5 Cara Menggunakan Data Science dalam Pemasaran

Pengenalan Data Science dalam Pemasaran

Pernahkah Anda membeli barang di platform belanja online, lalu setiap kali berselancar di web Anda dibanjiri iklan produk serupa? Inilah salah satu penerapan data science dalam pemasaran.

Mayoritas data di dunia baru dihasilkan dalam dua tahun terakhir, dan perusahaan kini mampu mengumpulkan serta menyimpan data pelanggan dalam skala yang belum pernah terjadi sebelumnya. Setiap kali pengguna berinteraksi dengan situs web organisasi, halaman media sosial, atau sistem POS, titik data baru tercipta.

Data ini kemudian digunakan untuk membangun wawasan tentang perilaku pengguna dan mengirimkan iklan terkurasi, rekomendasi produk personal, serta promosi khusus.

Kebanyakan dari kita berinteraksi dengan aplikasi data science pemasaran dalam keseharian dan secara tidak sadar mengambil keputusan berdasarkan hal tersebut. 

Dalam artikel ini, kita akan membahas 5 cara menggunakan data science dalam pemasaran. Lalu, kita akan mengeksplorasi proyek pribadi yang dapat Anda tambahkan ke portofolio data science untuk setiap use case. Terakhir, kita akan menyinggung mengapa Anda sebaiknya menjadi marketing data scientist dan bagaimana cara mendapatkan pekerjaan di bidang tersebut.

5 Use Case Data Science dalam Pemasaran

1. Sistem Rekomendasi

Perusahaan seperti Netflix, Spotify, dan Amazon menggunakan sistem rekomendasi untuk memberikan saran konten yang dipersonalisasi berdasarkan interaksi pengguna dengan platform.

Misalnya, jika Anda menonton film di Netflix dan memberinya penilaian positif, saat Anda membuka aplikasi lagi, Anda akan direkomendasikan film dengan genre, konten, dan pemain yang serupa. 

Ini adalah contoh sederhana bagaimana kita berinteraksi dengan mesin rekomendasi dalam kehidupan sehari-hari.

Sistem rekomendasi menjadi semakin kuat seiring waktu ketika pengguna terus berinteraksi dengannya. 

Contohnya, jika Anda baru menggunakan Spotify, saran musik awal Anda akan bersifat generik. Aplikasi akan merekomendasikan berbagai genre yang disukai khalayak umum karena algoritme belum memiliki cukup data untuk mengetahui preferensi Anda.

Seiring Anda menghabiskan lebih banyak waktu di platform, mesin rekomendasi akan mempelajari lebih jauh soal kesukaan dan ketidaksukaan Anda, dan saran musik Anda akan semakin terkurasi sesuai selera. Algoritme bahkan dapat memprediksi jenis musik yang mungkin Anda nikmati pada musim berbeda atau waktu berbeda dalam sehari.

Jenis-jenis Sistem Rekomendasi

Sistem rekomendasi secara garis besar dapat diklasifikasikan menjadi dua jenis - sistem rekomendasi berbasis konten dan sistem rekomendasi berbasis collaborative filtering.

1. Sistem Rekomendasi Berbasis Konten:

Gambar oleh penulis

Sistem rekomendasi berbasis konten memberikan saran semata-mata berdasarkan konten produk. 

Misalnya, jika Anda menikmati membaca novel dari seri Percy Jackson, Anda mungkin direkomendasikan Heroes of Olympus, yang ditulis oleh penulis yang sama dan bergenre serupa.

Namun, salah satu kelemahan algoritme seperti ini adalah Anda tidak akan direkomendasikan buku yang berbeda dari yang sudah Anda baca. Jika Anda menyukai Percy Jackson, Anda hanya akan direkomendasikan buku petualangan dan fantasi meskipun Anda mungkin juga akan menikmati novel nonfiksi atau suspense.

Anda dapat mengatasi kekurangan sistem berbasis konten ini dengan menggunakan sistem rekomendasi berbasis collaborative filtering, yang akan kita jelaskan nanti dalam artikel ini.

