หลายคนอาจสงสัย ว่าทำไม Lineman หรือ Grab เขารู้ว่าเราสั่งอะไร ช่วงเวลาไหน สั่งอะไรบ่อยเป็น เพราะเขามี Data ของเรา โดยที่ใช้ AI ช่วยในการวิเคราะห์พฤติกรรมการใช้บริการ เพื่อแจกส่วนลด หรือคะแนนสะสมต่างๆ เพื่อกระตุ้นการใช้บริการให้ถี่ขึ้น ปริมาณมากขึ้นไปอีก ถ้าอยากเข้าใจมากกว่านี้ เรามีหนังสือเล่มหนึ่งชื่อว่า ‘A Little Book of Big Data and Machine Learning’ ที่ช่วยให้คุณเข้าใจถึงพลังของ Data และ Machine Learning โลกของธุรกิจมากยิ่งขึ้น

“ ทำไมข้อมูล Big Data ถึงสำคัญ และทำไมการประยุกต์ใช้ Machine Learning จึงกลายเป็นอาวุธที่ทรงอานุภาพที่สุดในการแข่งขันทางธุรกิจในยุคปัจจุบัน”  นี้คือคำเกริ่นที่หนังสือ A little Book of Big Data and Machine Learning ซึ่งหลายคนอาจมองว่า Big Data เป็นเรื่องยาก Machine Learning ก็เป็นเรื่องไกลตัวที่ยังไม่สามารถนำมาใช้ในปัจจุบันนี้ได้ แต่หนังสือเล่มนี้จะมาหักล้างความคิดแบบนั้นของทุกคนออกไป

มีประโยคที่น่าสนใจในหนังสือเล่มนี้ คือ “Big Data Combined with Machine Learning Help business make much smarter decision”   ข้อมูลมหาศาลกับเครื่องจักรหรือเครื่องมือที่ทรงคุณภาพจะช่วยให้นักธุรกิจตัดสินใจได้อย่างชาญฉลาดมากขึ้น ถ้าคุณรู้และเข้าใจข้อมูลที่มีอยู่ ข้อมูลจะมีค่าขึ้นมาทันที เมื่อคุณนำมาประยุกต์ใช้กับธุรกิจคุณ

บทแรกในหนังสือพูดถึงเรื่อง Disruptive Innovation เกี่ยวกับธุรกิจใหม่เข้าไปหักล้างธุรกิจเดิม ซึ่งมีอยู่ 3 ประเด็นด้วยกัน

1. ถูกกว่าคู่แข่ง
มาดูตัวอย่างที่เกิดขึ้นกัน เช่น Grab สร้าง Application ที่มีบริการ GrabTaxi สำหรับคนที่มีรถยนต์ส่วนตัวสามารถเปลี่ยนรถยนต์ของตัวเองให้กลายเป็นผู้บริการรับส่งผู้โดยสารได้ โดยที่ Grab เองไม่ต้องลงทุกเรื่องการซื้อรถยนต์จำนวณมาก  หรือจะเป็น Agoda ที่เปิดบริการให้จองโรงแรมผ่านแอปพลิเคชั่น หรือเว็บไซด์ โดยที่ไม่ได้มีโรงแรมเป็นของตัวเองเลย ไม่ต้องลงทุนมหาศาลเพื่อเปิดโรงแรม ลงทุนเพียงแค่เปิดแอปพลิเคชั่น และเก็บค่าบริการจากโรงแรมต่างๆที่ใช้บริการ Agoda

2. การเข้าถึงได้มากขึ้น
อย่างเช่น Facebook Ads ที่สร้างพื้นที่โฆษณา โดยไม่ต้องใช้สื่อโฆษณาเหมือนสมัยก่อน เพียงโฆษณาผ่านโซเชียลมีเดียที่ทุกคนสามารถเข้าถึงได้แล้วในเวลานี้

