Data for Retail จาก Transaction data สู่ Insight เหตุใดเบียร์กับผ้าอ้อมขายดีคู่กันทุกเย็นวันศุกร์

Data for Retail จาก Transaction data สู่ Insight เหตุใดเบียร์กับผ้าอ้อมขายดีคู่กันทุกเย็นวันศุกร์

Case study ของการทำ Big Data Analytics ของธุรกิจ Retail หรือร้านสะดวกซื้อที่โด่งดังจนนักการตลาดหลายคนน่าจะคุ้นหูกับเรื่องของการวิเคราะห์ข้อมูลการซื้อขายหรือที่เรียกว่า Transaction data จนค้นพบ Insight สำคัญว่าเบียร์กับผ้าอ้อมมักขายดีคู่กันทุกคืนวันศุกร์เป็นประจำจนนำไปสู่การตั้งคำถามว่าทำไม? และเราควรจะทำอย่างไรกับมันต่อไป?

คำถามสุดคลาสสิคที่ผมมักเจอเป็นประจำเวลามีลูกค้าเดินเข้ามาขอคำปรึกษาในฐานะ Data & Marketing Consults ก็คือว่า “อยากทำยอดขายได้มากขึ้นทำอย่างไรดี”

วันนี้ผมเลยขอหยิบเคสการทำ Data analytics ที่วิเคราะห์ข้อมูลจนค้นพบว่าแค่จับเบียร์และผ้าอ้อมมาวางไว้ใกล้กันก็สามารถเพิ่มยอดขายสองสิ่งนี้เพิ่มได้กว่า 35% จากมุมมองของคนที่เป็น Data Thinking หรือคนที่ต้องคิดอย่างเข้าใจดาต้าว่าเราจะเอาสิ่งนี้มาช่วยแก้ปัญหาทางธุรกิจและการตลาดได้อย่างไร

Data Thinking เริ่มจากคิดตีโจทย์ให้แตกก่อน

การบอกว่าอยากขายดีขึ้นนั้นไม่ใช่การตั้งคำถามที่ถูก เรื่องนี้เหมือนการบอกว่าอยากเก่งขึ้น รวยขึ้น สวยขึ้น แต่การตั้งคำถามหรือตั้งโจทย์แบบนี้ไม่ได้ทำให้เราก้าวหน้าไปไหน เช่นเดียวกับถ้าร้านสะดวกซื้อหรือ Retail เอาแต่ตั้งโจทย์ว่า “อยากขายดีขึ้น” เป็นเป้าหมาย รับรองว่าต่อให้มี Data แค่ไหนก็ไม่ช่วยให้ธุรกิจเดินหน้าจากยอดขายเดิมไปได้สักเท่าไหร่ครับ

การจะคิดอย่างเข้าใจ Data แบบ Data Thinking คือการตั้งคำถามลงไปอีก 1 layer หรือตั้งคำถามให้ลึกลงไปอีกหนึ่งระดับ เพื่อทำให้เราสามารถสโคปปัญหาได้ชัดขึ้นและง่ายต่อการแก้ขึ้นอีกหน่อยว่า ถ้าเราอยากขายดีขึ้น ถ้าอย่างนั้นคำถามถัดไปคือ “เราควรจะขายดีขึ้นกับใคร หรือลูกค้ากลุ่มไหนหละ?”

จากคำถามนี้จะพาเราไปสู่คำถามที่เราต้องเริ่มหาคำตอบจริงๆ มากขึ้นว่า “แล้วลูกค้ากลุ่มไหนที่ทำรายได้ให้เราดี หรือทำกำไรให้เรามากโดยที่เราไม่เคยรู้มาก่อนหละ?” ถ้าเรารู้ว่าลูกค้ากลุ่มนี้เป็นใคร หรือมีพฤติกรรมการซื้ออย่างไร เราก็จะรู้ว่าควรจะทุ่มงบการตลาดอันจำกัดลงไปที่ตรงไหน เพื่อจะได้ไม่ต้องเอาแต่หว่านงบออกไปเหมือนหว่านข้าว แต่เราสามารถเลือกทำการตลาดแบบโฟกัสเจาะจงลงไปยังกลุ่มนั้นเหมือนกับการหยอดเมล็ดลงในหลุมที่ดี แล้วเมล็ดนั้นก็จะงอกใบออกมาเป็นต้นให้เราเก็บเกี่ยว

