Data Science for Marketing – 9 ข้อดีการใช้ดาต้ากับงานการตลาดและธุรกิจ

Data Science for Marketing – 9 ข้อดีการใช้ดาต้ากับงานการตลาดและธุรกิจ

Data Science for marketing หรือการทำ Data Analytics นั้นกำลังกลายเป็นหัวใจสำคัญของโลกธุรกิจยุคใหม่ที่ไม่ใข่แค่การตลาดอีกต่อไป เพราะการเล่นกับ Data นั้นช่วยให้เราสามารถตอบคำถามยากๆ หรือแม้กระทั่งทำให้พบคำตอบใหม่ให้กับคำถามเดิม ทำให้เห็นถึง Insight ใหม่ที่ถ้าไม่ใช้ Data Science หรือ Data Analytics เข้ามาช่วยก็จะไม่มีทางเห็น Insight แบบนั้นเลย

นี่จึงเป็นช่วงเวลาที่ดีที่สุดของภาคธุรกิจและการตลาดที่จะต้องเรียนรู้และเข้าใจว่าการเอา Data Science มาใช้นั้นจะทำให้เราเห็นถึงโอกาสใหม่ในการทำกำไรมากมาย เนื่องจากความพร้อมของเทคโนโลยีทุกด้านรอบตัว การที่โลกใบนี้ล้นทะลักไปด้วย Data บวกกับความสามารถในการประมวลผลของคอมพิวเตอร์นั้นทำให้การเอา AI หรือ Machine learning มาใช้นั้นไม่ใช่เรื่องไกลตัวอีกต่อไป

เราสามารถเอาข้อมูลตัวชี้วัดหรือ Metrics ต่างๆ มาวิเคราะห์หาคำตอบใหม่ๆ ที่แม่นยำกว่าเดิมได้ไม่ยาก ไม่ว่าจะเป็นข้อมูลการคลิ๊ก ไลก์ คอมเมนต์ แชร์ การมองเห็น จำนวนหน้าเว็บไซต์ที่ผู้ใช้เข้ามาเปิดดูในแต่ละครั้ง ไปจนถึงเวลาค่าเฉลี่ยที่เค้ามีให้กับแบรนด์เรา และตัวชี้วัดอื่นอีกมากมาย โดย Small data เหล่านี้แหละครับที่กลายมาเป็นตัวชี้วัดถึงความพึงพอใจของลูกค้าหรือกลุ่มเป้าหมายต่างๆ ได้เป็นอย่างดี ว่าพวกเขาสนใจเนื้อหาในเว็บเรามากพอมั้ย พวกเขาคลิ๊กเข้ามาแล้วกลายเป็นลูกค้าเราจริงๆ เท่าไหร่

จาก Data เล็กๆ ที่มีมากมายเหล่านี้เมื่อนำมาวิเคราะห์ดีๆ ก็จะเกิดประโยชน์หรือคุณค่ามากมายได้ไม่น้อย เช่น ต้องมีการดูกี่หน้าถึงจะกลายมาเป็นลูกค้าเรา หรือหน้าไหนในเว็บไซต์ที่มีคนเข้ามาบ่อยๆ ถ้าเรารู้แบบนี้เราก็สามารถตัดสินใจได้ดีขึ้นว่าอะไรคือสิ่งที่เราควรต้องทำจริงๆ ที่จะทำให้ธุรกิจเราดีขึ้น เข้าตำราที่ว่า “ทำน้อยได้มาก จากการดู Data ที่แท้จริง”

เราลองมาดูแนวทางและตัวอย่างการใช้ Data Science for Marketing หรือการเอาดาต้ามาช่วยในการทำธุรกิจและวางแผนในการทำการตลาดทั้ง 9 หัวข้อต่อจากนี้ครับ

1. Personalized Marketing

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย Personalization and Personalized Marketing
สั่งซื้อออนไลน์ > http://bit.ly/PersonalizedMarketingBook

การจะทำ Personalized Marketing ให้ประสบความสำเร็จได้ต้องอาศัย Data ลูกค้าในระดับ Personal level เยอะมาก บวกกับต้องมีเทคโนโลยีหรือเครื่องมือที่ช่วยให้การวิเคราะห์ข้อมูลที่มีความซับซ้อนมากๆ ให้เป็นไปได้ และในขณะเดียวกันนักการตลาดที่จะทำ Personalized Marketing ให้ประสบความสำเร็จได้ก็ต้องมีความเชื่อในเรื่อง Data อย่างมากว่าถ้ายิ่งใช้ Data มากเท่าไหร่ก็จะยิ่งมีโอกาสรู้ใจลูกค้ามากเท่านั้น

