Program Studi Bisnis Digital • FEB UNDIP

Customer Relationship Management

Pertemuan 6 — Aktivitas Pelanggan dan Wawasan Perilaku (Behavioral Insights)

Dari sinyal transaksi ke wawasan yang bisa ditindaklanjuti: bagaimana data perilaku pelanggan diubah menjadi keputusan CRM yang tepat sasaran.

RPS MINGGU 6 • 2 × 50 MENIT

Selamat datang kembali, Anda baru saja mempelajari siklus hidup pelanggan minggu lalu — bagaimana pelanggan bergerak dari akuisisi sampai berpotensi churn. Hari ini kita masuk lebih dalam ke bahan bakar yang menggerakkan seluruh sistem itu, yaitu data aktivitas dan perilaku pelanggan. Bayangkan Anda membuka aplikasi Shopee dan tiba-tiba melihat rekomendasi produk yang persis Anda butuhkan, atau BCA yang mengirim notifikasi tepat saat saldo Anda menipis — semua itu bukan kebetulan, melainkan hasil membaca jejak perilaku Anda secara sistematis. Sepanjang dua jam ke depan kita akan bahas jenis-jenis data perilaku, cara mengukurnya dengan kerangka RFM, dan bagaimana wawasan itu diterjemahkan menjadi aksi CRM nyata. Materi ini adalah jembatan langsung menuju pertemuan tentang Customer Lifetime Value minggu depan, jadi pastikan Anda memahami dasar RFM dengan baik.

Bagian 1 dari 3

Apa itu Aktivitas & Perilaku Pelanggan?

Jenis-jenis data perilaku, dari mana data itu berasal, dan mengapa perilaku lebih jujur dibanding jawaban survei.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu:

KONSEPTUAL

Menjelaskan jenis-jenis data perilaku pelanggan dan sumbernya.
Memahami kerangka RFM (Recency, Frequency, Monetary) sebagai alat segmentasi perilaku.

TERAPAN

Menghitung skor RFM sederhana dari data transaksi pelanggan.
Menerjemahkan wawasan perilaku menjadi rekomendasi taktik CRM konkret.

Kerangka RFM hari ini adalah fondasi langsung menuju perhitungan Customer Lifetime Value (CLV) pada pertemuan berikutnya.

Mengapa Perilaku Lebih Jujur dari Kata-kata?

Survei kepuasan pelanggan penting, tapi data perilaku menunjukkan apa yang benar-benar dilakukan pelanggan — bukan sekadar apa yang mereka katakan.

GAP SIKAP VS PERILAKU

Say ≠ Do

Fenomena umum riset konsumen

Pelanggan sering menjawab survei secara sosial-diinginkan (mis. mengaku peduli produk lokal), tapi riwayat transaksi menunjukkan pola belanja berbeda — inilah mengapa data perilaku jadi pelengkap penting survei.

CONTOH KASUS

Shopee & BBCA

Personalisasi berbasis klik

Rekomendasi produk Shopee dan notifikasi transaksi myBCA dibangun dari jejak klik, riwayat pencarian, dan pola transaksi nyata — bukan dari hasil kuesioner kepuasan semata.

Coba Anda bayangkan sebuah survei yang menanyakan apakah Anda peduli dengan produk UMKM lokal saat belanja online — hampir semua orang akan menjawab ya. Tapi kalau kita lihat riwayat transaksi sungguhan, banyak yang tetap memilih produk termurah dari penjual besar, bukan UMKM. Gap antara apa yang dikatakan dan apa yang dilakukan ini adalah alasan utama kenapa tim CRM tidak bisa hanya mengandalkan survei kepuasan. Shopee, Tokopedia, dan aplikasi perbankan seperti myBCA membangun sistem rekomendasi dan notifikasi mereka dari jejak perilaku nyata — klik, pencarian, waktu kunjungan, dan riwayat transaksi — karena data ini jauh lebih sulit dibohongi dibanding jawaban kuesioner. Hari ini kita akan bedah jenis-jenis data perilaku itu dan cara mengubahnya menjadi wawasan yang bisa langsung ditindaklanjuti tim CRM.

Empat Jenis Data Perilaku Pelanggan

Keempat jenis data ini biasanya digabung oleh sistem CRM menjadi satu profil perilaku terpadu (360-degree customer view) per pelanggan.

