ไขความลับ Data Driven Experiences Matter เมื่อแบรนด์ต้องรู้จักและใช้ Data ให้สมประโยชน์

ถึงจะรู้ว่า Data สามารถสร้างความสำเร็จมูลค่ามหาศาลให้แบรนด์ได้ แต่ Data ก็เป็นอีกหนึ่งปัญหาของนักการตลาดและแบรนด์ เพราะความไม่เชี่ยวชาญ ไม่รู้ว่าจะต้องเริ่มหรือทำอย่างไร จึงจะได้พบกับประสิทธิภาพของ Data ซึ่งเรื่องนี้ คุณอนันฑ์ ตีระบูรณะพงษ์ Vice Executive Data & Innovation Director, Data First ได้อธิบายประเด็น Data Driven Experiences Matter เอาไว้ในงาน DAAT DAY 2021 ที่ผ่านมา

“แม้ The best time อาจจะผ่านไปแล้ว แต่ The second best is now”

จากประโยคเด็ดของคุณอนันฑ์ ไม่ต่างจากการปลุกใจที่ช่วยเขย่าไอเดียครั้งใหญ่แก่นักการตลาดและแบรนด์ อย่างที่บอกไปแล้วว่า หนึ่งในการเปลี่ยนแปลงของโลกดิจิทัล Data ก็เป็นเรื่องที่ทุกคนพูดถึงว่าเป็นส่วนสำคัญในการขับเคลื่อนแคมเปญต่าง ๆ ให้มีประสิทธิภาพยิ่งขึ้น แต่รายละเอียดของ Data นั้น มีมากกว่าที่ทุกคนเข้าใจหรือไม่ การมี Data ดีอย่างไร การทำงานร่วมกับ Data มีขั้นตอนอย่างไร และควรเริ่มต้นอย่างไร เรื่องราวเหล่านี้ยังคงเป็นคำถามในวนเวียนอยู่ในความคิดของใครหลาย ๆ คน

โดย คุณอนันฑ์ อธิบายว่า…

‘Customer Journey’ จะเปลี่ยนไปตลอดกาล ถ้าใช้ Data

หากพูดถึง Customer Journey ในวันที่ยังไม่มี Data ยกตัวอย่าง การที่แบรนด์ทำแคมเปญให้คนมากด Subscribe Newsletter ก็ต้องพิจารณาว่าเราต้องการให้เขามากดติดตามเพื่ออะไร ต้องการรายชื่อของเขาไปทำอะไร หลัก ๆ คงอยู่ที่การสร้าง Engagement ท้ายที่สุดแบรนด์คงคาดหวังว่าหากเขายังไม่ได้เป็นลูกค้าก็จะหันมาเป็นลูกค้าได้หลังจากนี้ แต่สิ่งที่เกิดขึ้นจริงไม่ได้ราบเรียบเช่นนั้น เพราะเมื่อลูกค้า Subscribe Newsletter ทุกครั้งที่แบรนด์ส่ง EDM (Electronic Direct Mail) ออกไป Engagement ก็อาจลดลงเรื่อย ๆ อาจไม่มีอะไรสามารถดึงดูดใจได้มากพอ ดังนั้น แบรนด์จึงควรทำอะไรที่สามารถดึงดูดใจพวกเขาก่อนจะส่งออกไป วิธีที่ดีคือการเจาะเป็นรายบุคคล เช่น ใช้ Facebook Ad รีทาร์เก็ตคนที่เปิดอ่านอีเมล เป็นต้น และความคาดหวังท้ายที่สุดคือการหวังให้เขามาเป็นลูกค้าของเรา ซึ่งแบรนด์ต้องทำ Loyalty Program ทำ CRM Program เพื่อให้พวกเขาอยู่กับเรานานที่สุด แต่สิ่งที่ยากกว่านั้น คือ การทำให้พวกเขาอยู่กับเราต่อไปนาน ๆ

สิ่งที่เราเห็นจาก Customer Journey จากซ้ายไปขวา นี่เรียกว่า Reactive Customer Journey เราต้องสร้างกิจกรรมต่าง ๆ เพื่อให้ลูกค้าอยู่กับเราตลอดเวลา ซึ่งเราสามารถนำ Data มาคาดเดาได้ว่าต้องทำอะไรเพื่อให้ได้ประสิทธิภาพที่ดีขึ้น

