เคยตั้งใจจะไปเดินเล่นในห้าง แล้วลงเอยด้วยของเต็มคันรถกันไหมครับ เวลาเราเดินเข้าไปในร้านเสื้อผ้า นอกจากเพื่อนซี้ที่คอยเสนอว่าเสื้อลายไหนเหมาะกับเราแล้ว เรายังเจอพนักงานขายที่ช่วยแนะนำว่า ช่วงนี้สินค้าไหนกำลังมาแรง แถมยังเชียร์ให้เราซื้อกางเกงที่เข้าชุดกับเสื้อที่เราเลือกไปแล้วเสียด้วย
โลกออนไลน์ที่เติบโตขึ้นในปัจจุบัน ทำให้พวกเราหันมาชอปปิ้งออนไลน์กันมากขึ้น แต่ธรรมเนียมการเชียร์ลูกค้าแบบดั้งเดิมก็ยังไม่หายไปไหน แค่เปลี่ยนรูปแบบมาอยู่บนหน้าจอที่เขียนข้อความล่อตาล่อใจ เช่น “สินค้าที่เหมาะกับคุณ” “คนที่ซื้อของชิ้นนี้มักซื้อของชิ้นนี้ด้วย” หรือ “สินค้าฮอตฮิตประจำเดือน” พื้นที่ส่วนนี้เปรียบเหมือนเคาน์เตอร์ของพนักงานขายแบบดิจิทัล ซึ่งนำสินค้าที่เราน่าจะชอบมาเรียงรายให้เราเลือกสรร
Online Reviews ได้เขียนเกี่ยวกับหัวข้อนี้โดยละเอียดบนเว็บไซต์ของเขา
[su_tooltip style=”dark” position=”north” shadow=”yes” rounded=”yes” size=”4″ content=”
ระบบแนะนำสินค้า (recommender system) คือระบบที่จะทำการแนะนำสินค้า สื่อ หรือบริการออนไลน์ที่ใกล้เคียงกับสิ่งที่ผู้ใช้กำลังสนใจอยู่ หรือผู้ใช้น่าจะสนใจสิ่งนั้นด้วย โดยพิจารณาจากข้อมูลของสินค้าและ/หรือข้อมูลของผู้ใช้งานระบบ
http://bigdataexperience.org/introduction-to-recommendation-system/
” ]ระบบแนะนำสินค้า[/su_tooltip] (recommender system) ที่เราพบเห็นในโลกออนไลน์ เปรียบเหมือนพนักงานขายในโลกเสมือนที่คอยแนะนำว่า สินค้าอะไรน่าจะโดนใจเราที่สุด โดยอาจพิจารณาจากยอดขาย ความนิยมของสินค้าในขณะนั้น รวมไปถึงข้อมูลเกี่ยวกับตัวเรา เช่น สินค้าที่เราเคยซื้อ เพศ อายุ หรือแม้กระทั่งพฤติกรรมการท่องเว็บไซต์ของเรา ระบบแนะนำสินค้าที่ชาญฉลาดจะช่วยให้ลูกค้าพบสินค้าที่ตรงกับความต้องการ และช่วยเพิ่มยอดขายให้กับร้านค้าไปในเวลาเดียวกัน
การใช้งานระบบแนะนำสินค้าไม่ได้ถูกจำกัดอยู่กับแค่ร้านขายของออนไลน์เท่านั้น แต่ยังอยู่เบื้องหลังบริการออนไลน์ระดับโลกอีกหลากหลายบริการ เช่น เฟซบุ๊ก (แนะนำว่าโพสต์ไหนที่เราน่าจะสนใจที่สุด) เน็ตฟลิกซ์ (แนะนำว่าภาพยนตร์ หรือซีรีส์เรื่องใดที่เราน่าจะรับชม) ทินเดอร์ (แนะนำคนที่เราน่าจะคบหาดูใจ) หรือแม้แต่กูเกิล (แนะนำผลการค้นหาที่ตรงกับคีย์เวิร์ดที่สุด) ดังนั้นเราจะเห็นได้ว่า นอกจากการแนะนำสินค้าแล้ว เรายังสามารถประยุกต์ระบบนี้ไปแนะนำคอนเทนต์ประเภทอื่น ๆ เช่น รูปภาพ วิดีโอ บทความ โพสต์ของผู้คนในสื่อสังคมออนไลน์ หรือแม้กระทั่งตัวบุคคล
