Agent Based Modelling untuk Memodelkan Konsumen Saat Launching Produk

Beberapa malam yang lalu, saya melihat kembali video presentasi Steve Jobs saat pertama kali memperkenalkan iPhone. Saya bertanya-tanya, apakah pada saat itu Apple sudah memprediksi bahwa kemunculan iPhone ternyata mengubah landscape pasar smartphone. Setiap kali produk baru launching di market, salah satu analisa yang biasa dilakukan adalah memprediksi apakah produk tersebut akan laku atau tidak. Ada berbagai pendekatan dan metode untuk melakukan analisa ini. Namun berdasarkan pengalaman saya, agent based modelling sangat jarang digunakan.

Nah, kali ini saya hendak menggunakan agent based modelling untuk memodelkan perilaku konsumen saat suatu produk launching. Untuk memudahkan penjelasan, saya akan membuat beberapa asumsi dan kondisi tertentu.

---

Simulasi Launching Produk Baru

Misalkan suatu produk smartphone dengan harga high-end hendak launching di pasaran. Di market ada 10.000 orang konsumen dengan profil yang berbeda-beda. Konsumen memutuskan untuk membeli smartphone tersebut berdasarkan pengaruh sosial, preferensi pribadi, dan strategi pemasaran.

Desain Agen

Setiap agen merepresentasikan satu konsumen dengan atribut:

• Preferensi konsumen terhadap produk: tinggi, sedang, rendah.
• Daya beli: mampu beli atau tidak.
• Pengaruh sosial: seberapa besar dipengaruhi oleh agen lain.
• Status adopsi: belum beli, tertarik, sudah beli.

Environment Simulasi

• Jumlah konsumen (agen): 10.000 orang.
• Interaksi sosial: agen bisa melihat keputusan 10 agen lainnya (seperti teman-teman pada dunia nyata). Jika konsumen melihat 10 temannya membeli, maka akan meningkatkan peluang konsumen tersebut untuk ikut membeli smartphone.
• Waktu simulasi: 30 hari.
• Strategi pemasaran: Akan dilakukan diskon pada tiga hari berturut-turut pada hari ke 10, 11, dan 12. Diharapkan diskon tersebut akan meningkatkan peluang konsumen membeli smartphone.

Aturan Simulasi

1. Agen dengan preferensi tinggi dan daya beli cenderung membeli lebih cepat.
2. Agen yang melihat > 10 tetangga sudah membeli akan lebih tertarik.
3. Diskon meningkatkan kemungkinan beli sebesar 10 - 20%.

Hal yang akan saya amati dari simulasi ini adalah:

• Jumlah agen yang membeli per hari.
• Efek diskon dan iklan terhadap lonjakan pembelian.
• Visualisasi jaringan pengaruh sosial.

---

Implementasi di R

Saya akan membuat kode R untuk melakukan simulasi ini. Pertama-tama saya akan definisikan berapa banyak agen dan hari.

# Jumlah agen dan hari simulasi
num_agents <- 10000
num_days   <- 30

Sekarang saya akan mendefinisikan beberapa atribut untuk semua agen.

# Inisialisasi atribut agen
preferensi      <- sample(c("tinggi", "sedang", "rendah"), 
                          num_agents, 
                          replace = TRUE, 
                          prob = c(0.1, 0.5, 0.4))
daya_beli       <- sample(c(TRUE, FALSE), num_agents, replace = TRUE, prob = c(.9,.1))
pengaruh_sosial <- runif(num_agents, 0.01, 0.5)
status          <- rep("belum_beli", num_agents)

# Data frame untuk menyimpan data pengaruh sosial
pengaruh_data <- data.frame(
  Hari = integer(),
  Rata_rata_Pengaruh = numeric(),
  SD_Pengaruh = numeric(),
  Min_Pengaruh = numeric(),
  Max_Pengaruh = numeric(),
  Total_Pembeli = integer(),
  Pembelian_Hari = integer()
)

# Fungsi probabilitas beli
probabilitas_beli <- function(pref, pengaruh, tetangga_beli, hari) {
  base_prob <- switch(pref,
                      "tinggi" = runif(1,.2,.3),
                      "sedang" = runif(1,.1,.2),
                      "rendah" = runif(1,.05,.1))
  base_prob <- base_prob + pengaruh * (tetangga_beli / 10)
  if (hari == 10) base_prob <- base_prob + runif(1,.1,.2)
  if (hari == 11) base_prob <- base_prob + runif(1,.1,.2)
  if (hari == 12) base_prob <- base_prob + runif(1,.1,.2)
  return(min(base_prob, 1))
}

Saatnya saya run simulasinya!

