Portfolio detail

Data-Driven Loyalty Store Selection

Multi-Criteria Scoring + ILP untuk portfolio toko

Decision support system yang menggantikan pemilihan toko subjektif dengan roster loyalitas yang terukur, budget-constrained, dan dapat diaudit.

Marketing AnalyticsLoyalty StrategyInteger Linear ProgrammingMulti-Criteria ScoringPythonPuLPDecision SupportDesign Science

FR / PortfolioData-Driven Loyalty Store Selection

Tentang proyek

Proyek riset Design Science ini mengembangkan metode pemilihan toko untuk program loyalitas pada distribusi produk konstruksi di Indonesia. Sistem menggabungkan Multi-Criteria Scoring dengan Integer Linear Programming untuk menilai dan memilih toko berdasarkan performa transaksi, tanpa mengabaikan anggaran maupun keseimbangan portfolio.

Analisis mencakup 832.906 transaksi dari 18.551 toko di tiga wilayah distribusi non-Jawa–Bali. Arsitektur kategorisasi brand di tingkat provinsi dirancang agar Main Brand, Companion Brand, dan Fighting Brand dapat dipetakan secara tepat pada pasar yang heterogen.

Hasil model divalidasi secara prospektif pada periode Januari–Maret 2026 dan diuji melalui enam metode pembanding, sensitivity analysis, serta pengujian statistik. Identitas perusahaan, toko, merek, dan nilai moneter absolut tetap dianonimkan.

Tantangan

Pemilihan peserta loyalitas sebelumnya bergantung pada pertimbangan lapangan yang subjektif. Akibatnya, toko potensial dapat terlewat, toko berkinerja rendah tetap mengonsumsi anggaran, dan keputusan sulit diaudit secara konsisten.

Pendekatan

Riset menggunakan Spearman-derived objective weights untuk membangun composite score dari Ratio-to-Cluster, frekuensi transaksi, dan pertumbuhan tonase. ILP kemudian memaksimalkan total score dengan constraint jumlah toko, budget, dan proporsi lima Pareto cluster. Enam metode dibandingkan menggunakan walk-forward dan prospective out-of-sample validation.

Hasil

ILP-A Mirror menghasilkan rata-rata 174,48 ton per toko per bulan pada periode validasi—8,35% lebih tinggi daripada seleksi manual dan signifikan secara statistik. Model mengidentifikasi 159.546 index-ton per bulan potensi tersembunyi, dengan stabilitas rekomendasi Jaccard ≥0,965 pada seluruh perturbasi bobot ±20%.

Decision architecture

Dari transaksi menjadi portfolio loyalitas.

Artefak menghubungkan data, objective weighting, optimasi, dan evaluasi prospektif dalam satu proses keputusan yang dapat diaudit.

01 / Data foundation

Transaksi menjadi profil toko

Data transaksi dibersihkan dan diagregasi dua tahap untuk membentuk performa bulanan yang adil bagi toko dengan tingkat aktivitas berbeda.

832.906 transaksi
18.551 toko
12 bulan training

02 / Objective weighting

Bobot ditentukan dari data

Pearson, Spearman, dan Entropy Weight Method dibandingkan melalui walk-forward validation. Distribusi yang sangat skewed membuat Spearman menjadi pilihan paling konsisten.

Ratio-to-Cluster 47,75%
Frequency 41,86%
Growth 10,39%

03 / Portfolio design

Optimasi dengan constraint bisnis

ILP memaksimalkan composite score dengan batas jumlah toko, anggaran, dan proporsi lima Pareto cluster agar portfolio tetap bernilai sekaligus operasional.

Budget ceiling
Selection quota
5 cluster caps

04 / Prospective validation

Diuji pada periode berikutnya

Rekomendasi yang dibentuk dari data 2025 dievaluasi pada transaksi Januari–Maret 2026 menggunakan Mann–Whitney U dan rank-biserial effect size.

Out-of-sample
Pairwise tests
Robustness analysis

Prospective validation

Constraint yang tepat mengalahkan score semata.

Data 2025 digunakan untuk membangun rekomendasi, lalu performanya diuji pada Januari–Maret 2026. ILP-A mempertahankan komposisi cluster roster existing dan menjadi satu-satunya metode feasible yang unggul signifikan atas seleksi manual.

+8,35% vs manual

ILP-A Mirror

174,48ton/toko/bulan

Satu-satunya metode feasible yang unggul signifikan

Baseline

Manual Existing

161,03ton/toko/bulan

Roster aktual sebagai pembanding operasional

−1,89% vs manual

ILP-B Relaxed

157,99ton/toko/bulan

Fleksibilitas cluster berlebih menurunkan hasil

−6,13% vs manual

Greedy

151,16ton/toko/bulan

Tidak signifikan dan melampaui batas biaya

Business value

Lebih terukur, tetap realistis.

Optimasi tidak berhenti pada skor model. Hasilnya diterjemahkan menjadi potensi portfolio, disiplin anggaran, dan stabilitas rekomendasi.

159.546index-ton/bulan

Potensi tonase tersembunyi dari toko berkinerja tinggi yang belum masuk roster.

101,03%utilisasi budget

Portfolio ILP-A menjaga biaya sangat dekat dengan batas roster existing.

≥0,965Jaccard similarity

Rekomendasi tetap stabil pada seluruh skenario perturbasi bobot ±20%.

832.906transaksi dianalisis

18.551toko unik

6metode dibandingkan

5Pareto cluster