Iklans – Mengenal #Media Mix Modeling untuk Mengukur #Efektivitas Iklan – Mengukur efektivitas #iklan menjadi salah satu tantangan penting dalam menjalankan #strategi pemasaran digital maupun konvensional. Banyak #bisnis menggunakan berbagai saluran iklan secara bersamaan, seperti #Google Ads, #media sosial, #iklan video, #televisi, #radio, hingga iklan luar ruang. Masalahnya, semakin banyak saluran yang digunakan, semakin sulit mengetahui saluran mana yang benar-benar memberikan kontribusi terhadap penjualan.

Salah satu metode yang dapat digunakan untuk menjawab persoalan tersebut adalah Media Mix Modeling (MMM). Metode ini membantu bisnis menganalisis hubungan antara aktivitas pemasaran dengan hasil bisnis, seperti penjualan, pendapatan, atau jumlah pelanggan.

Baca Juga: Mengapa Attribution Tidak Selalu Menunjukkan Penyebab Penjualan?

Media Mix Modeling dapat menjadi pilihan terutama bagi perusahaan yang ingin melihat efektivitas pemasaran secara lebih menyeluruh, bukan hanya berdasarkan data dari satu platform iklan.

Apa Itu Media Mix Modeling?

Media Mix Modeling adalah metode analisis statistik yang digunakan untuk mengukur pengaruh berbagai aktivitas pemasaran terhadap hasil bisnis dalam periode tertentu.

Secara sederhana, MMM mencoba menjawab pertanyaan:

“Seberapa besar kontribusi masing-masing saluran pemasaran terhadap hasil yang diperoleh bisnis?”

Misalnya sebuah perusahaan menjalankan kampanye melalui:

• Google Ads
• Facebook dan Instagram Ads
• YouTube Ads
• Televisi
• Radio
• Billboard
• Promosi melalui marketplace

Pada akhir bulan, perusahaan mengalami peningkatan penjualan. Namun, peningkatan tersebut belum tentu hanya berasal dari satu saluran iklan.

Media Mix Modeling dapat digunakan untuk menganalisis hubungan antara pengeluaran pemasaran pada berbagai saluran dengan perubahan penjualan dari waktu ke waktu.

Mengapa Media Mix Modeling Penting?

Salah satu masalah dalam pengukuran iklan adalah perusahaan sering melihat performa berdasarkan metrik dari masing-masing platform.

Contohnya, Google Ads mungkin menunjukkan jumlah konversi tertentu, sedangkan Meta Ads juga melaporkan konversi. Jika kedua platform digunakan secara bersamaan, perusahaan bisa kesulitan menentukan kontribusi sebenarnya dari masing-masing saluran.

Selain itu, keputusan pembelian konsumen tidak selalu terjadi setelah melihat satu iklan.

Seseorang mungkin melihat iklan di Instagram, kemudian mencari informasi melalui Google, menonton video review di YouTube, dan akhirnya melakukan pembelian beberapa hari kemudian.

Karena itu, melihat satu saluran secara terpisah dapat memberikan gambaran yang tidak lengkap.

MMM mencoba melihat aktivitas pemasaran secara lebih luas dengan menggunakan data historis.

Bagaimana Cara Kerja Media Mix Modeling?

Pada dasarnya, Media Mix Modeling menggunakan data historis untuk mencari hubungan antara aktivitas pemasaran dan hasil bisnis.

Data yang digunakan dapat mencakup:

• Pengeluaran iklan
• Penjualan
• Jumlah transaksi
• Harga produk
• Promosi
• Musim atau periode tertentu
• Hari libur
• Aktivitas kompetitor
• Kondisi ekonomi
• Distribusi produk
• Aktivitas pemasaran lainnya

Data tersebut biasanya dikumpulkan berdasarkan periode tertentu, misalnya harian atau mingguan.

Sebagai contoh, sebuah perusahaan memiliki data selama dua tahun. Setiap minggu terdapat informasi mengenai jumlah penjualan dan pengeluaran untuk Google Ads, Meta Ads, YouTube Ads, televisi, serta saluran pemasaran lainnya.

Data tersebut kemudian dianalisis untuk mencari pola hubungan antara perubahan aktivitas pemasaran dengan perubahan hasil bisnis.

