Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Produk internet fixed broadband atau produk internet menggunakan kabel merupakan produk yang jarang digunakan oleh masyarakat Indonesia, padahal di era Covid-19 dengan sistem work from home, masyarakat membutuhkan kualitas internet yang baik. Penelitian ini bertujuan untuk membantu PT ABC mendapatkan pelanggan baru dengan melakukan cross-selling produk terhadap pelanggan dari anak perusahaannya yaitu PT XYZ yang juga menggunakan produk internet fixed broadband namun bukan produk dari PT ABC dengan menggunakan metode machine learning jenis unsupervised learning dengan jenis clustering partisi dengan algoritma k-means clustering dengan menggunakan tool KNIME untuk proses k-means clustering dan tool R Programming untuk proses pencarian cluster jumlah optimal. Hasil dari algoritma ini menemukan bahwa terdapat empat jenis cluster pelanggan PT XYZ yang karakteristiknya dapat dilihat dari sisi pendapatan yang didapat dari hasil korelasi data, cluster 2 dan cluster 3 merupakan cluster potensial dengan 2123 pelanggan dan area yang memiliki sedikit pelanggan adalah area 1 dan area 4, lalu estimasi pendapatan minimum yang akan dihasilkan adalah Rp 8.937.830.000. ......Internet fixed broadband products or internet products using cables is a products that are rarely used by Indonesian people, even though in the Covid-19 era with a work from home system, people need a good quality internet. This study aims to help PT ABC get new customers by cross-selling products to customers of its subsidiary PT XYZ who also use internet fixed broadband products, but not products from PT ABC by using the machine learning method unsupervised learning types with partition clustering and the k-means clustering algorithm using the KNIME tool for the k-means clustering process and the R Programming tool for the process of finding the optimal number of clusters. The result of this algorithm finds that there are four types of PT XYZ customer clusters whose characteristics we can see from the revenue side from the results of data correlation, cluster 2 and cluster 3 are potential clusters with 2123 customers and areas that have few customers are area 1 and area 4, then the estimated minimum revenue that will be generated is IDR 8,937,830,000.

Abstrak :
Asuransi merupakan bentuk pengalihan risiko dengan cara mendistribusikan risiko individu menjadi risiko kolektif. Pemasukan utama perusahaan asuransi adalah dari penjualan polis asuransi. Metode penjualan yang lazim digunakan pada asuransi maupun industri finansial lainnya adalah cross-selling. Cross-selling adalah proses menawarkan produk tambahan kepada orang yang sudah menjadi pelanggan perusahaan yang bersangkutan. Sangat penting bagi perusahaan asuransi untuk memiliki kemampuan memprediksi secara akurat karakteristik calon pelanggan yang sekiranya akan tertarik membeli suatu produk yang sedang ingin dipasarkan. Untuk dapat mengetahui karakteristik pelanggan potensial berdasarkan data perusahaan yang pada umumnya berskala besar, diusulkan untuk menggunakan machine learning. Hingga saat ini, metode machine learning yang  populer digunakan untuk mengolah data tabular adalah XGBoost. Pada penelitian ini, digunakan metode XGBoost untuk memprediksi hasil cross-selling produk asuransi dan kemudian dibandingkan dengan metode berbasis pohon lainnya, yaitu Decision Tree dan Random Forest, dari segi sensitivity, specificity, dan AUC-ROC. Diperoleh bahwa XGBoost unggul pada metrik specificity dan AUC-ROC. Selanjutnya, hasil simulasi terbaik dari setiap model diinterpretasikan menggunakan feature importance berdasarkan gain agar diperoleh fitur yang menjadi faktor penting dalam memprediksi cross-selling asuransi. Dengan adanya tahap interpretasi ini, diharapkan metode yang digunakan pada penelitian ini dapat diterima dan berguna bagi industri asuransi. ...... Insurance is a form of risk transfer by distributing individual risks into collective risks. The main income of insurance companies is from the sale of insurance policies. The sales method commonly used in the insurance and other financial industries is cross-selling. Cross-selling is the process of offering additional products to existing customers of the company. It is very important for insurance companies to have the ability to accurately predict the characteristics of potential customers who will be interested in buying a product that is being marketed. To find out the characteristics of potential customers based on company’s data, which are generally in large scale, it is proposed to use machine learning method. Until now, the most popular machine learning method used to process tabular data is XGBoost. In this study, the XGBoost method was used to predict cross-selling results of insurance products and then compared with other tree-based models, the Decision Tree and Random Forest, in terms of sensitivity, specificity, and AUC-ROC. It was found that XGBoost excels in specificity and AUC-ROC metrics. Furthermore, the best simulation results from each model are interpreted using feature importance based on gain to obtain features that are important factors in predicting insurance cross-selling. So, with this interpretation step done, it is hoped that the method used in this study can be accepted and useful for the insurance industry.