รวมถึง Campaign Objectives เมื่อนำ Data มาใช้ ต้องดูว่า Objectives เป็นแนวไหน เพราะบางครั้งอาจไม่ได้เหมาะสมเสมอไป ไม่ได้ถูกแสดงศักยภาพอย่างเต็มที่ จะเห็นได้จากตัวอย่างซึ่งเป็นข้อมูลที่ใช้ในการเข้าประกวด Cannes Lions ระหว่างปี 2019 – 2021 จะพบว่าในปี 2019 สิ่งที่ถูกให้ความสำคัญ คือ Brand building – Brand Awareness เป็นหลัก แต่ในปี 2021 สิ่งที่เน้นกลับกลายเป็นเรื่อง Sale Growth ซึ่งหากเราใช้ Data เข้ามาเป็นส่วนผสมก็จะทำให้รู้ได้ว่าใคร มาซื้ออะไร ซื้อมากน้อยแค่ไหน รู้ว่าจะกระตุ้นลูกค้าได้อย่างไร

ห้ามบอกว่า แบรนด์เราไม่มี Data เพราะ…?

ปัจจุบัน แบรนด์อาจหมายถึงการไม่มี First Party Data คือไม่มี Data ที่เป็นของตัวเอง แต่จริง ๆ แล้ว บนโลกใบนี้เต็มไปด้วย Data เพราะข้อมูลจาก We Are Social จะพบว่าคนใช้อินเทอร์เน็ตผ่านมือถือถึง 9.4GB ต่อเดือน ดังนั้น ข้อมูลที่พวกเขาเล่นโซเชียล Engage กับคอนเทนต์ต่าง ๆ สตรีมมิ่งวิดีโอ ตลอดจนพฤติกรรมการสั่งอาหาร เรียกใช้บริการไรเดอร์ สิ่งเหล่านี้ถูกจัดเก็บอยู่บนแพลตฟอร์มต่าง ๆ ทั้งสิ้น ถือเป็น Data กระจายอยู่บนแพลตฟอร์มมากมายให้แบรนด์สามารถนำมาใช้หรือประยุกต์ใช้ได้ทั้งสิ้น

ดังนั้น คำที่ว่า ไม่มี Data ไปต่อไม่ได้ จึงไม่มีอยู่อีกแล้ว เพราะ Data อยู่บนโลกออนไลน์พร้อมให้เราหยิบใช้ได้ทั้งหมด ซึ่ง Data เหล่านี้ถือเป็นข้อมูลที่ดีที่สุดชุดหนึ่งเพราะมันคือ Customer Data ซึ่งผู้บริโภคเป็นคนส่งความเป็นตัวตนของพวกเขาขึ้นไปอยู่บนนั้น มีข้อมูลอยู่มากมายและหลายอย่าง สามารถนำมาเล่นแร่แปรธาตุ เราสามารถสร้างโมเดลและใช้กระบวนการทาง Data Science ช่วยวิเคราะห์ได้ เช่น การทำ Predictive

เรื่องการทำ Predictive สำหรับการทำ Reactive Customer Journey ที่เราสามารถคอยตั้งรับสิ่งที่จะเกิดขึ้นได้ แล้วค่อยทำแคมเปญตาม เพียงแค่นำ Data มาประมวลผลก็ทำให้คาดการณ์สิ่งที่จะเกิดขึ้นได้ เพราะพฤติกรรมเหล่านี้สามารถคาดการณ์ได้อยู่แล้ว เช่น ดูจากการซื้อสินค้าว่าลูกค้าคนที่ 1 – 2 มีความถี่ในการซื้ออย่างไร ทำให้สามารถคาดได้ว่าลูกค้าคนที่ 3 – 4 จะมีแนวโน้มอย่างไร หรือนำมาวิเคราะห์ว่าหากแบรนด์ออกโปรโมชันเช่นนี้สอดคล้องกับ Insight ของลูกค้าหรือไม่ อยากให้มูลค่าการจับจ่ายต่อครั้งของพวกเขามากขึ้นจะต้องทำอย่างไร ต้องทำยังไงให้พวกเขาบอกต่อแคมเปญของเราไปยังเพื่อน ๆ ของเขา หรือแม้แต่การวิเคราะห์ว่าจะต้องทำอย่างไรให้ลูกค้าอยู่กับเราต่อไป เป็นต้น

