KPI Virtual Try On: Metrics, Tracking & Cara Mengukur ROI AR

Apa itu KPI virtual try on dan mengapa penting

Virtual try-on (VTO) adalah fitur AR yang memungkinkan pelanggan mencoba produk secara virtual menggunakan kamera perangkat. Untuk definisi teknis dan teknologi AR lihat dokumentasi Google Developers. Mekanisme teknis seperti face tracking, 3D visualization, dan pilihan webAR vs app AR dijelaskan di penjelasan VTO.

Tujuan bisnis VTO biasanya: meningkatkan engagement, menurunkan return, mempersonalisasi pengalaman, dan mendorong konversi. KPI adalah ukuran terukur agar tim analytics, product, dan growth dapat menghubungkan pengalaman VTO dengan metrik bisnis — tanpa KPI terukur sulit membuktikan ROI atau memprioritaskan perbaikan.

Key quantitative KPIs to track (definisi + rumus)

Engagement metrics

• Try-on rate
  Definisi: Persentase pengunjung halaman produk yang memulai VTO.
  Rumus: Try-on rate = (Total vto_try_start / Product page views) * 100
  Headline dashboard: “Try-on rate (7‑day rolling)”
• Average VTO session length
  Definisi: Rata‑rata durasi sesi VTO.
  Rumus: Avg session length = Total waktu sesi VTO / Jumlah sesi VTO
  Headline: “Median VTO session length”
• Interactions per session
  Definisi: Rata‑rata jumlah interaksi (zoom, rotate, filter) per sesi.
  Rumus: Interactions per session = Total interactions / Number of VTO sessions

Conversion metrics

• Add-to-cart rate after VTO
  Rumus: = (Total vto_add_to_cart setelah VTO / Total vto_try_start) * 100
• VTO-to-purchase conversion rate
  Rumus: = (Total vto_purchase / Total vto_try_start) * 100
• Checkout conversion
  Rumus: = (Purchases / Checkout entries) * 100

Revenue metrics

• AR-attributed revenue
  Definisi: Total revenue dari pesanan yang berinteraksi dengan VTO. Untuk metode incrementality (menghindari over‑attribution) lihat CausalImpact.
• AOV uplift
  Rumus: AOV uplift % = ((AOV_VTO − AOV_nonVTO) / AOV_nonVTO) * 100
• Revenue per session / LTV lift
  Headline: “Revenue / VTO session”

Efficiency & quality

• Time-to-first-try — Median waktu dari masuk halaman sampai vto_try_start.
• Successful-tracking-rate — % sesi dengan tracking_confidence >= threshold.
• Returns rate comparison — Bandingkan return rate pesanan dengan VTO vs tanpa VTO.

Event tracking VTO — event list, naming convention & payloads

Nama event harus konsisten dan sesuai spec seperti Segment event spec. Sertakan experiment_id bila relevan.

Ringkasan event (nama → deskripsi → properti utama)

• vto_impression — VTO terlihat di halaman produk. Properties: product_id, placement, experiment_id, timestamp.
• vto_open — Pengguna membuka sesi VTO. Properties: anon_id atau user_id, device, entry_point, experiment_id, timestamp.
• vto_try_start — Mulai try-on. Properties: session_id, product_id, variant, ar_mode, timestamp.
• vto_try_end — Selesai try-on. Properties: session_id, duration, success, interactions_count, tracking_confidence.
• vto_capture — Pengguna menyimpan/berbagi gambar. Properties: image_id, share_destination, session_id.
• vto_add_to_cart — Tambah ke keranjang setelah VTO. Properties: product_id, price, applied_variant, currency.
• vto_purchase — Pembelian selesai (dikaitkan dengan VTO). Properties: order_id, revenue, experiment_id, currency.
• vto_error — Error VTO terjadi. Properties: error_code, message, session_id, timestamp.

Properti tambahan yang direkomendasikan: sku, anon_id, session_id, experiment_id, duration, device, browser, lighting_confidence, tracking_confidence, variant_size, price, currency, timestamp.

Contoh JSON singkat (vto_try_end)

{
  "event": "vto_try_end",
  "properties": {
    "session_id": "sess_abc123",
    "duration": 27.4,
    "success": true,
    "interactions_count": 5,
    "tracking_confidence": 0.92,
    "timestamp": "2025-10-14T07:20:50Z"
  }
}

Best practices tracking: konsistensi naming, schema validation (lihat Segment spec), selalu sertakan experiment_id, simpan backup server‑side, dan validasi integritas event secara berkala (baca panduan taksonomi event dari Amplitude).