Ini adalah peta besar jenis data perilaku yang akan kita pakai sepanjang pertemuan hari ini. Data transaksional mencakup apa yang dibeli, berapa nilainya, dan seberapa sering — ini yang paling langsung berhubungan dengan pendapatan. Data navigasi mencakup jejak digital seperti halaman yang dikunjungi, kata kunci yang dicari, dan berapa lama seseorang berada di satu halaman produk sebelum memutuskan membeli atau pergi. Data interaksi mencakup respons terhadap komunikasi CRM, misalnya apakah email dibuka, apakah notifikasi diklik, atau apakah chat customer service dijawab dengan cepat. Terakhir, data sosial dan sentimen mencakup ulasan produk, rating bintang, dan komentar di media sosial — ini memberi konteks kualitatif di balik angka-angka transaksi. Sistem CRM modern menggabungkan keempatnya menjadi satu profil utuh per pelanggan, sering disebut 360-degree customer view, agar tim bisa melihat pelanggan secara menyeluruh, bukan terpecah-pecah.

Data Transaksional: Jejak Paling Berharga

Data yang merekam apa, kapan, dan berapa setiap kali pelanggan bertransaksi.

CONTOH VARIABEL

Tanggal & waktu transaksi terakhir.
Jumlah transaksi dalam periode tertentu.
Total nilai belanja & kategori produk yang dibeli.

MANFAAT UNTUK CRM

Dasar utama perhitungan RFM dan estimasi CLV.
Mendeteksi perubahan pola belanja secara dini.
Basis rekomendasi produk (mis. "sering dibeli bersama").

Data transaksional adalah jenis data perilaku yang paling langsung bernilai bagi tim CRM, karena berhubungan erat dengan pendapatan riil perusahaan. Setiap kali Anda membayar tagihan listrik lewat aplikasi dompet digital atau membeli produk di Tokopedia, sistem merekam kapan transaksi terjadi, berapa nilainya, dan kategori produk apa yang dibeli. Data inilah yang nanti menjadi bahan baku utama perhitungan RFM yang akan kita pelajari sebentar lagi, dan juga menjadi dasar estimasi Customer Lifetime Value pada pertemuan berikutnya. Selain itu, data transaksional memungkinkan sistem mendeteksi perubahan pola belanja secara dini — misalnya kalau seorang pelanggan yang biasa belanja bulanan tiba-tiba berhenti selama dua bulan, itu sinyal risiko churn. Data ini juga menjadi basis rekomendasi "sering dibeli bersama" yang sering Anda lihat di halaman checkout Shopee atau Tokopedia.

Data Navigasi & Interaksi Digital

Clickstream adalah rekaman jejak klik dan navigasi pengguna di situs web atau aplikasi.

DATA NAVIGASI

Halaman yang dikunjungi & urutan kunjungan.
Kata kunci pencarian internal aplikasi.
Produk dilihat tapi tidak dibeli (abandoned cart).

DATA INTERAKSI

Tingkat buka email (open rate) & klik tautan.
Kecepatan & kepuasan respons layanan pelanggan.
Partisipasi pada kuis, polling, atau program loyalitas.

Clickstream adalah istilah untuk rekaman jejak klik pengguna saat berselancar di situs web atau aplikasi, dan ini adalah sumber data perilaku yang sangat kaya bagi bisnis digital. Bayangkan Anda membuka aplikasi Tokopedia, memasukkan sepatu ke keranjang, tapi tidak jadi checkout — perilaku yang disebut abandoned cart atau keranjang ditinggalkan ini terekam dan sering memicu notifikasi pengingat otomatis beberapa jam kemudian. Data navigasi lain mencakup halaman apa saja yang Anda kunjungi dan kata kunci yang Anda cari, yang membantu sistem memahami minat Anda meski Anda belum membeli apa pun. Di sisi lain, data interaksi mencakup hal-hal seperti apakah Anda membuka email promosi dari bank digital, seberapa cepat customer service menjawab keluhan Anda, dan apakah Anda ikut program loyalitas seperti kuis berhadiah di aplikasi e-commerce. Gabungan data navigasi dan interaksi ini memberi gambaran seberapa terlibat atau engaged seorang pelanggan dengan brand, bahkan sebelum mereka bertransaksi.

Data Sosial & Sentimen

Ulasan, rating, dan komentar media sosial memberi konteks kualitatif di balik angka-angka perilaku.

