‹ Daftar slide
Pertemuan 12: Mengelola pelanggan dan simulasi segmen
RPS minggu 13 · 2x50 menit
Mengelola Pelanggan dan Simulasi Segmen
Analisis Perilaku Konsumen — Magister Manajemen FEB UNDIP
Pertemuan 12: dari data transaksi menuju keputusan alokasi sumber daya pelanggan — CLV, RFM, dan simulasi segmentasi untuk manajer.
Bagian 1 dari 3
Dari Transaksi ke Nilai Seumur Hidup Pelanggan
Diskusi kelas: mengapa dua pelanggan dengan omzet tahunan yang sama bisa memiliki nilai strategis yang sangat berbeda bagi perusahaan?
Dari CRM Taktis ke Manajemen Portofolio Pelanggan
Pergeseran paradigma: pelanggan bukan sekadar target kampanye, melainkan portofolio aset yang harus dikelola selayaknya aset keuangan.
Pandangan lama (transactional marketing)
- Fokus pada volume transaksi per periode, bukan nilai jangka panjang
- Anggaran pemasaran dialokasikan merata ke seluruh basis pelanggan
- Keberhasilan diukur dari akuisisi pelanggan baru semata
Pandangan strategis (relationship marketing)
- Setiap pelanggan dinilai sebagai arus kas masa depan (Reinartz & Kumar, 2003)
- Sumber daya dialokasikan berbanding lurus dengan nilai strategis segmen
- Keberhasilan diukur dari customer equity — total nilai basis pelanggan (Rust, Zeithaml & Lemon, 2004)
Implikasi manajerial: keputusan "pelanggan mana yang layak dipertahankan dengan biaya berapa" seharusnya berbasis nilai terhitung, bukan ukuran akun atau kedekatan personal dengan tim sales.
Hitung dari Nol: Customer Lifetime Value (CLV)
Segmen "Loyalis" pada platform ritel elektronik — margin kontribusi tahunan Rp800.000, retensi 70%, biaya modal 10% (ilustrasi).
| Langkah | Perhitungan | Nilai |
|---|---|---|
| 1. Margin kontribusi per pelanggan/tahun | diberikan dari data transaksi historis | Rp 800.000 |
| 2. Tingkat retensi tahunan (r) | proporsi pelanggan yang bertransaksi ulang | 70% |
| 3. Tingkat diskonto (d) — biaya modal | estimasi biaya modal perusahaan | 10% |
| 4. Faktor retensi | r ÷ (1 + d − r) = 0,7 ÷ (1 + 0,1 − 0,7) | 1,75 |
| 5. CLV kotor | Rp800.000 x 1,75 | Rp 1.400.000 |
| 6. CLV bersih (dikurangi biaya akuisisi Rp250.000) | Rp1.400.000 − Rp250.000 | Rp 1.150.000 |
CLV Bersih Segmen Loyalis
Rp 1,15 Juta
per pelanggan, horizon tak terhingga dengan model retensi geometris
Customer Equity: Tiga Pengungkit Nilai
Rust, Zeithaml & Lemon (2004): total nilai basis pelanggan dibentuk oleh tiga driver yang dapat dikelola terpisah.
Value Equity
Kualitas
Persepsi objektif atas kualitas, harga, kenyamanan — dominan saat produk terdiferensiasi rasional (mis. perbankan korporat)
Brand Equity
Persepsi
Nilai subjektif merek di benak pelanggan — dominan pada kategori dengan keterlibatan emosional tinggi (mis. FMCG, gaya hidup)
Relationship Equity
Ikatan
Kekuatan program loyalitas, community, dan biaya beralih — dominan saat produk mirip antar-kompetitor (mis. maskapai, telko)
Keputusan manajerial: alokasi anggaran CRM seharusnya mengikuti driver yang paling dominan di kategori bisnis Anda, bukan dibagi rata ke tiga-tiganya.
Hitung dari Nol: Skor RFM Tertimbang untuk Prioritas Retensi
Satu pelanggan kategori elektronik pada marketplace — data 12 bulan terakhir (ilustrasi).
| Langkah | Perhitungan | Nilai |
|---|---|---|
| 1. Recency — 5 hari sejak transaksi terakhir | skor kuintil (1=lama, 5=baru) | Skor R = 5 |
| 2. Frequency — 18 transaksi/12 bulan | skor kuintil (1=jarang, 5=sering) | Skor F = 5 |
| 3. Monetary — Rp22.000.000/12 bulan | skor kuintil (1=kecil, 5=besar) | Skor M = 5 |
| 4. Skor RFM gabungan | (R+F+M) ÷ 3 = (5+5+5) ÷ 3 | 5,0 |
| 5. Skor tertimbang kategori elektronik | 5,0 x bobot margin kategori 1,2 | 6,0 |
| 6. Ambang klasifikasi (≥4,5 = Champion) | 6,0 ≥ 4,5 | Segmen: Champion |
Klasifikasi Segmen
Champion
alokasi anggaran retensi 3x rata-rata segmen lain
Coba Sendiri: Penskor RFM Pelanggan
Ubah nilai Recency, Frequency, dan Monetary satu pelanggan, lalu amati bagaimana skor gabungan dan klasifikasi segmennya berubah.
