Paket sumber terbuka dan agen AI telah mempermudah pembuatan model bauran pemasaran (MMM), namun tidak mempermudah untuk mengetahui apakah model tersebut tepat. Kendalanya beralih dari membuat model menjadi mengawasinya: mengkalibrasi model tersebut berdasarkan eksperimen, membandingkan model, dan menyebutkan siapa yang menyetujui nomor tersebut. Asia Tenggara, dengan riwayat data yang singkat dan banyak saluran per dolar pemasaran, memiliki eksposur paling besar.
Poin penting
- Agen AI kini dapat mengambil paket sumber terbuka, memuat data pengeluaran dan pendapatan, serta menghasilkan model bauran pemasaran yang berfungsi hampir tanpa latar belakang statistik.
- Robyn (Meta) paling sedikit bertanya kepada pengguna, Meridian (Google) membutuhkan pengkodean ilmu data dan Pemasaran PyMC membutuhkan keahlian Bayesian; agen menghapus kesenjangan pengaturan tetapi tidak menghapus kesenjangan interpretasi.
- Dalam lima belas eksperimen periklanan besar yang dipelajari oleh Gordon, Zettelmeyer, Bhargava, dan Chapsky, metode observasi meleset tiga kali lipat atau lebih pada sekitar separuh penelitian.
- Model sering kali memecah data sebelum pemodelan dimulai: rujukan asisten AI tanpa perujuk, pembangunan merek tidak berbayar, serta masukan pesaing dan audiens yang sudah ketinggalan zaman.
- Pengawasan berarti melakukan kalibrasi terhadap eksperimen, memperlakukan ketidaksepakatan antar model sebagai temuan, dan menyebutkan nama orang yang menandatangani nomor tersebut.
Apa yang berubah dalam pemodelan bauran pemasaran?
Membangun model bauran pemasaran telah menjadi sesuatu yang dapat dilakukan oleh hampir semua orang. Mengetahui apakah model tersebut benar masih jarang diketahui. AdExchanger baru-baru ini meliput kebangkitan pemodelan bauran pemasaran sumber terbuka, yang menciptakan label OS MMM, dan kegembiraan di balik karya itu asli. Hanya saja tidak menunjuk pada pencapaian yang tepat.
Julian Runge di Sekolah Medill Northwestern telah membuat versi argumen ini yang patut mendapat perhatian lebih. Agen AI kini dapat diminta untuk mengambil paket pemodelan sumber terbuka, memuat data pengeluaran dan pendapatan klien, dan menghasilkan model bauran pemasaran yang berfungsi tanpa memerlukan latar belakang statistik. Siapa pun yang telah membayar enam digit kepada konsultan dan menunggu seperempat untuk mendapatkan jawaban atas pertanyaan sederhana seperti saluran mana yang benar-benar berfungsi harus berhenti sejenak sejenak.
Kemudian muncul bagian argumen yang tidak berjalan dengan baik dalam slide ringkasan. Yang menjadi murah adalah tindakan memproduksi sebuah model. Apa yang masih membutuhkan biaya yang sama persis dengan biaya yang selalu dikeluarkan adalah benar.
Bagian mana dari pemodelan bauran pemasaran yang sebenarnya lebih murah?
Runge dan Koen Pauwels menerbitkan perbandingan praktis dari paket-paket open source utama tahun ini, dan sangat jelas mengenai tuntutan masing-masing paket tersebut. Robyn, dibangun oleh Meta, menggabungkan regresi punggung bukit dengan proses pencarian evolusioner. Ini meminta paling sedikit dari pengguna dan dapat mengembalikan model yang berfungsi dalam waktu kurang dari satu hari. Meridian Google mengharapkan kemampuan pengkodean ilmu data yang nyata. PyMC Marketing mengharapkan keahlian Bayesian yang asli dan seringkali membutuhkan waktu beberapa minggu untuk berjalan dengan baik.
