Strategi Marketing Abad 21: Bayesian Media Mix Modeling

Dalam proses pemasaran produk yang biasa kita sebut dengan marketing, membuat keputusan seperti: penentuan target atau goal, pemilihan penggunaan channel atau saluran pemasaran, lama waktu pemasaran, dan budget atau kapasitas biaya yang akan dikeluarkan adalah hal yang penting untuk direncanakan dengan tepat. Membuat suatu strategi pemasaran yang hanya berdasarkan intuisi semata bukanlah hal yang bijaksana untuk dilakukan. Namun membuatnya hanya dengan perhitungan analisis data sederhana juga sama buruknya, apalagi bila melibatkan dana atau budget marketing yang besar.

Seringkali permasalahan mendasar perusahaan dalam proses marketing adalah menemukan cara terbaik mengalokasikan anggaran pemasaran di berbagai saluran media. Bagaimana seharusnya dana marketing dialokasikan di radio, TV, email marketing, media sosial seperti instagram dan facebook, video ads seperti youtube, search engine ads seperti google atau bahkan koran?

Salah satu cara yang seringkali dipergunakan adalah heuristik, yaitu menentukan aturan praktis yang paling masuk akal (menurut pendapat pribadi), tentang apa yang mungkin paling tepat untuk bisnis Anda. Misalnya, dengan hanya menetapkan anggaran pemasaran berdasarkan suatu nilai persentase dari pendapatan yang diharapkan. Disektor perhotelan praktik ini masih sering dipergunakan. Ketika menentukan anggaran atau budget pemasaran maka akan ditentukan besaran persentase tertentu yang akan dialokasikan dari target pendapatan yang diharapkan. Namun model ini melibatkan dugaan atau asumsi, sesuatu yang seharusnya dihindari untuk membuat perencanaan yang baik, terlepas dari ukuran besar kecilnya anggaran pemasaran tersebut.

Solusi dari penentuan strategi pemasaran perusahaan yang akurat adalah pendekatan atau pemodelan Bayesian dalam praktek Media Mix Modelling (MMM).

Dalam dunia analisis marketing telah lama dikenal istilah Media Mix Modeling (MMM). Dikutip dari jurnal berjudul "Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects" (Jin Et al., 2017), MMM adalah analisis statistik seperti regresi multivariat pada data penjualan dan marketing time series untuk memperkirakan dampak dari berbagai taktik pemasaran (marketing mix) terhadap penjualan dan kemudian meramalkan dampaknya di masa depan. Perhitungan ini sering digunakan untuk mengoptimalkan campuran berbagai jenis iklan dan taktik promosi sehubungan dengan pendapatan penjualan atau keuntungan.

Teknik ini dikembangkan oleh ekonometrik dan pertama kali diterapkan pada barang-barang kemasan konsumen, karena produsen barang-barang tersebut memiliki akses ke data yang lebih akurat. Lalu, dengan peningkatan ketersediaan data (big data), daya komputasi dan teknologi yang sekarang ini jauh lebih canggih, serta adanya tekanan untuk mengukur dan mengoptimalkan pengeluaran pemasaran pada akhirnya mendorong ledakan popularitas penggunaan MMM sebagai alat dari pemasaran.

MMM digunakan pengiklan untuk mengukur efektivitas iklan dan memberikan gambaran dalam membuat keputusan alokasi anggaran di masa depan. Namun iklan biasanya memiliki karakteristik tertentu yang sedikit merepotkan seperti hasil yang akan semakin berkurang karena pengaruh batasan waktu, dan adanya karakter yang berbeda dari masing-masing saluran pemasaran, dimana hal ini sulit ditangkap menggunakan regresi linier biasa. Sehingga dalam perkembangannya pendekatan Bayesian pun dipergunakan dalam teknik MMM untuk mengatasi permasalahan yang tidak dapat diukur oleh pendekatan biasa.

Statistik Bayesian sebenarnya bukanlah fenomena baru. Namanya diambil dari nama sang pencetus teorema yaitu Thomas Bayes. Pendekatan ini pertama kali diterbitkan pada abad ke-18. Sayangnya, pada waktu itu perkembangan teknologi tidak mendukung implementasi metode Bayesian. Sehingga pendekatan ini pun diabaikan. Baru pada tahun 2017 lalu, pendekatan statistik ini mulai ramai dibicarakan kembali setelah dipromosikan penggunaannya oleh Google.

Apa yang membuat ahli statistik tidak menyukai metode Bayesian kala itu adalah jumlah perhitungan yang perlu mereka selesaikan, yang membuat interpretasi frequentist menjadi pilihan yang jauh lebih praktis.

Sekarang ini, kekuatan komputasi komputer dikombinasikan dengan algoritma yang kuat, seperti rantai Markov Monte Carlo, sehingga memungkinkannya pemanfaatan potensi dari ide Thomas Bayes.

Rumus Pemodelan Bayesian adalah sebagai berikut:

P (A | B) = { P (B | A) . P (A) } / P (B)

Dimana, P (A | B) adalah peluang terjadinya A mengingat bahwa B telah terjadi begitu pula sebaliknya untuk P (B | A), sedangkan untuk P (A) dan P (B) adalah peluang terjadinya A dan peluang terjadinya B.

Secara sederhana, kita dapat memahami Bayesian MMM sebagai pemodelan regresi yang diterapkan pada data bisnis. Tujuannya adalah untuk memperkirakan dampak kegiatan pemasaran dan faktor lain yang mungkin mempengaruhinya, seperti jumlah pelanggan baru dalam kurun waktu tertentu.

