RPS minggu 6 · 2x50 menit

Periklanan Daring: Pencarian

Pertemuan 6 — Pemasaran Digital

Iklan pencarian bukan sekadar "pasang kata kunci" — di baliknya ada lelang real-time yang menentukan siapa muncul, di posisi berapa, dan membayar berapa. Hari ini kita bedah mekanisme lelang, strategi bidding, dan keputusan atribusi yang menentukan ROI kampanye pencarian.

Selamat datang kembali, Bapak/Ibu. Minggu lalu kita membahas penetapan harga berbasis efek jejaring; hari ini kita masuk ke salah satu instrumen belanja pemasaran digital paling besar secara nominal di hampir semua perusahaan Anda — iklan pencarian atau search engine marketing. Karena Anda sudah menyelesaikan S1 dan mayoritas sudah bekerja, saya tidak akan mengulang definisi dasar SEM versus SEO; kita langsung masuk ke mekanisme lelang Generalized Second Price, bagaimana Quality Score memengaruhi biaya riil yang dibayar, dan keputusan strategis seperti kapan smart bidding lebih rasional daripada manual bidding. Contoh yang kita pakai hari ini mencakup Traveloka, Tokopedia, dan UMKM lokal yang beriklan di Google Ads maupun sponsored search Shopee. Tujuan akhir pertemuan ini: Anda mampu mengevaluasi keputusan bidding dan atribusi sebagai manajer, bukan sekadar operator kampanye.

Bagian 1 — Ekonomi Lelang Iklan Pencarian

Bagaimana Sesungguhnya Posisi Iklan Ditentukan?

Pertanyaan diskusi: jika perusahaan Anda menaikkan bid dua kali lipat, apakah otomatis naik ke posisi 1? Mengapa jawabannya sering "belum tentu"?

Generalized Second Price (GSP): Mekanisme Lelang Iklan Pencarian

Hampir semua platform pencarian (Google Ads, Bing Ads, Baidu) memakai varian GSP auction — pemenang membayar harga minimum yang cukup untuk mengalahkan pesaing di bawahnya, bukan bid maksimumnya sendiri.

Ad Rank = Bid x Quality Score

Komponen Bid

Nilai maksimum yang bersedia dibayar per klik (max CPC)
Ditetapkan advertiser atau algoritma smart bidding

Komponen Quality Score (QS)

Ekspektasi CTR (click-through rate) historis iklan
Relevansi iklan terhadap kata kunci yang dicari
Pengalaman landing page (kecepatan, relevansi, mobile)

Implikasi manajerial: dua advertiser dengan anggaran sama bisa mendapat posisi dan biaya per klik yang sangat berbeda — QS rendah membuat perusahaan Anda membayar lebih mahal untuk posisi yang lebih buruk.

Hitung dari Nol #1: Ad Rank & Peringkat Posisi Iklan

Tiga advertiser bersaing untuk kata kunci "asuransi mobil terbaik" — bid tertinggi tidak otomatis menang jika Quality Score-nya rendah.

Langkah	Perhitungan	Nilai
Bid Advertiser A (bid tinggi, QS sedang)	diberikan	Rp15.000
Quality Score Advertiser A (skala 1-10)	diberikan	8
Ad Rank Advertiser A	15.000 x 8	120.000
Ad Rank Advertiser B (bid Rp20.000, QS 5)	20.000 x 5	100.000
Ad Rank Advertiser C (bid Rp10.000, QS 9)	10.000 x 9	90.000
Peringkat posisi iklan	urutkan Ad Rank tertinggi	A > B > C

Pemenang Posisi 1

Advertiser A

Meski bid Advertiser B (Rp20.000) lebih tinggi dari A (Rp15.000), Quality Score A yang jauh lebih baik membuat Ad Rank-nya menang — pelajaran inti bagi manajer: memperbaiki QS sering lebih murah daripada menaikkan bid.

Hitung dari Nol #2: Biaya Per Klik Efektif di Bawah GSP

Ciri khas GSP: pemenang membayar harga minimum untuk tetap unggul dari pesaing di posisi bawahnya, ditambah increment kecil — bukan bid maksimumnya.

