Digital Marketing
MMM (Marketing Mix Modeling)
MMM adalah teknik statistik untuk mengukur dampak setiap channel marketing terhadap penjualan menggunakan data agregat historis, tidak bergantung pada cookie atau tracking individu.
TL;DR: MMM (Marketing Mix Modeling) adalah teknik statistik regresi yang mengukur kontribusi setiap channel marketing terhadap penjualan, memakai data agregat mingguan atau bulanan dari 1-3 tahun terakhir. MMM tidak butuh cookie atau user-level tracking, sehingga tahan terhadap perubahan privasi seperti ATT iOS dan deprecation third-party cookie.
Apa itu Marketing Mix Modeling?
MMM (Marketing Mix Modeling) adalah pendekatan ekonometrika untuk menjawab pertanyaan klasik marketing: "Berapa rupiah penjualan yang dihasilkan tiap rupiah belanja iklan, per channel?" Berbeda dengan attribution model yang melacak journey individu lewat cookie, MMM bekerja di level agregat. Inputnya: spend mingguan per channel, harga, promo, musim, makro ekonomi. Outputnya: kontribusi inkremental tiap channel ke revenue.
Analogi sederhana: kalau attribution model itu CCTV yang merekam tiap pengunjung toko, MMM itu termometer yang membaca suhu ruangan dari berbagai sensor. Tidak detail per orang, tapi memberikan gambaran sistem yang utuh.
Cara Kerja MMM
| Langkah | Aktivitas |
|---|---|
| 1. Kumpulkan data | Spend mingguan per channel, revenue, harga, promo, hari libur, kompetitor, cuaca, makro |
| 2. Bangun model regresi | Biasanya OLS atau Bayesian, transformasi adstock dan saturation |
| 3. Validasi | R-squared, MAPE, holdout test, validasi domain dengan tim marketing |
| 4. Hitung ROI per channel | Bagi kontribusi inkremental dengan spend, dapatkan ROAS marginal |
| 5. Simulasikan budget allocation | Jalankan skenario re-allocation untuk maksimalkan revenue |
Adstock memodelkan efek tunda iklan (orang lihat hari ini, beli minggu depan). Saturation memodelkan diminishing return (spend ke-100 juta tidak sama efeknya dengan spend ke-10 juta).
Kenapa Penting?
Sejak deprecation third-party cookie dan keterbatasan IDFA di iOS, akurasi attribution model digital menurun signifikan. MMM menjadi penyeimbang karena memakai data agregat first-party. Dalam beberapa proyek konsultasi yang saya tangani untuk brand FMCG dan e-commerce Indonesia, MMM membantu mengoreksi over-attribution channel digital sebesar 15-30%, terutama untuk paid social yang sering terlalu banyak diberi kredit.
Untuk perusahaan dengan belanja iklan di atas 500 juta per bulan dan minimal 18 bulan data historis, MMM jadi alat strategis untuk mengalokasikan budget tahunan. Lihat juga incrementality test yang berfungsi sebagai validasi kausal untuk hasil MMM.
Pertanyaan Umum
Berapa minimum data yang dibutuhkan untuk MMM?
Idealnya 2-3 tahun data mingguan, minimum absolut 18 bulan. Data kurang dari itu sulit menangkap musim, tren, dan variasi eksternal dengan reliable.
MMM vs Attribution: pilih mana?
Pakai keduanya. MMM untuk perencanaan budget tahunan dan strategi channel-mix, attribution untuk optimasi taktis harian seperti bidding di Meta atau Google Ads. Keduanya saling validasi.
Istilah Terkait