CPVAI Model – Data Marketing Framework โดยการตลาดวันละตอน

บทความวันนี้จะไม่ได้เล่าเรื่องเคสการตลาดจาก Data หรือ Personalization ใดๆ แต่จะเป็นการแชร์ Framework การทำงานกับ Data ที่ผมกลั่นมาจากประสบการณ์ตรงที่ขอนำเอามาแชร์ให้เพื่อนๆ นักการตลาดยุคใหม่ที่ชื่นชอบ Data ได้เอาไปประยุกต์ใช้กัน เนื่องจากช่วงหลังต้องสอนวิชา Data ถึง 2 มหาวิทยาลัยและ 3 สาขา เลยทำให้เกิดอยากสรุปขึ้นมาเพื่อนอกจากให้เป็นแนวทางของการเรียน การให้คะแนน และยังสามารถเอาไปใช้กับการทำการตลาดได้ด้วยครับ ซึ่ง Data Marketing Framework นี้ผมตั้งชื่อให้มันว่า CPVAI ลองเอาไปเป็นแนวทางประยุกต์ใช้ในการทำงานกันนะครับ

CPVAI – Data Marketing Framework โดยการตลาดวันละตอน

C. Collect

คุณเก็บข้อมูลมาอย่างไร เก็บมาจากไหน เก็บมาถูกต้องไหม เก็บมาครบที่ต้องใช้หรือเปล่า การทำงานกับ Data จะเกิดขึ้นไม่ได้ถ้าเราไม่มี Data ดังนั้นเราต้องไปหาข้อมูลที่ต้องการตามวัตถุประสงค์มา ไม่ว่าจะด้วยการซื้อ การแลกเปลี่ยน หรือเก็บเองตั้งแต่ต้น(แต่จากวิชา Data-Driven Communication ที่ผมสอนคือจะให้นักศึกษาไปหาทางเก็บ Data ที่เป็นโจทย์ของเทอมนั้นมาด้วยตัวเองครับ) วิธีการเก็บเพื่อให้ได้ซึ่ง Data ที่ต้องการมานั้นก็มีหลายแบบ ตั้งแต่การทำ Survey ใช้แบบสอบถาม หรือการใช้เทคโนโลยีต่างๆ ในการเก็บ ไม่ว่าจะเป็นระบบ Facial regocnition ที่ผมร่วมทำให้กับบริษัทหนึ่ง หรือการเก็บผ่าน Beacon ตัวปล่อยสัญญาณ Bluetooth อ่อนๆ หรือจะด้วยวิธีไหนก็ตามเท่าที่งบประมาณและเทคโนโลยีที่คุณมีจะเอื้ออำนวย

ดังนั้นขั้นตอนการเก็บจึงเป็นขั้นตอนแรกที่สำคัญมากในการทำงานกับ Data สำหรับนักการตลาด เพราะถ้าคุณเก็บมาไม่ดีหรือเก็บมาไม่ครบแต่แรก คุณก็จะลำบากในขั้นตอนต่อไป จนทำให้คุณต้องกลับมาเก็บใหม่อีกรอบครับ

ถ้าเปรียบกับเรื่องใกล้ตัวในชีวิตประจำวันอย่างการทำอาหารก็คือคุณต้องไปหาวัตถุดิบที่จะทำอาหารมาก่อน ถ้าคุณจะทำข้าวมันไก่ให้อร่อย คุณต้องรู้แล้วว่าคุณจะต้องมีไก่ แต่ถ้าคุณสามารถระบุลงไปได้ว่าเนื้อไก่ส่วนไหนที่สามารถทำข้าวมันไก่ได้อร่อยสุด คุณก็จะประหยัดเวลาและงบประมาณในการเก็บ Data วัตถุดิบมาได้ไม่น้อย แล้วนอกจากไก่แล้วยังต้องมีข้าว ก็ต้องคิดระบุลงไปอีกว่าข้าวที่เราต้องการคือข้าวแบบไหน ข้าวหอมมะลิหรือข้าวเสาไห้ ยิ่งถ้าเราสามารถระบุ Data Source ที่เราต้องไปทำการ Collect ได้มากเท่าไหร่ เราก็จะยิ่งประหยัดทั้งเงินและเวลาได้มากเท่านั้น

แต่สิ่งที่เกิดขึ้นจากการทำงานจริงคือ บางครั้งเราจะมาพบระหว่างทางว่าถ้าโปรเจคนี้มี Data วัตถุดิบบางอย่างเพิ่มขึ้นมาอีกหน่อย ก็จะสามารถอร่อยตอบโจทย์ในตอนท้ายได้ยิ่งกว่าที่วางแผนไว้เลยครับ