ความท้าทายหนึ่งของการพัฒนาระบบแนะนำสินค้าคือ การรับมือกับข้อมูลสินค้าและผู้ใช้จำนวนมาก ลองนึกภาพว่า หากเราต้องหาสิ่งที่ลูกค้าต้องการจากสินค้าหลายล้านชิ้นในคลังของเว็บอีคอมเมิร์ซอย่าง Amazon ดูสิครับ ยิ่งไปกว่านั้นลูกค้าที่เข้าร้านของเรายังมีมากระดับร้อยล้านคนที่มีความต้องการแตกต่างกันอีก ในบทความนี้เราจะมาหาคำตอบกันว่า เบื้องหลังระบบแนะนำสินค้าของบริษัทระดับโลกเหล่านี้ มีหลักการทำงานโดยพื้นฐานเป็นอย่างไร
แนะนำจากยอดขาย
วิธีการแนะนำสินค้าที่ตรงไปตรงมาที่สุดคือ พิจารณาว่าสินค้าที่ขายดีในช่วงเวลาหนึ่ง ก็น่าจะเป็นสินค้าที่ลูกค้าสนใจ เรามักเห็นตัวอย่างของการแนะนำลักษณะนี้ในร้านหนังสือ ที่มีชั้นวางพิเศษสำหรับหนังสือขายดี การแนะนำสินค้าลักษณะนี้จะช่วยให้เราจับกระแสได้ว่า สินค้าใดกำลังเป็นที่นิยม และลูกค้าส่วนใหญ่กำลังมองหาอะไร เราอาจขยายมุมมองให้ครอบคลุมสินค้ามากกว่าหนึ่งชิ้นก็ได้ โดยพิจารณายอดขายของกลุ่มสินค้าที่ลูกค้ามักซื้อด้วยกันบ่อย ๆ สมมติว่า ในร้านสะดวกซื้อของเรา ลูกค้ามักซื้อขนมปังกับนมคู่กันเป็นประจำ เราอาจแนะนำลูกค้าที่ซื้อขนมปัง ให้ซื้อนมคู่กันไปด้วยตอนกำลังจะชำระเงิน หรือให้ส่วนลดพิเศษหากซื้อของเหล่านี้ด้วยกันก็ได้
ข้อจำกัดของวิธีการแนะนำลักษณะนี้คือ เราจำเป็นต้องมียอดขายของสินค้าก่อน จึงจะรู้ว่าควรแนะนำสินค้านี้หรือไม่ วิธีการนี้จึงใช้ไม่ได้กับสินค้าออกใหม่ที่ไม่เคยขายได้มาก่อน การแนะนำลักษณะนี้ยังเป็นคำแนะนำสำหรับลูกค้าทุกคน ไม่สามารถปรับให้ตรงกับความต้องการเฉพาะบุคคลได้ สำหรับตัวอย่างร้านสะดวกซื้อ เราจะแนะนำให้ลูกค้าซื้อนมคู่กับขนมปังเสมอตามความนิยมของลูกค้าส่วนใหญ่ โดยไม่สนว่าลูกค้าแต่ละคนจะอายุเท่าไร เพศอะไร หรือชอบดื่มนมหรือเปล่า
แนะนำของที่ใกล้เคียง
อีกแนวทางหนึ่งคือ การแนะนำสินค้าที่คล้ายคลึงกับสินค้าที่ลูกค้าเคยซื้อ โดยมีสมมติฐานว่าลูกค้าน่าจะชอบสิ่งที่ใกล้เคียงกับสินค้าที่เคยสนใจมาก่อนหน้านี้ ยกตัวอย่างเช่น ผู้ใช้งานเน็ตฟลิกซ์คนหนึ่งเคยดูภาพยนตร์เรื่อง The Hunger Games มาก่อน จากฐานข้อมูลพบว่าภาพยนตร์เรื่องนี้อยู่ในหมวดแอ็กชัน ผจญภัย ไซไฟ มีนักแสดงนำคือ เจนนิเฟอร์ ลอว์เรนซ์ ระบบอาจเดาว่าหนังที่ผู้ใช้คนนี้น่าจะดูเรื่องต่อไป ควรเป็นเรื่องที่มีชื่อคล้ายกันนั่นคือ The Hunger Games ภาคต่อ หรืออาจเป็นหนังเรื่องอื่นที่เจนนิเฟอร์ ลอว์เรนซ์แสดง ไม่อย่างนั้นก็อาจเป็นภาพยนตร์ที่ตกอยู่ในหมวดหมู่เดียวกันนั่นคือ แอ็กชั่น ผจญภัย ไซไฟ ก็ได้
การเลือกคุณลักษณะของสินค้ามาเปรียบเทียบกันไม่ได้มีรูปแบบตายตัว แต่ขึ้นอยู่กับผู้พัฒนาระบบว่าจะกำหนดความคล้ายคลึงกันด้วยปัจจัยใด คุณลักษณะของสินค้ายังแตกต่างกันไปตามชนิดของสินค้าและบริการ สำหรับภาพยนตร์เราอาจพิจารณาความคล้ายคลึงจาก หมวดหมู่ รายชื่อนักแสดง ผู้กำกับ ปีที่ฉาย หรือรายได้ตอนเปิดตัว ไปจนถึงการวิเคราะห์คำสำคัญที่ปรากฏในเรื่องย่อ หากเราเป็นร้านค้าออนไลน์ อาจพิจารณาความคล้ายคลึงของสินค้าจากหมวดหมู่ของผลิตภัณฑ์ ชื่อแบรนด์ สี รูปร่าง หรือประเทศผู้ผลิต เป็นต้น
ข้อดีของการแนะนำรูปแบบนี้คือ ตัวระบบแทบไม่ต้องรู้ข้อมูลของลูกค้าหรือยอดขายมาก่อน เพียงรู้ว่าลูกค้ากำลังสนใจสินค้าชิ้นไหน ก็สามารถแนะนำสินค้าที่ใกล้เคียงกันได้ทันที อย่างไรก็ตามวิธีการนี้มีข้อจำกัดคือระบบจะแนะนำแต่สินค้าแนวเดียวกันเสมอเช่น ถ้าผู้ชมชอบดูภาพยนตร์แอ็กชัน ระบบก็มีแนวโน้มที่จะแนะนำแต่ภาพยนตร์แอ็กชัน โอกาสที่จะแนะนำหนังตลก หรือหนังสยองขวัญอาจเกิดขึ้นได้ยาก
แนะนำจากคนที่ชอบอะไรคล้ายกัน
คุณมีเพื่อนที่ชอบตะลุยกินด้วยกันไหมครับ พอเขาไปเจอร้านใหม่ ก็มาชวนเราไปด้วย แล้วก็ไม่เคยทำให้เราผิดหวังเลย วิธีการแนะนำลักษณะนี้ จะหาว่าเราชอบสินค้าเหมือนกับใครบ้าง จากนั้นก็แนะนำสินค้าที่คนกลุ่มเดียวกันชื่นชอบกลับมา ยกตัวอย่างเช่น หากเราพบว่าผู้ใช้คนหนึ่งในแพลตฟอร์มส่งอาหารออนไลน์ มักสั่งเบอร์เกอร์ พิซซา และสปาเกตตี้เป็นประจำ จากนั้นเราก็พบว่า มีผู้ใช้อีกคนที่ชอบสั่งเบอร์เกอร์กับพิซซาเหมือนกับคนแรก ระบบของเราจึงแนะนำสปาเกตตี้ให้กับผู้ใช้คนนี้ ด้วยสมมติฐานว่าสองคนนี้น่าจะชอบกินอะไรคล้าย ๆ กันนั่นเอง
การแนะนำลักษณะนี้ จึงเป็นการหากลุ่มลูกค้าที่มีรสนิยมใกล้เคียงกัน โดยพิจารณาจากปฏิสัมพันธ์ที่เกิดขึ้นระหว่างลูกค้ากับสินค้าเช่น ความชอบ การให้คะแนน (เรตติ้ง) การซื้อ การคลิก หรือการกดไลก์ แม้วิธีการนี้จะช่วยให้เรารับมือกับพฤติกรรมการเลือกซื้อที่ซับซ้อน แต่ก็ต้องการข้อมูลจำนวนมาก ว่าแต่ละคนชื่นชอบสินค้าอะไรบ้าง อีกทั้งระบบจะไม่สามารถรับมือกับสินค้าใหม่และลูกค้าใหม่ที่ไม่มีข้อมูลมาก่อน
