RPS minggu 13 · 2x50 menit

Analisis Data Pasar Asia

Tren, Pola Konsumen, Segmentasi RFM & K-Means

Peta Pembelajaran Hari Ini

Sub-CPMK 5 lanjutan: menganalisis data pasar Asia. Empat indikator capaian.

Jam ke-1 (50 menit)

Analisis tren — linear regression, CAGR
Pola konsumen Asia — high-context, mobile-first
Segmentasi RFM (Recency, Frequency, Monetary)

Jam ke-2 (50 menit)

K-means clustering — unsupervised learning
Tools: Excel, Python (pandas, scikit-learn)
Studi kasus: e-commerce ASEAN

Posisi alur: analisis data (P12) → interpretasi hasil (P13) → masa depan Asia (P14).

Mengapa Analisis Data Pasar Asia Penting?

Data tanpa analisis hanya noise. Insight dari analisis adalah dasar keputusan strategis.

Manfaat 1

Tren

Lihat arah pasar untuk prediksi

Manfaat 2

Pola

Paham behavior konsumen

Manfaat 3

Segmen

Targeting yang akurat

Pertanyaan: kalau Anda punya 100rb transaksi e-commerce, apa yang Anda cari? Tren, pola, atau segmen?

Bagian 1 · 1/4

Analisis Tren — Linear Regression & CAGR

Diskusi: bagaimana memprediksi GMV e-commerce ASEAN 5 tahun ke depan?

Linear Regression & CAGR

Dua teknik dasar untuk analisis tren pasar Asia.

Teknik	Definisi	Output
Linear regression	Best-fit line y = a + bx	Slope (growth rate), R² (fit)
CAGR	Compound Annual Growth Rate	Pertumbuhan rata-rata per tahun
Moving average	Rata-rata 3-5 tahun	Smooth volatility
Exponential smoothing	Weight recent lebih	Forecast jangka pendek
Scenario analysis	Base/bull/bear case	Range prediksi dengan asumsi

Pelajaran: linear regression + CAGR cukup untuk forecast pasar Asia 1-3 tahun. Untuk jangka panjang (5+ tahun), pakai scenario analysis karena uncertainty tinggi.

Hitung dari Nol: Linear Tren GMV E-Commerce ASEAN

Mari hitung dari nol tren GMV e-commerce ASEAN 5 tahun (US$ miliar).

Tahun	GMV (US$ B)	x	y	xy	x²
2019	~38 (dihedge)	-2	38	-76	4
2020	~62	-1	62	-62	1
2021	~90	0	90	0	0
2022	~131	1	131	131	1
2023	~160	2	160	320	4
Sum	481	0	481	313	10

Catatan: GMV ~dihedge ilustratif. Slope b = Σ(xy)/Σ(x²) = 313/10 = 31,3 → pertumbuhan ~US$ 31 miliar/tahun. Intercept a = mean(y) = 96,2. Prediksi 2024 (x=3): y = 96,2 + 31,3(3) = ~190. CAGR 5 thn: (160/38)^(1/4) - 1 = ~43%.

Mari hitung dari nol tren GMV e-commerce ASEAN 5 tahun. Tahun 2019 GMV sekitar US$ 38 miliar di-hedge dengan x=-2 dan xy=-76. Tahun 2020 sekitar US$ 62 miliar dengan x=-1 dan xy=-62. Tahun 2021 sekitar US$ 90 miliar dengan x=0 dan xy=0. Tahun 2022 sekitar US$ 131 miliar dengan x=1 dan xy=131. Tahun 2023 sekitar US$ 160 miliar dengan x=2 dan xy=320. Sum: GMV 481, x=0, y=481, xy=313, x-kuadrat=10. Catatan: GMV di-hedge dan ilustratif. Slope b sama dengan Sigma xy dibagi Sigma x-kuadrat yaitu 313 dibagi 10 sama dengan 31,3 sehingga pertumbuhan sekitar US$ 31 miliar per tahun. Intercept a sama dengan mean yaitu 96,2. Prediksi 2024 dengan x=3: y sama dengan 96,2 plus 31,3 kali 3 sama dengan sekitar 190. CAGR 5 tahun: 160 dibagi 38 dipangkat 1 per 4 minus 1 sama dengan sekitar 43 persen. Pertumbuhan e-commerce ASEAN sangat cepat.

