อย่ามองข้าม 4 เทคนิคสำคัญ ก่อนทำ Data Driven Marketing ที่แบรนด์และนักการตลาดต้องรู้

ในยุคที่ Data เป็นกำลังหลักในการขับเคลื่อนธุรกิจ แน่นอนว่า Data Driven Marketing จึงกลายเป็นการตลาดแห่งยุค ที่นอกจากจะช่วยให้แบรนด์เข้าใจความต้องการและตอบโจทย์ลูกค้าได้อย่างตรงใจ ยังสามารถดึงให้พวกเขาอยู่กับแบรนด์ในระยะยาวได้ดีขึ้นด้วย ดังนั้น แบรนด์จึงหันมาลงทุนด้านการจัดเก็บและวิเคราะห์ข้อมูลมากขึ้น แต่ปัญหาหลักคือไม่รู้ว่าควรเริ่มต้น Data Driven Marketing อย่างไร

ประเด็นนี้ผู้เชี่ยวชาญด้านข้อมูลอย่างบริษัท บลูบิค กรุ๊ป จำกัด (มหาชน) ได้แนะนำ 4 เทคนิคที่ควรเข้าใจก่อนลงมือทำ Data Driven Marketing เพื่อสนับสนุนผลลัพธ์และความสำเร็จ ดังนี้

1. เป้าหมายของธุรกิจ (Business Objectives)

แบรนด์และนักการตลาดควรวางเป้าหมายให้ชัดเจนว่าต้องการนำผลลัพธ์จากการวิเคราะห์ข้อมูลไปใช้เพื่ออะไร เพราะการตั้งเป้าหมายที่ชัดเจนคือสิ่งสำคัญลำดับแรกที่จะช่วยกำหนดความสำเร็จในการทำ Data Driven Marketing เพื่อกำหนดขอบเขตการวิเคราะห์ข้อมูลว่าควรเข้าไปดำเนินการตรงจุดไหน จึงจะบรรลุเป้าหมายที่วางไว้และเมื่อเป้าหมายของธุรกิจชัดเจน ขั้นตอนต่อไปคือการคิดกรณีการใช้งาน (Use Case Generation) ซึ่งมีความแตกต่างกันไปตามประเภทธุรกิจและปัจจัยแวดล้อมในการทำธุรกิจ

ยกตัวอย่าง เป้าหมายมุ่งไปที่การเพิ่มประสิทธิภาพการดำเนินงานของธุรกิจเป็นหลัก โดยกระตุ้นให้ลูกค้ากลับมาซื้อสินค้าและบริการเป็นประจำเพื่อรักษารายได้ เช่น การแนะนำสินค้าอื่นที่เกี่ยวข้อง (Cross-Selling) เพื่อเพิ่มรายได้ที่มากขึ้นกว่าการซื้อสินค้าเพียงชิ้นเดียว หรือการแนะนำสินค้าหรือบริการที่ตรงกับความสนใจของลูกค้าแต่ละราย ในช่วงเวลาที่เหมาะสม (Personalized Promotions/Products) หรือ เป้าหมายเน้นการพัฒนาประสบการณ์ของลูกค้าเป็นหลัก โดยให้ลูกค้าได้รับประสบการณ์การที่ดีและรักษาให้ลูกค้าซื้อสินค้าและบริการอย่างต่อเนื่อง เช่น การจัดกลุ่มลูกค้า (Customer Segmentation) การคำนวณมูลค่าการซื้อสินค้าและบริการตลอดอายุของการเป็นลูกค้า (Customer Lifetime Value) เพื่อใช้พิจารณาการให้สิทธิพิเศษกับกลุ่มลูกค้าที่สร้างรายได้สูงให้กับบริษัท เป็นต้น

หลังคิด Use Case เบื้องต้นได้แล้ว คำถามต่อมาคือแบรนด์จะรู้ได้อย่างไรว่าควรทำ Use Case ใดจึงจะช่วยสร้างผลลัพธ์ทางธุรกิจได้จริง จึงต้องมีขั้นตอนที่เรียกว่าการประเมินและเลือก Use Case ที่เหมาะสม (Use Case prioritization) ซึ่งสามารถแบ่งการประเมินเป็น 2 แกน ได้แก่

