Data Science Essential week 6: Contextual marketing (สรุปเนื้อหาทฤษฎี+แขกรับเชิญ)

บทความนี้เป็นการสรุปเนื้อหาส่วนทฤษฎี และสรุปการบรรยายของแขกรับเชิญ ดร.ดนัย จากคลาส DSE by BotNoi week 6 เรื่อง Contextual marketing ครับ

Marketing คืออะไร?

หากไปดูคำจำกัดความ ก็พบว่า marketing หมายถึง กิจกรรมหรือธุรกิจที่เกี่ยวข้องกับการขายและส่งเสริมการขายสินค้าหรือบริการ รวมถึงการทำวิจัยตลาดและการโฆษณา

ก็แน่นอนว่าทุกธุรกิจย่อมต้องมีการทำ marketing ไม่มากก็น้อย ไม่อย่างนั้นก็คงขายสินค้าหรือบริการของตนเองได้ยากลำบาก แต่จริงๆ แล้วธุรกิจทุกวันนี้มีการทำ marketing กันมากน้อยขนาดไหน?

ความสำคัญของ Marketing

ไม่ว่าจะเป็นธุรกิจที่ดำเนินการมานานแล้ว หรือธุรกิจที่เพิ่งก่อตั้ง ก็ต้องมีการทำ marketing โดยธุรกิจที่เพิ่งก่อตั้งมักมีสัดส่วนงบประมาณด้าน marketing ต่อรายได้รวม ค่อนข้างสูงกว่าธุรกิจที่ดำเนินการมานานแล้ว เนื่องจากต้องการทำให้สินค้าหรือบริการของตัวเองเป็นที่รู้จัก โดยจากการสำรวจของ cmosurvey.org ก็อยู่ที่ประมาณ 12–20% ส่วนธุรกิจที่ดำเนินการมานานแล้ว ก็อาจมีสัดส่วนที่ต่ำกว่าเล็กน้อย อยู่ที่ประมาณ 6–12%

หรืออาจพิจารณากราฟทางซ้ายมือของ slide โดยกราฟบน เป็นกราฟที่แสดงว่าค่าใช้จ่ายในการทำ marketing ว่าคิดเป็นกี่ % ของรายได้โดยรวมทั้งหมดขององค์กร ก็เห็นว่า ตั้งแต่ปี 2011 จนถึง 2019 บริษัทต่างๆ ก็จัดสรรงบประมาณเพื่อใช้ในการทำ marketing ในระดับที่ไม่เปลี่ยนแปลงมากนัก อยู่ที่ประมาณ 6.6–11%

ส่วนกราฟล่าง เป็นกราฟที่แสดงว่าค่าใช้จ่ายในการทำ marketing ของแต่ละองค์กรนั้น คิดเป็นกี่ % ของค่าใช้จ่ายในการดำเนินงานทั้งหมด ก็เห็นว่ามีแนวโน้มที่คงที่เช่นกัน อยู่ที่ราว 10–12% ของค่าใช้จ่ายในการดำเนินงานทั้งหมด

ทั้งสองกราฟก็แสดงให้เห็นว่า การทำ marketing เป็นกิจกรรมที่มีความสำคัญต่อธุรกิจมาโดยตลอด และมีแนวโน้มที่จะเป็นอย่างนั้นต่อไปเรื่อยๆ

พัฒนาการของการทำ marketing

แต่หากลองมองลึกเข้าไปในแต่ละองค์กรแล้ว ก็แน่นอนว่า แต่ละองค์กรย่อมมีแนวทางในการทำ marketing ที่แตกต่างกัน ขึ้นกับว่าองค์กรนั้นมีการพัฒนาการทำ marketing ของตัวเองไปมากน้อยเพียงใด เราก็จะลองมองย้อนไปตั้งแต่ stage แรกกัน

กราฟข้างบนก็เป็นกราฟที่แสดงให้เห็นถึงพัฒนาการของ marketing โดยแบ่งออกเป็น 4 stage คู่ไปกับ performance โดยจะเห็นว่า ยิ่งพัฒนาการทำ marketing ได้มากเท่าไร ก็ยิ่งมี performance คือผลตอบแทนจากการลงทุนทำ marketing ที่สูงขึ้นเรื่อยๆ เราจะเริ่มไปดูตั้งแต่แรกกัน

1. Mass marketing ก็หมายถึงการทำ marketing ที่พุ่งเป้าไปยังทุกคน ไม่มีการกำหนดเป้าหมายที่ชัดเจน ก็เป็นการทำ marketing ในยุคก่อนๆ เช่น การทำป้ายโฆษณา หรือโฆษณาทางวิทยุโทรทัศน์ ที่มุ่งเป้าไปยัง mass คือ เน้นให้เห็นเยอะๆ ไว้ก่อน จะเป็นกลุ่มลูกค้าเป้าหมายของเราหรือไม่ ก็ไม่สนใจ ก็แน่นอนว่าแบบนี้จะมี performance ที่ต่ำ เพราะมีค่าใช้จ่ายที่สูง และยังยิงไม่ค่อยโดนเป้าด้วย (ไม่มีเป้าให้เล็งเลยด้วยซ้ำ)
2. Segmented marketing ก็พัฒนาขึ้นมาจาก stage แรก โดยเริ่มมีการแบ่งกลุ่มลูกค้าออกเป็น segment หรือกลุ่มย่อยๆ โดยอาจแบ่งตามสภาพภูมิศาสตร์ ประชากรศาสตร์ ไลฟสไตล์ ฯลฯ แล้วทำ marketing โดยการเสนอ offer ที่แตกต่างกันไปตามแต่กลุ่มลูกค้าให้ตรงใจลูกค้าแต่ละกลุ่มมากที่สุด โดยเลือกใช้ช่องทางการตลาดที่แตกต่างกันไปด้วย ซึ่งวิธีการเช่นนี้ก็ย่อมได้ performance ที่ดีกว่า stage แรก เนื่องจากมีเป้าหมายที่ชัดเจน ถ้าหากมีการทำวิจัยทางการตลาดที่ดี ก็ย่อมได้ผลลัพธ์ที่โดนเป้ามาก มีประสิทธิภาพมาก
3. Event-based marketing ก็เป็นการพัฒนาต่อจาก stage ที่สอง โดยนอกเหนือไปจากการแบ่งกลุ่มลูกค้าแล้ว ก็ยังมุ่งเน้นไปที่การตอบสนองลูกค้าให้ตรงตามเหตุการณ์ (event) ที่เกิดขึ้น ณ ขณะนั้นด้วย ตัวอย่างที่เห็นได้ชัดเจน เช่น เมื่อลูกค้าเดินทางถึงสนามบิน ค่ายโทรศัพท์มือถือ ก็อาจส่ง sms โปรโมชั่นที่เกี่ยวกับการ roaming ไปให้ลูกค้าคนนั้น หรือเมื่อลูกค้าใช้โทรศัพท์มือถือเล่น internet จนใกล้หมดโควต้า ก็ส่งโปรโมชั่นเติมเนทไปให้ ณ ขณะนั้น ก็เป็นการตอบสนองความต้องการของลูกค้าได้ดียิ่งขึ้น เนื่องจากเพิ่มมิติของเวลาเข้าไปด้วย ก็ช่วยให้ทำ marketing ได้ตรงเป้ามากยิ่งขึ้น
4. Contextual marketing ก็เป็นขั้นสุดการการทำ marketing ในปัจจุบัน โดยสิ่งที่พัฒนาขึ้นมาอีกขั้นก็คือ แทนที่จะแบ่งลูกค้าออกเป็นกลุ่มๆ ตาม stage 2 กลับไปพุ่งความสนใจในตัวลูกค้าแต่ละคนโดยตรงเลย ซึ่งก็ทำได้โดยการเก็บข้อมูลลูกค้าแต่ละคนไว้ ไม่ว่าจะเป็นข้อมูลพื้นฐานส่วนตัว พฤติกรรมการใช้งานในอดีต ฯลฯ ประกอบกับ real time event มาวิเคราะห์รวมกัน (โดยใช้ machine learning) แล้วเสนอ offer ให้ลูกค้าแต่ละคนแตกต่างกันไปในรายบุคคล ซึ่งผลที่ได้ก็ยิ่งจะตอบสนองความต้องการของลูกค้าได้ตรงใจมากยิ่งขึ้นอีก และเป็น stage ที่มี performance สูงที่สุด

Online marketing vs Contextual marketing

ปัจจุบันธุรกิจต่างๆ ก็มีการทำ Online marketing กันมากขึ้น แต่ว่า Online Ad เหล่านั้นก็มักจะไม่มีประสิทธิภาพมากนัก โดยจาก website clario.co ระบุว่า ทุกวันนี้คนทั่วไปจะพบเห็น Ad มากถึง 5,000 ตัวในแต่ละวัน และที่สำคัญคือ เรามักจะจำ Ad เหล่านั้นไม่ได้ด้วย โดยเหตุผลที่สำคัญก็คือ Ad เหล่านั้น มักจะไม่ relevance หรือ มีความเกี่ยวข้องกับสิ่งที่เราสนใจ ณ ตอนนั้น เวลาเราเห็น Ad ก็มักจะแค่เห็นแล้วก็ปล่อยผ่านไป ไม่ได้ไปสนใจจำ หรือคลิกเข้าไปดูมากนัก

แต่หากธุรกิจได้มีการทำ contextual marketing ธุรกิจก็จะทำให้ Ad ของตัวเอง relevance กับลูกค้าของตนเองได้ดียิ่งขึ้น เนื่องจากเป็นการยิง Ad ที่มีความเกี่ยวข้องกับความสนใจ อารมณ์ลูกค้า ความต้องการ ณ ขณะนั้นๆ ก็ย่อมมีโอกาสที่จะเข้าเป้า ตรงใจลูกค้าได้มากขึ้น

Contextual marketing

A system that knows the context i.e, where I am, what am I trying to do, what’s my interest level, state of mind, state of emotion etc., and sends a relevant message, that is going to resonate with me at that point in time.

ลองพิจารณาความหมายของ Contextual marketing ข้างต้น ก็หมายถึง ระบบที่ตอบสนองความลูกค้าได้ตรงตามบริบท ณ ขณะนั้นๆ ไม่ว่าจะเป็นบริบทด้านสถานที่ เช่น ลูกค้ากำลังเดินเข้ามาที่ห้างสรรพสินค้า บริบทด้านจุดประสงค์ เช่น ลูกค้ากำลังเข้ามาที่เวบไซต์ของเราเพื่อต้องการจะหาข้อมูลอะไร หรือด้านอื่นๆ เช่น ระดับความสนใจ สภาพอารมณ์ สภาพจิตใจ ซึ่งหากเราสามารถพัฒนาระบบนี้ขึ้นมาได้ ก็น่าจะช่วยให้สินค้าหรือบริการของเราถูกส่งไปเสนอให้ลูกค้า ณ เวลาที่เกี่ยวข้อง หรือลูกค้ามีความต้องการได้ดีที่สุด ย่อมช่วยเพิ่มโอกาสในการปิดการขายได้มาก

อีกทั้งเนื่องจาก ระบบ contextual marketing นี้เป็นการใช้ machine learning มาเรียนรู้ data ของลูกค้าที่มีอยู่มหาศาล ซึ่งการทำ marketing แบบเดิมๆ นั้นมักจะต้องใช้ resource เยอะ ไม่ว่าจะเป็นการตั้งทีม marketing มาช่วยกันคิด campaign หรือ คิดสินค้าใหม่ๆ ซึ่งก็ไม่ค่อย effective เนื่องจากเป็นการให้คนไปเรียนรู้ data ที่มีมหาศาล บางครั้งก็มากเกินที่คน 1 คนจะเรียนรู้หรือทำความเข้าใจได้หมด ก็ยากที่จะเสนอ campaign ที่ออกมาแล้วจะตรงใจลูกค้า

จึงน่าจะดีกว่าถ้าเราจะให้ machine มาเรียนรู้จาก data ลูกค้าของเรา จนทราบความชอบ อารมณ์ความรู้สึก ของลูกค้า แล้วเสนอ campaign ที่ตรงใจกับลูกค้าแต่ละคน ซึ่งก็ช่วยประหยัด resource ขององค์กรได้อีกด้วย จนมีคำกล่าวว่า contextual marketing เป็นการ ‘market less, and more effectively’

องค์ประกอบของ context

Context สำหรับการทำ marketing ก็แบ่งออกเป็น 3 องค์ประกอบใหญ่ๆ คือ

1. Real-time event หมายถึง เหตุการณ์ที่เกิดขึ้น ณ ขณะนั้นๆ เช่น การที่ลูกค้าเปิดโทรศัพท์มือถือ ขึ้นมา ก็อาจเป็น event ที่ trigger ให้ค่ายโทรคมนาคมส่งข้อความบางอย่างให้กับลูกค้า
2. States หมายถึง กิจกรรมที่กำลังเกิดขึ้น ซึ่งจะเกิดขึ้นเป็นช่วงระยะเวลาสั้นๆ เช่น การที่ลูกค้ากำลังใช้โทรศัพท์มือถือเล่น Facebook หรือ ดูคลิปใน Youtube ก็อาจนำ state ของลูกค้ามาเป็น feature ของลูกค้าส่งให้ machine ไป predict ตาม state นั้นๆ เช่น ลูกค้าเล่น Facebook อยู่ ก็อาจส่ง Promotion ใช้ Facebook ไม่จำกัดเป็นเวลา 1 วัน
3. Identity หมายถึง อัตลักษณ์ของลูกค้าแต่ละคน ซึ่งจะคงเดิมเป็นช่วงระยะเวลาที่ค่อนข้างยาวนาน เช่น ไลฟ์สไตล์ ความสนใจ อาชีพ

เราสามารถพัฒนาระบบ contextual marketing โดยการเก็บข้อมูลลูกค้าตาม context ตาม Channel ต่างๆ (เช่น facebook, twitter) เป็น feature สำหรับป้อนเข้า machine learning model แล้วให้ model ทำนายออกมาว่า จาก inventory ที่เรามีอยู่ (คลังของ offer ของสินค้าและบริการแบบต่างๆ) ควรส่งโปรโมชั่นอะไรไป (เป็นการทำ Classification นั่นเอง)

ตัวอย่างเช่น ลูกค้า A มี context คือ A เป็นนักศึกษาวัยรุ่น มีกำลังซื้อต่ำ ชอบกินอาหาร fast food (Identity) กำลังเดินเล่นโทรศัพท์คุยไลน์กับเพื่อน (State) และตอนนี้กำลังจะเดินผ่านร้าน Mcdonald’s (Real-time events) เรามี inventory คือ โปรโมชั่นลดราคา และ โปรโมชั่นเพิ่มปริมาณฟรี เราควรส่งโปรโมชั่นไหนไปให้ลูกค้า A ดี

เราก็นำ feature เหล่านี้ป้อนเข้าไปที่ model ตัว model ของเราอาจจะเคยเรียนรู้จนทราบว่าที่ผ่านมาลูกค้าที่มี feature แบบเดียวกันนี้ เราเคยเสนอโปรโมชั่นลดราคาแล้วได้ผลตอบรับที่ 80% และเคยเสนอโปรโมชั่นเพิ่มปริมาณแล้วได้ผลตอบรับที่ 70% model ของเราก็เลยตัดสินใจว่าจะเสนอโปรโมชั่นลดราคาไปให้ลูกค้า A ณ ตอนนี้ ซึ่งก็น่าจะช่วยให้เราตอบสนองความต้องการได้ตรงใจลูกค้า ณ ขณะนั้นๆ ได้ดีกว่าการทำการตลาดแบบเดิมๆ

การ Trade off กันระหว่าง Precision กับ Recall

ตัวอย่างกราฟ Precision กับ Recall จากการทำนายผล 2-class classification model

เนื่องจากการทำ Contextual marketing เป็นการใช้ machine learning ในการทำ classification ทำให้ผลลัพธ์ที่โมเดลทำนายออกมา จะมีการ trade off กันอยู่ ระหว่าง precision กับ recall เช่น ถ้าต้องการให้โมเดลทำนายออกมาแม่นๆ precision ดี ยิง ad แล้วลูกค้าซื้อค่อนข้างแน่ ก็ต้องมีการ scope ลูกค้าให้เล็กลง (recall ต่ำ) แล้วยิง ad เฉพาะลูกค้ารูปแบบนี้เท่านั้น ผลที่ได้คือ ad ที่ยิงไปนั้น ลูกค้าซื้อเยอะมาก แต่ว่าปริมาณ ad ที่ยิงนั้นจะไม่ได้เยอะมาก เนื่องจากมีการ scope ลูกค้าเป็นกลุ่มเล็ก ยอดขายที่ได้จากการยิง ad แม่นๆ แบบนี้ จึงมักจะไม่ได้สูงมากเท่าไหร่

หรือถ้าหากต้องการยิง ad ไปยังลูกค้าจำนวนมาก (ทำให้ให้โมเดลมี recall สูงๆ ) ก็จะได้ผลลัพธ์ที่แม่นยำ (precision) ลดลง การยิง ad แบบนี้แม้จะได้ยอดขายที่สูง แต่ก็มีค่าใช้จ่ายที่สูงด้วย เนื่องจากยิ่งแล้วไม่เข้าเป้าเยอะ เพราะ precision ต่ำ

ในทางปฏิบัติก็ต้องหาเส้นต้นทุนและรายได้ เพื่อคำนวณหาจุด optimum ระหว่างต้นทุนกับรายได้ของการเลือกใช้ precision กับ recall ค่าต่างๆ กัน ว่าควรเลือกใช้ค่าใด ธุรกิจจึงจะได้ผลกำไรสูงสุด

ลองพิจารณาตัวอย่างใน slide เป็นการพิจารณาการยิง ad แบบต่างๆ โดยบริษัทมี Iphone ที่ต้องการขาย 1,000 เครื่อง มีฐานลูกค้า 10,000 คน ควรจะเลือกยิง ad แบบไหนดี

