K-Meansクラスタリングを用いた効果的な広告キャンペーンのための顧客セグメンテーションとターゲットマーケティング

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

情報技術の発展により、企業が保有する顧客取引データの量は増加しているが、これらのデータはマーケティング上の意思決定、特に的を絞ったターゲティング戦略の策定を支援するために最適に活用されていないことが多い。本研究は、Recency、Frequency、Monetary（RFM）法とK-Means Clusteringアルゴリズムを用いて、取引行動に基づく顧客セグメンテーションを行うことを目的とする。使用したデータは、32,295件の取引を持つ5,000人の顧客で構成される。データ構造の検査、欠損値の確認、重複の削除、データセットのフィルタリング、データ型の変換を含む前処理段階を経て、28,009件の取引を持つ3,864人の顧客が得られた。次に、RFM変数の作成により、セグメンテーション処理のための集計資格を満たす3,522人の顧客が得られた。データはその後、Min-Max Scaling法を用いて正規化された。クラスタリング処理はK-Meansアルゴリズムを用いて行われ、クラスタ数の決定にはElbow Methodが、評価にはSilhouette Scoreが用いられた。研究結果は、ビジネス解釈のニーズにより代表的なセグメンテーションを生成するため、Silhouette Scoreが0.3787の4つのクラスタが選択されたことを示している。RFMセントロイド値の特性に基づき、形成された4つのセグメントは、VIP Customer、Loyal Customer、Regular Customer、At-Risk Customerで構成される。セグメンテーションの結果は、各セグメントが異なる取引行動特性を持つため、各顧客セグメントに対して異なるターゲティング戦略の推奨が生成されることを示している。したがって、本研究の結果は、より的を絞ったデータ駆動型のターゲティング戦略推奨の策定における分析基盤となり得るとともに、マーケティング上の意思決定と高価値顧客の維持努力を支援する可能性を秘めている。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Perkembangan teknologi informasi menyebabkan meningkatnya volume data transaksi pelanggan yang dimiliki perusahaan, namun data tersebut sering kali belum dimanfaatkan secara optimal untuk mendukung pengambilan keputusan pemasaran, khususnya dalam penyusunan rekomendasi strategi targeting yang tepat sasaran. Penelitian ini bertujuan melakukan segmentasi pelanggan berdasarkan perilaku transaksi menggunakan metode Recency , Frequency , Monetary (RFM) dan algoritma K-Means Clustering . Data yang digunakan terdiri atas 5.000 pelanggan dengan 32.295 transaksi. Setelah melalui tahap preprocessing yang meliputi pemeriksaan struktur data, pengecekan missing value , penghapusan duplikasi, filtering dataset , dan transformasi tipe data, diperoleh 3.864 pelanggan dengan 28.009 transaksi. Selanjutnya, pembentukan variabel RFM menghasilkan 3.522 pelanggan yang memenuhi kualifikasi agregasi untuk proses segmentasi. Data kemudian dinormalisasi menggunakan metode Min-Max Scaling . Proses clustering dilakukan menggunakan algoritma K-Means dengan penentuan jumlah cluster menggunakan Elbow Method dan evaluasi menggunakan Silhouette Score . Hasil penelitian menunjukkan bahwa empat cluster dipilih dengan nilai Silhouette Score sebesar 0,3787 karena menghasilkan segmentasi yang lebih representatif untuk kebutuhan interpretasi bisnis. Berdasarkan karakteristik nilai centroid RFM, empat segmen yang terbentuk terdiri atas VIP Customer , Loyal Customer , Regular Customer , dan At-Risk Customer . Hasil segmentasi menunjukkan bahwa setiap segmen memiliki karakteristik perilaku transaksi yang berbeda sehingga menghasilkan rekomendasi strategi targeting yang berbeda untuk masing-masing segmen pelanggan. Dengan demikian, hasil penelitian ini dapat menjadi dasar analitis dalam penyusunan rekomendasi strategi targeting yang lebih terarah dan berbasis data serta berpotensi mendukung pengambilan keputusan pemasaran dan upaya mempertahankan pelanggan bernilai tinggi.

• openalex https://doi.org/10.55340/jiu.v15i1.2742first seen 2026-07-01 04:56:17 · last seen 2026-07-01 05:03:05