DATA & Technology

Artificial Intelligence (AI) หรือปัญญาประดิษฐ์ ถือเป็นเรื่องที่กำลังได้รับความสนใจสูงมากจากผู้คนทั่วโลก ไม่ว่าภาคธุรกิจไหนๆ โดยเฉพาะบริษัททางด้านเทคโนโลยี ไม่ว่าจะเป็น Google, Facebook, Amazon, Microsoft หรือ Apple ต่างก็ให้ความสนใจนำปัญญาประดิษฐ์นี้มาใช้ในกลยุทธ์การขายและการตลาดกันอย่างต่อเนื่อง

ความสำคัญของ Artificial Intelligence (AI) กับการตลาด มีความสำคัญอย่างมากในปัจจุบัน เนื่องจากความสามารถของ AI นั้นสามารถช่วยในเรื่องของ การจดจำ (เช่น เสียง ใบหน้า หรือสิ่งของ) การแก้ปัญหาที่ซับซ้อน การแปลภาษา หรือ การวางแผน ทำให้นักการตลาดสามารถวิเคราะห์ธุรกิจ กลุ่มเป้าหมายได้แม่นยำมากยิ่งขึ้นจากข้อมูลทางการตลาดที่นำ AI มาใช้ ซึ่งในแกนหลักของ AI บางตัวก็จะใส่สิ่งที่เรียกว่า Machine learning (ML) เข้าไป ทำให้มันสร้างระบบบางอย่างขึ้นมาเพื่อเรียนรู้และแก้ปัญหาได้ด้วยตัวเอง 

Machine learning หรือเครื่องจักรที่สามารถเรียนรู้และแก้ปัญหาได้ด้วยตัวเองโดยใช้ Algorithm ซึ่งเป็นชุดคำสั่งที่ทำให้มีการคิดเสมือนมนุษย์แต่ทำงานเร็วกว่ามาก อย่างการวิเคราะห์ข้อมูลปริมาณมหาศาล หากนักการตลาดต้องลงมือรวบรวมข้อมูล ศึกษาและวิเคราะห์เอง อาจใช้เวลานาน แต่ AI จะเข้ามามีบทบาทในฐานะผู้ช่วยเสมือนจริง (virtual assistant) ในการประมวลข้อมูลก้อนใหญ่นั้นและสรุปออกมานักการตลาดมองเห็นภาพกลุ่มเป้าหมายอย่างชัดเจน ทำให้ทีมการตลาดสามารถวางแผนทำแคมเปญหรือการประชาสัมพันธ์ได้รวดเร็วและตรงกลุ่ม

ปัญหาหลักๆ ในการวิเคราะห์ข้อมูลในปัจจุบันก็หนีไม่พ้นในเรื่องของข้อมูลที่มาก และมีตัวแปรที่มากเกินกว่าที่จะเลือกมาวิเคราะห์เฉพาะตัวแปรใด ตัวแปรหนึ่ง เนื่องจากทุกตัวแปรส่งผลต่อการนำไปกำหนดกลยุทธ์ทางการตลาด

เราจะยกตัวอย่างข้อมูลสถิติของการยิงโฆษณาผ่านแฟลตฟอร์ม Facebook ข้อมูลที่ได้นั้นมีการระบุเวลาเป็นรายวัน โดยคัดกรองแยกตาม Objective เพื่อที่จะวิเคราะห์ข้อมูลตาม Objective โดยที่ไม่ Bias เราจะเห็นค่าต่างๆ อาทิ Impression, Reach, Click, Link Click, Engagement, Video View, New Message ฯลฯ ที่ผกผันไปตามตัวแปร เพศ, อายุ, จังหวัด, การแสดงผลโฆษณา, เวลาในการนำส่งโฆษณา เป็นต้น ซึ่งทุกค่านั้นมีความสำคัญ ไม่สามารถที่จะละทิ้งค่าใดค่าหนึ่งได้