Baca Juga: Apa Itu Incrementality dalam Periklanan? Memahami Dampak Nyata dari Iklan

Contoh Sederhana Media Mix Modeling

Misalnya sebuah toko online menghabiskan anggaran iklan setiap minggu sebagai berikut:

Saluran	Anggaran per Minggu
Google Ads	Rp10 juta
Meta Ads	Rp8 juta
YouTube Ads	Rp5 juta
Influencer	Rp3 juta

Pada minggu tertentu, total penjualan meningkat dari Rp100 juta menjadi Rp125 juta.

Sekilas, peningkatan tersebut mungkin dianggap sebagai keberhasilan seluruh kampanye.

Namun, MMM dapat digunakan untuk memperkirakan kontribusi masing-masing saluran berdasarkan data historis dan faktor lain yang ikut memengaruhi penjualan.

Hasil analisis, misalnya, menunjukkan bahwa Google Ads memiliki kontribusi yang relatif besar terhadap penjualan, sedangkan pengaruh YouTube lebih banyak terlihat dalam jangka waktu tertentu.

Angka tersebut bukan berarti MMM dapat mengetahui secara sempurna bahwa satu transaksi berasal dari satu iklan tertentu. MMM lebih berfokus pada hubungan statistik dan kontribusi secara agregat.

Apa yang Bisa Diukur dengan Media Mix Modeling?

MMM dapat membantu perusahaan mendapatkan berbagai informasi mengenai aktivitas pemasaran.

1. Kontribusi Setiap Saluran

Perusahaan dapat memperkirakan kontribusi relatif berbagai saluran pemasaran terhadap hasil bisnis.

Hal ini berguna ketika perusahaan menggunakan banyak media sekaligus.

2. Efektivitas Anggaran

MMM dapat membantu mengevaluasi apakah peningkatan anggaran pada suatu saluran berkaitan dengan peningkatan hasil yang sepadan.

Misalnya, perusahaan menghabiskan Rp20 juta tambahan untuk suatu saluran tetapi peningkatan hasilnya relatif kecil.

Temuan seperti ini dapat menjadi bahan evaluasi dalam menentukan alokasi anggaran berikutnya.

3. Return on Advertising Spend

Analisis MMM juga dapat digunakan untuk memperkirakan efisiensi pengeluaran iklan, termasuk Return on Advertising Spend (ROAS) berdasarkan kontribusi yang diperkirakan dari masing-masing media.

Namun, hasil tersebut perlu dipahami sebagai estimasi model, bukan angka absolut yang selalu menggambarkan setiap transaksi secara individual.

4. Efek Jangka Panjang

Tidak semua iklan memberikan dampak secara langsung.

Kampanye brand awareness, misalnya, dapat memengaruhi konsumen sebelum akhirnya mereka melakukan pembelian beberapa waktu kemudian.

MMM dapat memasukkan efek tertunda tersebut ke dalam analisis sehingga perusahaan tidak hanya melihat hasil dalam jangka sangat pendek.

Mengenal Konsep Adstock

Salah satu konsep yang sering digunakan dalam Media Mix Modeling adalah adstock.

Adstock menggambarkan efek iklan yang masih tersisa setelah kampanye atau paparan iklan terjadi.

Sebagai contoh, sebuah perusahaan menjalankan kampanye besar pada minggu pertama. Dampaknya mungkin tidak berhenti begitu saja setelah minggu pertama.

Sebagian konsumen masih mengingat iklan tersebut pada minggu berikutnya dan mungkin melakukan pembelian kemudian.

Dalam model, efek tersebut dapat direpresentasikan sebagai dampak yang berkurang secara bertahap dari waktu ke waktu.

Konsep ini membantu model memperhitungkan bahwa pengaruh iklan tidak selalu terjadi secara langsung.

Faktor Lain yang Harus Diperhatikan

Penjualan tidak hanya dipengaruhi oleh iklan.

Contohnya, penjualan sebuah produk dapat meningkat karena:

• Harga produk diturunkan
• Ada promo besar
• Musim tertentu
• Hari raya
• Produk baru diluncurkan
• Kompetitor mengalami masalah distribusi
• Kondisi ekonomi berubah
• Produk menjadi viral
• Ketersediaan stok meningkat

Jika faktor-faktor tersebut tidak diperhitungkan, model dapat memberikan kesimpulan yang kurang tepat.

