Big Data PMB untuk Promosi Kampus yang Presisi

SEVIMA – Big data PMB sering dibayangkan sebagai proyek mahal, rumit, dan hanya cocok untuk kampus besar. Padahal inti big data PMB jauh lebih sederhana. Kampus membaca pola dari data calon mahasiswa yang sudah lewat, lalu memakai pola itu untuk memutuskan siapa yang perlu diajak bicara, pesan apa yang paling relevan, dan kanal mana yang memang menghasilkan pendaftar.

Pertanyaannya bukan lagi, “berapa banyak leads yang masuk minggu ini?” Pertanyaan yang lebih tepat adalah, “preferensi apa yang sedang berubah dari calon mahasiswa kita, dan apa yang harus kampus ubah dari strategi promosi?” Dari sinilah promosi menjadi presisi, bukan ramai tetapi bocor.

Persaingan memperebutkan perhatian calon mahasiswa memang makin padat. Dalam artikel Kemdiktisaintek berjudul “Hasil SNBP 2026 Resmi Diumumkan, Kemdiktisaintek Perkuat Jaminan KIP Kuliah”, tercatat 806.242 peserta mengikuti SNBP 2026 untuk mengisi 189.017 kursi pada 146 perguruan tinggi negeri, baik akademik, vokasi, maupun PTKIN. Angka ini menunjukkan satu hal: ruang pilihan calon mahasiswa lebar, sementara ruang salah baca pasar bagi kampus makin sempit. 

Di sisi lain, DataReportal dalam laporan “Digital 2026: Indonesia” mencatat ada 180 juta identitas pengguna media sosial berusia 18 tahun ke atas di Indonesia pada akhir 2025. Laporan yang sama juga menyebut 78,2 persen basis pengguna internet Indonesia memakai setidaknya satu platform media sosial. Artinya, kesan pertama tentang kampus kini banyak terbentuk di ruang digital, jauh sebelum siswa datang ke expo pendidikan atau mengisi formulir kunjungan kampus. 

APJII juga memberi gambaran serupa. Dalam rilis “APJII Jumlah Pengguna Internet Indonesia Tembus 221 Juta Orang”, organisasi ini menyebut jumlah pengguna internet Indonesia pada 2024 mencapai 221.563.479 jiwa dengan tingkat penetrasi 79,5 persen. Bagi pimpinan kampus, pesan datanya jelas: promosi PMB tidak bisa lagi diperlakukan sebagai rangkaian kegiatan terpisah. Ia harus dibaca sebagai proses end-to-end, dari impresi pertama sampai registrasi ulang.

Sebuah kampus menjalankan iklan, mengadakan try out, hadir di belasan sekolah, dan mengumpulkan ribuan kontak. Dashboard terlihat ramai. Grup panitia aktif. Namun saat laporan akhir masuk ke meja rektor, pendaftar serius ternyata bertumbuh tipis. Yang kurang sering kali bukan energi tim, melainkan kemampuan membaca preferensi calon mahasiswa secara terukur.

Mengapa big data PMB perlu dibaca sebagai sinyal, bukan arsip

Kesalahan yang paling sering terjadi adalah menjadikan data PMB sebagai arsip administrasi. Nama tersimpan, nomor telepon ada, asal sekolah tercatat, lalu selesai. Padahal data calon mahasiswa seharusnya dibaca sebagai sinyal keputusan. Sinyal itu terlihat dari pilihan program studi, frekuensi membuka pesan, jenis pertanyaan yang berulang, waktu paling aktif merespons, hingga titik putus ketika mereka tidak melanjutkan pendaftaran.

Dikutip dari Deloitte Insights dalam artikel “Gen Zs and millennials at work: Pursuing a balance of money, meaning, and well-being” yang merangkum 2025 Gen Z and Millennial Survey, 31 persen Gen Z dalam survei itu memutuskan tidak menempuh pendidikan tinggi. Alasan utama yang paling banyak muncul adalah tingginya biaya kuliah, yang disebut 40 persen responden Gen Z, disusul kekhawatiran apakah kurikulum cukup relevan dengan pasar kerja, yang disebut 24 persen responden Gen Z. Ini penting untuk PMB. Preferensi calon mahasiswa hari ini tidak berhenti pada nama kampus. Mereka menimbang biaya, hasil, dan kegunaan gelar secara lebih langsung. 

Sinyal biaya juga terlihat dari kebijakan publik. Dalam artikel Kemdiktisaintek “Pembukaan Pendaftaran KIP Kuliah 2025: Pemerintah Perkuat Komitmen Akses Pendidikan Tinggi yang Merata”, pemerintah menyebut program KIP Kuliah sejak 2020 telah mendanai pendidikan lebih dari 1,1 juta mahasiswa, dengan rata-rata sekitar 200.000 mahasiswa baru menerima manfaat setiap tahun. Bagi kampus, ini berarti isu keterjangkauan bukan tema pinggiran. Ia ada di pusat keputusan calon mahasiswa dan keluarganya. 

