RPS minggu 9 · 2x50 menit

Analitik Pelanggan untuk Pertumbuhan CLV

Dari Segmentasi ke Keputusan Alokasi Anggaran Retensi

Pemasaran Strategik · Program Magister Manajemen · FEB UNDIP

Selamat datang di pertemuan kedelapan. Minggu lalu Anda sudah berlatih mengalokasikan sumber daya lintas produk memakai logika portofolio; hari ini kita bawa logika serupa ke level pelanggan individual lewat customer lifetime value atau CLV. Sebagai manajer yang sudah bekerja, Anda pasti pernah mendengar istilah CLV di rapat marketing atau laporan investor — hari ini kita bedah cara menghitungnya dari nol, menghubungkannya dengan biaya akuisisi, dan memakainya untuk memutuskan ke segmen pelanggan mana anggaran retensi sebaiknya mengalir. Contoh yang kita pakai mengacu pada praktik bank ritel dan e-commerce Indonesia seperti BCA dan Tokopedia, karena datanya paling relevan dengan pengalaman Anda sehari-hari. Di akhir sesi Anda akan mampu membangun argumen berbasis angka, bukan intuisi, saat mengusulkan anggaran retensi pelanggan.

Bagian 1 dari 3

CLV sebagai Kompas Strategis

Diskusi kelas: kalau anggaran pemasaran Anda dipotong 30%, segmen pelanggan mana yang paling terakhir kena pemangkasan — dan mengapa?

Mengapa CLV, Bukan Sekadar Revenue?

Pergeseran Cara Pandang

Revenue bulanan menyamaratakan pelanggan setia & pelanggan sekali beli
CLV mem-forward-kan nilai pelanggan sepanjang relasi, bukan satu transaksi
Menjembatani marketing metric dengan bahasa keuangan & investor (customer sebagai aset)

Keputusan yang Dijawab CLV

Berapa anggaran akuisisi yang wajar per pelanggan?
Segmen mana layak diberi program loyalitas premium?
Kapan pelanggan sebaiknya "dilepas" karena tidak lagi profitable?

Rujukan: Kumar & Reinartz (2016), Customer Lifetime Value Management — pergeseran dari product-centric ke customer-centric metrics.

Hitung dari Nol: CLV Historis Sederhana

Formula margin-retensi: CLV = m × r / (1 + i − r) — ilustrasi nasabah tabungan ritel.

Langkah	Perhitungan	Nilai
1. Margin kontribusi per nasabah/tahun (m)	—	Rp2.500.000
2. Retention rate (r) — dari data RFM	8 dari 10 nasabah bertahan	80%
3. Discount rate tahunan (i)	—	10%
4. Faktor retensi	0,80 ÷ (1 + 0,10 − 0,80)	2,667
5. CLV per nasabah	2.500.000 x 2,667	~Rp6,67 juta

Implikasi: anggaran akuisisi & retensi per nasabah tabungan ritel ini idealnya jauh di bawah Rp6,67 juta — angka ini menjadi plafon keputusan, bukan target belanja.

Dari RFM ke Segmen yang Bisa Ditindaklanjuti

Recency

Seberapa baru transaksi terakhir — sinyal risiko churn paling awal

Frequency

Seberapa sering bertransaksi — proksi kelekatan kebiasaan (habit)

Monetary

Nilai rata-rata transaksi — komponen langsung margin kontribusi

RFM bukan tujuan akhir — ia input untuk skor CLV prediktif (mis. model BG/NBD + Gamma-Gamma) yang mengestimasi nilai masa depan, bukan sekadar nilai historis.

Mini-Kasus: BCA dan Segmentasi Nasabah Berbasis CLV

Konteks Keputusan Manajerial (ilustrasi)

Divisi consumer banking BCA mengevaluasi program Solitaire (nasabah prioritas) — bukan sekadar "siapa saldo terbesar hari ini", tetapi siapa yang diproyeksikan menyumbang margin terbesar 5 tahun ke depan.

Nasabah muda profesional dengan saldo sedang tapi tren kenaikan transaksi tajam — diprioritaskan meski belum masuk tier saldo tertinggi
Nasabah senior dengan saldo besar tapi aktivitas menurun — CLV prediktif lebih rendah dari CLV historisnya
Keputusan: relationship manager dialokasikan mengikuti CLV prediktif, bukan saldo statis

Bagian 2 dari 3

CAC, Retensi, dan Unit Economics Pertumbuhan

Diskusi kelas: rasio CLV:CAC berapa yang Anda anggap "sehat" untuk bisnis subscription vs bisnis marketplace — dan mengapa keduanya berbeda?

