Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sebagai salah satu cara untuk memindahkan risiko, banyak orang menginginkan produk asuransi sebagai jaminan proteksi atas dirinya. Pada masa digital ini dimana internet, media sosial dan media komunikasi digital lainnya sudah menjadi bagian dari kehidupan sehari-hari. Perusahaan asuransi juga perlu untuk mengetahui preferensi pelanggannya untuk menjangkau pelanggan potensial dan mengoptimalkan model bisnisnya. Terlebih di masa pandemi COVID-19 yang dialami oleh seluruh dunia, perusahaan jasa transportasi sedang dilanda kesulitan. Namun hal ini merupakan potensi yang sangat besar untuk penjualan asuransi perjalanan ketika pandemi sudah berakhir dan perjalanan dimulai kembali. Salah satu cara untuk mendapatkan preferensi pelanggan adalah dengan studi historikal terkait data-data pelanggan sebelumnya. Masalah preferensi ini dapat disederhanakan menjadi klasifikasi biner, dan sudah banyak metode yang umum digunakan untuk masalah ini seperti Logistic Regression, Gradient Boosting Machine dan Random forest. Namun, belum banyak yang menyelesaikan masalah tersebut menggunakan metode Convolutional Neural Network (CNN). Metode ini memanfaatkan algoritma tabular convolution untuk mengubah data tabular menjadi bentuk citra yang kemudian diklasifikasikan menggunakan CNN. Dari hasil simulasi diperoleh bahwa penggunaan metode ini dapat menyaingi akurasi metode Logistic Regression, Gradient Boosting Machine dan Random Forest dengan iterasi yang cukup rendah. ...... Many people seek insurance products as a guarantee of protection for themselves, as a way to transfer the risk that they are facing. In this digital era where the internet, social media and other digital communication media have become a part of everyday life, insurance companies also need to know their customers’ preferences to reach potential customers and optimize their business models. Especially during the COVID- 19 pandemic experienced by the whole world, transportation service companies are experiencing many difficulties. But due to this pandemic, there lies a huge potential of travel insurance when the pandemic ends and demands surge for travel business. One way to get customer preferences is by historical studies related to previous customer data. This preference problem can be reduced to binary classification with many methods commonly used to address this problem, such as Logistic Regression, Gradient Boosting Machines and Random Forest. However, not many has solved this problem using the Convolutional Neural Network (CNN) method. This method utilizes the tabular convolution algorithm to convert tabular data into image form which will then be classified using CNN. The results obtained that the use of this method can compete with Logistic Regression, Gradient Boosting Machine and Random Forest with a fairly low iteration.

Abstrak :
Pemasaran email digunakan berbagai industri untuk berkomunikasi dan menjaga hubungan dengan pelanggannya. Untuk menjaga performa pemasaran email dan relevansi, personalisasi untuk setiap individu diterapkan. Personalisasi ini seringkali dibuat dengan data transaksional untuk mencerminkan perilaku dan ketertarikan setiap pelanggan. Akan tetapi, tidak semua industri memiliki jumlah data transaksional yang cukup untuk setiap pelanggan. Salah satu contoh adalah industri perhotelan yang memiliki frekuensi transaksi lebih jarang dibandingkan dengan sektor industri seperti retail dan e-commerce. Tantangan yang muncul adalah bagaimana memanfaatkan data non-transaksional untuk mencari tahu ketertarikan dan preferensi pelanggan. Penelitian ini mengusulkan untuk memodelkan preferensi pelanggan dan membangun segmentasi pelanggan pada pemasaran email berdasarkan topik dari kampanye beserta interaksi historis dengan pelanggannya. Biterm topic model digunakan untuk memodelkan topik judul email yang dianggap sebagai preferensi pelanggan. Segmentasi dibangun dengan menggabungkan topik yang telah dimodelkan dengan interaksi historis pelanggan. Penelitian ini mengevaluasi performa pemodelan topik dan segmentasi menggunakan data kampanye 6 bulan terakhir. Hasil penelitian menunjukkan bahwa 69% pembuka email dalam 6 bulan terakhir memiliki preferensi yang sesuai dengan interaksi historisnya. Segmentasi berdasarkan topik juga mampu meningkatkan performa tingkat buka email sampai hampir 2 kali lipat. Keluaran dari penelitian yang berupa segmentasi berdasarkan topik dapat digunakan oleh pemasar untuk membangun strategi dan mencapai performa pemasaran email yang lebih tinggi. ......Email marketing is widely used in many industries to communicate and maintain the relationship with their existing customers. In order to keep high email marketing performance and relevance, personalization is applied for each customer. This personalization is often built using transactional data to reflect each customer’s behavior and interest. However, not all industries may have a sufficient amount of transactional data on each customer. One example would be the hotel industry which has less transaction compared to other industries such as retail and e-commerce. The challenge is how to make use of non-transactional data to discover user interests and preferences. This study proposes to model customer preference and build user segmentation in email marketing based on email topics and its customers’ historical interaction. Biterm topic model is used to model the topics from email subjects which are assumed as customers’ preference. Segmentation is built by combining the topics generated with the customers’ historical interaction. This study evaluates both the topic modeling and segmentation using email campaign data in the last 6 months. The result shows that 69% of email openers in the last 6 months have a matching preference with their historical interaction. Topic-based segmentation can also improve the open rate by almost 2 times on average. The output of the study in the form of topic-based segmentation can be used by email marketers to design new strategies and achieve higher email marketing performance.