Optimization Story: Berapa Budget Iklan yang Optimal Berdasarkan Simulasi Monte Carlo?
Prolog: Pertanyaan yang Sering Muncul Saat Meeting
Bayangkan Saya sedang meeting bersama tim marketing. Slides sudah terbuka, angka-angka kuartal lalu sudah dibahas. Lalu tiba-tiba tim marketing melempar pertanyaan:
“Kalau kita mau campaign bulan depan, kira-kira spend berapa yang optimal?”
Sebagai data analyst merangkap market researcher, saya mungkin akan langsung menghitung budget secara sederhana di kepala. Saya ambil mean ROI secara historikal, kemudian dibagi dengan target revenue dengan angka itu, selesai.
Tapi tunggu dulu. Apakah semudah itu? Masalahnya ROI dari suatu campaign adalah angka yang dinamis. Pada saat bulan Ramadan bisa menghasilkan ROI 5x tapi saat bulan sepi bisa hanya mencapai 0.8x. Lalu pada saat kompetitor tiba-tiba agresif, ROI bisa terjun bebas. Maka dari itu, kika kita hanya pakai angka mean ROI, kita sedang berpura-pura bahwa dunia itu deterministik — padahal tidak.
Kali ini saya akan coba membahas bagaimana Simulasi Monte Carlo bisa membantu kita membuat keputusan budget campaign yang lebih cerdas, dengan merangkul ketidakpastian sebagai bagian dari modelnya.
Mengapa Pendekatan “Rata-rata” Saja Tidak Cukup?
Mari kita mulai dengan contoh sederhana. Misalkan saya memiliki data historikal ROI suatu campaign selama 12 bulan terakhir adalah sebagai berikut:
| bulan | ROI |
|---|---|
| 1 | 1.2 |
| 2 | 3.5 |
| 3 | 2.8 |
| 4 | 0.9 |
| 5 | 4.1 |
| 6 | 2.2 |
| 7 | 5.0 |
| 8 | 1.8 |
| 9 | 3.3 |
| 10 | 0.7 |
| 11 | 2.9 |
| 12 | 3.8 |
## 📊 Statistika Deskriptif ROI Historis
**Jumlah observasi:** 12
**Rentang nilai:** 0.7 - 5
**Rata-rata:** 2.68
### 📈 Ringkasan Statistika
| Statistik | Nilai |
|-----------|-------|
| Jumlah Data | 12 |
| Rata-rata | 2.68 |
| Median | 2.85 |
| Standar Deviasi | 1.35 |
| Varians | 1.82 |
| Minimum | 0.7 |
| Maksimum | 5 |
| Range | 4.3 |
| Kuartil 1 (Q1) | 1.65 |
| Kuartil 3 (Q3) | 3.58 |
| IQR | 1.93 |
| Skewness | 0 |
| Kurtosis | -1.34 |
### 📋 Ringkasan 5-Angka
| Statistik | Nilai |
|-----------|-------|
| Minimum | 0.7 |
| Q1 | 1.5 |
| Median | 2.85 |
| Q3 | 3.65 |
| Maksimum | 5 |
### 🔍 Interpretasi
- **Skewness:** 0 - distribusi hampir simetris
- **Kurtosis:** -1.34 - distribusi platykurtik (puncak rendah)
Rata-rata ROI kita adalah 2.68. Jika target revenue bulan depan adalah Rp 500 juta, maka budget “optimal” versi perhitungan sederhana adalah:
Budget = Target Revenue / Rata-rata ROI = Rp 500 juta / 2.68 = Rp 186 juta.
Kelihatannya masuk akal. Tapi ada beberapa pertanyaan yang tidak terjawab:
- Berapa probabilitas kita benar-benar mencapai Rp 500 juta dengan budget tersebut?
- Apa yang terjadi jika ROI bulan depan hanya 0.7 (seperti yang pernah terjadi)?
- Apakah ada level budget yang lebih aman secara statistik?
Masalah utama saat kita menggunakan mean adalah mean menyembunyikan variabilitas. Standar deviasi dari data historikal ROI kita adalah sebesar 1.26 (hampir separuh dari nilai mean). Hal ini mengindikasikan ketidakpastian yang sangat tinggi dan tidak boleh diabaikan.