# Simulasi dengan penyimpanan data pengaruh
pembelian_per_hari <- numeric(num_days)
pengaruh_pembeli_harian <- list()

for (hari in 1:num_days) {
  pembelian_hari_ini <- 0
  pengaruh_pembeli <- numeric(0)
  
  for (i in 1:num_agents) {
    if (status[i] == "belum_beli" && daya_beli[i]) {
      tetangga <- sample(1:num_agents, 10)
      tetangga_beli <- sum(status[tetangga] == "sudah_beli")
      prob <- probabilitas_beli(preferensi[i], pengaruh_sosial[i], tetangga_beli, hari)
      
      if (runif(1) < prob) {
        status[i] <- "sudah_beli"
        pembelian_hari_ini <- pembelian_hari_ini + 1
        pengaruh_pembeli <- c(pengaruh_pembeli, pengaruh_sosial[i])
      }
    }
  }
  
  pembelian_per_hari[hari] <- pembelian_hari_ini
  pengaruh_pembeli_harian[[hari]] <- pengaruh_pembeli
  
  # Simpan statistik pengaruh sosial
  if (length(pengaruh_pembeli) > 0) {
    pengaruh_data <- rbind(pengaruh_data, data.frame(
      Hari = hari,
      Rata_rata_Pengaruh = mean(pengaruh_pembeli),
      SD_Pengaruh = sd(pengaruh_pembeli),
      Min_Pengaruh = min(pengaruh_pembeli),
      Max_Pengaruh = max(pengaruh_pembeli),
      Total_Pembeli = sum(status == "sudah_beli"),
      Pembelian_Hari = pembelian_hari_ini
    ))
  } else {
    pengaruh_data <- rbind(pengaruh_data, data.frame(
      Hari = hari,
      Rata_rata_Pengaruh = 0,
      SD_Pengaruh = 0,
      Min_Pengaruh = 0,
      Max_Pengaruh = 0,
      Total_Pembeli = sum(status == "sudah_beli"),
      Pembelian_Hari = pembelian_hari_ini
    ))
  }
}

Simulasi sudah selesai. Sekarang saya akan lakukan beberapa analisa sebagai berikut:

Pertama-tama saya akan melihat berapa banyak agen yang akhirnya membeli:

Sekitar 90% dari agen akhirnya membeli smartphone tersebut sementara 10% lainnya belum membeli hingga pada hari ke 30. Kita bisa meihat pembagian konsumen yang saya generate sebagai berikut:

Ternyata 972 agen tidak membeli smartphone karena memang bukan merupakan target marketnya. Alasannya adalah agen-agen tersebut tidak memiliki daya beli. Sementara ada 12 agen yang termasuk late adapter belum sempat membeli smartphone. Sekarang saya akan membuat grafik berapa banyak agen yang membeli smartphone per hari.

Terlihat dari grafik di atas bahwa pembelian terbanyak terjadi pada saat 3 hari pertama. Setelah itu pembelian mulai melambat. Periode diskon pada hari ke 10-12 sedikit mendongkrak pembelian kemudian melambat lagi.

Grafik di atas memperlihatkan kumulatif banyaknya agen yang membeli smartphone selama periode 30 hari. Banyaknya agen yang membeli mulai saturated pada hari ke 13 - 14. Sekarang saya akan memperlihatkan berapa besar pengaruh orang lain terhadap keputusan pembelian si agen.

Jika dilihat, pengaruh sosial terbesar terjadi pada 10 hari pertama launching. Setelah itu, karena pembeli sudah saturated, maka pengaruh sosial menjadi turun dan hilang.

Kesimpulan

Agent based modelling bisa menjadi salah satu tools untuk memetakan strategi marketing sales saat produk pertama kali launching. Model di atas bisa disempurnakan lagi dengan menambahkan beberapa asumsi dan interaksi yang ada.

---

if you find this article helpful, support this blog by clicking the ads.