Attribution Model di 2026: Mengapa Last-Click Sudah Tidak Bisa Diandalkan Lagi

Anda menjalankan TikTok Ads, Meta Ads, dan Shopee Ads secara bersamaan. Di akhir bulan, laporan TikTok bilang ROAS 4x. Laporan Meta bilang ROAS 3,5x. Laporan Shopee bilang ROAS 6x. Tapi kalau dijumlahkan, angka-angka itu tidak masuk akal dibandingkan dengan revenue actual yang masuk ke rekening. Siapa yang berbohong?

Tidak ada yang berbohong — tapi semua melakukan klaim yang sama atas konversi yang sama. Inilah masalah attribution. BAIK Digital selalu menjelaskan konteks ini kepada klien yang baru bergabung, karena keputusan budget yang diambil berdasarkan data platform tanpa memahami attribution bias bisa menghasilkan alokasi yang jauh dari optimal.

Apa Itu Last-Click Attribution dan Mengapa Menyesatkan?

Last-click attribution adalah model paling sederhana dan paling umum: 100% kredit konversi diberikan kepada channel atau touchpoint terakhir yang disentuh konsumen sebelum melakukan pembelian. Kalau seseorang klik iklan Shopee dan langsung beli, Shopee Ads dapat kredit penuh. Channel lain yang mungkin sudah membangun awareness dan consideration sebelumnya tidak mendapat kredit apapun. Mengapa ini menyesatkan? Karena hampir tidak ada pembelian — terutama di kisaran harga menengah ke atas — yang terjadi karena satu touchpoint saja. Contoh nyata: seseorang pertama kali kenal brand dari konten TikTok organik. Beberapa hari kemudian dia melihat iklan Meta dan mengklik halaman produk tapi tidak beli. Seminggu kemudian, dia mencari brand di marketplace dan membeli. Dalam last-click attribution, marketplace mendapat kredit penuh. TikTok dan Meta tidak mendapat kredit apapun — padahal keduanya berperan besar dalam perjalanan ke pembelian itu.

Kenapa Ini Menjadi Masalah untuk Keputusan Budget?

Ketika keputusan budget dibuat berdasarkan last-click attribution, ada kecenderungan untuk underinvest di channel awareness (seperti TikTok organik atau konten yang membangun brand familiarity) karena “tidak kelihatan” hasilnya di reporting, dan overinvest di channel bottom-funnel (seperti retargeting atau marketplace) karena selalu terlihat paling efisien. Akibat jangka panjangnya: funnel bagian atas mengering karena tidak diinvestasi, yang menyebabkan berkurangnya warm audience untuk di-retarget, yang akhirnya membuat performa channel bottom-funnel pun ikut turun. Ini adalah spiral yang sering terjadi dan penyebabnya tidak langsung terlihat kalau hanya melihat data last-click.

Attribution Model yang Lebih Realistis di 2026

Time Decay Attribution memberikan kredit yang lebih besar kepada touchpoint yang lebih dekat dengan waktu konversi, tapi tetap mengakui kontribusi touchpoint sebelumnya. Ini lebih adil daripada last-click karena mengakui bahwa semua touchpoint berkontribusi, meski dengan bobot yang berbeda. Data-Driven Attribution menggunakan machine learning untuk menentukan kredit berdasarkan pola konversi aktual dari data yang ada — hasilnya lebih akurat tapi membutuhkan volume data yang cukup besar (biasanya ratusan konversi per bulan) untuk bisa diandalkan, dan untuk brand dengan scale yang cukup besar ini adalah gold standard. Linear Attribution memberikan kredit yang sama ke semua touchpoint — sangat sederhana dan tidak akurat secara absolut, tapi jauh lebih baik daripada last-click untuk mencegah bias yang ekstrim terhadap satu channel.

Tantangan Attribution di 2026: Tracking Semakin Sulit

Bahkan dengan model attribution yang lebih baik pun, akurasi tracking semakin menurun karena beberapa faktor. iOS privacy updates sejak iOS 14 membuat tracking lintas aplikasi jauh lebih terbatas — banyak konversi dari iOS devices tidak tertracking dengan sempurna. Ad blockers yang semakin banyak digunakan juga memblokir tracking pixel. Cross-device journeys di mana seseorang melihat iklan di HP lalu beli di laptop sulit disambungkan tanpa identifier yang sama. Dan regulasi privasi data yang semakin ketat di seluruh dunia membuat third-party cookie semakin dibatasi. Kenyataannya: tidak ada satupun platform yang sepenuhnya akurat dalam tracking di era ini — ini bukan bug, tapi arah yang disengaja demi privasi pengguna.

