Digital Strategy · Program Studi Bisnis Digital

Digital Strategy

Korelasi vs Kausalitas dan Model Atribusi Pemasaran Digital

Mengapa "iklan naik, penjualan naik" belum tentu berarti iklan yang menyebabkannya — dan bagaimana perusahaan digital menentukan channel mana yang benar-benar layak dibayar.

RPS minggu 9 · 2x50 menit

Bagian 1 dari 3

Korelasi vs Kausalitas — Jebakan Data Digital

Mengapa angka yang bergerak bersamaan belum tentu punya hubungan sebab-akibat, dan mengapa ini berbahaya bagi keputusan strategi digital.

Tujuan Pembelajaran Hari Ini

SUB-CPMK 1

Beda

Korelasi vs Kausalitas

Mampu menjelaskan mengapa hubungan statistik antar dua variabel tidak otomatis berarti salah satu menyebabkan yang lain, termasuk mengenali confounding variable (variabel pengganggu yang memengaruhi keduanya).

SUB-CPMK 2

Pilih

Model Atribusi Pemasaran

Mampu membandingkan model atribusi last-click, linear, dan berbasis eksperimen untuk menentukan channel digital mana yang paling layak dapat kredit dan anggaran.

Target akhir sesi: Anda bisa mengaudit klaim "channel X terbukti efektif" dalam laporan marketing dan menilai apakah buktinya benar-benar kausal atau hanya korelasi kebetulan.

Korelasi dan Kausalitas: Definisi Dasar

KORELASI

Dua variabel bergerak bersamaan (naik-turun serentak), tetapi ini tidak menjelaskan mengapa. Diukur dengan koefisien korelasi (r), dari -1 sampai +1.

Contoh: penjualan payung naik bersamaan dengan hari hujan
Hanya menunjukkan pola, bukan penyebab

KAUSALITAS

Satu variabel secara langsung menyebabkan perubahan pada variabel lain, dibuktikan lewat eksperimen atau desain riset yang mengendalikan faktor lain.

Contoh: menaikkan harga menyebabkan turunnya permintaan (bila hal lain tetap/ceteris paribus)
Butuh bukti kuat, bukan sekadar grafik searah

Korelasi Palsu (Spurious Correlation)

Korelasi palsu terjadi ketika dua variabel tampak berhubungan erat secara statistik, padahal hubungannya kebetulan atau disebabkan faktor ketiga yang tidak terlihat.

CONTOH KLASIK

Penjualan es krim dan jumlah kasus tenggelam di pantai naik bersamaan setiap tahun.

Apakah es krim menyebabkan orang tenggelam? Tentu tidak.

Traffic aplikasi e-commerce dan jumlah transaksi digital banking sama-sama naik setiap akhir bulan.

Apakah traffic e-commerce menyebabkan transaksi banking naik? Belum tentu.

Faktor ketiga (musim panas pada kasus es krim, tanggal gajian pada kasus e-commerce) sebenarnya yang menggerakkan keduanya sekaligus.

Variabel Pengganggu (Confounding Variable)

Confounder adalah variabel tersembunyi yang memengaruhi kedua variabel yang kita amati, sehingga menciptakan korelasi palsu di antara keduanya.

Cara mendeteksi confounder: tanyakan "apakah ada faktor lain yang bisa menjelaskan KEDUA pergerakan ini sekaligus?" sebelum menyimpulkan sebab-akibat.

Diagram ini menunjukkan bagaimana musim panas, yang saya beri simbol Z, mengalir ke dua arah sekaligus menuju penjualan es krim dan kasus tenggelam, sementara garis putus-putus di antara keduanya menandakan korelasi yang sebenarnya semu. Dalam praktik konsultasi KPBU maupun analisis bisnis digital, saya sering menemukan confounder berupa musim liburan, tanggal gajian, atau bahkan momentum viral media sosial yang tidak masuk dalam model analitik tim marketing. Sebagai contoh, kenaikan penjualan UMKM di Shopee menjelang Ramadan sering disalahartikan sebagai keberhasilan kampanye iklan tertentu, padahal confounder-nya adalah momentum belanja lebaran yang memang selalu naik setiap tahun terlepas dari ada tidaknya iklan. Latihan berpikir mencari confounder ini adalah fondasi penting sebelum kita masuk ke model atribusi pemasaran pada bagian berikutnya.

