Program Studi Bisnis Digital • FEB UNDIP

Customer Relationship Management

Pertemuan 10 — CRM Analytics dan Dashboarding

Mengubah data interaksi pelanggan — transaksi, web, media sosial, layanan pelanggan — menjadi KPI, dashboard, dan keputusan bisnis yang terukur.

RPS minggu 11 · 2x50 menit

Selamat datang kembali, Anda sudah melewati sembilan pertemuan yang membangun cara berpikir CRM — mulai dari akuisisi, segmentasi, siklus hidup pelanggan, sampai strategi berbasis nilai. Hari ini kita masuk ke bagian yang membuat semua konsep itu bisa dilihat dan diukur setiap hari: analitik CRM dan dashboarding. Bayangkan Anda membuka aplikasi myBCA atau dashboard penjual di Tokopedia — di baliknya ada jutaan baris data transaksi yang diringkas menjadi beberapa angka kunci yang bisa langsung diambil keputusan. Pertemuan ini akan membekali Anda memahami jenis-jenis analitik, menghitung KPI CRM yang paling sering dipakai industri, dan merancang dashboard yang benar-benar dipakai, bukan sekadar dipajang. Siapkan kalkulator sederhana Anda karena kita akan menghitung dari nol dua kali hari ini.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu mengukur kinerja hubungan pelanggan dan merancang dashboard CRM sederhana. Secara rinci:

CAPAIAN 1 — ANALITIK

MENGUKUR

Membedakan 4 jenis analitik CRM (deskriptif, diagnostik, prediktif, preskriptif) dan menghitung KPI kunci: churn rate, retention rate, CLV, NPS.

CAPAIAN 2 — DASHBOARD

MERANCANG

Menjelaskan prinsip desain dashboard yang baik, menghitung segmentasi RFM, dan mengenali tools analitik CRM populer beserta tantangan implementasinya.

Bagian 1 dari 3

Fondasi Analitik CRM

Dari data mentah interaksi pelanggan menjadi ukuran kinerja yang bisa diambil keputusan.

Mengapa Analitik CRM Penting?

Setiap interaksi pelanggan — klik, transaksi, keluhan — meninggalkan jejak data. Tanpa analitik, jejak itu tidak pernah menjadi keputusan.

Tanpa Analitik CRM

Keputusan berdasar "perasaan" manajer, bukan data
Pelanggan yang mau berhenti (churn) baru diketahui setelah pergi
Promo dikirim rata ke semua pelanggan, biaya boros

Dengan Analitik CRM

Dashboard menunjukkan tren pelanggan setiap hari
Sinyal risiko churn terdeteksi lebih dini, bisa diintervensi
Promo ditarget ke segmen yang tepat → biaya lebih efisien

Contoh nyata: tim CRM Tokopedia dan aplikasi mobile banking BCA memakai dashboard harian untuk memantau aktivitas pelanggan — bukan menunggu laporan bulanan yang sudah terlambat untuk bertindak.

Empat Jenis Analitik CRM

Analitik CRM punya tingkatan kompleksitas dan nilai bisnis yang berbeda — dari menjelaskan masa lalu sampai menyarankan aksi masa depan.

Keempat jenis ini bertingkat seperti anak tangga — semakin ke atas, semakin sulit dibuat tapi semakin bernilai bagi bisnis. Analitik deskriptif itu seperti melihat kaca spion, misalnya melihat berapa transaksi terjadi bulan lalu di sebuah marketplace. Analitik diagnostik menggali lebih dalam, mencari tahu mengapa angka itu bisa terjadi, misalnya BCA menemukan komplain transaksi gagal naik karena gangguan server pada jam tertentu. Analitik prediktif melangkah ke masa depan dengan memperkirakan, misalnya, pelanggan mana yang berpotensi berhenti berlangganan Netflix atau Spotify bulan depan. Terakhir, analitik preskriptif memberi rekomendasi konkret, seperti sistem yang otomatis mengirim voucher ke pelanggan berisiko churn tinggi — inilah level yang paling banyak dicari perusahaan digital saat ini karena langsung menghasilkan aksi.

