Marketing Mix Modeling Properti: Cara Mengukur Dampak dan ROI Pemasaran Developer

Developer properti menjalankan pemasaran melalui berbagai kanal, seperti iklan digital, media sosial, portal properti, billboard, pameran, kegiatan open house, public relations, agen, dan program referral. Setiap kanal dapat memengaruhi calon pembeli pada tahap yang berbeda.

Masalahnya, perjalanan pembelian properti tidak selalu dapat dilacak secara utuh. Konsumen dapat melihat billboard, menonton video proyek, mencari nama developer di Google, mengunjungi lokasi, berkonsultasi dengan keluarga, mengajukan KPR, lalu membeli beberapa bulan kemudian.

Dalam perjalanan seperti itu, metode atribusi berbasis klik sering tidak mampu menangkap seluruh pengaruh pemasaran. Developer membutuhkan pendekatan yang dapat mengukur kontribusi kanal online dan offline secara bersamaan serta memisahkannya dari pengaruh harga, tren pasar, musim, pembiayaan, dan karakteristik proyek.

Pendekatan tersebut dikenal sebagai Marketing Mix Modeling Properti.

Marketing Mix Modeling atau MMM menggunakan data agregat dari waktu ke waktu untuk memperkirakan kontribusi inkremental aktivitas pemasaran dan faktor nonpemasaran terhadap indikator bisnis, seperti qualified leads, kunjungan lokasi, booking, penjualan unit, atau pendapatan.

Kebutuhan terhadap pengukuran yang lebih menyeluruh semakin relevan karena 72,78% penduduk Indonesia telah mengakses internet pada 2024, meningkat dari 69,21% pada 2023. Meskipun kanal digital berkembang, pemasaran properti tetap melibatkan interaksi offline yang tidak seluruhnya tercatat dalam platform digital.

Apa Itu Marketing Mix Modeling Properti?

Marketing Mix Modeling Properti adalah metode analisis statistik atau ekonometrika yang digunakan untuk memperkirakan kontribusi inkremental berbagai aktivitas pemasaran dan faktor eksternal terhadap hasil bisnis developer properti.

Hasil bisnis yang dianalisis dapat berupa:

• jumlah valid leads;
• marketing qualified leads;
• sales qualified leads;
• kunjungan lokasi;
• booking unit;
• persetujuan KPR;
• unit terjual;
• nilai penjualan;
• pendapatan;
• pencarian merek;
• traffic ke halaman proyek.

Meta menjelaskan MMM sebagai analisis statistik berbasis data yang bertujuan mengukur dampak inkremental dan ROI aktivitas pemasaran maupun nonpemasaran terhadap KPI tertentu. MMM bekerja secara menyeluruh dengan mempertimbangkan kanal online, kanal offline, harga, promosi, tren, musim, serta faktor distribusi dalam satu model.

Google melalui Meridian menyebut tiga pertanyaan bisnis utama yang dapat dijawab oleh MMM:

1. berapa kontribusi dan ROI historis setiap kanal;
2. bagaimana perubahan hasil ketika pengeluaran kanal berubah;
3. bagaimana anggaran masa depan sebaiknya dialokasikan untuk memaksimalkan hasil bisnis.

Dalam konteks properti, Marketing Mix Modeling tidak hanya menjawab kanal mana yang muncul sebelum penjualan. Metode ini berusaha memperkirakan berapa banyak hasil yang kemungkinan tidak akan terjadi tanpa aktivitas pemasaran tersebut.

Mengapa Marketing Mix Modeling Penting bagi Developer Properti?

Pasar properti dipengaruhi banyak faktor yang tidak dikendalikan oleh tim pemasaran. Karena itu, kenaikan atau penurunan penjualan tidak dapat langsung dianggap sebagai keberhasilan atau kegagalan kampanye.

Bank Indonesia mencatat bahwa penjualan properti residensial di pasar primer pada triwulan I 2026 turun 25,67% secara tahunan, setelah tumbuh 7,83% pada triwulan IV 2025. Pada periode yang sama, harga properti residensial primer tumbuh terbatas sebesar 0,62% secara tahunan.

Data tersebut menunjukkan bahwa perubahan penjualan dapat terjadi meskipun harga tetap tumbuh. Analisis pemasaran yang hanya membandingkan belanja iklan dengan jumlah unit terjual berisiko menghasilkan kesimpulan yang keliru.

Selain itu, 69,87% pembelian rumah primer pada triwulan I 2026 dilakukan melalui KPR. Artinya, keberhasilan transaksi tidak hanya dipengaruhi minat konsumen, tetapi juga proses pembiayaan, kelayakan kredit, uang muka, dan kondisi pasar pembiayaan.

Marketing Mix Modeling Properti membantu developer memisahkan pengaruh beberapa faktor berikut:

• belanja iklan;
• harga unit;
• diskon;
• promosi;
• peluncuran proyek;
• suku bunga dan kondisi pembiayaan;
• ketersediaan unit;
• tren pasar;
• musim;
• hari libur;
• pemberitaan;
• aktivitas kompetitor;
• pembangunan infrastruktur;
• kualitas dan kapasitas tim penjualan.

1. Mengukur kanal online dan offline

Platform iklan digital hanya dapat melaporkan interaksi yang berhasil direkam di dalam sistemnya. Pengaruh billboard, pameran, open house, radio, event komunitas, dan aktivitas agen lebih sulit ditangkap menggunakan attribution tracking.

MMM dapat memasukkan pengeluaran atau intensitas aktivitas online dan offline ke dalam satu model agregat.

2. Mengurangi ketergantungan pada cookie dan user-level tracking

Marketing Mix Modeling umumnya bekerja menggunakan data agregat berdasarkan waktu, kanal, proyek, atau wilayah. Metode ini tidak harus mengikuti identitas individual konsumen dari satu touchpoint ke touchpoint berikutnya.