ปัญหาใดๆ ในโลกจะแก้ได้อย่างง่ายดาย (หรืออย่างน้อยก็ไม่ยากเกินไป) ก็ต่อเมื่อเราสามารถระบุปัญหาออกมาให้ได้ชัดๆ ก่อนว่าตกลงสิ่งที่เป็นปัญหาที่เราต้องลงมือทำจริงๆ คืออะไร ถ้าคุณเป็นผู้บริหารหรือเจ้าของธุรกิจ อย่าเอาแต่บอกว่าอยากขายดีขึ้น อยากทำยอดขายได้มากขึ้น เพราะคำถามนี้จะไม่ช่วยให้คุณเจอคำตอบที่ใช่ แถมคุณยังต้องเหนื่อยในการทำ Marketing แบบหว่านๆ หรือแบบ Mass ออกไปเรื่อยๆ แต่คุณต้องเริ่มจากการฉลาดในการตั้งคำถามว่า “แล้วตกลงฉันควรจะต้องเพิ่มยอดขายกับกลุ่มไหนถึงจะคุ้มค่าการลงทุนมากที่สุด?” เพราะถ้าเรารู้ว่าลูกค้ากลุ่มไหนของเราที่ทำกำไรให้เราดี ไม่ว่าจะชอบซื้อเยอะๆ ในแต่ละครั้งที่มา หรือว่าชอบซื้อสินค้าที่มี Margin สูงกับเราในราคาเต็มโดยไม่เคยต้องรอส่วนลดครับ

ดังนั้นก่อนจะเริ่มต้นทำงานกับ​ Data​ ฉันใด ต้องเริ่มต้นจากการตั้งคำถามที่ฉลาดก่อน เพราะคำถามสำคัญกว่าคำตอบ และการตั้งคำถามที่ดีเองก็เป็นคำตอบในตัวมันเองไปแล้วครึ่งหนึ่ง

เพราะถ้าเราตั้งคำถามหรือ Business objective ว่าอยากจะขายดีกว่าเดิม ทีนี้มีคำตอบมากมายเป็นล้านให้เลือกเลย ตั้งแต่ลดราคาดึงลูกค้าให้มาซื้อเราแทนคู่แข่ง แต่การลดราคาใครๆ ก็ทำได้แค่ยอมตัดกำไรออกไป ไม่ใช่วิธีทำการตลาดที่ต้องใช้สมองหรือความฉลาดใดๆ ที่จะทำให้คนสนใจอยากเดินเข้ามาหาเราเลย หรือบางคนอาจจะตอบว่า ก็ทำโฆษณาออกไปให้คนเห็นเยอะๆ รู้จักเยอะๆ ก็จะเพิ่มโอกาสที่คนจะเดินเข้ามาหาเราแล้ว แต่ถ้าเป็นแบบนั้นคุณต้องใช้งบการตลาดมหาศาลขนาดไหนที่จะเข้าถึงคนได้มากพอ ในวันที่ Media touchpoint กระจัดกระจายหลายสิบไปจนถึงร้อย สื่อที่ผู้คนเข้าถึงได้ในวันนี้ไม่ได้มีแค่ทีวี สิ่งพิมพ์ วิทยุ สื่อนอกบ้าน หรือเว็บไซต์ แต่มีมากมายแยกกระจายไปทั้ง Facebook, Twitter, Instagram, YouTube, LINE, Twitter ยังไม่นับรวมถึง Website เฉพาะกลุ่มแยกย่อยตามความสนใจ เรียกได้ว่าคุณต้องมีงบการตลาดมากพอในระดับที่เผาทิ้งเท่าไหร่ก็ไม่พอก็ว่าได้ครับ

ใน case study การทำ big data analytics ของ retail แห่งนี้ (ซึ่งบางที่ก็บอกว่า Walmart) ก็เริ่มคล้ายๆ กัน แต่ต่างออกไปนิดหน่อยนั่นก็คือว่า พวกเขามีข้อมูลการขายหรือ Transaction data เก็บไว้กว่า 1.2 ล้านครั้ง ดังนั้นลองเอา data ที่มีมาวิเคราะห์ดูหน่อยว่าเรากำลังพลาดอะไรที่น่าสนใจไปหรือเปล่า

Data Thinking ที่ดีเริ่มจาก Data ที่มียังไม่ต้องมองออกไปไหนไกล

Data for Retail จาก Transaction data สู่ Insight เบียร์กับผ้าอ้อมขายดีคู่กันทุกเย็นวันศุกร์

ในเคสการทำ data science ด้วยการทำ data analytics นี้ส่วนใหญ่ถูกเล่าต่อกันว่าเป็นเรื่องราวของห้าง Walmart ที่สามารถหาความ Correlation หรือความสัมพันธ์ระหว่างสินค้าในร้านสองอย่างที่ไม่น่าขายด้วยกันได้อย่างเบียร์กับผ้าอ้อม แต่กลับขายดีคู่กันอย่างไม่น่าเชื่อ แต่ที่ไม่น่าเชื่อไปกว่านั้นคือเรื่องราวนี้เกิดขึ้นตั้งแต่ปี 1992 ครับ

