Analisis Pemilihan Merchant Menggunakan Metode Segmentation Model Two Step Clustering pada Bank X
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».