Business Goals

Sebuah perusahaan asuransi mobil ingin mengkategorikan Customer (Pemegang Polis) perusahaan berdasarkan besarnya kontribusi revenue yang mereka hasilkan selama mereka menjadi Customer perusahaan (Customer Lifetime Value). Analisa ini dilakukan berkenaan dengan rencana perusahaan dalam melakukan efisiensi operasional dan pemasaran yang lebih spesifik terkhusus kepada kategori Customer yang memberikan kontribusi signifikan.

Secara khusus perusahaan akan menjaga Customer Relationship yang lebih intens dengan Customer yang mempunya kontribusi yang lebih besar terhadap perusahaan.

Perusahaan tersebut juga tertarik untuk melakukan perkiraan terhadap seberapa besar nilai Customer Lifetime Value dengan menggunakan data informasi detail Polis Customer, yang akan menjadi variabel dalam prediksi.

Untuk menjawab permasalahan bisnis tersebut, maka kita perlu menjawab rumusan masalah sebagai berikut

1. Apa saja faktor-faktor yang terindikasi memberikan pengaruh terhadap Customer Lifetime Value (CLV)?
2. Apakah faktor-faktor tersebut sungguh dapat memprediksi Customer Lifetime Value seorang customer?

Analytic Approach

Kita akan terlebih dahulu melakukan analisa terhadap pola dan sebaran data yang ada dalam dataset, untuk menentukan dan mencari arah model prediksi yang dapat membantu melakukan prediksi terhadap besarnya Customer Lifetime Value.

Selain itu, model yang kita cari, sekurang-kurangnya harus bisa menjelaskan faktor-faktor utama yang berpengaruh signifikan terhadap Customer Lifetime Value.

Metric Evaluation

Pengukuran reliabilitas model yang digunakan dalam kasus ini meliputi:

1. RMSE : rataan akar kuadrat error
2. MSE : rata-rata kuadrat error
3. MAE : rataan nilai absolut error
4. MAPE : rataan persentase error

Semakin kecil ketiga pengukuran di atas maka model Machine Learning yang kita gunakan akan semakin bagus. Namun, utamanya, disini saya akan menggunakan MAPE, karena setidaknya kita bisa memberikan standar kategori reliabilitas model apabila nilai MAPE :

1. 0% - 10%, model tergolong sangat baik
2. 10%-20%, model tergolong baik
3. Above 20%, model cukup baik tapi tidak terlalu reliable.

Sebagai pelengkap kita akan menggunakan model r-square di tahap terakhir untuk mengukur seberap baik model kita menjelaskan varians pada dataset.

Kerangka Pemikiran

Kita akan menggunakan acuan pemikiran dari sumber berikut https://www.semanticscholar.org/paper/Modeling-Customer-Lifetime-Value-Gupta-Hanssens/f2ab7d284fcf45b68b8eedf6bd9fc246042ae1a7/figure/0.

Terlihat pada gambar dibawah, Customer Lifetime Value terdiri atas 3 komponen, meliputi:

1. Customer Acquisition, yaitu akuisis customer baru ke dalam perusahaan
2. Customer Retention, yaitu seberapa banyak Customer membeli ulang atau bertahan dalam menggunakan produk kita
3. Customer Expansion, yaitu bagaimana Customer kita melakukan Upselling (membeli lagi) atau Cross Selling (membelli produk lain di perusahaan yang sama).

Nantinya, kita akan melihat dalam dataset kita, kolom-kolom atau feature apa saja yang kiranya dapat menjelaskan setidaknya salah satu faktor dasar yang mempengaruhi besarnya Customer Lifetime Value seperti yang dipaparkan dalam kerangka pemikiran ini.