Situasinya
Seorang pemilik produk sudah memiliki website katalog yang dibuat menggunakan bantuan AI. Website sudah online dan dapat digunakan untuk menampilkan berbagai produk kepada calon pengguna.
Setelah website berjalan, muncul kebutuhan baru: pemilik ingin mengetahui apakah katalog tersebut benar-benar digunakan. Produk mana yang paling sering dilihat? Berapa banyak orang yang mengklik detail produk? Apakah pengguna menekan tombol WhatsApp? Dari mana mereka datang?
Data tersebut bukan sekadar untuk mengetahui jumlah traffic. Pemilik ingin menggunakan perilaku pengguna sebagai salah satu input untuk research and development (R&D) produk.
Masalah sebenarnya: website sudah bisa menampilkan produk, tetapi belum memiliki instrumentation yang dapat mengubah aktivitas pengguna menjadi data yang bisa dianalisis.
Audit Awal
Dari pemeriksaan awal, website tidak memiliki Google Tag Manager (GTM), analytics implementation yang memadai, event tracking, maupun observability yang dapat digunakan untuk memahami aktivitas pengguna.
Kondisi seperti ini cukup umum pada website yang dibuat dengan AI atau website builder. Fokus awal biasanya adalah membuat halaman terlihat dan berfungsi. Instrumentation sering baru dipikirkan setelah website digunakan oleh pengguna nyata.
Yang belum diketahui
- Berapa banyak pengguna yang mengunjungi website.
- Produk apa yang paling sering dilihat.
- Berapa banyak pengguna membuka detail produk.
- Produk mana yang mendapatkan klik CTA paling tinggi.
- Apakah pengguna menggunakan search atau filter.
- Dari channel mana pengunjung datang.
- Apakah pengguna melakukan tindakan lanjutan seperti klik WhatsApp atau kontak.
Analisis
Solusinya tidak cukup hanya dengan "pasang analytics". Hal pertama yang perlu ditentukan adalah pertanyaan bisnis apa yang ingin dijawab oleh data.
Setelah itu baru ditentukan event apa yang perlu dikumpulkan, parameter apa yang dibutuhkan, tools yang digunakan, dan bagaimana data tersebut akan digunakan untuk R&D.
1. Traffic Analytics
Lapisan pertama adalah mengetahui traffic dasar: jumlah pengguna, session, halaman yang dikunjungi, sumber traffic, perangkat, dan pola kunjungan.
Untuk kebutuhan baseline, Google Analytics 4 dapat digunakan. Google Tag Manager dapat membantu mengelola tag dan konfigurasi tracking tanpa harus mengubah source code untuk setiap perubahan kecil.
2. Event Tracking
Traffic saja belum cukup untuk katalog produk. Yang lebih penting adalah mengetahui tindakan yang dilakukan pengguna.
Contoh event yang dapat dirancang:
- product_view — pengguna membuka detail produk.
- product_click — pengguna mengklik kartu atau CTA produk.
- search — pengguna melakukan pencarian.
- filter_used — pengguna menggunakan filter kategori atau atribut.
- cta_click — pengguna mengklik CTA tertentu.
- whatsapp_click — pengguna berpindah ke WhatsApp.
- contact_submit — pengguna mengirim form kontak.
3. Event Taxonomy
Event sebaiknya tidak dibuat secara acak. Nama event dan parameter perlu memiliki struktur yang konsisten sehingga data dapat digunakan kembali ketika website berkembang.
| Event | Parameter | Pertanyaan yang dijawab |
|---|---|---|
| product_view | product_id, category | Produk mana yang paling banyak dilihat? |
| search | search_term | Apa yang sebenarnya dicari pengguna? |
| filter_used | filter_type, filter_value | Kriteria apa yang paling sering digunakan? |
| cta_click | product_id, cta_type | Produk mana yang menghasilkan engagement? |
| whatsapp_click | product_id, source | Produk mana yang mendorong calon customer menghubungi bisnis? |
Bagaimana dengan Observability?
Product analytics dan technical observability sebaiknya dibedakan. Analytics menjawab pertanyaan seperti "apa yang dilakukan pengguna?", sedangkan observability membantu menjawab "apa yang terjadi pada sistem?".
Untuk katalog sederhana, tidak selalu perlu memasang observability stack yang kompleks. Namun ketika aplikasi mulai memiliki API, database, authentication, atau proses backend, monitoring error dan performance menjadi semakin penting.