ระบบที่ซับซ้อนยิ่งขึ้น
ระบบแนะนำสินค้าของบริษัทระดับโลกจะนำวิธีการทั้งสามมาผสมผสานกับวิธีการที่คิดค้นขึ้นจากการศึกษาวิจัย จนได้ระบบที่ตอบโจทย์ผู้ใช้งานหลายล้านคนทั่วโลก ระบบส่วนมากยังเอาปัจจัยแวดล้อม (context) มาคิดร่วมด้วย ยกตัวอย่างเช่น หากเราเป็นเว็บไซต์แนะนำร้านอาหาร แล้วรู้ว่าลูกค้าของเราชอบดื่มกาแฟ ระบบควรจะแนะนำร้านกาแฟในตอนเช้าหรือเที่ยง แต่ไม่ควรแนะนำในตอนเย็น และถ้าเรารู้ว่าลูกค้าเปิดเว็บไซต์ดูจากที่ไหน ระบบก็ควรแนะนำร้านกาแฟในย่านนั้น ปัจจัยแวดล้อมอาจเป็นเวลา สถานที่ อุปกรณ์ที่ใช้งาน ไปจนถึงสภาพอากาศ อย่างไรก็ตามความสำเร็จของบริษัทระดับโลกไม่ได้อยู่ที่การลงทุนวิจัยและพัฒนาระบบที่ล้ำสมัยเพียงอย่างเดียว แต่เป็นเพราะบริษัทเหล่านี้ยังถือครองข้อมูลจำนวนมากที่รวบรวมพฤติกรรมและความสนใจของผู้ใช้งานหลายล้านคนทั่วโลก ซึ่งจำเป็นอย่างมากในการฝึกสอนระบบให้แม่นยำยิ่งขึ้น
ประโยชน์ของระบบแนะนำสินค้า
เราอาจแจกแจงประโยชน์ของระบบแนะนำสินค้าออกเป็น 3 ข้อหลักได้แก่
เพิ่มยอดขาย เป็นผลลัพธ์โดยตรงจากการคัดเลือกสินค้าถูกต้องให้ลูกค้าถูกคน กรณีตัวอย่างที่เห็นได้ชัดที่สุดคือ เว็บอีคอมเมิร์ซยักษ์ใหญ่อย่าง Amazon ที่มีระบบแนะนำสินค้าเกือบจะทุกหน้าในเว็บไซต์ของตัวเอง ตั้งแต่การแนะนำ “สินค้าขายดีในหมวดหมู่นี้” “สินค้าที่มักซื้อคู่กับสินค้าชิ้นนี้” “สินค้าที่ใกล้เคียงกับสินค้าชิ้นนี้” ไปจนถึง“รายการสินค้าเฉพาะคุณ” นอกจากปรากฏในหน้าเว็บแล้ว รายการสินค้าแนะนำยังถูกส่งไปที่อีเมลของลูกค้าเป็นประจำ เพื่อให้แน่ใจว่าลูกค้าจะไม่ลืมและกลับมาซื้อของที่ Amazon อีกครั้ง รายงานของ McKinsey เมื่อปีค.ศ. 2012 ระบุว่า 35% ของยอดขายใน Amazon มาจากระบบแนะนำสินค้า [1]
รักษาฐานลูกค้าเดิม ระบบแนะนำสินค้าที่ทำงานได้ตรงใจลูกค้า ก็มีโอกาสดึงดูดลูกค้าให้กลับมาใช้บริการซ้ำอีก หากใครเคยใช้แพลตฟอร์มสตรีมมิ่งเพลงอย่าง Spotify จะพบว่า มีเพลย์ลิสต์ชื่อ Discover Weekly ซึ่งเป็นเพลย์ลิสต์ของเพลงที่คัดสรรมาสำหรับเราโดยเฉพาะ และจะเปลี่ยนไปทุกสัปดาห์ Spotify นำข้อมูลผู้ใช้งานมาพิจารณาว่ารสนิยมการฟังเพลงที่ผ่านมาเป็นอย่างไร มาเทียบกับคุณลักษณะของเพลงที่มีอยู่ในระบบเช่น ศิลปิน ชื่อเพลง แนวเพลง จังหวะ อารมณ์ ฯลฯ จากนั้นจึงแนะนำเพลงที่ใกล้เคียงกับรสนิยมผู้ใช้งานที่สุดออกมา ในปีค.ศ. 2016 Spotify ระบุว่า ในแต่ละสัปดาห์มีผู้ใช้งานเกินครึ่งที่เคยใช้ Discover weekly มาแล้ว กลับมาใช้งานซ้ำอีก [2] ซึ่งส่งผลดีต่อรายได้ของ Spotify เองที่เรียกเก็บค่าสมาชิกเป็นรายเดือน
