Pernahkah Anda mengalami penurunan jumlah pelanggan tanpa alasan yang jelas? Umumnya, permasalahan ini ditemukan pada perusahaan telekomunikasi.
Tanpa melakukan analisis yang tepat, mereka akan kesulitan untuk menemukan alasan “kenapa pelanggan pergi?” yang pada akhirnya menyebabkan kehilangan pengguna dan potensi pendapatan berulang.
Dalam artikel ini, Coding Studio menyajikan simulasi studi kasus fiktifl dari DataCamp–serta insight dari studi nyata seperti SyriaTel—untuk memberikan Anda gambaran tentang bagaimana cara melakukan analisis customer churn dengan Excel.
Latar Belakang Masalah Churn di Perusahaan Telekomunikasi
Berikut adalah contoh masalah fiktif yang sedang dihadapi oleh company A sebagai salah satu perusahaan telekomunikasi:
1. Peningkatan Churn
Dalam 6 bulan terakhir, churn rate pada company A meningkat dari 8% menjadi 14%. Kenaikan ini cukup signifikan dan menimbulkan penurunan revenue sebesar ±12%.
2. Pemanfaatan Data Pelanggan yang Belum Optimal
Company A memiliki lebih dari 50.000 data pelanggan aktif, tetapi hanya digunakan untuk laporan bulanan sederhana. Mereka belum melakukan analisis lanjutan untuk memahami perilaku pelanggan.
3. Belum Memahami Faktor Penyebab Perubahan Churn
Tim internal hanya melihat angka churn tanpa insight. Misalnya, mereka tahu bahwa churn pelanggan tinggi di bulan Maret (15%), tetapi tidak tahu penyebabnya.
Pendekatan Analisis Churn dengan Excel
Berikut adalah contoh dataset fiktif tentang langganan per pelanggan yang dimiliki oleh company A ini:
| Customer ID | Tenure (bulan) | Paket | Usage (GB) | Monthly Spend | Churn |
| C001 | 2 | Basic | 5 | 50.000 | Yes |
| C002 | 12 | Premium | 40 | 150.000 | No |
| C003 | 3 | Basic | 7 | 50.000 | Yes |
| C004 | 24 | Standard | 25 | 100.000 | No |
| C005 | 1 | Basic | 3 | 50.000 | Yes |
| C006 | 18 | Premium | 35 | 150.000 | No |
| C007 | 4 | Standard | 10 | 100.000 | Yes |
| C008 | 30 | Premium | 50 | 150.000 | No |
Dalam simulasi ini, tim data analytics internal mereka akan mengolah data pelanggan dan mengidentifikasi pola churn menggunakan Microsoft Excel sebagai alat utamanya.
1. Data Cleaning dan Validasi
Pertama-tama, tim company A menemukan sekitar 3% data duplikat dan 5% data kosong pada kolom usage.
Mereka lalu menghapus duplikasi, memperbaiki format yang tidak seragam, dan menangani data kosong agar bentuknya konsisten dan memberikan hasil analisis yang akurat.
2. Exploratory Data Analysis (EDA)
Setelah data siap, tim akan mengeksplorasi dataset menggunakan pivot table dan filter untuk melihat distribusi pelanggan.
Di sini, mereka akan membandingkan churn rate berdasarkan paket layanan dan durasi pelanggan. Berikut adalah temuan yang didapatkan:
- Churn rate pelanggan < 6 bulan = 18%
- Churn rate pelanggan > 12 bulan = 5%
Selain itu, ditemukan juga bahwa:
- Paket Basic memiliki churn tertinggi: 20%
- Paket Premium memiliki churn terendah: 6%
3. Identifikasi Pola Churn
Melalui analisis simulasi ini, company A berhasil menemukan pola perilaku pelanggan yang konsisten, yaitu:
- Pelanggan dengan usage < 10 GB memiliki churn rate 22%
- Pelanggan dengan usage > 30 GB hanya 4% churn
- Pelanggan dengan spend rendah (≤50.000) memiliki churn lebih tinggi dibandingkan yang premium
Dari sini, mereka sadar bahwa pelanggan dengan masa langganan singkat, jarang menggunakan layanan, atau mengambil paket dengan harga rendah cenderung lebih cepat berhenti menggunakan produk.