Hitung dari Nol: CAC dan Rasio CLV:CAC

Ilustrasi kampanye akuisisi digital kuartal berjalan — CLV memakai hasil slide sebelumnya (~Rp6,67 juta).

Langkah	Perhitungan	Nilai
1. Total biaya akuisisi kuartal ini	—	Rp400.000.000
2. Jumlah pelanggan baru diperoleh	—	500 orang
3. CAC per pelanggan	400.000.000 ÷ 500	Rp800.000
4. Rasio CLV : CAC	6.666.667 ÷ 800.000	8,33 : 1
5. Payback period akuisisi	800.000 ÷ 2.500.000/tahun	~0,32 tahun (~3,8 bulan)

Benchmark umum industri SaaS/e-commerce: rasio sehat ≥ 3:1. Rasio 8,33:1 di sini menunjukkan ruang untuk ekspansi akuisisi lebih agresif — anggaran belum jadi kendala utama.

Coba Sendiri: Uji Sensitivitas Rasio CLV:CAC

Ubah biaya akuisisi dan jumlah pelanggan baru untuk melihat CAC, rasio CLV:CAC, dan payback period bergerak bersamaan.

Sensitivitas Retensi: Mengapa 1 Pelanggan Lama Berat Sebelah

Formula sama (m=Rp2,5 juta, i=10%) — hanya retention rate (r) yang diubah.

Langkah	Perhitungan	Nilai
1. r = 70%	0,70 ÷ (1+0,10−0,70) → x2.500.000	Rp4.375.000
2. r = 80% (baseline)	0,80 ÷ (1+0,10−0,80) → x2.500.000	Rp6.666.667
3. r = 90%	0,90 ÷ (1+0,10−0,90) → x2.500.000	Rp11.250.000
4. r = 95%	0,95 ÷ (1+0,10−0,95) → x2.500.000	Rp15.833.333
5. Kenaikan CLV, r 70%→95% (+25pp)	(15,83−4,38) ÷ 4,38 x 100	~+262%

Prediksi Churn: dari Reaktif ke Proaktif

Pendekatan Reaktif (Lama)

Tindakan setelah pelanggan berhenti/komplain
Data recency sebagai satu-satunya sinyal
Program retensi seragam untuk semua pelanggan berisiko

Pendekatan Prediktif (Analitik)

Skor churn probability (mis. regresi logistik/ML) per pelanggan
Sinyal dini: penurunan frekuensi, komplain, non-respons kampanye
Intervensi terarah ke pelanggan CLV tinggi berisiko churn tinggi

Walkthrough: Merancang Intervensi Retensi Bertarget

Langkah	Aktivitas	Contoh Terapan
1. Segmentasi silang CLV x risiko churn	Matriks 2x2	Fokus kuadran CLV tinggi + risiko tinggi
2. Identifikasi akar penyebab risiko	Survei/data transaksi	Layanan lambat vs harga kompetitor lebih murah
3. Rancang tawaran retensi proporsional	Sesuai akar penyebab	Diskon loyalitas vs perbaikan SLA layanan
4. Uji terbatas (pilot/A-B test)	Sampel kecil dulu	Bandingkan uplift retensi vs biaya program
5. Skalakan jika ROI positif	Rollout bertahap	Perluas ke seluruh kuadran prioritas

Kesalahan umum: menawarkan diskon generik ke semua pelanggan berisiko churn — membakar margin pada pelanggan CLV rendah yang sebenarnya wajar pergi.

Customer Equity vs Brand Equity

Brand Equity

Nilai persepsi merek di benak pasar luas (termasuk non-pelanggan)
Diukur lewat awareness, asosiasi, loyalitas persepsi (Aaker, 1991)
Horizon jangka panjang, sulit diatribusi ke individu

Customer Equity

Jumlah CLV seluruh basis pelanggan aktif & prospektif
Terukur langsung dari data transaksi & perilaku
Lebih actionable untuk keputusan anggaran jangka pendek-menengah

Rubinson & Pfeiffer (2005): dua metrik ini saling melengkapi — brand equity membangun akuisisi murah, customer equity mengelola nilai yang sudah didapat.

