CRISP-DM: วิเคราะห์การตลาด เข้าใจลูกค้าทุก Segments ทำ CRM ที่ตอบโจทย์

ในยุค Digital Marketing ที่นักการตลาดต้องรับมือกับข้อมูลจำนวนมหาศาล จนหลายครั้งเกิดคำถามว่า “เราควรเริ่มจากอะไร ทำอะไรต่อ?” กับข้อมูลดิบในมือกันดี => CRISP-DM หรือ Cross Industry Standard Process for Data Mining คือขั้นตอนมาตรฐานที่จะมาช่วยพวกเรา จัดลำดับความคิดสำหรับการวิเคราะห์ข้อมูล หรือวิเคราะห์การตลาดเรื่องใดๆก็ตาม อย่างครบถ้วนเป็นประโยชน์ไม่ฟุ้งกระจายไร้จุดหมายปลายทาง เพื่อสร้างโอกาสให้ธุรกิจเติบโตค่ะ^^

โดยในบทความนี้นิกจะพาไปทำความเข้าใจ และดูการใช้กระบวนการ CRISP DM ในการวิเคราะห์การตลาดเพื่อทำ Campaign หรือ Promotion ต่างๆ ให้ตรงกลุ่มลูกค้าในทุก Segments ที่เราได้ทำการจัดกลุ่มมา ร่วมถึงมองผลลัพธ์ว่า Campaign และ Promotion เหล่านั้นตอบโจทย์ความต้องการของลูกค้า และให้ผลสัมฤทธิ์ที่ดีจริงๆ หรือไม่

CRISP-DM คืออะไร?

CRISP DM หรือ Cross Industry Standard Process for Data Mining ซึ่งจริงๆ ก็ตามชื่อค่ะ ว่าเป็นกระบวนการมาตรฐานในการทำเหมืองข้อมูล (ที่เรียกว่า “ทำเหมืองข้อมูล” เพราะในยุคนี้ข้อมูลก็มีค่าเหมือนแร่ในสมัยก่อน เลยถูกเปรียบเทียบว่าการขุดหา Insight จากข้อมูล ก็เหมือนการทำขุดแร่นั่นเอง)

CRISP DM ถูกพัฒนาขึ้นมาโดยบริษัทชั้นนำ 3 บริษัทได้แก่ Daimler AG, SPSS และ NCR ซึ่งประกอบด้วย 6 ขั้นตอนมาตรฐาน ได้แก่

1. Business Undestanding: คือขั้นตอนในการทำความเข้าใจในจุดประสงค์ทางธุรกิจ เข้าใจโจทย์ที่เราต้องการจากธุรกิจของเรา ซึ่งเมื่อรู้โจทย์แล้ว ก็จะทำการระบุผลลัพธ์ที่ต้องการในเบื้องต้น และวางแผนงานในการนำข้อมูลไปใช้ต่อไป
2. Data Understanding: คือขั้นตอนในการเข้าในข้อมูล โดยมีการเก็บรวบรวมข้อมูลที่เกี่ยวข้อง และเชื่อถือได้ ในจำนวนมากพอที่จะนำมาใช้วิเคราะห์ ยกตัวอย่างเช่นข้อมูลในการทำ Social Listening Insight ต่างๆ
3. Data Preparation: คือขั้นตอนการเตรียมข้อมูลที่ยังเป็นข้อมูลดิบ (raw material) ให้สามารถนำไปวิเคราะห์ในขั้นตอนต่อไปได้ ซึ่งถือว่าในขั้นตอนนี้เป็นกระบวนการที่ใช้เวลานานที่สุด เนื่องจากความถูกต้องของข้อมูลเป็นสิ่งที่มีความสำคัญ โดยในขั้นตอนนี้จะประกอบไปด้วยขั้นตอนย่อยคือ
   • Data Selection: การคัดเลือกข้อมูลที่จะนำมาใช้
   • Data Cleaning: การกรองข้อมูลเอาส่วนที่ไม่สามารถใช้ได้ออก เช่นพวก Missing Value หรือ Outlier
   • Data Integration: จะใช้ในกรณีที่มีการนำข้อมูลจากหลายๆ แหล่งมาใช้ร่วมกัน
   • Data Reduction: เป็นการลดขนาดของข้อมูลลง ให้เหลือเพียงข้อมูลที่จำเป็น
   • Data Transformation: เป็นการจัดรูปของข้อมูลให้สามารถนำไปวิเคราะห์ได้ เช่น การแปลงข้อมูลประเภท Text ให้อยู่ในรูปตัวเลข (ของความสัมพันธ์) หรือการแปลงข้อมูลให้อยู่ในช่วง (Discretization) ที่เราต้องการ
4. Modeling: ขั้นตอนนี้เองที่พวกเราคุณเคยกันดี นั่นคือการนำข้อมูลที่สะอาดแล้วจากขั้นตอนที่ 3 มา แบ่งกลุ่ม หาความสัมพันธ์ หรือจำแนกประเภทของข้อมูล ซึ่งการทำ Customer Segmentation หรือ Clustering ไม่ว่าจะด้วย RFM หรือ K-means จะถือเป็นขั้นตอนนี้ค่ะ
5. Evaluation: คือขั้นตอนของการตรวจสอบและประเมินผล ว่า Model ที่ได้จากขั้นตอนที่ 4 ยกตัวอย่างเช่น กลุ่มลูกค้าที่เราแบ่งได้ มีความถูกต้องแม่นยำหรือไม่ สามารถนำไปใช้ประโยชน์ในเชิงธุรกิจได้จริงมั้ย^^
6. Deployment: เป็นการนำผลลัพธ์ที่ได้จาก Model ไปใช้งานจริง เพื่อช่วยในการตัดสินใจทางธุรกิจ หรือทำ Campaign ต่างๆ ให้ตรงตามลูกค้าแต่ละ Segments (ในกรณีที่เราทำ Customer Segmentation Model)

