Drive Sales ให้ถูกจุดธุรกิจ ด้วยวิธีคิดแบบ Data Thinking จากงาน ECOMFORCE 2022

Drive Sales ให้ถูกจุดธุรกิจ ด้วยวิธีคิดแบบ Data Thinking จากงาน ECOMFORCE 2022

เบสได้มีโอกาสเป็นตัวแทนหมู่บ้านมาสรุป Session ของพี่หนุ่ยมาเล่าให้กับทุกคนได้อ่านกันอีกแล้วครับ โดยในวันนี้จะเป็นประเด็นของการ Drive Sales ให้ถูกจุดในธุรกิจของเราอย่างไร จาก Data ที่เรามี ซึ่งการมี Data Thinking ที่ดีจะมาช่วยเราในเรื่องนี้ได้อย่างแน่นอนครับ

และที่ทุกคนจะได้อ่านต่อไปนี้คือสรุปเนื้อหาจาก Session : How Data Thinking Driven Ecommerce โดยพี่หนุ่ย การตลาดวันละตอน จากงาน ECOMFORCE 2022

Behind the’ Drive Sales ‘ from Data Thinking

เบสจำได้ว่าพี่หนุ่ยได้เคยเขียนอธิบายเกี่ยวกับ Data Thinking เอาไว้ในบทความ Data Thinking ทักษะในศตวรรษที่ 21 ลูกผสม Design Thinking กับ Data Science ว่าเป็นศาสตร์ที่ว่าด้วยเรื่องการนำ Creativity หรือความคิดสร้างสรรค์ กับ Data มาผนวกกัน

การคิดแบบ Data Thinking จึงจะเป็นการเปิดมุมมองที่กว้างมากคิดทั้งสำหรับการใช้ Data ที่มีอยู่ในมือและการต่อยอดด้านความคิดสร้างสรรค์ให้เห็น Context หรือจุดที่น่าสนใจ (Signal) ในการนำมาใช้ในการสร้างสรรค์สิ่งต่าง ๆ มากยิ่งขึ้น ในเชิงของการเป็น Creative Strategies

เพื่อนำไปสู่การเพิ่มขอบเขตความสามารถที่ตอบโจทย์ความต้องการทางธุรกิจหรือความต้องการจากผู้บริโภคได้ที่ดียิ่งขึ้น

หมายความว่าในการแข่งขันทางธุรกิจและการตลาดที่ดูเหมือนจะมีความยากและท้าทายขึ้นเรื่อย ๆ การที่เราเพิ่มมุมมองและใส่ใจรายละเอียดในการวางกลยุทธ์ของเราไปอีกขั้น ก็จะช่วยให้เราสามารถพาธุรกิจของเราไปต่อได้อย่างดี ทั้งในแง่ของยอดขาย และความรักในแบรนด์ของเราได้ไม่มากก็น้อยเลยครับ

Pareto before Drive Sales

ใน Session นี้พี่หนุ่ยเริ่มต้นด้วยการให้เราทำความเข้าใจ Mindset ด้วยกฎของ Pareto ก่อนครับ

Pareto เป็นกฎที่ว่าด้วยเรื่องการแบ่งเรื่องที่เราสนใจออกเป็น 80% กับ 20% ว่าง่าย ๆ ก็คือ การจัดลำดับความสำคัญที่แท้จริงที่ตอบโจทย์กับธุรกิจของเรามากที่สุดครับ

ยกตัวอย่างเช่นในบางครั้ง ในจำนวนลูกค้าทั้งหมด 100% ใน 80% นั้นอาจเป็นกลุ่มลูกค้าที่ไม่ได้สร้างรายได้ให้เรามากเท่าไรนักหรืออาจคิดเป็นเพียง 20% จากรายได้เท่านั้น ในทางกลับกันลูกค้าที่เหลืออีก 20% ก็สามารถเป็นรายได้ 80% ของธุรกิจเราเลยก็ได้

ซึ่งการที่เรารู้จักใช้ Data และนำ Data Thinking มาใช้ในการทำธุรกิจหรือการตลาดจะช่วยทำให้เราได้มองเห็นในความสำคัญของตรงนี้ เพื่อช่วยให้การทำกิจกรรมต่าง ๆ ของเรา สร้างผลประโยชน์ทางธุรกิจให้กับเราได้อย่างมีประสิทธิภาพมากที่สุดครับ

