โลกนี้เขาใช้ Big Data เพื่อเปลี่ยนกลยุทธ์ทางธุรกิจได้อย่างไร

วันนี้เราจะมาคุยในเรื่องของ Data ที่หลายคนกำลังพูดถึงและให้ความสำคัญ ผมมีโอกาสได้ไปบรรยายเกี่ยวกับเรื่อง Data ว่ามีผลกับการทำการตลาดอย่างไร หรือสามารถใช้ Data เพื่อทำการตลาดให้ดีขึ้นได้อย่างไรที่ AIS DC 

ถ้าพูดถึง Data กับการตลาดอาจจะฟังดูแคบไป ลองถอยออกมาพูดถึงเรื่องของ Data กับกลยุทธ์ทางธุรกิจกันดีกว่า หัวข้อนี้เป็นหัวข้อที่ผมใช้บรรยายที่ AIS DC ด้วย นั่นคือ “How the world use data to transform business strategy” หรือโลกใบนี้ใช้ Data ในการเปลี่ยนแปลงกลยุทธ์ทางธุรกิจได้อย่างไร โดยเนื้อหาในครั้งนี้ผมจะพูดถึงใน 2 แกน ได้แก่

1. อะไรคือ Big Data
2. บริษัทในต่างประเทศใช้ Data ในการปรับกลยุทธ์ทางธุรกิจอย่างไร แล้วมีประโยชน์อย่างไรในการนำ Data เข้ามาช่วย

1. อะไรคือ Big Data

ต้องบอกว่า Data เป็นสิ่งที่คนเก็บกันนานแล้ว โดยในช่วงแรก ๆ เราอาจเก็บข้อมูลด้วยการจดลงสมุดหรือหนังสือ เช่น การดูดาว การดูดวง การพยากรณ์อากาศ นับเป็นข้อมูลทางสถิติ นั่นคือการเก็บข้อมูลเก่า เพื่อหาความเป็นไปได้ในอนาคต เป็นต้น

ดังนั้น การเก็บ Data เพื่อนำมาทำบางสิ่งไม่ใช่เรื่องใหม่ ในอดีตเราใช้การจด แต่เมื่อยุคสมัยเปลี่ยนไปเราใช้คอมพิวเตอร์เป็นตัวจดบ้าง เช่น ใช้ Excel ข้อมูลส่วนมากที่เราใส่ใน Excel มักจะเป็นข้อมูลที่ได้มาจากการกรอกฟอร์ม เช่น ข้อมูลลูกค้า ประวัติส่วนตัวของคนไข้ ข้อมูลของสินค้าหลาย ๆ ชนิด เป็นต้น นับเป็นการเก็บข้อมูลรูปแบบหนึ่ง คือให้คนกรอกใส่กระดาษก่อน แล้วนำมาใส่ Excel อีกที ซึ่งเป็นวิธีเมื่อ 20-30 ปีที่แล้ว

ในปัจจุบันข้อมูลไม่ได้มาจากการคัดลอกลง Excel อีกแล้ว เพราะข้อมูลมาอย่างรวดเร็วและมาในปริมาณมาก ได้มาจากอุปกรณ์ต่าง ๆ ที่เราใช้เป็นประจำ เช่น มือถือ หรือ Smartwatch ต่าง ๆ ซึ่งอุปกรณ์เหล่านี้จะมีการเก็บข้อมูลและส่งข้อมูลเข้าระบบอยู่ตลอดเวลา โดยข้อมูลมีหลากหลายประเภท เช่น สถานที่ อัตราการเต้นของหัวใจ เป็นต้น

คำถามคือ ข้อมูลจำนวนมากที่ถูกส่งจากอุปกรณ์ของเราเข้าไปยังระบบ ทำให้เกิด Data จำนวนมาก สามารถเรียกว่า Big Data ได้เลยหรือเปล่า? คำตอบก็คือ การเป็น Big Data ได้สมบูรณ์ต้องมี 4V ได้แก่

1. Volumn (ขนาด) คือ ขนาดของข้อมูล ต้องมีจำนวนมาก
2. Velocity (ความเร็ว) คือ ความเร็วในการสร้างและส่งข้อมูล
3. Variety (ความหลากหลาย) คือ ข้อมูลที่ส่งมามีความหลากหลาย
4. Veracity (ความแม่นยำ) คือ ความแม่นยำและแน่นอนของข้อมูล

เราสามารถเรียกข้อมูลที่มีทั้ง 4V นี้ได้ว่า Unstructure Data คือ ข้อมูลที่มาแบบไร้รูปแบบหรือแบบฟอร์ม บางครั้งมาในลักษณะของรูปภาพ ตัวอักษร หรือเสียง ส่วน Structure Data คือข้อมูลที่สามารถอ่านได้ง่าย หาได้ง่าย ถูกจัดเรียงมาอย่างเป็นระเบียบ เช่น ข้อมูลใน Excel

เมื่อได้ข้อมูลมาเป็นจำนวนมาก งานของคนทำ Data กว่า 80% เป็นงานทำความสะอาด Data (Clean Data) เนื่องจากข้อมูลมีจำนวนมากและหลากหลาย ทำให้บางครั้งมีข้อผิดพลาดเหมือนกัน งาน Clean Data จึงใช้เวลามากเช่นกัน

Data มีหลายรูปแบบ บางชนิดไม่มีประโยชน์ ใช้งานไม่ได้ และผิดพลาด เช่น เมื่อพูดถึงส่วนสูงของมนุษย์ ถ้าเจอข้อมูลว่าสูง 170-180 cm. ยังพอเป็นไปได้ แต่ถ้าความสูง 400 cm. จะนับเป็บข้อมูลที่ผิดพลาดหรือเรียกอีกอย่างว่า Outlier

การ Clean up Data มี 4 ขั้นตอน

1. นำข้อมูลมาแยกประเภท (Categorize)
2. แก้ไขข้อมูลที่ผิดพลาด (Correction)
3. ทำให้ข้อมูลเหล่านั้นเป็นมาตรฐานเดียวกัน (Standardize) เช่น ใช้หน่วยของส่วนสูงเดียวกัน
4. ลบชุดข้อความที่ซ้ำซ้อนทิ้ง (Duplicate elimination)

เมื่อพูดถึง Big Data คนก็จะตื่นเต้นและอยากจะมี Data เป็นของตัวเอง อยากสะสม Data เข้าด้วยกัน เพราะมีประโยคที่คนพูดบ่อย ๆ ว่า Data is the new oil คือถ้าใครมี Data เยอะก็เหมือนมีแหล่งน้ำมัน

ในอดีตคนครอบครองแหล่งน้ำมัน คือมหาอำนาจและคนร่ำรวย ซึ่งเป็นแบบนั้นจริง ๆ แต่ในความเป็นจริงแล้วประโยคที่พูดถึง Data นั้นมีต่ออีก คือ Data is the new oil. It’s valuable, but if unrefined it cannot really be used หมายถึง หากเราไม่รู้จักวิธีกลั่นหรือใช้น้ำมัน หรือในที่นี้คือไม่รู้วิธีใช้ข้อมูล ข้อมูลเหล่านั้นก็ไม่สามารถถูกนำมาใช้ได้ เหมือนที่ใต้บ้านมีบ่อน้ำมันแต่ไม่รู้จะเอามาใช้ยังไง เหมือนเรามี Data มากมายแต่ไม่รู้จะเอามาทำอะไร Data เหล่านั้นก็กลายเป็นขยะอยู่ดี

2. ประโยชน์จากการใช้ Big Data และ Ai

2.1 ทำให้เราเข้าใจลูกค้าได้ง่ายขึ้น

Spotify แอปพลิเคชันฟังเพลงที่ระบบจะเก็บข้อมูลว่าคนฟังเพลงอะไร นักร้องคนไหน เพลงสไตล์ไหน เมื่อระบบเก็บข้อมูลได้ระดับหนึ่ง AI จะทำการวิเคราะห์ว่าควรจะแนะนำเพลงแบบไหนให้ มีส่วนหนึ่งของ Spotify ที่ชื่อว่า Daily Mix ที่ระบบจะคิดขึ้นมาเอง ว่าเพลงแบบไหนที่คนน่าจะชอบ หรือ Netflix แอปพลิเคชันดูภาพยนตร์และซีรีส์ที่จะแนะนำคอนเทนต์ที่เรามีแนวโน้มจะชอบ