SUMBER DATA

Ulasan & Rating

Marketplace & app store

Contoh: rating bintang produk di Tokopedia, ulasan aplikasi di Google Play Store, komentar di kolom produk Shopee.

ANALISIS SENTIMEN

Positif / Negatif

Klasifikasi otomatis teks

Sistem CRM modern memakai analisis teks otomatis untuk mengklasifikasikan nada komentar pelanggan di media sosial secara massal.

Data sosial rawan bias — pelanggan yang menulis ulasan cenderung punya pengalaman ekstrem (sangat puas atau sangat kecewa), bukan representasi rata-rata seluruh pelanggan.

Data sosial dan sentimen melengkapi tiga jenis data sebelumnya dengan konteks yang lebih manusiawi. Setiap kali Anda memberi rating bintang di Tokopedia setelah menerima paket, atau menulis ulasan aplikasi di Google Play Store, itu adalah data sosial yang bisa dianalisis tim CRM untuk memahami alasan di balik angka-angka transaksi. Analisis sentimen adalah teknik mengklasifikasikan nada suatu teks secara otomatis menjadi positif, negatif, atau netral, sehingga perusahaan besar seperti bank digital bisa memantau ribuan komentar media sosial tanpa membaca satu per satu secara manual. Namun perlu Anda catat baik-baik peringatan penting di sini, data ulasan cenderung bias karena biasanya hanya pelanggan dengan pengalaman sangat baik atau sangat buruk yang mau repot-repot menulis ulasan — pelanggan yang biasa-biasa saja jarang menulis apa pun, jadi data ini tidak boleh dianggap mewakili seluruh basis pelanggan secara proporsional.

Bagian 2 dari 3

Kerangka RFM: Mengukur Perilaku Secara Sistematis

Recency, Frequency, Monetary — tiga dimensi klasik yang mengubah tumpukan data transaksi menjadi segmen pelanggan yang bisa ditindaklanjuti.

Apa itu Kerangka RFM?

RFM adalah metode segmentasi pelanggan berdasarkan tiga dimensi perilaku transaksi yang terbukti sangat prediktif.

Dimensi	Arti	Pertanyaan Kuncinya
R — Recency	Keterkinian	Kapan terakhir kali pelanggan bertransaksi?
F — Frequency	Frekuensi	Seberapa sering pelanggan bertransaksi?
M — Monetary	Nilai Uang	Berapa total nilai belanja pelanggan?

Prinsip dasar RFM: pelanggan yang baru saja belanja, sering belanja, dan belanja dalam nilai besar adalah pelanggan paling berharga — masuk akal secara intuitif, tapi RFM membuatnya terukur.

RFM adalah singkatan dari Recency, Frequency, dan Monetary, sebuah metode segmentasi pelanggan yang sudah dipakai sejak era pemasaran langsung lewat surat pos, jauh sebelum era digital, dan sampai sekarang masih menjadi salah satu kerangka paling populer di dunia CRM. Recency menjawab pertanyaan kapan terakhir kali pelanggan bertransaksi — logikanya, pelanggan yang baru saja belanja minggu lalu lebih mungkin belanja lagi dibanding yang terakhir belanja setahun lalu. Frequency menjawab seberapa sering pelanggan bertransaksi dalam periode tertentu, menunjukkan seberapa terbiasa mereka dengan brand. Monetary menjawab berapa total nilai uang yang dibelanjakan, menunjukkan seberapa besar kontribusi finansial pelanggan tersebut. Kombinasi tiga dimensi ini terbukti sangat prediktif untuk memperkirakan siapa pelanggan paling berharga, dan menjadi dasar banyak sistem loyalitas seperti yang dipakai Indomaret Point atau Alfamart.

Hitung dari Nol: Skor RFM Satu Pelanggan

Bu Sinta adalah pelanggan aplikasi kosmetik lokal. Mari hitung skor RFM sederhana berdasarkan data transaksinya bulan ini.

