Analysis Cluster Data E-commerce

TABLE OF CONTENTS

1

2

3

4

5

Business Understanding

Data Understanding

Data Preparation

Modeling

Evaluation

Business Understanding

Data Understanding

Terdapat 3 dataset yang dapat kita gunakan dalam modeling, yaitu :

• Customer
• Product
• Transactions

Data Preparation

2023

Presentation by

Team Odin

Terdapat missing values pada fitur baseColour, season, year, usage, productDisplayName dan promo_code.

1

2

3

4

Handling Missing Value

Detecting and handling Outlier

Exploratory Data Analysis (EDA)

Feature Engineering

Terdapat outlier pada fitur home_locatioon_lat, promo_amount, total_amount, item_price.

Pada proses ini, kita dapat mengetahui korelasi antara dua variabel dengan menggunakan korelasi pearson.

Pada proses ini, dilakukan penambahan beberapa fitur baru seperti min_terjual, max_terjual, avg_terjual, freq_terjual, min_age, max_age, avg_age, min_amount, max_amount, total_amount, qty_terjual, qty_terjual_female, qty_ terjual_male, basket_size.

Insight

2023

Presentation by

Team Odin

Insight

2023

Presentation by

Team Odin

Berikut beberapa insight yang didapat dari hasil analisis, yaitu :

• Metode pembayaran yang paling banyak digunakan customer pada saat belanja yaitu kartu kredit (credit card)
• Transaksi paling banyak dilakukan pada bulan Juli dibandingkan dengan bulan lainnya.

​

Modeling

2023

Presentation by

Team Odin

Clustering

Model Clustering yang digunakan adah K-means Clustering. Alasan Penggunaan Model K-Means:

• Sederhana dan Efisien
• Skalabilitas Tinggi
• Kemudahan Implementasi
• Pemahaman yang Jelas

​

Flow Model K-Means

Hasil Clustering

Hasil Clustering

Interpretasi Summary :

• Cluster 0 : memiliki quantity terjual dan frequency terjual terendah dari cluster lain, dengan female yang mendominasi quantity terjual. Cluster ini didominasi oleh usia muda.
• Cluster 1 : memiliki quantity terjual dan frequency terjual tertinggi dengan kontribusi terjual female lebih banyak dibandingkan dengan terjual male. Max terjual pada cluster ini juga tertinggi daripada cluster lain.
• Cluster 2 : memiliki quantity terjual terendah kedua dan frequency terjual terendah ketiga dengan gender female yang mendominasi quantity terjual. Rata-rata cluster ini berusia lebih tua daripada cluster lainnya.
• Cluster 3 : memiliki quantity terjual peringkat 3 dan frequency terjual tertinggi dari cluster lainnya dengan gender female yang mendominasi quantity terjual. Cluster ini memiliki quantity terjual promo tertinggi daripada cluster lainnya.
• Cluster 4 : memiliki quantity terjual peringkat 2 dan frequency terjual terendah kedua dengan gender female yang mendominasi quantity terjual.

​

​

Hasil Clustering

Evaluasi

Berdasarkan dari elbow method didapat jumlah cluster yaitu 5 cluster

Evaluasi

Berikut adalah nilai Silhouette Score.

Dashboard

Dashboard

Dashboard

Rekomendasi

01

Mengembangkan produk dan layanan yang lebih sesuai dengan kebutuhan pelanggan

Menargetkan pemasaran dan promosi yang lebih tepat

Mengembangkan strategi layanan pelanggan yang lebih sesuai

Produk dengan cluster 0 dengan quantity terjual dan frequency terjual terendah akan dilakukan promosi dan targetnya kepada customer female

Produk dengan cluster 0 dengan quantity terjual dan frequency terjual terendah akan dilakukan evaluasi produk

Penutup

Analisis cluster data e-commerce dapat membantu perusahaan memahami pelanggan, menargetkan pemasaran, dan memberikan layanan yang lebih baik. Dengan menerapkan rekomendasi yang telah disebutkan, perusahaan dapat meningkatkan kinerja bisnisnya.

Thank

You!