Funnel analitik AR — mapping events → funnel & cara analisis drop-off

Mapping funnel (Awareness → Activation → Engagement → Intent → Conversion):

• Awareness: vto_impression
• Activation: vto_open
• Engagement: vto_try_start → vto_try_end
• Intent: vto_add_to_cart
• Conversion: vto_purchase

Metrik utama untuk analisis drop‑off: stage conversion rates, absolute drop-offs, time-between-stages, dan median session length.

Teknik analitis praktis: funnel visualization (lihat panduan Mixpanel), cohort retention, journey analysis, dan segmentasi (device, OS, product category).

Playbook diagnosa drop-off (langkah cepat)

1. Periksa integritas raw log (adakah event yang hilang?).
2. Segmentasi berdasarkan device/OS untuk menemukan incompatibility.
3. Tinjau time-to-first-try dan metrik jaringan/performance.
4. Jika ada error spike, korelasikan dengan vto_error logs.

Contoh studi kasus dan metrik drop‑off ada di koleksi studi kasus.

Cara mengukur ROI AR — step-by-step methodology

1. Set baseline: kumpulkan metrik pre-VTO (conversion rate, AOV, return rate) selama periode representatif (6–12 minggu).
2. Define incremental impact: jalankan randomized A/B test atau control group; gunakan metode incrementality (lihat CausalImpact).
3. Compute costs: development, licensing, content creation, hosting, marketing, QA/device testing, maintenance.
4. Calculate ROI: ROI = (Incremental revenue − Incremental cost) / Incremental cost.
5. Include non‑revenue benefits: kuantifikasi pengurangan return, penurunan beban CS, dan peningkatan NPS jika tersedia.

Gunakan window attribution hati‑hati dan andalkan incrementality tests untuk validasi atribusi.

A/B test dengan virtual try on — desain & analisis

Hypothesis definition

Contoh hipotesis: “Menambahkan VTO pada halaman produk meningkatkan add-to-cart rate dari 8% menjadi 8.6% (MDE 7.5%).”

Test design

• Randomization unit: user_id (preferable) atau session_id.
• Exposure: pastikan eksposur konsisten dan sertakan experiment_id.
• Durasi: rencanakan untuk mengakomodasi seasonality.

Untuk template A/B test dan checklist lihat demo & template.

Sample size & MDE

Gunakan kalkulator sample size seperti Evan Miller untuk menentukan N berdasarkan baseline rate dan MDE.

Metrics & statistical analysis

• Primary: conversion rate atau revenue/user.
• Secondary: try-on rate, session duration.
• Statistical tests: two-sample proportion untuk konversi, t-test untuk rata‑rata, koreksi multiple comparisons. Ikuti panduan Optimizely.

Tools, pipeline & dashboards (implementasi praktis)

Rekomendasi stack minimal:

• Instrumentation: client SDK + server events, schema validation (Segment).
• Ingestion: Segment / Kafka → Warehouse (BigQuery / Snowflake).
• Analytics & BI: Amplitude / Mixpanel untuk funnel, Looker / Metabase untuk dashboards.
• Experimentation: Optimizely / LaunchDarkly.
• GA4 untuk pelacakan web umum dan custom events: GA4 custom events.

Jika menggunakan platform e‑commerce populer, lihat panduan integrasi: Shopify, WooCommerce.

Checklist teknis

• Schema validation & contract testing.
• Server-side backups untuk kritikal events.
• Monitoring & alerts pada vto_error dan tracking_confidence drop.

Privacy, performance & QA (risiko & guardrails)

Privacy

• Jangan kirim PII tanpa izin; gunakan anon_id saat user tidak login.
• Ikuti regulasi seperti GDPR dan CCPA.
• Panduan kepatuhan untuk data wajah: privasi data wajah.

Performance & QA

• Ukur AR init time dan dampak page load.
• QA checklist: event validation, sampling checks, replay tests, cross-device verification.

