RPS minggu 9 · 2x50 menit

Pengukuran Iklan dan Optimisasinya

Dari Korelasi Menuju Kausalitas dalam Keputusan Belanja Iklan

Pemasaran Digital — Magister Manajemen FEB UNDIP

Selamat datang di pertemuan kesembilan, Anda sudah melewati strategi harga jejaring dan periklanan daring dasar — sekarang saatnya masuk ke bagian yang paling sering salah dipahami manajer: mengukur apakah iklan benar-benar bekerja. Studi kasus Rocket Fuel akan menjadi tulang punggung pertemuan ini karena perusahaan itu membangun bisnis dari satu pertanyaan sederhana namun sulit dijawab: bagaimana membuktikan iklan programmatic benar-benar mendorong penjualan, bukan sekadar menyertai penjualan yang akan terjadi juga. Bayangkan Anda adalah CMO Tokopedia atau Bukalapak yang harus mempertanggungjawabkan anggaran iklan miliaran rupiah ke direksi — angka CTR yang bagus saja tidak akan menyelamatkan Anda kalau ternyata iklan itu tidak menambah penjualan inkremental. Sepanjang dua jam ke depan kita akan bergerak dari metrik permukaan ke metode pengukuran dampak sebab-akibat yang dipakai praktisi kelas dunia.

Bagian 1

Mengapa Pengukuran Iklan adalah Masalah Manajerial?

Diskusi: kalau CTR (click-through rate, rasio klik terhadap tayangan) naik tapi penjualan tidak naik, apakah iklannya yang gagal atau alat ukurnya yang keliru?

Lemparkan pertanyaan ini ke kelas dan biarkan hening sejenak sebelum ada yang menjawab — pengalaman menunjukkan mayoritas manajer pemasaran menjawab terlalu cepat dengan "iklannya gagal" padahal akar masalahnya sering di metodologi pengukuran. Tanyakan pada peserta yang bekerja di industri consumer goods atau perbankan: metrik apa yang selama ini dipakai atasan mereka untuk menilai keberhasilan kampanye digital, dan apakah metrik itu pernah dipertanyakan validitasnya. Dorong mereka membedakan antara metrik keterlibatan (engagement) seperti impression dan klik, dengan metrik dampak bisnis seperti penjualan inkremental dan margin. Tutup diskusi dengan menegaskan bahwa keputusan anggaran miliaran rupiah sering bersandar pada metrik yang secara metodologis rapuh, dan itulah inti pertemuan hari ini.

Hierarki Metrik: Dari Tayangan ke Nilai Pelanggan

Setiap lapisan funnel butuh metrik berbeda — mencampurnya adalah sumber kesalahan keputusan paling umum di ruang rapat manajemen.

Kesalahan klasik: melaporkan performa iklan hanya dengan metrik lapisan atas (impression, CTR) karena angkanya selalu terlihat bagus, padahal keputusan anggaran seharusnya disandarkan pada lapisan bawah — konversi dan nilai seumur hidup pelanggan (customer lifetime value, LTV).

Kasus Mini: Keputusan Anggaran Iklan Marketplace

Situasi (ilustrasi)

Marketplace nasional (mis. pola Tokopedia/Bukalapak) belanja iklan performa ~Rp 40 miliar/bulan
Dashboard internal melaporkan ROAS (return on ad spend) rata-rata 4x — terlihat sangat sehat
Namun margin kontribusi kategori elektronik hanya ~15%, jauh di bawah kategori fesyen

Pertanyaan Keputusan Manajerial

Apakah ROAS 4x cukup, atau harus dibandingkan dengan ROAS titik impas (break-even) per kategori?
Apakah kenaikan penjualan itu inkremental — atau pembeli toh akan bertransaksi lewat pencarian organik?
Berapa banyak anggaran yang sebaiknya dialihkan dari elektronik ke fesyen?

Model Atribusi: Siapa yang Berhak Diklaim Berjasa?

Satu perjalanan pembelian bisa melewati banyak titik sentuh (touchpoint) — model atribusi menentukan siapa mendapat "kredit" konversi.