Kausalitas Terbalik (Reverse Causality)

Kadang arah sebab-akibat justru terbalik dari yang kita duga — bukan A menyebabkan B, melainkan B yang menyebabkan A.

STUDI KASUS: UMKM DAN IKLAN DIGITAL

Seorang pemilik UMKM fesyen di Semarang mengamati: "toko dengan omzet tinggi cenderung memasang budget iklan digital lebih besar." Ia menyimpulkan iklan besar menyebabkan omzet tinggi.

Kemungkinan sebenarnya terbalik: toko yang sudah beromzet tinggi punya kas lebih untuk berani menambah budget iklan — omzet tinggi yang mendorong budget iklan naik, bukan sebaliknya.

Sebelum mengklaim "X menyebabkan Y", selalu periksa apakah urutan waktunya (timeline) benar-benar mendukung arah sebab-akibat tersebut.

Reverse causality adalah jebakan berpikir yang sangat umum terjadi pada pelaku UMKM digital maupun analis pemasaran pemula, karena secara intuitif kita cenderung mengasumsikan arah sebab-akibat yang paling mudah dibayangkan lebih dulu. Bayangkan Anda melihat data bahwa toko-toko dengan omzet besar di Tokopedia juga memiliki anggaran iklan yang besar, godaan pertama adalah menyimpulkan iklan besar yang membuat omzet besar. Namun sangat mungkin arahnya terbalik, yaitu toko yang sudah sukses dan punya arus kas sehat baru berani menaikkan anggaran iklannya, sehingga omzet tinggi lah yang sebenarnya mendahului dan mendorong kenaikan budget iklan. Untuk menguji arah sebab-akibat yang benar, kita perlu melihat urutan waktu kejadian secara cermat, dan idealnya melakukan eksperimen terkontrol seperti yang akan kita bahas di bagian ketiga sesi ini.

Bagian 2 dari 3

Model Atribusi Pemasaran Digital

Bagaimana perusahaan membagi "kredit" konversi ke berbagai channel digital yang dilewati pelanggan sebelum membeli.

Customer Journey: Banyak Titik Sentuh Sebelum Membeli

Sebelum melakukan konversi (pembelian), pelanggan digital biasanya melewati beberapa touchpoint (titik interaksi dengan merek) di berbagai channel berbeda.

Model atribusi adalah aturan main untuk membagi "kredit" penjualan ke titik sentuh 1, 2, dan 3 di atas — ini menentukan channel mana yang dianggap "berhasil" dan layak dapat tambahan anggaran.

Model Single-Touch: Last-Click vs First-Click

LAST-CLICK ATTRIBUTION

Memberi 100% kredit ke titik sentuh terakhir sebelum konversi.

Paling umum dipakai (default Google Analytics)
Mudah dihitung, tapi mengabaikan channel awal yang membangun kesadaran (awareness)

FIRST-CLICK ATTRIBUTION

Memberi 100% kredit ke titik sentuh pertama yang memperkenalkan merek.

Menghargai channel penarik perhatian awal (top-of-funnel)
Mengabaikan peran channel penutup transaksi

Masalah utama model single-touch: keduanya mengabaikan peran titik sentuh di tengah perjalanan, padahal semua titik sentuh mungkin sama-sama berkontribusi.

Model last-click adalah model atribusi yang paling banyak dipakai di dunia, termasuk sebagai pengaturan bawaan pada Google Analytics, karena memberikan seluruh kredit konversi ke channel terakhir yang disentuh pelanggan sebelum membeli. Kelemahannya jelas, yaitu channel seperti Instagram Ads yang berjasa memperkenalkan produk di awal perjalanan pelanggan justru terlihat "tidak berkontribusi sama sekali" dalam laporan, padahal tanpa iklan tersebut pelanggan mungkin tidak pernah tahu produknya ada. Sebaliknya, model first-click memberi seluruh kredit ke titik sentuh pertama, sehingga sebaliknya mengabaikan peran email promo atau retargeting yang justru menjadi pendorong akhir keputusan membeli. Kedua model ini sederhana untuk dihitung tapi sama-sama tidak adil, dan inilah alasan mengapa kita membutuhkan model yang lebih canggih, yang akan kita bahas pada slide berikutnya.

