ปัจจุบันหลายองค์กรต่างหันมาใช้ AI ในการขับเคลื่อนธุรกิจ แต่คำถามคือจะทำอย่างไรให้องค์กรสามารถนำ AI มาใช้ได้อย่างเต็มประสิทธิภาพ และสร้างผลลัพธ์ให้องค์กรได้จริง โดยเฉพาะในแง่การทำการตลาด ที่ไม่ว่าจะหันไปทางไหนต่างเต็มไปด้วยธุรกิจที่กำลังปรับมาใช้ AI-Driven Tools กันทั้งนั้น
ในบทความนี้ บลูบิค (Bluebik) จึงอยากขอแนะนำแนวทางการประยุกต์ใช้ Generative AI เพื่อยกระดับกลยุทธ์การตลาดสู่การสร้าง Marketing Intelligence ซึ่งเป็นกระบวนการเก็บรวบรวมข้อมูลต่างงๆ แบบเรียลไทม์ที่เกี่ยวข้องกับธุรกิจและภาคอุตสาหกรรม และนำมาวิเคราะห์ต่อ เพื่อหาข้อมูลเชิงลึก (Insights) จากการดูเทรนด์ในตลาด ดูว่าคู่แข่งทำอะไร และกลุ่มลูกค้าของเราต้องการอะไร แล้วนำไปพัฒนากลยุทธ์สร้างโอกาสทางธุรกิจ และความได้เปรียบเหนือคู่แข่ง
Generative AI ต่างจาก AI อย่างไร
AI เป็นคำนิยามกว้างๆ สำหรับใช้เรียกเทคโนโลยีปัญญาประดิษฐ์อัจฉริยะ ที่สามารถประยุกต์การใช้งานได้ในหลากหลายด้าน เช่น การวิเคราะห์ข้อมูล การจดจำรูปภาพ (Image Recognition) หรือการประมวลผลภาษาธรรมชาติ (NLP) ขณะที่ Generative AI เป็น AI ที่ถูกออกแบบให้มีความสามารถในการสร้างใหม่จากชุดข้อมูลที่มี โดยสามารถนำไปใช้ในการสร้างข้อความ รูปภาพ ภาพเคลื่อนไหว เป็นต้น ตัวอย่าง Generative AI เช่น ChatGPT, Bard, DALL-E และ Midjourney
3 แนวทางการประยุกต์ใช้ Generative AI ในด้านการตลาด
สำหรับแนวทางการประยุกต์ใช้ Generative AI ในด้านการตลาด เพื่อสร้างความได้เปรียบให้ธุรกิจ สามารถแบ่งออกเป็น 3 ด้านหลักด้วยกัน
1. แนะนำกลยุทธ์การทำการตลาด เพื่อตอบโจทย์พฤติกรรมผู้บริโภคได้ดียิ่งขึ้น
การให้ Generative AI เรียนรู้ข้อมูลผลิตภัณฑ์และบริการใหม่ๆ ขององค์กร จะทำให้ Generative AI สามารถช่วยแนะนำกลยุทธ์การตลาด สร้างคอนเทนต์ทางการตลาด ที่ตรงกับพฤติกรรมผู้บริโภคได้ ทั้งในเรื่องรูปแบบการซื้อการสินค้าและบริการ ซึ่งทำให้ธุรกิจสามารถคาดการณ์แนวโน้มการซื้อสินค้าในแต่ละช่วงเวลา และปรับกลยุทธ์การตลาดให้สอดคล้องกัน
นอกจากแง่มุมเรื่องการแนะนำกลยุทธ์การตลาดที่ตรงกับพฤติกรรมผู้บริโภคแล้ว Generative AI ยังนำไปใช้วิเคราะห์ความรู้สึกที่ผู้บริโภคมีต่อธุรกิจ (Sentiment Analysis) ด้วยการวิเคราะห์ปฏิกิริยาที่คนทั่วไปมีต่อคอนเทนต์ รีวิว รูปภาพ หรือแคมเปญโฆษณาต่างๆ ที่อยู่บนช่องทางออนไลน์ของแบรนด์ อีกทั้งธุรกิจยังสามารถเอาข้อมูลไปใช้ปรับแนวทางการสื่อสาร ให้ลูกค้าเกิดความรู้สึกเชิงบวกต่อแบรนด์มากขึ้น และใช้ดูแลชื่อเสียงของแบรนด์ ด้วยการหลีกเลี่ยงใช้ข้อความหรือรูปภาพที่ก่อความรู้สึกเชิงลบในการสื่อสาร