Ide Proyek Sistem Rekomendasi Berbasis Konten

Jika Anda pemula dengan sedikit atau tanpa pengalaman membangun sistem rekomendasi, Kaggle Movie Dataset adalah tempat yang bagus untuk memulai. Dataset ini berisi metadata untuk 45.000 film, termasuk poster, tanggal rilis, genre, dan pendapatan.

Anda dapat mengikuti tutorial Recommender Systems in Python di Datacamp untuk membangun sistem rekomendasi berbasis konten menggunakan detail film yang tersedia dalam dataset.

Jika Anda ingin arahan lebih lanjut untuk membangun sistem rekomendasi film, daftar ke sesi pelatihan live code-along di Datacamp. Ini adalah lokakarya terpandu oleh pakar yang akan mengajarkan Anda cara membuat sistem rekomendasi di R dalam 1,5 jam, dan Anda dapat mengajukan pertanyaan kepada instruktur jika menghadapi tantangan di sepanjang jalan.

2. Sistem Rekomendasi Berbasis Collaborative Filtering

Model berbasis collaborative filtering digunakan untuk menghasilkan saran berdasarkan perilaku pengguna di masa lalu. Jenis ini dapat dibagi lagi menjadi collaborative filtering berbasis pengguna dan berbasis item.

Sesuai namanya, collaborative filtering berbasis pengguna mengelompokkan pelanggan dengan perilaku serupa. 

Algoritme ini kemudian memberikan rekomendasi produk berdasarkan preferensi bersama dari segmen pelanggan tersebut, seperti ditampilkan pada diagram di bawah:

Gambar oleh penulis

Di sisi lain, collaborative filtering berbasis item mengelompokkan item serupa berdasarkan preferensi pengguna, seperti yang ditunjukkan pada gambar ini:

Gambar oleh penulis

Untuk mempelajari lebih lanjut tentang berbagai jenis sistem rekomendasi dan cara mengimplementasikannya, ikuti kursus Build Recommendation Engines in Python oleh Datacamp.

Ide Proyek Collaborative Filtering

Anda dapat membangun sistem rekomendasi berbasis collaborative filtering menggunakan Book Recommender System Dataset di Kaggle. Dataset ini hanya berisi tiga variabel - ID pengguna, kode ISBN buku, dan penilaian pengguna untuk setiap buku.

Tutorial sistem rekomendasi ini dapat membantu Anda memulai proyek jika Anda belum familiar dengan cara kerja collaborative filtering.

2. Analisis Sentimen

Gambar dari KDNuggets

Analisis sentimen, juga dikenal sebagai opinion mining, adalah proses menentukan emosi yang mendasari sebuah teks, dan merupakan aplikasi data science lain yang populer dalam pemasaran. 

Berikut adalah contoh bagaimana analisis sentimen menambah nilai bisnis bagi organisasi:

Sebuah bank di Afrika Selatan menyaksikan tingkat churn pelanggan yang lebih tinggi dari biasanya. Banyak pengguna mulai beralih ke institusi pesaing dan tidak lagi ingin berbisnis dengan mereka. Bank mencoba mengidentifikasi masalah dengan bantuan analisis sentimen.

Mereka mengumpulkan lebih dari 2 juta titik data di media sosial untuk menganalisis apa yang dikatakan pelanggan tentang mereka dan melatih model analisis sentimen pada data ini.

Berdasarkan analisis tersebut, institusi menyadari bahwa sebagian besar komentar negatif berasal dari pengguna yang tidak puas karena bank memiliki teller yang tidak memadai saat jam makan siang, sehingga menyebabkan waktu tunggu lama.

Bank kemudian memperbaiki situasi dengan menambah jumlah teller pada jam-jam volume tinggi, yang mengakibatkan penurunan churn pengguna.

Contoh di atas menggambarkan betapa bergunanya analisis sentimen dalam membantu perusahaan meningkatkan penawaran produk dan melampaui para pesaing. Aplikasi lain dari analisis sentimen mencakup analisis produk, riset pasar, dan penambangan ulasan pengguna.

Untuk mempelajari lebih lanjut tentang model analisis sentimen dan cara membangunnya dari nol, ikuti kursus Sentiment Analysis in Python di Datacamp.

