Data-Driven Marketing คืออะไร? ทุกเรื่องที่นักการตลาดต้องรู้!

Data-Driven Marketing คืออะไร?

Data-Driven Marketing หรือ การตลาดที่ขับเคลื่อนด้วยข้อมูล เป็นกระบวนการที่นักการตลาดใช้ข้อมูลจากหลากหลายแหล่ง ทั้งข้อมูลที่ได้มาจากการปฏิสัมพันธ์กับลูกค้าโดยตรง หรือผ่านแพลทฟอร์มอื่นๆ เพื่อนำมาวิเคราะห์เพื่อให้ได้มาซึ่งมุมมองที่ช่วยให้เข้าใจพฤติกรรม การมีส่วนร่วม ความชอบ แรงจูงใจของลูกค้าในเชิงลึกมากยิ่งขึ้น อาจรวมถึงการทำนายพฤติกรรมในอนาคตอีกด้วย

การตลาดที่ขับเคลื่อนด้วยข้อมูล เป็นวิธีทางการตลาดรูปแบบหนึ่งที่สามารถนำมาประยุกต์ใช้ได้ทั้งการตลาดออนไลน์และออฟไลน์ โดยการนำ Data มาประยุกต์ใช้งานในทุก ๆ กระบวนการทางการตลาด จะไม่ใช่แค่การตัดสินใจจากประสบการณ์เก่าๆ, ความคิดเห็น หรือแม้แต่ใช้อารมณ์ ซึ่งอาจจะมี Bias มากมายปนอยู่ในนั้น และอาจจะล้าสมัยไปแล้ว ในโลกที่หมุนเร็วมากในยุคปัจจุบัน

คงจะไม่เป็นการกล่าวเกินไปถ้าจะบอกว่า Data-Driven Marketing คือ กุญแจสำคัญของนักการตลาดในยุค Marketing 5.0 ที่จะชี้เป็นชี้ตายได้เลยว่า ธุรกิจของคุณจะเติบโตแบบก้าวกระโดด หรือถูกคู่แข่งแซงไปแบบหน้าตาเฉย และคุณถูกทิ้งไว้กลางทาง ถ้าคุณยังไม่ปรับตัวนำกลยุทธ์นี้มาใช้ วันนี้เราได้รวบรวมทุกสิ่งที่คุณควรรู้เกี่ยวการตลาดที่ขับเคลื่อนด้วยข้อมูลมาให้คุณได้อ่านครบจบในบทความเดียวที่นี่แล้ว!

ทำไมต้องใช้ Data-Driven Marketing

• เพื่อให้เราในฐานะนักการตลาดสามารถเข้าใจผู้บริโภค (Customer Profile / User Persona) และพฤติกรรมของผู้บริโภค (User Behavior / User Journey) ได้ดียิ่งขึ้น โดยเฉพาะในยุคปัจจุบันที่พฤติกรรมของผู้บริโภคเปลี่ยนแปลงไปอย่างรวดเร็ว แทบจะรายวันกันเลยทีเดียว
• เพื่อยกระดับขีดความสามารถการตัดสินใจ (Data-Driven Decision Making) ในทุกๆ กระบวนการของการตลาด โดยอ้างอิงจากดาต้า จากข้อมูลจริง ๆ ที่เกิดจากผู้ใช้งานบนทุก ๆ Touchpoints ตั้งแต่จุดเริ่มต้น ไปจนจบถึงกระบวนการปิดการขาย อาจขยายต่อไปจนถึงระดับการสร้างความสัมพันธ์ที่ดีกับลูกค้า และรักษาลูกค้าเอาไว้ เรียกได้ว่าเกี่ยวข้องกับทุก ๆ กระบวนการตั้งแต่ต้นน้ำยันปลายน้ำกันเลยทีเดียว
• ทั้งหมดทั้งมวลนี้ก็คือ เพื่อเพิ่มประสิทธิภาพและประสิทธิผลในการทำการตลาดของเรานั่นเอง เช่น การเพิ่ม Conversion Rate, Engagement Rate, ROI, ROAS, การลด CPA เป็นต้น

การทำ Data Analytics

การตลาดที่ขับเคลื่อนด้วยข้อมูลนั้นแท้จริงแล้วเป็นการนำศาสตร์ของการวิเคราะห์ข้อมูลมาประยุกต์เพื่อใช้ในงานด้านการตลาด ซึ่งโดยทั่วไปแล้วจะมีกระบวนการในการทำงานดังนี้ …

• การเก็บรวบรวมข้อมูล Data/Facts ที่จำเป็นต่อธุรกิจของเรา
• การวิเคราะห์ข้อมูลที่เรามี เพื่อนำมาจัดระบบ เรียบเรียง และจัดหมวดหมู่ให้เป็น Information 
• ทำความเข้าใจ เชื่อมโยงหาความสัมพันธ์ระหว่างแต่ละชุดข้อมูลให้เป็น Knowledge 
• จากชุดความสัมพันธ์ของข้อมูลที่เราได้มา เราก็ต้องมาทำการสังเคราะห์ความรู้เพื่อทำความเข้าใจปัญหาได้อย่างลึกซึ้ง หรือเป็น Insights นั่นเอง 
• จากความเข้าใจในปัญหาอย่างลึกซึ่งเราก็นำมาใช้ในการทำงานจริงๆ เพื่อช่วยในการตัดสินใจได้อย่างชาญฉลาดตรงเป้ามากขึ้น จึงเรียกได้ว่าเป็น Wisdom 
• จากนั้นเราจึงนำ Insights & Wisdom ที่ได้ มาแปลงให้เป็น Strategy 

และท้ายที่สุด เราต้องนำกลยุทธ์นั้นมาลงมือปฏิบัติใช้งานจริงและวัดผล จึงจะกล่าวได้ว่า เป็นการนำ Data มาก่อให้เกิด Impact ต่อธุรกิจและองค์กรของเราได้อย่างแท้จริง

หลังจากเข้าใจว่า Data Analytics คืออะไรมีกระบวนการทำงานอย่างไรแล้ว หัวข้อถัดไปเราจะมาดูกันถึงประเภทของ Data Analytics กันครับ

1. Descriptive Analytics: What happened?

• การวิเคราะห์เชิงบรรยาย
• เป็นการวิเคราะห์ข้อมูลเพื่อตอบคำถามว่า “เกิดอะไรขึ้นกับธุรกิจของเรา?”
• เพื่อให้เข้าใจสถานการณ์จริง (Situation) ที่เกิดขึ้นกับธุรกิจของเราทั้งในปัจจุบัน หรืออดีต

2. Diagnostic Analytics: Why did it happen?

• การวิเคราะห์เชิงวินิจฉัย
• เป็นการวิเคราะห์ข้อมูลเพื่อตอบคำถามว่า “ทำไมถึงเกิดสิ่งนั้นกับธุรกิจของเรา?”
• เป็นการต่อยอดมาจาก Descriptive Analytics เพื่อหาสาเหตุ (Root-Cause) ของสถานการณ์ที่เกิดขึ้น

3. Predictive Analytics: What is likely to happen?

• การวิเคราะห์เชิงคาดการณ์ พยากรณ์
• เป็นการวิเคราะห์ข้อมูลเพื่อตอบคำถามว่า “อะไรคือสิ่งที่น่าจะเกิดขึ้นกับธุรกิจของเราในอนาคต?”
• เป็นการทำงานเชิงรุกมากขึ้น เพราะอนาคตเป็นสิ่งไม่แน่นอน เราจึงต้องนำเทคนิคการวิเคราะห์นี้เพื่อหาความเป็นไปได้ และเตรียมแผนการรับมือเอาไว้ล่วงหน้า 
• แต่ทั้งนี้ทั้งนั้นการวิเคราะห์แนวนี้ เป็นเพียงแค่การคาดการณ์แนวโน้ม (Trends) เท่านั้น ความแม่นยำจะขึ้นกับคุณภาพของข้อมูล (Data Quality) โดยตรง นอกจากนี้ยังขึ้นกับเสถียรภาพของปัจจัยภายนอกที่เราไม่สามารถควบคุมได้ แต่มีผลกระทบโดยตรงต่อธุรกิจของเราด้วยเช่นกัน เช่น การเมือง, โรคระบาด (อย่างกรณี COVID-19 นี่เห็นได้ชัดเจน)

4. Prescriptive Analytics: What do I need to do?

• การวิเคราะห์เชิงแนะนำ
• เป็นการวิเคราะห์ข้อมูลเพื่อตอบคำถามว่า “อะไรคือสิ่งที่เราจำเป็นต้องทำ?”
• เป็นการวิเคราะห์ระดับสูงสุดที่รวมการวิเคราะห์ทั้ง 3 ตัวข้างต้นแล้วขมวดปมสรุปออกมาได้เลยว่าอะไรคือ Next Actions ที่เราควรทำ หลังจากที่ทราบ Situaion, Root-Cause, Trends แล้ว

