เลือกอ่านตามหัวข้อ
Data Transformation
Data Analytics คืออะไร
สรุปจากผู้เขียน
สรุปประเด็นที่น่าสนใจจากคอร์ส Real Marketing Manager #RMM จัดโดย RealSmart Academy ในหัวข้อ Data Analytics โดย คุณทอย กษิดิศ สตางค์มงคล เจ้าของเพจดัง DataRockie
หลายท่านอาจจะเคยสงสัยว่าทำไมแบรนด์และนักการตลาดส่วนใหญ่ถึงได้ออกแคมเปญหรือโปรโมชันออกมาได้อย่างเข้าอกเข้าใจผู้บริโภคนัก ไม่ว่าจะเป็นการจับคู่ขายสินค้าเป็น Bundle ที่ตรงตามความต้องการของผู้ใช้งาน หรือแม้แต่การออกแบบผลิตภัณฑ์บางตัวที่เข้ามาช่วยแก้ Pain Point ได้อย่างตรงใจผู้บริโภค ชนิดที่เรียกได้ว่าผู้บริโภคเองก็เพิ่งจะรู้ตัวว่าเขาต้องการสินค้านี้มาตั้งนานแล้ว
จริง ๆ แล้ว สิ่งเหล่านี้เป็นผลผลิตจากการสะสมรวบรวมข้อมูลอย่างมากมายของแบรนด์และนักการตลาด โดยที่นักวิเคราะห์ข้อมูลจะนำเอาข้อมูลอันมหาศาลนั้นมาเข้าสู่กระบวนการวิเคราะห์หา Insight เพื่อให้ได้ชุดความรู้ที่สามารถนำไปใช้ต่อยอดพัฒนาแคมเปญ โปรโมชัน และผลิตภัณฑ์ให้ได้ตรงตามความต้องการของผู้บริโภคนั่นเอง เมื่ออ่านมาจนถึงตรงนี้แล้ว เชื่อว่าหลายท่านน่าจะทราบถึงความสำคัญของขั้นตอนการวิเคราะห์ข้อมูลหรือ Data Analytics กันแล้วว่ามีความสำคัญขนาดไหน ดังนั้นในบทความนี้ ผู้เขียนจึงอยากกล่าวถึงประเด็นสำคัญจากคลาส Data Analytics ของคอร์ส Real Marketing Manager ที่ว่าด้วยเรื่องการแปลงข้อมูล (Data Transformation) ตลอดจนถึงการทำความรู้จักกับข้อมูล (Data) รูปแบบต่าง ๆ เพื่อให้ทุกท่านได้มองเห็นภาพรวมและเข้าใจพื้นฐานของการรวบรวม, จัดเก็บ, และวิเคราะห์ข้อมูลที่มีประสิทธิภาพ
Data Analytics
Data Analytics คืออะไร
“Data Analytics is The Science of Analyzing Raw Data in order to Make Conclusion about that Information” Data Analytics เป็นวิทยาศาสตร์แขนงหนึ่งที่สรุปผลข้อมูลเพื่อหา insight บางอย่างในการที่จะทำให้ธุรกิจดีขึ้น
Model พื้นฐานในการทำ Data Analytics ที่ทุกคนควรเข้าใจคือ DIKW Model
จากโมเดลนี้ เป้าหมายของนักวิเคราะห์ข้อมูลคือการเคลื่อนตัวจากฐานข้างล่าง ไปสู่ยอดปิรามิด โดยเริ่มจาก
- Raw Data คือการรวบรวมข้อมูลดิบจากหลากหลายแหล่งที่มา
- Information คือการจัดเก็บและจัดเรียบงข้อมูลดิบเข้ามาในรูปแบบที่มีระบบมากขึ้น
- Knowledge คือหาความสำคัญหรือความสัมพันธ์จากดาต้า
- Wisdom คือ Universal Knowledge หรือความรู้ที่สามารถนำไปประยุกต์กับหลากหลายธุรกิจได้
Wisdom เป็นเป้าหมายสูงสุดที่หลายองค์กรอยากไปให้ถึง แต่ในความจริงการจะไปสู่จุดนั้นยังยากมาก และหลายองค์กรก็ยังไปไม่ถึง
รู้จักกับ Analytical System กระบวนการวิเคราะห์ข้อมูล
จากภาพคือ Pipeline การไหลมาของดาต้าจากหลากหลายแหล่งที่มาแล้วถูกนำมาพักไว้ที่ถังเก็บ Database หลังจากนั้นก็จะเป็นในส่วนของ Data Transformation หรือการแปลงข้อมูลที่ได้มาให้จัดเรียงอย่างเป็นระบบระเบียบกลายเป็น Clean Data หรือ Informated Data โดยข้อมูลที่ถูกแปลงแล้วจะถูกนำไปเก็บที่ Data Warehouse ซึ่งในส่วนนี้นั้นองค์กรควรวางระบบ Single Source Output ให้ทุกคนสามารถเข้าถึงและดึงดาต้าจากที่เดียวกันนี้ไปทำ Analysis หรือ Visualize ต่อ และจะเห็นได้ว่าในการทำ Data Analytics มีองค์ประกอบที่สำคัญมากที่สุดอยู่ 1 องค์ประกอบคือ ข้อมูล หรือ Data นั่นเอง ดังนั้นคุณทอย จึงได้เล่าเกี่ยวกับข้อมูลในอีกหลายๆมิติดังนี้
ประเภทของ Data
Data แบ่งออกเป็น 3 ประเภทใหญ่ๆ คือแบบมีโครงสร้าง, แบบไร้โครงสร้าง, และแบบกึ่งมีโครงสร้าง โดย Structured Data หรือข้อมูลที่มีแบบแผนโครงสร้างที่เรามองเห็นได้นั้นเปรียบเสมือนยอดภูเขาน้ำแข็งเท่านั้น จริง ๆ แล้วยังมีข้อมูลอีกมากมายที่เป็น Unstructured Data หรือข้อมูลไร้โครงสร้างอยู่ใต้ภูเขาน้ำแข็งที่รอให้เราไปจัดการนำมาใช้ประโยชน์ได้ต่อ
Credit ภาพ: https://k21academy.com/microsoft-azure/dp-900/structured-data-vs-unstructured-data-vs-semi-structured-data/
- Structure Data คือ ดาต้าที่มีโครงสร้างเป็นข้อมูลที่ถูกจัดระเบียบแล้ว เช่นข้อมูลใน Excel สามารถนำมาใช้ประโยชน์ได้ หน้าตาจะคล้ายกับภาพที่เห็นด้านล่าง
- Unstructured Data คือข้อมูลไร้โครงสร้าง เช่นรูปภาพ ไฟล์เสียง หรือวิดีโอ เปรียบเสมือน Data ใต้ภูเขาน้ำแข็งที่ยังรอให้เราไปนำมันขึ้นมาใช้ประโยชน์
- Semi-Structured Data เป็น Data ลูกผสม คือเป็นข้อมูลกึ่งมีโครงสร้าง มีข้อดีคือ ช่วยให้เก็บข้อมูลได้หลายรูปแบบ เหมาะกับการเก็บ Data แต่ไม่เหมาะต่อการดึงข้อมูลไปวิเคราะห์ หน้าตาของ Semi-Structured Data จะหน้าตาคล้ายกับที่เห็นด้านล่าง
รู้จักกับ Data Transformation
Data Transformation คือกระบวนการแปลง, แก้ไขหรือลบข้อมูลที่ผิดพลาดและไม่เกี่ยวข้อง, และจัดเรียงข้อมูลเข้าระบบให้อยู่ใน format ที่สะดวกต่อการวิเคราะห์ โดย Data Transformation นี้ การจะทำออกมาให้ได้ดี หัวใจที่สำคัญคือคน ดังนั้นองค์กรควรพัฒนาคนในหน่วยงานให้มีความรู้เรื่อง Data ให้ได้มากที่สุด