| Kemasan | Apa yang diminta dari pengguna | Bagaimana cara mengkalibrasinya terhadap eksperimen |
|---|---|---|
| Robyn (Meta) | Sangat sedikit; regresi punggung bukit dengan penelusuran evolusioner, model yang berfungsi dalam waktu kurang dari satu hari | Melalui optimasi multi-tujuan, yang oleh Runge dan Pauwels ditandai sebagai kurang dipahami dan kurang diuji |
| Meridian (Google) | Kemampuan pengkodean ilmu data nyata | Hasil eksperimen seperti pendahulu Bayesian; Meridian GeoX memungkinkan eksperimen geo mengaitkan model |
| Pemasaran PyMC | Keahlian asli Bayesian; seringkali beberapa minggu untuk berjalan dengan baik | Hasil eksperimen seperti pendahulu Bayesian |
Agen AI menghapus kesenjangan penyiapan antara ketiga alat ini. Ia tidak melakukan apa pun untuk menghapus kesenjangan penafsiran. Hal ini justru memperluasnya, karena sekarang ketiga pendekatan tersebut dapat menghasilkan grafik yang tampak percaya diri pada akhir minggu, dan setiap grafik tersebut terlihat sama-sama dapat dipercaya pada slide.
Mengapa Anda tidak bisa mempercayai keluaran model sendiri?
Bayangkan skenarionya. Seorang agen telah bekerja semalaman dan tumpukan barang bersih sudah ada di kotak masuk pada pagi hari. Satu saluran kembali melaporkan laba atas belanja iklan sebesar 4.1. Pencarian merek muncul kembali di 0.9. Seseorang di ruangan tersebut menginginkan anggaran dialokasikan kembali pada akhir minggu dan menanyakan satu pertanyaan yang benar-benar penting. Apakah angka itu benar?
Tak seorang pun di ruangan itu yang dapat menjawabnya hanya dari keluarannya saja, karena keluaran tersebut tidak memberikan indikasi keandalannya sendiri.
Skala kesalahan yang terjadi di sini bukanlah hal baru. Peneliti Gordon, Zettelmeyer, Bhargava, dan Chapsky menjalankan lima belas eksperimen periklanan skala besar yang mencakup sekitar setengah miliar observasi eksperimen pengguna dan lebih dari satu miliar setengah tayangan, lalu membandingkan hasilnya dengan metode observasi yang biasanya diandalkan oleh industri. Pada sekitar separuh penelitian, perkiraan peningkatan tersebut turun tiga kali lipat atau lebih. Satu kampanye dengan peningkatan sebenarnya sekitar dua persen diperkirakan melalui metode observasi lebih dari tiga ribu persen. Kampanye lain dengan peningkatan nyata mendekati tujuh puluh persen diperkirakan menghasilkan lebih dari empat kali lipat angka tersebut.
Penelitian itu sudah berumur beberapa tahun sekarang. AI agen tidak mengubah masalah mendasar yang terungkap. Pipeline yang lebih cepat yang dijalankan pada data observasi yang sama akan mereproduksi bias yang sama. Ini akan melakukannya lebih cepat dan dengan format yang lebih baik.
Di manakah model bauran pemasaran dipecah sebelum pemodelan dimulai?
Kebanyakan keluaran pemodelan bauran pemasaran yang buruk sebenarnya bukanlah kegagalan pemodelan. Ini adalah kegagalan data yang kemudian disajikan oleh model dengan keyakinan yang tidak semestinya.
Mulailah dengan saluran yang tidak dapat dilihat oleh model sama sekali. Jika pelanggan bertanya kepada asisten AI seperti ChatGPT atau Perplexity produk mana yang akan dibeli dan tiba di situs tanpa perujuk, lalu lintas tersebut tidak memiliki kolom dalam kumpulan data. Model tersebut akan memasukkannya ke dalam permintaan dasar atau secara diam-diam mengkreditkannya ke kampanye apa pun yang sedang berjalan di sekitar. Ini sudah terlihat di data. Touchigh, yang bekerja pada optimasi mesin generatif untuk penjual lintas batas yang memasuki pasar AS, telah melaporkan lalu lintas rujukan AI tumbuh hampir tujuh ratus persen sepanjang musim liburan terbaru, dengan tingkat konversi dari rujukan asisten AI mencapai tiga puluh hingga empat puluh persen di atas rata-rata situs. Angka persisnya berasal dari penelitian tersebut. Poin strukturalnya tidak. Saluran yang tumbuh mendekati kecepatan tersebut, dan sama sekali tidak ada dalam kumpulan data, merupakan kesalahan spesifikasi, bukan kesalahan pembulatan.