จริง ๆ ใน Session ส่วนนี้พี่หนุ่ยจะเล่าต่อด้วยการยก Case Study ให้เราฟังเลยครับว่า การคิดแบบ Data Thinking เพื่อทำข้อมูลมาใช้ต่อยอดทางธุรกิจ สามารถนำมาใช้กระตุ้นยอดขายให้กับเราได้อย่างไรบ้าง แต่เบสอาจจะขออนุญาตเรียบเรียงใหม่ตามความเข้าใจของตัวเองมาแชร์ให้ทุกคนได้อ่านได้พร้อมกันนะครับ

เบสจะขอพาทุกคนไปทำความเข้าใจกับวิธีคิด หรือ Guideline Model สำหรับการคิดแบบ Data Thinking มาทำความเข้าใจ เพื่อที่จะสามารถทำความเข้าใจ Case Study ที่พี่หนุ่ยยกมาได้สนุกมากยิ่งขึ้น

โดยยกช่วงท้ายของ Session พี่หนุ่ยได้มีการแชร์ Guideline หรือวิธีการเริ่มคิดแบบ Data Thinking ที่เป็น Design Data Thinking Canvas แบบง่าย ๆ อย่างภาพด้านล่างมาให้เราได้ลองฝึกคิดเป็นแบบฝึกหัดดูครับ

Data Thinking framwork

การเริ่มต้นของการคิดแบบ Data Thinking เราจะต้องเริ่มจากการตั้งโจทย์ (Objective) ก่อนครับ ว่าเราอยากจะแก้ไขปัญหาแบบไหน เรื่องอะไร และเพื่อแก้ไขปัญหานั้นจะทำให้เราสามารถลิสต์หรือวางขอบเขตของข้อมูลที่เราจะต้องรู้ได้อย่างถูกต้อง (Data Require)

โดยเราสามารถตรวจสอบกับธุรกิจของตัวเองก่อนได้ครับว่าข้อมูลเรามีข้อมูลอะไรอยูบ้าง ข้อมูลเหล่านี้อยู่ที่ไหนของธุรกิจเราบ้าง มีส่วนที่ตอบโจทย์ที่เราตั้งไว้อย่างไร (Existing Data)

*เบสอาจจะขอขยายความในส่วนนี้นิดนึงครับ จากหลาย ๆ Session ที่พี่หนุ่ยบรรยายมักจะมีการพูดถึงบางแบรนด์ที่ต้องการเริ่มทำ Data-Driven Marketing หรืออยากคิดแบบ Data Thinking แต่ติดตรงที่ว่าพวกเขาไม่รู้ว่าแบรนด์ของตัวเองนั้นจะหา Data มาได้อย่างไร หรือตัวเองมี Existing Data อยู่ตรงไหนบ้าง

ซึ่งคำแนะนำที่ดีที่พี่หนุ่ยแชร์ก็คือ การลองไล่ Process ในการทำธุรกิจ หรือ การขายสินค้าของธุรกิจเราขึ้นมาครับ ตรงจุดนี้จะช่วยสะท้อนให้เราเห็นได้ว่าในองค์กรของเราได้ง่ายขึ้นมากเลย

จากนั้นในขั้นตอนถัดไปคือการคิดว่า เราจะเก็บข้อมูลเหล่านั้น (Collecting Data) มาได้อย่างไรบ้าง ซึ่งหากเรารู้แหล่งที่อยู่ของข้อมูลของเราชัดเจนอยู่แล้วส่วนนี้ก็เหลือเพียงแค่คิดวิธีการเพื่อการได้มาเท่านั้น ยกตัวอย่างเช่น ถ้าเดิมเราจดบันทึกใส่สมุด เราก็อาจจะย้ายมาเก็บบน Excel หรือ Google Sheet แทน

แล้วสุดท้ายคือการที่เราจะนำสิ่งที่เราได้มาไปสร้างเป็นแนวทางว่าเราจะทำอย่างไรต่อ (Data-Driven Decision) ซึ่งนั่นก็จะเป็นส่วนของการหยิบ Context จากการหา Signal, Seasonal หรือ Segment สำคัญที่เราเจอจากการรวบรวมข้อมูลที่จำเป็นทั้งหมดนั้นมาครับ