Data Thinking เป็นเรื่องของชุดความคิดมากกว่าเครื่องมือที่มีหรือทักษะในการเขียนโปรแกรม ในปี 1992 ผมจำได้ว่าผมยังไม่เคยรู้จักกับสิ่งที่เรียกว่าคอมพิวเตอร์ด้วยซ้ำ ไม่รู้จักกับคำว่าอินเทอร์เน็ต ไม่รู้จักกับคำว่า Data ทั้งที่เรื่องการวิเคราะห์ข้อมูลหรือการทำ data science น่าจะเป็นเรื่องใหม่ที่เพิ่งจะได้ยินกันเมื่อไม่กี่ปีก่อน ในแต่ปี 1992 หรือย้อนกลับไป 30 ปีนับจากวันนี้ในปี 2021 กลับมีคนสามารถมองเห็นโอกาสจาก data ที่มีนั่นก็คือ transaction data หรือข้อมูลการขายในแต่ละบิลว่าน่าจะบอกให้รู้อะไรบางอย่างได้แหละ

เมื่อนำ Transaction data ที่มีและบันทึกอยู่ในเครื่อง POS หรือเครื่องคิดเงิน ณ​ จุดขายที่เราคุ้นเคยมารวมกันไว้ในที่เดียวแล้วจากนั้นก็นำมาทำให้ data ที่ถูกเก็บไว้อย่างไม่เป็นระเบียบมาทำให้พร้อมใช้ผ่านขั้นตอนที่เรียกว่า Data preparation อาจจะทำให้อยู่ในรูปแบบ SQL ทำให้โครงสร้างของข้อมูลนั้นพร้อมใช้งาน เมื่อค่อยๆ วิเคราะห์ไปทีละแง่มุมเพื่อดูว่าตกลงเรามีลูกค้าแบบไหนหรือแบ่งออกเป็นกี่กลุ่ม โดยไม่ได้แบ่งกลุ่มจาก Demographic หรือ Generation ตามที่เราคุ้นเคยกัน แต่เป็นการแบ่งกลุ่มจากพฤติกรรมการซื้อที่เกิดขึ้นภายในร้านสะดวกซื้อแห่งนี้ แบ่งไปแบ่งมาจนทำให้พบพฤติกรรมการซื้อสินค้าสองชนิดที่สอดคล้องกันอย่างน่าแปลกใจ นั่นก็คือพบว่าในช่วงเย็นวันศุกร์หลังเลิกงาน เบียร์กับผ้าอ้อมมักจะขายคู่กันได้ดีเป็นพิเศษ

จาก Signal หรือสัญญาณความผิดปกติจากพฤติกรรมการซื้อที่เห็นนี้ก็นำไปสู่การเปรียบเทียบกับช่วงเวลาอื่นว่า เบียร์ กับ ผ้าอ้อม นั้นยังขายได้ดีคู่กันอยู่ในบิลใบเสร็จเดียวกันเหมือนกันทุกช่วงเวลาหรือไม่

เมื่อเปรียบเทียบจากช่วงเวลาอื่นๆ ก็ไม่พบว่ามีพฤติกรรมการซื้อที่เหมือนกับช่วงเย็นวันศุกร์แต่อย่างไร หรือถ้าดูจากความสัมพันธ์ของสินค้าที่ขายดีคู่กันเป็นพิเศษก็ไม่พบสินค้าใดขายดีคู่กันเป็นพิเศษในช่วงเวลาใดเวลาหนึ่งเหมือนกับเบียร์และผ้าอ้อมที่ค้นพบในครั้งนี้ครับ

Data Thinking เมื่อได้คำตอบต้องตั้งคำถามต่อไปว่า ทำไม ทำไม ทำไม และ ทำไม

การจะเป็น Data Thinking ที่ดีหรือรู้จักฉลาดในการใช้ Data นั้นต้องหมั่นตั้งคำถามและสงสัยในคำตอบที่ได้จาก Data ต่อไปเรื่อยๆ เพื่อหา Data ใหม่ๆ เข้ามาตอบหรืออธิบายว่าเพราะอะไรมันถึงเป็นแบบนี้ หรือ Insight นี้มีที่มาที่ไปจากอะไร

เพราะถ้าเรารู้แค่ว่าผ้าอ้อมกับเบียร์ขายดีในช่วงคืนวันศุกร์ ถ้าคิดแบบตื้นๆ ทั่วไปก็คงจะทำโปรโมชั่นชวนให้คนซื้อมากขึ้นในคืนวันนั้น หรืออาจจะไม่ต้องทำโปรโมชั่นใดๆ แต่อาจจะเอาสินค้าประเภทผ้าอ้อมและเบียร์มาวางขายในร้านเพิ่มเพราะคิดไปเองว่าลูกค้าน่าจะอยากได้ตัวเลือกสินค้าประเภทนี้เพิ่มขึ้นใช่ไหมครับ