Langkah	Perhitungan	Nilai
1. Recency — hari sejak transaksi terakhir	Data historis (per hari ini)	3 hari
2. Frequency — jumlah transaksi 3 bulan terakhir	Data historis	9 transaksi
3. Monetary — total belanja 3 bulan terakhir	Data historis	Rp2.700.000
4. Skor Recency (skala 1–5, makin baru makin tinggi)	3 hari → sangat baru	Skor 5
5. Skor Frequency (skala 1–5)	9 transaksi → tinggi	Skor 5
6. Skor Monetary (skala 1–5)	Rp2.700.000 → tinggi	Skor 4

SKOR RFM BU SINTA

5-5-4

Kandidat kuat pelanggan "Champion"

Mari kita hitung bersama, langkah demi langkah, seperti membaca dashboard tim CRM sungguhan. Bu Sinta terakhir bertransaksi tiga hari yang lalu, melakukan sembilan transaksi dalam tiga bulan terakhir, dengan total belanja dua juta tujuh ratus ribu rupiah. Untuk mengubah angka mentah ini jadi skor yang bisa dibandingkan antar pelanggan, perusahaan biasanya memakai skala satu sampai lima untuk tiap dimensi, di mana skala ditentukan dari distribusi seluruh basis pelanggan. Karena tiga hari tergolong sangat baru dibanding rata-rata pelanggan lain, Recency-nya mendapat skor lima, tertinggi. Sembilan transaksi dalam tiga bulan juga tergolong tinggi sehingga Frequency-nya skor lima. Untuk Monetary, dua juta tujuh ratus ribu rupiah tergolong tinggi tapi belum tertinggi di basis pelanggan sehingga skornya empat. Hasil akhirnya, skor RFM Bu Sinta adalah 5-5-4, kombinasi yang menandakannya sebagai kandidat kuat pelanggan kategori Champion, yang akan kita bahas di slide berikutnya.

Menerjemahkan Skor RFM Menjadi Segmen

Kombinasi skor R, F, dan M menghasilkan segmen pelanggan yang berbeda perlakuan CRM-nya.

Segmen	Pola Skor RFM	Taktik CRM
Champion	R tinggi, F tinggi, M tinggi	Program VIP, akses awal produk baru
Loyal Customer	F tinggi, R sedang	Program poin, apresiasi rutin
At Risk	R rendah, F/M dulunya tinggi	Kampanye reaktivasi segera
Lost	R sangat rendah di semua dimensi	Win-back agresif atau dilepas

Segmen "At Risk" adalah yang paling krusial dipantau — mereka dulunya berharga, sehingga upaya menyelamatkan mereka jauh lebih efisien dibanding akuisisi pelanggan baru.

Setelah setiap pelanggan punya skor R, F, dan M masing-masing, langkah berikutnya adalah mengelompokkan mereka menjadi segmen yang punya nama dan taktik jelas, bukan sekadar angka. Pelanggan dengan skor tinggi di ketiganya disebut Champion, seperti Bu Sinta tadi, dan biasanya mendapat perlakuan istimewa seperti program VIP atau akses awal ke produk baru. Pelanggan dengan Frequency tinggi tapi Recency sedang disebut Loyal Customer, mereka sudah terbiasa tapi belum tentu baru saja bertransaksi, sehingga cocok diberi program poin untuk menjaga kebiasaan itu. Yang paling penting untuk Anda perhatikan adalah segmen At Risk, yaitu pelanggan yang dulunya frequency atau monetary-nya tinggi tapi sekarang Recency-nya rendah, artinya sudah lama tidak bertransaksi — mereka butuh kampanye reaktivasi segera karena menyelamatkan pelanggan berharga yang mulai menjauh jauh lebih efisien dibanding menarik pelanggan baru dari nol. Segmen Lost adalah yang sudah sangat lama tidak aktif di semua dimensi, biasanya jadi prioritas terakhir.

Hitung dari Nol: Membandingkan Dua Pelanggan dengan RFM

Toko elektronik online membandingkan Pak Budi dan Pak Rudi untuk menentukan siapa yang lebih prioritas dihubungi minggu ini.

