สรุปเรื่องดูข้อมูลการซื้อสินค้าบอกได้ว่าใครตั้งครรภ์
สำหรับบทความนี้เป็นการสรุปบทความที่นำ case study หนึ่งที่น่าสนใจว่าห้างสรรพสินค้าในอเมริการู้ได้อย่างไรว่าใครตั้งครรภ์ ซึ่งผมเป็นตัวแทนที่จะย่อยใจความหนังสือของคุณ ณัฐพล ม่วงทํา ในบทนี้มาให้ได้อ่านกัน
ห้างสรรพสินค้าในสหรัฐอเมริกา สามารถบอกได้ว่าใครตั้งครรภ์ ฟังดูแล้วน่าสนใจใช่มั้ยครับ เขารู้ได้ไงว่าใครตั้งครรภ์ทั้งๆที่เจ้าตัวยังไม่ได้บอกเลย และที่สำคัญท้องก็ยังไม่โตสักหน่อย แต่ห้างเขารู้เรามาดูกันว่าทำได้อย่างไร
ห้างสรรพสินค้าจะรู้ว่าผู้หญิงที่เข้ามาในห้างสรรพสินค้านั้นตั้งครรภ์หรือไม่ ดูจากพฤติกรรมการซื้อสินค้าในห้างอย่างเช่น ผู้หญิงที่ซื้อโลชั่นที่มีธาตุเหล็ก แคลเซียมในเดือนมีนาคม ลูกค้าคนนั้นน่าจะมีกำหนดคลอดประมาณปลายเดือนสิงหาคม ผู้อ่านบางท่านอาจจะมีข้อโต้แย้งในหัวกันแล้วใช่มั้ยครับ คนที่มาซื้อโลชั่นที่มี ธาตุเหล็กและแคลเซียม อาจจะซื้อไปใช้เฉยๆ หรือ ซื้อไปฝากก็ได้นิไม่จำเป็นต้องเป็นคนท้องเสียหน่อย
ต้องเข้าใจว่า Data ทำงานอย่างไรครับ เรามาเริ่มทำความเข้าใจของที่มาที่ไปของเรื่องนี้กันก่อนดีกว่า เพื่อที่จะรู้สิ่งนั้นไปทำไม สำคัญอย่างไร เราจะรู้เรื่องนั้นได้อย่างไร ต้องใช้ Data อะไรบ้าง หรือต้องใช้เทคโนโลยีอะไรช่วยหรือไม่ โดยเริ่มจากโจทย์ธุรกิจ
เรื่องมีอยู่ว่า ฝ่ายการตลาดและพัฒนาธุรกิจของห้าง ถามทีมวิเคราะห์ข้อมูลว่าสามารถรู้ได้มั้ยว่า ผู้หญิงคนไหนตั้งครรภ์และเป็นท้องแรกด้วย ทางฝ่ายทีมวิเคราะห์ข้อมูลตอบปรึกษาหารือกันในทีมก่อนที่จะตอบฝ่ายการตลาดกลับไปว่า "ได้" แต่ไม่ได้ตอบกลับไปอย่างเดียวส่งๆ แต่ตั้งคำถามกลับไปด้วยว่า "ทำไมต้องเป็นผู้หญิงที่ตั้งครรภ์ท้องแรกด้วย มันสำคัญอย่างไรต่อธุรกิจอย่างงั้นหรือ"
ทางฝ่ายการตลาดให้เหตุผลว่า คนกลุ่มนี้ คือขุมเงินขุมทองของธุรกิจห้างสรรพสินค้าเลย โดยปกติแล้วคนทั่วไป ไม่ได้ซื้อของในห้างจากที่เดียวกันทั้งหมด บางคนอาจจะมาแค่มาเที่ยวพักผ่อน หรือ ซื้อของอื่นๆแบรนด์ที่แตกต่างกัน บางแห่งอาจจะไม่มีแบรนด์ที่ต้องการ ก็ออกจากห้างไปซื้อที่อื่น แต่ว่า ผู้หญิงที่ตั้งครรภ์และตั้งครรภ์เป็นครั้งแรกด้วย ชีวิตจะเปลี่ยนไปจากเดิมจากที่เดินสบายๆ เดินนานเท่าไรก็ได้ แต่เมื่อมีลูกก็ไม่สามารถที่จะไปไหนมาไหนได้อย่างอิสระ ไม่สามารถไปห้างอื่นๆ เพื่อเช็คราคาสินค้า เปรียบเทียบราคาได้ แต่จะเลือกห้างที่สะดวกและของครบที่สุด ถ้าเข้าถึงกลุ่มลูกค้ากลุ่มนี้ได้ก่อนคู่แข่งแล้วละก็ สามารถที่จะลดราคาผ้าอ้อมไม่กี่บาทแต่ซื้อเตียงเด็กในราคาแพงๆพร้อมชุดผ้าฝ้ายเด็กอ่อนด้วยก็ได้
นี่คือคำตอบจากฝ่ายการตลาดที่ตอบไปยังฝ่ายทีมวิเคราะห์ข้อมูล ทางฝ่ายทีมวิเคราะห์จึงตอบกลับไปว่า "ได้" อีกครั้งโดยหมดข้อสงสัย
อยากรู้จักคนกลุ่มไหน ให้ตั้งโจทย์ตั้งต้นจากคนกลุ่มนั้น
ทีมวิเคราะห์ข้อมูลพบว่า ห้างมีการเก็บข้อมูลการซื้อของลูกค้า โดยแบ่งเป็น ลูกค้าคนไหน ซื้ออะไร ที่ไหน เมื่อไร ชอบติดตั้งสั่งซื้อช่องทางไหน ชอบส่วนลดแบบไหน ระบบฐานข้อมูลแบบนี้เขาเรียกว่า Loyalty Program คล้ายกับบัตรสะสมนั่นแหละ