Model Multi-Touch: Membagi Kredit Lebih Adil

Model	Cara Bagi Kredit	Cocok Untuk
Linear	Kredit dibagi rata ke semua titik sentuh	Semua channel dianggap sama penting
Time-Decay	Titik sentuh yang lebih dekat ke konversi dapat kredit lebih besar	Bisnis dengan siklus keputusan cepat
U-Shaped (Position-Based)	40% ke titik pertama, 40% ke titik terakhir, 20% dibagi sisanya	Menghargai awareness DAN closing sekaligus

Semakin canggih modelnya, semakin adil pembagian kreditnya — tapi tetap ini hanya aturan alokasi, bukan bukti kausal murni bahwa channel tersebut benar-benar menyebabkan pembelian.

Ketiga model ini adalah jawaban industri terhadap kelemahan model single-touch yang sudah kita bahas, dan masing-masing punya filosofi pembagian kredit yang berbeda. Model linear cocok dipakai perusahaan seperti Traveloka ketika mereka menganggap iklan brand awareness, retargeting, dan email promo sama-sama penting dalam mendorong pemesanan tiket. Model time-decay lebih masuk akal untuk produk dengan keputusan cepat seperti makanan di GoFood, di mana titik sentuh yang paling dekat waktu dengan pemesanan dianggap paling berpengaruh. Model U-shaped atau position-based menjadi favorit banyak tim growth karena secara eksplisit menghargai baik channel yang membuka kesadaran pertama kali maupun channel yang menutup transaksi, namun tetap perlu Anda ingat bahwa semua ini hanyalah aturan pembagian kredit berdasarkan asumsi, bukan bukti sebab-akibat yang teruji secara eksperimen.

Hitung dari Nol #1: Last-Click vs Linear Attribution

Seorang pelanggan membeli tas seharga Rp 500.000 setelah melewati 3 titik sentuh: Instagram Ads → Google Search → Email Promo.

Langkah	Perhitungan	Nilai
1. Total nilai konversi (pembelian tas)	diketahui dari transaksi	Rp 500.000
2. Last-Click: kredit ke titik TERAKHIR (Email)	100% × Rp 500.000	Rp 500.000
3. Last-Click: kredit ke titik AWAL (Instagram)	0% × Rp 500.000	Rp 0
4. Linear: bagi rata ke 3 titik sentuh	Rp 500.000 ÷ 3	Rp 166.667 /titik
5. Linear: kredit ke Instagram (titik awal)	1 × Rp 166.667	Rp 166.667

SELISIH PENILAIAN INSTAGRAM ADS

Rp 166.667

Rp 0 (last-click) vs Rp 166.667 (linear) — pada last-click, Instagram terlihat "tidak berkontribusi" walau ia yang membuka jalan.

Mari kita hitung bersama contoh konkret ini langkah demi langkah, dan saya minta Anda membuka kalkulator atau menghitung manual di kertas mengikuti tabel ini. Nilai transaksinya adalah Rp500 ribu, dan jika perusahaan memakai model last-click seperti pengaturan bawaan Google Analytics, seluruh Rp500 ribu itu dicatat sebagai hasil dari email promo, sementara Instagram Ads yang justru membuka kesadaran pertama kali dicatat nol rupiah kontribusinya. Bandingkan dengan model linear, di mana Rp500 ribu dibagi rata tiga menjadi sekitar Rp166.667 per titik sentuh, sehingga Instagram Ads mendapat pengakuan kontribusi yang wajar. Perbedaan penilaian sebesar Rp166.667 ini, jika dikalikan ribuan transaksi per bulan, bisa membuat manajer salah mengambil keputusan menghentikan kampanye Instagram Ads padahal sebenarnya kampanye itu sangat berperan dalam menarik pembeli baru.

Coba Sendiri: Membandingkan Last-Click, Linear, dan Time-Decay

Ubah jumlah dan urutan titik sentuh, lalu bandingkan bagaimana tiga model atribusi membagi kredit konversi secara berbeda.

Marketing Mix Modeling (MMM): Alternatif Level Makro

Berbeda dari atribusi berbasis titik sentuh per-individu, MMM menganalisis data agregat (mingguan/bulanan) untuk memperkirakan kontribusi tiap channel terhadap penjualan total — termasuk channel offline seperti TV dan billboard.