Dokumentasi Robyn menjelaskan bahwa MMM dapat beroperasi menggunakan data agregat, seperti data tingkat kampanye, sehingga lebih tahan terhadap kehilangan sinyal dibandingkan metode yang sangat bergantung pada data pengguna individual.

Hal tersebut tidak berarti MMM bebas dari kewajiban tata kelola data. Developer tetap harus memastikan bahwa data yang digunakan dikumpulkan, diproses, dan disimpan secara sah.

3. Mengukur dampak inkremental

Sebuah kanal dapat memperoleh banyak konversi dalam laporan platform, tetapi sebagian konsumen mungkin tetap membeli meskipun tidak melihat iklan tersebut.

MMM berusaha memperkirakan:

• baseline outcome yang kemungkinan terjadi tanpa pemasaran;
• hasil tambahan yang berkaitan secara kausal dengan pemasaran;
• kontribusi setiap kanal;
• ROI inkremental;
• perubahan hasil jika anggaran ditambah atau dikurangi.

4. Memahami diminishing returns

Penambahan anggaran tidak selalu memberikan kenaikan hasil secara proporsional.

Ketika suatu kanal masih mempunyai jangkauan terbatas, tambahan anggaran dapat meningkatkan hasil secara signifikan. Namun, setelah audiens yang sama terlalu sering terpapar, tambahan anggaran dapat menghasilkan peningkatan yang semakin kecil.

Marketing Mix Modeling membantu memperkirakan titik ketika sebuah kanal mulai mengalami kejenuhan.

5. Mendukung perencanaan anggaran

MMM dapat digunakan untuk membandingkan beberapa skenario:

• mempertahankan total anggaran;
• menambah anggaran;
• mengurangi anggaran;
• memindahkan anggaran antarplatform;
• meningkatkan investasi brand;
• meningkatkan aktivitas lead generation;
• mengalokasikan anggaran menurut kota atau proyek.

Hasilnya bukan sekadar laporan historis, tetapi masukan untuk keputusan anggaran masa depan.

Perbedaan Marketing Mix Modeling dan Marketing Attribution

Marketing Mix Modeling dan marketing attribution mempunyai tujuan yang berhubungan, tetapi menggunakan data serta pendekatan berbeda.

Aspek	Marketing Mix Modeling	Marketing Attribution
Unit analisis	Data agregat	Perjalanan pengguna atau event
Kanal	Online dan offline	Lebih kuat pada kanal terlacak
Data identitas	Tidak selalu dibutuhkan	Sering membutuhkan identifier
Fokus	Dampak inkremental dan bauran media	Pembagian kredit touchpoint
Faktor eksternal	Dapat dimasukkan	Biasanya terbatas
Adstock	Dapat dimodelkan	Umumnya tidak
Saturation	Dapat dimodelkan	Umumnya tidak
Penggunaan	Strategi dan alokasi anggaran	Optimasi kampanye dan journey
Granularitas	Kanal, wilayah, atau periode	Kampanye, iklan, pengguna
Frekuensi evaluasi	Berkala	Mendekati real time

Marketing attribution menjawab:

Touchpoint apa yang tercatat sebelum konversi?

Marketing Mix Modeling menjawab:

Berapa besar hasil tambahan yang kemungkinan disebabkan oleh setiap kanal setelah memperhitungkan faktor lain?

Keduanya sebaiknya tidak diposisikan sebagai metode yang saling menggantikan. Attribution berguna untuk optimasi operasional, sedangkan MMM lebih sesuai untuk evaluasi strategis lintas kanal.

Perbedaan MMM, MER, dan ROAS

Marketing Mix Modeling

MMM merupakan metodologi analisis yang mencoba memperkirakan kontribusi inkremental masing-masing kanal dan faktor nonpemasaran.

Marketing Efficiency Ratio

MER membandingkan total pendapatan dengan total biaya pemasaran.

MER = Total Pendapatan ÷ Total Biaya Pemasaran

MER memberikan gambaran efisiensi total, tetapi tidak menunjukkan kontribusi masing-masing kanal.

Return on Ad Spend

ROAS membandingkan pendapatan yang diatribusikan kepada iklan dengan biaya iklan.

ROAS = Pendapatan Teratribusi ÷ Biaya Iklan

ROAS bergantung pada aturan atribusi platform. Sebaliknya, MMM mencoba memperkirakan hasil tambahan setelah mengendalikan faktor lain.

Pertanyaan	Metrik atau Metode
Apakah biaya pemasaran secara total efisien?	MER
Kampanye mana yang mendapat kredit platform?	ROAS
Touchpoint mana yang terlibat?	Attribution
Berapa dampak inkremental setiap kanal?	MMM
Apakah hasil akan tetap terjadi tanpa iklan?	Eksperimen incrementality

Cara Kerja Marketing Mix Modeling Properti

Secara sederhana, MMM menghubungkan perubahan hasil bisnis dengan perubahan aktivitas pemasaran serta faktor eksternal sepanjang waktu.

Bentuk konseptualnya adalah:

Hasil Bisnis = Baseline + Efek Media + Efek Promosi + Efek Pasar + Efek Musiman + Faktor Lain + Error

Sebagai contoh, hasil bisnis dapat berupa jumlah booking mingguan.

Model kemudian mencoba menjelaskan perubahan booking menggunakan:

• belanja Google Ads;
• belanja Meta Ads;
• belanja video;
• biaya portal properti;
• belanja billboard;
• jumlah event;
• diskon;
• harga rata-rata;
• ketersediaan unit;
• pencarian organik;
• musim;
• kondisi KPR;
• aktivitas kompetitor;
• proyek atau wilayah.

Data tersebut dianalisis untuk memperkirakan bagian hasil yang berasal dari baseline dan bagian yang bersifat inkremental.

Komponen Utama Marketing Mix Model

1. KPI atau outcome variable

KPI merupakan hasil yang ingin dijelaskan oleh model.