Model Sederhana (Single-Touch)

Last-click — kredit 100% ke titik sentuh terakhir sebelum konversi
First-click — kredit 100% ke titik sentuh pertama yang memperkenalkan merek
Kelemahan: mengabaikan peran titik sentuh di tengah perjalanan

Model Lanjutan (Multi-Touch)

Linear — kredit dibagi rata ke semua titik sentuh
Time-decay — titik sentuh mendekati konversi diberi bobot lebih besar
Data-driven — bobot ditentukan algoritma dari pola konversi historis (mis. Google Ads)

Praktik lapangan: mayoritas dashboard programmatic masih default ke last-click karena paling murah dihitung — padahal ini secara sistematis meng-overweight kanal bawah funnel seperti pencarian bermerek (branded search).

Hitung dari Nol #1 — Rantai Metrik Iklan Performa

Kampanye programmatic: 500.000 tayangan, 10.000 klik, 250 konversi, biaya Rp 50.000.000, nilai pesanan rata-rata Rp 300.000, margin kotor kategori 40%.

Langkah	Perhitungan	Nilai
1. CTR (klik/tayangan)	10.000 / 500.000 x 100%	2,0%
2. CPC (biaya per klik)	Rp50.000.000 / 10.000	Rp5.000
3. CPM (biaya per 1000 tayangan)	(Rp50.000.000/500.000) x 1.000	Rp100.000
4. CVR (konversi/klik)	250 / 10.000 x 100%	2,5%
5. CPA (biaya per akuisisi)	Rp50.000.000 / 250	Rp200.000
6. Revenue kampanye	250 x Rp300.000	Rp75.000.000
7. ROAS naif	Rp75.000.000 / Rp50.000.000	1,5x
8. ROAS titik impas (break-even)	1 / margin 40%	2,5x

Keputusan

1,5x < 2,5x

ROAS aktual berada di bawah titik impas — kampanye ini merugi secara marjinal meski "terlihat" untung 50%. ROAS harus selalu dibaca berdampingan dengan margin kategori, bukan berdiri sendiri.

Bagian 2

Korelasi vs Kausalitas dalam Iklan

Diskusi: apakah pelanggan yang mengklik iklan memang butuh dorongan iklan itu — atau mereka toh akan membeli tanpa pernah melihatnya?

Studi Kasus Rocket Fuel: Jebakan Korelasi

Masalah nyata Rocket Fuel (2013): laporan ad-serving standar menunjukkan pengguna yang terekspos iklan MegaShoe punya tingkat konversi jauh lebih tinggi dari yang tidak terekspos — tapi itu tidak membuktikan iklan menyebabkan pembelian.

Masalahnya: algoritma bidding programmatic secara sistematis menargetkan pengguna yang SUDAH menunjukkan niat beli tinggi (pernah mengunjungi situs, mencari produk serupa) — bukan pengguna acak.

Akar Masalah

Self-selection bias — targeting memilih orang yang "sudah mau beli"
Reverse causality — niat beli tinggi → jadi target iklan (bukan sebaliknya)

Konsekuensi Manajerial

ROAS naif SELALU bias ke atas (overstate dampak sebenarnya)
Klien bisa membayar mahal untuk konversi yang toh akan terjadi

Solusi: Eksperimen Terkontrol dengan Holdout Group

Rocket Fuel mengatasi bias seleksi dengan meniru uji klinis: memisahkan populasi target secara acak menjadi kelompok yang disuguhi iklan dan kelompok kontrol yang sengaja tidak disuguhi.

Langkah 1 — Randomisasi

Ambil populasi target yang lolos filter bidding
Acak menjadi Grup Perlakuan (tayang iklan) & Grup Kontrol (holdout, iklan "ghost"/kosong)

Langkah 2 — Ukur Selisih

Bandingkan tingkat konversi kedua grup di periode sama
Selisihnya = dampak inkremental murni iklan (bukan korelasi)

Prinsip kuncinya sama dengan randomized controlled trial (RCT) di uji obat: hanya perbedaan yang dirandomisasi yang bisa diklaim sebagai sebab-akibat. Inilah dasar metode incrementality testing yang kini standar di industri adtech.

