AI & Machine Learning · Personalisasi CX · Payment Gateway & Infrastruktur Teknologi
Agenda Pertemuan
Teori & Konsep
Fondasi AI/ML dalam e-commerce
Algoritma rekomendasi produk
Teknik personalisasi pelanggan
Ekosistem payment gateway
Infrastruktur teknologi e-commerce
Praktik & Kasus
Implementasi ML di Tokopedia & Shopee
CX optimization: studi Gojek
BRImo & GoPay: inovasi fintech lokal
Infrastruktur Telkom/AWS Indonesia
Diskusi & latihan inovasi bisnis
Tujuan Pembelajaran
01
Menganalisis penerapan AI dan ML dalam konteks e-commerce nyata
02
Merancang strategi personalisasi untuk meningkatkan customer experience
03
Mengevaluasi pilihan payment gateway dan infrastruktur untuk bisnis e-commerce
Sub-CPMK: Mampu mengembangkan kreativitas dan inovasi lanjutan dalam ekosistem e-commerce berbasis teknologi
Topik 1
AI & Machine Learning dalam E-Commerce
AI & ML: Fondasi Inovasi E-Commerce
Apa itu Machine Learning dalam E-Commerce?
Sistem yang belajar dari data transaksi, perilaku pengguna, dan pola pasar untuk mengambil keputusan otomatis — tanpa diprogram secara eksplisit untuk setiap skenario.
Prinsip utama: Semakin banyak data transaksi yang terkumpul, semakin akurat prediksi dan rekomendasi yang dihasilkan sistem.
Tiga Kategori Aplikasi ML
Supervised learning — prediksi harga, deteksi fraud, klasifikasi produk
Unsupervised learning — segmentasi pelanggan, clustering produk
Reinforcement learning — optimasi harga dinamis, personalisasi iklan
Algoritma Rekomendasi Produk
Tipe Rekomendasi
Mekanisme
Contoh Implementasi
Collaborative Filtering
Pengguna serupa membeli produk yang sama
"Pembeli lain juga membeli..." (Shopee, Lazada)
Content-Based Filtering
Kesamaan atribut produk yang dilihat/dibeli
Rekomendasi berdasarkan kategori & brand favorit
Hybrid Filtering
Kombinasi collaborative + content-based
Tokopedia "Untuk Anda", TikTok Shop For You
Deep Learning / Neural CF
Neural network memproses sinyal perilaku kompleks
Sistem rekomendasi generasi terbaru (Netflix-style)
Studi Amazon (2023) melaporkan bahwa ~35% penjualan berasal dari engine rekomendasi — angka yang mendorong seluruh industri mengadopsi pendekatan serupa.
Coba Sendiri: Bandingkan Mesin Rekomendasi
Pilih profil pengguna dan lihat perbedaan hasil rekomendasi antara pendekatan collaborative filtering dan content-based filtering.
AI dalam Operasional: Lebih dari Sekadar Rekomendasi
Prediksi Inventori
ML memperkirakan permintaan produk berdasarkan musim, tren, dan histori — mengurangi overstock dan stockout.
Deteksi Fraud
Analisis real-time pola transaksi mencurigakan: lokasi tidak wajar, kecepatan transaksi, pola perangkat. Midtrans & Xendit menggunakan mekanisme ini.
Dynamic Pricing
Penyesuaian harga otomatis berdasarkan permintaan, harga kompetitor, dan perilaku pengguna — umum di tiket pesawat dan hotel online.
Chatbot & NLP: Customer service otomatis 24/7 menggunakan Natural Language Processing — Tokopedia, BCA, dan Gojek telah mengimplementasikan chatbot berbasis AI untuk menangani ~60–80% pertanyaan umum pelanggan.
