Segmentasi Pelanggan B2B dengan Model LRFM Menggunakan Algoritma Fuzzy C-Means pada Rotte Bakery

Abstract

Pelanggan B2B (Business to Business) merupakan pelanggan yang membeli produk dari suatu perusahaan dengan tujuan menjualnya kembali kepada konsumen akhir. Oleh karena itu, pengelolaan pelanggan B2B dengan strategi yang baik dan tepat sangatlah penting. Setiap pelanggan memiliki karakteristik yang berbeda, termasuk perilaku pembelian, demografi, dan geografi. Oleh karena itu, segmentasi pelanggan perlu dilakukan untuk mengelompokkan pelanggan dengan karakteristik serupa. Dengan demikian, perusahaan dapat menerapkan strategi pemasaran yang lebih efektif dan sesuai dengan kebutuhan setiap segmen pelanggan. Dalam penelitian ini, kami menggunakan model LRFM (Length, Recency, Frequency, dan Monetary) dengan Algoritma Fuzzy C-Means untuk melakukan segmentasi pelanggan. Metode validasi Davies Bouldien-Index digunakan untuk menentukan jumlah cluster yang optimal. Hasilnya menunjukkan bahwa terdapat lima cluster yang optimal untuk pelanggan agen dengan nilai DBI sebesar 0,57, sedangkan pelanggan outlet memiliki empat cluster dengan nilai DBI sebesar 0,49. Karakteristik yang dihasilkan untuk pelanggan agen adalah Average Value Segment, New Low Value Customer, New Dormant Segment, Golden Segment, dan Superstar Segment. Sementara itu, pelanggan outlet terbagi menjadi Golden Segment, Superstar Segment, New Low Value Customer, dan Dormant Segment. Berdasarkan temuan tersebut, kami memberikan usulan strategi pemasaran yang sesuai dengan karakteristik masing-masing segmen pelanggan B2B. Usulan ini relevan baik bagi akademisi, praktisi, maupun peneliti dalam bidang pemasaran. Abstract B2B customers (Business to Business) are customers who purchase products from a company with the intention of reselling them to end consumers. Therefore, managing B2B customers with effective and appropriate strategies is crucial. Each customer has different characteristics, including purchasing behavior, demographics, and geography. Therefore, customer segmentation is necessary to group customers with similar characteristics. This enables companies to implement more effective and targeted marketing strategies tailored to the needs of each customer segment. In this study, we employed the LRFM model (Length, Recency, Frequency, and Monetary) with the Fuzzy C-Means algorithm for customer segmentation. The Davies Bouldien-Index validation method was used to determine the optimal number of clusters. The results revealed that there are five optimal clusters for agent customers with a DBI value of 0.57, while outlet customers have four clusters with a DBI value of 0.49. The resulting characteristics for agent customers are the Average Value Segment, New Low Value Customer, New Dormant Segment, Golden Segment, and Superstar Segment. Meanwhile, outlet customers are divided into the Golden Segment, Superstar Segment, New Low Value Customer, and Dormant Segment. Based on these findings, we propose marketing strategies that align with the characteristics of each B2B customer segment. These proposals are relevant to academics, practitioners, and researchers in the field of marketing.