Ketika Survey Bilang Loyalist Turun 27%, Tapi Sales Cuma -15%: Siapa yang Salah?
Beberapa hari yang lalu, tim marketing research menyampaikan hasil survey kuartal ini kepada tim marketing. Datanya cukup mengkhawatirkan: basis loyalist produk kami turun 27% dibanding tahun lalu.
Spontan, rapat jadi agak panas. Tim marketing langsung bereaksi:
“Kok bisa? Sales value kita cuma turun 15%, loh. Masa loyalisnya turun 27%? Pasti metode survey-nya yang kurang tepat.”
Saya hanya bisa tersenyum kecil di dalam hati. Fenomena ini sebenarnya sangat wajar. Bahkan fenomena ini bisa dijelaskan dengan matematika sederhana yang kita ketahui bersama. Sayangnya, di lapangan, banyak yang masih menganggap hubungan antara jumlah loyalist dan sales value itu linear.
Padahal tidak demikian.
Mari saya coba jelaskan dengan cara yang (semoga) mudah dipahami.
Kenapa Loyalist dan Sales Value Tidak Bisa Dibandingkan Satu Lawan Satu?
Pertama-tama, kita harus paham dulu struktur dari sales value itu sendiri. Secara matematis:
Sales Value = Jumlah Orang × Frekuensi Beli × Kuantitas per Beli × Harga per Unit
Atau kalau ditulis dalam notasi yang lebih rapi:
S = L x F x Q x H
Di mana:
- L = jumlah loyalist (atau pembeli secara umum)
- F = rata-rata frekuensi beli per periode
- Q = rata-rata kuantitas per transaksi
- H = rata-rata harga per unit
Nah, survey loyalist yang di lakukan oleh tim market research hanya mengukur satu variabel saja: yaitu L. Sedangkan sales value adalah hasil kali dari empat variabel sekaligus.
Selama tiga variabel lainnya (F, Q, H) tidak diam/diikat, maka perubahan pada L tidak akan pernah berbanding lurus dengan perubahan pada S. Ini matematika dasar, bukan masalah metode survey.
Simulasi Sederhana
Biar lebih jelas, saya buatkan skenario dengan angka-angka.
Skenario A: Semua Variabel Lain Tetap (Ilusi Linear)
Misalkan tahun lalu:
| Variabel | Nilai |
|---|---|
| L (loyalist) | 100 orang |
| F (frekuensi/kuartal) | 4 kali |
| Q (qty/transaksi) | 2 pcs |
| H (harga/pcs) | Rp25.000 |
Sales tahun lalu = 100 × 4 × 2 × 25.000 = Rp20.000.000
Sekarang, loyalis turun 27%. L baru = 73 orang. Jika F, Q, H tetap:
Sales tahun ini = 73 × 4 × 2 × 25.000 = Rp14.600.000
Penurunan sales = (20jt - 14,6jt) / 20jt = 27%. Nah, ini baru linear.
Tapi ini skenario dunia ideal yang hampir tidak pernah terjadi di pasar nyata.
Skenario B: Yang Realistis (Ada Kompensasi dari Variabel Lain)
Di dunia nyata, ketika loyalist berkurang, yang tersisa biasanya adalah hardcore loyalist — mereka yang paling setia. Dan mereka cenderung berkompensasi dengan membeli lebih sering atau lebih banyak.
Coba lihat skenario ini:
| Variabel | Tahun Lalu | Tahun Ini | Perubahan |
|---|---|---|---|
| L | 100 | 73 | -27% |
| F | 4 | 5 | +25% |
| Q | 2 | 2 | tetap |
| H | Rp25.000 | Rp25.000 | tetap |
Sales tahun ini = 73 × 5 × 2 × 25.000 = Rp18.250.000
Penurunan sales = (20jt - 18,25jt) / 20jt = 8,75%.
Lihat? Loyalist turun 27%, tapi sales cuma turun 8,75%. Dan ini belum memasukkan efek harga atau kuantitas.
Skenario C: Efek Harga Naik (Mix Shift ke Premium)
Kadang, loyalist yang pergi adalah mereka yang membeli SKU murah. Sementara yang tersisa beralih ke varian premium.
| Variabel | Tahun Lalu | Tahun Ini | Perubahan |
|---|---|---|---|
| L | 100 | 73 | -27% |
| F | 4 | 4 | tetap |
| Q | 2 | 2 | tetap |
| H | Rp25.000 | Rp30.000 | +20% |
Sales tahun ini = 73 × 4 × 2 × 30.000 = Rp17.520.000
Penurunan sales = (20jt - 17,52jt) / 20jt = 12,4%.
Lagi-lagi, gap antara -27% dan -12,4%. Tanpa mengubah metode survey sama sekali.
Skenario D: Kombinasi (Paling Mendekati Realita)
Sekarang kita gabungkan semuanya; karena di pasar nyata, semuanya bergerak simultan:
| Variabel | Perubahan |
|---|---|
| L | -27% |
| F | +15% (loyalist tersisa beli lebih sering) |
| Q | +10% (beli lebih banyak setiap kali) |
| H | +5% (mix shift ke SKU premium) |
Sales tahun ini = 73 × (4×1,15) × (2×1,10) × (25.000×1,05) = 73 × 4,6 × 2,2 × 26.250 = Rp19.399.725
Penurunan sales = (20jt - 19,4jt) / 20jt ≈ 3%.