2. สร้างประสบการณ์ลูกค้าแบบ Personalization
เมื่อธุรกิจมีความรู้ความเข้าใจเกี่ยวกับกลุ่มลูกค้าต่างๆ มากขึ้นแล้ว การผสมผสานระหว่างการใช้การวิเคราะห์ข้อมูลโดย Machine Learning และ Generative AI สามารถเข้าไปช่วยทำการตลาดแบบเฉพาะเจาะจง (Personalized Marketing) ด้วยการออกแบบข้อความโฆษณา และแนะนำโปรโมชันสินค้าให้ตรงกับความต้องการซื้อสินค้าของลูกค้ามากขึ้น ด้วยการประมวลผลจากข้อมูลเกี่ยวกับลูกค้า ประวัติการค้นหาสินค้า และข้อมูลการสั่งซื้อสินค้าที่ผ่านมา ทำให้ธุรกิจนำเสนอโปรโมชันได้เหมาะสมกับช่วงเวลาที่ลูกค้าต้องการซื้อสินค้านั้น
อีกทั้ง สามารถเสนอขายสินค้าที่คนมักซื้อด้วยกัน (Cross-Selling) และนำเสนอสินค้าหรือบริการที่มีมูลค่าสูงขึ้น (Up-Selling) เมื่อลูกค้าได้รับโปรโมชันสินค้าที่กำลังต้องการซื้อ จะยิ่งช่วยกระตุ้นยอดขายสินค้า หรือการตัดสินใจใช้บริการของธุรกิจได้ดีขึ้น และยังเพิ่มความพึงพอใจในการใช้สินค้าและบริการจากลูกค้าด้วย
นอกจากเรื่องการแนะนำสินค้า Generative AI ยังเข้าไปช่วยเรื่องการให้บริการลูกค้า ตั้งแต่แชทบอทที่สามารถตอบคำถามลูกค้าได้อย่างรวดเร็วและตรงจุด เพิ่มการมีปฏิสัมพันธ์กับลูกค้า หรือในส่วนงาน Call Center ที่ AI สามารถแปลงเสียงเป็นข้อความ เปิดกระบวนการแก้ปัญหาให้ลูกค้าได้ในทันที สรุปปัญหา ส่งเคสไปวิเคราะห์ปัญหาต่อ และติดตามความคืบหน้าในการแก้ไข
3. วิเคราะห์คู่แข่งอย่างเจาะลึก
การใช้ Generative AI มาช่วยวิเคราะห์คู่แข่งสามารถทำได้ครอบคลุมยิ่งขึ้น ด้วยการประมวลผลและวิเคราะห์ข้อมูลจากแหล่งข้อมูลหลากหลายที่มา ทำให้ธุรกิจได้ข้อมูลเชิงลึกมากกว่าเดิมเกี่ยวกับคู่แข่ง และนำไปพัฒนากลยุทธ์ต่อไป โดย Generative AI สามารถเข้ามาช่วยให้การหาข้อมูลทำได้ง่ายและรวดเร็วขึ้น จากปกติที่เป็นการค้นหาข้อมูลออนไลน์จากหลายแหล่ง แล้วค่อยนำมารวบรวม โดยใช้เทคนิคหนึ่งที่เป็นการทำ Web Scraping ซึ่งสามารถดึงข้อมูลจากเว็บของคู่แข่งหลายๆ เว็บ แล้วนำไปวิเคราะห์ต่อ
นอกจากค้นหาข้อมูลแล้ว Generative AI ยังช่วยสรุปข้อมูลอย่างรวดเร็ว ทำให้ลดระยะเวลาในการทำ SWOT Analysis ที่เป็นการวิเคราะห์จุดแข็ง จุดอ่อน และเอาไปใช้ทำ Predictive Analysis เพื่อดูแนวโน้มการออกผลิตภัณฑ์และบริการใหม่ๆ ของคู่แข่ง รวมถึงประเมินผลกระทบของผลิตภัณฑ์ใหม่ที่มีต่อตลาดในภาพรวม และส่วนแบ่งการตลาดของสินค้าแต่ละประเภท
อีกทั้งยังช่วยในการตัดสินใจเชิงกลยุทธ์ โดยระบุได้ว่ากลุ่มคู่แข่งไหนที่ควรให้ความสำคัญ ทั้งคู่แข่งทางตรงที่ให้ขายสินค้าและบริการประเภทเดียวกับธุรกิจ หรือคู่แข่งทางอ้อม ไปจนถึงการประเมินระดับความรุนแรงของการแข่งขันในตลาด

3 แนวทางเอาชนะความท้าทายในการนำ Generative AI มาใช้จริง
แม้ Generative AI สามารถเพิ่มประสิทธิภาพการทำงานได้ในหลายด้าน แต่ก็มีข้อจำกัดบางประการที่ธุรกิจควรตระหนักในการนำมาใช้จริง ตัวอย่างเช่น ผลลัพธ์จากการใช้ ChatGPT ไม่ได้มีความถูกต้อง 100% อาจจะตอบผิดจากความเป็นจริงได้ เพราะ ChatGPT เพียงแค่สร้างคำตอบจากข้อมูลที่ได้รับการฝึกหัดก่อนหน้านี้ ซึ่งข้อมูลล่าสุดที่ ChatGPT ได้รับการฝึกมาจะอยู่ที่เดือนกันยายน ปี 2021
ดังนั้น การที่จะให้ ChatGPT เรียนรู้ข้อมูลใหม่ๆ เพิ่ม เช่น ข้อมูลผลิตภัณฑ์และบริการของบริษัท จำเป็นต้องป้อนคำสั่งและข้อมูลใหม่ที่ถูกต้องเข้าไป ตามหลักการ Garbage In – Garbage Out โดยหากป้อนข้อมูลที่ไม่ถูกต้อง ข้อมูลที่ใส่เข้าไปไม่เพียงพอหรือมีความบิดเบือน ผลลัพธ์จากการใช้ Generative AI ก็จะไม่ถูกต้องไปด้วย
อีกทั้งเนื่องจากบางโมเดลอาจมีข้อจำกัดของขนาดข้อมูล ทั้งในการป้อนข้อมูลเข้า และผลลัพธ์ของการตอบ ทำให้เกิดข้อจำกัดในการเอาข้อมูลที่ได้ไปใช้งานต่อในส่วนอื่นๆ เช่น ข้อมูลอาจไม่เพียงพอต่อการใช้สร้างแชทบอทตอบคำถามลูกค้า หรือทำรีเสิร์ชในประเด็นต่างๆ เพื่อหาข้อมูลเชิงลึกเพิ่มเติม
จากประสบการณ์ของ บลูบิค (Bluebik) แนวทางเบื้องต้นในการเอาชนะความท้าทายดังกล่าว สามารถทำได้โดย
1. เริ่มต้นจากกลยุทธ์ที่ชัดเจน
ก่อนเริ่มผลักดันโปรเจกต์การประยุกต์ใช้ AI ธุรกิจควรวางกลยุทธ์องค์กรให้ชัดเจนว่า ต้องการเอา AI ไปใช้สำหรับวัตถุประสงค์ใด แล้วค่อยคิดหาแนวทางการนำไปใช้ (Use Cases) ให้สอดคล้องกับกลยุทธ์ที่วางไว้ สำหรับการคิด Use Cases สามารถแบ่งออกเป็น 2 วิธีหลักๆ คือ
- Top-Down ซึ่งเป็นการคิดว่าจะทำอย่างไรให้สามารถสร้างคุณค่าได้สูงสุด โดยดูว่ากำไรมาจากช่องทางไหน มาจากสินค้าและบริการประเภทไหน หรือลูกค้าเกิดปัญหาตรงจุดไหน
- Bottom-Up คิดแนวทางจาก Resource ที่มีอยู่ และใช้งานจริงภายในองค์กร แล้วเอา AI ไปเพิ่มประสิทธิภาพการดำเนินงาน หรือแก้ปัญหาที่กำลังเผชิญอยู่
2. วางกรอบธรรมาภิบาลข้อมูล (Data Governance)
การมีกรอบธรรมาภิบาลข้อมูลที่ครอบคลุม เป็นพื้นฐานในการสร้างความมั่นใจว่า ข้อมูลภายในองค์กรมีความถูกต้อง ครบถ้วน และสอดคล้องไปในทิศทางเดียวกัน โดยมีการวางนโยบายและกระบวนการต่างๆ เพื่อดูแลเรื่องคุณภาพและความปลอดภัยด้านข้อมูล รวมถึงกำกับดูแลการปฏิบัติตามกฎระเบียบต่างๆ (Regulatory Compliance)
เมื่อข้อมูลมีมาตรฐานเดียวกัน จะช่วยแก้ปัญหาเรื่องผลลัพธ์จากโมเดลวิเคราะห์ข้อมูลผิดพลาด เนื่องจากหนึ่งในความท้าทายใหญ่ในการใช้ AI คือการขาดข้อมูลที่มีคุณภาพ ไม่สามารถนำไปใช้งานได้จริง จากการเก็บข้อมูลที่กระจัดกระจาย ไม่อยู่ใน Format เดียวกัน และข้อมูลไม่สอดคล้องกัน ส่งผลให้การนำข้อมูลไปวิเคราะห์ต่อ เพื่อให้ AI ประมวลผลขาดประสิทธิภาพ โดยระบบ AI-Driven นั้น ต้องขับเคลื่อนด้วยข้อมูลคุณภาพสูงปริมาณมหาศาล เพื่อให้ AI เรียนรู้และประมวลผลข้อมูล จึงจะทำให้สามารถช่วยตัดสินใจได้ถูกต้องและแม่นยำ
3. สร้างบุคลากรที่มีความเชี่ยวชาญ AI
อีกความท้าทายสำคัญในการผลักดัน AI คือ บางองค์กรขาดความรู้ความเชี่ยวชาญโดยเฉพาะ ทั้งในแง่การขาดความเชี่ยวชาญด้านการวิเคราะห์ข้อมูลและเครื่องมือต่างๆ ไปจนถึงการไม่มีบุคลากรด้าน Data และ AI จึงทำให้ยังไม่สามารถนำ AI มาประยุกต์ใช้กับองค์กรได้อย่างมีประสิทธิภาพ
ดังนั้นองค์กรจึงควรลงทุนจัดฝึกอบรมพนักงาน เพื่อเพิ่มความรู้ความเข้าใจ โดยอาจร่วมมือกับพาร์ทเนอร์ที่มีความเชี่ยวชาญเฉพาะ หรือส่งไปฝึกอบรมกับองค์กรภายนอก รวมไปถึงจัดหาทรัพยากรต่างๆ สำหรับการพัฒนาโปรเจกต์ AI โดยเฉพาะ นอกจากนี้ ในส่วนการพัฒนาและประยุกต์ใช้ AI ในองค์กรอาจลองมองหาบริษัทภายนอก เพื่อให้คำปรึกษาหรือแนะนำเพิ่มเติมได้
สำหรับธุรกิจที่ต้องการวางกลยุทธ์ด้าน Data และ AI เพื่อเพิ่มศักยภาพการแข่งขันและสร้างการเติบโตให้องค์กร ‘บลูบิค (Bluebik)’ มีทีมงานผู้เชี่ยวชาญด้าน Big Data & Advanced Analytics ที่สามารถให้บริการโซลูชันครบวงจร และการวิเคราะห์ข้อมูลขั้นสูง ตั้งแต่ระดับกลยุทธ์ไปจนถึงการนำไปปรับใช้ให้เหมาะสมกับองค์กร ผู้สนใจสามารถติดต่อสอบถามหรือปรึกษาได้ที่ [email protected] หรือโทรศัพท์ 02-636-7011
หมายเหตุ: บทความนี้ถูกเผยแพร่ ณ วันที่ 19 สิงหาคม 2566 ทาง THE STANDARD