ขั้นตอนการทำ Data Analytics เพื่อให้การตลาดเข้าใจข้อมูลในอดีต นำไปสู่การทำนายอนาคต

บทความนี้จะพูดถึงขั้นตอนของการทำวิเคราะห์ข้อมูล เพื่อให้การตลาดเข้าใจข้อมูลในอดีต นำไปสู่การทำนายอนาคต จากที่เคยกล่าวถึงการวิเคราะห์ข้อมูล (Data Analytics) ความหมาย และ Big Data ในบทความก่อนๆ

สำหรับสิ่งที่นักการตลาด ผู้บริหาร หรือเจ้าของธุรกิจควรมีคือ ความเข้าใจแนวทางและวิธีการเพื่อจะได้นำไปทำความเข้าใจกับทีมที่ทำด้านข้อมูล (Data) ว่าสรุปแล้วสิ่งที่ทีมการตลาดต้องการคืออะไร หรือสิ่งที่ทีมข้อมูล กำลังทำอยู่คือแบบใด เพราะสิ่งสำคัญในการทำงานกับทีมข้อมูล คือความเข้าใจกันระหว่างทีมการตลาดกับทีมทำข้อมูล

ดังนั้นสิ่งหนึ่งที่การตลาดต้องทำความเข้าใจคือการทำ Data Analytics ไม่ได้มีแค่การเอาผลสรุปออกมาเพื่อใช้งาน เพราะนั่นเป็นแค่ขั้นตอนสุดท้ายของการทำ Data Analytics แล้วเท่านั้น ก็เหมือนกับการที่เราเข้าไปร้านอาหารแล้วสั่งอาหารมาหนึ่งจาน แล้วสรุปโดยคิดเอาเองว่าการทำอาหารคือแค่สั่งออกไปก็ได้อาหารมารับประทานแล้ว แต่ในความเป็นจริงการทำ Data Analytics ยังมีขั้นตอนอีกมากมาย ได้แก่

• การจัดการกับ Data ที่มีให้พร้อมใช้งาน
• การจัดการ Data จากช่องทางต่างๆ มารวมไว้ในที่เดียว
• การทำ Model ต่างๆ
• การทำ Data Visualization หรือทำ Data ออกมาให้เป็นภาพ
• การสรุปผลในตอนท้ายว่าเรารู้อะไรใหม่ๆ จากการทำ Data Analytics ในครั้งนี้บ้าง

ขั้นตอนการวิเคราะห์ข้อมูล (Data Analytics)

ขั้นตอนของการทำวิเคราะห์ข้อมูล (Data Analytics) เพื่อการตลาด ประกอบด้วย 4 ขั้นตอน ดังนี้

1. Descriptive Analytics

ในขั้นตอนนี้คือ การวิเคราะห์ข้อมูลเพื่อให้เข้าใจว่าบริษัทหรือตลาดกำลังเกิดอะไรขึ้นบ้าง ถ้าพูดในแง่ของการตลาดก็คือ การเอาข้อมูลหรือรายงานมาดูว่ายอดขายสินค้าในเดือนนี้เป็นอย่างไรเมื่อเทียบกับเดือนก่อน ถ้ายอดขายเดือนนี้ตกลงกว่าทุกเดือนจะได้รู้ว่าต้องรีบหาทางแก้ไขก่อนจะจบเดือน แต่ถ้าพบว่าอยู่ดีๆ ยอดขายก็เพิ่มขึ้นอย่างผิดปกติจะได้รีบเข้ามาศึกษาเรียนรู้ถึงความผิดปกตินั้นมันเกิดจากอะไร

ขั้นตอนนี้โดยหลักๆ แล้วคือ การวิเคราะห์เพื่อหาสัญญาณบางอย่างที่ผิดปกติจากช่วงก่อนหน้า หรืออาจจะเทียบกับช่วงปีก่อนหน้า หรืออาจจะเทียบจากลูกค้ากลุ่มต่างๆ หรือสาขาต่างๆ หรือช่องทางต่างๆ ที่บริษัทมีก็ได้ เช่น เชนร้านอาหารยี่ห้อหนึ่งพบว่าสินค้าประเภทนี้ขายดีมากบนช่องทางนี้ช่องทางเดียว ทั้งที่ปกติไม่เคยขายดีเลย ทำให้ทีมการตลาดจะได้เรียนรู้ว่าพวกเขาควรจะทำอะไรต่อไม่ใช่ก้มหน้าก้มตาทำงานต่อไปโดยไม่รู้ว่าเกิดอะไรขึ้นบ้าง และนั่นก็เลยเข้าสู่ขั้นตอนที่สองของการทำ Data Analytics นั่นก็คือ หาคำตอบให้กับสิ่งที่เกิดขึ้นด้วยคำถามว่า “ทำไม?”