Hitung dari Nol #2 — Incrementality Lift Test

Uji holdout: Grup Perlakuan 100.000 pengguna dengan 2.500 konversi; Grup Kontrol 100.000 pengguna dengan 2.000 konversi (nilai pesanan & biaya sama seperti ilustrasi sebelumnya, dipakai terpisah).

Langkah	Perhitungan	Nilai
1. CVR Grup Perlakuan	2.500 / 100.000 x 100%	2,5%
2. CVR Grup Kontrol	2.000 / 100.000 x 100%	2,0%
3. Lift absolut (poin persentase)	2,5% − 2,0%	0,5 pp
4. Lift relatif	0,5% / 2,0% x 100%	25%
5. Konversi inkremental	0,5% x 100.000	500 konversi
6. Revenue inkremental	500 x Rp300.000	Rp150.000.000
7. iROAS (incremental ROAS)	Rp150.000.000 / Rp50.000.000	3,0x

Insight Manajerial

iROAS 3,0x

Justru LEBIH TINGGI dari ROAS naif 1,5x pada slide sebelumnya — menunjukkan bahwa jebakan korelasi bisa bergerak DUA ARAH: kadang overstate, kadang understate dampak. Kesimpulannya: jangan pernah percaya ROAS naif tanpa validasi holdout.

Ingatkan peserta bahwa dua angka ROAS di pertemuan ini — 1,5x pada slide keenam dan 3,0x di sini — sengaja berasal dari ilustrasi terpisah untuk menekankan satu pelajaran penting: arah bias korelasi tidak selalu bisa ditebak sebelum diuji. Jelaskan bahwa 500 konversi inkremental hanya seperlima dari 2.500 konversi yang tercatat di grup perlakuan, artinya empat dari lima "konversi iklan" yang selama ini dilaporkan tim media sebenarnya akan terjadi juga tanpa iklan. Ajak peserta membayangkan implikasinya bagi perusahaan seperti GoTo atau Blibli yang menjalankan ratusan kampanye simultan — tanpa uji incrementality, keputusan alokasi anggaran bisa keliru secara sistematis. Tutup dengan menegaskan bahwa uji lift semacam ini sebaiknya dijalankan berkala, bukan sekali, karena elastisitas dampak iklan berubah seiring waktu dan kompetisi.

Coba Sendiri: Uji Uplift Grup Perlakuan vs Kontrol

Ubah ukuran sampel dan tingkat konversi grup perlakuan/kontrol, lalu amati bagaimana lift, konversi inkremental, dan iROAS berubah — termasuk apakah hasilnya signifikan secara statistik.

Kerangka Memilih Metode Atribusi & Pengukuran

Bukan soal metode mana yang "benar", melainkan metode mana yang PAS untuk konteks keputusan — rubrik langkah berikut membantu manajer memilih.

Langkah	Pertanyaan Analisis	Implikasi Pilihan
1. Skala data	Apakah volume konversi cukup besar untuk uji statistik?	Kecil → MMM agregat; Besar → MTA/holdout granular
2. Horizon keputusan	Keputusan taktis harian atau strategis tahunan?	Harian → MTA real-time; Tahunan → MMM & lift test periodik
3. Ketersediaan data pihak-ketiga	Apakah cookie/ID pengguna masih bisa dilacak lintas platform?	Terbatas → kembali ke MMM & data agregat
4. Toleransi biaya eksperimen	Bersedia mengorbankan sebagian revenue jangka pendek untuk uji holdout?	Ya → incrementality test berkala; Tidak → proxy statistik (MMM)

Kesimpulan

Kombinasi, bukan pilih satu

Praktik terbaik industri: MMM untuk alokasi anggaran strategis tahunan + MTA untuk optimisasi taktis harian + incrementality test berkala sebagai "kalibrator kebenaran" keduanya.

