Apa Itu Lookalike Audience Meta Ads dan Cara Pakainya

Apa Itu Lookalike Audience Meta Ads

Lookalike audience adalah lapisan audiens yang dibentuk Meta dari sebuah sumber. Kamu menunjuk satu sumber — daftar email pelanggan, pengunjung situs, atau orang yang sudah melakukan pembelian — lalu Meta memetakan pola perilaku orang-orang di dalamnya dan mencari orang lain di luar sumber itu yang polanya menyerupai. Hasilnya bukan salinan sumber, melainkan perkiraan siapa yang kemungkinan bereaksi mirip.

Yang sering disalahpahami: lookalike bukan tombol "perbesar jangkauan". Kalau sumbernya berisi pembeli nyata, Meta punya bahan yang jelas untuk dipelajari. Kalau sumbernya berisi orang yang cuma mampir satu detik lalu pergi, Meta mempelajari pola yang salah dan hasilnya ikut salah. Kualitas sumber menentukan kualitas hasil, bukan ukuran persentase kemiripan.

Ukuran persentase kemiripan mengatur seberapa ketat Meta mencocokkan. Persentase kecil berarti pencocokan lebih ketat dan audiens lebih sempit; persentase besar berarti pencocokan lebih longgar dan audiens melebar. Tidak ada satu angka yang benar untuk semua akun — yang menentukan adalah seberapa besar sumbermu dan seberapa spesifik produkmu.

Karena itu, pertanyaan pertama saat hasilnya jelek bukan "persentasenya salah berapa?", tapi "sumbernya sudah benar belum?". Banyak pengiklan langsung mengganti persentase padahal masalahnya ada di daftar pelanggan yang isinya campur antara pembeli dan pengisi form asal-asalan.

Dari Mana Sumber Audiens Lookalike Diambil

Sumber yang paling sering dipakai ada beberapa jenis, dan masing-masing punya karakter berbeda.

• Daftar pelanggan: email atau nomor telepon pembeli. Ini sumber paling dekat dengan uang karena isinya orang yang sudah membayar.
• Pengunjung situs: orang yang pernah membuka halaman tertentu. Kualitasnya tergantung halaman mana yang kamu pilih — halaman produk jauh lebih bermakna daripada halaman beranda.
• Pengguna aplikasi: orang yang pernah membuka atau menyelesaikan aksi di dalam aplikasi.
• Engagement di Meta: orang yang menonton video, berinteraksi dengan halaman, atau mengirim pesan.

Urutan di atas bukan kebetulan. Semakin dekat sumber ke transaksi, semakin tajam sinyal yang dipelajari Meta. Sumber engagement paling lemah karena "menonton video" bisa berarti banyak hal, termasuk orang yang cuma lewat di feed.

Ada satu hal teknis yang sering bikin data sumber kotor: event dobel. Kalau kamu mengirim event yang sama dari Pixel dan dari server, Meta hanya menghapus duplikatnya bila event kedua diterima dalam 48 jam sejak event pertama diterima, dengan ID event yang sama. Lewat dari jendela itu, dua event dihitung sebagai dua, dan sumbermu membengkak dengan angka yang tidak nyata.

Sebelum membuat lookalike, bersihkan dulu sumbernya. Buang alamat email yang jelas tidak valid, pisahkan pembeli dari pengisi form, dan pastikan pelacakanmu tidak mengirim event yang sama dua kali. Waktu yang dihabiskan di langkah ini biasanya lebih berguna daripada waktu yang dihabiskan untuk mencoba-coba persentase.

Cara Membuat Lookalike Audience Langkah demi Langkah

Alurnya ada di Ads Manager, bukan di tempat lain. Berikut urutan yang biasa dipakai.

1. 1Buka menu Audiences di Business Suite atau Ads Manager, lalu pilih Create Audience dan Lookalike Audience.
2. 2Pilih sumber audiens. Kalau sumbermu belum ada, buat dulu custom audience-nya dari daftar pelanggan atau dari Pixel.
3. 3Tentukan negara atau wilayah. Satu lookalike hanya berlaku untuk satu wilayah, jadi kalau kamu jualan di beberapa negara, kamu perlu membuatnya terpisah.
4. 4Atur ukuran persentase kemiripan. Mulai dari yang ketat dulu, lalu melebar kalau hasilnya masih sehat.
5. 5Beri nama yang menjelaskan isinya — sumber, wilayah, dan persentase — supaya kamu tidak bingung saat sudah punya banyak audiens.

