Churn terjadi ketika semua jasa yang digunakan seorang pelanggan diputus oleh pelanggan ataupun oleh perusahaan. Churn menunjukkan dimana seorang pelanggan pindah dari satu provider ke provider yang lainnya (Berson et al,2000). Dengan ketatnya persaingan bisnis khususnya dunia telekomunikasi, sangat mudah bagi seorang pelanggan memutuskan untuk churn pada suatu perusahaan dan berpindah ke perusahaan lain yang menawarkan jasa yang lebih baik. Teknologi klasifikasi banyak digunakan untuk memprediksi churn, misalnya klasifikasi dengan metode decision tree, logit regression, neural network dan sebagainya.

Saat ini, fenomena churn mendapat perhatian yang besar dari banyak industri. Hal ini penting dalam menentukan customer lifetime. Sebuah perusahaan akan dapat menentukan berapa banyak kerugian yang akan ditanggung karena pelanggannya Churn dan skala usaha apa yang kira-kira tepat untuk menutupi kerugian tersebut.

Berdasarkan fakta didapati bahwa industri telekomunikasi rata-rata memiliki ratio churn 30-35 persen per tahun. Biaya yang dibutuhkan untuk merekruitasi pelanggan yang baru berharga 5-10 kali lebih mahal dari pada biaya yang dibutuhkan untuk mempertahankan pelanggan yang sudah ada. Oleh karena itu, saat ini mempertahankan pelanggan lebih penting daripada menambah pelanggan baru.

Jenis – jenis Churn

Dalam hal ini Pelanggan yang churn dapat dibagi menjadi dua kelompok utama, yaitu :

1. non-voluntary churners /tidak sukarela

non-voluntary churners ini lebih mudah untuk diidentifikasi, seperti pelanggan yang menggunakan jasa ditarik/dicabut oleh perusahaan tersebut. Terdapat beberapa pertimbangan mengapa suatu perusahaan bisa menarik kembali layanan pelanggan, antara lain penyalahgunaan jasa layanan dan pelanggan tidak membayar jasa yang digunakan.

2. voluntary churners / sukarela

Voluntary churners lebih sukar untuk ditentukan, sebab pada pelanggan jenis ini churn terjadi ketika seorang pelanggan membuat keputusan secara sadar untuk mengakhiri layanan yang digunakan. Voluntary churners dapat lagi dibagi menjadi dua kategori utama, incidental churn/churn secara kebetulan dan deliberate churn/ churn dengan sengaja.

Evaluasi Model Churn Prediction

Ada tiga cara mengevaluasi model churn prediction yang telah dibuat, yaitu :

1. Lift Curve

Lift curve adalah alat ukur yang biasa di gunakan di dalam kasus churn prediction yang memetakan hasil prediksi dari model classifier kedalam bentuk kurva. Untuk membuat lift curve, customer diurutkan berdasarkan kemungkinan mengalami churn dari yang paling tinggi sampai yang paling rendah. Untuk hasil prediksi yang dihasilkan oleh pemodelan pada SPSS Clementine, kemungkinan churn pada tiap customer dapat dilihat dari hasil prediksi dan nilai confidence masing-masing. Hasil prediksi terlebih dahulu diurutkan untuk prediksi churn dengan nilai confidence terurut secara descending, setelah itu prediksi aktif diurutkan berdasarkan nilai confidence secara ascending. Indikasi semakin bagusnya model prediksi adalah pada titik prosentase customer yang sama, prediksi tersebut mendapatkan prosentase actual churner yang lebih besar.

Pada contoh di atas, model prediksi terbaik adalah model yang dihasilkan dari ChurnPredA. Dibandingkan dengan model yang dihasilkan oleh model ChurnPredB, ChurnPredA lebih baik karena pada pengambilan populasi pelanggan 10%, ChurnPredA sudah berhasil mendapatkan 100% churner, sedangkan ChurnPredB baru berhasil mendapatkan 35% churner. Baseline adalah prediksi secara random.

2. Gini Coefficient

Suatu pemodelan bisa saja hanya baik dalam memprediksi riskiest segment namun tidak bagus untuk customer dengan tingkat churn rendah. Untuk mengukur akurasi pada keseluruhan customer, maka dapat dilakukan perhitungan gini coefficient pada hasil prediksi. Dalam gini coefficient, tidak hanya segmen pelanggan tertinggi yang diperhitungkan, namun semua pelanggan yang telah diprediksi, baik churn ataupun loyal. Dapat dihitung dengan rumus berikut :

Gambar memperlihatkan kurva % customer terhadap % aktual churn dengan dua hasil prediksi yang berbeda. Garis hitam meunjukkan baseline yang terbentuk bila prediksi dilakukan secara random. Gini coefficient merupakan nilai luas daerah diatas garis baseline. Jadi suatu prediksi dikatakan lebih baik jika memiliki nilai gini coefficient yang semakin besar, karena daerah diantara baseline juga semakin luas.

3. Top Decile

Cara perhitungannya adalah dengan memfokuskan pada 10% pelanggan yang mempunyai probabilitas churn paling tinggi. Sebelumnya dilakukan pengurutan terlebih dahulu berdasarkan tingkat kemungkinan mengalami churn. Rumus untuk menghitung top decile lift adalah :

TopDecile = π 10%

π

Keterangan :

π 10% : prosentase churner teratas dari 10% customer.

π : prosentase churner pada keseluruhan customer.

PRAJUNIANTO_113040031

Churn Prediction Pada Telekomunikasi Seluler Dengan Metoda Logistic Regression

Churn Prediction In Cellular Telecommunications With Logistic Regression Method

IT TELKOM

Comments

Add New Search

Write comment

Name: Email:  do not notifynotify Website: Title: UBBCode:         -color-aquablackbluefuchsiagraygreenlimemaroonnavyolivepurpleredsilvertealwhiteyellow -size-tinysmallmediumlargehuge   Please input the anti-spam code that you can read in the image.

Powered by !JoomlaComment 3.26

3.26 Copyright (C) 2008 Compojoom.com / Copyright (C) 2007 Alain Georgette / Copyright (C) 2006 Frantisek Hliva. All rights reserved."