate the identified types of complaints. The best-performing classification model, leveraging BERT with indobert-p1, achieves an impressive F1-score of 98.3%. Implementation of this model has the potential to reduce workload by 97.58% and yield an ROI of 23.52 times. By minimizing the need for manual classification, the company could potentially reduce required headcount to only 1 person.

"

"Atribusi kegagalan merupakan salah satu bentuk evaluasi penting yang dilakukan pelanggan pasca kegagalan layanan serta memainkan peran yang signifikan dalam pembentukan emosi dan perilaku pelanggan. Independensi Mitra dan platform pada layanan SE menjadikan atribusi sumber penyebab kegagalan, menjadi signifikan perannya dalam pembentukan emosi dan perilaku keluhan pelanggan pasca kegagalan layanan berbasis sharing economy, selain atribusi keterkendalian dan severity of failure. Dimana ditemukan toleransi dan emosi positif yang berperan dalam bias positif evaluasi kegagalan layanan. Hingga kini belum banyak ditemukan penelitian yang mengulas kegagalan layanan pada layanan berbasis sharing economy, terutama terkait pembentukan emosi dan intensi perilaku pengajuan keluhan berbentuk negative word of mouth. Maka dengan menggunakan kerangka service dominant logic, teori cognitive appraisal dan teori atribusi, penelitian ini bertujuan untuk melihat pengaruh interaksi atribusi sumber penyebab dan keterkendalian serta severity of failure terhadap pembentukan empati sebagai emosi positif dan intensi pelanggan untuk memberikan rating buruk serta membentuk negative word of mouth. Penelitian ini juga akan menguji efektifitas empat alternatif upaya pemulihan layanan dalam menekan intensi pembentukan NWOM privat melalui mediasi persepsi keadilan dan kepuasan pasca co-recovery. Penelitian ini akan menggunakan metode eksperimen dengan mahasiswa sebagai partisipan.

---

The independence of Partners and Platforms within sharing economy escalates the significance of attribution of failure in shaping emotions and complain behaviors of customers post failure in sharing economy-based services, apart severity of failure. Furthermore, tolerance and positive emotions have been identified as influential in creating a positive bias in evaluations of service failures. To date, there has not been much research discussing service failure in sharing economy-based services, especially concerning the formation of emotions and the intention of engaging in negative word-of-mouth. Therefore, using the service dominant logic framework, cognitive appraisal theory, and attribution theory, this research aims to examine the influence of the interaction between attribution of the source of failure and controllability as well as severity of failure on the formation of empathy as a positive emotion and customers' intention to provide poor ratings and engage in negative word-of-mouth. This research will also elaborate the effectiveness of four alternative service recovery efforts in suppressing the intention to form NWOM privately through the mediation of perceptions of justice and post co-recovery satisfaction. The study will use an experimental method with students as participants."

"Manajemen keluhan merupakan cara perusahaan dalam mengumpulkan, merespon, menyelesaikan, memperbaiki layanan kemudian mencegah keluhan pelanggan tentang permasalahan pelayanan yang kurang memuaskan. Tujuan dari tugas khusus ini adalah mendeskripsikan implementasi penanganan keluhan dan produk tidak sesuai dengan Peraturan Kepala Badan Pengawas Obat dan Makanan Nomor 6 tahun 2020 tentang Pedoman Teknis Cara Distribusi Obat Yang Baik dan Peraturan Menteri Kesehatan Nomor 4 tahun 2014 tentang Cara Distribusi Alat Kesehatan yang Baik di PT. MJG. Metode penelitian dilakukan dengan cara identifikasi dari penerapan manajemen keluhan dan penanganan produk tidak sesuai dilakukan dengan studi deskriptif PT. MJG yang mengacu pada regulasi. Hasil penelitian menunjukkan bahwa PT MJG telah memiliki prosedur yang jelas terkait penanganan keluhan pelanggan, pemisahan ruangan berdasarkan kategori produk, dan prosedur produk kembalian (returned), produk yang ditarik peredarannya (recalled), produk illegal/ tidak memenuhi syarat telah memenuhi persyaratan dari CDOB 2020 dan CDAKB 2014.

---

Complaint management is a way for companies to collect, respond, resolve, improve services and then prevent customer complaints about unsatisfactory service problems. The purpose of this special task is to describe the implementation of handling complaints and products that are not in accordance with the Regulation of the Head of the Food and Drug Supervisory Agency Number 6 of 2020 concerning Technical Guidelines for Good Drug Distribution Methods and the Regulation of the Minister of Health Number 4 of 2014 concerning Good Distribution Methods of Medical Devices at PT. MJG. The research method was carried out by identifying the implementation of complaint management and product handling in accordance with the descriptive study of PT. MJG which refers to regulations. The results of the study show that PT MJG has clear procedures related to handling customer complaints, separation of rooms based on product categories, and procedures for returned products, recalled products, illegal/ineligible products have met the requirements of CDOB 2020 and CDAKB 2014."