Product analytics
Fokus pada pengguna, halaman, produk, event, conversion, dan pola perilaku.
Technical observability
Fokus pada error, request, latency, availability, resource usage, dan masalah teknis yang dialami sistem.
Jangan mencampur keduanya: dashboard traffic tidak dapat menggantikan error monitoring, dan error monitoring tidak dapat menjawab produk mana yang paling diminati.
Pilihan Implementasi
| Pendekatan | Kapan dipilih | Catatan |
|---|---|---|
| GA4 + GTM | Butuh baseline analytics dan event tracking | Praktis untuk tahap awal |
| Analytics + custom events | Perlu insight khusus katalog | Memerlukan event taxonomy yang jelas |
| Dashboard khusus | Data akan digunakan rutin untuk R&D | Dapat dibuat setelah kebutuhan data stabil |
| Technical observability | Website memiliki backend/API yang lebih kompleks | Fokus pada reliability dan technical health |
Dari Analytics Menjadi Input R&D
Nilai utama dari instrumentation bukan sekadar memiliki dashboard dengan angka traffic. Data tersebut perlu diterjemahkan menjadi pertanyaan produk.
Misalnya, jika satu kategori produk memiliki page view tinggi tetapi engagement rendah, hal tersebut dapat menjadi sinyal untuk mengevaluasi positioning, informasi produk, harga, atau CTA.
Sebaliknya, produk yang memiliki jumlah view lebih rendah tetapi conversion atau contact rate tinggi juga dapat menjadi insight yang menarik.
Search term juga dapat memberikan informasi mengenai apa yang sebenarnya dicari pengguna, termasuk kemungkinan kebutuhan produk yang belum tersedia di katalog.
Rekomendasi Deduksi
Mulai dari pertanyaan bisnis. Jangan memasang puluhan event hanya karena semuanya bisa di-track.
Buat instrumentation minimum. Track page view, product view, search, filter, CTA, dan conversion yang memang relevan.
Gunakan GTM sebagai layer pengelolaan. Dengan struktur tracking yang baik, perubahan tracking berikutnya menjadi lebih mudah dikelola.
Bangun dashboard setelah datanya benar. Dashboard yang bagus tidak berguna jika event dan parameter yang dikumpulkan sejak awal tidak konsisten.
Hubungkan analytics dengan R&D. Data perilaku pengguna sebaiknya menjadi salah satu input keputusan, bukan sekadar angka untuk dipamerkan.
Bagaimana dengan Biaya?
Untuk kasus seperti ini, biaya dapat dimulai dari implementasi sederhana. Tools analytics tertentu dapat digunakan tanpa biaya lisensi pada skala awal, tetapi tetap ada pekerjaan engineering untuk menentukan event, memasang tracking, melakukan testing, dan membuat dokumentasi.
Jika kebutuhan berkembang menjadi dashboard khusus, data warehouse, integrasi beberapa sumber data, atau observability backend, kompleksitas dan biaya engineering juga akan meningkat.
Prinsipnya: jangan membeli banyak tools sebelum mengetahui data apa yang sebenarnya dibutuhkan untuk mengambil keputusan.
Output yang Ideal
Untuk tahap awal, hasil pekerjaan sebaiknya bukan hanya "analytics sudah terpasang". Pemilik website sebaiknya mendapatkan dokumentasi yang dapat digunakan kembali.
- Audit tracking existing.
- Measurement plan.
- Event taxonomy.
- Daftar event dan parameter.
- Implementasi GTM dan analytics.
- Testing event dan validation.
- Dokumentasi tracking.
- Rekomendasi metrik untuk R&D.
- Opsional: dashboard dan monitoring lanjutan.
Kesimpulan
Website yang dibuat dengan AI tidak menjadi masalah selama kebutuhan engineering-nya tetap diperiksa. Dalam kasus ini, masalahnya bukan website tidak bisa menampilkan katalog, melainkan website tidak menghasilkan informasi yang cukup untuk membantu pemilik memahami penggunanya.
Dengan instrumentation yang tepat, website katalog dapat berkembang dari sekadar etalase digital menjadi sumber data untuk memahami minat pengguna dan mendukung keputusan R&D.
Engineering yang baik bukan hanya membuat website bekerja. Engineering juga memastikan sistem dapat memberikan informasi yang dibutuhkan ketika bisnis ingin mengambil keputusan.