ปรึกษาผู้เชี่ยวชาญด้าน Data-Driven Marketing

Example of Marketing Data Analytics

• Descriptive (เกิดอะไรขึ้น): ยอดขาย Quarter ล่าสุดตกลง เมื่อเทียบกับ Quarter ก่อนหน้านี้ 
• Diagnostic (ทำไมถึงเกิดขึ้น): 
  • Channel A มีคู่แข่งหน้าใหม่เข้ามา
  • Channel B คงที่รักษาระดับเอาไว้ได้
  • Channel C มีการเติบโตเพิ่มขึ้น เนื่องจากเป็น Channel ที่เราเริ่มทดลองทำ New Campaign ด้วยกลยุทธ์ Data-Driven แต่เนื่องจากเพิ่งเริ่มส่วนที่เติบโตเพิ่มขึ้นยังไม่อาจชดเชยส่วนที่ถูกคู่แข่งแย่งไปใน Channel A ได้
• Predictive (จะเกิดอะไรต่อไป): 
  • หลังจากดู Seasonal Trends แล้วพบว่า Quarter หน้าจะเป็นช่วง High Season สำหรับธุรกิจของเรา
  • สถานการณ์ COVID-19 ในประเทศดีขึ้น เริ่มมีมาตรการคลาย Lock Down บ้างแล้ว
  • ดังนั้นจึงเป็นโอกาสที่เราจะสามารถฟื้นตัวกลับมาได้ และเติบโตขึ้นได้ไปอีก
• Prescriptive (อะไรคือสิ่งที่เราต้องทำ): 
  • เพิ่มงบประมาณด้านการตลาดเข้าไปอีก เพราะ Quarter หน้าจะเป็น High Season ของธุรกิจเรา
  • หลังจากเห็นผลลัพธ์ที่ดีของ Data-Driven Marketing Campaign ที่ทดลองทำ Pilot Project ไปใน Channel C ดังนั้นใน Quarter หน้า เราจะนำ Data-Driven นี้มาใช้กับทุก Channel เลย
  • ส่วนใน Channel A ที่โดนคู่แข่งมาแย่ง Market Share ไปนั้น เราจะเตรียม Promotion ใหม่สำหรับ Quarter หน้าเพื่อตอบโต้คู่แข่งหน้าใหม่รายนั้น + กับที่เราทำการตลาดมาก่อน เรามีข้อมูลในมือเยอะกว่ารายใหม่ ถือว่าเป็นจุดที่เราได้เปรียบ โดยจะนำ Data มาใช้ทำ Personalized Marketing เพื่อให้ตอบโจทย์รู้ใจลูกค้าให้มากขึ้นไปอีก

ประเภทของ Data

→ แบ่งตาม Data Ownership

1st Party Data

1st-party data คือ ข้อมูลที่เรามีความเป็นเจ้าของ เพราะเราผู้เก็บรวบรวมเองจากกลุ่มผู้ใช้หรือลูกค้าของเราเองโดยตรง

• Pros 
  • Brand มีความเป็นเจ้าของ Data เองโดยตรง
  • มีความแม่นยำสูง Target ได้ระดับรายบุคคล
  • สามารถใช้งานได้อย่างอิสระ เพราะเราเป็นเจ้าของ Data เอง แต่ทั้งนี้ทั้งนั้นเราก็ต้องนำข้อมูลของลูกค้าไปใช้งานให้สอดคล้องกับกฎ PDPA หรือ GDPR
• Cons
  • ต้องลงทุนทรัพยากรทั้งด้านเทคโนโลยี, เวลา, และบุคลากร ในการเก็บรวบรวมข้อมูลเอง
• Example
  • Behavior Data ที่เราเก็บรวบรวมการใช้งานบน Web หรือ App ของเราเอง
  • CRM Data
  • Subscription-Based Data เช่น Data ที่เก็บรวบรวมจากการทำ Email Marketing 
  • Survey
  • Customer Feedback

2nd Party Data

2nd-party data กล่าวอีกนัยหนึ่งคือ 1st-party data ของคนอื่นนั่นเอง แต่เราสามารถที่จะนำมาใช้โดยการผ่านทางการซื้อ Data กันตรงๆ หรือเป็น Partnership ในการแลกเปลี่ยนข้อมูลเพื่อผลประโยชน์ทางธุรกิจร่วมกัน

• Pros
  • ถ้านำมาปรับใช้ได้อย่างเหมาะสม จะสามารถช่วยเพิ่มรายละเอียดใหม่ๆ ให้กับ 1st-party data ของเราเองได้
  • เนื่องจากเป็น 1st-party data ของ partner จึงคาดหวังในความแม่นยำได้มากกว่า 3rd-party data
• Cons
  • อาจพบปัญหาในการเชื่อมต่อข้อมูลระหว่าง 2 แหล่งเข้าด้วยกันได้ 
  • อาจมีข้อจำกัดในการใช้งาน เพราะเราไม่ได้มีความเป็นเจ้าของ Data โดยตรง ขึ้นกับข้อตกลงระหว่าง Partner เลย
• Example
  • Brand A อยู่ในธุรกิจสายการบิน และ Brand B อยู่ในธุรกิจการจองโรงแรม อาจจะมีการทำข้อตกลงเพื่อแชร์ฐานข้อมูล CRM ในการทำการตลาดร่วมกัน เพราะถึงแม้จะมีธุรกิจคนละประเภทแต่อยู่ใน Industry เดียวกัน 
  • Brand C อยู่ในธุรกิจประกันภัย และ Brand D อยู่ในธุรกิจบัตรเครดิต มีการตกลงซื้อขายข้อมูลกัน เพื่อขยายกลุ่มฐานลูกค้าของตนเอง

3rd Party Data

3-rd party data คือ ข้อมูลใด ๆ ที่เราได้รับมาจากแหล่งภายนอก ซึ่งอาจจะเป็นกลุ่มธุรกิจหรือนิติบุคคลอื่น ๆ ที่รวบรวมข้อมูลขนาดใหญ่มาจากแพลตฟอร์มและเว็บไซต์อื่น ๆ แล้วนำมาขายต่อให้เราอีกทีนึง ซึ่งเราจะไม่สามารถเชื่อมโยงไปผู้ชม, ลูกค้า, หรือเจ้าของข้อมูลบุคคลที่ 1 ได้โดยตรง

• Pros 
  • หาได้ง่าย พร้อมใช้งานได้เลย (ไม่ต้องเสียเวลาเก็บข้อมูลเอง)
  • สามารถเข้าถึงฐานกลุ่มผู้ใช้ได้กว้างมาก
• Cons
  • สามารถ Target ได้แค่กว้าง ๆ เช่น แค่ระดับ Demographics, Interest, Location, etc. แต่ไม่สามารถลงลึกได้ถึงระดับรายบุคคล
  • คุณภาพ และความแม่นยำไม่แน่นอน ขึ้นกับแหล่งและความน่าเชื่อถือของ 3rd-party
  • ใคร ๆ ก็สามารถเข้าถึงข้อมูลชุดนี้ได้ ทั้ง Brand ของเราเอง และคู่แข่ง
  • ความเสี่ยงต่อการละเมิดกฎระเบียบของข้อมูลไม่แน่นอน ขึ้นกับแหล่งและความน่าเชื่อถือของ 3rd-party
• Example
  • Audience Targeting ใน Google Ads Network
  • Audience Targeting ใน Facebook Ads Network

→ แบ่งตาม Data Sources

Data Sources ที่สำคัญและจำเป็นสำหรับการทำ Data-Driven Marketing อาจจะมีความแตกต่างกันไปสำหรับแต่ละธุรกิจ

ประเด็นหลักคือ เราต้องย้อนกลับมาดูที่ User Journey ของธุรกิจเราว่า มี Touchpoints ตรงจุดไหนบ้าง เราก็ควรที่จะทำการเก็บข้อมูลในทุก ๆ จุดมาให้ครบถ้วน เพื่อที่จะเห็นภาพรวม และสามารถทำความเข้าใจพฤติกรรมลูกค้าของเราได้อย่างรอบด้านที่สุด

อาจรวมถึง External data sources อื่น ๆ ด้วยที่อาจจะส่งผลต่อธุรกิจ เช่น สภาพอากาศย่อมส่งผลต่อธุรกิจที่ต้องปฏิบัติงานกลางแจ้ง, เทรนด์ของสภาพอุตสาหกรรมโดยรวม เป็นต้น

• Advertising Platforms: Search Ads, Display Ads, Social Ads, Video Ads, etc.
• Web Analytics: Google Analytics, GTM, Adobe Connect, Tealium, Hotjar, CrazyEgg, etc.
• Mobile App Analytics: AppsFlyer, etc.
• Marketing Automation Platforms: ActiveCampaign, MailChimp, Chatbots
• Social Media Data
• Social Monitoring & Listening
• Online & Offline Sales Data
• Sales Department Data
• Customer Service Data
• Survey Data
• Loyalty Data 
• Wearables and the IoT (Internet of Things) Data 
• Other Data Sources: Weather data, Traffic data, Trends, etc.