Langkah	Perhitungan	Nilai
1. Pak Budi — hari sejak transaksi terakhir	Data historis	2 hari (Skor R = 5)
2. Pak Budi — transaksi 3 bulan terakhir	Data historis	2 transaksi (Skor F = 2)
3. Pak Rudi — hari sejak transaksi terakhir	Data historis	45 hari (Skor R = 2)
4. Pak Rudi — transaksi 3 bulan terakhir	Data historis	8 transaksi (Skor F = 5)

PAK BUDI

R5-F2

Baru kenal, belum terbiasa

PAK RUDI

R2-F5

Pelanggan setia yang mulai menjauh

Sekarang mari kita bandingkan dua pelanggan sekaligus untuk melihat bagaimana RFM membantu menentukan prioritas kontak. Pak Budi baru saja bertransaksi dua hari lalu, sehingga skor Recency-nya lima, tapi dia baru dua kali bertransaksi dalam tiga bulan terakhir sehingga skor Frequency-nya rendah, hanya dua — dia terlihat seperti pelanggan yang masih baru mengenal toko ini. Sebaliknya, Pak Rudi sudah empat puluh lima hari tidak bertransaksi sehingga skor Recency-nya rendah, hanya dua, tapi dia tercatat delapan kali bertransaksi dalam tiga bulan terakhir sehingga skor Frequency-nya tinggi, lima — pola ini menunjukkan Pak Rudi sebenarnya pelanggan setia yang belakangan mulai menjauh, kemungkinan besar masuk kategori At Risk yang kita bahas tadi. Meski Pak Budi terlihat "lebih aktif" karena baru saja belanja, justru Pak Rudi yang seharusnya jadi prioritas dihubungi minggu ini, karena menyelamatkan pelanggan setia yang mulai menjauh biasanya jauh lebih bernilai dibanding menunggu pelanggan baru terbiasa dengan sendirinya.

Coba Sendiri: Ubah Angka RFM Jadi Segmen Pelanggan

Geser Recency, Frequency, dan Monetary satu pelanggan, lalu amati segmen apa yang terbentuk dan bagaimana skornya berubah.

Bagian 3 dari 3

Dari Wawasan ke Aksi CRM

Bagaimana wawasan perilaku diterjemahkan menjadi personalisasi, alat analitik, dan pertimbangan etika data.

Personalisasi: Wawasan Perilaku Jadi Aksi

Wawasan perilaku hanya bernilai jika diterjemahkan menjadi pengalaman yang relevan bagi tiap pelanggan.

REKOMENDASI PRODUK

Berdasar riwayat beli & klik.
Contoh: "sering dibeli bersama" di Shopee.

KONTEN & PENAWARAN

Promo sesuai kategori favorit.
Contoh: diskon skincare untuk pembeli rutin skincare.

WAKTU & KANAL

Kirim pesan saat pelanggan biasanya aktif.
Contoh: notifikasi jam 19.00 untuk yang belanja malam.

Semua data perilaku dan skor RFM yang kita bahas tadi hanya berguna kalau benar-benar diubah menjadi pengalaman nyata bagi pelanggan, dan inilah yang disebut personalisasi. Rekomendasi produk adalah bentuk paling umum, seperti fitur "sering dibeli bersama" di Shopee yang muncul berdasarkan pola pembelian jutaan pengguna lain dengan riwayat serupa. Konten dan penawaran juga dipersonalisasi, misalnya pelanggan yang rutin membeli produk skincare akan lebih sering menerima promo kategori itu dibanding promo elektronik yang tidak relevan baginya. Yang sering dilupakan mahasiswa adalah personalisasi waktu dan kanal — sistem CRM canggih bahkan mempelajari jam berapa seorang pelanggan biasanya aktif, lalu mengirim notifikasi tepat di jam itu, misalnya pukul tujuh malam untuk pelanggan yang terbiasa belanja setelah pulang kerja. Ketiga bentuk personalisasi ini bekerja bersama untuk membuat pelanggan merasa dipahami, bukan sekadar dikirimi promosi massal.

Alat & Teknik Analitik Perilaku Pelanggan

DASHBOARD & SEGMENTASI

CRM dashboard menampilkan skor RFM otomatis per pelanggan.
Segmentasi dinamis: pelanggan pindah segmen otomatis saat perilakunya berubah.

MODEL PREDIKTIF

Predictive churn model memperkirakan probabilitas pelanggan berhenti.
Machine learning mengenali pola pembelian yang sulit dilihat manusia secara manual.

Skala data di perusahaan besar seperti BCA atau GoTo bisa mencapai puluhan juta pelanggan — analisis manual mustahil, sehingga alat otomatis menjadi kebutuhan, bukan pilihan.