การใช้ CRISP-DM แบ่ง Segments ลูกค้า เพื่อทำ CRM

หลังผ่านจากส่วนทฤษฎีเพื่อเพิ่มความเข้าใจในบริบทองค์รวมกันมาเรียบร้อยแล้ว เรามาดูการนำไปใช้งานจริงในการวิเคราะห์ลูกค้า และการทำ Marketing กันค่ะ 😊🤗 โดยจะใช้ข้อมูลของร้านค้าออนไลน์แห่งหนึ่ง ที่ทำการเก็บ Customer Data และข้อมูลการซื้อของลูกค้าแต่ละรายมาเข้ากระบวนการ CRISP DM ตามขั้นตอน 1-6 ดังนี้

#1 Business Understanding

ร้านค้าออนไลน์แห่งนี้มีความต้องการที่จะแบ่งกลุ่มลูกค้า (Customer Segmentation) ตามพฤติกรรมการซื้อ และการเข้าชมสินค้าออนไลน์ อย่างเหมาะสม

และเมื่อแบ่งกลุ่มลูกค้าแล้ว คุณเจ้าของกิจการออนไลน์ (จะสมมุติว่าเป็นเราก็ได้นะคะ) อยากจะทำ Customer Relationship Management (CRM) ให้ตอบโจทย์ถูกต้องตรงเป๊ะกับความต้องการของลูกค้าในทุกๆ กลุ่ม เช่นการทำ Campaign ให้ปังปุริเย่ หรือจะส่ง sms แจ้งผลิตภัณฑ์ใหม่ ตลอดจนควรส่ง Promotion/สร้าง Flash sell ในช่วงเวลาไหนดี และท้ายสุดระบุลูกค้าที่สุดจะยื้อลูกค้าต้องทำใจปล่อยไปแยกออกจากลูกค้ากลุ่มอื่นๆ

#2 Data Understanding

ข้อมูลที่ร้านค้าออนไลน์แห่งนี้ให้กับนักการตลาด (อย่างพวกเรา) มาคือข้อมูล Transaction ของลูกค้าจำนวน 10159 transactions ที่มีการสั่งซื้อเข้ามาในพื้นที่ประเทศไทย โดยเราจะต้องนำข้อมูลเหล่านี้มาทำความเข้าใจ (Data Understanding) ให้ได้ค่ะว่า มีอะไรที่แฝงอยู่ในข้อมูลเหล่านี้บ้าง เพื่อที่จะกรองเอาเฉพาะข้อมูลที่ควรนำไปใช้ในขั้นตอนต่อไปค่ะ

จาก raw data ของร้านนี้พบว่าข้อมูลแบ่งเป็น 2 ส่วนหลักๆ คือ ข้อมูลของลูกค้า แบบ Personal data และข้อมูลการซื้อสินค้าในแต่ละครั้ง ซึ่งมีรายละเอียดได้แก่ หมายเลขคำสั่งซื้อ จำนวนสินค้าที่ซื้อ ราคาต่อหน่วยสินค้าที่ซื้อ เบอร์โทรศัพท์ ชื่อของลูกค้า สถานที่จัดส่ง เป็นต้น