เพราะการทำ Personalization จะยิ่งช่วยให้ความสัมพันธ์ระหว่างแบรนด์กับลูกค้าเป็นไปได้อย่างดียิ่งขึ้น จนส่งผลถึงยอดขายและกำไรในท้ายที่สุด

แต่การจะทำ Personalization ได้ก็ต้องใช้ Data ที่มากมายมหาศาลทั้งที่เป็น 1st party data หรือ data ในบ้านและ ไปจนถึง 2nd party data ของคนอื่น และ 3rd party data ที่เป็นข้อมูลกึ่งสาธารณะที่ใครๆ ก็เข้าถึงได้ เมื่อมี Data มาจากหลายช่องทางแน่นอนว่าจะใช้การวิเคราะห์ด้วยมนุษย์หรือเครื่องมือธรรมดาก็คงไม่ได้ เลยต้องใช้เครื่องมือที่มีความฉลาดและซับซ้อนไปจนถึงใช้เทคนิคการวิเคราะห์ที่พิเศษไม่ธรรมดานั่นก็คือต้องใช้ศาสตร์แห่งข้อมูลหรือ Data Science ในการช่วยทำให้ Personalized Marketing ทั้งฉลาดและรู้ใจลูกค้าได้อย่างที่ควรจะเป็นครับ

และที่สำคัญคือการทำการตลาดแบบ Personalization ให้สำเร็จต้องเริ่มตั้งแต่ในระดับ Business Strategy ครับ

อ่านบทความเรื่องแนวทางการปรับ Strategy องค์กรให้ตอบรับการทำ Personalozation > https://www.everydaymarketing.co/knowledge/4-keys-strategy-to-do-personalization-success/

2. Customer segmentation

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย suctomer segmentation

การวิเคราะห์ข้อมูลเพื่อแบ่งกลุ่มลูกค้าถือเป็นอีกหนึ่งสิ่งที่เราสามารถเอา Data Science มาช่วยให้การแบ่งกลุ่มลูกค้าที่ว่ามานั้นมีความเที่ยงตรงและแม่นยำมากยิ่งขึ้น จากเดิมเราอาจจะแบ่งกลุ่มได้อย่างกว้างๆ หรืออาจจะใช้จินตนาการของนักการตลาดเป็นหลัก หรืออาจจะทำได้แค่วิเคราะห์ข้อมูลตัวอย่างจากไม่กี่สิบหรือร้อยเท่านั้น ทั้งที่ในความเป็นจริงแล้วลูกค้าเรานั้นอาจมีเป็นหลักหมื่น แสน หรือหลายล้านคนก็เป็นได้

แล้วในยุค Big Data ที่ธุรกิจส่วนใหญ่เต็มไปด้วยข้อมูลมากมายหลายที่มาก็สามารถเอามาวิเคราะห์จริงจังเพื่อหาว่าลูกค้าของคุณต่างกันอย่างไร และในความต่างนั้นมีความเหมือนกันตรงไหน จะได้เอามาจัดเป็นกลุ่มตาม Data ไม่ว่าจะเป็นพฤติกรรมการซื้อ หรือลักษณะนิสัยความชอบจาก External data และทุกวันนี้การทำ Customer analytics ถือเป็นหัวใจสำคัญของธุรกิจยุคใหม่ที่จะช่วยให้การใช้งบต่างๆ ผลิดอกออกผลหรือเกิด ROI สูงๆ นั่นเองครับ

เพราะการทำ Customer analytics เพื่อแบ่ง Customer segmentation นั้นทำให้เรารู้ว่าเราควรจะต้องตัดสินใจในแต่ละเรื่องอย่างไร ตั้งแต่เราควรจะต้องตั้งราคาเท่าไหร่ถึงจะทำกำไรได้มากที่สุดสำหรับแต่ละกลุ่ม หรือเราควรจะทำโปรโมชั่นแบบไหนที่จะดึงดูดใจให้ลูกค้าซื้อเพิ่มจนคุ้มที่ทุ่มงบไปนั่นเอง ดังนั้นการตัดสินใจทางธุรกิจและการตลาดต่อไปนี้จะทำกำไรได้หรือไม่ก็ขึ้นอยู่กับว่าคุณวิเคราะห์ Customer data ออกมาได้ดีขนาดไหน