Abstrak :
Abstract. The achievement of the banking sector's lending product is not consistently followed by the same level of achievement of other products. Therefore, it is important to observe customer segmentation, figuring out customer satisfaction, and to find out the influence of customer satisfaction toward the customer's willingness to cross-sell and providing recommendations on each segmentation. The purpose of this research paper is to identify individual debtor segment, identifying the influence of debtor's satisfaction toward cross-selling willingness and providing recommendations, as well as to become a business strategy reference for companies. We investigate the service quality (reliability, responsiveness, assurance, empathy, and tangible) to observe the level of both satisfaction and loyalty of the debtors. The research is conducted with 93 respondents. The analytical method that is applied in this research paper is descriptive statistics, cross tabulation, and regression analysis. The research results indicate that the biggest number of debtors is on the low-interest loan segment on service and trade businesses, while for the medium-interest loan and high-interest loan the biggest number is on the trade businesses. In general, each segmentation is willing to cross-sell. However, the high-interest loan segment is more willing to cross-sell. On both low-interest loan and medium-interest loan segments, the debtors are willing to recommend the company's products to their relations. However, the debtors on the high-interest loan tend to be unwilling to do so. The results of this research also clarifies the theory that debtor's satisfaction has a significant relation with the willingness to cross-sell and providing recommendations (customer's loyalty). This may also help managers to provide a proper service for different debtor's segmentation.

Abstrak. Pencapaian kredit yang tinggi dalam sektor perbankan tidak selalu diikuti oleh pencapaian yang tinggi pada produk lainnya. Oleh karena itu penting untuk melihat segmen konsumen, mengetahui kepuasan konsumen, dan mengetahui pengaruh kepuasan konsumen terhadap kesediaan konsumen untuk melakukan cross selling dan merekomendasi pada masing-masing segmen. Tujuan dari penelitian ini adalah untuk mengidentifikasi segmen debitur perorangan, mengidentifikasi pengaruh kepuasan debitur terhadap kesediaan cross selling dan merekomendasi, serta dapat menjadi referensi strategi bisnis untuk perusahaan. Kami meneliti kualitas layanan (reliability, responsiveness, assurance, empathy, dan tangible) untuk melihat tingkat kepuasan dan loyalitas debitur. Penelitian dilakukan terhadap 93 responden. Metode analisis yang digunakan yaitu statistik deskriptif, tabulasi silang, dan analisis regresi. Hasil penelitian menunjukkan bahwa jumlah debitur terbesar pada segmen kredit rendah yaitu bidang usaha jasa dan perdagangan, sedangkan pada segmen kredit sedang dan segmen kredit tinggi yaitu bidang usaha perdagangan. Pada umumnya semua segmen bersedia untuk melakukan cross selling namun segmen kredit tinggi lebih bersedia untuk melakukan cross selling. Pada segmen kredit rendah dan segmen kredit sedang bersedia untuk merekomendasikan produk perusahaan kepada relasinya, namun pada segmen kredit tinggi cenderung tidak bersedia. Hasil penelitian ini juga semakin memperjelas teori bahwa kepuasan debitur memiliki hubungan yang signifikan dengan kesediaan melakukan cross selling dan merekomendasi (loyalitas konsumen). Hal ini juga dapat membantu manajen memberikan pelayanan yang tepat kepada segmen debitur yang berbeda.

Abstrak :
Bengkel XYZ adalah salah satu UMKM bengkel yang berlokasi di Depok yang memiliki tujuan untuk mengembangkan bisnisnya dan memperluas jangkauan layanannya. Dalam perkembangannya, brand bengkel XYZ belum terlalu dikenal luas di luar wilayah Depok, karena itu penerapan strategi yang tepat perlu dilakukan untuk mengkomunikasikan layanan bengkel XYZ kepada masyarakat luas dan meluaskan jangkauan layanan dari bengkel XYZ. Tujuan dari business coaching ini adalah menerapkan strategi pemasaran yang tepat pada bengkel XYZ. ...... XYZ Auto Shop is a Small Medium Enterprise located in Depok which purpose is to develop its business and enlarge its market. In the process, XYZ Auto Shop brand hasn rsquo t been known in Depok Area, therefore the right strategy must be applied in order to communicate the services within XYZ Auto Shop to the market and enhance the grip on the market. The purpose of this business coaching is to apply the best marketing strategy in XYZ Auto Shop.

