พิษสงจากการระบาดของโควิด-19 ที่ส่งผลกระทบอย่างหนักต่อสังคม เศรษฐกิจและธุรกิจ ไม่เพียงทำให้คนต้องเปลี่ยนรูปแบบการใช้ชีวิต โดยหันไปใส่ใจดูแลสุขภาพมากขึ้น แต่ยังเปลี่ยนพฤติกรรมการใช้เงินในกระเป๋าด้วย จากเดิมที่เคยตัดสินใจซื้อสินค้าแบบง่าย ๆ เพียงกดปลายนิ้วบนสมาร์ทโฟน กลายมาเป็นใช้สติมากขึ้นกว่าจะยอมควักสตางค์ซื้อสินค้า
แล้วธุรกิจจะทำอย่างไรเพื่อจับใจลูกค้าให้อุดหนุนสินค้าเราไปนานๆ ท่ามกลางการแข่งขันที่นับวันจะรุนแรงขึ้นเรื่อย ๆ คุณพิพัฒน์ ประภาพรรณพงศ์ ผู้อำนวยการและหัวหน้าทีม Data Science (Machine Learning) บริษัท บลูบิค กรุ๊ป จำกัด (มหาชน) ให้ทัศนะว่า แบรนด์อาจต้องใช้ Data Science เป็นเครื่องมือในการขับเคลื่อนตลาด
“ยุค Data-Driven Marketing ในปัจจุบัน การปรับใช้ Data Science กับการตลาด สามารถเพิ่มโอกาสและประสิทธิภาพในการเข้าถึงลูกค้าได้มากขึ้นใน 4 กระบวนการ ตั้งแต่การขยายฐานลูกค้าใหม่ (Acquisition) กระตุ้นให้ตัดสินใจซื้อสินค้า (Activation) รักษาลูกค้าเดิมไว้กับธุรกิจ (Retention) และหาโมเดลสร้างรายได้ให้ธุรกิจอย่างต่อเนื่อง (Revenue)”
คุณพิพัฒน์ ประภาพรรณพงศ์ ผู้อำนวยการและหัวหน้าทีม Data Science (Machine Learning) บริษัท บลูบิค กรุ๊ป จำกัด (มหาชน)
อยากหาลูกค้าใหม่ ต้องทำอย่างไร
“ก่อนหาทางขยายฐานลูกค้าใหม่ (Acquisition) ขั้นแรกที่สำคัญที่สุดคือธุรกิจต้องไปรวบรวมข้อมูลจากทุก Touchpoint หรือส่วนที่ใช้ติดต่อสื่อสารกับลูกค้ามาก่อน ไม่ว่าจะเป็นข้อมูลจากลูกค้าวอล์คอิน คอลเซ็นเตอร์ โซเชียลมีเดีย หรือระบบ CRM (Customer Relationship Management) แล้วไปสร้าง Data Management Platform (DMP) เพื่อใช้เป็นแพลตฟอร์มเก็บรวบรวมข้อมูลต่างๆ ของลูกค้าไว้ในที่เดียว”
เมื่อมีข้อมูลในมือแล้ว ธุรกิจจึงจะสามารถนำข้อมูลมาวิเคราะห์ต่อเพื่อนำเสนอโปรโมชันสินค้าให้เหมาะกับลูกค้าแต่ละกลุ่ม (Product Recommendation) เพื่อดึงดูดกลุ่มคนที่ยังไม่เคยซื้อสินค้าของเราให้กลายมาเป็นลูกค้าใหม่ ซึ่งในยุคปัจจุบันที่คนส่วนใหญ่ซื้อสินค้าบนช่องทางออนไลน์ วิธีการแรก ๆ ที่สามารถใช้เพิ่มการเข้าถึงลูกค้าคือการทำคอนเทนต์ผลิตภัณฑ์ หรือยิงโปรโมชัน หรือโฆษณาสินค้าให้ตรงกับลูกค้าแต่ละกลุ่มมากที่สุด (Ad Optimization) ด้วยการนำ Data Analytics มาช่วยวิเคราะห์ข้อมูลต่างๆ ของลูกค้า เช่น พฤติกรรม ความสนใจ ช่วงอายุ สถานที่ที่นิยมไปซื้อสินค้า เพื่อนำเสนอสินค้าที่กลุ่มเป้าหมายน่าจะสนใจมากที่สุด
