Data Analysis · Business Intelligence · Customer Analytics · 2026
Analisis Churn Pelanggan dan Strategi Retensi
Studi kasus bisnis subscription menggunakan dataset KKBox. Fokusnya bukan hanya memprediksi churn, tapi memahami penyebabnya. Hasilnya diterjemahkan menjadi strategi retensi yang bisa langsung dipakai bisnis.
- 6 bulanPeriode dataOktober 2016–Maret 2017
- 4 sumberData digabungkanSatu tabel analitis pelanggan
- 4 areaSudut analisisDemografi, langganan, pembayaran, dan aktivitas
Isi studi kasus
Tujuan
Mengidentifikasi faktor utama penyebab churn, menganalisis perilaku pelanggan dari sisi langganan, pembayaran, dan keterlibatan, lalu menyusun strategi retensi berbasis data.
Hasil dan keterbatasan
Churn ternyata paling banyak dipengaruhi faktor perilaku dan transaksi, bukan demografi. Churn tinggi terjadi di awal langganan dan di fase pertengahan loyalitas. Pengguna yang bergantung pada diskon lebih rentan churn, sementara jumlah perpanjangan langganan menjadi sinyal retensi terkuat. Keterbatasan, analisis ini berbasis korelasi, bukan model prediktif, dan hanya mencakup periode Oktober 2016 sampai Maret 2017.
Bukti visual
Detail teknis
Buka detail implementasi
Peran dan kontribusi
Mengerjakan seluruh analisis sendiri. Membersihkan data dari empat tabel berbeda, membuat fitur baru, melakukan eksplorasi data, dan menyusun insight bisnis serta rekomendasi retensi.
Metodologi
Menggabungkan empat sumber data pelanggan menjadi satu tabel analitis. Membersihkan outlier dan nilai kosong, lalu membangun fitur baru di empat area, yaitu demografi, siklus langganan, perilaku pembayaran, dan aktivitas pengguna. Dilanjutkan dengan analisis eksplorasi dan analisis korelasi untuk menemukan faktor pendorong churn.
Teknologi
- Python
- Pandas
- NumPy
- Matplotlib
- Seaborn
- Jupyter Notebook
- SQL