Studi Kasus Ade Mulyana: Migrasi ke Data-Driven Attribution Naikkan ROAS Konsultan Pajak dari 2,1 ke 4,7 dengan Realokasi Budget ke YouTube Pre-Roll di 2026

TL;DR: Ade Mulyana, konsultan pajak personal branding, melihat ROAS stagnan di 2,1 selama enam bulan. Setelah migrasi dari last-click ke data-driven attribution di GA4 dan realokasi 40 persen budget dari Search Ads ke YouTube pre-roll, ROAS naik ke 4,7 dalam 90 hari. Insight kuncinya: YouTube ternyata kanal awareness paling efisien untuk audience profesional di Jakarta.

Selama enam bulan pertama 2026, Ade Mulyana, konsultan pajak yang membangun personal branding lewat blog dan landing page konsultasi, melihat ROAS belanja iklannya stagnan di angka 2,1. Setiap rupiah belanja iklan menghasilkan Rp 2,1 booking konsultasi. Tidak buruk, tapi tidak cukup untuk skala ke target 50 klien per bulan.

Asumsi tim awal adalah YouTube pre-roll "boros" karena di laporan last-click GA4 kanal ini hanya menyumbang 4 persen konversi. Hipotesis ini ternyata salah, dan migrasi ke conversion attribution data-driven mengungkap gambaran yang sangat berbeda.

Konteks Awal

Ade menjalankan tiga kanal berbayar paralel: Google Search Ads (60 persen budget), Meta Ads retargeting (25 persen), YouTube pre-roll (15 persen). Tracking awalnya menggunakan last-click attribution default GA4 dengan attribution window 30 hari. Selama enam bulan, distribusi konversi terlihat ini:

Atas dasar ini, tim hampir memutuskan menutup YouTube dan menggeser budget ke Search. Sebelum keputusan dijalankan, kami pasang data-driven attribution model di GA4 dan menambahkan UTM tracking yang lebih ketat di semua landing page.

Apa yang Diubah

Pertama, model atribusi dipindah ke data-driven di GA4 Property Settings. Model ini memerlukan minimum 600 konversi per 30 hari, dan akun Ade lolos ambang ini di bulan keenam. Kedua, kami pasang server-side tracking lewat GA4 Measurement Protocol untuk menutup gap iOS 14.5. Ketiga, semua kampanye YouTube dipisah ke campaign type "Video views" terpisah agar bisa di-audit independen.

Setelah 14 hari data terkumpul, gambar berubah drastis:

YouTube ternyata kanal paling efisien karena 78 persen pengguna yang akhirnya mencari "konsultan pajak Ade Mulyana" di Google sudah pernah lihat YouTube ad-nya. Last-click memberikan kredit ke Search, padahal demand-nya dibangun YouTube. Pola ini konsisten dengan riset Think with Google tentang multi-touch attribution yang menunjukkan video awareness underrated di model last click.

Realokasi Budget

Berdasarkan data baru, kami realokasi:

Total budget bulanan tidak dinaikkan. Yang berubah hanya distribusi. Targeting YouTube dipersempit ke profesional Jakarta usia 28 sampai 45 dengan interest "finance" dan "small business owners". Format iklan dipilih TrueView in-stream 30 detik dengan hook problem-based.

Hasil Setelah 90 Hari

Setelah 90 hari realokasi berjalan:

Naiknya ROAS lebih dari sekadar pindah kanal. Yang membuat YouTube efektif adalah Ade muncul sendiri di video (face-to-camera, 30 detik, bahasa kasual) dengan satu insight pajak per video. Pendekatan ini memperkuat personal branding sekaligus menjadi paid acquisition, dua tujuan dalam satu produksi.

Untuk memaksimalkan dampak, kami juga pasang conversion-rate optimization di landing page konsultasi dengan A/B test headline dan reorder testimonial. Lift conversion rate landing page sendiri 1,8 ke 3,4 persen, yang turut mendorong ROAS.

Pertanyaan Umum

Apakah data-driven attribution selalu lebih akurat dari last click?

Untuk akun dengan volume konversi cukup (>600 per 30 hari di GA4), ya. Untuk akun kecil, last click atau time decay sering masih lebih reliable karena data-driven membutuhkan sample size yang besar untuk model machine learning-nya.

Berapa lama sampai melihat ROAS naik setelah realokasi?

Umumnya 30 sampai 60 hari untuk YouTube pre-roll mulai menunjukkan dampak, karena demand yang dibangun butuh waktu untuk konversi. Untuk Search Ads, dampak realokasi terlihat dalam 7 sampai 14 hari.

Apakah strategi ini bisa direplikasi ke industri lain?

Pola umum (video awareness underrated di last click) bisa direplikasi, tapi mix kanal optimal berbeda per industri. Test dulu dengan 20 sampai 30 persen realokasi sebelum geser besar-besaran.

Apa risiko terbesar pindah ke data-driven attribution?

Risiko utamanya adalah noise di periode awal: model butuh 14 hari pertama untuk stabilize. Jangan ambil keputusan realokasi besar di minggu pertama setelah pindah model.

Penutup

Kasus Ade Mulyana menunjukkan bahwa keputusan budget allocation sangat dipengaruhi model atribusi yang dipakai. Last-click attribution sederhana dan murah, tapi cenderung undervalue kanal awareness. Untuk konsultan personal branding dengan funnel yang melibatkan riset panjang (pajak bukan pembelian impulsif), data-driven attribution memberikan gambaran lebih akurat tentang kanal mana yang sebenarnya menggerakkan demand. Mulai dari memindah model di GA4, kumpulkan data 14 hari, lalu realokasi pelan-pelan dengan budget kecil dulu.