Dalam dunia perniagaan moden, memahami pelanggan bukan lagi sekadar bergantung kepada pengalaman, gerak hati atau andaian. Perniagaan kini mempunyai akses kepada sejumlah besar data yang boleh membantu mereka memahami bagaimana pelanggan membuat keputusan, apa yang pelanggan suka, berapa kerap mereka membeli dan apakah faktor yang menyebabkan mereka memilih sesuatu produk berbanding produk lain.

Salah satu konsep matematik dan statistik yang boleh digunakan untuk tujuan ini ialah kebarangkalian.

Kebarangkalian membolehkan perniagaan menganggarkan kemungkinan sesuatu tingkah laku berlaku berdasarkan maklumat yang diperoleh daripada data. Sebagai contoh, sebuah kedai mungkin ingin mengetahui: “Berapakah kebarangkalian pelanggan yang membeli produk A akan membeli produk B?” atau “Berapakah kebarangkalian pelanggan yang pernah membeli sebelum ini akan membuat pembelian semula?”

Soalan seperti ini kelihatan mudah, tetapi jawapannya boleh memberikan nilai yang besar kepada perniagaan.

Dengan menggunakan data dan model kebarangkalian yang sesuai, syarikat boleh membuat keputusan berdasarkan corak tingkah laku pelanggan dan bukannya hanya bergantung kepada andaian.

Apakah Maksud Kebarangkalian Tingkah Laku Pengguna?

Secara mudah, kebarangkalian tingkah laku pengguna merujuk kepada penggunaan konsep kebarangkalian untuk menganggarkan kemungkinan seseorang pelanggan melakukan sesuatu tindakan.

Tindakan tersebut boleh merangkumi:

• membuat pembelian;
• membeli semula sesuatu produk;
• memilih produk tertentu;
• meninggalkan sesuatu jenama;
• memberikan respons kepada promosi;
• menggunakan kupon;
• membeli produk tambahan;
• membuat pembelian dalam talian;
• atau menjadi pelanggan tetap.

Sebagai contoh, sebuah perniagaan mempunyai 10,000 pelanggan. Berdasarkan rekod terdahulu, 2,500 pelanggan yang menerima promosi tertentu telah membuat pembelian.

Maka, secara mudah:

Kebarangkalian pembelian = 2,500 ÷ 10,000 = 0.25 atau 25%

Ini bermaksud berdasarkan data terdahulu, kira-kira 25% pelanggan yang menerima promosi tersebut membuat pembelian.

Walaupun contoh ini sangat asas, konsep yang sama boleh dikembangkan kepada model statistik yang jauh lebih kompleks.

Mengapa Tingkah Laku Pengguna Penting kepada Perniagaan?

Setiap pelanggan mempunyai corak tingkah laku yang berbeza.

Ada pelanggan yang membeli setiap minggu. Ada yang hanya membeli ketika terdapat promosi. Ada pelanggan yang mementingkan harga, manakala pelanggan lain lebih mementingkan kualiti.

Jika semua pelanggan dilayan dengan strategi yang sama, perniagaan mungkin membazirkan sumber.

Sebaliknya, data membolehkan pelanggan dibahagikan kepada kumpulan berdasarkan tingkah laku mereka.

Sebagai contoh:

Kumpulan A: Pelanggan yang kerap membeli.

Kumpulan B: Pelanggan yang jarang membeli.

Kumpulan C: Pelanggan baharu.

Kumpulan D: Pelanggan yang tidak membeli sejak enam bulan lalu.

Perniagaan kemudiannya boleh menganggarkan kebarangkalian setiap kumpulan untuk melakukan pembelian pada masa akan datang.

Sebagai contoh, jika pelanggan Kumpulan A mempunyai kebarangkalian pembelian semula sebanyak 70%, syarikat mungkin tidak perlu memberikan diskaun yang terlalu besar kepada mereka.

Sebaliknya, pelanggan Kumpulan D mungkin mempunyai kebarangkalian pembelian semula hanya 10%. Kumpulan ini mungkin memerlukan strategi pemasaran yang berbeza.