ซึ่ง Principal Component Analysis หรือ PCA ที่เรานิยมนำมาใช้ในการทำ Decomposition ข้อมูล ในกระบวนการเตรียมและคลีนข้อมูล เพื่อลด Features Redundancy และช่วยบีบอัด Feature Space ให้เล็กลง ตัดตัวแปรที่มีความสำคัญน้อยออกไป โดยไม่ทำให้สูญเสีย Information หรือข้อมูลสำคัญไป

นักซื้อโฆษณา (Media Buyer) หลายๆ ท่านคงมีปัญหาในการจัดสรรกลุ่มโฆษณา (Ad Set) ที่มีความเกี่ยวข้องกับการกำหนดกลุ่มเป้าหมาย ว่าเราควรจะจัดกลุ่มโฆษณาจำนวนเท่าไหร่ที่เหมาะสมกับแคมเปญนั้นๆ ซึ่งเราจะนำโมเดล Principal Component Analysis หรือ PCA มาช่วยในการจัดกลุ่มหรือ Clustering Data

ผลลัพธ์ที่ได้หลังจากนำโมเดล PCA มาจัดการชุดข้อมูลสถิติการรันโฆษณาบนแฟลตฟอร์ม Facebook จะพบว่าชุดข้อมูลที่มีความสัมพันธ์กันจะกระจุกตัวอยู่ใกล้กัน และชุดข้อมูลที่ไม่มีความสัมพันธ์กันจะกระจายตัวกัน ซึ่งจะช่วยให้เราสามารถจัดกลุ่มโฆษณาตาม Clustering ที่จัดชุดข้อมูลเพื่อนำมากำหนดกลุ่มเป้าหมายได้นั่นเอง

การที่เรานำเอา PCA มาช่วยในการจัดสรรกลุ่มโฆษณานอกจากจะเป็นการลดต้นทุนในการจ่ายค่าโฆษณาในแต่ละชุดโฆษณาแล้ว ยังถือว่าช่วยเพิ่มประสิทธิภาพในการรันโฆษณาได้อีกด้วย

ปัญหาหลักในการวิเคราะห์ข้อมูลในปัจจุบันนอกจากชุดข้อมูลที่มีปริมาณที่มากแล้ว การเลือกใช้โมเดลที่เหมาะสมกับชุดข้อมูลของธุรกิจคุณก็เป็นสิ่งสำคัญเช่นเดียวกัน ในแต่ละโมเดลนั้นมีขีดจำกัดหรือมีเงื่อนไขแตกต่างกันไป ซึ่งหากเราเลือกใช้โมเดลที่ไม่เหมาะสมกับชุดข้อมูลแล้ว ความแม่นยำในการวิเคราะห์ก็จะลดน้อยลง และส่งผลลัพธ์ในการคาดการณ์ต่างๆ บิดเบือนไป

ปฏิเสธไม่ได้ว่าหลายๆ ธุรกิจนั้นมีสูตรคำนวณ หรือมีโมเดลในการพยากรณ์ยอดขาย ไม่ว่าจะเป็นการใช้ Moving Average. Linear Regression. Exponential Smoothing แบบปกติ แต่ทั้ง 3 แบบนี้ จะเป็นการ Forecast โดยที่ยังไม่มี การจับ Seasonal จะเน้นเป็นการ Smoothing ของชุดข้อมูลมากกว่า

Monte Carlo เป็นแบบจำลองที่มีการทำงานโดยการสุ่มตัวอย่างซ้ำๆ จากข้อมูลที่เรามีเพื่อสร้างชุดข้อมูลจำลอง โดยใช้วิธีการวิเคราะห์ทางสถิติ เช่น การวิเคราะห์การถดถอย (Regression Analysis) ประโยชน์ของมันก็คือ ข้อมูลจำลองที่เราได้มานั้น เหมือนกับเป็นการวิเคราะห์ความน่าจะเป็น หรือความเป็นไปของข้อมูลชุดนี้ในอนาคต

นักการตลาด (Marketer) หลายๆ ท่าน คงมีปัญหาในการพยากรณ์ยอดขาย โดยใช้ชุดข้อมูลที่ไม่เหมาะสมกับโมเดลการพยากรณ์ ทำให้บางครั้ง ตัวเลขเปอร์เซ็นต์การเติบโตบิดเบือนกว่าที่ควรจะเป็น

