Analisis Pelanggan Pengendalian Hama dengan Customer Lifetime Value dan K-Means Clustering (Studi Kasus Pada PT Agricon Putra Citra Optima Cabang Tangerang).

Abstract

PT Agricon Putra Citra Optima (PT APCO) merupakan perusahaan pengendalian hama dengan merek Terminix yang memiliki kantor cabang di seluruh wilayah Indonesia. Saat ini jumlah pelanggan PT APCO mengalami pertumbuhan rata-rata 40% setiap tahunnya. Dengan semakin bertambahnya jumlah pelanggan yang dimiliki, maka diperlukan strategi dalam mengukur dan memetakan nilai pelanggannya berdasarkan transaksi dengan perusahaan. Penelitian ini bertujuan mengidentifikasi profil pelanggan, menganalisis nilai pelanggan dengan Customer Lifetime Value (CLV), dan mengelompokkan pelanggan dengan menganalisis variabel pendapatan, nilai CLV dan indeks kepuasan pelanggan dengan metode K-means Clustering. Data yang digunakan merupakan data sekunder yang diambil dari sistem operasional perusahaan dan laporan-laporan kinerja Cabang Tangerang tahun 2018. Perhitungan CLV menggunakan model yang dikembangkan oleh Gupta, Lehman dan Stuart (2004) dan metode K-means Clustering digunakan untuk mengelompokkan pelanggan dengan variabel pendapatan, CLV, dan indeks kepuasan pelanggan. Hasil perhitungan CLV menunjukkan bahwa tidak semua pelanggan yang dianalisis memberikan keuntungan bagi perusahaan. Rata-rata nilai CLV tertinggi adalah sebesar Rp. 19,170,991 dan terendah sebesar –Rp. 112,566. Hasil analisis nilai CLV terbentuk 4 (empat) segmentasi dengan rata-rata nilai CLV masingmasing segmen sebagai berikut: segmen sangat rendah dengan rata-rata nilai CLV –Rp. 112,566. Segmen rendah dengan rata-rata nilai CLV Rp. 3,026,924. Segmen sedang dengan rata-rata nilai CLV Rp. 7,637,121. Segmen tinggi dengan rata-rata nilai CLV Rp. 19,170,991. Mayoritas pelanggan berada pada segmen rendah dengan populasi sejumlah 51 unit pelanggan. Hasil klastering pelanggan berdasarkan variabel pendapatan, CLV, dan tingkat kepuasan pelanggan menghasilkan 3 (tiga) klaster pelanggan dengan karateristik yang berbeda-beda. Klaster 1 (satu) menghasilkan marjin CLV dan indeks kepuasan tertinggi dengan mayoritas pelanggan adalah tipe warehouse (WD). Klaster 2 (dua) menghasilkan nilai CLV dan pendapatan tertinggi dengan mayoritas pelanggan adalah tipe manufacture (M). Klaster 3 (tiga) menghasilkan nilai CLV, marjin CLV, dan indeks kepuasan terendah dengan mayoritas pelanggan adalah tipe warehouse (WD). Kata kunci: Profil Pelanggan, Customer Lifetime Value, K-means Clustering, Pengelompokan Pelanggan