Sumber Data: Titik Sentuh Pelanggan

Dashboard CRM yang baik menggabungkan data dari banyak touchpoint (titik sentuh pelanggan) menjadi satu sumber kebenaran.

KPI CRM yang Wajib Anda Kenal

Lima indikator kinerja kunci (Key Performance Indicator/KPI) yang paling sering muncul di dashboard CRM perusahaan digital Indonesia.

KPI	Arti	Contoh Pemakaian
Churn Rate	% pelanggan yang berhenti dalam periode tertentu	Telkomsel memantau pelanggan pindah operator
Retention Rate	% pelanggan yang bertahan (kebalikan churn)	Aplikasi streaming memantau langganan aktif
CLV	Customer Lifetime Value — total nilai pelanggan selama jadi pelanggan	Ritel menentukan anggaran promosi per pelanggan
NPS	Net Promoter Score — skor kepuasan & loyalitas (skala -100 s.d. 100)	Bank mengukur kepuasan layanan cabang
Conversion Rate	% prospek yang berhasil jadi pelanggan	E-commerce memantau efektivitas kampanye iklan

Lima KPI ini adalah bahasa yang dipakai hampir semua tim CRM, jadi wajib Anda hafal maknanya, bukan sekadar singkatannya. Churn rate dan retention rate itu dua sisi mata uang yang sama — kalau churn naik, retention pasti turun, dan dua-duanya akan kita hitung sendiri di slide berikutnya. CLV mengukur berapa nilai total yang bisa diharapkan dari satu pelanggan sepanjang hubungan mereka dengan bisnis, ini yang membuat perusahaan seperti GoTo rela mengeluarkan biaya akuisisi tinggi karena tahu nilai jangka panjang pelanggannya besar. NPS berbeda karena mengukur perasaan, bukan transaksi — biasanya didapat dari pertanyaan sederhana "seberapa besar kemungkinan Anda merekomendasikan layanan ini ke teman?". Conversion rate paling relevan untuk tim marketing yang ingin tahu apakah iklan mereka benar-benar menghasilkan pelanggan baru.

Hitung dari Nol: Churn Rate & Retention Rate

Kasus: sebuah platform e-commerce mengawali bulan dengan 10.000 pelanggan aktif. Selama bulan berjalan, 800 pelanggan berhenti bertransaksi sama sekali.

Langkah	Perhitungan	Nilai
1. Pelanggan awal periode	diketahui dari data awal bulan	10.000
2. Pelanggan hilang (churn)	diketahui dari data akhir bulan	800
3. Churn Rate	800 ÷ 10.000 × 100	8%
4. Retention Rate	100% − 8%	92%

HASIL AKHIR

92%

Retention Rate bulan ini — artinya 92 dari 100 pelanggan bertahan

Mari kita hitung bersama, langkah demi langkah, persis seperti yang dilakukan analis CRM di lapangan. Kita mulai dari angka pelanggan aktif di awal bulan, yaitu sepuluh ribu — ini angka dasar yang jadi pembanding. Lalu kita catat berapa yang benar-benar berhenti bertransaksi sepanjang bulan, di kasus ini delapan ratus orang. Untuk mendapat churn rate, kita bagi pelanggan yang hilang dengan pelanggan awal, lalu kalikan seratus persen, hasilnya delapan persen — artinya delapan dari seratus pelanggan pergi. Retention rate tinggal seratus persen dikurangi churn rate, jadi sembilan puluh dua persen. Angka delapan persen ini sekilas terlihat kecil, tapi kalau terjadi setiap bulan secara konsisten, dalam setahun bisa berarti kehilangan lebih dari separuh basis pelanggan awal — ini sebabnya mengapa dashboard CRM harus memantau churn rate setiap bulan, bukan setahun sekali.

Bagian 2 dari 3

Dashboard & Visualisasi CRM

Merancang tampilan yang mengubah angka menjadi keputusan cepat.