1. ต้องการ recall สูง จึงส่งไปถึงลูกค้าทั้งหมด 10,000 คนเลย สมมติค่ายิง ad อยู่ที่ ad ละ 1 บาท ต้นทุนการยิง ad ทั้งหมด = 10,000 บาท
   เนื่องจากยิงแบบไม่ได้ target กลุ่มลูกค้า ก็น่าจะไม่ตรงใจลูกค้ามากนัก precision ต่ำ สมมติ click rate = 50% ก็จะมีลูกค้า click เข้าไปดู 5,000 คน
   จากคนที่ click เข้าไป ปิดการขายได้ 500 คน สมมติจากการขาย 1 ครั้งได้กำไร 10 บาท ก็จะได้กำไรรวม 5,000 บาท
   สรุป แบบที่ 1 : ต้นทุนการยิง ad ทั้งหมด = 10,000 บาท กำไรรวม 5,000 บาท รวมแล้วในการยิง ad แบบนี้ บริษัทจะขาดทุน 5,000 บาท
2. ลด recall ลงมา โดยเลือกกลุ่มลูกค้าที่คิดว่าน่าจะตรงกับ ad ของเรามา 5,000 คน ต้นทุนการยิง ad ทั้งหมด = 5,000 บาท
   เนื่องจากมีการเลือกกลุ่มลูกค้ามาแล้ว ก็น่าจะมี click rate สูงขึ้น สมมติ = 60% ก็จะมีลูกค้า click เข้าไปดู 3,000 คน
   จากคนที่ click เข้าไป ปิดการขายได้ 400 คน ก็จะได้กำไรรวม 4,000 บาท
   สรุป แบบที่ 2 : ต้นทุนการยิง ad ทั้งหมด = 5,000 บาท กำไรรวม 4,000 บาท รวมแล้วในการยิง ad แบบนี้ บริษัทจะขาดทุน 1,000 บาท
3. ลด recall ลงมาอีก โดยเลือกกลุ่มลูกค้าที่คิดว่าน่าจะตรงกับ ad ของเราที่สุด ได้ 1,000 คน ต้นทุนการยิง ad ทั้งหมด = 1,000 บาท
   เนื่องจากมีการเลือกกลุ่มลูกค้าที่ตรงที่สุด ก็น่าจะมี click rate สูงขึ้น สมมติ = 80% ก็จะมีลูกค้า click เข้าไปดู 800 คน
   จากคนที่ click เข้าไป ปิดการขายได้ 400 คน ก็จะได้กำไรรวม 4,000 บาท
   สรุป แบบที่ 3 : ต้นทุนการยิง ad ทั้งหมด = 1,000 บาท กำไรรวม 4,000 บาท รวมแล้วในการยิง ad แบบนี้ บริษัทจะกำไร 3,000 บาท

ก็จะเห็นว่าถ้าต้นทุนเป็นแบบนี้ บริษัทก็ควรเลือกยิง ad แบบที่ 3 ทำให้บริษัทได้กำไร 3,000 บาท (แต่ถ้าต้นทุนการยิง ad เปลี่ยนไป ก็อาจต้องเลือกยิง ad แบบอื่น เช่น ถ้าต้นทุนเปลี่ยนเป็น ยิง ad ครั้งละ 0.1 บาท การยิง ad แบบที่ 1 จะได้กำไรมากที่สุด)

Chatbot กับการทำ Contextual marketing

ตัว Chatbot เองนั้น ก็มีความเป็น contextual อยู่ในตัว เนื่องจากเราสามารถเก็บข้อมูลของลูกค้าแต่ละคน เช่น คำถาม-คำตอบที่ลูกค้าแต่ละคนส่งมา ประกอบกับข้อมูลพื้นฐานของลูกค้า ก็สามารถนำข้อมูลเหล่านี้มาสร้างเป็น dataset เพื่อใช้ train model ได้

ลองดูตัวอย่างจากสไลด์ แถวบน หมายถึง การทำ Event-based marketing โดยเมื่อลูกค้าส่งข้อความต่างๆ มา chatbot ก็สามารถตีความได้ว่า ข้อความเหล่านั้น มี intent อย่างไร เช่น ลูกค้าส่งมาว่า หิวข้าว, ท้องร้อง, หิวสุดๆ ก็ตีความว่าข้อความเหล่านี้มี intent เดียวกันคือ หิวข้าว จะเห็นว่าข้อมูล intent หิวข้าว ก็ถือเป็น event อย่างหนึ่ง ถ้าเรามีการเก็บข้อมูลลูกค้าไว้ เราก็สามารถพัฒนา Event-based marketing ได้ โดยเราอาจ map คำตอบกับ intent หิวข้าว เช่นให้บอทถามลูกค้ากลับไปว่า ข้าวมันไก่ดีมั้ย หรือเสนอขายอาหารแบบต่างๆ

และเรายังอาจพัฒนาเป็น contextual marketing ได้อีกด้วย โดยเราอาจไม่หยุดแค่การ map คำตอบ แต่ออกแบบ dialog มาถามข้อมูลเพิ่มเติม ว่าลูกค้าชอบอาหารประเภทไหน เพื่อตอบสนองให้ตรงใจตรง context ได้มากขึ้น เช่น ถามว่าลูกค้าอยากกินอาหารไทยหรืออาหารฝรั่ง ถ้าลูกค้าชอบอาหารไทย ก็ให้ bot ตอบว่า กินข้าวมันไก่ไหม ถ้าลูกค้าชอบอาหารฝรั่ง ก็ให้ bot ตอบว่า พิซซ่ามั้ยเฮีย เป็นต้น ก็เป็นการเก็บข้อมูล context ของลูกค้ามาเพิ่มเติม ก็จัดว่า เราสามารถใช้ chatbot เป็นเครื่องมือในการทำ contextual marketing ในอีกรูปแบบหนึ่งได้

สรุปคำบรรยายของแขกรับเชิญ ดร.ดนัย Lead Data Scientist บริษัท Knowesis

ทำไมต้องทำ contextual marketing?

เนื่องจากในความเป็นจริงนั้น มนุษย์ทุกคนก็แตกต่างกัน การจะตอบสนองลูกค้าของเราให้ดีที่สุด ก็คือการทำความรู้จักลูกค้าแต่ละคนให้ดีที่สุด ตัวอย่าง บ.โทรคมนาคม ในกลุ่มลูกค้า pre-paid แต่ละคนก็มีพฤติกรรมการเติมเงินที่แตกต่างกัน ทั้งจำนวน ทั้งช่วงเวลาในการเติม ถ้าอยากจะตอบสนองแต่ละคนให้ถูกต้อง จะมองลูกค้าเป็นกลุ่มแค่ pre-paid กับ post-paid ย่อมไม่เพียงพอ แต่ต้องรู้ให้ได้ว่าลูกค้าแต่ละคนมีพฤติกรรมแบบนี้เพราะอะไร แต่ละคนชอบอะไร จึงต้องอาศัยการทำ contextual marketing

contextual marketing ถ้าจะนิยามง่ายๆ ก็คือการส่งของ(โปรโมชั่น) ให้ถูกที่ ถูกเวลา ถูกบริบท (context) โดย personalized เฉพาะตัวลูกค้าแต่ละคนด้วย ดังนั้นจึงการทำ contextual จึง เป็น BTL หรือ Below the line promotion ไปในตัว

ATL (Above the Line) : promotion ที่ส่งให้กับลูกค้าทุกคนเหมือนกัน ทุกคนรับรู้ promotion นี้เหมือนๆ กัน เช่น promotion ตามป้ายโฆษณา หรือสื่อโทรทัศน์วิทยุ

BTL (Below the Line) : promotion ที่ส่งให้ลูกค้าแต่ละคนไม่เหมือนกัน และไม่ใช่ทุกคนที่จะทราบถึง promotion นี้ เช่น เมื่อบ.โทรคมนาคม ทำนายได้ว่าลูกค้าคนนี้ใกล้จะย้ายค่าย (churn) ก็ส่งโปรลับไปดึงให้ลูกค้าคนนี้ยังคงใช้งานค่ายเราต่อ ซึ่งถ้าเรามีการทำ contextual ด้วย โปรที่ส่งไปนี้ก็ personalized ตามตัวลูกค้า ตามรูปแบบการใช้งานของเขา และถ้าโมเดลสามารถทำนายเหตุผลที่ churn ได้ด้วย ก็จะยิ่งมีแนวโน้มที่จะส่งโปรที่ตรงใจลูกค้าได้ดีขึ้น ลดโอกาสการ churn ของลูกค้าได้มากขึ้นไปอีก เช่น ถ้าทำนายว่า churn เพราะค่าบริการแพง ก็เสนอโปรราคาพิเศษให้ เป็นต้น

ความแตกต่างระหว่าง Traditional marketing กับ contextual marketing

การทำ marketing แบบเดิม ก็คือ การทำ Traditional segmentation ก็จะมีการแบ่งลูกค้าออกเป็น segment ต่างๆ แล้วก็ทำ campaign แยกตามแต่ละ segment ซึ่งก็มีปัญหาหลักๆ 2 อย่าง

1. มี marketing operation ที่สูง เนื่องจาก ณ ขณะหนึ่ง บริษัทก็จะรัน campaign เป็นจำนวนมาก เช่น 50 ไปจนถึง 500 campaign ก็มี ก็ต้องมีการแบ่งทีมไปดูแล campaign เป็นการเปลือง resource ค่อนข้างมาก
2. แต่ละ segment มีการ overlap กัน ทำให้บาง campaign เกิดการ overlap กันได้ ถ้าหากไม่ได้มีการ manage ที่ดีระหว่างทีม campaign ต่างๆ ก็อาจเกิดปัญหาความซ้ำซ้อน ในบางครั้งก็อาจทำให้มีการยิง ad ไปที่ลูกค้าคนเดิมซ้ำซ้อน หลายๆ campaign เช่น การ bombard sms โปรโมชั่นต่างๆ ไปยังลูกค้าคนเดิม เป็นสิบๆ ข้อความในชั่วโมงเดียวกัน ทำให้ลูกค้าเกิดความรำคาญได้

contextual marketing ก็จะมาช่วยลดปัญหาดังกล่าวได้ โดยที่บริษัท knowesis เรียกตรงนี้ว่า Next best offer (NBO) ซึ่งเป็นการพุ่งตรงไปที่ลูกค้าแต่ละคนเลย ว่ามีพฤติกรรมยังไง มีความชอบแบบไหน โดย สมมติว่าบริษัทมี 10,000 offers แทนที่จะแบ่งกลุ่มแบบเดิมแล้วยิง offers ไปตามกลุ่ม แต่ NBO ก็จะพยายาม learn จาก data โดยการใช้ recommendation system มาทำนายว่าอะไรคือ 3 best offers สำหรับลูกค้าแต่ละคน แล้วส่ง best offers ไปให้ลูกค้าแต่ละคนโดยตรงเลย ก็เป็นการลด marketing operation รวมถึง แก้ปัญหา segment overlap ได้

การวัดผลของ campaign

เราอาจเปรียบเทียบ campaign ต่างๆ ได้โดยต้องดูประกอบกันทั้งจาก Take up rate และ volume

1. Take up rate หมายถึง ส่งของให้คน 100 คน มีการซื้อจริงกี่คน เช่น ถ้าซื้อจริง 10 คน take up rate = 10% เป็นตัวบ่งบอกว่า campaign มีประสิทธิภาพแค่ไหน ซึ่งการเปรียบเทียบ take up rate ก็ต้องคำนึงถึง channel ที่ใช้ด้วย ว่าเป็น channel inbound หรือ outbound (เพราะ inbound มักจะมี take up rate ที่สูงกว่า)

Inbound (push) เป็นการหว่านแหส่งไปให้ลูกค้าทุกคน เช่น 9 โมงเช้า ส่ง sms promotion ไปให้ลูกค้าทุกคน ก็มักจะมี take up rate ที่ต่ำ (ในทางปฏิบัติเคยเห็นที่ประมาณ 1%)
Outbound (pull) เป็นการส่งไปให้ลูกค้า ก็ต่อเมื่อลูกค้ามี action บางอย่างก่อน เช่น ลูกค้าเปิด app the1 card แล้วจึง pop up show promotion ไปให้ ซึ่งมักจะมี take up rate ที่สูง (ในทางปฏิบัติเคยเห็นสูงสุดที่ 30–40%)

2. Volume ก็คือปริมาณที่เกิดขึ้นจริง เช่น จาก take up rate 10% คูณกับ volume 1 ล้านคน ก็คือ มี No. of taker = 100,000 คน จากนั้นก็คำนวน Revenue per taker , Margin per taker แล้วนำไปเปรียบเทียบในแต่ละ campaign ของเรา ว่า campaign ไหน ได้ performance ดีที่สุด

Success story

จากประสบการณ์ที่ผ่านมา ลูกค้ามักไม่เปิดเผยตัวเลขผลกำไรที่ได้จริง แต่จะทราบถึง take up rate โดยตัวที่ประสบความสำเร็จ สามารถดัน take up rate ให้เพิ่มขึ้น 30–40% ได้ รวมถึง เคยดัน revenue, ROI ให้เพิ่มขึ้นเป็น 2 เท่าได้ด้วย แต่ทั้งนี้ก็ไม่ควรดูแค่ตัววัดผลเหล่านั้น เพราะจริงๆ แล้ว การทำ contextual marketing ก็ช่วยลด marketing operation cost ได้ด้วย ดังที่เคยกล่าวไว้ข้างต้น ที่ในองค์กรมักจะมีทีม marketing หลายทีม แต่ละทีมก็ดูแลหลาย campaign การทำ contextual marketing จึงช่วยลด cost เหล่านี้ด้วย และยังทำให้มีประสิทธิภาพเพิ่มขึ้นด้วย เนื่องจากใช้ machine มาเรียนรู้จาก data ซึ่งเป็นสิ่งที่ machine ทำได้มีประสิทธิภาพดีกว่าคนแน่นอน จากเดิม 1 campaign ถ้าใช้คนทำ อาจใช้เวลา 3 อาทิตย์ แต่พอมาใช้ machine ก็ทำได้เร็วขึ้น

คำถามในคลาส

ถ้าองค์กรเล็กอยากเริ่มทำ NBO ควรเริ่มต้นอย่างไร?

1. ต้องเริ่มเก็บ data ให้ได้ก่อน โดยต้องมี data warehouse ที่สามารถบ่งบอก personality ของลูกค้าแต่ละคนให้ได้ โดยเริ่มต้นอาจเก็บโดยใช้ google form หรือทำ survey หรือทำบัตรสมาชิก บัตรสะสมแต้มใน Line ก็ได้
2. นำ data มาทำเป็น data mart เพื่อให้เหมาะต่อการนำไป analyze หรือ ทำกระบวนการทาง data science ต่อไป
3. นำผลวิเคราะห์ที่ได้มาพัฒนา marketing stage ของเรา เริ่มต้นก็อาจทำ segment ลูกค้าให้ได้ก่อน หลังจากนั้นก็พัฒนา เพิ่ม event เข้าไป ได้ event-based marketing จนสุดท้ายเมื่อพัฒนาโมเดลได้ ก็สามารถทำ contextual marketing ได้
4. เมื่อเก็บข้อมูลอย่างต่อเนื่อง เทรนโมเดลเพิ่ม และมีการวัดผลแต่ละโมเดล โมเดลของเราก็จะฉลาดขึ้น และตอบสนองความต้องการลูกค้าได้ดีขึ้นเรื่อยๆ

ปัจจุบัน ใน data mart ของบริษัทจริงๆ มีการเก็บข้อมูลลูกค้าประมาณ กี่ feature?

จริงๆ แล้ว แต่ละบริษัทมักจะมี data mart แยกย่อยตามประเภทของการใช้งาน เช่น ฝ่าย finance ก็จะมี data mart แบบหนึ่ง ฝ่าย IT ก็มีแบบหนึ่ง แต่ถ้าจะดู data mart ของฝ่าย analytic ก็มีความแตกต่างกันไป ถ้าบริษัทไหนเพิ่งเริ่ม ก็อาจมีแค่หลักสิบ ถ้าทำจริงจังแล้ว ก็อาจมีตั้งแต่ 500–1,000 feature ก็ไม่แปลก

note : จริงๆ แล้ว จำนวน feature ก็ไม่สำคัญเท่ากับว่า feature ที่ทำออกมานั้น มีความสำคัญจริงไหม บางครั้ง โมเดลที่มีแค่ 10 feature แต่ล้วนเป็น feature ที่ดีที่มีความสำคัญ ก็อาจทำนายได้ดีกว่า โมเดลที่ใช้ 1,000 feature แต่ว่าเป็น feature ที่ไม่มีความสำคัญก็ได้

ปัญหาที่เคยเจอ?

ช่วงแรกๆ อาจจะเจอปัญหาว่า marketing ทีมเดิมๆ ยังคงยึดติดกับ traditional ไม่อยากเปลี่ยนแปลง จึงไม่ค่อยให้ความร่วมมือ แต่เดี๋ยวนี้ไม่ค่อยเจอแล้ว

และที่เจอบ่อยคือ data ที่ data engineer ทำไว้ไม่รอบด้าน ยังไม่สามารถทำ customer 360 ได้ ทำให้งานล่าช้า

สรุป

กระบวนการทำ data science มันก็เหมือนการปรุงอาหารให้อร่อย ถ้าวัตถุดิบ(data)ยังไม่ดี เชฟ(data scientist) ก็ยากที่จะปรุงอาหารออกมาให้อร่อยได้

การจะทำงานออกมาให้ work ก็ต้องอาศัยความร่วมมือที่ดี โดย data scientist ก็ต้องรับโจทย์จากธุรกิจมาทำความเข้าใจให้ตรงกัน แล้วสื่อสารความต้องการไปยัง data engineer ว่าต้องการ attribute แบบไหน ถ้าทุกฝ่ายเข้าใจตรงกัน งานก็สามารถออกมาดีได้ในที่สุด