Churn Analysis pada Pelanggan Industri Telekomunikasi Menggunakan Analisis Daya Tahan Semiparametrik dan Non Parametrik

Abstract

Salah satu tantangan yang dihadapi oleh Customer Relationship Management (CRM) dari perusahaan telekomunikasi adalah upaya retensi pelanggan yang dapat dilihat dalam proses peralihan pelanggan atau churn. Untuk mempertahankan profitabilitas dan pangsa pasar, perusahaan seharusnya tidak hanya fokus pada program akuisisi tetapi juga pada mempertahankan pelanggan dan mengurangi tingkat churn. Data tentang pelanggan seperti demografi, keuangan, dan perilaku penggunaan dapat ditindaklanjuti dengan teknik analitik oleh perusahaan sebagai upaya untuk mengetahui peluang pelanggan akan churn pada suatu waktu tertentu, sehingga dapat dimanfaatkan sebagai proses pengambilan keputusan. Analisis daya tahan (survival analysis) merupakan prosedur statistika untuk data analisis dengan keluaran peubah respon berupa waktu hingga suatu kejadian (event) terjadi. Waktu kejadian dapat diukur dalam hari, minggu, bulan, tahun saat suatu pengamatan diamati hingga terjadinya suatu kejadian. Sedangkan kejadian yang dimaksud adalah setiap pengalaman dari suatu observasi yang kemungkinan akan terjadi (Kleinbaum dan Klein, 2012). Dua hal yang paling fundamental dari analisis daya tahan adalah fungsi ketahanan dan fungsi hazard. Analisis daya tahan dapat dilakukan menggunakan metode semiparametrik maupun non parametrik. Penelitian ini membandingkan metode semiparametrik yaitu Cox Proportional Hazard dan metode non parametrik yaitu daya tahan SVM. Tujuan penelitian ini adalah melakukan pemodelan pada data pelanggan perusahaan telekomunikasi yang berlangganan paket 2P yaitu Internet dan TV, kemudian membandingkan kebaikan kedua metode menggunakan c-index. Hasil analisis menunjukkan bahwa daya tahan SVM mampu mengimbangi Cox Proportional Hazard pada data pelanggan telekomunikasi. Berdasarkan hasil c-index, metode daya tahan SVM memiliki kinerja yang lebih baik daripada Cox Proportional Hazard pada data pelanggan telekomunikasi. Namun, pada daya tahan SVM tidak memunculkan nilai koefisien bagi peubah prediktornya dan peubah yang berpengaruh juga tidak dapat diketahui. Gambaran dari peubah mana saja yang berpengaruh terhadap waktu churn pelanggan dapat dilihat pada model Cox Proportional Hazard. Pada model Cox Proportional Hazard diperoleh hasil bahwa peubah Jenis Kelamin, Usia (≥60), Penggunaan Internet, dan Jumlah Channel yang Ditonton berpengaruh signifikan terhadap waktu churn pelanggan. Asumsi dari Cox Proportional Hazard terpenuhi ketika peubah Tagihan dan Durasi Menonton TV dikeluarkan dari model.

One of the challenges faced by Customer Relationship Management (CRM) from telecommunication companies is customer retention efforts which can be seen in the customer switching or churn process. In order to maintain profitability and market share, companies should not only focus on the acquisition program but also on retaining customers and reducing churn rates. Data about customers such as demographics, finance, and usage behavior can be followed up with analytical techniques by companies in an effort to determine the probability that customers will churn at a certain time, so that it can be used as a decision-making process. Survival analysis is a statistical procedure for data analysis with the output of response variables in the form of time until an event occurs. The time of the event can be measured in days, weeks, months, years when an observation is observed until an event occurs. While the event in question is every experience from an observation that is likely to occur (Kleinbaum and Klein, 2012). The two most fundamental things of survival analysis are the survival function and the hazard function. Survival analysis can be performed using semiparametric and non-parametric methods. This study compares the semiparametric method, namely Cox Proportional Hazard and a non-parametric method, namely Survival SVM. The purpose of this study is to model the data of telecommunication company subscribers who subscribe to the 2P bundling package (Internet and TV), then compare the goodness of the two methods using the c-index. The results of the analysis found that SVM survival is able to compensate for Cox Proportional Hazard. Based on the result of the concordance index, the performance of the SVM survival has a better performance than Cox Proportional Hazard on telecommunication customer data. However, the SVM Survival did not raise the coefficient for the predictor variables and the significant variables were also unknown. An illustration of which variables have an effect on customer churn time can be seen in the Cox Proportional Hazard model. In the Cox Proportional Hazard model, the result shows that the variables of Gender, Age (≥60), Internet Usage, and Number of Channels Watched have a significant effect on customer churn time. The assumption of Cox Proportional Hazard is fulfilled when the Billing and TV Viewing Time variables are removed from the model.