Sebagai manajer senior, Anda perlu bisa menjembatani dua bahasa yang sering dianggap terpisah di organisasi: tim brand yang bicara soal ekuitas merek, dan tim data atau CRM yang bicara soal customer equity. Brand equity itu nilai persepsi di pasar luas, termasuk orang yang belum pernah membeli, dan horizonnya panjang serta sulit diatribusi ke individu tertentu. Customer equity sebaliknya adalah penjumlahan CLV seluruh basis pelanggan yang sudah kita punya datanya, jauh lebih terukur dan bisa langsung dipakai untuk keputusan anggaran jangka pendek. Keduanya saling melengkapi: brand equity yang kuat membuat akuisisi pelanggan baru lebih murah, sementara customer equity mengelola nilai dari pelanggan yang sudah didapat. Perusahaan yang hanya fokus salah satu biasanya timpang dalam pertumbuhan jangka panjangnya.

Matriks Strategi Berbasis CLV x CAC

Matriks dua kali dua ini adalah alat sintesis dari semua angka yang sudah kita hitung sepanjang bagian dua. Sumbu horizontal adalah CAC, sumbu vertikal adalah CLV. Kuadran kiri atas, CLV tinggi dengan CAC rendah, adalah prioritas utama untuk diskalakan agresif — ini seperti contoh rasio 8,33 berbanding 1 tadi. Kuadran kanan atas, CLV tinggi tapi CAC juga tinggi, butuh investasi selektif sambil mencari cara menurunkan biaya akuisisinya. Kuadran kanan bawah, CLV rendah dengan CAC tinggi, secara rasional harus dihentikan atau dikurangi investasinya, betapapun sulitnya secara politik internal. Kuadran kiri bawah dipertahankan dengan biaya minimal karena volumenya membantu skala meski nilainya kecil per pelanggan. Ajak mahasiswa memetakan posisi produk atau segmen di tempat kerja mereka ke dalam matriks ini.

Bagian 3 dari 3

Personalisasi & Analitik Prediktif untuk Pertumbuhan CLV

Diskusi kelas: di mana batas etis antara personalisasi yang membantu pelanggan dan personalisasi yang terasa "mengintai"?

Kerangka Analisis: Personalisasi Berjenjang per Tier CLV

Langkah	Aktivitas Analisis	Contoh Terapan
1. Skor CLV prediktif seluruh basis	RFM + model prediktif	Urutkan seluruh pelanggan aktif
2. Bagi ke tier proporsional	Platinum/Gold/Silver/Bronze	Top 10% / 20% / 30% / sisanya
3. Tentukan taktik personalisasi per tier	Selaraskan biaya layanan dgn nilai	Platinum: relationship manager khusus; Bronze: email otomatis
4. Alokasikan anggaran retensi tidak merata	Sesuai kontribusi CLV tier	~60% anggaran ke Platinum+Gold walau jumlah orang lebih kecil
5. Ukur uplift CLV vs biaya program	ROI personalisasi per tier	Evaluasi tiap kuartal, sesuaikan batas tier

Prinsip inti: personalisasi bukan "semua dapat perlakuan sama istimewanya" — melainkan biaya layanan yang diselaraskan dengan nilai yang diproyeksikan.

Kerangka ini menjawab pertanyaan praktis: bagaimana sebuah organisasi dengan ribuan pelanggan menentukan siapa yang dapat perhatian ekstra tanpa membakar seluruh anggaran layanan. Langkah pertama adalah menskor seluruh basis pelanggan dengan model CLV prediktif, lalu membaginya ke tier proporsional, misalnya sepuluh persen teratas disebut Platinum. Setiap tier mendapat taktik yang berbeda sesuai nilainya — pelanggan Platinum layak dapat relationship manager khusus, sementara Bronze cukup dengan email otomatis yang efisien biaya. Yang sering terlewat oleh manajer pemula adalah langkah keempat: anggaran retensi dialokasikan tidak merata secara sengaja, bisa jadi enam puluh persen anggaran hanya untuk dua puluh persen pelanggan teratas. Ini bukan diskriminasi tanpa dasar, melainkan penyelarasan biaya layanan dengan nilai ekonomis yang diproyeksikan.

Next Best Action: dari Segmentasi ke Penawaran Individual

Model Uplift (Uplift Modeling)

Memprediksi selisih respons: pelanggan yang diberi tawaran vs tidak
Beda dengan model respons biasa: menghindari "membujuk" pelanggan yang toh akan membeli tanpa tawaran
Menargetkan segmen persuadable — paling responsif terhadap intervensi

Implikasi Manajerial

Mengurangi pemborosan diskon ke pelanggan yang sudah pasti loyal
Menghindari "membangunkan" pelanggan tidur yang sebenarnya sudah nyaman churn
Menaikkan ROI kampanye retensi tanpa menambah anggaran