กรณีศึกษาของ Singapore Airlines

มีการใช้ Data ของผู้คนที่เดินทางจากต้นทางไปยังปลายทาง จากเน็ตเวิร์กที่มีอยู่ทั่วโลก ทำให้รู้ข้อมูลจากผู้ใช้งานว่าเดินทางไปไหนบ้าง ความถี่เป็นอย่างไร รวมถึงมีส่วนแบ่งตลาดมากหรือน้อย ซึ่ง Data เหล่านี้ทำให้ Singapore Airlines สามารถวิเคราะห์และออกแบบการสื่อสารให้ดีขึ้นได้ เช่น นำไปออกแบบคอนเทนต์บนแบนเนอร์ให้ลูกค้าแต่ละคนเห็นแตกต่างกัน เรียกว่า One Size shouldn’t fit all เพราะการทำแคมเปญแบบแมสในปัจจุบันอาจมีประสิทธิภาพลดลง แต่การนำ Data มาสร้างแคมเปญที่ Personalized ได้จะมีประสิทธิภาพดีขึ้น โดยนำ Data ต่าง ๆ มาแบ่งกลุ่มผู้บริโภค ทำคอนเทนต์ให้แตกต่างกันไปตามพฤติกรรมของผู้บริโภค

กรณีศึกษาของ LION Corporation Thailand

LION Corporation Thailand ใช้ออนไลน์เป็นอีกหนึ่งช่องทางขายสินค้า ซึ่งมีประโยชน์ต่อแบรนด์อย่างมากหากรู้ว่าลูกค้าซื้ออะไรบ้าง ทำให้สามารถสร้างแคมเปญได้มากมาย เช่น RFM Model ที่ช่วยให้แบรนด์รู้ว่าลูกค้าซื้อล่าสุดมากแค่ไหน ซื้อล่าสุดเมื่อไหร่ ซื้อด้วยมูลค่าเท่าไหร่ ทั้งหมดนี้ช่วยให้แบรนด์ดีไซน์การขายได้อย่างน่าสนใจยิ่งขึ้น

สิ่งที่ LION ทำคือดีไซน์ให้เกิด Brand Love จากแคมเปญเมื่อช่วงต้นปีที่อิงกระแสกล่องสุ่ม ซึ่งใช้ Data มาช่วยออกแบบ เช่น ซื้อกล่องสุ่มราคา 599 บาท แลกกับสินค้าภายในกล่องที่มีมูลค่ารวม 1,500 บาท โดยนำ Data Science มาวิเคราะห์ Data ของลูกค้าว่าแต่ละคนมาซื้ออะไร เป็นเพศไหน ชอบซื้ออะไร ฯลฯ โดยใช้รูปแบบ Decision Tree Model ออกแบบเป็นกล่องสุ่มที่คุ้มค่าและถูกใจลูกค้า

กรณีศึกษาของ Burger King

เป็นการนำ Data ของ Geolocation ที่ระบุได้ว่าผู้คนกำลังเดินทางไปไหนมาออกแบบแคมเปญว่า หากกดสั่ง Burger King ใกล้ ๆ กับร้าน McDonald’s จะได้รับส่วนลดพิเศษ ทำให้แคมเปญมีความสนุกสนานมากยิ่งขึ้น

ถอดรหัสการใช้ Data เพื่อสร้างแคมเปญ

การสร้างแคมเปญจะไม่เหมือนเดิมอีกต่อไป ถ้านำ Data มาร้อยเรียง แบรนด์สามารถเล่นได้หลากหลายรูปแบบ ทั้ง Predictive, Personalized, ดีไซน์, สร้าง Brand Love เป็นต้น ซึ่งวิธีการตั้งต้นแคมเปญนั้นก็มีหลายรูปแบบ เช่น DIKW Model (Data – Information – Knowledge – WISDOM)

ทุกครั้งที่เราจะเริ่มทำแคมเปญ ต้องเริ่มต้นด้วย Data ซึ่งเราอาจจะยังไม่รู้อะไรมาก่อนเลย ดังนั้นจึงต้องเพิ่ม Context ให้กับ Data ถึงจะสามารถเปลี่ยน Data ให้กลายเป็น Information ได้ด้วยการทำ Data Analytics เช่น นำยอดขาย 100 รายการที่เรามีอยู่มาแยกบริบททำให้เห็นเป็นข้อมูล จากนั้นก็ให้นำ Information มาเพิ่ม Meaning เข้าไป ทำให้เราสามารถอธิบายสิ่งที่เกิดขึ้นได้นั่นจะทำให้เราได้ Knowledge สามารถต่อยอดสู่การทำ Data Storytelling และท้ายสุดคือ นำ Knowledge มาบวกกับ Insight เพื่อกลายเป็น Wisdom ซึ่งทำให้เราสามารถสร้างแคมเปญขึ้นมาได้ด้วยการทำ Actionable Data Solution

Build Data-Driven Organization หน้าที่ใครดำเนินการ ?