CPC Efektif = (Ad Rank Pesaing di Bawah / QS Anda) + Increment

Langkah	Perhitungan	Nilai
Ad Rank pesaing di posisi bawah (Advertiser B)	dari slide sebelumnya	100.000
Quality Score Advertiser A	dari slide sebelumnya	8
Rasio dasar CPC	100.000 / 8	Rp12.500
Increment minimum platform	ditetapkan platform	Rp100
CPC efektif yang dibayar Advertiser A	12.500 + 100	Rp12.600
Penghematan vs bid maksimum yang ditetapkan	15.000 − 12.600	Rp2.400 (16%)

Insight Manajerial

Hemat 16%

Advertiser A menetapkan bid Rp15.000 tapi cukup membayar Rp12.600 karena GSP hanya menagih harga minimum untuk tetap di atas B — pengambil keputusan yang paham mekanisme ini tidak perlu takut menetapkan max bid agresif, karena harga aktual biasanya jauh di bawahnya.

Coba Sendiri: Simulasikan Lelang Iklan Pencarian GSP

Geser bid dan Quality Score tiap peserta lelang, lalu amati bagaimana CPC efektif dan posisi iklan berubah mengikuti mekanisme Generalized Second Price.

Membedah Quality Score: Tiga Pengungkit yang Bisa Dikendalikan Manajer

Quality Score bukan angka tetap — ia dapat diperbaiki secara aktif lewat tiga pengungkit, dan masing-masing punya biaya perbaikan yang berbeda.

Kesalahan umum: perusahaan menaikkan bid untuk mengatasi posisi rendah, padahal akar masalahnya landing page lambat atau ad group terlalu luas — menaikkan bid hanya menutupi gejala, bukan menyelesaikan akar biaya.

Auction Insights: Memantau Lanskap Kompetitif Lelang

Auction Insights membandingkan performa kampanye Anda dengan pesaing yang ikut lelang di kata kunci yang sama — alat diagnostik yang jarang dimanfaatkan optimal oleh tim junior.

Metrik Kunci

Impression share — persentase lelang yang iklan Anda tampil
Overlap rate — seberapa sering muncul bersamaan dengan pesaing X
Outranking share — seberapa sering Anda unggul dari pesaing X
Top of page rate — frekuensi muncul di posisi atas halaman

Keputusan Manajerial yang Dipandu

Impression share rendah karena rank vs karena budget?
Pesaing baru masuk — respons naikkan bid atau perkuat QS?
Alokasi ulang anggaran ke keyword dengan outranking share rendah

Prinsip diagnostik: "impression share lost (rank)" tinggi berarti masalahnya Ad Rank/QS — perbaiki relevansi; "impression share lost (budget)" tinggi berarti murni kurang anggaran, bukan kurang relevan.

Jelaskan bahwa metrik impression share lost yang dipecah menjadi kategori rank versus budget adalah salah satu diagnostik paling penting namun paling sering diabaikan tim pemasaran digital junior, karena solusinya sangat berbeda — menambah anggaran tidak akan membantu bila akar masalahnya rank rendah. Ajak mahasiswa berdiskusi bagaimana mereka akan merespons jika laporan bulanan menunjukkan outranking share terhadap kompetitor utama turun drastis dalam satu bulan terakhir. Tanyakan apakah ada peserta yang pernah menggunakan Auction Insights secara aktif untuk mengambil keputusan strategis, bukan sekadar melihat laporan performa dasar seperti CTR dan konversi. Gunakan diskusi ini sebagai pengantar menuju mini-kasus persaingan bidding kata kunci brand di industri pariwisata daring Indonesia.

Mini-Kasus: Perang Bidding Kata Kunci Brand di Sektor OTA

Platform online travel agent (OTA) Indonesia kerap saling bidding pada kata kunci brand pesaing — keputusan yang tampak agresif namun punya logika ekonomi yang bisa dihitung.

Situasi (ilustrasi)

OTA "Jelajah Nusa" mendapati OTA pesaing bidding di keyword brand-nya sendiri
Trafik organik brand OTA "Jelajah Nusa" masih kuat, tapi klik berbayar pesaing mulai mencuri sebagian traffic
Tim pemasaran digital harus memutuskan: bidding balik di keyword brand sendiri atau biarkan saja?

