Studi Kasus Felicia Tan: Pangkas CAC dari Rp 86rb ke Rp 41rb dengan Customer Match dan Eksklusi Audiens 2026

TL;DR: Personal brand Felicia Tan punya 4.300 email pelanggan eksisting dari kursus online tapi tetap bayar Meta Ads untuk audiens dingin termasuk yang sudah beli. Kami unggah list ke Customer Match, eksklusi pembeli aktif, dan buat lookalike dari top 10% pelanggan. CAC turun dari Rp 86 ribu ke Rp 41 ribu dalam 8 minggu, tanpa naik budget. Pola ini bisa direplikasi siapa pun yang punya database email.

Felicia Tan datang dengan masalah yang familiar. Budget Meta Ads Rp 22 juta per bulan untuk promosi kursus copywriting-nya. Hasilnya: 256 lead per bulan dengan CAC Rp 86 ribu, dan tingkat konversi lead ke pembayaran cuma 11%. Setelah 5 bulan, angka itu plateau.

Audit cepat menunjukkan satu hal yang sering terlewat: 18% spend Felicia ternyata membayar ulang iklan ke orang yang sudah pernah membeli kursus. Pixel Meta tidak konsisten ter-fire saat pembelian karena checkout pakai gateway terpisah. Akibatnya, segmen "purchased" di Meta cuma menangkap setengah pembeli sebenarnya.

Langkah 1: Audit Database First-Party

Felicia sudah punya 4.300 baris di sheet pelanggan dengan kolom email, tanggal beli, nilai transaksi. Saya rapikan dulu: hapus duplikat, normalisasi email lowercase, tandai pelanggan dengan total spend di top 10% sebagai "high-value". Audit ini mirip prinsip first-party data yang sehat: bersih dulu, baru aktifkan.

Langkah 2: Pasang Customer Match

Kami unggah tiga list ke Meta Ads Custom Audience:

Match rate di Meta sekitar 52%, hasil yang wajar untuk basis Indonesia. Saya juga unggah list yang sama ke Google Ads via Customer Match untuk kampanye Search.

Langkah 3: Restructure Kampanye

Kampanye akuisisi (cold) sekarang aktif dengan eksklusi otomatis terhadap list "all buyers". Kampanye retargeting fokus ke trial-only audience dengan creative yang berbeda dan offer eksplisit. Kampanye lookalike pakai high-value buyers sebagai seed. Saya juga aktifkan retargeting lewat custom audience website 30 hari.

Hasil setelah 8 Minggu

Penurunan CAC datang dari dua sumber. Pertama, spend yang sebelumnya terbuang ke pembeli eksisting kini dialihkan ke audiens dingin produktif. Kedua, lookalike dari high-value seed memberi pool yang lebih relevan, sehingga relevance score iklan naik dan CPM cenderung turun.

Catatan yang Penting

Hasil ini tidak terjadi karena Customer Match sebagai fitur magis. Yang bekerja adalah disiplin data: setiap list dirawat mingguan, pelanggan baru dimasukkan ke "all buyers" tiap akhir minggu, dan lookalike di-refresh per 30 hari. Tanpa hygiene ini, list akan basi dan match rate turun.

Catatan tambahan: angka CAC dan persentase kenaikan ini spesifik untuk niche kursus copywriting di Indonesia dengan basis pelanggan eksisting 4.300+. Industri lain dengan dinamika berbeda mungkin melihat range yang lebih sempit. Studi industri seperti riset Nielsen Norman Group tentang first-party data menyebut peningkatan efisiensi 20-50% sebagai rentang lazim.

Pertanyaan Umum

Apakah Customer Match cuma untuk Meta Ads?

Tidak. Google Ads, TikTok Ads, dan LinkedIn Ads punya fitur setara dengan nama berbeda. Polanya sama: unggah hashed identifier, lalu pakai sebagai audience.

Berapa minimum database email?

Untuk Meta Ads, list yang berfungsi dengan baik biasanya mulai dari 1.000 baris match aktif. Di bawah itu, hasil cenderung tidak stabil.

Bagaimana dengan privasi?

Email di-hash sebelum upload. Anda perlu mencantumkan klausa "kami bisa memproses data Anda untuk personalisasi pemasaran" di privacy policy.

Apakah pola ini berlaku untuk B2B?

Berlaku, dengan modifikasi. Untuk B2B, identifier yang paling kuat adalah email kerja, bukan personal. Match rate biasanya lebih rendah, tapi kualitas lead jauh lebih tinggi.

Insight Penutup

Banyak personal brand dan UMKM Indonesia sudah duduk di atas aset paling berharga di era cookieless: database email pelanggan. Tapi aset itu sering dibiarkan menganggur di sheet sambil iklan terus dibayar ke audiens yang tidak relevan. Customer Match mengubah aset diam itu jadi mesin efisiensi. Per 2026, ini bukan optimasi lanjutan, ini fondasi.