เมื่อเราเริ่มเข้าใจแล้วว่าเราจะต้องปรับวิธีการคิดของตัวเองว่าต้องเป็นอย่างไรแล้ว พี่หนุ่ยก็ยังมีการแนะนำ Model ที่พี่หนุ่ยเรียกว่า CPVAI ที่เป็นแนวทางในเชิงของการลงมือทำจริงประกอบควบคู่กันไปด้วย เพื่อให้การคิดแบบ Data Thinking ของเราชัดเจนมากยิ่งขึ้นครับ

CPVAI Model

จากภาพด้านบนจะเห็นว่า CPVAI นั้นเป็นตัวย่อจาก Activity ต่าง ๆ เมื่อเรานำ CPVAI ประกอบกับวิธีคิด Data Thinking การลงมือปฏิบัติจริง เบสคิดว่าน่าจะอยู่ในช่วงของการ Collecting Data (C,P,V) และ Data Driven Decision (A,I) ครับ โดยเบสจะขออธิบายเจาะทีละตัวดังนี้ครับ

C : Collect การเก็บข้อมูล

พี่หนุ่ยแนะนำว่า ให้เราพยายามเก็บทุกข้อมูลที่เกี่ยวกับการขาย หรือ Transaction ทั้งหมดที่เกิดขึ้นในธุรกิจของเราให้ได้มากที่สุดเลยครับ ทั้งนี้ก็เพื่อการนำไปสู่การใช้งานที่จะช่วยให้เราสามารถนำมาใช้ในการวิเคราะห์ได้อย่างละเอียดและครอบคลุมมากเท่าที่เราทำได้

P : Prep การเตรียมการข้อมูล

หากใครที่เคยรวบรวมข้อมูลมาแล้ว ยิ่งในช่วงระยะเริ่มต้นที่มีคนเก็บข้อมูลคนละคนกัน แล้วข้อมูลก็มาจากหลายช่องทางแล้วล่ะก็ ทุกคนจะรู้จักกับคำว่า หายนะของความกระจัดกระจายมีอยู่จริง และไม่ใช่ทุกข้อมูลที่จะเราจะสามารถเอามาใช้ได้ทันทีในขั้นตอนถัดไปได้เลย โดยเฉพาะการนำข้อมูลเหล่านั้นมาใช้ประโยชน์ผ่านโปรแกรมคอมพิวเตอร์

เพราะ AI ที่จะมาช่วย หรือ โปรแกรมที่จะมาช่วยในการทำความเข้าใจข้อมูลของเราแล้วทำให้เข้าใจง่ายขึ้นนั้น ไม่ได้เข้าใจบริบท หรือ ภาษาของเราได้ชัดเจนมากขนาดนั้นครับ

เราอาจจะต้องมีการจัดการระบบหลังบ้านให้โปรแกรม หรือ คนในบริษัทที่ใช้ข้อมูล สามารถทำความเข้าใจข้อมูลที่ถูกเก็บมาอย่างแตกต่างกัน

จากภาพด้านบนจะเห็นว่า ฝั่งซ้ายคือข้อมูลดิบที่ถูกรวบรวมมาจากหลากหลายที่ครับ เบสขอยกตัวอย่างในส่วนของข้อมูลจังหวัดกรุงเทพ ที่มีการให้ข้อมูลด้วยคำที่แตกต่างกันมากแม้ว่าจะเป็นจังหวัดเดียวกัน เราอาจจะต้องวางระบบหลังบ้านในการ Filter ข้อมูลเหล่านี้ให้ตรงกันทั้งหมด เพื่อป้องกัน Eror หรือ ความเข้าใจผิดในข้อมูลได้

ด้วยการระบุให้ข้อมูลดิบทั้งหมดในฝั่งซ้าย แปรเปลี่ยนมาเป็น กรุงเทพมหานคร เหมือนกันทั้งหมด

