Bagaimana perusahaan modern mengubah data menjadi wawasan pelanggan, dan menggunakan intelijen pasar untuk memprediksi masa depan: Proses Riset, Big Data, dan Demand Forecasting.
RPS MINGGU 4 • DURASI 2 × 50 MENIT
Tujuan Pembelajaran Hari Ini
Setelah pertemuan ini, Anda mampu memahami dan merancang kerangka kerja berbasis data:
CAPAIAN 1 — SISTEM INFO
MIS & BIG DATA
Memahami peran Sistem Informasi Pemasaran dan pemanfaatan data modern untuk memantau tren lingkungan makro.
CAPAIAN 2 — PROSES RISET
6 LANGKAH RISET
Menguasai proses riset pemasaran mulai dari definisi masalah hingga pengambilan keputusan.
CAPAIAN 3 — METRIK PASAR
MENGUKUR PERMINTAAN
Menghitung potensi pasar, pangsa pasar, dan mengidentifikasi tingkat penetrasi pasar secara presisi.
CAPAIAN 4 — FORECASTING
MERAMALKAN MASA DEPAN
Membedakan teknik peramalan kualitatif dan kuantitatif serta penerapannya di dunia nyata.
Intuisi vs Data: Studi Kasus Netflix
Mengapa Netflix berani investasi $100 juta untuk House of Cards tanpa episode pilot?
CARA LAMA (TV TRADISIONAL)
Uji Coba "Pilot"
Tebakan Eksekutif
Studio TV membuat 1 episode awal (pilot), menayangkannya, melihat rating, lalu memutuskan lanjut atau batal. Risiko tinggi & mahal.
CARA NETFLIX (DATA-DRIVEN)
Analisis Perilaku
Riset Behavioral Analytics
Netflix menganalisis data 33 juta pengguna: penonton film David Fincher + penggemar Kevin Spacey + versi asli Inggris = Kesuksesan terjamin.
Hasilnya? Kesuksesan besar. Ini membuktikan bahwa riset pemasaran modern bukan sekadar survei, melainkan mengubah jejak digital menjadi kepastian bisnis.
Bagian 1 dari 4
Sistem Informasi & Intelijen Pemasaran
Organisasi modern tidak kekurangan data; mereka kekurangan wawasan. Bagaimana mengelola informasi?
Data InternalIntelijen PemasaranRiset Khusus
Sistem Informasi Pemasaran (MIS)
MIS (Marketing Information System) adalah struktur orang, peralatan, dan prosedur untuk mengumpulkan, menganalisis, dan mendistribusikan informasi bagi pengambil keputusan.
CATATAN INTERNAL
ORDER-TO-PAYMENT
Siklus pesanan, sistem POS (Point of Sale), database pelanggan, dan laporan penjualan masa lalu.
INTELIJEN PEMASARAN
PEMANTAUAN LINGKUNGAN
Observasi harian atas lingkungan makro: memantau pesaing, media sosial, tren demografi & teknologi.
RISET PEMASARAN
PROYEK SPESIFIK
Desain sistematis untuk mengumpulkan data terkait masalah spesifik yang sedang dihadapi perusahaan.
Bagian 2 dari 4
Proses Riset Pemasaran
Metodologi enam langkah yang mengubah masalah bisnis menjadi strategi berbasis bukti.
6 Langkah Proses Riset Pemasaran
Riset yang buruk menghasilkan data yang menyesatkan. Ikuti urutan sistematis ini:
Tahap
Langkah
Tujuan Utama
1
Definisi Masalah & Tujuan
Menghindari memecahkan masalah yang salah. (Eksploratori, Deskriptif, Kausal)
2
Pengembangan Rencana
Memilih sumber data (Primer/Sekunder), pendekatan, dan instrumen riset.
3
Pengumpulan Informasi
Fase paling mahal & rentan kesalahan (survei lapangan, web scraping, observasi).
4
Analisis Informasi
Mengekstraksi temuan dengan tabulasi data dan teknik statistik.
5
Presentasi Temuan
Menerjemahkan data menjadi insight yang relevan untuk manajemen.
6
Pengambilan Keputusan
Manajemen mengambil aksi (GO atau NO GO) berdasarkan riset.
Kesalahan Fatal: Melompat ke langkah 3 (sebar kuesioner) sebelum langkah 1 benar-benar jelas.
Sumber Data & Pendekatan Riset
Dalam mengembangkan rencana riset (Langkah 2), kita harus memilih instrumen yang tepat.
