AI untuk Pemasaran & Intelijen Pelanggan

Menganalisis penerapan AI untuk personalisasi, segmentasi pasar, dan manajemen pengalaman pelanggan

Kecerdasan Buatan Pertemuan 3 dari 14 CPL2 · CPL4 · CPL6

Agenda Pertemuan 3

Teori & Konsep

Hyper-personalization: dari mass marketing ke 1-to-1
Segmentasi pasar berbasis AI: RFM, clustering, propensity
Predictive analytics untuk customer churn
Analisis sentimen dan social listening

Aplikasi & Praktik

AI di setiap tahap marketing funnel
Kasus: rekomendasi Tokopedia, churn BRImo, sentimen Gojek
Etika: privacy, bias algoritmik, manipulasi konsumen
Latihan: desain churn prevention model sederhana

Fokus Utama: Sub-CPMK 3 (C3) — Mahasiswa mampu menganalisis penerapan AI untuk personalisasi, segmentasi pasar, dan manajemen pengalaman pelanggan.

Tujuan Pembelajaran

Setelah pertemuan ini, mahasiswa mampu:

Kognitif (C3)

Menganalisis perbedaan mass marketing vs. hyper-personalization berbasis AI
Menganalisis mekanisme segmentasi pelanggan menggunakan pendekatan AI
Menjelaskan cara kerja model prediksi churn dan implikasi managerialnya

Aplikatif

Mengidentifikasi titik di marketing funnel tempat AI memberikan nilai tertinggi
Mengevaluasi trade-off antara personalisasi dan privasi pelanggan
Merancang kerangka churn prevention sederhana untuk konteks Indonesia

Sub-CPMK 3 CPMK-2 CPL2 · CPL4 · CPL6

Topik 1

Hyper-Personalization at Scale

Dari mass marketing menuju pemasaran satu-ke-satu berbasis AI

Evolusi Personalisasi Pemasaran

Era	Pendekatan	Contoh Indonesia	Batasan
Mass Marketing 1950–1990-an	Satu pesan untuk semua segmen	Iklan TV Indomie jam 7 malam	Relevansi rendah; biaya tinggi per konversi
Segmented Marketing 1990–2010-an	Pesan berbeda per segmen demografis	Kartu kredit BCA untuk segmen profesional muda	Segmen masih kasar; tidak real-time
Personalized Marketing 2010–sekarang	Pesan berbeda per individu berdasar riwayat	Email Tokopedia: "Produk yang mungkin Anda suka"	Berbasis riwayat; kurang predictive
Hyper-Personalization Sekarang → depan	Pesan real-time per individu, per konteks, per momen	Gojek push notif: diskon GoFood saat hujan di lokasi Anda	Privasi; risiko "creepy factor"

Kunci AI: Hyper-personalization bukan hanya segmentasi yang lebih halus — ini adalah kemampuan AI untuk memproses ratusan sinyal kontekstual secara real-time (lokasi, cuaca, riwayat transaksi, waktu, sentimen) dan menyesuaikan pesan dalam milidetik.

Mesin Rekomendasi: Cara Kerja & Contoh

Collaborative Filtering

"Pengguna seperti Anda juga membeli…" — menemukan pola kesamaan antar pengguna. Tidak perlu tahu konten produk, cukup data interaksi.

Contoh: Netflix merekomendasikan film karena 10.000 orang dengan profil mirip Anda menikmatinya.

Content-Based Filtering

"Karena Anda suka produk X, coba produk Y yang mirip…" — merekomendasikan berdasarkan atribut produk yang disukai pengguna.

Contoh: Spotify merekomendasikan lagu dengan tempo dan genre mirip lagu yang sering Anda putar.

Hybrid Model

Gabungan collaborative + content-based + kontekstual (waktu, lokasi, device). Mayoritas sistem produksi modern menggunakan hybrid.

Contoh: Tokopedia menggabungkan riwayat Anda + perilaku pengguna serupa + stok seller terdekat + promo aktif.

Kasus Tokopedia

Sistem rekomendasi Tokopedia memproses sinyal: produk dilihat, produk dibeli, search query, seller rating, lokasi pengiriman, flash sale, dan waktu — secara real-time untuk setiap pengguna.

Estimasi: rekomendasi AI berkontribusi signifikan pada konversi pembelian Tokopedia.