Menghitung skor RFM untuk satu atau dua pelanggan seperti latihan kita tadi memang bisa dilakukan manual, tapi bayangkan kalau perusahaan punya sepuluh juta pelanggan seperti BCA atau GoTo — di sinilah alat analitik otomatis menjadi kebutuhan mutlak, bukan sekadar pilihan. Dashboard CRM modern menghitung skor RFM secara otomatis untuk seluruh basis pelanggan setiap hari, dan segmentasinya bersifat dinamis, artinya seorang pelanggan bisa berpindah dari segmen Champion ke At Risk secara otomatis begitu perilakunya berubah, tanpa perlu ada yang menghitung ulang secara manual. Lebih canggih lagi, banyak perusahaan sekarang memakai predictive churn model, yaitu model yang memperkirakan probabilitas seorang pelanggan akan berhenti dalam waktu dekat, berdasarkan pola dari jutaan pelanggan sebelumnya yang pernah churn. Model berbasis machine learning ini bisa mengenali pola rumit yang tidak terlihat mata manusia, misalnya kombinasi penurunan frekuensi buka aplikasi dan perubahan waktu kunjungan yang bersama-sama menjadi sinyal kuat risiko churn.

Etika & Batasan Penggunaan Data Perilaku

Kemampuan melacak perilaku pelanggan secara detail membawa tanggung jawab besar terkait privasi.

PRINSIP YANG WAJIB DIPEGANG

Persetujuan (consent) eksplisit sebelum mengumpulkan data.
Transparansi: pelanggan tahu data apa yang dipakai & untuk apa.
Keamanan data sesuai UU PDP (Perlindungan Data Pribadi).

RISIKO JIKA DIABAIKAN

Personalisasi terasa "menyeramkan" (creepy), bukan membantu.
Sanksi hukum & hilangnya kepercayaan pelanggan.
Kebocoran data merusak reputasi jangka panjang.

Sebelum kita lanjut ke studi kasus, ada satu hal krusial yang tidak boleh dilewatkan yaitu etika penggunaan data perilaku. Di Indonesia, pengumpulan dan pemrosesan data pribadi pelanggan diatur oleh Undang-Undang Perlindungan Data Pribadi, yang mewajibkan perusahaan mendapat persetujuan eksplisit dari pelanggan sebelum mengumpulkan datanya, dan bersikap transparan tentang data apa saja yang dipakai serta untuk tujuan apa. Ini bukan sekadar formalitas hukum — kalau personalisasi dilakukan tanpa batas yang jelas, pelanggan bisa merasa diawasi secara berlebihan atau istilahnya "creepy", yang justru merusak kepercayaan alih-alih membangunnya. Bayangkan Anda baru saja membicarakan sebuah produk dengan teman, lalu tiba-tiba muncul iklan produk itu persis di aplikasi Anda — reaksi banyak orang bukan kagum, tapi justru merasa tidak nyaman. Perusahaan yang mengabaikan etika data ini menghadapi risiko sanksi hukum, kehilangan kepercayaan pelanggan, dan jika terjadi kebocoran data, reputasinya bisa rusak dalam jangka panjang, jauh melebihi keuntungan jangka pendek dari personalisasi agresif.

Studi Kasus: Personalisasi Berbasis Perilaku di BCA

DATA YANG DIPAKAI

Pola transaksi rutin (mis. transfer gaji setiap tanggal 25).
Riwayat pengeluaran per kategori merchant.
Frekuensi login aplikasi myBCA.

AKSI CRM YANG DIHASILKAN

Notifikasi saldo menipis sebelum tanggal transfer rutin.
Rekomendasi produk investasi sesuai profil pengeluaran.
Deteksi transaksi tidak biasa untuk pencegahan penipuan.

Mari kita telusuri contoh nyata yang mungkin sudah Anda alami sendiri sebagai nasabah BCA lewat aplikasi myBCA. Sistem mereka mempelajari pola transaksi rutin Anda, misalnya kalau Anda selalu mentransfer sejumlah uang setiap tanggal dua puluh lima untuk membayar kos atau cicilan, sistem mengenali pola itu sebagai perilaku berulang. Mereka juga melihat riwayat pengeluaran per kategori merchant, apakah Anda sering belanja di kategori makanan, transportasi, atau hiburan, serta seberapa sering Anda login ke aplikasi. Dari data perilaku ini, muncul beberapa aksi CRM konkret: notifikasi peringatan saldo menipis dikirim beberapa hari sebelum tanggal transfer rutin Anda, supaya Anda sempat top up. Rekomendasi produk investasi juga disesuaikan dengan profil pengeluaran Anda — nasabah dengan pengeluaran stabil dan sisa saldo besar mungkin ditawari reksa dana, sementara yang lain ditawari produk tabungan berjangka. Sistem juga memakai data perilaku untuk mendeteksi transaksi yang tidak biasa, misalnya transaksi besar dari lokasi yang tidak pernah Anda kunjungi sebelumnya, sebagai bagian dari pencegahan penipuan.