Lalu ada garis pembelanjaan yang tidak pernah muncul sama sekali. Penerbitan pendiri, otoritas kategori dibangun secara perlahan seiring berjalannya waktu, kebiasaan lama yang tidak dibayar dengan muncul secara konsisten dalam percakapan suatu kategori. Tak satu pun dari hal tersebut menimbulkan biaya media, tidak ada satu pun yang menghasilkan ledakan nyata, dan efeknya sering kali muncul satu atau dua kuartal kemudian, dan ini adalah bentuk yang paling buruk yang ditangani oleh model bauran pemasaran. Itu tertelan ke dalam tren dan menghilang sepenuhnya dari analisis.
Dan kemudian ada kegagalan yang paling tidak glamor. Kualitas masukan. Model yang memberikan gambaran yang tipis dan ketinggalan jaman tentang pesaing dan perilaku audiens akan dengan percaya diri mengalokasikan anggaran untuk pasar yang sudah tidak ada lagi. Terdapat kasus terdokumentasi yang melibatkan Mothercare Singapura yang memangkas waktu yang dihabiskan untuk riset audiens sebesar delapan puluh persen, membebaskan lebih dari dua puluh lima jam seminggu, sekaligus melacak lebih dari empat ribu iklan digital setiap tahun dalam kategorinya. Angka yang benar-benar menarik bukanlah waktu yang dihemat. Hal ini disebabkan karena gambaran pasar yang mendukung setiap model hilir menjadi terkini dan tidak ketinggalan jaman hingga seperempatnya.
Kemana perginya keahlian modeling sekarang?
Itu tidak hilang. Mulai dari membangun model hingga mengawasinya. Ada tiga hal yang perlu diperbaiki sebelum model berikutnya dijalankan.
Kalibrasi berdasarkan eksperimen, bukan berdasarkan naluri. Meridian dan PyMC Marketing memungkinkan hasil eksperimen dimasukkan sebagai prior Bayesian. Robyn mengkalibrasi melalui proses optimasi multi-tujuannya, yang secara khusus ditandai oleh Runge dan Pauwels sebagai proses yang kurang dipahami dan kurang diuji secara ketat. Google memperkenalkan Meridian GeoX pada bulan Mei 2026 secara khusus sehingga eksperimen geo dapat mengaitkan model secara langsung, bukan hanya duduk di sampingnya sebagai latihan terpisah.
Perlakukan ketidaksepakatan antar model sebagai temuan tersendiri. Menjalankan dua paket berbeda pada kumpulan data yang sama dan mengamati perbedaan urutan besarnya pada satu saluran mengajarkan sesuatu yang nyata tentang betapa lemahnya identifikasi saluran tersebut dalam data. Kebanyakan tim menjalankan satu model dan tidak pernah menemukannya.
Sebutkan orang yang menandatangani nomor tersebut. Sebelum ada tokoh yang mengambil keputusan anggaran secara langsung, seseorang harus menanggung risiko salah dalam mengambil keputusan. Ini adalah kontrol tunggal yang dilewati sebagian besar tim secara diam-diam.
Lapisan pengawasan tersebut harus ada di suatu tempat, dan bagi lembaga yang lebih kecil atau independen, lapisan tersebut sering kali tidak ada sama sekali, hanya karena tidak ada lembaga analisis khusus yang dapat menyerap pekerjaan tersebut. Kesenjangan tersebut adalah bagian dari apa yang membuat alat yang dibuat untuk memberikan lapisan kecerdasan dan otomatisasi pada jaringan yang lebih besar kepada toko-toko kecil menjadi sangat relevan saat ini. Waktu yang dihemat dalam pelaporan hanya menciptakan nilai jika diinvestasikan kembali ke dalam penilaian daripada diserap ke dalam lebih banyak pelaporan.
Mengapa hal ini paling sulit terjadi di Asia Tenggara?
Asia Tenggara akan memperoleh manfaat maksimal dari alat pemodelan gratis dan terkena dampak paling besar jika alat tersebut digunakan tanpa pengawasan yang tepat. Riwayat data cenderung lebih pendek. Jumlah saluran per dolar pemasaran cenderung lebih tinggi, mencakup TikTok Shop, Shopee, Lazada, Meta, penempatan Grab, dan komunitas WhatsApp, seringkali semuanya dalam satu kampanye. Lebih sedikit pasar yang cukup besar untuk mendukung uji ketidaksepakatan yang benar-benar bersih. Sebuah merek regional dapat dengan mudah mendapatkan lebih banyak kolom saluran dalam kumpulan datanya dibandingkan dengan sejarah yang dimilikinya selama berminggu-minggu, yang merupakan kondisi yang membuat model bauran pemasaran dengan senang hati akan memberikan jawaban yang tepat, stabil, dan salah.
