Studi Kasus Felicia Tan: Marketing Mix Modeling Pindahkan 23 Persen Budget dari Meta ke TikTok dan Naikkan Revenue Inkremental 19 Persen di 2026

TL;DR: Felicia Tan, founder brand skincare lokal, sebelumnya bergantung penuh ke laporan dalam-platform Meta dan TikTok untuk alokasi budget bulanan. Marketing Mix Modeling (MMM) berbasis data 18 bulan menunjukkan Meta over-attributed 31 persen, TikTok under-attributed 18 persen. Setelah realokasi 23 persen budget dari Meta ke TikTok, revenue inkremental tumbuh 19 persen dan blended ROAS naik dari 2,8 ke 3,4 di periode tiga bulan berikutnya.

Felicia Tan datang dengan keluhan yang familiar di antara brand DTC Indonesia. Dashboard Meta Ads Manager menunjukkan ROAS 4,2, dashboard TikTok menunjukkan ROAS 2,1, tapi blended revenue dari Shopify tidak pernah cocok dengan total yang dijumlahkan dari kedua platform. Selisihnya bisa 25-35 persen tiap bulan. Setiap kali ditanya kenapa, jawaban tim selalu "platform attribution beda metodologi".

Masalah ini sebenarnya bukan baru. Sejak iOS 14 dan ATT, ditambah deprecation third-party cookies yang dipercepat sepanjang 2024-2026, attribution platform-level kehilangan banyak signal. Solusinya bukan lebih banyak pixel atau lebih banyak Meta Conversion API, tapi pindah ke pendekatan agregat seperti Marketing Mix Modeling yang mengukur dampak channel secara holistik. Artikel ini cerita bagaimana saya dan tim Felicia membangun MMM sederhana dengan Python dan menemukan misalokasi budget yang signifikan.

Konteks Brand Felicia

Felicia menjual skincare lokal dengan AOV Rp 240,000 dan target margin kotor 55 persen. Bulanan spend iklan total Rp 180-220 juta yang dibagi 60 persen Meta, 25 persen TikTok, 10 persen Google Search, dan 5 persen Google Display. Sales channel utama Shopee dan Tokopedia plus situs DTC sendiri.

Sebelum MMM, keputusan budget berdasarkan platform ROAS, dengan asumsi Meta yang ROAS-nya 4,2 harus dapat porsi terbesar. Tapi tim selalu curiga karena periode Meta diturunkan budgetnya, total revenue tidak turun proporsional. Sinyal klasik over-attribution.

Setup Marketing Mix Modeling

Kami pakai data 18 bulan: spend harian per channel, revenue harian dari Shopify dan integrasi marketplace, plus variabel kontrol seperti gaji bulan, hari libur nasional, promo Shopee 9.9 atau 11.11, dan event TVC competitor jika ada. Tools: Python dengan library Robyn dari Meta Open Source (ironis tapi tetap berguna), plus Bayesian regression dari PyMC untuk cross-check.

Model utama mengestimasi kontribusi inkremental setiap channel ke revenue total, terpisah dari faktor baseline dan musiman. Variabel saturation curve memastikan kami tahu titik diminishing return tiap channel. Pendekatan ini sejajar dengan praktik Conversion Lift Study tapi di tingkat agregat, bukan eksperimen per-platform.

Hasil Model MMM

Temuan utama: Meta menyerap kredit dari pembelian yang sebenarnya dipicu campaign TikTok atau organic earlier touchpoint. TikTok justru jadi top-of-funnel yang besar tapi credit-nya dirampok platform lain karena window attribution Meta yang panjang. Google Display nyaris tidak inkremental dan jadi kandidat utama untuk dipotong.

Tindakan Realokasi

Berdasarkan saturation curve dari MMM, kami pindahkan 23 persen budget Meta (sekitar Rp 25 juta per bulan) ke TikTok yang masih di bawah titik saturasi, dan matikan Google Display sepenuhnya. Budget Google Search dinaikkan sedikit karena ROAS inkremental tinggi tapi sudah di area saturasi. Detail metodologi MMM yang kami pakai mengikuti panduan Robyn Open Source dari Meta.

Hasil Tiga Bulan

Tiga bulan setelah realokasi: blended revenue naik 14 persen di atas tren musiman, blended ROAS naik dari 2,8 ke 3,4, dan total revenue inkremental yang diatribusi ke iklan tumbuh 19 persen dibanding periode kontrol equivalen. Felicia juga melaporkan brand awareness di TikTok lebih kuat berdasarkan organic mention dan UGC. Hasil ini konsisten dengan temuan Bayesian A/B Testing yang kami pakai untuk validasi creative TikTok.

Yang penting dicatat: angka inkremental MMM bukan jaminan. Range realistis untuk brand DTC skincare sejenis adalah +10-25 persen revenue inkremental setelah realokasi pertama, tergantung sebelumnya seberapa miring attribution platform-level.

Pertanyaan Umum

Apakah MMM bisa untuk brand kecil dengan budget di bawah 50 juta?

Bisa, tapi data noise akan tinggi. Minimum praktis sekitar 12 bulan data harian per channel dengan spend yang cukup variatif. Brand di bawah 50 juta sebulan lebih cocok pakai Geo Lift atau Conversion Lift Study yang lebih hemat data.

Berapa lama membangun model MMM pertama?

Dari setup data sampai model siap dipakai sekitar 4-6 minggu jika data harian sudah rapi. Bottleneck terbesar biasanya cleaning data dan menyamakan timezone antar source.

Apakah MMM mengganti A/B testing?

Tidak. MMM mengukur dampak agregat channel, A/B testing mengukur dampak treatment spesifik. Keduanya saling melengkapi untuk decision yang berbeda.

Apakah model ini perlu di-refresh?

Minimal sekali per kuartal, ideal sebulan sekali jika ada perubahan major di spend mix atau channel baru.

Penutup

Dashboard platform menarik karena angkanya selalu tampak optimistis, tapi blended ROAS dari sistem akuntansi yang jujur jarang berbohong. MMM bukan silver bullet, tapi cara realistis untuk menjawab pertanyaan dasar: kalau saya pindah satu juta dari channel A ke channel B, berapa revenue inkremental yang berubah. Setelah jawabannya ada, keputusan budget jadi pekerjaan yang bisa di-justify, bukan hasil tebakan.