2. Diagnostic Analytics

ในขั้นนี้คือ การหาคำตอบจากสิ่งที่เห็นจากขั้นตอนที่ 1 ว่ามันเกิดขึ้นเพราะอะไร? ทำไมมันถึงเกิดขึ้น? ในขั้นตอนนี้อาจต้องใช้ความคิดสร้างสรรค์ร่วมด้วย โดยการตั้งคำถามและก็พยายามค้นหาคำตอบให้ได้จาก Data ที่ได้มา หรือใช้วิธีการวิจัยการตลาดด้วยการสัมภาษณ์ถามกลุ่มเป้าหมายว่าทำไม โดยอาจดำเนินการวิจัยแบบ online ถ้ามีข้อมูลกลุ่มเป้าหมายหรือ F2F สำหรับกลุ่มเป้าหมายใหม่ๆ เพื่อขอความคิดเห็นต่างๆ ที่น่าสนใจด้วยคำถามว่า “ทำไม ทำไม และ ทำไม?” จนค้นพบคำตอบที่เป็นรูปแบบ จนน่าจะเป็นข้อสรุปที่เป็นเหตุเป็นผลที่ดีได้

จากนั้นก็เข้าสู่ขั้นตอนที่ 3 ของการทำ Data Analytics นั่นก็คือ ตั้งคำถามต่อว่า “แล้วสิ่งเหล่านี้มันเกิดขึ้นเป็นประจำหรือไม่? หรือเป็นแค่เฉพาะครั้งนี้?”

3. Predictive Analytics

มีคนบอกว่า ยิ่งเรารู้อดีตมากเท่าไหร่ เราก็จะยิ่งคาดการณ์อนาคตได้มากเท่านั้น และคำพูดนี้ก็สามารถเอามาประยุกต์ใช้กับการทำ Data Analytics ได้เช่นเดียวกัน ซึ่งในขั้นนี้จะเป็นการวิเคราะห์ข้อมูลเพื่อคาดการณ์ถึงสิ่งที่น่าจะเกิดขึ้นในอนาคต โดยดูจากสิ่งที่เคยเกิดขึ้นจากอดีต ซึ่งตามเทคนิคแล้วจะต้องมีการใช้โมเดลต่างๆ มาช่วยในการพยากรณ์บวกกับข้อมูลต่างๆ มากมายจากหลายแหล่ง ซึ่งในความเป็นจริงแล้วขั้นตอนนี้สำหรับบริษัทใหญ่ๆ จะมีการออกแบบ Model เฉพาะขึ้นมาตามโจทย์ทางธุรกิจ อย่างเช่นที่สถาบันการเงินแห่งหนึ่งได้ออกแบบ Model เพื่อหาวิธีหรือช่วงเวลาที่จะโทรทวงหนี้ให้ดีที่สุด จนได้ Model ออกมาเป็นความยากง่ายในการโทรติดต่อ ความยากง่ายในการพูดคุย และความยากง่ายในการจ่ายเงิน Model นั้นทำให้รู้ว่า บางคนที่ไม่ได้จ่ายเดือนนี้อาจไม่จำเป็นต้องโทรทวงก็ได้ เพราะที่ผ่านมาเค้าจ่ายเงินตรงเวลาตลอด หรืออาจจะแค่โทรไปถามว่าลืมหรือเปล่า เป็นต้น