Marketing Mix Modeling vs Multi-Touch Attribution

Marketing Mix Modeling (MMM)

Regresi time-series pada data agregat (mingguan/bulanan)
Privacy-safe — tidak butuh data individu pengguna
Cocok untuk keputusan strategis: alokasi anggaran antar-kanal (TV, digital, OOH)
Kelemahan: lambat, granularitas rendah, butuh data historis panjang

Multi-Touch Attribution (MTA)

Melacak titik sentuh individu per pengguna secara granular
Real-time — cocok untuk optimisasi bidding harian
Kelemahan: rentan bias last-click, kian terbatas oleh regulasi privasi

Tren 2024–2026: banyak perusahaan besar (mengikuti pola Unilever, Google sendiri) beralih ke pendekatan hybrid — MMM sebagai "kebenaran strategis" yang mengkalibrasi ulang model MTA taktis, karena MTA murni makin tidak reliabel pasca-deprecation cookie.

Gambarkan MMM sebagai "teleskop" yang melihat pola besar dari jauh dan MTA sebagai "mikroskop" yang melihat detail perjalanan satu pengguna — keduanya perlu, tergantung level keputusan yang sedang diambil. Beri contoh konkret: direktur pemasaran memakai MMM untuk memutuskan alokasi 40% anggaran ke digital dan 60% ke TV untuk tahun depan, sementara manajer performance marketing memakai MTA untuk memutuskan kanal mana yang menerima top-up anggaran minggu ini. Tanyakan pada peserta apakah perusahaan mereka pernah mengalami dua tim melaporkan kontribusi kanal yang berbeda karena memakai metode berbeda — ini sangat umum dan sering menimbulkan konflik politik internal. Tekankan bahwa keputusan metode bukan soal mana yang lebih canggih secara teknis, melainkan mana yang menjawab pertanyaan bisnis yang sedang diajukan.

Bagian 3

Privasi vs Presisi Pengukuran

Diskusi: ketika data pihak-ketiga menghilang, haruskah kita mengorbankan presisi demi privasi, atau ada jalan tengah?

Guncangan Privasi: Cookie Deprecation & App Tracking Transparency

Dua guncangan regulasi/teknis mengubah lanskap pengukuran iklan digital secara fundamental sejak 2021–2024.

Apple ATT (2021)

Pengguna iOS harus opt-in eksplisit untuk dilacak lintas-aplikasi
Tingkat opt-in global hanya ~25-30% — data MTA berbasis IDFA runtuh

Cookie Pihak-Ketiga (Chrome)

Google menghapus dukungan cookie pihak-ketiga secara bertahap
Retargeting lintas-situs berbasis cookie kian tidak akurat

Dampak langsung bagi manajer: model atribusi yang selama ini diandalkan untuk optimisasi harian kehilangan sebagian besar sinyalnya — bukan karena performa iklan menurun, tapi karena alat ukurnya menjadi buta sebagian.

Jelaskan bahwa IDFA (identifier for advertisers) adalah ID unik perangkat Apple yang selama ini menjadi tulang punggung pelacakan lintas-aplikasi, dan begitu Apple mewajibkan opt-in, mayoritas pengguna menolak sehingga data menjadi jauh lebih jarang dan bias terhadap segmen pengguna yang bersedia dilacak. Kaitkan dengan pengalaman perusahaan e-commerce dan aplikasi keuangan Indonesia yang bergantung pada iklan Meta dan Google — banyak yang melaporkan penurunan akurasi pelaporan ROAS pasca-2021, bukan karena kampanye memburuk tapi karena pengukurannya kabur. Tanyakan pada peserta yang bekerja di digital marketing apakah tim mereka pernah mengalami "penurunan ROAS misterius" yang ternyata disebabkan oleh perubahan pelacakan ini, bukan penurunan performa sesungguhnya. Tekankan bahwa memahami sumber gangguan ini penting agar manajer tidak salah mengambil keputusan menghentikan kampanye yang sebenarnya masih efektif.

