CRM (Cutomer Relationship Management) secara konvensional sudah cukup membantu sales opeations. Namun dengan mengetahui adanya konsep machine learning, kita menjadi tau bahwa ternyata CRM konvensional memiliki kelemahan. Pada tulisan kali ini membahas permasalahan apa yang masih tetap ada pada sales operations meskipun sudah memiliki sistem CRM, bagaimana machine learning mengatasi kelemahan CRM konvensional tersebut, dan apa manfaat lain dari machine learning untuk sebuah CRM.


Skenario

Kita ambil sebuah contoh: Perusahaan dagang (distributor) yang sudah cukup besar, memiliki banyak cabang yang tersebar di seluruh kota di Indonesia. Masing-masing dipimpin oleh seorang Branch Manager (BM). Berikut skenario pada 1 cabang:

  • Memiliki sekitar 300-700 customer aktif yang bertransaksi setiap tahun.
  • Memiliki sekitar 20 sales representative yang memiliki kewajiban rutinitas setiap bulan harus melakukan visit pada customer.
  • BM bertnggung jawab atas sales plan.
    • Customer mana yang harus divisit dan berapa kali customer tersebut harus divisit dalam 1 periode bulan berjalan.
    • Mengenali demografi setiap customer. Produk apa yang menjadi pareto, lokasinya dimana, dan seberapa besar customr tersebut.
  • BM bertanggung jawab untuk eksternal sales program yang diberikan oleh prinsipal.
  • BM bertanggung jawab untuk internal sales program yang diberikan oleh Regional Manager maupun Corporate.
  • BM bertanggung jawab untuk sales operation dari mulai customer melakukan order, pengiriman order, sampai penagihan.
  • BM bertanggung jawab untuk mengkontrol kredit limit customer.


Permasalahan

Yang pertama adalah, tidak gampang menemukan BM yang tepat untuk kebutuhan suatu bisnis perusahaan. Seorang BM perusahaan distributor bahan bangunan, tidak dapat digantikan oleh BM dari sektor FMCG dengan mudah. Meskipun memiliki Sales Operation Blue Print yang sama, BM sektor FMCG tidak memiliki pengalaman yang cukip dan tidak mengenali demografi customer dari perusahaan bahan bangunan. Pengalaman itu akan diperoleh dalam waktu yang cukup lama. Selain itu BM memiliki standar gaji yang cukup tinggi. Hal ini dikarenan seorang BM memiliki pengetahuan dan pengalaman yang cukup mahal dibidangnya, serta tuntutan kerja dan tanggung jawab yang besar.

Lalu setelah ditemukan BM yang tepat, apakah sudah tidak ada masalah lagi? Sayangnya, masalah masih akan tetap ada. Kita harus mengingat bahwa BM adalah seorang manusia. Berikut adalah uraian masalahnya.

  • Masalah yang pertama adalah, sorang BM tidak mungkin kerja selamanya. Mereka bisa resign meninggalkan perusahaan kapan saja.
  • BM juga memiliki potensi berbuat curang. Contohnya:
    • Mencari keuntungan pribadi dari sales program yang diberikan oleh prinsipal. Yaitu menggelapkan promo/hadiah dari prinsipal kadang bisa berupa emas ataupun cashback. Bahkan menggelapkan bonus dari prinsipal untuk tim sales representativenya.
    • Melakukan order fiktif secara terstruktur dan sistematif untuk memenangkan kompetisi sales program antar cabang yang diberikan oleh perusahaan.
    • Suap dari customer. Customer yang tidak diperbolehkan order, akan tetap diberi aprove order oleh BM karena ada deal yang menguntungkan BM secara pribadi.
  • Dan yang terakhir adalah ukuran serta kompleksitas variasi data dari sebuah big data. Yang mana hampir tidak mungkin dapat dianalisa oleh manusia tanpa bantuan sebuag program.

Perlu diketahui, pembahasan machine learning disini bukan bermaksud untuk membuat sistem yang dapat menggantikan posisi BM. Namun machine learning diharapkan dapat mengurangi permasalahan dan memudahkan cara kerja seorang BM. Dengan demikian sesuai contoh diatas, BM perusahaan bahan bangunan tersebut dapat digantikan dengan mudah oleh penerus-penerusnya ataupun orang baru meskipun dari sektor yang lain misalnya sektor FMCG. Karena cara kerjanya akan cukup terbantu dan lebih mudah.