– ผลลัพธ์ที่ส่งผลต่อธุรกิจ (Business Impact) เช่น การสร้างผลลัพธ์ทางการเงิน การเพิ่มโอกาสทางธุรกิจผลตอบแทนจากการลงทุน (ROI) และความเหมาะสมสอดคล้องไปกับกลยุทธ์องค์กรในภาพรวม

– ความพร้อมของธุรกิจ (Feasibility) เช่น ความพร้อมด้านข้อมูล ความพร้อมด้านระบบหรือกระบวนการทำงาน รวมไปถึงปัจจัยภายนอก เช่น PDPA กฎหมายและกฎระเบียบต่างๆ

2. ความพร้อมด้านข้อมูล (Data Readiness)

ต้องสำรวจและประเมินข้อมูลต่าง ๆ ในองค์กรว่าคุณภาพของข้อมูลเป็นอย่างไร เพียงพอต่อการนำไปวิเคราะห์หรือไม่ และมีข้อมูลประเภทไหนบ้าง โดยปัจจุบันมีรูปแบบที่หลากหลายกว่าในอดีตซึ่งสามารถแบ่งประเภทข้อมูลออกเป็น 3 แบบ คือ

ข้อมูลที่ไม่มีโครงสร้าง (Unstructured Data) เช่น รูปภาพ วิดีโอ ไฟล์เสียง

ข้อมูลกึ่งโครงสร้าง (Semi-structured Data) เช่น ไฟล์รูปแบบ XML (Extensible Markup Language)

ข้อมูลที่มีโครงสร้าง (Structured Data) เช่น ตารางข้อมูลในฐานข้อมูล

การนำข้อมูลมาออกแบบ Use Case จะช่วยสร้างความได้เปรียบของธุรกิจได้จริง แบรนด์จึงควรย้อนดูช่องทางในการได้มาซึ่งข้อมูลว่ามีการรวบรวมมาอย่างไร จากแหล่งไหน ส่วนใดที่ยังขาดหายไป และจะนำข้อมูลนั้นมาใช้งานด้วยวิธีใด เช่น การเก็บข้อมูลพฤติกรรมของลูกค้า โดยใช้หลักการเกมมาทำแคมเปญ (Gamification Campaign) เพื่อสร้างปฎิสัมพันธ์กับลูกค้า การเพิ่มการใช้งานระบบ CRM เพื่อช่วยในการรวบรวมข้อมูลลูกค้าได้อย่างมีประสิทธิภาพ หรือการนำ Centralized Data Lake/Data warehouse มาช่วยในการเก็บรวบรวมข้อมูลจากแหล่งข้อมูลหลายแหล่ง เป็นต้น

3. การออกแบบและพัฒนาโมเดลวิเคราะห์ข้อมูล (Design & Development)

ก่อนออกแบบโมเดลวิเคราะห์ข้อมูล แบรนด์ควรดูก่อนว่าต้องการรู้อะไรและรู้ไปทำไม เพื่อเลือกรูปแบบการวิเคราะห์ข้อมูลที่เหมาะสม โดยสามารถแบ่งการวิเคราะห์ข้อมูลออกเป็น 4 รูปแบบ ได้แก่

– การวิเคราะห์แบบพื้นฐาน (Descriptive Analytics) เป็นการวิเคราะห์สิ่งที่เกิดขึ้นในอดีต เช่น ข้อมูลยอดขาย พฤติกรรมลูกค้าที่เคยซื้อสินค้า เป็นต้น

– การวิเคราะห์แบบวินิจฉัย (Diagnostic Analytics) เป็นการค้นหาสาเหตุว่าสิ่งที่เกิดขึ้นนั้นเกิดจากปัจจัยใด โดยวิเคราะห์เชิงหาความสัมพันธ์ (Correlation Analysis) เช่น ยอดขายขึ้นเพราะอะไร ขึ้นเพราะการออกแคมเปญโปรโมชันหรือไม่

– การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) การคาดการณ์แนวโน้มที่น่าจะเกิดขึ้นในอนาคต ด้วยการวิเคราะห์ข้อมูลจากในอดีต

– การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics) เป็นการวิเคราะห์เพื่อคาดการณ์สิ่งที่ควรจะทำในอนาคต