#3 Data Preparation

เมื่อทำความเข้าใจข้อมูลแล้ว เราก็จะมาเข้าสู่ขั้นตอนที่ใช้เวลานานที่สุดของกระบวนการทั้งหมดกัน นั่นคือการเตรียมข้อมูล ซึ่งพบว่าข้อมูลของลูกค้าที่เป็น Personal Data ของร้านค้าออนไลน์ร้านนี้มีไม่ครบทุกรายค่ะ => ซึ่งขอบอกเลยว่าน่าเสียดายแบบตะโกน เพราะข้อมูลประเภทนี้ คือเป็นข้อมูลทรงคุณค่าที่เราควรนำมาใช้สุดๆ แต่!! เราทำอะไรไม่ได้ค่ะ ได้แต่ทำใจ แล้วตัดออกไปก่อน 😳😵 และมาดูข้อมูลในส่วนของ Transaction ซึ่งเป็นที่แน่นอนอยู่แล้วว่า พอเป็นข้อมูลที่เก็บมาแบบอัตโนมัติ จากทุกๆ ครั้งของการซื้อ ทำให้ข้อมูลครบถ้วนดี ไม่มี Missing Value สามารถนำไปใช้งานต่อได้เลย (แต่ถ้าอยากทำให้ละเอียดขึ้นให้พิจารณาพวก Outlier ด้วยค่ะ)

โดยในส่วนนี้เนื่องจากเราไม่นำข้อมูลส่วนตัวของลูกค้าแต่ละรายมาใช้ได้ วิธีที่(น่าจะ)เหมาะที่สุดสำหรับ data set ที่มีเพียงรายละเอียดของ transaction ก็คือ “RFM” model เจ้าประจำของเรานั่นเองงงง ซึ่งหน้าที่ของเราก็คือการคำนวณหา Feature R F และ M มาใส่ให้ครบค่ะ

สำหรับรายละเอียดของการทำ RFM นิกจะแปะ link ไว้ให้ด้านล่างของบทความนะคะ

#4-6 Modeling-Evaluation-Deploy

และเมื่อเราผ่านขั้นตอนที่ยาวนานมากที่สุดคือการทำ Data Preparation มาแล้วก็จะเข้าสู่การสร้าง Model เพื่อแบ่งกลุ่มลูกค้าตามที่เราต้องการ ซึ่งอย่างที่เกริ่นมาข้างบนค่ะว่า เราจะใช้เป็น RFM Model สำหรับชุดข้อมูลของร้านค้าออนไลน์ร้านนี้ในเบื้องต้น (และหากต้องการวิเคราะห์เพิ่มเติมหลังจากนั้นให้ลองทำ K-means Clustering ต่อได้นะคะ) โดยในส่วนของการ Evaluation ก็จะนำเอาข้อมูลกลุ่มลูกค้าที่แบ่งแล้วมาแปลความหมายของแต่ละกลุ่ม เพื่อประเมินความเหมาะสม ว่ากลุ่มที่แบ่งมามีความเหมาะสมหรือไม่ค่ะ

ขั้นตอนสุดท้ายคือ Deploy การเอากลุ่มลูกค้าที่เราแบ่งมาได้ไปทำ CRM ต่อให้เหมาะสม พร้อมกับการทำ Data Visualization ในรูปแบบของ Dashboard เพื่อให้ง่ายต่อความเข้าใจ ก็จะเป็นการเสร็จกระบวนการ Cross Industry Standard Process for Data Mining อย่างสมบูรณ์ 😀😊

Last but not Least,,

ปูลู: CRISP-DM ถือประกระบวนการที่สำคัญสำหรับโจทย์ทางธุรกิจ และทางการวิเคราะห์การตลาด ที่จะช่วยให้นักการตลาดสามารถวิเคราะห์โจทย์ที่ต้องการได้อย่างครบถ้วนตั้งแต่เริ่มต้น จนกระทั่งถึงการ Deploy และ Get feedback จากลูกค้า ซึ่งสามารถลองนำไอเดียจากตัวอย่างการใช้งานในการวิเคราะห์ลูกค้าของร้านค้าออนไลน์ในบทความนี้ ไปประยุกต์ใช้กับโจทย์ที่เรามียกตัวอย่างเช่น การวิเคราะห์ข้อมูลเพื่อเพิ่มยอดขายของบริษัทประกันรถยนต์โดยใช้ข้อมูลจาก Social listening tools ต่างๆ หรือแม้กระทั่งการวิเคราะห์กระบวนการการผลิตในเชิงวิศวกรรมเพิ่มงานที่มีคุณภาพ และยอดจำหน่ายในตัวงานชิ้นนั้น เป็นต้น 😊😉

รายละเอียดของ RFM Model และการทำ Data Preparation แบบละเอียด สามารถอ่านเพิ่มเติมได้ตาม links ด้านล่าง

https://www.everydaymarketing.co/business-and-marketing-case-study/anomalies-data-or-outlier-normal-distribution/

https://www.everydaymarketing.co/knowledge/customer-relationship-management/