ย้อนกลับไป 2-3 ปีที่ผ่านมา การ Build Data-Driven Organization จะแบ่งเป็น 3 กลุ่มหน้าที่หลัก คือ

– Data Modeler / Data Science

ซึ่งพวกเขาต้องทำ Data Acquisition เก็บรวบรวมข้อมูลเพื่อทำ Data Preparation ให้พร้อมสำหรับการประมวลผล Model Creation แบ่งข้อมูลบางส่วนมาสร้าง Model ให้พร้อมสำหรับ Data Selection – Model Selection ประมวลผลเพื่อให้ได้ผลลัพธ์ Result Generation – Result Presentation

– Business Analyst

จากนั้นจึงส่งต่อผลลัพธ์ให้กับ Business Analyst ซึ่งเป็นคนกลางในการเชื่อมระหว่างทีม Data Science กับ Business User โดย Business Analyst จะเป็นผู้แปรผลลัพธ์จาก Data Science ให้กับ Business User

– Business User

นำข้อมูลที่ผ่านขั้นตอนทั้งหมดไปสร้างแคมเปญ สร้างกิจกรรมทางการตลาด หรือ Action Steps ต่อ

แต่ปัจจุบันไม่เหมาะจะทำเช่นนั้นอีกต่อไปแล้ว หลาย ๆ องค์กรจึงปรับรูปแบบใหม่ โดยกระจายหน้าที่ไปยัง Business Analyst และ Business User มากขึ้น เพื่อนำ Data มาใช้อย่างคล่องตัวกว่าที่เคย โดยหน้าที่ของ Data Modeler / Data Science เหลือเพียง Model Creation และ Governance & Oversight

ขณะที่ Business Analyst จะต้องเพิ่มบทบาททั้ง Data Acquisition, Data Preparation, Automated Model Selection, Advanced Parameterization เพราะ Business Analyst เป็นผู้ที่เข้าใจข้อมูลและรู้ว่าต้องการข้อมูลอะไรเพื่อประโยชน์สูงสุดแก่แบรนด์

และ Business User จะต้องทำมากขึ้นตั้งแต่ Data Selection, Basic Parameterization, Result Generation, Result Presentation, Action Steps เพราะถือเป็นกลุ่มคนที่เข้าใจธุรกิจมากกว่าส่วนอื่นเพื่อสร้าง Model ธุรกิจที่ชัดเจนยิ่งขึ้น

อย่าเพิ่งเริ่ม Data Project ถ้า…

อย่างไรก็ตาม คำถามสำคัญก่อนเริ่ม Data Project มีอยู่ 2 คำถาม คือ เชื่อ Data ที่มีหรือไม่ และเราตั้งโจทย์ที่ถูกต้องแล้วหรือไม่ จากนั้นจะต้องแบ่งย่อยการดำเนินงานออกไป เช่น

ไม่มี Data แต่มีโจทย์ : สามารถขอคำแนะนำจาก Data Alchemist หรือ Data Partner ช่วยให้เริ่มต้นหรือวางแผนในการเก็บ Data

มี Data ไม่มีโจทย์ : ต้องสร้างโจทย์เพื่อให้รับกับการมี Data ที่มีคุณค่าอยู่แล้ว เช่น Customer Experience Design เพื่อช่วยวิเคราะห์ว่าควรตั้งโจทย์อย่างไรเพื่อ Drive Customer ได้อย่างไร

มี Data และมีโจทย์ : สิ่งที่นิยมทำคือ Actionable Data Solution เพื่อสร้างแคมเปญดี ๆ เกี่ยวกับ Data ออกมา สามารถสร้าง Convention สูง ๆ หรือ Engagement ดี ๆ นั่นเอง