Di sinilah big data PMB menjadi akselerator keputusan. Kampus bisa melihat apakah calon mahasiswa dari wilayah tertentu lebih cepat merespons konten beasiswa daripada konten fasilitas. Kampus bisa mengetahui apakah peminat program studi kesehatan datang dari kanal yang berbeda dibanding peminat teknologi atau bisnis. Kampus juga bisa membaca apakah pertanyaan tentang biaya muncul lebih awal daripada pertanyaan tentang kurikulum. Kalau iya, materi promosi perlu disusun ulang.

Tiga preferensi calon mahasiswa yang paling sering luput

1. Sensitivitas biaya lebih tinggi daripada yang terlihat

Banyak kampus baru sadar calon mahasiswa sangat peka terhadap biaya saat angka registrasi turun. Padahal sinyalnya muncul lebih awal. Lihat pertanyaan yang paling sering masuk. Apakah siswa bertanya tentang UKT, cicilan, beasiswa, potongan daftar ulang, atau skema KIP? Jika iya, maka halaman biaya dan bantuan pendidikan seharusnya menjadi bagian utama dari strategi promosi PMB, bukan ditempatkan jauh di bawah.

Promosi yang presisi bukan berarti selalu murah. Promosi yang presisi berarti kampus tahu segmen mana yang membutuhkan narasi keterjangkauan, segmen mana yang lebih peduli prospek kerja, dan segmen mana yang baru bergerak jika ada bukti alumni bekerja di bidang relevan.

2. Relevansi program studi kini dibaca sangat praktis

Banyak materi PMB masih berhenti di kalimat “kurikulum mengikuti perkembangan zaman”. Kalimat seperti ini terlalu umum. Calon mahasiswa ingin tahu bentuk nyatanya. Apa mata kuliah yang dekat dengan industri? Apakah ada magang? Sertifikasi? Portofolio? Kolaborasi proyek?

Temuan Deloitte tadi memberi petunjuk bahwa keraguan terhadap relevansi kurikulum sudah menjadi bagian dari cara Gen Z menilai pendidikan tinggi. Karena itu, kampus perlu menggabungkan data minat program studi dengan data perilaku konsumsi konten. Konten mana yang paling sering menghasilkan klik lanjutan? Video laboratorium, cerita alumni, penjelasan kurikulum, atau simulasi biaya? Jawaban atas pertanyaan ini jauh lebih berguna daripada sekadar angka views.

3. Kanal informasi tidak lagi bisa disamaratakan

Masih ada kampus yang menghabiskan energi besar pada kanal yang ramai dilihat panitia, tetapi lemah menghasilkan aplikasi. Padahal laporan “Digital 2026: Indonesia” menunjukkan besarnya basis pengguna media sosial dewasa di Indonesia, sementara “Digital 2025: Indonesia” mencatat YouTube memiliki 143 juta pengguna di Indonesia pada awal 2025 dan Instagram mencapai 103 juta pengguna. Data seperti ini tidak otomatis berarti semua kampus harus membagi anggaran sama rata. Justru sebaliknya, kampus perlu menguji kanal mana yang paling cocok untuk segmen calon mahasiswa masing-masing. 

Kampus kesehatan bisa jadi lebih efektif dengan testimoni singkat dan visual praktik. Kampus vokasi mungkin lebih kuat lewat konten hasil karya dan jalur kerja. Kampus dengan target geografis spesifik bisa lebih efisien memakai iklan lokal yang dipadukan dengan follow-up cepat melalui WhatsApp. Data tidak memberi satu jawaban untuk semua. Data membantu kampus berhenti menebak.

4 langkah membaca preferensi calon mahasiswa dari data PMB

1. Satukan data sumber lead, minat prodi, dan status follow-up

Mulailah dari tiga hal yang paling dasar. Dari mana lead datang, program studi apa yang diminati, dan sudah sejauh apa tindak lanjut dilakukan. Siapa pun bisa mulai dari sini. Tidak perlu menunggu data warehouse besar.

2. Segmentasikan berdasarkan perilaku, bukan hanya demografi

Asal sekolah dan kota tetap penting, tetapi itu belum cukup. Pisahkan calon mahasiswa yang sering membuka informasi biaya, yang aktif bertanya soal prospek kerja, dan yang merespons cepat setelah webinar. Ini lebih dekat dengan preferensi nyata.