Next best action adalah konsep operasional dari semua analitik yang sudah kita bahas: penawaran spesifik apa yang paling tepat diberikan ke pelanggan tertentu, saat ini. Yang membedakan pendekatan tingkat lanjut adalah pemakaian uplift modeling, bukan sekadar model respons biasa. Model respons biasa hanya memprediksi siapa yang mungkin membeli, sementara uplift model memprediksi selisih antara diberi tawaran dan tidak diberi tawaran — ini penting karena banyak pelanggan yang akan membeli atau bertahan sendiri tanpa perlu diskon, dan memberi mereka diskon justru membakar margin sia-sia. Sebaliknya, ada pelanggan yang sudah nyaman untuk pergi dan tawaran justru mengingatkan mereka untuk benar-benar churn. Segmen yang paling berharga untuk ditargetkan adalah kelompok persuadable, yang responsnya benar-benar dipengaruhi oleh tawaran tersebut.

Batas Etis & Regulasi: Analitik Pelanggan yang Patuh

UU PDP (UU No. 27/2022)

Persetujuan (consent) eksplisit untuk pemrosesan data perilaku pelanggan
Prinsip purpose limitation: data akuisisi tidak boleh dipakai di luar tujuan awal tanpa izin
Hak pelanggan untuk dilupakan (right to erasure) memengaruhi retensi data historis CLV

Prinsip Praktis

Personalisasi berbasis pola agregat lebih aman daripada data individual sensitif
Transparansi: pelanggan tahu data mereka dipakai untuk apa
Audit rutin model — hindari bias yang merugikan segmen tertentu

Sebagai manajer, Anda bertanggung jawab bukan hanya atas efektivitas program analitik pelanggan, tetapi juga kepatuhannya terhadap regulasi. Undang-Undang Pelindungan Data Pribadi mewajibkan persetujuan eksplisit sebelum data perilaku pelanggan diolah untuk keperluan seperti scoring CLV atau targeting personalisasi, dan ada prinsip purpose limitation yang membatasi data yang dikumpulkan untuk satu tujuan tidak boleh dipakai bebas untuk tujuan lain tanpa izin baru. Hak pelanggan untuk dilupakan juga punya implikasi teknis nyata: model CLV historis Anda harus bisa mengakomodasi penghapusan data seorang pelanggan sewaktu-waktu. Secara praktis, personalisasi yang dibangun dari pola agregat segmen jauh lebih aman secara hukum dan etika dibanding personalisasi yang terasa mengetahui detail terlalu personal tentang satu individu.

Diskusi Kasus: Program Loyalitas Tokopedia/GoPay

Skenario untuk Didiskusikan (ilustrasi)

Tim growth sebuah platform e-commerce menemukan: 20% pengguna teratas (by CLV prediktif) menyumbang ~70% total margin platform, namun anggaran promosi saat ini dibagi rata ke seluruh basis pengguna aktif.

Pertanyaan 1: apa risiko bisnis jika alokasi anggaran tetap merata?
Pertanyaan 2: apa risiko reputasi/etika jika alokasi dibuat sangat timpang ke tier atas?
Pertanyaan 3: bagaimana merancang transisi anggaran tanpa membuat 80% pengguna merasa "ditelantarkan"?

Latihan & Persiapan Pertemuan Berikutnya

Tugas kelompok (dikumpulkan sebelum pertemuan 9):

Pilih satu organisasi tempat Anda/anggota kelompok bekerja atau pernah menjadi pelanggan
Estimasikan CLV sederhana satu segmen pelanggan memakai formula m x r / (1+i−r) dengan asumsi yang dijustifikasi
Hitung rasio CLV:CAC segmen tersebut (asumsi biaya akuisisi boleh estimasi wajar) dan simpulkan apakah anggaran akuisisi saat ini rasional
Usulkan satu taktik personalisasi/retensi konkret berbasis tier CLV

Pertemuan 9: Strategi pemasaran pada fase penurunan (decline) siklus hidup produk — pelanggan bernilai tinggi yang kita petakan hari ini menjadi kunci strategi harvest vs divest.

Simpulan: CLV sebagai Bahasa Bersama Marketing & Keuangan

Yang Sudah Kita Bangun

CLV historis & prediktif sebagai plafon rasional anggaran akuisisi/retensi
Rasio CLV:CAC & sensitivitas retensi sebagai argumen kuantitatif
Personalisasi berjenjang & uplift modeling sebagai eksekusi taktis

Jembatan ke Pertemuan 9

Segmen CLV tinggi → kandidat strategi harvest saat produk memasuki fase penurunan
Segmen CLV rendah → kandidat divest/migrasi lebih awal
Keputusan siklus hidup produk kini punya basis data pelanggan, bukan hanya data penjualan agregat