Mini-Kasus: GoTo dan Realokasi Anggaran dari Akuisisi ke Retensi
Pasca-IPO, tekanan burn rate memaksa perusahaan digital Indonesia mengevaluasi ulang strategi pertumbuhan berbasis subsidi akuisisi (ilustrasi).
Situasi (ilustrasi)
- Biaya akuisisi pengguna baru naik ~2,5x dalam tiga tahun akibat kompetisi subsidi
- Segmen pengguna loyal (top 20%) menyumbang ~65% kontribusi margin transaksi
- Tekanan pasar modal menuntut jalur menuju profitabilitas, bukan sekadar pertumbuhan GMV
Keputusan manajerial
- Geser anggaran pemasaran dari akuisisi massal ke program loyalitas segmen bernilai tinggi
- Gunakan CLV per segmen untuk menentukan besaran subsidi yang masih layak secara ekonomi
- Terima trade-off: pertumbuhan pengguna melambat demi margin per pengguna yang lebih sehat
Poin diskusi: keputusan ini bukan sekadar isu pemasaran, melainkan keselarasan strategi CRM dengan ekspektasi investor pasar modal — dua pemangku kepentingan yang tidak selalu sejalan dalam jangka pendek.
STP Tingkat Lanjut: Kriteria Segmentasi yang Actionable
Segmentasi hanya bernilai strategis jika memenuhi kriteria operasional, bukan sekadar deskriptif secara statistik.
Lima kriteria segmen layak-tindak
- Measurable — ukuran & daya beli segmen dapat diestimasi
- Substantial — cukup besar & menguntungkan untuk dilayani
- Accessible — dapat dijangkau lewat kanal komunikasi/distribusi
- Differentiable — merespons bauran pemasaran secara berbeda
- Actionable — organisasi punya kapasitas menyusun program khusus segmen tsb
Pergeseran basis segmentasi
- Demografis/geografis → perilaku transaksi & kebutuhan (needs-based)
- Segmentasi statis tahunan → segmentasi dinamis diperbarui real-time via data CRM
- B2C: gaya hidup & nilai personal · B2B: kompleksitas pengambilan keputusan & total cost of ownership
Simulasi Segmen Berbasis Analitik Klaster
Manajer tidak perlu menjadi data scientist, tetapi wajib mampu menginterpretasi dan menantang output algoritma segmentasi.
Alur simulasi klaster (k-means/hierarchical) untuk manajer non-teknis:
- Tim analitik memasukkan variabel perilaku (frekuensi, nilai transaksi, kategori favorit, kanal)
- Algoritma menghasilkan sejumlah klaster tanpa label — manajer yang memberi nama & makna bisnis
- Validasi silang dengan pengetahuan lapangan tim penjualan/layanan pelanggan
- Uji stabilitas klaster antar-periode sebelum dijadikan dasar keputusan anggaran
Jebakan umum: jumlah klaster "optimal" secara statistik (mis. metode elbow/silhouette) belum tentu jumlah segmen yang praktis dikelola tim pemasaran — trade-off antara presisi statistik dan kapasitas operasional organisasi.
Bagian 2 dari 3
Simulasi Segmen & Keputusan Alokasi Sumber Daya
Diskusi kelas: ketika hasil algoritma klaster bertentangan dengan intuisi bisnis manajer, keputusan mana yang seharusnya dimenangkan?
Customer Lifecycle Management & Prediksi Churn
Setiap tahap siklus hidup pelanggan menuntut metrik keputusan dan ambang intervensi yang berbeda.
Akuisisi
Fokus: CAC (Customer Acquisition Cost) vs proyeksi CLV — akuisisi hanya layak jika CLV proyeksi > CAC dengan margin aman
Pengembangan & Retensi
Fokus: cross-sell/up-sell terarah pada segmen bernilai tinggi + monitoring skor risiko churn secara berkala
Win-back
Fokus: hanya untuk pelanggan yang sebelumnya bernilai tinggi — biaya reaktivasi harus dibandingkan dengan CLV proyeksi ulang
Keputusan manajerial inti: kapan model prediksi churn memicu intervensi otomatis, dan kapan tetap membutuhkan keputusan manusia — ambang skor risiko yang terlalu sensitif membuang anggaran ke pelanggan yang sebenarnya tidak akan pergi.