ATRIBUSI DIGITAL (per klik)

Data granular per pengguna/cookie
Hanya menangkap channel digital yang terlacak
Rentan bias karena ad-blocker & pembatasan cookie pihak ketiga

MARKETING MIX MODELING

Regresi statistik atas data penjualan agregat
Menangkap channel offline & efek jangka panjang (brand)
Tidak bergantung pada cookie/tracking individu

Marketing Mix Modeling adalah pendekatan yang lebih tua daripada atribusi digital, sudah dipakai raksasa consumer goods seperti Unilever dan Indofood jauh sebelum era internet, dan kini kembali populer karena aturan privasi yang semakin ketat membatasi pelacakan cookie individu. Alih-alih melacak satu per satu pengguna, MMM menggunakan data mingguan atau bulanan, misalnya total belanja iklan TV, radio, dan digital dibandingkan dengan total penjualan, lalu memakai regresi statistik untuk memperkirakan kontribusi masing-masing. Keunggulan MMM adalah kemampuannya menangkap channel offline seperti billboard di jalan tol dan iklan televisi yang tidak bisa dilacak lewat klik, sekaligus tidak terganggu oleh pembatasan cookie pihak ketiga yang makin diberlakukan browser modern. Namun MMM butuh data historis yang panjang dan tetap menghadapi tantangan yang sama seperti bagian pertama sesi kita, yaitu risiko salah mengira korelasi sebagai kausalitas jika model regresinya tidak dirancang hati-hati.

Bagian 3 dari 3

Membuktikan Kausalitas Lewat Eksperimen

Bagaimana perusahaan digital menguji apakah sebuah channel benar-benar MENYEBABKAN kenaikan penjualan, bukan sekadar berkorelasi.

Setelah memahami berbagai model atribusi dan kelemahannya masing-masing, sekarang kita sampai pada bagian yang menjawab pertanyaan besar sesi hari ini, yaitu bagaimana caranya membuktikan kausalitas secara lebih meyakinkan daripada sekadar aturan pembagian kredit. Jawabannya adalah eksperimen terkontrol, sebuah pendekatan yang sudah lama dipakai dalam uji klinis obat-obatan dan kini menjadi standar emas di tim growth perusahaan teknologi besar seperti GoTo dan Traveloka. Anda akan belajar konsep incrementality test atau uji inkrementalitas, yaitu cara membandingkan kelompok yang diberi iklan dengan kelompok yang sengaja tidak diberi iklan untuk mengukur dampak murni. Bagian ini akan menutup rangkaian logika sesi kita, dari mengenali jebakan korelasi hingga akhirnya mengukur kausalitas secara ilmiah.

Incrementality Test: Eksperimen untuk Bukti Kausal

Incrementality test (uji inkrementalitas) membagi audiens secara acak menjadi kelompok yang diberi iklan (exposed) dan kelompok tidak diberi iklan (holdout/kontrol), lalu membandingkan hasilnya.

Selisih 12% - 8% = 4 poin persentase adalah dampak murni iklan — tidak tercampur dengan faktor lain karena kedua kelompok dipilih SECARA ACAK (random) sehingga sebanding.

Ini adalah metode paling kuat untuk membuktikan kausalitas, dan mirip sekali dengan uji klinis obat di mana satu kelompok pasien diberi obat sungguhan dan kelompok lain diberi plasebo, lalu hasilnya dibandingkan. Perusahaan digital seperti Traveloka bisa saja secara acak menyembunyikan iklan retargeting dari sebagian kecil pengguna, biasanya sekitar 5 sampai 10 persen dari total audiens, kelompok yang disembunyikan ini disebut holdout group atau kelompok kontrol. Karena pembagian kelompoknya acak, kedua kelompok pada dasarnya identik dalam segala hal lain kecuali paparan iklan, sehingga perbedaan hasil di antara mereka bisa disimpulkan sebagai dampak murni dari iklan tersebut. Metode ini jauh lebih meyakinkan dibanding model atribusi biasa karena betul-betul mengisolasi sebab-akibat, meski butuh biaya dan kompleksitas teknis lebih tinggi untuk menjalankannya dengan benar.

