Metric ที่สำคัญต่อการทำ Customer Data Analytics และบทสรุปส่งท้าย

Metric ที่สำคัญต่อการทำ Customer Data Analytics และบทสรุปส่งท้าย

ในตอนที่ 3 ของซีรีส์คอนเทนท์ชุดนี้จะพูดถึงเรื่อง Meric หรือตัวชี้วัดแบบไหนที่ควรเอามาใช้ทำ Customer Data Analytics เมื่อได้ตัวชี้วัดที่ดีแล้วเราจะมาคุยกันถึงว่าแล้วเราจะวิเคราะห์ข้อมูลลูกค้าอย่างไรให้ออกมาดีอย่างที่คาดหวัง และปิดท้ายบทความชุดนี้ด้วย Case study การทำ Customer analytics จากแบรนด์ดังอย่าง Amazon และ Netflix เพื่อให้คุณเห็นแนวทางเอาไปต่อยอดในแบบของคุณครับ

เพราะในวันนี้มี Data มากมายที่พร้อมจะกลายมาเป็นตัวชี้วัดหรือ Metric ไม่ว่าจะเป็นข้อมูลจาก Social media ต่างๆ ยอดไลก์ คอมเมนท์ หรือแชร์ หรือจำนวนผู้ติดตาม หรือจะเป็นข้อมูลจากหลังบ้านเว็บไซต์เราก็ตาม หรืออาจจะเป็นข้อมูลจากการทำแบบสอบถามความสำเร็จความเห็นกลุ่มเป้าหมาย หรือแม้แต่การใช้ข้อมูลการรีวิวของลูกค้าบนแพลตฟอร์มออนไลน์ต่างๆ ก็ได้ ดังนั้นจะเห็นว่ามี Data อยู่มากมายที่พร้อมกลายมาเป็น Metric หรือตัวชี้วัด คำถามสำคัญในตอนนี้คือ ตัวชี้วัด หรือ Metric ที่แท้จริงคืออะไร

Metric หรือตัวชี้วัดคือข้อมูลที่ถูกเปลี่ยนให้กลายเป็นตัวเลข เช่น มีคนชมนะ คำถามคือชมเท่าไหร่? ชมในระดับมากน้อยแค่ไหน เพียงเท่านี้ก็จะเห็นว่าตัวชี้วัดนี้มา Data ถึง 2 มิติแล้ว แต่ในขณะเดียวกันการวิเคราะห์ก็จะเกิดขึ้นได้ก็ต้องมาจากการเอาข้อมูลที่มาจากตัวชี้วัดต่างๆ มาดูแล้วตัดสินใจว่าเราควรจะทำอย่างไรต่อไปเมื่อเห็นข้อมูลตัวชี้วัดเหล่านี้

แต่สิ่งที่ต้องระวังคืออย่าเสียเวลากับตัวชี้วัดที่ไร้สาระ เช่น มีคนดาวน์โหลดเยอะมาก แต่ในความเป็นจริงแล้วอาจจะ Conversion rate ต่ำมากก็ได้ หรือเวลาปล่อยคอนเทนท์อะไรออกไปแล้วมียอดวิวเยอะมาก แต่ยอดขายหรือการพูดถึงแบรนด์บนออนไลน์ไม่ได้เพิ่มขึ้นตามเลย แล้วจะเอายอดวิวไปเพื่อ!?

ดังนั้นตัวชี้วัดที่ไร้สาระพวกนี้แหละคือตัวเลขที่คุณไม่ควรเสียเวลาสนใจ เพราะมันไม่ได้ช่วยให้คุณรู้เลยว่าคุณควรจะต้องทำอะไรต่อไป และนี่คือสิ่งที่คุณควรถามก่อนจะเซ็ต Metric หรือตัวชี้วัดขึ้นมาใช้ในแต่การทำ Customer Data Analytics ครับ

1. ตัวชี้วัดนี้ช่วยให้เราสามารถตัดสินใจอะไรต่อไปได้มั้ย เช่น ถ้าจากเดิมเคยดูแค่ยอดขายรายเดือน มาวันนี้ควรดูยอดลูกค้าเดิมที่กลับมาซื้อซ้ำมั้ย