Untuk mengatasi hal ini, saya akan melakukan simulasi Monte Carlo. Analogi sederhana dari simulasi Monte Carlo adalah sebagai berikut:
Bayangkan kita melempar dua buah dadu lalu kita ingin mengetahui peluang mendapat angka total > 7. Secara analitik peluang ini bisa dihitung secara matematis. Tapi secara Monte Carlo, kita bisa melakukan pelemparan dua buah dadu sebanyak 100.000 kali, lalu menghitung berapa kali kejadian dua buah dadu muncul dengan angka total hasilnya > 7. Dari berapa kali kejadian, kita bisa hitung proporsi / peluangnya. Hasilnya akan sangat mendekati jawaban analitik.
Tiga Komponen Utama Simulasi Monte Carlo
- Input yang tidak pasti → didefinisikan sebagai distribusi probabilitas, bukan angka tunggal.
- Model deterministik → hubungan matematis antar variabel (misal: Revenue = Budget x ROI).
- Output berupa distribusi → hasil simulasi N iterasi yang menunjukkan range kemungkinan.
Untuk kasus campaign budget kita, input-nya adalah distribusi ROI (yang tidak pasti), modelnya adalah Revenue = Budget x ROI, dan output-nya adalah distribusi revenue yang mungkin dihasilkan untuk setiap level budget.
Membuat Simulasi Monte Carlo
Misalkan saya memiliki beberapa informasi dan parameter sebagai berikut:
- Data historis ROI: 12 bulan terakhir (seperti pada tabel di atas).
- Target profit minimum: Rp 0 (minimal balik modal).
- Range campaign budget yang akan dievaluasi: Rp 50 juta hingga Rp 500 juta.
- Jumlah simulasi: 10.000 iterasi per level budget.
- Biaya produksi (COGS) tetap: Rp 300 juta.
Sehingga profit bisa didefinisikan sebagai profit = revenue - budget - COGS.
Sebelum simulasi, kita perlu mengetahui distribusi probabilitas yang paling cocok untuk data historikal ROI kita. ROI yang kita punya adalah angka positif dengan kecenderungan skewness 0 alias simetris. Oleh karena itu distribusi normal adalah kandidat yang baik.
Untuk melakukan fitting distribusi, kita bisa menggunakan
library(fitdistrplus).
# Fitting distribusi ormal
fit_norm <- fitdist(roi_historis,"norm")
# 1. Plot diagnostik - 4 plot sekaligus
plot(fit_norm)
# 2. Goodness-of-fit statistics
gof_stats <- gofstat(fit_norm)
print(gof_stats)
Goodness-of-fit statistics
1-mle-norm
Kolmogorov-Smirnov statistic 0.12438373
Cramer-von Mises statistic 0.02950794
Anderson-Darling statistic 0.20859934
Goodness-of-fit criteria
1-mle-norm
Akaike's Information Criterion 44.21838
Bayesian Information Criterion 45.18820
# 3. Ringkasan lengkap
summary(fit_norm)
Fitting of the distribution ' norm ' by maximum likelihood
Parameters :
estimate Std. Error
mean 2.683333 0.3732056
sd 1.292822 0.2638955
Loglikelihood: -20.10919 AIC: 44.21838 BIC: 45.1882
Correlation matrix:
mean sd
mean 1 0
sd 0 1
Berikut adalah parameter distribusi normal yang saya dapatkan:
- mean = 2.683333 ± 0.3732056 (Standard Error).
- sd = 1.292822 ± 0.2638955 (Standard Error).
Sebelum lanjut ke simulasinya, mari kita lihat goodness of fit perhitungan fitting distribusi yang kita dapatkan. Catatan penting: Dengan hanya 12 data points, hasil fitting mungkin kurang stabil.
Indikator kualitas baik:
- Dari parameter distribusi:
- Mean: 2.68 dengan standard error 0.37 (presisi cukup baik).
- SD: 1.29 dengan standard error 0.26 (presisi cukup baik).