การทำ Customer analytics ยังช่วยให้คุณได้เข้าใจ insight ลูกค้าเชิงลึกอีกว่าทำไมพวกเขาถึงเลือกของแบบนี้ และพวกเขาเอาสินค้าของคุณไปใช้อย่างไร เช่น การวิเคราะห์ data การซื้อทำให้รู้ว่าผู้หญิงที่เพิ่งตั้งครรภ์จะเปลี่ยนไปซื้อครีมหรือโลชั่นแบบไม่มีกลิ่นในช่วง 3 เดือนแรกนั่นเองครับ ดังนั้นอนาคตของการตลาดยุคใหม่จะขึ้นอยู่กับว่าคุณสามารถวิเคราะห์ข้อมูลลูกค้าออกมาได้เป็น insight ที่ใช้งานได้จริงแล้วหรือยัง

อ่านบทความเรื่องการแบ่ง Customer segmentation ของ Sephora จากการวิเคราะห์ Customer data > https://www.everydaymarketing.co/business/beauty/data-driven-beauty-retail-sephora/

3. Lifetime value prediction

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย customer lifetime value prediction

รู้มั้ยครับว่าการใช้ data science มาช่วยในการวิเคราะห์ข้อมูลลูกค้านั้นทำให้เราได้รู้ว่าจริงๆ แล้วลูกค้าส่วนใหญ่อยู่กับเรานานแค่ไหน ใช้เงินกับเราจริงๆ เท่าไหร่ หรือในช่วงเวลาไหนที่เค้าจะใช้เงินกับเรามากเป็นพิเศษ เดิมทีเรื่อง Customer lifetime value หรือ CLV นั้นเป็นอะไรที่นักการตลาดถูกสอนให้รู้จักมาหลายสิบปีมาก แต่เดิมทีการวิเคราะห์ในส่วนนี้อาจจะยังไม่มีความแม่นยำพอเท่ากับทุกวันนี้ แต่ถ้าถามว่า Customer lifetime value สำคัญอย่างไรก็บอกได้เลยว่าเป็นตัวเลขชี้เป็นชี้ตายอนาคตบริษัทได้เลยทีเดียวครับ

ดังนั้นหัวใจสำคัญของการเอา customer data มาวิเคราะห์เพื่อหา customer lifetime value นั้นช่วยให้เราสามารถคาดการณ์พฤติกรรมการใช้เงินกับเราได้แม่นยำขึ้นมาก ทำให้เรารู้ว่าช่วงเดือนไหนของลูกค้าที่เราต้องดึงเค้าไว้ไม่ให้พลาด เพราะเดือนหน้าเค้าจะใช้เงินกับเรามากมายหรือเกิน หรือเพื่อบอกให้เรารู้ว่างบการตลาดที่เราลงทุนกับลูกค้าแต่ละคนไป จะกลับคืนมาทำกำไรให้เราเมื่อไหร่ แถมยังช่วยให้เราประหยัดงบการตลาดลงไปได้อีกมาก ในการไม่ต้องทุ่มทำโปร ลด แลก แจก แถม ให้กับลูกค้าทุกๆ คนเหมือนกันอีกต่อไป เพราะเราสามารถทำ Personalization ตามพฤติกรรมของลูกค้าแต่ละคนที่เปลี่ยนไปเพื่อดึงลูกค้าให้อยู่กับเราจนครบช่วงเวลาที่ควรจะเป็น หรือทำให้เค้าอยู่กับเรานานยิ่งขึ้นให้มากที่สุดนั่นเองครับ

แล้วเมื่อเรารู้ Customer lifetime value ที่แม่นยำขึ้นว่าแต่ละคนจะใช้เงินกับเราเท่าไหร่จนกว่าจะเลิกเป็นลูกค้าเราไป เราก็สามารถตั้งงบการตลาดในการหาลูกค้าแต่ละคนได้มาอย่างเป็นเหตุเป็นผลมากขึ้น สมมติว่างบในการหาลูกค้าใหม่หนึ่งคนเราอยู่ที่ 1,000 บาท แต่ Customer lifetime value กลับมีค่าอยู่แค่คนละ 900 บาท แสดงว่าคุณต้องหาทางลดงบในการหาลูกค้าใหม่ลงให้ได้ และก็ต้องรีบไปขยายให้ลูกค้าใช้เงินกับเราให้มากขึ้นควบคู่ไปครับ

เพราะไม่อย่างนั้นธุรกิจคุณก็มีแต่เจ๊งกับเจ๊ง เพราะคุณกำลังเผาเงินแบบไร้อนาคตนั่นเองครับ

อ่านบทความสรุปหนังสือที่เกี่ยวกับการเพิ่ม Customer lifetime value > https://www.everydaymarketing.co/book-recommended/driving-digital-strategy-sunil-gupta/

