Integrasi RFM, K-Means, dan XGBoost untuk Optimalisasi Retensi Pelanggan pada Online Retail

Abstract

Retensi pelanggan merupakan aspek kritis dalam bisnis, terutama di industri retail dan perbankan. Penelitian ini mengintegrasikan analisis RFM (Recency, Frequency, Monetary), K-Means Clustering, dan XGBoost untuk mengoptimalkan strategi retensi pelanggan. Analisis RFM digunakan untuk mengelompokkan pelanggan berdasarkan perilaku pembelian, sementara K-Means Clustering memungkinkan segmentasi yang lebih mendalam. XGBoost digunakan untuk memprediksi churn dengan akurasi tinggi. Hasil penelitian menunjukkan bahwa Frequency merupakan faktor dominan dalam menentukan churn, dengan akurasi prediksi mencapai 99,77%. Studi kasus pada dataset Online Retail mengidentifikasi empat cluster pelanggan dengan karakteristik dan tingkat churn yang berbeda. Rekomendasi strategis difokuskan pada peningkatan frekuensi transaksi dan personalisasi layanan. Penelitian ini memberikan kontribusi dalam pengembangan strategi retensi yang lebih efektif dan terarah.