Pilihan KPI untuk developer properti meliputi:

• valid leads;
• qualified leads;
• site visit;
• booking fee;
• akad;
• unit terjual;
• pendapatan;
• margin kontribusi.

KPI yang dipilih harus sesuai dengan tujuan bisnis dan mempunyai data yang cukup konsisten.

Menggunakan leads sebagai KPI

Keuntungannya adalah volume data biasanya lebih besar. Namun, jumlah leads tidak selalu menggambarkan kualitas atau penjualan.

Menggunakan site visit sebagai KPI

Site visit lebih dekat dengan niat membeli, tetapi pencatatannya harus konsisten di seluruh proyek.

Menggunakan booking sebagai KPI

Booking merupakan outcome yang lebih bernilai. Tantangannya, jumlah booking dapat terlalu sedikit untuk menghasilkan model yang stabil.

Menggunakan pendapatan sebagai KPI

Pendapatan langsung berkaitan dengan hasil keuangan. Namun, nilainya dapat dipengaruhi perbedaan tipe unit, pembatalan, termin pembayaran, dan waktu pengakuan pendapatan.

Developer dapat membuat model bertingkat, misalnya:

1. MMM untuk qualified leads;
2. MMM untuk site visit;
3. MMM untuk booking;
4. analisis funnel untuk menghubungkan setiap tahap.

2. Media variables

Media variables mewakili aktivitas pemasaran berbayar.

Contohnya:

• Google Search Ads;
• display advertising;
• Meta Ads;
• TikTok Ads;
• YouTube;
• portal properti;
• programmatic;
• televisi;
• radio;
• billboard;
• pameran;
• sponsorship;
• influencer;
• direct mail.

Variabel dapat menggunakan:

• biaya;
• impressions;
• reach;
• frequency;
• clicks;
• gross rating points;
• jumlah event.

Pemilihan metrik harus mempertimbangkan bagaimana kanal tersebut sebenarnya bekerja. Biaya saja belum tentu menggambarkan jumlah paparan, terutama ketika CPM berubah secara signifikan.

3. Organic media

Aktivitas organik dapat memengaruhi hasil meskipun tidak mempunyai biaya media langsung.

Contohnya:

• posting media sosial organik;
• email database;
• pemberitaan;
• traffic organik;
• pencarian merek;
• aktivitas komunitas;
• referral;
• konten website.

Robyn memungkinkan aktivitas organik dimasukkan sebagai variabel yang juga dapat memiliki efek tertunda dan kejenuhan.

4. Control variables

Control variables digunakan untuk memisahkan pengaruh pemasaran dari faktor lain.

Variabel kontrol yang relevan untuk properti dapat mencakup:

• harga rata-rata unit;
• diskon;
• uang muka;
• cicilan;
• suku bunga;
• ketersediaan unit;
• progres pembangunan;
• jumlah tenaga sales;
• jam operasional sales gallery;
• hari libur;
• musim hujan;
• peluncuran proyek;
• pembukaan fasilitas;
• pemberitaan;
• tren pencarian kategori;
• kondisi ekonomi lokal;
• aktivitas pesaing.

Variabel tidak boleh dimasukkan hanya karena berkorelasi dengan penjualan. Dalam pendekatan kausal, control variable idealnya merupakan confounder yang memengaruhi perencanaan media sekaligus memengaruhi outcome.

Google memperingatkan bahwa variabel kontrol yang terlalu banyak dapat meningkatkan risiko overfitting dan kesalahan spesifikasi model. Pada saat yang sama, confounder penting yang dihilangkan juga dapat membiaskan estimasi kontribusi media.

5. Baseline

Baseline adalah bagian outcome yang diperkirakan akan terjadi tanpa kontribusi media yang sedang dianalisis.

Baseline dapat berasal dari:

• kekuatan merek;
• lokasi proyek;
• permintaan organik;
• pelanggan lama;
• referral;
• aktivitas sales;
• tren pasar;
• faktor musiman;
• produk;
• distribusi;
• pengaruh pemasaran masa lalu.

Baseline bukan berarti “hasil tanpa pemasaran sama sekali sepanjang sejarah”. Baseline lebih tepat dipahami sebagai outcome yang tidak dikaitkan dengan variabel media dalam periode model.

Konsep Penting dalam Marketing Mix Modeling

1. Adstock atau Carryover Effect

Efek iklan tidak selalu selesai pada minggu ketika iklan ditayangkan.

Seseorang dapat melihat iklan proyek hari ini, mencari informasi beberapa hari kemudian, lalu mengunjungi lokasi pada bulan berikutnya. Dampak tersebut disebut carryover atau adstock.

Robyn menjelaskan bahwa adstock digunakan untuk merepresentasikan efek pemasaran yang tertunda dan berkurang secara bertahap setelah paparan awal.

Konsep ini sangat penting untuk properti karena periode pertimbangan pembelian relatif panjang. Evaluasi yang hanya menghubungkan biaya iklan minggu ini dengan booking minggu ini berpotensi meremehkan pengaruh kampanye.

2. Saturation

Saturation menggambarkan diminishing returns.

Tambahan Rp100 juta pada kanal dengan anggaran rendah dapat memberikan hasil besar. Namun, tambahan Rp100 juta pada kanal yang audiensnya sudah terlalu sering terpapar dapat menghasilkan dampak yang jauh lebih kecil.

MMM menggunakan fungsi respons nonlinier untuk memperkirakan hubungan antara belanja media dan outcome.

Robyn menjelaskan bahwa saturation mengasumsikan setiap tambahan paparan masih dapat meningkatkan respons, tetapi kenaikannya menjadi semakin kecil.

3. Incremental Outcome

Incremental outcome adalah hasil tambahan yang diperkirakan disebabkan oleh pemasaran.