Data sebagai “Cermin” Tingkah Laku Pelanggan

Data sebenarnya boleh dianggap sebagai cermin kepada tingkah laku pelanggan.

Setiap transaksi meninggalkan maklumat tertentu.

Sebagai contoh, rekod jualan boleh mengandungi:

• tarikh pembelian;
• masa pembelian;
• produk yang dibeli;
• kuantiti;
• harga;
• kaedah pembayaran;
• lokasi;
• promosi yang digunakan;
• dan nilai keseluruhan transaksi.

Apabila data tersebut dikumpulkan dalam jumlah yang besar, corak tertentu mungkin mula kelihatan.

Sebagai contoh, sebuah kedai mendapati bahawa pelanggan yang membeli kopi pada waktu pagi juga mempunyai kecenderungan untuk membeli roti.

Jika corak ini berlaku berulang kali, perniagaan boleh menganggarkan kebarangkalian pembelian roti apabila pelanggan membeli kopi.

Maklumat tersebut boleh digunakan untuk membina strategi seperti pakej sarapan atau promosi “beli kopi bersama roti dengan harga istimewa”.

Inilah antara cara data membantu perniagaan memahami pelanggan.

Daripada Data Mentah kepada Kebarangkalian

Data mentah sahaja tidak semestinya memberikan jawapan yang berguna.

Bayangkan sebuah syarikat mempunyai satu juta rekod transaksi. Jumlah data yang besar tidak bermakna sekiranya syarikat tidak tahu bagaimana untuk menganalisisnya.

Proses analisis biasanya bermula dengan membersihkan data.

Data yang tidak lengkap, pendua atau mempunyai kesilapan perlu dikenal pasti. Selepas itu, data boleh dianalisis untuk mencari corak.

Sebagai contoh, syarikat ingin mengetahui:

“Apakah kebarangkalian pelanggan membeli semula dalam tempoh 30 hari?”

Data sejarah boleh digunakan untuk mengenal pasti pelanggan yang membuat pembelian dan melihat sama ada mereka membeli semula dalam tempoh tersebut.

Jika daripada 20,000 pelanggan, 6,000 membuat pembelian semula dalam tempoh 30 hari, anggaran kebarangkalian secara mudah ialah:

6,000 ÷ 20,000 = 0.30

atau

30%

Perniagaan kini mempunyai satu ukuran yang lebih jelas untuk membantu membuat keputusan.

Kebarangkalian Bersyarat dalam Memahami Pelanggan

Salah satu konsep yang sangat berguna ialah kebarangkalian bersyarat.

Kebarangkalian bersyarat digunakan apabila kemungkinan sesuatu peristiwa berlaku bergantung kepada keadaan tertentu.

Contohnya:

Apakah kebarangkalian pelanggan membeli produk B jika pelanggan tersebut telah membeli produk A?

Ini berbeza daripada sekadar bertanya kebarangkalian pelanggan membeli produk B.

Sebagai contoh, daripada 5,000 pelanggan yang membeli produk A, 1,500 turut membeli produk B.

Maka:

P(B | A) = 1,500 ÷ 5,000 = 30%

Ini bermaksud terdapat anggaran kebarangkalian 30% bahawa pelanggan yang membeli produk A turut membeli produk B berdasarkan data tersebut.

Maklumat seperti ini amat berguna untuk strategi jualan silang atau cross-selling.

Sebuah pasar raya, misalnya, boleh menggunakan maklumat tersebut untuk memahami produk yang sering dibeli bersama.

Kebarangkalian untuk Meramal Pembelian Semula

Pelanggan sedia ada biasanya sangat bernilai kepada perniagaan kerana mereka sudah mengenali produk atau jenama tersebut.

Oleh itu, syarikat boleh menggunakan data sejarah untuk menganggarkan kebarangkalian pelanggan membuat pembelian semula.

Sebagai contoh, syarikat mempunyai data berikut:

• 10,000 pelanggan membeli produk pada bulan Januari.
• 4,000 daripada mereka membeli semula pada bulan Februari.
• 2,500 membeli semula pada bulan Mac.

Data tersebut boleh dianalisis untuk memahami corak pembelian semula.

