Case Study CDP และ Personalization ของ Pomelo ที่เพิ่มรายได้ 15%
Case Study CDP การทำ Personalization at Scale กับลูกค้าทุกคนส่งผลให้ธุรกิจสตาร์ทอัพสายแฟชั่นอย่าง Pomelo สามารถทำ Personalized Recommendation แนะนำสินค้าที่ลูกค้าแต่ละคนน่าจะชอบได้อย่างแม่นยำ ทำให้รายได้เพิ่มขึ้น 15% และที่มากไปกว่านั้นคืออัตราการซื้อซ้ำ Customer loyalty เพิ่มขึ้นจากการรู้ใจมากกว่าที่ลูกค้ารู้ตัวครับ
ถ้ามีตัวเลือกมากไปแล้ว Personalization ไม่ดีก็อาจฉุดยอดขายแทน
จากสินค้ากว่า 8,000 รายการที่ Pomelo มี แรกเริ่มเดิมทีก่อนจะทำ CDP กลายเป็นปัญหาว่าแล้วเราจะทำอย่างไรให้ลูกค้าได้เจอสินค้าที่ใช่ไวที่สุด
ครั้นจะให้มาไล่ดูทีละชิ้นๆ ก็คงหมดความอดทนและเปลี่ยนใจไปช้อปร้านอื่นก่อน ดังนั้นการทำ Personalization อย่างแม่นยำจึงกลายเป็นคำตอบสำคัญที่จะทำให้ Pomelo เพิ่มยอดขายเพื่อเติบโตต่อไปได้
ทางทีมงานของ Pomelo จึงต้องการจะทำ Personalization at Scale ที่ทั้งทำงานได้อย่างรวดเร็วและแม่นยำควบคู่กัน พวกเขาจึงต้องมาหาทางเลือกใหม่นอกจากการจัดการกับ Customer Data แบบเก่า บวกกับต้องการ Machine Learning ที่มีประสิทธิภาพมากกว่าเดิม จนได้มาพบกับ Segment และ Amazon ครับ
Pomelo จึงใช้ Customer Data Platform หรือที่เรียกกันย่อๆ ว่า CDP ในการบริหารจัดการ Customer Data ที่กระจัดกระจายจากหลากหลายช่องทาง ให้มารวมศูนย์เพื่อจัดการได้ง่ายและมีประสิทธิภาพมากขึ้นในเวลาอันรวดเร็ว
บวกกับการใช้ Amazon Personalize ที่เป็น Machine Learning as a Service ที่มีสามารถวิเคราะห์ประมวลผลข้อมูลที่มีความหลากหลายได้อย่างรวดเร็วระดับ Real-time ส่งผลให้ Pomelo สามารถทำ Personalized Recommendation ทั้งสินค้าและคอนเทนต์ที่รู้ใจลูกค้าหน้าจอมากยิ่งขึ้น
ไม่ว่าลูกค้าคนนั้นจะใช้ระบบ iOS หรือ Andriod หรือจะเข้าผ่านเว็บไซต์ก็ตาม ด้วยเทคโนโลยี MarTech อย่าง Braze ที่สามารถใช้งานกับ Segment ได้ ก็ส่งผลให้การทำ Personalization ของ Pomelo นั้นรู้ใจลูกค้าแต่ละคนได้อย่างรวดเร็ว ส่งผลให้ยอดขายรายได้รวมเพิ่มขึ้นครับ
จะรู้ใจลูกค้าได้รวดเร็วและแม่นยำ ต้องอาศัย Personalization Engine ที่มีความสามารถมากพอ
