48% Anggaran Marketing Kini Bergantung pada Data Real-Time

Bagaimana jika saya katakan bahwa cara tercepat untuk memangkas pemborosan kampanye bukanlah saluran baru… melainkan memindahkan analitik lebih dekat ke momen pengguna bertindak?
Seiring matangnya teknologi real-time, lebih banyak optimasi mungkin akan bergeser dari "dasbor hari esok" ke keputusan dalam sesi—karena menunggu berjam-jam untuk bereaksi pada dasarnya sama dengan membayar kesalahan yang sebenarnya bisa dicegah.

BLUF: Analitik real-time yang didukung oleh cloud dan edge stack mengurangi pemborosan kampanye dengan bertindak atas sinyal secara instan—memfilter traffic sampah, menekan penempatan buruk, dan mempersonalisasi pengalaman sebelum Anda membayar untuk impresi yang tidak relevan berikutnya. Cloud masih melatih dan mengorkestrasi, tetapi edge semakin banyak mengambil keputusan dalam hitungan milidetik.

Mengapa real-time telah menjadi tuas kontrol anggaran (bukan sekadar upgrade pelaporan)

Jadi begini: sebagian besar pemborosan marketing berasal dari feedback loop yang lambat.

Ketika pengukuran tiba berjam-jam (atau berhari-hari) setelah penyampaian, Anda terus mendanai penempatan yang berkinerja rendah, materi kreatif yang basi, dan audiens dengan intensi rendah. Analitik real-time membalik dinamika tersebut dengan memungkinkan Anda mendeteksi dan memperbaiki saat kampanye masih berjalan.

Dan pemasar sudah membuktikannya dengan anggaran mereka. Menurut laporan State of Marketing dari Salesforce, 48% anggaran marketing dipengaruhi oleh insight data real-time (Salesforce). Itu bukan metrik kesombongan. Itu adalah sinyal langsung yang membentuk alokasi dana langsung.

Bagaimana cloud + edge mengubah operasi kampanye (model "komando + refleks")

Ini adalah hal yang kurang dibahas: cloud dan edge bukanlah rival. Mereka adalah pembagian kerja.

Bayangkan cloud sebagai komando pusat Anda: penyimpanan terpusat, pelatihan model, tata kelola, dan orkestrasi lintas saluran. Bayangkan edge sebagai tim respons cepat Anda: penilaian latensi rendah, penyaringan, dan pengambilan keputusan dekat dengan pengguna.

Kombinasi ini mengurangi dua pemicu besar pemborosan:

1. Latensi (Anda tidak bisa memperbaiki apa yang tidak bisa Anda lihat dengan cukup cepat)
2. Bandwidth + overhead pemrosesan (mengirim setiap event ke cloud sebelum bertindak itu lambat dan mahal)

Analisis dari firma seperti McKinsey telah eksplisit tentang mengapa ini penting. Edge computing diposisikan untuk kasus penggunaan di mana latensi rendah dan pemrosesan lokal menciptakan nilai nyata—terutama ketika keputusan perlu terjadi dekat dengan sumber data (McKinsey). Dan telco/5G edge sedang dikembangkan untuk mendukung aplikasi latensi rendah yang dapat memanfaatkan komputasi lebih dekat dengan pengguna (GSMA).

Dari insight ke optimasi instan: kasus penggunaan yang langsung memangkas pemborosan

Real-time hanya bernilai sesuai dengan apa yang Anda otomasi. Langkah dengan ROI tertinggi cenderung yang tidak glamor—yang menghentikan pengeluaran buruk sekarang.

Tiga kasus penggunaan yang edge-friendly muncul cepat dalam operasi marketing:

• Pemfilteran fraud/traffic tidak valid: skor event segera dan tekan pola mencurigakan sebelum mereka mengumpulkan impresi.
• Pengaman bidding dinamis: kurangi pengeluaran ketika sinyal kualitas (viewability, engagement, kedalaman sesi) turun.
• Personalisasi dalam sesi: sesuaikan pengalaman saat pelanggan masih ada, mengurangi targeting luas yang membakar impresi tanpa intensi.