- Plot Diagnostik:
- Density plot: Kurva teoritis cukup mengikuti histogram empiris.
- CDF plot: Kurva teoritis mendekati CDF empiris.
- Q-Q plot: Titik-titik mendekati garis diagonal.
- P-P plot: Titik-titik mendekati garis diagonal.
- Goodness-of-fit Tests:
- KS test p-value > 0.05: distribusi normal acceptable.
Tahap berikutnya, saya akan membuat function untuk melakukan simulasi Monte Carlo:
# Fungsi utama simulasi Monte Carlo
simulasi_monte_carlo <- function(budget_juta,
cogs_juta = 300,
n_sim = 10000,
meanlog = 2.683333,
sdlog = 1.292822) {
# Konversi ke juta rupiah
budget <- budget_juta * 1e6
cogs <- cogs_juta * 1e6
# Simulasi ROI dari distribusi log-normal
roi_sim <- rnorm(n_sim, mean = meanlog, sd = sdlog)
# Hitung revenue dan profit
revenue_sim <- budget * roi_sim
profit_sim <- revenue_sim - budget - cogs
# Kembalikan ringkasan hasil
list(
budget_juta = budget_juta,
prob_profit = mean(profit_sim > 0),
median_profit = median(profit_sim) / 1e6,
mean_profit = mean(profit_sim) / 1e6,
p10_profit = quantile(profit_sim, 0.10) / 1e6,
p90_profit = quantile(profit_sim, 0.90) / 1e6,
profit_sim_juta = profit_sim / 1e6
)
}
Oke, kemudian saya akan jalankan simulasi untuk berbagai level campaign budget. Berikut adalah hasil simulasinya:
budget_juta prob_profit median_profit p10_profit p90_profit
1 50 0.0003 -216.7390851 -297.0794 -133.143505
2 55 0.0018 -209.0260101 -297.3883 -116.003193
3 60 0.0047 -198.6973405 -297.4523 -99.593640
4 65 0.0113 -188.9625895 -297.9096 -83.736526
5 70 0.0207 -182.8113635 -299.4593 -66.572108
6 75 0.0372 -171.6849368 -295.8965 -49.825335
7 80 0.0481 -164.0022682 -299.8807 -35.668908
8 85 0.0796 -157.8704121 -294.2263 -12.718496
9 90 0.1019 -148.5981845 -297.4028 1.315149
10 95 0.1236 -140.9970059 -297.9231 15.046040
11 100 0.1508 -130.4996351 -292.8958 33.232975
12 105 0.1840 -124.5840798 -296.3917 49.109563
13 110 0.2131 -116.2066153 -295.2536 69.578761
14 115 0.2390 -102.7401350 -292.5841 84.476424
15 120 0.2621 -100.3239572 -301.9472 102.944441
16 125 0.2818 -92.2722298 -299.1311 113.513925
17 130 0.3196 -80.2426842 -294.5644 135.719891
18 135 0.3461 -70.2996135 -294.4576 156.600322
19 140 0.3616 -64.9327747 -295.9204 164.567252
20 145 0.3875 -53.8659877 -295.4122 184.429490
21 150 0.4035 -48.3414561 -295.1301 204.684248
22 155 0.4260 -35.4142080 -291.7360 216.548250
23 160 0.4494 -26.1056192 -292.6844 239.256845
24 165 0.4633 -19.2319472 -294.2406 257.301737
25 170 0.4720 -17.4159997 -298.5615 265.682283
26 175 0.5020 0.7132798 -291.4240 289.760435
27 180 0.5071 4.4458167 -286.1673 302.656620
28 185 0.5284 18.0708370 -290.3959 311.967358
29 190 0.5343 20.6157919 -290.6321 345.165271
30 195 0.5475 28.5210190 -288.8961 347.017417
31 200 0.5630 39.3142826 -301.2589 362.731624
32 205 0.5715 44.8386231 -296.3747 385.196845
33 210 0.5753 51.2903780 -294.0831 407.678469
34 215 0.5981 69.8214574 -292.5100 424.305369
35 220 0.5943 65.9135507 -291.2019 434.524506