“หากต้องการทำแคมเปญแบบเจาะจงกลุ่มมากขึ้น การสร้างโค้ดโปรโมชันให้ลูกค้าแบบเฉพาะราย (Unique Code Generation) เป็นอีกวิธีที่น่าสนใจที่ทำให้ธุรกิจวัดประสิทธิภาพการทำโฆษณาได้ดีขึ้น โดยอาจให้ลูกค้าที่สนใจสินค้ากรอกข้อมูลติดต่อ เช่น อีเมล หรือเบอร์โทรศัพท์ แล้วส่ง Voucher Code ไปให้ผู้ที่สนใจ ในกรณีที่ธุรกิจมีแอปพลิเคชันจำหน่ายสินค้าอยู่แล้ว อาจลองนำข้อมูลการใช้งานแอปพลิเคชัน ไปออกแบบแคมเปญแจกโค้ดลดราคาหลาย ๆ แบบด้วยก็ได้”
Activation – สนใจแต่ไม่ซื้อ แล้วต้องดีแค่ไหนถึงจะซื้อ?
ส่วนธุรกิจที่ทำการตลาดไประยะหนึ่งแล้ว อีกหนึ่งคำถามสำคัญที่แบรนด์ต้องถามตัวเองก็คือ แคมเปญการตลาดที่ผ่าน ๆ มาได้สร้าง Activation หรือกระตุ้นให้ลูกค้าเข้ามาซื้อสินค้าและใช้บริการของธุรกิจแล้วหรือยัง
“ส่วนใหญ่แล้ว หากต้องการเพิ่มสัดส่วนผู้ซื้อสินค้าเมื่อเทียบกับผู้เข้าชมสินค้าทั้งหมด (Conversion Rate) ธุรกิจมักจะคิดว่าถ้านำเสนอข้อดีของสินค้าให้คนเห็น ย่อมทำให้คนอยากซื้อ แต่ที่จริงแล้ว การนำเสนอสินค้าที่ถูกใจ ถูกเวลาต่างหากที่สำคัญ” คุณพิพัฒน์กล่าว
“ดังนั้น ก่อนจะหาทางเพิ่ม Conversion Rate การวิเคราะห์ว่าแคมเปญการตลาดที่ผ่านๆ มาประสบความสำเร็จมากแค่ไหนคือสิ่งที่จำเป็นต้องทำ ซึ่งการทำ Data Analytics ควบคู่ไปกับ Data Visualization จะช่วยให้ธุรกิจเห็นภาพและเข้าใจรูปแบบพฤติกรรมผู้บริโภคในเชิงลึกขึ้น เช่น สินค้าที่ซื้อซ้ำ ช่วงเวลาที่ซื้อสินค้า ค่าเฉลี่ยการซื้อสินค้าแต่ละครั้ง เป็นต้น เพื่อออกแบบแคมเปญที่ลูกค้าน่าจะสนใจต่อไป เช่น ถ้าลูกค้าที่เข้ามาดูสินค้าชนิดหนึ่งบ่อย ๆ แต่ยังไม่ซื้อ แบรนด์อาจจะส่งคูปองส่วนลดพิเศษให้ลูกค้าโดยเฉพาะ เพื่อกระตุ้นให้ตัดสินใจซื้อสินค้า”
ที่สำคัญ การวิเคราะห์รูปแบบการซื้อสินค้าของลูกค้า ยังต่อยอดไปสู่การทำ Cross Sales and Upsell Recommendation เพื่อเพิ่มยอดขายสินค้าต่อคน (sales per head) จากการวิเคราะห์ข้อมูลพฤติกรรมการซื้อสินค้าในอดีต จะทำให้ค้นพบสินค้าที่มีการซื้อคู่กัน หรือสินค้าที่มีความสัมพันธ์กัน ซึ่งเอาไปใช้ออกแบบโปรโมชันแบบ Bundle เพื่อเพิ่มยอดขาย (Upsell) หรือขายพ่วงกับสินค้าอื่นๆ (Cross Sales)