Contohnya, dalam Bayesian MMM untuk dapat memperkirakan dampak suatu kegiatan pemasaran dapat dipergunakan dua jenis variabel prediktor utama yaitu:

1. Tingkat pengeluaran untuk setiap saluran media dari waktu ke waktu.
2. Satu set kontrol berupa kriteria tertentu yang dapat menangkap selisih perbedaan nilai disebabkan musim atau indikator ekonomi dll.

Daripada memodelkan jumlah pelanggan yang diperoleh sebagai fungsi linier dari pengeluaran pemasaran, Bayesian melangkah jauh dengan memodelkan potensi kejenuhan saluran yang berbeda. Misalnya, dalam pemodelan sederhana budget pemasaran 5% dari pendapatan ditargetkan mendapatkan 1000 pelanggan baru dan target ini biasanya selalu sama jarang berubah dan luput mempertimbangkan faktor lainnya. Padahal channel atau saluran iklan memiliki perbedaan karakter yang perlu dipertimbangkan diawal sebelum membuat keputusan budget dan target. Beberapa saluran memiliki kriteria pemirsa yang berbeda pada musim berbeda, sehingga target tiap saluran pastinya berbeda, hasil diwaktu promosi tertentu mungkin akan berbeda dengan hasil promosi diwaktu lainnya, dan promosi kali kedua akan memiliki hasil berbeda dari promosi pertama pada saluran yang sama.

Ketika berpikir untuk mengoptimasi suatu saluran, mempertimbangkan tingkat kejenuhan dari pemirsanya sangatlah penting. Dengan begitu pengiklan tau kapan harus berhenti dan menghasilkan peningkatan kinerja yang signifikan dalam akuisisi pelanggan dan pengeluaran untuk saluran itu. Mengetahui kejenuhan setiap saluran sangat penting dalam membuat keputusan pengeluaran pemasaran di masa depan, Bayesian MMM dapat memasukan kriteria ini distatistiknya untuk memperoleh gambaran prediksi yang lebih tepat.

Perlu dipahami, pemasaran untuk saluran tertentu mungkin memiliki efek jangka pendek atau jangka panjang. Ingatkah anda jingle iklan di TV yang pernah ada 1-20 tahun yang lalu? Ini adalah contoh dampak jangka panjang yang besar, jika pemirsa dapat terus mengingat suatu iklan dari beberapa tahun yang lalu. Memasukan kontrol waktu dalam perhitungan menjadi penting ketika dapat menghasilkan gambaran bahwa suatu saluran memiliki efek yang ternyata hanya "jangka pendek", sehingga kita bisa berencana untuk melakukan pemasaran yang lebih sering pada saluran tersebut. Sebaliknya untuk saluran yang memiliki efek jangka panjang, memasang iklan dalam budget yang lebih namun hanya dalam satu atau dua kali putaran saja mungkin bisa menjadi solusi yang tepat.

Gambaran dari pengaruh data jangkauan, anggaran, waktu dan kriteria kontrol dalam pemasaran adalah seperti tergambar dalam grafik berikut:

Dengan bantuan pendekatan tersebut maka proses pemasaran yang komplek dapat dihitung dengan tepat dalam suatu program yang sengaja diciptakan menggunakan formula Bayesian MMM.

Data akan dimasukan kedalam program yang menggunakan perhitungan Bayesian MMM. Program kemudian menghasilkan gambaran informasi. Gambaran informasi atau insights ini dapat divalidasi dan disempurnakan kembali secara berkelanjutan dengan tes penggunaan langsung. Tes validasi dan penyempurnaan pada akhirnya akan menghasilkan data baru.

Secara garis besar keuntungan penggunaan Bayesian MMM dapat dipaparkan menjadi tiga besar manfaat sebagai berikut:

1. Menambahkan unsur pengetahuan manusia berupa data-data pengetahuan lama. Pengetahuan sebelumnya tentang efektivitas saluran pemasaran dapat berasal dari berbagai sumber. Salah satu sumber data bisa berupa pengetahuan dari seorang manajer pemasaran yang telah terakumulasi menjalankan ratusan marketing campaign, atau pengetahuan mereka tentang perubahan harga produk pesaing, dll. Ketika manajer pemasaran suatu perusahaan berhenti bekerja maka data pengetahuan yang dia miliki tidak serta merta ikut berhenti dan menghilang karena telah dikumpulkan dan diinput kedalam program. Sumber lain dari pengetahuan sebelumnya bisa menjadi hasil eksperimen lapangan yang dilakukan dengan hati-hati seperti tes produk, survey, hasil penjualan, dll. Pendekatan Bayesian memungkinkan pengetahuan sebelumnya untuk dimasukkan secara elegan ke dalam model dan diukur dengan distribusi matematika yang sesuai.
2. Mengoptimalkan penggabungan pengetahuan lama dengan data baru. Inti dari pendekatan Bayesian adalah bagaimana kita dapat terus memperbarui pengetahuan tentang data. Model tidak lagi akan mengesampingkan pengetahuan manusia; dengan metode Bayesian, mereka menambah pengetahuan manusia.
3. Meningkatkan signifikansi data. Manfaat lain dari pendekatan Bayesian adalah mengurangi kesalahan interpretasi data dan informasi. Memang perusahaan perlu membuat keputusan berbasis data. Namun, hal ini perlu dilakukan dengan catatan data yang ada dapat memberikan gambaran yang akurat. Semakin banyak data parameter kontrol yang dimasukan, dan semakin banyak pengetahuan yang ditambahkan maka gambaran informasi dan prediksi yang dihasilkan pun akan lebih akurat.

Jadi apakah perusahaan anda telah menggunakan program atau alat pemasaran berbasis Bayesian Media Mix Modeling?