Contoh hipotetis:

• total booking: 1.000 unit;
• booking yang diperkirakan berasal dari baseline: 700 unit;
• booking inkremental dari media: 300 unit.

Dalam kasus tersebut, kontribusi media diperkirakan sebesar 300 booking, bukan seluruh 1.000 booking.

Google mendefinisikan incremental outcome sebagai selisih antara hasil aktual dan hasil yang diperkirakan akan terjadi tanpa perlakuan pemasaran terkait.

4. Incremental ROI

Rumus sederhananya adalah:

Incremental ROI = Nilai Outcome Inkremental ÷ Biaya Media

Misalnya, sebuah kanal menggunakan biaya Rp1 miliar dan diperkirakan menghasilkan pendapatan inkremental Rp2,5 miliar.

Incremental ROI = Rp2,5 miliar ÷ Rp1 miliar = 2,5x

Artinya, setiap Rp1 pengeluaran kanal diperkirakan menghasilkan Rp2,50 pendapatan tambahan.

ROI tersebut belum tentu sama dengan laba. Developer tetap harus memperhitungkan biaya pembangunan, biaya penjualan, pembiayaan, pajak, dan biaya lainnya.

5. Marginal ROI

Marginal ROI atau mROI mengukur hasil tambahan dari rupiah anggaran berikutnya.

Sebuah kanal dapat mempunyai ROI historis tinggi, tetapi mROI rendah karena kanal tersebut sudah mendekati titik jenuh.

Sebaliknya, kanal dengan ROI historis lebih rendah dapat mempunyai mROI tinggi apabila anggarannya masih jauh di bawah kapasitas optimal.

Karena keputusan anggaran berkaitan dengan pengeluaran berikutnya, mROI sering lebih relevan untuk optimasi daripada ROI rata-rata.

6. Response Curve

Response curve menggambarkan hubungan antara tingkat pengeluaran media dan hasil inkrementalnya.

Kurva tersebut membantu menjawab:

• apakah kanal masih mempunyai ruang pertumbuhan;
• kapan tambahan anggaran mulai tidak efisien;
• berapa perkiraan hasil jika anggaran dinaikkan;
• berapa risiko penurunan hasil jika anggaran dipotong.

Google menyebut response curve, ROI, mROI, dan incremental outcome sebagai alat untuk menilai kinerja kanal serta menentukan ke mana anggaran berikutnya perlu dialokasikan.

Data yang Dibutuhkan untuk MMM Properti

Struktur data umumnya berbentuk time series atau panel berdasarkan waktu dan wilayah.

Periode	Wilayah	KPI	Search Ads	Social Ads	Video	Billboard	Harga	Diskon	Stok
Minggu 1	Jakarta	20	Rp50 juta	Rp40 juta	Rp20 juta	Rp10 juta	Rp1,2 miliar	3%	120
Minggu 1	Bekasi	35	Rp35 juta	Rp30 juta	Rp15 juta	Rp15 juta	Rp850 juta	5%	180
Minggu 2	Jakarta	22	Rp55 juta	Rp42 juta	Rp20 juta	Rp10 juta	Rp1,2 miliar	3%	115

Data utama dapat dikelompokkan sebagai berikut.

Data outcome

• leads;
• qualified leads;
• site visit;
• booking;
• akad;
• unit terjual;
• revenue.

Data pemasaran

• spend;
• impressions;
• clicks;
• reach;
• frequency;
• event;
• billboard placement;
• portal listing;
• aktivitas agen.

Data produk

• proyek;
• tipe unit;
• harga;
• diskon;
• unit tersedia;
• progres pembangunan;
• fasilitas baru.

Data pasar

• pencarian kategori;
• aktivitas kompetitor;
• kondisi pembiayaan;
• indikator ekonomi;
• periode liburan;
• musim;
• perubahan kebijakan.

Data geografis

• kota;
• kabupaten;
• area pemasaran;
• lokasi proyek;
• wilayah asal leads;
• cabang penjualan.

Dokumentasi Meridian menunjukkan bahwa MMM dapat menggunakan data agregat berdasarkan waktu dan geo, dengan kolom KPI, media spend, impressions, organic media, serta variabel relevan lainnya.

Berapa Banyak Data yang Dibutuhkan?

Tidak ada jumlah data minimum yang berlaku universal.

Kebutuhan data dipengaruhi oleh:

• jumlah kanal;
• jumlah control variables;
• jumlah wilayah;
• variasi belanja;
• frekuensi data;
• kompleksitas model;
• volume outcome;
• tingkat korelasi antarvariabel.

Google memberikan contoh bahwa model nasional dengan 12 kanal, enam control variables, dan delapan parameter waktu tidak dapat diestimasi dengan andal hanya menggunakan dua tahun data mingguan atau 104 observasi. Salah satu alternatifnya adalah memperpanjang data, mengurangi ruang lingkup kanal secara hati-hati, atau menggunakan data geo agar jumlah dan variasi observasi meningkat.

Hal tersebut bukan berarti semua model wajib memiliki tiga tahun data. Angka tersebut merupakan ilustrasi bahwa jumlah observasi harus sebanding dengan kompleksitas model.

Untuk developer properti, pendekatan praktisnya adalah:

• gunakan data mingguan apabila volume outcome cukup;
• gunakan periode selama mungkin yang masih relevan;
• hindari terlalu banyak kanal dengan data tipis;
• gabungkan kanal yang secara bisnis serupa jika diperlukan;
• gunakan data wilayah atau proyek bila kualitasnya memadai;
• nilai ketidakpastian hasil, bukan hanya nilai rata-ratanya.

National Model dan Geo-Level Model

National model

National model menggunakan satu baris outcome untuk setiap periode.

Contoh:

Minggu

Total Booking Nasional

Total Search Spend

Total Social Spend

Model ini lebih sederhana, tetapi jumlah observasinya terbatas.