Abstrak :
Implementasi Market basket analysis pada e-grocery studi kasus : bigbasket.com. Salah satu cara untuk meningkatkan keuntungan bagi perusahaan adalah memanfatkan pelanggan yang ada untuk menambah item barang pada keranjang belanjanya. Pemasar perlu memberikan rekomedasi produk yang sesuai dengan pelanggan. Pemasar tertarik untuk menganalisis perilaku konsumen dari item-item yang dibelanjanya. Proses analisis ini dinamakan Market basket analysis menggunakan konsep association rule. Market basket analysis bermanfaat bagi pemasar untuk memberikan rekomendasi produk, personalisasi konten promosi baik pada banner halaman homepage e-grocery, promosi melalui newsletter, menyusun product bundling atau cross selling, dan penempatan produk-produk yang saling berkaitan secara dekat.Data yang digunakan pada penelitian ini merupakan data sekunder transaksi Bigbasket.com pada periode Maret 2011 sampai dengan Desember 2014. Berdasarkan hasil analisis, produk yang dibeli oleh konsumen Bigbasket dikelompokan menjadi tiga jenis, most frequent category kategori produk yang paling banyak dibeli, medium frequent category kategori produk yang tidak terlalu sering dibeli, dan least frequent category kategori produk yang paling sedikit dibeli. Tren penjualan grocery dalam rentang satu tahun meningkat pada akhir tahun dimana terdapat hari besar India. Kemudian dalam rentang bulan, transaksi meningkat direntang tanggal 10-15.Berdasarkan pola tersebut, dibagi menjadi high season dan low season. Kemudian dengan menggunakan market basket analysis, menganalisis produk-produk apa saja yang bisa dilakukan price bundling dan product recommendation berdasarkan jenis kategori produknya most, medium, least frequent category product pada saat low season dan high season.Kata kunci: e-grocery, market basket analysis, price bundling, product recommendation, cross selling.

---

Implementation of Market basket analysis in e grocery studi kasus bigbasket.com, India . One method to increase company rsquo s profit is to utilize the existing customer. Marketers try to influence them to add items on their shopping basket. Marketers could be able to give the right product recommendation to customer. Therefore, marketers interested in analysis the shopping behavior based on item product that customer bought. This method is used association rules concept and it is called market basket analysis. Marketers can use market basket analysis to give product recommendation, targeting promotion, bundling and cross selling, and placing the associated products. This research use seconder data from sample trasanction at Bigbasket.com period from March 2011 to December 2014. Based on analysis, product classified into three types most frequent category, medium frequent category, and least frequent category. The grocery sales trend in the one year span is increasing by the end of the year whwn there is India celebration day Divavali . Then in around one month, the transaction increases in interval date 10 15.Based on those pattern transaction, we determine seasonal period of sales, high season and low season. Market basket analysis defines products related for price bundling and product recommendation based on the category products most, medium, least frequent category product in low and high season. Keyword e grocery, market basket analysis, price bundling, product recommendation, cross selling.

