Olah data transaksi menjadi segmentasi pelanggan yang dapat dijelaskan dengan RFM, K-Means, pandas, dan visualisasi Python.
Skill yang dibangun
Membaca dan memeriksa data transaksi CSV menggunakan pandas, termasuk tipe data, nilai kosong, duplikasi, dan tanggal yang tidak valid.
Menghitung recency, frequency, dan monetary per pelanggan dengan definisi periode analisis yang dapat dijelaskan.
Menyiapkan fitur RFM untuk K-Means melalui transformasi dan scaling, lalu memeriksa dampak outlier terhadap hasil clustering.
Menentukan dan mengevaluasi jumlah cluster menggunakan metrik serta visualisasi, kemudian menerjemahkan profil cluster menjadi segmentasi pelanggan yang dapat ditindaklanjuti.
Pemula yang sudah memahami dasar Python seperti variabel, fungsi, list, dan membaca file CSV, serta memiliki gambaran dasar tentang tabel atau spreadsheet. Kursus ini ditujukan bagi mahasiswa, analis pemula, pemilik usaha kecil, atau programmer yang ingin belajar mengolah data transaksi menjadi segmentasi pelanggan yang dapat dijelaskan, tanpa harus menguasai matematika statistik atau machine learning tingkat lanjut.
Project outcomes
Peserta akan membangun pipeline Python yang membaca file transaksi, membersihkan data, menghasilkan tabel RFM, membentuk cluster pelanggan dengan K-Means, dan membuat ringkasan profil setiap cluster. Output akhirnya mencakup file hasil segmentasi serta visualisasi yang membantu menjelaskan perbedaan perilaku antarsegmen.
Data transaksi biasanya berisi baris pembelian, bukan jawaban langsung tentang pelanggan mana yang perlu dipertahankan, diberi penawaran, atau diaktifkan kembali. Kursus ini mengajak kita mengubah catatan transaksi tersebut menjadi gambaran perilaku pelanggan melalui tiga ukuran RFM: recency, frequency, dan monetary.
Peserta akan membersihkan data CSV, menentukan metrik RFM, memeriksa kualitas hasil agregasi, melakukan scaling, lalu menerapkan K-Means untuk menemukan kelompok pelanggan. Setiap langkah disertai alasan teknis, pemeriksaan asumsi, dan cara membaca hasilnya, sehingga angka cluster tidak diterima begitu saja sebagai keputusan bisnis.
Proyek akhir menghasilkan pipeline analisis sederhana yang dapat dijalankan ulang pada data transaksi serupa, lengkap dengan tabel segmentasi dan visualisasi. Kursus ini juga membahas keterbatasan pendekatan, termasuk pengaruh periode analisis, outlier, pemilihan jumlah cluster, serta perbedaan antara pola statistik dan label bisnis.
Bangun pipeline Python untuk menemukan aspek produk dan mengukur sentimen dari ulasan berbahasa Indonesia.
Bangun pipeline ekstraksi entitas dan relasi dari teks Bahasa Indonesia, lalu evaluasi hasilnya sebagai knowledge graph yang terukur.
Bangun alur Python untuk mengekstrak tabel dari PDF operasional, memvalidasi hasilnya, lalu menyimpannya sebagai CSV siap analisis.
Bangun pipeline synthetic data tabular yang dapat diuji dari sisi privasi, kualitas statistik, dan dampaknya terhadap performa model.