ตรงส่วนนี้เบสมองว่าค่อนข้างสำคัญมาก ๆ นะครับ เพราะการเตรียมข้อมูลไม่ดี ก็อาจนำไปสู่การวิเคราะห์ที่ผิดพลาดชนิดที่สามารถพาธุรกิจของเราไปสวนทางกับความสำเร็จตรงหน้าได้เลยครับ

V : Visualize การทำให้ข้อมูลเข้าใจได้ง่ายขึ้น

ในส่วนนี้โดยปกติแล้วจะนิยมเอามาขึ้นเป็นกราฟ หรือ แผนภูมิชนิดต่าง ๆ ตั้งแต่ แท่งกราฟ, แท่งStat, Trendline, Pie Chart, Donut และอื่น ๆ เพื่อให้เราสามารถดูภาพรวมเพื่อการนำมาวิเคราะห์ที่ง่ายมากยิ่งขึ้น

ตามคำแนะนำของพี่หนุ่ยรวมถึงตัวเบสเองก็แนะนำเช่นกัน คือเครื่องมือที่ชื่อว่า Google Data Studio ซึ่งเป็นเครื่องมือจากทาง Google ที่สามารถช่วยให้เราทำ Data Visualize ได้อย่างสะดวกมาก ๆ ครับ

A : Analyze การวิเคราะห์ข้อมูล

ส่วนนี้ค่อนข้างจะมีความตรงตัวเลยครับ เพียงแค่สิ่งที่เราจะต้องทำ คือการทำความเข้าใจข้อมูล ตั้งคำถาม และหามุมมองที่น่าสนใจบางอย่าง อย่างการหา Context หรือ Data ที่เป็น Signal, Seasonal หรือ Segment ที่ซ่อนอยู่ในข้อมูลที่เรามี ซึ่งค่อนข้างจะต้องใช้ทั้งเรื่องขององค์ความรู้ การติดตามข่าวสาร และประสบการณ์อยู่ด้วยเหมือนกัน

ใน Session นี้พี่หนุ่ยจะอธิบายผ่าน Case Study ให้เราได้ฟังแทนครับ ส่วนตัวเบสคิดว่าช่วยสอนเรื่องการวิเคราะห์ได้อย่างดีเลย

กราฟที่เราเห็นในภาพเป็น ข้อมูลการขายสินค้าของแบรนด์ขายเสื้อผ้าเด็กเล็กแบรนด์หนึ่ง ที่มี Objective ต้องการทำการตลาดเพื่อเพิ่มยอดขายให้สูงมากยิ่งขึ้น

โดยกราฟด้านบนคือ Trendline ที่เป็นยอดขายที่เกิดขึ้นในแต่ละวันในช่วงเดือน 9-10/2021 ครับ และเพื่อให้เราสามารถทำความเข้าใจกับข้อมูลนี้ได้มากขึ้น

การตั้งคำถามในเบื้องต้นที่เราควรรู้คำตอบก่อน คือ พฤติกรรมการออเดอร์และการซื้อสินค้าของลูกค้าในแต่ละวันว่าเป็นอย่างไรบ้าง เพื่อที่เราจะสามารถทำการตลาดเพื่อส่งเสริมการขายได้อย่างถูกจุด

นั่นจึงออกมาเป็น 2 กราฟด้านล่าง ที่ฝั่งซ้าย เป็นช่วงเวลาที่มีออเดอร์เข้ามาในแต่ละวัน ส่วนฝั่งขวา เป็นช่วงเวลาที่คนจ่ายเงินหลังจากที่ Confirm ออเดอร์แล้ว

ตรงนี้เมื่อเราพิจารณาดูเราจะเห็นช่วง Prime time ของแบรนด์ นั่นคือ ช่วงเวลา 10.00 ที่มีคนเข้ามาสั่งซื้อสินค้าของเราเยอะมาก อีกทั้งในช่วง 11.00-12.00 ลูกค้าจะมีการจ่ายเงินสำหรับออเดอร์เหล่านั้น ซึ่งอาจเป็นพฤติกรรมการเข้ามาสั่งซื้อสินค้าก่อนแล้วค่อยจ่ายเงินตอนพักเที่ยง

จากการวิเคราะห์ข้อมูลในเบื้องต้นตรงนี้ เราจะเห็นได้ว่าหากเรานำเสนอสินค้าในช่วง 10.00 และส่งโปรโมชั่นปิดการขายให้ได้ภายใน 12.00 จะยิ่งช่วยให้เราสามารถสร้างยอดขายได้อีกเยอะเลยใช่มั้ยล่ะครับ

แต่จริง ๆ แล้วมีจุดที่น่าสนใจที่เราอาจจะพลาดไปอยู่ครับ

นั่นคือ การตั้งคำถามเกี่ยวกับยอดขายที่เยอะจนผิดปกติของทั้ง 3 วันที่เราเห็นได้จาก Trendline ยอดขายที่เป็นภาพรวมของการวิเคราะห์นี้ โดยพี่หนุ่ยได้ให้ข้อมูลเพิ่มเติมครับว่า เมื่อได้เจาะลึกลงในยอดขายที่สูงผิดปกติพบว่า มีอยู่วันหนึ่งใน 3 วันนั้น คือวันที่แบรนด์ปล่อยสินค้าใหม่ ที่ลูกค้าให้ความสนใจมากเป็นพิเศษอย่างมาก

หมายความว่านี่คือ พฤติกรรมที่ไม่ปกติตามที่แบรนด์ของเราควรจะเป็น

ดังนั้นจึงมีความเป็นไปได้ว่าหากเรานำข้อมูลส่วนนี้มาใช้เพื่อทำความเข้าใจและวิเคราะห์ธุรกิจของตัวเองเพื่อทำกิจกรรมทางการตลาดบางอย่าง ก็อาจจะทำให้เราไม่ได้เข้าใจลูกค้าที่แท้จริงของเราก็ได้

พี่หนุ่ยเรียกข้อมูลที่ดึงค่ามาตรฐานของข้อมูลเราออกไปที่เรียกว่าว่า Outlier หรือ ค่าความผิดปกติ

ภาพถัดไปที่ทุกคนจะได้เห็นนี้ ด้านบนคือ กราฟเดิมที่เราเห็นกันไป และด้านล่างคือ กราฟที่เราดึงข้อมูลที่เป็น Outlier ออกไปครับ (ส่วนนี้เบสเดาว่าเป็นการดึงข้อมูลยอดขายจากสินค้าที่ออกใหม่ในช่วงนั้นออกไป)

เราจะเห็นได้เลยว่า จริง ๆ แล้วแบรนด์เองก็ค่อนข้างมียอดขายที่ดีเลยในหลายวันที่ผ่านมา เพียงแต่ยอดขายรายวันอาจจะถูกทำให้ดูเล็กน้อยลงจาก Outlier ที่เกิดขึ้นเท่านั้น หมายความว่าจริง ๆ แล้วแบรนด์มีข้อมูลที่เป็นมาตรฐานหรือเป็นข้อมูลพฤติกรรมโดยปกติอยู่

เมื่อเป็นอย่างนี้แล้ว เราจึงควรที่จะกลับมาตั้งคำถามใหม่อีกครั้ง ในการหาคำตอบเกี่ยวกับพฤติกรรมการออเดอร์สินค้า และการจ่ายเงินเพื่อปิดการขาย เพื่อให้ได้ข้อมูลที่เป็นจริงที่สุด

จากภาพด้านล่าง ฝั่งซ้ายคือ Before filter (ก่อนดึง Outlier ออก) ส่วนฝั่งขวาคือ After filter (หลังดึง Outlier ออกแล้ว) ที่เราจะเห็นได้ว่ายอดขายรายวันมีความแตกต่างกันออกไปอย่างสิ้นเชิงเลยครับ

เนื่องจากวันที่ปล่อยสินค้าใหม่นั้นคือ วันเสาร์ ส่งผลให้กลายเป็นว่า หากเราไม่รู้เรื่องเกี่ยวกับ Outlier เราคงเข้าใจไปว่า วันเสาร์ คือวันที่แบรนด์เราขายดีที่สุดไปแล้ว ทั้งที่จริง ๆ แล้ววันที่แบรนด์เราขายดีที่สุดคือ วันอาทิตย์ และรองลงมาคือวันพุธ อีกทั้งเรื่องของช่วงเวลา Prime time ของแบรนด์จริง ๆ ก็ไม่ใช่ช่วง 10.00 เป็นต้นเป็น แต่เป็นช่วง 11.00-12.00