Kerangka Keputusan: Deteksi Risiko Churn & Strategi Win-Back
Topik non-numerik: rubrik langkah analisis kasus untuk merancang program retensi bertarget.
| Langkah | Fokus Analisis | Output Keputusan |
|---|---|---|
| 1. Deteksi sinyal churn | penurunan frekuensi transaksi >40%, keluhan meningkat, non-aktif >90 hari | Daftar pelanggan berisiko |
| 2. Segmentasi risiko x nilai | silangkan skor risiko churn dengan CLV/skor RFM tertimbang | Matriks 4 kuadran prioritas |
| 3. Pilih taktik intervensi | voucher otomatis (nilai rendah) vs kontak personal tim relationship manager (nilai tinggi) | Program per kuadran |
| 4. Uji A/B pada sampel kecil | bandingkan taktik pada 2 kelompok sebelum rollout penuh | Taktik tervalidasi |
| 5. Ukur ROI kampanye retensi | bandingkan CLV yang terselamatkan dengan biaya kampanye | Keputusan lanjut/hentikan program |
Kesimpulan rubrik: program win-back hanya layak dilanjutkan jika CLV yang terselamatkan secara konsisten melebihi biaya kampanye pada uji A/B — bukan berdasarkan asumsi di awal.
Mini-Kasus: Prioritas Cross-Sell Berbasis Segmen di Bank Nasional
Bank swasta besar memanfaatkan skor segmentasi nasabah untuk menargetkan penawaran produk kredit dan investasi (ilustrasi).
Situasi (ilustrasi)
- Basis nasabah tabungan >15 juta rekening, namun tim relationship manager terbatas
- Skor gabungan saldo rata-rata, frekuensi transaksi digital, dan usia rekening dipakai memprioritaskan penawaran KPR/kartu kredit premium
- Segmen prioritas menerima penawaran personal via relationship manager; segmen massal menerima penawaran via aplikasi digital
Keputusan manajerial
- Alokasi waktu relationship manager difokuskan pada segmen dengan potensi cross-sell tertinggi, bukan merata
- Kanal digital menangani segmen massal dengan biaya layanan jauh lebih rendah
- Evaluasi berkala mencegah segmen prioritas "stagnan" — nasabah baru berpotensi tinggi harus bisa naik kelas prioritas
Kerangka Keputusan: Matriks Portofolio Pelanggan (Nilai x Loyalitas)
Topik non-numerik: rubrik langkah kategorisasi pelanggan untuk keputusan alokasi anggaran CRM.
| Langkah | Fokus Analisis | Output Keputusan |
|---|---|---|
| 1. Petakan 2 sumbu | nilai transaksi (tinggi/rendah) x tingkat loyalitas/retensi (tinggi/rendah) | Peta sebar seluruh basis pelanggan |
| 2. Identifikasi 4 kuadran | Star, Question Mark, Cash Cow, Dog — analogi matriks portofolio klasik | Populasi pelanggan per kuadran |
| 3. Tetapkan strategi per kuadran | invest (Star), convert (Question Mark), maintain (Cash Cow), harvest/exit (Dog) | Kebijakan alokasi anggaran |
| 4. Tinjau ulang tiap kuartal | perbarui posisi pelanggan berdasarkan data transaksi terbaru | Matriks yang selalu mutakhir |
| 5. Integrasikan ke anggaran | hubungkan hasil pemetaan dengan proses budgeting pemasaran & CRM tahunan | Anggaran CRM berbasis portofolio |
Kesimpulan rubrik: keputusan paling sulit sering ada pada kuadran Dog — kapan perusahaan harus berani "melepas" pelanggan bernilai rendah & tidak loyal daripada terus menyubsidi layanan mereka.
Personalisasi & Customer Experience Management (CEM) Berskala Besar
Hyper-personalization menuntut keseimbangan antara otomasi algoritmik dan batas kenyamanan pelanggan.
Peluang
- Rekomendasi produk & penawaran harga dipersonalisasi berdasarkan riwayat perilaku
- Momen kontak (touchpoint) diprioritaskan otomatis sesuai tahap siklus hidup pelanggan
- Layanan pelanggan proaktif — menghubungi sebelum keluhan muncul, berbasis sinyal risiko
Batas & risiko (glosarium: CEM = manajemen keseluruhan pengalaman pelanggan lintas titik kontak)
- Personalisasi berlebihan terasa "mengintai" (creepy) — menurunkan kepercayaan, bukan menaikkan konversi
- Otomasi penuh menghilangkan sentuhan manusia pada momen kritis (komplain berat, pemulihan layanan)
- Keputusan manajerial: tetapkan titik keputusan mana yang tetap memerlukan persetujuan/telaah manusia
Bagian 3 dari 3
Etika, Privasi, dan Batas Segmentasi
Diskusi kelas: sejauh mana personalisasi berbasis data boleh digunakan sebelum berubah menjadi diskriminasi harga yang merugikan konsumen?