2.2 ช่วย Drive Sales

สิ่งหนึ่งที่พบเจอได้บ่อย ๆ คือ ส่วน Recommendation ใน Amazon หรือ Lazada เช่น ซื้อหนังสือเล่มนี้แล้วควรจะซื้ออีกเล่มด้วย ซื้อไม้แบดมินตันแล้วจะไม่ซื้อลูกแบดหน่อยหรอ โดย Amazon เปิดเผยว่า 35% ของยอดขายเกิดจากการ Recommend

Alibaba มีการสร้าง Personalize Page หรือเพจที่สร้างมาเพื่อลูกค้าคนนั้น ๆ มากถึงวันละ 6,700 ล้านเพจ ที่สำคัญคือ Alibaba มองว่าการสร้าง Personalize Page จะช่วยเพิ่มยอดขายและ Convert ลูกค้าได้มากถึง 20% เลยทีเดียว

2.3 นำมาช่วยในการพยากรณ์

ที่ประเทศจีน มีแอปพลิเคชันที่ชื่อ QQ ALERT สำหรับตามหาคนหาย โดยจะคาดการณ์ว่าคนหายหน้าตาเป็นอย่างไร ประเด็นคือคนที่หายตัวไปไม่ได้หายไปแค่หลักวัน สัปดาห์หรือเดือน แต่บางกรณีหายไป 3-5 ปี ถ้าเป็นผู้ใหญ่หายตัวไป 3-5 ปี หน้าตาจะไม่ได้เปลี่ยนไปมาก แต่ถ้าเป็นเด็ก คงเปลี่ยนไปมากทีเดียว ดังนั้น AI ของ QQ ALERT จะช่วยคาดการณ์ว่าเด็กที่หายไปเมื่อ 5 ปีที่แล้ว ปัจจุบันจะหน้าตาเป็นอย่างไร นับตั้งแต่แอปพลิเคชันเปิดตัวได้เพียง 1 ปี สามารถช่วยค้นหาคนหายได้มากถึง 200 กว่าคน

2.4 สร้างสินค้าหรือบริการใหม่ ๆ

ตัวอย่าง Google Assistant ที่ช่วยจองร้านตัดผมให้เจ้าของได้ เช่น บอก Google Home ให้ช่วยจองร้านตัดผมในวันอาทิตย์ Google Home จะทำการโทรคุยกับร้านตัดผมและจองวันเวลาให้ได้เลย

ผมมองว่ามีธุรกิจหนึ่งที่ควรใช้ Google Assistant อย่างมากเลย ก็คือ Call Center เช่น ขายประกัน บัตรเครดิต จะได้ไม่เกิดการโทรรบกวนกัน การโมโหของคนรับสาย ถ้าในอนาคตหุ่นยนตร์สามารถโทรหาเราได้อาจจะเวิร์ก และหุ่นยนตร์อาจเรียนรู้ว่าคนรับสายชอบเสียงแบบไหน อารมณ์แบบไหน ซึ่งต่อไปคนที่ขายประกันให้กับเราอาจรู้ใจเรามากขึ้นก็เป็นได้

2.5 ลดต้นทุน

USP ระบบขนส่งของอเมริกาที่ทุก ๆ วันมีรถขนส่งรอบอเมริกาอยู่ 96,000 คันทั่วประเทศ โดยทุกวันจะส่งสินค้ากว่า 19 ล้านชิ้นต่อวัน เกิดการวิเคราะห์ว่าปัจจุบันการส่งของมีต้นทุนที่สูง ทำอย่างไรจะสามารถลดต้นทุนได้ จึงเกิดการนำ AI มาช่วยศึกษาข้อมูลการเดินรถ เมื่อ AI วิเคราะห์แล้วพบว่า การเดินรถในอเมริกาขับรถทางขวาผ่านตลอด เมื่อรถขนส่งเลี้ยวขวา โอกาสที่จะเกิดอุบัติเหตุมีเพียง 3% เท่านั้น แต่หากเลี้ยวซ้ายโอกาสในการเกิดอุบัติเหตุจะเพิ่มขึ้นถึง 60-70% นอกจากรถเสียหายแล้วยังเสียเวลากับคู่กรณี รวมถึงเสียเวลาต่อไฟแดง ดังนั้น USP จึงเปลี่ยนเส้นทางการเดินรถใหม่ ให้รถเน้นเลี้ยวขวาให้มากที่สุดเท่าที่จะเป็นไปได้ ผลลัพธ์คือ USP สามารถประหยัดเงินได้ถึง 400 ล้านเหรียญสหรัฐ และประหยัดน้ำมันถึง 38 ล้านลิตร

