Agensi pemasaran berbasis AI untuk e-commerce: cara memilihnya

Agensi pemasaran berbasis AI untuk e-commerce adalah agensi yang menjalankan lapisan teknologinya sendiri di atas platform iklan, terhubung ke data margin, stok, retur, dan nilai pelanggan. Agensi seperti itu tidak mengoptimalkan klik murah maupun ROAS yang dilaporkan, melainkan laba per pesanan. Anda dapat mengujinya dengan bertanya dari mana data margin mereka berasal dan bagaimana mereka mengukur inkrementalitas.

Mengapa pertanyaan ini berubah dalam dua tahun terakhir

Belum lama ini, yang Anda beli dari sebuah agensi adalah eksekusi. Ada orang yang duduk di dalam akun, menambah kata kunci, menegasikan kueri, dan menggeser bid satu per satu. Sebagian besar pekerjaan itu kini sudah berpindah ke otomatisasi platform, dan hasilnya bagus. Google maupun Meta punya model yang melihat sinyal yang tidak akan pernah terlihat oleh siapa pun di dalam spreadsheet.

Karena itu, pertanyaan yang perlu diajukan pemilik e-commerce ikut berubah. Bukan lagi apakah agensi bisa menyiapkan kampanye, melainkan data apa yang mereka kirimkan ke kampanye itu dan bagaimana mereka tahu bahwa kampanye itu berhasil.

Lalu datang pergeseran kedua, yaitu soal visibilitas. Ahrefs mencatat pada Februari 2026 penurunan rasio klik sebesar 58 % pada kueri yang memunculkan AI Overviews, dan porsi pencarian tanpa klik di Amerika Serikat mencapai 58,5 % (ringkasan studi: https://arvow.com/blog/ai-overviews-statistics-2026). Data produk, konten, dan feed berubah menjadi satu lapisan bersama untuk visibilitas organik sekaligus berbayar. Keduanya tidak bisa lagi ditangani sebagai dua pekerjaan terpisah.

Apa yang membuat agensi pemasaran berbasis AI berbeda dari agensi yang sekadar memakai alat AI

Ini dua hal yang berbeda, dan di halaman hasil pencarian keduanya kerap tercampur menjadi satu. Yang pertama adalah AI di dalam platform: Smart Bidding, Performance Max, Advantage+. Lapisan ini sangat baik pada tugasnya, yaitu membeli ruang iklan secara real time. Namun ada satu keterbatasan, dan itu bukan cacat. Ia mengoptimalkan tepat pada apa yang Anda kirimkan kepadanya.

Yang kedua adalah lapisan AI di atas platform. Lapisan ini tidak bersaing dengan bidding, tetapi menentukan sinyal apa yang masuk ke dalamnya. Ia melihat SKU, harga pokok, ongkos kirim, biaya pembayaran, tingkat retur, dan nilai pelanggan yang membeli berulang. Lapisan yang sama kemudian juga mengawasi feed produk, judul, dan materi kreatif, karena di sanalah dayanya paling besar.

Perbedaannya terukur, bukan filosofis. Jika Anda mengirim nilai pesanan ke platform, ia akan belajar mencari pesanan. Jika Anda mengirim laba setelah retur, ia akan belajar mencari laba. Di sebagian besar e-commerce yang kami tangani, keduanya bukan produk yang sama.

Apa kata datanya

Optimasi berbasis laba bukan trik agensi, melainkan fitur yang didukung secara resmi. Google Ads menghitung laba kotor sebagai pendapatan dikurangi COGS dan mensyaratkan atribut cost_of_goods_sold di dalam feed Merchant Center (https://support.google.com/google-ads/answer/14943482). Pelaporan margin hanya berfungsi bila dikombinasikan dengan Conversions with Cart Data, yaitu pengiriman isi keranjang pada level SKU (https://support.google.com/sa360/answer/13424777). Entah itu sudah terhubung, atau belum. Pemeriksaannya cukup sepuluh menit.

Lapisan kedua adalah retur. NRF menyebutkan bahwa sekitar 19,3 % pesanan daring dikembalikan, dan pada kategori pakaian angkanya 20 sampai 40 % (https://nrf.com/research/2025-retail-returns-landscape). Google menyediakan conversion adjustments bertipe RESTATE dan RETRACT dengan jendela 55 hari sejak konversi awal (https://support.google.com/google-ads/answer/7686447). Tanpa itu, algoritme belajar dari pendapatan yang sebenarnya tidak pernah dimiliki toko Anda.