Data Science dan Machine Learning Area

Machine learning tidak serta merta dibuat dengan cepat dan jelas, seolah-olah ada panduannya seperti merebus mie instan. Kejelasan konsep machine learning itu sendiri tergantung pada objek apa atau bidang apa yang akan kita implementasikan kedalam bentuk machine learning. Machine learning dibuat dengan bertahap serta memerlukan evaluasi berulang. Dari suatu ketidakjelasan tumpukan data, dibuat menjadi lebih jelas. Hingga ditemukanlah satu pola atau insight pada sebuah data. Pola itu lah yang dapat digunakan untuk membangun machine learning. Atau dengan kata lain proses inilah yang di sebut dengan Exploratory Data Analysis

Pada area ini, kita sebut sebuah area irisan antara Data Science area dan Machine Learning area. Data science adalah teknik untuk mengekstraksi sebuah insight dari sekumpulan big data. Sedangkan machine leraning adalah teknik untuk meniru atau meng-copy cara berfikir manusia dan mengimplementasikanya pada sebuah program aplikasi yang memiliki interface.

Sampai sini kita melihat bahwa untuk mengimplementasikan machine learning khusus untuk CRM saja, dibutuhkan 4 bidang ilmu. Yang pertama dan kedua yaitu data science dan machine learning itu sendiri. Yang ketiga adalah computer programming. Tentu saja machine learning tersebut harus diimplementasikan pada sebuah sistem yang memiliki interface dan dapat digunakan dengan mudah oleh user. Oleh karena itu diperlukan juga kemampuan programming untuk membuat sebuah aplikasi. Dan yang keempat adalah ilmu marketing dan sales operation. Hal ini karena machine learning yang kita buat, dikhususkan untuk sebuah CRM.

Tentu saja machine learning dapat diterapkan untuk berbagai bidang. Namun juga harus diplajari secara menyuluruh bidang-bidang apa saja yang akan dibuatkan sistem berbasis machine learning tersebut.

Memang pada dasarnya machine learning memiliki kelemahan jika dibandingkan dengan cara berfikir manusia yang lebih kompleks dan dinamis. Namun perlu diketahui, machine learning juga sekaligus memberi kelebihan-kelebihan yang tidak akan bisa ditiru oleh manusia yaitu ketahanan, independensi, dan konsistensi terhadap big data.


Machine Learning Customer Life Time Value Classification

Secara konvensional, mungkin kita bisa golongkan berdasar berapa besar omset yang dihasilkan oleh tiap-tiap customer, dan mengklasifikasikanya kedalam beberapa grade. Namun itu bersifat statis, tidak dinamis. Berapa masing-masing threshold ideal untuk mengklasifaksi customer ke dalam beberapa grade. Serta metode diatas terlalu sederhana karena hanya melihat omset yang dihasilkan (monetary).

Seperti yang sudah disebutkan diatas, kita juga perlu mempelajari bidang ilmu marketing dan sales operation. Salah satu yang dapat diekstrak dari basis data adalah nilai RFM (Recency, Frequency, Monetary). Contoh dalam 1 tahun, Recency adalah kapan periode terakhir order, frequensi adalah berapa periode customer tersebut aktif melakukan order, dan Monetary adalah berapa nilai total order tersebut.

Contoh salah 1 custemer, CV. Makmur Jaya dalam 24 periode telah order sebanyak 19 kali, dengan total nilai order sebesar 6,2 Miliar, dan terakhir order pada periode ke-22.


Setelah mendapat nilai RFM, kita dapat menerapkan metode clustering contohnya K-means. Program akan mengkalkulasi data RFM tersebut dengan sendirinya dan mencari jarak threshold ideal untuk masing masing grade customer. Pada contoh kali ini, kita akan mengklasifikasikan customer grade ke dalam 6 cluster. Hasil dari grading tersebut berupa index atau peringkat yang dapat kita beri label seperti contoh dibawah berikut.

Machine learning ini disebut juga Unsupervised Machine Learning, sistem tidak perlu mencari pola masa lalu dan tidak perlu menirunya untuk menentukan nilai threshold sebuah cluster (grading). Untuk mengetahui perbedaan mengenai Supervised atau Unsupervised machine learning, akan lebih detail dibahas di pembahasan Credit Scoring berikut bibawah ini.