Pomelo เป็นบริษัทสตาร์ทอัพ Fashion Tech ที่มีการเติบโตอย่างรวดเร็วจนทำให้จากขายออนไลน์กระโดดมาเปิดร้านค้าออฟไลน์มากมายทั่วกรุงเทพ ในเว็บไซต์หรือในแอปเองก็มีสินค้าให้เลือกกว่า 8,000 รายการ มองในแง่ดีมีสินค้าให้เลือกมากมายเพื่อตอบโจทย์ความต้องการที่หลากหลายของลูกค้า แต่ถ้ามองในแง่ความเป็นจริงตัวเลือกมากมายนั่นแหละที่กลับกลายเป็นปัญหา ทำให้ลูกค้าตาลายเลือกไม่ถูกว่าตกลงแล้วอะไรดีที่สุดสำหรับตัวเองกันแน่
และนั่นก็อาจทำให้ลูกค้าบางคนยอมแพ้ไม่ยอมเลือกในท้ายที่สุด ดังนั้นระบบที่แนะนำสินค้าจาก 8,000 รายการออกมาให้เหลือแค่ไม่กี่รายการที่ Personalization จรึงๆ จึงสำคัญมาก ซึ่งแต่เดิมที Algorithm Personalized Recommendation ของ Pomelo ก็ใช้งานได้ดีตอนที่ยังไม่มีสินค้ามากมายกว่า 8,000 รายการ แต่พอสินค้ามากขึ้นกลายเป็นปัญหา เพราะ AI ไม่สามารถทำงานได้ทัน หรือแม้แต่ทำงานให้รู้ใจอย่างแม่นยำก็ยังลำบากเลย
Algorithm การแนะนำสินค้า Recommendation เดิมเองก็ใช้เกณฑ์อย่างดูจากลูกค้าส่วนใหญ่ในพื้นที่หรือประเทศนี้ชอบดูสินค้าแบบไหน แล้วก็เอาสินค้าแบบนั้นไปแนะนำให้กับทุกๆ คนส่วนใหญ่เหมือนๆ กัน ท้ายที่สุดแล้วสินค้าที่ระบบเลือกขึ้นมาแนะนำก็แทบไม่เหลือความแตกต่างจากคนอื่นแต่อย่างไร
สมมติว่าช่วงนั้นคนส่วนใหญ่ชอบดูกระโปรงสีชมพูกันเยอะมาก ระบบแนะนำสินค้า Product Recommendation ก็จะเอากระโปรงชมพูไปแนะนำให้กับลูกค้าส่วนใหญ่เหมือนๆ กันหมดครับ
แล้ว Personalization Model ที่แม่นยำต้องมีองค์ประกอบอะไรบ้าง?
การจะสร้าง Personalization Model หรือ Algorithm ที่แนะนำสินค้าอย่างรู้ใจลูกค้าออกไปอย่างแม่นยำได้ ต้องอาศัย Data Infrastructure เพื่อทำให้การ Collecting Data นั้นครบถ้วน แล้วก็เอาไป Transform เพื่อให้สามารถเชื่อมกับข้อมูลชุดอื่นได้ จากนั้นก็ Stream data เข้ามาเพื่อใช้ในการสร้าง Personalization model ที่มีความรวดเร็วและแม่นยำ จึงจะสามารถทำ Personalization at Scale ได้
5 องค์ประกอบของการทำ Personalization at Scale
- Rich & Clean ข้อมูล Customer Data จะต้องถูกทำให้สะอาด เป็นระเบียบเรียบร้อย และเอามาเชื่อมโยงกันเพื่อให้มีมิติที่มากขึ้น เพื่อจะได้เอาไปทำ Personalization Model ที่แม่นยำได้
- Real-time ข้อมูลที่ไหลเข้ามาต้องอัพเดทได้ไวในระดับ Real-time เพื่อให้การทำ Personalized Recommendation นั้นไวทันความต้องการลูกค้าที่เกิดขึ้นได้ในทันที และถ้าเราตอบสนองไม่ทันความต้องการนั้นก็พร้อมจะหายไปในไม่กี่นาทีเช่นกันครับ