4. Customer sentiment analysis 

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย sentiment analysis

ในวันที่คนส่วนใหญ่ล้วนอยู่บนโลกออนไลน์ โดยเฉพาะบนโซเชียลมีเดียต่างๆ และคนส่วนใหญ่ก็ล้วนแต่แสดงความคิดเห็นกันอย่างเต็มที่และเสรี ดังนั้นการทำ Sentiment analysis บนข้อความหรือรูปภาพมากมายเป็นสิ่งที่แบรนด์ส่วนใหญ่พยายามใช้ประโยชน์จาก Data เหล่านี้เป็นอย่างมาก เดิมทีอาจจะเป็นแค่การใช้ Social listening tool ในการวัดดูว่าคนพูดถึงแบรนด์เราหรือหัวข้อที่เราอยากรู้ในแง่บวกหรือลบมากกว่ากัน แต่ในความเป็นจริงแล้วการทำ Sentiment analysis ที่ดีต้องใช้สิ่งที่เรียกว่า Natural Language Processing หรือการเอาโปรแกรมหรือ AI มาช่วยอ่านข้อความมากมายแล้วสรุปออกมาได้ว่า ตกลงที่เขาโพสนี่เขาโพสถึงเรื่องอะไร แล้วโพสไปในทิศทางไหน เพื่อจะได้เข้าใจบริบทหรือ Context ในการพูดถึงบนออนไลน์ที่มีอยู่มากมายให้เกิดประโยชน์ต่อแบรนด์เรามากที่สุดครับ

เพราะถ้าเรารู้ว่าลูกค้าส่วนใหญ่ไม่ชอบเรื่องอะไร หรือชอบเรื่องอะไร เราก็สามารถเอาสิ่งที่เขาพูดมาปรับปรุงแก้ไขให้ดีขึ้น หรือเอาไปต่อยอดให้ดียิ่งๆ ขึ้นจนทำให้ลูกค้าประทับใจร้องว้าวนั่นเอง

ดังนั้นความท้าทายของการทำ Customer sentiment analysis คือการที่เราต้องเปลี่ยน unstructured data ให้กลายเป็น structured data หรือเปลี่ยนจากข้อมูลที่ไม่ได้จัดหมวดหมู่ให้พร้อมใช้งาน กลายเป็นข้อมูลที่ถูกจัดประเภทให้พร้อมใช้งานนั่นเอง และนั่นก็หมายความว่า CSA Algorithm ที่ฉลาดพอที่จะเปลี่ยนข้อความที่ถูกโพสลอยๆ มากมายบนออนไลน์ให้กลายเป็นหัวข้อหรือหมวดหมู่ต่างๆ อย่างเช่น อะไรคือข้อเท็จจริงที่คนพูดถึงแบรนด์ หรืออะไรที่เป็นแค่ความคิดเห็น อะไรคือการบ่นระบายของคน แล้วอะไรคือสิ่งที่คนต้องการจากแบรนด์จริงๆ อะไรคือการโพสแบบเปรียบเทียบเรากับคู่แข่งแบรนด์อื่น หรืออะไรคือโพสที่บอกว่าสนใจเราจริงๆ แบรนด์เดียวเท่านั้น ดังนั้นการทำ Customer sentiment analysis คือการจับข้อเท็จจริงที่ซ่อนอยู่ในโพสต่างๆ ที่คนแสดงความคิดเห็นบนออนไลน์ในทุกช่องทางนั่นเอง

ดังนั้นการจะวิเคราะห์ความเห็นหรือ Sentiment analysis ในวันนี้จะไม่ใช่แค่บอกว่ามีคนโพสถึงแบรนด์คุณแบบ Negative เท่าไหร่ Positive แค่ไหน หรือ Neutral กลางๆ เป็นเท่าไหร่ แต่ต้องลงลึกไปให้ถึงขั้นว่าเค้ากำลังโพสด้วยอารมณ์หรือบริบท Context แบบไหน โกรธ ดีใจ เศร้า เสียใจ ไม่พอใจ ตัดพ้อ ต่อว่า หรืออื่นๆ อีกมากมายหลายอารมณ์ก็ตาม

สรุปได้ว่าการทำ Sentiment analysis ที่ดีจะสามารถบอกได้ว่าการให้บริการลูกค้าเป็นอย่างไร สินค้าเป็นอย่างไร และตลาดกำลังเป็นอย่างไร ไม่ใช่แค่ Positive, Negative และ Neutral นะครับ

อ่านบทความการทำ Sentiment analysis จนต่อยอดออกมาเป็นแคมเปญการตลาดต่อ > https://www.everydaymarketing.co/target/millennials/go-back-to-africa-hijack-travel-business/

