Data pelanggan dapat memberikan banyak informasi yang berguna bagi sebuah bisnis. Dari data tersebut, kita dapat melihat karakteristik pelanggan, kebiasaan berbelanja, kategori produk yang diminati, serta pola yang dapat digunakan sebagai bahan pertimbangan dalam mengambil keputusan.

Pada Week 11 dan Week 12, saya mengerjakan project Customer Behavior Analysis. Project ini berfokus pada proses pengolahan dan analisis data pelanggan, mulai dari memahami dataset, melakukan eksplorasi data, membuat visualisasi, menemukan insight, sampai menyusun rekomendasi berdasarkan hasil analisis.

Analisis dilakukan menggunakan Python dan Jupyter Notebook. Dengan menggunakan tools tersebut, proses pengolahan data dapat dilakukan secara lebih terstruktur dan hasil analisis dapat didokumentasikan dengan lebih mudah.

1. Menentukan Topik Analisis

Tahap pertama dalam project adalah menentukan topik yang akan dianalisis. Pada project ini digunakan topik Customer Behavior Analysis atau analisis perilaku pelanggan.

Topik ini dipilih karena data pelanggan dapat digunakan untuk melihat berbagai pola, seperti karakteristik pelanggan, kebiasaan pembelian, kategori produk, serta informasi lain yang tersedia di dalam dataset.

Tujuan dari analisis ini adalah menemukan pola yang menarik dari data dan mengubah hasil tersebut menjadi informasi yang lebih mudah dipahami serta dapat digunakan sebagai bahan rekomendasi.

2. Menyiapkan Dataset

Setelah menentukan topik, langkah berikutnya adalah menyiapkan dataset yang akan digunakan. Dataset yang digunakan dalam project ini merupakan dataset mengenai customer shopping trends.

Dataset tersebut berisi informasi mengenai pelanggan dan aktivitas belanja yang dapat digunakan untuk melakukan analisis perilaku pelanggan.

Dataset kemudian dimuat ke dalam Jupyter Notebook menggunakan library Pandas.

import pandas as pd

df = pd.read_csv("shopping_trends.csv")

df.head()

Perintah df.head() digunakan untuk menampilkan beberapa baris pertama dari dataset dan memastikan data berhasil dibaca dengan benar.

3. Memahami Struktur Dataset

Sebelum melakukan analisis lebih lanjut, struktur dataset perlu diperiksa terlebih dahulu. Pemeriksaan dilakukan untuk mengetahui jumlah data, nama kolom, tipe data, dan informasi lain yang tersedia.

df.shape

df.info()

Dengan mengetahui struktur dataset, proses analisis dapat dilakukan dengan lebih terarah karena kita sudah mengetahui informasi apa saja yang tersedia.

4. Pemeriksaan Missing Value dan Duplicate

Data yang akan digunakan dalam analisis perlu diperiksa terlebih dahulu untuk mengetahui apakah terdapat data kosong atau data duplikat.

df.isnull().sum()

df.duplicated().sum()

Pemeriksaan ini dilakukan agar kondisi dataset dapat diketahui sebelum masuk ke tahap eksplorasi. Jika ditemukan masalah pada data, maka data dapat ditangani terlebih dahulu agar tidak mengganggu hasil analisis.

5. Exploratory Data Analysis

Setelah memahami kondisi dataset, tahap berikutnya adalah melakukan Exploratory Data Analysis (EDA).

EDA dilakukan untuk mengetahui pola, distribusi, perbandingan, dan hubungan yang terdapat di dalam data. Pada tahap ini, data tidak hanya dilihat dalam bentuk tabel, tetapi juga dianalisis menggunakan beberapa visualisasi.

Beberapa hal yang dapat dianalisis antara lain karakteristik pelanggan, kategori produk, kebiasaan pembelian, serta hubungan antarvariabel yang tersedia.

6. Menganalisis Karakteristik Pelanggan

Salah satu bagian penting dalam customer behavior analysis adalah mengetahui karakteristik pelanggan.

Karakteristik pelanggan dapat digunakan untuk melihat bagaimana data pelanggan tersebar berdasarkan informasi yang tersedia. Pengelompokan tersebut dapat membantu menemukan kelompok pelanggan yang lebih dominan dalam dataset.

Hasil analisis karakteristik pelanggan kemudian divisualisasikan agar perbedaan antar kelompok lebih mudah dilihat.

7. Menganalisis Kategori Produk

Selain karakteristik pelanggan, kategori produk juga dapat digunakan untuk melihat pola perilaku pembelian.