Geo-level model

Geo-level model menggunakan beberapa wilayah pada setiap periode.

Contoh:

Minggu

Kota

Booking

Search Spend

Social Spend

Untuk developer, geo dapat berupa:

• provinsi;
• kota;
• kabupaten;
• cluster pasar;
• area penjualan;
• proyek;
• gabungan proyek dan wilayah.

Google menjelaskan bahwa geo-level modeling dapat meningkatkan ukuran sampel efektif, memperbaiki estimasi tren dan musim, serta memberikan variasi belanja yang lebih besar untuk mengestimasi efek nonlinier seperti saturation.

Namun, proyek tidak boleh otomatis dianggap sebagai geo yang setara. Setiap proyek dapat memiliki harga, tahap pembangunan, target konsumen, dan mekanisme pemasaran yang sangat berbeda. Perbedaan tersebut harus diperhitungkan dalam struktur model.

Contoh Marketing Mix Modeling Properti

Sebuah developer mempunyai delapan proyek di empat kota dan mengumpulkan data mingguan selama tiga tahun.

KPI yang digunakan adalah booking unit.

Variabel medianya meliputi:

• Google Search;
• Meta Ads;
• YouTube;
• portal properti;
• billboard;
• pameran;
• influencer.

Variabel kontrolnya meliputi:

• harga rata-rata;
• nilai diskon;
• stok unit;
• jumlah sales aktif;
• hari libur;
• peluncuran proyek;
• tren pencarian properti;
• periode promosi KPR.

Hasil model hipotetis menunjukkan:

Kanal	Kontribusi Inkremental	ROI	mROI	Kondisi
Google Search	25%	3,4x	1,8x	Mendekati jenuh
Meta Ads	20%	2,7x	2,5x	Masih dapat bertumbuh
YouTube	15%	2,2x	2,8x	Potensi tambahan anggaran
Portal Properti	12%	3,0x	1,4x	Efisien, tetapi jenuh
Billboard	10%	1,9x	2,0x	Stabil
Pameran	8%	1,5x	1,3x	Perlu seleksi lokasi
Influencer	5%	1,2x	0,9x	Di bawah target
Kanal lain	5%	—	—	—

Google Search memiliki ROI historis tertinggi, tetapi mROI-nya lebih rendah daripada YouTube. Artinya, Search bekerja baik pada tingkat anggaran historis, tetapi tambahan anggaran berikutnya mungkin lebih produktif jika ditempatkan pada YouTube atau Meta.

Kesimpulan tersebut masih harus mempertimbangkan:

• credible interval;
• kualitas model;
• kebutuhan minimum tiap kanal;
• tujuan branding;
• kapasitas operasional;
• batas kontrak media;
• perbedaan proyek;
• arus kas.

Optimasi model tidak boleh diterapkan sebagai instruksi mekanis tanpa pertimbangan bisnis.

Cara Menerapkan Marketing Mix Modeling Properti

Langkah 1: Tetapkan keputusan yang ingin diperbaiki

Pertanyaan yang dapat digunakan antara lain:

• kanal mana yang menghasilkan booking inkremental?
• bagaimana kontribusi media online dan offline?
• apakah anggaran Search sudah jenuh?
• berapa anggaran optimal untuk setiap kanal?
• bagaimana dampak pameran terhadap site visit?
• apakah iklan brand meningkatkan permintaan?
• wilayah mana yang merespons media paling kuat?

Jangan memulai dari pertanyaan terlalu luas seperti “apakah pemasaran efektif?” tanpa mendefinisikan KPI dan keputusan yang akan diambil.

Langkah 2: Tentukan outcome

Pilih outcome yang:

• bernilai bagi bisnis;
• tersedia secara konsisten;
• memiliki volume memadai;
• dapat dipetakan menurut waktu;
• tidak berubah definisinya.

Developer harus berhati-hati ketika menggunakan booking apabila banyak booking dibatalkan. Dalam kasus tersebut, net booking atau akad dapat menjadi outcome yang lebih akurat, meskipun volumenya lebih rendah.

Langkah 3: Buat data dictionary

Data dictionary perlu menjelaskan:

• nama variabel;
• definisi;
• satuan;
• sumber;
• frekuensi;
• pemilik data;
• periode tersedia;
• aturan koreksi;
• perubahan historis.

Contoh:

Variabel	Definisi
Booking	Booking valid setelah pembayaran terverifikasi
Search Spend	Biaya Google Search tanpa display
Site Visit	Kehadiran fisik yang diverifikasi sales gallery
Discount	Persentase potongan dari harga daftar
Available Stock	Unit yang aktif ditawarkan pada akhir minggu

Langkah 4: Audit kualitas data

Periksa:

• data hilang;
• nilai ekstrem;
• duplikasi;
• perubahan tracking;
• perubahan nama kanal;
• periode kampanye kosong;
• perubahan definisi KPI;
• korelasi antarplatform;
• proyek yang baru diluncurkan;
• data biaya yang belum termasuk pajak atau fee.

Model statistik tidak dapat memperbaiki sumber data yang secara konseptual salah.

Langkah 5: Lakukan exploratory data analysis

Analisis awal dapat mencakup:

• tren KPI;
• tren spend;
• distribusi menurut wilayah;
• seasonality;
• korelasi;
• perubahan struktur;
• outlier;
• variasi belanja;
• jeda antara media dan outcome.

Jika dua kanal selalu dinaikkan dan diturunkan pada waktu yang sama, model akan kesulitan memisahkan kontribusi keduanya.

Langkah 6: Tentukan struktur model

Keputusan yang perlu dibuat meliputi:

• national atau geo model;
• frekuensi mingusi keduanya.

Langkah 6: Tentukan struktur model

Keguan atau bulanan;

• kanal individual atau kelompok;
• bentuk adstock;
• fungsi saturation;
• control variables;
• priors;
• periode holdout;
• treatment variables.