Ide Proyek Analisis Sentimen

Anda dapat mulai dengan membuat model Analisis Sentimen Ulasan Film menggunakan dataset yang ada di dalam pustaka NLTK. NLTK adalah paket Python yang menyediakan beragam algoritme untuk Natural Language Processing. 

Dalam proyek ini, Anda dapat menggunakan dataset ulasan film yang sudah tertanam di pustaka, yang dapat diimpor menggunakan satu baris kode. Lalu Anda perlu membangun algoritme yang mengklasifikasikan data ulasan film menjadi sentimen positif dan negatif.

Ikuti tutorial Python Sentiment Analysis di Datacamp jika Anda memerlukan panduan untuk memulai.

3. Prediksi Customer Churn

Gambar dari DeepNote

Customer churn adalah fenomena ketika pengguna berhenti berbisnis dengan suatu entitas. Misalnya, jika Anda pengguna Netflix dan memutuskan mengakhiri langganan di platform, Anda adalah pelanggan yang melakukan churn.

Lebih mahal bagi perusahaan untuk mengganti pelanggan yang churn dibanding mempertahankan pelanggan yang sudah ada. Karena itu, banyak organisasi merekrut data scientist untuk mengidentifikasi pengguna yang akan churn agar bisa mencegah hal tersebut.

Berikut contoh bagaimana model prediksi churn dapat membantu perusahaan mempertahankan pengguna:

Anda berlangganan ke Penyedia Layanan Internet dan belakangan mengalami kecepatan koneksi yang lambat. Anda mengajukan beberapa keluhan dan mencoba menghubungi tim dukungan pelanggan, tetapi masalahnya tetap ada. Karena itu, Anda bahkan menyalakan-matikan router dan menyambung ulang ke jaringan beberapa kali.

Akhirnya, Anda memutuskan beralih ke merek pesaing karena pengalaman Anda dengan ISP ini buruk.

Tim data science ISP mengumpulkan data perilaku pelanggan, melacak aktivitas pengguna saat terhubung ke jaringan, dan mengumpulkan informasi keluhan. Setelah mengonsolidasikan semua data ini, tim menyadari bahwa Anda berisiko tinggi melakukan churn.

Mereka segera memberi tahu tim pemasaran dan produk bahwa kemungkinan Anda akan berhenti berbisnis dengan mereka.

Tim pemasaran perusahaan kemudian menghubungi Anda dengan promosi personal dan paket WiFi diskon, bahkan menawarkan peningkatan langganan Anda secara gratis. Setelah peningkatan, Anda menyadari kecepatan koneksi jauh lebih cepat, dan pengalaman Anda secara keseluruhan dengan ISP menjadi lebih menyenangkan. Anda lalu memutuskan untuk terus berlangganan alih-alih beralih ke merek pesaing.

Contoh di atas menunjukkan betapa bermanfaatnya model churn dalam mempertahankan pengguna yang sudah ada. Aplikasi ini memberi nilai bisnis langsung bagi perusahaan dan sering digunakan oleh platform berbasis langganan seperti Netflix dan Spotify yang mengandalkan pembaruan pengguna sebagai sumber pendapatan utama.

Ide Proyek Prediksi Customer Churn

Anda dapat menggunakan dataset Telecom Customer Churn di DataCamp untuk membuat proyek prediksi churn pertama Anda. 

Dataset ini berisi informasi tentang pengguna yang berlangganan perusahaan telekomunikasi Iran, seperti usia, perilaku penggunaan, lama berlangganan, dan keluhan. Gunakan data ini untuk memprediksi apakah seorang pelanggan kemungkinan akan churn.

Jika Anda tidak yakin dari mana harus mulai, ikuti tutorial Prediksi Tingkat Customer Churn untuk membangun model ini. Anda juga dapat melihat kursus kami tentang Predicting Customer Churn in Python.

4. Segmentasi Pelanggan

Gambar dari Madlytics

Segmentasi pelanggan adalah proses membagi pengguna ke dalam subkelompok pelanggan yang berbeda berdasarkan karakteristik yang sama. Setiap segmen kemudian ditargetkan dengan rangkaian promosi dan penawaran produk yang berbeda berdasarkan perilaku mereka.