ประโยชน์ของ Data-Driven Marketing

ประโยชน์ของ Data-Driven Marketing นั้นก็มีมากมายหลายข้อเลยทีเดียว ซึ่งถ้าหากเราสามารถปรับกลยุทธ์ และนำมาใช้ได้อย่างถูกต้องเหมาะสมแล้วนั้น จะไม่ได้มีประโยชน์เฉพาะนักการตลาดเท่านั้น แต่จะส่งผลดีต่อผู้บริโภคเองอีกด้วย

1. Know our Customers, Journey, and Behaviour เข้าใจลูกค้ามากขึ้น

ถ้าจะให้กล่าวแบบสั้นกระชับที่สุด ก็คือ Data-Driven Marketing จะช่วยให้เราเข้าใจลูกค้า และพฤติกรรมของลูกค้าได้ดียิ่งขึ้น และส่งผลให้การตัดสินใจในเรื่องกลยุทธ์ทางการตลาดดีมากขึ้นตามไปด้วยเป็นเงาตามตัวนั่นเอง

• Customer Profile / Buyer Persona → ลูกค้าเราคือใคร?
• User Journey / Touchpoints → ลูกค้าผ่านช่องทางหรือแพลตฟอร์มไหนมาบ้าง? ก่อนที่จะมาซื้อสินค้าหรือบริการของเรา
• User Behaviour → พฤติกรรมของลูกค้าเป็นอย่างไร? ในแต่ละ Touchpoints ทั้งบนออนไลน์ (Website & Mobile Apps) และออฟไลน์ 
• Preference → ลูกค้าเราชอบ หรือไม่ชอบอะไรในสินค้าหรือบริการของเรา?
• Pain Point → อะไรคือปัญหาที่ลูกค้าต้องการได้รับการแก้ไขหรือช่วยเหลือ?

2. Clear-Cut Clarity ชัดเจน ไม่ต้องมโน

เบื่อมั้ยครับ? กับการที่ต้องมานั่งเทียนมโนกันว่า… ควรโฆษณาผ่านช่องทางไหน?, ใช้งบเท่าไร?, ผลลัพธ์ที่ออกมาจะดีมั้ย?, จะปรับปรุงแคมเปญต่อไปอย่างไร?, สเต็ปต่อไปควรทำอะไรต่อ? 

การตัดสินใจที่ขับเคลื่อนด้วยข้อมูล (Data-Driven Decision Making) นั้นจะช่วยตรงจุดนี้ได้เป็นอย่างดี ทำให้นักการตลาดไม่ต้องมาใช้อารมณ์ (Emotion) หรือ ความคิดเห็นส่วนตัว (Opinion) นั่งถกเถียงกันหน้าดำหน้าแดงเป็นชั่วโมง ๆ แบบไม่รู้จุดจบ เพราะ Data มันก็คือ Data ครับ มันเก็บมาจาก Actions ของลูกค้าจริง ๆ มันคือข้อเท็จจริง (Fact) ที่ไม่ต้องการการโต้เถียงหรือพิสูจน์ใด ๆ แล้ว

ข้อควรระวังคือ 

• เราต้องมีกระบวนการเก็บข้อมูลที่ถูกต้องเหมาะสม ไม่อย่างนั้น Data ที่เราได้มาอาจจะผิดเพื้ยนไปจากความเป็นจริง “Garbage in, Garbage out”
• และเราต้องเข้าใจที่มาที่ไปและบริบท (Context) ของ Data ชุดนั้นอย่างแท้จริง เพื่อป้องกันการตีความข้อมูลผิดไป และนำมาสู่การตัดสินใจที่ผิดพลาดได้

3. Performance Marketing การตลาดที่เน้นผลลัพธ์ ไม่ใช่การกุศล

การนำ Data มาใช้ในงานด้านการตลาด จะช่วยให้เราสามารถเห็นภาพรวมของผลลัพธ์ที่ได้ และงบประมาณที่ลงไป ได้ชัดเจนแบบไม่คลุมเครืออย่างที่ได้เกริ่นไปแล้วข้างต้น โดยเฉพาะการตลาดออนไลน์/ดิจิทัล (Digital Marketing) ซึ่งมีจุดเด่นเรื่องการวัดผลที่ง่ายและชัดเจนอยู่แล้ว ต่างจากการตลาดแบบดั้งเดิมหรือแบบออฟไลน์ (ในปัจจุบันเราสามารถวัดผลลัพธ์ของการตลาดช่องทางออฟไลน์ได้ดียิ่งขึ้นกว่าเมื่อก่อนขึ้นเยอะ แต่ก็ยังมีความท้าทายในเรื่องของเทคโนโลยีและขั้นตอนในการ Setup เพิ่มเติมขึ้นมาอีกพอสมควร)

จากจุดนี้เอง ถ้าเรานำมีการนำ Data-Driven Strategy มาใช้ในงาน Marketing เราสามารถที่จะรีดประสิทธิผล + ประสิทธิภาพของแต่ละแคมเปญได้อย่างเต็มที่, และสามารถทำงานได้ผลลัพธ์ที่ตรงเป้าเพิ่มมากขึ้นนั่นเอง

• ประสิทธิผล (Effectiveness): มีการนำข้อมูลมาใช้เพื่อวัด Result ที่ได้เทียบกับ KPI ที่ต้องการเสมอ เพื่อทำให้มั่นใจได้ว่าเรามากันถูกทาง และกลยุทธ์ที่เราเลือกใช้นั้นสามารถนำพาเราไปถึงผลลัพธ์ที่ต้องการได้จริงๆ 
• ประสิทธิภาพ (Efficiency): เราสามารถที่จะวิเคราะห์ข้อมูลเจาะลึกลงไปในรายละเอียดของแต่ละขั้นตอนการทำงาน เพื่อปรับปรุงให้แคมเปญการตลาดของเราสามารถให้ผลลัพธ์ที่มากที่สุด ภายใต้ทรัพยากรหรืองบประมาณที่จำกัด เช่น การตลาดช่องทางไหน? วิธีไหน? ลูกค้ากลุ่มใด? การใช้ข้อความแบบไหน? รูปภาพลักษณะใด? ที่เหมาะสมกับธุรกิจของเรา และก่อให้เกิดผลลัพธ์ที่เราต้องการมากที่สุด
• เมื่อรวมทั้ง Effectiveness & Efficiency เข้าด้วยกันจึงอาจกล่าวโดยรวมว่าเป็นการทำการตลาดแบบเน้นผลลัพธ์ที่จับต้องได้จริง คุ้มค่าเงินทุกบาทที่ลงทุนไป หรือ Performance Marketing นั่นเอง

Efficiency is doing things right; Effectiveness is doing the right things. 

– Peter Drucker

โดยการนำ Data มาใช้ในงานด้านการตลาดนั้น เราสามารถนำมาประยุกต์ใช้ได้เกือบจะทุกสาขาย่อยของ Digital Marketing เลยทีเดียว ไม่ว่าจะเป็น Media Buying (Paid Search, Paid Social, Programmatic Buying), SEO (Search Engine Optimization), CRO (Conversion Rate Optimization), Funnel Optimization, Content Marketing, Social Media Marketing, Email Marketing, Marketing Automation, etc. กล่าวอีกนัยนึงคือ ครอบคลุมทุกช่องทางแบบ Omni-Channel ในหัวข้อต่อไปนั่นเอง

4. Omni-Channel Marketing การตลาดทุกช่องทาง ไปไหนไปกัน

ในยุคปัจจุบัน User Journey ของลูกค้าไม่ได้เป็นแบบเส้นตรง Linear เหมือนอย่างในอดีตแล้ว มันมีความซับซ้อนมากกว่านั้น เป็นแบบ Non-Linear เนื่องมาจากสื่อหลากหลายช่องทางทั้ง Online  และ Offline เฉพาะบนโลก Online เองก็มี Channels มากมายให้กลุ่มลูกค้าสามารถเข้าถึงและเลือกรับชมได้ 

ในฐานะนักการตลาด เราควรที่จะนำข้อมูลมาวิเคราะห์ เพื่อกำหนดกลยุทธ์การสื่อสารการตลาดให้ครอบคลุมทุก Channels ทุก Touchpoints บน User Journey ที่เหมาะสมมากที่สุด รวมถึงการควบคุมให้การสื่อสารในทุก ๆ ช่องทางนั้นเป็นไปในแนวทางเดียวกัน ไม่แตกแถว เพียงแต่ต้องมีการปรับรูปแบบการสื่อสารให้เหมาะสมเข้ากับธรรมชาติของแต่ละ Platform/Channel 

ยิ่งถ้าเรานำ Multi-Channel Experience + Personalized Marketing เข้าด้วยกันแล้วจะให้ผลลัพธ์ที่ดียิ่ง ๆ ขึ้นไปเลยทีเดียว

5. Personalized Marketing การตลาดเฉพาะบุคคลแบบรู้ใจ

ในยุคปัจจุบันนี้การจะทำการตลาดและโฆษณาแบบ Mass เหมือนในยุคก่อน ๆ อาจจะไม่ได้ผลอีกต่อไปแล้ว ในฐานะนักการตลาดเราจำเป็นที่จะต้องมีความเข้าใจกลุ่มลูกค้าของเราในรายละเอียดให้มากที่สุด เพื่อที่จะทำการสื่อสารทางการตลาด ได้ตรงกลุ่มลูกค้าเป้าหมายมากที่สุด ด้วยเนื้อหาที่ตรงจุดโดนใจกลุ่มเป้าหมาย เพื่อนำเสนอวิธีแก้ปัญหาและโน้มน้าวให้เขาคล้อยตาม ผ่านช่องทางที่กลุ่มเป้าหมายจะเห็นได้จริง ในช่วงเวลาที่เหมาะสม

ซึ่งการนำ Data-Driven Marketing Strategy มาใช้งานได้อย่างเหมาะสมนั้น จะสามารถเข้ามาช่วยเติมเต็มในจุดนี้ได้เป็นอย่างดี โดยเราสามารถเริ่มต้นได้โดยการวิเคราะห์ Data ที่เรามีเพื่อตอบคำถามต่างๆ ดังต่อไปนี้

How	Right Solution	สินค้าและบริการของเราช่วยแก้ปัญหาให้ลูกค้าได้อย่างไร?
Who	Right Audience	ใครคือกลุ่มลูกค้าเป้าหมายของเรา?
What	Right Content	เนื้อหาแบบไหนที่กลุ่มเป้าหมายของเราอยากอ่าน, ฟัง, ดู?
Why	Right Reason	ทำไมกลุ่มเป้าหมายถึงต้องแคร์ หรือต้องฟังเรา?
Where	Right Channel	ช่องทางไหนที่กลู่มลูกค้าเป้าหมายของเราอยู่?
When	Right Time	ช่วงเวลาใดที่เหมาะสมกับการสื่อสารไปยังกลุ่มเป้าหมาย?

ถ้าเราได้ Insights จากคำถามเบื้องต้นนั้นแล้ว ผสานกับเทคโนโลยีในยุคปัจจุบันนั้น การจะวางกลยุทธ์ให้แคมเปญการตลาดของเรา ให้หวังผลได้เหมือนดั่งเซลส์แมนที่ทำการปิดการขาย 1-ต่อ-1 กับลูกค้าโดยตรงก็อาจจะไม่ใช่เรื่องเพ้อฝันอีกต่อไป

ผมจะขอยกตัวอย่างง่ายๆ จากประสบการณ์ตรง ในสมัยก่อนนั้นผมยังเป็นเด็กนั้น ผมเองก็ดู TV อยู่เป็นประจำ จะมีโฆษณาผ้าอนามัยมาผ่านตาผมอยู่ทุกวัน วันละหลายๆ ครั้งด้วย… ซึ่งผมมองว่า มันช่างไม่มีประสิทธิภาพเอาเสียเลย เพราะผมไม่ใช่ Target Audience ของสินค้าชนิดนี้เลย (แน่สิ ผมเป็นผู้ชาย) 

ในปัจจุบันผมแทบจะไม่มีเวลาดู TV เลย ผมจะเสพย์สื่อผ่านช่องทาง Online เป็นหลัก ผมบอกได้เลยว่า ผมไม่เคยเห็นโฆษณาผ้าอนามัยสำหรับท่านสภาพสตรีมาร่วมๆ จะ 10 ปีได้แล้วครับ

แต่ผมไม่ได้มองว่าการโฆษณาทาง TV แย่ไปซะหมดนะครับ จริงๆ ทุกช่องทางมันก็มีข้อดี-ข้อเสียทั้งนั้นครับ ในกรณีนี้ช่องทาง TV อาจจะยังได้ผลดีสำหรับ Brand ขนาดใหญ่มีงบทางการตลาดสูง และ Brand นั้นเป็น Market Leader ใน Category นั้น ๆ ก็ยังจะคงได้ Impact สำหรับการสื่อสารช่องทางนี้อยู่นะครับ 

สิ่งที่ควรจะนำมาปฏิบัติจริงในยุคนี้ คือควรต้องมีกลยุทธ์การเก็บข้อมูลที่เหมาะสม + นำข้อมูลที่ได้มานั้นมาทำการวิเคราะห์เพิ่มเติมอย่างสม่ำเสมอ เพื่อให้เข้าใจ/รู้ใจลูกค้ามากยิ่งๆ ขึ้นไป เพื่อนำมาปรับปรุงสินค้าหรือบริการของเรา และเสนอให้ลูกค้าของเราในช่วงเวลาที่เหมาะสม ในบริบทที่ใช่ เพื่อความพึงพอใจสูงสุดกับแบรนด์ของเรา

ผมได้นำตัวอย่างจากการนำ Data-Driven & Personalized Marketing มาประยุกต์ใช้ของ Top Brands ดัง ๆ ทั่วโลกแล้วได้ผลลัพธ์ที่ดีมารวบรวมไว้ให้แล้วในหัวข้อถัดไป Examples of Data-Driven Marketing นะครับ

Data-Driven Marketing Case Studies

1. Netflix

บริการ Movie Streaming ชื่อดัง ในช่วงที่กำลังจะโปรโมทหนังเรื่องใหม่ (ในช่วงเวลานั้น) อย่าง “Stranger Things” เขาไม่ได้ทำ Artwork มาแค่แบบเดียวเพื่อจะโปรโมทหนังกับผู้ใช้ทุกคน (แบบ Mass) แต่จะ Design ออกมาหลากหลายรูปแบบเพื่อให้สอดคล้องกับรสนิยมการดูหนังในอดีตของผู้ใช้แต่ละคนให้มากที่สุด เป็นการผสมผสานทั้งศาสตร์ของ Data & Psychology ได้อย่างลงตัว เพราะคนเราต่างบุคลิก ต่างความชอบ ย่อมถูกกระตุ้นได้ด้วยสื่อที่ต่างกันออกไป

ลองทายกันดูเล่นจากรูปด้านล่างครับว่า แต่ละ Artwork นั้นถูก Personalized มาเพื่อคนดูหนังกลุ่มไหน หรือแนวไหนกันบ้าง?

2. Spotify

บริการ Music Streaming ชื่อดัง ก็เช่นเดียวกันมีการนำ Machine Learning มาวิเคราะห์ Data และสร้าง Recommendation Engine เพื่อแนะนำเพลงที่ตรงกับรสนิยมของผู้ใช้แต่ละคนมากที่สุด ดังตัวอย่างด้านล่างที่เป็น Playlist ที่ Spotify สร้างและแนะนำเพลงใหม่ให้กับผม บอกได้คำเดียวว่าเปิดมากี่ทีก็เจอแต่เพลงที่โดนใจครับผม

3. McDonald’s

ยักษ์ใหญ่ด้าน Fast Food ของโลก มีการนำข้อมูล Real-Time ของสภาพอากาศ (Weather), สภาพการจราจร (Traffic) และช่วงเวลา (Time of a Day) มาเพื่อการทำ Personalized บน Digital Menu ในร้าน Drive-Thru ของตัวเอง เพื่อแนะนำสินค้าให้โดนใจลูกค้ามากที่สุด เช่น ในสภาพอากาศร้อนๆ การแนะนำ Ice-Cream เย็นๆ ชื่นใจ ให้ลูกค้าย่อมน่าสนใจกว่ากาแฟดำร้อนๆ แน่นอน, ในช่วงเวลาเร่งรีบตอนเช้าไปทำงาน ก็ควรจะแนะนำเมนูที่เร็วๆ ทานง่ายๆ, ส่วนช่วงเย็นก่อนกลับบ้าน ก็อาจจะแนะนำเมนูที่หนักๆ ได้เพื่อคนที่อาจกลับไปทานกับครอบครัวที่บ้าน เป็นต้น นับว่าเป็นธุรกิจที่ยึดถือหลักการ Customer-Centric มากๆ ได้ใจสุดๆ

4. Amazon

ยักษ์ใหญ่วงการ e-Commerce มีการนำ Machine Learning มาช่วยวิเคราะห์ Historical Data ว่าผู้ใช้แต่ละคนเคยซื้อสินค้าอะไรไปแล้วบ้าง มีความสนใจหรือเคยดูสินค้าประเภทไหนไปแล้วบ้าง สร้างเป็น Recommendation System เพื่อช่วยแนะนำสินค้าให้กับลูกค้าได้อย่างตรงใจมากยิ่งขึ้นดังตัวอย่างในรูปด้านล่าง จะเห็น Recommended Products บนเว็บไซต์ของ Amazon เองได้ในส่วนของ “Customers who bought this item also bought” และยังมีการแนะนำสินค้าให้กับลูกค้าผ่านทาง  Email Marketing Automation อีกด้วย

5. Target.com

ห้าง Retail Store ชื่อดังที่อเมริกา ได้จ้างนักสถิติศาสตร์เพื่อทำการวิเคราะห์ข้อมูลพฤติกรรมการจับจ่ายใช้สอยของลูกค้า เพื่อทำนายว่าลูกค้ากลุ่มไหนกำลังตั้งครรภ์ และจะเป็นคุณแม่เร็ว ๆ นี้ โดยดูจากรายการสินค้าที่บ่งชี้ได้ อย่างเช่น วิตามินบำรุงครรภ์ ชุดคลุมท้อง ครีมกันท้องลาย เป็นต้น 

หลังจากทราบลูกค้ากลุ่มนี้ แล้วยังไงต่อ…ทางห้าง Target ก็จะส่ง Coupons หรือนำเสนอส่วนลดพิเศษไปให้ว่าที่คุณพ่อคุณแม่กลุ่มนี้ เพื่อดึงดูดให้มาซื้อสินค้ากับทางห้าง Target ต่อ เป็นที่คาดเดาได้ไม่ยากว่า ลูกค้าที่มาถึงห้างแล้วทั้งทีคงไม่ได้ซื้อแค่ผ้าอ้อมแน่ ๆ ก็ซื้อสินค้าอุปโภคบริโภคอื่น ๆ ติดไม้ติดมือกลับไปด้วย เพิ่มยอดขายให้กับทางห้างเป็นอย่างมาก

คำถาม คือ แล้วทำไมทางห้าง Target ถึงต้องยอมลงทุนจ้างนักสถิติศาสตร์ เพื่อทำการวิเคราะห์ข้อมูลกันขนาดนี้ ทำไมไม่รอให้คุณแม่คลอดลูกก่อน แล้วค่อยโฆษณาก็ได้? คำตอบสำหรับคำถามข้อนี้ เป็นเรื่องของเวลาล้วน ๆ Target ต้องการจะเป็น Brand แรกในใจของคุณแม่ โดยการชิงเข้าไปทำการตลาดก่อนที่ Brand อื่น ๆ จะไหวตัวทันและมาแย่งพื้นที่ตรงจุดนี้ไป

เคสนี้เป็นเคสเก่าตั้งแต่ประมาณช่วงปี 2002 แล้วนะครับ ต้องนับว่าล้ำมากจริง ๆ สำหรับคนในยุคนั้นที่มีการเริ่มทำ Data-Driven & Personalized Marketing กันแล้ว … แล้วคุณล่ะในปี 2020 นี้ มีแพลนที่จะเริ่มทำ Data-Driven Maketing กันบ้างแล้วหรือยัง?

6. Barack Obama

ในปี 2009 บารัค โอบามา และทีมงานได้ใช้ Data-Driven Marketing ผ่านช่องทาง Email เพื่อให้แน่ใจว่าพวกเขาได้สื่อสารกับผู้ลงคะแนนอย่างสม่ำเสมอ และสามารถรวบรวมเงินบริจาคได้อย่างตรงเป้าหมาย จนทำให้เขาสามารถชนะการเลือกตั้ง ได้รับเลือกให้เป็นประธานาธิบดีของสหรัฐอเมริกาได้ในที่สุด

2 กลยุทธ์หลัก ๆ ที่โอบามาและทีมงานใช้ในครั้งนั้น คือ 

• Segmentation
• A/B-testing 

ทีมงานของโอบามา ได้มีการทำ Segmentation หรือแบ่งกลุ่มของผู้บริจาคออกเป็น 4 กลุ่มตามพฤติกรรมการบริจาคเงิน เพื่อจะได้ออกแบบแคมเปญการสื่อสารให้โดนใจผู้บริจาคแต่ละกลุ่มมากที่สุด อย่างที่ผมได้เกริ่นไปแล้วตั้งแต่ช่วงต้น ๆ ของบทความนี้ว่า ในยุคปัจจุบันการทำตลาดแบบ Mass หรือ One size fits all อาจจะไม่เหมาะอีกต่อไปแล้ว Personalized Marketing จึงเป็นคำตอบที่เหมาะสมมากกว่า

หลังจากการทำ Segmentation แล้วทีมงานยังไม่หยุดอยู่แค่นั้น ยังได้มีการทำ Personalized Marketing ไปอีกระดับ โดยการจ้างนักเขียนกว่า 20 คนช่วยกันระดมสมองเพื่อร่าง “หัวข้ออีเมล”, “ข้อความในอีเมล” ออกมาหลากหลายรูปแบบ แล้วนำไปทดสอบด้วยการทำ A/B Testing เพื่อหาว่า หัวข้ออีเมล์แบบไหนที่ผู้รับอีเมลมีโอกาสเปิดอีเมลอ่านเยอะที่สุด (%Email Open Rate) และข้อความในอีเมลแบบไหนที่ผู้รับอ่านแล้วคล้อยตามจนยอมบริจาคเงินให้กับทางพรรคของโอบามามากที่สุด (%Conversion Rate)

กระบวนการทำงานแบบ Data-Driven Marketing นี้ ไม่ได้เป็นแบบครั้งเดียวจบ แต่ทำกันทุกวัน มีการระดมสมอง ร่างไอเดีย ทดสอบกับแคมเปญจริง วัดผล วิเคราะห์ผล สรุปผล และนำสิ่งที่เรียนรู้จากผลที่ได้มาปรับปรุงแคมเปญใหม่ ๆ ให้ดีขึ้นกว่าเดิมอย่างต่อเนื่อง ส่งผลให้แคมเปญนี้ของบารัค โอบามาประสบความสำเร็จอย่างล้นหลาม และชนะเลือกตั้งในปีนั้นไปในที่สุด

Data-Driven Marketing Strategy

เพื่อให้แน่ใจว่าฝ่ายการตลาดของเราสามารถทำงานได้อย่างมีประสิทธิภาพ เราต้องมีกลยุทธ์ที่สามารถทำได้จริง มีข้อมูลสนับสนุนชัดเจน ซึ่งข้อมูลในยุคปัจจุบันนับได้ว่าเป็นทรัพยากรที่มีค่ามาก ๆ เพราะมันสามารถช่วยชี้ให้เราเห็นได้ถึงจุดแข็ง จุดอ่อนได้แทบจะทุกส่วนในธุรกิจของเรา ช่วยให้เราตัดสินใจเชิงกลยุทธ์ และวางแผนการดำเนินงาน เพื่อช่วยให้การตลาดของเรามีโอกาสประสบความสำเร็จมากยิ่งขึ้น ถึงตรงจุดนี้คุณอาจมีคำถามว่า เราจะเริ่มทำ Data-Driven Marketing ได้อย่างไร นี่คือ 5 ขั้นตอนที่คุณสามารถเริ่มนำไปปรับใช้กับทีมของคุณ เพื่อให้แน่ใจว่าเราสามารถนำข้อมูลมาใช้เพื่อผลักดันกลยุทธ์ทางการตลาดของเราได้อย่างมีประสิทธิภาพ และประสิทธิผลมากที่สุด

1. Build Your Team

Skills & Characteristic

สิ่งที่เราควรทำเป็นอย่างแรกคือ การสร้างทีมเพื่อจัดการข้อมูลทางการตลาด ทีมนี้ควรมีสมาชิกจากหลากหลายแผนก ซึ่งมีความเชี่ยวชาญเฉพาะด้านของตนเองที่แตกต่างกันไป เพราะเราคงไม่สามารถคาดหวังคนจากฝ่าย IT/Tech ที่มีความรู้ทางด้านเทคโนโลยีที่ลึกมาก ๆ มาเข้าใจงานทางด้านการตลาดได้ทั้งหมด และในทำนองกลับกันสำหรับคนจากฝ่าย Marketing ก็คงไม่สามารถทำด้านด้านเทคนิคอลเองได้ (แต่ถ้ามีคนในทีมที่สามารถเป็นเหมือนสะพาน Bridge ที่เชื่อมทั้ง 2 ศาสตร์เข้าหากันได้ก็จะดีมาก ๆ) โดยทักษะหรือคุณลักษณะสำคัญที่เราควรมองหาสำหรับคนในทีมนี้คร่าว ๆ คือ

• ทักษะทางการตลาด / ความรู้เฉพาะทางในธุรกิจ
• ทักษะทางการคิดวิเคราะห์ / การจัดการกับตัวเลข การคิดคำนวณ
• ทักษะทางด้านเทคโนโลยี 
• ความสงสัยใคร่รู้ / ความสามารถในการตั้งคำถามและหาคำตอบ
• ความเต็มใจที่เรียนรู้ แบ่งปัน และแลกเปลี่ยนสิ่งใหม่ๆ กับเพื่อนร่วมทีมอย่างสม่ำเสมอ
• ความสามารถในการทำงานเป็นทีม
• ทักษะทางด้านการสื่อสาร มีความสำคัญมาก ๆ ในการทำงานเป็นทีม โดยเฉพาะทีมที่รวบรวมคนที่แตกต่างกันมาจากหลากหลายแผนก

Data-Driven Culture

สิ่งถัดไปที่อยากจะพูดถึงคือ เราต้องสร้างวัฒนธรรมองค์กรที่ขับเคลื่อนด้วยข้อมูล (Data-Driven Culture) เพราะลำพังแค่ทีม ๆ เดียวคงไม่สามารถสร้างการเปลี่ยนแปลงให้กับองค์กรได้มากมาย แต่ต้องช่วยกันให้ทุกคนในองค์กรเห็นความสำคัญของข้อมูล และประโยชน์ที่จะได้รับเมื่อนำข้อมูลไปประยุกต์ใช้จริงในงานของตนเอง 

จุดนี้สามารถเริ่มต้นง่าย ๆ จากตัวของผู้บริหารเอง ในทุกครั้งที่มีการประชุมหรือจะตัดสินใจอะไร อย่าด่วนตัดสินใจ หรือสรุปอะไร โดยฟังเพียงแค่ความคิดเห็นเท่านั้น เพราะโดยส่วนใหญ่แล้ว คนที่เสียงดังที่สุดในองค์กรก็มักจะเป็นคนที่มีตำแหน่งใหญ่ที่สุด ที่จะกลบเสียงของคนตัวเล็ก ๆไปจนหมด หรือเป็นวัฒนธรรมแบบ HIPPO (Highest Paid Person’s Opinion) นั่นเอง สิ่งที่ควรจะต้องทำจริงๆ คือ ทุกคนไม่ว่าจะตำแหน่งเล็กหรือใหญ่มีความสำคัญเท่ากันหมด แล้วเอา Data มาคุยกัน จบ! ง่ายๆ แค่นี้แหล่ะครับ

Data Accessibility & Tools

สิ่งสุดท้ายที่อยากจะพูดถึงในหัวข้อนี้คือ การจะทำ Data-Driven Marketing Strategy ให้ประสบความสำคัญนั้น เราต้องสามารถทำให้ทุกคนในองค์กรเข้าถึงข้อมูลที่จำเป็นได้อย่างเหมาะสม (Data Accessibility) และมี Tools เพื่อใช้ในการวิเคราะห์ข้อมูลที่เหมาะสมให้กับเขา เพราะมันคงจะไม่มีประโยชน์อะไร ที่จะคิดแผนกลยุทธ์สวยหรู แต่คนทำงานจริงไม่สามารถที่จะเข้าถึงข้อมูล หรือเข้าถึงได้ แต่ต้องผ่านกระบวนการ Request มากมายหลายขั้นตอนจนเสียเวลาไปมากมายไม่ทันการแล้ว หรือมีข้อมูลแต่ไม่มีเครื่องไม้เครื่องมือให้ใช้ในการวิเคราะห์ข้อมูลเพื่อสกัดหา Insights ในยุคปัจจุบันนี้เรื่องของ Timing เป็นเรื่องสำคัญมากๆ ไม่ใช่แค่ปลาใหญ่กินปลาเล็กแล้ว แต่เป็น “ปลาเร็วกินปลาช้า” สิ่งที่ควรระวัง คือ แม้ว่า Data Accessibility จะมีความสำคัญมาก แต่ก็ควรมีการกำกับดูแลสิทธิ์ในการเข้าถึงข้อมูลแต่ละประเภทด้วย โดยเฉพาะข้อมูลจำพวก Personally Identifiable Information (PII) / Sensitive Data ตรงจุดนี้ควรที่จะมีคนมากำกับดูแลเรื่อง Data Governance โดยเฉพาะ

2. Determine Your Goals

มีหนึ่งขั้นตอนที่มีความสำคัญก่อนที่คุณจะเริ่มเก็บรวบรวมข้อมูลเพื่อนำไปใช้ในงานทางด้านการตลาด คือ ต้องกำหนดเป้าหมาย/วัตถุประสงค์ของเราให้ชัดเจนก่อน เพื่อที่เราจะได้ทราบว่า ทีมงานจะต้องทำการเก็บข้อมูลอะไรที่เกี่ยวข้องบ้างเพื่อวัตถุประสงค์ดังกล่าวนั้น 

มีตัวอย่างให้เห็นมากมายจากหลากหลายธุรกิจที่มีข้อมูลมากมาย แต่ไม่สามารถนำมาใช้ประโยชน์อะไรได้เลย เพราะขาดการวางแผนตรงจุดนี้ให้ดีเสียก่อน เช่น ข้อมูลที่เก็บมาอยู่ในรูปแบบ (Format) ที่ไม่สามารถนำไปใช้ได้ เช่นในรูปถ่าย หรือ PDF (ในปัจจุบันอาจมีเทคโนโลยีที่ล้ำหน้าที่สามารถช่วยสกัดข้อมูลจากไฟล์เหล่านั้นให้ออกมาอยู่ในรูปแบบพร้อมใช้งานได้แล้ว แต่ก็ไม่ใช่งานง่าย ๆ นัก) หรือ ข้อมูลที่เก็บมาไม่เกี่ยวข้อง และไม่สามารถนำมาใช้แก้โจทย์ปัญหาทางธุรกิจ หรือช่วยให้เราบรรลุเป้าหมายใด ๆ ได้เลย

ข้อมูลที่เราเก็บมาแล้วไม่ได้นำไปใช้ ก็ไม่ต่างอะไรกับของสะสมเก่าเก็บที่คุณไม่เคยเอาออกมาดูมาใช้เลย ในห้องเก็บของใต้บันไดบ้านนั่นล่ะครับ

3. Collect Your Data

เมื่อผ่าน 2 ขั้นตอนแรกมาแล้ว ตอนนี้เราก็พร้อมที่จะเริ่มทำการเก็บรวบรวมข้อมูลแล้วครับ สิ่งที่อยากจะแนะนำคือ

• One Single Source of Truth: กล่าวคือ ควรจะรวบรวมข้อมูลจากทุกแหล่ง/แพลตฟอร์มที่เกี่ยวข้องมาเก็บไว้ในที่ที่เดียวกัน เพื่อป้องกันความสับสน, สะดวกในการจัดเก็บ และการนำไปใช้งาน
• Standardize & Naming Convention: เนื่องจากข้อมูลที่เราเก็บนั้นมีที่มาจากหลายแหล่ง เราจึงควรมีการกำหนดมาตรฐานให้ตรงกัน เพื่อให้มั่นใจว่าคนในทีมกำลังพูดถึงสิ่งเดียวกัน ไม่สับสน

ในจุดนี้อาจจะต้องให้ Data Enginerer จาก Tech Team เข้ามาช่วยเหลือในการ Integrate & Consolidate ข้อมูลจากในทุกๆ แหล่งเข้ามาเก็บไว้ด้วยกัน 

ถ้าเราสามารถทำได้อย่างถูกต้องและเหมาะสมในจุดนี้ เราก็จะมีข้อมูลที่ครบลูปตั้งแต่ต้นน้ำยันปลายน้ำ ไม่ว่าจะเป็น Ad Data, Marketing Data, User Behaviour Data, Payment Data, Sales & Transactional Data, Logistics Data, After Sale Service Data ซึ่งจะไม่ได้มีประโยชน์แค่ฝ่ายการตลาด แต่ส่งผลดีต่อทุก ๆ ฝ่ายในธุรกิจของเราโดยรวมเลยทีเดียว

4. Analyze Your Data & Take Action

หลังจากที่เราได้ข้อมูลที่ต้องการครบถ้วนแล้ว ถัดไปก็จะเป็นขั้นตอนของการนำข้อมูลที่มีมาวิเคราะห์ทั้งในระดับ Descriptive Analytics, Diagnostic Analytics และ Predictive & Prescriptive Analytics เพื่อใช้ผลักดันกลยุทธ์การตลาดของเราต่อไปนั่นเอง

5. Don’t Stop Learning & Testing

งานทางด้านการตลาดไม่ใช่งานที่ทำเพียงแค่วันเดียว สัปดาห์เดียว หรือแค่เดือนเดียวแล้วจบ แต่ต้องทำและปรับปุรงอย่างต่อเนื่องสม่ำเสมอ เพราะพฤติกรรมของผู้บริโภคมีการเปลี่ยนแปลงไปทุกวัน มีเทคโนโลยีใหม่ ๆ เกิดขึ้นเสมอ คู่แข่งก็ปรับตัวสู้ตลอด ถ้าเราหยุดก้าวไปข้างหน้าก็เสมือนว่าเราได้ก้าวถอยหลังไปแล้ว 

หัวใจหลักของการทำ Data-Driven Marketing คือ การนำ Insights ที่ได้จากการวิเคราะห์ข้อมูล มาตั้งสมมติฐาน สร้างไอเดีย ทดลองทำสิ่งใหม่ ๆ และวัดผลอยู่เสมอ เพื่อให้เราสามารถรวบรวมข้อมูลใหม่ ๆ จากพฤติกรรมของลูกค้าจริง ๆ ได้เพิ่มขึ้นอย่างต่อเนื่อง ถูกต้อง และมีประสิทธิภาพ