Tools open-source yang dapat dipertimbangkan adalah:

• Meridian, framework MMM open-source dari Google;
• Robyn, package MMM open-source eksperimental dari Meta.

Meridian mendukung estimasi kontribusi, response curve, ROI, kalibrasi eksperimen, serta optimasi anggaran. Robyn menggunakan teknik seperti ridge regression, optimasi hyperparameter, time-series decget allocation. citeturn854757view1turn956675search2

Pemilihan tool tidak menggantikan kebutuhan terhadap analyst yang memahami statistik, kausalitas, data bisnis, dan konteks properti.

Langkah 7: Validasi model

Validasi tidak cukup hanya melihat R-squared atau error prediksi.

Google menegaskan bahwa tujuan utama MMM adalah estimasi efek kausal, bukan semata-mata memperoleh prediction error terendah. Model juga perlu diperiksa dari sisi kewajaran baseline, dominasi kanal, control van, dan out-of-sample performance. citeturn854757view5

Validasi dapat mencakup:

• posterior predictive checks;
• holdout validation;
• residual analysis;
• convergence diagnostics;
• credible intervals;
• business plausibility;
• stability across model refreshes;
• perbandingan dengan eksperimen.

Model dengan prediksi sangat akurat belum tentu menghasilkan estimasi ROI kausal yang benar.

Langkah 8: Kalibrasi menggunakan eksperimen

MMM dapat dikalibrasi menggunakan hasil:

• geo experiment;
• conversion lift;
• media holdout;
• matched-market test;
• heavy-up test;
• go-dark test.

Google menjelaskan calibration sebagai penggunaan hasil eksperimen dan pengetahuan domain untuk membentuk prior spesifik kanal. Eksperimen incrementality merupakan salah satu dasar terkuat, tetapi hasil eksperimen dan MMM tidak and atau ruang lingkup yang sama. citeturn854757view6

Artinya, hasil eksperimen tidak boleh dimasukkan ke model secara mekanis tanpa memperhatikan periode, lokasi, durasi, dan konfigurasi kampanye.

Langkah 9: Buat skenario anggaran

Skenario dapat mencakup:

• anggaran tetap dengan alokasi baru;
• kenaikan total anggaran 10%;
• penurunan anggaran 20%;
• batas minimum per kanal;
• batas maksimum pertumbuhan;
• prioritas proyek tertentu;
• target booking;
• target ROI.

Meridian menyediakan budget optimization untuk mencari alokasi kanal yang dn hasil pada anggaran tertentu. citeturn839026search3

Rekomendasi sebaiknya diberi batasan bisnis agar model tidak menyarankan perpindahan anggaran yang terlalu ekstrem.

Langkah 10: Refresh model secara berkala

Hubungan pemasaran dan penjualan dapat berubah karena:

• perubahan platform;
• perubahan perilaku konsumen;
• peluncuran proyek baru;
• kenaikan harga;
• kompetitor;
• kondisi pembiayaan;
• creative fatigue;
• perubahan strategi sales.

Model perlu diperbarui menggunakan data terbaru dan diuji apakah parameter utamanya masih stabil.

KPI Hasil Marketing Mix Modeling Properti

Dashboard MMM dapat mencakup:

Kelompok	KPI
Contribution	Kontribusi inkremental per kanal
Efficiency	ROI dan cost per incremental outcome
Marginal Efficiency	mROI
Media Dynamics	Adstock dan saturation
Business	Incremental leads, visits, booking atau revenue
Uncertainty	Credible interval
Baseline	Baseline contribution
Optimization	Historical versus recommended spend
Scenario	Perkiraan outcome pada alternatif anggaran
Validation	Holdout error dan model diagnostics

Cara Membaca Hasil MMM dengan Benar

ROI tinggi tidak otomatis berarti anggaran harus ditambah

Kanal dapat mempunyai ROI historis tinggi, tetapi sudah jenuh. Periksa mROI dan response curve.

Kontribusi besar tidak sama dengan efisiensi tinggi

Kanal dengan anggaran besar dapat memberikan kontribusi terbesar, tetapi ROI-nya lebih rendah daripada kanal kecil.

Credible interval yang lebar berarti ketidakpastian tinggi

Jangan hanya menggunakan point estimate. Hasil ROI 3x dengan interval sangat lebar tidak sama tingkat kepastiannya dengan ROI 3x yang intervalnya sempit.

Baseline besar tidak berarti pemasaran tidak penting

Baseline dapat terbentuk dari investasi merek dan produk pada periode sebelumnya. Model hanya membagi outcome berdasarkan struktur dan periode analisis.

Optimasi matematis bukan keputusan final

Rekomendasi model perlu disesuaikan dengan kapasitas pasar, kebutuhan branding, kontrak media, target proyek, dan risiko operasional.

Kesalahan Umum dalam Marketing Mix Modeling Properti

Menggunakan data yang terlalu sedikit

Model dengan banyak kanal dan sedikit observasi akan menghasilkan estimasi yang tidak stabil.

Memasukkan terlalu banyak kanal

Memisahkan setiap campaign, placement, atau creative dapat membuat model terlalu kompleks. MMM umumnya bekerja pada tingkat agregasi yang lebih tinggi.

Mengabaikan faktor pasar

Penjualan yang meningkat bersamaan dengan promosi KPR dapat keliru dianggap sepenuhnya sebagai hasil iklan apabila faktor pembiayaan tidak dimasukkan.

Menggunakan leads mentah sebagai satu-satunya outcome

Leads murah tidak selalu berkembang menjadi transaksi. Gunakan qualified leads atau bangun analisis funnel tambahan.

Menganggap korelasi sebagai kausalitas

Regresi tidak otomatis menghasilkan estimasi kausal. Pemilihan control variables, asumsi model, eksperimen, dan pengetahuan domain tetap diperlukan.