Berikut adalah contoh bagaimana segmentasi pelanggan dapat menambah nilai bisnis bagi organisasi:

Sebuah perusahaan e-commerce membangun model segmentasi pelanggan untuk menargetkan pengguna yang berbeda dengan promosi yang dipersonalisasi. 

Jika seorang pengguna sering menjelajah platform tetapi hanya membeli saat ada diskon, mereka diklasifikasikan sebagai “Pemburu Promosi.” Semua pelanggan dalam segmen ini segera dikirimi notifikasi email setiap kali ada diskon yang sedang berlangsung karena mereka cenderung melakukan lebih banyak pembelian pada saat ini.

Di sisi lain, sebagian pengguna berbelanja untuk item tertentu dan bersedia melakukan pembelian tanpa memedulikan harga karena mereka lebih menghargai kualitas daripada keterjangkauan. Pelanggan ini ditargetkan secara berbeda, dan tim pemasaran perusahaan hanya mengiklankan barang kelas atas kepada kelompok ini berdasarkan produk yang telah mereka minati.

Dengan cara ini, pelanggan dengan daya beli tinggi ditampilkan produk yang lebih mahal yang sesuai minat mereka, mendorong mereka untuk membelanjakan lebih banyak. Pengguna yang menghargai keterjangkauan dibujuk dengan produk yang lebih murah selama periode promosi.

Contoh di atas sederhana namun menunjukkan bagaimana segmentasi pelanggan memungkinkan perusahaan memaksimalkan keuntungan dari setiap pengguna. 

Salah satu aplikasi paling umum dari model segmentasi pelanggan adalah membangun grup iklan dalam kampanye pemasaran.

Facebook, misalnya, mengumpulkan data demografis dan perilaku penggunanya dan memungkinkan perusahaan menjalankan iklan yang menargetkan grup audiens khusus berdasarkan informasi ini. Pengguna dapat disegmentasi berdasarkan ciri spesifik seperti lokasi, usia, jenis kelamin, merek yang mereka sukai, dan orang yang berafiliasi dengan mereka. 

Segmentasi pelanggan biasanya dicapai dengan membangun model machine learning tak terawasi seperti K-Means clustering. 

Jika Anda ingin mempelajari lebih lanjut tentang segmentasi pelanggan dan cara membangun algoritme seperti K-Means clustering, ikuti kursus Customer Segmentation in Python kami.

Ide Proyek Segmentasi Pelanggan

Anda dapat menggunakan E-Commerce Dataset dari Datacamp untuk membangun proyek portofolio segmentasi pelanggan.  

Dataset ini terdiri dari detail pesanan yang dilakukan di platform e-commerce yang berbasis di Inggris. 

Informasi pembelian pelanggan seperti item yang mereka pesan, harga produk, dan tanggal faktur tercatat, dan Anda dapat menggunakan data ini untuk menyegmentasikan pengguna berdasarkan aktivitas mereka di platform.

5. Market Basket Analysis

Gambar dari Analytics Vidhya

Market basket analysis, juga disebut association mining, adalah teknik untuk menganalisis item yang sering dibeli bersama. Ini dilakukan dengan memproses data pembelian historis untuk mengidentifikasi kombinasi produk yang sering muncul bersama dalam transaksi.

Hasil dari analisis ini dapat digunakan peritel untuk memperbaiki tata letak toko dan mendorong pelanggan membeli lebih banyak item dalam satu transaksi.

Misalnya, seseorang yang membeli susu formula bayi juga kemungkinan akan membeli popok, sehingga toko umumnya menempatkan item tersebut berdekatan agar mudah diakses pengguna. 

Namun, pola pembelian tidak selalu sesederhana itu. Tergantung wilayah, pengaruh budaya, dan faktor demografis, pelanggan cenderung membeli item bersama-sama yang tidak berasal dari kategori yang sama. Banyak korelasi ini tidak dapat terungkap oleh mata manusia, itulah sebabnya organisasi mengandalkan teknik data science seperti market basket analysis.

Berikut contoh bagaimana market basket analysis dapat mengidentifikasi asosiasi yang luput dari perhatian manusia:

Contoh yang paling sering disebut dari market basket analysis adalah studi kasus “beer and diapers”. Menurut studi ini, sebuah jaringan swalayan di Midwest menggunakan teknik data mining untuk mengidentifikasi item yang sering dibeli bersama.