Pertanyaan Keputusan

Apakah worth it membayar CPC untuk melindungi trafik yang sebenarnya sudah "gratis" secara organik?
Bagaimana menghitung defensive bidding cost vs potensi kehilangan konversi ke pesaing?
Apakah ada opsi non-bidding (trademark complaint ke platform) yang lebih efisien?

Sampaikan bahwa skenario ini bersifat ilustrasi generik yang mewakili pola umum di industri OTA maupun e-commerce Indonesia, termasuk yang pernah terjadi antara pemain-pemain besar seperti Traveloka dan Tiket.com dalam bidding kata kunci brand. Jelaskan bahwa keputusan defensive bidding bukan sekadar soal ego kompetitif — perlu dihitung berapa persen trafik organik brand yang benar-benar berisiko dicuri klik berbayar pesaing, dan berapa nilai konversi yang hilang bila dibiarkan. Ajak mahasiswa berdiskusi: jika mereka menjadi manajer pemasaran digital "Jelajah Nusa", apakah mereka akan melapor ke platform terkait pelanggaran trademark, melakukan defensive bidding, atau membiarkan karena keyakinan loyalitas brand cukup kuat. Tutup dengan menegaskan bahwa keputusan ini adalah trade-off biaya defensif versus risiko kehilangan pangsa klik, dan idealnya diukur lewat eksperimen A/B sebelum menetapkan kebijakan permanen.

Bagian 2 — Strategi Bidding & Struktur Kampanye

Manual, Otomatis, atau Smart Bidding — Kapan Memilih Apa?

Pertanyaan diskusi: jika smart bidding otomatis rata-rata mengungguli manual bidding, mengapa banyak tim performance marketing senior tetap mempertahankan kontrol manual pada sebagian kampanye?

Evolusi Strategi Bidding: dari Manual CPC ke Smart Bidding

Pergeseran ke smart bidding mengubah peran manajer dari menetapkan angka bid menjadi menetapkan tujuan bisnis yang dioptimalkan algoritma machine learning.

Manual / Rule-Based

Manual CPC — bid ditetapkan per keyword secara eksplisit
Enhanced CPC — penyesuaian otomatis terbatas atas bid manual
Cocok: volume data rendah, kontrol ketat diperlukan, kampanye baru

Smart Bidding (Goal-Based)

Target CPA — optimalkan volume konversi pada biaya akuisisi target
Target ROAS — optimalkan pendapatan pada rasio biaya target
Maximize Conversions/Value — habiskan anggaran demi hasil maksimal
Cocok: volume konversi historis memadai (rule of thumb ~30/bulan)

Perangkap umum: mengaktifkan Target ROAS pada kampanye dengan kurang dari 15 konversi/bulan — algoritma "kelaparan data" dan sering menghasilkan bidding tidak stabil, bukan optimal.

Jelaskan bahwa smart bidding pada dasarnya adalah reinforcement learning yang butuh sinyal konversi cukup banyak untuk belajar pola mana yang menghasilkan target bisnis, sehingga menyerahkan kampanye kecil sepenuhnya ke smart bidding sering kontraproduktif. Tekankan bahwa peran manajer di era smart bidding bergeser dari menentukan angka bid per keyword menjadi menentukan target CPA atau ROAS yang realistis berdasarkan margin dan lifetime value pelanggan — kesalahan menetapkan target terlalu agresif membuat algoritma menahan seluruh belanja iklan. Ajak mahasiswa berbagi pengalaman apakah perusahaan mereka pernah mengalami periode transisi bermasalah saat beralih dari manual ke smart bidding, dan berapa lama algoritma butuh waktu untuk stabil atau yang biasa disebut periode "learning phase". Sampaikan bahwa slide berikutnya akan membahas cara menghitung ambang Target ROAS yang masuk akal secara finansial.

Hitung dari Nol #3: Menetapkan Ambang Target ROAS yang Rasional

Target ROAS bukan angka ambisi sembarang — ia harus diturunkan dari margin kotor produk agar setiap Rupiah belanja iklan tetap menghasilkan laba positif.