4. Visualisasi Data
Sebagai akhir dari simulasi, company A lalu membuat dashboard sederhana di Excel berisikan data-data berikut agar dapat diinterpretasikan dengan mudah:
- Grafik churn bulanan (Jan–Jun: 8% → 14%)
- Bar chart churn berdasarkan paket
- Pie chart distribusi churn vs non-churn
Pola Customer Churn yang Ditemukan
Setelah analisis dilakukan, tim company A memahami bahwa churn bukan sekadar angka, tetapi pola perilaku yang dapat dipelajari.
Melalui analisis ini, company A menemukan bahwa pelanggan dengan tenure kurang dari enam bulan, memiliki aktivitas rendah, atau berlangganan paket basic lebih rentan churn.
1. Pelanggan Baru Lebih Rentan Churn
Data menunjukkan bahwa pelanggan company A dengan tenure < 6 bulan memiliki churn rate 18%, jauh lebih tinggi dibanding pelanggan lama (5%).
Hal ini biasanya terjadi karena mereka mendapatkan pengalaman awal yang kurang optimal atau tidak memenuhi ekspektasinya.
2. Aktivitas Rendah Meningkatkan Risiko Churn
Pelanggan dengan penggunaan rendah (<10 GB) memiliki churn hingga 22%. Hal ini menunjukkan mereka tidak mendapatkan cukup value dari layanan.
3. Paket Layanan Tertentu Memiliki Churn Tinggi
Paket Basic memiliki churn rate tertinggi (20%), sementara Premium hanya 6%. Bisa jadi, hal ini terjadi karena ada ketidaksesuaian antara harga, fitur, dan kebutuhan pelanggan.
Langkah Lanjutan yang Dapat Diambil Berdasarkan Hasil Analisis Churn
Meskipun hanya simulasi, skenario ini menunjukkan bagaimana tim perusahaan dapat menerjemahkan insight data menjadi strategi nyata dalam operasional bisnis.
Berikut adalah beberapa tindak lanjut yang diterapkan oleh company A:
1. Meningkatkan Onboarding Pelanggan Baru
Tim internal company A harus merancang ulang proses onboarding agar pelanggannya bisa memahami manfaat layanan dengan cepat.
Mereka juga dapat mengedukasi pelanggan supaya tidak kebingungan untuk menggunakan layanan ini sejak awal.
2. Membuat Program Engagement
Tim menjalankan berbagai program untuk meningkatkan interaksi pelanggan, seperti campaign, notifikasi, dan fitur tambahan.
Strategi ini membantu menjaga interaksi pengguna dan meningkatkan loyalitas pelanggan secara bertahap.
3. Melakukan Penyesuaian Strategi Harga
Tim company A lalu akan mengevaluasi kembali paket layanan dengan churn tinggi dan menyesuaikan harga serta fitur agar lebih sesuai kebutuhan pelanggan. Perubahan ini membuat produk mereka tampak lebih kompetitif dibandingkan kompetitor.
4. Penurunan Churn Rate dan Peningkatan Retensi
Setelah mengimplementasikan strategi baru, tim internal company A lalu mengevaluasi penurunan churn secara bertahap.
Seiring dengan perbaikan pengalaman, retensi pelanggan akan meningkat–disusul dengan peningkatan stabilitas bisnis.
Manfaatkan Hasil Analisis Customer Churn untuk Mengambil Keputusan Bisnis yang Berdampak
Studi kasus ini menunjukkan analisis data tidak harus kompleks untuk memberikan dampak nyata.
Melalui simulasi terstruktur, Anda dapat memahami bagaimana tim data analytics mengolah data, menemukan pola, dan membantu pengambilan keputusan bisnis.
Untuk mendapatkan lebih banyak lagi studi kasus yang relevan dengan kebutuhan Anda, mari ikuti kursus Excel dari Coding Studio!
Selain mendapatkan materi lengkap tentang formula Excel yang dibutuhkan dalam analisis, Anda juga akan mendapatkan project nyata serta studi kasus real-case. Ini membuat Anda lebih siap menghadapi skenario nyata di dunia kerja.
Tingkatkan skill Excel Anda bersama Coding Studio dan jadilah profesional yang unggul di dunia kerja!
Sumber Referensi:
- Case Study: Analyzing Customer Churn in Excel Course | DataCamp
- [1904.00690] Customer churn prediction in telecom using machine learning and social network analysis in big data platform