นอกจากนี้หากทุกคนสังเกตจะมีเส้นกราฟสีฟ้าที่คล้ายกับเป็น Trendline อยู่ด้วย พี่หนุ่ยได้พูดเจาะการพล๊อตกราฟนี้เพิ่มเติมอีกว่า นี่คือเส้น Trend ของราคาขาย ที่แต่ละวันแต่ละช่วงเวลามีการขายสินค้าในราคาที่แตกต่างกันอยู่ ซึ่งอาจเป็นราคาปกติ หรือช่วงที่เป็นราคาโปรโมชั่นก็ได้

ทำให้เราได้รู้ว่า จริง ๆ แล้วลูกค้าของแบรนด์นี้ยินดีที่จะซื้อสินค้าของแบรนด์ในราคาที่สูงได้ จากข้อมูลยอดขายที่สูงพร้อมกันช่วงที่ Trend ราคาขายสูงอยู่ด้วย ที่หากเรามองด้วยกฎ Pareto อย่างที่พี่หนุ่ยได้แนะนำไปในต้น Session คือเราเจอทั้ง Prime Time และพฤติกรรมของ Potential Customer ที่อาจเป็น 20% ของลูกค้าทั้งหมด ที่สามารถสร้างยอดขายให้เราได้ถึง 80% แล้ว!

ดังนั้นหากเราจะให้คำแนะนำของแบรนด์นี้ ก็อาจจะไม่ใช่เรื่องของการให้ Promotion เพื่อส่งเสริมการขายแล้วก็ได้นะครับ แต่แบรนด์อาจจะสามารถไปเน้นในเรื่องของการสร้าง Branding, การทำ Customer Experience ให้ดีเพื่อรักษาฐานลูกค้า หรือจะเป็นการหาลูกค้าใหม่มาเพิ่มแทน โดยไม่จำเป็นต้องมาลดราคาสินค้าให้ลดมูลค่าของแบรนด์เราเลย

ซึ่งจะนำไปสู่การเจาะลึกลงไปเพิ่มเติมในแง่มุมอื่น ๆ แล้วครับว่า เราจะนำข้อมูลที่เราวิเคราะห์ได้ออกมาตรงนี้นั้น ไปต่อยอดเป็นแคมเปญในการทำการตลาดได้อย่างไรบ้าง

I : Idea หรือ การต่อยอดสู่ Creative Strategies

ตรงส่วนนี้สามารถพูดได้ว่ามันคือการหยิบ Context อย่างที่เบสได้บอกไปเลยครับ ซึ่งจากข้อมูลที่ได้ที่ทำให้เราพอจะเข้าใจสถานการณ์แล้ว เห็นจุดหรือทิศทางที่เราควรจะไปแล้ว

ในส่วนนี้ก็คือการลงรายละเอียดเพิ่มเติมเข้าไปอีกครับว่า ณ จุดที่เป็น Signal เหล่านั้นมีอะไรที่เราสามารถยหยิบขึ้นมาเพื่อเป็นจุดดึงดูดความสนใจ หรือ การกระตุ้นความสนใจในการทำกิจกรรมทางการตลาดของเราได้บ้าง ที่หากจะพูดให้เข้าใจง่าย ๆ คือเปรียบเหมือนกับการนำไปสู่การทำ Contextual Marketing นั่นแหละครับ

Session ของพี่หนุ่ย จากงาน CTC 2022 ที่ผ่านมา พี่หนุ่ยก็ได้ Guideline แนวทางในการวิเคราะห์ข้อมูลตรงนี้เอาไว้ด้วยครับ สำหรับใครสนใจสามารถคลิกไปอ่านได้ที่ สรุป The Future of Creative & Contextual Marketing in Data Era จากงาน CTC 2022 ได้เลยครับ

ในส่วนถัดไปเรามาดู Case Study กันดีกว่าครับว่า การคิดแบบ Data Thinking ช่วยให้แบรนด์เพิ่มยอดขายได้จริง ได้อย่างไรบ้าง โดยในบทความนี้เบสอาจจะไม่ได้เล่าถึงทุก Case Study ที่พี่หนุ่ยแชร์มานะครับ