DATA SEKUNDER vs PRIMER
MURAH vs SPESIFIK
Sekunder: Data yang sudah ada (BPS, laporan industri, jurnal). Murah & cepat. Primer: Data baru yang dikumpulkan khusus untuk proyek. Mahal & butuh waktu.
5 PENDEKATAN RISET (DATA PRIMER)
Observasi: Mengamati pelanggan di toko/aplikasi.
Fokus Grup (FGD): Diskusi mendalam dengan 6-10 orang.
Eksperimen: A/B Testing untuk menguji hubungan sebab-akibat.
Bagian 3 dari 4
Mengukur Permintaan Pasar
Sebelum kita meramal, kita harus tahu "di mana" kita berada hari ini.
Kosakata: Memecah Konsep "Pasar"
Tidak semua orang adalah pasar Anda. Perusahaan membagi populasi menjadi beberapa level pasar:
HIERARKI PASAR
Istilah
Definisi
Contoh (Mobil Listrik Premium)
Potential Market
Konsumen dengan tingkat minat tertentu.
Semua orang yang suka mobil listrik.
Available Market
Minat + Pendapatan + Akses.
Orang kaya di kota besar yang mampu beli.
Target Market
Bagian dari Available Market yang dituju.
Eksekutif muda sukses (Segmentasi).
Penetrated Market
Konsumen yang sudah membeli produk.
Pemilik mobil Tesla di Jakarta saat ini.
Jika pasar terpenetrasi masih kecil dibanding pasar potensial, ada peluang ekspansi besar. Jika sudah jenuh, fokus merebut pangsa pesaing.
Coba Sendiri: Susun Corong TAM-SAM-SOM Anda
Masukkan angka pasar potensial, tersedia, dan target, lalu amati bagaimana corong menyempit dari TAM ke SOM.
Menghitung Total Potensi Pasar (Total Market Potential)
Total penjualan maksimal yang mungkin dicapai oleh semua perusahaan dalam industri, dalam periode tertentu, di bawah kondisi makro ekonomi saat ini.
Q = n × q × p
Q = Total Potensi • n = Jumlah pembeli • q = Kuantitas dibeli rata-rata • p = Harga rata-rata
CONTOH: PASAR KOPI SUSU DI KAMPUS
n = 5.000 mahasiswa aktif di kampus
q = Rata-rata beli 2 cup per minggu = 104 cup/tahun
p = Rp 18.000 per cup
Total Market Potential (Q)
Rp 9.360.000.000
(Hampir 9,3 Miliar Rupiah per tahun!)
Coba Sendiri: Hitung Potensi Pasar Segmen Anda
Ubah jumlah pembeli (n), kuantitas rata-rata (q), dan harga (p), lalu amati bagaimana Total Market Potential (Q) berubah drastis.
Bagian 4 dari 4
Meramalkan Permintaan (Forecasting)
Menebak masa depan dengan metode kualitatif, kuantitatif, dan analitik modern.
Opini AhliTime SeriesAI & Predictive
Apa itu Demand Forecasting?
Peramalan Permintaan (Forecasting) adalah seni dan ilmu memperkirakan penjualan masa depan berdasarkan data masa lalu, indikator pasar, dan kondisi makro.
DAMPAK OVER-FORECASTING
KELEBIHAN STOK
Meramal terlalu tinggi mengakibatkan biaya persediaan tinggi, modal tertahan, produk usang, dan pemotongan harga drastis (diskon besar).
DAMPAK UNDER-FORECASTING
KEHILANGAN PENJUALAN
Meramal terlalu rendah mengakibatkan out-of-stock, kehilangan pendapatan, dan pelanggan pindah ke kompetitor karena kecewa.
Forecasting = Mencari titik keseimbangan (sweet spot) dalam rantai pasok pemasaran.
Teknik Peramalan: Kualitatif
Digunakan saat data historis tidak ada (misal: peluncuran produk baru) atau pasar sangat bergejolak.
SURVEI NIAT PEMBELI
Bertanya langsung ke konsumen probabilitas mereka membeli. ("Apakah Anda akan beli produk ini 3 bulan ke depan?").
KOMPOSIT TENAGA PENJUAL
Menggabungkan estimasi dari para salesman di lapangan karena mereka yang paling dekat dengan denyut nadi pasar.
OPINI AHLI (DELPHI)
Mengundang pakar industri untuk meramal tren. Metode Delphi menyamarkan identitas pakar agar tidak saling mendominasi.
Teknik Peramalan: Kuantitatif
Menggunakan model matematika dan data masa lalu untuk memproyeksi masa depan.