3. Uji pesan yang berbeda untuk tiap segmen

Untuk segmen sensitif biaya, uji pesan tentang skema bantuan pendidikan. Untuk segmen yang fokus masa depan kerja, uji narasi tentang magang, portofolio, dan jejaring industri. Untuk segmen yang masih ragu, uji konten pembanding antarprogram studi.

4. Pindahkan anggaran ke kanal yang menghasilkan registrasi

Jangan berhenti pada reach atau likes. Lihat kanal mana yang menghasilkan pendaftar lengkap, bukan sekadar pengisi formulir. Dari sini strategi promosi PMB menjadi terukur.

Dashboard apa yang sebaiknya dibaca rektor setiap minggu

Rektor tidak perlu tenggelam dalam ratusan kolom data. Cukup minta lima indikator yang benar-benar membantu keputusan.

Pertama, biaya per lead dan biaya per pendaftar per kanal. Kedua, program studi mana yang paling banyak ditanyakan tetapi paling rendah konversinya. Ketiga, wilayah mana yang pertumbuhannya baik tetapi tindak lanjutnya lambat. Keempat, berapa lama jeda antara lead masuk dan kontak pertama dari tim. Kelima, isu apa yang paling sering muncul dalam percakapan calon mahasiswa.

Lima angka ini akan mengubah rapat PMB. Diskusinya tidak lagi berkutat pada asumsi. Tim bisa bergerak tanpa hambatan karena semua orang membaca papan skor yang sama.

Kesalahan promosi yang membuat anggaran bocor

Kesalahan pertama, semua leads diperlakukan sama. Padahal siswa yang datang dari webinar beasiswa punya kebutuhan informasi berbeda dengan siswa yang datang dari konten laboratorium.

Kesalahan kedua, kampus mengukur keramaian, bukan kualitas. Booth penuh, komentar ramai, followers bertambah, tetapi pertanyaan pentingnya tetap sama: mana yang benar-benar bergerak ke formulir dan pembayaran awal?

Kesalahan ketiga, tim promosi dan tim admisi berjalan terpisah. Iklan aktif, tetapi follow-up lambat. Konten bagus, tetapi pertanyaan calon mahasiswa tidak masuk kembali ke materi promosi berikutnya. Big data PMB seharusnya menutup celah ini. Ia menyambungkan pemasaran, admisi, dan pimpinan dalam satu bacaan end-to-end.

Kesalahan keempat, disiplin data dianggap urusan kampus besar. Padahal compliance bukan privilege. Kampus menengah pun perlu pencatatan yang rapi tentang sumber lead, persetujuan kontak, riwayat follow-up, dan alasan batal daftar. Tanpa itu, promosi akan terus terasa sibuk, tetapi sulit diperbaiki.

Apa yang bisa dilakukan Senin pagi

Mulailah dengan audit singkat tiga jam. Ambil data PMB tahun lalu. Kelompokkan berdasarkan tiga hal: kanal akuisisi, program studi yang diminati, dan pertanyaan pertama yang paling sering diajukan. Setelah itu, pilih satu segmen dengan peluang tertinggi. Bukan semua segmen sekaligus.

Lalu minta tim membuat dua versi pesan promosi untuk segmen tersebut selama dua pekan. Versi pertama menonjolkan keterjangkauan dan dukungan pembiayaan. Versi kedua menonjolkan relevansi kurikulum dan prospek kerja. Ukur mana yang menghasilkan percakapan lebih berkualitas, formulir lebih lengkap, dan komitmen daftar yang lebih tinggi. Dari langkah kecil seperti ini, big data PMB mulai bekerja sebagai alat keputusan, bukan beban baru.

Dari pengalaman SEVIMA mendampingi 1.200+ perguruan tinggi di Indonesia, kampus yang mampu membaca data calon mahasiswa secara rapi cenderung lebih cepat menyesuaikan strategi promosi, memperbaiki follow-up, dan mengalokasikan anggaran dengan lebih tepat. Pada titik itu, big data PMB bukan proyek teknologi yang jauh. Ia menjadi cara kerja yang lebih terukur, lebih dekat dengan kebutuhan calon mahasiswa, dan lebih siap dipakai siapa pun untuk memimpin PMB dengan arah yang jelas.

Mengenal SEVIMA

SEVIMA merupakan perusahaan Edutech (education technology) yang telah berkomitmen sejak tahun 2004 dalam menyelesaikan kendala kerumitan administrasi akademik di pendidikan tinggi (Universitas, Sekolah Tinggi, Institut, Politeknik, Akademi, dll.) dengan 99% keberhasilan implementasi melalui SEVIMA Platform, segera jadwalkan konsultasi di: Kontak Kami