Topik 2

Segmentasi & Churn Prediction

Mengelompokkan pelanggan lebih cerdas dan memprediksi siapa yang akan pergi

Segmentasi Pelanggan Berbasis AI

Segmentasi Klasik vs. AI

Aspek	Klasik	AI
Variabel	3–10 variabel	100+ fitur
Update	Tahunan / kuartalan	Real-time / harian
Granularitas	5–20 segmen	Ratusan mikro-segmen
Metode	Manual, rule-based	Clustering, ML, NLP
Personalisasi	Per segmen	Per individu

Framework RFM (Recency–Frequency–Monetary)

Recency: Kapan terakhir transaksi? (semakin baru = lebih baik)
Frequency: Seberapa sering transaksi? (semakin sering = lebih loyal)
Monetary: Berapa besar nilai transaksi? (semakin besar = lebih berharga)

AI meng-otomasi RFM scoring untuk jutaan pelanggan secara real-time, kemudian meng-cluster mereka ke segmen aksi: Champions, Loyal, At Risk, Hibernating, Lost.

Propensity Modeling

Model AI memprediksi probabilitas pelanggan melakukan aksi tertentu: beli produk X, upgrade ke premium, atau churn — sehingga tim marketing bisa memprioritaskan intervensi.

Coba Sendiri: Hitung Skor RFM Pelanggan

Masukkan Recency, Frequency, dan Monetary satu pelanggan fiktif, lalu amati bagaimana kombinasi ketiganya menentukan segmen: Champion, At Risk, atau Lost.

Predictive Analytics: Customer Churn

Apa itu Churn dan Mengapa Penting?

Churn = pelanggan berhenti menggunakan produk/layanan. Biaya mendapatkan pelanggan baru umumnya 5–7× lebih mahal daripada mempertahankan pelanggan lama (sumber: berbagai studi retensi; angka bervariasi per industri).

Churn terlihat setelah terjadi — terlambat untuk intervensi
AI mengubah ini menjadi prediksi: siapa yang akan churn 30 hari ke depan?
Intervensi proaktif: diskon retensi, personal outreach, feature highlight

Sinyal Churn yang Diprediksi AI

Sinyal	Contoh
Penurunan login	Dari 20×/bulan ke 2×/bulan
Penurunan transaksi	Nominal transfer turun 70%
Keluhan meningkat	Rating app 2 bintang + komplain CS
Kompetitor signal	Search "daftar GoPay" dari pengguna OVO
Idle fitur utama	Tidak pakai tabungan otomatis 3 bulan
Support ticket	3+ tiket belum selesai dalam 7 hari

Kasus BRImo: BRI mengembangkan model churn prediction untuk nasabah digital BRImo — mengidentifikasi nasabah yang pola transaksinya berubah signifikan, lalu memberikan penawaran personal (cashback, bunga deposito lebih tinggi) sebelum mereka beralih ke aplikasi lain. Intervensi berbasis AI jauh lebih efisien dibanding kampanye massal.

Alur Kerja Model Churn Prediction

Kunci manajerial: Model churn bukan proyek sekali jalan — harus ada feedback loop agar model belajar dari hasil intervensi. Nasabah yang diberi diskon retensi tapi tetap churn = sinyal baru untuk re-training model.

Topik 3

Analisis Sentimen & Social Listening

Memahami suara pelanggan di skala jutaan menggunakan NLP

Analisis Sentimen: Teknologi & Aplikasi

Cara Kerja Analisis Sentimen

Input teks: ulasan, tweet, komentar, chat CS
Preprocessing: tokenisasi, hapus stopwords, normalisasi (penting untuk Bahasa Indonesia informal: "gak", "bgt", "mantul")
Model NLP: klasifikasi ke positif / negatif / netral — atau lebih granular: marah, kecewa, puas, senang
Output: skor sentimen + topik yang diperbincangkan + tren waktu

Tantangan Indonesia: Bahasa gaul, campur kode (Inggris–Indonesia–Jawa), sarkasme, dan singkatan tidak standar membuat model sentimen bahasa Inggris sering tidak akurat. Butuh model yang dilatih khusus data Indonesia.

Kasus Gojek: Monitoring Sentimen Driver & Penumpang

Gojek memonitor sentimen real-time dari ulasan Play Store, tweet, dan chat in-app. Penurunan sentimen tiba-tiba di kota tertentu bisa mengindikasikan masalah: server down, driver tidak tersedia, atau tarif surge yang dirasakan tidak fair. Tim product dan ops bisa respons dalam hitungan jam, bukan hari.