ในส่วนของเครื่องมือที่สำคัญสำหรับ Data Transformation นั้น CDP ถือเป็นเครื่องมือสำคัญที่มีประโยชน์มากในการจัดเก็บข้อมูล
CDP หรือ Customer Data Platform เป็น Database ที่ Connect Data เข้ามา และช่วยแบรนด์เก็บข้อมูลลูกค้า ซึ่ง CDP จะไม่มีประโยชน์หากแบรนด์ไม่มีกลยุทธที่ดีที่จะช่วยดึงลูกค้าให้เข้ามาชมเว็บไซต์หรือแอปพลิเคชันของตัวเองได้ และในปัจจุบันการมี CDP อย่างเดียวอาจไม่เพียงพอ ควรมาพร้อมกับ CDI ด้วย
CDI หรือ Customer Data Intelligence ช่วยทำให้ ทีมเข้าถึงข้อมูลกลางชุดเดียวกันจาก CDP ได้อย่างมีประสิทธิภาพ ได้รับข้อมูลที่ตรงกันและนำมา analyze ต่อได้อย่างมีประสิทธิภาพมากขึ้น
สรุปจากผู้เขียน
นอกจากเนื้อหาที่กล่าวมาข้างต้นแล้ว ในคลาสเรียน คุณทอยยังยกตัวอย่างการใช้ Data Analytics ในธุรกิจที่น่าสนใจอีกมากมาย ไม่ว่าจะเป็นเคสจาก 2 ห้างดังในอเมริกาและอังกฤษอย่าง Target และ Tesco หรือ Streaming media อย่าง Netflix ตลอดไปจนถึงเคสที่มีความ Controversial อย่าง Cambridge Analytica
การใช้ Data Analytics มาขับเคลื่อนธุรกิจนั้นเป็นสิ่งที่ทุกองค์กรควรเริ่มทำเพราะสามารถเริ่มต้นทำได้ไม่ยาก สามารถทำได้แม้กระทั่งการเริ่มจากการทำ Linear Regression โดยใช้คณิตศาสตร์พื้นฐานมาหาความสัมพันธ์บางอย่างของข้อมูลและนำไปใช้คาดคะเนผลลัพธ์ โดยการคาดคะเนผลลัพธ์นั้นจะยิ่งมีประสิทธิภาพหรือมีความผิดพลาดต่ำหากปริมาณข้อมูลที่นำมาใช้ตั้งต้นในการใช้วิเคราะห์นั้นมีขนาดใหญ่และถูกต้องและถูกนำมาวิเคราะห์อย่างถูกวิธี
ตัวอย่างในการนำมา Data มาใช้ประโยชน์ทางธุรกิจนั้นมีมากมาย แบรนด์สามารถนำข้อมูลที่ได้ มาผนวกเข้ากับ STP (Segmentation, Targeting, Positioning) Model เพื่อทำการตลาดแบบ Personalize ได้ หรือแม้แต่การวิเคราะห์ MBA (Market Basket Analysis) ในการที่จะ Recommend สินค้าให้ลูกค้าเพื่อ Upsell หลังจากที่ลูกค้าซื้อผลิตภัณฑ์ชิ้นแรกของเราแล้ว
แต่การนำดาต้ามาใช้ในธุรกิจนั้นไม่ได้มีแต่ Success Case หรือเคสที่ประสบความสำเร็จเท่านั้น จริง ๆ แล้วยังมีเคสที่ไม่ประสบความสำเร็จอีกมากมาย หรือแม้แต่เคสการนำ Data ไปขายต่อหรือ Monetize Data เพื่อใช้ในทางที่ผิดก็มี นักการตลาดควรระมัดระวังและใช้ Data อย่างถูกวิธีและเหมาะสมเพื่อยกระดับแบรนด์ของตัวเอง
