Studi kasus · Digital marketing Mizan Pustaka

Kenapa satu konten bisa menjual ribuan, dan yang lain nyaris tidak

Tiga animasi untuk membaca masalah konten kita: bagaimana konten menyebar, di mana Dan Brown bocor dibanding The Ocean Would Paint Me Blue, dan kenapa akun yang bekerja seperti katalog kehilangan jangkauan.

Mekanisme

Satu konten, banyak audiens, banyak pembeli

Konten yang kuat ditonton tuntas dan dibagikan. Algoritma membaca itu sebagai sinyal untuk mendorong lebih jauh, sehingga lingkar audiens berikutnya terbuka dan jumlah pembeli ikut berlipat.

Model teknis

Corong perkalian dengan efek berbagi

Pembelian = I₀ × M × h × r × c × k M = 1 / (1 − R), R = s × v (berlaku untuk R < 1) I₀ impresi awal (follower + dorongan algoritma) h hook rate = tayangan 3 detik / impresi r retensi = tonton tuntas / tayangan 3 detik c klik = klik link atau keranjang / penonton k konversi = pembelian / klik s share rate = share / penonton v rata-rata penonton baru per share
  • H₀: R konten bagus = R konten biasa. H₁: R konten bagus > R konten biasa.
  • Efek berbagi: R = 0,1 → M = 1,11×; R = 0,5 → M = 2×; R = 0,7 → M = 3,3×.
  • Efek perkalian: kalau h, r, c, dan k masing-masing naik 20%, pembelian naik 1,2⁴ = 2,07×, bukan 20%.
  • Data: impresi, tayangan 3 detik, tonton tuntas, share, dan reach non-follower dari Insight; klik dari Ads Manager; pembelian dari marketplace.
Masalah

Ocean menyebar, Dan Brown tertahan

Konten Ocean sampai ke pembaca yang tepat dan dibagikan berlapis. Dan Brown terjual sekitar 1.500 eksemplar: dugaannya, kontennya terpapar sempit dan sebagian besar jatuh ke orang yang bukan pembaca Dan Brown.

Hipotesis yang perlu dicek dengan data: demografi penonton konten Dan Brown dan breakdown usia di Ads Manager. Kalau penontonnya ternyata tepat sasaran, kebocoran ada di harga, stok, atau jalur beli.

Model teknis

Mencari tahap yang paling bocor

Pembelian = I × τ × q I impresi τ ketepatan sasaran = impresi ke segmen sasaran / total impresi q konversi di segmen sasaran = c × k Rasio kebocoran per tahap j: L_j = ln( tahap_j Dan Brown / tahap_j Ocean ) → L paling negatif = sumber kebocoran utama Uji dua proporsi: z = (p̂₁ − p̂₂) / √( p̄(1 − p̄)(1/n₁ + 1/n₂) ) signifikan bila |z| > 1,96 (α = 5%)
  • H2a, salah sasaran. H₀: τ Dan Brown = τ Ocean. H₁: τ Dan Brown < τ Ocean. Data: breakdown usia dan minat impresi di Ads Manager, dibanding profil pembeli.
  • H2b, bocor di pembelian. H₀: k Dan Brown = k Ocean. H₁: k Dan Brown < k Ocean. Data: pembelian dibagi klik per kampanye.
  • H2c, paparan kurang. I Dan Brown jauh di bawah I Ocean pada budget yang setara.
  • Contoh hitung: kalau τ naik dari 0,35 ke 0,85 dan faktor lain tetap, 1.500 × 0,85 / 0,35 ≈ 3.600 eksemplar.

Nilai τ 0,35 dan 0,85 adalah asumsi animasi. Ganti dengan data kampanye sebelum dipakai sebagai proyeksi.

Arah solusi

Dari katalog ke pertanyaan besar

Saat akun memajang satu buku per postingan, setiap postingan hanya menyentuh satu kelompok pembaca dan jangkauan menyusut. Saat konten dibuka dengan pertanyaan, beberapa kelompok tertarik sekaligus, dan katalog yang beragam berubah jadi kekuatan.

Benang merah pembaca Mizan Pustaka: orang yang suka bertanya tentang iman, makna, dan hidup. Dan Brown, Karen Armstrong, Haidar Bagir, Husein Ja'far, dan Zoulfa Katouh bisa hadir bersama sebagai jawaban.

Model teknis

Ketertarikan follower menentukan jangkauan berikutnya

Follower terbagi ke k segmen dengan bobot w₁ … w_k (Σ w = 1) Ketertarikan postingan f = Σ w_i (segmen yang disasar) katalog, 1 segmen f ≈ 1/k = 20% (k = 5) pertanyaan, 3 segmen f ≈ 3/k = 60% Engagement awal e = f × a (a = peluang berinteraksi bila tertarik) Jangkauan berikutnya R_t+1 = R_t × g(e) g(e) < 1 bila e < e* (ambang algoritma) Katalog, g = ρ = 0,8: R_t = R₀ × ρ^t 0,5 × 0,8⁴ ≈ 0,20 → jangkauan 50% turun ke 20% di promo ke-5
  • H3a: H₀: median engagement rate pertanyaan = katalog. H₁: pertanyaan lebih tinggi. Uji Mann–Whitney U, minimal sekitar 10 postingan per format.
  • H3b: kemiringan regresi ln(reach) terhadap urutan postingan negatif untuk katalog dan nol atau positif untuk pertanyaan.
  • H3c: proporsi engager lintas segmen lebih tinggi pada format pertanyaan.
  • Desain uji: 4–6 minggu, selang-seling dua format, jam posting dan budget boost disamakan supaya perbedaan datang dari format, bukan dari faktor lain.
studikasus