4 สิ่งธุรกิจต้องรู้ก่อนทำ Data-driven Marketing - ผู้จัดการออนไลน์

บลูบิค (Bluebik) แนะธุรกิจ 4 สิ่งต้องรู้ก่อนทำการตลาดด้วยข้อมูล หรือ Data-driven Marketing ย้ำวางเป้าหมายก่อนผลักดันการทำการตลาดแบบขับเคลื่อนด้วยข้อมูล จะเริ่มต้นสู่การสร้างผลลัพธ์ได้จริง

นายพิพัฒน์ ประภาพรรณพงศ์ ผู้อำนวยการและหัวหน้าทีม Big Data and Advanced Analytics บริษัท บลูบิค กรุ๊ป จำกัด (มหาชน) ผู้เชี่ยวชาญด้านข้อมูล ระบุว่าในปัจจุบันธุรกิจทั่วโลกหันมาให้ความสำคัญและเน้นลงทุนในด้านการจัดเก็บและการวิเคราะห์ข้อมูลเพื่อปลดล็อกข้อจำกัดและเพิ่มศักยภาพการเติบโตเพื่อสร้างผลกำไร โดยการทำ Data-driven Marketing ถือเป็นเครื่องมือการตลาดหนึ่งที่จะช่วยเสนอสินค้าและบริการให้ลูกค้าเพื่อตอบโจทย์ความต้องการได้อย่างตรงใจ 

“โดยสรุปแล้ว การทำ Data-driven Marketing ให้ประสบความสำเร็จได้นั้นต้องตั้งต้นที่การวางเป้าหมายธุรกิจ การวางกลยุทธ์ ประเมินความพร้อมด้านข้อมูล ออกแบบและพัฒนาโมเดลวิเคราะห์ และเปลี่ยนข้อมูลเชิงลึกเป็นผลลัพธ์ทางธุรกิจ เพื่อประสิทธิภาพการทำการตลาดผ่านข้อมูลและสร้างการเติบโตให้ธุรกิจในระยะยาว”

บลูบิค อธิบายว่า ในโลกธุรกิจยุคใหม่ หลายฝ่ายต่างบอกว่าการทำการตลาดที่ขับเคลื่อนด้วยข้อมูล (Data-driven Marketing) เพราะข้อมูลคือสิ่งที่ทำให้ธุรกิจเข้าใจลูกค้าได้ดี สามารถค้นหาความชอบและความต้องการของลูกค้าได้อย่างชัดเจนขึ้น และทำให้ลูกค้าเลือกใช้สินค้าและบริการของเราอย่างต่อเนื่องในระยะยาว แต่คำถามคือหากธุรกิจจะเริ่มทำการตลาดแบบขับเคลื่อนด้วยข้อมูล ควรจะเริ่มต้นอย่างไร 

การทำ Data Driven Marketing จึงเกี่ยวข้องกับกระบวนการในการจัดเก็บ วิเคราะห์และสังเคราะห์ข้อมูลเพื่อที่จะสามารถเข้าใจในความต้องการของลูกค้าได้ในทุกมิติ ฉะนั้นก่อนที่นักการตลาดจะเริ่มลงมือปฏิบัติเพื่อผลักดันให้ Data-driven Marketing ประสบความสำเร็จและสร้างผลลัพธ์ได้จริงจึงควรรู้และเข้าใจใน 4 สิ่ง

สิ่งแรกคือ เป้าหมายของธุรกิจ (Business Objectives) ธุรกิจหรือนักการตลาดควรวางเป้าหมายให้ชัดเจนว่าต้องการนำผลลัพธ์จากการวิเคราะห์ข้อมูลไปใช้เพื่อเป้าหมายอะไร เช่น ต้องการขยายฐานลูกค้าให้ได้ 1 ล้านคนภายใน 3 ปี การตั้งเป้าหมายที่ชัดเจนคือสิ่งสำคัญลำดับแรกที่จะช่วยกำหนดความสำเร็จในการทำ Data-driven Marketing โดยกำหนดขอบเขตของการวิเคราะห์ข้อมูลว่าควรเข้าไปดำเนินการตรงจุดไหน ธุรกิจจึงจะบรรลุเป้าหมายที่วางไว้ 