- Algorithm ที่เชื่อถือได้ ในขณะเดียวกันก็ต้องสามารถ Customizable ให้เข้ากับธุรกิจเราได้เช่นกัน
- Tracking & Measurement ติดตามและวัดผลจากทุกตัวแปรที่ต้องการได้อย่างรวดเร็ว ทำแล้วสามารถเห็นผลได้ทันที เพื่อจะได้รู้ว่าควรไปต่อหรือพอแค่นี้ แล้วก็หาสินค้าใหม่มาแนะนำที่น่าจะให้ผลลัพธ์ดีขึ้นกว่าเดิม
- Experiment เครื่องมือที่ใช้ต้องสามารถทำ A/B Testing หรือ Experiment ทดสอบสมมติฐานการตลาดได้หลากหลายและรวดเร็วควบคู่กัน เพราะผู้บริโภควันนี้สมาธิสั้น สนใจตอนนี้อีกไม่กี่วินาทีก็เบื่อได้ ถ้าเราทำ Experiment ได้ไวก็อาจจะได้ใจและได้เงินในกระเป๋าลูกค้าครับ
เดิมที Pomelo ก็มี Personalized Recommendation Engine ที่สร้างกันเองภายในแต่แรกอยู่แล้ว แต่ในวันที่ลูกค้ายังไม่เยอะมาก จำนวนสินค้าไม่หลากหลายเท่าทุกวันนี้ ตัว AI Recommendation ก็ยังใช้งานได้ดี แต่เมื่อธุรกิจโตมากขึ้นก็ต้องมีการยกเครื่องระบบให้แม่นยำและรวดเร็วขึ้นตามไป
ยกระดับ Personalization ด้วย Amazon Personalize
ซึ่งในเคสนี้ Pomelo เลือกใช้ Customer Data Platform หรือ CDP ของ Segment ที่สามารถทำงานร่วมกับ Machine Learning ของ Amazon ได้ ซึ่งระบบ Amazon Personalize เข้ามาช่วยทำให้ Pomelo สามารถรู้ใจลูกค้าได้แบบ Real-time ไม่ว่าจะใช้งานผ่านในแอปหรือเว็บก็ตาม แถมยังทำให้การวัดผลที่เกิดขึ้นอย่างรวดเร็วถูกส่งป้อนกลับมาปรับปรุง Model ให้มีความแม่นยำยิ่งขึ้นกว่าเดิม
เดิมที Pomelo ทำการ Personalization โดยแนะนำสินค้าได้ทีละหนึ่งประเภท แต่ด้วย Algorithm ใหม่ที่ทรงพลังกว่าเดิมมาก ทำให้สามารถทำ Personalized Recommendation ตาม Marketing Funnel จากข้อมูลพฤติกรรมการใช้งานแอปหรือเว็บแบบ Real-time ไม่ว่าจะกำลังกดดูสินค้าไหน ค้นหาสินค้าใด ใช้คำแบบไหนในการค้นหา ใช้เวลาอ่านหน้าสินค้านั้นนานเท่าไหร่ กดสินค้าลงตะกร้าหรือไม่ หรือเซฟใส่ Wishlist รายการสินค้าที่อยากได้ไว้ในแต่ ไปจนถึงข้อมูลการซื้อที่เกิดขึ้นจริงทั้งหมดของลูกค้าแต่ละคน
จากข้อมูลที่ได้ตรงจากลูกค้าที่บอกมายังไม่พอ ทาง Pomelo ยังทำการสกัด Data ใหม่ๆ ออกมาอีก ไม่ว่าจะ Product tags ประเภทหรือชนิด หรือรายละเอียดปลีกย่อยของสินค้าแต่ละชิ้น ช่วงราคาที่ลูกค้าชอบซื้อ ส่วนลดที่ลูกค้าใช้ จำนวนที่ซื้อในแต่ละครั้ง และยังมีตัวแปรอื่นๆ อีกมากมายที่ Pomelo สามารถเก็บเพื่อนำไปปรับปรุง Personalized Recommendation Model ต่อไปในอนาคต