แต่สิ่งที่เกิดขึ้นจากเคสนี้คือพวกเขาออกไปหาคำตอบนอก Data เพื่อหาว่าที่มาที่ไปของ Correlation ความสัมพันธ์ระหว่างเบียร์กับผ้าอ้อมที่ขายดีคู่กันทุกคืนวันศุกร์นั้นเป็นเพราะอะไร ทีมงานก็เลยออกไปสังเกตในช่วงเวลาดังกล่าวของแต่ละสาขาของร้านสะดวกซื้อแห่งนี้เพื่อดูว่า คนแบบไหนนะที่เดินเข้ามาซื้อทั้งผ้าอ้อมและเบียร์ไปพร้อมกัน

จากสิ่งที่ไม่เคยคิดว่าจะขายดีคู่กันได้อย่างผ้าอ้อมกับเบียร์เพราะช่างเป็นสินค้าที่ต่างกันสุดขั้วดูไม่น่าเข้ากันได้ ถ้าบอกว่าผ้าอ้อมกับนมผงขายดีคู่กันอันนี้ไม่ใช่เรื่องน่าแปลกใจ หรือถ้าบอกว่าเบียร์กับอาหารเวฟกับแกล้มขายดีเป็นประจำทุกคืนวันศุกร์อันนี้เข้าใจได้ว่าเหตุและผลของมันคืออะไรจริงไหมครับ

แต่กับเบียร์และผ้าอ้อมที่ขายดีคู่กันอันนี้สิแปลก เป็น Insight ใหม่ที่ไม่มีใครในทีม Data science หรือทีม Marketing หรือ Business development คิดมาก่อนเลยว่าจะมีเรื่องแบบนี้เกิดขึ้นด้วย ถ้าไม่เอา Data ทั้งหมดที่มีมาวิเคราะห์ดูก็จะไม่มีทางรู้เพราะไม่มีใครคาดคิดว่าสินค้าสองอย่างนี้จะขายดีคู่กัน และจากความสงสัยก็นำไปสู่การตั้งคำถามว่าทำไม ทำไม และทำไม เมื่อพวกเขาชวนกันลุกออกจากหน้าจอเพื่อมาดูหน้างานก็เลยทำให้หายคลายความสังสัยด้วยระยะเวลาไม่นานว่าเหตุใดเบียร์กับผ้าอ้อมจึงขายดีคู่กันได้ครับ

จะเข้าใจ Insight จาก Data ได้ก็ต้องเข้าใจว่า Data นั้นมีที่มาที่ไปอย่างไร

Data for Retail จาก Transaction data สู่ Insight เบียร์กับผ้าอ้อมขายดีคู่กันทุกเย็นวันศุกร์

เมื่อทีมงานทุกคนยกพลออกไปดูหน้างานกัน แต่ด้วยการที่ทำการบ้านกันมาแล้วว่าช่วงเวลาไหนที่สำคัญที่พวกเขาต้องลงไปดู ทำให้พวกเขาประหยัดเวลาในการทำ Data observation เป็นอย่างมาก เพราะไม่อย่างนั้นการออกไปสำรวจหน้างานก็จะกลายเป็นงานน่าเบื่อที่ได้แต่เฝ้าดูไปเรื่อยๆ โดยไม่รู้ว่าอะไรคือสิ่งที่เราต้องดู แต่จากทำงานกับ Data มาแล้วก็เลยทำให้พอรู้ว่าตกลงแล้วเราควรต้องไปดูอะไร ดูที่ไหน และดูเมื่อไหร่ครับ

พวกเขาจึงออกไปสังเกตอาจจะด้วยการปลอมตัวเป็นลูกค้า หรือการเข้าไปเป็นผู้ช่วยพนักงานขาย หรืออาจจะเฝ้าดูผ่านกล้องวงจรปิดก็ได้ แต่ทั้งหมดคือการเข้าไปดูที่มาของ Data นั้นด้วยตัวเองว่าเหตุใดเย็นหลังเลิกงานวันศุกร์เบียร์กับผ้าอ้อมจึงขายดีคู่กันอย่างไม่น่าเชื่อ แต่ไม่นานนพักพวกเขาก็เริ่มเห็น Pattern บางอย่างที่น่าสนใจในหลายสาขาที่ทีมกระจายตัวไปสังเกตการณ์ นั่นก็คือพวกเขาพบว่ากลุ่มคนที่เข้ามาซื้อเบียร์และผ้าอ้อมคู่กันนั้นคือชายหนุ่มวัยกลางคนครับ!

