สรุปจาก Data-Driven Marketing กับการทำ Customer Segmentation
1. การทำ Customer Segmentation
[หนุ่ย]
- สมัยก่อน: คิดกลุ่มขึ้นมาเองก่อนแล้วไปเลือกคุยกับลูกค้ากลุ่มนั้น
- สมัยนี้: ใช้ data-driven + MarTech (marketing ยุคใหม่ต้องเข้าใจ data scientist)
[Patompat]
- Product development มาจากการหา insight จากการทำ segment
- การทำ segment มีทั้งมุม Data vs. UX/UI
2. การทำ Segmentation ควรแบ่งลูกค้ากี่กลุ่ม
[Patompat]
- บางครั้ง marketing ก็จะชอบมีตัวเลขในใจ ส่วน data scientist ก็ใช้สถิติเป็นตัวชี้วัด แต่แนะนำว่าจริงๆ เราควร base on จากงบประมาณที่เรามี บางครั้งซอย segment ย่อยเกินไป แต่เราก็อาจจะไม่มีงบประมาณเพียงพอจะรองรับทุกกลุ่ม
3. การโฟกัสให้ถูกจุด
[Patompat]
- มีเรื่องเล่า สมัยก่อนมีเครื่องบินรบ รอดจากสงคราม มีคนแนะนำว่าให้ดูว่าเครื่องบินนั้นโดนยิงตรงไหนเยอะ ให้ทำเกราะเพิ่มสำหรับตรงนั้น แต่มีคนที่รู้ท้วงว่า เครื่องบินลำนี้มันรอดมาได้ แปลว่าจุดนั้นโอเคแล้ว เราไม่ควรทำเกราะเพิ่มตรงที่โดนยิง
- เปรียบเสมือนการทำ segmentation เรามอง data/customer ที่เรามีและ assumer ว่าลูกค้าเรามีอยู่แค่นี้ ถ้าวันนึงเราหาข้อมูลเพิ่มขึ้น อาจจะเจอ insight ใหม่ๆ ที่กว้างขึ้น
- ตัวอย่างเช่น บริษัทประกันเจ้านึง ต้องการโฟกัสลูกค้าที่ต้องการของราคาถูก พอลองทำ segmentation แล้วค้นพบว่าลูกค้าเกินครึ่งเป็นผู้หญิงที่ไม่ได้มองหาของราคาถูกและยังต้องการ service ที่เพิ่มเติม เช่น บริการเปลี่ยนยาง, ประกันน้องหมาเพิ่มเติม ซึ่งเขายินดีจ่ายเพิ่ม ถ้าบริษัทประกันไม่มีข้อมูลตรงนี้เขาก็จะพยายามเสนอประกันราคาถูกให้ลูกค้า ซึ่งจริงๆ แล้วผิด
- บางทีข้อมูลไม่ซับซ้อนแต่ขึ้นอยู่กับว่าเราจะเล่นในมุมไหน สินค้าที่ถูกอาจจะมีจำนวนเยอะกว่า แต่สินค้าที่แพงอาจจะสามารถสร้าง value ได้มากกว่าในจำนวนที่น้อยกว่า
[หนุ่ย]
- มีบริษัทหนึ่งที่เคยไปเทรนด์เรื่อง data คนที่เป็น marketing ไม่รู้ว่าข้อมูล persona หรือ result ที่ได้ออกมา มี element อะไรบ้าง เหมือนได้อาหารที่อร่อยจานหนึ่ง แต่ไม่รู้ว่าในจานประกอบไปด้วยวัตถุดิบอะไรบ้าง
- การไม่รู้ source ของ data อาจจะทำให้ใช้ข้อมูลได้ไม่ถูกต้อง
4. ระวังการใช้ค่าสถิติให้ถูกต้อง
[Patompat]
- data เซ็ตเดียวกัน แต่บางทีคนก็มองไม่เหมือนกัน หลายคนชอบจะพลาดเรื่องสถิติพื้นฐาน เช่น การใช้ค่า mean ซึ่งค่าอาจจะเท่ากัน แต่การกระจายตัวไม่เท่ากัน สมมุติมีคนสูง 170 สิบคน แล้วคนหนึ่งสูง 200 (เป็น outlier) ทำให้ค่าเฉลี่ยอาจจะพุ่งไป 180 อาจจะหลอกตาได้ อย่าลืมดูค่ากระจายตัวของข้อมูลประกอบด้วย
- สมมุติเราต้องการหาค่าเฉลี่ยของรายได้ ถ้าเอารายได้ทั้งหมดของทุกคนมาหารด้วย population อันนี้ก็ผิด เพราะว่าไม่ใช่ population ทุกคนที่มีรายได้ เช่น เด็ก คนแก่ เราต้องตัดข้อมูลพวกนี้ทิ้ง ต้องใช้เฉพาะ population ที่มีรายได้
5. ประเภทของ Predictive Model
[Patompat]
- K-Mean ใช้แบ่งกลุ่ม การจับของก้อนที่คล้ายกัน (clustering)
*1. Decision Tree เอาวิธีคิดมาตั้ง rule base ในการทำนาย
*2. Regression มีหลายแบบ แล้วแต่วัตถุประสงค์
**2.1 Linear Regression (ผลลัพธ์เป็นตัวเลข) ทำนายค่าตัวเลข จำนวนเงิน จำนวนคน จำนวนพนักงานที่จะลาออก เรียนไม่ยาก แต่ใช้จริงยาก ปัญหาคือเรื่อง error
- สมมุติ การทำนายยอดขายแต่ละสาขา มีที่ตั้ง ยอดขาย พนักงาน ทั่วไป แต่ไม่มีข้อมูลฝั่ง marketing พนักงานลาออกบ่อยแค่ไหน เกรดพนักงานเป็นยังไง มีตัวแปลเยอะแยะมากมาย บางทีไม่ได้ขึ้นอยู่แค่ทำเลที่ตั้งหรือลูกค้า ข้อมูลพนักงานหรือแคมเปญ marketing ที่ทำไปก็มีผล
- ตามทฤษฎี มันอยู่ที่ปัจจัยแทรกซ้อนที่มีผลต่อยอดขาย
**2.2 Logistic Regression (ผลลัพธ์เป็น binary หรือ yes/no) ทำนายตัวแปรสองประเภท ซื้อไม่ซื้อ ย้ายค่ายไม่ย้ายค่าย เบี้ยวหนี้ไม่เบี้ยวหนี้
6. ถ้าต้องการจะทำ Statistical Model ควรมี Data แค่ไหน
[Patompat]
- ขึ้นอยู่กับว่าเราจะทำเรื่องอะไร ค่าความคลาดเคลื่อนรับได้แค่ไหน การทำ machine learning ค่อนข้างมีหลายรูปแบบ มีค่าทฤษฎีอยู่ แต่ในทางปฏิบัติจริง บางทีข้อมูลน้อยกว่าก็ทำได้ บางทีข้อมูลมากกว่าแต่ทำไม่ได้ก็มี
- เรื่องเวิร์คไม่เวิร์คก็เป็นอีกเรื่องนึง เปรียบเสมือนวัคซีน เวลาเราทดลองในห้องแลปก็ใช้ได้ แต่ฉีดคนจริงอาจจะใช้ไม่ได้ อันนี้ถ้าจะคิดต่อก็ต้องคิดด้วยว่าถ้าผิดพลาดแล้วจะแก้ปัญหายังไงต่อ
7. การเอา Data มาทำ Machine Learning
[Patompat]
- มีแบ่ง data ออกเป็น testing กับ training data
- training เอาข้อมูลมาฝึกให้ machine หรือ algorithm เรียนรู้ พอสอนเรียบร้อยก็เอา testing มาทดสอบ ว่ามันเรียนรู้จริงไหม
-เหมือนครูเอาการบ้านบางส่วนมาสอนเรา และมีข้อสอบมาทดสอบ
8. Sputnik Moment ของวงการ Data
[Patompat]
- คำว่า Sputnik moment มาจากตอนที่อเมริกาแข่งกันกับรัสเซีย เรื่องการแข่งขันกันทางอวกาศ แล้วรัสเซียสามารถส่งดาวเทียมดวงแรกชื่อ Sputnik ขึ้นไปก่อนอเมริกาได้ ทำให้อเมริกาแค้นมาก และพยายามแข่งเรื่องยานอวกาศ จนสามารถชนะรัสเซียได้ในปัจจุบัน
- ในวงการ data มีการสร้าง AlphaGo เป็น AI ที่สามารถเล่นโกะ ที่เกิดจาก deep learning จนชนะแชมป์โกะโลกได้ ทำให้รัฐบาลจีนมีการตระหนักถึงความสำคัญของเรื่อง AI เลยมีประกาศออกมาว่าภายในปี 2030 จีนจะเป็นศูนย์กลางของโลกด้าน AI
[หนุ่ย]
- จีนเป็น AI driven ไปแล้วปัจจุบัน ส่วนในยุโรปค่อนข้างมี concern เรื่อง data สูง ไม่สามารถ farm data ได้เยอะ จึงมีคนพยายามทำ minimization จาก data ที่มีอยู่ให้ได้มากที่สุด
[Patompat]
- เริ่มมีอาชีพ Data Strategy พอ data เริ่มไม่ได้หาง่ายแบบเมื่อก่อน หากลุ่มคนที่ไปหา data มาเพิ่มขึ้น
9. Alternative Data
[Patompat]
- อ้างอิงจากหนังสือ AI Superpowers สมมุติเราเป็น digital lending ที่จีน เขาจะกวาดข้อมูลมือถือของคนที่มาขอสินเชื่อดู ใช้แอปอะไร มีแอปการพนันไหม ใช้โทรศัพมานานแค่ไหน โทรบ่อยไหม อีกเรื่องที่ในหนังสือมีเขียน แต่ยังไม่ค่อยเห็นคนใช้ เช่น เรื่องแบตเตอรี่มือถือ คนที่ชาร์จมาเต็ม แปลว่าคุณเตรียมพร้อมมา ถ้าคนแบตใกล้หมด อาจจะเป็นพวกไม่เตรียมพร้อม ขี้เกียจชาร์จ ขี้หลงขี้ลืม ไม่ชอบจ่ายหนี้
