Apakah kamu merasa CPR iklan semakin menurun? Kalau tokomu juga aktif di marketplace, coba deh cek penjualan di marketplace kamu juga. Apakah trend penjualannya semaking meningkat dan kontribusinya terhadap penjualan total kamu juga meningkat?

Jika semua pertanyaan diatas jawabannya adalah iya, berarti kamu perlu mengatribusikan penjualan di marketplace secara manual ke Iklan Meta! Selamat ya, pekerjaan kamu dalam mengoptimasi iklan Meta jadi lebih menantang 🙏

Daftar Isi

Tantangan Menggunakan Fitur Offline Conversion Event

Dengan adanya UU PDP, marketplace semakin hati-hati dalam membagikan data pribadi konsumen ke seller. Hal ini terbukti dengan disensornya nomor handphone konsumen pada beberapa pesanan.

Padahal nomor handphone adalah data koentji dari tingginya match rate ketika mengupdate Meta Offline Conversions Events.

Rendahya match rate menyebabkan data penjualan yang terjadi diluar cakupan Meta Pixel pengiklan tidak dapat diatribusikan ke ads campaign sehingga terjadi yang namanya under-optimized ads. Akibat dari under-optimized ads ini salah satunya adalah tidak maksimalnya Meta dalam mencari calon-calon pembeli potensial lainnya

Tantangan Menggunakan Fitur Facebook CPAS

Berdasarkan pengalaman saya menggunakan Facebook CPAS dengan Shopee, kinerja iklan tidak sebaik menggunakan akun iklan non-CPAS. Besar kemungkinannya karena akun iklan ini sudah teroptimasi bertahun-tahun, whitelisted, dan persaingan dengan produk kompetitor di laman produk.

Sedangkan untuk menggunakan Facebook CPAS dengan Tokopedia, saat ini lebih sulit karena seller harus terdaftar sebagai official stores dimana diperlukan verifikasi dokumen legalitas.

Menggunakan akun iklan CPAS untuk setiap marketplace juga bukan solusi karena hal ini menyebabkan konversi penjualan tercerai berai di beberapa akun iklan.

Beriman Kepada Meta Lattice Model

Di bulan Mei 2023, Meta meluncurkan AI-Driven ad optimization system bernama Meta Lattice.

Salah satu fitur penting dari model ini yang relevan dengan topik yang kita bahas adalah kemampuan Meta Lattice’s Data Generalization

Holistic understanding of both advertisers’ and people’s objectives. Meta Lattice can understand both the common usage patterns and the unique and latent people-advertiser engagement patterns from heterogeneous data sources, through multi-domain, multi-task learning and armed by sparse activation techniques. This mechanism is particularly useful for the “cold start” problem — people can receive more relevant ad recommendations on emerging products and surfaces, even though there is little data to learn from, through better generalization

Meta Lattice

Terdapat 2 kata kunci yang bisa kita jadikan landasan iman di sini; multi-domain dan little data.

Saya berspekulasi liar, dengan adanya Meta Lattice ini, iklan dapat teroptimasi secara maksimal walaupun konversi terjadi diluar jangkauan Meta pixel pengiklan.

Argumennya begini:

• Bukankah semua marketplace menginstall Meta Pixel?
• Dengan adanya Meta Pixel ini, bukankan menjadikan event-event yang terjadi di marketplace dapat dibaca oleh sistem Meta?
• Dengan terbacanya event-event berikut meta datanya, bukankah Meta dapat menyamakan data user/produk di marketplace dengan data user/produk di Facebook/Instagram/Thread?
• Dengan data itu semua, bukankah Meta dapat menggunakannya sebagai “training data” untuk Meta Lattice tanpa mengatribusikannya ke pengiklan?

Berdasarkan klaim Meta, Meta Lattice ini dapat meningkatkan ad exposure quality sampai 8%. Maksudnya adalah iklan ditampilkan ke pemirsa yang lebih relevan sehingga mengurangi biaya iklan, yang harapan akhirnya juga mengurangi biaya iklan per hasil atau meningkatkan ROAS.

Namun apakah hal tersebut benar terjadi di lapangan?

Kalau berdasarkan data kinerja iklan saya di Q2 dan Q3 2023, pada masa itu adalah masa-masa kinerja iklan terkelam 🙈. Nampaknya, keadaan ini terjadi juga pada pengiklan di luar negeri seperti United States jika saya lihat dari konten-konten di Reddit.

Mungkin memang semua model perlu waktu untuk optimasi, secanggih apapun modelnya. Jadi turbulensi di awal-awal model diaplikasikan adalah hal yang wajar

Manual ROI Tracking

Berdasarkan keterbatasan-keterbatasan di atas, akhirnya saya kembali ke cara primitif lagi dalam mengkalkulasi ROI iklan yaitu dengan menggunakan spreadsheet. Formatnya adalah sebagai berikut

1. Formula ROI adalah Total Gross Profit dikurangi Total Biaya Iklan (termasuk PPn)
2. ROI di-tracking per 3/4 hari
3. ROI di-tracking per produk
4. Gross profit di-tracking per kanal penjualan

Sehingga nanti jadinya seperti ini

Yang bisa dilakukan pun terbatas, yaitu analisa ROI per produk. Tidak bisa dilakukan per ad set atau ads karena keterbatasan data yang bisa didapatkan walaupun dengan menggunakan UTM parameters.

Tapi setidaknya, dengan cara seperti ini saya bisa mengetahui CPR dan ROI yang lebih mencerminkan keadaan sebenarnya.