Digital Marketing Academy · Pelajaran

Masukan dan Variabel

Belanja, musiman, dan dasar

Masukan dan Variabel adalah pelajaran Digital Marketing Academy gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Digital Marketing Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Digital Marketing Academy mencakup 4 pelajaran total.

Anatomi Masukan MMM

Kualitas MMM hanya sebaik masukannya. Masukan tersebut terbagi menjadi tiga kelompok: variabel media (tuas yang dapat Anda kendalikan), variabel kontrol (faktor yang tidak dapat Anda kendalikan), dan variabel dependen (hal yang Anda prediksi).

Menentukan semua hal ini dengan tepat, pada granularitas dan frekuensi yang benar, merupakan sebagian besar pekerjaan dalam membuat model yang kredibel.

dependent : sales or revenue (weekly)
media     : spend or impressions per channel
controls  : price, promo, seasonality, macro
transforms: adstock, saturation

Variabel Dependen

Pilih hasil yang bersih: unit terjual, pendapatan, atau pelanggan baru. Pastikan konsisten apakah nilainya bruto atau neto, dan apakah pengembalian dikecualikan.

Buat model pada granularitas yang dapat Anda tindak lanjuti, biasanya mingguan pada tingkat nasional atau regional. Data harian menambah gangguan; data bulanan menyamarkan dinamika.

Variabel Media: Belanja vs Tayangan

Anda dapat memasukkan media sebagai belanja atau paparan (tayangan, poin jangkauan bruto, klik). Tayangan memisahkan penayangan dari biaya, yang penting ketika biaya per seribu tayangan berubah-ubah.

Pola yang umum: gunakan tayangan untuk memodelkan kurva respons, lalu konversikan kembali ke belanja untuk menghitung ROI. Selalu gunakan satuan yang konsisten dalam satu saluran.

TV     -> GRPs
Search -> clicks or spend
Social -> impressions
OOH    -> spend (no impression feed)

Efek Iklan Berkelanjutan

Dampak iklan tetap berlangsung setelah masa tayang berakhir. Model peluruhan menangkap efek ini sehingga penjualan minggu ini mencerminkan media dari minggu-minggu sebelumnya.

Parameter peluruhan lambda mengendalikan ingatan: 0,0 berarti tidak ada efek berkelanjutan, sedangkan 0,8 berarti ekor dampak yang panjang. TV biasanya memiliki efek berkelanjutan yang lebih besar daripada penelusuran.

adstock_t = media_t + lambda * adstock_(t-1)

lambda=0.3 (search): fast decay
lambda=0.7 (TV):     slow decay, long memory

Kejenuhan (Imbal Hasil Menurun)

Menggandakan belanja jarang sekali menggandakan penjualan. Transformasi kejenuhan menangkap imbal hasil yang menurun agar model tidak terus-menerus melakukan ekstrapolasi secara linear.

Transformasi berbentuk bukit atau logaritmik melengkungkan kurva respons, sehingga setiap saluran memiliki batas atas yang realistis dan rentang operasi yang efisien.

Hill:  response = x^a / (x^a + k^a)

low spend  -> steep gains
high spend -> flattening curve (saturated)

Variabel Kontrol

Variabel kontrol menyerap faktor nonmedia agar faktor tersebut tidak keliru dianggap sebagai dampak iklan. Faktor utama meliputi harga, promosi, distribusi/ketersediaan, aktivitas pesaing, dan indeks makroekonomi.

Menghilangkan variabel kontrol yang kuat akan membiaskan koefisien media, sering kali dengan memperbesar kontribusi saluran yang kebetulan aktif selama promosi.

price        : average selling price
promo        : 0/1 flag or % discount depth
distribution : stores or % ACV
competitor   : share of voice / spend
macro        : consumer confidence, CPI

Musiman dan Tren

Banyak produk memiliki pola musiman yang kuat. Tangkap pola tersebut dengan variabel indikator bulan/minggu, komponen Fourier, atau indeks musiman, serta komponen tren untuk pertumbuhan atau penurunan yang mendasarinya.

Tanpa semua ini, peningkatan penjualan musiman akan masuk ke variabel media yang kebetulan aktif pada musim puncak.

fourier: sin(2*pi*t/52), cos(2*pi*t/52)
trend:   t (linear) or spline
holiday: black_friday_flag, holiday_flag

Pemisahan Dasar vs Inkremental

MMM memisahkan dasar (apa yang akan Anda jual tanpa media baru: ekuitas merek, distribusi, harga) dari kontribusi inkremental yang didorong oleh media.

Model yang sehat sering kali menunjukkan dasar yang besar dan stabil. Jika media “menjelaskan” hampir semuanya, variabel kontrol kemungkinan terlalu lemah.

total_sales = base + sum(media_contributions)

base        : 70%
incremental : 30% (split across channels)

Jebakan Multikolinearitas

Ketika saluran ditayangkan bersamaan, model tidak dapat membedakan dampak masing-masing dan koefisien menjadi tidak stabil, bahkan terkadang berubah tanda.

Diagnosis dapat dilakukan dengan matriks korelasi dan VIF. Kurangi masalah ini dengan memvariasikan belanja dari waktu ke waktu, menambahkan variasi geografis, atau menggunakan distribusi awal Bayesian untuk menstabilkan estimasi.

corr(TV, Social) = 0.91  -> high collinearity
VIF > 10                 -> unstable estimate
fix: stagger flights, add geo splits, priors

Daftar Periksa Kebersihan Variabel

Selaraskan semua deret dengan kalender dan zona waktu yang sama. Isi celah secara sengaja, bukan dengan angka nol diam-diam yang tidak membedakan “tidak ada belanja” dari “tidak ada data”.

Hilangkan dampak inflasi dari deret moneter jika rentang waktunya panjang, dan dokumentasikan setiap transformasi agar hasilnya dapat direproduksi.

Menggabungkan Masukan

Matriks desain akhir menggabungkan variabel kontrol mentah dengan media yang telah ditransformasi. Setiap kolom media telah diberi efek berkelanjutan lalu efek kejenuhan sebelum dimasukkan ke dalam regresi.

Urutan alur pemrosesan ini penting: efek berkelanjutan terlebih dahulu (kapan dampaknya muncul), lalu kejenuhan (seberapa besar dampaknya).

raw_TV -> adstock(lambda=0.7) -> saturation(Hill)
        -> column TV_eff in model

sales = base + b1*TV_eff + b2*Search_eff
             + b3*price + b4*promo + season

Pemeriksaan Singkat

Identifikasi transformasi yang tepat untuk fenomena yang tepat.

Rangkuman

Masukan MMM terdiri atas variabel dependen, variabel media (ditransformasi dengan efek berkelanjutan lalu kejenuhan), dan variabel kontrol (harga, promosi, distribusi, musiman, makro).

Variabel kontrol yang kuat mencegah media mendapat kredit berlebihan, sedangkan deret yang bersih, berskala konsisten, dan terdokumentasi dengan baik merupakan dasar model yang dapat dipercaya.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Masukan dan Variabel” gratis?

Ya — teks lengkap “Masukan dan Variabel” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Digital Marketing Academy, upgrade ke CoddyKit PRO. Kursus Digital Marketing Academy mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Masukan dan Variabel”?

Belanja, musiman, dan dasar Kamu berlatih Digital Marketing Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Digital Marketing Academy?

Tidak diperlukan pengalaman sebelumnya. Digital Marketing Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.

Berapa lama pelajaran “Masukan dan Variabel” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Digital Marketing Academy ini?

Ya. Setiap pelajaran Digital Marketing Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

← Kembali ke Digital Marketing Academy