Hitung dari Nol #2: Menghitung Incremental Lift

Dari data uji inkrementalitas slide sebelumnya, mari hitung berapa besar dampak iklan yang sebenarnya (lift).

Langkah	Perhitungan	Nilai
1. Conversion rate kelompok Exposed	1.200 ÷ 10.000 × 100	12%
2. Conversion rate kelompok Holdout	800 ÷ 10.000 × 100	8%
3. Incremental lift (selisih absolut)	12% − 8%	4 poin persentase
4. Incremental lift (relatif)	4% ÷ 8% × 100	50%
5. Jumlah konversi incremental murni	4% × 10.000	400 konversi

INCREMENTAL LIFT

+50%

Iklan menambah 400 konversi murni dari 10.000 audiens holdout — inilah bukti kausal, bukan sekadar korelasi.

Sekarang mari kita ubah diagram di slide sebelumnya menjadi angka yang bisa Anda hitung ulang sendiri, silakan ikuti tabel ini baris demi baris menggunakan kalkulator Anda. Kelompok Exposed memiliki 1.200 pembeli dari 10.000 audiens sehingga conversion rate-nya 12%, sementara kelompok Holdout hanya 800 pembeli dari 10.000 audiens atau 8%. Selisih absolutnya adalah 4 poin persentase, tetapi angka yang lebih sering dilaporkan tim growth adalah lift relatif, yaitu 4% dibagi 8% dikalikan 100% sama dengan 50%, artinya iklan meningkatkan pembelian sebesar 50% dibandingkan tanpa iklan sama sekali. Kalau kita kalikan 4% tadi dengan 10.000 audiens, hasilnya 400 konversi tambahan yang murni disebabkan oleh iklan, dan angka 400 konversi inilah yang menjadi bukti kausal paling kuat dibanding model atribusi mana pun yang sudah kita bahas sebelumnya.

Studi Kasus: UMKM Fesyen di Marketplace

KASUS: TOKO "BATIK RAHAYU" DI TOKOPEDIA

Toko batik UMKM di Semarang melihat penjualan naik 30% bulan lalu, bertepatan dengan mulainya kampanye Instagram Ads. Pemilik toko langsung menyimpulkan Instagram Ads adalah penyebabnya dan menaikkan budget iklan dua kali lipat.

Yang terlewat: bulan tersebut juga bertepatan dengan awal musim liburan sekolah dan promo gratis ongkir Tokopedia untuk semua penjual batik — dua confounder yang tidak diperhitungkan.

Tanpa uji inkrementalitas sederhana (misalnya menghentikan iklan di beberapa kota secara acak selama 2 minggu untuk dibandingkan), pemilik toko tidak bisa memastikan berapa persen kenaikan 30% itu yang benar-benar berasal dari iklan.

Studi kasus ini saya rangkum dari pola yang sangat umum terjadi pada UMKM digital di Jawa Tengah yang sering saya temui dalam kegiatan pendampingan bisnis, jadi pastikan Anda benar-benar memahaminya bukan hanya menghafalnya. Kenaikan penjualan 30% terlihat meyakinkan di permukaan, dan godaan untuk langsung menaikkan anggaran iklan sangat besar karena pemilik toko ingin secepatnya mengulang kesuksesan tersebut. Namun sebagaimana yang sudah Anda pelajari sepanjang sesi ini, ada dua confounder yang tidak diperhitungkan, yaitu musim liburan sekolah yang secara alami mendorong belanja fesyen, dan promo gratis ongkos kirim dari platform yang berlaku untuk semua penjual bukan hanya toko ini. Seandainya toko ini melakukan uji sederhana dengan menghentikan iklan di sebagian kota secara acak selama dua minggu, mereka bisa mengukur secara lebih akurat berapa persen dari kenaikan 30% itu yang benar-benar disebabkan Instagram Ads, dan berapa persen yang sebenarnya akan terjadi meski tanpa iklan sama sekali.

Jebakan Umum dalam Membaca Data Atribusi

Vanity metrics. Angka seperti jumlah "like" atau impresi iklan terlihat mengesankan tetapi belum tentu berkorelasi dengan penjualan nyata, apalagi kausalitas.

Cookie & tracking bias. Sejak Safari dan Chrome membatasi cookie pihak ketiga, data atribusi digital semakin tidak lengkap; channel tertentu bisa under-reported.

