รีวิวเรียน Marketing Analytics (4/5) ใน Coursera
เรื่อง Marketing Experiments
เราต้องเข้าใจความแตกต่างระหว่าง “ความสัมพันธ์” กับ “สาเหตุ” ตัวอย่างเช่น พาดหัวข่าวว่า ‘การอดข้าวเช้าทำให้อ้วนได้จริงหรือ’
คนที่อดข้าวเช้าและอ้วนอาจจะมี “ความสัมพันธ์” บางอย่างกันจริง
แต่การอดข้าวเช้าเป็น “สาเหตุ” ที่ทำให้อ้วนไหม หรืออาจจะมี “สาเหตุ” อื่นอีก
เช่น คนที่ไม่ออกกำลังกาย ชอบตื่นสายเลยทำให้ไม่ได้กินข้าวเช้า แต่การไม่ออกกำลังกายเป็น “สาเหตุ” ที่ทำให้อ้วน
หรือ
คนที่เป็นสายเที่ยวกลางคืน กลับดึก ตื่นสายไม่ทันกินข้าวเช้า แต่เพราะดื่มหนักหรือเปล่าที่เป็น “สาเหตุ” ทำให้อ้วน
การหา “ความสัมพันธ์” กับ “สาเหตุ” สำคัญกับ marketing อย่างไร ?
เราพยายามจะหาว่า marketing และ sale มี “ความสัมพันธ์” หรือมี “สาเหตุ” เกี่ยวโยงถึงกันขนาดไหน ส่วนไหนบ้าง จึงเป็นเรื่องสำคัญที่จะทำ experiments
รวมไปถึงการหา Return of Investment ด้วย
คำถามสำคัญที่เราควรถามอยู่เสมอคือ ‘เราสามารถทำให้ยอดขายเพิ่มขึ้นในขณะที่ค่าใช้จ่ายในการโฆษณาของเราเท่าเดิมหรือลดลงได้หรือเปล่า’ และ experiments จะมาช่วยตอบคำถามข้อนี้
ปัจจัย 4 ข้อ
1. marketing เปลี่ยน sale เปลี่ยน
2. marketing ไม่เปลี่ยน sale ไม่เปลี่ยน
3. Time Sequence – marketing เปลี่ยนวันนี้ sale เปลี่ยนพรุ่งนี้
4. sale เปลี่ยนด้วยปัจจัยภายนอก (เช่น คู่แข่งออกจากตลาด)
ศัพท์ที่ต้องรู้
Independent variable – คือยอดที่ควบคุมได้เอง เช่น ค่าโฆษณา
Dependent variable – เป็นยอดที่ dependent ตามชื่อ จะมากน้อยก็ขึ้นอยู่ independent เป็นหลัก เช่น sale , brand awareness
Experiments จะเข้ามาให้คำตอบว่า Independent variable ให้ Dependent variable จริง ๆ เท่าไหร่
โครงสร้างของ experiments ให้นึกถึงห้องทดลองวิทยาศาสตร์ที่ใช้หนู (ไม่ได้ตั้งใจจะเปรียบเทียบลูกค้าเป็นหนูทดลองแต่ตัวอย่างนี้เห็นภาพที่สุด)
คือเราแบ่งหนูทดลดงออกเป็นสองกลุ่ม
1. control group
2. test group
ให้หนูใน control group กินยาปลอม และให้หนูใน test group กินยาจริง เพื่อวัดผล เป็นต้น
ใน marketing ก็คล้ายกัน เรามีสิ่งที่เรียกว่า basic design คือ
สมมติมีลูกค้า 1,000 คน เราแบ่งลูกค้าออกเป็น 2 แคมเปญที่พูดถึงความรู้สึกของสินค้าที่ต่างกัน เช่น
1. 500 คน ดูโฆษณาที่รู้สึกว่ากินแล้วอร่อย