Kasus Telkom: Social Listening Kompetitor

Telkom IndiHome memonitor percakapan di media sosial tentang semua ISP Indonesia. Ketika kompetitor mengalami gangguan dan sentimen negatif melonjak, tim marketing Telkom bisa segera launch kampanye "Pindah ke IndiHome" secara real-time.

Social Listening: Dari Data ke Keputusan

Sentimen Positif

Proporsi ulasan dan mention yang mengandung sentimen positif terhadap brand

Sentimen Negatif

Mention negatif — diprioritaskan untuk respon CS dan eskalasi manajemen

Netral / Tak Jelas

Konten informatif atau ambigu — membutuhkan review manusia untuk kategorisasi

Topik Paling Diperbincangkan (contoh ilustrasi)

Topik	Volume Mention	Sentimen Dominan	Aksi
Kecepatan pengiriman	Tinggi	Positif	Highlight di iklan
Proses refund	Sedang	Negatif	Eskalasi ke Product
Harga produk	Tinggi	Netral–Negatif	Review pricing strategy
Customer Service	Sedang	Campuran	Training CS team

Topik 4

AI dalam Marketing Funnel

Di mana AI memberi nilai di setiap tahap perjalanan pelanggan

AI di Setiap Tahap Marketing Funnel

Awareness (Kesadaran)

Interest (Minat)

Consideration (Pertimbangan)

Intent (Niat Beli)

Purchase (Pembelian)

Loyalty & Advocacy

Awareness: Programmatic ads AI — audience targeting, look-alike modeling, real-time bidding (RTB) di Google/Meta

Interest: Content recommendation — mesin rekomendasi konten yang sesuai tahap awareness pelanggan

Consideration: Chatbot AI, product comparison, review analysis — bantu pelanggan membandingkan dan memutuskan

Intent: Dynamic pricing, personalized offer, cart abandonment recovery — konversi niat jadi pembelian

Purchase: Fraud detection, smooth checkout, cross-sell/upsell — maksimalkan nilai transaksi

Loyalty: Churn prediction, loyalty program AI, NPS prediction — pertahankan dan advocacy

Studi Kasus Terpadu: AI Marketing di Perbankan

BCA: AI-Driven Customer Journey

Tahap Funnel	Teknologi AI	Implementasi	Output
Awareness	Look-alike modeling	Cari calon nasabah mirip nasabah premium eksisting di platform digital	Biaya akuisisi lebih rendah per nasabah berkualitas
Consideration	Chatbot VIRA	Menjawab pertanyaan produk 24/7 via WhatsApp, web, mobile	Pengurangan volume panggilan ke call center
Purchase	Fraud detection ML	Setiap transaksi m-BCA dianalisis real-time untuk anomali	Tingkat fraud yang lebih rendah, pengalaman nasabah lebih aman
Loyalty	Churn prediction + NPS	Identifikasi nasabah berisiko pindah, trigger retention offer	Peningkatan retensi nasabah
Advocacy	Sentiment analysis	Monitor ulasan app store dan media sosial tentang BCA	Respon cepat terhadap isu yang muncul, product improvement

Pelajaran: AI marketing paling efektif ketika diimplementasikan secara end-to-end — bukan hanya di satu titik funnel. BCA tidak sekadar pakai chatbot, tapi mengintegrasikan AI di seluruh customer journey dari akuisisi sampai retensi.

Etika AI dalam Pemasaran

Risiko yang Harus Diperhatikan

Privasi pelanggan: Data dikumpulkan tanpa persetujuan eksplisit melanggar UU PDP Indonesia (berlaku 2024)
Filter bubble: Rekomendasi terlalu sempit mengurung pelanggan dalam echo chamber — mengurangi discovery
"Creepy factor": Personalisasi terlalu presisi bisa terasa invasif dan menurunkan kepercayaan
Bias algoritmik: Model dilatih data historis yang bias → produk tertentu direkomendasikan ke segmen tertentu secara tidak adil
Manipulasi: Dynamic pricing bisa digunakan untuk mengeksploitasi kebutuhan mendesak pelanggan

Prinsip AI Marketing yang Bertanggung Jawab

Consent & transparency: Pelanggan tahu data apa yang dikumpulkan dan untuk apa
Data minimization: Kumpulkan hanya data yang benar-benar dibutuhkan
Explainability: Keputusan AI harus bisa dijelaskan (mengapa iklan ini untuk Anda?)
Human override: Ada mekanisme pelanggan menolak atau mengoreksi profil AI mereka
Audit bias: Model diuji secara berkala untuk bias terhadap kelompok demografis tertentu

Regulasi Indonesia: UU No. 27 Tahun 2022 tentang Perlindungan Data Pribadi (UU PDP) mewajibkan perusahaan mendapat persetujuan eksplisit untuk pengolahan data pribadi, termasuk untuk tujuan pemasaran berbasis profil. Pelanggaran dapat dikenai sanksi pidana dan denda.