Topik 2
Personalisasi & Customer Experience Optimization
Personalisasi: Dari Massal ke Individual
Evolusi Pendekatan Pemasaran
Mass Marketing (1990-an) → satu pesan untuk semua Segmentasi (2000-an) → pesan per kelompok Personalisasi (2010-an) → pesan per individu Hyper-personalisasi (sekarang) → pesan per konteks real-time
Dimensi Personalisasi E-Commerce
Produk — rekomendasi, urutan hasil pencarian
Harga — voucher personal, flash sale tertarget
Konten — banner, notifikasi, email disesuaikan
Antarmuka — tampilan homepage berbeda per pengguna
Timing — pengiriman notifikasi di waktu paling efektif
Customer Journey Mapping & Data Touchpoint
Tahap Journey
Data yang Dikumpulkan
Intervensi Personalisasi
Awareness
Sumber traffic, keyword, media sosial
Iklan tertarget, konten relevan
Consideration
Produk dilihat, waktu di halaman, perbandingan
Retargeting, rekomendasi alternatif
Purchase
Metode bayar, waktu checkout, abandonment
Cart recovery email, voucher rescue
Retention
Frekuensi, nilai rata-rata, kategori favorit
Program loyalitas, upsell personal
Advocacy
Review, share, referral
Insentif referral, exclusive member
Metrik Customer Experience (CX) yang Kritis
NPS (Net Promoter Score)
Mengukur loyalitas: "Seberapa besar kemungkinan Anda merekomendasikan kami?" Skala 0–10. NPS = % Promoter − % Detractor.
CSAT & CES
CSAT: Kepuasan per transaksi. CES (Customer Effort Score): Kemudahan proses — semakin mudah, semakin loyal pelanggan.
CLV & Churn Rate
Customer Lifetime Value: Total nilai pelanggan sepanjang hubungan. Churn Rate: % pelanggan yang berhenti — target minimasi.
Riset Bain & Company menunjukkan bahwa meningkatkan retensi pelanggan sebesar 5% dapat meningkatkan profit hingga ~25–95% — membuktikan bahwa investasi pada CX adalah investasi pada profitabilitas.
Coba Sendiri: Hitung NPS Platform Anda
Masukkan jumlah promoter, passive, dan detractor, lalu lihat skor NPS yang dihasilkan dan artinya bagi kesehatan bisnis.
Topik 3
Payment Gateway & Technology Infrastructure
Ekosistem Payment Gateway Indonesia
Pemain Utama & Posisi Pasar
Provider
Keunggulan
Midtrans (GoTo)
Integrasi luas, sandbox developer-friendly
Xendit
API modern, coverage Southeast Asia
DOKU
Enterprise, kuat di B2B
GoPay / OVO
Dompet digital dengan basis pengguna besar
BRImo / BCA Mobile
Transfer bank langsung, kepercayaan tinggi
QRIS: Standarisasi Nasional
QRIS (Quick Response Code Indonesian Standard) dikeluarkan Bank Indonesia — satu QR code untuk semua dompet digital dan bank.
Per ~2024, pengguna QRIS di atas 50 juta merchant
Mendorong inklusi keuangan UMKM digital
Integrasi wajib bagi merchant e-commerce yang ingin menjangkau segmen luas
Coba Sendiri: Bandingkan Biaya Payment Gateway
Masukkan volume transaksi bulanan Anda dan lihat mana provider (Midtrans/Xendit/DOKU/QRIS) yang paling murah untuk skala bisnis Anda.
Infrastruktur Teknologi E-Commerce: Layer Utama
Cloud Computing
AWS, Google Cloud, Azure hadir di Indonesia dengan data center lokal
Telkom AGREE & Telkomsel Indibiz untuk solusi domestik
Skalabilitas otomatis saat traffic lonjakan (Harbolnas)
CDN & Performa
Content Delivery Network mempercepat loading gambar produk
Setiap 1 detik loading tambahan = ~7% penurunan konversi (Google)
Cloudflare, Fastly banyak dipakai marketplace Indonesia
Keamanan & Compliance
PCI-DSS compliance untuk data kartu kredit
SSL/TLS enkripsi wajib seluruh transaksi
UU PDP (UU No. 27/2022) berlaku — perlindungan data pribadi pelanggan
Studi Kasus Indonesia: Inovasi Teknologi di Lapangan
Tokopedia — ML untuk Logistik
Menggunakan machine learning untuk memprediksi permintaan per wilayah, mengoptimalkan lokasi stok di ribuan mitra gudang, dan merekomendasikan kurir paling cepat berdasarkan kondisi real-time.