2. เราสามารถใช้ Metric นี้ซ้ำได้มั้ย ถ้าใช้ได้แค่ครั้งเดียวแล้วใช้ซ้ำไม่ได้ในวันหน้า ตัวชี้วัดนี้ก็น่าจะไม่มีค่าอะไรในระยะยาว เช่น จากเดิมเคยวัดความอยากซื้อจากความถี่ในการลงโฆษณา มาวันนี้ยังสามารถใช้ตัวชี้วัดเดิมแบบนี้ได้อยู่หรือเปล่า หรือควรไปวัดจากปริมาณการค้นหาของผู้คนบน Google แทน

3. ตัวชี้วัดนี้น่าเชื่อถือพอมั้ย? ตัวชี้วัดนี้เอาข้อมูลมาจากไหน ข้อมูลที่ได้มาคือคำตอบของสิ่งที่เราอยากรู้จริงๆ หรือเปล่า?

ลองมาดูตัวอย่างของตัวชี้วัดข้างล่างนี้เพื่อเป็นแนวทางในการสร้างตัวชี้วัดในแบบของคุณ ที่จะช่วยให้คุณเข้าใจว่าคุณควรวัดอะไรกันแน่ที่สำคัญต่อธุรกิจคุณจริงๆ ตัวชี้วัดหรือ Metric แบบไหนที่จะทำให้คุณสามารถเอาไปวิเคราะห์ต่อยอดเพื่อให้เข้าใจ Insight ลูกค้าจริงๆ ได้ลึกซึ้งขึ้น

1. Transaction data หรือข้อมูลการซื้อขาย

Customer data analytics metric transaction data

ข้อมูลการซื้อขายถือว่าเป็นหนึ่งในตัวชี้วัดที่ดีมาก เพราะนอกจากจะช่วยให้คุณรู้ว่าช่วงเวลาไหนที่ขายดี ตั้งในแต่ระดับรายเดือน รายสัปดาห์ รายวัน และแม้แต่กระทั่งรายชั่วโมงนาที ยังทำให้รู้อีกว่าสินค้าไหนบ้างที่ขายดีเป็นพิเศษสำหรับช่วงเวลาไหน และธุรกิจ Retail หรือค้าปลีกก็จะได้เปรียบมากเพราะพวกเขาจะมีข้อมูลประเภทนี้เยอะมาก แต่รู้มั้ยครับว่าที่น่าเสียดายคืออะไร พวกเขาเก็บข้อมูลการซื้อขายหรือ Transaction data เหล่านี้ไปโดยไม่เคยทำข้อมูลให้พร้อมใช้งานแต่แรกเลย เพราะส่วนใหญ่ไม่เคยรู้เลยว่าอะไรบ้างที่ขายดีเป็นพิเศษ ทำให้รู้แค่ภาพรวมๆ ว่า โอเควันนี้ขายดี เดือนนี้ขายดี แต่คำถามสำคัญคือ “อะไรล่ะที่ขายดี? แล้วมันมีรูปแบบในการขายดีเป็นอย่างไร?”

เพราะถ้าคุณเข้าใจตรงนี้คุณก็จะสามารถเอาไปต่อยอดได้มากมาย ตั้งแต่ลดสินค้าที่ขายไม่ดีลงไป แล้วก็เอาทรัพยากรไปโฟกัสกับของที่ขายดีเพิ่มขึ้นครับ

2. Customer behaviour data หรือข้อมูลพฤติกรรมลูกค้า

Customer data analytics metric customer behaviour data

ที่จะช่วยทำให้คุณเข้าใจว่าลูกค้าเลือกเราเพราะอะไร รู้สึกอย่างไรกับเรา หรือแม้แต่เอาของเราไปใช้อย่างไร เพราะหลายครั้งลูกค้าก็เอาสินค้าหรือบริการเราไปใช้โดยที่เราไม่ได้คิดไว้ก็มากมาย ซึ่งถ้าธุรกิจไหนรู้ข้อมูลพฤติกรรมของลูกค้าตรงจุดนี้ก็จะสามารถเอาไปปรับปรุงธุรกิจให้ดีขึ้นได้สบาย

การวิเคราะห์ข้อมูลที่เป็น Customer behavior นี้ก็มาจาก Data ที่หลากหลายช่องทาง ตั้งแต่บนโซเชียลมีเดียก็ดี จากการสอบถามของพนักงานหน้าร้านก็ดี จากคอมเมนท์บนเว็บบอร์ดออนไลน์ก็ดี หรือคุณอาจจะแฝงตัวเข้าไปในกลุ่มต่างๆ ที่มีกลุ่มเป้าหมายคุณอยู่ก็ได้นะครับ

3. Web behavior data หรือข้อมูลของลูกค้าบนเว็บไซต์เรา

Customer data analytics metric web behaviour data

ซึ่งถือว่าเป็นข้อมูลที่เราสามารถเก็บได้อย่างละเอียดมาก สามารถตามติดได้ทุกการกดของเค้า ตามดูได้ว่าเค้าเลื่อนหน้าจออ่านไปถึงตรงไหน ใช้เวลาในแต่ละหน้านานเท่าไหร่ ทำให้เราสามารถวาง Content journey บนเว็บไซต์ได้ตรงความสนใจเพิ่มขึ้น สามารถแนะนำสินค้าหรือบริการที่น่าจะเหมาะกับเนื้อหาในแต่ละหน้าได้ดีขึ้น หรือปรับแต่งข้อความบนเว็บไซต์ให้ดียิ่งขึ้นครับ

ซึ่งในวันนี้ก็มีเครื่องมือหรือแพลตฟอร์มที่ช่วยในการ collect data มากมาย แค่คุณลองเสิร์จคำว่า marketing automation เข้าไปก็จะพบตัวเลือกมากมายไม่รู้จบ (ไว้ผมจะหาโอกาสมาแนะนำอีกทีนะครับว่าควรใช้อะไรกับธุรกิจแบบไหนบ้าง) แต่สิ่งสำคัญคือคุณต้องดูความพร้อมของทรัพยากรในทีมคุณ ว่าวันนี้คุณพร้อมจะลงทุนขนาดไหน ราคาเท่าไหร่ที่พร้อมจ่าย แล้วก็ค่อยๆ เรียนรู้เครื่องมือเหล่านั้นไปจนสามารถใช้มันได้อย่างคุ้มค่า

เพราะการเก็บ collect data ของลูกค้าคุณมาเพื่อใช้งานก็ว่าสำคัญแล้ว แต่การทำให้ทีมงานหรือองค์กรคุณพร้อมและมั่นใจว่าจะสามารถเอา Data ที่ได้มาใช้งานให้เกิดประโยชน์ได้จริงนั้นสำคัญกว่า ไม่อย่างนั้นทุกคนก็คงหมดกำลังใจแย่ครับ

How to analyze data 2 วิธีการเปลี่ยนข้อมูลที่มีให้เกิดคุณค่า

จากทั้งหมดที่เล่ามาบอกให้รู้ว่ามันเป็นการง่ายมากที่จะเก็บ Data มาวิเคราะห์ แต่มันก็เป็นง่ายยิ่งกว่าเช่นกันที่ Data ที่เก็บมานั้นจะไม่สะเปะสะปะจนไม่สามารถเอามาใช้วิเคราะห์ได้จริง ทั้งวางข้อมูลผิดตำแหน่ง ทั้งข้อมูลไม่ถูกเก็บให้เป็นระเบียบ และสุดท้ายคือทำให้วิเคราะห์แล้วออกมางงๆ จนพาลให้คิดว่าวิเคราะห์ไปก็ไม่เห็นจะช่วยอะไรได้เลย

เพราะการทำ Data Analytics ให้ออกมาดีได้ก็ขึ้นอยู่กับ Data ที่ใส่เข้าไป ถ้าคุณมี Data ที่ดีและตอบโจทย์ที่ตั้งไว้ คุณก็สามารถพบคำตอบที่ต้องการ ดังนั้นสิ่งสำคัญที่ต้องเน้นยำในองค์กรเลยก็คือ รู้ก่อนว่าจะเก็บ Data ไปทำอะไร เป้าหมายวัตถุประสงค์หรือคำถามที่ต้องการรู้จาก Data คืออะไร จากนั้นก็ค่อยๆ หาทางเก็บ Data จากแหล่งต่างๆ มาประกอบกันเพื่อสามารถวิเคราะห์ให้ได้เป็นคำตอบของคำถามที่ต้องการ

อีกหนึ่งเหตุผลสำคัญที่ทำให้การเอา Customer data มาวิเคราะห์นั้นไม่ค่อยประสบความสำเร็จอย่างที่ต้องการ ก็เพราะมีข้อมูลที่สับสนมากเกินไป ทั้งมาจากหลายช่องทาง รวมถึงความสามารถในการทำ Data ให้พร้อมใช้งานครับ

ดังนั้นถ้าคุณอยากเอาข้อมูลทั้งหมดของลูกค้ามารวมไว้ในที่เดียวเพื่อทำให้คุณเข้าใจลูกค้าแต่ละคนจริงๆ หรือที่เรียกว่า Single Customer View คุณอาจจะต้องลงทุนกับสิ่งที่เรียกว่า CDP หรือ Customer data platform นั่นเองครับ

CDP จะช่วยให้คุณสามารถจัดการกับข้อมูลที่กระจัดกระจายของลูกค้าไม่ว่าจะออนไลน์หรือออฟไลน์ก็ตาม ทำให้ข้อมูลถูกจัดระเบียบให้พร้อมใช้งานเพื่อที่คุณสามารถเอามาวิเคราะห์และต่อยอดกับลูกค้าคนนั้นมากขึ้น หรือแม้แต่ลดการสูญเสียลูกค้าคนนั้นไปโดยไม่จำเป็น

และเมื่อพูดถึงการเอา Data ที่ว่านี้ไปพรีเซนท์ให้คนอื่นฟัง ก็ต้องระวังความยุ่งยากและยืดยาวของ Data ไว้ให้ดี เอาเป็นว่าอย่าเล่าเรื่อง Data ให้น่าเบื่อ ก่อนหน้านี้ผมเคยลงบทความเรื่อง “3 วิธีเล่า Data เรื่องยากให้ฟังง่าย” ลองเข้าไปอ่านดูนะครับ แล้วคุณจะรู้ว่าการ Present Data นั้นเป็นทั้งศาสตร์และศิลป์ เพราะ Data จะมีค่าก็ต่อเมื่อคุณสามารถสื่อสารคุณค่าของ Data นั้นให้คนอื่นเข้าใจได้ครับ

1. Data mining การขุดเอาข้อมูลทั้งหมดขึ้นมาดู

Customer data analytics data mining

คนส่วนใหญ่เมื่อพูดถึงคำว่า Data mining มักจะคิดว่าต้องมี Data มากมายมหาศาลในระดับ Big Data ก่อนจึงจะสามารถทำ Data mining ได้ แต่ในความเป็นจริงแล้วการทำ Data mining นั้นหมายถึงการเอาข้อมูลทั้งหมดมาดูว่ามันมี Insight ที่มีค่าซ่อนอยู่มั้ยต่างหากครับ

Data mining คือการช่วยให้คนที่มีข้อมูลซับซ้อนสามารถเอามาวิเคราะห์หา insight อย่างเร็วๆ และง่ายๆ ด้วยการใช้หลักวิชาสถิติ หรือใช้ AI หรือใช้ Machine learning วิธีการทำ Data mining นี้เป็นตัวเลือกที่เร็วและง่ายกว่าการค้นหาบางสิ่งบางอย่างใน Data นั้นด้วยตัวเอง แล้วยิ่งคุณมี Data ที่ซับซ้อนมากเท่าไหร่ คุณก็จะยิ่งมีโอกาสเห็น Insight ที่มีค่ามากเท่านั้น

2. Data visualization เปลี่ยน Data ให้กลายเป็นภาพ(หรือทำให้คนทั่วไปเข้าใจได้)

Customer data analytics data visualization

การเปลี่ยน Data ที่ยุ่งยากซับซ้อนให้กลายเป็นสิ่งที่คนอื่นเข้าใจได้นั้นสำคัญมาก ดังนั้นคุณต้องแบ่งเวลาไว้สำหรับการเปลี่ยน Data ที่มีให้กลายเป็นกราฟ ชาร์ท หรือแม้แต่ Infographic ในรูปแบบต่างๆ ก็ตาม เพราะหัวใจสำคัญของเรื่อง Data visualization คือการเอาข้อมูลที่ซับซ้อนให้สามารถเห็นแล้วเข้าใจได้ในทันที หรืออย่างน้อยก็ต้องเข้าใจได้เร็วขึ้นกว่าการนั่งอ่าน Data เดิมๆ

ถ้าถามว่าเรื่องนี้สำคัญอย่างไร ก็บอกได้เลยว่าถ้าเราสามารถทำให้ทุกคนในมีส่วนในงานนี้เข้าใจ Data นั้นได้อย่างง่ายดาย คุณก็จะได้รับมุมมองใหม่ๆ ที่บางครั้งคุณเองอาจคาดไม่ถึงว่าเราสามารถบิด Data ให้ออกมาในอีกรูปแบบได้ด้วย มากกว่าแค่มุมมองของ Data scientist เพียงอย่างเดียวเท่านั้น

แต่ถ้าคุณกำลังติดปัญหาว่าจะเปลี่ยน Data set หรือชุดข้อมูลที่มีให้ออกมาเข้าใจง่ายได้อย่างไร ในวันนี้มีวิธีการและเครื่องมือมากมายที่ช่วยในการวิเคราะห์ข้อมูลต่างๆ ให้ออกมาเข้าใจง่าย และเมื่อคุณทำสำเร็จคุณก็จะรู้ว่าคุณควรจะต้องทำอย่างไรกับลูกค้าแต่ละคนดีในที่สุดครับ

ทำ Customer Data Analytics แล้วทำอย่างไรต่อ…

Customer data analytics metric how to analyze

เมื่อคุณตั้ง objective ก่อนทำ data analytics ได้ถูกว่าอะไรคือสิ่งที่คุณควรรู้จาก data แล้วสามารถเก็บข้อมูลที่จำเป็นได้เพียงพอต่อการวิเคราะห์ และคุณสามารถทำ data นั้นให้คนอื่นเข้าใจได้ หรือที่เรียกว่า data visualization เท่ากับว่าคุณต้องเอาสิ่งที่ได้ไปใช้งานได้แล้วครับในตอนนี้

เพราะคุณจะทำอะไรกับผลลัพธ์ที่ได้จากการทำ data analytics นั้นก็เป็นเรื่องของคุณกับทีมงาน บางครั้งคุณอาจพบว่าคุณไม่ต้องทำอะไรเลยก็ได้ หรือบางครั้งคุณก็อาจพบว่าคุณต้องรีบลงมือทำบางอย่างเพราะเห็น insight บางอย่างจาก data แล้วในตอนนี้

สำหรับธุรกิจขนาดเล็กหรือ SME หลังจากคุณทำ Data analytics แล้วอาจพบว่าลูกค้าส่วนใหญ่คุณอยู่บน Twitter มากกว่า Facebook อย่างเห็นได้ชัด แต่ที่ผ่านมาคุณมัวแต่เอาเวลาไปเฝ้าฟูมฟัก Facebook เพราะคิดว่านั่นคือช่องทางหลักที่ทำให้คุณได้ลูกค้ามา ดังนั้นถ้าคุณไม่ทำการวิเคราะห์ข้อมูลลูกค้าออกมา คุณก็จะไม่รู้เลยว่าสิ่งที่คุณกำลังทำอยู่นั้นคุ้มค่าต่อการเสียเวลามั้ย หรือถ้าหลังจากการวิเคราะห์ข้อมูลแล้วทำให้พบว่าลูกค้าส่วนใหญ่ของธุรกิจคุณอยู่บนเฟซบุ๊กจริง ก็เท่ากับว่าคุณกำลังเดินมาถูกทางแล้วครับ

แต่ถ้าคุณเป็นองค์กรใหญ่หรือต้องการจะจริงจังในเรื่องนี้ ถ้าคุณต้องการมี data ประกอบก่อนทุกการตัดสินใจที่สำคัญ ถ้าคุณต้องการความแม่นยำและรายละเอียดของรายงาน นั่นหมายถึงคุณต้องพร้อมลงทุนกับการมี UX/UI Designer มี Data Scientist และ Project Manager คนที่จะมาทำหน้าที่จริงนี้อย่างจริงจัง ไม่ใช่แค่งานเสริมที่จะไปฝากใครที่มีงานประจำทำอยู่แล้วมาดูแล เพราะเขาคนนี้จะเป็นคนเข้ามากำหนดกรอบในการทำงานวิเคราะห์ข้อมูลลูกค้าทั้งหมด เพื่อให้ตรงกับ Business objective และก็ช่วยในการตัดสินใจว่าถ้าเจอปัญหาอย่างนี้จะต้องทำอย่างไร หรือวางเป้าหมายในอนาคตของหน่วยงานนี้ครับ

ตัวอย่างของแบรนด์ที่ทำ Customer Data Analytics แล้วประสบความสำเร็จ

ลองดูนะครับว่าพวกเขาวิเคราะห์ข้อมูลลูกค้าแล้วเอาไปต่อยอดอย่างไรบ้าง เผื่อว่าคุณจะเริ่มรู้สึกว่าคุณกำลังพลาดอะไรบางอย่างมานานเกินไปแล้ว

Netflix กับการปรับปรุง Customer experience จาก customer data experience เอง

Customer data analytics netflix

จากข้อมูลล่าสุดพบว่า Netflix มีสมาชิกกว่า 167 ล้านคนจากทั่วโลกแล้ว และนั่นก็หมายความว่าพวกเขามีข้อมูลจากผู้ใช้งานจำนวนมากให้เก็บไปวิเคราะห์เพื่อจะทำให้ลูกค้าเหล่านั้นอยู่กับ Netflix ไม่ไปไหน

เพราะ Netflix เก็บ Data จากสมาชิกทุกคน(รวมถึงผม)โดยละเอียด ตั้งแต่ประเภทรายการที่ชอบดู ชอบดูวันไหนไปจนถึงช่วงเวลาไหนบ้าง ดูผ่านช่องทางไหนบ้าง Smart TV หรือมือถือ หรืออะไร จากนั้น Netflix ก็ยังตามดูอีกว่าเมื่อไหร่ที่เรามักจะหยุดดู หยุดดูแล้วกลับมาดูต่อมั้ยหรือเลิกดูไปเลย แล้วมีรายการแบบไหนบ้างที่เราดูจนจบในรวดเดียว ระยะเวลาที่เราใช้ในการดูจนจบยาวนานแค่ไหน

ทั้งหมดนี้ถูกเอามาวิเคราะห์แล้วกลายเป็นระบบแนะนำรายการที่เราน่าจะชอบได้อย่างแม่นยำ ซึ่งวันนี้รายการที่เป็น Recommendation สำหรับเรากลายเป็น 80% ของรายการทั้งหมดที่ปรากฏบนหน้าจอ Netflix ของเราไปแล้วครับ

เห็นมั้ยครับว่า Netflix เอา Data ของเรามาเพื่อปรับปรุง Customer Experience ของเราจริงๆ เรียกได้ว่าไม่ต้องไปหา Data จากไหนอีก เอาแค่ในแพลตฟอร์มตัวเองที่มีก็เพียงพอเสียเหลือเกิน

และยังไม่ใช่แค่การแนะนำรายการที่เราน่าจะชอบดูได้อย่างตรงใจเท่านั้น เพราะ Netflix ยังทำการวิเคราะห์ข้อมูลจนรู้ว่าควรจะเอาภาพหน้าปก หรือหนังตัวอย่างแบบไหนมาให้เราดูถึงจะทำให้เราอยากกดเข้าไปดูต่อได้ เช่น กับบางคนเมื่อดูผ่านมือถืออาจต้องเลือกตัวแสดงที่เป็นผู้ชายที่มีอายุหน่อยขึ้นมาแสดงเพื่อทำให้คนๆ นั้นอยากดูต่อ หรือถ้าพอเปิดบนทีวีก็อาจจะเลือกตัวละครผู้ชายเหมือนกันแต่แก่กว่าคนที่เอามาให้ดูบนมือถือเพื่อที่เราจะกดดูต่อมากขึ้นครับ

ดังนั้นในรายการเดียวกัน ซีรีส์เดียวกัน หรือภาพยนต์เดียวกันก็อาจมีตัวอย่างให้ดูได้เป็นร้อยเป็นพันแบบ ขึ้นอยู่กับว่าที่ผ่านมาเราเคยป้อน Data ให้กับ Netflix ไปอย่างไร จากนั้นเขาก็จะเอาผลลัพธ์จากการวิเคราะห์ Data ที่ได้มาป้อนกลับให้เราอยู่ในวังวนความชอบของตัวเราเองอีกครั้งครับ

Amazon เจ้าพ่อ E-Commerce ที่ไม่ได้มีดีแค่ถูก แต่รู้ว่าควรจะให้ราคาถูกแค่กับใคร และควรจะขายราคาแพงกับใครจาการทำ Customer Data Analytics

Customer data analytics Amazon Kindle

จากตัวเลขสมาชิก Amazin Prime ล่าสุดที่หาได้คือน่าจะมีจำนวนราวๆ 150 ล้านคนในวันนี้ครับ และยังมีลูกค้าอีกมากที่ไม่ได้เป็นสมาชิก Amazon ที่พวกเขาก็เก็บ Data ไว้เพื่อเอามาวิเคราะห์อยู่ตลอดเวลาครับ

อย่างที่เรารู้กันดีว่า Amazon นั้นมีทำ Data Analytics ลูกค้าจาก Big Data จริงๆ จนออกมาเป็นระบบแนะนำสินค้าอันโด่งดังแบบที่ช่างรู้ใจเราเสียจริง เช่น ถ้าเมื่อไหร่ที่เรากดสั่งซื้อไม้กวาด อีกไม่นานมันก็จะแนะนำเครื่องดูดฝุ่นให้เรา เพราะไม้กวาดมันไม่สะดวกสบายเหมือนเครื่องดูดฝุ่นหรอก

แต่นั่นเป็นแค่ส่วนหนึ่ง เพราะ Amazon ยังมีอุปกรณ์อ่าน E-Book ที่ชื่อว่า Kindle ซึ่งเจ้า Kindle นี้เองที่ Amazon ตามเก็บข้อมูลการอ่านของเราแบบเงียบๆ ดูว่าเราแอบไฮไลท์ข้อความตรงไหนไว้ หน้าไหนที่เราใช้เวลามากเป็นพิเศษ หรือหนังสือเล่มไหนที่เราไม่เคยอ่านจบเลย และนั่นก็ทำให้ระบบแนะนำหนังสือเล่มถัดไปที่เราน่าจะชอบอ่านยิ่งแม่นยำและตรงใจเรามากขึ้น ผมล่ะอยากให้มีหนังสือไทยใน Kindle เยอะๆ เสียจริงครับ

และก็ยังไม่หมดแค่นั้น เพราะสิ่งที่ Amazon ทำกำลังจะก้าวล้ำไปอีกขั้น คุณเคยได้ยินสิทธิบัตรของ Amazon ที่ชื่อว่า Anticipatory Shipping ของเค้ามั้ยครับ มันคือรูปแบบการส่งสินค้าไปให้ลูกค้าถึงหน้าบ้านก่อนที่ลูกค้าคนนั้นจะกดสั่งซื้อในวันถัดไปได้เลย

