PENERAPAN ALGORITMA MEAN SHIFT CLUSTERING UNTUK SEGMENTASI PELANGGAN WHOLESALE BERDASARKAN POLA PENGELUARAN

Abstrak

Penelitian ini bertujuan untuk menganalisis pola pengeluaran pelanggan grosir dan mengidentifikasi segmen pelanggan menggunakan metode Mean Shift Clustering. Segmentasi pelanggan merupakan aspek krusial dalam industri grosir, karena membantu memahami preferensi pengeluaran pelanggan dan mengembangkan strategi bisnis yang lebih tepat sasaran. Dataset yang digunakan dalam studi ini mencakup fitur-fitur seperti "Fresh", "Milk", "Grocery", "Frozen", "Detergents_Paper", dan "Delicassen", serta tambahan informasi mengenai "Region" dan "Channel" sebagai variabel kategori. Fokus penelitian adalah mengelompokkan pelanggan berdasarkan pola pengeluaran dan wilayah operasional. Penelitian ini mengeksplorasi segmentasi pelanggan grosir untuk mengidentifikasi variasi dalam prioritas pengeluaran berdasarkan wilayah (Region) dan jenis saluran penjualan (Channel). Segmentasi ini diharapkan membantu bisnis grosir dalam menyusun strategi pemasaran yang lebih efektif serta meningkatkan efisiensi operasional dengan memahami kelompok pelanggan secara lebih mendalam. Metode yang digunakan melibatkan preprocessing data, termasuk normalisasi dan penanganan outlier, diikuti dengan reduksi dimensi menggunakan PCA (Principal Component Analysis). Setelah itu, algoritma Mean Shift Clustering diterapkan untuk membentuk kluster pelanggan tanpa memerlukan asumsi awal tentang jumlah kluster. Penilaian hasil clustering dilakukan dengan visualisasi pair plot serta metrik evaluasi seperti Silhouette Score dan Davies-Bouldin Index untuk mengukur kualitas kluster. Hasil penelitian menunjukkan beberapa segmen pelanggan yang berbeda secara signifikan dalam hal pola pengeluaran. Ada segmen yang menunjukkan prioritas tinggi pada kategori "Fresh", sementara segmen lainnya cenderung mengalokasikan pengeluaran lebih besar untuk kategori seperti "Milk" dan "Grocery". Faktor wilayah (Region) dan saluran penjualan (Channel) juga memainkan peran penting dalam membedakan segmen-segmen pelanggan ini. Analisis ini memberikan wawasan penting bagi bisnis grosir dalam menyusun strategi pemasaran yang lebih terarah dan mempersonalisasi penawaran mereka sesuai dengan kebutuhan segmen pelanggan yang teridentifikasi.

This research aims to analyze the spending patterns of wholesale customers and identify customer segments using the Mean Shift Clustering method. Customer segmentation is a crucial aspect in the wholesale industry, as it helps understand customer spending preferences and develop more targeted business strategies. The dataset used in this study includes features such as "Fresh," "Milk," "Grocery," "Frozen," "Detergents_Paper," and "Delicatessen," along with additional categorical variables like "Region" and "Channel." The focus of this research is to cluster customers based on spending patterns and operational regions. This study explores wholesale customer segmentation to identify variations in spending priorities based on region and sales channel. The segmentation is expected to assist wholesale businesses in formulating more effective marketing strategies and improving operational efficiency by gaining a deeper understanding of customer groups. The methodology involves data preprocessing, including normalization and outlier handling, followed by dimensionality reduction using PCA (Principal Component Analysis). Subsequently, the Mean Shift Clustering algorithm is applied to form customer clusters without requiring prior assumptions about the number of clusters. Cluster evaluation is performed using pair plot visualization and evaluation metrics such as the Silhouette Score and the Davies-Bouldin Index to measure cluster quality. The results of the study reveal several customer segments that significantly differ in terms of spending patterns. Some segments show a high priority on the "Fresh" category, while others allocate more spending to categories like "Milk" and "Grocery." Factors such as region and sales channel also play important roles in distinguishing these customer segments. This analysis provides valuable insights for wholesale businesses in crafting more targeted marketing strategies and personalizing their offerings according to the needs of identified customer segments.