2.6 ช่วยทำให้ตัดสินใจได้ง่ายและดีขึ้น

ธุรกิจให้กู้ยืมเงินที่จีนไม่ต้องเดินไปธนาคารเพื่อนำ Statement ไปยื่นขอกู้แล้ว การยืมเงินสามารถกดผ่านแอปฯ ได้เลย เมื่อเรากดขอยืมเงิน ระบบจะให้เงินเรามากน้อยเท่าไหร่ หรือไม่ให้ยืมเลยนั้น จะวิเคราะห์จากอะไรบ้าง? ในสมัยก่อนเราต้องยื่นหลักฐานต่าง ๆ เพื่อให้มั่นใจว่าเรามีเงินมากพอที่จะจ่าย แต่ในปัจจุบันพบว่าบางคนมีเงินมากพอก็จริงแต่ไม่จ่าย

ดังนั้น แทนที่จะหาคนที่มีเงินมากพออย่างเดียว จึงเปลี่ยนเป็นการหาคนที่มีโอกาสจ่ายเงินคืนด้วย จึงเกิดการเก็บข้อมูลที่นอกจากเรื่องของเงินเดือนและค่าใช้จ่ายแล้ว ยังเก็บเพิ่มอีก 2 อย่างคือ 

1. วันที่กดขอยืมเงิน

กดยืมเงินตอนปลายเดือนหรือต้นเดือน เพราะคน 2 กลุ่มนี้แตกต่างกัน คนที่ยืมตอนปลายเดือนคือใช้เงินจนหมดแล้วมายืม ส่วนคนที่ขอยืมตอนต้นเดือน เงินเดือนออกก็ยืมแล้ว คนที่ควรให้ยืมคือคนยืมตอนปลายเดือน เพราะคนที่ยืมตอนปลายเดือนคือหมดจริง ๆ เลยมายืม ส่วนคนที่ยืมตั้งแต่ต้นเดือนคือยังไม่ทันทำอะไรเลยก็ยืมแล้ว

2. ปริมาณแบตเตอรี่ที่เหลือตอนสิ้นวัน

ถ้าตอนสิ้นวันนาย ก. แบตเตอรี่เหลือ 1-5% กับนาย ข. แบตเตอรี่เหลือ 70% ควรให้ใครยืม? คำตอบคือควรให้คนแบบนาย ข. ยืมมากกว่า เพราะคนที่แบตเตอรี่เหลือตอนสิ้นวันแปลว่าระหว่างวันชาร์จตลอดเวลา แสดงว่าเป็นคนมีวินัย รอบคอบ ในขณะที่คนที่หมดตอนสิ้นวันเป็นประจำถูกมองว่าไม่มีวินัยและไม่รับผิดชอบนั่นเอง

สรุปก็คือ หลายบริษัทเขานำ Big Data เข้ามาใช้กับการปรับเปลี่ยนกลยุทธ์ธุรกิจ เพื่อให้สามารถเข้าใจพฤติกรรมผู้บริโภคได้ง่ายขึ้น เพื่อนำเสนอสินค้าและบริการให้เหมาะสมตามความต้องการแต่ละคน ลดต้นทุน สร้างสินค้าหรือบริการใหม่ ๆ และยังช่วยคาดการณ์สถานการณ์ล่วงหน้า เพื่อเตรียมพร้อมรับมือและใช้ข้อมูลเพื่อประกอบการตัดสินใจได้ดี

ภาพประกอบบทความจาก panumas nikhomkhai, Pexels

ถอดความจาก: Morning Call Podcast โดยคุณเก่ง สิทธิพงศ์ ศิริมาศเกษม
ฟัง EP. นี้แบบเต็ม ๆ ได้ที่: SOUNDCLOUD, Spotify, PodBean

บทความอื่นที่คุณอาจสนใจ

• ถ้าโดน AI แย่งงานแล้วเราควรทำอย่างไร?
• AI กับตำแหน่งงานที่หดหาย อีกสิ่งที่รัฐบาลต้องรับมือ
• เจาะพฤติกรรมผู้บริโภคปี 2019 ด้าน Digital Marketing และ Creative