Customer data analytics anticipatory shipping

เรียกได้ว่า Amazon สามารถรู้ล่วงหน้าได้เลยว่าใครกำลังจะอยากได้ของสิ่งไหน จากนั้นก็ตัดหน้าคู่แข่งทั้งหมดด้วยการเอาของไปทิ้งไว้หน้าบ้าน ซึ่งทางลูกค้าถ้าอยากได้ของชิ้นนั้นก็แค่หยิบไป แล้วระบบก็จะตัดเงินจากบัญชีเราไป หรือถ้าเราไม่อยากได้ก็แค่ว่าทิ้งไว้เหมือนเดิม จากนั้นรถส่งสินค้าก็จะมาเก็บกลับไปง่ายๆ เท่านั้นเลยครับ

แต่เบื้องหลังระบบนี้ไม่ได้ง่ายอย่างที่พูด เพราะมันต้องใช้ Data จำนวนมหาศาลผ่านการวิเคราะห์ที่แสนจะซับซ้อน เพราะถ้า Amazon ไม่สามารถคาดการณ์ได้อย่างแม่นยำพอจนถึงจุดคุ้มทุน ธุรกิจก็คงจะเจ๊งหรือไม่ก็ต้องยกเลิกแล้วเจ้าระบบส่งสินค้าล่วงหน้านี้ไปในที่สุดครับ

สรุปส่งท้าย Data ที่มากกว่าก่อให้เกิดความได้เปรียบที่มากตาม

Customer data analytics with big data

ด้วย Data ส่วนใหญ่ที่เรามีมักไม่มากพอที่จะทำให้เกิดความแตกต่างใดๆ และหลายแบรนด์ก็ประสบปัญหาในการเข้าถึง Data ที่ต้องการเหลือเกิน เพราะ Data ใครๆ ก็หวง ไม่มีใครให้ Data กันยืมเหมือนเงินหรอกครับ

แต่ในขณะเดียวกันผู้บริโภคในวันนี้ก็ยินดีมอบ Data ให้กับแบรนด์ ถ้าแบรด์สามารถพิสูจน์ได้ว่าจะทำให้พวกเขาสะดวกสบายมากขึ้น หรือได้รับ Customer Experience ที่ดีขึ้นกว่าเดิมจริงๆ ครับ ดังนั้นคุณมีโอกาสมากมายที่จะเข้าถึง Customer Data ได้มากพอ ขึ้นอยู่กับว่าคุณสามารถทำให้ลูกค้าวางใจที่จะให้ Data มากกว่าเดิมได้มากน้อยเท่าไหร่ คุณมีความพร้อมทั้งเครื่องมือ ทรัพยากร และทีมงานสำหรับการทำ Customer Data Analytics แล้วหรือยัง บอกได้เลยว่าเรื่องนี้ใครทำสำเร็จก่อนจะเป็นการได้เปรียบอย่างยากที่คู่แข่งจะไล่ตามได้ทัน ดังนั้นผมเลยมีคำถามสำคัญคือคุณพร้อมที่ลุยเรื่อง Data จริงจังแล้วหรือยังครับ

อ่านซีรีส์คอนเทนท์ของบทความชุด Customer Data Analytics ทั้งหมด > https://www.everydaymarketing.co/tag/customer-analytics/

Customer Data Analytics

Source > https://learn.g2.com/customer-analytics

Nattapon Muangtum

Nattapon Muangtum

เจ้าของเพจการตลาดวันละตอน / อาจารย์พิเศษวิชา Data-Driven Communication / ผู้เขียนหนังสือการตลาดแบบรู้ใจ Personalized Marketing, การตลาดแบบฉลาดใช้ดาต้า Data-Driven Marketing และ Data Thinking / เป็นที่ปรึกษาด้าน Marketing และ Data-Driven ให้กับบริษัทบางแห่งและหน่วยงานบางที่

ใส่ความเห็น

อีเมลของคุณจะไม่แสดงให้คนอื่นเห็น ช่องข้อมูลจำเป็นถูกทำเครื่องหมาย *