Karena itu, MMM yang baik tidak hanya memasukkan data pengeluaran iklan, tetapi juga variabel lain yang secara masuk akal dapat memengaruhi hasil bisnis.

Kelebihan Media Mix Modeling

Media Mix Modeling memiliki beberapa kelebihan yang membuatnya menarik bagi perusahaan dengan aktivitas pemasaran yang kompleks.

Melihat Pemasaran Secara Menyeluruh

MMM tidak hanya melihat satu platform. Berbagai saluran dapat dianalisis dalam satu kerangka.

Dapat Digunakan untuk Media Offline

Berbeda dengan sebagian metode atribusi digital yang sangat bergantung pada data pengguna atau platform digital, MMM dapat digunakan untuk menganalisis media seperti televisi, radio, billboard, dan media digital secara bersamaan.

Membantu Perencanaan Anggaran

Hasil model dapat digunakan sebagai salah satu pertimbangan dalam menentukan bagaimana anggaran pemasaran dialokasikan.

Tidak Bergantung Sepenuhnya pada Data Klik

MMM lebih berorientasi pada data agregat sehingga tidak harus bergantung pada kemampuan menghubungkan setiap klik atau pengguna dengan transaksi tertentu.

Kekurangan Media Mix Modeling

Meskipun memiliki manfaat, MMM bukan metode yang sempurna.

Membutuhkan Data yang Cukup

Model statistik membutuhkan data historis yang memadai agar pola dapat dianalisis dengan lebih baik.

Bisnis yang baru berjalan dan belum memiliki banyak data mungkin akan kesulitan menghasilkan model yang kuat.

Hasil Bergantung pada Kualitas Data

Jika data yang digunakan tidak lengkap, tidak konsisten, atau memiliki banyak kesalahan, hasil model juga dapat menjadi kurang dapat diandalkan.

Tidak Selalu Mudah Dipahami

MMM biasanya membutuhkan kemampuan statistik dan analisis data. Perusahaan mungkin membutuhkan analis data atau data scientist untuk membangun dan mengevaluasi model.

Tidak Menjelaskan Setiap Konsumen

MMM bekerja pada tingkat agregat. Oleh karena itu, metode ini bukan alat untuk mengetahui secara pasti iklan mana yang dilihat oleh seorang konsumen sebelum melakukan pembelian.

Media Mix Modeling vs Attribution

Media Mix Modeling dan attribution sama-sama digunakan untuk memahami efektivitas pemasaran, tetapi pendekatannya berbeda.

Attribution biasanya mencoba menghubungkan tindakan konsumen dengan titik kontak pemasaran tertentu. Contohnya, seorang konsumen melihat iklan, mengkliknya, kemudian melakukan pembelian.

Sementara itu, MMM lebih melihat hubungan antara aktivitas pemasaran secara agregat dengan hasil bisnis selama periode tertentu.

Dengan demikian, keduanya sebenarnya dapat digunakan untuk tujuan yang berbeda.

Attribution dapat membantu memahami perjalanan pengguna atau performa titik kontak tertentu, sedangkan MMM dapat membantu melihat gambaran pemasaran secara keseluruhan.

Kapan Bisnis Perlu Menggunakan Media Mix Modeling?

Tidak semua bisnis harus langsung menggunakan MMM.

Metode ini lebih relevan ketika perusahaan:

• Menggunakan banyak saluran pemasaran
• Memiliki data historis yang cukup
• Memiliki anggaran iklan yang relatif besar
• Ingin mengoptimalkan alokasi anggaran
• Menjalankan kampanye online dan offline
• Membutuhkan evaluasi pemasaran pada tingkat bisnis
• Mengalami kesulitan membandingkan efektivitas berbagai media

Untuk bisnis kecil dengan satu atau dua saluran pemasaran, analisis sederhana seperti biaya per konversi, ROAS, jumlah transaksi, dan pertumbuhan penjualan mungkin sudah cukup.

Bagaimana Memulai Media Mix Modeling?

Perusahaan yang ingin menerapkan MMM sebaiknya tidak langsung membuat model yang sangat kompleks.