Hal ketiga adalah pengukuran kontribusi nyata. Eksperimen klasik eBay yang terbit di Econometrica menunjukkan bahwa pada pencarian yang mengandung kata eBay, sekitar 99,5 % trafik dari iklan brand berbayar tetap akan datang tanpa iklan itu. Pada dataset yang lebih baru berisi 225 uji geo merek DTC, brand search mencatat median ROAS inkremental 0,70x, jadi di bawah titik impas (https://searchengineland.com/incrementality-testing-advertising-winners-losers-442852). Google sendiri merilis Meridian dan, pada Mei 2026, Meridian GeoX, yaitu eksperimen geo terbuka yang hasilnya dipakai untuk mengalibrasi model. Itu sama saja dengan pengakuan bahwa atribusi saja tidak cukup untuk memutuskan anggaran.

Dan hal keempat, yang paling mengejutkan banyak orang. Dalam analisis sekitar 500 kampanye, Nielsen menghubungkan 47 % kontribusi iklan terhadap penjualan dengan materi kreatif, sementara targeting hanya 9 % (https://www.marketingcharts.com/advertising-trends-230468). Jadi daya ungkit terbesar bukan pada bidding. Daya ungkitnya ada pada kecepatan Anda menguji materi kreatif dan data produk.

Posisi kami

Konsensus di industri mengatakan bahwa AI perlu dikekang dengan sinyal manual, audiens, dan pengecualian, dan bahwa metrik pengendalinya adalah ROAS atau CPA. Kami berpendapat sebaliknya pada dua titik itu, dan kami punya alasannya.

Pertama. Kurangi pembatasan sinyal, perbanyak perbaikan input. Optmyzr menganalisis 9.199 akun dan 24.702 kampanye Performance Max. Audience signals dipakai oleh 92 % pengiklan dan akun mereka justru berkinerja lebih buruk pada sebagian besar metrik, search themes dipakai 71 % dengan efek yang umumnya negatif, dan 58 % pengiklan memperoleh hasil yang sama atau lebih baik tanpa pengecualian sama sekali (https://www.optmyzr.com/blog/performance-max-2025-updates-study-analysis/). Ketika platform menerima sinyal laba yang bersih, ia tidak butuh orang dari luar yang menebak-nebak audiensnya.

Kedua. Metrik pengendali seharusnya laba per pesanan setelah retur dan ongkos kirim, bukan pendapatan. Pada katalog yang kami telaah, margin kotor antarkategori lazim berbeda hingga tiga kali lipat. Akibatnya anggaran secara sistematis mengalir ke produk dengan pendapatan tinggi dan margin rendah, sementara laporannya tampak memukau. Inilah satu-satunya alasan mengapa engine kami ada sebagai lapisan tersendiri di atas Google, Meta, dan TikTok. Bukan karena platform melakukan sesuatu yang keliru, melainkan karena mereka tidak tahu apa pun tentang harga pokok dan retur Anda sampai kami memberitahukannya.

Ketiga. Bukan AI versus manusia, melainkan pengukuran independen di atas platform. Meta menyebut kenaikan sekitar 46 % pada optimasi untuk konversi inkremental, sementara dataset independen Haus dari 640 uji inkremental selama 18 bulan justru menyatakan bahwa 58 % merek memperoleh ROI inkremental lebih tinggi pada kampanye manual, dan bahwa otomatisasi melebih-lebihkan kontribusinya sekitar 12 poin persentase (https://news.marketecture.tv/p/meta-advantage-plus-and-incrementality-findings-from-640-tests-2d1d). Kedua angka itu bisa sama-sama benar, hanya saja objek pengukurannya berbeda. Karena itu kami tidak memercayai keduanya sebelum diuji pada data Anda.

Angka yang bisa kami tunjukkan sebagai bukti bersifat konkret. Pada e-commerce Zlatá Putňa kami melihat kenaikan pendapatan 45,8 % dan visibilitas 574 %, pada Jankiv Siblings +583 % engagement, pada Domintell +272 % pengunjung. ROAS hingga +300 % adalah batas atas yang pernah kami capai, bukan rata-rata dan bukan janji. Kami mencapainya pada katalog dengan data margin yang baik dan ruang untuk menaikkan anggaran. Pada e-commerce yang datanya belum memuat margin, hasil seperti itu tidak kami janjikan.