จากข้อมูลที่เราได้มานั้นก็จะยิ่งช่วยให้เราเข้าใจลูกค้าของเรามากขึ้น, สามารถปรับปรุงสินค้าหรือบริการของเราให้ดีขึ้นตรงใจลูกค้ามากขึ้น, และแน่นอนย่อมส่งผลให้การตลาดและยอดขายของธุรกิจเราดีขึ้นตามไปด้วย

สถิติเกี่ยวกับ Data-Driven Marketing

นับว่าเป็นเรื่องที่ท้าทายสำหรับทีมการตลาดอย่างมาก อันเนื่องมาจากความต้องการของผู้บริโภค และเทคโนโลยีมีการเปลี่ยนแปลงอย่างรวดเร็ว ทางเราจึงได้รวบรวมสถิติที่น่าสนใจเกี่ยวกับ Data-Driven Marketing เพื่อช่วยให้นักการตลาดเข้าใจถึงแนวโน้มที่สำคัญในปัจจุบัน, ใช้เพื่อเป็น Benchmark เปรียบเทียบกับการทำงานในทีมของตนเองได้, และใช้ประกอบการวางกลยุทธ์ รวมถึงจัดลำดับความสำคัญของแผนงานทางการตลาด เพื่อเพิ่มศักยภาพในการแข่งขันด้านการตลาดของธุรกิจตนเองต่อไปได้

1. Customer Experience ยังคงเป็นสิ่งสำคัญที่สุดในมุมมองของลูกค้า

• 86% ของผู้บริโภคได้ระบุว่า มีความยินดีที่จะใช้จ่ายมากขึ้น หากได้รับประสบการณ์ที่ดีขึ้นจาก Brand

2. Data Quality เป็นสิ่งสำคัญ และจำเป็นอันดับ 1

• 54% ขององค์กรชั้นนำ ได้ระบุว่า คุณภาพและความครบถ้วนของข้อมูลเป็นความท้าทายอันดับ 1 สำหรับการทำการตลาดแบบ Data-Driven

3. Data-Driven Marketing เป็นสิ่งที่ผู้บริหารองค์กรชั้นนำให้ความสำคัญเพิ่มมากขึ้น

• จากรายงานพบว่า เมื่อมีการนำ Data-driven marketing มาปรับใช้ในแคมเปญการตลาดแบบ Personalized marketing สามารถช่วยเพิ่ม ROI ได้ถึง 5-8 เท่าเลยทีเดียว
• 40% ขององค์กรชั้นนำ มีเป้าหมายที่จะเพิ่มงบประมาณสำหรับ Data-driven marketing อย่างแน่นอน
• 64% ของผู้นำการด้านการตลาด มีความเห็นตรงกันว่าในภาวะเศรษฐกิจปัจจุบันนี้ การวางกลยุทธ์แบบ Data-driven มีความสำคัญในระดับชี้เป็นชี้ตายได้เลยทีเดียว

4. ความท้าทายหลัก ๆ ในการทำ Data-Driven Marketing

• 44.6% ยังขาดเทคโนโลยีที่เหมาะสมกับการใช้งานจริง
• 34.8% ทีมภายในองค์กรยังมีประสบการณ์ไม่เพียงพอ
• 32.6% ยังไม่มีการเริ่มต้นเก็บ 1st-Party Data ที่ดีและเหมาะสม
• 25.0% การแชร์ และการเข้าถึงข้อมูล (Data Accessibility) ภายในองค์กรยังไม่ดี
• 21.7% ขาดทรัพยากรในการดำเนินงานทั้งเรื่องบประมาณ และบุคลากร

5. สถิติที่น่าสนใจอื่นๆ เกี่ยวกับ Data-Driven Marketing จาก Google

Data-Driven Marketing Trends ปี 2020 และอนาคต

1. Ethical Data Collection

การบังคับใช้กฏ GDPR หรือแม้แต่ PDPA ของไทยเอง ส่งผลให้ทุกๆ ธุรกิจต้องพิจารณาเรื่องจริยธรรมในการเก็บข้อมูลกันมากขึ้น ไม่เช่นนั้นแล้วอาจเกิดเหตุการณ์อย่างกรณีของ Facebook & Cambridge Analytics ขึ้นได้ ส่งผลให้ต้องเสียทั้งเงิน เวลา และชื่อเสียง

2. Personalised Marketing Automation

ลองนึกภาพตามแบบนี้นะครับ ผมเองเคยซื้อเครื่องกรองอากาศเมื่อวันที่ 11 กุมภาพันธ์ 2560 แล้วประมาณสักช่วงวันที่ 11 มกราคม 2561 ก็มีทั้ง Email & Social Ads จาก Brand ที่ผมเคยซื้อมาเสนอขายไส้กรองอากาศใหม่ พร้อมทั้งส่วนลดให้ด้วย (โดยปกติไส้กรองอากาศจะมีอายุประมาณ 1 ปีหลังจากการใช้งานครั้งแรก) … ถามว่าผมจะซื้อไหม? ตอบเลยว่าซื้อเลยสิครับ! เพราะมันให้ความรู้สึกเสมือนว่า Brand เป็นเพื่อนรู้ใจเป็นห่วงเป็นใย คอยเตือนให้ผมเปลี่ยนไส้กรองอากาศได้แล้วนะใกล้หมดอายุแล้ว เป็นการผสมผสานระหว่าง Retargeting + Personalized + Automation ได้อย่างลงตัว

อย่างที่เคยได้กล่าวไปแล้วว่า การตลาดในยุคนี้ เรื่อง Timing มีความสำคัญมาก ถ้าเราช้าไปอาจจะเพียงแค่ไม่กี่ชม. หรือนาที เราอาจโดนคู่แข่งชิงปล่อยแคมเปญแย่งลูกค้าตัดหน้าไปแล้ว ดังนั้นการนำ Automation มาผนวกกับ Personalized Marketing ก็จะส่งผลดีได้ถึง 3 เด้ง นั่นคือ โดนใจลูกค้า, ทันสถานการณ์, และสุดท้ายคือถ้าทำอย่างถูกวิธีจะสามารถช่วยประหยัดเวลาให้ทีมงานการตลาดได้เยอะเลยทีเดียว เพราะมันทำผ่านระบบอัตโนมัติ 

3. Seamless Omni-Channel / 360-Degree Experiences

ในปัจจุบันคงไม่มีธุรกิจไหนที่มีแค่เพียงช่องทางเดียวในการทำการตลาด บางธุรกิจอาจมีมากได้ถึง 10+ ช่องทาง เช่น Website, Mobiel App, Facebook, Instagram, LINE OA, Twitter, YouTube, E-Market Place, Search Engine, Call Center, etc.

ดังนั้นเราจึงควรนำ Data ที่มีจากทุก Platform มาผนวกกันเพื่อ Design และส่งมอบประสบการณ์ที่ดีที่สุดให้แก่ลูกค้าในทุกๆ Platform อย่าง Seamless หรือไร้รอยต่อที่สุด เช่น สามารถ Shopping Online ทั้งบนเว็บหรือแอปได้อย่างไม่สะดูด Add to cart ค้างไว้บน Web กลับมาดูต่อที่ App ข้อมูลก็ยังครบ ไม่มีสินค้าตกหล่น, Add to cart ค้างไว้ลืมจ่ายตังค์ ก็มีการส่ง Email ไป Remind หรือ มีการทำ Remarketing ผ่านทาง Social Ads & Display Ads, ลูกค้าสามารถได้รับข้อมูลข่าวสาร หรือสอบถามข้อมูลต่างๆ ได้จากทุกช่องทาง โดยทุกช่องทางสื่อสารไปทางเดียวกันทั้งหมด ไม่สับสน เป็นต้น

4. Predictive Analytics for Better CX (Customer Experiences)

ตัวอย่างที่เห็นได้ชัด, เข้าใจง่ายที่สุด และทุกคนน่าจะเคยได้ผ่านตากันมาแล้วทั้งนั้น คือ Google Search ครับ เคยสังเกตุกันบ้างหรือเปล่าครับว่า เวลาที่เราเริ่มต้นพิมพ์ Keyword ลงไปใน Google Search Box ยังไม่ทันจะพิมพ์เสร็จเลย Google จะ Predict และ Suggest ให้เราได้เลยว่าสิ่งที่ผมกำลังอยากจะค้นหาคือ Keyword ประมาณนี้หรือเปล่า? ซึ่งเป็นประสบการณ์ที่ดีต่อผู้ใช้อย่างผมมากๆ เพราะช่วยประหยัดเวลาในการพิมพ์ไปได้เยอะมากๆ 