พวกเขาสังเกตเห็นชายหนุ่มวัยกลางคนอายุราวๆ 30-40 ปี มีพฤติกรรมการซื้อที่คล้ายกันอย่างไม่น่าเชื่อนั่นก็คือซื้อผ้าอ้อมคู่กับเบียร์นั่นแหละครับ จากจุดนี้ทำให้ทีมได้ Data ใหม่ไปวิเคราะห์หาคำตอบต่อว่า ทำไมผู้ชายวัยกลางคนถึงเดินเข้ามาซื้อผ้าอ้อมกับเบียร์หนึ่งแพ็คกลับไปหลังเลิกงาน ซึ่งถ้าจะให้พูดช่วงเวลาที่เฉพาะเจาะจงก็คือ 5 โมงเย็นถึง 1 ทุ่มเป๊ะๆ เลยครับ

เมื่อทีมกลับมารวมหัวเบรนด์สตรอมกันก็คาดว่า น่าจะเป็นกลุ่มผู้ชายที่เพิ่งมีลูกเล็กแล้วภรรยาใช้ให้ซื้อผ้าอ้อมลูกกลับบ้านด้วยก่อนวันหยุดซึ่งก็คือเย็นวันศุกร์ ทำให้ผู้ชายรู้สึกว่าไหนๆ ก็เดินเข้ามาซื้อผ้าอ้อมในร้านสะดวกซื้อแล้ว ขอหยิบเบียร์ติดมือกลับบ้านไปสักแพ็คเป็นรางวัลดื่มระหว่างดูบอลในวันหยุดสักหน่อยแล้วกัน

หรืออีกแง่มุมหนึ่งก็มีคนคาดการณ์ว่า อาจจะเป็นไปได้ว่าชายกลุ่มนี้เป็นกลุ่มคนที่เข้ามาซื้อเบียร์กลับไปกินที่บ้านทุกคืนวันศุกร์หลังเลิกงานอยู่แล้ว แต่พอมีลูกเล็กเข้ามาก็รู้สึกอยากทำตัวเป็นพ่อบ้านที่ดีสักหน่อยแม้เมียจะไม่ได้สั่ง เห็นผ้าอ้อมอยู่ใกล้ๆ ซึ่งเป็นอะไรที่ซื้อผิดยาก ก็เลยขะหยิบผ้าอ้อมติดมือกลับบ้านไปให้ลูกและเมียภูมิใจหน่อยแล้วกัน

ซึ่งผมจะบอกว่าถ้าเป็นข้อสมมติฐานแรกนั้นก็ยากที่จะหา Data มาพิสูจน์ว่าจริงหรือไม่ นอกจากจะต้องเดินตามผู้ชายคนนั้นกลับบ้านไปว่าเมียที่บ้านถามหรือเปล่าว่า “แล้วถ้าอ้อมที่สั่งได้มาไหม?” แต่ถ้าเป็นสมมติฐานที่สองนั้นพอจะมีทางพิสูจน์อยู่ได้ไม่ยาก แต่ก็ต้องมีการเก็บ Data ที่ดีไว้ก่อนหน้าเพราะไม่อย่างนั้นจะไม่สามารถพิสูจน์ได้ว่าพอมีลูกแล้วพฤติกรรมการซื้อเบียร์ทุกคืนวันศุกร์เปลี่ยนไปหรือไม่ คำถามคือคุณคิดว่าเราต้องใช้ Data อะไรเพื่อพิสูจน์สมมติฐานนี้ครับ

ผมให้คิด 10 วินาทีก่อนกดอ่านในบรรทัดถัดไป

1
2
3
4
5
6
7
8
9
10

หมดเวลา

คำตอบที่ถูกคือคุณต้องมีระบบ Loyalty program ที่ให้ลูกค้าสะสมแต้มด้วยการบอกเบอร์โทรศัพท์ให้กับพนักงานก่อนคิดเงินทุกครั้ง เพราะระบบสะสมแต้มหรือ Loyalty program นี้แหละครับจะทำให้เรารู้ว่าตกลงแล้ว Transaction data ไหนเป็นของลูกค้าคนไหน ถ้าเราสามารถระบุตัวตนของลูกค้าแต่ละคนได้ว่าที่ผ่านมาพวกเขาเคยมาซื้ออะไรบ้าง เราก็จะสามารถหาได้ว่ามันมีจุดเปลี่ยนของพฤติกรรมการซื้อเบียร์ที่ต่างไปบ้างหรือไม่ แต่ในเคสนี้เมื่อปี 1992 ไม่ได้มีระบบสมาชิกเตรียมไว้ให้วิเคระห์หาต่อครับ แต่เอาเป็นว่าแค่สามารถค้นพบว่าเบียร์กับผ้าอ้อมนั้นขายดีคู่กันทุกคืนวันศุกร์เป็นประจำผมว่าก็ว้าวมากพอแล้ว