เมื่อเป้าหมายของธุรกิจชัดเจนแล้ว ขั้นตอนต่อไปเป็นการคิดกรณีการใช้งาน (Use Case Generation) ซึ่งมีความแตกต่างกันไปตามประเภทธุรกิจและปัจจัยแวดล้อมในการทำธุรกิจ รวมถึงต้องเลือกกรณีการใช้งานให้เหมาะสมกับเป้าหมายของธุรกิจ

ตัวอย่างเช่น เป้าหมายซึ่งมุ่งไปที่การเพิ่มประสิทธิภาพการดำเนินงานของธุรกิจเป็นหลัก โดยการกระตุ้นให้ลูกค้ากลับมาซื้อสินค้าและบริการเป็นประจำเพื่อรักษารายได้ เช่น การแนะนำสินค้าอื่นที่เกี่ยวข้อง (Cross-Selling) เพื่อเพิ่มรายได้ที่มากขึ้นกว่าการซื้อสินค้าเพียงชิ้นเดียว หรือการแนะนำสินค้าหรือบริการที่ตรงกับความสนใจของลูกค้าแต่ละราย ในช่วงเวลาที่เหมาะสม (Personalized Promotions/Products) เป็นต้น

หรือเป้าหมายที่เน้นการพัฒนาประสบการณ์ของลูกค้าเป็นหลัก โดยให้ลูกค้าได้รับประสบการณ์การที่ดีและรักษาให้ลูกค้าซื้อสินค้าและบริการอย่างต่อเนื่อง เช่น การจัดกลุ่มลูกค้า (Customer Segmentation) การคำนวณมูลค่าการซื้อสินค้าและบริการตลอดอายุของการเป็นลูกค้า (Customer Lifetime Value) เพื่อใช้พิจารณาการให้สิทธิพิเศษกับกลุ่มลูกค้าที่สร้างรายได้สูงให้บริษัท เป็นต้น 

หลังคิด Use case เบื้องต้นได้แล้ว คำถามต่อมาคือธุรกิจจะรู้ได้อย่างไรว่า ควรทำ Use case ใดที่จะช่วยสร้างผลลัพธ์ทางธุรกิจได้จริง ดังนั้นจึงต้องมีขั้นตอนที่เรียกว่าการประเมินและเลือก Use case ที่เหมาะสม (Use case prioritization) ซึ่งสามารถแบ่งการประเมินเป็น 2 แกน ได้แก่ ผลลัพธ์ที่ส่งผลต่อธุรกิจ (Business Impact) เช่น การสร้างผลลัพธ์ทางการเงิน การเพิ่มโอกาสทางธุรกิจผลตอบแทนจากการลงทุน (ROI) และความเหมาะสมสอดคล้องไปกับกลยุทธ์องค์กรในภาพรวม

นอกจากนี้ ยังมีความพร้อมของธุรกิจ (Feasibility) เช่น ความพร้อมด้านข้อมูล ความพร้อมด้านระบบหรือกระบวนการทำงาน รวมไปถึงปัจจัยภายนอก เช่น PDPA กฎหมายและกฎระเบียบต่างๆ 

ส่วนที่ 2 คือ ความพร้อมด้านข้อมูล (Data Readiness) แน่นอนว่าหากต้องการทำการตลาดที่ขับเคลื่อนด้วยข้อมูลสิ่งสำคัญที่สุดคือข้อมูล ดังนั้น ธุรกิจจึงต้องสำรวจและประเมินข้อมูลต่างๆ ในองค์กรว่าคุณภาพของข้อมูลเป็นอย่างไร มีข้อมูลเพียงพอต่อการนำไปวิเคราะห์หรือไม่ และมีข้อมูลประเภทไหนบ้าง