3. โมเดลธุรกิจที่ได้เปรียบในเชิงโครงสร้างของต้นทุน
ทุกคนสามารถเห็นธุรกิจแบบนี้ได้ชัดเจน เช่น Grab กับ Lineman ที่ไม่ต้องเป็นเจ้าของร้านอาหาร มอเตอร์ไซค์รับส่งอาหาร เพียงแค่หักค่าบริการใช้ platform 32.1% รวม Vat จากร้านค้าที่เข้าร่วมกับบริษัท

บทที่สองจะเริ่มทำการเจาะข้อมูลให้ลึกเข้าไป ประเด็นแรกคือแหล่งข้อมูลที่มีอยู่ 2 แบบ คือ  Internal ข้อมูลที่เป็นของเราที่สามารถเห็นและเป็นเจ้าของข้อมูล และ External นำเอาข้อมูลจากข้างนอกมาใช้ดังนั้นจุดประสงค์ที่ธุรกิจนำข้อมูลเหล่านี้มาใช้มีด้วยกันอยู่ 2 แบบ คือ 

1. นำข้อมูลมาใช้เพื่อเพิ่มรายได้ 
2. นำข้อมูลมาเพื่อลดรายจ่ายเพื่อทำให้ธุรกิจได้กำไรสูงสุด 

การประยุกต์ใช้ข้อมูล คือ หัวใจสำคัญในเรื่องนี้ ลองมาดูตัวอย่างธุรกิจที่ใช้ข้อมูลเหล่านี้ให้เกิดประโยชน์กัน โดยจะมี Key ที่สำคัญ 10 ข้อ ดังนี้

1. Customer lifetime Value  หมายความว่าลูกค้า 1 ราย สร้างรายได้ให้กับธุรกิจคุณเท่าไหร่  เช่น Grab หรือ Lineman ที่มีส่วนลดให้ 100 บาท คุณสั่งอาหาร 300 บาท ได้ส่วนลดเหลือ 200 บาท ทุกคนอาจมองว่ากำไรเป็นของเรา เหมือนได้ส่วนลดมาฟรีๆ 100 บาท แล้วเราก็ใช้ Grab บ่อยมากขึ้นเรื่อยๆ สมมุติว่าเราใช้ Grab ตั้งแต่อดีตจนถึงปัจจุบันไปแล้ว 100,000 บาท ทาง Grab หรือ Lineman หักค่าคอมมิชชั่นไป 20% เป็นเงิน 20,000 บาท หมายความ Grab ลงทุน 100 บาทในการได้เรามาเป็นลูกค้า ซึ่งสร้างรายได้ให้ Grab 20,000 บาท

2. การนำ Data Analytic ไปใช้กับลูกค้า เรียกว่า Customer Segmentation คือ การแบ่งกลุ่มลูกค้าที่มีความคล้ายคลึงกัน มาดูตัวอย่างกัน เช่น AIS แบ่งระดับของลูกค้าออกเป็น 2 กลุ่ม คือ กลุ่ม Pre-paid เป็นกลุ่มลูกค้าแบบเติมเงิน กลุ่มที่ 2 คือ Post – paid ลูกค้าที่จ่ายค่าบริการแบบรายเดือน ส่วนในกลุ่มของลูกค้ารายเดือนของ AIS แบ่งกลุ่มลูกค้าอีก 3 กลุ่มคือ Seranade Platimun , Serenade Gold และ Serenade Emerald โดย AIS แบ่งตามยอดค่าใช้จ่าย และอายุการใช้งาน

3. Up Selling & Cross Selling คือ การเพิ่มมูลค่าในการซื้อแต่ละครั้งให้สูงขึ้น ตัวอย่างที่ทุกคนเห็นได้ชัดเลย คือ Mc Donald’s เวลาคุณไปซื้ออาหารในร้าน พนักงานจะถามเสมอว่า เพิ่มไซส์หรือ Up size ไหม เพียงแค่ 10 บาท ซึ่งเป็นหนึ่งในเทคนิคในการเพิ่มรายได้จากการขายของให้ลูกค้ารายเดิมได้มากขึ้น 