นอกจากนี้การนำ Predictive Analytics มาใช้งานนอกเหนือจากช่วยเพิ่มประสบการณ์ที่ดีให้แก่ลูกค้าแล้ว เราอาจจะนำมาช่วยป้องกันลูกค้าหนีหายไปจากเราด้วย โดยการวิเคราะห์พฤติกรรมลูกค้าเพื่อหาลูกค้าที่มีแนวโน้มจะเลิกใช้บริการของเรา หรือที่เรียกกันว่า Customer Churn Analysis ถ้าทราบแล้วเราควรที่จะเข้าไปช่วยเหลือ หรือเสนอโปรโมชั่นอะไรใหม่ๆ ให้แก่ลูกค้ากลุ่มนี้ เพื่อรักษาพวกเขาเอาไว้ไม่ให้หนีไปหาคู่แข่ง

5. People-Based Marketing

การปรากฏตัวของ Ad Blocking และที่กำลังจะตามมาอย่าง Cookieless Browser รวมถึงการที่ Cookie-Based Targeting ยังมีข้อจำกัดในการ Tracking across devices เพราะ Cookie จะมองแต่ละ Device เสมือนเป็นคนละคนกัน ทั้ง ๆ ที่ความเป็นจริงแล้ว คน 1 คนสามารถมีได้หลาย Device หรืออย่างกรณี TV ที่เครื่องเดียวสามารถดูกันได้ทั้งบ้าน

มีสถิติที่น่าสนใจอันนึงคือ “50% ของคนที่สหรัฐอเมริกาขณะที่ดู TV จะมีการใช้มือถือ หรือแท็บเล็ตควบคู่กันไปด้วย” แน่นอนว่าจาก Insights เหล่านี้เล่นเอานักการตลาดปวดหัวไปตาม ๆ กันทีเดียว

จากสาเหตุข้างต้น จึงเป็นที่มาของ People-Based Marketing ซึ่งจะมาแทนที่ Cookie-Based Marketing ไม่ช้าก็เร็ว เพราะคุกกี้โดยตัวของมันเองจริง ๆ แล้วนั้นไม่ได้มีความหมายอะไรเลย เราเพียงแค่ใช้มันสมมติเป็นตัวแทนของผู้ใช้หรือลูกค้าจริง ๆ อีกทีนึง โดย People-Based Marketing จะเป็นการ Tracking, Targeting, & Advertising ถึงในระดับ Individual รายบุคคลเลยทีเดียว

โดยในการทำ People-Based Marketing นั้น การใช้เพียงแค่ 3rd-Party Data ในการ Target กลุ่มลูกค้าของเราอาจจะไม่เพียงพออีกต่อไปแล้ว แต่ต้องใช้ Data ที่มีคุณภาพ แม่นยำ และมาจากหลายแหล่งในการช่วยระบุตัวตน เช่น Persistent IDs (e.g. Email), CRM Databases, Cross-Device ID, Geo-Location, etc. จะเห็นได้ว่า 1st-Party Data จะเข้ามามีบทบาทสำคัญมาก ๆ ในส่วนนี้ ถ้าใครยังไม่ได้เริ่มเก็บ 1st-Party Data เป็นของตัวเองควรเริ่มเก็บกันได้แล้วนะครับ 

6. Data Onboarding – Combine Online & Offline Data

ในฐานะนักการตลาดเชื่อว่าทุกคนน่าจะเคยพบเจอปัญหานี้มาบ้างไม่มากก็น้อย เมื่อเรามีข้อมูลมากมายหลากหลายรูปแบบ ทั้งจาก Offline & Online (ซึ่งฝั่ง Offline เองก็มีหลายสาขา ฝั่ง Online ก็ยังมีอีกหลาย Channel/Platform) แยกกันเก็บเอาไว้ในหลายฐานข้อมูล หรือหลาย Data Silos ทำให้เวลานำไปใช้งานจริง ๆ เราไม่สามารถที่จะเห็นภาพรวมทั้งหมดของทุกชุดข้อมูลได้ในเวลาเดียวพร้อมกัน จึงทำให้เกิดแนวคิดนี้ขึ้นมา Data Onboarding

Data Onboarding เป็นการนำทั้ง Online & Offline Data ที่เกี่ยวกับลูกค้า มาเชื่อมโยงและเก็บรวมรวมไว้ด้วยกัน (onboard) ซึ่งจากวิธีการนี้จะเหมาะสมมากกับธุรกิจที่ทำการตลาดแบบ Omni-Channel & Personlaized Marketing เพราะเราสามารถที่จะวิเคราะห์, และเข้าใจพฤติกรรมของลูกค้าได้จากทั้งข้อมูล Online & Offline ได้ในเวลาเดียวกัน ส่งผลให้การวางกลยุทธ์ และการ Design ประสบการณ์ที่ดีให้แก่ลูกค้าแบบ 1:1 หรือ Personalized เป็นไปได้อย่างมีประสิทธิภาพ และ Seamless มากขึ้นในทุก ๆ Channels ที่เราทำการตลาดอยู่

7. Data-Informed SEO

สำหรับนักการตลาดท่านใดที่เป็นสาย SEO (Search Engine Optimization) และ Content Marketing น่าจะเข้าใจประเด็นได้ดี โดยเฉพาะถ้าจะมี Tools or System อะไรที่สามารถให้คำแนะนำเราได้เลยว่า ควรจะต้องไปปรับปรุงหรือ Optimize ตรงจุดไหนเพิ่มเติม ก็จะสามารถช่วยลดเวลาการทำงานลงไปได้เยอะ

8. Artificial Intelligence (AI) and Machine Learning (ML) 

“Artificial Intelligence, deep learning, machine learning — whatever you’re doing if you don’t understand it — learn it. Because otherwise you’re going to be a dinosaur within 3 years.”

— Mark Cuban (the star investor of ABC’s “Shark Tank”), Upfront Summit 2017

ถ้าไปถามนักการตลาดสัก 3-5 ปีที่ผ่านมาเกี่ยวข้องกับ AI ในกลยุทธ์การตลาดดิจิตัล เชื่อว่าหลาย ๆ คนยังคงลังเล หรือสงสัยในศักยภาพของมัน แต่ถ้ามาถามในปี 2020 นี้เชื่อได้เลยว่านักการตลาดส่วนใหญ่มีความมั่นใจมากขึ้นในการใช้ AI ในงานด้านการตลาดแล้ว เนื่องจากผลลัพธ์ที่เห็นได้ชัดจาก Case Study ของหลาย ๆ Brand ทั้งเล็กและใหญ่ ประกอบกับการที่ทุกวันนี้มี Data จำนวนมหาศาลเกิดขึ้นในทุก ๆ วินาที จึงเป็นส่วนสนับสนุนให้ AI มีการพัฒนามาอย่างต่อเนื่องมากขึ้นเรื่อย ๆ จนมันสามารถเอาชนะมนุษย์ได้ในบางแง่มุมด้วยซ้ำไป (AI เรียนรู้จาก Data ที่เราป้อนเข้าไป ยิ่งมี Data ปริมาณมาก AI ยิ่งสามารถเรียนรู้ได้เร็วยิ่งขึ้น โดยคุณภาพของ Data ก็มีความสำคัญไม่แพ้กัน อย่างที่ผมได้กล่าวเน้นย้ำไปก่อนหน้านี้แล้ว)

ผมได้รวบรวมตัวอย่างและเทรนด์ที่น่าสนใจของการนำ AI ไปประยุกต์ใช้ในการตลาดดิจิทัลในหลากหลายด้านมาให้แล้วดังต่อไปนี้ครับ

Content Marketing

• AI-Powered Content Creation
• Content Optimization
• Smart Content Curation / Recommendation System

Digital Advertising

• AI-Enhanced Advertising
• Programmatic Media Buying
• Ad Targeting
• Re-targeting

Marketing Automation

• Personalized Emails / 1:1 Dynamic Emails / Intelligent Email Content Curation
• AI-Powered Customer Service / Chatbots

UX/UI

• AI-Powered Web Design 
• Personalized Website & Mobile App for better CRO

Predictive Analytics

• Propensity Modeling
• Lead Scoring
• Churn Prediction & Smart Customer Engagement
• Predictive Customer Service

Others

• AI-Powered Customer Insights
• Competitor Analysis

• Dynamic Pricing

ขอเกริ่นคร่าวๆ ประมาณนี้ก่อน เอาไว้ถ้ามีโอกาสคราวหน้า จะมาเขียน Blog เจาะลึกเล่าในแต่ละเคสให้นะครับ

Quotes about Data

อยากจะขอบคุณทุกท่านที่อ่านมาจนถึงจุดนี้ เป็นอย่างไรกันบ้างครับ? หวังว่าจะได้รับความรู้ไปบ้างไม่มากก็น้อย และก่อนจากกันวันนี้ ผมขอทิ้งท้ายด้วยคำคมเด็ดๆ ที่เกี่ยวข้องกับ Data ที่ผมเองชื่นชอบมากๆ

“Without data, you’re just another person with an opinion.”

― W. Edwards Deming (American engineer, statistician, professor, and author)

รู้สึกอยากจะทดลองทำ Data-Driven Marketing กันบ้างแล้วหรือยังครับ?

 

ปรึกษาผู้เชี่ยวชาญด้าน Data-Driven Marketing