“Amazon เป็นตัวอย่างธุรกิจหนึ่งที่ใช้ AI algorithm มาสร้างฟีเจอร์แนะนำสินค้าที่ลูกค้ามักซื้อด้วยกัน เพื่อเพิ่มยอดขายสินค้าในการซื้อแต่ละครั้ง ซึ่งจากข้อมูลของ Amazon พบว่าการทำ Cross Sales and Upsell Recommendation สามารถเพิ่มยอดขายได้ราว 35%”
นอกจากนี้ Winback Prioritization เป็นอีกวิธีเพิ่ม Conversion Rate ที่มีประสิทธิภาพสูง ด้วยการดึงลูกค้าที่เคยสนใจสินค้าของเรากลับเข้าสู่กระบวนการขาย (Sale funnel) อีกครั้ง จนสามารถปิดการขายได้สำเร็จ ผ่านการนำ Big Data Analytics มาช่วยวิเคราะห์หากลุ่มลูกค้าที่มีโอกาสปิดการขาย จากนั้นจัดแพทเทิร์นและแบ่งหมวดหมู่เพื่อทำความเข้าใจลูกค้าแต่ละราย ซึ่งจากสถิติพบว่า ช่วยให้จำนวนลูกค้าที่พนักงานสามารถติดต่อได้ในแต่ละวันเพิ่มขึ้นถึง 11% และทำให้สัดส่วนของลูกค้าที่สนใจโครงการเพิ่มขึ้นจากการดำเนินงานปกติถึง 18%
Retention – อย่ามัวหาลูกค้าใหม่ จนลืมลูกค้าปัจจุบัน
ไม่เพียงหาฐานลูกค้าใหม่และกระตุ้นให้ซื้อสินค้า การรักษาฐานลูกค้าปัจจุบันนับเป็นสิ่งสำคัญ โดยจากข้อมูลการวิเคราะห์พบว่า ต้นทุนในการหาลูกค้าใหม่สูงกว่าการรักษาลูกค้าเดิมถึง 5 เท่า ยิ่งไปกว่านั้น หากรักษาลูกค้าปัจจุบันไว้ได้เพียง 5% จะสามารถเพิ่มกำไรให้ธุรกิจได้กว่า 25% ซึ่งในจุดนี้ คุณพิพัฒน์แนะนำว่า
“เมื่อรู้แล้วว่าต้องทำให้ลูกค้าปัจจุบันอยู่กับธุรกิจนานที่สุด ขั้นต่อมาคือการหาว่าลูกค้ากลุ่มไหนที่มีแนวโน้มจะหยุดซื้อสินค้าของเรา ผ่านการทำ Classification Analysis ที่เป็นเทคนิคการจำแนกกลุ่มลูกค้าจากข้อมูลกิจกรรมในอดีต (Historical Data) เพื่อดูว่าหลังผ่านไประยะหนึ่งแล้ว ลูกค้ากลุ่มไหนบ้างที่ยังซื้อสินค้ากับเราอยู่ แล้วมาแยกเป็นกลุ่มที่มีแนวโน้มหยุดซื้อสินค้า กับกลุ่มที่น่าจะซื้อสินค้าต่อ Classification Analysis จะช่วยให้ธุรกิจรู้ว่า ช่วงเวลาไหนที่ลูกค้ากำลังจะเลิกใช้บริการ แล้วใช้จังหวะนั้นไปทำแคมเปญดึงดูดใจลูกค้าก่อนถึงเวลาที่คาดการณ์ว่าลูกค้าจะหยุดซื้อสินค้า”