Langkah	Perhitungan	Nilai
Harga jual rata-rata produk	diberikan (ilustrasi UMKM skincare)	Rp150.000
Harga pokok penjualan (HPP) + ongkos kirim tersubsidi	diberikan	Rp90.000
Margin kotor per unit	150.000 − 90.000	Rp60.000
Margin kotor (persentase)	60.000 / 150.000 x 100	40%
Target laba minimum dari iklan (buffer)	diberikan (kebijakan manajemen)	10% dari penjualan
Anggaran iklan maksimum yang masih untung (% penjualan)	40% − 10%	30%
Target ROAS minimum (break-even + buffer laba)	100% / 30%	3,3x

Target ROAS Ditetapkan

3,3x

Jika algoritma smart bidding diberi target ROAS di bawah 3,3x (mis. 2x), setiap kampanye yang "sukses" secara metrik pemasaran sesungguhnya menggerus margin perusahaan — manajer wajib menautkan target ke ekonomi unit, bukan ke rata-rata industri.

Pandu mahasiswa menghitung setiap baris dan tekankan logika intinya: ROAS 3,3x berarti setiap Rp1 belanja iklan harus menghasilkan Rp3,3 pendapatan agar setelah dikurangi HPP dan biaya iklan itu sendiri, perusahaan masih meraih buffer laba 10%. Jelaskan bahwa kesalahan umum di lapangan adalah tim pemasaran digital menetapkan target ROAS berdasarkan benchmark industri generik tanpa menautkannya ke margin kotor produk spesifik perusahaan mereka sendiri. Tanyakan kepada kelas, di industri masing-masing, apakah target ROAS yang dipakai timnya sudah pernah dihitung ulang dari margin produk, atau sekadar warisan target tahun sebelumnya. Tutup dengan menegaskan bahwa ini adalah salah satu kompetensi paling bernilai bagi manajer pemasaran digital senior — menerjemahkan target marketing menjadi bahasa margin yang dipahami tim finance.

Coba Sendiri: Hitung Ambang Target ROAS dari Margin Anda

Ubah harga jual, HPP, dan buffer laba yang diinginkan, lalu amati bagaimana Target ROAS minimum yang aman bergeser mengikuti struktur margin produk.

Struktur Kampanye: Match Type & Negative Keyword sebagai Query Funnel

Struktur kampanye yang buruk membocorkan anggaran ke pencarian tidak relevan — match type dan negative keyword adalah filter yang menentukan kualitas trafik berbayar.

Negative keyword bukan pengaturan pasif "atur sekali lupakan" — laporan search term mingguan wajib diaudit untuk menambah negative keyword baru sebelum anggaran bocor ke query tidak relevan.

Jelaskan bahwa piramida ini menunjukkan trade-off klasik antara jangkauan dan relevansi pada tiap match type, dan bahwa strategi umum di level manajer senior adalah memakai broad match untuk riset kata kunci baru namun exact match untuk kampanye yang sudah terbukti profitable dan butuh kontrol biaya ketat. Tekankan bahwa negative keyword sering diabaikan tim junior karena tampak seperti pekerjaan administratif membosankan, padahal ini adalah salah satu tuas paling murah untuk memperbaiki efisiensi anggaran — mencegah pembelian klik dari pencarian yang jelas tidak relevan. Berikan contoh UMKM yang beriklan kata kunci "sepatu running" tapi tidak menambahkan negative keyword "gambar" atau "gratis", sehingga anggarannya terbuang pada pencari yang hanya mencari gambar referensi, bukan calon pembeli. Ajak mahasiswa berdiskusi seberapa sering tim mereka mengaudit laporan search term di kampanye masing-masing.

Hitung dari Nol #4: Analisis Kanibalisasi Kata Kunci Brand vs Non-Brand

Kata kunci brand ber-CTR tinggi dan CPC murah, tapi sebagian klik itu akan datang gratis secara organik — manajer perlu memisahkan konversi incremental dari yang "dibayar dua kali".