และเมื่อได้เห็นบริบทของ Data ได้เห็นที่มาที่ไปว่าเบียร์กับผ้าอ้อมมาขายดีคู่กันทุกเย็นวันศุกร์หลังเลิกงานได้อย่างไร ก็ทำให้เข้าใจถึง Insight ว่าเป็นเพราะคุณพ่อบ้านต้องแวะมาซื้อเบียร์กลับไปกิน หรือไม่ก็ต้องถูกเมียสั่งให้ซื้อผ้าอ้อมลูกก่อนเข้าบ้านด้วยก็เลยขอหยิบเบียร์ไปดื่มย้อมใจหน่อย

และนั่นก็เลยทำให้ทางร้านสะดวกซื้อ Retail แห่งนี้ทำสิ่งเล็กๆ แต่เพิ่มยอดขายได้อย่างไม่น่าเชื่อ

ได้ Insight แล้วต้อง Action ลองเอาสมมติฐานไปทำแล้ววัดผลกลับคืนมา

Data for Retail จาก Transaction data สู่ Insight เบียร์กับผ้าอ้อมขายดีคู่กันทุกเย็นวันศุกร์

เมื่อตอนนี้เราค้นพบแล้วว่าเบียร์กับผ้าอ้อมมักขายดีคู่กันในทุกเย็นวันศุกร์ (จากการวิเคราะห์ดาต้า) นั่นก็เพราะว่าคุณพ่อลูกอ่อนวัยกลางคนแวะมาซื้อของกลับบ้านหลังเลิกงานนั่นเอง (Insight) แต่ที่สำคัญไปกว่านั้นคือพฤติกรรมนี้คือสิ่งที่เกิดขึ้นเป็นประจำหรือ Pattern โดยไม่เปลี่ยนแปลง นั่นหมายความว่าศุกร์นี้ และศุกร์ก่อนหน้าถ้าผ้าอ้อมขายดีคู่กับเบียร์เป็นประจำ นั่นหมายความว่าวันศุกร์หน้าที่จะมาถึงและก็ศุกร์ถัดๆ ไปทุกศุกร์สองสิ่งนี้ก็จะยังคงขายดีคู่กันต่อไป

คำถามคือคุณจะ Action อย่างไรจาก Insight นี้ บางคนอาจบอกว่าก็ทำดีไซน์แพคเกจผ้าอ้อมใหม่ให้ดูแมนขึ้น แต่สิ่งที่ร้านสะดวกซื้อ Retail แห่งนี้ทำนั้นเรียบง่ายมาก พวกเขาแค่เอาเบียร์กับผ้าอ้อมที่เคยอยู่ห่างกันมาวางให้ใกล้กันมากขึ้น ผลปรากฏว่ายอดขายสินค้าสองอย่างนี้เพิ่มพรวดขึ้นกว่า 35% และนี่ก็กลับไปตอบสิ่งที่ธุรกิจต้องการ นั่นก็คือขายให้ดีขึ้นกว่าเดิม แต่ทั้งหมดนี้จะไม่เกิดขึ้นเลยถ้าเราไม่คิดแบบ Data Thinking ที่ตั้งคำถามต่อไปว่า แล้วเราจะเพิ่มยอดขายจากลูกค้ากลุ่มไหนดีกว่ากัน แล้วก็นำไปสู่คำถามถัดไปว่า จาก Data ที่เรามีแต่เราจะแบ่งกลุ่มลูกค้าอย่างไรได้บ้าง

เมื่อเรามีแค่ Transaction data ที่ไม่ใช่ Customer data ที่ระบุตัวตนลูกค้าลงไปได้ว่าใครซื้ออะไรบ้าง ก็พอจะบอกได้ว่าสินค้าแบบไหนที่ขายดีแบบผิดปกติแถมเกิดขึ้นเป็นประจำโดยที่เราไม่รู้ จากนั้นก็นำไปสู่การวิเคราะห์หาความสัมพันธ์ของสินค้าที่ขายดีคู่กันเป็นประจำโดยที่เราไม่รู้ ก็เหมือนกับที่ร้านสะดวกซื้อ Retail แห่งนี้ทำจนรู้ว่าเบียร์กับผ้าอ้อมนั้นขายดีคู่กันทุกคืนวันศุกร์ ถามตรงๆ ใครมันจะไปคิดหละครับว่าของสองสิ่งนี้จะขายดีด้วยกันแบบไม่คาดคิดขนาดนี้ได้