เมื่อข้อมูลถูกจัดเตรียมโครงสร้างไว้เรียบร้อย พร้อมใช้งานแต่ว่าข้อมูลทั้งหมดไม่ได้บอกตรงๆว่า ใครตั้งครรภ์อยู่ เราต้องมีสิ่งที่เรียกว่า Data Training Set ข้อมูลตั้งต้นของกลุ่มผู้หญิงตั้งครรภ์ เพื่อนำมาวิเคราะห์หา Pattern พฤติกรรมการซื้อระหว่างก่อนท้องและหลังท้อง (ถ้าใครเรียนเรื่อง Machine Learning น่าจะคุ้นๆกันใช่มั้ยครับ Supervise Machine learning การเรียนรู้แบบมีผู้สอน)
ทีมวิเคราะห์ข้อมูลจะเอาข้อมูลมาวิเคราะห์หาการเปลี่ยนแปลงเพราะเมื่อเรารู้แล้วว่าใครกำลังตั้งครรภ์ครั้งแรก ก็จะสามารถตั้งสมมติฐาน หรือ Model ขึ้นมาได้ว่า นี่คือพฤติกรรมการซื้อของผู้หญิงที่กำลังตั้งครรภ์เป็นครั้งแรกหรือไม่
1. ลงทะเบียนคุณแม่มือใหม่
2. วิเคราะห์ข้อมูล
3. ตั้งสมมติฐาน
4. ทดสอบสมมติฐาน
5. นำไปใช้
เมื่อเราจาก Data ของกลุ่มลูกค้าที่ลงทะเบียน แล้วนำมาวิเคราะห์หาความเปลี่ยนแปลงที่เกิดขึ้น ระหว่างก่อนและหลังลงทะเบียน โดยเริ่มสมมติฐานตั้งต้นว่านี่คือพฤติกรรมการซื้อของหญิงตั้งครรภ์หรือไม่ นำไปทดสอบกับสมมติฐานที่ได้จากการวิเคราะห์ข้อมูลว่าจริงหรือไม่ ถ้ามีความแม่นยำมากพอจึงจะนำไปใช้กับฐานข้อมูลทั้งหมด
การวิเคราะห์มูลก็เหมือนกับการทดลองทางวิทยาศาสตร์ แบ่งออกเป็นกลุ่มทดลอง กับ กลุ่มตัวอย่าง เพื่อทดสอบสิ่งที่ค้นพบว่าเป็นจริงหรือไม่ สมมติว่า กลุ่มเป้าหมายหญิงตั้งครรภ์มีอยู่ 100,000 คน ให้ทำการแบ่งข้อมูลออกมาเป็น กลุ่มตัวอย่าง (Sample Data) ข้อมูลส่วนหนึ่งโดยดึงออกมาสัก 30,000 คน เพื่อวิเคราะห์หาสมมติฐานจากนั้นค่อยเอาสมมติฐานที่ได้ กลับไปทดสอบกับข้อมูลอีกส่วนหนึ่ง เพื่อดูว่า สมมติฐานที่วิเคราะห์มาเป็นจริง ถ้าไม่จริง ก็เอากลับไปวิเคราะห์ใหม่ จนกว่าจะได้ สมมติฐานที่ถูกต้อง เป็นจริง จึงจะนำมาทดสอบกัลข้อมูลที่เหลือ เมื่อทดสอบจนแม่นยำมากพอแล้ว จึงจะนำโมเดลไปประยุกต์ใช้กับข้อมูลทั้งหมด
นักการตลาดที่ดีในยุคของ Data ต้องมีทักษา Data thinking คือ การทำความเข้าใจคอนเทนต์ว่า Data เบื้องหลังมีที่มาที่ไปอย่างไร เช่น เป็นครีมโลชั่นแบบไร้กลิ่น เพราะไม่มีแอลกอฮอล์ไปทำอันตรายต่อลูกในท้อง เด็กในท้องต้องการธาตุเหล็กจำนวนมาก และดึงแคลเซียมไปสร้างกระดูก พฤติกรรมการซื้อเปลี่ยนแปลงไป ตาม Transaction ซึ่ง Data ล้วนมีเบื้องหลังทั้งสิ้น
การทำงานกับ Data คือ การทำไปเรียนรู้ไป คำตอบอาจจะไม่ใช่คำตอบสุดท้ายตามที่คาดหวัง แต่จะเป็นสะพานไปสู่คำถามใหม่ ถ้าเราไม่หมั่นตั้งคำถามเราก็จะไม่เข้าใจบริบทของข้อมูลและ Insigt บางอย่างที่ไม่มีใครรู้
หาก อ่านจบแล้วอย่าลืมแวะไปอุดหนุนได้ที่ร้านหนังสือ ต่างๆนะครับ
สั่งหนังสือได้ที่ SE-ED Book Center
สุดท้ายนี้หากมีประโยชน์ อยากให้ผู้อ่านช่วยกด Ads เพื่อเป็นรายได้แก่ผู้เขียนรีวิว นำหนังสือมารีวิวกันอีกเพื่อเป็นข้อมูลในการตัดสินใจซื้อกันนะครับ
