ในโลกธุรกิจยุคใหม่ หลายๆคนต่างบอกว่าการทำการตลาดที่ขับเคลื่อนด้วยข้อมูล  (Data-driven Marketing) เพราะข้อมูลคือสิ่งที่ทำให้เราเข้าใจลูกค้าได้ดีสามารถค้นหาความชอบและความต้องการของลูกค้าได้อย่างชัดเจนขึ้น และทำให้ลูกค้าเลือกใช้สินค้าและบริการของเราอย่างต่อเนื่องในระยะยาว แต่คำถามคือหากธุรกิจจะเริ่มทำการตลาดแบบขับเคลื่อนด้วยข้อมูล ควรจะเริ่มต้นอย่างไร

ในปัจจุบันธุรกิจทั่วโลกหันมาให้ความสำคัญและเน้นลงทุนในด้านการจัดเก็บและการวิเคราะห์ข้อมูลเพื่อปลดล็อกข้อจำกัดและเพิ่มศักยภาพการเติบโตเพื่อสร้างผลกำไร โดยการทำ Data-driven Marketing  ถือเป็นเครื่องมือการตลาดหนึ่งที่จะช่วยเสนอสินค้าและบริการให้กับลูกค้าเพื่อตอบโจทย์ความต้องการได้อย่างตรงใจ

การทำ Data Driven Marketing จึงเกี่ยวข้องกับกระบวนการในการจัดเก็บ วิเคราะห์และสังเคราะห์ข้อมูลเพื่อที่จะสามารถเข้าใจในความต้องการของลูกค้าได้ในทุกมิติ ฉะนั้นก่อนที่นักการตลาดจะเริ่มลงมือปฏิบัติเพื่อผลักดันให้ Data-driven Marketing ประสบความสำเร็จและสร้างผลลัพธ์ได้จริง จึงควรรู้และเข้าใจใน 4 สิ่งนี้ 

1. เป้าหมายของธุรกิจ (Business Objectives)

ธุรกิจหรือนักการตลาดควรวางเป้าหมายให้ชัดเจนว่าต้องการนำผลลัพธ์จากการวิเคราะห์ข้อมูลไปใช้เพื่อเป้าหมายอะไร เช่น ต้องการขยายฐานลูกค้าให้ได้ 1 ล้านคนภายใน 3 ปี การตั้งเป้าหมายที่ชัดเจนคือสิ่งสำคัญลำดับแรกที่จะช่วยกำหนดความสำเร็จในการทำ Data-driven Marketing โดยกำหนดขอบเขตของการวิเคราะห์ข้อมูลว่าควรเข้าไปดำเนินการตรงจุดไหนธุรกิจจึงจะบรรลุเป้าหมายที่วางไว้

เมื่อเป้าหมายของธุรกิจชัดเจนแล้ว ขั้นตอนต่อไปเป็นการคิดกรณีการใช้งาน (Use Case Generation) ซึ่งมีความแตกต่างกันไปตามประเภทธุรกิจและปัจจัยแวดล้อมในการทำธุรกิจ รวมถึงต้องเลือกกรณีการใช้งานให้เหมาะสมกับเป้าหมายของธุรกิจ ดังตัวอย่างกรณีการใช้งานต่อไปนี้

• เป้าหมายมุ่งไปที่การเพิ่มประสิทธิภาพการดำเนินงานของธุรกิจเป็นหลัก โดยการกระตุ้นให้ลูกค้ากลับมาซื้อสินค้าและบริการเป็นประจำเพื่อรักษารายได้ เช่น การแนะนำสินค้าอื่นที่เกี่ยวข้อง(Cross-Selling) เพื่อเพิ่มรายได้ที่มากขึ้นกว่าการซื้อสินค้าเพียงชิ้นเดียว หรือการแนะนำสินค้าหรือบริการที่ตรงกับความสนใจของลูกค้าแต่ละราย ในช่วงเวลาที่เหมาะสม (Personalized Promotions/Products) เป็นต้น
• เป้าหมายที่เน้นการพัฒนาประสบการณ์ของลูกค้าเป็นหลัก โดยให้ลูกค้าได้รับประสบการณ์การที่ดีและรักษาให้ลูกค้าซื้อสินค้าและบริการอย่างต่อเนื่อง เช่น การจัดกลุ่มลูกค้า (Customer Segmentation) การคำนวณมูลค่าการซื้อสินค้าและบริการตลอดอายุของการเป็นลูกค้า (Customer Lifetime Value) เพื่อใช้พิจารณาการให้สิทธิพิเศษกับกลุ่มลูกค้าที่สร้างรายได้สูงให้กับบริษัท เป็นต้น

หลังคิด Use case เบื้องต้นได้แล้ว คำถามต่อมาคือธุรกิจจะรู้ได้อย่างไรว่า ควรทำ Use case ใดที่จะช่วยสร้างผลลัพธ์ทางธุรกิจได้จริง ดังนั้นจึงต้องมีขั้นตอนที่เรียกว่าการประเมินและเลือก Use case ที่เหมาะสม (Use case prioritization) ซึ่งสามารถแบ่งการประเมินเป็น 2 แกน ได้แก่