Pola Konsumen Asia — High-Context & Mobile-First

Konsumen Asia punya pola unik: high-context culture, mobile-first, social commerce, brand-loyal.

High-Context (Hall)

Komunikasi implicit, konteks penting
Trust via relasi (guanxi, kejawen)
Brand loyalty lebih kuat dari Barat
Word-of-mouth > advertising

Mobile-First

Skip PC era, langsung ke mobile
Super-app: WeChat, Gojek, Grab
Social commerce: TikTok Shop, Instagram
Live-streaming commerce (Cina, Vietnam)

Pelajaran: jangan copy strategi Barat untuk Asia. Konsumen Asia lebih mobile-social, suka live commerce, percaya KOL (key opinion leader) & komunitas.

Bagian 2 · 2/4

Segmentasi RFM

Diskusi: bagaimana mengelompokkan 100rb customer e-commerce menjadi target yang actionable?

RFM — Recency, Frequency, Monetary

RFM adalah teknik segmentasi customer berbasis 3 dimensi perilaku pembelian.

Dimensi	Definisi	Skor (1-5)
R — Recency	Hari sejak pembelian terakhir	5 = baru minggu ini; 1 = >1 tahun
F — Frequency	Jumlah transaksi (3-6 bln)	5 = >10x; 1 = 1x
M — Monetary	Total spend (3-6 bln)	5 = top 20%; 1 = bottom 20%
Segmen (combinations)	Champions, Loyal, At Risk, Lost	R5F5M5 = Champion; R1F1M1 = Lost

Pelajaran: RFM sederhana tapi actionable. Champions → retention; At Risk → reactivation; Lost → win-back. Cost-effective targeting.

Hitung dari Nol: RFM Scoring 5 Pelanggan

Mari hitung dari nol skor RFM untuk 5 pelanggan fiktif.

Pelanggan	Recency (hari)	Freq (6 bln)	Spend (Rp Jt)	R	F	M	Segmen
Andi	5	12	5,5	5	5	5	Champion
Budi	30	6	2,5	4	4	3	Loyal
Cici	120	3	1,2	2	2	2	At Risk
Dewi	240	1	0,5	1	1	1	Lost
Eka	14	8	3,8	5	4	4	Potential Loyalist

Catatan: angka ilustratif. Insight: Andi Champion → retention program (VIP); Cici At Risk → reactivation (diskon); Dewi Lost → win-back email. Strategi beda per segmen.

Bagian 3 · 3/4

K-Means Clustering

Diskusi: kapan k-means lebih baik dari RFM? Apa kelemahannya?

K-Means Clustering — Unsupervised Learning

K-means adalah algoritma machine learning untuk grouping data berbasis similarity.

Aspek	K-means	RFM (perbandingan)
Tipe	Unsupervised learning	Heuristik rule-based
Variabel	Multi-dimensi (10+)	3 dimensi (R, F, M)
Output	K cluster (mis. 5)	Skor R, F, M per pelanggan
Tool	Python scikit-learn, R	Excel, SQL
Interpretasi	Sulit (perlu analisis)	Mudah (intuitif)
Skala data	10rb - 10jt customer	Cocok untuk 1rb - 1jt

Pelajaran: RFM untuk quick wins, k-means untuk advanced analytics. Banyak e-commerce Asia (Shopee, Tokopedia) pakai k-means untuk personalization.

Workflow K-Means di Python

Lima langkah workflow k-means untuk segmentasi customer.