Pendekatan Attribution yang Pragmatis: Triangulasi dari 3 Sumber

Karena tidak ada satupun sumber data yang sempurna, pendekatan paling pragmatis adalah triangulasi — membandingkan data dari beberapa sumber dan mencari gambaran yang lebih realistis dari gabungan semuanya. Sumber pertama adalah platform reporting (Meta, TikTok, Shopee, dll) — ini berguna untuk tren dan perbandingan relatif antar campaign dalam platform yang sama, tapi cenderung overclaim karena setiap platform ingin terlihat baik. Sumber kedua adalah Google Analytics atau analytics tool lain yang memberikan pandangan lebih platform-agnostic dan lebih reliable untuk melihat assisted conversions dan customer journey secara keseluruhan. Sumber ketiga adalah reality check paling penting: revenue actual vs total ad spend — dari semua uang yang dikeluarkan untuk iklan, berapa yang kembali sebagai revenue? Blended ROAS ini tidak memberikan detail per channel, tapi memberikan gambaran keseluruhan apakah bisnis profitable atau tidak. BAIK Digital selalu menjadikan blended ROAS sebagai angka utama dalam evaluasi bulanan klien — bukan angka ROAS per platform.

Relevan untuk Siapa?

Relevan kalau: omzet sudah di kisaran Rp300 juta per bulan ke atas, sudah running iklan di lebih dari satu platform sekaligus, dan mulai merasakan kebingungan saat angka ROAS di laporan platform tidak sesuai dengan revenue yang masuk. Artikel ini juga sangat relevan kalau Anda pernah memotong budget di satu channel karena terlihat “tidak perform” di laporan platform — karena bisa jadi channel tersebut sebenarnya sangat berkontribusi pada konversi yang diklaim channel lain.

Belum relevan kalau: brand belum pernah menjalankan iklan berbayar sama sekali atau baru mulai dengan satu channel saja. Di fase itu, attribution complexity belum menjadi masalah karena hanya ada satu sumber data. Masalah ini mulai signifikan ketika Anda sudah menjalankan minimal dua channel iklan secara bersamaan dan mulai membuat keputusan alokasi budget berdasarkan performa per channel.

Pertanyaan yang Sering Muncul

Apakah semua platform iklan bisa menggunakan attribution model yang sama?

Tidak — setiap platform memiliki attribution window dan model default-nya sendiri. Meta Ads default-nya menggunakan 7-day click dan 1-day view attribution, sementara platform lain mungkin berbeda window-nya. Ini salah satu alasan kenapa tidak bisa langsung membandingkan angka antar platform secara apples-to-apples tanpa memahami perbedaan attribution window-nya. Bahkan dalam satu platform, mengubah attribution window akan mengubah angka ROAS yang dilaporkan — padahal performanya tidak berubah.

Apa itu blended ROAS dan mengapa penting?

Blended ROAS adalah total revenue dibagi total ad spend tanpa memisahkan per channel. Ini adalah metrik yang paling jujur tentang profitabilitas keseluruhan sistem iklan. Kalau blended ROAS bagus tapi individual channel ROAS-nya sangat tinggi semua, kemungkinan ada double-counting yang signifikan. Kalau blended ROAS rendah tapi individual channel ROAS terlihat bagus, ada masalah attribution yang serius dan keputusan budget sedang dibuat berdasarkan data yang misleading.

Apakah ada tools yang bisa membantu attribution yang lebih akurat?

Ada beberapa third-party attribution tools yang mencoba mengatasi masalah ini — tapi semua punya keterbatasannya masing-masing dan semakin banyak data yang tidak bisa diakses akibat perubahan kebijakan privasi. Yang lebih practical untuk kebanyakan brand adalah membangun kebiasaan triangulasi data dari platform reporting, analytics tool, dan revenue actual secara konsisten — daripada mencari solusi attribution yang “sempurna” yang sebenarnya tidak ada di era privasi seperti sekarang.

Bagaimana cara menjelaskan masalah attribution ini ke stakeholder internal yang hanya mau lihat angka ROAS per channel?