Dengan melakukan perbandingan jumlah pelanggan berdasarkan kategori, dapat diketahui kategori mana yang memiliki jumlah pelanggan lebih tinggi dibandingkan kategori lainnya.

df["Category"].value_counts()

Hasil tersebut kemudian dapat ditampilkan dalam bentuk grafik sehingga perbandingan antar kategori dapat terlihat dengan lebih jelas.

8. Membuat Visualisasi Data

Visualisasi digunakan untuk membantu memahami data dengan lebih mudah. Data dalam bentuk tabel terkadang sulit untuk dibandingkan secara langsung, sehingga grafik dapat membantu memperlihatkan pola yang terdapat di dalam dataset.

Beberapa jenis visualisasi yang digunakan dalam analisis antara lain bar chart, histogram, dan visualisasi lainnya yang disesuaikan dengan jenis data.

Setiap grafik tidak hanya dibuat untuk menampilkan data, tetapi juga digunakan untuk menemukan informasi yang dapat dijelaskan sebagai sebuah temuan.

9. Menemukan Finding dari Data

Setelah visualisasi dibuat, langkah berikutnya adalah mencari finding atau temuan dari data.

Finding diperoleh dengan melihat pola atau perbedaan yang muncul pada hasil analisis. Misalnya, terdapat kategori tertentu yang memiliki jumlah pelanggan lebih tinggi dibandingkan kategori lainnya.

Temuan tersebut kemudian digunakan sebagai dasar untuk menentukan insight yang lebih berkaitan dengan kebutuhan bisnis.

10. Mengubah Finding Menjadi Insight

Finding yang diperoleh dari hasil analisis kemudian diinterpretasikan menjadi business insight.

Insight bukan hanya menyebutkan angka atau hasil grafik, tetapi menjelaskan arti dari pola yang ditemukan. Dengan begitu, hasil analisis menjadi lebih mudah dipahami dan dapat digunakan sebagai bahan pertimbangan.

Insight yang dibuat tetap harus berdasarkan hasil pengolahan data sehingga tidak hanya berupa asumsi.

11. Menyusun Business Recommendation

Setelah memperoleh insight, tahap selanjutnya adalah menyusun recommendation.

Rekomendasi dibuat berdasarkan temuan yang sudah diperoleh dari data. Salah satu rekomendasi yang dapat diberikan adalah memperhatikan kategori dengan jumlah pelanggan yang tinggi serta melakukan segmentasi pelanggan berdasarkan karakteristik tertentu.

Penggunaan data sebagai dasar rekomendasi juga membantu agar keputusan yang dibuat tidak hanya berdasarkan perkiraan, tetapi memiliki dasar dari hasil analisis.

12. Menghubungkan Data dengan Keputusan Bisnis

Proses analisis data tidak berhenti pada pembuatan grafik. Hasil analisis perlu diterjemahkan menjadi informasi yang dapat digunakan untuk membantu proses pengambilan keputusan.

Alur yang digunakan dalam project ini dapat digambarkan sebagai berikut:

Data → Analysis → Finding → Insight → Recommendation → Business Decision

Dengan alur tersebut, hasil pengolahan data dapat digunakan untuk menghasilkan rekomendasi yang lebih terarah.

13. Hasil Akhir Project Week 11–12

Setelah seluruh tahapan dilakukan, project menghasilkan beberapa bagian utama, yaitu hasil pemahaman dataset, exploratory data analysis, visualisasi, finding, business insight, dan recommendation.

Seluruh hasil tersebut kemudian digunakan sebagai bahan untuk menyusun dokumentasi dan presentasi project.

14. Kesimpulan

Project Customer Behavior Analysis pada Week 11 dan Week 12 memberikan pengalaman dalam menerapkan proses analisis data secara langsung, mulai dari memahami dataset sampai menghasilkan insight dan rekomendasi.

Proses analisis dimulai dengan menyiapkan dan memahami data, melakukan pemeriksaan data, melakukan exploratory data analysis, membuat visualisasi, menemukan pola, kemudian mengubah hasil tersebut menjadi insight dan rekomendasi.

Dari project ini dapat dipahami bahwa analisis data bukan hanya tentang mengolah angka atau membuat grafik. Hal yang lebih penting adalah bagaimana hasil analisis dapat dijelaskan dengan jelas dan digunakan sebagai dasar dalam mengambil keputusan.

Dengan demikian, proses Data → Analysis → Insight → Recommendation menjadi bagian penting dalam menghasilkan analisis yang lebih bermanfaat.

Penulis : Devina Ghea Amanda