Boom!
Loyalist ambles 27%, tapi sales value hampir tidak bergerak. Ini bukan rekayasa data tapi realita multivariat yang setiap hari terjadi di pasar FMCG.
Lalu, Siapa yang Salah? Tim Marketing, Tim Sales atau Tim Market Riset?
Jawabannya: tidak ada yang salah.
Hal yang perlu diluruskan adalah ekspektasi tentang hubungan antara dua metrik yang secara dimensional berbeda.
Survey loyalist mengukur L (jumlah loyalist). Itu adalah attitudinal metric, mengukur perilaku dan komitmen konsumen terhadap brand. Validitasnya tergantung pada metodologi sampling, instrumen kuesioner, sistem quality control, dan analisis yang digunakan. Dalam kasus kami, semua sudah melalui quality control yang ketat.
Sementara itu, sales value mengukur L × F × Q × H — itu adalah behavioral metric, hasil akhir dari interaksi kompleks antara jumlah orang, kebiasaan beli, dan harga.
Keduanya penting, tapi menjawab pertanyaan yang berbeda.
- Survey loyalist menjawab: “Apakah hubungan emosional dan perilaku konsumen terhadap brand kita mulai rapuh?”
- Sales value menjawab: “Berapa banyak uang yang masuk ke kas perusahaan?”
Dan yang lebih penting: loyalist adalah leading indicator, sedangkan sales adalah lagging indicator. Penurunan loyalist sebesar 27% adalah alarm yang berbunyi sekarang. Dampaknya ke sales mungkin baru akan terasa penuh satu atau dua kuartal ke depan, yakni ketika loyalist yang sudah pergi benar-benar tidak lagi membeli, dan tidak ada loyalist baru yang menggantikan.
Kalau saya jadi tim marketing, saya justru akan berterima kasih pada tim riset karena sudah memberikan peringatan dini. Karena menunggu sampai sales benar-benar turun 27% untuk bereaksi, itu sudah terlambat.
Selain itu, perlu dipahami bahwa omset di-generate tidak hanya dari loyalist! Masih ada occasional user dan new trialist yang sedikit banyak pembelian mereka pasti berdampak pada sales value.
Data Market Riset vs Data Sales: Dua Dunia yang Berbeda
Diskusi kami dengan tim marketing itu membuka mata saya akan satu hal: masih banyak yang belum paham bahwa data market riset dan data sales itu lahir dari filosofi yang berbeda. Mereka memang sama-sama angka, tapi cara membaca, memaknai, dan menghubungkannya tidak bisa disamakan.
Mari saya bedah perbedaan mendasarnya.
Sifat Data: Attitudinal vs Behavioral
| Dimensi | Data Market Riset | Data Sales |
|---|---|---|
| Apa yang diukur? | Sikap, persepsi, niat, kesadaran (attitudinal) | Perilaku aktual, transaksi riil (behavioral) |
| Sumber data | Sampel terpilih (survei, FGD, depth interview) | Populasi (seluruh transaksi yang tercatat) |
| Arah waktu | Forward-looking — bisa mendeteksi niat beli, loyalitas, preferensi ke depan | Backward-looking — mencatat apa yang sudah terjadi |
| Struktur | Diskrit, kategorik, skala Likert, proporsi | Kontinu, agregat, numerik (Rp, unit, qty) |
| Galat/error | Sampling error, non-sampling error, bias responden | Galat input data, missing SKU, double counting — relatif minimal |
| Pertanyaan khas | “Apakah Anda akan membeli lagi?” | “Berapa banyak yang terjual?” |
Dari tabel di atas, jelas bahwa keduanya menjawab pertanyaan yang berbeda. Satu bicara soal mindset, satu lagi bicara soal outcome. Dan dalam ilmu apapun baik psikologi, ekonomi, maupun statistik, mindset dan outcome tidak pernah bergerak bersisian secara linear.
Oke, kalau masih bingung saya coba jelaskan dengan analogi sederhana sebagai berikut:
Analogi Sederhana: Cek Kesehatan vs Catatan Medis
Bayangkan kita periksa kesehatan ke dokter. Dokter melakukan serangkaian tes: cek gula darah, kolesterol, tekanan darah, dan EKG. Salah satu hasilnya menunjukkan bahwa kadar gula Anda naik 27% dibanding tahun lalu. Ini menjadi alarm pre-diabetes.
Dokter bilang:
“Hati-hati, ini tanda awal. Kalau tidak diubah pola makannya, risiko diabetes Anda tinggi.”
Tapi Anda menjawab:
“Ah, masa sih? Saya kan masih sehat, berat badan cuma naik 3 kg kok. Tes darah Anda pasti salah.”
Kedengarannya konyol, kan?