Jika corak tertentu dapat dikenal pasti, syarikat boleh membangunkan model yang menganggarkan pelanggan yang mempunyai kemungkinan tinggi untuk membeli semula.

Perniagaan kemudian boleh memberikan perhatian yang lebih besar kepada pelanggan tersebut.

Menggunakan Data untuk Mengenal Pasti Pelanggan Berisiko Meninggalkan Perniagaan

Selain meramal siapa yang mungkin membeli, data juga boleh digunakan untuk menganggarkan siapa yang mungkin berhenti membeli.

Situasi ini sering dikenali sebagai customer churn.

Sebagai contoh, sebuah syarikat mempunyai pelanggan yang biasanya membeli setiap bulan.

Namun, pelanggan tertentu tidak melakukan sebarang transaksi selama tiga bulan.

Data sejarah mungkin menunjukkan bahawa pelanggan yang tidak membeli selama tiga bulan mempunyai kebarangkalian yang lebih tinggi untuk terus berhenti menggunakan produk.

Perniagaan boleh membina model untuk menganggarkan risiko tersebut.

Contohnya:

Pelanggan A – risiko rendah

Kebarangkalian berhenti: 5%

Pelanggan B – risiko sederhana

Kebarangkalian berhenti: 25%

Pelanggan C – risiko tinggi

Kebarangkalian berhenti: 65%

Dengan maklumat tersebut, syarikat boleh memberi tumpuan kepada pelanggan berisiko tinggi melalui tawaran, khidmat pelanggan atau kempen pemasaran tertentu.

Segmentasi Pelanggan dan Kebarangkalian

Satu lagi penggunaan penting data ialah segmentasi pelanggan.

Pelanggan boleh dibahagikan berdasarkan ciri tertentu seperti:

• umur;
• lokasi;
• jumlah perbelanjaan;
• kekerapan pembelian;
• jenis produk;
• masa pembelian;
• dan respons terhadap promosi.

Sebagai contoh, syarikat mendapati pelanggan yang membuat pembelian lebih daripada lima kali sebulan mempunyai kebarangkalian 75% untuk membeli produk baharu.

Sebaliknya, pelanggan yang hanya membeli sekali setahun mungkin mempunyai kebarangkalian 15%.

Syarikat tidak seharusnya semestinya menggunakan strategi pemasaran yang sama untuk kedua-dua kumpulan tersebut.

Data membantu syarikat memahami perbezaan ini.

Kebarangkalian dan Promosi

Promosi merupakan satu lagi bidang yang boleh menggunakan konsep kebarangkalian.

Perniagaan mungkin ingin mengetahui:

“Jika pelanggan diberikan diskaun 10%, berapakah kebarangkalian mereka membuat pembelian?”

Syarikat boleh membandingkan data pelanggan yang menerima promosi dengan pelanggan yang tidak menerimanya.

Sebagai contoh:

Kumpulan promosi: 10,000 pelanggan

Pembeli: 3,500

Kadar pembelian: 35%

Kumpulan tanpa promosi: 10,000 pelanggan

Pembeli: 2,000

Kadar pembelian: 20%

Data tersebut menunjukkan terdapat perbezaan kadar pembelian antara kedua-dua kumpulan.

Namun begitu, perniagaan perlu berhati-hati sebelum menyimpulkan bahawa promosi semata-mata menyebabkan peningkatan jualan. Analisis statistik yang lebih baik diperlukan untuk menilai hubungan sebab dan akibat.

Daripada Kebarangkalian kepada Model Ramalan

Kebarangkalian juga boleh menjadi sebahagian daripada sistem analitik yang lebih besar.

Sebagai contoh, syarikat boleh membina model yang mengambil kira beberapa faktor:

• umur pelanggan;
• pendapatan;
• jumlah pembelian terdahulu;
• kekerapan pembelian;
• jumlah interaksi dengan syarikat;
• penggunaan promosi;
• dan tempoh pelanggan bersama syarikat.

Model statistik kemudiannya boleh menganggarkan kebarangkalian sesuatu peristiwa berlaku.