5. Real-time analytics

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย real-time analytics

การวิเคราะห์ข้อมูลแบบ Realtime นั้นถือเป็นอะไรที่องค์กรต่างๆ อยากทำให้เกิดขึ้นจริงได้มากที่สุด เพราะมันจะช่วยแก้ปัญหาของธุรกิจหรือการตลาดได้แบบทันทีทันใด เพราะจาก Data ที่ไหลเข้ามามากมายบางครั้งการรู้ปัญหาช้าไปแค่หลักนาที หรือแก้ไขช้าไปแค่ไม่ถึงชั่วโมง ก็สามารถกระทบต่อแบรนด์ที่ทุ่มเทสร้างมาเป็นเงินไม่รู้เท่าไหร่ต่อเท่าไหร่

แต่การทำ Real-time analytics ก็ไม่สามารถเป็นไปได้ถ้าขาดองค์ประกอบเหล่านี้

  1. Real-time Data ข้อมูลมากมายที่ต้องหลั่งไหลเข้ามาแบบ Real-time เพราะถ้าเอาข้อมูลแบบวันต่อวันมาใช้ แบบนั้นก็ไม่ใช่การทำ Real-time analytics แล้วล่ะครับ
  2. พื้นที่หรือตัวแทนในการจัดการกับ Data ทั้งหมดที่หลั่งไหลเข้ามาเพื่อพักเก็บไว้ และก็ทำให้ Data ที่หลากหลายและหลั่งไหลเข้ามาเหล่านั้นพร้อมเอาไปใช้งานต่อด้วยในทันที
  3. เครื่องมือ Analytics ที่ต้องสามารถวิเคราะห์ข้อมูลที่มีความหลากหลายได้พร้อมกัน ไม่ใช่มานั่งวิเคราะห์ข้อมูลทีละส่วนๆ แบบแยกกัน แบบนั้นกว่าจะวิเคราะห์ได้มันก็เลยคำว่า Real-time ไปพอสมควรแล้วครับ

ข้อดีของการทำ Real-time analytics แน่นอนคือคุณจะได้ค้นพบปัญหาที่เกิดขึ้นในทันทีแทบจะภายในเสี้ยววินาที ทำให้คุณสามารถแก้ไขมันได้ทันทีตั้งแต่เนิ่นๆ และนั่นก็จะกลายเป็น Competitive advantage ของธุรกิจคุณในที่สุด เช่น สมมติคุณพบว่าคู่แข่งมีลูกค้าแห่เข้าไปมากกว่าปกติ และลูกค้าของคุณก็ลดลงด้วยในตอนนั้น แล้วคุณตรวจพบว่าเป็นเพราะเขากำลังทำโปรโมชั่น 1 แถม 1 เมื่อคุณรู้ในทันทีคุณก็จะได้ไม่ตกวิตกว่าเกิดอะไรขึ้น และคุณก็สามารถวางกลยุทธ์ในการแก้ปัญหานั้นได้อย่างเฉียบคมขึ้น เช่น อาจจะอยู่เฉยๆ เพราะเห็นแล้วว่าที่เขาลดไปอย่างไรก็ไม่คุ้ม หรือจะออกโปรทันด่วนเพื่อดึงลูกค้าเราให้กลับมา หรืออาจจะถึงขนาดที่แย่งลูกค้าเดิมเค้าให้เข้ามาหาเราเลยก็ได้ครับ

อ่านบทความการทำ Hyper-personailzation ที่ต้องใช้ Real-time analytics > https://www.everydaymarketing.co/knowledge/difference-between-personalization-hyper-personalization/

6. Predictive analytics

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย predictive analytics

การวิเคราะห์ที่ดีที่สุดคือการวิเคราะห์จนสามารถคาดการณ์อนาคตได้อย่างแม่นยำ และนั่นก็คือสิ่งที่ Data Science สามารถเข้ามาช่วยได้ การทำ Predictive analytics ถือเป็นขั้นแอดวานซ์ของการทำ Data analytics ด้วยการตั้งเป้าหมายว่าจะคาดการณ์อนาคตอย่างมีหลักการและความน่าจะเป็นว่าน่าจะเกิดอะไรขึ้นได้บ้าง และเราควรจะรับมือกับเหตุการณ์ต่างๆ ที่อาจจะเกิดขึ้นแบบไหนถึงจะดี ด้วยการทำ Data mining หรือการวิเคราะห์เหมืองข้อมูล การประยุกต์ใช้สถิติชั้นสูง การสร้างโมเดลแบบจำลองต่างๆ ขึ้นมา รวมไปถึงการเอา machine learning หรือปัญญาประดิษฐ์เข้ามาใช้ ดังนั้นการทำ Predictive analytics ให้แม่นยำต้องใช้เทคนิคมากมายประกอบกันอย่างหลีกเลี่ยงไม่ได้ และก็ต้องใช้ข้อมูลในอดีตหรือ historical data มาวิเคราะห์พร้อมกับสร้างโมเดลเหตุการณ์ต่างๆ ที่เคยเกิดขึ้น จากนั้นก็เอามาทดสอบสมมติฐานออกมาเป็น model ต่างๆ ที่จะเอามาใช้กับเหตุการณ์ในอนาคตนั่นเองครับ

การทำ Predictive analytics สามารถช่วยให้องค์กรก้าวไปข้างหน้าได้อย่างมั่นใจมากขึ้น สามารถตัดสินใจเรื่องต่างๆ ได้อย่างถูกต้องหรือลดความคิดพลาดที่สามารถคาดการณ์ได้ออกไป เรียกได้ว่าเหมือนมีลูกแก้ววิเศษอยู่ในมือก็ว่าได้ครับ

อ่านบทความเรื่อง 4 Types of data analytics เวอร์ชั่นสำหรับนักการตลาด > https://www.everydaymarketing.co/knowledge/4-types-of-data-analytics-for-marketer/

7. Market basket analysis

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย market basket analysis
Food and groceries in red shopping basket on wood table with blurred suppermarket aisle in background

การวิเคราะห์ Market basket ก็คือการวิเคราะห์ว่าลูกค้าชอบซื้ออะไรกับอะไร หรือมีพฤติกรรมการซื้อแบบไหน เพื่อจะได้ทำความเข้าใจว่าลูกค้าแต่ละกลุ่มนั้นมีพฤติกรรมการซื้ออย่างไรบ้างนั่นเอง และถ้าเราสามารถวิเคราะห์ได้ดีพอเราก็รู้ว่าเราควรจะ upsell และ cross-sell กับลูกค้าแต่ละคนอย่างไร จะต้องจัดโปรแบบไหนถึงจะทำให้ลูกค้ายอมจ่ายเงินเพิ่มขึ้น หรืออะไรที่ลูกค้าน่าจะซื้อแต่ไม่ได้ซื้อกับเราบ้าง จากนั้นเราก็ค่อยๆ ไปเปลี่ยนพฤติกรรมให้เค้ามาซื้อกับเราแทนที่จะเป็นคู่แข่งร้านข้างๆ แทน

เป้าหมายสำคัญของการทำ Masket basket analysis คือการทำความเข้าใจ behavior, pattern หรือ product associations ที่ชอบซื้อคู่กันนั่นเอง เหมือนที่บางห้างในต่างประเทศพบว่าเบียร์แบบแพ็คมักขายดีควบคู่กับผ้าอ้อม พอจับเอาสองสิ่งนี้มาไว้คู่กันก็ทำให้ยอดขายเพิ่มขึ้นแบบง่ายๆ เลยครับ

การทำ Market basket analysis มี 2 ประเภทหลัก

  1. Predictive หรือทำเพื่อคาดการณ์ว่าลูกค้าแบ่งออกได้เป็นกี่กลุ่มตามพฤติกรรมการซื้อ สินค้าที่แต่ละกลุ่มชอบซื้อเหมือนๆ กัน อีเวนท์หรือโปรแบบไหนที่ทำให้พวกเขาชอบซื้อ หรือบริการแบบไหนที่เป็นตัวกระตุ้นให้เขามาใช้บริการเรา
  2. Differential หาความต่างที่ซ่อยอยู่ให้เจอ ด้วยการเอาสิ่งที่ไม่เกี่ยวออกไป หรือเอา Insight เชิงลึกที่ได้จากการเปรียบเทียบข้อมูลเชิงลึกออกมา

ตัวอย่างที่เห็นบ่อยๆ คือพวกเว็บ e-commerce ที่มักใช้ระแบบ product suggestions ได้แบบรู้ใจมากๆ เพราะเว็บไซต์เหล่านี้มีการวิเคราะห์พฤติกรรมการซื้อของลูกค้าทั้งหมดอยู่ตลอดเวลา ทำให้มันมักจะคาดการณ์ถูกว่าถ้าเราซื้อ A ก็มักจะซื้อ B ต่อ หรืออาจจะข้ามไปซื้อ C เลยก็ได้ ดังนั้นการทำ Market basket analysis ดีๆ นอกจากจะช่วยเพิ่มยอดขายให้กับธุรกิจได้แบบง่ายๆ แล้ว ยังช่วยเพิ่มความพึงพอใจลูกค้าที่รู้สึกว่าแบรนด์นี้ช่างรู้ใจฉันจริงๆ อีกด้วยครับ

