<![CDATA[Segmentasi pelanggan yang didasarkan pada data transaksi merupakan tantangan signifikan dalam ranah pemasaran digital, karena kemanjuran hasil pengelompokan sangat bergantung pada fitur yang digunakan. Ketergantungan pada fitur transaksi yang belum sempurna sering menghasilkan metrik evaluasi numerik yang meningkat; Namun, itu tidak cukup menangkap seluk-beluk perilaku pelanggan yang sebenarnya. Upaya penelitian ini berusaha untuk menyelidiki dampak rekayasa fitur pada kualitas segmentasi yang berkaitan dengan pelanggan ritel online. Metodologi yang digunakan adalah kerangka kerja kuantitatif eksperimental yang menyandingkan dua model fitur, khususnya Model 1 yang didasarkan pada fitur fundamental dan Model 2 yang berlabuh dalam fitur rekayasa perilaku pelanggan, mencakup RFM, Nilai Pesanan Rata-Rata, dan keragaman produk. Untuk tujuan ini, tiga algoritma pengelompokan tanpa pengawasan digunakan, yaitu K-Means, Model Campuran Gaussian, dan DBSCAN, dengan evaluasi dilakukan menggunakan Skor Silhouette dan Indeks Davies-Bouldin. Temuan menunjukkan bahwa sementara Model 1 menghasilkan nilai metrik yang unggul, ia menunjukkan relevansi yang berkurang dengan konteks bisnis. Sebaliknya, Model 2 menghasilkan cluster yang ditandai dengan peningkatan stabilitas, konsistensi, dan interpretabilitas untuk aplikasi pemasaran. Studi ini akhirnya menyimpulkan bahwa keberhasilan segmentasi pelanggan sebagian besar dipengaruhi oleh kaliber rekayasa fitur daripada hanya nilai yang meningkat dari metrik evaluasi internal]]>
Copyrights © 2026