Langkah 5 sering diremehkan. Setelah beberapa bulan, akun yang tidak rapi penamaannya jadi penuh audiens bernama "Lookalike 1", "Lookalike 2", dan tidak ada yang tahu mana yang berasal dari sumber mana. Ini bikin proses membaca hasil jadi mustahil.

Saat menyiapkan ad set-nya, perhatikan anggaran minimum. Untuk bid strategy LOWEST_COST_WITHOUT_CAP, anggaran harian minimum sebuah ad set adalah 0,50 dolar AS kalau ditagih per impresi, 2,50 dolar AS untuk aksi seperti klik dan like, dan 40 dolar AS untuk aksi berfrekuensi rendah. Angka ini dalam dolar AS dan berlaku per ad set, jadi kalau kamu memecah campaign jadi banyak ad set, anggaran minimumnya menumpuk.

Di titik inilah fitur ads_automation di Kanzen Ads masuk. Alih-alih kamu membuat dan menamai audiens satu per satu secara manual, sistemnya menyusun struktur audiens dan ad set mengikuti sumber yang kamu tentukan, lalu menjaga penamaan dan pemetaannya tetap konsisten saat kamu menambah sumber baru. Jadi ketika kamu ingin membandingkan hasil dari dua sumber berbeda, kamu tinggal membaca struktur yang sudah terbentuk, bukan menebak-nebak audiens mana yang berasal dari mana.

Cara Memakai Lookalike Audience Tanpa Mengulang Fase Belajar

Fase belajar adalah masa ketika Meta masih mengumpulkan data untuk menentukan siapa yang paling cocok ditampilkan iklanmu. Setiap kali kamu mengubah penargetan, anggaran, atau kreatif secara signifikan, fase ini bisa dimulai lagi dari awal. Masalahnya, banyak pengiklan mengubah-ubah hal itu justru di saat hasilnya sedang jelek — dan hasilnya makin jelek.

Akvile DeFazio, President AKvertise, menyebut cara yang dia pakai di era Andromeda/GEM: berhenti memecah-mecah penargetan dan menggabungkan campaign serta ad set jadi lebih sedikit, lalu menahan diri tidak mengubah-ubah iklan karena menurut dia suntingan yang sering justru mengulang fase belajar. Ini pengalaman satu praktisi, bukan jaminan hasil sama untuk semua akun, tapi logikanya masuk: makin banyak ad set kecil, makin banyak fase belajar yang harus dilalui bersamaan.

Praktiknya seperti ini.

• Gabungkan beberapa lookalike yang mirip ke dalam satu ad set daripada membuat ad set terpisah untuk masing-masing.
• Tentukan satu jadwal evaluasi, misalnya sekali seminggu, dan di luar jadwal itu jangan menyentuh apa pun.
• Kalau harus mengubah sesuatu, ubah satu hal saja dan catat tanggalnya.

Ada juga titik kendali manusia yang tetap perlu dipegang. Rémi Kerhoas, Performance Director di Eskimoz, membiarkan otomatisasi Meta berjalan tapi memegang tiga hal sendiri: memakai penargetan luas versi manual supaya masih bisa mengatur kejenuhan, mengeluarkan Audience Network dari campaign pencarian pelanggan baru karena menurut dia trafiknya sampah, dan memastikan tujuan campaign benar-benar sejajar dengan tujuan bisnis. Ini juga pengalaman satu praktisi, bukan aturan resmi.

Kapan Lookalike Audience Sebaiknya Tidak Dipakai

Lookalike bukan jawaban untuk semua situasi. Ada kondisi di mana memakainya justru membuang anggaran.

Sumbernya masih terlalu kecil. Kalau daftar pelangganmu baru puluhan orang, Meta tidak punya cukup bahan untuk memetakan pola. Lebih baik kumpulkan data dulu lewat penargetan minat atau penargetan luas.

Produkmu sangat niche. Kalau pasarmu sempit dan spesifik, memperlebar ke orang yang "mirip" justru mendatangkan orang yang mirip secara demografi tapi tidak punya masalah yang produkmu selesaikan.