Abstrak :
Sektor usaha mikro, kecil, dan menengah (UMKM) memiliki andil yang cukup besar terhadap perekonomian nasional serta penyerapan tenaga kerja yang tidak sedikit jumlahnya. Salah satu usaha UMKM yang memiliki omzet cukup besar adalah usaha toko ritel sembako. Akan tetapi, keberadaan UMKM ini semakin terancam eksistensinya dikarenakan pertumbuhan toko ritel modern yang jauh lebih pesat selama jika dibandingkan dengan pertumbuhan UMKM ini. UMKM UD. Tjandra yang berlokasi di Cinere Depok, merupakan salah satu unit usaha bertipe toko ritel sembako tradisional yang memiliki beberapa keunggulan dibandingkan para kompetitor di sekitarnya seperti harga yang lebih murah dan adanya variasi produk yang tidak dapat ditemukan pada toko ritel modern. Berdasarkan analisis yang dilakukan masih terdapat beberapa kesenjangan di unit usaha, yaitu pada aspek promosi dan suasana toko, sehingga diperlukan suatu proses optimalisasi untuk meminimalisasi kesenjangan tersebut. Optimalisasi yang dilakukan yaitu promosi blind shop, cross selling, dan optimalisasi lingkungan fisik (servicescape). Setelah dilakukan optimalisasi, terjadi peningkatan volume penjualan dari produk-produk yang dipromosikan dan penilaian konsumen UD. Tjandra terkait kualitas lingkungan fisik di toko UD. Tjandra juga meningkat. Penelitian ini bertujuan untuk membantu UD. Tjandra dalam mengelola promosi yang efektif serta mengelola lingkungan tokonya secara lebih baik agar dapat meningkatkan daya saingnya dalam menghadapi pertumbuhan toko ritel modern yang sangat pesat dalam beberapa tahun belakangan ini. ......Small and Medium Business Enterprises has a significant impact to the national economic and adsorb a significant number of employees in Indonesia. One of the types of small and medium enterprise that have a rapid cash flow in their operation is a traditional retail store. However, this kind of business is getting weaker realizing there is a higher enhancement of the growth of modern retail store. UD. Tjandra, which located in Cinere, Depok is one kind of this business which has a few strengths comparing to its nearby competitor, but still not maximizing it yet to increase their competitive power. Based on the analysis that have been done during this research, there are a few gaps in this business entity that need to be optimized in order to make this business entity perform better, these gaps are promotion and servicescape. Optimization that have been done in this research are blind shop promotion, cross selling promotion, and servicescape optimization. After doing these optimizations, there is a raise in sales volume for a product that used as an object in the promotion optimization and based on the UD. Tjandra customer evaluation, there is a satisfaction enhancement to the quality of UD. Tjandra's store physical evidence. This research is aiming to assist UD. Tjandra to manage more effective promotion process and to manage their store appearance in a better way, so they can raise their competitive power to face modern retail store rapid growth in recent years.