Metode
Cara Kerja
Kapan Digunakan?
Analisis Runtun Waktu (Time-Series)
Memecah data penjualan masa lalu jadi 4 elemen: Trend, Siklus, Musiman, Fluktuasi Acak.
Data masa lalu tersedia banyak dan pola pasar stabil (contoh: penjualan ritel bulanan).
Eksponensial Smoothing
Proyeksi masa lalu di mana data yang paling baru diberi "bobot" lebih berat.
Jangka pendek, untuk menangkap tren terbaru secara cepat.
Analisis Ekonometrika (Kausal)
Membangun persamaan regresi yang menghubungkan penjualan dengan variabel lain (GDB, harga, inflasi).
Ingin tahu penyebab fluktuasi, bukan sekadar melihat tren waktu.
Coba Sendiri: Ramal Penjualan dengan Rata-Rata Bergerak
Masukkan data penjualan beberapa periode lalu, ubah panjang jendela rata-rata bergerak, dan amati bagaimana garis ramalan mengikuti tren.
Studi Kasus: Zara & Forecasting "Fast Fashion"
Pendekatan tradisional (meramal 6-9 bulan sebelum musim) sering gagal. Zara mengubah paradigma dari Predictive menjadi Reactive.
MODEL TRADISIONAL
Long Lead Time
Meramal tren 6 bulan di muka. Produksi massal di Asia. Jika ramalan salah: diskon besar-besaran untuk menghabiskan stok.
MODEL ZARA
Agile & Reactive
Lead time hanya 2-3 minggu. Produksi batch kecil. Jika produk laku, skala dinaikkan. Jika tidak laku, stop produksi segera.
Bagaimana Zara Mengumpulkan Data?
Zara menggabungkan data kuantitatif mutakhir dengan input kualitatif lapangan setiap harinya.
SISTEM HIBRIDA (QUANT + QUAL)
Data POS & RFID (Kuantitatif): Setiap penjualan dicatat real-time. Sistem AI memetakan SKU mana yang laku di kota mana.
Input Manajer Toko (Kualitatif): Manajer melaporkan apa yang dicari tapi tidak ada di toko. PDA digunakan untuk mengirim feedback harian ke markas di Spanyol.
Micro-Collections: Zara merilis koleksi terbatas sebagai "eksperimen pasar" (A/B testing dunia nyata) sebelum memproduksi dalam skala besar.
Hasilnya: Tingkat kesalahan peramalan (forecast error) Zara 30% lebih rendah dari industri. Pakaian yang dijual diskon hanya ~15%, dibanding kompetitor ~50%.
Era Baru: Predictive Analytics & Machine Learning
Forecasting hari ini tidak hanya pakai Excel, tapi melibatkan ratusan variabel dinamis.
SOCIAL SENTIMENT
TREN MEDIA SOSIAL
Algoritma menyedot data dari TikTok/Instagram untuk melihat warna atau gaya apa yang sedang viral hari ini.
Bukan menebak angka pasti (misal: laku 100), tapi membuat rentang (70% peluang laku antara 90-110 unit).
Tantangan Utama dalam Meramalkan Permintaan
KENDALA DI DUNIA NYATA
Peristiwa Angsa Hitam (Black Swan): Kejadian mendadak yang tidak ada di data masa lalu (contoh: Pandemi COVID-19 menghancurkan semua model forecasting).
Biaya & Kompleksitas: Sistem AI, ERP, dan pemeliharaan data bersih membutuhkan investasi IT yang sangat mahal.
Siklus Hidup Produk yang Makin Pendek: Di era digital, produk cepat usang, sehingga belum sempat data historis terkumpul cukup banyak, produk sudah harus diganti.
Sebaik apa pun algoritmanya, forecasting tidak akan pernah 100% akurat. Tugas manajemen adalah menyiapkan rantai pasok yang tangkas untuk merespons selisih tersebut.
Takeaways Pertemuan Ini
DATA ADALAH ASET
Riset = Investasi
Riset bukan biaya operasional yang membebani, melainkan instrumen penekan risiko paling ampuh sebelum mengeksekusi strategi pemasaran.
AGILITY > ACCURACY
Responsif Mengalahkan Presisi
Di lingkungan yang bergejolak, memiliki supply chain yang bisa bereaksi cepat (seperti Zara) jauh lebih baik dibanding model forecasting matematika yang sangat kompleks namun kaku.
!
Sampai Jumpa di Pertemuan 5: Menganalisis Pasar Konsumen & Perilaku Beli