Langkah	Perhitungan	Nilai
Konversi dari iklan kata kunci brand (dilaporkan platform)	diberikan	500 konversi/bulan
Estimasi konversi organik jika iklan brand dimatikan (uji geo holdout)	diberikan	380 konversi/bulan
Konversi incremental riil dari iklan brand	500 − 380	120 konversi/bulan
Persentase konversi yang sebenarnya "sudah datang gratis"	380 / 500 x 100	76%
Biaya iklan brand bulan berjalan	diberikan	Rp18 juta
Biaya riil per konversi incremental (bukan per konversi terlapor)	18.000.000 / 120	Rp150.000/konversi

Biaya Akuisisi Riil

Rp150.000

Dashboard platform melaporkan CPA brand seolah hanya Rp36.000 (18 juta/500), padahal biaya per konversi incremental sebenarnya 4x lipat lebih mahal — keputusan anggaran wajib berbasis incrementality, bukan atribusi platform mentah.

Pandu mahasiswa menghitung setiap baris dan tekankan bahwa 380 konversi organik pada baris kedua adalah angka hasil eksperimen geo holdout — mematikan iklan brand di sebagian wilayah dan membandingkan penjualan dengan wilayah kontrol — bukan sekadar asumsi tanpa dasar. Jelaskan bahwa inilah alasan mengapa banyak brand besar secara berkala menjalankan uji "brand ads off" untuk mengukur berapa persen konversi kata kunci brand sebenarnya incremental, karena dashboard platform hampir selalu melebih-lebihkan kontribusi kata kunci brand akibat model atribusi last-click. Tanyakan kepada kelas apakah perusahaan mereka pernah menjalankan eksperimen serupa, dan bila belum, apa risiko mengalokasikan anggaran besar untuk kata kunci brand berdasarkan CPA yang dilaporkan platform. Tutup dengan menegaskan bahwa slide berikutnya akan membahas mini-kasus alokasi anggaran brand vs non-brand pada UMKM yang menghadapi keterbatasan anggaran nyata.

Kerangka Analisis: Kapan Investasi Kata Kunci Brand Justified?

Bukan setiap perusahaan perlu menguji incrementality secara formal — gunakan rubrik keputusan cepat ini saat data eksperimen belum tersedia.

Langkah Analisis	Pertanyaan Kunci	Indikasi Keputusan
1. Cek pangsa organik brand saat ini	Apakah brand sudah dominan di hasil organik untuk keyword sendiri?	Dominan → risiko kanibalisasi tinggi
2. Cek tekanan kompetitif kata kunci brand	Apakah pesaing aktif bidding di keyword brand kita?	Ya → pertimbangkan defensive bidding minimal
3. Cek posisi funnel pencari kata kunci brand	Apakah pencari brand umumnya sudah di tahap keputusan akhir?	Ya → nilai per klik tinggi meski volume kecil
4. Cek ketersediaan anggaran untuk non-brand	Apakah mengalihkan anggaran ke non-brand membuka pasar baru?	Ya → prioritaskan non-brand untuk pertumbuhan
5. Putuskan alokasi	Timbang risiko kanibalisasi vs risiko kehilangan klik ke pesaing	Alokasi bertahap + uji incrementality periodik

Kesimpulan kerangka: kata kunci brand paling dijustifikasi sebagai asuransi defensif terhadap pesaing, bukan sebagai mesin pertumbuhan utama — mesin pertumbuhan seharusnya kata kunci non-brand dan kategori.

Mini-Kasus: Alokasi Anggaran Search Ads UMKM Skincare Lokal

"Kulita Skincare", UMKM lokal dengan anggaran iklan pencarian terbatas, harus memutuskan alokasi antara kata kunci brand, kategori, dan kompetitor.

Situasi (ilustrasi)

Anggaran bulanan Rp10 juta, brand belum terlalu dikenal luas
Volume pencarian brand sendiri masih rendah (~200x/bulan)
Volume pencarian kategori "serum wajah brightening" jauh lebih besar

Pertanyaan Keputusan

Dengan brand awareness rendah, apakah kanibalisasi brand relevan di sini?
Berapa proporsi ideal ke kata kunci kategori vs brand vs kompetitor?
Bagaimana mengukur keberhasilan tanpa volume data cukup untuk smart bidding?