อย่างวิชา Data-Driven Communication ที่ผมใช้สอนนักศึกษาชั้นปริญญาตรีที่มหาวิทยาลัยแห่งหนึ่ง ผมตั้งโจทย์ว่าถ้าผมอยากได้ข้อมูลพฤติกรรมการใช้โทรศัพท์มือถือของ GEN Z ในช่วงโควิดผมจะไปหาได้จากที่ไหน ซึ่งคำตอบสุดท้ายที่ดีที่สุดในตอนนี้ที่นักศึกษามีให้คือการเอามาจากการแคปหน้าจอเวลาที่ใช้ไปในแต่ละแอปของมือถือแต่ละเครื่องนั่นเองครับ

P. Prep

จริงๆ ชื่อเต็มของขั้นตอนนี้คือ Data Preparation นั่นก็คือการเตรียมข้อมูลให้พร้อม เพราะ Data Source ที่เราทำการ Collect มาหลายครั้งไม่ได้ถูกเก็บมาไว้ให้พร้อมใช้ ดังนั้นจึงต้องมีการถูกนำมาทำให้พร้อมใช้

ถ้าเปรียบกับอาหารก็เหมือนกับการที่เราได้ไก่มาหนึ่งตัว แต่เราต้องทำการถอนขน ทำการชำแหละ ทำการล้าง ทำการหมัก หรือใดๆ ก็ตาม เพราะถ้าเราจะทำข้าวมันไก่เราก็คงไม่สามารถโยนไก่ทั้งตัวหรือเนื้ออกทั้งชิ้นเข้าไปทำได้เลยใช่มั้ยครับ

ในวิชา Data-Driven Communication ที่ผมสอนนั้นเมื่อนักศึกษารู้แล้วว่าวิธีในการเก็บข้อมูลพฤติกรรมการใช้โทรศัพท์มือถือของ GEN Z ไทยคือการขอแคปหน้าจอระยะเวลาที่เพื่อนๆ เขาใช้มา เมื่อเก็บมาได้ครบตามจำนวนที่กำหนดก็ถึงเวลาที่พวกเขาจะต้องเอาข้อมูลการใช้งานแต่ละแอปในภาพมา Prep ใน Excel หรือ Google Sheet ให้เรียบร้อย

ซึ่งขั้นตอนนี้ก็สำคัญมากห้ามทำผิดยิ่งกว่าขั้นตอนแรก ต้องมีการตรวจเช็คให้ดีว่าข้อมูลที่กรอกเข้าไปนั้นตรงกับที่แสดงอยู่ในรูปที่ได้มามั้ย เรียกได้ว่าในการตรวจการบ้านของการ Prep นี่กินเวลาไปเป็นวันๆ จนถึงหลายวันทีเดียวครับ

V. Visualization

หรือชื่อเต็มๆ ที่ถูกต้อง Data Visualization นั่นก็คือการเปลี่ยน Data ที่เป็นตัวเลขหรือตัวอักษรให้กลายเป็นภาพ ผ่านการพล็อตกราฟในรูปแบบต่างๆ เพื่อให้ Insight ที่อยู่ใน Data นั้นคลี่คลายออกมาให้เราเข้าใจได้ง่ายขึ้น

ปัญหาที่พบคือคนส่วนใหญ่ที่เริ่มทำงานกับ Data มักจะทำการพล็อตกราฟออกมาแค่ไม่กี่รูปแบบ หรือพล็อตไปเรื่อยโดยไม่ได้เริ่มจากการตั้งคำถาม ทำให้แม้กราฟต่างๆ จะออกมาสวยแต่ก็ขาดการเข้าใจ Insight ที่ซ่อนอยู่ใน Data ที่จะต้องใช้ความมานะพยายามในการบิด Data หมุนดูให้หลากหลายแง่มุมครับ

และหลายครั้งเราก็จะเริ่มพบว่า Data ที่มีนั้นอาจไม่พอสำหรับการดูข้อมูลที่ต้องการในบางแง่มุม ทำให้ต้องมีการแตก Data ใหม่ออกไปเพิ่ม เช่น จากกรณีที่ผมสอนนักศึกษาก็พบว่าเราสามารถจัดประเภทของแอปที่ถูกใช้งานได้ออกเป็นหมวดหมู่ต่างๆ ซึ่ง Data ตรงนี้รูปภาพที่แคปหน้าจอการใช้งานมาไม่มีให้ครับ