4. Next  paid action คือ การตัดสินใจในการซื้อสินค้าของลูกค้าเกิดขึ้นครั้งถัดไปคือเมื่อไหร่ หมายความว่าธุรกิจนำเสนอสินค้า หรือบริการให้กับลูกค้าให้ตรงกับความต้องการของลูกค้าแต่ละรายในช่วงเวลาที่เหมาะสม

5. Probability to buy คือ การคาดว่าเขามีโอกาสซื้ออะไรในอนาคต ตัวอย่างเช่น ผู้หญิงที่กำลังตั้งครรภ์มีพฤติกรรมที่เปลี่ยนไป เช่น อยากกินของเปรี้ยว ไม่ซื้อผ้าอนามัย สนใจของใช้เด็ก ซึ่งอาจแค่ 20%  เจ้าตัว Machine Learning เรียนรู้พฤติกรรมและข้อมูลในอดีตที่มีจำนวณมหาศาลที่เราเรียกว่า Big Data เพื่อนำมาคาดการณ์อนาคต และส่งข้อมูลเกี่ยวกับ ผลิตภัณฑ์ บริการต่างๆ เช่น อุปกรณ์สำหรับเด็กแรกเกิด ผลิตภัณฑ์เสริมสำหรับผู้หญิงตั้งครรภ์

6. Churn Prevention คือ การรักษาลูกค้าให้คงอยู่กับธุรกิจของเรา ตัวอย่างที่เห็นได้ชัด คือ ทาง Shopee จะมีการส่งแจ้งเตือน ไม่ว่าจะเป็น หายไปหลายวันแล้วนะ กลับมาช้อปปิ้งกันเถอะ หรือส่งคูปองวันเกิด โค้ดส่วนลด ทั้งหมดนี้ Shopee รู้ได้จาก Big Data ที่ใช้คาดการณ์พฤติกรรมของลูกค้า

7. Fraud Detection คือ ป้องกันและตรวจสอบการทุจริต เช่น บัตรเครดิตทางธนาคารจะดูพฤติกรรมการใช้บัตรของเรา หากมีการใช้จ่ายที่ผิดแปลกไปจากเดิม เช่น ปกติเราใช้จ่ายบัตรเครดิต 50,000 บาทต่อเฉลี่ยเดือน อยู่ดีๆ มียอดใช้จ่าย 100,000 บาท ซึ่งผิดปกติ ทางธนาคารทำการโทรถาม เพื่อเช็คว่าเราได้ใช้เงินจำนวนนั้นไหม

8. Demand Forecast คือ การบริการคลังสินค้าของธุรกิจ เพราะในยุคนี้ที่การเช่าพื้นที่เก็บสินค้ามีราคาที่สูง หลายธุรกิจมีการบริหารที่ดี เช่น หน้าร้านขายสินค้าได้ 5 ชิ้น คุณก็นำสินค้าไปเติมที่หน้าร้าน 5 ชิ้น และสั่งทางผู้ผลิตให้นำสินค้าส่งคุณมาเก็บไว้อีก 5 ชิ้น เป็นการลดต้นทุนในการเก็บสินค้าครั้งละมากๆได้ 

9. Price Optimization คือ การตั้งราคาที่เหมาะสมในแต่ละช่วงเวลาเห็นได้ชัดที่สุด คือ ราคาห้องพักของโรงแรม ยกตัวอย่าง โรงแรมเปิดจอง 10 ห้อง และยังไม่มีคนจอง ลูกค้าคนแรกเข้ามาดู ทาง Agoda จะขายห้องให้เราแค่ 1,500 บาท แต่ถ้าหากเหลือแค่ห้องนี้เป็นห้องสุดท้าย ราคาจะเพิ่มขึ้นเป็น 2,200 บาท โดยการคำนวณราคาเหล่านี้นั้นมาจากข้อมูล และตัวเครื่องมือจะคำนวณราคาเพิ่มขึ้นหรือลดลงอัตโนมัติ

