Audience Stacking: Teknik Targeting yang Kurang Dimanfaatkan

Sejak Meta memperkenalkan Advantage+ dan mendorong penggunaan broad targeting, banyak brand meninggalkan semua bentuk kontrol manual atas targeting dan menyerahkan segalanya ke algorithm. Untuk sebagian brand, ini bekerja dengan baik. Tapi untuk brand lain — terutama yang melayani segmen spesifik, menjual produk premium, atau beroperasi di niche tertentu — broad targeting murni sering menghasilkan jangkauan yang tidak efisien.

Audience stacking bukan tentang melawan algorithm — ini tentang memberikan algorithm titik awal yang lebih terarah sehingga bisa belajar dan mengoptimasi dari sinyal yang lebih relevan. Hasilnya: iklan yang lebih tepat sasaran tanpa harus mengorbankan skala yang dibutuhkan algorithm untuk berfungsi optimal.

Apa yang Dimaksud dengan Audience Stacking

Audience stacking adalah teknik targeting yang menggabungkan beberapa kriteria audience secara bersamaan — misalnya menggabungkan interest targeting dengan behavioral targeting dan kemudian diterapkan pada lookalike audience — untuk menciptakan segmen yang lebih presisi tanpa harus terlalu sempit. Berbeda dengan broad targeting yang membiarkan Meta menentukan siapa yang melihat iklan, audience stacking memberikan batasan yang berarti tapi masih memberikan ruang yang cukup bagi algorithm untuk bekerja. Di BAIK Digital, kami menggunakan audience stacking terutama untuk brand premium, brand dengan produk niche, atau saat ingin menarget segmen sangat spesifik yang tidak bisa direpresentasikan oleh satu interest saja.

5 Cara Mengimplementasikan Audience Stacking yang Efektif

Audience stacking bisa diterapkan dalam berbagai bentuk — pilih yang paling sesuai dengan tujuan kampanye dan ukuran audience Anda.

1. Interest Stacking — Menggabungkan Multiple Interest dalam Satu Ad Set — Meta memungkinkan Anda memasukkan beberapa interest sekaligus dalam satu ad set. Saat Anda menggabungkan 3–5 interest yang relevan (bukan hanya satu), algorithm menemukan orang yang memiliki kombinasi interest tersebut — menghasilkan audience yang lebih “terdefinisi” tanpa harus membuat ad set terpisah untuk setiap interest. Pilih interest yang saling melengkapi dan menggambarkan profil ideal pelanggan Anda secara lebih lengkap.
2. Interest + Behavior Stacking — Lapisan Ganda yang Lebih Presisi — Gabungkan interest targeting dengan behavioral targeting untuk mempersempit audience ke orang yang tidak hanya tertarik pada topik tertentu, tapi juga menunjukkan perilaku yang relevan. Contoh: untuk brand fashion premium, gabungkan interest “fashion” dengan behavior “engaged shoppers” dan income targeting “higher income” — ini menghasilkan audience yang jauh lebih qualified daripada hanya interest fashion saja.
3. Lookalike + Stacking — Mengarahkan Algoritma dari Customer Terbaik — Buat lookalike audience dari segmen pelanggan terbaik Anda (bukan semua pelanggan — tapi yang memiliki AOV tertinggi atau yang paling sering repeat purchase), lalu tambahkan layer interest atau behavior di atasnya. Ini menggabungkan kekuatan machine learning Meta dalam menemukan “orang yang mirip” dengan batasan additional yang memastikan lookalike yang dihasilkan lebih relevan.
4. Custom Audience + Exclusion Stacking — Meningkatkan Relevansi dengan Eliminasi — Audience stacking tidak hanya tentang menambahkan layer — tapi juga tentang mengeluarkan audience yang tidak relevan. Exclude orang yang sudah pernah beli (untuk prospecting), exclude audience yang sudah terlalu sering melihat iklan Anda, atau exclude segmen yang secara historis memiliki conversion rate sangat rendah. Exclusion yang tepat meningkatkan relevansi iklan yang tersisa secara signifikan.
5. Sequential Stacking — Berbicara Berbeda ke Audience yang Berbeda — Gunakan audience stacking sebagai dasar untuk sequential messaging: audience yang baru pertama kali terkena iklan mendapat pesan awareness, audience yang sudah pernah engage dengan iklan sebelumnya mendapat pesan yang lebih dalam, dan audience yang sudah visit toko mendapat pesan konversi spesifik. Setiap lapisan dalam stack mendapat pesan yang sesuai dengan tahap mereka dalam funnel — jauh lebih efektif daripada satu pesan untuk semua.

Relevan untuk Siapa?

Relevan kalau: brand yang sudah aktif menjalankan iklan Meta atau TikTok dan mulai merasa broad targeting menghabiskan budget untuk audience yang tidak konversi — terutama brand premium, produk niche, atau yang melayani segmen demografis yang sangat spesifik.

Belum relevan kalau: brand yang baru pertama kali menjalankan iklan dan belum punya data akun yang cukup — fase pertama adalah mengumpulkan data dari broad targeting, bukan langsung menerapkan kontrol manual yang kompleks.

Audience Stacking vs Broad Targeting — Bukan Pilihan Biner

Audience stacking dan broad targeting tidak harus menjadi pilihan yang saling eksklusif — keduanya bisa berjalan bersamaan dalam struktur kampanye yang terencana. Gunakan broad targeting untuk kampanye yang sedang dalam fase learning dan butuh volume data yang besar, dan gunakan audience stacking untuk kampanye yang sudah mature dan butuh presisi lebih tinggi, atau untuk segmen khusus yang ingin dijangkau secara spesifik.