Jalan Tengah: First-Party Data & Clean Room

First-Party Data

Data yang dikumpulkan langsung dari pelanggan sendiri (transaksi, aplikasi, program loyalitas)
Contoh pola Indonesia: super-app seperti GoTo & Grab memanfaatkan data transaksi ride-hailing + pembayaran untuk menargetkan iklan tanpa bergantung cookie pihak-ketiga

Data Clean Room

Lingkungan analitik aman di mana dua pihak (mis. pengiklan & platform media) mencocokkan data teragregasi tanpa saling membuka data mentah individu
Menghasilkan insight atribusi tanpa melanggar privasi individu

Implikasi strategis bagi manajer: perusahaan yang memiliki relasi transaksional langsung dengan pelanggan (bank, telko, super-app) kini memegang keunggulan kompetitif baru dalam pengukuran iklan — dibanding pengiklan yang hanya bergantung platform pihak ketiga.

Jelaskan bahwa pergeseran ke first-party data mengubah lanskap kompetitif industri periklanan — perusahaan seperti Telkomsel dengan basis data pelanggan telekomunikasi besar, atau bank dengan data transaksi kartu, kini bisa membangun kemampuan iklan (retail media/ad network) yang dulunya monopoli Google dan Meta. Beri contoh konsep retail media network yang mulai berkembang di Indonesia, di mana marketplace menjual slot iklan di platform mereka sendiri berbasis data pembelian riil, bukan pelacakan lintas-situs. Ajak peserta mendiskusikan apakah perusahaan mereka punya aset data first-party yang bisa dimonetisasi serupa, dan hambatan apa yang mereka hadapi seperti keterbatasan infrastruktur data atau ketiadaan tim data science. Tutup dengan menegaskan bahwa investasi jangka panjang dalam infrastruktur data first-party kini menjadi keputusan strategis, bukan sekadar teknis IT.

Optimisasi Real-Time Bidding & Algoritmik

Setelah pengukuran benar, langkah lanjut adalah optimisasi otomatis — tapi manajer tetap harus memahami logikanya untuk mengawasi, bukan menyerahkan sepenuhnya ke "kotak hitam".

Logika Bidding Algoritmik (programmatic)

Algoritma memprediksi probabilitas konversi tiap kesempatan tayang (impression) secara real-time (dalam hitungan milidetik)
Bid dinaikkan otomatis untuk pengguna bernilai prediksi tinggi, diturunkan untuk yang rendah
Model dilatih ulang terus-menerus dari data konversi terbaru — feedback loop yang bisa memperkuat bias sekaligus memperkuat sinyal valid

Risiko manajerial: kalau data pelatihan model bidding mengandung bias korelasi (bukan lift inkremental yang tervalidasi), algoritma justru akan mengoptimalkan ke arah yang salah secara semakin agresif dan sulit dideteksi karena performa "terlihat" terus membaik.

Jelaskan bahwa inilah alasan mengapa incrementality testing bukan sekadar akademik — kalau algoritma bidding dilatih dari data ROAS naif yang bias, ia akan semakin percaya diri menargetkan pengguna yang toh akan membeli, menciptakan ilusi optimisasi yang sebenarnya membakar anggaran secara sistematis. Beri analogi dengan model credit scoring bank yang kalau dilatih dari data bias, akan memperkuat bias tersebut alih-alih memperbaikinya. Tanyakan pada peserta yang mengelola tim performance marketing apakah mereka pernah mengaudit data pelatihan algoritma bidding platform mereka, atau selama ini sepenuhnya mempercayakan pada "black box" vendor. Tegaskan bahwa tanggung jawab manajer bukan menjadi data scientist, tapi cukup tahu pertanyaan kritis yang tepat untuk diajukan kepada tim teknis dan vendor.

Dashboard KPI per Level Manajerial

Metrik yang tepat berbeda menurut level keputusan — mencampur level adalah sumber miskomunikasi lintas-tim yang paling sering terjadi.

Strategis (Direksi)

MMM · iROAS

Alokasi anggaran antar-kanal, dampak inkremental tervalidasi, kontribusi terhadap margin & LTV

Taktis (Manajer Kanal)

CVR · CPA

Optimisasi kampanye mingguan, perbandingan performa antar-audiens & kreatif

Operasional (Analis)

Viewability · Fraud rate

Kualitas eksekusi teknis harian — apakah iklan benar-benar terlihat manusia, bukan bot

Perangkap Umum yang Wajib Diwaspadai Manajer

Red Flags dalam Laporan Performa Iklan

Over-crediting last-click: ROAS terlihat sangat tinggi hanya pada kanal bawah funnel (search bermerek, retargeting)
Vanity metrics: laporan menonjolkan impression/reach besar tanpa menyertakan metrik konversi atau margin
Survivorship bias dalam A/B test: hanya melaporkan eksperimen yang "berhasil", menyembunyikan yang gagal
Ad fraud tersembunyi: klik/tayangan dari bot menginflasi metrik permukaan tanpa nilai bisnis nyata
Kebingungan korelasi-kausalitas: "kampanye ini meningkatkan penjualan" tanpa grup kontrol pembanding

Aturan praktis untuk rapat evaluasi kampanye: setiap klaim dampak HARUS bisa menjawab pertanyaan "dibandingkan dengan apa?" — kalau tidak ada pembanding (baseline/kontrol) yang jelas, klaim itu belum layak dipercaya sepenuhnya.

Latihan Kelas: Audit Klaim Performa Iklan

Instruksi (kerja kelompok, 15 menit): Anda menerima laporan dari agensi media yang mengelola kampanye sebuah brand kecantikan lokal (pola mirip RugsPlanet.com yang akan kita bahas pertemuan berikutnya, versi Indonesia). Laporan menyatakan: "ROAS kampanye kami 6x, penjualan naik 40% sejak kampanye berjalan — rekomendasikan penambahan anggaran 2x lipat."

Tugas Kelompok

Identifikasi minimal 3 pertanyaan kritis yang harus diajukan sebelum menyetujui penambahan anggaran (gunakan kerangka red flag & rubrik atribusi hari ini)
Rancang secara ringkas satu desain uji incrementality sederhana untuk memvalidasi klaim tersebut
Tentukan metrik mana yang relevan untuk level direksi vs level manajer kanal dalam kasus ini

Ringkasan & Jembatan ke Pertemuan Berikutnya

Yang Kita Bawa Pulang Hari Ini

ROAS naif rentan bias korelasi — selalu validasi dengan incrementality test
Model atribusi dipilih sesuai konteks keputusan, bukan sekadar tersedia di dashboard
Privasi mendorong kebangkitan first-party data & MMM sebagai kalibrator

Pertemuan 10: Praktik E-Commerce

Studi kasus RugsPlanet.com — dari pengukuran iklan ke eksekusi operasional e-commerce penuh
Bawa kerangka red flag & incrementality hari ini sebagai alat analisis kasus tersebut

Satu Kalimat Kunci

Ukur Dampak, Bukan Aktivitas

Keputusan manajerial yang baik dibangun dari metrik yang membuktikan sebab-akibat, bukan sekadar metrik yang mudah dilaporkan.

Tutup pertemuan dengan merangkum bahwa benang merah hari ini adalah pergeseran cara berpikir dari "seberapa banyak aktivitas iklan yang terjadi" menjadi "seberapa besar dampak sebab-akibat yang bisa dibuktikan", dan ini berlaku untuk semua level manajer, bukan hanya tim data. Ingatkan peserta bahwa kerangka incrementality dan red flag hari ini bukan pengetahuan sekali pakai, melainkan alat yang akan terus mereka pakai setiap kali menerima laporan performa marketing di pekerjaan mereka. Jelaskan singkat bahwa pertemuan berikutnya akan membawa kerangka ini ke konteks operasional e-commerce yang lebih luas lewat studi kasus RugsPlanet.com, mencakup keputusan di luar iklan seperti harga, logistik, dan pengalaman pelanggan. Minta peserta membawa contoh laporan performa iklan dari tempat kerja masing-masing untuk didiskusikan singkat di awal pertemuan berikutnya sebagai pemanasan.