Penelitian ini didasari dari kondisi banyaknya pelanggan data internet PT Telkomsel yang berpindah menjadi pelanggan non data. Hal ini salah satunya disebabkan karena adanya keinginan pelanggan untuk terus mencari produk atau layanan yang benar-benar mereka butuhkan dan memberikan benefit yang lebih bagus. Selain itu, persaingan antar operator telekomunikasi juga menjadi salah satu penyebabnya terkait dengan penawaran harga yang lebih kompetitif dan benefit yang lebih menguntungkan.
Dengan penelitian ini, penulis ingin memberikan insight kepada Telkomsel dalam memprediksi pelanggan data yang berubah menjadi non data user secara akurat menggunakan predictive analytics. Kemudian dibuatkan segmentasi terhadap hasil dari prediksi berdasarkan customer behavior, guna mengelompokan pelanggan tersebut yang berpotensi berubah menjadi pelanggan non data dengan penawaran layanan yang sesuai.
Sumber data yang dipergunakan berasal dari data Telkomsel yang berkaitan dengan behavior pelanggan meliputi total tagihan, penggunaan data, SMS, percakapan, dan informasi lapse, dalam periode bulan Januari sampai dengan bulan Maret 2019. Dilakukan pengolahan data melalui data maining dengan model logistic regression menggunakan SPSS data modeler.
Logistik regression ini digunakan untuk memprediksi pelanggan yang akan lapse yang sebelumnya data user menjadi non data user dengan menggunakan 14 input variabel dengan tipe numerik. Analytics based table diambil dari data pelanggan yang lapse di bulan April 2019 sebesar 40.991 dan mengambil sample pelanggan yang tetap menjadi pelanggan data dibulan tersebut sebesar 12.297 pelanggan dari total 390.567 pelanggan. Analytics based table tersebut dibagi menjadi 2 data set yaitu 70% training data set & 30% testing data set baik untuk pelanggan yang lapse maupun yang tidak lapse dari data user. Maka dari total training dan testing data set sebesar 53.288 pelanggan, diprediksi 44.818 pelanggan akan lapse menjadi non data user dengan akurasi model mencapai 86% dan menghasilkan top 6 significant variable yaitu Day of Broadband Average, Total Recharge Average, Length of Stay Average, Volume quota chat Average , Volume quota Video Average, dan Payload Average.
Adapun hasil segmentasi menggunakan k-means, diperoleh jumlah cluster sebanyak 5 dengan silhouette index 0.43 yang berarti validitas segmentasi masuk dalam kategori fair.
Dari hasil penelitian ini diharapkan dapat memberikan gambaran model dan hasil prediksi migrasi dan juga karakteristik dari segmentasi pelanggan prabayar yang akan lapse menjadi non data user, dan juga dapat digunakan oleh operator telekomunikasi dalam memberikan penawaran khusus dan program pemasaran yang tepat sesuai dengan karakteristik segmen.
Kata Kunci: Segmentasi pasar, perilaku pelanggan, strategi pemasaran, logistic
regression, K-Means.