Apa Itu Dashboard CRM?

Dashboard CRM adalah tampilan visual yang meringkas KPI pelanggan secara real-time atau berkala, dirancang agar keputusan bisa diambil dalam hitungan detik.

Komponen Umum Dashboard CRM

KPI Card — angka besar (churn rate, CLV, jumlah pelanggan aktif)
Grafik Tren — perkembangan KPI dari waktu ke waktu

Funnel/Corong — tahapan prospek menjadi pelanggan
Tabel Segmentasi — kelompok pelanggan (mis. RFM) & alert risiko

Lima Prinsip Dashboard yang Baik

Dashboard yang dipenuhi grafik justru sering tidak dipakai. Ikuti lima prinsip ini agar dashboard benar-benar menjadi alat kerja.

1. FOKUS

Tampilkan hanya 4–6 KPI paling penting, bukan seluruh data yang tersedia.

2. KECEPATAN AKSES

Real-time untuk operasional harian (mis. gangguan layanan); berkala (harian/mingguan) cukup untuk tren strategis.

3. VISUAL SESUAI DATA

Tren pakai grafik garis, perbandingan pakai batang, proporsi pakai lingkaran — jangan tertukar.

4. DAPAT DI-DRILL-DOWN

Dari angka ringkas, pengguna bisa klik untuk melihat rincian per segmen atau per wilayah.

Banyak dashboard perusahaan gagal dipakai bukan karena datanya salah, tapi karena terlalu ramai — manajer justru bingung harus melihat ke mana. Prinsip fokus mengingatkan kita untuk memilih empat sampai enam KPI paling krusial saja, sisanya bisa disimpan di laporan detail terpisah. Soal kecepatan akses, tim customer service butuh data real-time misalnya saat terjadi gangguan sistem pembayaran, sementara direksi biasanya cukup dengan ringkasan mingguan untuk melihat tren besar. Pemilihan jenis grafik juga bukan soal selera semata — grafik garis cocok untuk menunjukkan tren churn rate bulanan, sedangkan grafik batang lebih pas untuk membandingkan performa antar cabang bank. Terakhir, kemampuan drill-down membuat dashboard tidak kaku, misalnya dari angka churn rate nasional, seorang manajer regional bisa klik untuk melihat khusus churn rate di wilayah Semarang saja.

Segmentasi RFM

RFM mengelompokkan pelanggan berdasar tiga dimensi perilaku transaksi — metode segmentasi dashboard paling populer di ritel & e-commerce.

RFM adalah singkatan dari Recency, Frequency, dan Monetary, tiga pertanyaan sederhana yang ternyata sangat kuat untuk memprediksi nilai pelanggan. Recency bertanya kapan terakhir kali pelanggan bertransaksi, karena pelanggan yang baru saja belanja jelas lebih "hangat" dibanding yang sudah setahun tidak muncul. Frequency menghitung seberapa sering mereka kembali, misalnya pelanggan setia sebuah kafe daring yang memesan setiap minggu. Monetary menjumlahkan total nilai belanja mereka, karena pelanggan yang sering belanja dengan nominal besar tentu lebih berharga bagi bisnis dibanding yang sesekali belanja kecil. Kombinasi ketiga skor ini menghasilkan segmen seperti "Champion" untuk pelanggan terbaik yang layak diprioritaskan, dan "At Risk" untuk pelanggan yang mulai menjauh dan perlu segera didekati kembali — ini akan kita hitung langsung di slide berikutnya.

Hitung dari Nol: Skor RFM Pelanggan

Kasus: pelanggan "Budi" bertransaksi terakhir 5 hari lalu, dengan 12 transaksi/tahun dan total belanja Rp 15.000.000/tahun. Rata-rata industri e-commerce: ~4 transaksi/tahun & ~Rp 3.000.000/tahun (skala skor 1–5).