Langkah awal dapat dilakukan dengan:

1. Menentukan Tujuan

Tentukan terlebih dahulu apa yang ingin diketahui.

Misalnya:

“Apakah peningkatan anggaran iklan benar-benar berhubungan dengan peningkatan penjualan?”

2. Mengumpulkan Data

Kumpulkan data historis mengenai penjualan, pengeluaran iklan, promosi, harga, musim, dan faktor lain yang relevan.

3. Menentukan Periode Analisis

Gunakan periode yang konsisten, misalnya data mingguan selama beberapa bulan atau tahun, tergantung pada karakteristik bisnis dan ketersediaan data.

4. Membersihkan Data

Pastikan data tidak memiliki kesalahan besar, periode yang hilang, atau pencatatan yang tidak konsisten.

5. Membuat Model

Data kemudian dapat dianalisis menggunakan metode statistik atau machine learning yang sesuai.

6. Mengevaluasi Model

Model tidak boleh langsung dipercaya hanya karena menghasilkan angka tertentu. Perlu dilakukan pengujian dan evaluasi untuk melihat apakah model masuk akal dan mampu menjelaskan data dengan baik.

7. Menggunakan Hasil sebagai Dasar Keputusan

Hasil MMM dapat digunakan untuk membantu menentukan alokasi anggaran dan strategi pemasaran berikutnya.

Namun, keputusan akhir tetap perlu mempertimbangkan kondisi bisnis dan faktor lain yang tidak selalu tertangkap oleh model.

Apakah Media Mix Modeling Cocok untuk Digital Marketing?

Media Mix Modeling tetap relevan untuk digital marketing, terutama ketika bisnis menggunakan banyak saluran secara bersamaan.

Misalnya sebuah perusahaan menjalankan Google Ads, Meta Ads, TikTok Ads, YouTube Ads, influencer marketing, SEO, dan kampanye offline.

Melihat laporan masing-masing platform saja dapat membuat perusahaan kesulitan mendapatkan gambaran keseluruhan.

MMM dapat membantu perusahaan melihat hubungan antara keseluruhan aktivitas tersebut dengan hasil bisnis.

Hal ini semakin penting ketika perusahaan tidak ingin hanya mengejar klik atau impresi, tetapi ingin memahami dampaknya terhadap tujuan bisnis seperti pendapatan dan pertumbuhan penjualan.

Peran Data dalam Media Mix Modeling

Data merupakan komponen utama dalam MMM.

Semakin baik data yang tersedia, semakin baik pula peluang perusahaan menghasilkan analisis yang berguna.

Namun, jumlah data bukan satu-satunya faktor.

Kualitas, konsistensi, struktur, dan relevansi data juga sangat penting.

Perusahaan sebaiknya memiliki sistem pencatatan yang rapi sehingga data dari berbagai saluran dapat dibandingkan dan dianalisis dengan lebih mudah.

Baca Juga: Cara Menghitung Break-Even ROAS Sebelum Menjalankan Iklan

Kesimpulan

Media Mix Modeling (MMM) merupakan metode analisis yang dapat membantu perusahaan memahami hubungan antara aktivitas pemasaran dengan hasil bisnis.

Metode ini berguna bagi perusahaan yang menggunakan banyak saluran iklan dan membutuhkan gambaran yang lebih menyeluruh mengenai efektivitas anggaran pemasaran.

MMM dapat membantu mengevaluasi kontribusi berbagai media, memahami efek iklan yang tertunda, serta menjadi bahan pertimbangan dalam menentukan alokasi anggaran.

Namun, MMM bukan alat yang memberikan jawaban sempurna. Hasilnya sangat bergantung pada kualitas data, pemilihan variabel, metode pemodelan, dan interpretasi hasil.

Karena itu, Media Mix Modeling sebaiknya dipandang sebagai alat bantu pengambilan keputusan, bukan sebagai satu-satunya dasar dalam menentukan strategi iklan.

Bagi bisnis yang sudah memiliki aktivitas pemasaran multichannel dan data historis yang cukup, memahami Media Mix Modeling dapat menjadi langkah penting untuk beralih dari sekadar mengukur performa iklan menuju pengambilan keputusan pemasaran yang lebih berbasis data.