• ผลลัพธ์ที่ส่งผลต่อธุรกิจ (Business Impact) เช่น การสร้างผลลัพธ์ทางการเงิน การเพิ่มโอกาสทางธุรกิจผลตอบแทนจากการลงทุน (ROI) และความเหมาะสมสอดคล้องไปกับกลยุทธ์องค์กรในภาพรวม
• ความพร้อมของธุรกิจ (Feasibility) เช่น ความพร้อมด้านข้อมูล ความพร้อมด้านระบบหรือกระบวนการทำงาน รวมไปถึงปัจจัยภายนอก เช่น PDPA กฎหมายและกฎระเบียบต่างๆ 

2. ความพร้อมด้านข้อมูล (Data Readiness)

แน่นอนว่าหากต้องการทำการตลาดที่ขับเคลื่อนด้วยข้อมูลสิ่งสำคัญที่สุดก็คือข้อมูล ดังนั้นธุรกิจจึงต้องสำรวจและประเมินข้อมูลต่างๆ ในองค์กรว่าคุณภาพของข้อมูลเป็นอย่างไร มีข้อมูลเพียงพอต่อการนำไปวิเคราะห์หรือไม่ และมีข้อมูลประเภทไหนบ้าง  

ในปัจจุบัน ข้อมูลมีรูปแบบที่หลากหลายกว่าในอดีต ซึ่งคร่าวๆ สามารถแบ่งประเภทข้อมูลออกเป็น 3 แบบ คือ

1. ข้อมูลที่ไม่มีโครงสร้าง (Unstructured Data) เช่น รูปภาพ วิดีโอ ไฟล์เสียง
2. ข้อมูลกึ่งโครงสร้าง (Semi-structured Data) เช่น ไฟล์รูปแบบ XML (Extensible Markup Language)
3. ข้อมูลที่มีโครงสร้าง (Structured Data) เช่น ตารางข้อมูลในฐานข้อมูล

 
ฉะนั้นการนำข้อมูลมาออกแบบ Use case จะช่วยสร้างความได้เปรียบของธุรกิจได้จริง ธุรกิจจึงควรย้อนมาดู

ช่องทางในการได้มาซึ่งข้อมูลว่ามีการรวบรวมข้อมูลมาอย่างไร จากแหล่งไหน ส่วนไหนที่ยังขาดหายไป และจะนำข้อมูลนั้นมาใช้งานด้วยวิธีใด เช่น การเก็บข้อมูลพฤติกรรมของลูกค้า โดยใช้หลักการเกมมาทำแคมเปญ (gamification campaign) เพื่อสร้างปฎิสัมพันธ์กับลูกค้า การเพิ่มการใช้งานระบบ CRM เพื่อช่วยในการรวบรวมข้อมูลลูกค้าได้อย่างมีประสิทธิภาพ หรือการนำ Centralized Data Lake/Data warehouse มาช่วยในการเก็บรวบรวมข้อมูลจากแหล่งข้อมูลหลายแหล่ง เป็นต้น  

3. การออกแบบและพัฒนาโมเดลวิเคราะห์ข้อมูล (Design & Development)

ก่อนเริ่มออกแบบโมเดลวิเคราะห์ข้อมูล ธุรกิจควรดูก่อนว่าต้องการรู้อะไร และรู้ไปทำไม เพื่อเลือกรูปแบบการวิเคราะห์ข้อมูลที่เหมาะสม เบื้องต้นสามารถแบ่งการวิเคราะห์ข้อมูลออกเป็น 4 รูปแบบ ได้แก่

1. การวิเคราะห์แบบพื้นฐาน (Descriptive Analytics) เป็นการวิเคราะห์สิ่งที่เกิดขึ้นในอดีต เช่น ข้อมูลยอดขาย พฤติกรรมลูกค้าที่เคยซื้อสินค้า เป็นต้น
2. การวิเคราะห์แบบวินิจฉัย (Diagnostic Analytics) เป็นการค้นหาสาเหตุว่าสิ่งที่เกิดขึ้นนั้นเกิดจากปัจจัยใด โดยวิเคราะห์เชิงหาความสัมพันธ์ (Correlation Analysis) เช่น ยอดขายขึ้นเพราะอะไร ขึ้นเพราะการออกแคมเปญโปรโมชันหรือไม่
3. การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) การคาดการณ์แนวโน้มที่น่าจะเกิดขึ้นในอนาคต ด้วยการวิเคราะห์ข้อมูลจากในอดีต
4. การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics) เป็นการวิเคราะห์เพื่อคาดการณ์สิ่งที่ควรจะทำในอนาคต

