อะไรคือปัญหาในการทำนายหาลูกค้าที่มีแนวโน้มซื้อสินค้าของเรา?

ในวงการธุรกิจและการตลาด จะมีมาตรฐานในการวัดว่าใครหรือลูกค้าคนไหนที่มีมีแนวโน้มในการซื้อสินค้าและบริการจากเรา ซึ่งดูได้จากจำนวนวันที่ลูกค้าไม่ได้เข้าใช้บริการหลังจากวันที่ใช้บริการครั้งล่าสุด (Recency) จำนวนครั้งที่ลูกค้าซื้อสินค้าหรือใช้บริการ (Frequency) และรายได้ที่เราได้รับทั้งหมดจากลูกค้าแต่ละคน (Monetary Value)

หรือก็คือ RFM Model ที่ปรกติเรามักใช้บอกว่าลูกค้าคนไหนมีแนวโน้มซื้อสินค้าและใช้บริการของเรา

การหาลูกค้าที่มีแนวโน้มซื้อสินค้าโดยใช้ RFM Model มีข้อจำกัดอยู่หลายๆอย่าง

อย่างแรกคือมันมีอีกหลายปัจจัยมากที่จะทำนายแนวโน้มการซื้อสินค้าและบริการของเรา ไม่ใช่แค่ Recency, Frequency หรือ Monetary Value โมเดล RFM ที่ว่ายังมีจุดอ่อนอีกอย่างคือเป็นการทำนายแนวโน้มที่ว่าโดยใช้ข้อมูลย้อนหลังเพียงอย่างเดียว ไม่ได้ดูข้อมูลพฤติกรรมลูกค้าในปัจจุบัน หรือพฤติกรรมในอนาคตของลูกค้าเดิมซึ่งมาก่อนลูกค้าปัจจุบัน

พูดอีกอย่างคือโมเดล RFM ไม่สามารถชี้ชัดว่าใครมีมูลค่าสูงๆสำหรับธุรกิจก่อนที่จะมาซื้อสินค้ากับเราในอนาคต

อุปสรรคอีกอย่างหนึ่งในการใช้ RFM Model คือเราอาจจะใช้กับประเภทสินค้าที่โดยธรรมชาติแล้วมีการซื้อขายและใช้งานกันบ่อยๆอย่างสินค้าในร้านค้าปลีก แต่ RFM Model ไม่ได้มีบทบาทอะไรเลยในการทำนายรายได้ที่เราจะได้รับตลอดช่วงชีวิตของลูกค้า (Customer Lifetime Value)  แนวโน้มของคนที่เข้าเว็บไซต์แล้วเป็นลูกค้าครั้งแรกของธุรกิจ

บทบาทของ Predictive Analytics ในการหาลูกค้าที่มีแนวโน้มซื้อสินค้า

การใช้เลข สถิติหรือวิทยาการคอมพิวเตอร์ในการทำนายผลลัพธ์ในอนาคตหรือ Predictive Analytics จะครบถ้วนกว่าการใช้ RFM Model การใช้ Predictive Analytics ยังใช้ข้อมูลจากอดีดเหมือน RFM Model เพียงแต่ว่า Predictive Analytics จะพัฒนาโมเดลที่เรียกว่า Likelihood Model หรือ Propensity Model

ซึ่งเจ้าโมเดลที่ว่านั้นจะทำนายพฤติกรรมในอนาคตที่มากกว่าแค่แนวโน้มว่าจะซื้อสินค้ามากน้อยหรือไม่ แต่รวมแนวโน้มอื่นๆเช่นแนวโน้มในการคลิกดูสินค้าในเว็บไซต์ หรือเปิดดูอีเมลที่เราเสนอขายสินค้าด้วย พูดอีกอย่างคือ Propensity Model ไม่ได้จับตาอยู่แค่พฤติกรรมการซื้อสินค้าเพียงอย่างเดียวเหมือน RFM Model

แนวคิดการสร้าง Propensity Model

ส่วนวิธีการสร้างโมเดลที่ว่านั้น เราก็จะแบ่งข้อมูลของลูกค้าเป็นสองชุด ชุดแรกเราเรียกว่า Training Set อีกชุดเราเรียกว่า Testing Set ส่วนลักษณะของข้อมูลนั้นก็จะเป็นข้อมูลของลูกค้าว่าซื้ออะไรไปบ้าง ซื้อวันเวลาไหน ซื้อไปเท่าไหร่ ซื้อไปทั้งหมดรวมราคาเท่าไหร่ เพื่อเราจะเอาไปทำนายว่าเราจะทำรายได้จากตลอดช่วงชีวิตของลูกค้า (Customer Lifetime Value หรือ CLV) ว่าทำได้เท่าไหร่?

จากนั้นเราอาจจะใช้ความรู้ทางสถิติหรือ Data Science ไม่ว่าจะเป็น Neural Network, Logistic Regression, Random Forest หรือ Regression Tree ในการสร้าง Propensity Model ขึ้นมาจาก Training Set แล้วทดสอบความแม่นยำของโมเดลที่เราสร้างด้วยการป้อนข้อมูลจาก Testing Set ดูว่าลลัพธ์ที่โมเดลทำนายไว้จะใกล้เคียงกับข้อมูลใน Testing Set หรือไม่ เช่นเทียบว่า CLV ที่โมเดลทำนายไว้ใกล้เคียงกลับ CLV ของ Testing Set มากน้อยแค่ไหน ถ้าใกล้เคียงกันมาก ก็ถือว่าโมเดลที่เราสร้างมาใช้ได้ละครับ

จะประยุกต์ใช้ Propensity Model กับการทำการตลาดได้อย่างไร?

ลองคิดดูว่าหลังจากที่เราสามารถทำนายว่าลูกค้าคนไหนมี CLV เท่าไหร่กันบ้าง เราก็จะจัดกลุ่มลูกค้าออกมาเป็น 10 กลุ่ม กลุ่มแรกจะเป็นกลุ่มที่มี CLV มากสุด 10% ของลูกค้าทั้งหมด ไล่ไปจนกลุ่มสุดท้าย

ทีนี้ล่ะ เราก็จะรู้ว่าถ้าเราจะทำการตลาดเน้นยอดขาย เราจะต้องเน้นกลุ่มไหนเป็นพิเศษ แน่นอนว่าต้องเป็นกลุ่มแรกที่ลูกค้ามี CLV มากที่สุด 10% แรก แต่เราอาจจะไม่จำเป็นต้องทำแคมเปญใหญ่ๆสำหรับคนกลุ่มนี้ เพียงแค่เราแจ้งเตือนว่าเรามีข้อเสนอ ลูกค้ากลุ่มนี้ก็พร้อมคลิกเข้าไปซื้อของจากเราแล้ว ส่วนกลุ่มถัดไปที่มี CLV รองลงมา เราอาจจะต้องออกแรง ทำแคมเปญลดแลกแจกแถมเพื่อเพิ่มโอกาสให้มาซื้อของกับเรามากขึ้น

ฉะนั้นการแบ่งกลุ่มลูกค้าตาม CLV ที่ Propensity Model ทำนายไว้จะมีประโยชน์ตรงที่ว่า เราควรทำแคมแปญให้คนกลุ่มไหนเป็นพิเศษ ต้องลงงบประมาณให้กลุ่มไหน แล้วคนกลุ่มไหนที่เราไม่ควรไปเสียเวลานั่นเองครับ

แหล่งที่มาส่วนหนึ่งจาก An Easy Prime to Predictive Analytics for Marketer จาก Predictive Marketing โดย Omer Artun และ Dominique Levin