36 225 0.5993 73.9065228 -300.8161 449.782592
37 230 0.6177 89.9398278 -290.9717 471.770987
38 235 0.6201 93.3570002 -293.8813 475.570416
39 240 0.6299 107.6338600 -297.6423 506.259271
40 245 0.6409 112.4804805 -292.5634 523.269848
41 250 0.6422 123.0912820 -297.7452 536.866600
42 255 0.6468 124.2243894 -299.9585 556.291884
43 260 0.6610 140.9224313 -294.2167 566.979949
44 265 0.6662 145.1753357 -283.8945 581.284108
45 270 0.6623 148.1668145 -298.8905 601.776810
46 275 0.6782 173.6020173 -292.8914 624.196001
47 280 0.6891 176.8723599 -291.6194 639.894426
48 285 0.6861 178.5823409 -293.6288 650.356195
49 290 0.6873 185.7700406 -306.1511 667.857297
50 295 0.6938 192.1102311 -299.8727 680.017119
51 300 0.7008 205.3044997 -287.1884 693.071305
52 305 0.7081 220.4799385 -293.3401 719.280328
53 310 0.7065 218.6490355 -292.4587 724.984285
54 315 0.7137 224.7283901 -291.9526 745.286414
55 320 0.7161 240.0037470 -283.7522 761.297549
56 325 0.7125 235.3137138 -302.7385 769.959569
57 330 0.7241 250.4967475 -288.8786 784.219502
58 335 0.7304 265.6412138 -281.3954 816.613977
59 340 0.7247 266.9316158 -288.1297 847.953002
60 345 0.7440 286.1583141 -287.6320 857.490313
61 350 0.7360 285.7303211 -293.8980 875.140277
62 355 0.7467 302.6765856 -283.1762 881.743034
63 360 0.7557 318.0018361 -273.5186 899.329118
64 365 0.7524 318.4370750 -278.1709 924.049042
65 370 0.7483 331.2425128 -301.1960 938.998662
66 375 0.7484 328.4359817 -300.5686 952.478996
67 380 0.7455 324.6820166 -298.7187 964.579038
68 385 0.7537 338.3958750 -293.2711 973.897527
69 390 0.7595 361.9626015 -285.8817 1003.171604
70 395 0.7598 365.2308570 -284.2029 1020.976330
71 400 0.7604 375.5274971 -290.0661 1051.991860
72 405 0.7640 379.7711010 -297.7401 1056.810553
73 410 0.7675 390.1176694 -294.3017 1082.827328
74 415 0.7766 399.1246882 -279.7416 1090.103120
75 420 0.7754 401.9360027 -296.0662 1109.417087
76 425 0.7748 422.9025910 -292.1304 1123.544488
77 430 0.7798 422.5098563 -288.7896 1131.732629
78 435 0.7718 421.4694904 -289.2938 1134.041746
79 440 0.7825 429.6928577 -285.8676 1167.567690
80 445 0.7783 441.3411582 -303.7280 1179.386493
81 450 0.7859 443.9129223 -284.6625 1209.048780
82 455 0.7870 471.0323352 -281.7832 1218.281138
83 460 0.7839 468.8262512 -280.7295 1218.294336
84 465 0.7924 491.9542466 -276.5838 1252.931065
85 470 0.7906 488.1633845 -301.8233 1269.934811
86 475 0.7933 503.8424082 -280.7754 1278.153063
87 480 0.7975 505.2695270 -280.7350 1291.092751
88 485 0.7979 526.1117008 -291.4082 1309.729303
89 490 0.7956 526.8600340 -297.2694 1344.474450
90 495 0.7998 541.2070555 -259.4067 1341.100250
91 500 0.7980 536.5030542 -297.7734 1367.520546
Beberapa titik kritis yang teridentifikasi:
- Break-even Point: Budget Rp 175 juta adalah titik dimana profit median menjadi positif (Rp 0.7 juta).
- Profitability Threshold: Budget Rp 200 juta memberikan probabilitas profit >50% (56.3%).
