1 of 15

Sistem Prediksi Pelanggan Churn dan Rekomendasi

Data Science Challenge

2 of 15

Tim Bapak-bapak

2

Alfian Hakim

Alief Dany Seventri

Alif Rizal Maulana

Data Analyst - Sharing Vision�Universitas Brawijaya�(2019-2023)

Web Developer - CV Noto Putra�Universitas Brawijaya (2019-sekarang)

Management Trainee - BRI�Universitas Brawijaya�(2019-2023)

3 of 15

Introduction

3

SEGMENTASI PELANGGAN

Problem/Opportunity: Karakteristik pelanggan dapat digali lebih lanjut dengan segmentasi
Solution: Segmentasi pelanggan dengan Clustering

PREDIKSI CHURN

Problem/Opportunity: Sekitar 26,5% pelanggan meninggalkan perusahaan
Solution: Sistem prediksi churn dengan model machine learning sebagai upaya pencegahan

REKOMENDASI PRODUK

Problem/Opportunity: Semakin banyak jumlah produk digunakan, semakin banyak pendapatan
Solution: Sistem rekomendasi produk kepada pelanggan sebagai upaya penambahan pendapatan

Kenawhy segmentasi? Meningkatkan target market dengan mengidentifikasi kelompok pelanggan yang sesuai untuk produk atau layanan yang ditawarkan. Membantu dalam pemenuhan kebutuhan pelanggan. Meningkatkan daya tarik untuk pelanggan. (finance detik)
Diambil dari beberapa sumber, pada kuartal pertama tahun 2023, Telkomsel sebagai operator seluler terbesar di Indonesia mencatatkan jumlah pelanggan sebesar 156,8 juta (GoodStat). Jadi sebagai gambaran maka sebanyak 41,552 juta pelanggan akan churn
Menurut Harvard Business Review, 58% pelanggan akan meninggalkan bisnis cukup karena 1 pengalaman yang tidak memuaskan, dan 48% yang mengalaminya akan membagikannya pada lebih dari 10 orang. Solusi customer engagement Hubungi mereka di tempat dan waktu yang tepat melalui berbagai channel komunikasi seperti email, SMS, atau push notification agar mereka selalu mendapat informasi tentang produk, penawaran, dan manfaat baru yang Anda punya dengan fitur rekomendasi produk kami.

4 of 15

Data

4

Deskripsi: Penggunaan layanan perusahaan telekomunikasi oleh pelanggan di Q3 pada suatu tahun tertentu
Jumlah Baris: 7043 Kolom Data
Jumlah Kolom: 16 Kolom
Sumber: Kaggle
Kolom: Customer ID, Tenure Months, Location, Device Class, Games Product, Music Product, Education Product, Call Center, Video Product, Use MyApp, Payment Method, Monthly Purchase, Churn Label, Longitude, Latitude and CLTV

5 of 15

Methodology

5

6 of 15

EDA & Clustering

Result

6

RINGKASAN EDA

Rata-rata tenor pelanggan sekitar 9 bulan - 4 tahunan
Perangkat yang paling jarang digunakan berasal dari kelas Low End, dan pengguna perangkat ini sudah pasti tidak menggunakan internet
Produk yang paling banyak digunakan adalah Video
Mayoritas menggunakan 1 atau 2 produk saja

RINGKASAN CLUSTERING

Algoritma K-Means
Klaster optimal di 3 klaster

#1

Tidak Loyal

#2

Loyal

#3

No Internet

Tenor singkat
Banyak churn
Sedikit produk digunakan

Tenor lama
Sedikit churn
Banyak produk digunakan

Low end device
Pembayaran bulanan rendah

7 of 15

Persiapan Pemodelan

Result | Klasifikasi Churn

7

75

Training

25

Testing

RASIO

PENANGAN IMBALANCED

Threshold shifting
Oversampling
Undersampling

ALGORITMA

Logistic Regression
Random Forest
SVM
KNN
Naive Bayes

FITUR AWAL

Tenor
Pembayaran bulanan
CLTV
Kelas perangkat
Penggunaan produk (Game, Musik, Edukasi, Video)
Penggunaan MyApp
Penggunaan call center
Metode pembayaran

SELEKSI FITUR

Tenor
Grup CLTV
Kelas perangkat
Penggunaan produk Game
Penggunaan call center
Metode pembayaran (pulsa atau bukan)

8 of 15

Pemodelan

Result | Klasifikasi Churn

8

	Logistic Regression	Random Forest	SVM	KNN	Naive Bayes
F1-Score (Threshold Shifting)	0.61	0.56	0.60	0.52	0.60
F1-Score (Oversampling)	0.60	0.54	0.61	0.55	0.59
F1-Score (Undersampling)	0.60	0.57	0.59	0.55	0.59

	Logistic Regression	Random Forest	SVM	KNN	Naive Bayes
F1-Score (Threshold Shifting)	0.61	0.55	0.61	0.51	0.60
F1-Score (Oversampling)	0.61	0.55	0.59	0.51	0.60
F1-Score (Undersampling)	0.61	0.56	0.59	0.53	0.60

SEBELUM SELEKSI FITUR

SETELAH SELEKSI FITUR

MODEL AKHIR

Logistic Regression
Threshold Shifting

75%

Akurasi

51%

Precision

76%

Recall

9 of 15

Framework Rekomendasi

Result | Model Rekomendasi Produk

9

10 of 15

Contoh Kasus

Result | Model Rekomendasi Produk

10

Pelanggan A

20 Pelanggan

14 Video�70%

8 Pendidikan�40%

5 Game

25%

5 Musik

25%

similar

Contoh Kasus Belum Menggunakan Produk

Pelanggan A

20 Pelanggan

14 Video�70%

8 Pendidikan�40%

5 Game

25%

5 Musik

0

similar

57%

54%

46%

0

skor asosiasi

Musik

63%

47%

35%

0

Contoh Kasus Sudah Menggunakan Produk

11 of 15

Deployment

Result

11

Navigasi ke Halaman Utama

Navigasi ke Halaman Solution

Navigasi ke Halaman Insights Rasio Churn

Navigasi ke Halaman Insights Kategorikal

Navigasi ke Halaman Insights Klaster Pelanggan

12 of 15

Deployment

Result

12

Input Faktor Churn

Rekomendasi

Impact Rekomendasi

Prediksi Churn

13 of 15

Next Step

13

User A

User B

Jangka Waktu

VALIDASI MODEL CHURN (A/B Testing)

Dari pelanggan yang diprediksi churn, diambil n sampel dengan probabilitas paling tinggi sesuai dengan budget yang disediakan untuk melakukan treatment
Dari n sampel tersebut, dibagi dua yaitu pelanggan yang diberi treatment pencegahan churn dan pelanggan tanpa treatment
Dalam kurun waktu tertentu, dilihat apakah pelanggan yang diberi treatment terbukti churn rate menurun atau tidak

14 of 15

Conclusion

14

Segmentasi pelanggan dengan algoritma clustering K-Means menghasilkan 3 kelompok pelanggan yang terdiri dari, kelompok loyal, kelompok tidak loyal, dan kelompok yang tidak menggunakan internet.

Model Logistic Regression dibuat sebagai upaya untuk mengurangi kerugian akibat pelanggan churn, yang memiliki akurasi prediksi sebesar 75%. F1 61%, Precision 51, Recall 76%.

Menambahkan model rekomendasi produk yang diharapkan mampu menambah laba perusahaan.

15 of 15

THANK YOU

15