Dalam dunia pemasaran digital, marketing mix modeling (MMM) sering dianggap sebagai alat tunggal yang memberikan jawaban pasti tentang alokasi anggaran. Padahal, setiap model statistik memiliki asumsi dan keterbatasan yang dapat memengaruhi kesimpulan akhir. Jika Anda hanya mengandalkan satu model, Anda sebenarnya sedang membuat keputusan besar berdasarkan satu sudut pandang yang belum tentu lengkap. Artikel ini akan membahas bagaimana menggunakan beberapa model MMM secara bersamaan untuk mengungkap ketidakpastian dan meningkatkan kualitas keputusan media berbayar.
Mengapa Satu Model MMM Tidak Pernah Cukup
Sebuah model MMM tunggal mampu menghasilkan estimasi titik yang tampak meyakinkan, bahkan ketika data mengandung banyak ketidakpastian. Estimasi titik ini sering kali disajikan sebagai angka pasti, misalnya channel A berkontribusi 35% terhadap penjualan, padahal angka tersebut bisa berubah drastis jika model dijalankan dengan spesifikasi berbeda. Ketika Anda hanya melihat satu angka, Anda kehilangan informasi tentang seberapa sensitif hasil tersebut terhadap perubahan asumsi. Ketidakpastian baru terlihat jelas ketika Anda membandingkan beberapa model yang dijalankan pada data yang sama.
Menjalankan tiga model yang berbeda terhadap data yang sama adalah cara efektif untuk memvisualisasikan rentang ketidakpastian. Jika ketiga model memberikan hasil yang relatif konsisten, Anda boleh lebih percaya diri dalam mengambil keputusan. Sebaliknya, jika hasilnya tersebar lebar, itu pertanda bahwa data yang ada belum cukup kuat untuk mendukung kesimpulan tunggal. Kondisi ini menunjukkan area mana yang membutuhkan pengujian tambahan sebelum anggaran dialihkan.
Menambahkan Perspektif Bayesian: Meridian dan PyMC-Marketing sebagai Opini Kedua
Menggunakan model kedua yang benar-benar berbeda secara metodologis sangat penting, bukan sekadar menjalankan model yang sama dengan parameter sedikit diubah. Model seperti Meridian atau PyMC-Marketing menawarkan pendekatan Bayesian yang mengubah cara model memberikan kredit kepada setiap saluran. Dengan Bayesian, prior atau keyakinan awal tentang ukuran efek ikut menentukan hasil akhir, sehingga Anda tidak hanya mengandalkan data mentah. Perbedaan filosofis ini sering kali menghasilkan atribusi yang berbeda secara signifikan.
Struktur geografis juga dapat menambah sinyal pada data regional yang sebelumnya tampak bising. Model yang memperhitungkan hierarki geografis mampu memanfaatkan pola antarwilayah untuk memperkuat estimasi pada pasar yang lebih kecil. Ini membantu Anda memahami apakah performa suatu saluran benar-benar konsisten di semua wilayah atau hanya didorong oleh satu pasar besar. Dengan demikian, keputusan alokasi anggaran menjadi lebih terinformasi pada level yang lebih granular.
Parameter Kunci yang Membedakan Hasil Antar Model
Beberapa parameter teknis dalam MMM memiliki dampak besar terhadap rekomendasi akhir. Adstock dan decay windows menentukan berapa lama efek suatu channel masih terasa setelah iklan berhenti tampil. Jika Anda memilih decay window yang terlalu panjang, model akan memberikan kredit berlebihan kepada iklan lama; terlalu pendek, Anda mengabaikan efek jangka panjang. Pemilihan parameter ini menjadi salah satu sumber perbedaan terbesar antar model.
Saturation curves memengaruhi seberapa cepat tambahan belanja iklan menghasilkan return yang semakin menurun. Kurva yang terlalu curam akan merekomendasikan pemotongan anggaran lebih awal, sementara kurva yang landai akan mendorong penambahan belanja. Setiap rekomendasi realokasi yang dihasilkan model sangat dipengaruhi oleh bentuk kurva ini. Oleh karena itu, membandingkan beberapa asumsi saturation adalah langkah krusial sebelum mengambil keputusan.
Priors dan regularisasi, baik Bayesian maupun ridge, menyandikan keyakinan tentang besaran efek yang dianggap masuk akal. Jika prior terlalu ketat, model cenderung mengabaikan sinyal data yang sebenarnya penting; jika terlalu longgar, noise bisa dianggap sebagai sinyal. Sementara itu, variabel musiman dan kontrol menentukan seberapa besar lift penjualan diatribusikan kepada kalender, misalnya musim liburan, versus kinerja channel itu sendiri. Kesalahan dalam menangani musiman dapat membuat model salah menilai kontribusi sebenarnya dari media berbayar.
Langkah Praktis Menggabungkan Multi-MMM untuk Keputusan Media
Untuk memulai, pilih dua hingga tiga model yang secara fundamental berbeda, misalnya satu model frequentist tradisional dan satu model Bayesian seperti Meridian. Jalankan semua model pada dataset yang sama dengan definisi variabel yang konsisten. Kumpulkan output utama, seperti kontribusi per channel, ROI, dan kurva respons, ke dalam satu tabel perbandingan. Langkah ini memudahkan Anda melihat area konsensus dan area divergensi secara visual.
Setelah membandingkan, kategorikan channel menjadi tiga kelompok: robust, tidak pasti, dan tidak signifikan. Channel yang konsisten tinggi di semua model layak mendapatkan alokasi yang stabil. Channel yang hasilnya sangat bervariasi antar model memerlukan uji coba terkontrol atau pengumpulan data tambahan sebelum anggarannya dinaikkan. Sementara itu, channel yang secara konsisten rendah di semua model adalah kandidat utama untuk dipangkas.
Terakhir, gunakan rentang hasil dari multi-MMM sebagai dasar skenario perencanaan, bukan sekadar satu angka. Misalnya, jika rentang kontribusi channel A adalah 15%–30%, buat rencana yang tetap menguntungkan pada batas bawah maupun batas atas rentang tersebut. Pendekatan ini mengurangi risiko overconfidence dan membuat keputusan media berbayar lebih tangguh terhadap ketidakpastian model.