- Optimal Efficiency Point: Budget Rp 275 juta memberikan probabilitas profit 67.8% dengan profit median Rp 173.6 juta.
- Diminishing Returns Start: Setelah budget Rp 400 juta, peningkatan probabilitas profit melambat signifikan.
Visualisasi Lengkap Hasil Simulasi
Grafik pertama adalah grafik probabilitas perusahaan mendapatan profit positif (profit > Rp 0) di setiap level campaign budget.
Dari grafik di atas, pada rentang campaign budget Rp 50 - Rp 500 juta, masih belum ditemukan budget minimal yang bisa memastikan 90% peluang perusahaan akan mendapatkan profit positif. Namun, jika kita menggunakan angka 75% peluang, kita bisa dapatkan campaign budget minimal sebesar Rp 360 juta.
Salah satu kelebihan aplikasi simulasi Monte Carlo adalah kita bisa menghitung nilai omset versi optimis, pesimis, dan median. Berikut adalah visualisasinya:
Berikut adalah distribusi profit untuk beberapa level campaign budget tertentu:
Rekomendasi Strategis
Dari tabel hasil simulasi, saya bisa membuat AI agent marketing expert untuk menghasilkan beberapa strategi yang bisa dilakukan oleh perusahaan:
Strategi Pesimis (Konservatif)
Target Utama:
- Capital Preservation: Melindungi modal dari kerugian besar.
- Sustainable Growth: Pertumbuhan bertahap dengan risiko minimal.
- Market Testing: Validasi model bisnis dengan investasi terbatas.
Budget Rekomendasi: Rp 100-150 juta.
- Rp 100 juta: Probabilitas profit 15.1%, profit median -Rp 130.5 juta, P90 profit Rp 33.2 juta.
- Rp 125 juta: Probabilitas profit 28.2%, profit median -Rp 92.3 juta, P90 profit Rp 113.5 juta.
- Rp 150 juta: Probabilitas profit 40.4%, profit median -Rp 48.3 juta, P90 profit Rp 204.7 juta.
Taktik Implementasi:
- Phase 1 (Rp 100 juta):
- Fokus pada channel marketing dengan ROI tercepat (social media, SEM).
- A/B testing intensif untuk optimasi creative.
- Target: Break-even atau minimal loss.
- Phase 2 (Scale to Rp 150 juta):
- Scale channel yang terbukti efektif.
- Diversifikasi ke 2-3 channel tambahan.
- Implementasi marketing automation.
- Risk Management:
- Stop-loss mechanism: Evaluasi setiap Rp 25 juta.
- Maximum acceptable loss: Rp 100 juta.
- Exit strategy jika tidak mencapai target dalam 3 bulan.
Strategi Menengah (Balance)
Target Utama:
- Profit Maximization: Mencapai profit optimal dengan risiko terkendali.
- Market Penetration: Mendapatkan market share yang signifikan.
- Brand Building: Membangun brand awareness yang sustainable.
Budget Rekomendasi: Rp 200-300 juta.
- Rp 200 juta: Probabilitas profit 56.3%, profit median Rp 39.3 juta, P90 profit Rp 362.7 juta.
- Rp 250 juta: Probabilitas profit 64.2%, profit median Rp 123.1 juta, P90 profit Rp 536.9 juta.
- Rp 275 juta (Sweet Spot): Probabilitas profit 67.8%, profit median Rp 173.6 juta, P90 profit Rp 624.2 juta.
- Rp 300 juta: Probabilitas profit 70.1%, profit median Rp 205.3 juta, P90 profit Rp 693.1 juta.
Taktik Implementasi:
- Lakukan channel allocation strategy yang terukur. Misalkan:
- 40%: High-performance digital channels (SEM, Social Media Ads).
- 30%: Content marketing & SEO (long-term growth).
- 20%: Partnership & influencer marketing.
- 10%: Experimentation & innovation.
- Performance Optimization:
- Real-time dashboard dengan KPI tracking.
- Weekly performance review dengan budget reallocation.
- Customer journey optimization.
- Scalability Framework:
- Marketing technology stack implementation.
- Team expansion dengan specialist per channel.