ดังนั้นถ้าเรารู้แล้วว่าเหตุการณ์นี้จะเกิดขึ้นอีกกับกลุ่มลูกค้าอีกกลุ่มด้วยปัจจัยเดียวกัน ตอนนี้ก็จะถึงเวลาตั้งคำถามอีกครั้งว่า ถ้าเราทำบางอย่างกับเงื่อนไขบางอย่างที่มีความคล้ายคลึงกัน เราจะสามารถทำให้มันเกิดขึ้นได้หรือไม่

4. Prescriptive Analytics

ในขั้นตอนสุดท้ายของการทำ Data Analytics นี้คือ การพยายามกระตุ้นโอกาสให้เกิดมากที่สุดหลังจากที่เราได้รู้คำตอบของทั้งหมดที่เกิดขึ้นแล้ว โดยเราทำเพื่อหาว่าอะไรคือสิ่งสำคัญที่ต้องทำต่อ ที่เราทำน้อยแต่จะได้มาก ไม่ต้องทุ่มงบการตลาดหรือส่วนลดมาก แต่ก็สามารถทำให้ลูกค้าซื้อเรามากขึ้นได้

ในความเป็นจริงแล้วขั้นตอนนี้จะต้องใช้ข้อมูลมากมายจากหลากหลายช่องทางเข้ามา หรือที่เรียกว่า Big Data บวกกับการใช้ Machine Learning เพราะข้อมูลจะมีความซับซ้อนและมีจำนวนมากมายจนเกินกว่ามนุษย์ทำได้ จึงมีการใช้ AI เพื่อจัดการแทน แต่ทั้งนี้ทั้งนั้นก็ขึ้นอยู่กับขนาดขององค์กรด้วยเช่นกัน เพราะถ้าเป็นองค์กรใหญ่ที่มีลูกค้าเป็นล้านๆ ก็ควรใช้ระบบเหล่านี้ในการบริหารจัดการลูกค้า ใช้ในการทำการตลาด และใช้ในการต่อยอดธุรกิจ แต่ถ้าเป็นธุรกิจขนาดเล็กลงที่มีลูกค้าไม่มาก และยอดขายไม่ได้มากมายก็อาจไม่จำเป็นต้องลงทุนขนาดนั้น

สรุปขั้นตอนของการทำวิเคราะห์ข้อมูลเพื่อนักการตลาด

โดยขั้นตอนที่ 1 กับ 2 จะเป็นการวิเคราะห์ข้อมูลเพื่อให้นักการตลาดเข้าใจสิ่งที่เกิดขึ้นในอดีตจนถึงปัจจุบันและเข้าใจว่ามาจากสาเหตุใด

ส่วนขั้นตอนที่ 3 กับ 4 จะเป็นการวิเคราะห์เพื่อให้เกิดการคาดการณ์สิ่งที่จะเกิดขึ้นในอนาคตโดยเอาผลการวิเคราะห์จากขั้นตอนที่ 1 กับ 2 มาต่อยอด

ดังนั้นสิ่งสำคัญที่นักการตลาดต้องรู้ต้องเข้าใจไม่ใช่เรื่อง Coding การทำ Model หรือวิเคราะห์ข้อมูล แต่เป็นการเข้าใจแนวคิดและวิธีการเพื่อที่จะสื่อสารกับทีมทำข้อมูล (ทีมภายในบริษัท หรือภายนอกบริษัท) ให้เข้าใจตรงกัน เพราะในความเป็นจริงแล้วการทำงานกับ Data ไม่ได้ง่ายและสำเร็จรูป เพราะกว่าจะหา Data มาได้แล้วยังต้องใช้เวลามากมายไปกับการเตรียม Data ให้พร้อมสำหรับการวิเคราะห์อีก ดังนั้นการวิเคราะห์หรือการทำ Data Analytics จึงเป็นแค่ขั้นตอนหนึ่งของการทำงานกับ Data ทั้งหมด เพราะกว่าจะออกมาเป็น Business Intelligence หรือ Dashboard สวยงามให้ใช้งานง่ายนั้นก็มีขั้นตอนมากมาย

ท้ายนี้แม้ว่าการทำงานกับ Data จะไม่ใช่เรื่องง่าย แต่มันมีความจำเป็นกับการทำธุรกิจในอนาคตอย่างแน่นอน

สนใจสอบถามเพิ่มเติม คลิก LINE โทร 02-026-1456