Sampaikan bahwa kasus "Kulita Skincare" ini adalah ilustrasi generik yang mewakili situasi umum ribuan UMKM Indonesia yang baru mulai serius menggarap iklan pencarian, dengan tantangan anggaran terbatas dan volume data historis yang minim. Jelaskan bahwa berbeda dari kasus OTA sebelumnya, di sini kanibalisasi kata kunci brand nyaris tidak relevan karena volume pencarian brand sendiri sangat kecil — hampir seluruh anggaran semestinya diarahkan untuk membangun permintaan baru lewat kata kunci kategori. Ajak mahasiswa berdiskusi bagaimana mereka akan menyusun struktur kampanye dengan anggaran terbatas ini, termasuk apakah masuk akal memakai manual CPC dulu sebelum data konversi cukup untuk smart bidding. Tutup dengan menanyakan, dari pengalaman mereka bekerja dengan klien atau divisi UMKM/skala kecil, tantangan struktural apa yang paling sering menghambat efektivitas iklan pencarian mereka.

Budget Pacing & Impression Share: Mengapa Anggaran Habis Sebelum Waktunya

Anggaran harian yang habis pukul 14.00 berarti perusahaan Anda kehilangan seluruh potensi konversi di jam-jam sisa hari — sebuah keputusan pacing yang jarang disadari sebagai keputusan strategis.

Gejala Umum

Impression share lost (budget) tinggi di jam sore/malam
Konversi malam hari secara historis lebih tinggi (waktu luang konsumen) tapi anggaran sudah habis
Standard delivery vs accelerated delivery memengaruhi kapan anggaran habis

Opsi Keputusan Manajerial

Naikkan anggaran harian jika ROAS di jam "kehilangan" masih positif
Gunakan ad scheduling (dayparting) — alihkan anggaran ke jam performa terbaik
Evaluasi ulang: apakah menambah anggaran atau memangkas keyword boros lebih efisien?

Prinsip keputusan: jangan menaikkan anggaran secara membabi buta hanya karena impression share lost tinggi — periksa dulu apakah jam/kata kunci yang kehilangan tayangan itu memang menghasilkan ROAS yang layak dikejar.

Jelaskan bahwa impression share lost akibat budget adalah salah satu metrik yang paling sering memicu keputusan reaktif menaikkan anggaran tanpa analisis lebih dalam, padahal tidak semua jam atau kata kunci yang kehilangan tayangan sama nilainya. Tekankan pentingnya menyandingkan data impression share lost dengan data performa historis per jam sebelum memutuskan menaikkan anggaran, karena bisa jadi jam yang kehilangan tayangan justru jam dengan konversi rendah. Ajak mahasiswa berdiskusi apakah perusahaan mereka pernah menganalisis performa iklan pencarian per jam atau per hari dalam seminggu, dan apakah anggaran sudah dialokasikan sesuai pola tersebut. Sampaikan bahwa bagian ketiga pertemuan ini akan membahas bagaimana model atribusi memengaruhi keseluruhan keputusan anggaran yang sudah kita bahas sejauh ini.

Bagian 3 — Pengukuran, Atribusi & Masa Depan Pencarian

Model Atribusi Mana yang Benar-Benar Menggambarkan Kontribusi Iklan?

Pertanyaan diskusi: jika satu pelanggan mengklik lima iklan berbeda sebelum membeli, iklan mana yang "berhak" mendapat kredit konversi — dan siapa yang dirugikan oleh pilihan model atribusi Anda?

Last-Click vs Data-Driven Attribution: Dampak pada Keputusan Anggaran

Model atribusi yang dipilih perusahaan Anda secara langsung menentukan kanal mana yang terlihat "berhasil" — dan karenanya, ke kanal mana anggaran tahun depan mengalir.