ผลลัพธ์ที่ได้หลังจากนำโมเดล Monte Carlo มาจัดการชุดข้อมูลบนระบบ POS (Point of Sale), ระบบ CRM หรือชุดข้อมูลการสั่งซื้อ พบว่า Monte Carlo คำนึงถึงความเสี่ยงในเรื่องของ Seasonal มีการระบุจุด Shut Down ของธุรกิจ ระบุค่าเฉลี่ยยอดขายที่ควรจะเป็นในแต่ QOQ, YOY ซึ่งจะส่งผลให้การพยากรณ์ข้อมูลการตลาดมีความแม่นยำมากขึ้น

การที่เรานำเอา Monte Carlo มาช่วยนั้น นอกจากการพยากรณ์ยอดขายแล้วยังสามารถที่จะกำหนดกลยุทธ์ทางการตลาดในแต่ละ Seasonal ที่จะเกิดขึ้นของธุรกิจ หรือแม้แต่การที่ยอดขายของเราตกลงไปสู่จุดคำนวณ Shut Down เราก็ควรที่จะเตรียมวางแผนรับมือกับสถานการณ์ได้

ปัญหาหลักๆ ในการวิเคราะห์ข้อมูลในปัจจุบันก็หนีไม่พ้นในเรื่องของข้อมูลที่มาก และไม่มีวิธีการจัดการข้อมูลเพื่อนำข้อมูลที่มีไปใช้ประโยชน์กับธุรกิจของเรา

ซึ่งในหัวข้อนี้เราจะยกตัวอย่างข้อมูลบนระบบ POS (Point of Sale), ระบบ CRM หรือชุดข้อมูลการสั่งซื้อ ด้วยการคำนวณ มูลค่าตลอดช่วงชีวิตของลูกค้า (Customer Lifetime Value) และการ Segment Tier ของลูกค้าของเรา

Recency, Frequency และ Monetary (RFM) เป็นวิธีการแบ่งกลุ่ม (segmentation) ที่นิยมใช้เพื่อให้เข้าใจพฤติกรรมของลูกค้าได้ง่ายขึ้น โดยหลักการจะใช้ความสำคัญกับระยะเวลาที่ลูกค้ามาใช้บริการครั้งสุดท้าย (R), จำนวนครั้งหรือความถี่ (F) และ ยอดขาย (M) ตามลำดับ ซึ่งจะนำค่าทั้ง 3 ค่ามาคำนวณเพื่อช่วยแบ่งลูกค้าออกเป็นหมวดหมู่หรือจัดกลุ่มต่างๆ เพื่อระบุลูกค้าที่มีแนวโน้มที่จะตอบสนองต่อโปรโมชันและบริการส่วนบุคคลในอนาคต (Personalize)

K-Mean คือ คือการแบ่งกลุ่มแบบ Clustering ซึ่งการแบ่งกลุ่มในลักษณะนี้จะใช้พื้นฐานทางสถิติซึ่งต้องมีตัวแปรมากกว่า 2 ตัวแปรขึ้นไป การแบ่งกลุ่มข้อมูลแบบ K-Mean ใช้สำหรับการแบ่งการสังเกตจำนวน n สิ่งเป็น k กลุ่ม โดยแต่ละการสังเกตจะอยู่ในกลุ่มที่มีค่าเฉลี่ย (ที่ใช้เป็นแม่แบบ) ใกล้เคียงกันที่สุด

ผลลัพธ์ที่ได้จาก K-Mean คือ จุดที่อยู่ใกล้กันจะเป็น Segment เดียวกัน, จุดที่ห่างกันไกลก็ควรจะแยก Segment กัน ซึ่งเมื่อนำค่า K-Mean มาเปรียบเทียบกับ RFM จะช่วยวิเคราะห์ Segmentation ของกลุ่มเป้าหมายได้แม่นยำขึ้น