Sebagai contoh:

Kebarangkalian membeli = 82%

atau

Kebarangkalian tidak membeli = 18%

Angka tersebut bukan jaminan bahawa pelanggan pasti membeli. Ia hanyalah anggaran berdasarkan corak data dan model yang digunakan.

Perkara ini sangat penting untuk difahami.

Kebarangkalian Bukan Ramalan yang Pasti

Salah satu kesilapan dalam memahami model kebarangkalian ialah menganggap kebarangkalian sebagai kepastian.

Jika model mengatakan kebarangkalian pelanggan membeli ialah 80%, ini tidak bermaksud pelanggan tersebut pasti membeli.

Ia bermaksud berdasarkan maklumat yang tersedia dan model yang digunakan, pelanggan tersebut mempunyai kemungkinan yang agak tinggi untuk membeli.

Sebagai contoh, jika 100 pelanggan mempunyai kebarangkalian 80% untuk membeli, kita mungkin menjangkakan sekitar 80 pelanggan membeli.

Namun, jumlah sebenar boleh menjadi 75, 82 atau 87.

Inilah sifat ketidakpastian yang perlu difahami dalam analisis data.

Peranan Statistik dalam Membina Model Pengguna

Kebarangkalian tidak berdiri sendirian. Ia berkait rapat dengan statistik.

Statistik membantu perniagaan memahami data yang dikumpulkan, manakala kebarangkalian membantu menerangkan kemungkinan sesuatu peristiwa berlaku.

Antara teknik yang boleh digunakan termasuk:

• statistik deskriptif;
• analisis korelasi;
• regresi;
• pengelasan;
• analisis taburan;
• ujian hipotesis;
• analisis siri masa;
• dan pelbagai kaedah pemodelan statistik.

Sebagai contoh, regresi logistik boleh digunakan dalam sesetengah situasi untuk menganggarkan kebarangkalian sesuatu hasil binari seperti “membeli” atau “tidak membeli”.

Namun, pemilihan model perlu bergantung kepada jenis data, objektif analisis dan andaian statistik yang sesuai.

Dashboard Membantu Pengurus Memahami Pelanggan

Tidak semua pengurus perniagaan mahir dalam statistik atau matematik.

Oleh itu, hasil analisis perlu diterjemahkan kepada bentuk yang mudah difahami.

Di sinilah dashboard analitik memainkan peranan.

Sebagai contoh, dashboard pelanggan boleh memaparkan:

Jumlah pelanggan: 25,000

Pelanggan aktif: 18,000

Pelanggan berisiko churn: 2,500

Kebarangkalian pembelian semula: 64%

Purata nilai transaksi: RM85

Produk paling popular: Produk A

Dengan paparan seperti ini, pihak pengurusan boleh memahami keadaan perniagaan dengan lebih cepat.

Perisian seperti Microsoft Excel, SQL, SPSS dan Power BI boleh digunakan pada peringkat yang berbeza dalam proses pengumpulan, pemprosesan, analisis dan visualisasi data.

Bagaimana Perniagaan Kecil Boleh Menggunakannya?

Penggunaan kebarangkalian tidak semestinya memerlukan jutaan rekod.

Perniagaan kecil juga boleh bermula dengan data yang mereka sudah ada.

Contohnya, sebuah kedai mempunyai rekod jualan selama 12 bulan.

Daripada data tersebut, pemilik boleh melihat:

• produk yang paling kerap dibeli bersama;
• bulan dengan jualan tertinggi;
• pelanggan yang paling kerap membeli;
• kekerapan pembelian;
• respons terhadap promosi;
• dan kadar pembelian semula.

Walaupun analisis asas, maklumat tersebut sudah boleh membantu pemilik membuat keputusan yang lebih berasaskan data.

Apabila jumlah data bertambah, analisis boleh dikembangkan kepada model yang lebih terperinci.

Cabaran dalam Menggunakan Kebarangkalian Tingkah Laku Pengguna

Walaupun data sangat berguna, terdapat beberapa cabaran.

Pertama ialah kualiti data.

Jika data yang digunakan tidak tepat, keputusan model juga boleh menjadi kurang tepat.