Cara melakukannya: tujuh langkah dan lima pertanyaan

Urutan langkahnya tidak acak, setiap langkah berdiri di atas langkah sebelumnya.

1. Masukkan COGS ke dalam feed. Google secara tegas mengizinkan penggunaan estimasi, misalnya 80 % dari harga, supaya pelaporan bisa mulai berjalan. Akurasinya Anda perbaiki belakangan.

2. Aktifkan pengiriman isi keranjang. Tanpa data pada level SKU, margin tidak bisa diukur.

3. Hubungkan data retur lewat conversion adjustments. Pada tingkat retur 20 %, ini perbaikan termurah di seluruh akun.

4. Tambahkan nilai pelanggan. Customer lifecycle goals dan mode New Customer Value dapat menambahkan nilai ekstra pada pembelian pertama seorang pelanggan baru (https://support.google.com/google-ads/answer/12080169).

5. Bereskan feed dan data produk. Judul, atribut, GTIN, gambar. Pekerjaan yang sama juga menaikkan visibilitas organik.

6. Percepat siklus kreatif. Jika Nielsen menyematkan 47 % pengaruh pada materi kreatif, jumlah varian yang diuji per bulan adalah KPI yang nyata.

7. Ukur inkrementalitas. Geo holdout atau user-level holdout, setidaknya pada brand search dan pada satu kanal utama.

Lima pertanyaan yang sebaiknya Anda ajukan ke setiap agensi, termasuk kepada kami. Dari mana Anda mengambil data margin saya, dan apa saja yang sudah diperhitungkan di dalamnya? Apakah saya bisa melihat keputusan AI Anda, artinya adakah log yang mencatat siapa mengubah anggaran dan mengapa? Siapa pemilik akun iklan, data konversi, dan audiens ketika kerja sama berakhir? Bagaimana Anda membuktikan bahwa pendapatan itu tidak akan datang tanpa iklan? Dan berapa total biayanya, dirinci menjadi setup, fee bulanan, dan persentase dari belanja iklan?

Pertanyaan kelima adalah ujian karakter. Kami menyebut harga pada konsultasi pertama, bukan setelah tiga kali bertukar email. Kalau seseorang menyembunyikannya, biasanya bukan karena harganya rendah.

Kapan hal ini tidak berlaku

Pada volume data yang kecil, seluruh bangunan ini tidak ada gunanya. Jika sebuah e-commerce hanya mencatat puluhan konversi per bulan, model tidak punya bahan untuk belajar dan optimasi berbasis laba berakhir sebagai cara yang lebih presisi untuk mengukur derau. Dalam situasi itu lebih baik berinvestasi pada produk, feed, dan materi kreatif, lalu menjaga iklan tetap sederhana.

Jika Anda menjual satu produk dengan satu margin, POAS tidak menambah apa pun. Seluruh keunggulannya lahir dari perbedaan di dalam katalog.

Uji inkremental tidak gratis. Geo holdout berarti Anda mematikan iklan di sebagian pasar, dan pada e-commerce musiman uji yang terlalu singkat sering tidak bermakna. Rekomendasinya berkisar dari beberapa minggu hingga tiga sampai enam bulan pada siklus pembelian yang panjang. Itulah harga nyata dari sebuah kepastian, dan itu harus disampaikan sejak awal.

Ada pula konflik yang tidak bisa diselesaikan lewat spreadsheet. Optimasi laba jangka pendek mendorong penargetan sesempit mungkin, sedangkan mazhab Ehrenberg-Bass menunjukkan bahwa pertumbuhan datang dari menjangkau seluruh kategori pembeli. Pada e-commerce yang ingin menggandakan mereknya dalam dua tahun, kedua logika itu bertabrakan. Kami menyelesaikannya dengan membagi anggaran dan mengakui terus terang bahwa bagian kedua lebih sulit diukur.