Langkah Analisis	Karakteristik	Implikasi Anggaran
1. Last-click attribution	100% kredit ke titik kontak terakhir sebelum konversi	Overweight kata kunci brand & retargeting (biasanya titik akhir funnel)
2. First-click attribution	100% kredit ke titik kontak pertama	Overweight kanal awareness (display, social awal)
3. Linear attribution	Kredit dibagi rata ke semua titik kontak	Adil secara nominal, tapi mengabaikan kontribusi riil tiap kanal
4. Data-driven attribution (DDA)	Kredit berbasis model statistik dari data konversi aktual	Merepresentasikan kontribusi incremental tiap kanal paling akurat
5. Keputusan manajerial	Migrasi bertahap ke DDA saat volume data mencukupi	Realokasi anggaran ke kanal upper-funnel yang selama ini "terlihat lemah"

Kata kunci non-brand yang memperkenalkan calon pelanggan ke merek sering "kehilangan kredit" di bawah last-click, padahal justru merekalah yang membuka funnel — DDA biasanya mengoreksi bias ini.

Pandu mahasiswa melalui kelima baris ini dan tekankan bahwa migrasi industri secara luas menuju data-driven attribution bukan sekadar tren teknologi, melainkan respons terhadap kesadaran bahwa last-click secara sistematis menghukum kanal upper-funnel yang justru menciptakan permintaan baru. Jelaskan bahwa model linear terlihat adil di atas kertas tapi sebenarnya sama naifnya dengan last-click karena mengasumsikan setiap titik kontak berkontribusi sama besar, padahal secara empiris jarang demikian. Ajak mahasiswa berdiskusi, jika perusahaan mereka masih memakai last-click attribution, kanal atau kampanye mana yang menurut dugaan mereka sebenarnya dinilai terlalu rendah kontribusinya. Sampaikan bahwa slide berikutnya akan membahas eksperimen incrementality sebagai alternatif yang lebih kuat secara kausal dibanding model atribusi berbasis observasi semata.

Incrementality Testing: Melampaui Keterbatasan Model Atribusi Observasional

Semua model atribusi tetap bersifat korelasional — geo holdout experiment memberi jawaban kausal: berapa penjualan yang benar-benar hilang jika iklan dimatikan.

Desain Eksperimen

Bagi wilayah pasar jadi grup treatment (iklan jalan) dan kontrol (iklan dimatikan)
Bandingkan penjualan dua grup pada periode sama, kontrol variabel musiman
Selisih penjualan = estimasi lift incremental riil dari iklan

Kapan Wajib Dilakukan

Sebelum keputusan pemangkasan anggaran besar (potensi bias last-click terungkap)
Saat mengevaluasi kata kunci brand berbiaya tinggi (lihat Hitung dari Nol #4)
Idealnya diulang berkala (mis. tiap 6-12 bulan), bukan sekali seumur kampanye

Perusahaan yang rutin menjalankan incrementality testing pada kanal pencarian sering menemukan bahwa 20-40% belanja "berbayar" pada kata kunci brand sesungguhnya dapat dipangkas tanpa kehilangan penjualan riil — angka bervariasi per industri dan wajib diverifikasi lewat eksperimen sendiri, bukan diasumsikan universal.

Jelaskan bahwa geo holdout experiment adalah pendekatan yang dipakai luas oleh perusahaan teknologi besar untuk mengatasi keterbatasan mendasar semua model atribusi observasional, yakni model atribusi hanya menjelaskan korelasi titik kontak, bukan kausalitas sesungguhnya dari iklan terhadap penjualan. Tekankan bahwa rentang 20-40% pada callout adalah rentang yang dilaporkan berbagai studi kasus industri secara umum, bukan angka pasti yang berlaku pada setiap perusahaan — mahasiswa harus menjalankan eksperimennya sendiri untuk angka yang valid bagi konteks mereka. Ajak mahasiswa berdiskusi hambatan praktis menjalankan eksperimen semacam ini di perusahaan mereka — apakah struktur organisasi, kesiapan data, atau resistensi tim pemasaran digital yang sudah nyaman dengan metrik lama menjadi penghalang terbesar. Sampaikan bahwa slide berikutnya akan membahas tren yang mengubah lanskap pencarian secara fundamental, termasuk zero-click search dan retail media.

Tren Masa Depan Pencarian: Zero-Click, AI Overview, & Retail Media Search

Lanskap pencarian bergeser cepat — manajer pemasaran digital perlu menyiapkan strategi untuk dunia di mana klik semakin langka tapi niat beli semakin terkonsentrasi.