Menilai model hanya dari R-squared

Model dapat memprediksi penjualan dengan baik tetapi salah membagi kontribusi antarvariabel.

Menggunakan spend tanpa variasi

Jika anggaran suatu kanal selalu sama, model tidak mempunyai informasi yang cukup untuk mempelajari hubungan antara perubahan spend dan outcome.

Mengabaikan keterlambatan konversi

Iklan properti dapat memengaruhi site visit dan booking pada periode berikutnya. Adstock perlu dimodelkan secara masuk akal.

Menganggap semua proyek identik

Proyek premium, subsidi, apartemen, kawasan industri, dan rumah tapak dapat mempunyai respons pemasaran berbeda.

Menerapkan rekomendasi secara ekstrem

Pemindahan anggaran dalam jumlah besar dapat membawa perusahaan ke wilayah yang belum pernah diamati model. Prediksinya menjadi lebih tidak pasti.

Keterbatasan Marketing Mix Modeling Properti

MMM mempunyai beberapa keterbatasan.

Pertama, model membutuhkan data historis yang cukup dan konsisten. Kedua, hasilnya bergantung pada asumsi serta variabel yang dimasukkan. Ketiga, kanal yang selalu bergerak bersamaan sulit dipisahkan.

Keempat, MMM umumnya bekerja pada tingkat agregat sehingga kurang tepat untuk memilih creative, keyword, atau audience individual. Kelima, hasil model dapat berubah ketika kondisi pasar mengalami perubahan struktural.

Keenam, estimasi kausal tidak dapat divalidasi secara langsung hanya melalui model. Google menjelaskan bahwa validasi kausal yang kuat membutuhkan eksperimen yang dirancang den estimand yang sesuai dengan MMM. citeturn854757view5

Karena itu, Marketing Mix Modeling Properti sebaiknya digunakan bersama:

• marketing attribution;
• MER;
• CRM analysis;
• incrementality experiments;
• brand tracking;
• Share of Search;
• customer research;
• market intelligence.

Kapan Developer Belum Siap Menggunakan MMM?

Developer mungkin belum siap apabila:

• data biaya media tidak lengkap;
• booking tidak tercatat secara konsisten;
• definisi lead berubah setiap bulan;
• tidak tersedia data historis memadai;
• kanal hampir tidak pernah berubah;
• hanya terdapat satu proyek kecil;
• proses penjualan tidak menggunakan CRM;
• data offline tidak terdigitalisasi;
• tidak ada pemilik model;
• keputusan anggaran tidak dapat diubah.

Dalam situasi tersebut, prioritas awal sebaiknya:

1. merapikan data biaya;
2. menyusun funnel;
3. menetapkan definisi KPI;
4. mengintegrasikan CRM;
5. mencatat site visit dan booking;
6. membangun data mart pemasaran;
7. membuat dashboard dasar.

Checklist Kesiapan Marketing Mix Modeling Properti

Area	Pertanyaan
Outcome	Apakah KPI tercatat konsisten?
History	Apakah data historis cukup panjang?
Granularity	Apakah tersedia data mingguan dan wilayah?
Media	Apakah biaya seluruh kanal tersedia?
Offline	Apakah billboard, event dan pameran tercatat?
Controls	Apakah harga, stok dan promosi tersedia?
Variation	Apakah spend berubah dari waktu ke waktu?
Governance	Apakah definisi dan pemilik data jelas?
Expertise	Apakah tersedia analyst yang memahami kausalitas?
Actionability	Apakah alokasi anggaran dapat diubah?
Experiments	Apakah hasil eksperimen dapat digunakan untuk kalibrasi?
Maintenance	Apakah model dapat diperbarui berkala?

Strategi Pengukuran Terintegrasi untuk Developer

Marketing Mix Modeling memberikan hasil lebih kuat jika ditempatkan dalam sistem pengukuran yang lebih luas.

Marketing attribution

Digunakan untuk memahami jalur konsumen dan mengoptimalkan kampanye secara operasional.

Customer Data Platform

Digunakan untuk menyatukan profil, touchpoint, consent, dan transaksi pelanggan.

Share of Search

Digunakan untuk memantau permintaan terhadap merek dibandingkan dengan pesaing.

Marketing Efficiency Ratio

Digunakan untuk melihat efisiensi total pemasaran terhadap pendapatan.

Incrementality testing

Digunakan untuk menguji apakah perubahan pemasaran benar-benar menghasilkan outcome tambahan.

Marketing Mix Modeling

Digunakan untuk menilai kontribusi lintas kanal, efek nonmedia, response curve, dan alokasi anggaran.

Gabungan metode tersebut lebih kredibel daripada mengandalkan satu dashboard atau satu model atribusi.

Kesimpulan

Marketing Mix Modeling Properti adalah metode statistik yang digunakan untuk memperkirakan dampak inkremental aktivitas pemasaran dan faktor nonpemasaran terhadap hasil bisnis developer.

MMM dapat membantu developer:

• mengukur kanal online dan offline;
• memperkirakan kontribusi inkremental;
• menghitung ROI dan mROI;
• memahami adstock;
• mendeteksi saturation;
• mengendalikan pengaruh harga, tren, dan promosi;
• membuat skenario anggaran;
• mengoptimalkan alokasi media.

Namun, MMM bukan mesin yang secara otomatis menghasilkan kebenaran. Kualitas hasilnya bergantung pada kualitas data, desain model, pemilihan variabel, variasi media, asumsi kausal, dan kalibrasi.

Developer sebaiknya tidak menilai model hanya dari kemampuan prediksi. Model yang berguna harus menghasilkan estimasi yang masuk akal, mempunyai ketidakpastian yang dapat diterima, dan dapat diterjemahkan menjadi keputusan bisnis.

Marketing Mix Modeling juga tidak menggantikan attribution atau eksperimen. Pendekatan yang lebih kuat adalah menggabungkan MMM, attribution, CRM, CDP, Share of Search, MER, serta incrementality testing dalam satu sistem Property Marketing Intelligence.