2. 500 คน ดูโฆษณาที่รู้สึกว่ากินแล้วสุขภาพดี
ทดลองแล้วพบว่ากลุ่มที่ 1 ทำยอดขายได้ดีกว่ากลุ่มที่ 2 = 20% เป็นต้น
คำถามต่อมาคือ แล้วเราจะเลือกได้อย่างไรว่าให้ใครอยู่ในกลุ่มไหน
คำตอบก็คือการสุ่ม
เพื่อลดอคติของตัวเราเองด้วย
แต่บางกรณีอาจจะต้องดู attribute อื่น ๆ ถ้าทำการสุ่มไม่ได้ เช่น demographics เป็นต้น
เช่น สมมติต้องขายเสื้อกันหนาวผ่านแคมเปญโฆษณาบนโทรทัศน์ ก็อาจจะต้องเลือก test group และ control group จากเมืองเมืองที่มี attribute เป็นเมืองหนาว เป็นต้น
แต่บางครั้งการสุ่มก็ไม่ได้เที่ยงตรงเสมอไป เราจึงต้องมีสิ่งที่เรียกว่า before and after design (แค่เพิ่มสองขั้นตอน จาก basic design)
คือเริ่มแรกหลังจากแบ่ง 1,000 คน ออกเป็นสองกลุ่ม กลุ่มละ 500 คนแล้ว ให้ทั้งสองกลุ่มดูโฆษณาชุดเดิมก่อน แล้ววัดผลยอดขาย
หลังจากนั้นค่อยให้ test group ดูโฆษณาชุดใหม่ ในขณะที่ control group ก็ดูชุดเดิม แล้ววัดผล
จากนั้นนำยอดขายของทั้งสองรอบมาหา sales lift ซึ่งในกรณีนี้คือ = 100 units
web experiments เป็นตัวเลือกที่ทันสมัยกว่า basic design ที่เรียนกันไปก่อนหน้านี้ เพราะอันนั้นทำได้แค่ ad แต่ web ex นี้ทำได้กว้างขวางกว่ามาก ใส่ตัวแปรได้เยอะกว่า ถูกและรวดเร็วกว่า ลองตัวแปรหลายอย่างในเวลาเดียวกันได้ด้วย
ตัวอย่างตามภาพ
ราคาอยู่ที่ $1.89 และ ad copy คือ Good for you แต่อยากลองทำ Web ex ทีเดียว 9 แบบ เพิ่อจะหาว่าคู่ไหนทำยอดขายได้ดีที่สุด ท่านอาจารย์ไม่ได้บอกระยะเวลาว่าทดลองไปนานเท่าไร แต่ผลลัพธ์คือ ราคา $2.15 และ Tastes Better ทำยอดขายได้ดีที่สุด จุดที่ดีสุดท่านอาจารย์พาเรียกว่า Sweet Spot
ตัวอย่างแบบจับต้องได้จากแบรนด์ Etch A Sketch จากบริษัท Ohio Art จ้า
เริ่มต้นที่คำถามว่า ‘เราเพิ่มยอดขายจากการลงโฆษณาในทีวีได้ไหม’
ก็เลยไปดูยอดขายทั้งปี ปรากฏช่วง Holiday season ขายดีสุด เป็นช่วงเดือนธันวามกรา
สิ่งที่แบรนด์เริ่มทำคือแยกเมือง Cincinati เมืองเดียวเป็น test group และเมืองอื่น ๆ เป็น control group ก่อน แล้วยิงโฆษณาเพราะ test group
แบรนด์เก็บ pre-existing ก่อนเป็นเวลา 12 สัปดาห์ ส่วนแบ่งการตลาดของ test group คือ 9.6% (สมการคือ 162/162+1526)
หลังจากนั้นก็ยิงโฆษณาเฉพาะ test group ไป 3 สัปดาห์ สิ่งที่เกิดขึ้นคือยอดขายใน test group เพิ่มเป็น 13.1% สูงขึ้น 136.1% (สมการคือ 13.1/9.6)
แต่มันใกล้ช่วงพีคที่ขายดีมาก ๆ เลย เพราะเก็บข้อมูลช่วงปลาพฤศจิกายนต้นธันวาคม สิ่งที่ทำได้คือลองไปดูสินค้าตัวอื่นที่ใกล้เคียงกัน ในกรณีนี้คือ Doodle เป็น control product พบว่ายอดขายตกลงเหลือ 96.7%
Net lift ของ Etch A Sketch ที่ได้คือ 39.4% (สมการจาก 136.1-96.7)
แล้ว Net lift อันนี้มัน make sense ไหม
ราคาขายต่อชิ้นคือ 10 ดอล กำไรอยู่ที่ 36%
ราคาผลิต 6.4 ดอล (สมการคือ 10*(1-36%))
manufacturer contribution margin = 58% = $3.71 (สมการคือ 6.4*58%)
ข้อมูลเพิ่มเติม Contribution Margin : https://pantip.com/topic/34103224
Nation budget 5 ล้าน
จุดคุ้มทนคือต้องขายให้ได้ 1,346,983 ชิ้น (สมการคือ 5,000,000/3.71)
ทั้งปีก่อนจะทำ experiment ขายได้แล้ว 3.1 ล้านชิ้น
ช่วงที่ทำ experiment ขายได้ 1.08 ล้านชิ้น
หา Break Even Lift ได้ด้วยการเอา ‘จุดคุ้มทุน/ยอดขายช่วงทดลอง’ ซึ่งก็คือ 1,346,983/1,085,000 = 124%
แต่ Net Lift ได้ 39.4% ซึ่งถือว่าไม่คุ้มที่จะทำ (แล้วคุ้มคือเท่าไหร่อะ เปอร์เซ็นต้องเท่ากันเหรอ อันนี้อาจารย์ไม่ได้บอก เดี๋ยวขอไปหาข้อมูลเพิ่มเติมก่อน mark ทิ้งไว้***)
อีกหนึ่งตัวอย่างจาก Ohio Art คือ Betty Spaghetty
โฆษณาคือตัวนี้จ้า
อันนี้จะยากกว่าตรงที่ไม่มี pre-existing ก็คือวัดได้แค่ยอดขายระหว่างยิงโฆษณาอย่างเดียวเลย คือช่วงมิย-กค
ข้อมูลที่มีคือ
Arizona คือ test state / California คือ control state
มีสองสีที่จะมาใช้คำข้อมูลคือ Color Crazy และ Go Go Glam
คำนวณ Lift แล้วได้ = 267%
คำถามคือลองคิดดูว่า Life = 267% จะได้ถึงจุดคุ้มทุนที่ 583,793 ชิ้นไหม
ท่านอาจารย์บอกว่าเตรียมตัวกินผักกันได้เลย (ตัวเลขกำลังจะถาโถมเข้ามา) และจะพาไล่สเต็ปจาก Arizona ไปถึง Selling Season
เริ่มต้นที่ control stores ใน Californa คือ 10%
จำนวนที่ขายได้ คือ 1,420 ชิ้น
California ขายได้เป็นจำนวน 12% ของทั้งประเทศ แปลว่า 1,420/12 = 11,833 คือจำนวนที่ขายแบบปลีกได้ทั้งประเทศ
ขายปลีกคือ 25% ของยอดขายทั้งหมด ดังนั้น 11,833/25 = 47,333 ชิ้น คือจำนวนยอดขายทั้งหมด
โฆษณาบนโทรทัศน์ช่วงมิย-กค มียอดขาย 5.5% ของยอดขายประจำปี
ดังนั้น ยอดขายประจำปีคือ 47,333/5.5 = 860,606 ชิ้น