Dan satu ketidakpastian yang kami akui di akhir. Kami tidak tahu ke mana perbandingan visibilitas berbayar dan organik akan bergeser setelah gelombang berikutnya dari hasil pencarian berbasis AI. Berlaku pula catatan bahwa 70 % manajer PPC yang memakai model AI melaporkan masalah pada kualitas keluarannya (https://www.searchenginejournal.com/ppc-trends-2026-ai-automation-and-the-fight-for-visibility/558870/). Karena itu di tempat kami, anggaran, merek, dan penayangan materi kreatif disetujui oleh manusia. Mesin mengusulkan, manusia menandatangani.

Apa yang perlu Anda bawa pulang

Agensi AI tidak dikenali dari berapa kali ia menuliskan kata AI. Ia dikenali dari kemampuannya menunjukkan data apa yang menjalankan sistemnya, keputusan mana yang diambil mesin sendiri, dan keputusan mana yang disetujui manusia. Selebihnya hanya rumusan kalimat di halaman web.

Jika Anda ingin tahu apakah di katalog Anda tersembunyi selisih antara pendapatan dan laba, mari kita telusuri bersama. Konsultasi 30 menit tanpa kewajiban, di mana kami melihat langsung ke dalam akun, menjelaskan data apa yang belum ada, dan memperkirakan potensinya. Tanpa presentasi dan tanpa keharusan melanjutkan.

Pertanyaan umum

Bagaimana saya tahu sebuah agensi benar-benar memakai AI dan bukan sekadar membicarakannya?

Tanyakan tiga hal konkret: data apa yang dilihat sistem mereka (SKU, harga pokok, stok, retur, nilai pelanggan), seberapa sering sistem itu mengambil keputusan, dan apakah ada log keputusan yang bisa Anda akses. Agensi yang hanya memakai alat AI untuk menulis teks akan berhenti di pertanyaan pertama. Jawaban yang bisa diverifikasi cukup memakan waktu satu menit.

Apa itu POAS dan apakah lebih baik daripada ROAS?

POAS adalah tingkat pengembalian belanja iklan yang dihitung dari laba, bukan dari pendapatan. Pada e-commerce dengan margin yang beragam, POAS adalah metrik pengendali yang lebih baik daripada ROAS karena mencegah anggaran mengalir ke produk berpendapatan tinggi bermargin rendah. Namun POAS tidak menggantikan pandangan atas keseluruhan laporan laba rugi maupun pengukuran inkrementalitas.

Seberapa banyak data yang dibutuhkan e-commerce agar optimasi berbasis laba masuk akal?

Secara praktis Anda membutuhkan volume konversi yang stabil sebagai bahan belajar model, dan katalog dengan margin yang berbeda-beda. Pada tingkat puluhan konversi per bulan, atau pada satu produk tunggal dengan satu margin, manfaatnya tidak menutupi biaya pekerjaan datanya. Dalam situasi itu lebih baik berinvestasi pada feed, materi kreatif, dan produk.

Bagaimana cara memastikan iklan benar-benar menghasilkan penjualan tambahan?

Satu-satunya bukti yang dapat diandalkan adalah eksperimen: geo holdout, user-level holdout, atau marketing mix model yang dikalibrasi dengan uji tersebut. Angka di antarmuka platform menyatakan siapa yang mendapat kredit, bukan apa yang akan terjadi tanpa iklan. Eksperimen eBay menunjukkan bahwa sekitar 99,5 % trafik dari iklan brand tetap akan datang tanpa iklan itu.

Siapa yang seharusnya memiliki akun iklan dan data setelah kerja sama berakhir?

Klien. Akun iklan, data konversi, audiens, dan riwayat pembelajaran adalah milik e-commerce, bukan milik agensi. Pindah ke akun baru berarti kehilangan riwayat yang menjadi fondasi bidding otomatis, dan praktis menyetel ulang kinerja dari nol. Cantumkan kepemilikan akun di dalam kontrak sebelum kampanye pertama berjalan.

Apakah saya harus punya data margin yang akurat untuk bisa mulai?

Tidak. Google sendiri mengizinkan permulaan dengan estimasi COGS, misalnya berupa persentase tetap dari harga produk, agar pelaporan mulai berjalan. Langkah yang benar adalah menyempurnakannya secara bertahap dengan ongkos kirim, biaya pembayaran, biaya pengemasan, dan tingkat retur. Menunda proyek sampai data margin sempurna biayanya lebih besar daripada memulai dengan estimasi.