AI membuat ini realistis secara operasional. Menurut State of Marketing dari HubSpot, 88% pemasar mengatakan mereka menggunakan AI dalam peran sehari-hari mereka (HubSpot). Lebih banyak otomasi + lebih banyak data streaming = lebih banyak peluang untuk memperbaiki pemborosan saat itu terjadi.

Dan volume data terus meningkat. Menurut DBaaS Benchmark Report 2024 dari Cloudflare, rata-rata baris yang dikembalikan per query meningkat ~230% dibandingkan 2020 (Cloudflare). Artinya: pemrosesan batch menjadi lebih lambat dan lebih mahal tepat saat Anda membutuhkan kecepatan.

Insight Kunci: Cloud melatih strategi. Edge mengeksekusi penghematan—dengan menghentikan pemborosan pada saat itu dimulai.

Contoh nyata: retail media closed-loop menunjukkan keunggulan "lebih dekat ke konversi"

Cara yang jelas untuk memahami nilai "gaya edge" adalah ini: pengambilan keputusan bergerak lebih dekat ke interaksi dan transaksi.

Ambil Walmart Connect. Platform ini dibangun untuk menghubungkan eksposur iklan dengan perilaku commerce di dalam ekosistem closed-loop, memberikan umpan balik lebih cepat kepada advertiser terhadap sinyal terkait pembelian—bukan hanya klik (Walmart Connect). Meskipun tidak setiap komponen diberi label "edge processing," prinsip operasinya benar-benar sesuai: perpendek jarak antara sinyal dan tindakan, dan Anda mengurangi penyampaian yang tidak relevan.

Untuk CMO, itulah poinnya. Ketika optimasi terikat pada pelaporan tertunda dan teragregasi, Anda membayar untuk pembelajaran. Ketika optimasi terikat pada sinyal real-time, Anda membayar untuk performa.

Ke mana arah pasar—dan apa yang harus dilakukan dalam 90 hari ke depan

Ini bukan lagi arsitektur khusus. Firma riset pasar memproyeksikan pertumbuhan kuat untuk edge analytics dan real-time analytics, mencerminkan investasi dalam stack pengambilan keputusan latensi rendah (sering dikutip pada ~25%+ CAGR hingga akhir 2020-an) (Fortune Business Insights, MarketsandMarkets).

Jika Anda ingin pengurangan pemborosan yang terukur dengan cepat, fokus pada eksekusi daripada jargon:

• Definisikan "pemborosan" dalam istilah sistem: traffic tidak valid, inventori viewability rendah, frekuensi berulang melebihi lift, rotasi kreatif lambat, pengalaman landing page yang tidak cocok.
• Buat instrumen event untuk streaming: perlakukan sinyal kunci (viewability, engagement, add-to-cart, bounce, latensi) sebagai event real-time, bukan metrik batch.
• Deploy aturan keputusan edge dulu, model kedua: mulai dengan supresi dan throttling (penempatan, frekuensi, geo, perangkat) sebelum mengejar personalisasi sempurna.

Poin-Poin Penting:

• Perpendek feedback loop dengan mengalihkan sinyal optimasi kunci dari laporan batch ke event streaming.
• Tekan pemborosan dalam sesi menggunakan aturan sisi edge (traffic tidak valid, penempatan berkualitas rendah, frekuensi berlebihan) sebelum pengeluaran terakumulasi.
• Sentralisasi pembelajaran di cloud (pelatihan, tata kelola, atribusi lintas saluran) sambil mendorong eksekusi ke edge untuk keputusan milidetik.
• Prioritaskan kasus penggunaan dengan dampak pemborosan langsung: pemfilteran fraud/IVT, pengaman bidding dinamis, dan rotasi kreatif real-time.

Tren industri menunjukkan bahwa analitik cloud + edge real-time mungkin bergerak menuju dunia di mana "pemborosan kampanye" terlihat kurang seperti pajak yang tak terhindarkan dan lebih seperti masalah operasional yang bisa diperbaiki. Tim yang menang kemungkinan adalah mereka yang bisa bertindak saat pelanggan masih dalam pengalaman.

Jika Anda harus membuktikan pengurangan pemborosan dalam kuartal berikutnya, keputusan tunggal mana yang akan Anda pindahkan dari "nanti" ke sekarang—bid, frekuensi, supresi penempatan, atau personalisasi on-site?