Langkah	Perhitungan	Nilai
1. Skor Recency (R)	5 hari lalu → sangat baru	Skor 5
2. Skor Frequency (F)	12 ÷ rata-rata industri 4 ≈ 3x lebih sering	Skor 5
3. Skor Monetary (M)	Rp15 juta ÷ rata-rata Rp3 juta = 5x lebih besar	Skor 5
4. Skor RFM gabungan	R5 – F5 – M5	555

SEGMEN BUDI

CHAMPION

Pelanggan paling bernilai — prioritas retensi & program loyalitas

Sekarang kita praktikkan RFM dengan satu contoh pelanggan bernama Budi, seolah-olah dia pelanggan sebuah toko elektronik daring. Untuk skor Recency, karena transaksi terakhirnya baru lima hari lalu, artinya dia sangat aktif, jadi kita beri skor lima dari skala satu sampai lima, di mana lima berarti paling baru. Untuk Frequency, Budi bertransaksi dua belas kali setahun, sementara rata-rata pelanggan hanya empat kali, jadi Budi tiga kali lebih sering dari rata-rata dan layak skor lima. Untuk Monetary, total belanja Budi lima belas juta rupiah setahun dibanding rata-rata tiga juta, artinya lima kali lipat lebih besar, jadi skor lima lagi. Ketika ketiga skor digabung menjadi lima-lima-lima, sistem akan otomatis menempatkan Budi ke segmen "Champion" di dashboard, yang berarti dia layak mendapat perhatian khusus seperti akses early access produk baru atau layanan prioritas — begini cara ritel modern menentukan siapa pelanggan VIP mereka tanpa perlu menebak-nebak.

Tools Analitik CRM yang Umum Dipakai

Perusahaan tidak membangun dashboard dari nol setiap saat — mereka memakai tools CRM analytics yang sudah tersedia di pasar.

CRM Bawaan

Salesforce (fitur Einstein Analytics), HubSpot — dashboard sudah menyatu dengan data pelanggan di dalam sistem CRM itu sendiri.

Business Intelligence (BI)

Power BI, Tableau, Looker Studio — menarik data dari berbagai sumber untuk dashboard yang lebih fleksibel & custom.

Skala UMKM

Google Sheets/Excel + fitur analitik bawaan WhatsApp Business — versi sederhana dashboard CRM tanpa biaya tinggi.

Pilihan tools bergantung skala bisnis: enterprise besar (bank, telko) biasanya kombinasi CRM + BI; UMKM cukup mulai dari spreadsheet yang konsisten diperbarui.

Ada tiga tingkat tools yang biasa dipakai, tergantung skala dan anggaran perusahaan. Level pertama adalah CRM yang sudah punya modul analitik bawaan seperti Salesforce dengan fitur Einstein Analytics atau HubSpot, cocok untuk perusahaan yang datanya sudah terpusat di satu sistem CRM. Level kedua adalah tools Business Intelligence murni seperti Power BI atau Tableau, yang lebih fleksibel karena bisa menarik data dari banyak sumber sekaligus, biasanya dipakai perusahaan besar seperti bank atau operator telekomunikasi yang punya sistem data kompleks. Level ketiga, yang paling relevan untuk UMKM di Indonesia, cukup memakai Google Sheets yang disiplin diperbarui setiap minggu, dipadukan dengan fitur analitik gratis dari WhatsApp Business seperti jumlah pesan terkirim dan dibaca. Poin pentingnya, tools hanyalah alat — prinsip KPI dan RFM yang sudah kita pelajari tetap sama, hanya cara menampilkannya yang berbeda skala.

Bagian 3 dari 3

Dari Data ke Keputusan Strategis

Analitik prediktif, studi kasus Indonesia, dan tantangan implementasi nyata.

Walkthrough: Cara Kerja Prediksi Churn

Model prediksi churn tidak butuh "bola kristal" — dia belajar dari pola pelanggan yang sudah berhenti sebelumnya. Empat tahap konseptualnya:

Tahap 1 — Data Historis: kumpulkan data pelanggan yang sudah churn di masa lalu & yang masih bertahan, sebagai bahan belajar model.

