62.30% pelanggan (12.086 orang) diprediksi akan churn oleh model XGBoost, sedangkan tingkat churn aktual (ground-truth) pada data validasi OOT adalah 91.76% (17.800 orang). Hal ini menunjukkan perlunya evaluasi mendalam terhadap strategi retensi pelanggan perusahaan.

Model XGBoost mencapai performa AUC sebesar 0.95 pada data uji internal (2024) dan mempertahankan 0.85 pada validasi out-of-time (2025), membuktikan model sangat andal memprediksi data baru yang belum pernah dilihat.

Segmen Loyal Customers (5.166 orang) menyumbang porsi pendapatan terbesar dengan rata-rata belanja Rp 1,88 Juta per pelanggan meskipun jumlahnya lebih sedikit — segmen ini perlu dijadikan prioritas utama dalam perencanaan retensi pelanggan.

Cluster 0: "At-Risk Customers / Pelanggan Pasif" (16.818 Orang)
Sifat Asli: Memiliki Recency yang cukup buruk (rata-rata 677 hari atau nyaris 2 tahun tidak belanja), dengan frekuensi belanja rendah yaitu 1,7 kali, dan menghabiskan uang rata-rata Rp 436 Ribu.
Analisis: Ini adalah kelompok populasi terbesar di perusahaan. Mereka pernah membeli produk PT.XYZ lebih dari sekali di masa lalu, namun kini sudah sangat lama tidak kembali. Tim Marketing perlu mengevaluasi mengapa kelompok sebesar ini berhenti berbelanja.

Cluster 1: "Lost Customers / Pembeli Sekali Coba" (14.977 Orang)
Sifat Asli: Rata-rata hanya berbelanja 1 kali (Frequency 1.01), menghabiskan nominal terkecil yaitu hanya Rp 95 Ribu. Recency-nya mencapai 670 hari (mendekati 2 tahun lalu).
Analisis: Ini kemungkinan besar adalah pelanggan iseng yang hanya mencoba-coba beli sedikit produk atau produk termurah PT.XYZ di masa lalu, dan tidak pernah kembali lagi.

Cluster 2: "Recent / Potential Customers" (3.336 Orang)
Sifat Asli: Memiliki nilai Recency terbaik dibandingkan cluster lain, yaitu berbelanja rata-rata 112 hari lalu (sekitar 3,5 bulan yang lalu). Frekuensi belanjanya di angka 1,79 kali dengan nominal belanja rata-rata Rp 357 Ribu.
Analisis: Ini adalah kelompok pelanggan yang masih cukup "segar" dan aktif baru-baru ini. Karena mereka belum lama bertransaksi, Tim Marketing harus segera memberikan treatment (seperti promo lanjutan) agar mereka semakin betah dan frekuensi belanjanya bisa meningkat.

Cluster 3: "Loyal Customers / Pelanggan Setia" (5.166 Orang)
Sifat Asli: Mereka berbelanja dengan frekuensi tertinggi mencapai rata-rata 9 kali (Frequency 9.07) dan telah menghabiskan rata-rata Rp 1,88 Juta (Rp 1.885.154). Namun, Recency mereka berada di angka 523 hari (sekitar 1,4 tahun lalu).
Analisis: Ini adalah mantan pahlawan ritel perusahaan. Mereka dulu sangat menyukai produk PT.XYZ (terbukti rata-rata belanjanya sampai 9 kali), tapi entah kenapa sudah lebih dari setahun belum belanja lagi. Perusahaan harus memprioritaskan kampanye win-back (seperti voucher spesial) untuk memanggil mereka kembali.

11,700 customers are classified as High Risk — the largest risk group, representing a major retention challenge and representing the largest group identified as having elevated churn risk.

SUMIATI leads with the highest churn score of 5.89 despite 65 transactions and Rp 17.7M in spend — signaling disengagement despite historical loyalty, possibly due to declining transaction consistency.

Customers with frequency ≥ 20 but high churn scores are the most valuable recovery targets — they know the brand but have reduced activity, making re-engagement cost-effective.

An AUC of 0.95 on internal test places this model in the "excellent" range — it can reliably distinguish churners from non-churners, indicating a strong ability to distinguish churn and non-churn customers.

The 0.85 OOT AUC in 2025 confirms the model generalizes to new data without overfitting — a 10-point drop is within acceptable bounds for time-series validation and indicates indicating that the model remains stable when evaluated on unseen data.

Recommendation: conduct periodic model evaluation with new transaction data to maintain AUC above 0.80 as customer behavior evolves throughout the year.

AvgTransactionValue (32%) is the #1 predictor — customers whose average purchase drops significantly are most likely to churn. Monitor for any 20%+ decline in rolling 3-month average transaction value.

StdTransactionValue (17%) captures inconsistency — customers with erratic spending (high variation) are signaling disengagement. Use consistency-based loyalty rewards to stabilize behavior.

AvgQty (12%) and Frequency (11%) together indicate volume commitment. Create bulk-purchase incentives and subscription programs to lock in recurring orders and reduce churn probability.

NumCategories (9%) shows that cross-category buyers are more loyal — expand product discovery through bundle promotions and category recommendations to diversify customer baskets.

This analysis successfully fulfills all 5 thesis objectives: RFM segmentation delivered 4 clear behavioral clusters; XGBoost identified 91.76% of customers at churn risk; the model achieved AUC 0.95 (internal) / 0.85 (OOT); AvgTransactionValue emerged as the top churn driver; and 6 actionable retention strategies have been formulated for PT XYZ.