- อย่างแบตเตอรี่ มันกลายมาเป็นตัวแปรในการกู้ยืมเงินได้ ขึ้นอยู่กับการเรียนรู้ของ machine ข้อมูลบางอย่างดูไม่สำคัญ แต่ถ้ามันเกิด pattern เหมือน regresstion ค่าสำคัญของ coefficient ตัวไหนมี weight เยอะเราก็จะให้ big factor
- ทุกวันนี้เทคโนโลยีไปไกล ทำให้เราเห็นภาพชิ้นส่วนเล็กๆ แล้วต่อกันเป็นภาพใหญ่ ทำให้ข้อมูลบางข้อมูลที่คนคิดว่าไม่สำคัญ แต่พอเอามาร้อยเรียงแล้วเจอข้อมูลบางอย่าง
[หนุ่ย]
- เหมือนตอนไปกู้เงิน ปกติก็เตรียมแค่ financial statement แต่ในจีนก็ขอ authorize ในการเข้าถึง data อื่นด้วย
- Grab ที่เป็นแอปจับคู่เรียกรถ ตอนนี้มีการจับคนที่มีพฤติกรรมคล้ายๆ กัน เช่น ผู้โดยสารที่ต้องการเดินทางใกล้ๆ กับคนขับที่ชอบขับรถใกล้ๆ เพื่อลดการปฏิเสธผู้โดยสาร โดย end goal ที่เขาต้องการก็คือ เพิ่มความพึงพอใจให้ลูกค้า
- Alternative data ปล่อยสินเชื่อให้คนขับ Grab คนไหนวิ่งงานเท่าไหร่ คำว่า altertnative เป็นข้อมูลทางเลือก สมมุติถ้าเอาข้อมูลการวิ่ง ยอดขายที่ขายได้ ไปรวมกับธนาคาร ข้อมูลก็จะทรงพลัง
[Patompat]
- มีเคส alternative data ของ MYbank ของ Alibaba ที่เอาข้อมูลของการยืมร่ม เช่น นาย A คืนร่มที่ยืมไปเลท 3 วัน มากู้เงิน ก็จะมีผลต่อการอนุมัติสินเชื่อ
10. ข้อควรระวังเรื่องการนำ Data ไปใช้
[Patompat]
- เคสประกัน การเอาข้อมูลมาใช้ทำส่วนลดให้ลูกค้า ตรงนี้อยากย้ำว่า marketing บางทีคุณเอา data ไปใช้ ต้องใช้อย่างระวัง ไม่ใช่ว่าเอะอะลดราคาให้ลูกค้าที่ดีอย่างเดียว แบบนี้ลูกค้าที่ไม่ดีเขาก็จะไม่อยู่กับคุณ รับแต่คนสุขภาพดี คนสุขภาพดีก็ลดราคาให้เขาอีก สุดท้ายเราเหลืออะไร จริงๆ ก็ต้องคิดดีๆ
11. ต้องเก็บข้อมูลแค่ไหนถึงจะพอ
[Patompat]
- ตอนนี้ AI หรือ Machine Learning เปลี่ยนไปเยอะ ถ้าเป็นยุคเก่าๆ พวก Logistic Regression หรือ Decision Tree พอเรียนรู้ถึงจุดหนึ่ง มันจะไม่เกิดการเรียนรู้เพิ่มเติม
- แต่ Deep Learning หรือ Neural Network จะเกิดการเรียนรู้เยอะขึ้นเมื่อข้อมูลเยอะขึ้น จะมีศัพท์หรือเทคนิคใหม่ๆ ให้เรียนรู้ พอมีข้อมูลเท่านี้ก็จะเรียนรู้แบบนึง พอเยอะในระดับนึงก็จะเรียนรู้อีกแบบ
- ข้อมูลตอนแรกอาจจะไม่เยอะมาก เป็น prototype ยิ่งข้อมูลเยอะขึ้น ก็จะแม่นขึ้นเรื่อยๆ เช่น Neflix ที่ตอนแรกก็ยิง recommendation ไม่แม่น แต่พอมีข้อมูล มี pool มากขึ้น ก็จะยิงแม่นมากขึ้น
Date: 12 APR 2021 (22:30-23:30)
Club: CLUB MARKETING OFFICER
Speaker:
@nuieverydaymkt
Nattapon Muangtum (การตลาดวันละตอน)
@bookpatompat
Patompat Book Kamtar (Data ภาษาคน)
@genglvp
Siraphop Eamrungroj (The Level Up)
#Clubhouse #ClubhouseTH #ClubhouseThailand #DataDrivenMarketing #CustomerSegmentation #DataDriven #Marketing #การตลาดวันละตอน #Dataภาษาคน #TheLevelUp #todayinotetotext #todayinoteto #วันนี้สรุปมา
- 4
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