= kmeans.labels_

#	Langkah	Python code (singkat)
1	Load & clean data	df = pd.read_csv("customers.csv")
2	Pilih fitur & standardize	from sklearn.preprocessing import StandardScaler
3	Elbow method untuk K optimal	from sklearn.cluster import KMeans
4	Fit k-means dengan K cluster	kmeans = KMeans(n_clusters=5).fit(X)
5	Analisis karakteristik cluster	df
cluster

Pelajaran: k-means butuh programming skill. Tapi tools no-code (Segment, Klaviyo) sudah ada. Mulai dari RFM dulu, upgrade ke k-means saat butuh.

Bagian 4 · 4/4

Studi Kasus — E-Commerce ASEAN

Diskusi: bagaimana Shopee/Tokopedia gunakan analisis data untuk personalization?

Studi Kasus: E-Commerce ASEAN

Shopee, Tokopedia, Lazada menggunakan analisis data untuk personalization & growth.

Use Cases Analytics

Recommendation: collaborative filtering
Dynamic pricing: demand-based
Targeted promo: RFM + k-means
Churn prediction: ML classification
Fraud detection: anomaly detection

Hasil (dihedge)

Conversion rate: +20-30% dengan personalization
Revenue per user: +15-25%
Churn rate: turun 5-10pp
Customer satisfaction: naik NPS 10-20 poin

Pelajaran: data analytics adalah core competitive advantage e-commerce Asia. Indonesia bisa belajar: investasi data infrastructure + talent.

Diskusi Kelompok — Analisis Dataset Mini

Dalam kelompok 3 orang, analisis dataset mini 50 transaksi customer.

Tugas 20 menit

Hitung RFM untuk 50 customer
Identifikasi: Champions, Loyal, At Risk, Lost
Skenario: promo untuk Champions vs At Risk
Estimasi revenue uplift potensial

Presentasi 10 menit

Setiap kelompok 2 menit
Q&A: validitas scoring
Kriteria: ketepatan strategi per segmen
Best plan dapat feedback mendalam

Pelajaran: hands-on analisis meningkatkan retensi 80%+ versus teori. Output bisa jadi portfolio data analyst Anda.

Refleksi & Self-Assessment P12

Lima pertanyaan refleksi untuk self-assessment pemahaman analisis data.

#	Pertanyaan refleksi	Indikator pemahaman
1	Bagaimana menghitung CAGR dari data 5 tahun?	Paham analisis tren
2	Mengapa konsumen Asia mobile-first berbeda dari Barat?	Paham pola konsumen
3	Bagaimana scoring RFM untuk customer?	Paham segmentasi RFM
4	Kapan k-means lebih baik dari RFM?	Paham machine learning
5	Apa use case analytics di e-commerce ASEAN?	Paham aplikasi praktis

Pelajaran: kalau sulit menjawab, baca ulang materi P12 dan Malhotra 2019. Analisis data adalah skill kritis untuk data analyst, product manager, atau entrepreneur.

Lima pertanyaan refleksi untuk self-assessment pemahaman analisis data. Pertama, bagaimana menghitung CAGR dari data 5 tahun? Indikator pemaham analisis tren. Jawaban: CAGR sama dengan nilai akhir dibagi nilai awal dipangkat 1 per n minus 1. Kedua, mengapa konsumen Asia mobile-first berbeda dari Barat? Indikator pemaham pola konsumen. Jawaban: Asia skip PC era, langsung ke mobile, dan suka super-app serta social commerce. Ketiga, bagaimana scoring RFM untuk customer? Indikator pemaham segmentasi RFM. Jawaban: skor 1-5 untuk Recency, Frequency, dan Monetary, lalu gabung jadi segmen. Keempat, kapan k-means lebih baik dari RFM? Indikator pemaham machine learning. Jawaban: ketika multi-dimensi dan skala data besar 10 ribu plus customer. Kelima, apa use case analytics di e-commerce ASEAN? Indikator pemaham aplikasi praktis. Jawaban: recommendation, dynamic pricing, targeted promo, churn prediction, dan fraud detection. Pelajaran: kalau sulit menjawab, baca ulang materi P12 dan Malhotra 2019. Analisis data adalah skill kritis untuk data analyst, product manager, atau entrepreneur.