และขั้นตอนการทำ Data Visualization นี้เองที่ทำให้พบว่า Data ที่เรา Collect มาและ Prep มานั้นถูกต้องและเพียงพอหรือไม่ ทำให้คนทำงานกับ Data ต้องกลับไปสู่ขั้นตอนที่ 1 ใหม่ก็ไม่น้อย และก็ต้องถอยกลับไปขั้นตอนที่ 2 ไปทำการ Prep ให้ถูกต้องเรียบร้อยอีกครั้งก็เยอะครับ

แต่บอกเลยว่ากว่าจะมาถึงขั้นตอนนี้ไม่ง่าย เพราะลำพังสองขั้นตอนแรกก็กินเวลาในการทำ Data Project ไปมหาศาล แล้วไหนจะต้องวนกลับไปทำขั้นตอนที่ 1 และ 2 ใหม่อีกครั้ง แต่เมื่อมาถึงขั้นตอนนี้คุณก็จะเริ่มรู้สึกภูมิใจเพราะว่าเริ่มเห็น Data ที่ Collect และ Prep มาเริ่มผลิดอกออกผลเป็นรูปเป็นร่างแล้วครับ

ในขั้นตอนนี้ถ้าเปรียบกับการทำอาหารก็เหมือนกับการเริ่มผัดเริ่มปรุงแล้ว เราก็จะเริ่มพบว่าเนื้อชิ้นที่เตรียมไว้ใช้ได้หรือไม่ ใหญ่ไปหรือเปล่า น้ำซุปหรือน้ำปลาเพียงพอมั้ย ข้าวที่จะต้องใช้ผัดนั้นผัดแล้วแฉะมั้ย เรียกได้ว่าทำไปบ่นไปหรือทำไปปรับปรุงไปเรื่อยๆ ก็ได้ครับในขั้นตอนนี้

ในส่วนของการทำ​ Data Visualization ทางผมมีคลาสสอนที่ออกแบบมาเพื่อนักการตลาดและเจ้าของธุรกิจ SME​ โดยเฉพาะครับ ถ้าสนใจอ่านรายละเอียดและลงทะเบียนเรียนก่อนเต็มได้ > https://bit.ly/DataVisualization4Marketing

A. Analyze

และแล้วก็มาถึงขั้นตอนของการเริ่มวิเคราะห์ข้อมูลอย่างจริงจังเสียที ซึ่งขั้นตอนการ Analyze Data นี้จะเกิดขึ้นควบคู่กับการทำ Data Visualization ไปด้วยหลายครั้งครับ เพราะระหว่างที่เรากำลังบิด Data ให้คลี่คลายในแง่มุมต่างๆ ออกมา บางครั้งเราก็พบแง่มุมใหม่ๆ ที่น่าสนใจจนทำให้เราสามารถรู้ว่าควรจะต้องเจาะลึกที่ตรงไหน เพื่อทำความเข้าใจ Insight ที่ซ่อนอยู่ใน Data นั่นเอง

ในวิชา Data-Driven Communication ที่ผมสอนนักศึกษาก็จะพบว่าเมื่อพวกเขาแต่ละกลุ่มมี Data Set ชุดเดียวกันอย่างเท่าเทียม (ผมจับให้เอามารวมเป็น Master file ก้อนใหญ่) การตัดสินให้คะแนนคือการวัดว่ากลุ่มไหนสามารถค้นหา Insight หรือแง่มุมที่น่าสนใจได้มากกว่าเพื่อนกลุ่มอื่น

ผมมีความคิดอยู่อย่างหนึ่งว่า “การมี Data ว่าสำคัญแล้ว แต่การวิเคราะห์ Data นั้นสำคัญกว่า” การวิเคราะห์ Data นั้นขึ้นอยู่กับทั้งไอเดีย และประสบการณ์ เอาง่ายๆ มันก็คือความ Creativity นี่แหละครับ ผมมักบอกลูกศิษย์เสมอว่า Data ชุดเดียวกันแต่วิเคระห์ต่างกันก็ให้ผลลัพธ์ที่แตกต่างมหาศาลแล้ว ดังนั้นในฐานะนักการตลาดที่เคยยากจนในการเข้าถึง Data อย่างผมจึงให้ความสำคัญกับการวิเคราะห์หรือตีความมากๆ ครับ

อย่างนักศึกษาในคลาสผมมีกลุ่มหนึ่งพบ Insight ที่น่าสนใจว่า จากข้อมูลพฤติกรรมการใช้โทรศัพท์มือถือของ GEN Z พบว่าแม้ทุกคนจะมีแอป Shopee และ Lazada เหมือนกัน แต่ช่วงเวลาในการใช้นั้นมีความต่างกันหลายเท่าตัว นักศึกษากลุ่มหนึ่งพบว่าวัยรุ่น GEN Z มีการใช้ Shopee มากกว่า Lazada อย่างเห็นได้ชัด และนั่นก็เป็นแง่มุมใหม่ที่ผมเพิ่งรู้เป็นครั้งแรก และพอพวกเขาเห็น Data ที่ Visualization ออกมาแบบนี้ก็ไปทำการวิเคราะห์ต่อจนพบว่าเพราะ Shopee นั้นดูมีส่วนลดและราคาถูกกว่าครับ