Tahap 2 — Fitur Prediktor: identifikasi pola pembeda, mis. frekuensi transaksi menurun, komplain naik, lama tidak buka aplikasi.

Tahap 3 — Skor Risiko: model menghasilkan skor 0–100 per pelanggan — makin tinggi, makin berisiko berhenti.

Tahap 4 — Aksi Retensi: pelanggan skor tinggi otomatis masuk daftar prioritas: diskon, follow-up personal, atau program loyalitas.

Anda tidak perlu memahami rumus statistik di balik model ini, cukup pahami logikanya secara bertahap. Tahap pertama, tim data mengumpulkan riwayat pelanggan yang sudah lebih dulu berhenti berlangganan, misalnya pelanggan Spotify yang berhenti bulan lalu, sebagai contoh untuk "diajarkan" ke model. Tahap kedua, model mencari pola yang membedakan pelanggan yang churn dengan yang bertahan, misalnya ternyata pelanggan yang churn cenderung sudah dua minggu tidak membuka aplikasi sebelum akhirnya berhenti. Tahap ketiga, model memberi skor risiko ke setiap pelanggan aktif, mirip seperti skor kredit tapi untuk risiko kehilangan pelanggan. Tahap keempat adalah yang paling penting secara bisnis, yaitu skor ini dipakai untuk aksi nyata — misalnya tim marketing Gojek mengirim promo khusus ke pengguna dengan skor risiko churn di atas 70, sebelum mereka benar-benar berhenti memakai aplikasi.

Studi Kasus: Dashboard CRM di Indonesia

Skala Enterprise

Perbankan & e-commerce besar (mis. BCA, Tokopedia) memakai dashboard real-time untuk memantau transaksi, keluhan, dan segmentasi pelanggan lintas jutaan akun.

Skor risiko churn otomatis memicu penawaran personalisasi — mis. cashback bagi pengguna yang mulai jarang bertransaksi.

Skala UMKM

Pemilik toko daring memakai fitur WhatsApp Business Analytics — jumlah pesan masuk, waktu respons, produk paling laku.

Dipadukan spreadsheet sederhana untuk hitung churn rate bulanan sendiri — prinsipnya identik dengan enterprise, hanya skalanya lebih kecil.

Konsep yang sama ternyata dipakai baik oleh perusahaan raksasa maupun pelaku usaha kecil, hanya beda skala dan kecanggihan tools-nya. Di level enterprise, bank seperti BCA memantau jutaan transaksi setiap hari lewat dashboard yang bisa mendeteksi anomali, misalnya lonjakan komplain di satu wilayah tertentu, lalu tim terkait langsung ditugaskan menangani. Tokopedia dan platform sejenis memakai skor risiko churn untuk memicu penawaran personal secara otomatis, seperti cashback khusus bagi pengguna yang aktivitasnya mulai menurun. Di sisi lain, seorang pemilik UMKM yang berjualan lewat WhatsApp Business bisa melihat data sederhana seperti berapa lama rata-rata dia membalas chat pelanggan, yang sebenarnya adalah bentuk analitik CRM juga, hanya dalam skala mikro. Yang ingin saya tekankan kepada Anda, prinsip mengukur, menyegmentasi, dan bertindak berdasarkan data itu berlaku universal, tidak peduli apakah bisnisnya bernilai triliunan atau baru dimulai dari kamar kos.

Tantangan Implementasi Dashboard CRM

Membangun dashboard CRM yang baik lebih sulit dari sekadar memilih tools — empat tantangan berikut paling sering muncul.

Kualitas & Silo Data: data tersebar di sistem berbeda (kasir, e-commerce, media sosial) & sering tidak konsisten formatnya.

Privasi Data Pribadi: wajib patuh UU No. 27/2022 tentang Pelindungan Data Pribadi (PDP) — perlu persetujuan & pembatasan penggunaan data pelanggan.