Kedua ialah data yang tidak mencukupi.

Jika hanya terdapat sedikit rekod, corak yang ditemui mungkin tidak cukup kukuh untuk mewakili tingkah laku pelanggan secara keseluruhan.

Ketiga ialah perubahan tingkah laku pelanggan.

Corak pembelian pada tahun lalu tidak semestinya kekal sama pada tahun akan datang.

Harga, pesaing, ekonomi, teknologi dan trend semasa boleh mengubah tingkah laku pengguna.

Oleh itu, model perlu dinilai dan dikemas kini dari semasa ke semasa.

Kepentingan Pengesahan Model

Model kebarangkalian yang dibina tidak sepatutnya terus digunakan tanpa penilaian.

Perniagaan perlu melihat sejauh mana model tersebut berfungsi apabila digunakan terhadap data yang sesuai untuk pengujian atau pengesahan.

Sebagai contoh, model mungkin menganggarkan bahawa pelanggan tertentu mempunyai kebarangkalian 70% untuk membeli.

Selepas tempoh tertentu, keputusan sebenar boleh dibandingkan dengan anggaran model.

Jika model sering memberikan anggaran yang terlalu tinggi atau terlalu rendah, model mungkin perlu diperbaiki.

Dengan cara ini, proses analitik menjadi satu kitaran:

Data → Analisis → Model → Ramalan Kebarangkalian → Keputusan Sebenar → Penilaian → Penambahbaikan Model

Proses ini membantu perniagaan meningkatkan kualiti keputusan dari semasa ke semasa.

Masa Depan Analitik Tingkah Laku Pengguna

Pada masa akan datang, jumlah data yang dikumpulkan oleh perniagaan dijangka terus meningkat.

Transaksi dalam talian, aplikasi mudah alih, media sosial, program kesetiaan pelanggan dan platform e-dagang menghasilkan pelbagai jenis data.

Kecerdasan buatan dan pembelajaran mesin juga semakin banyak digunakan untuk menganalisis data pengguna.

Namun begitu, prinsip asas masih sama.

Perniagaan perlu mempunyai data yang baik, memilih kaedah analisis yang sesuai dan memahami ketidakpastian dalam keputusan.

Teknologi boleh membantu memproses data dengan lebih pantas, tetapi keputusan yang baik masih memerlukan pemahaman terhadap statistik, kebarangkalian dan konteks perniagaan.

Kesimpulan

Kebarangkalian tingkah laku pengguna memberikan satu cara yang sistematik kepada perniagaan untuk memahami pelanggan.

Daripada hanya bertanya “Apa yang pelanggan lakukan?”, perniagaan boleh bergerak kepada soalan yang lebih bernilai seperti:

“Berapakah kemungkinan pelanggan melakukan tindakan tertentu berdasarkan data yang kita ada?”

Soalan ini membuka peluang yang lebih besar untuk membuat keputusan berasaskan data.

Dengan menggunakan data transaksi, sejarah pembelian, maklumat pelanggan dan teknik statistik, perniagaan boleh menganggarkan kebarangkalian pembelian, pembelian semula, respons terhadap promosi dan risiko pelanggan meninggalkan syarikat.

Walaupun kebarangkalian tidak mampu meramalkan masa depan dengan kepastian 100%, ia membantu mengurangkan ketidakpastian.

Dalam dunia perniagaan, mengurangkan ketidakpastian boleh menjadi satu kelebihan yang sangat besar.

Perniagaan yang memahami data bukan sekadar mengetahui berapa banyak produk yang telah dijual. Mereka boleh mula memahami siapa pelanggan mereka, bagaimana pelanggan membuat keputusan dan apakah kemungkinan pelanggan bertindak pada masa akan datang.

Akhirnya, data bukan sekadar nombor dalam spreadsheet.

Jika dianalisis dengan betul, data boleh menjadi alat untuk memahami manusia, mengenal pasti corak tingkah laku dan membantu perniagaan membuat keputusan yang lebih rasional, terancang dan berasaskan bukti.

Tagged: artikel indonesia inspiration life renungan