หลังจัดกลุ่มลูกค้าได้แล้ว Personalized Campaign เป็นขั้นต่อไปที่ช่วยเพิ่มประสิทธิภาพการนำเสนอสินค้าที่ลูกค้าสนใจจริงๆ เพื่อลดความเป็นไปได้ที่ลูกค้าจะเลิกใช้บริการเพราะได้รับแต่โปรโมชันสินค้าที่ไม่ต้องการ ด้วยการนำข้อมูลความสนใจของลูกค้าในฐานข้อมูลมาวิเคราะห์ โดยใช้เทคนิคหลายๆ แบบ ไม่ว่าจะเป็น Geofencing Technology ซึ่งเป็นเทคโนโลยีช่วยระบุตำแหน่งของลูกค้า แล้วไปปรับทำแคมเปญโฆษณาโดยอิงกับตำแหน่งหรือสถานที่ที่ลูกค้าไปเป็นประจำ การวิเคราะห์พฤติกรรมลูกค้าขณะอยู่ในร้าน และการส่งคูปองส่วนลดหรือโปรโมชั่นที่เหมาะกับลูกค้าแต่ละคน เป็นต้น
Revenue – CLV กุญแจเพิ่มรายได้ให้เติบโตในระยะยาว
กระบวนการนำ Data Science มาใช้กับการตลาดคือการเพิ่ม Customer Lifetime Value (CLV) ซึ่งเป็นมูลค่าการซื้อสินค้าทั้งหมดของลูกค้าหนึ่งคนตลอดเวลาที่ยังอยู่กับแบรนด์ ถ้าสามารถดึงให้ลูกค้าซื้อสินค้าและบริการจากธุรกิจได้นานขึ้น ย่อมทำให้ CLV เพิ่มขึ้นอย่างต่อเนื่อง ส่งผลให้รายได้และผลกำไรของธุรกิจเพิ่มขึ้นตามมาเช่นกัน
“Demand Forecasting (การคาดการณ์ดีมานด์สินค้า) เป็นการวิเคราะห์ที่ทำให้ธุรกิจประเมินรายได้ที่คาดว่าจะได้รับจากการออกผลิตภัณฑ์หนึ่งตัว โดยวิเคราะห์จากยอดขายที่ผ่านมา เทรนด์ธุรกิจ แนวโน้มเศรษฐกิจ คาดการณ์การเติบโตของภาคอุตสาหกรรม เป็นต้น เพื่อนำไปใช้คาดการณ์ยอดขายในอนาคต ซึ่งทั่วไปแล้ว สามารถแบ่งการคาดการณ์ออกเป็น 2 ระยะ คือ
1. ระยะสั้นในช่วง 3 – 12 เดือนข้างหน้า เพื่อใช้ช่วยปรับซัพพลายเชนตามข้อมูลการขายแบบเรียลไทม์และดีมานด์ของลูกค้า
2. ระยะยาวช่วง 1 – 4 ปีข้างหน้า เพื่อนำไปปรับภาพรวมกลยุทธ์ วางแผนใช้งบลงทุนด้านการตลาด และบริหารจัดการซัพพลายเชนให้เป็นระบบ
สำหรับการปรับใช้เพื่อวางกลยุทธ์ระยะยาวจะครอบคลุมตั้งแต่การออกแบบการสื่อสารกับลูกค้า การบริหารจัดการสต็อกสินค้าตามดีมานด์ที่คาดการณ์ไว้ ไปจนถึงการวางแผนการกระจายสินค้าด้วยเส้นทางที่เหมาะสมที่สุดและประหยัดต้นทุนได้มากที่สุด เมื่อสินค้าเริ่มเข้าสู่ช่วงอิ่มตัวอาจต้องเริ่มมองหาตลาดใหม่ๆ นำเทคโนโลยีเข้ามาช่วยพัฒนาผลิตภัณฑ์ รวมถึงอาจต้องหันไปทำการตลาดบนช่องทางออนไลน์เป็นหลักเพื่อลดค่าใช้จ่าย และสุดท้ายเมื่อเข้าสู่ช่วงถดถอย ต้องเร่งระบายสินค้าให้เร็วที่สุด โดยอาจเน้นที่กลุ่มลูกค้า loyalty เป็นหลัก”