SDM Analitik Terbatas: tidak semua tim CRM punya kemampuan membaca & menindaklanjuti data.

Integrasi Lintas Sistem: menyambungkan CRM, sistem kasir, dan media sosial ke satu dashboard butuh waktu & biaya.

Setelah tahu betapa berharganya dashboard CRM, penting juga Anda memahami bahwa membangunnya tidak semudah membeli lisensi software. Tantangan pertama adalah data yang tersebar dan tidak seragam, misalnya nomor telepon pelanggan yang ditulis dengan format berbeda di sistem kasir dan di aplikasi mobile, sehingga sulit digabungkan langsung. Tantangan kedua sangat penting secara hukum di Indonesia, yaitu kepatuhan terhadap Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi, yang mewajibkan perusahaan mendapat persetujuan pelanggan sebelum mengolah data pribadi mereka untuk keperluan analitik semacam ini. Tantangan ketiga adalah keterbatasan sumber daya manusia yang mampu membaca dashboard dan benar-benar bertindak berdasarkan angka yang ditampilkan, bukan sekadar melihat tanpa tindak lanjut. Tantangan keempat adalah biaya dan waktu untuk menyambungkan berbagai sistem yang berbeda vendor menjadi satu alur data yang mulus — inilah yang akan kita bahas lebih dalam pada pertemuan berikutnya tentang aspek organisasional implementasi CRM.

Latihan Kelas: Diagnosis Dashboard UMKM

Instruksi Kerja Kelompok (15 menit)

Sebuah UMKM fesyen daring punya 2.000 pelanggan aktif di awal bulan, dan 150 pelanggan berhenti membeli sepanjang bulan tersebut. Dalam kelompok, kerjakan:

Hitung churn rate dan retention rate UMKM ini (tunjukkan langkah perhitungan)
Tentukan 3 KPI yang paling penting ditampilkan di dashboard sederhana mereka, dan alasannya
Usulkan 1 tools (dari slide 14) yang paling realistis untuk skala UMKM ini

Siapkan jawaban kelompok Anda untuk dibahas bersama — bandingkan hasil churn rate dengan kasus e-commerce di slide 8.

Rangkuman & Langkah Berikutnya

Konsep	Inti
4 Jenis Analitik	Deskriptif → Diagnostik → Prediktif → Preskriptif
KPI Kunci	Churn Rate, Retention Rate, CLV, NPS, Conversion Rate
RFM	Recency + Frequency + Monetary → segmen pelanggan (mis. Champion)
Dashboard Baik	Fokus, cepat diakses, visual tepat, bisa drill-down

Minggu Depan

Aspek Organisasional & Tantangan Implementasi CRM — siapa yang menjalankan dashboard ini di dalam organisasi, dan bagaimana mengelola perubahannya.

TUGAS

MOCKUP DASHBOARD

Rancang 1 halaman mockup dashboard CRM untuk bisnis pilihan Anda, minimal 4 KPI & 1 segmentasi RFM.

Mari kita rangkum perjalanan kita hari ini sebelum menutup pertemuan. Kita mulai dari empat jenis analitik yang bertingkat dari sekadar melaporkan sampai merekomendasikan aksi, lalu menghitung sendiri churn rate dan skor RFM dari data yang realistis. Kita juga sudah membahas bagaimana merancang dashboard yang benar-benar dipakai, bukan hanya dipajang, serta tools yang bisa dipakai baik oleh perusahaan besar seperti BCA maupun UMKM kecil. Minggu depan kita akan bergeser dari sisi teknis analitik ke sisi organisasional — siapa yang bertanggung jawab menjalankan dashboard ini sehari-hari dan tantangan mengubah kebiasaan kerja tim agar benar-benar berbasis data. Untuk tugas, silakan pilih satu bisnis nyata di sekitar Anda, bisa UMKM keluarga atau bisnis daring yang Anda kenal, lalu rancang mockup dashboard sederhana sesuai prinsip yang sudah kita pelajari hari ini.