Di BAIK Digital, pendekatan yang paling sering kami rekomendasikan adalah menjalankan keduanya secara paralel di fase awal — bukan untuk memilih pemenang berdasarkan intuisi, tapi untuk menghasilkan data perbandingan yang bisa menjadi dasar keputusan yang defensible. Brand yang datanya menunjukkan audience stacking lebih efisien di segmen tertentu akan mendapat alokasi budget lebih besar di segmen itu, sementara broad targeting tetap berjalan untuk eksplorasi audience baru.

Pertanyaan yang Sering Muncul

Apakah audience stacking membuat audience menjadi terlalu sempit untuk algorithm bekerja?

Bisa terjadi jika terlalu banyak layer diterapkan sekaligus. Aturan praktis: pastikan estimasi ukuran audience masih minimal 500.000–1 juta orang agar algorithm punya ruang yang cukup untuk optimize. Kalau estimasi audience di bawah 100.000, terlalu banyak layer sudah diterapkan dan perlu dikurangi.

Apakah audience stacking masih relevan di era Advantage+ audience dari Meta?

Ya — Advantage+ audience memberikan Meta kontrol penuh atas targeting, yang efektif untuk banyak situasi. Tapi untuk brand dengan segmen sangat spesifik, produk premium, atau yang ingin menghindari menjangkau audience yang tidak relevan, audience stacking manual tetap memberikan nilai kontrol yang tidak bisa sepenuhnya digantikan oleh Advantage+. Keduanya bisa diuji dan dibandingkan performanya.

Bagaimana cara mengetahui apakah audience stacking bekerja lebih baik dari broad targeting?

Jalankan A/B test yang tepat: satu ad set dengan broad targeting dan satu ad set dengan audience stacking, menggunakan creative yang sama, budget yang sebanding, dan periode yang sama. Bandingkan CPM, CTR, CPC, dan yang paling penting — conversion rate dan ROAS setelah kedua campaign melewati fase learning. Keputusan berbasis data selalu lebih reliable dari asumsi.

Berapa banyak layer interest yang ideal untuk audience stacking?

Umumnya 3–6 interest dalam satu ad set memberikan titik keseimbangan yang baik antara spesifisitas dan skala. Lebih dari 8–10 interest dalam satu ad set mulai kehilangan efek “stacking” karena audience menjadi terlalu broad lagi — Meta menginterpretasikannya sebagai “orang yang punya setidaknya satu dari interest ini”, bukan “orang yang punya semua interest ini”.

Apakah audience stacking bisa diterapkan di TikTok Ads juga?

Ya — TikTok Ads juga memiliki kemampuan untuk menggabungkan interest, behavior, dan demographic targeting secara bersamaan. Prinsipnya serupa dengan Meta: gabungkan beberapa layer yang saling melengkapi untuk mendapatkan audience yang lebih spesifik. TikTok memiliki data behavioral yang berbeda dari Meta, jadi perlu eksperimen untuk menemukan kombinasi yang paling relevan untuk brand Anda di platform ini.

Apakah ada risiko overlap audience yang menyebabkan iklan berkompetisi satu sama lain?

Ya — ini disebut audience overlap dan bisa terjadi ketika beberapa ad set menarget audience yang sebagian besar sama. Meta memiliki sistem untuk mencegah iklan dari akun yang sama berkompetisi satu sama lain di lelang yang sama, tapi overlap yang signifikan tetap bisa menyebabkan distribusi budget yang tidak efisien. Gunakan fitur Audience Overlap di Meta Ads Manager untuk mengecek overlap antar audience sebelum menjalankan campaign secara bersamaan.

{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Apakah audience stacking membuat audience menjadi terlalu sempit untuk algorithm bekerja?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Bisa terjadi jika terlalu banyak layer diterapkan. Pastikan estimasi ukuran audience minimal 500.000–1 juta orang agar algorithm punya ruang cukup untuk optimize. Di bawah 100.000, terlalu banyak layer sudah diterapkan dan perlu dikurangi.”}},{“@type”:”Question”,”name”:”Apakah audience stacking masih relevan di era Advantage+ audience dari Meta?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Ya — untuk brand dengan segmen spesifik, produk premium, atau yang ingin menghindari audience tidak relevan, audience stacking manual tetap memberikan nilai kontrol yang tidak bisa sepenuhnya digantikan Advantage+. Keduanya bisa diuji dan dibandingkan.”}},{“@type”:”Question”,”name”:”Bagaimana cara mengetahui apakah audience stacking bekerja lebih baik dari broad targeting?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Jalankan A/B test: satu ad set broad targeting dan satu dengan audience stacking, menggunakan creative yang sama dan periode yang sama. Bandingkan CPM, CTR, conversion rate, dan ROAS setelah kedua campaign melewati fase learning.”}},{“@type”:”Question”,”name”:”Berapa banyak layer interest yang ideal untuk audience stacking?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Umumnya 3–6 interest dalam satu ad set memberikan keseimbangan yang baik antara spesifisitas dan skala. Lebih dari 8–10 interest mulai kehilangan efek stacking karena audience menjadi terlalu broad lagi.”}},{“@type”:”Question”,”name”:”Apakah audience stacking bisa diterapkan di TikTok Ads juga?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Ya — TikTok Ads juga memiliki kemampuan menggabungkan interest, behavior, dan demographic targeting. Prinsipnya serupa dengan Meta, tapi TikTok memiliki data behavioral berbeda sehingga perlu eksperimen untuk menemukan kombinasi paling relevan.”}},{“@type”:”Question”,”name”:”Apakah ada risiko overlap audience yang menyebabkan iklan berkompetisi satu sama lain?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Ya — audience overlap bisa menyebabkan distribusi budget yang tidak efisien. Gunakan fitur Audience Overlap di Meta Ads Manager untuk mengecek overlap antar audience sebelum menjalankan campaign secara bersamaan.”}}]}