Cara yang paling efektif adalah menggunakan perbandingan blended ROAS vs individual channel ROAS. Tunjukkan bahwa jika semua channel ROAS dijumlahkan dan diasumsikan benar semua, angkanya jauh lebih besar dari revenue actual yang masuk. Ini biasanya cukup untuk membuat percakapan yang lebih nuanced tentang bagaimana menafsirkan data iklan. Framing yang membantu: “Platform melaporkan apa yang bisa mereka klaim, bukan apa yang sebenarnya terjadi secara utuh.”

Seberapa besar perbedaan antara angka ROAS di platform vs blended ROAS yang wajar?

Tidak ada angka yang universal, tapi sebagai panduan umum: kalau rata-rata ROAS yang diklaim semua platform dikombinasikan dua kali lebih tinggi atau lebih dari blended ROAS, ada overclaim yang signifikan dan worth investigasi lebih dalam. Perbedaan kecil (misalnya 10-20%) lebih normal dan bisa dijelaskan oleh perbedaan attribution window. Perbedaan besar biasanya sinyal bahwa beberapa channel sedang mengklaim konversi yang sama dan ada overlap attribution yang tidak diperhitungkan dalam keputusan budget.

Apakah masalah attribution ini lebih parah untuk brand yang jual di marketplace dibanding yang jual di website sendiri?

Ya, secara umum lebih kompleks untuk brand yang sangat bergantung pada marketplace. Ketika pembelian akhir terjadi di marketplace, brand kehilangan visibilitas atas journey sebelumnya karena tracking di dalam ekosistem marketplace sangat terbatas — marketplace hanya melaporkan apa yang terjadi di dalam platform mereka. Brand yang punya website sendiri dengan pixel tracking yang proper punya visibilitas customer journey yang jauh lebih baik, yang memungkinkan keputusan attribution yang lebih informed.

{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Apakah semua platform iklan bisa menggunakan attribution model yang sama?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Tidak — setiap platform memiliki attribution window dan model default-nya sendiri. Meta Ads default-nya menggunakan 7-day click dan 1-day view attribution, sementara platform lain mungkin berbeda. Tidak bisa membandingkan angka antar platform secara apples-to-apples tanpa memahami perbedaan attribution window-nya.”}},{“@type”:”Question”,”name”:”Apa itu blended ROAS dan mengapa penting?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Blended ROAS adalah total revenue dibagi total ad spend tanpa memisahkan per channel. Ini metrik paling jujur tentang profitabilitas sistem iklan. Kalau blended ROAS rendah tapi individual channel ROAS terlihat bagus, ada masalah attribution serius dan keputusan budget sedang dibuat berdasarkan data yang misleading.”}},{“@type”:”Question”,”name”:”Apakah ada tools yang bisa membantu attribution yang lebih akurat?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Ada third-party attribution tools tapi semua punya keterbatasan masing-masing. Yang lebih practical adalah membangun kebiasaan triangulasi data dari platform reporting, analytics tool, dan revenue actual secara konsisten — daripada mencari solusi attribution yang ‘sempurna’ yang tidak ada di era privasi sekarang.”}},{“@type”:”Question”,”name”:”Bagaimana cara menjelaskan masalah attribution ke stakeholder yang hanya mau lihat ROAS per channel?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Tunjukkan perbandingan blended ROAS vs individual channel ROAS. Kalau semua channel ROAS dijumlahkan dan diasumsikan benar, angkanya jauh lebih besar dari revenue actual — ini biasanya cukup untuk membuat percakapan yang lebih nuanced tentang cara menafsirkan data iklan.”}},{“@type”:”Question”,”name”:”Seberapa besar perbedaan antara ROAS di platform vs blended ROAS yang wajar?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Tidak ada angka universal, tapi kalau rata-rata ROAS semua platform dikombinasikan dua kali lebih tinggi dari blended ROAS, ada overclaim signifikan yang worth investigasi. Perbedaan 10-20% lebih normal dan bisa dijelaskan oleh perbedaan attribution window.”}},{“@type”:”Question”,”name”:”Apakah masalah attribution lebih parah untuk brand yang jual di marketplace vs website sendiri?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Ya, lebih kompleks untuk brand yang bergantung pada marketplace karena tracking di dalam ekosistem marketplace sangat terbatas. Brand dengan website sendiri dan pixel tracking yang proper punya visibilitas customer journey yang jauh lebih baik untuk keputusan attribution yang lebih informed.”}}]}