Bayesian Marketing Mix Modeling untuk Marketer Indonesia: Cara Memutuskan Budget Tanpa Menunggu Sample Besar

TL;DR: Bayesian Marketing Mix Modeling (MMM) adalah pendekatan statistik untuk mengukur kontribusi setiap channel marketing terhadap penjualan, memakai prior knowledge plus data observasi untuk menghasilkan distribusi probabilitas, bukan satu angka tunggal. Cocok untuk brand Indonesia dengan budget media terbatas yang tidak bisa menunggu 2-3 tahun data historis seperti syarat MMM frequentist klasik.

Sebagian besar tim marketing Indonesia masih bergantung pada Multi-Touch Attribution untuk membuktikan ROI. Namun era cookieless dan deprecation Conversion API membuat MTA makin tidak akurat. Marketing Mix Modeling menjadi pilihan ulang. Masalahnya, MMM klasik butuh data 2-3 tahun mingguan dan asumsi statistik yang ketat. Untuk brand yang baru aktif iklan 6-12 bulan atau punya banyak channel kecil, syarat itu tidak realistis.

Dalam beberapa engagement yang Vito Atmo bantu di 2025-2026, Bayesian MMM jadi solusi praktis. Brand pet care Vetmo, misalnya, hanya punya data penjualan mingguan 8 bulan plus spend ke 4 channel (Meta Ads, Google Ads, TikTok, dan affiliate). MMM klasik akan menolak dataset sependek ini. Bayesian MMM bisa.

Apa Bedanya Bayesian dengan MMM Klasik

MMM klasik (frequentist) memperlakukan koefisien channel sebagai angka tetap yang harus diestimasi dari data. Butuh sample besar untuk hasil stabil. Bayesian MMM memperlakukan koefisien sebagai distribusi probabilitas yang di-update dari prior (asumsi awal berdasarkan domain knowledge) plus likelihood (data yang diobservasi).

Konsekuensinya:

1. Bisa jalan dengan data terbatas (24-52 minggu cukup).
2. Output adalah distribusi (mean, credible interval), bukan titik tunggal.
3. Bisa inject domain knowledge (misal "Meta Ads diketahui punya saturation curve")
4. Lebih jujur soal ketidakpastian.

Kerangka 5 Langkah Implementasi

Tools Open Source yang Bisa Dipakai

Tiga library yang Vito Atmo sering rekomendasikan untuk tim Indonesia:

1. PyMC-Marketing dari PyMC Labs. Dokumentasinya paling lengkap untuk pemula. Cocok jika tim sudah pakai Python. Lihat repo resmi di PyMC Marketing.
2. Robyn dari Meta. Sudah berdampak luas, banyak case study Asia. Kelemahan: opinionated, butuh dataset bersih.
3. Lightweight MMM dari Google. Cocok untuk dataset kecil khas startup Indonesia.

Pilih satu, jangan campur. Konsistensi pipeline lebih penting daripada feature richness.

Studi Kasus Vetmo: Realokasi Budget Berbasis Posterior

Saat menjalankan Bayesian MMM untuk Vetmo (8 bulan data, 4 channel), hasil posterior menunjukkan:

• Meta Ads ROI mean 2,8x dengan 90% credible interval 1,9x sampai 3,7x.
• Google Ads ROI mean 4,1x dengan CI 3,2x sampai 5,1x.
• TikTok Ads ROI mean 1,2x dengan CI 0,4x sampai 2,1x (very uncertain).
• Affiliate ROI mean 6,5x dengan CI 5,2x sampai 7,8x.

Keputusan: pindahkan 30 persen budget TikTok ke affiliate, kurangi Meta 10 persen, naikkan Google 5 persen. Dijalankan bertahap selama 6 minggu. Hasil: total revenue naik 14 persen di month-on-month dengan budget yang sama.

Hal yang ditolong Bayesian: angka 1,2x TikTok terlihat "buruk", tapi credible interval lebar (0,4x-2,1x) menunjukkan bukti masih lemah. Tim sepakat tidak menghapus channel sepenuhnya, hanya mengurangi sambil mengumpulkan lebih banyak data.

Apa yang Sering Salah Ditafsirkan

Bayesian MMM bukan crystal ball. Empat miskonsepsi paling umum:

1. Posterior bukan jaminan masa depan. Hasil masa lalu, kondisi pasar berubah.
2. Prior yang salah merusak hasil. Jangan asal pasang prior, konsultasi dengan media planner senior.
3. Bukan pengganti [incrementality test](/glosarium/incrementality-testing). Lift Test tetap diperlukan untuk validasi causal.
4. Saturation curve bukan asumsi default. Setiap channel butuh pemodelan saturation berbeda (S-curve untuk display, hyperbolic untuk search).

Pertanyaan Umum

Berapa minimum data yang dibutuhkan?

Praktik terbaik 24 minggu data observasi. Di bawah itu hasil masih bisa keluar tapi credible interval sangat lebar.

Berapa biaya cloud untuk run Bayesian MMM?

Untuk dataset 52 minggu x 5 channel di PyMC, sekitar 30-90 menit di laptop standar. Tidak butuh cloud GPU. Biaya nol jika dijalankan lokal.

Apa beda Bayesian MMM dengan Lift Modeling?

MMM mengukur kontribusi historis semua channel sekaligus. Lift modeling menguji satu intervensi spesifik (misal naikkan budget X, lihat lift Y). Keduanya komplementer, bukan substitusi.

Apakah cocok untuk e-commerce kecil dengan revenue di bawah 100 juta per bulan?

Cocok untuk yang punya minimum 4-6 channel dan ingin disiplin allocation. Tidak cocok jika hanya 1-2 channel: cukup pakai ROAS per channel.

Tools mana yang paling mudah untuk pemula?

PyMC-Marketing punya tutorial paling banyak, dengan ekosistem Python yang familiar untuk data scientist. Robyn lebih opinionated tapi butuh kurva belajar R atau Python yang lebih curam.

Penutup

Bayesian MMM adalah pergeseran mindset, bukan sekadar tools. Marketer harus terbiasa dengan distribusi, credible interval, dan akronim seperti MCMC. Investasi waktu 2-4 minggu untuk satu praktisi data di tim. Imbalannya: keputusan budget yang tahan diaudit, jujur soal ketidakpastian, dan tidak gampang panik saat satu channel turun seminggu. Untuk brand Indonesia yang baru tumbuh, ini cara paling realistis pindah dari attribution ke causal thinking tanpa harus menunggu 3 tahun data.