10. Predictive Maintenance คือ การบำรุงรักษาก่อนเกิดเหตุการณ์ ตัวนี้จะเหมาะกับเครื่องจักร เป็นการป้องกันที่จะเกิดปัญหาในอนาคต เช่น รถยนต์ที่ต้องมีการเปลี่ยนน้ำมันเครื่องยนต์ เพื่อรักษาและดูแลเครื่องยนต์ให้มีอายุการใช้งานที่ยาวนานขึ้น ก่อนที่จะเกิดปัญหาในอนาคต เช่น การซ่อมเครื่องยนต์หรืออะไหล่ต่างๆ ซึ่งมีราคาแพง โดยการคำนวณแบบนี้เกิดมาจากข้อมูลในอดีตที่คำนวณออกมาและแจ้งเตือนเพื่อป้องกันก่อนที่จะมีปัญหาเกิดขึ้น

ในส่วนของบทความนี้ หวังว่าเพื่อนๆหลายคนจะเข้าใจถึง Disruptive Innovation ที่ธุรกิจใหม่เข้าไปหักล้างธุรกิจเดิมที่มีอยู่ การที่ธุรกิจทำราคาได้ถูกกว่าคู่แข่ง การเข้าถึงกลุ่มลูกค้าได้ง่ายผ่านโฆษณา Facebook Ad และการเปรียบเทียบโครงสร้างของธุรกิจในด้านของต้นทุน นอกจากนี้การประยุกต์ใช้ข้อมูลในทางธุรกิจด้วย key ที่สำคัญเหล่านี้ จะช่วยเพิ่มยอดขาย ลดค่าใช้จ่ายเพื่อให้ได้กำไรสูงสุด รวมถึงการตอบโจทย์ลูกค้าได้ตรงเป้าหมายไม่ผิดพลาดเพื่อให้เกิดผลลัพธ์ที่ดีต่อธุรกิจ

หลังจากที่เราเข้าใจเรื่อง Machine Learning และ Marketing concept กันไปแล้ว เราลองมาดู used case ในอุตสาหกรรมต่างๆกัน ว่านำมาใช้จริงได้อย่างไรบ้าง

อุตสาหกรรม Finance ตัวอย่างเช่น ธนาคารกสิกรไทยเข้าไปถือหุ้นใน Grab เพื่อเข้าถึงข้อมูลของคนขับรถยนต์ในนามการบริการของ Grab ว่ามีประวัติเรื่องรายได้เป็นอย่างไร เท่าไหร่ต่อเดือน เมื่อคนขับรถยนต์คนนี้มาขอสินเชื่อคอนโดกับทางธนาคาร จะเห็นข้อมูลได้ว่าคนๆนี้สามารถผ่อนได้ไหม ซึ่งทั้งหมดนี้วิเคราะห์ได้จาก Data 

อุตสาหกรรม Telecom ผู้ให้บริการด้านสัญญาณโทรศัพท์มือถือ เช่น ทางค่ายมือถือส่งโปรโมชั่นหรือทำการอัปเกรดแพ็กเกจที่ใช้อยู่ในดีขึ้นเพื่อรักษาลูกค้าไว้กับค่ายให้นานขึ้น ทั้งหมดนี้เกิดมาจากข้อมูลในอดีตและนำมาวิเคราะห์ออกมา

อุตสาหกรรม ค้าปลีก ผู้จำหน่ายสินค้า เช่น  Tesco มี club card ให้กับลูกค้าและให้คะแนน แต่จุดประสงค์จริงๆแล้วเพื่อเป็นการเก็บข้อมูล พฤติกรรมการใช้จ่ายของลูกค้าว่า ซื้อสินค้าอะไร ประเภทไหนและบ่อยแค่ไหน และใช้ Customer Segmentation ในการออกแบบโปรโมชั่นสำหรับลูกค้าแต่ละคน หรือเมื่อเราไปตามห้างสรรพสินค้า จะมีข้อความส่งเข้ามาเพื่อแนะนำโปรโมชั่นร้านค้าในสถานที่นั้นเพื่อดึงดูดคนให้เข้ามาซื้อ