ในปัจจุบัน ข้อมูลมีรูปแบบที่หลากหลายกว่าในอดีต ซึ่งคร่าวๆ สามารถแบ่งประเภทข้อมูลออกเป็น 3 แบบ คือ 1.ข้อมูลที่ไม่มีโครงสร้าง (Unstructured Data) เช่น รูปภาพ วิดีโอ ไฟล์เสียง 2.ข้อมูลกึ่งโครงสร้าง (Semi-structured Data) เช่น ไฟล์รูปแบบ XML (Extensible Markup Language) และ 3.ข้อมูลที่มีโครงสร้าง (Structured Data) เช่น ตารางข้อมูลในฐานข้อมูล

ฉะนั้นการนำข้อมูลมาออกแบบ Use case จะช่วยสร้างความได้เปรียบของธุรกิจได้จริง ธุรกิจจึงควรย้อนมาดูช่องทางในการได้มาซึ่งข้อมูลว่ามีการรวบรวมข้อมูลมาอย่างไร จากแหล่งไหน ส่วนไหนที่ยังขาดหายไป และจะนำข้อมูลนั้นมาใช้งานด้วยวิธีใด เช่น การเก็บข้อมูลพฤติกรรมของลูกค้า โดยใช้หลักการเกมมาทำแคมเปญ (gamification campaign) เพื่อสร้างปฎิสัมพันธ์กับลูกค้า การเพิ่มการใช้งานระบบ CRM เพื่อช่วยในการรวบรวมข้อมูลลูกค้าได้อย่างมีประสิทธิภาพ หรือการนำ Centralized Data Lake/Data warehouse มาช่วยในการเก็บรวบรวมข้อมูลจากแหล่งข้อมูลหลายแหล่ง เป็นต้น

ส่วนที่ 3 การออกแบบและพัฒนาโมเดลวิเคราะห์ข้อมูล (Design & Development) โดยก่อนเริ่มออกแบบโมเดลวิเคราะห์ข้อมูล ธุรกิจควรดูก่อนว่าต้องการรู้อะไร และรู้ไปทำไม เพื่อเลือกรูปแบบการวิเคราะห์ข้อมูลที่เหมาะสม เบื้องต้นสามารถแบ่งการวิเคราะห์ข้อมูลออกเป็น 4 รูปแบบ ได้แก่ 1.การวิเคราะห์แบบพื้นฐาน (Descriptive Analytics) เป็นการวิเคราะห์สิ่งที่เกิดขึ้นในอดีต เช่น ข้อมูลยอดขาย พฤติกรรมลูกค้าที่เคยซื้อสินค้า เป็นต้น

2.การวิเคราะห์แบบวินิจฉัย (Diagnostic Analytics) เป็นการค้นหาสาเหตุว่าสิ่งที่เกิดขึ้นนั้นเกิดจากปัจจัยใด โดยวิเคราะห์เชิงหาความสัมพันธ์ (Correlation Analysis) เช่น ยอดขายขึ้นเพราะอะไร เกิดขึ้นเพราะการออกแคมเปญโปรโมชันหรือไม่ 3.การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) การคาดการณ์แนวโน้มที่น่าจะเกิดขึ้นในอนาคต ด้วยการวิเคราะห์ข้อมูลจากในอดีต และ 4.การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics) เป็นการวิเคราะห์เพื่อคาดการณ์สิ่งที่ควรจะทำในอนาคต