ทั้งหมดนี้ทำให้ Pomelo สามารถสร้างแผนที่เชื่อมโยงสินค้าที่ลูกค้าแต่ละคนน่าจะชอบออกมาได้ คนนี้น่าจะชอบอะไรมากกว่า ถ้าซื้ออันนี้น่าจะซื้ออะไรต่อ หรือถ้าเคยซื้ออันนี้ไปแล้วอีกนานแค่ไหนจะกลับมา จากเดิมที่ Personalized Recommendation Model ของ Pomelo เคยแนะนำสินค้าได้ทีละหนึ่งชนิด ก็สามารถแนะนำสินค้าได้มากกว่า 350 ชนิดในคราวเดียว ไม่ว่าจะเป็นเสื้อยืด เสื้อแขนสั้น หรือชุดนอน
Pomelo สามารถทำ Personalization แบบ Real-time สามารถแนะนำสินค้าที่ลูกค้าแต่ละคนน่าจะชอบได้ในเสี้ยววินาที จากสินค้ากว่า 8,000 รายการที่มี ทำให้ลูกค้าสามารถเจอสินค้าที่ใช่ในเวลาอันรวดเร็วกว่าที่เคยเป็นมากในหน้า “Just For You”
อารมณ์ก็คล้ายๆ ที่ Facebook หรือ TikTok คัดฟีดเอามาแสดงผลให้เราเลื่อนดูไปเรื่อยๆ ไม่จบสิ้น ยิ่งดูเรายิ่งชอบ ยิ่งดูเรายิ่งติดหนึบ กับ Pomelo ก็เหมือนกันครับ ยิ่งเลื่อนดูไปมากเท่าไหร่ เราก็ยิ่งจะเจอชุดหรือสินค้าที่ใช่มากเท่านั้น
Adam Kirk ผู้เป็น Director of Product Management บอกว่าพวกเขาสามารถยกระดับจากระบบ Recommendation ธรรมดามาสู่การทำ Personalized Recommendation แบบ one-to-one ได้แบบ Real-time โดยมาจากข้อมูลพฤติกรรมของลูกค้าแต่ละคน ดังนั้นหน้า Just For You ในแอป Pomelo ของแต่ละคนจึงแตกต่างไปตามความชอบและไลฟ์สไตล์ที่ไม่มีใครเหมือนกัน
และสินค้าที่ระบบเลือกมาแนะนำในหน้านี้ก็จะมีการอัพเดทเปลี่ยนแปลงอยู่เรื่อยๆ โดยขึ้นอยู่กับการกระทำของเราในแอป Pomelo นั่นเองครับ
เรายิ่งใช้เวลากับสินค้าแบบไหน ระบบก็จะเอาไปวิเคราะห์หาความเชื่อมโยงกับสินค้าอื่นๆ กว่า 8,000 ชนิดที่มีในคลัง จากนั้นก็จะหาสินค้าที่มีความคล้ายคลึงกัน เอามาแนะนำเราเพื่อให้เรารู้สึกว่าแอปนี้มีแต่ของที่ถูกใจ จนอดไม่ได้ที่จะกดใส่ตะกร้าแล้วกดจ่ายเงินซื้อสินค้าในที่สุด
แต่การทำ Personalized Recommendation แบบ Real-time ก็มีข้อจำกัดบางอย่าง ในตอนหน้าเราจะมาดูกันว่าราคาของ Real-time นั้นจะต้องแลกมาด้วยอะไร แล้วการทำ Real-Time Personalization นั้นความจริงแล้วต้องเรียลหรือเร็วขนาดนั้นจริงๆ อย่างที่เราเคยเข้าใจหรือเปล่าครับ
อ่าน Case Study เรื่อง CDP และ Personalization ในการตลาดวันละตอนต่อ > https://www.everydaymarketing.co/?s=CDP