3 ข้อจำกัดที่ทำให้ Data-Driven Marketing ล้มเหลว
ก่อนที่จะนำ Data Science มาใช้ช่วยทำการตลาด สิ่งสำคัญที่สุดที่ต้องเตรียมให้พร้อมคือ “ข้อมูล” อย่างไรก็ดี จากประสบการณ์ของคุณพิพัฒน์ พบว่า องค์กรจำนวนไม่น้อยยังมีจุดอ่อนในเรื่องนี้อยู่ ไม่ว่าจะเป็น
Mindset
หลายองค์ยังไม่เข้าใจความสำคัญในการนำข้อมูลมาช่วยตัดสินใจทางธุรกิจ ดังนั้น ก่อนนำเทคโนโลยีและกระบวนการวิเคราะห์ข้อมูลมาใช้จริง ต้องเปลี่ยนคนในองค์กรให้เป็น Data-Driven Culture ที่ให้ความสำคัญของการนำข้อมูลไปใช้ขับเคลื่อนธุรกิจ รวมถึงไปถึงปรับเปลี่ยนกระบวนการเข้าถึงข้อมูลภายในองค์กรให้มีข้อจำกัดน้อยลง เปิดให้แต่ละหน่วยงานนำข้อมูลไปใช้ง่ายขึ้น
คุณภาพข้อมูล
องค์กรในไทยส่วนใหญ่เก็บข้อมูลบนกระดาษและมีข้อมูลมาจากหลากหลายแหล่ง ทำให้มีปัญหาเรื่องคุณภาพข้อมูล เพราะไม่สามาถนำข้อมูลที่เก็บรวมไว้มาใช้ได้ในทันที ทำให้ต้องทำความสะอาดข้อมูล (Data Cleaning) เพื่อให้นำข้อมูลมาใช้วิเคราะห์ได้ ด้วยความที่ต้องใช้กระบวนการจัดระบบข้อมูลหลายขั้นตอน ทำให้การวิเคราะห์เกิดความล่าช้า ไม่ได้เป็นไปแบบเรียลไทม์ และไม่ทันเทรนด์ในตลาดที่เปลี่ยนแปลงอย่างรวดเร็ว
ทักษะยังไม่พร้อม
เนื่องจากการนำ Data Science มาปรับใช้จริงกับองค์กรต้องมีความรู้เชิงลึกเกี่ยวกับเทคโนโลยีและกระบวนการวิเคราะห์ข้อมูล อีกทั้งยังต้องเข้าใจพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 (PDPA) ที่กำลังบังคับใช้ด้วยเช่นกัน ซึ่งธุรกิจบางรายอาจจะยังไม่มีความรู้ความเข้าใจในประเด็นเหล่านี้มากพอ ทำให้ยังไม่กล้านำเทคโนโลยีมาใช้เท่าที่ควร
“Data Science เป็นตัวช่วยสำคัญที่เข้ามาเพิ่มประสิทธิภาพการทำการตลาด ตั้งแต่การหาลูกค้าใหม่ไปจนถึงช่วยคาดการณ์รายได้ในระยะยาว แต่ถ้าต้องการให้กระบวนการวิเคราะห์ข้อมูลเกิดประสิทธิภาพสูงสุด อาจต้องเริ่มตั้งแต่การวาง Data Strategy เพื่อกำหนดกลยุทธ์การใช้ข้อมูล ออกแบบโครงสร้างระบบเก็บข้อมูล แล้วสร้างโมเดลวิเคราะห์ข้อมูล ซึ่งต้องมีความรู้ความเข้าใจในเทคโนโลยีและธุรกิจ เพื่อดึงดูดลูกค้าให้อยู่กับธุรกิจเราไปยาว ๆ” คุณพิพัฒน์กล่าวปิดท้าย