สำหรับขั้นตอนการพัฒนาโมเดลวิเคราะห์ข้อมูล ควรดำเนินการหลังธุรกิจมีเป้าหมายที่ชัดเจน เลือก Use case และเตรียมข้อมูลที่จำเป็นต่างๆ ไว้พร้อมแล้ว โดยขั้นตอนการพัฒนาโมเดลแบ่งเป็น 1.การสร้าง Feature เพื่อใช้ในกระบวนการวิเคราะห์ข้อมูล (Feature Engineering) 2.การนำ Feature ที่สร้างขึ้นมาเข้าขั้นตอนการเรียนรู้ (Model Training) เพื่อหารูปแบบ (Pattern) ของข้อมูลให้ได้มาซึ่งข้อมูลเชิงลึก (Insight) ที่สามารถนำไปต่อยอดและปรับใช้ในทางธุรกิจได้ 3.การประเมินประสิทธิภาพของโมเดล (Model Evaluation) ผ่านการทดสอบต่างๆ เช่น Confusion Matrix, F1 Score, AUC - ROC และ 4.การปรับค่าพารามิเตอร์เพื่อเพิ่มประสิทธิภาพของโมเดล (Model Optimization)

สุดท้าย ส่วนที่ 4.การเปลี่ยนข้อมูลเชิงลึกเป็นผลลัพธ์ทางธุรกิจ (Execution) อีกขั้นตอนสำคัญเมื่อได้รับข้อมูลที่ต้องการจากการวิเคราะห์แล้ว จะทำอย่างไรให้สามารถเปลี่ยนข้อมูลเชิงลึก (Insight) เหล่านั้นเป็นผลลัพธ์ทางธุรกิจได้จริง

ก่อนออกแบบแคมเปญการตลาด ธุรกิจควรวางองค์ประกอบคร่าวๆ ของแคมเปญ เช่น ใครคือกลุ่มลูกค้าเป้าหมาย ต้องการนำเสนออะไรให้ลูกค้า และธุรกิจจะติดต่อกับกลุ่มลูกค้าได้อย่างไร หลังจากนั้นนำข้อมูลเชิงลึก (Insight) ที่ได้มาออกแบบรูปแบบแคมเปญ

แนวทางเบื้องต้นที่สามารถนำไปปรับใช้ได้มีตั้งแต่การดึงดูดกลุ่มลูกค้าเป้าหมาย เช่น พฤติกรรมการซื้อสินค้าของลูกค้าแต่ละกลุ่ม ที่ได้จากการวิเคราะห์จัดกลุ่มลูกค้า (Customer Segmentation) รวมกับการคาดการณ์รายได้ที่ธุรกิจจะได้รับตลอดช่วงการซื้อสินค้าและบริการของลูกค้าแต่ละราย (CLV) เพื่อดูว่าเราควรทำแคมเปญสำหรับลูกค้ากลุ่มไหนเป็นพิเศษ โดยลูกค้าที่มี CLV สูงอาจจะเน้นการส่งข่าวสารโปรโมชันให้อย่างสม่ำเสมอ ส่วนกลุ่มที่มี CLV รองลงมาอาจนำเสนอส่วนลดหรือโปรโมชันลดแลกแจกแถมเพื่อกระตุ้นการซื้อเพิ่ม เป็นต้น

ยังมีการค้นหาว่าควรนำเสนอสินค้าและบริการอะไร เป็นการนำข้อมูลมาสร้าง Personalized Promotion ที่ตรงกับความต้องการของลูกค้าแต่ละราย เช่น การให้คูปองส่วนลดสินค้าเด็กอ่อนสำหรับกลุ่มลูกค้าที่เป็นสตรีตั้งครรภ์ และการใช้ช่องทางการสื่อสารที่เข้าถึงลูกค้าได้มากที่สุด เนื่องจากปัจจุบันผู้บริโภคมีช่องทางการซื้อสินค้าหลากหลาย เมื่อธุรกิจสามารถเก็บข้อมูลจากช่องทางต่างๆ ได้แล้ว สามารถนำมาวิเคราะห์ได้ว่าช่องทางไหนที่ลูกค้าใช้บริการมากที่สุด เพื่อดูว่าคอนเทนต์และแคมเปญบนช่องทางไหนได้รับผลตอบรับดีที่สุด

แล้วไปเน้นทำการตลาดกับลูกค้าผ่านช่องทางนั้นๆ

Adblock test (Why?)

4 สิ่งธุรกิจต้องรู้ก่อนทำ Data-driven Marketing - ผู้จัดการออนไลน์
Read More