Latihan Kelas: Hitung & Segmentasi RFM

Skenario: Toko buku online mencatat Kak Wulan terakhir belanja 60 hari lalu, dengan 1 transaksi dalam 3 bulan terakhir senilai total Rp150.000.

TUGAS DISKUSI (5 MENIT, BERPASANGAN)

Perkirakan skor R, F, dan M Kak Wulan (skala 1–5, rendah karena angka-angka di atas tergolong lemah).
Tentukan segmen RFM yang paling cocok untuk Kak Wulan.
Usulkan 1 taktik CRM yang sesuai segmen tersebut.

PETUNJUK

Gunakan logika yang sama dengan slide "Hitung dari Nol" sebelumnya.
Rujuk tabel segmen RFM (Champion, Loyal, At Risk, Lost).

Sekarang giliran Anda praktik langsung, silakan berpasangan dengan teman di sebelah Anda selama lima menit ke depan. Perhatikan bahwa slide ini sengaja tidak animasi supaya Anda bisa membaca seluruh soal sekaligus sebelum mulai berdiskusi. Perhatikan tiga angka Kak Wulan: enam puluh hari sejak transaksi terakhir, hanya satu transaksi dalam tiga bulan, dan total belanja seratus lima puluh ribu rupiah — bandingkan ini dengan contoh Bu Sinta tadi yang serba tinggi, lalu perkirakan skor satu sampai lima untuk masing-masing dimensi R, F, dan M. Setelah itu, cocokkan dengan tabel segmen yang sudah kita bahas untuk menentukan Kak Wulan masuk kategori apa, kemungkinan besar bukan Champion. Terakhir, pikirkan satu taktik CRM konkret yang cocok untuk segmen itu, misalnya kalau ternyata masuk kategori Lost atau At Risk, taktik apa yang masuk akal untuk toko buku online. Saya akan berkeliling kelas untuk mendengar diskusi Anda, dan kita bahas beberapa jawaban bersama setelah waktu habis.

Rangkuman & Menuju Pertemuan 7

Konsep	Inti Pembelajaran
Jenis Data Perilaku	Transaksional, navigasi, interaksi, sosial & sentimen
Kerangka RFM	Recency, Frequency, Monetary → skor & segmen pelanggan
Personalisasi	Wawasan perilaku diubah jadi rekomendasi, konten, timing
Etika Data	Consent, transparansi, kepatuhan UU PDP

MINGGU DEPAN

Pertemuan 7: Customer Lifetime Value (CLV) — menghitung nilai pelanggan jangka panjang berbasis data RFM hari ini.

TUGAS

Hitung RFM

Siapkan 1 contoh data transaksi pribadi

Perkirakan skor RFM Anda sendiri sebagai pelanggan aplikasi favorit — akan dibahas di awal pertemuan berikutnya.

Sebelum kita tutup, mari rangkum inti pertemuan hari ini lewat tabel di layar: empat jenis data perilaku pelanggan, kerangka RFM untuk mengukurnya secara sistematis, bagaimana wawasan itu diubah jadi personalisasi nyata, dan batasan etika yang wajib dipegang dalam prosesnya. Minggu depan kita akan memakai fondasi RFM ini untuk menghitung Customer Lifetime Value secara lebih mendalam, jadi pastikan Anda benar-benar paham cara menghitung skor R, F, dan M karena akan langsung dipakai lagi. Sebagai tugas, saya minta Anda memperkirakan skor RFM Anda sendiri sebagai pelanggan di satu aplikasi favorit, misalnya Gojek, Shopee, atau aplikasi bank digital yang biasa Anda pakai. Kita akan bahas beberapa contoh dari Anda di awal pertemuan berikutnya sebagai pemanasan, jadi pastikan Anda benar-benar mengestimasinya dengan jujur berdasarkan kebiasaan nyata Anda, bukan asal jawab.