ทีนี้ยอดขายช่วง holiday คือ 45% ของยอดขายทั้งปี ทำให้ยอดขายช่วง holiday (ที่ไม่มีโฆษณา) คือ 860,606*45% = 387,273 ชิ้น เรียกอีกอย่างว่า base sale (คือ sale without ads)
ยกจากยอด Life ที่เคยคำนวณคือ = 267% แปลว่าหลังยิงโฆษณายอดที่ควรจะต้องขายได้คือ 387,273*267% = 1,034,018 ชิ้น
จุดคุ้มทุน 538,793 ชิ้น / ควรขายได้ 1,034,018 ชิ้น
ยอดที่ได้มานี้ถูกคำนวณจากโฆษณาที่ยิงไปช่วงมิย-กค คำถามคือเราควรทำแคมเปญช่วง holiday season ไหม
ผลลัพธ์ก็คือว่า Betty Spaghetty ลงโฆษณาโทรทัศน์ไป 2 ล้าน แต่สิ่งที่เกิดขึ้นอย่างไม่คาดคิดก็คือ Disney ออก Hannah Montana มา ทำให้ยอดขายตกแบบไม่เหลือชิ้นดี
กรณีนี้ทำให้เห็นว่าต่อให้ทดลองและเตรียมตัวมาอย่างครอบคลุมแค่ไหน แต่ถ้าคุณทำแคมเปญระดับยิ่งใหญ่มันจะมีช่วงเวลาระหว่างเตรียมตัวและช่วงปล่อยโฆษณา ซึ่งช่องว่างของเวลาตรงนี้มันเป็นช่องโหว่ขนาดใหญ่ และกลายเป็นต้นทุนจม Betty Spaghetty ใช้เงินสองล้านดอลซื้ออนาคต(โฆษณาช่วง holiday) marketing เหมือนการพนันที่ลงเงินไปแล้วค่อยรอดูผลลัพธ์ที่จะเกิดขึ้นในอนาคต
และนี่คือจุดเริ่มต้นเมื่อยุคดิจิตอลเข้ามา
ปี 2012 บริษัท Ohio Art เลยทำโฆษณาออนไลน์ในยุคดิจิตอลบ้าง
สิ่งนี้คือ Nanoblock เป็นตัดต่อรูปทรงต่าง ๆ ได้ ทางแบรนด์ทำโฆษณาบน Amazon เพื่อขายตัวเช็ตที่เป็นรูปหอไอเฟล
ทีนี้มีข้อมูลครบเลยทั้ง่วงก่อนและหลังลงโฆษณา ช่วงเวลาที่ลงคือเดือนมีนาคม 2012
จากตารางก็คือเห็นได้เลยว่ายอดขายต่อเดือนเพิ่มขึ้นมาเป็น 686 ชิ้น = สูงขึ้น 501% เทียบกับเซ็ตอื่นด้วยที่ก็มียอดขายใกล้เคียงไม่โดดออกจากกันมาก
ช้อสำคัญอย่างหนึ่งของโลกออนไลน์คือถ้าลูกค้าเสิร์ชและซื้อสินค้าของเราบ่อย สินค้าของเราจะถูกเลื่อนลำดับขึ้นมาอยู่ด้านบนมากขึ้น แปลว่าหากเรายิ่งขายสินค้าได้ดี ในอนาคตระยะยาวสินค้าเราจะอยู่ลำดับแรก ๆ ในการค้นหา และเพิ่มโอกาสให้ขายได้ง่ายขึ้นอีก
หลังจบบทนี้ ท่านอาจารย์สรุปว่า
- เข้าใจเรื่องสาเหตุและผลกระทบของการทดลอง
- เข้าใจเรื่องการออกแบบการทดลอง
- เข้าใจเรื่องระยะเวลาระหว่างการทดลองและการนำไปใช้จริง
- เข้าใจความแตกต่างระหว่างการทดลองและบริบทของแคมเปญนั้นๆ
- Web experiments ถูกและรวดเร็วกว่า
- การทดลองช่วยคาดการณ์ ROI ได้ ซึ่งช่วยคำนวณว่าควรใช้ค่าโฆษณาเท่าไหรีอีกที
- 1
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2025 Blockdit