จากเรื่องราวของ Case study การทำ Big data analytics ที่วิเคราะห์ข้อมูลการขายที่ถูกเก็บสะสมมาจาก 25 สาขาจนมีมากกว่า 1.2 ล้าน transaction ที่ทำให้ค้นพบ product correlation แบบไม่คาดคิดจนทำให้ทุกร้านสะดวกซื้อ ซูเปอร์มาร์เก็ต และห้างสรรพสินค้าต่างๆ พยายามเอา data ที่ตัวเองมีมาวิเคาะห์แง่มุมต่างๆ เพื่อหา Insight ที่ไม่คาดคิดให้เจอ และแน่นอนว่าก็เจออะไรที่น่าสนใจไม่น้อยกว่าเบียร์กับผ้าอ้อมเลยครับ

เช่น บางเคสเจอว่ารองเท้าผู้หญิงมักจะขายดีคู่กับเสื้อผู้ชาย หรือ การเอากล้วยมาวางไว้หน้าร้านจะสามารถดึงลูกค้าให้เดินเข้าร้านมาซื้อของในซูเปอร์มาร์เก็ตได้มากขึ้น หรือพบว่าถ้าใครมาซื้อนมผงกับน้ำส้ม มักจะซื้อ DVD การ์ตูนที่ออกใหม่กลับไปด้วย (เมื่อลงไปสำรวจดูพบว่าเป็นเด็กโตที่ถูกแม่ใช้มาซื้อนมให้น้อง และน้ำส้มของตัวเอง พอเห็น DVD การ์ตูนเรื่องใหม่ก็เลยขอหยิบติดมือไปจ่ายเงินด้วยนั่นเอง) ซึ่งจากความสัมพันธ์ของสินค้าดังกล่าวนักการตลาดที่จะฉลาดใช้ดาต้าต้องรู้จักลงไปทำความเข้าใจที่มาที่ไปของ Data นั้นด้วยตัวเอง

เพื่อที่เราจะได้เข้าถึงบริบทที่เกิดขึ้นว่า ทำไม ไม่ใช่แค่ อะไร การเข้าใจที่ลึกซึ้งกว่าทำให้เราสามารถใข้ต้นทุนทั้งเงิน คน และเวลา ในการแก้ปัญหาที่น้อยกว่าที่ควรจะเป็นมาก

Data Thinking คิดย้อนกลับอีกแง่มุมหนึ่งของเรื่องนี้

Data for Retail จาก Transaction data สู่ Insight เบียร์กับผ้าอ้อมขายดีคู่กันทุกเย็นวันศุกร์

หรือบางครั้งการทำงานกับ Data เพื่อเอามาช่วยแก้ปัญหาทางธุรกิจหรือการตลาด ก็อาจจะไม่ได้เริ่มต้นจากการเอา Data ทั้งหมดมาดูหากลุ่มความสัมพันธ์แบบที่เล่ามาทั้งหมดก็ได้ แต่อาจจะเริ่มจากการตั้งโจทย์ของฝ่ายขายมาเลยว่าถ้าสินค้าที่ทำกำไรได้ดีอย่างผ้าอ้อม ซึ่งมีตัวเลข Margin สูงมากอยู่แล้ว ทำอย่างไรเราถึงจะขายผ้าอ้อมได้มากขึ้น

การตั้งคำถามแบบนี้ก็จะทำให้การวิเคาะห์ข้อมูลนั้นสั้นและกระชับลงไปมาก ทีมวิเคระห์ดาต้าก็ไม่จำเป็นต้องเอาข้อมูลทั้งหมดมากางดูเพื่อหาความสัมพันธ์ แต่เลือกเจาะดูจากสินค้าที่ตัวเองอยากรู้จากผ้าอ้อมเลยว่าสินค้านี้มีพฤติกรรมการซื้อเป็นอย่างไร เลือกดูว่าสินค้าที่ขายดีคู่กับผ้าอ้อมมีอะไรบ้าง ช่วงเวลาที่ขายดีเป็นพิเศษคือตอนไหน วันใดที่ผ้าอ้อมขายได้มากกว่าปกติ แล้วค่อยดูต่อไปว่าสิ่งที่เราเห็นเป็น Signal นั้นเกิดขึ้นซ้ำๆ เป็นประจำจนกลายเป็น Pattern หรือไม่

เป็นอย่างไรครับกับการคิดย้อนมุมกลับอีกวิธีหนึ่งที่ฟังดูเหมือนง่ายแต่แท้จริงแล้วไม่ได้ง่ายเหมือนที่อ่านเลยนะครับ เพราะจากประสบการณ์ที่เจอมากับตัวพบว่าการตั้งคำถามที่ดีนั้นไม่ได้ง่าย ไม่ใช่ทุกคนจะทำได้ ซึ่งการทำ Data project ส่วนใหญ่คือการค่อยๆ ทำไปเรียนรู้ไป ยังไม่เคยสูตรสำเร็จได้ที่เอามาใช้สวมทับกันได้ทันที