FAQ Marketing Mix Modeling Properti

Apa yang dimaksud dengan Marketing Mix Modeling Properti?

Marketing Mix Modeling Properti adalah metode analisis statistik yang memperkirakan kontribusi aktivitas pemasaran dan faktor eksternal terhadap leads, site visit, booking, penjualan, atau pendapatan developer.

Apa tujuan utama Marketing Mix Modeling?

Tujuan utamanya adalah mengukur dampak inkremental kanal, menghitung ROI, memahami diminishing returns, dan membantu mengalokasikan anggaran pemasaran.

Apakah Marketing Mix Modeling sama dengan marketing attribution?

Tidak. Attribution membagikan kredit kepada touchpoint yang tercatat, sedangkan MMM menggunakan data agregat untuk memperkirakan kontribusi kanal setelah memperhitungkan faktor pemasaran dan nonpemasaran.

Apakah MMM membutuhkan data pelanggan individual?

Tidak selalu. MMM umumnya menggunakan data agregat berdasarkan periode, kanal, wilayah, atau proyek sehingga tidak bergantung pada perjalanan setiap individu.

Data apa yang dibutuhkan untuk MMM properti?

Data yang dibutuhkan meliputi KPI bisnis, biaya atau intensitas media, aktivitas organik, harga, diskon, stok, wilayah, musim, pembiayaan, dan faktor pasar lainnya.

KPI apa yang cocok untuk MMM properti?

KPI dapat berupa qualified leads, site visit, booking, akad, unit terjual, pendapatan, atau margin. Pemilihannya harus mempertimbangkan tujuan bisnis dan kualitas data.

Berapa tahun data yang dibutuhkan?

Tidak ada jumlah minimum universal. Kebutuhan bergantung pada jumlah kanal, wilayah, control variables, variasi spend, dan frekuensi data. Model kompleks membutuhkan lebih banyak observasi.

Apakah data mingguan lebih baik daripada data bulanan?

Data mingguan memberikan lebih banyak observasi dan detail perubahan kampanye. Namun, data hanya berguna jika KPI dan biaya tercatat konsisten pada frekuensi tersebut.

Apa yang dimaksud dengan adstock?

Adstock adalah efek pemasaran yang bertahan dan berkurang secara bertahap setelah iklan ditayangkan. Konsep ini menangkap jeda antara paparan iklan dan keputusan konsumen.

Apa yang dimaksud dengan saturation?

Saturation adalah kondisi ketika tambahan belanja media masih menghasilkan dampak, tetapi kenaikan hasilnya semakin kecil karena kanal mendekati kejenuhan.

Apa perbedaan ROI dan mROI dalam MMM?

ROI mengukur hasil inkremental rata-rata dibandingkan biaya historis. mROI mengukur hasil yang diperkirakan diperoleh dari tambahan anggaran berikutnya.

Apakah kanal dengan ROI tertinggi harus mendapat tambahan anggaran?

Belum tentu. Kanal tersebut mungkin sudah jenuh. Keputusan tambahan anggaran harus mempertimbangkan mROI, response curve, ketidakpastian, dan batasan bisnis.

Apakah MMM dapat mengukur billboard dan pameran?

Dapat, selama tersedia data biaya atau intensitas aktivitas yang konsisten berdasarkan waktu dan wilayah serta memiliki variasi yang cukup.

Apakah MMM dapat membuktikan sebab-akibat?

MMM dirancang untuk estimasi kausal, tetapi hasilnya bergantung pada asumsi, control variables, dan spesifikasi model. Eksperimen tetap penting untuk menguji dan mengalibrasi estimasi.

Apa fungsi geo-level modeling?

Geo-level modeling menggunakan variasi data antarwilayah untuk meningkatkan jumlah informasi, memperbaiki estimasi tren, dan membantu memisahkan kontribusi kanal.

Apakah proyek dapat digunakan sebagai geo?

Proyek dapat digunakan sebagai unit panel dalam kondisi tertentu. Namun, perbedaan harga, segmen, lokasi, dan tahap proyek harus dimodelkan secara tepat.

Apa tools yang dapat digunakan untuk Marketing Mix Modeling?

Tools open-source yang populer mencakup Meridian dari Google dan Robyn dari Meta. Developer juga dapat membangun model khusus menggunakan perangkat statistik lain.

Apakah MMM dapat digunakan untuk optimasi anggaran?

Ya. Setelah response curve dan mROI diperkirakan, model dapat membuat skenario alokasi anggaran untuk memaksimalkan outcome pada batasan tertentu.

Seberapa sering model perlu diperbarui?

Model dapat diperbarui setiap kuartal, semester, atau ketika terdapat cukup data baru. Frekuensinya bergantung pada perubahan pasar, anggaran, proyek, dan volume outcome.

Apakah developer kecil membutuhkan MMM?

Belum tentu. Developer dengan data terbatas sebaiknya memprioritaskan CRM, funnel, tracking biaya, dan dashboard dasar sebelum membangun model yang kompleks.

Apa kesalahan terbesar dalam MMM properti?

Kesalahan utama meliputi data terlalu sedikit, terlalu banyak variabel, tidak memasukkan faktor pasar, mengabaikan keterlambatan efek, dan menganggap hasil regresi sebagai bukti kausal otomatis.

Bagaimana cara menilai model MMM yang baik?

Model perlu dinilai berdasarkan kualitas data, kewajaran hasil, credible interval, residual, holdout performance, stabilitas, asumsi kausal, dan kesesuaiannya dengan hasil eksperimen.

Apakah hasil optimasi MMM harus langsung diterapkan?

Tidak. Rekomendasi model harus ditinjau bersama batasan anggaran, strategi merek, kapasitas operasional, kontrak media, dan risiko perubahan yang terlalu besar.