Tekanan pada Search Ads Tradisional

Zero-click search — pengguna dapat jawaban langsung tanpa mengklik apa pun
AI Overview/ringkasan AI di hasil pencarian mengurangi klik organik dan berbayar atas
Implikasi: SEO dan search ads makin perlu dilihat sebagai satu sistem, bukan dua silo

Peluang Baru: Retail Media Search

Sponsored search di dalam marketplace (Shopee, Tokopedia) — niat beli sudah tinggi
Data first-party marketplace sering lebih presisi dari data Google generik
Anggaran pemasaran digital bergeser sebagian dari search engine ke retail media

Implikasi strategis bagi manajer: alokasi anggaran pencarian ke depan bukan lagi cuma "Google Ads vs SEO", melainkan tiga arah sekaligus — search engine ads, SEO/AI-visibility, dan retail media search di marketplace tempat produk dijual.

Jelaskan bahwa fenomena zero-click search dan ringkasan AI di hasil pencarian adalah pergeseran struktural yang membuat sebagian pertanyaan informasional tidak lagi menghasilkan klik sama sekali, sehingga nilai strategis SEO bergeser dari sekadar traffic menjadi visibilitas merek di ringkasan AI itu sendiri. Tekankan bahwa pertumbuhan retail media search di platform seperti Shopee dan Tokopedia menarik sebagian anggaran yang dulunya otomatis mengalir ke Google Ads, karena niat beli pengguna yang sudah membuka aplikasi marketplace jauh lebih tinggi dibanding pencari umum di mesin pencari. Ajak mahasiswa berdiskusi bagaimana perusahaan mereka, jika menjual produk lewat marketplace, mengalokasikan anggaran antara sponsored search marketplace dan Google Ads brand/kategori saat ini. Sampaikan bahwa slide penutup pertemuan ini akan memberikan latihan aplikatif untuk mempraktikkan kerangka keputusan yang sudah dibahas sepanjang dua jam ke depan.

Latihan Kelas: Audit Keputusan Kampanye Pencarian

Kerjakan berkelompok (3-4 orang) menggunakan data perusahaan Anda sendiri atau studi kasus yang disediakan dosen — waktu 20 menit, presentasi singkat 3 menit per kelompok.

Instruksi

Pilih satu kampanye pencarian nyata (perusahaan Anda/klien/studi kasus dosen)
Identifikasi: strategi bidding yang dipakai saat ini — apakah sesuai volume data konversinya?
Hitung: berapa target ROAS/CPA seharusnya berdasarkan margin kotor produk (pakai kerangka Hitung dari Nol #3)
Diagnosis: apakah ada indikasi kanibalisasi kata kunci brand yang perlu diuji incrementality-nya?
Rekomendasikan satu perubahan konkret struktur kampanye/bidding untuk 30 hari ke depan

Dosen akan berkeliling per kelompok selama pengerjaan — siapkan asumsi margin dan volume konversi Anda secara eksplisit karena akan ditanyakan saat presentasi.

Sampaikan instruksi latihan ini dengan jelas di depan kelas dan tekankan bahwa kelompok yang tidak punya data kampanye nyata dari perusahaan mereka dapat memakai salah satu mini-kasus yang sudah dibahas hari ini, seperti Kulita Skincare atau Jelajah Nusa, sebagai bahan latihan. Ingatkan mahasiswa bahwa tujuan latihan bukan menghasilkan jawaban sempurna dalam 20 menit, melainkan melatih kebiasaan berpikir sistematis: mulai dari margin, turunkan target ROAS, lalu diagnosis struktur kampanye — urutan yang sama dengan yang kita praktikkan sepanjang pertemuan ini. Berkeliling ke tiap kelompok untuk memastikan mereka benar-benar menautkan angka margin ke target ROAS, bukan sekadar menyalin angka dari slide. Saat sesi presentasi tiga menit per kelompok, dorong kelompok lain memberi kritik singkat terhadap asumsi yang dipakai kelompok yang presentasi, sebagai latihan berpikir kritis tambahan.