1 of 6

Analysis of Superstore New Customer Retention Rate in 2017

By Ade Desfrianto

Sunday, January 29, 2023

2 of 6

Table of contents

Case Study

1

Data Understanding

2

Python

3

Conclusion & Recommendation

4

3 of 6

Case Study

1

“Tim Marketing dan Tim Central Strategy ingin mengetahui program promosi bulanan yang paling berhasil untuk meningkatkan retention rate customer di tahun 2017. Sebagai BI Analyst, kamu diminta untuk memperoleh data Monthly new customer tiap bulan di tahun 2017 yang ingin dieksplorasi sebagai tolak ukur kesuksesan program promosi bulanan. Dimana setiap bulan terdapat program promosi marketing yang berbeda.”

4 of 6

Data Understanding

2

Source data: Dataset Superstore

Tabel Order

Nama Kolom

Tipe Data

Deskripsi

Order ID

STRING

Kode unik untuk setiap order (pemesanan)

Order Date

DATE

Tanggal saat order (pemesanan) dibuat

Ship Date

DATE

Tanggal pengiriman dilakukan

Ship Mode

STRING

Jenis layanan pengiriman yang digunakan

Customer ID

STRING

Kode unik untuk setiap customer

Country

STRING

Negara tujuan pengiriman produk (dalam kasus ini hanya “United States”)

City

STRING

Kota tujuan pengiriman produk

State

STRING

Negara bagian Amerika Serikat tujuan pengiriman produk

Postal Code

INTEGER

Kode pos tujuan pengiriman produk

Region

STRING

Region tujuan pengiriman produk

Product ID

STRING

Kode unik untuk setiap product

Sales

FLOAT

Harga dari pemesanan (dalam dolar Amerika Serikat)

Quantity

INTEGER

Jumlah produk yang dipesan

Discount

FLOAT

Diskon yang dikenakan pada pemesanan

Profit

FLOAT

Keuntungan dari pemesanan (dalam dolar Amerika Serikat)

5 of 6

Python

3

:

Source Code:�Python Data Analysis - User Retention Analysis

Step to code:��Impor packages & data

Data Transforming

Membuat user retention cohort

  • Menghitung total transaksi/order setiap pengguna per bulan
  • Menandai cohort awal dari setiap transaksi
  • Menghitung jarak bulan antara bulan transaksi dengan bulan pertama transaksi
  • Membuat tabel pivot dengan index cohort, kolom jarak bulan, dan nilai yang merupakan banyaknya pengguna unik
  • Menghitung banyaknya pengguna di setiap cohort
  • Membagi nilai dalam tabel pivot dengan banyaknya pengguna tiap cohort untuk mendapatkan retention rate
  • Menampilkan tabel pivot yang sudah berisi nilai retention rate dalam bentuk heatmap

6 of 6

Conclusion & Recommendation

4

:

Source Code:�Python Data Analysis - User Retention Analysis

Berdasarkan hasil visualisasi heatmap dapat dismpulkan:

  1. bulan dengan tingkat retention rate tertinggi ada di bulan 11, dan diikuti bulan 12 dan 9.
  2. Retention rate tertinggi terjadi di bulan 11 dimana pelanggan baru dari bulan 8 kembali lagi di bulan 11 dengan rate 53%.
  3. Retention terendah terjadi dari bulan 1 ke bulan 2 dengan rate 4%.

​

Rekomendasi:

Perusahaan dapat mengevaluasi kesuksesan program promosi di bulan 11 dan mempertimbangkan untuk mengulang program tersebut.