Contoh studi kasus & perhitungan ROI (hipotetis)

Contoh singkat:

• Baseline: 100.000 product page views / bulan, baseline conversion = 2%, AOV = Rp 500.000.
• Hasil A/B (hipotetis): VTO group menunjukkan +10% relative lift pada conversion (2% → 2.2%). Dengan 10.000 pengunjung exposed, incremental conversions = 20 (0.2% * 10.000).
• Incremental revenue = 20 * Rp 500.000 = Rp 10.000.000.
• Biaya implementasi incremental (bulan pertama): Rp 5.000.000 → ROI = (Rp 10.000.000 − Rp 5.000.000) / Rp 5.000.000 = 100%.

Catatan: angka ilustratif. Untuk sample size gunakan Evan Miller.

Common pitfalls, troubleshooting & best practices

• Reliance on raw attribution tanpa incrementality → Fix: jalankan control experiments (Optimizely).
• Underpowered tests → Diagnosa: cek sample size dan MDE.
• Missing experiment_id di event stream → Diagnosa: audit event schema.
• Ignoring segmentation → Fix: rerun funnel by device/OS/product.

Deliverables (yang harus disertakan dengan posting)

• Event tracking spec (CSV/JSON).
• Sample SQL queries (funnel conversion, incremental revenue, retention).
• Dashboard wireframes / contoh screenshot.
• A/B test template (hypothesis, metrics, sample size calc, checklist).
• Short hypothetical ROI worked example.

Unduh asset / minta demo: https://cermin.id/demo

Mengapa Cermin.id Cocok untuk Bisnis Anda

Cermin.id fokus pada solusi virtual try-on untuk e‑commerce Indonesia, menawarkan integrasi cepat yang kompatibel dengan pipeline umum (Segment, BigQuery). Platform mendukung event instrumentation siap pakai sehingga tim analytics bisa langsung mulai mengukur KPI VTO. Untuk pengenalan layanan lihat Cermin.id dan minta demo di demo.

• Akurasi virtual try-on untuk aksesori dan kacamata (tanpa sumber tepercaya).
• Cepat diintegrasikan ke stack analytics Anda.
• Mudah menyertakan experiment_id untuk A/B testing.
• Support teknis untuk event schema dan QA.

Kesimpulan & actionable implementation checklist

1. Definisikan KPI utama: try-on rate, VTO-to-purchase, AR revenue.
2. Implementasikan event spec: vto_impression, vto_open, vto_try_start, …
3. Validasi schema dan simpan server‑side backup.
4. Jalankan A/B test ter-randomisasi untuk mengukur incrementality.
5. Hitung incremental revenue dan semua biaya untuk ROI.
6. Bangun dashboard funnel dan alerts untuk vto_error / tracking_confidence.
7. Segmentasikan hasil by device/OS/product.
8. Lakukan QA cross-device dan privacy review (PII, retention).
9. Iterasi berdasarkan HTE dan rollout bertahap.
10. Download event spec & SQL snippets / minta demo di https://cermin.id/demo.

Appendix (SQL snippets, event spec sampel, dashboard wireframes)

Referensi BigQuery functions: BigQuery SQL functions.

Contoh query (BigQuery style) — Funnel conversion rate (try_start → add_to_cart)

SELECT
  SUM(CASE WHEN event = 'vto_try_start' THEN 1 ELSE 0 END) AS tries,
  SUM(CASE WHEN event = 'vto_add_to_cart' THEN 1 ELSE 0 END) AS adds,
  SAFE_DIVIDE(SUM(CASE WHEN event = 'vto_add_to_cart' THEN 1 ELSE 0 END), SUM(CASE WHEN event = 'vto_try_start' THEN 1 ELSE 0 END)) AS add_rate
FROM `project.dataset.events`
WHERE _PARTITIONTIME BETWEEN TIMESTAMP('2025-09-01') AND TIMESTAMP('2025-09-30')

Contoh query (pseudo‑SQL) — Incremental revenue calc (test vs control)

-- aggregate revenue by experiment_id and cohort, then compute difference
SELECT experiment_id, cohort, SUM(revenue) AS total_revenue, COUNT(DISTINCT order_id) AS purchases
FROM `project.dataset.events`
WHERE event = 'vto_purchase'
GROUP BY experiment_id, cohort;

Untuk paket lengkap (event-spec CSV/JSON, SQL snippets, dashboard wireframes, A/B template) unduh di https://cermin.id/demo.

Product-specific guides: kacamata, perhiasan, jam tangan, headwear.