Analisis mereka menunjukkan bahwa pelanggan biasanya membeli bir dan popok bersamaan pada Jumat malam. Korelasi ini mungkin tampak kebetulan semata, namun berikut skenario yang bisa menyebabkannya:

Seorang ayah muda mampir ke swalayan pada Jumat malam untuk membeli beberapa bir setelah seminggu panjang di kantor. Sang istri mengetahuinya dan memintanya membeli popok untuk bayi mereka juga. Perilaku ini menjadi kebiasaan, dan para ayah pekerja mulai membeli bir dan popok bersama sebelum pulang pada hari Jumat.

Setelah penemuan ini, toko mulai menempatkan bir dan popok di lorong yang sama dan segera menyaksikan peningkatan penjualan.

Kisah ini pertama kali dilaporkan pada pertengahan 90-an dan keasliannya dipertanyakan selama bertahun-tahun. Fiksi atau tidak, use case ini menjadi pengingat betapa kuatnya statistik dalam mengungkap korelasi tersembunyi yang luput dari mata manusia.

Market basket analysis tidak terbatas pada toko ritel fisik. Platform e-commerce juga menampilkan produk yang sangat berkorelasi pada halaman yang sama, memastikan produk tersebut berada dalam jangkauan pandang pengguna. 

Jika Anda berbelanja celana jeans hitam secara online, misalnya, Anda mungkin melihat sepatu yang serasi ditampilkan di bagian bawah halaman, mendorong Anda membeli bundel produk alih-alih satu item. Sekali lagi, ini menghasilkan peningkatan langsung pada penjualan perusahaan karena pelanggan akhirnya membeli lebih banyak produk daripada yang mereka rencanakan.

Untuk mempelajari lebih lanjut tentang market basket analysis dan cara melakukannya menggunakan teknik machine learning, ikuti jalur pembelajaran Market Basket Analysis in Python. Jika Anda lebih memilih R, ikuti kursus Market Basket Analysis in R. 

Ide Proyek Market Basket Analysis

Untuk memulai market basket analysis, Anda dapat menggunakan E-Commerce Dataset yang sama seperti disebutkan pada bagian segmentasi pelanggan di atas. Perlu diingat bahwa ini adalah versi terpotong dari dataset yang tersedia di UCI Machine Learning Repository dan hanya berisi 2.500 baris. Anda dapat mengunduh dataset yang lebih besar jika ingin memiliki lebih banyak data untuk dikerjakan.

Seperti dijelaskan pada bagian sebelumnya, E-Commerce Dataset berisi data transaksi pelanggan seperti nomor faktur dan produk yang dibeli. Anda dapat menggunakan informasi ini untuk mengidentifikasi item yang sering dibeli pelanggan bersama dalam transaksi yang sama.

Anda dapat menggunakan tutorial Market Basket Analysis in R sebagai panduan dalam mengimplementasikan proyek ini. Jika Python adalah bahasa pilihan Anda, kami memiliki kursus Market Basket Analysis in Python.

Data Science dalam Pemasaran - Langkah Berikutnya:

Mengapa Anda Perlu Mempertimbangkan Menjadi Marketing Data Scientist?

Data science memiliki beragam aplikasi di bidang pemasaran, banyak di antaranya telah kita bahas di atas. Use case ini menambah nilai langsung bagi organisasi dengan meningkatkan penjualan, menyelesaikan titik nyeri pelanggan, dan mendorong pembeli untuk mengonsumsi lebih banyak.

Dulu, ketika organisasi belum memiliki akses ke data pelanggan dalam jumlah besar, pakar pemasaranlah yang melakukan banyak aplikasi di atas. Analisis sentimen dan riset pasar dilakukan dengan menyebarkan survei. Pemasar mengirimkan iklan tertarget kepada pengguna berdasarkan pemahaman mereka tentang perilaku pelanggan, dan proses ini lebih bersifat intuitif daripada berbasis data.

Saat ini, karena lonjakan besar dalam volume data yang dikumpulkan dan disimpan organisasi, perusahaan mulai mengambil pendekatan berbasis data untuk pemasaran. 