Ringkasan Kunci Pertemuan 12

Tren

Linear regression + CAGR untuk forecast

Pola

Konsumen Asia: high-context, mobile-first

Segmentasi

RFM (quick) + k-means (advanced)

Analisis data = jembatan dari data ke insight. Tren + pola + segmen = gambaran lengkap untuk keputusan strategis.

Persiapan P13: baca tentang interpretasi hasil riset (insight, visualisasi, storytelling); siapkan satu insight yang ingin Anda komunikasikan.

Tools Analisis Data — Excel, Python, BI

Tiga tier tools untuk analisis data pasar Asia sesuai kebutuhan.

Tier 1: Excel/Google Sheets

Cocok: data <100rb baris
RFM, regresi sederhana
Pivot table, VLOOKUP, chart
Belajar: 1-2 minggu

Tier 2: Python/R

Cocok: data 100rb-10jt baris
k-means, regression advanced
pandas, scikit-learn, matplotlib
Belajar: 3-6 bulan

Tier 3: BI Tools

Power BI, Tableau, Looker
Dashboard interaktif untuk eksekutif
Koneksi database real-time
Belajar: 2-4 minggu

Pelajaran: mulai dari Excel (master fundamental), lalu upgrade Python untuk advanced, akhir BI untuk storytelling. Jangan lompat tier tanpa fondasi.

Cohort Analysis — Teknik Tambahan

Cohort analysis melihat perilaku grup customer dari waktu ke waktu — powerful untuk retention.

Aspek	Cohort Analysis	Contoh
Definisi	Grup user dari periode sama	Jan 2024 cohort, Feb 2024 cohort
Metrik	Retention rate bulan-1, bulan-3, dst	Jan cohort: 100% → 60% → 40% → ...
Insight	Apakah cohort baru lebih baik?	Feb cohort retention lebih tinggi → fitur baru works
Visual	Heatmap cohort	Baris = cohort, kolom = bulan ke-N
Tool	Excel pivot, Mixpanel, Amplitude	BI dashboard interaktif

Pelajaran: cohort analysis powerful untuk e-commerce & SaaS Asia. Netflix, Spotify pakai cohort untuk measure product improvements.

Glosarium & Sumber Analisis Data

Istilah kunci analisis data pasar Asia.

Istilah	Definisi
CAGR	Compound Annual Growth Rate — pertumbuhan rata-rata tahunan
Linear regression	Best-fit line y = a + bx untuk forecast
RFM	Recency, Frequency, Monetary — segmentasi customer
K-means	Algoritma clustering unsupervised learning
Elbow method	Teknik menemukan K optimal untuk k-means
Collaborative filtering	Algoritma recommendation berbasis user similarity
Champion (RFM)	Customer R5F5M5 — top tier
GMV	Gross Merchandise Value — total transaksi e-commerce

Sumber: Malhotra (2019) Marketing Research; McKinsey (2023) ASEAN Digital Economy; Shopee/Tokopedia Annual Report; sklearn documentation. Terima Kasih, sampai P13!

Glosarium analisis data pasar Asia. CAGR adalah Compound Annual Growth Rate, pertumbuhan rata-rata tahunan. Linear regression adalah best-fit line y sama dengan a plus bx untuk forecast. RFM adalah Recency, Frequency, Monetary untuk segmentasi customer. K-means adalah algoritma clustering unsupervised learning. Elbow method adalah teknik menemukan K optimal untuk k-means. Collaborative filtering adalah algoritma recommendation berbasis user similarity. Champion dalam RFM adalah customer R5F5M5 top tier. GMV adalah Gross Merchandise Value, total transaksi e-commerce. Sumber utama: Malhotra 2019 Marketing Research; McKinsey 2023 ASEAN Digital Economy; Shopee dan Tokopedia Annual Report; sklearn documentation. Terima Kasih atas perhatian Anda hari ini. Sampai jumpa di P13 minggu depan ketika kita masuk interpretasi hasil riset.