เห็นมั้ยครับว่า Data set เดียวกันแต่กลับวิเคราะห์ออกมาต่างกัน แต่ละกลุ่มก็เลือกวิเคราะห์หรือบิด Data ดูในแง่มุมที่ตัวเองสนใจ จนออกมาเป็น Insight ใหม่ๆ ที่คิดไม่ถึงแต่เข้าใจได้ไม่ยาก

ขั้นตอนการวิเคราะห์นั้นเป็นทั้งศาสตร์และศิลป์สำหรับผม ส่วนตัวผมชอบเอาหลายๆ คนมาช่วยกันวิเคราะห์ เพราะมันจะยิ่งทำให้ผมได้เห็นแง่มุมใหม่ๆ ได้ดีกว่าการนั่งจมจ่มอยู่กับ Data คนเดียวครับ

I. Ideation

เมื่อวิเคราะห์ได้ Insight แล้วก็ต้องถึงเวลาเอาไปใช้งานหรือทำงานจริง ไม่ว่าจะเอาไปปรับปรุงแผนการตลาด เอาไปปรับโฆษณา เอาไปปรับสินค้า หรือเอาไปปรับวิธีการทำงานในองค์กรก็ตาม เพราะถ้าวิเคราะห์แล้วไม่เอาไปใช้งาน ก็เท่ากับว่าทั้งหมดที่ทำมานั้นสูญเปล่าครับ

เหมือนกับการที่คุณมีอาหารจานอร่อยอยู่ตรงหน้าแล้วกลับไม่กิน ไม่ว่าจะด้วยเหตุผลใดก็ตามมันช่างเป็นเรื่องน่าเสียดายจริงมั้ยครับ

หลายๆ ไอเดียในโลกการตลาดและธุรกิจยุคใหม่ล้วนมี Data เป็นส่วนประกอบไม่มากก็น้อย บางบริษัทก็เป็น Data-Driven ที่แท้ทรู แต่ยังมีอีกหลายบริษัทที่ยังคงใช้ Decision-Driven Data อยู่เลย

ผมเจอบางองค์กรที่มีเครื่องมือทุกอย่างพร้อม ทีมงานพร้อม แต่ที่ไม่พร้อมคือความคิดและทัศนคติคนในองค์กรโดยเฉพาะผู้บริหาร คนที่เชื่อว่าตัวเองรู้ดียิ่งกว่า Dat เป็นไหนๆ รู้ดีเพราะเชื่อว่าตัวเองทำตรงนี้มาเป็นสิบๆ ปี แล้วอยู่ดีๆ จะมีใครหน้าใหม่ที่เพิ่งทำมาไม่นานจะรู้ดีกว่า Data ประสบการณ์ได้อย่างไร

ดังนั้นการทำงานกับ Data ที่สำคัญที่สุดไม่ใช่เครื่องมือหรือเทคโนโลยีใดๆ แต่เป็น Mindset หรือทัศนคติที่ต้องลดอัตตาตัวเองลงไป แล้วตัดสินใจจาก Data เยอะๆ

และทั้งหมดนี้ก็คือแนวทางการทำงานกับ Data ที่ผมกลั่นออกมาจากประสบการณ์ตรงส่วนตัว ที่ผ่านการสอนนักศึกษาในมหาวิทยาลัยมา 2 ปี บวกกับในฐานะนักการตลาดคนที่เห็น Data เป็นเครื่องมือใหม่ที่ทำให้เราสามารถตัดสินใจได้ดีขึ้นและได้ประสิทธิภาพมากขึ้นครับ

หวังว่าโมเดล CPVAI ที่เป็น Data Marketing Framework โดยการตลาดวันละตอนนี้จะเป็นประโยชน์กับคุณไม่มากก็น้อย ส่วนถ้าใครเอาไปใช้และต่อยอดได้อย่างไรส่งเรื่องกลับมาเล่าให้ผมฟังที่เพจการตลาดวันละตอน หรือจะส่งมาที่อีเมล [email protected] ก็ได้นะครับ

อ่านบทความที่เกี่ยวกับ Data สำหรับนักการตลาดต่อ > https://www.everydaymarketing.co/tag/data-driven/