สำหรับขั้นตอนการพัฒนาโมเดลวิเคราะห์ข้อมูล ควรดำเนินการหลังธุรกิจมีเป้าหมายที่ชัดเจน เลือก Use case และเตรียมข้อมูลที่จำเป็นต่างๆ ไว้พร้อมแล้ว โดยขั้นตอนการพัฒนาโมเดลแบ่งเป็น

• การสร้าง Feature เพื่อใช้ในกระบวนการวิเคราะห์ข้อมูล (Feature Engineering)
• การนำ Feature ที่สร้างขึ้นมาเข้าขั้นตอนการเรียนรู้ (Model Training) เพื่อหารูปแบบ(Pattern) ของข้อมูลให้ได้มาซึ่งข้อมูลเชิงลึก (Insight) ที่สามารถนำไปต่อยอดและปรับใช้ในทางธุรกิจได้
• การประเมินประสิทธิภาพของโมเดล (ModelEvaluation) ผ่านการทดสอบต่างๆ เช่น Confusion Matrix, F1 Score, AUC – ROC
• การปรับค่าพารามิเตอร์เพื่อเพิ่มประสิทธิภาพของโมเดล (Model Optimization)

4. การเปลี่ยนข้อมูลเชิงลึกเป็นผลลัพธ์ทางธุรกิจ (Execution)  

อีกขั้นตอนสำคัญเมื่อได้รับข้อมูลที่ต้องการจากการวิเคราะห์แล้ว จะทำอย่างไรให้สามารถเปลี่ยนข้อมูลเชิงลึก (Insight) เหล่านั้นเป็นผลลัพธ์ทางธุรกิจได้จริง

ก่อนออกแบบแคมเปญการตลาด ธุรกิจควรวางองค์ประกอบคร่าวๆ ของแคมเปญ เช่น ใครคือกลุ่มลูกค้าเป้าหมาย ต้องการนำเสนออะไรให้ลูกค้า และธุรกิจจะติดต่อกับกลุ่มลูกค้าได้อย่างไร หลังจากนั้นนำข้อมูลเชิงลึก (Insight) ที่ได้มา ออกแบบรูปแบบแคมเปญ โดยมีแนวทางเบื้องต้นที่สามารถนำไปปรับใช้ได้ ได้แก่

• การดึงดูดกลุ่มลูกค้าเป้าหมาย: เช่น พฤติกรรมการซื้อสินค้าของลูกค้าแต่ละกลุ่ม ที่ได้จากการวิเคราะห์จัดกลุ่มลูกค้า (Customer Segmentation) รวมกับการคาดการณ์รายได้ที่ธุรกิจจะได้รับตลอดช่วงการซื้อสินค้าและบริการของลูกค้าแต่ละราย (CLV) เพื่อดูว่าเราควรทำแคมเปญสำหรับลูกค้ากลุ่มไหนเป็นพิเศษ โดยลูกค้าที่มี CLV สูงอาจจะเน้นการส่งข่าวสารโปรโมชันให้อย่างสม่ำเสมอ ส่วนกลุ่มที่มี CLV รองลงมาอาจนำเสนอส่วนลดหรือโปรโมชันลดแลกแจกแถม เพื่อกระตุ้นการซื้อเพิ่ม เป็นต้น
• การค้นหาว่าควรนำเสนอสินค้าและบริการอะไร: เป็นการนำข้อมูลมาสร้าง Personalized Promotion ที่ตรงกับความต้องการของลูกค้าแต่ละราย เช่น การให้คูปองส่วนลดสินค้าเด็กอ่อนสำหรับกลุ่มลูกค้าที่เป็นสตรีตั้งครรภ์
• การใช้ช่องทางการสื่อสารที่เข้าถึงลูกค้าได้มากที่สุด: เนื่องจากปัจจุบันผู้บริโภคมีช่องทางการซื้อสินค้าหลากหลาย เมื่อธุรกิจสามารถเก็บข้อมูลจากช่องทางต่างๆ ได้แล้ว สามารถนำมาวิเคราะห์ได้ว่าช่องทางไหนที่ลูกค้าใช้บริการมากที่สุด เพื่อดูว่าคอนเทนต์และแคมเปญบนช่องทางไหนได้รับผลตอบรับดีที่สุด แล้วไปเน้นทำการตลาดกับลูกค้าผ่านช่องทางนั้นๆ 

โดยสรุปแล้ว การทำ Data-driven Marketing ให้ประสบความสำเร็จได้นั้น ต้องตั้งต้นที่การวางเป้าหมายธุรกิจ การวางกลยุทธ์ ประเมินความพร้อมด้านข้อมูล ออกแบบและพัฒนาโมเดลวิเคราะห์ และเปลี่ยนข้อมูลเชิงลึกเป็นผลลัพธ์ทางธุรกิจ เพื่อประสิทธิภาพการทำการตลาดผ่านข้อมูลและสร้างการเติบโตให้ธุรกิจในระยะยาว