ต่อให้เป็นกลุ่มธุรกิจเดียวกันแต่ถ้ามีบริบทต่างกันผลลัพธ์ที่ได้ก็ต่างไป เพราะไม่ใช่ทุกร้านสะดวกซื้อหรือห้างสรรพสินค้าที่เบียร์และผ้าอ้อมจะขายดีคู่กันเสมอไป

เพราะเมื่อทีมที่ทำ Data science หรือ Data analytics ของโปรเจคนี้ย้ายไปทำให้กับร้านสะดวกซื้อ Retail อีกแบรนด์หนึ่งในปีที่ต่างไป ก็ไม่พบความสัมพันธ์ใดๆ ระหว่างเบียร์และผ้าอ้อมเลย ส่วนพอย้ายไปทำอีกร้านสะดวกซื้อหนึ่งก็กลับค้นพบความสัมพันธ์ระหว่างเบียร์กับผ้าอ้อมที่แน่นแฟ้นกันยิ่งกว่าเดิม ซึ่งมีค่า Correlation ถึง 0.95 เลยทีเดียครับ (ถ้าเป็น 1 นี่แทบจะเป็นแฝดกันเลย)

และเรื่องราวทั้งหมดที่เล่ามาก็เป็นของร้านสะดวกซื้อที่ชื่อว่า OSCO Drug ไม่ใช่ Walmart แต่อย่างไร

Data Thinking คือทักษะที่นักการตลาดต้องมีในศตวรรษที่ 21

Data Thinking ทักษะในศตวรรษที่ 21 ลูกผสม Design Thinking กับ Data Science

เรื่องราวของเบียร์และผ้าอ้อมนั้นเกิดขึ้นตั้งแต่ปี 1992 แต่ตอนนี้เราอยู่ในปี 2021 เป็นปีที่เต็มไปด้วย Data มากมาย ดีไม่ดีข้อมูลการขายแค่ 1.2 ล้าน Transaction อาจจะดูเป็นจิ๋วไปเลยเมื่อเทียบกับ Transaction ที่เกิดขึ้นในแต่ละวันที่เกิดขึ้นบนออนไลน์ของเว็บแพลตฟอร์มใหญ่ๆ สักราย นั่นหมายความว่าในวันนี้เรามี Data อยู่มากมายมหาศาล คนที่รู้จักมองให้ออกว่า Data ที่เรามีนั้นมีคุณค่าอะไรซ่อนอยู่บ้าง หรือเราต้องการ Data แบบไหนมาใช้งาน หรือ Data แบบไหนบ้างที่จะตอบคำถามสำคัญของธุรกิจเรา

ทั้งหมดนี้ล้วนเป็นทักษะการคิดอย่างเข้าใจ Data หรือที่เรียกว่า Data Thinking เพราะก่อนจะเริ่ม Data-Driven Business หรือ Everything คุณเข้าใจสิ่งที่เรียกว่า Data ดีพอหรือยัง

สนใจสั่งซื้อหนังสือ Data Thinking หนังสือเล่มที่ 3 ของการตลาดวันละตอนไปอ่าน > https://bit.ly/DataThinkingBook

DATA THINKING ทำธุรกิจให้รุ่ง ยอดขายพุ่งด้วยดาต้า l AMARINBOOKS

อ่านเรื่องราวของ Data Thinking ในการตลาดวันละตอนเพิ่มเติม > https://www.everydaymarketing.co/?s=data+thinking

Reference:
https://canworksmart.com/diapers-beer-retail-predictive-analytics/
https://jborden.com/2018/12/07/beer-and-diapers-the-perfect-couple/
https://bigdatabigworld.wordpress.com/2014/11/25/beer-and-nappies/
https://tdwi.org/articles/2016/11/15/beer-and-diapers-impossible-correlation.aspx
https://www.forbes.com/forbes/1998/0406/6107128a.html?sh=d8cdfa36260f

Nattapon Muangtum

Nattapon Muangtum

เจ้าของเพจการตลาดวันละตอน / ที่ปรึกษาให้กับเอเจนซี่และธุรกิจต่างๆ / อาจารย์วิชา Data-Driven Communication ที่ PIM / นักอ่านหนังสือ / เจ้าของเพจอ่านแล้วเล่า

ใส่ความเห็น

อีเมลของคุณจะไม่แสดงให้คนอื่นเห็น ช่องข้อมูลจำเป็นถูกทำเครื่องหมาย *