Data Thinking Drive Sales

Personalize Promotion : ร้านล้างแอร์

Case นี้เป็นการทำ Data Thinking พื้นฐานที่ทุกคนสามารถเริ่มได้เลย สำหรับธุรกิจที่มีสินค้าและบริการที่มี Product Cycle ที่ลูกค้ามีความจำเป็นจะต้องใช้ซ้ำครับ

พี่หนุ่ยเล่าถึงประสบการณ์การล้างแอร์ที่บ้านของตัวเองครับว่า ในช่วงที่ผ่านมามีโอกาสได้ใช้บริการของร้านล้างแอร์เจ้าหนึ่ง จนเมื่อเวลาผ่านไป 5-6 เดือนที่ถึงเวลาที่จะต้องล้างแอร์อีกครั้ง ที่ตัวพี่หนุ่ยเองก็เริ่มมีความคิดว่าจะล้างแอร์อยู่เหมือนกัน

สิ่งที่เกิดขึ้นคือร้านล้างแอร์เจ้าเดิมโทรติดต่อมาเอง ด้วยเนื้อหาว่า แอร์ที่เคยล้างน่าจะใกล้ถึงช่วงที่จะต้องล้างแล้ว สนใจจะจองเวลาล้างแอร์ไว้เลยมั้ยเพราะช่วงนี้คิวล้างแอร์จะค่อนข้างเยอะ นอกจากนี้แล้วยังมีการนำเสนอ Promotion อย่างการ Up-sales เพิ่มเติมด้วยว่า หากจองตอนนี้ถ้าล้างแอร์ตัวถัดไปจะได้ส่วนลดเพิ่มอีกเครื่องละ 50 บาทด้วย

แน่นอนว่า Offer ที่ถูกเวลา แถม Personalize โดยตรงกับลูกค้าแบบนี้ ทำให้ร้านล้างแอร์เจ้านี้ได้เงินจากพี่หนุ่ยไปครับ

หากเราลองมากางการทำ Data Thinking ที่กลายมาเป็นกลยุทธ์ของร้านนี้ แน่นอนว่า Objective คือการสร้างยอดขายอย่างชัดเจนครับ และเพื่อให้สามารถทำสิ่งนั้นได้ เบสเข้าใจว่าทางร้านล้างแอร์คงมีการเก็บ Transaction ที่ลูกค้าจ้างล้างแอร์เอาไว้ทั้งหมดแล้ว ไม่ว่าจะเป็นชื่อ เบอร์โทรศัพท์ และวันเวลาที่ล้างแอร์ (หากร้านช่างสังเกตด้วย น่าจะมีการจดไว้ด้วยว่าในบ้านมีแอร์กี่ตัว)

ซึ่งการจดบันทึกเหล่านั้นก็อาจเป็นในสมุด หรือ จะเป็นการเก็บบนคอมพิวเตอร์ก็ได้ เบสเข้าใจว่า Painpoint หรือ Context ที่ร้านล้างแอร์มักเจอ

คือ บริการประเภทนี้มักจะไม่ค่อยมีลูกค้าขาประจำ เพราะเป็นบริการที่นาน ๆ ที่จะได้ล้าง จึงมีความเป็นไปได้มากว่า ลูกค้าก็อาจจะลืมร้านไปแล้ว ดังนั้นแทนที่จะให้ลูกค้าจะได้ ร้านอาจจะเลือกจำลูกค้าแทน กลายเป็นแทนที่จะรอให้ลูกค้าโทรมาจ้าง ให้เป็นร้านโทรไปขอให้บริการเองเลยน่าจะดีกว่า

จาก Data ที่ร้านมีสามารถแบ่ง Strategy ออกมาได้ 2 อย่างด้วยกันครับ คือ

กลยุทธ์การขายในรูปแบบที่ 1 Direct Sales แบบ Base on Time คือ การนำเสนอขายลูกค้าจากการที่เราดู Transaction Data ที่เรามีครับว่า ช่วงเดือนไหนที่มีคนติดต่อเข้ามาให้ล้างแอร์เยอะมากที่สุด หมายความว่า ณ ช่วงเวลานั้นเราสามารถติดต่อไปเสนอบริการกับลูกค้าได้เลย หรือ การเก็บตกลูกค้าที่ยังไม่ได้ติดต่อเข้ามาให้ร้านเราไปล้างก็ได้ครับ

กลยุทธ์การขายในรูปแบบที่ 2 Direct Sales แบบ Base on Personalize คือการเสนอขายลูกค้าแบบ Specific รายคนไปเลยครับ นับจากวันที่ลูกค้าติดต่อมาขอล้างแอร์แล้วคาดการณ์ Product Cycle ในวันที่ลูกค้าจะต้องใช้บริการอีกครั้งแล้วเราก็ติดต่อเพื่อปิดการขายไปก่อนได้เลย

ซึ่งทั้งหมดนี้ล้วนแล้วเป็นช่วงเวลาที่ลูกค้ากำลังมี Demand ทั้งนั้นเลย ถูกคน ถูกเวลาแบบนี้ โอกาสที่เราจะสามารถเพิ่มยอดขายให้แบรนด์เรานั้นก็ไม่หนีไปไหนแน่นอนเลยครับ

บทส่งท้าย

นอกจากนี้ยังมีเรื่องที่เบสคิดว่าน่าสนใจมาก ๆ ด้วยเช่นกัน ที่ตรงกับวิธีคิดตามกฎ Pareto ที่พี่หนุ่ยแนะนำอย่างชัดเจนเลยครับ ผ่าน Quote ที่น่าสนใจมากคือ “ลูกค้า คือ พระเจ้า แต่ไม่ใช่ลูกค้าทุกคนที่เป็นพระเจ้าสำหรับเรา”

โดยเราจะสามารถเข้าใจความสัมพันธ์ระหว่างลูกค้ากับแบรนด์ของเราได้ในแง่ของการสร้างยอดขายได้จาก การทำ Customer Segment ด้วย RFM Model ที่ใช้เรื่องของความสัมพันธ์ระหว่าง ปริมาณในการซื้อ ความถี่ในการซื้อ ระยะห่างจากวันที่ซื้อ มาพล๊อตเป็นคะแนนเพื่อแบ่งกลุ่มลูกค้าที่แบรนด์เราควรให้ความสำคัญและทำการตลาดด้วยได้ในรูปแบบต่าง ๆ

ซึ่งจะช่วยให้เราหาลูกค้าคนสำคัญ หรือ Potential Customer เจอได้อย่างมีนัยยะสำคัญ ที่จะนำไปสู่การสร้างยอดขายไดอย่างถูกที่ถูกเวลาได้อย่างดีเลยครับ

ซึ่งพี่หนุ่ยได้เขียนบทความเรื่องนี้ไว้อย่างละเอียดถึง 3 บทความเลยครับ ทุกคนสามารถไปตามอ่านได้ที่ลิ้งค์ด้านล่างนี้เลยครับ

และทั้งหมดนี้คือสรุปในรูปแบบของเบสเองสำหรับ Session : How Data Thinking Driven Ecommerce ของพี่หนุ่ย จากงาน ECOMFORCE 2022 ครับ หวังว่าบทความนี้จะเป็นประโยชน์กับทุกคนและช่วยให้ทุกคนสามารถนำไปต่อยอดการคิดกิจกรรมทางธุรกิจและการตลาดของทุกคนได้ดียิ่งขึ้นนะครับ

ขอบคุณทุกคนที่อ่านจนจบ 🙂

ทุกคนสามารถอ่านบทความของการตลาดวันละตอนได้ที่ คลิก

Ref.
Session : How Data Thinking Driven Ecommerce โดยพี่หนุ่ย การตลาดวันละตอน จากงาน ECOMFORCE 2022
smallbusiness.chron.com

Watcharapon Kittipodpong

Watcharapon Kittipodpong

Strategic Planner คนหนึ่งที่อยากส่งต่อเหมือนที่ได้รับมา กำลังสนใจและพัฒนาตัวเองไปเรื่อย ๆ ใน Marketing, Neuroscience และ Behavioral Economics หวังว่าสิ่งที่เขียนจะมีประโยชน์กับคนอ่านทุกคนนะครับ :)

Leave a Reply

Your email address will not be published.