Cannibalization channel. Iklan berbayar untuk kata kunci merek sendiri (mis. "Tokopedia") sering "mencuri" kredit dari trafik organik yang sebenarnya akan datang sendiri tanpa iklan.

Selection bias pada holdout. Kelompok kontrol harus benar-benar acak; kalau tidak acak (mis. hanya kota kecil dijadikan holdout), hasil lift bisa menyesatkan.

Empat jebakan ini adalah kesalahan yang paling sering saya temui ketika mengaudit laporan performa marketing digital klien konsultasi maupun proposal mahasiswa. Vanity metrics artinya metrik kosmetik yang terlihat bagus di atas kertas seperti jumlah like atau reach, padahal Anda perlu bertanya lebih jauh apakah metrik tersebut benar-benar berkorelasi dengan penjualan atau hanya membuat laporan terlihat meyakinkan. Cannibalization channel adalah fenomena menarik di mana perusahaan seperti Bukalapak membayar iklan Google untuk kata kunci "Bukalapak" sendiri, padahal pengguna yang mengetik nama merek itu kemungkinan besar sudah berniat membeli dan akan datang sendiri tanpa perlu iklan berbayar. Terakhir, selection bias pada holdout group sangat penting Anda perhatikan karena kalau kelompok kontrolnya tidak benar-benar acak, misalnya hanya memilih kota-kota kecil sebagai holdout, hasil incrementality test bisa menyesatkan karena kota kecil dan kota besar punya karakteristik pembeli yang berbeda.

Latihan Kelas: Audit Klaim "Terbukti Efektif"

INSTRUKSI

Bentuk kelompok 3-4 orang. Setiap kelompok mendapat satu klaim marketing berikut untuk diaudit dalam 10 menit:

Klaim A: "Followers Instagram naik 2x lipat, jadi strategi konten kita terbukti berhasil menaikkan penjualan."
Klaim B: "Toko yang pakai fitur live shopping Shopee omzetnya 3x lebih tinggi, jadi semua toko harus pakai live shopping."
Klaim C: "Setelah pasang chatbot WhatsApp, respon cepat, penjualan naik. Chatbot terbukti efektif."

Untuk klaim kelompok Anda, jawab: (1) confounder apa yang mungkin terlewat? (2) eksperimen sederhana apa yang bisa membuktikan klaim ini secara kausal?

Rangkuman dan Persiapan Minggu Depan

Konsep	Inti
Korelasi vs Kausalitas	Bergerak bersamaan ≠ sebab-akibat; cek confounder & arah waktu
Last-click / First-click	100% kredit ke satu titik sentuh saja — sederhana tapi timpang
Multi-touch (linear/time-decay/U-shaped)	Bagi kredit ke semua titik sentuh, lebih adil tapi masih berbasis asumsi
Incrementality test	Eksperimen acak exposed vs holdout — bukti kausal paling kuat

MINGGU DEPAN

Manajemen Risiko dan Roadmap Transisi Digital Organisasi — bagaimana perusahaan mengelola risiko saat bertransformasi digital.

TUGAS

1 Audit

Kumpulkan sebelum pertemuan berikutnya

Cari 1 klaim "channel X terbukti efektif" dari perusahaan digital nyata (media/laporan), lalu tuliskan analisis singkat: apakah buktinya kausal atau hanya korelasi?

Mari kita rangkum perjalanan panjang hari ini, mulai dari kesalahan mengira korelasi sebagai kausalitas, melewati berbagai model atribusi pemasaran dari yang paling sederhana seperti last-click sampai yang paling ilmiah seperti incrementality test. Ingatlah bahwa tidak ada satu model atribusi yang sempurna, dan pilihan model tergantung pada jenis bisnis, ketersediaan data, serta seberapa penting keputusan anggaran yang akan diambil berdasarkan data tersebut. Minggu depan kita akan bergeser ke topik manajemen risiko dan roadmap transisi digital organisasi, yang akan terasa lebih strategis dan berorientasi jangka panjang dibanding topik teknis hari ini. Sebagai tugas, silakan cari satu klaim nyata dari media atau laporan perusahaan digital Indonesia yang menyebut sebuah channel "terbukti efektif", lalu terapkan kerangka berpikir yang sudah Anda pelajari hari ini untuk mengauditnya secara kritis.