MARKETING 5.0

Menyiapkan Pemasaran Berbasis Data137 GAMBAR 8.2Contoh Tujuan Pemasaran Berbasis Data bisa menjadi hal yang tidak diketahui dan menakutkan bagi semua orang di organisasi dari atas hingga bawah. Sasaran yang sempit lebih mudah untuk dikomunikasikan dan oleh karena itu membantu memobilisasi orang-orang dalam organisasi, terutama mereka yang skeptis. Hal ini membantu menyelaraskan berbagai unit, menarik komitmen mereka, dan memastikan akuntabilitas. Sasaran yang terfokus juga memaksa pemasar untuk memikirkan pengaruh kinerja yang paling efektif dan memprioritaskan upaya mereka pada hal tersebut. Ketika pemasar memilih tujuan dengan dampak terbesar, perusahaan bisa mendapatkan kemenangan cepat yang berarti dan karenanya mendapat dukungan awal dari semua orang. Dengan menetapkan tujuan yang jelas, inisiatif pemasaran berbasis data menjadi inisiatif yang terukur dan akuntabel (lihat Gambar 8.2). Wawasan yang dihasilkan dari analisis data juga akan lebih dapat ditindaklanjuti dan mengarah pada upaya peningkatan pemasaran yang spesifik. Langkah 2: Identifikasi Persyaratan dan Ketersediaan Data Di era digital, volume data tumbuh secara eksponensial. Tidak hanya tingkat detailnya yang semakin dalam, namun variasinya juga semakin luas. Namun, tidak semua data berharga dan relevan. Setelah perusahaan memperbesar tujuannya, mereka harus mulai mengidentifikasi data yang tepat untuk dikumpulkan dan dianalisis. Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.com

138BAB 8 Pemasaran Berbasis Data Tidak ada satu cara yang tepat untuk mengklasifikasikan data besar. Namun salah satu cara praktisnya adalah dengan mengkategorikan berdasarkan sumbernya: 1.Data sosial, yang mencakup semua informasi yang dibagikan pengguna media sosial, seperti lokasi, profil demografis, dan minat 2.Data media, yang mencakup pengukuran audiens untuk media tradisional, seperti televisi, radio, media cetak, dan bioskop 3.Data lalu lintas web, yang mencakup semua log yang dihasilkan oleh pengguna yang menjelajahi web, seperti tampilan halaman, penelusuran, dan pembelian 4.POS dan data transaksi, yang mencakup semua catatan transaksi yang dilakukan oleh pelanggan, seperti lokasi, jumlah, informasi kartu kredit, pembelian, waktu, dan terkadang ID pelanggan 5.Data IoT, yang mencakup semua informasi yang dikumpulkan oleh perangkat dan sensor yang terhubung, seperti lokasi, suhu, kelembapan, kedekatan perangkat lain, dan tanda-tanda vital 6.Data keterlibatan, yang mencakup semua titik kontak langsung yang dibuat perusahaan dengan pelanggan, seperti data pusat panggilan, pertukaran email, dan data obrolan Pemasar perlu mengembangkan rencana pengumpulan data yang menjabarkan setiap bagian data yang harus diperoleh untuk mencapai tujuan yang telah ditentukan. Matriks data adalah alat yang berguna yang memetakan data yang diperlukan terhadap tujuan. Dengan melihat matriks data secara horizontal, pemasar dapat menentukan apakah mereka memiliki cukup data untuk mencapai tujuan. Untuk mendapatkan wawasan yang valid, mereka memerlukan triangulasi data: memiliki berbagai sumber data yang berkontribusi pada pemahaman yang konvergen. Melihat matriks data secara vertikal juga membantu pemasar memahami informasi apa yang perlu mereka ambil dari setiap sumber data (lihat Gambar 8.3). Beberapa tipe data yang disebutkan dalam daftar bernomor sebelumnya, seperti data transaksi dan keterlibatan, bersifat internal dan dapat diakses oleh pemasar. Namun, tidak semua data internal siap digunakan. Tergantung pada seberapa baik catatan tersebut diatur dan dipelihara, pembersihan data mungkin diperlukan. Itu termasuk perbaikan

Menyiapkan Pemasaran Berbasis Data139 GAMBAR 8.3Kerangka Matriks Data kumpulan data yang tidak akurat, konsolidasi duplikat, dan penanganan catatan yang tidak lengkap. Kumpulan data lainnya, seperti data sosial dan media, merupakan data eksternal dan harus diperoleh melalui penyedia pihak ketiga. Beberapa data juga dapat berasal dari mitra rantai nilai, seperti pemasok, perusahaan logistik, pengecer, dan perusahaan outsourcing. Langkah 3: Bangun Ekosistem Data Terintegrasi Sebagian besar inisiatif pemasaran berbasis data dimulai sebagai proyek yang bersifat ad-hoc dan tangkas. Namun, dalam jangka panjang, pemasaran berbasis data harus menjadi operasi rutin. Untuk memastikan upaya pengumpulan data tetap terjaga dan terus diperbarui, perusahaan harus membangun ekosistem data yang mengintegrasikan seluruh data eksternal dan internal. Tantangan terbesar dalam integrasi data adalah menemukan kesamaan di semua sumber data. Yang paling ideal adalah mengintegrasikan data pada tingkat pelanggan individu, memungkinkan pemasaran satu segmen. Praktik pencatatan yang baik memastikan bahwa setiap kumpulan data pelanggan yang diambil selalu dikaitkan dengan ID pelanggan unik. Meskipun mudah untuk sumber data internal, menggunakan ID pelanggan untuk data eksternal merupakan hal yang menantang, meskipun dapat dilakukan,

140BAB 8 Pemasaran Berbasis Data latihan. Misalnya, data sosial dapat diintegrasikan dengan ID pelanggan dan data pembelian jika pelanggan masuk ke situs e-commerce menggunakan akun media sosial mereka, seperti Google atau Facebook. Contoh lain dari integrasi data adalah penggunaan aplikasi loyalitas pelanggan untuk terhubung ke sensor suar pintar. Setiap kali pelanggan yang membawa ponselnya berada di dekat sensor, misalnya di lorong ritel, sensor tersebut akan merekam pergerakannya. Berguna untuk melacak perjalanan pelanggan di lokasi fisik. Namun, terkadang tidak mungkin mengaitkan semuanya dengan ID pelanggan individual, terutama karena masalah privasi. Solusi kompromi adalah dengan menggunakan variabel segmentasi demografi tertentu sebagai penyebut yang sama. Misalnya, nama segmen “pelanggan pria berusia 18 hingga 34 tahun” dapat menjadi ID unik untuk menggabungkan setiap item informasi dari setiap sumber data tentang demografi tertentu. Setiap kumpulan data dinamis harus disimpan dalam satu platform manajemen data, yang memungkinkan pemasar menangkap, menyimpan, mengelola, dan menganalisis data secara komprehensif. Setiap proyek pemasaran berbasis data baru dengan tujuan baru harus terus menggunakan platform yang sama, sehingga memungkinkan ekosistem data yang lebih kaya, yang bermanfaat jika perusahaan memutuskan untuk menggunakan pembelajaran mesin untuk mengotomatisasi analisis. Ringkasan: Membangun Ekosistem Data untuk Penargetan yang Lebih Baik Munculnya big data telah mengubah wajah segmentasi dan penargetan pasar. Luas dan dalamnya data pelanggan meningkat secara eksponensial. Data media, data sosial, data web, data POS, data IoT, dan data keterlibatan semuanya dapat membentuk profil pelanggan individu yang kaya, sehingga memungkinkan pemasar melakukan pemasaran dalam satu segmen. Di era digital, permasalahannya bukan lagi pada kurangnya data, melainkan pada identifikasi hal-hal yang penting. Itulah sebabnya pemasaran berbasis data harus selalu dimulai dengan definisi yang spesifik dan sempit

Ringkasan: Membangun Ekosistem Data untuk Penargetan yang Lebih Baik141 tujuan. Berdasarkan tujuannya, pemasar memperoleh kumpulan data yang relevan dan mengintegrasikannya ke dalam platform manajemen data yang terhubung ke mesin analitik atau pembelajaran mesin. Wawasan yang dihasilkan dapat menghasilkan penawaran dan kampanye pemasaran yang lebih tajam. Namun, pemasaran berbasis data tidak boleh dijadikan sebagai inisiatif TI. Tim kepemimpinan pemasaran yang kuat harus menjadi ujung tombak proyek dan menyelaraskan sumber daya perusahaan, termasuk dukungan TI. Keterlibatan setiap pemasar dalam organisasi sangatlah penting, karena pemasaran berbasis data bukanlah solusi jitu dan tidak akan pernah dijalankan secara autopilot. ION PERTANYAAN ION REFLEKSI • Pikirkan tentang bagaimana pengelolaan data yang lebih baik dapat meningkatkan praktik pemasaran di organisasi Anda. Apa buah yang tergantung rendah? • Bagaimana Anda mensegmentasi pasar produk dan layanan Anda? Buat peta jalan untuk menerapkan pemasaran segmen-satu dalam data organisasi Anda.

BAB 9 Pemasaran Prediktif Mengantisipasi Permintaan Pasar dengan Tindakan Proaktif F setelah musim Major League Baseball 2001, Oakland Athletics kehilangan tiga pemain kuncinya karena agen bebas. Di bawah tekanan untuk menggantikan agen bebas dengan anggaran terbatas, manajer umum saat itu Billy Beane beralih ke analitik untuk membentuk tim yang kuat untuk musim berikutnya. Alih-alih menggunakan pramuka tradisional dan informasi orang dalam, A menggunakan sabermetri—analisis statistik dalam game. Dengan analitik, kelompok A menemukan bahwa metrik yang diremehkan seperti persentase on-base dan persentase slugging dapat menjadi prediktor kinerja yang lebih baik dibandingkan dengan statistik ofensif yang lebih konvensional. Karena tidak ada tim lain yang merekrut pemain dengan kualitas ini, wawasan ini memungkinkan tim A untuk merekrut pemain yang kurang dihargai dan mempertahankan gaji yang relatif rendah. Kisah luar biasa ini didokumentasikan dalam buku Michael Lewis dan film Bennett Miller,Bola Uang. Hal ini menarik perhatian klub olahraga lain dan investor olahraga di seluruh dunia. John Henry, pemilik Boston Red Sox dan Liverpool Football Club, adalah salah satunya. Model matematika digunakan untuk membangun kembali Liverpool. Klub sepak bola, meskipun memiliki sejarah yang fantastis, berjuang untuk bersaing di Liga Utama Inggris. Berdasarkan analisis, klub menunjuk manajer Jürgen Klopp dan merekrut beberapa pemain ke dalam tim yang kemudian memenangkan Liga Champions UEFA 2018–2019 dan Liga Utama Inggris 2019–2020. Kisah-kisah ini melambangkan esensi analisis prediktif. Hal ini memungkinkan perusahaan untuk mengantisipasi pergerakan pasar sebelumnya 143

144BAB 9 Pemasaran Prediktif ini terjadi. Secara tradisional, pemasar mengandalkan statistik deskriptif yang menjelaskan perilaku masa lalu dan menggunakan intuisi mereka untuk membuat tebakan cerdas tentang apa yang akan terjadi selanjutnya. Dalam analisis prediktif, sebagian besar analisis dilakukan oleh kecerdasan buatan (AI). Data masa lalu dimuat ke dalam mesin pembelajaran mesin untuk mengungkap pola tertentu, yang disebut model prediktif. Dengan memasukkan data baru ke dalam model, pemasar dapat memprediksi hasil di masa depan, seperti siapa yang kemungkinan akan membeli, produk apa yang akan dijual, atau kampanye apa yang akan berhasil. Karena pemasaran prediktif sangat bergantung pada data, perusahaan biasanya membangun kemampuan berdasarkan ekosistem data yang telah mereka bangun sebelumnya (lihat Bab 8). Dengan pandangan ke depan, perusahaan dapat lebih proaktif dalam melakukan investasi berwawasan ke depan. Misalnya, perusahaan dapat memprediksi apakah klien baru dengan jumlah transaksi kecil saat ini akan menjadi akun besar. Dengan begitu, keputusan untuk menginvestasikan sumber daya guna menumbuhkan klien tertentu dapat menjadi optimal. Sebelum mengalokasikan terlalu banyak sumber daya untuk pengembangan produk baru, perusahaan juga dapat menggunakan analisis prediktif untuk membantu menyaring ide. Secara keseluruhan, analisis prediktif menghasilkan laba atas investasi pemasaran yang lebih baik. Pemodelan prediktif bukanlah suatu hal yang baru. Selama bertahuntahun, pemasar berbasis data membangun model regresi untuk menemukan hubungan sebab akibat antara tindakan dan hasil. Namun dengan pembelajaran mesin, komputer tidak memerlukan algoritme yang telah ditentukan sebelumnya dari ilmuwan data untuk mulai mengungkap pola dan model sendiri. Model prediktif yang dihasilkan dari “kotak hitam” pembelajaran mesin sering kali berada di luar pemahaman dan penalaran manusia. Dan ini adalah hal yang baik. Pemasar kini tidak lagi dibatasi oleh bias, asumsi, dan pandangan dunia yang terbatas di masa lalu ketika memprediksi masa depan. Aplikasi Pemasaran Prediktif Analisis prediktif menggunakan dan menganalisis data historis masa lalu. Namun hal ini lebih dari sekadar statistik deskriptif, yang berguna untuk melaporkan kinerja perusahaan di masa lalu secara retrospektif dan menjelaskan alasannya

Aplikasi Pemasaran Prediktif145 dibelakang mereka. Perusahaan dengan visi masa depan ingin mengetahui lebih dari sekedar apa yang terjadi di masa lalu. Hal ini juga melampaui analisis real-time yang digunakan untuk memberikan respons cepat dalam pemasaran kontekstual (Bab 10) atau menguji aktivitas pemasaran dalam pemasaran tangkas (Bab 12). Analisis prediktif memeriksa perilaku pelanggan di masa lalu untuk menilai kemungkinan bahwa mereka akan menunjukkan tindakan serupa atau terkait di masa depan. Ia menemukan pola halus dalam data besar dan merekomendasikan tindakan terbaik. Sangat berorientasi pada masa depan, hal ini membantu pemasar untuk tetap menjadi yang terdepan, mempersiapkan tanggapan pemasaran sebelumnya, dan mempengaruhi hasilnya. Analisis prediktif sangat penting untuk tindakan proaktif dan preventif, yang sempurna untuk tujuan perencanaan pemasaran. Dengan analisis prediktif, pemasar memiliki alat yang ampuh untuk meningkatkan pengambilan keputusan (lihat Gambar 9.1). Pemasar sekarang dapat menentukan skenario pasar mana yang mungkin terjadi dan pelanggan mana yang layak untuk dikejar. Mereka juga dapat menilai tindakan dan strategi pemasaran mana yang memiliki kemungkinan keberhasilan tertinggi sebelum meluncurkannya— sehingga mengurangi risiko kegagalan secara signifikan. GAMBAR 9.1Aplikasi Pemasaran Prediktif

146BAB 9 Pemasaran Prediktif Manajemen Pelanggan Prediktif Menargetkan dan melayani pelanggan tanpa mengetahui pendapatan masa depan yang akan dihasilkan pelanggan adalah mimpi buruk investasi pemasaran. Pemasar perlu memutuskan apakah akan mengeluarkan biaya akuisisi pelanggan dan layanan—untuk periklanan, pemasaran langsung, dukungan pelanggan, dan manajemen akun—untuk mendapatkan dan memelihara pelanggan. Analisis prediktif dapat membantu pemasar membuat keputusan ini lebih baik dengan memperkirakan nilai pelanggan. Model prediktif yang digunakan untuk tujuan manajemen pelanggan disebut model ekuitas pelanggan. Ini mengukur nilai seumur hidup pelanggan (CLV), yang merupakan nilai sekarang dari proyeksi laba bersih yang dihasilkan dari pelanggan selama seluruh hubungan dengan perusahaan. Hal ini memberikan pandangan jangka panjang dan berwawasan ke depan mengenai pengembalian investasi, yang sangat penting karena sebagian besar pelanggan mungkin tidak memperoleh keuntungan pada tahun pertama atau kedua karena tingginya biaya akuisisi pelanggan. Konsep ini paling relevan untuk perusahaan business-to-business (B2B) dan perusahaan jasa yang memiliki hubungan pelanggan jangka panjang, seperti bank dan perusahaan telekomunikasi. Perusahaan yang melayani klien korporat mempunyai pengeluaran akuisisi pelanggan yang besar, terutama untuk pameran dagang dan biaya tenaga penjualan. Demikian pula, bank menghabiskan banyak uang untuk iklan dan bonus pendaftaran, sementara perusahaan telekomunikasi terkenal dengan subsidi perangkat selulernya untuk mendapatkan pelanggan. Bagi perusahaan di sektor ini, biaya pemasaran terlalu tinggi untuk transaksi satu kali dan hubungan jangka pendek. Peran analitik dalam memperkirakan CLV adalah untuk memprediksi respons pelanggan terhadap penawaran upselling dan cross-selling. Algoritme biasanya didasarkan pada data historis produk mana yang dibeli secara bundel oleh pelanggan dengan profil serupa. Apalagi pemasar bisa memprediksi lamanya hubungan dengan setiap pelanggan. Analisis prediktif dapat mendeteksi churn pelanggan dan, yang lebih penting, menemukan alasan churn. Dengan demikian, perusahaan dapat mengembangkan strategi retensi yang efektif untuk mencegah pengurangan pelanggan. Oleh karena itu, analisis prediktif tidak hanya memperkirakan tetapi juga meningkatkan CLV. Setelah pelanggan diprofilkan dan CLV mereka dihitung, pemasar dapat menerapkan tindakan terbaik berikutnya (NBA)

Aplikasi Pemasaran Prediktif147 pemasaran. Ini adalah pendekatan yang berpusat pada pelanggan di mana pemasar telah mengatur rencana tindakan langkah demi langkah yang jelas untuk setiap pelanggan. Dengan kata lain, ini adalah rencana pemasaran untuk “segmen satu”. Dengan interaksi multisaluran mulai dari pemasaran digital hingga tenaga penjualan, pemasar memandu setiap pelanggan mulai dari prapenjualan, penjualan, hingga layanan pascapenjualan. Di setiap langkah, analisis prediktif dapat membantu pemasar menentukan langkah mana yang harus mereka ambil selanjutnya: mengirimkan lebih banyak jaminan pemasaran, melakukan demo produk, atau mengirim tim untuk melakukan panggilan penjualan. Dalam bentuk yang lebih sederhana, bisnis juga dapat melakukan pengelompokan pelanggan berbasis CLV, yang pada dasarnya merupakan alat alokasi sumber daya. Leveling ini menentukan berapa banyak uang yang harus dialokasikan perusahaan untuk memperoleh dan mempertahankan pelanggan pada tingkat tertentu. Pemasar dapat memprioritaskan pelanggan mana yang ingin diajak menjalin hubungan dan mengarahkan mereka ke tingkat yang lebih tinggi seiring berjalannya waktu. Hal ini juga menjadi dasar bagi antarmuka pelanggan berbeda yang disediakan perusahaan kepada pelanggan berbeda. Artinya, pelanggan dengan kontribusi keuntungan lebih tinggi akan mendapatkan akses ke tim dukungan pelanggan khusus sementara pelanggan lainnya akan mendapatkan akses ke antarmuka digital otomatis (lihat Bab 11). Manajemen Produk Prediktif Pemasar dapat memanfaatkan analisis prediktif di seluruh siklus hidup produk. Prediksi dapat dimulai sejak awal ide pengembangan produk. Berdasarkan analisis atribut apa yang berfungsi pada produk yang sudah dipasarkan, bisnis dapat mengembangkan produk baru dengan kombinasi semua fitur yang tepat. Praktik pemasaran prediktif ini memungkinkan tim pengembangan produk untuk menghindari kembali ke tahap perencanaan berulang kali. Memiliki desain dan prototipe produk yang memiliki peluang sukses lebih tinggi dalam pengujian pasar dan peluncuran sebenarnya akan menghemat sebagian besar biaya pengembangan bagi pemasar. Selain itu, informasi eksternal tentang apa yang sedang tren dan apa yang disukai calon pembeli juga dimasukkan ke dalam algoritme. Hal ini memungkinkan pemasar untuk menjadi proaktif dan memanfaatkan tren lebih awal dibandingkan pesaing mereka.

148BAB 9 Pemasaran Prediktif Perhatikan contoh Netflix. Perusahaan media ini mulai membuat konten orisinal untuk memperkuat keunggulan kompetitifnya dibandingkan pesaing baru dan menurunkan biaya kontennya dalam jangka panjang. Dan mereka menggunakan analitik untuk mendorong keputusan tentang serial dan film asli apa yang akan dibuat.Rumah kartu, misalnya, dikembangkan dengan prediksi bahwa kombinasi Kevin Spacey sebagai pemeran utama, David Fincher sebagai sutradara, dan tema drama politik yang terinspirasi dari serial televisi asli Inggris akan membawa kesuksesan. Analisis prediktif juga penting untuk memilih produk mana yang akan ditawarkan dari portofolio pilihan yang ada. Algoritme prediktif yang digunakan disebut sistem rekomendasi, yang menyarankan produk kepada pelanggan berdasarkan riwayat dan preferensi pelanggan serupa. Model kecenderungan memperkirakan kemungkinan pelanggan dengan profil tertentu untuk membeli ketika ditawarkan produk tertentu. Hal ini memungkinkan pemasar untuk menyediakan proposisi nilai yang dipersonalisasi kepada pelanggan. Semakin lama model bekerja dan semakin banyak data respons pelanggan yang dikumpulkan, semakin baik pula rekomendasinya. Mesin rekomendasi paling sering diterapkan oleh pengecer seperti Amazon atau Walmart dan bisnis layanan digital seperti YouTube atau Tinder. Namun penerapannya juga telah diterapkan ke sektor lain. Perusahaan mana pun dengan basis pelanggan besar dan portofolio produk atau konten yang luas akan menganggap mesin rekomendasi produk berharga. Model ini akan membantu perusahaan mengotomatiskan proses pencocokan produk dan pasar. Selain itu, model rekomendasi prediktif paling berguna ketika produk dibeli dan digunakan bersama-sama atau bersamaan dengan satu sama lain. Pemodelannya melibatkan apa yang dikenal sebagai analisis afinitas produk. Misalnya, orang yang pernah membeli kemeja mungkin tertarik untuk membeli celana atau sepatu yang serasi. Dan orang-orang yang membaca artikel berita mungkin ingin membaca artikel lain yang ditulis oleh reporter yang sama atau mempelajari lebih lanjut tentang topik tersebut.

Aplikasi Pemasaran Prediktif149 Manajemen Merek Prediktif Analisis prediktif dapat membantu pemasar merencanakan aktivitas merek dan komunikasi pemasaran mereka, terutama di ruang digital. Persyaratan analisis data utama mencakup membangun profil audiens yang lengkap dan memetakan unsur-unsur utama keberhasilan kampanye sebelumnya. Analisis ini akan berguna untuk memperkirakan kampanye mana yang akan berhasil di masa depan. Karena pembelajaran mesin adalah upaya yang terus-menerus, manajer merek dapat terus mengevaluasi kampanye mereka dan mengoptimalkan jika ada kekurangan. Saat merancang materi iklan dan mengembangkan pemasaran konten, manajer merek dapat memanfaatkan pembelajaran mesin untuk mengukur minat pelanggan dalam berbagai kombinasi salinan dan visual. Analisis sentimen di media sosial dan situs ulasan pihak ketiga dapat digunakan untuk memahami bagaimana perasaan pelanggan terhadap merek dan kampanye kami. Mereka juga dapat mengumpulkan data tentang kampanye digital mana yang menghasilkan klik paling banyak. Oleh karena itu, pengelola merek dapat membuat materi iklan dan konten yang memberikan hasil optimal, seperti sentimen positif dan rasio klik-tayang yang tinggi. Analisis prediktif juga dapat menjadi alat yang ampuh untuk memandu distribusi konten ke audiens yang tepat. Ini bekerja dalam dua cara. Perusahaan dapat merancang konten bermerek dan kemudian mengidentifikasi segmen pelanggan mana yang paling efektif untuk dijangkau serta kapan dan di mana melibatkan mereka. Sebagai alternatif, perusahaan dapat membuat profil pelanggan dan kemudian memprediksi konten mana yang paling sesuai dengan mereka di setiap langkah perjalanan mereka. Pelanggan mungkin kesulitan menemukan informasi yang mereka perlukan dalam kumpulan besar konten yang disiarkan oleh merek. Model prediksi dapat memberikan solusi dengan memperkirakan kecocokan konten audiens yang tepat sehingga menghasilkan hasil yang optimal. Dengan demikian, pemasar dapat memecahkan kekacauan konten dan melakukan distribusi yang sangat tepat sasaran kepada audiens yang dituju. Di dunia digital, bisnis dapat dengan mudah melacak perjalanan pelanggan di berbagai situs web dan media sosial. Karena itu,

150BAB 9 Pemasaran Prediktif mereka dapat memprediksi langkah pelanggan selanjutnya dalam interaksi digital mereka. Dengan informasi ini, pemasar dapat, misalnya, merancang situs web dinamis yang kontennya dapat berubah sesuai dengan audiensnya. Saat pelanggan menelusuri situs web, mesin analitik memprediksi konten terbaik berikutnya yang secara bertahap akan meningkatkan tingkat minat dan membawa pelanggan selangkah lebih dekat ke tindakan pembelian. Membangun Model Pemasaran Prediktif Ada banyak teknik untuk membuat model pemasaran prediktif dari yang paling sederhana hingga yang paling canggih. Pemasar akan memerlukan bantuan ahli statistik dan ilmuwan data untuk membangun dan mengembangkan model. Dengan demikian, mereka tidak perlu memahami model statistik dan matematika secara mendalam. Namun, pemasar perlu memahami ide mendasar di balik model prediktif sehingga mereka dapat memandu tim teknis dalam memilih data yang akan digunakan dan pola mana yang harus ditemukan. Selain itu, pemasar juga akan membantu menafsirkan model serta penerapan prediksi ke dalam operasi. Berikut adalah beberapa jenis pemodelan prediktif yang paling umum digunakan pemasar untuk berbagai tujuan. Pemodelan Regresi untuk Prediksi Sederhana Pemodelan regresi adalah alat yang paling mendasar namun berguna untuk analisis prediktif. Model tersebut menilai hubungan antara variabel independen (atau data penjelas) dan variabel dependen (atau data respons). Variabel dependen adalah hasil atau hasil yang ingin dicapai pemasar, seperti data klik dan penjualan. Di sisi lain, variabel independen adalah data yang mempengaruhi hasil, seperti waktu kampanye, teks iklan, atau demografi pelanggan. Dalam analisis regresi, pemasar mencari persamaan statistik yang menjelaskan hubungan antara dependen dan

Membangun Model Pemasaran Prediktif151 Variabel independen. Dengan kata lain, pemasar mencoba memahami tindakan pemasaran mana yang memiliki dampak paling signifikan dan memberikan hasil terbaik bagi bisnis. Kesederhanaan regresi dibandingkan dengan teknik pemodelan lainnya menjadikannya yang paling populer. Analisis regresi dapat digunakan untuk banyak aplikasi pemasaran prediktif, seperti membangun model ekuitas pelanggan, model kecenderungan, model deteksi churn, dan model afinitas produk. Secara umum pemodelan regresi dilakukan dalam beberapa langkah. 1. Mengumpulkan data variabel terikat dan bebas. Untuk analisis regresi, kumpulan data untuk variabel dependen dan independen harus dikumpulkan secara bersamaan dan dengan pengambilan sampel yang memadai. Misalnya, pemasar dapat menyelidiki dampak warna spanduk digital pada rasio klik-tayang dengan mengumpulkan sampel warna yang cukup besar dan data klik yang dihasilkan. 2. Temukan persamaan yang menjelaskan hubungan antar variabel. Dengan menggunakan perangkat lunak statistik apa pun, pemasar dapat menggambar persamaan yang paling sesuai dengan data. Persamaan paling dasar membentuk garis lurus yang disebut garis regresi linier. Regresi umum lainnya adalah regresi logistik, yang menggunakan fungsi logistik untuk memodelkan variabel dependen biner, seperti beli atau tidak beli dan tetap bertahan atau churn. Oleh karena itu, regresi logistik sering digunakan untuk memprediksi kemungkinan suatu hasil, seperti kemungkinan untuk membeli. 3. Tafsirkan persamaan untuk mengungkap wawasan dan memeriksa keakuratannya. Perhatikan contoh berikut. Katakanlah persamaan yang paling cocok didefinisikan sebagai berikut: Y = a + bX1+cX2+dX3+e Dalam rumusnya,Yadalah variabel terikat sementaraX,X, DanXadalah variabel independen. ItuAadalah intersepsi, 1 2 3

152BAB 9 Pemasaran Prediktif yang mencerminkan nilaiYjika tidak ada pengaruh apapun dari variabel independen. ItuB,C, DanDadalah koefisien variabel independen, yang menunjukkan seberapa besar pengaruh variabel terhadap variabel dependen. Dalam persamaan tersebut, kita juga dapat menganalisis suku kesalahan atau sisa (ditulis sebagaie). Rumus regresi selalu memiliki kesalahan, karena variabel independen mungkin tidak sepenuhnya menjelaskan variabel dependen. Semakin besar suku kesalahannya, semakin kurang akurat persamaan tersebut. 4. Memprediksi variabel terikat dengan adanya variabel bebas. Setelah rumus ditetapkan, pemasar dapat memprediksi variabel dependen berdasarkan variabel independen yang diberikan. Dengan begitu, pemasar dapat membayangkan hasil dari gabungan tindakan pemasaran. Penyaringan Kolaboratif untuk Sistem Rekomendasi Teknik paling populer untuk membangun sistem rekomendasi adalah pemfilteran kolaboratif. Asumsi yang mendasarinya adalah masyarakat akan menyukai produk yang serupa dengan produk lain yang pernah dibelinya, atau lebih menyukai produk yang dibeli oleh orang lain dengan preferensi yang sama. Ini melibatkan kolaborasi pelanggan untuk menilai produk agar model dapat berfungsi, oleh karena itu dinamakan pemfilteran kolaboratif. Hal ini juga berlaku tidak hanya pada produk tetapi juga konten, bergantung pada apa yang ingin direkomendasikan pemasar kepada pelanggan. Singkatnya, model pemfilteran kolaboratif bekerja berdasarkan urutan logis berikut: 1. Kumpulkan preferensi dari basis pelanggan yang besar. Untuk mengukur seberapa banyak orang menyukai suatu produk, pemasar dapat membuat sistem penilaian komunitas di mana pelanggan dapat menilai suatu produk dengan suka/tidak suka (seperti di YouTube) atau penilaian bintang 5 (seperti di Amazon). Alternatifnya, pemasar dapat menggunakan tindakan yang mencerminkan preferensi, seperti membaca artikel, menonton video, dan menambahkan produk ke dalamnya

Membangun Model Pemasaran Prediktif153 daftar keinginan atau keranjang belanja. Netflix, misalnya, mengukur preferensi berdasarkan film yang ditonton orang dari waktu ke waktu. 2. Kelompokkan pelanggan dan produk serupa. Pelanggan yang menilai rangkaian produk serupa dan menunjukkan perilaku serupa dapat diklasifikasikan ke dalam kelompok yang sama. Asumsinya adalah bahwa mereka adalah bagian dari segmen psikografis (berdasarkan suka/tidak suka) dan perilaku (berdasarkan tindakan) yang sama. Sebagai alternatif, pemasar juga dapat mengelompokkan item yang diberi peringkat serupa oleh kelompok pelanggan tertentu. 3. Memprediksi peringkat yang kemungkinan besar akan diberikan pelanggan pada produk baru. Pemasar sekarang dapat memprediksi penilaian yang akan diberikan pelanggan terhadap produk yang belum mereka lihat dan menilai berdasarkan penilaian yang diberikan oleh pelanggan yang berpikiran sama. Perkiraan skor ini penting bagi pemasar untuk menawarkan produk yang tepat yang mungkin disukai pelanggan dan kemungkinan besar akan ditindaklanjuti di masa mendatang. Jaringan Neural untuk Prediksi Kompleks Jaringan saraf, seperti namanya, secara longgar dimodelkan berdasarkan bagaimana jaringan saraf biologis beroperasi di dalam otak manusia. Ini adalah salah satu alat pembelajaran mesin paling populer yang membantu bisnis membangun model prediksi yang canggih. Model jaringan saraf belajar dari pengalaman dengan memproses sejumlah besar dan beragam contoh masa lalu. Saat ini, model jaringan saraf sudah mudah diakses. Google, misalnya, telah menjadikan TensorFlow, platform pembelajaran mesinnya dengan jaringan saraf, perangkat lunak sumber terbuka yang tersedia untuk semua orang. Berbeda dengan model regresi sederhana, jaringan saraf dianggap sebagai kotak hitam karena cara kerjanya sering kali sulit diinterpretasikan oleh manusia. Di satu sisi, hal ini mirip dengan bagaimana manusia terkadang tidak dapat menjelaskan cara mereka mengambil keputusan berdasarkan informasi yang ada. Namun, juga cocok untuk membangun model dari data tidak terstruktur dimana ilmuwan data dan tim bisnis tidak dapat menentukan algoritma terbaik untuk digunakan.

154BAB 9 Pemasaran Prediktif Secara umum, langkah-langkah berikut menjelaskan cara kerja jaringan saraf: 1. Memuat dua set data: masukan dan keluaran. Model jaringan saraf terdiri dari lapisan masukan, lapisan keluaran, dan lapisan tersembunyi di antaranya. Mirip dengan cara kita membangun model regresi, variabel independen dimasukkan ke dalam lapisan masukan sedangkan variabel terikat dimasukkan ke dalam lapisan keluaran. Perbedaannya terletak pada lapisan tersembunyi, yang pada dasarnya berisi algoritma kotak hitam. 2. Biarkan jaringan saraf menemukan hubungan antar data. Jaringan saraf mampu menghubungkan data untuk memperoleh fungsi atau model prediktif. Cara kerjanya mirip dengan cara otak manusia menghubungkan titik-titik berdasarkan pembelajaran seumur hidup. Jaringan saraf akan menemukan semua jenis pola dan hubungan antara setiap kumpulan data: korelasi, asosiasi, ketergantungan, dan sebab akibat. Beberapa koneksi ini mungkin sebelumnya tidak diketahui dan disembunyikan. 3. Gunakan model yang dihasilkan di lapisan tersembunyi untuk memprediksi keluaran. Fungsi yang diperoleh dari data contoh dapat digunakan untuk memprediksi keluaran dari masukan baru yang diberikan. Dan ketika keluaran sebenarnya dimuat kembali ke jaringan saraf, mesin belajar dari ketidakakuratannya dan menyempurnakan lapisan tersembunyi seiring waktu. Oleh karena itu, ini disebut pembelajaran mesin. Meskipun tidak mengungkapkan wawasan dunia nyata karena kompleksitasnya, model jaringan saraf yang berasal dari pembelajaran mesin berkelanjutan bisa sangat akurat dalam prediksinya. Pemilihan model prediktif bergantung pada permasalahan yang dihadapi. Jika masalahnya terstruktur dan mudah dipahami, pemodelan regresi saja sudah cukup. Namun jika masalahnya melibatkan faktor atau algoritme yang tidak diketahui, metode pembelajaran mesin seperti jaringan saraf akan bekerja paling baik. Pemasar juga dapat menggunakan lebih dari satu model untuk menemukan model yang paling sesuai dengan data yang mereka miliki (lihat Gambar 9.2).

Ringkasan: Mengantisipasi Permintaan Pasar dengan Tindakan Proaktif155 GAMBAR 9.2Cara Kerja Pemasaran Prediktif Ringkasan: Mengantisipasi Permintaan Pasar dengan Tindakan Proaktif Pemasar berbasis data dapat tetap menjadi yang terdepan dengan memprediksi hasil dari setiap tindakan pemasaran. Dalam manajemen pelanggan, analisis prediktif dapat membantu perusahaan memperkirakan nilai pelanggan potensial mereka sebelum melakukan orientasi dan menentukan berapa banyak investasi yang akan diperoleh dan mengembangkan pelanggan tersebut. Dalam manajemen produk, pemasar dapat membayangkan hasil penjualan prototipe produk pra-peluncuran dan menentukan lini produk mana yang akan dijual lebih tinggi dan dijual silang dari portofolio yang luas. Dan yang terakhir, pemodelan prediktif dapat memungkinkan manajer merek menganalisis sentimen pelanggan dan memutuskan bagaimana membangun merek dalam konteks tertentu.

156BAB 9 Pemasaran Prediktif Ada beberapa teknik pemodelan pemasaran prediktif yang populer, yang meliputi analisis regresi, pemfilteran kolaboratif, dan jaringan saraf. Pembelajaran mesin atau kecerdasan buatan dapat digunakan untuk membangun model prediktif. Oleh karena itu, sebagian besar pemasar memerlukan bantuan teknis dari ahli statistik dan ilmuwan data. Namun pemasar harus memiliki pemahaman strategis tentang cara kerja model dan cara mendapatkan wawasan dari model tersebut. ION PERTANYAAN ION REFLEKSI • Sudahkah organisasi Anda memanfaatkan analisis prediktif untuk pemasaran? Jelajahi beberapa aplikasi baru pemasaran prediktif. • Bagaimana Anda menerapkan pemasaran prediktif dan mengintegrasikannya ke dalam operasi? Bagaimana model prediktif disosialisasikan ke seluruh organisasi?

BAB 10 Pemasaran Kontekstual Membuat Pengalaman Rasa-dan-Respon yang Dipersonalisasi SAYA Pada tahun 2019, Walgreens mulai menguji pendingin cerdas yang menggabungkan kamera, sensor, dan pintu kasa digital untuk menampilkan produk di dalamnya serta iklan yang dipersonalisasi kepada pembeli. Meskipun teknologi ini tidak mengenali wajah dan identitas toko karena alasan privasi, teknologi ini memprediksi usia dan jenis kelamin pembeli. Kulkas menggunakan deteksi wajah untuk menyimpulkan demografi dan emosi pembeli yang mendekati pintu pendingin. Ini juga menggunakan pelacakan mata dan sensor gerak untuk mengukur minat pembeli. Dengan menggabungkan wawasan ini dengan informasi eksternal seperti cuaca atau peristiwa lokal, mesin AI dapat memilih produk dan promosi tertentu untuk ditampilkan di layar. Kulkas juga melacak apa yang dipilih pembeli dan merekomendasikan item lain yang cocok setelah pintunya ditutup. Seperti yang Anda duga, ini mengumpulkan banyak data tentang perilaku pembeli dan kemasan produk atau kampanye mana yang berhasil. Sistem pendingin cerdas—disediakan oleh Cooler Screens—telah menghadirkan banyak keuntungan. Walgreens telah melihat pertumbuhan lalu lintas dan pembelian di toko-toko yang memasangnya. Jaringan ini juga mendapat pendapatan tambahan dari iklan yang ditempatkan. Selain itu, teknologi ini memungkinkan perubahan harga dan promosi dengan cepat untuk tujuan eksperimen. Hal ini memungkinkan merek untuk memantau saham serta mendapatkan masukan tentang kampanye terbaru mereka. Model periklanan dinamis dan konten kontekstual semacam ini bukanlah hal baru di bidang pemasaran digital. Merek punya 157

158BAB 10 Pemasaran Kontekstual telah menggunakannya untuk mendorong iklan yang disesuaikan berdasarkan riwayat penjelajahan web pelanggan. Dengan pendingin pintar, model ini dibawa ke ruang ritel, yang pada dasarnya menjembatani dunia fisik dan digital. Saat ini, pemasar dapat melakukan pemasaran kontekstual secara otomatis dengan bantuan teknologi berikutnya. Memang benar, tujuan jangka panjang dari teknologi berikutnya, seperti Internet of Things (IoT) dan kecerdasan buatan (AI), adalah untuk mereplikasi kesadaran situasional manusia. Pemasar yang berpengalaman dapat menawarkan produk yang tepat kepada pelanggan yang tepat pada saat dan tempat yang tepat. Tenaga penjualan berpengalaman yang telah membangun hubungan jangka panjang sangat mengenal pelanggan mereka dan melayani setiap pelanggan dengan pendekatan yang disesuaikan. Misinya adalah untuk menghadirkan pengalaman kontekstual ini dalam skala besar dengan bantuan IoT dan AI. Membangun Infrastruktur Penginderaan Cerdas Manusia mengembangkan kesadaran situasional dengan memindai lingkungan untuk mencari isyarat sensorik. Kita bisa mengetahui emosi orang lain dengan melihat ekspresi wajah dan gerak tubuh mereka. Kami tahu apakah orang-orang kesal atau mereka senang dengan kami. Agar komputer dapat melakukan hal yang sama, diperlukan berbagai sensor untuk mengumpulkan semua isyarat agar dapat diproses oleh AI. Menggunakan Sensor Jarak untuk Respon Kontekstual di Tempat Penjualan Langkah pertama untuk menciptakan pemasaran kontekstual yang didukung AI adalah dengan menyiapkan ekosistem sensor dan perangkat yang terhubung, terutama di titik penjualan (POS). Salah satu sensor paling populer yang digunakan di POS adalah suar—pemancar Bluetooth berenergi rendah yang berkomunikasi dengan perangkat terdekat. Dengan beberapa suar yang dipasang di tempat fisik mana pun, pemasar dapat menentukan lokasi pelanggan serta melacak pergerakan. Sensor juga dapat membantu pemasar mengirimkan konten yang dipersonalisasi ke perangkat yang terhubung, misalnya dalam bentuk pemberitahuan push.

Membangun Infrastruktur Penginderaan Cerdas159 Perusahaan perlu menentukan kondisi spesifik mana yang akan memicu sensor untuk melakukan tindakan berbasis lokasi. Pemicu kontekstual terbaik adalah kehadiran pelanggan. Namun tantangannya adalah mengenali identitas atau profil pelanggan untuk memastikan bahwa responsnya benar-benar dipersonalisasi. Misalnya, pelanggan dengan profil usia dan jenis kelamin yang tepat mendekati lorong toko ritel mungkin merupakan dorongan yang baik untuk mengirimkan penawaran diskon yang disesuaikan. Variabel lingkungan, seperti cuaca, juga bisa menjadi pemicu kontekstual. Saat cuaca panas di luar mungkin merupakan waktu terbaik untuk mempromosikan minuman dingin (lihat Gambar 10.1). Agar berhasil, pemasar perlu memanfaatkan perangkat yang selalu dimiliki pelanggan sebagai proxy keberadaannya. Smartphone adalah salah satu alternatifnya. Ponsel pintar telah menjadi perangkat yang sangat pribadi yang selalu dekat dengan pelanggan. Perangkat ini menggantikan dompet, kunci, dan kamera bagi banyak orang. Yang terpenting, ponsel pintar kaya akan sensor dan selalu terhubung baik melalui Bluetooth atau jaringan seluler. Dengan begitu, ponsel bisa terhubung dan berkomunikasi dengan sensor. GAMBAR 10.1Mekanisme Pemasaran Kontekstual

160BAB 10 Pemasaran Kontekstual Saat pelanggan dengan aplikasi seluler yang tepat berada di dekatnya, suar atau sensor jarak akan menjangkau pelanggan. Katakanlah, misalnya, pelanggan telah menginstal aplikasi untuk pengecer dan masuk ke aplikasi tersebut dengan informasi pribadi mereka. Setelah dipicu oleh kedekatan ponsel, suar dapat mengirimkan pesan khusus sebagai pemberitahuan aplikasi. Bayangkan jika beacon dipasang di setiap lorong di toko ritel, taman hiburan, mal, hotel, kasino, atau tempat fisik lainnya. Perusahaan dapat memanfaatkan telepon seluler pelanggan sebagai alat navigasi, memberikan informasi dan promosi saat pelanggan berjalan melalui lokasi fisik. Ini menciptakan perjalanan yang sangat kontekstual bagi pelanggan. Macy's, Target, CVS, dan pengecer besar lainnya menggunakan teknologi suar untuk tujuan khusus ini. Peran ponsel pintar dapat tergantikan dengan perangkat wearable—dan bahkan perangkat implan di masa depan. Produsen ponsel pintar secara agresif menawarkan jam tangan pintar, earbud, dan gelang kebugaran, yang berpotensi menjadi perangkat yang lebih personal bagi pelanggan. Meski belum sepopuler ponsel pintar, perangkat wearable tertentu masih menjanjikan karena juga memuat informasi pergerakan mikro dan kesehatan pelanggan. Disney dan Mayo Clinic, misalnya, menggunakan pita RFID untuk melacak dan menganalisis lokasi dan pergerakan orang. Memanfaatkan Biometrik untuk Memicu Tindakan yang Dipersonalisasi Pemicu kontekstual populer lainnya adalah pelanggan itu sendiri. Tanpa perangkat pribadi apa pun, pelanggan dapat memicu tindakan berbasis lokasi hanya dengan menunjukkan wajah mereka. Teknologi yang semakin berkembang, pengenalan wajah memungkinkan perusahaan tidak hanya memperkirakan profil demografis tetapi juga mengidentifikasi individu setelah mereka tercatat dalam database. Hal ini memungkinkan pemasar untuk memberikan respons kontekstual yang tepat kepada orang yang tepat. Mirip dengan Walgreens dan pendingin pintarnya, Tesco mulai memasang teknologi deteksi wajah di pompa bensinnya di Inggris. Kamera akan menangkap wajah pengemudi, dan mesin AI akan memprediksi usia dan jenis kelamin. Pengemudi akan mendapatkan

Membangun Infrastruktur Penginderaan Cerdas161 iklan bertarget khusus untuk profil demografis sambil menunggu tangki bensin diisi bahan bakar. Bestere, sebuah jaringan makanan ringan di Tiongkok, menggunakan database pengenalan wajah Alibaba untuk memindai dan mengidentifikasi orang-orang yang memberikan persetujuannya. Teknologi ini memungkinkan petugas toko melihat makanan ringan apa yang disukai pelanggan—berdasarkan data Alibaba—saat mereka memasuki toko. Dengan begitu, petugas bisa menawarkan produk yang tepat untuk setiap pembeli. Teknologi pengenalan wajah tidak hanya berguna untuk identifikasi pelanggan. Jaringan ritel ini juga menggunakan sistem pembayaran pengenalan wajah “Smile to Pay” Alipay untuk pembayaran di toko. Teknologi pengenalan wajah kini juga mampu mendeteksi perasaan orang. Algoritme AI dapat menyimpulkan emosi dengan menganalisis ekspresi wajah manusia dalam gambar, rekaman video, dan kamera langsung. Fitur ini bermanfaat bagi pemasar untuk memahami bagaimana pelanggan merespons produk dan kampanye mereka tanpa kehadiran manusia sebagai pengamat. Dengan demikian, deteksi emosi digunakan untuk konsep produk dan pengujian iklan dalam wawancara online dan kelompok fokus. Responden yang berbagi akses ke webcam mereka diminta untuk menonton gambar atau video dan menganalisis reaksi wajah mereka. Misalnya, Kellogg menggunakan analisis ekspresi wajah dari Affectiva untuk mengembangkan iklan Crunchy Nut. Perusahaan melacak hiburan dan keterlibatan pemirsa saat menonton iklan selama penayangan pertama dan pengulangan. Disney bereksperimen dengan deteksi emosi dengan memasang kamera di bioskop yang menayangkan filmnya. Melacak jutaan ekspresi wajah sepanjang film, Disney dapat mengetahui seberapa besar penonton bioskop menikmati setiap adegan. Berguna untuk meningkatkan pembuatan film untuk proyek-proyek masa depan. Karena analisisnya yang real-time, teknologi yang sama dapat dimanfaatkan untuk menyediakan konten yang responsif sesuai dengan reaksi penonton. Kasus penggunaan yang jelas adalah untuk iklan dinamis di papan reklame di luar rumah (OOH). Ocean Outdoor, sebuah perusahaan periklanan luar ruang, memasang papan reklame dengan kamera yang mendeteksi suasana hati, usia, dan jenis kelamin pemirsa untuk menayangkan iklan bertarget di Inggris.

162BAB 10 Pemasaran Kontekstual Kasus penggunaan lain yang sedang dikembangkan adalah untuk pengemudi mobil. Beberapa produsen mobil mulai menguji teknologi pengenalan wajah untuk meningkatkan pengalaman. Setelah mengenali wajah pemilik mobil, mobil dapat secara otomatis membuka, menyalakan, dan bahkan memutar playlist favorit pemiliknya. Dan ketika teknologi mendeteksi wajah pengemudi terlihat lelah, maka dapat merekomendasikan pengemudi untuk beristirahat. Teknologi terkait adalah sensor pelacak mata. Dengan teknologi ini, perusahaan dapat memahami di mana pemirsa memusatkan perhatian berdasarkan gerakan mata, misalnya saat melihat iklan atau video. Pemasar pada dasarnya dapat membuat peta panas dan mempelajari area spesifik mana dalam iklan yang menciptakan lebih banyak kegembiraan dan keterlibatan. Palace Resorts menggunakan pelacakan mata dalam kampanye pemasarannya. Perusahaan perhotelan membuat situs mikro tempat pengunjung dapat mengikuti kuis video dan memberikan persetujuan mereka untuk penggunaan teknologi pelacakan mata melalui webcam. Pengunjung akan diminta memilih sepasang video dengan kombinasi berbagai elemen liburan. Berdasarkan arah pandangan mereka, situs tersebut akan merekomendasikan salah satu resor perusahaan yang paling sesuai dengan minat pengunjung. Suara adalah cara lain untuk mengenali manusia dan memicu tindakan kontekstual. AI dapat menganalisis properti kecepatan bicara vokal, jeda singkat, dan nada—dan menemukan emosi yang tertanam. Perusahaan asuransi kesehatan Humana menggunakan analisis suara dari Cogito di pusat panggilannya untuk memahami perasaan penelepon dan merekomendasikan teknik percakapan kepada agen pusat panggilan. Ketika penelepon terdengar kesal, misalnya, mesin AI akan memberikan peringatan kepada agen untuk mengubah pendekatan. Hal ini pada dasarnya melatih agen untuk membangun koneksi yang lebih baik dengan penelepon secara real time. British Airways juga bereksperimen dengan memahami suasana hati penumpang di dalam pesawat. Maskapai ini meluncurkan “selimut kebahagiaan”, yang dapat berubah warna berdasarkan kondisi pikiran penumpang. Selimut tersebut dilengkapi dengan ikat kepala yang memantau gelombang otak dan menentukan apakah penumpang sedang cemas atau santai. Eksperimen ini membantu maskapai penerbangan memahami perubahan suasana hati selama perjalanan pelanggan: saat menonton hiburan dalam penerbangan, saat layanan makan, atau saat tidur. Yang paling penting,

Membangun Infrastruktur Penginderaan Cerdas163 Teknologi ini memungkinkan pramugari dengan cepat mengidentifikasi penumpang mana yang tidak puas dan membuat mereka merasa lebih nyaman. Deteksi suasana hati dari ekspresi wajah, gerakan mata, suara, dan sinyal saraf belum menjadi hal yang umum dalam aplikasi pemasaran. Namun hal ini akan menjadi kunci masa depan pemasaran kontekstual. Penting untuk memahami pola pikir pelanggan, selain profil demografi dasar mereka. Membuat Saluran Langsung ke Tempat Pelanggan IoT juga menembus rumah pelanggan. Segala sesuatu mulai dari sistem keamanan hingga hiburan rumah hingga peralatan rumah tangga terhubung ke Internet. Munculnya rumah pintar menyediakan saluran bagi pemasar untuk mempromosikan produk dan layanan langsung ke tempat tinggal pelanggan. Ini membantu pemasaran semakin mendekati titik konsumsi. Salah satu saluran pemasar yang berkembang di rumah pelanggan adalah speaker pintar seperti Amazon Echo, Google Nest, dan Apple HomePod. Masing-masing didukung oleh asisten suara cerdas: Alexa, Google Assistant, dan Siri. Speaker pintar ini pada dasarnya bertindak sebagai mesin pencari yang diaktifkan dengan suara, di mana pelanggan mengajukan pertanyaan dan mencari informasi. Seperti mesin pencari, mereka akan menjadi lebih cerdas ketika mereka belajar lebih banyak tentang kebiasaan dan perilaku pemiliknya melalui berbagai pertanyaan. Oleh karena itu, ini berpotensi menjadi saluran pemasaran kontekstual yang kuat. Pemasaran sistem speaker pintar ini masih dalam tahap awal karena iklan langsung saat ini tidak tersedia di platform mana pun. Namun, banyak solusi yang mungkin dilakukan. Misalnya, Amazon Echo memungkinkan pengguna melatih Alexa dengan keterampilan khusus agar lebih berguna. Perusahaan seperti P&G dan Campbell's menerbitkan keterampilan yang berkaitan dengan produk mereka. Untuk merek Tide, P&G menciptakan keterampilan Alexa yang menjawab ratusan pertanyaan tentang laundry. Campbell merilis keterampilan Alexa yang memberikan jawaban atas pertanyaan resep. Saat pelanggan menanyakan pertanyaan-pertanyaan ini dan mendapatkan jawaban, merek mendapatkan peningkatan kesadaran dan niat membeli yang lebih tinggi.

164BAB 10 Pemasaran Kontekstual Sebagian besar peralatan pintar juga menyediakan ruang layar untuk promosi. Family Hub Samsung—kulkas dengan tampilan layar sentuh—memungkinkan pembeli membuat daftar belanjaan dan memesan bahan makanan langsung dari aplikasi Instacart. Kulkas pintar juga memungkinkan pelanggan memesan tumpangan Uber atau memesan makanan dari GrubHub. Ekosistem peralatan cerdas memberdayakan pemasar untuk langsung mendapatkan produk dan layanan yang tepat pada saat pelanggan paling membutuhkannya. Pemanfaatan lebih lanjut dari perangkat yang terhubung di rumah adalah untuk pencetakan 3D. Teknologi tersebut masih dalam tahap awal karena dianggap mahal dan rumit. Namun perusahaan sedang mencari cara untuk menjadikannya penggunaan umum. Hershey dan 3D Systems memperkenalkan printer coklat 3D CocoJet pada tahun 2014. Dengan CocoJet, pengguna dapat mencetak coklat dalam berbagai bentuk dan menaruh pesan yang dipersonalisasi pada batang coklat. Teknologi semacam ini mendekatkan titik produksi ke titik konsumsi. Meskipun lebih populer dalam konteks bisnis-ke-pelanggan (B2C), pemasaran kontekstual sangat dapat diterapkan dalam pengaturan bisnis-ke-bisnis (B2B). Karena perusahaan B2B tidak harus memiliki gerai ritel, sensor IoT dipasang pada produk mereka di lokasi pelanggan. Produsen alat berat, misalnya, dapat memasang sensor pada mesin yang mereka jual untuk memantau kinerja. Perusahaan kemudian dapat memberikan data kontekstual kepada pelanggan mereka untuk pemeliharaan preventif secara rutin dan pada akhirnya menghemat biaya. Memberikan Tiga Tingkat Pengalaman yang Dipersonalisasi Kustomisasi dan personalisasi di dunia digital sangatlah mudah. Pemasar menggunakan informasi digital tentang pelanggan untuk menyampaikan konten dinamis yang sesuai dengan profil. Di ruang fisik, kustomisasi dan personalisasi dulunya sangat bergantung pada sentuhan manusia. Dengan infrastruktur IoT dan AI, perusahaan dapat mewujudkan kemampuan digitalnya

Memberikan Tiga Tingkat Pengalaman yang Dipersonalisasi165 menyesuaikan tindakan pemasaran ke dunia fisik tanpa terlalu banyak campur tangan manusia. Pemasaran yang dibuat khusus dapat disampaikan dalam tiga tingkat. Tingkat pertama adalah pemasaran informatif. Pada tingkat ini, pemasar memberikan penawaran yang tepat: pesan komunikasi pemasaran, pemilihan produk, atau promosi harga. Tingkat kedua adalah pemasaran interaktif, dimana pemasar menciptakan saluran antarmuka komunikasi dua arah dan secara cerdas berinteraksi dengan pelanggan. Tingkat tertinggi adalah pemasaran imersif, di mana pemasar melibatkan pelanggan secara mendalam dalam pengalaman indrawi. Tingkat 1: Informasi yang Dipersonalisasi Pemasaran berbasis lokasi, dalam penerapannya yang sempit, adalah jenis pemasaran informatif yang paling umum. Ini memanfaatkan salah satu metadata paling berharga: geolokasi. Data biasanya diambil melalui sistem penentuan posisi global (GPS) pada ponsel pintar pelanggan. Untuk penggunaan di dalam ruangan, data geolokasi dapat lebih ditingkatkan dengan penggunaan sensor jarak atau suar. Dengan data tersebut, pemasar biasanya melakukan praktik pemasaran geofencing, yaitu menciptakan perimeter virtual di sekitar tempat tujuan tertentu (seperti toko ritel, bandara, kantor, dan sekolah) dan menyiarkan pesan yang ditargetkan kepada audiens di dalam perimeter tersebut. Semua platform periklanan media sosial utama, seperti Facebook dan Google, menyediakan kemampuan geofencing. Artinya, kampanye dapat dilakukan secara terpisah pada wilayah tertentu. Perusahaan dapat menggunakan geofencing untuk mengarahkan lalu lintas ke toko mereka dari lokasi terdekat atau lokasi pesaing dengan penawaran promosi. Perusahaan seperti Sephora, Burger King, dan Whole Foods menggunakan pemasaran berbasis lokasi. Burger King, misalnya, menciptakan pembatasan wilayah di lebih dari 14.000 lokasi McDonald's serta lebih dari 7.000 gerai mereka sendiri di seluruh Amerika Serikat dalam kampanye Whopper Detour. Pengguna aplikasi seluler Burger King dapat memesan Whopper seharga satu sen, tetapi hanya jika mereka berada di dekat gerai McDonald's. Setelah pesanan dilakukan, pengguna diarahkan untuk berpindah dari gerai McDonald's ke Burger King terdekat untuk mendapatkan Whoppers mereka.

166BAB 10 Pemasaran Kontekstual Level 2: Interaksi yang Disesuaikan Pemasaran kontekstual dalam format interaktifnya berlapis-lapis. Pelanggan tidak menerima panggilan langsung untuk membeli dalam penawaran berbasis lokasi. Sebaliknya, mereka diberi kesempatan untuk merespons pesan berbasis lokasi yang mereka terima, dan berdasarkan respons tersebut, perusahaan mengirimkan pesan lain, yang pada dasarnya menciptakan dialog. Dengan pendekatan ini, perusahaan dapat memicu pelanggan untuk melangkah ke langkah berikutnya dalam perjalanan pelanggan, mulai dari kesadaran hingga tindakan, dengan memberi mereka insentif atau penawaran yang tepat. Manfaat dari pendekatan ini adalah pelanggan akan lebih terdorong untuk membeli produk, setelah melalui beberapa interaksi dalam perjalanan yang lebih komprehensif. Untuk membuat pemasaran kontekstual lebih interaktif, perusahaan dapat menggunakan prinsip gamifikasi. Shopkick, aplikasi hadiah belanja, berkolaborasi dengan American Eagle dan banyak pengecer lainnya untuk memberikan insentif kepada pembeli agar melanjutkan jalur pembelian mereka. Aplikasi ini memberi insentif kepada orang-orang di setiap langkahnya. Pembeli mendapatkan imbalan dengan masuk ke toko, memindai kode batang untuk mempelajari lebih lanjut tentang suatu produk, dan mencoba pakaian di kamar pas. Perhatikan contoh lain dari Sephora. Perusahaan menjadikan pemasaran kontekstual lebih interaktif dengan memungkinkan pelanggan menindaklanjuti penawaran berbasis lokasi mereka dengan konsultasi di dalam toko. Prosesnya dimulai ketika pelanggan mencoba Sephora Virtual Artist—alat augmented reality yang memungkinkan mereka melihat cara kerja produk riasan di wajah mereka, tersedia secara online dan di toko di kios. Ketika mereka berada di dekat toko, mereka akan diingatkan untuk mengunjungi dan memesan konsultasi di dalam toko, sehingga kemungkinan besar pelanggan akan membeli produk tersebut. Level 3: Perendaman Total Tingkat personalisasi tertinggi adalah ketika pemasar dapat memberikan pengalaman total dalam ruang fisik dengan bantuan sensor dan teknologi lainnya, seperti augmented reality atau robotika. Idenya adalah untuk memberikan pengalaman digital kepada pelanggan saat mereka berada di toko fisik.

Ringkasan: Membuat Pengalaman Rasa-dan-Respon yang Dipersonalisasi167 Pengecer besar, misalnya, menggunakan data geolokasi dan augmented reality untuk menyediakan navigasi dalam toko yang mendalam. Ambil contoh dari aplikasi seluler Lowe. Pembeli dapat membuat daftar belanja di dalam aplikasi seluler dan menambahkan item yang ingin mereka beli ke dalam daftar. Setelah selesai, pembeli dapat mengaktifkan fitur augmented reality, dan jalur berwarna kuning akan muncul di layar di depan mereka. Rute tersebut membawa pelanggan ke item dalam daftar dalam jarak sesingkat mungkin. Merek fesyen, seperti Ralph Lauren, menggunakan ruang pas cerdas untuk memberikan pengalaman digital yang mendalam di dunia fisik. Pelanggan dapat membawa fashion item yang disukainya ke fitting room dan berinteraksi dengan cermin digital. Dengan teknologi RFID, semua barang yang dibawa ke ruang pas langsung ditampilkan di layar. Pelanggan dapat memilih berbagai ukuran dan warna, dan petugas toko akan membawa barang tersebut ke ruang pas dan bahkan merekomendasikan gaya tertentu. Tujuan pemasaran yang mendalam dan kontekstual adalah untuk mengaburkan batasan antara dunia fisik dan digital sehingga pelanggan merasakan pengalaman omnichannel yang lancar. Dengan cara itu kita dapat menggabungkan kekuatan personalisasi teknologi digital dan sifat pengalaman dari perusahaan yang berdiri sendiri. Ringkasan: Membuat Pengalaman Rasa-dan-Respon yang Dipersonalisasi IoT dan AI merupakan kombinasi yang kuat dengan tujuan menciptakan pengalaman pemasaran kontekstual di dunia fisik. Pemasaran dinamis berdasarkan data pelanggan berasal dari media digital. Pemasar digital dapat dengan mudah menyesuaikan penawaran pemasaran secara otomatis. Penerapan pemasaran kontekstual di ruang fisik di masa lalu seringkali bergantung pada kemampuan staf garis depan dalam membaca pelanggan mereka. Dengan bantuan IoT dan AI, hal tersebut tidak lagi terjadi. Elemen paling penting untuk membangun pemasaran kontekstual yang didukung AI adalah membangun ekosistem sensor yang terhubung Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.com

168BAB 10 Pemasaran Kontekstual GAMBAR 10.2Pemicu dan Respons dalam Pemasaran Kontekstual dan perangkat, baik di POS atau di lokasi pelanggan. Setelah infrastruktur tersedia, pemasar hanya perlu menentukan pemicu dan tindakan responsnya. Ketika orang yang tepat dengan profil yang tepat berada di dekat sensor, pemasar dapat mempelajari lebih lanjut tentang orang tersebut dan menawarkan produk yang tepat dengan pesan yang tepat. Pemasar juga dapat berinteraksi dan bahkan mengembangkan pengalaman pelanggan yang mendalam untuk orang tersebut (lihat Gambar 10.2). ION PERTANYAAN ION REFLEKSI • Pikirkan tentang bagaimana Anda akan memanfaatkan teknologi pemasaran kontekstual di organisasi Anda. Apa saja peluang untuk menerapkan kombinasi IoT dan AI? • Jelajahi cara bagi Anda untuk mempersonalisasi pendekatan pemasaran Anda berdasarkan pemahaman real-time Anda tentang pelanggan.

BAB 11 Ditambah Pemasaran Menghadirkan Interaksi Manusia yang Diberdayakan Teknologi HAI Salah satu berita utama di akhir tahun 1990-an adalah pertandingan catur antara Deep Blue dari IBM dan Grandmaster Garry Kasparov sebagai pertarungan manusia versus mesin yang klasik. Pada tahun 1997, superkomputer akhirnya menjadi mesin pertama yang mengalahkan juara bertahan dunia dalam permainan catur. Meskipun setahun sebelumnya, Kasparov telah memenangkan pertandingan pertama, kekalahan tersebut menjadi perbincangan di dunia catur dan sekitarnya. Banyak ahli mengaitkan kemenangan ini sebagai tanda kecerdasan superior mesin tersebut. Deep Blue dapat memproses 200 juta posisi per detik pada saat itu, jauh lebih cepat dibandingkan manusia mana pun. Kasparov sendiri mengakui ketidakpastiannya terhadap kemampuan Deep Blue selama pertandingan. Dengan lawan manusia, hal itu lebih mudah ditebak karena dia bisa membaca ekspresi wajah dan bahasa tubuh mereka. Buntutnya, banyak pecatur, termasuk Kasparov, penasaran apakah mereka bisa meningkatkan kemampuan bermainnya dengan komputer di sisinya. Hal ini memunculkan suatu bentuk kompetisi yang dikenal sebagai catur tingkat lanjut atau gaya bebas, di mana pemain manusia dapat berkonsultasi dengan mesin sebelum memutuskan setiap gerakan mereka. Sebuah wawasan terobosan terungkap pada tahun 2005, di mana di 169

170BAB 11 Pemasaran Tambahan sebuah turnamen yang diikuti oleh grandmaster dan superkomputer, pemenangnya ternyata adalah dua pecatur amatir, Steven Cramton dan Zackary Stephen, dibantu oleh tiga komputer biasa (Team ZackS). Menjelang final, beberapa grandmaster dengan bantuan komputer telah mengalahkan sebagian besar pesaing superkomputer. Satusatunya pengecualian adalah Tim ZackS, yang juga telah mengalahkan beberapa superkomputer dalam prosesnya. Di final, Team ZackS menang melawan tim grandmaster dan komputer pendukungnya. Para pemain amatir telah mengajarkan mesin mereka lebih baik daripada grandmaster atau komputer belajar mandiri mana pun. Kisah ini sering dikutip sebagai bukti bahwa kolaborasi manusiamesin selalu lebih baik daripada manusia ahli atau mesin yang kuat. Kuncinya adalah menemukan simbiosis terbaik di antara keduanya. Saat ini, superkomputer belum mampu mereplikasi kecerdasan manusia yang sangat beragam, dan impian akan kecerdasan umum buatan (AGI) masih jauh dari terwujud (lihat Bab 6). Namun komputer sangat baik dalam mengambil alih fungsi tertentu dari manusia. Alih-alih membangun mesin yang mampu melakukan segalanya, para ahli teknologi fokus pada pengembangan beberapa aplikasi AI yang sempit di mana mesin mengungguli manusia. Mengetahui dengan tepat apa dan bagaimana cara mengajar komputer akan memungkinkan pelatih manusia mewujudkan potensi penuh mereka. Premis ini mengarah pada gerakan pengembangan teknologi yang dikenal dengan istilah Intelligence Amplification (IA). Berbeda dengan kecerdasan buatan (AI), yang bertujuan untuk mereplikasi kecerdasan manusia, IA berupaya untuk meningkatkan kecerdasan manusia dengan teknologi. Di IA, manusia tetaplah yang mengambil keputusan, meski didukung oleh analisis komputasi yang kuat. Dalam pemasaran, penerapan IA sangat masuk akal pada area dimana manusia masih dominan dan komputer hanya dapat menjadi sistem pendukung. Dengan demikian, augmented marketing berfokus pada aktivitas pemasaran yang sangat melibatkan antarmuka antar manusia, seperti penjualan dan layanan pelanggan. Dalam hal ini

Membangun Antarmuka Pelanggan Berjenjang171 pekerjaan yang padat sumber daya manusia, peran teknologi adalah meningkatkan produktivitas dengan mengambil alih tugas-tugas bernilai rendah dan membantu manusia membuat keputusan yang lebih cerdas. Membangun Antarmuka Pelanggan Berjenjang Antarmuka pelanggan—cara pelanggan berkomunikasi dengan perusahaan— adalah bagian besar dari pengalaman pelanggan. Dalam industri seperti perhotelan, layanan kesehatan, layanan profesional, dan bahkan teknologi tinggi, beberapa antarmuka pelanggan sebagian besar ditangani oleh manusia. Petugas, perawat, konsultan, dan manajer akun utama adalah sumber daya penting di bidangnya, dan kemampuan mesin dalam memberikan pengalaman yang tepat tidak sebanding. Namun dibutuhkan waktu bertahun-tahun untuk merekrut dan mengembangkan kompetensi orang-orang tersebut sebelum mereka dapat memberikan kinerja terbaiknya. Keadaan ini membuat perusahaan kesulitan untuk melakukan peningkatan, yang pada dasarnya menciptakan batasan terhadap pertumbuhan. Augmented marketing menawarkan solusi untuk masalah ini. Antarmuka digital akan memberikan cara alternatif baru bagi pelanggan untuk berinteraksi dengan merek dan perusahaan. Gartner memperkirakan bahwa 72% interaksi pelanggan akan melibatkan teknologi baru seperti AI, chatbot, dan pesan seluler pada tahun 2022. Meskipun antarmuka digital tidak dapat sepenuhnya menggantikan interaksi antarmanusia, hal ini dapat membuat sumber daya manusia yang langka bekerja lebih cepat dan cerdas. Munculnya Generasi Y dan Generasi Z akan semakin mendorong perlunya perluasan pemasaran (lihat Bab 2). Kedua generasi ini memandang Internet sebagai bagian tak terpisahkan dari kehidupan mereka dan teknologi sebagai perpanjangan tangan mereka. Faktanya, mereka tidak melihat adanya batas antara dunia fisik dan dunia digital. Mereka menyebutnya dunia “figital”. Kebutuhan akan kecepatan dan pengiriman sesuai permintaan akan membuka jalan bagi antarmuka digital. Pemasaran yang diperluas dimulai dengan definisi yang jelas tentang bagaimana teknologi dapat menambah nilai pada operasi garis depan. SATU ARAH

172BAB 11 Pemasaran Tambahan untuk meningkatkan produktivitas adalah dengan membuat sistem antarmuka berjenjang. Menggabungkan antarmuka digital dan manusia dalam piramida terstruktur memungkinkan bisnis untuk berkembang. Perusahaan dapat membebaskan sumber daya manusianya untuk mengerjakan tugas-tugas yang bermanfaat. Antarmuka Penjualan Berjenjang Dalam proses penjualan, tingkatan antarmuka pelanggan yang paling umum didasarkan pada siklus hidup pelanggan di seluruh saluran penjualan. Perusahaan B2B dapat menangkap dan memelihara prospek awal melalui antarmuka digital sambil mengejar prospek berkualitas dan prospek menarik dengan tim tenaga penjualan. Dengan pendekatan ini, bisnis dapat memiliki jangkauan yang lebih luas dalam menghasilkan prospek. Pada saat yang sama, mereka dapat memfokuskan kembali upaya tenaga penjualan untuk mencapai kesepakatan. Pengaturan ini optimal karena langkah terakhir dalam saluran penjualan biasanya memerlukan keterampilan komunikasi dan negosiasi yang kuat. Bisnis ritel juga dapat memanfaatkan antarmuka penjualan berjenjang dengan kehadiran omnichannel. Saluran digital digunakan untuk membangun kesadaran, menciptakan daya tarik, dan mendorong uji coba. Pelanggan dapat menelusuri katalog produk di situs web atau aplikasi seluler dan memilih produk yang mereka sukai. Perusahaan seperti Sephora dan IKEA menggunakan augmented reality (AR) untuk memungkinkan calon pembeli “mencoba” produk secara digital. Dengan begitu, ketika pelanggan datang ke gerai fisik, minat telah meningkat dan penjaga toko lebih mudah untuk menjual. Pembagian kerja antara manusia dan mesin dalam proses penjualan didasarkan pada spesialisasi aktivitas di seluruh saluran. Model hybrid ini menggunakan berbagai saluran penjualan mulai dari yang berbiaya paling rendah hingga yang paling mahal. Setiap saluran memainkan peran spesifik yang mengarahkan prospek dari atas ke bawah corong (lihat Gambar 11.1). Beberapa langkah diperlukan untuk merancang antarmuka berjenjang yang menciptakan simbiosis terbaik antara manusia dan komputer: 1. Menentukan langkah-langkah dalam proses penjualan. Proses penjualan pada umumnya berbentuk corong, yang berarti tim penjualan mengubah kumpulan prospek yang besar menjadi jumlah yang lebih kecil

Membangun Antarmuka Pelanggan Berjenjang173 GAMBAR 11.1Contoh Augmented Marketing di Antarmuka Penjualan Berjenjang pelanggan secara bertahap. Kualitas proses penjualan akan terlihat dalam tingkat konversi di seluruh corong. Proses corong teratas (ToFu) mencakup membangun kesadaran, menghasilkan prospek, mengkualifikasi prospek, dan menangkap data prospek. Bagian tengah corong (MoFu) biasanya melibatkan pemeliharaan prospek agar mereka menjadi prospek yang menarik. Terakhir, proses saluran terbawah (BoFu) mencakup pertemuan dan meyakinkan calon pelanggan serta negosiasi dan penutupan penjualan. 2. Buat daftar kemungkinan antarmuka penjualan. Di masa lalu, proses penjualan sangat bergantung pada pameran dagang dan pemasaran email untuk membangun kesadaran dan menghasilkan prospek. Untuk memelihara prospek dan menutupnya, perusahaan mengandalkan penjualan jarak jauh dan tenaga penjualan langsung. Dengan teknologi canggih, banyak antarmuka alternatif bermunculan. Pemasaran digital kini memiliki jangkauan yang cukup luas untuk kampanye kesadaran. Bisnis dapat menggunakan berbagai saluran alternatif untuk memproses prospek, seperti situs web layanan mandiri, aplikasi seluler berkemampuan AR, chatbot berkemampuan AI, dan obrolan langsung— semuanya dengan biaya lebih rendah. 3. Cocokkan aktivitas corong dengan opsi antarmuka terbaik. Untuk menentukan antarmuka mana yang memainkan peran tertentu dalam proses, hal ini tidak selalu hanya tentang memangkas biaya. Perusahaan perlu menyeimbangkan efisiensi dan efektivitas. Bergantung kepada

174BAB 11 Pemasaran Tambahan profil prospek penjualan, pemasar dapat memilih antara saluran offline seperti pameran dagang dan saluran pemasaran digital seperti media sosial. Logika serupa berlaku di proses corong tengah dan bawah. Meski paling efektif, tenaga penjualan tetap menjadi saluran yang paling mahal. Oleh karena itu, sebagian besar perusahaan mencadangkan waktu berharga mereka khusus untuk bagian terbawah. Untuk lini tengah, chatbot berbasis AI dapat menggantikan peran telesales. Antarmuka Layanan Pelanggan Berjenjang Dalam proses layanan pelanggan—dengan kata lain, ketika berhadapan dengan pelanggan yang sudah ada—dasar paling umum untuk pengelompokan pelanggan adalah nilai seumur hidup pelanggan (CLV) atau status loyalitas pelanggan. CLV adalah proyeksi pendapatan bersih yang dihasilkan dari setiap pelanggan berdasarkan perkiraan jangka waktu kepemilikan. Pelanggan dengan CLV atau status rendah hanya memiliki akses ke antarmuka digital, sehingga biaya layanannya rendah. Di sisi lain, pelanggan dengan CLV tinggi memiliki hak istimewa untuk berinteraksi dengan asisten manusia yang berbiaya tinggi. Tingkat kualitas layanan memberikan insentif bagi pelanggan untuk menaiki tangga tersebut dengan melakukan pembelian lebih besar atau berkomitmen pada loyalitas merek tertentu. Banyaknya informasi yang dapat ditemukan di Internet membuat orang mencari solusi sendiri ketika menghadapi masalah pada produk dan layanan. Banyak perusahaan memfasilitasi tren layanan mandiri dengan menyediakan sumber daya online yang dapat dicari oleh pelanggan mereka. Banyak juga yang mengembangkan forum atau komunitas dukungan di mana pelanggan dapat bertanya satu sama lain tentang masalah mereka. Dalam aplikasi teknologi sosial ini, para relawan yang membantu orang lain diberi penghargaan berupa lencana gamifikasi. Pendekatan ini merupakan praktik terbaik yang telah lama diterapkan oleh perusahaan teknologi dan kini diadopsi oleh bisnis di industri lain. Dengan basis pengetahuan dan forum dukungan yang kuat, perusahaan dapat mengantisipasi masalah pelanggan, dan pelanggan dapat terhindar dari kerumitan yang tidak perlu dalam menghubungi layanan pelanggan. Basis pengetahuan dari sumber daya dan forum online menjadi data terstruktur besar yang diberikan perusahaan ke mesin mereka

Membangun Antarmuka Pelanggan Berjenjang175 algoritma pembelajaran. Daripada mencari jawaban di halaman dukungan atau komunitas, pelanggan kini cukup meminta solusi dari AI. Antarmuka layanan pelanggan otomatis dapat berupa chatbot atau asisten virtual. Hal ini tidak hanya memberi pelanggan kenyamanan namun juga solusi instan yang mereka inginkan. Demikian pula, skrip dan riwayat dari pusat panggilan dan obrolan langsung kini dapat ditransfer ke mesin AI, yang pada dasarnya memberikan opsi tanpa kerumitan bagi pelanggan yang memiliki pertanyaan umum dan dasar. Bisnis perlu mengambil beberapa langkah untuk mengembangkan dukungan pelanggan berjenjang dengan simbiosis yang solid antara manusia dan mesin: 1. Bangun basis pengetahuan dari pertanyaan yang sering diajukan. Bisnis belajar dari sejarah masa lalu bahwa sebagian besar pertanyaan pelanggan bersifat mendasar dan berulang. Tidak efisien menggunakan perwakilan layanan pelanggan untuk menjawab pertanyaan-pertanyaan ini. Oleh karena itu, hal pertama yang harus dilakukan perusahaan adalah menyusun pertanyaan-pertanyaan tersebut ke dalam perpustakaan informasi yang mudah diakses. Struktur dan kategorisasi yang baik akan membantu pelanggan menavigasi basis pengetahuan. Perusahaan harus menggunakan papan cerita yang memanfaatkan kisah pelanggan aktual— situasi dan skenario nyata yang dihadapi pelanggan. Selain itu, basis pengetahuan yang baik harus memiliki fungsi pencarian. Dan yang terakhir juga harus terus diupdate dengan informasi baru. 2. Menentukan model tiering pelanggan. Dengan analitik, bisnis dapat dengan cepat menganalisis sejumlah besar transaksi ke dalam catatan pelanggan individual. Perusahaan hanya perlu menentukan serangkaian kriteria untuk mengevaluasi nilai setiap pelanggan bagi mereka. Biasanya, tiering ini melibatkan ukuran finansial (pendapatan, profitabilitas) dan non finansial (bagian dompet, tenor, kepentingan strategis). Berdasarkan kriterianya, perusahaan dapat mengelompokkan pelanggan ke dalam beberapa tingkatan. Tingkatannya dinamis; harus ada mekanisme bagi pelanggan untuk naik dan turun. Jika tingkatan sudah ditentukan dengan baik, maka akan mudah untuk menentukan anggaran biaya layanan untuk setiap tingkatan. Anggaran akan menentukan opsi dukungan pelanggan mana yang dapat diakses oleh setiap pelanggan.

176BAB 11 Pemasaran Tambahan 3. Buat opsi dukungan pelanggan multitingkat. Perusahaan dapat memanfaatkan basis pengetahuan untuk beberapa saluran layanan pelanggan. Yang pertama adalah menciptakan opsi layanan mandiri dengan menempatkan basis pengetahuan di situs web. Ketika basis pengetahuan memiliki storyboard yang mengalir, basis pengetahuan tersebut dapat dengan mudah ditransfer ke platform chatbots dan asisten virtual (misalnya keterampilan Alexa). Ketika pelanggan gagal mendapatkan jawaban melalui antarmuka mesin ini, perusahaan harus memberikan opsi untuk meningkatkan ke antarmuka manusia ke manusia. Forum dan komunitas adalah cara terbaik untuk memberdayakan pelanggan. Namun pada akhirnya, perwakilan layanan pelanggan harus siap memberikan jawaban ketika tidak ada orang lain yang bisa melakukannya, baik melalui email, live chat, atau panggilan telepon. Perusahaan tidak boleh memberikan semua pilihan ini kepada semua orang. Pelanggan tingkat rendah biasanya akan mendapatkan akses ke opsi layanan mandiri (sumber daya dan forum online) sementara pelanggan tingkat tinggi akan mendapatkan semua jenis akses tergantung pada preferensi mereka (lihat Gambar 11.2). GAMBAR 11.2Contoh Augmented Marketing dalam Antarmuka Layanan Pelanggan Berjenjang

Menyediakan Alat Digital untuk Frontliner177 Menyediakan Alat Digital untuk Frontliner Augmented marketing bukan hanya tentang pembagian kerja. Alat digital dapat memberdayakan karyawan garis depan yang berinteraksi langsung dengan pelanggan. Saat ini, terlepas dari banyaknya kehebohan seputar e-commerce dan belanja online, sebagian besar penjualan ritel masih terjadi di toko fisik. Sebagian besar pelanggan masih melakukan webrooming—menelusuri secara online dan berbelanja secara offline. Jadi, ketika pelanggan yang berpengetahuan luas dan telah menghabiskan waktu berjam-jam untuk meneliti produk secara online akhirnya datang ke toko, mereka mengharapkan staf garis depan yang memiliki pengetahuan yang sama untuk berinteraksi dengan mereka. Tren serupa juga terjadi di industri jasa. Pelanggan terbiasa membaca ulasan sebelum datang ke hotel, perusahaan jasa profesional, atau lembaga pendidikan untuk mengeksplorasi lebih jauh. Pelanggan yang lebih cerdas ini memiliki ekspektasi yang tinggi, dan hal ini membuat pekerjaan karyawan garis depan menjadi lebih menantang. Personil garis depan sangatlah penting, terutama di lingkungan dengan kontak tinggi seperti sektor ritel dan jasa. Bahkan di industri dengan kontak rendah, staf garis depan seringkali menjadi garis pertahanan terakhir dalam hal pemulihan layanan. Mereka sering kali menjadi sumber diferensiasi dan wajah merek. Sangat penting untuk memberdayakan karyawan dengan pengetahuan yang benar yang dimiliki perusahaan tentang pelanggan mereka. Karyawan yang berhadapan dengan pelanggan merupakan media terpenting untuk mengedukasi pelanggan mengenai hal-hal yang sulit disampaikan melalui cara lain. Dengan segudang wawasan, staf garis depan bisa lebih produktif. Mereka dapat fokus pada konversi penjualan, cross-selling, dan upselling daripada membuat tebakan cerdas tentang pelanggan. Riwayat transaksi dan rekomendasi produk yang dihasilkan AI adalah beberapa informasi yang akan membantu karyawan memahami apa yang ditawarkan kepada pelanggan. Mampu mengantisipasi kebutuhan pelanggan sangat penting untuk pekerjaan garis depan. Yang tak kalah penting adalah mampu memberikan interaksi yang personal dan membangun hubungan seolaholah sudah mengenal pelanggan sejak lama. Peralatan digital di toko fisik juga membantu mengurangi hambatan bagi perusahaan yang ingin memberikan pengalaman omnichannel. Pertimbangkan Panduan Makeover Digital Sephora. Pelanggan

178BAB 11 Pemasaran Tambahan dapat membuat janji temu dengan penata rias. Setelah berada di dalam toko, pelanggan dapat menelusuri lookbook online untuk mendapatkan inspirasi perubahan. Seniman tersebut menggunakan pemindai kecil yang disebut Color IQ untuk menangkap warna kulit guna menentukan warna yang sempurna bagi pelanggan. Dengan informasi dari lookbook dan Color IQ, artis dapat mencari dan memindai produk yang sesuai dengan profil pelanggan. Setelah perubahan selesai, artis dapat mengirimkan email kepada pelanggan daftar langkah dan produk yang telah digunakan berguna untuk pembelian berulang. Bisnis tidak hanya perlu membangun antarmuka digital bagi pelanggannya, namun juga antarmuka yang cocok bagi karyawannya. Pengiriman informasi pelanggan dapat dilakukan melalui perangkat seluler atau perangkat yang dapat dikenakan. Hotel, misalnya, memungkinkan pelanggan untuk membuat permintaan melalui tablet di kamar atau ponsel cerdas mereka, dan permintaan tersebut dapat disampaikan ke bagian tata graha, dapur, atau pramutamu secara langsung atau melalui chatbot yang terhubung. Ini memfasilitasi respons yang lebih cepat dan karenanya menciptakan pengalaman pelanggan yang lebih baik. Ada beberapa langkah bagi perusahaan untuk menyediakan alat digital yang tepat untuk mendukung karyawan garis depan: 1. Pahami poin-poin frustrasi karyawan. Kesalahan terbesar yang dilakukan perusahaan dalam menerapkan alat digital dalam operasi garis depan adalah fokus pada teknologi dan bukan alasan penerapannya. Memahami pengalaman karyawan (EX) sama pentingnya dengan memahami pengalaman pelanggan (CX). Oleh karena itu, langkah pertama yang dilakukan adalah memetakan perjalanan pengalaman karyawan sebagai informasi pelengkap peta pengalaman pelanggan. Pekerjaan garis depan sulit dan penuh tekanan. Tapi itu juga menyimpan banyak wawasan. Bisnis perlu mendengarkan suara karyawan yang menghadapi pelanggan dan menunjukkan rasa frustrasi mereka. Mirip dengan pelanggan, karyawan biasanya merasa frustrasi dengan ketidakefisienan—aktivitas yang menyita waktu mereka —dan potensi kegagalan layanan—ketidakmampuan untuk memberikan apa yang diinginkan pelanggan, sehingga menimbulkan keluhan. 2. Identifikasi bagaimana teknologi dapat menjadi solusi. Setelah titik-titik frustrasi teridentifikasi, perusahaan perlu menemukan solusi teknologi yang tepat. Seringkali,

Ringkasan: Mewujudkan Interaksi Manusia yang Diberdayakan Teknologi179 perusahaan fokus pada solusi yang dapat diintegrasikan ke dalam keseluruhan sistem teknologi informasi. Namun kunci untuk membuat pilihan yang tepat adalah dengan melibatkan karyawan dalam prosesnya. Tes perlu dilakukan dengan dukungan karyawan. Hal ini akan membantu perusahaan mengantisipasi potensi masalah dalam eksekusi sejak dini dan meningkatkan dukungan. Memahami cara pekerja garis depan menggunakan teknologi juga penting. Perusahaan perlu memilih perangkat keras yang tepat. Ponsel pintar dan tablet adalah alat digital standar untuk beberapa tugas. Namun untuk peran lain yang memerlukan aplikasi handsfree, perangkat yang dapat dikenakan mungkin lebih cocok. 3. Fokus pada manajemen perubahan. Berbeda dengan elemen Marketing 5.0 lainnya, augmented marketing memerlukan kolaborasi erat antara karyawan garis depan dan pendukung teknologi. Tantangan terbesar, terutama bagi perusahaan dengan jumlah pekerja garis depan yang besar, adalah penolakan terhadap perubahan. Tidak semua pelanggan paham teknologi; demikian pula, tidak semua karyawan siap secara digital. Tidak semua orang merasa nyaman dengan teknologi. Pelatihan untuk meningkatkan keterampilan digital sangat penting untuk mencapai kesuksesan. Namun pembelajarannya tidak hanya tentang keterampilan tetapi juga pola pikir digital. Memantau hambatan eksekusi dan memperbaikinya juga merupakan sesuatu yang harus diperhatikan oleh bisnis dalam peluncurannya. Ringkasan: Mewujudkan Interaksi Manusia yang Diberdayakan Teknologi Salah satu area di mana simbiosis manusia-mesin memberikan hasil terbaik adalah pada antarmuka pelanggan. Untuk pertanyaan dasar dan lugas, antarmuka digital sudah cukup. Namun untuk interaksi yang lebih bersifat konsultatif, komputer belum mampu mengungguli antarmuka manusia-kemanusia. Oleh karena itu, pembagian kerja dalam struktur berjenjang menjadi masuk akal. Dalam proses penjualan, corong atas dan tengah dapat dilimpahkan kepada mesin, sedangkan corong bawah dikerjakan oleh mesin

180BAB 11 Pemasaran Tambahan tenaga penjualan. Dalam layanan pelanggan, antarmuka digital dan layanan mandiri digunakan untuk melayani banyak pelanggan, sementara perwakilan dukungan pelanggan disediakan untuk pelanggan yang paling berharga. Bisnis harus memanfaatkan kecerdasan buatan yang sempit untuk memastikan kualitas interaksi digital. Augmented marketing juga tentang memberdayakan karyawan garis depan dengan teknologi digital. Pelanggan yang cerdas dan selalu aktif harus diimbangi dengan karyawan yang berpengetahuan luas. Menyediakan wawasan berbasis data pada titik interaksi memungkinkan karyawan menyesuaikan pendekatan mereka terhadap setiap pelanggan. Antarmuka dua arah antara pelanggan dan karyawan juga mengurangi gesekan dan pada akhirnya meningkatkan pengalaman pelanggan. ION PERTANYAAN ION REFLEKSI • Jelajahi area di mana Anda dapat meningkatkan produktivitas staf penjualan dan layanan pelanggan garis depan Anda. Apa saja tugas yang dapat diambil alih oleh sistem komputer? • Bagaimana Anda dapat memberdayakan staf garis depan Anda untuk membuat keputusan yang lebih baik? Misalnya, bagaimana tenaga penjualan Anda dapat menggunakan data penargetan pelanggan untuk meningkatkan tingkat konversi penjualan?

BAB 12 Pemasaran Tangkas Melaksanakan Operasi dengan Kecepatan dan Skala Z ara telah menjadi salah satu merek fast-fashion tersukses dalam satu dekade terakhir. Berbeda dengan perusahaan pakaian tradisional yang mengandalkan tren musiman yang lebih panjang, Inditex— pemilik merek Zara—menginginkan waktu penyelesaian yang cepat dengan lebih dari 10.000 desain berbeda per tahun. Inditex dapat menghadirkan tren terkini dari catwalk ke etalase hanya dalam beberapa minggu. Di balik kecepatan luar biasa ini terdapat desain dan rantai pasokan yang gesit. Perusahaan memantau tren pakaian dan peragaan busana selebriti di seluruh dunia. Ini juga menganalisis penjualan setiap unit penyimpanan stok (SKU) di tingkat toko untuk menentukan barang mana yang memiliki permintaan kuat secara real-time, menggunakan pelacakan identifikasi frekuensi radio (RFID). Wawasan pasar menentukan tim desainer yang terdesentralisasi dalam menentukan item mana yang akan dibuat. Pengadaan sumber daya sering kali dilakukan bersamaan dengan proses desain, sehingga prosesnya jauh lebih cepat. Produk Zara juga dibuat dalam jumlah kecil, memastikan perputaran inventaris yang tinggi sekaligus memungkinkan merek menguji penerimaan pasar sebelum berkomitmen untuk menambah volume produksi. Praktik masuk ke pasar Zara adalah contoh pemasaran yang tangkas. Analisis waktu nyata, tim respons cepat yang terdesentralisasi, platform produk yang fleksibel, proses yang dilakukan secara bersamaan, dan eksperimen yang cepat merupakan ciri-ciri organisasi yang tangkas. Dengan model ini, merek telah mengubah cara orang membeli pakaian dan aksesoris. 181

182BAB 12 Pemasaran Agile Namun ritel fast-fashion adalah bisnis yang terpolarisasi. Meskipun memiliki basis penggemar yang kuat, pengecer ini juga menuai kritik, terutama karena banyaknya limbah dan praktik perburuhan yang tidak adil. Organisasi yang tangkas harus cepat merasakan dan merespons sentimen pasar. Oleh karena itu, Zara mengumumkan dukungannya terhadap ekonomi sirkular—penggunaan material secara terus menerus melalui penggunaan kembali dan daur ulang. Zara juga berjanji bahwa seluruh produk pakaiannya akan terbuat dari bahan ramah lingkungan pada tahun 2025. Ujian terbesar bagi ketangkasan Zara adalah bagaimana perusahaan akan beroperasi di dunia pascapandemi. Zara biasanya menggunakan tokonya sebagai pusat pemenuhan e-commerce. Dengan toko-toko yang ditutup sementara selama lockdown dan 1.200 toko akan ditutup secara permanen secara global, rencana tersebut memerlukan penyesuaian ulang. Integrasi antara bisnis online dan fisik akan menjadi kunci bagi merek ini dalam dekade berikutnya. Mengapa Pemasaran Agile? Siklus hidup produk yang pendek menjadi ciri industri teknologi tinggi. Para pemain bersaing untuk menjadi yang pertama memasarkan dan mendapatkan nilai maksimal sebelum teknologi tersebut menjadi usang. Perusahaan perlu memantau dan merespons tren baru dan perubahan perilaku pelanggan. Iterasi produk baru terjadi dengan cepat karena peluang untuk mendapatkan keuntungan dari produk tersebut terbatas. Oleh karena itu, perusahaan teknologi tinggi adalah yang pertama mengadopsi pemasaran tangkas. Di dunia digital yang serba cepat, banyak industri pakaian jadi, barang kemasan konsumen, elektronik konsumen, dan otomotif—mengalami pemendekan siklus hidup produk pada tingkat yang berbeda-beda. Dalam industri-industri ini, preferensi pelanggan terhadap produk berubah dengan cepat, didorong oleh semakin banyaknya penawaran baru. Bahkan pengalaman pelanggan memiliki tanggal kedaluwarsa. Pengalaman yang tadinya menarik bisa menjadi ketinggalan jaman segera setelah semua orang mengikuti dan menggantikannya. Lingkungan digital yang selalu terhubung menyebabkan preferensi berubah dengan cepat. Pengalaman pelanggan, yang digunakan

Menyiapkan Pemasaran Agile183 menjadi sangat pribadi, dapat disiarkan ke semua orang melalui media sosial, sehingga mengurangi dampaknyaWowfaktor setiap kali bisnis mencoba menirunya untuk kedua kalinya. Pelanggan yang selalu aktif juga menuntut merek yang selalu aktif yang memenuhi kebutuhan mereka 24/7. Semuanya ondemand, atau seperti Tom March menyebutnya, WWW baru (apa pun, kapan pun, di mana pun). Oleh karena itu, perusahaan harus terus memantau dan menindaklanjuti tren dan percakapan yang sedang berlangsung dengan lebih cepat. Strategi masuk ke pasar yang tradisional dan telah direncanakan sebelumnya tidak lagi efektif. Di era yang penuh dengan volatilitas, ketidakpastian, kompleksitas, dan ambiguitas (VUCA), dunia usaha tidak dapat lagi membuat rencana jangka panjang tanpa melakukan banyak penyesuaian. Faktanya, sebagian besar rencana jangka panjang sudah kadaluwarsa ketika target-target tersebut tercapai. Dunia usaha perlu mengimbangi kecepatan perpindahan pelanggan dan pada saat yang sama melampaui persaingan. Agility adalah nama baru dari permainan ini. Stabilitas operasional dulunya merupakan satu-satunya faktor penentu keberhasilan bagi perusahaan untuk berkembang dan berkembang. Meski tetap penting, hal ini juga harus dilengkapi dengan tim tangkas yang menjadi katalis bagi mesin pertumbuhan baru. Agile marketing adalah bagian terakhir dari teka-teki bagi perusahaan untuk menerapkan Marketing 5.0. Disiplin ini sesuai dengan lanskap bisnis yang bergerak cepat dan tidak dapat diprediksi yang mereka hadapi. Menyiapkan Pemasaran Agile Pemasaran tangkas memerlukan pola pikir tertentu yang tidak dimiliki perusahaan tradisional. Secara default, perusahaan startup sudah memiliki mentalitas agile karena sumber dayanya yang terbatas. Perusahaan-perusahaan ini perlu mewujudkan segala sesuatunya dengan cepat sebelum anggaran terbatas mereka habis. Namun, perusahaan besar harus mengadopsi pemasaran tangkas secara berbeda. Struktur rumit dan birokrasi yang melekat pada organisasi besar adalah musuh terburuk pemasaran tangkas. Perusahaanperusahaan perlu membentuk tim terpisah untuk memastikan mereka mempertahankan operasi yang stabil dan menguntungkan sambil memastikan bahwa mereka tidak kehilangan hal-hal besar berikutnya.

184BAB 12 Pemasaran Agile GAMBAR 12.1Mengembangkan Pemasaran Agile Oleh karena itu, proses agile biasanya hanya diperuntukkan bagi proyek inovasi yang berfokus pada mesin pertumbuhan baru. Ada beberapa komponen kunci dalam organisasi pemasaran yang tangkas (lihat Gambar 12.1). Pertama, bisnis perlu menyiapkan analisis realtime. Langkah berikutnya adalah membentuk tim tangkas terdesentralisasi yang memanfaatkan wawasan yang dihasilkan oleh analitik. Kemudian, tim membuat beberapa konfigurasi produk atau kampanye berdasarkan platform yang fleksibel. Mereka menjalankan eksperimen cepat dalam proses bersamaan mulai dari pembuatan ide hingga pembuatan prototipe. Setelah menguji setiap konfigurasi dengan analisis penerimaan pasar nyata, mereka akan menentukan mana yang memberikan hasil paling menguntungkan. Dalam menjalankan seluruh proses agile, perusahaan harus menganut mentalitas inovasi terbuka yang mana perusahaan memanfaatkan sumber daya internal dan eksternal. Bangun Kemampuan Analisis Waktu Nyata Agile marketing memiliki mekanisme respon yang cepat. Oleh karena itu, hal pertama yang harus dibangun adalah kemampuan analitik. Objektif

Menyiapkan Pemasaran Agile185 adalah untuk mengidentifikasi masalah yang membutuhkan solusi atau peluang untuk pertumbuhan. Untuk tujuan ini, bisnis harus memiliki pengambilan data pelanggan yang memantau perubahan secara real time. Alat pendengar sosial— juga dikenal sebagai pemantauan media sosial—dapat sangat berguna untuk melacak diskusi tentang suatu merek atau produk di media sosial dan komunitas online. Alat tersebut menyaring percakapan sosial yang tidak terstruktur menjadi intelijen pelanggan yang dapat digunakan, seperti kata kunci, tren yang muncul, opini yang terpolarisasi, sentimen merek, visibilitas kampanye, penerimaan produk, dan respons pesaing. Data tersebut juga diperkaya dengan geotagging yang memungkinkan perusahaan melacak wawasan berdasarkan wilayah dan lokasi. Perusahaan juga perlu melacak perubahan perilaku pelanggan yang tercermin dari lalu lintas dan transaksi. Perusahaan dapat mengikuti perjalanan pelanggan di situs web mereka dan menganalisis pembelian e-commerce secara real time. Bagi perusahaan dengan aset fisik, data titik penjualan (POS) adalah yang paling umum untuk mengevaluasi apakah SKU produk tertentu mendapatkan daya tarik dari pasar. Dengan menggunakan tag RFID pada produk, perusahaan dapat memperoleh gambaran yang lebih baik tentang perjalanan pelanggan sebelum pembelian. Misalnya, pengecer dapat memperoleh wawasan tentang berapa lama pelanggan mengambil keputusan sebelum membeli suatu produk dan perjalanan yang mereka tempuh sebelum produk sampai ke kasir. Dengan izin, tag RFID juga dapat berfungsi sebagai perangkat yang dapat dikenakan untuk melacak pergerakan pelanggan dan meningkatkan pengalaman pelanggan. Disney menyematkan RFID ke dalam Magic Bands untuk melacak pergerakan pengunjung di taman hiburannya. Mayo Clinic menggunakan RFID pada gelang pasien dan lencana staf untuk tujuan yang sama. Perusahaan B2B menggunakan pelacakan RFID untuk mengelola logistik dan mengoptimalkan rantai pasokan. Data lalu lintas dan transaksi ini berguna untuk menganalisis hubungan sebab akibat dengan cepat antara kampanye dan hasil, atau antara peluncuran produk dan penjualan. Di bidang lain, tujuannya adalah untuk menemukan kesesuaian produkpasar terbaik. Metrik untuk mengukur keberhasilan harus bermakna dan dapat ditindaklanjuti sehingga perusahaan mengetahui dengan tepat apa yang harus disempurnakan dari kampanye atau produk. Analisis real-time memberdayakan perusahaan untuk bereksperimen dan mendapatkan pembelajaran yang tervalidasi dengan cepat.

186BAB 12 Pemasaran Agile Membentuk Tim Terdesentralisasi Pemasaran tangkas memerlukan banyak tim kecil untuk mengerjakan hal yang berbeda. Tim akan memanfaatkan wawasan yang dihasilkan oleh analisis waktu nyata. Dalam pemasaran tangkas, setiap kelompok ditugaskan untuk tugas tertentu dengan batas waktu yang harus diselesaikan. Dengan demikian, tim lebih akuntabel. Model ini mengambil inspirasi dari scrum—metode tangkas yang paling umum digunakan untuk pengembangan perangkat lunak. Di bidang pemasaran, penerapan pendekatan tangkas dapat mencakup desain pengalaman pelanggan baru (CX), inovasi produk, peningkatan proses pemasaran, kampanye pemasaran kreatif, dan pengembangan bisnis baru. Salah satu rintangan utama pemasaran tangkas adalah silo organisasi. Banyak organisasi besar kesulitan menyelaraskan berbagai fungsi dengan indikator kinerja utama (KPI) yang saling bertentangan. Oleh karena itu, setiap tim tangkas harus memiliki anggota lintas fungsi yang berdedikasi dengan beragam keahlian: pengembangan produk, pemasaran, dan teknologi. Karena kelompoknya kecil dan mereka bekerja dengan tujuan yang sama, silo dapat dihilangkan. Pada saat yang sama, karyawan lebih terlibat dan merasa bahwa pekerjaan mereka bermakna. Selain mengurangi gesekan, tim lintas fungsi juga cocok untuk berpikir berbeda, yang merupakan hal penting dalam setiap proyek inovasi. Tim lintas fungsi juga wajib mewujudkan ide-ide. Orang pemasaran, misalnya, berperan dalam menafsirkan wawasan sementara orang teknik membantu mengembangkan prototipe kerja. Setiap tim harus memiliki semua sumber daya yang diperlukan untuk menyelesaikan tujuan secara mandiri. Model pengambilan keputusan tradisional dengan proses persetujuan berlapis juga terlalu rumit untuk pemasaran yang tangkas. Keputusan harus diambil dengan cepat, dan penundaan akan berdampak signifikan terhadap hasil. Oleh karena itu, tim harus otonom dan diberdayakan dengan wewenang pengambilan keputusan yang terdesentralisasi terkait dengan penugasan mereka. Model yang fleksibel memerlukan komitmen manajemen puncak yang kuat. Peran manajemen senior dalam pemasaran tangkas adalah memantau kemajuan, memberikan umpan balik pada tingkat strategis, dan melatih tim sambil menyediakan tim.