อุตสาหกรรมเกษตรกรรม ที่นำข้อมูลของใบแอปเปิลมาพยากรณ์หรือคำนวณ ว่าจะเกิด โรคไหม้ ที่ใบกับต้นแอปเปิล อีกตัวอย่างคือการใช้ภาพถ่ายดาวเทียมวิเคราะห์ที่ดินว่าดีไหม ผลผลิตเป็นอย่างไร เพื่อประกอบในการขอสินเชื่อต่างๆ 

อุตสาหกรรมด้านความบันเทิง อันนี้จะเห็นได้ชัดที่สุด โดยจะมีระบบที่เรียกว่า Recommendation System เช่น Netflix ที่ทุกคนดูอยู่จะมีการแนะนำภาพยนตร์ที่แตกต่างกันไม่เหมือนกันในแต่ละคน เพราะพฤติกรรมในการดูนั้นแตกต่างกันออกไป ซึ่งเกิดมาจากที่มี data เพื่อวิเคราะห์และคาดการณ์ว่าลูกค้าแต่ละคนชอบภาพยนตร์แบบไหน เพื่อแนะนำสิ่งใหม่ๆ

อุตสาหกรรมอสังหาริมทรัพย์ ใช้ข้อมูลเรื่อง location ในการมาวิเคราะห์ว่าพื้นที่ไหนมีประชากรหนาแน่น ในตอนนี้วงการอสังหาริมทรัพย์นิยมใช้กัน คือ Internet of Thing หรือ IoT อุปกรณ์ในบ้านที่สามารถเชื่อมต่ออินเทอร์เน็ตได้ ซึ่งจะได้ข้อมูลที่ลึกมาสามารถรู้ได้ว่ามีคนอยู่ที่บ้านไหม ใช้อะไรบ่อยในบ้าน

.

เพื่อให้ได้การวิเคราะห์ที่ดี ในหนังสือเล่มนี้ มีการวิเคราะห์อยู่ 4 ระดับ

Description เป็นการวิเคราะห์ที่ต้องใช้คน ในการตัดสินใจที่ค่อนข้างเยอะ เช่น การดูข้อมูลในอดีต ดูจำนวณลูกค้า หรือจำนวณคนเข้าเว็บไซต์

Diagnostic ทำไมมันถึงเกิดขึ้น เริ่มใช้คนในการวิเคราะห์น้อยลง ทำไมลูกค้าถึงเข้ามาซื้อเยอะ มีการแบ่งกลุ่มข้อมูล เช่น  Google maps ค้นหาเส้นทางที่ดีที่สุดให้กับเราในการเดินทางไปสถานที่ต่างๆ

Predictive Analysis ใช้ Machine มาช่วย ตัวอย่างจะคล้ายข้อที่ 2 คือ google maps ช่วยคำนวณเวลาในการเดินทางและเส้นทางที่ดีให้กับผู้ใช้งาน

Prescriptive Analysis คือการคาดการณ์ผลลัพธ์ในอนาคตโดยการใช้ Machine Learning มีการประมวลผลในอดีต วิเคราะห์ข้อมูล เพื่อช่วยในการคำนวณ ไปจนถึงการเสนอแนะอีกด้วย เช่น Google maps ที่มีการคำนวณเวลา เส้นทาง รวมไปถึงสามารถรู้ได้ว่ามีอุบัติเหตุหรือรถติดอยู่ในเส้นทาง จะมีการแนะนำเส้นทางอื่นแทนเส้นทางเดิมที่แนะนำมาตอนแรก

Use Case ที่เกิดขึ้นทั้งหมดนี้ จะช่วย guildeline และเป็นแนวทางที่ดีให้คุณทุกคนเข้าใจในเรื่องของ  Machine Learning และ Marketing concept ที่ในอุตสาหกรรมต่างๆ นำมาใช้เก็บข้อมูล และวิเคราะห์เพื่อช่วยในเรื่องของการเพิ่มผู้บริโภคในธุรกิจ ทั้งหมดนี้เป็นส่วนหนึ่งที่เราสามารถพบเห็นกันได้ในโลกของธุรกิจ ลองมองดูรอบตัวคุณสิ อาจมี used case อีกมากมายที่จะทำให้คุณเข้าใจ และเห็นภาพที่ชัดเจนขึ้น