Nah, data market riset itu ibarat tes kesehatan. Data itu memberikan early warning tentang kondisi brand di benak konsumen. Sedangkan data sales itu ibarat catatan medis, ia mencatat apa yang sudah terjadi secara aktual. Dua-duanya penting, tapi tidak bisa saling menggantikan.
Lalu Bagaimana Cara Menghubungkannya dengan Benar?
Ini yang jarang diajarkan di bangku kuliah, atau paling tidak, jarang dipraktikkan di dunia kerja. Berikut pendekatan yang bisa kita gunakan:
1. Bangun Model Bridging, Bukan Korelasi Langsung
Jangan plot jumlah loyalist vs sales value lalu hitung R²-nya sambil berharap tinggi. Itu naif. Yang benar: bangun model yang menjembatani.
Secara konseptual:
Attitudinal Metrics (survei)
↓
Brand Health Index / Loyalty Score
↓
Dimediasi oleh: distribusi, harga, promosi, musiman
↓
Behavioral Outcomes (sales)
Jadi loyalist itu bukanlah predictor langsung dari sales dalam seminggu atau sebulan. Tapi loyalist adalah fondasi yang menentukan resilience sales terhadap shock, misal saat ada kompetitor masuk, krisis, kenaikan harga, dsb.
2. Gunakan Time Lag Analysis
Loyalist adalah leading indicator. Efek perubahan loyalist ke sales biasanya punya time lag, bisa 1-2 kuartal, tergantung kategori produk dan siklus pembelian.
Cara ilmiahnya: jangan regresikan sales Q1 dengan loyalist Q1. Tapi regresikan sales Q2 dan Q3 dengan loyalist Q1. Cari lag structure yang paling signifikan secara statistik. Ini bisa dilakukan dengan cross-correlation function (CCF) atau distributed lag models.
3. Kontrol Variabel Lain (Ceteris Paribus)
Kalau mau benar-benar mengisolasi efek loyalis ke sales, kita perlu mengontrol variabel-variabel lain:
- Aktivitas promosi & diskon
- Perubahan harga rata-rata (price mix)
- Distribusi & ketersediaan produk (out of stock rate)
- Aktivitas kompetitor
- Faktor musiman
Kalau semua itu tidak dikontrol, maka membandingkan persentase perubahan loyalist dengan persentase perubahan sales secara langsung adalah kesalahan ilmiah yang fundamental.
Teknik statistik seperti regresi berganda, GLM, atau mixed models bisa digunakan untuk ini.
4. Triangulasi, Bukan Konfrontasi
Pada akhirnya, data market riset dan data sales bukanlah dua hal yang harus dipertentangkan. Mereka adalah dua sisi mata uang yang sama.
Triangulasi adalah pendekatan ilmiah di mana kita menggunakan kedua sumber data secara komplementer:
| Temuan Market Riset | Cek dengan Data Sales | Kesimpulan |
|---|---|---|
| Loyalist turun | Sales turun lebih kecil | Ada kompensasi dari F, Q, H — cek mana yang naik |
| Loyalist turun | Sales ikut turun besar | Masalahnya sistemik — dari brand ke lini terdepan |
| Loyalist stabil | Sales turun | Bukan masalah brand image — cek distribusi, harga, atau stok |
| Loyalist naik | Sales belum naik | Leading indicator positif — pantau 1-2 kuartal ke depan |
Dengan pendekatan ini, tidak ada lagi budaya saling lempar tanggung jawab. Yang ada adalah budaya sense-making: memahami apa yang terjadi dari berbagai sudut pandang data, lalu mengambil keputusan berdasarkan gambaran utuh.
Epilog
Fenomena loyalist turun 27% tapi sales cuma -15% bukanlah anomali. Bukan juga akibat metode survey yang keliru. Ini adalah konsekuensi alami dari sistem multivariat dimana output (sales) adalah hasil perkalian dari beberapa inputs yang bergerak independen.
Selama variabel frekuensi (F), kuantitas (Q), dan harga (H) tidak dikontrol, tidak akan pernah ada hubungan linear antara jumlah loyalist dan sales value. Sesederhana itu.
Data market riset dan data sales adalah dua jenis data yang secara fundamental berbeda. Satu attitudinal dan satu lainnya behavioral. Satu forward-looking dan satu lainnya backward-looking. Menghubungkan keduanya secara langsung tanpa kerangka ilmiah yang tepat adalah kesalahan yang masih sering terjadi di industri kita.
Yang perlu dilakukan sekarang bukan saling menyalahkan, tapi duduk bersama memahami story di balik angka-angka ini:
- Kenapa loyalist berkurang? Apakah ada masalah produk? Harga? Distribusi? Kompetitor?
- Apa yang membuat yang tersisa tetap bertahan dan bahkan membeli lebih banyak?
- Berapa lama efek kompensasi dari F, Q, dan H ini bisa bertahan?
- Model bridging apa yang perlu dibangun agar tim riset dan marketing bicara dalam bahasa yang sama?
Karena kalau hanya mengandalkan sales value yang “masih OK”, tanpa menyadari bahwa fondasi loyalist-nya sudah jebol, kita sedang membangun istana di atas pasir.
if you find this article helpful, support this blog by clicking the ads.