สำหรับขั้นตอนการพัฒนาโมเดลวิเคราะห์ข้อมูลควรดำเนินการหลังธุรกิจมีเป้าหมายที่ชัดเจน เลือก Use case และเตรียมข้อมูลที่จำเป็นต่าง ๆ ไว้แล้ว โดยขั้นตอนการพัฒนาโมเดลแบ่งเป็น การสร้าง Feature เพื่อใช้ในกระบวนการวิเคราะห์ข้อมูล (Feature Engineering), การนำ Feature ที่สร้างขึ้นมาเข้าขั้นตอนการเรียนรู้ (Model Training) เพื่อหารูปแบบ (Pattern) ของข้อมูลให้ได้มาซึ่งข้อมูลเชิงลึก (Insight) ที่สามารถนำไปต่อยอดและปรับใช้ในทางธุรกิจได้, การประเมินประสิทธิภาพของโมเดล (Model Evaluation) ผ่านการทดสอบต่างๆ เช่น Confusion Matrix, F1 Score, AUC – ROC และการปรับค่าพารามิเตอร์เพื่อเพิ่มประสิทธิภาพของโมเดล (Model Optimization)

4. การเปลี่ยนข้อมูลเชิงลึกเป็นผลลัพธ์ทางธุรกิจ (Execution)

อีกขั้นตอนสำคัญเมื่อได้รับข้อมูลที่ต้องการจากการวิเคราะห์แล้ว จะทำอย่างไรให้สามารถเปลี่ยนข้อมูลเชิงลึก (Insight) เหล่านั้นเป็นผลลัพธ์ทางธุรกิจได้จริง ซึ่งก่อนออกแบบแคมเปญการตลาด แบรนด์ควรวางองค์ประกอบคร่าว ๆ ของแคมเปญ เช่น ใครคือกลุ่มลูกค้าเป้าหมาย ต้องการนำเสนออะไรให้ลูกค้า จะติดต่อกับกลุ่มลูกค้าได้อย่างไร จากนั้นจึงนำข้อมูลเชิงลึกที่ได้มาออกแบบรูปแบบแคมเปญ โดยมีแนวทางเบื้องต้นที่สามารถนำไปปรับใช้ได้ ได้แก่

– การดึงดูดกลุ่มลูกค้าเป้าหมาย เช่น พฤติกรรมการซื้อสินค้าของลูกค้าแต่ละกลุ่ม ที่ได้จากการวิเคราะห์จัดกลุ่มลูกค้า (Customer Segmentation) รวมกับการคาดการณ์รายได้ที่ธุรกิจจะได้รับตลอดช่วงการซื้อสินค้าและบริการของลูกค้าแต่ละราย (CLV) เพื่อดูว่าเราควรทำแคมเปญสำหรับลูกค้ากลุ่มไหนเป็นพิเศษ โดยลูกค้าที่มี CLV สูงอาจจะเน้นการส่งข่าวสารโปรโมชันให้อย่างสม่ำเสมอ ส่วนกลุ่มที่มี CLV รองลงมาอาจนำเสนอส่วนลดหรือโปรโมชันลดแลกแจกแถม เพื่อกระตุ้นการซื้อเพิ่ม เป็นต้น

– การค้นหาว่าควรนำเสนอสินค้าและบริการอะไร เป็นการนำข้อมูลมาสร้าง Personalized Promotion ที่ตรงกับความต้องการของลูกค้าแต่ละราย เช่น การให้คูปองส่วนลดสินค้าเด็กอ่อนสำหรับกลุ่มลูกค้าที่เป็นสตรีตั้งครรภ์

– การใช้ช่องทางการสื่อสารที่เข้าถึงลูกค้าได้มากที่สุด เนื่องจากปัจจุบันผู้บริโภคมีช่องทางการซื้อสินค้าหลากหลาย เมื่อธุรกิจสามารถเก็บข้อมูลจากช่องทางต่างๆ ได้แล้ว สามารถนำมาวิเคราะห์ได้ว่าช่องทางไหนที่ลูกค้าใช้บริการมากที่สุด เพื่อดูว่าคอนเทนต์และแคมเปญบนช่องทางไหนได้รับผลตอบรับดีที่สุด แล้วไปเน้นทำการตลาดกับลูกค้าผ่านช่องทางนั้นๆ

ที่มา : Bluebik