Akses gratis ke alat-alat ini jelas merupakan kabar baik. Hal yang terjadi bersamaan dengan akses tersebut adalah jarak yang jauh lebih pendek antara asumsi buruk dan anggaran yang telah dialokasikan kembali berdasarkan kekuatan asumsi tersebut.
Jadi sebelum model berikutnya dijalankan, pertanyaan yang patut diajukan di dalam organisasi mana pun adalah sederhana. Siapa yang bertanggung jawab jika jawabannya salah?
Di manakah posisi SOMIN dalam hal ini?
Kesenjangan yang dijelaskan dalam artikel ini sebenarnya bukanlah kesenjangan pemodelan. Ini adalah kesenjangan intelijen, jarak antara grafik yang terlihat percaya diri dan grafik yang benar-benar telah diperiksa berdasarkan perilaku orang-orang di pasar. SOMIN dibangun untuk menutup ruang tersebut. Pelacak Merek dan Studi Perspektif SoMonitor hadir untuk menjaga gambaran audiens di bawah model apa pun tetap terkini dan tidak ketinggalan jaman, sementara SODA dan kemitraan GWI memberi tim cara untuk menguji klaim model terhadap sinyal konsumen sebenarnya sebelum jumlah tersebut mencapai keputusan anggaran. Alat untuk membangun model bauran pemasaran kini jauh lebih mudah diakses. Penilaian yang diperlukan untuk mempercayai seseorang belum ada, dan itulah bagian yang didukung oleh SOMIN.
FAQ
Bisakah agen AI membangun model bauran pemasaran?
Ya. Agen dapat mengambil paket sumber terbuka, memuat data pembelanjaan dan pendapatan klien, serta menghasilkan model kerja yang hampir tidak memerlukan latar belakang statistik. Apa yang tidak dapat dilakukan adalah memberi tahu Anda apakah model tersebut benar, karena keluarannya tidak memberikan indikasi keandalannya.
Apa perbedaan antara Pemasaran Robyn, Meridian dan PyMC?
Robyn, dibangun oleh Meta, menggabungkan regresi punggungan dengan penelusuran evolusioner dan paling tidak menuntut pengguna. Meridian Google mengharapkan kemampuan pengkodean ilmu data yang nyata, dan PyMC Marketing mengharapkan keahlian Bayesian dan seringkali membutuhkan waktu beberapa minggu untuk berjalan dengan baik. Meridian dan PyMC Marketing menerima hasil eksperimen seperti pendahulu Bayesian; Robyn mengkalibrasi melalui optimasi multi-tujuan.
Seberapa salahkah pengukuran iklan observasional?
Dalam lima belas eksperimen periklanan besar yang dianalisis oleh Gordon, Zettelmeyer, Bhargava, dan Chapsky, perkiraan observasi mengenai peningkatan turun tiga kali lipat atau lebih pada sekitar setengah penelitian. Satu kampanye dengan peningkatan sebenarnya sekitar dua persen diperkirakan mencapai lebih dari tiga ribu persen.
Bagaimana cara memeriksa apakah model bauran pemasaran sudah tepat?
Kalibrasi dengan eksperimen, misalnya eksperimen geo melalui Meridian GeoX, bukan berdasarkan naluri. Jalankan dua paket berbeda pada data yang sama dan perlakukan perbedaan pendapat yang besar sebagai tanda bahwa saluran tersebut tidak teridentifikasi dengan baik, dan sebutkan orang yang menandatanganinya sebelum ada pihak yang mencapai keputusan anggaran.
Mengapa pemodelan bauran pemasaran lebih berisiko di Asia Tenggara?
Riwayat data lebih pendek, kampanye tersebar di banyak saluran seperti TikTok Shop, Shopee, Lazada, Meta, Grab, dan WhatsApp, dan lebih sedikit pasar yang cukup besar untuk melakukan uji ketidaksepakatan. Sebuah merek dapat memiliki lebih banyak kolom saluran daripada data berminggu-minggu yang bersih, yaitu saat model mengembalikan jawaban yang tepat, stabil, dan salah.