เพิ่มเวลาใช้งานบนแพลตฟอร์ม ธุรกิจบางประเภทไม่ได้ทำเงินจากยอดขาย แต่มีรายได้หลักจากโฆษณา ดังเช่นกรณีของ YouTube ยิ่งผู้ใช้งานดูวิดีโออยู่ในเว็บนาน ก็ยิ่งมีโอกาสขายโฆษณาได้มากขึ้น YouTube รวบรวมข้อมูลของผู้ใช้งานเช่น ประวัติการเข้าชม การกดไลก์ เพศ อายุ ฯลฯ มาเปรียบเทียบกับข้อมูลของวิดีโอ เช่น ชื่อวิดีโอ ช่องเจ้าของคลิป เวลาอัปโหลด ฯลฯ เพื่อพิจารณาว่าผู้ใช้แต่ละกลุ่มมีแนวโน้มจะกดดูวิดีโอลักษณะอย่างไร เมื่อปีค.ศ. 2018 หัวหน้าฝ่ายผลิตภัณฑ์ของ YouTube ระบุว่า กว่า 70% ของเวลาใช้งาน YouTube ทั่วโลก เป็นผลมาจากการทำงานของระบบแนะนำวิดีโอ [3]
โดยสรุปแล้วระบบแนะนำสินค้า คือ ระบบที่ช่วยคัดกรองสินค้าที่มีอยู่มากมาย ให้เหลือแค่สินค้าที่ตรงใจกับผู้ใช้งานที่สุด การแนะนำสินค้าเกิดขึ้นได้ทุกที่ตั้งแต่หน้าเว็บไซต์ อีเมล ห้องแชตส่วนตัว ไปจนถึงจดหมายที่ส่งมาหาถึงบ้าน ต่อจากนี้เมื่อคุณเห็นข้อความที่แนะนำสินค้าที่ตรงใจกับคุณเหลือเกิน ลองเดาดูสิครับว่าคำแนะนำเหล่านี้ใช้ข้อมูลและวิธีการอะไรในการแนะนำ พอรู้อย่างนี้แล้ว ก็ไม่น่าแปลกใจที่เว็บไซต์เหล่านี้ดูเหมือนจะรู้ใจเราเสียเหลือเกิน จริงไหมครับ
Our Writer
นวีน ปิติพรวิวัฒน์
Data Product Manager ที่ NocNoc.com ผู้รักสนุกกับการดำดิ่งลงไปในข้อมูลและเล่าเรื่องราวที่ค้นพบในเพจเฟซบุ๊ก ‘Data น่าฟาด’
อ้างอิง
[1] Ian MacKenzie, Chris Meyer and Steve Noble, “How retailers can keep up with consumers,” [Online]. Available: https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers. [Accessed 16 10 2020].
[2] Alex Heath, “Here’s what’s next for Discover Weekly, Spotify’s most loved feature,” [Online]. Available: https://www.businessinsider.com/spotifys-discover-weekly-streams-5-billion-tracks-in-less-than-a-year-2016-5. [Accessed 16 10 2020].
[3] Joan E. Solsman, “YouTube’s AI is the puppet master over most of what you watch,” [Online]. Available: https://www.cnet.com/news/youtube-ces-2018-neal-mohan/ . [Accessed 16 10 2020].
Header Designed by stories / Freepik
