Perusahaan barang konsumen · melalui Accenture · 2024
Pembersihan Data Pelanggan & Segmentasi RFM Skala Besar
AI Engineer
Proyek klien. Nama, data, dan detail identitas dirahasiakan; arsitektur dijelaskan secara umum.
Masalah
Perusahaan menjual beberapa merek di berbagai marketplace online. Nomor telepon, email, dan alamat pelanggan tidak konsisten, dan belum ada cara yang dapat diulang untuk mensegmentasi pelanggan berdasarkan nilai dan keterlibatan.
Pendekatan
Saya mengemas pembersihan dan segmentasi sebagai notebook berparameter yang berjalan headless di Docker, membaca dari data warehouse, dan menulis hasil ke S3, sehingga bisa dijadwalkan alih-alih dijalankan manual.
Arsitektur
Arahkan kursor ke komponen untuk melihat koneksinya · geser untuk menggeser · gunakan + / − untuk zoom
- Sumber
- Pemrosesan
- Model
- Agen / optimizer
- Output
Cara Kerja
- Bersihkan kontakNomor telepon divalidasi dan dinormalisasi ke E.164; email diperbaiki, domainnya dikoreksi dengan fuzzy matching, dan dicek lewat DNS/MX; nilai bersama atau dummy ditandai.
- Standarkan alamatSingkatan diperluas, dan pencocokan n-gram dengan basis data kode pos dan wilayah administratif publik mengoreksi kecamatan, kota, provinsi, dan kode pos.
- Fitur RFMRecency, frequency, dan monetary value dalam 12 bulan bergulir, secara keseluruhan dan per kategori produk, setelah bundel dan hadiah disaring.
- Klasterisasi77 model K-means terskala lintas marketplace, merek, dan kategori, divalidasi dengan skor silhouette.
- Pelabelan dengan LLMStatistik klaster dikirim ke Claude di AWS Bedrock dengan prompt few-shot dan output terstruktur Pydantic, memetakan klaster ke New, Potential Loyalist, Loyal & Champion, atau Churning.
- Publikasi & pantauSegmen disimpan di S3 sebagai Parquet; perbandingan antarperiode menandai pelanggan yang aktif kembali dan pergeseran segmen.
Yang Saya Bangun
- Job pembersihan terkontainerisasi untuk data telepon, email, dan alamat.
- Segmentasi RFM per merek dan per kategori dengan label segmen yang dihasilkan LLM.
- Laporan pergeseran segmen antarperiode.
- Penentuan tier afiliasi (XGBoost dan simulasi) serta prediksi pembelian berikutnya dengan survival analysis.
Dampak
Menggantikan segmentasi manual sekali jalan dengan pipeline yang dapat diulang dan dijadwalkan klien, serta memberi tim pemasaran nama segmen yang langsung bisa ditindaklanjuti.