Privasi Data & Bias Algoritmik dalam Segmentasi
UU Pelindungan Data Pribadi (UU PDP No. 27/2022) mengubah tata kelola segmentasi berbasis data pelanggan di Indonesia.
Kewajiban regulasi
- Persetujuan (consent) eksplisit untuk pemrosesan data pribadi guna keperluan profiling/segmentasi
- Prinsip minimalisasi data — hanya kumpulkan variabel yang benar-benar diperlukan untuk tujuan segmentasi
- Hak subjek data untuk mengetahui & menolak profiling otomatis yang berdampak signifikan
Risiko bias algoritmik
- Model segmentasi dapat mewarisi bias historis (mis. menganaktirikan wilayah/kelompok tertentu)
- Diskriminasi harga berbasis data (algorithmic price discrimination) berisiko melanggar perlindungan konsumen
- Checklist manajerial: audit bias berkala, uji dampak segmen minoritas, dokumentasi rasional model
Tanggung jawab manajerial tidak bisa didelegasikan penuh ke tim data — keputusan akhir tentang batas etika penggunaan data pelanggan tetap berada di tangan manajemen bisnis.
Mini-Kasus: Respons Manajerial atas Kontroversi Personalisasi Harga
Sebuah platform e-commerce menghadapi keluhan publik viral karena pengguna berbeda melihat harga berbeda untuk produk identik (ilustrasi generik, merepresentasikan pola kejadian nyata di industri).
Situasi (ilustrasi)
- Algoritma penetapan harga dinamis mempertimbangkan riwayat kesediaan membayar pengguna
- Pengguna membandingkan tangkapan layar harga & menemukan disparitas — viral di media sosial
- Persepsi publik: perusahaan "menghukum" loyalitas dengan harga lebih mahal
Keputusan manajerial
- Komunikasi krisis segera, transparansi tentang variabel yang memengaruhi harga
- Redesain kebijakan: personalisasi promo/rekomendasi diperbolehkan, personalisasi harga dasar dibatasi
- Bentuk komite etik data internal untuk telaah kebijakan personalisasi sebelum diluncurkan ke produksi
Poin diskusi: batas antara "personalisasi yang membantu" dan "diskriminasi harga yang merugikan" seringkali tipis secara teknis, namun sangat tegas secara persepsi publik dan reputasi merek.
Latihan Kelompok: Simulasi Segmentasi & Memo Keputusan
Instruksi tugas kelompok untuk sisa waktu pertemuan (kerjakan dalam kelompok 4-5 orang).
Tugas
- Gunakan studi kasus perusahaan (ritel/perbankan/digital) yang dibagikan dosen di awal sesi
- Hitung CLV & skor RFM tertimbang untuk 2 segmen pelanggan yang diberikan dalam data kasus
- Petakan kedua segmen tersebut pada Matriks Portofolio Pelanggan (Nilai x Loyalitas)
- Susun memo keputusan 1 halaman: alokasi anggaran CRM per segmen & justifikasi berbasis kerangka hari ini
- Identifikasi minimal 1 risiko etika/privasi dari strategi segmentasi yang diusulkan kelompok Anda
- Waktu pengerjaan: 20 menit diskusi kelompok, 15 menit presentasi singkat 2 kelompok terpilih
Kriteria penilaian: ketepatan perhitungan, kejelasan justifikasi keputusan alokasi, dan kedalaman identifikasi risiko etika — bukan sekadar kerapian format memo.
Rangkuman Pertemuan & Jembatan ke Pertemuan Berikutnya
Hari ini kita mengubah data transaksi menjadi keputusan alokasi sumber daya pelanggan yang terukur dan bertanggung jawab.
Yang sudah dikuasai
- Menghitung CLV & skor RFM tertimbang untuk memprioritaskan segmen
- Menyusun kerangka keputusan churn/win-back & matriks portofolio pelanggan
- Mengenali batas etika & regulasi (UU PDP) dalam personalisasi berbasis data
Menuju pertemuan berikutnya
- Tren masa depan perilaku konsumen: AI generatif, ekonomi kreator, konsumsi berkelanjutan
- Bagaimana kerangka hari ini (CLV, segmentasi) beradaptasi terhadap perilaku konsumen yang terus berubah
- Refleksi menyeluruh menjelang evaluasi akhir semester mata kuliah ini
Pesan penutup: manajemen pelanggan yang unggul adalah perpaduan disiplin kuantitatif (CLV, RFM, klaster) dengan kepekaan etis terhadap batas penggunaan data — dua hal yang harus berjalan beriringan, bukan saling menegasikan.