Kamu belum punya data konversi yang bersih. Kalau pelacakanmu masih kacau, lookalike akan belajar dari sinyal yang salah. Perbaiki pelacakan dulu.

Tujuan campaign tidak sejajar dengan tujuan bisnis. Ini poin yang sering dilewatkan. Kalau kamu memakai tujuan video views, ketahuilah bahwa pada billing event VIDEO_VIEWS pengiklan ditagih ketika orang menonton iklan videonya paling sedikit 10 detik, sedangkan pada THRUPLAY penagihannya untuk iklan yang diputar sampai selesai atau diputar paling sedikit 15 detik. Dua hal ini menghasilkan audiens yang berbeda sifatnya, dan lookalike yang dibangun dari sana juga akan berbeda.

Ada satu situasi lagi: ketika kamu sudah punya audiens retargeting yang sehat dan anggarannya terbatas. Dalam kondisi itu, memperbesar jangkauan ke orang baru sering kalah prioritas dibanding memaksimalkan orang yang sudah mengenal produkmu.

Cara Membaca Hasilnya dan Mengubah Satu Variabel Saja

Kesalahan paling umum saat membaca hasil adalah mematikan iklan karena satu angka jelek. Akvile DeFazio menyebut dia tidak mematikan iklan hanya karena satu angka jelek; cara kerjanya membaca hubungan antar-angka — hook rate vs hold rate, klik tautan vs kunjungan halaman, CPA vs frekuensi — untuk menemukan titik macetnya, lalu hanya variabel itu yang diubah. Ini pengalaman satu praktisi, bukan jaminan hasil sama untuk semua akun.

Contoh penerapannya. Kalau hook rate bagus tapi hold rate jelek, masalahnya ada di bagian tengah video, bukan di audiens. Kalau klik tautan banyak tapi kunjungan halaman sedikit, masalahnya ada di kecepatan halaman, bukan di lookalike. Kalau CPA naik bersamaan dengan frekuensi yang naik, masalahnya kejenuhan audiens — dan solusinya memperluas audiens, bukan mengganti kreatif.

Urutan membacanya seperti ini.

1. 1Lihat frekuensi dulu. Kalau sudah tinggi, audiensmu kemungkinan jenuh.
2. 2Bandingkan hook rate dengan hold rate untuk melihat di mana orang berhenti.
3. 3Bandingkan klik tautan dengan kunjungan halaman untuk memisahkan masalah iklan dari masalah situs.
4. 4Baru lihat CPA, dan tanyakan apakah kenaikannya sejalan dengan perubahan di tiga angka sebelumnya.

Setelah menemukan titik macetnya, ubah satu variabel saja. Kalau masalahnya kejenuhan, perluas audiens atau ganti kreatif — jangan keduanya sekaligus. Kalau kamu mengubah dua hal bersamaan dan hasilnya membaik, kamu tidak akan pernah tahu mana yang bekerja, dan tidak bisa mengulanginya.

Kesalahan Umum dan Cara Menghindarinya

Beberapa kesalahan muncul berulang di hampir setiap akun.

Membuat terlalu banyak lookalike dari sumber yang sama dengan persentase berbeda-beda, lalu menjalankannya bersamaan. Audiens-audiens ini saling tumpang tindih, dan kamu sebenarnya berebutan menampilkan iklan ke orang yang sama.

Menilai hasil dalam hitungan jam. Fase belajar butuh waktu, dan keputusan yang diambil terlalu cepat biasanya cuma menambah suntingan yang mengulang fase belajar itu.

Memakai sumber engagement karena cepat terkumpul. Sumber ini paling mudah didapat tapi paling lemah sinyalnya. Kalau ada pilihan sumber yang lebih dekat ke transaksi, pakai itu.

Tidak memisahkan wilayah. Satu lookalike hanya berlaku untuk satu wilayah, dan mencampurnya membuat hasilnya sulit dibaca.

Cara menghindarinya sederhana tapi butuh disiplin: batasi jumlah audiens yang berjalan bersamaan, tetapkan jadwal evaluasi, catat setiap perubahan beserta tanggalnya, dan pastikan sumber audiensmu bersih sebelum dipakai. Kalau kamu melakukan empat hal itu, sebagian besar kebingungan soal lookalike akan hilang dengan sendirinya.