Latihan: Desain Strategi AI Marketing

Skenario: StartUp FinTech Tabungan untuk Generasi Z Indonesia

"SaveNow" adalah aplikasi tabungan digital untuk Gen Z (18–25 tahun) di Indonesia. Baru 6 bulan beroperasi, punya 500.000 pengguna terdaftar, tapi hanya 35% yang aktif bertransaksi minimal sekali per bulan. Tingkat churn bulan ke-3 mencapai ~40% — artinya banyak pengguna registrasi lalu tidak kembali.

Pertanyaan Analisis (15 menit, kelompok 3–4 orang):

Sinyal apa yang harus dipantau AI untuk mendeteksi churn dini pada pengguna SaveNow?
Segmentasi apa yang relevan untuk basis pengguna Gen Z mereka? (RFM? Behavioral? Lainnya?)
Di tahap mana marketing funnel SaveNow paling bermasalah? Bagaimana AI bisa membantu?
Pertimbangan etika apa yang harus diperhatikan mengingat target adalah pengguna muda?

Data yang Tersedia untuk SaveNow:

Waktu dan frekuensi login
Nominal dan frekuensi menabung
Fitur yang digunakan (target, auto-debit, challenge)
Channel akuisisi (TikTok ads, Instagram, referral)
Rating bintang di Play Store
Notifikasi yang dibuka / diabaikan

Waktu: 15 menit diskusi, lalu masing-masing kelompok presentasikan satu temuan kunci (2 menit per kelompok).

Rangkuman Pertemuan 3

Konsep Utama

Hyper-personalization: AI memungkinkan pemasaran 1-to-1 pada skala jutaan pelanggan secara real-time
Segmentasi AI: RFM + clustering + propensity modeling memberikan granularitas jauh lebih tinggi dari segmentasi klasik
Churn prediction: intervensi proaktif berbasis skor risiko lebih efisien dan efektif dari kampanye massal
Analisis sentimen: memahami suara pelanggan di skala besar menggunakan NLP — dengan tantangan khusus Bahasa Indonesia

Aplikasi & Implikasi Manajerial

AI memberikan nilai di setiap tahap marketing funnel — dari awareness sampai advocacy
Feedback loop adalah kunci: model AI harus terus belajar dari hasil intervensi, bukan deploy sekali jalan
Etika bukan opsional: UU PDP 2022, bias algoritmik, dan "creepy factor" adalah risiko nyata
Manajer tidak perlu coding, tapi harus bisa mengevaluasi: "Data sinyal apa? Model mana? Intervensi apa? Bagaimana ukur hasilnya?"

"The goal is to turn data into information, and information into insight."
— Carly Fiorina, mantan CEO Hewlett-Packard

Tugas & Preview Pertemuan 4

Tugas Individu (Deadline: Pertemuan 4)

Analisis AI Marketing:

Pilih satu perusahaan Indonesia (e-commerce, perbankan, atau telekomunikasi)
Identifikasi minimal 2 aplikasi AI marketing yang perusahaan gunakan (berdasarkan informasi publik: artikel, press release, website)
Petakan di tahap mana dalam funnel setiap aplikasi AI tersebut beroperasi
Evaluasi satu risiko etika potensial dari pendekatan AI marketing mereka
Format: 1 halaman, PDF, font 12pt — fokus pada analisis, bukan deskripsi

Bobot: 5% | Kriteria: Rubrik Analitik

Preview Pertemuan 4: AI dalam Operasi & Rantai Pasok

Predictive maintenance: AI memprediksi kerusakan mesin sebelum terjadi
Demand forecasting: AI memprediksi permintaan untuk optimasi stok
Supply chain visibility: AI memonitor seluruh rantai pasok real-time
Sub-CPMK 4: (C4) Menganalisis penerapan AI untuk efisiensi operasional

Baca: Almeida (2024) Ch. 7–8 · Davenport (2018) Ch. 6

Kecerdasan Buatan · PEBD6026 · Program Studi S1 Bisnis Digital
Fakultas Ekonomika dan Bisnis · Universitas Diponegoro