Analisis Pemilihan Merchant Menggunakan Metode Segmentation Model Two Step Clustering pada Bank X
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dalam penelitian ini data yang digunakan berasal dari transaksi pembelian dalam satu bulan nasabah Bank X yang dianalisis menggunakan metode two step cluster analysis. Penelitian ini bertujuan untuk mengidentifikasi kelompok nasabah yang memiliki karakteristik serupa dan merekomendasikan strategi dalam pemilihan merchant untuk membantu Bank X dalam menentukan target pasar yang tepat untuk meningkatkan kepuasan nasabah, dan meningkatkan transaksi serta memicu nasabah yang tidak aktif agar dapat aktif melakukan transaksi dengan program - program yang tepat sasaran guna meningkatkan kepuasan nasabah, dan mendorong pertumbuhan bisnis. Berdasarkan hasil pembahasan proses segmentasi cluster yang telah dilakukan pada aplikasi pengolahan data SPSS dan menggunakan algoritma two step cluster analysis, diperoleh 4 cluster yang memiliki persona dengan karakteristik dan preferensi yang berbeda-beda. Cluster 1 dengan label persona Foodie Cluster, sedangkan Cluster 2 dengan label persona Mobile Cluster (karena persona transaksinya di SPBU). Cluster 3 dengan label persona Groceries Cluster (karena berdasarkan data persona transaksi di supermarket/minimarket). Cluster 4 dengan label persona Fashion. Dari hasil analisis dan pembahasan 4 cluster yang ada, disimpulkan bahwa produk yang dominan transaksinya adalah pada segment food & beverage. Bank X memilih segment food & Beverage sebagai merchant target pasar yang tepat untuk meningkatkan kepuasan nasabah serta meningkatkan transaksi. “Cashback untuk Pembelian di Merchant Food & Beverage” sebagai value proposition dari Bank X.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle