PRODI BISNIS DIGITAL · FEB UNDIP

Teknologi Web & Mobile

Pertemuan 10: Web & Mobile Analytics

Mengubah data pengunjung dan pengguna aplikasi menjadi keputusan bisnis yang terukur.

RPS minggu 11 · 2x50 menit

Tujuan Pembelajaran Hari Ini

SUB-CPMK 1

Ukur

Menjelaskan metrik dasar web dan mobile analytics (traffic, funnel, retensi) serta cara menghitungnya.

SUB-CPMK 2

Baca

Memahami cara kerja alat pengukuran (GA4, UTM, atribusi) tanpa perlu menulis kode pelacakan sendiri.

SUB-CPMK 3

Uji

Memahami logika A/B testing dan cohort analysis sebagai dasar keputusan produk berbasis data.

SUB-CPMK 4

Jaga

Mengenali batas privasi data pengguna (UU PDP, GDPR) saat merancang pengukuran.

Bagian 1 dari 3

Fondasi Analytics:
Mengapa Mengukur?

Dari intuisi ke bukti: metrik dasar web dan mobile yang wajib dikenal setiap pengambil keputusan bisnis digital.

Mengapa Data Mengalahkan Intuisi?

Sebelum era digital, keputusan bisnis banyak bersandar pada firasat pemilik toko. Web dan mobile analytics mengubah setiap klik, kunjungan, dan transaksi menjadi jejak data yang bisa dianalisis.

TANPA ANALYTICS

Keputusan berdasar tebakan atau suara paling lantang di rapat
Baru sadar produk gagal setelah dana promosi habis
Tidak tahu fitur mana yang benar-benar dipakai pengguna

DENGAN ANALYTICS

Setiap klaim bisa diuji: "benarkah promo ini menaikkan penjualan?"
Masalah terdeteksi dini lewat penurunan metrik kunci
Anggaran iklan dialihkan ke kanal yang terbukti efektif

Contoh nyata: Gojek dan Tokopedia (kini GoTo) membangun tim data science besar justru karena skala transaksi hariannya membuat "menebak" jadi terlalu mahal untuk dilakukan.

Web Analytics vs Mobile Analytics

Keduanya mengukur perilaku pengguna, tapi unit pengukuran dan alatnya berbeda karena arsitektur teknologinya juga berbeda (ingat Pertemuan 4).

Glosarium: SDK (Software Development Kit) adalah paket kode siap pakai yang ditanam developer ke dalam aplikasi agar bisa mengirim data pemakaian ke server analytics.

Metrik Dasar Traffic Web

Empat istilah yang paling sering muncul di laporan pemasaran digital manapun.

SESSION

Sesi

Satu kunjungan berkelanjutan seorang pengguna ke situs, biasanya dianggap berakhir setelah 30 menit tanpa aktivitas.

PAGEVIEW

Halaman

Setiap kali satu halaman dimuat/dilihat. Satu sesi bisa berisi banyak pageview.

BOUNCE RATE

Pentalan

Persentase pengunjung yang pergi setelah melihat satu halaman saja tanpa interaksi lain — sinyal konten kurang menarik.

CTR

Klik

Click-Through Rate: persentase orang yang mengklik sebuah tautan/iklan dari total yang melihatnya.

Mari kita samakan bahasa dulu sebelum masuk ke rumus, karena istilah-istilah ini akan terus muncul sepanjang karier Anda di bidang bisnis digital. Sesi adalah satu "kedatangan" pengunjung, sedangkan pageview menghitung setiap halaman yang dibuka di dalam kedatangan itu — jadi kalau Anda membuka situs detik.com lalu membaca tiga artikel berturut-turut, itu satu sesi dengan tiga pageview. Bounce rate yang tinggi pada halaman produk toko online biasanya pertanda buruk, misalnya foto produk kurang meyakinkan atau harga terlalu tinggi dibanding kompetitor sehingga pengunjung langsung pergi. CTR sering dipakai untuk menilai efektivitas iklan, misalnya iklan Instagram sebuah UMKM fashion yang dilihat 10.000 kali namun hanya diklik 200 kali punya CTR 2 persen, angka yang akan kita hitung sendiri sebentar lagi.

Hitung dari Nol: Funnel Conversion Rate

Kasus: toko fashion UMKM di Shopee dalam satu bulan. Funnel = urutan tahap yang dilalui calon pembeli sebelum bertransaksi.

Langkah	Perhitungan	Nilai
1. Pengunjung → Tambah keranjang	2.500 ÷ 10.000 × 100	25%
2. Keranjang → Mulai checkout	900 ÷ 2.500 × 100	36%
3. Checkout → Transaksi selesai	360 ÷ 900 × 100	40%
4. Conversion rate keseluruhan	360 ÷ 10.000 × 100	3,6%

Dari 10.000 pengunjung, hanya 360 (3,6%) yang jadi pembeli. Titik paling bocor ada di tahap keranjang → checkout (hanya 36% lanjut) — di situlah perbaikan sebaiknya difokuskan.

Sekarang mari kita hitung bersama-sama dari nol seperti seorang analis sungguhan. Bayangkan toko fashion UMKM di Shopee mendapat 10.000 pengunjung situs dalam sebulan, lalu 2.500 di antaranya menambahkan barang ke keranjang, 900 melanjutkan ke halaman checkout, dan akhirnya hanya 360 yang benar-benar membayar. Perhatikan bagaimana setiap tahap kita bagi dengan tahap sebelumnya untuk melihat rasio "kebocoran" per langkah, dan baru di baris terakhir kita bagi dengan total pengunjung awal untuk mendapat conversion rate keseluruhan sebesar 3,6 persen. Yang menarik secara bisnis adalah titik paling bocor terjadi di antara keranjang dan checkout, di mana hanya 36 persen yang lanjut — ini bisa berarti ongkos kirim mengejutkan pembeli atau proses pembayaran terlalu rumit, dan sebagai manajer produk Anda tahu persis di mana harus memperbaiki lebih dulu daripada menebak-nebak seluruh situs bermasalah.

Coba Sendiri: Uji Corong Konversi Toko Daring Anda

Ubah jumlah pengunjung di tiap tahap funnel, lalu amati di mana titik kebocoran terbesar dan berapa conversion rate keseluruhannya.

Metrik Dasar Aplikasi Mobile

Karena pengguna aplikasi cenderung memakainya berulang (bukan sekali kunjung seperti web), metrik mobile berfokus pada keaktifan dan bertahan-tidaknya pengguna.

DAU / MAU

Aktif

Daily/Monthly Active Users: jumlah pengguna unik yang membuka aplikasi dalam sehari/sebulan.

RETENTION

Bertahan

Persentase pengguna yang kembali membuka aplikasi setelah periode tertentu (mis. 7 hari) sejak pertama instal.

CHURN RATE

Kabur

Kebalikan retensi: persentase pengguna yang berhenti memakai aplikasi dalam periode tertentu.

STICKINESS

Lengket

Rasio DAU/MAU — seberapa sering pengguna bulanan kembali setiap hari. Akan kita hitung berikutnya.

Beda dengan situs berita yang orang kunjungi sesekali, aplikasi seperti Dana atau OVO ingin Anda membukanya setiap hari, sehingga metrik mobile lebih berfokus pada kebiasaan dan loyalitas ketimbang sekadar jumlah kunjungan. DAU menghitung berapa orang unik yang membuka aplikasi hari itu, sedangkan MAU menghitung yang sama tapi dalam rentang sebulan — perhatikan bahwa satu orang yang membuka aplikasi lima kali sehari tetap dihitung satu di kedua metrik ini karena yang dihitung adalah pengguna, bukan jumlah bukaan. Churn rate adalah momok bagi semua aplikasi berlangganan seperti layanan streaming, karena pengguna yang "kabur" berarti pendapatan berulang hilang. Stickiness menggabungkan DAU dan MAU menjadi satu angka yang menunjukkan seberapa "candu" aplikasi Anda, dan itu yang akan kita hitung langkah demi langkah sekarang.

Hitung dari Nol: Stickiness Aplikasi (DAU/MAU)

Kasus: aplikasi dompet digital dengan data bulan berjalan.

Langkah	Perhitungan	Nilai
1. Rata-rata DAU bulan ini	data tercatat sistem	45.000
2. MAU bulan ini	data tercatat sistem	300.000
3. Stickiness ratio	45.000 ÷ 300.000 × 100	15%
4. Pertumbuhan DAU vs bulan lalu (36.000)	(45.000 − 36.000) ÷ 36.000 × 100	25%

Stickiness 15% berarti rata-rata setiap pengguna bulanan hanya membuka aplikasi sekitar 1 dari 7 hari. Aplikasi media sosial biasanya di atas 50%; 15% menandakan ruang perbaikan besar pada frekuensi pemakaian.

Mari kita ulangi pola perhitungan yang sama seperti funnel tadi, kali ini untuk aplikasi dompet digital yang mencatat rata-rata 45.000 pengguna aktif harian dan 300.000 pengguna aktif bulanan. Stickiness ratio kita dapatkan dengan membagi DAU dengan MAU, hasilnya 15 persen — artinya secara rata-rata, dari 300.000 pengguna bulanan, hanya sekitar 45.000 yang benar-benar aktif pada hari tertentu. Sebagai perbandingan, aplikasi seperti Instagram atau WhatsApp yang dibuka nyaris setiap hari biasanya punya stickiness di atas 50 persen, jadi 15 persen menunjukkan aplikasi ini masih punya banyak pengguna "tidur" yang jarang kembali. Baris terakhir menunjukkan cara lain membaca tren: DAU tumbuh 25 persen dibanding bulan lalu, kabar baik yang bisa jadi hasil dari kampanye pemasaran atau fitur baru yang sedang kita evaluasi.

Coba Sendiri: Hitung Stickiness Aplikasi Anda

Ubah angka DAU dan MAU, lalu amati bagaimana rasio stickiness berubah dan bandingkan dengan aplikasi media sosial populer.

Bagian 2 dari 3

Alat & Teknik
Pengukuran

Dari Google Analytics 4 sampai atribusi kampanye: bagaimana data itu ditangkap dan ditafsirkan.

Google Analytics 4 (GA4): Model Berbasis Event

GA4 adalah alat web & mobile analytics gratis paling banyak dipakai. Bedanya dari versi lama (Universal Analytics): semua interaksi dicatat sebagai "event", bukan sekadar pageview.

MODEL LAMA (PAGEVIEW-BASED)

Fokus mencatat "halaman apa yang dibuka"
Sulit menyatukan data web dan mobile app
Klik tombol, scroll, video butuh setup tambahan rumit

MODEL GA4 (EVENT-BASED)

Semua tindakan (klik, scroll, beli) = satu "event"
Satu properti bisa menggabungkan situs + aplikasi
Lebih siap menghadapi era tanpa cookie pihak ketiga

Glosarium: event dalam GA4 adalah setiap tindakan spesifik yang dicatat, contoh: page_view, add_to_cart, purchase.

GA4 adalah penerus Universal Analytics yang resmi dimatikan Google sejak 2023, dan perbedaan filosofisnya penting untuk Anda pahami sebagai calon pengguna dashboard analytics di dunia kerja. Dulu, alat analytics hanya pandai menghitung "halaman apa yang dibuka berapa kali", tapi sekarang hampir semua yang terjadi di situs atau aplikasi — klik tombol, mengisi form, menonton video, sampai menyelesaikan pembelian — dicatat sebagai satu jenis data yang seragam bernama event. Keuntungan besarnya, sebuah perusahaan retail dengan website dan aplikasi mobile sekaligus, misalnya Zalora, bisa melihat perjalanan satu pelanggan yang mulai di website lalu menyelesaikan pembelian di aplikasi, dalam satu laporan yang sama. Ini juga mempersiapkan bisnis menghadapi dunia tanpa cookie pihak ketiga yang makin dibatasi oleh browser dan regulasi privasi, sesuatu yang akan kita bahas lebih lanjut di bagian tiga.

Melacak Sumber Trafik: Parameter UTM

UTM (Urchin Tracking Module) adalah kode tambahan di ujung URL agar sistem analytics tahu persis dari mana pengunjung datang.

toko.co.id/promo?utm_source=instagram&utm_medium=iklan&utm_campaign=diskon_agustus

Langkah	Yang Terjadi	Contoh Nilai
1. Tim pemasaran menandai kanal	utm_source = kanal asal	instagram
2. Tandai jenis kanal	utm_medium = tipe trafik	iklan berbayar (cpc)
3. Tandai nama kampanye	utm_campaign = nama promo	diskon_agustus
4. Pengguna klik & masuk situs	GA4 mencatat otomatis sumbernya	tersimpan di laporan akuisisi

UTM ini sederhana tapi krusial: bayangkan tim pemasaran sebuah brand skincare lokal memasang iklan yang sama di Instagram Ads dan TikTok Ads — tanpa UTM, GA4 hanya tahu "ada pengunjung baru" tapi tidak tahu iklan mana yang benar-benar membawa mereka. Dengan menambahkan tiga potongan kode di ujung tautan, yaitu sumber, medium, dan nama kampanye, setiap klik yang masuk otomatis ditandai asalnya oleh GA4 tanpa perlu programmer menulis kode pelacakan khusus. Ini sebabnya kalau Anda melihat tautan promo yang panjang dan berantakan di bio Instagram sebuah brand, kemungkinan besar itu bukan sembarang, melainkan tautan berkode UTM yang sengaja dibuat agar tim pemasaran tahu performa tiap kanal. Sebagai calon manajer produk atau pemasaran digital, kemampuan membaca dan meminta laporan berdasarkan UTM ini akan sering Anda gunakan untuk menilai kanal mana yang layak ditambah anggarannya.

Model Atribusi: Siapa "Berjasa" atas Konversi?

Satu pelanggan sering bersentuhan dengan banyak kanal sebelum akhirnya membeli. Model atribusi menentukan kanal mana yang dapat "kredit".

Langkah	Model Atribusi	Kanal yang Dapat Kredit
1. Sederhana & paling umum	Last-click	100% ke Email Promo (sentuhan terakhir)
2. Menghargai titik awal	First-click	100% ke Iklan Instagram (sentuhan pertama)
3. Lebih adil, lebih rumit	Multi-touch (linear)	Dibagi rata ke ketiga kanal (≈33% masing-masing)

Perhatikan ilustrasi perjalanan pelanggan ini: seseorang pertama melihat iklan Instagram sebuah toko sepatu, dua hari kemudian mencarinya lagi lewat Google, lalu akhirnya membeli setelah menerima email promo diskon. Pertanyaannya, kanal mana yang "berjasa" membawa penjualan ini? Model last-click, yang paling umum dipakai karena paling sederhana, akan memberi seluruh kredit ke email karena itu sentuhan terakhir sebelum pembelian, padahal iklan Instagram-lah yang mungkin pertama kali menanamkan kesadaran produk di benak pelanggan. Model multi-touch mencoba lebih adil dengan membagi kredit ke semua kanal yang terlibat, meski perhitungannya lebih rumit dan butuh lebih banyak data. Ini bukan sekadar perdebatan teknis — pilihan model atribusi menentukan kanal mana yang dianggap "berhasil" dan karenanya mendapat anggaran iklan lebih besar di periode berikutnya, jadi kesalahan memilih model bisa membuat perusahaan salah alokasi dana pemasaran.

Coba Sendiri: Bandingkan Model Atribusi Konversi

Ubah kanal-kanal yang dilalui pelanggan, lalu amati bagaimana kredit konversi terbagi berbeda antara last-click, first-click, dan multi-touch.

A/B Testing: Menguji Sebelum Meluncurkan

A/B testing membagi pengguna secara acak ke dua versi (A = kontrol, B = variasi) untuk melihat mana yang berkinerja lebih baik, sebelum diterapkan ke semua orang.

VERSI A (KONTROL)

50%

Tombol "Beli Sekarang" warna biru — tampilan lama, sebagai pembanding.

VERSI B (VARIASI)

50%

Tombol "Beli Sekarang" warna merah — tampilan baru yang diuji hipotesisnya.

Aturan dasar: hanya ubah satu variabel per uji coba (contoh: warna tombol saja), jalankan cukup lama sampai jumlah sampel signifikan secara statistik, baru simpulkan pemenangnya.

Bayangkan tim produk sebuah aplikasi e-commerce ingin tahu apakah mengubah warna tombol "Beli Sekarang" dari biru ke merah akan meningkatkan penjualan — daripada mengubahnya untuk semua pengguna dan berharap yang terbaik, mereka membagi pengguna secara acak: separuh tetap melihat tombol biru sebagai kelompok kontrol, separuh lagi melihat tombol merah sebagai kelompok uji. Setelah beberapa minggu dengan jumlah pengguna yang cukup banyak, mereka bandingkan conversion rate kedua kelompok — kalau kelompok merah signifikan lebih tinggi, baru fitur itu diluncurkan ke semua pengguna. Aturan emasnya adalah hanya mengubah satu hal pada satu waktu, karena kalau Anda mengubah warna tombol sekaligus teksnya, Anda tidak akan tahu mana yang sebenarnya berpengaruh. Perusahaan seperti Traveloka dan Bukalapak rutin menjalankan puluhan A/B test bersamaan setiap saat, karena keputusan desain sekecil apapun bisa berdampak besar pada skala jutaan pengguna.

Coba Sendiri: Uji Signifikansi Hasil A/B Testing Anda

Masukkan jumlah pengguna dan konversi versi A dan B, lalu amati berapa besar uplift dan apakah hasilnya cukup signifikan.

Cohort Analysis: Membaca Retensi dari Waktu ke Waktu

Cohort = kelompok pengguna yang mulai memakai produk pada periode yang sama (misalnya, semua yang mendaftar bulan Januari). Analisis cohort melihat bagaimana kelompok itu bertahan seiring waktu.

Kurva yang terus menurun tajam ("leaky bucket") adalah tanda bahaya — produk menarik pengguna baru tapi gagal membuat mereka bertahan. Kurva yang akhirnya mendatar menandakan ada inti pengguna setia.

Kurva retensi seperti ini adalah salah satu grafik paling ditakuti sekaligus paling penting bagi startup, sering disebut sebagai kurva "ember bocor" karena bentuknya yang menurun dari kiri ke kanan. Bayangkan sebuah aplikasi belajar bahasa asing merekrut 1.000 pengguna baru minggu ini sebagai satu cohort — minggu depan mungkin hanya 550 yang masih membuka aplikasinya, dan angka itu terus menyusut setiap minggu berikutnya. Yang diharapkan investor dan manajemen bukan angka nol di ujung, melainkan kurva yang akhirnya melandai atau mendatar, karena itu menandakan ada kelompok pengguna inti yang benar-benar setia dan akan terus memakai produk dalam jangka panjang. Analisis cohort ini yang membedakan startup dengan pertumbuhan sehat dari yang hanya "membakar uang" iklan untuk menarik pengguna baru yang lalu pergi lagi tanpa pernah kembali.

Dari Tujuan Bisnis ke Metrik: KPI Tree

Data yang baik selalu mengalir dari tujuan bisnis, bukan sebaliknya. KPI (Key Performance Indicator) adalah indikator kunci yang mewakili tujuan itu.

Kesalahan pemula yang sering saya lihat adalah membangun dashboard penuh angka menarik tapi tidak ada yang benar-benar menjawab pertanyaan bisnis apa pun — KPI tree ini adalah cara berpikir terbalik yang benar. Anda mulai dari tujuan bisnis paling atas, misalnya "menjadi platform belanja pilihan utama UMKM", lalu turunkan menjadi beberapa KPI yang mewakilinya seperti pertumbuhan pengguna, konversi penjualan, dan retensi. Setiap KPI itu baru kita turunkan lagi menjadi metrik-metrik teknis yang benar-benar bisa diukur oleh GA4 atau Firebase, seperti MAU untuk pertumbuhan atau DAU/MAU untuk retensi yang sudah kita hitung tadi. Kerangka berpikir ini penting agar sebagai manajer, Anda tidak tenggelam dalam ratusan angka di dashboard, melainkan fokus hanya pada metrik yang benar-benar terhubung dengan tujuan bisnis yang sedang dikejar perusahaan.

Bagian 3 dari 3

Privasi, Studi Kasus,
& Praktik

Batas hukum dan etika pengukuran data, ditutup dengan studi kasus dan diskusi kelas.

Privasi Data: Batas yang Wajib Dijaga

Mengumpulkan data pengguna bukan tanpa batas. Di Indonesia, aturan utamanya adalah UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP).

UU PDP (INDONESIA)

Wajib ada persetujuan (consent) sebelum mengumpulkan data pribadi
Pengguna berhak tahu datanya dipakai untuk apa
Kebocoran data bisa berujung sanksi administratif & pidana

ATURAN GLOBAL SERUPA

GDPR (Uni Eropa) — acuan global paling ketat
ATT Apple (App Tracking Transparency) — app wajib minta izin sebelum melacak lintas-aplikasi
Google & browser mulai membatasi cookie pihak ketiga

Implikasi bisnis: dunia analytics bergerak dari "lacak semua diam-diam" menuju "minta izin lebih dulu" — perusahaan yang lambat beradaptasi akan kehilangan sebagian data pelacakannya.

Semua teknik yang kita pelajari hari ini — UTM, atribusi, cohort — bekerja karena ada data pengguna yang dikumpulkan, dan sejak 2022 Indonesia punya UU Pelindungan Data Pribadi yang mengatur bahwa perusahaan wajib meminta persetujuan eksplisit sebelum mengumpulkan dan mengolah data semacam itu. Ini bukan sekadar formalitas hukum: banner "kami menggunakan cookie, klik setuju" yang sering Anda lihat di berbagai situs adalah wujud nyata dari kepatuhan terhadap aturan seperti ini. Apple bahkan melangkah lebih jauh lewat App Tracking Transparency yang mewajibkan aplikasi meminta izin eksplisit sebelum melacak pengguna lintas aplikasi lain, sebuah kebijakan yang menurut laporan industri memangkas signifikan kemampuan pengiklan melacak pengguna iPhone. Sebagai calon pengambil keputusan bisnis digital, Anda harus paham bahwa mengumpulkan data sebanyak-banyaknya bukan lagi strategi yang aman secara hukum maupun reputasi — justru perusahaan yang transparan soal privasi kini jadi nilai jual tersendiri di mata konsumen.

Studi Kasus: Funnel Bocor di Marketplace UMKM

SITUASI

Sebuah UMKM kerajinan di Yogyakarta menjual produknya lewat Shopee dan Instagram Shop. Data GA4 & laporan Shopee bulan ini menunjukkan: trafik naik 40% (berkat konten TikTok viral), namun conversion rate turun dari 4% menjadi 2%. Rata-rata waktu di halaman checkout memanjang dari 20 detik menjadi 90 detik, dan ongkos kirim baru saja dinaikkan penyedia logistik.

Diskusi kelompok (10 menit):

Metrik apa saja yang perlu Anda cek lagi untuk memastikan dugaan penyebabnya?
Apakah kenaikan trafik dari TikTok ini "berkualitas" — bagaimana Anda membuktikannya dengan UTM & atribusi?
Eksperimen apa (A/B test) yang akan Anda usulkan untuk memperbaiki conversion rate?

Sekarang giliran Anda berpikir seperti seorang analis produk sungguhan — silakan berdiskusi dalam kelompok kecil selama sepuluh menit untuk kasus UMKM kerajinan ini. Perhatikan bahwa gejalanya menyesatkan kalau dibaca sepotong-sepotong: trafik naik terlihat seperti kabar baik, tapi conversion rate yang turun drastis dan waktu checkout yang memanjang tiga kali lipat justru mengarah pada dugaan kuat bahwa kenaikan ongkos kirim membuat calon pembeli ragu di detik-detik terakhir. Dorong mahasiswa untuk menghubungkan kembali semua konsep hari ini: funnel untuk menemukan titik bocor, UTM dan atribusi untuk menilai kualitas trafik dari TikTok, serta A/B test untuk menguji solusi seperti menampilkan estimasi ongkos kirim lebih awal di halaman produk. Setelah sepuluh menit, saya akan minta beberapa kelompok mempresentasikan hipotesis dan rencana eksperimennya secara singkat di depan kelas.

Rangkuman & Tugas Minggu Depan

Konsep	Inti
Funnel & conversion rate	Menemukan titik bocor perjalanan pengguna sebelum bertransaksi
DAU/MAU & retensi	Mengukur seberapa "lengket" dan bertahan sebuah aplikasi
UTM & atribusi	Melacak dan menilai kanal mana yang layak dapat kredit & anggaran
A/B test & cohort	Menguji ide dan membaca retensi berbasis bukti, bukan tebakan
UU PDP & privasi	Mengumpulkan data pengguna butuh persetujuan dan batas etika

MINGGU DEPAN

Pertemuan 11: API & Integrasi Sistem — bagaimana aplikasi analytics ini sebenarnya "berbicara" dengan sistem lain di balik layar.

TUGAS

Individu

Ambil screenshot dashboard analytics gratis (mis. GA4 demo account) dan identifikasi 1 metrik yang menurut Anda paling penting bagi bisnis tersebut, beserta alasannya.

Mari kita rangkum perjalanan dua jam kita hari ini: kita mulai dari mengapa data mengalahkan intuisi, belajar menghitung funnel dan stickiness dari nol seperti seorang analis, lalu masuk ke alat-alat seperti GA4, UTM, dan model atribusi, sebelum akhirnya membahas batas etika dan privasi yang membingkai semuanya. Minggu depan pada Pertemuan 11 kita akan melihat sisi yang lebih teknis lagi, yaitu bagaimana API memungkinkan data analytics ini mengalir otomatis antar sistem, misalnya dari GA4 ke dashboard internal perusahaan. Untuk tugas individu, saya minta Anda mencoba sendiri akun demo Google Analytics yang tersedia gratis di internet, ambil tangkapan layarnya, dan pilih satu metrik yang menurut Anda paling mencerminkan kesehatan bisnis tersebut lengkap dengan alasannya. Ini latihan penting supaya Anda tidak hanya paham teorinya di kelas, tapi juga terbiasa membuka dan membaca dashboard analytics sungguhan sebelum Anda benar-benar bekerja nanti.