Namun, tidak cukup bagi perusahaan hanya merekrut data scientist untuk mengerjakan use case pemasaran.

Walau data scientist mampu menangani dataset kompleks, membangun model prediktif yang sangat akurat, dan melakukan analisis statistik, keterampilan ini saja tidak cukup untuk memperoleh wawasan berharga dari data. Mereka kurang memiliki pengetahuan domain dalam pemasaran dan sering kali tidak mampu mengaitkan data yang ada dengan masalah bisnis.

Di sisi lain, pakar pemasaran memahami perilaku pelanggan, tahu cara merumuskan pernyataan masalah, dan dapat memandu keputusan pemasaran. Mereka kurang memiliki keahlian teknis untuk menangani dataset besar.

Seorang data scientist yang mengkhususkan diri di domain pemasaran memiliki gabungan keterampilan dari kedua peran tersebut, yang sangat berharga bagi organisasi. Individu ini dapat menjembatani kesenjangan antara bidang data science dan pemasaran serta membuat keputusan berbasis data yang menguntungkan perusahaan.

Cara Menjadi Marketing Data Scientist

Untuk menjadi marketing data scientist, Anda harus memiliki kemampuan teknis dan analitis yang kuat, pengetahuan domain pemasaran, serta soft skill:

1. Keterampilan Teknis

• SQL untuk mengekstrak, membersihkan, dan memanipulasi data dalam basis data. Ikuti kursus Introduction to SQL untuk mempelajari dasar-dasar manipulasi basis data.
• Keahlian statistik dan pengetahuan teknik machine learning terawasi dan tak terawasi. Ikuti kursus Introduction to Statistics untuk mempelajari dasar-dasar analisis statistik.
• Pengetahuan setidaknya satu bahasa pemrograman (R, Python, Java, dll.). Jika Anda belum bisa coding, ikuti jalur keterampilan Python Programming dari Datacamp atau alternatif R-nya.
• Kemampuan melakukan uji A/B. 
• Kemampuan melakukan visualisasi data dan membangun dasbor menggunakan alat seperti Tableau, PowerBI, dan Excel.
• Pemahaman tentang cara menjalankan dan mengoptimalkan kampanye iklan di platform seperti Facebook dan Google Display Network.
• Kemampuan melakukan perancangan eksperimen dan attribution modeling.

Perlu diingat bahwa persyaratan di atas akan berbeda-beda berdasarkan organisasi dan tim tempat Anda bergabung. Misalnya, tim yang berfokus pada menampilkan rekomendasi produk kepada pengguna tidak akan mengerjakan optimasi iklan, juga tidak melakukan tugas seperti attribution modeling.

Jika Anda belum memiliki pengetahuan domain pemasaran dan ingin belajar cara melakukan uji A/B, memvisualisasikan metrik pemasaran, dan menganalisis konversi, ikuti kursus Introduction to Pandas for Marketing di Datacamp.

2. Soft Skill

• Kemampuan komunikasi yang kuat.
• Kemampuan menerjemahkan konsep teknis yang kompleks kepada manajemen senior dan membantu pengambilan keputusan.
• Kemampuan merumuskan solusi berbasis data untuk mengatasi masalah bisnis.

Untuk gambaran yang lebih jelas tentang apa yang dicari perusahaan pada seorang marketing data scientist, berikut adalah persyaratan Uber untuk peran tersebut:

Jika Anda belum memiliki pengalaman di bidang data science pemasaran, cara terbaik untuk menunjukkan keterampilan Anda di domain ini adalah dengan membuat proyek yang menyelesaikan masalah bisnis nyata. 

Kami telah mencantumkan proyek relevan untuk setiap aplikasi yang dijelaskan dalam artikel ini, dan sebaiknya tampilkan beberapa di antaranya di resume Anda untuk menunjukkan kepada perekrut bahwa Anda dapat menghadirkan nilai bisnis menggunakan teknik data science.

Terakhir, jika Anda ingin menjembatani kesenjangan pengetahuan yang ada dan belajar menerapkan pendekatan data science pada pemasaran, Anda dapat mengikuti kursus Machine Learning for Marketing in Python dari Datacamp, atau padanan R-nya.