Abstrak :
Kredit Konsumsi nasional sejak krisis moneter sampai dengan bulan Juni 2005 mencatat pertumbuhan tertinggi dibandingkan dengan kredit modal kerja dan kredit investasi. Jumlah penduduk yang besar, keinginan konsumen untuk scialu memenuhi kebutuhan primer, sekunder bahkan tersier, perilaku masyarakat yang cenderung konsumtif, membaiknya daya beli konsumen setelah krisis moneter, meningkatnya pertumbuhan proyek property, terutama di perkotaan, meningkatnya jaringan pemasaran retail, supermarket bahkan hyper market, intensifnya pembukaan jaringan perbankan maupun lembaga keuangan sampai ke pelosok-pelosok kecamatan bahkan desa, khususnya untuk menyediakan pembiayaan kendaraan bermotor, adalah faktor-faktor yang antara lain menyebabkan pertumbuhan kredit konsumsi. Bank X sebagai bank hasil merger beroperasi pada tahun 1999, melakukan pemasaran intensif berbagai produk kredit konsumsi sejak tahun 2002. Sejalan dengan perkembangan perbankan nasional, maka pertumbuhan kredit konsumsi di Bank X mencatat pertumbuhan tertinggi dibandingkan pertumbuhan di segmen corporate, commercial maupun segmen small business dan micro banking. Portofolio kredit konsumsi yang semula hanya sebesar +/- Rp 1,5 trilyun pada tahun 2002, meningkat menjadi sebesar Rp 9,6 trilyun pada bulan Juni 2005. Produk kredit konsumsi, yailu KPR dan Kredit Multiguna mendominasi 81% total portofolio kredit konsumsi di Bank X, sedangkan sisanya tersebar melalui produk Kredit Mitrakarya, Kredit Bebas Agunan (KBA), Kredit Kendara dan Kredit Agunan Deposito (KAD). Peningkatan yang signifikan tersebut dari sisi volume maupun pertumbuhan tersebut, memerlukan langkah antisipasi terhadap aspek risiko kreditnya. Pada tahun 2003 Bank X mengimplementasikan credit scoring untuk menggantikan pengambilan keputusan kredit secara expert systems yang mengandalkan kemampuan justifikasi petugas kredit dan pemegang kewenangan. Penggunaan credit scoring secara otomatisasi menghasilkan keputusan kredit yang lebih cepat dengan justifikasi keputusan yang homogen/seragam. Kemampuan credit scoring dalam memprediksikan potensi default sangat bergantung kepada parameterlvariabel utama yang diukur dan bobot risiko yang ditetapkan dalam model. Namun demikian dalam prakteknya, relevansi masingmasing parameter/variabel dan bobot risiko yang digunakan sensitif terhadap perubahan indikator-indikator ekonomi utama, seperti perubahan inflasi, perubahan nilai tukar rupiah/dollar dan perubahan suku bunga. Kombinasi perubahan indikator ekonomi, memberikan dampak secara langsung atau tidak langsung, terutama bagi mayoritas debitur kredit konsumsi yang berpenghasilan tetap (fixed income). Dampak yang terasa dengan adanya perubahan indicator ekonomi tersebut di atas adalah cenderung memberikan tekanan kepada pendapatan, biaya hidup dan kemampuan membayar kewajiban (angsuran). Dengan demikian tuntutan terhadap review secara berkala terhadap model credit scoring yang digunakan menjadi mutlak, agar model credit scoring tetap relevan dan tetap akurat dalam prediksinya. Berdasarkan kajian terhadap kondisi makro ekonomi dapat disimpulkan bahwa tuntutan review terhadap model credit scoring mutlak segera dilakukan. Kondisi ini terlihat dari perubahan indikator ekonomi utama pada tahun 2005 yang sudah sangat berubah dibandingkan pada saat tahun awal (2003) credit scoring diimplementasikan, seperti kenaikan 2 kali harga BBM selama tahun 2005 yang mendorong inflasi yang mendekati angka 15%, nilai tukar rupiah terhadap dollar yang melebihi angka Rp 10.000 dan peningkatan BI rate yang mencapai 12,25%. Apabila dilihat profil risiko masing-masing produk terlihat perkembangan tingkat NPL kredit konsumsi cenderung merambat naik, walaupun masih dalam angka yang dapat ditoleransi (dibawah 3%). Selanjutnya hasil vintage analysis terhadap beberapa produk kredit konsumsi cenderung memburuk, khususnya pada kredit-kredit yang diberikan pada periode akhir tahun 2004 sampai bulan Juni 2005. Sedangkan analisis yang dilakukan terhadap nilai Kolmogorov-Smimov (KS) model credit scoring, menunjukkan berada pada angka rata-rata 4%, jauh di bawah angka yang direkomendasikan (20%-75%). Kondisi-kondisi ini memberikan pertanyaan apakah model credit scoring yang diimplementasikan sejak bulan Juni tahun 2003 masih relevan untuk menangkap dinamika risiko, atau masih akurat dalam memprediksikan potensi default ke depannya. Berdasarkan penelitian yang dilakukan terhadap model credit scoring yang digunakan oleh Bank X, maka menunjukkan terdapat 13 variabel/parameter yang digunakan dalam memprediksikan potensi default calon debitur, dengan didukung oleh 53 karakteristik yang tersebar dalam berbagai bobot risiko. Adanya jumlah database yang mendukung dalam melakukan simulasi perubahan model adalah faktor penting dalam melakukan perbaikan terhadap model credit scoring yang digunakan. Namun demikian kegiatan memvalidasi model credit scoring secara berkala mutlak dilakukan agar agar model tetap relevan, untuk menekan tingkat risiko kredit yang terjadi. Di masa mendatang, walaupun adanya keterbatasan biaya, namun diharapkan adanya model credit scoring yang berbeda untuk tiap wilayah maupun berbeda untuk setiap produk kredit konsumsi, dapat lebih realistis mendukung target ekspansi kredit konsumsi yang ditetapkan oleh Bank X. Mencermati permasa[ahan yang ada, ke depannya Bank X perlu melakukan beberapa langkah yang diharapkan cukup efektif untuk menekan tingkat risiko kredit konsumsi, antara lain fokus kepada pemasaran KPR dan Kredit Multiguna, lebih intensif melakukan pemasaran kepada segmenikelompok talon debitur profesi karyawan, melakukan validasi model secara berkala, melakukan penyesuaian terhadap angka debt service ratio dan angka loan to value dikaitkan perubahan kondisi makro, mendorong tumbuhnya cross-selling khususnya sesama produk Bank X, menetapkan suku bunga kredit atas dasar risiko individu dan melakukan perbaikan secara berkesinambungan pada kualitas tenaga pemasar (Direct Sales Agency).