8. Warranty analytics

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย warranty analytics

ปกติแล้วสินค้าจากแบรนด์ต่างๆ มักจะมาพร้อมกับการรับประกันเพื่อทำให้ลูกค้ารู้สึกสบายใจก่อนซื้อ แต่นั่นก็ทำให้เกิดต้นทุนเพิ่มขึ้นของธุรกิจถ้าเกิดสร้างเงื่อนไขรับประกันที่มากเกินไป หรือทำให้ลูกค้าไม่พอใจได้ถ้าเกิดเรารับประกันให้น้อยเกินไปเช่นกัน

แล้วนั่นก็ทำให้ธุรกิจพยายามหาวิธีในการลดต้นทุนในการรับประกันอยู่เสมอ และในวันนี้เราก็สามารถใช้การวิเคราะห์ข้อมูลมาแจกแจงให้รู้ทีละข้อๆ เลยว่าจริงๆ แล้วเราควรจะต้องสร้างเงื่อนไขการรับประกันอย่างไรให้เกิดกำไรโดยที่ลูกค้ายังคงพึงพอใจมากที่สุด

และการจะทำ Warranty analytics ได้ก็ต้องเอา Data จากมากมายหลากช่องทางเข้ามาร่วมกันวิเคราะห์ ตั้งแต่การบ่นหน้าบ้าน การคอมเพลนบนออนไลน์ การซ่อมที่เกิดขึ้นจริง หรือระยะทางระหว่างศูนย์ซ่อมกับการจัดส่ง หรือปัญหาแบบไหนที่ถูกส่งมาประจำ เพื่อที่จะได้แก้ปัญหาก่อนที่ปัญหาจะเกิด หรือทำให้การแก้ปัญหาเป็นไปได้อย่างราบรื่นและลดต้นทุนการบริหารจัดการไปพร้อมกันครับ

เพราะการทำ Data analytics จะช่วยเปิดเผยให้เรารู้ว่าในการรับประกันของเรานั้นมีอะไรบ้างที่ต้องปรับปรุงให้ดีขึ้น อย่างไรก็ตามนี่ไม่ใช่เรื่องง่ายและสำเร็จรูปเหมือนมาม่า แต่ถ้าบริษัทไหนทำได้ก็จะพบกับ 4 ข้อดีของการทำ Warranty analytics ดังนี้ครับ

  1. รู้ปัญหาแต่เนิ่นๆ
  2. เข้าใจปัญหาที่แท้จริง
  3. จัดการปัญหาและข้อเรียกร้องจากลูก้าได้อย่างมีประสิทธิภาพ 
  4. ทำให้การแก้ไขปัญหาของลูกค้าเป็นไปได้อย่างรวดเร็ว

เช่น ถ้าคุณพบว่าสุดท้ายแล้วลูกค้าก็มักจะเปลี่ยนโทรศัพท์ใหม่ทุกๆ 23 เดือน คุณอาจจะทำให้การรับประกันนั้นยาวนานไปถึง 2 ปี เพราะรู้ว่าอย่างไรลูกค้าก็ต้องซื้อใหม่ก่อนอยู่แล้ว หรือถ้าคุณพบว่าปัญหาหลักคือหน้าจอแตกง่าย คุณก็จะได้เตรียมสต๊อกหน้าจอเอาไว้แต่เนิ่นๆ จะได้หมดปัญหาเรื่องอะไหล่ขาดจนลูกค้าต้องรอนานแล้วไปบ่นบนออนไลน์นั่นเองครับ

9. Price optimization 

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย price optimization

การตั้งราคาสินค้าหรือบริการถือว่าเป็นเรื่องชี้เป็นชี้ตายของธุรกิจได้ง่ายๆ เพราะถ้าคุณตั้งถูกเกินจำเป็นไปหน่อยก็เท่ากับว่าคุณกำไรทิ้งกำไรไปโดยเปล่าประโยชน์ แต่ถ้าคุณตั้งแพงเกินไปนิดก็เท่ากับว่าคุณกำลังตัดอนาคตตัวเองไปเรื่อยๆ