BCA — Personalisasi Perbankan Digital
BCA Mobile & myBCA menggunakan data transaksi untuk menawarkan produk keuangan yang relevan — pinjaman, deposito, atau asuransi — berdasarkan pola pengeluaran nasabah.
Gojek — Super App CX Integration
Data lintas layanan (ride, food, finance) diintegrasikan untuk personalisasi penawaran. GoPay Points mendorong retensi dengan gamifikasi berbasis perilaku spending.
BRImo — Inklusi Keuangan Digital
Bank BRI mengintegrasikan QRIS, transfer, pinjaman UMKM dalam satu platform. Inovasi layanan keuangan untuk segmen unbanked/underbanked di daerah — ~25 juta pengguna aktif.
Tren Inovasi: Apa yang Akan Membentuk E-Commerce Ke Depan
Tren
Deskripsi
Relevansi untuk Indonesia
Social Commerce
Belanja langsung dari platform media sosial (TikTok Shop, Instagram)
Pengguna media sosial Indonesia ~167 juta — potensi sangat besar
Live Commerce
Penjualan real-time via livestreaming dengan interaksi langsung
TikTok Shop Live, Shopee Live tumbuh pesat di Indonesia
Voice Commerce
Pembelian melalui perintah suara (smart speaker, asisten virtual)
Masih terbatas; tergantung adopsi bahasa Indonesia di AI voice
AR/VR Commerce
Coba produk virtual sebelum beli (fashion, furnitur, kacamata)
Lazada, Tokopedia mulai uji fitur AR try-on
Generative AI
Konten produk, deskripsi, gambar otomatis; chatbot generatif
Adopsi cepat oleh seller marketplace untuk efisiensi listing
Diagram Ekosistem Teknologi E-Commerce
Rangkuman: Key Takeaway Pertemuan 9
AI & ML adalah enabler, bukan tujuan. Nilai nyatanya ada pada hasil bisnis: konversi lebih tinggi, biaya lebih rendah, kepuasan pelanggan meningkat — bukan sekadar "pakai AI".
Personalisasi bergerak dari segmentasi ke individual real-time. Hyper-personalisasi membutuhkan data berkualitas, infrastruktur yang baik, dan strategi privasi yang jelas (UU PDP).
Payment gateway adalah keputusan strategis. Pilih berdasarkan target pasar, metode bayar yang relevan, biaya transaksi, dan kemudahan integrasi — bukan hanya yang paling populer.
Infrastruktur teknologi menentukan skalabilitas. Bisnis yang tidak siap secara teknis akan gagal justru saat momentum pertumbuhan datang.
Inovasi Indonesia relevan secara global. Gojek, Tokopedia, BRImo, dan BCA membuktikan bahwa ekosistem digital Indonesia mampu berinovasi di level internasional.
Tugas & Diskusi
Diskusi Kelas (30 menit)
Identifikasi satu fitur AI/ML dari platform e-commerce yang sering Anda gunakan. Bagaimana fitur tersebut memengaruhi keputusan belanja Anda?
Jika Anda memulai bisnis e-commerce fashion lokal dengan modal terbatas, payment gateway mana yang akan Anda pilih dan mengapa?
Apa risiko terbesar dari hyper-personalisasi dalam konteks Indonesia? Bagaimana cara mitigasinya?
Tugas Individu (dikumpul P12)
Pilih satu bisnis e-commerce Indonesia (bukan Tokopedia/Shopee/Gojek yang sudah dibahas)
Analisis: teknologi AI apa yang mereka gunakan, strategi personalisasi, dan pilihan payment gateway
Evaluasi: apakah pilihan teknologi mereka sesuai dengan segmen pasar dan model bisnis mereka?
Format: laporan 3–5 halaman atau slide 8–10 halaman
Q&A & Penutup
Ada pertanyaan?
Silakan ajukan pertanyaan seputar AI/ML, personalisasi, payment gateway, atau infrastruktur teknologi e-commerce.