- Data-driven decision making process.
Strategi Optimis (agresif)
Target Utama:
- Market Leadership: Menjadi market leader dalam kategori.
- Exponential Growth: Mencapai scale yang signifikan.
- Competitive Advantage: Membangun moat yang sustainable.
Budget Rekomendasi: Rp 400-500 juta.
- Rp 400 juta: Probabilitas profit 76.0%, profit median Rp 375.5 juta, P90 profit Rp 1,052 juta.
- Rp 450 juta: Probabilitas profit 78.6%, profit median Rp 443.9 juta, P90 profit Rp 1,209 juta.
- Rp 500 juta: Probabilitas profit 79.8%, profit median Rp 536.5 juta, P90 profit Rp 1,367 juta.
Taktik Implementasi:
- Omni-channel Dominance:
- Full-funnel marketing strategy.
- Integrated campaign across all channels.
- Brand building dengan premium positioning.
- Innovation & Technology:
- AI-powered marketing optimization.
- Advanced customer segmentation & personalization.
- Marketing technology ecosystem.
- Competitive Strategy:
- Aggressive customer acquisition.
- Market share expansion.
- Barrier to entry creation.
- Risk Considerations:
- Cash flow management yang ketat.
- Scenario planning untuk berbagai kondisi ekonomi.
- Contingency fund 20% dari total budget.
Kesimpulan Final: Berdasarkan analisis komprehensif seluruh data hasil simulasi, Strategi Menengah dengan budget Rp 275 juta memberikan optimal balance untuk sebagian besar perusahaan. Namun, keputusan akhir harus mempertimbangkan faktor-faktor spesifik perusahaan seperti cash flow position, risk appetite, competitive landscape, dan strategic objectives jangka panjang.
Limitasi Simulasi Ini
Seperti semua model kuantitatif, Monte Carlo bukan magic bullet. Ada beberapa hal yang perlu dicatat:
- Garbage in, garbage out. Kualitas simulasi sangat bergantung pada asumsi distribusi input. Jika distribusi ROI yang kita fitting tidak merepresentasikan kondisi nyata, hasil simulasi pun tidak bisa dipercaya.
- Membutuhkan data historis yang cukup. Fitting distribusi dari 12 titik data memberikan estimasi yang kasar. Semakin banyak data historis, semakin akurat distribusi yang dihasilkan.
- Tidak menangkap perubahan struktural. Jika ada perubahan besar di pasar (resesi, pandemi, kompetitor baru), distribusi historis mungkin tidak relevan untuk masa depan.
- Model sederhana. Dalam contoh ini kita hanya memodelkan ROI sebagai satu-satunya sumber ketidakpastian. Di dunia nyata, COGS, harga jual, dan conversion rate juga bisa bervariasi dan semuanya bisa dimasukkan ke dalam model.
Agar simulasi bisa lebih baik dan realistis, kita bisa melakukan sensitivity analysis dengan cara mencoba-coba mengubah asumsi distribusi dan lihat seberapa sensitif hasilnya. Jika hasil berubah drastis, itu pertanda model Anda sangat tergantung pada asumsi tersebut.
Epilog
Kita sering tergoda untuk menyederhanakan masalah yang kompleks menjadi satu angka tunggal.
Rata-rata ROI 2.68x, campaign budget optimal Rp 186 juta — selesai, meeting kelar.
Tapi ketidakpastian itu nyata dan menyembunyikannya di balik angka rata-rata hanya membuat kita merasa lebih pasti dari yang seharusnya.
Simulasi Monte Carlo mengajarkan kita cara berpikir yang berbeda: alih-alih mencari jawaban tunggal, kita pelajari distribusi dari semua kemungkinan jawaban. Hasilnya bukan hanya lebih jujur secara statistik, tapi juga lebih berguna untuk pengambilan keputusan. Hal yang menarik, implementasinya di R tidak serumit yang dibayangkan. Dengan beberapa puluh baris kode, kita sudah bisa menghasilkan analisis yang jauh lebih kaya dari sekadar rata-rata.
if you find this article helpful, support this blog by clicking the ads.