ดังนั้นการทำ Price optimization หรือการตั้งราคาให้สมเหตุสมผลจากการใช้ Data science ที่ผ่านการวิเคราะห์ความต้องการจากลูกค้า พฤติกรรมการซื้อ ความชอบหรือความพึงพอใจก่อนหน้า จะทำให้คุณสามารถตั้งราคาได้แบบที่ทุกฝ่ายวินร่วมกันอย่างไม่น่าเชื่อ เพราะคุณไม่จำเป็นต้องลดราคาในสิ่งที่ไม่ต้องลด หรือคุณไม่ควรขึ้นราคาในสิ่งที่ไม่ควรขึ้น เพราะบางทีการขึ้นราคาสิ่งนี้อาจไปกระทบยอดขายอีก 5 สิ่งก็ได้ นี่ยังไม่รวมถึงการเอาตัวแปรหรือปัจจัยจากภายนอกมาคิดคำนวนด้วย เช่น สภาพอากาศ ฟ้าฝน สถานการณ์บ้านเมือง หรือเหตุการณ์จากดารานักร้องก็แล้วแต่

ดังนั้นการเอา Historical data หรือข้อมูลในอดีตมาวิเคราะห์ก็ทำให้เราสามารถพบพฤติกรรมการซื้อของลูกค้าที่เจ้าตัวไม่เคยบอกได้ ทำให้เรารู้เทรนด์ว่าสินค้าไหนน่าจะขายดีช่วงไหน หรือรู้ว่าต้องลดเท่าไหร่ถึงจะกระตุ้นยอดขายได้มากพอที่จะคุ้มสัดส่วนที่ยอมลดลงไป

ดังนั้นการเอา data science มาช่วยทำให้นักการตลาดหรือผู้บริหารสามารถตั้งราคาที่ดีที่สุดได้ โดยไม่ใช่แค่ผ่านฝ่าย finance เพียงอย่างเดียวอีกต่อไป หรือไม่ใช่แค่ดูจากราคาตลาดอย่างเดียวเท่านั้น

สรุป Data science for Marketing 9 ข้อดีของการเอาดาต้ามาใช้กับการตลาดและธุรกิจ

Data science for marketing 9 ข้อดีการใช้ดาต้าเพื่อเพิ่มยอดขาย

การวิเคราะห์ข้อมูลหรือการทำ Data analytics จะทำให้คุณได้เข้าใจ Insight ของลูกค้าในแบบที่ไม่เคยรู้มาก่อน ทำให้คุณไม่พลาดในสิ่งสำคัญที่ลูกค้าไม่เคยบอกแต่ทำอยู่ตลอด เพราะในยุค Data แบบนี้ยิ่งคุณใช้ Data มากเท่าไหร่ คุณก็จะยิ่งเห็นโอกาสใหม่ๆ ไปจนถึงกำไรมากเท่านั้น

เครื่องมือการทำ Data analytics ในวันนี้มีมากมาย ก็ขึ้นอยู่กับว่าคุณจะเลือกใช้แบบไหนที่เหมาะกับรูปแบบธุรกิจของคุณ สุดท้ายนี้ถ้าผู้บริหารของคุณยังไม่รู้ว่าจะสร้างทีม Data ไปทำไม หรือจะลงทุนกับการใช้ Data ไปเพื่ออะไร ก็ลองแชร์บทความนี้ออกไปให้ผู้บริหารคุณเห็นก็ได้ครับ

เอาใจช่วยให้ทุกบริษัทได้มีทีมที่ทำเรื่อง Data เป็นของตัวเอง เพราะจากประสบการณ์บอกให้รู้ว่า ไม่มีใครจะเข้าใจ Data ของคุณเองได้ดีไปกว่าคนในธุรกิจเอง คนนอกอาจจะเก่งเรื่องเทคนิค การวิเคราะห์ แต่คนที่เข้าใจบริบทได้ดีที่สุดก็คือคุณที่ทำธุรกิจนั้นอยู่ทุกเมื่อเชื่อวันนั่นเองครับ

อ่านบทความเรื่อง Data-Driven ในการตลาดวันละตอนต่อ > https://www.everydaymarketing.co/tag/data-driven/

Source > https://www.datasciencecentral.com/profiles/blogs/top-9-data-science-use-cases-in-analytics

Nattapon Muangtum

เจ้าของเพจการตลาดวันละตอน / อาจารย์พิเศษวิชา Data-Driven Communication / เขียนหนังสือมาแล้ว 5 เล่ม Personalized Marketing, Data-Driven Marketing, Data Thinking, Contextual Marketing และ Social Listening / ที่ปรึกษา Data-Driven Advisor

Leave a Reply

Your email address will not be published. Required fields are marked *

ใช้ Social Listening บ้างไม่ ?

#การตลาดวันละโพล ขอหนึ่งคำถาม ว่าปกติใช้ Social Listening บ้างหรือไม่ แล้วถ้าใช้ ใช้ตัวไหนอยู่