Machine Learning Credit Scoring

Hampir sama seperti menentukan Customer Life Time Value Classification, data RFM masih cukup penting dan berbobot untuk dimasukkan kedalam pembuatan Machine Learning Credirt Scoring. Namun ada beberpa penambahan lagi yang diperlukan. Yaitu mencari customer mana saja yang kreditnya macet, dan mempelajari datanya, mencari kesamaan-kesamaan secara terprogram dan menghitung nilai korelasinya.

Metode ini disebut juga Supervised Machine Learning, karena sistem melihat sampel masa lalu, dan membandingkanya untuk sampple data berikutnya yang aka datang. Lebih tepatnya yaitu machine learning dengan metode kalkulasi neural network. Proses ini melatih model machine learning saat ini, dengan sample data masa lalu yang masih relevant. Oleh sebab itu dasar kalkulasinya pun sudah beda. Jika k-means digunakan untuk classification dengan cara clustering, sedangkan metode neural network digunakan untuk classification dengan cara pembobotan prediksi.

Output berupa label yang disematkan pada tiap-tiap customer. Seperti contoh gambar dibawah ini, terdapat 4 credit scoring label yang di implementasikan ke dalam bentuk GIS (Geographic Information System),


Machine Learning Delivery Order

Dalam 1 periode (1 bulan), 1 cabang bisa mengirim sekitar ratusan order. Secara konvensional, pekerjaan itu bisa diatasi dengan cara membuat master rute. Sehingga delivery order tersebut akan terkelompokkan kedalam master rute - master rute yang telah dibuat. Namun bagaimana jika operator tidak menguasai area. Bagaimana cara mengukur delivery order mana saja yang harus dimuat kedalam 1 truk yang sama. Pekerjaan ini sangat dependen (tergantung) pada kemampuan manusia

Dengan machine learning, pekerjaan di atas dapat diselesaikan hanya dengan beberapa menit saja. Metode yang digunakan pertama adalah k-means dengan 2 dimensional data. Metode ini digunakan untuk mengelompokkan sejumlah titik pengiriman kedalam cluster-cluster yang saling berdekatan.


Kemudian langkah kedua yaitu menerapkan metode TSP (Travel Sales Problem). Metode ini digunakan untuk menentukan urutan titik mana yang harus di kunjungi terlebih dahulu, seperti pada gambar dibawah ini. Setelah titik urutan didapatkan, maka jarak dan estimasi pengiriman bisa dihitung.


Machine Learning Product Recomendation System

Pada kasus ini terdapat banyak metode. Yang paling sederhana yaitu berdasar demografi customer itu sendiri. Lokasi customer tersebut terdapat di area mana dan jenis customer tersbut, apakah toko cat atau toko keramik. Misalkan CV. Makmur Jaya berada di daerah Kebayoran Lama, dan produk yang paling laku di daerah Kebayoran Lama tersebut adalah keramik Mulia dan glass block Mulia. Maka keramik Mulia dan glass block Mulia dapat direkomendasikan pada toko CV. Makmur Jaya tersebut.

Yang kedua, menggunakan market basket analiysis. Metode inii lebih cocok digunakan oleh peritel atau ecommerce yang memiliki banyak variasi produk. Kata kunci metode ini sudah sering kita lihat pada e-commerce yaitu "People who bough this ... also bought this ..." (Orang yang membeli ini ... juga membeli ini ...)

Metode Market Baset Analysis ini juga termasuk pada supervised machine learning, model machine learning dibangun berdasar mencocokkan dengan data masa lalu yang masih relevan dan akan terus diupdate seiring berjalanya waktu.


Kesimpulan

Dengan ini kita dapat meyimpulkan banyak teknik yang dapat kita kembangkan untuk membangun suatu machine learning. Penerapan machine learning pada CRM tidak sebatas pada 4 metode yang sudah dibahas diatas, namun masih banyak lagi machine learning yang dapat diterapkan pada sebuah CRM dan tidak cukup kita bahas sekaligus semua disini. Mengingatkan kembali kesimpulan yang sempat ditulis diatas bahwa:

Memang pada dasarnya machine learning memiliki kelemahan jika dibandingkan dengan cara berfikir manusia yang lebih kompleks dan dinamis. Namun perlu diketahui, machine learning juga sekaligus memberi kelebihan-kelebihan yang tidak akan bisa ditiru oleh manusia yaitu ketahanan, independensi, dan konsistensi terhadap big data.