ปรับแต่งเครื่องจักรธุรกิจค้าปลีก ให้แล่นฉิวด้วย AI

Share on facebook
Share on twitter
Share on google
Share on email
หากเปรียบธุรกิจค้าปลีกเหมือนเครื่องจักรชนิดหนึ่ง ฟันเฟืองหลักของเครื่องจักรนั้นคือ การ “หาลูกค้า ตอบความต้องการลูกค้า และเพิ่มประสิทธิภาพการดำเนินการ” ไม่ว่าคุณจะเป็นร้านสะดวกซื้อในละแวกบ้าน ห้างสรรพสินค้า เว็บไซต์ แอปพลิเคชัน พ่อค้าแม่ค้าในโซเชียลมีเดีย  หรือแชตบอทที่สร้างขึ้นเพื่อขายของอัตโนมัติ สามสิ่งนี้เป็นตัวแปรสำคัญที่จะกำหนด “คุณค่าของลูกค้า” (Customer Lifetime Value) ที่มี ให้กับธุรกิจในระยะยาวแบบทวีคูณ กล่าวคือ หากบริษัทของคุณหาลูกค้าเก่ง แต่ไม่สามารถตอบความต้องการได้ หรือมีต้นทุนการขายที่สูงเกินความจำเป็น ลูกค้าก็จะกลายเป็นเพียงแค่คนที่เข้ามาดูสินค้าแล้วจากไป หรืออย่างมากก็เป็นได้แค่ลูกค้าขาจร ส่งผลให้คุณค่าของลูกค้า (และผลกำไร) อยู่ในระดับต่ำ ในทางกลับกัน หากผลิตภัณฑ์ของคุณตอบความต้องการได้เป็นอย่างดี แต่คุณหาลูกค้าได้ไม่มากเท่าที่ควร คุณค่าของลูกค้าโดยรวม (และผลประกอบการ) ก็ไม่อาจเติบโตได้มากนัก

คุณค่าของลูกค้า = การหาลูกค้า x ตอบความต้องการลูกค้า x เพิ่มประสิทธิภาพการดำเนินการ

การเพิ่มประสิทธิภาพในการดำเนินการ เป็นหัวข้อของการวิจัยปฏิบัติการ (Operations Research) ที่ต้องทำกันอย่างยาวนาน หากมีส่วนที่วิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์สามารถเข้ามาช่วยเพิ่มขีดความสามารถได้ ก็น่าจะเป็นเรื่องของการหาลูกค้าและตอบความต้องการลูกค้าเสียมากกว่า

ฟันเฟืองที่ 1 – หาลูกค้า

ฟันเฟืองที่ 1 – หาลูกค้า
Photo by Georgia de Lotz on Unsplash
      สมการข้างต้นยิ่งปรากฏชัดเจนขึ้นในยุคที่ทุกบริษัททั้งเล็กและใหญ่กำลังทยอยก้าวเข้าสู่สังเวียนการแข่งขันค้าขายออนไลน์ ทั้งด้วยความตั้งใจของตนเอง หรือสถานการณ์โรคระบาดบังคับ ความสามารถในการหาลูกค้าถูกวัดได้อย่างแม่นยำด้วยค่าใช้จ่ายโฆษณาออนไลน์ต่อลูกค้าใหม่หนึ่งคน (Cost of Customer Acquisition; CAC) จากที่ในอดีตบริษัททำได้เพียงจ่ายค่าโฆษณา แล้วหวังว่าจะได้ผลโดยไร้ตัวชี้วัดใด ๆ ให้อ้างอิง
CAC
      ในอดีต มีเพียงสื่อสิ่งพิมพ์ที่คิดค่าโฆษณาจากการประเมินยอดจัดจำหน่ายเป็นเล่ม หรือสื่อโทรทัศน์ที่คิดค่าโฆษณาจากเรตติ้งที่มาจากคนไม่กี่พันคน1 ทำให้เป็นไปไม่ได้เลยที่เราจะรู้ CAC หรือความคุ้มค่าของเงินแต่ละบาทที่เราจ่ายไปกับค่าโฆษณา แต่ปัจจุบันเทคโนโลยีปัญญาประดิษฐ์ ส่งผลให้ผู้ประกอบการสามารถเลือกใช้ยุทธวิธีการหาลูกค้าใหม่ได้หลากหลาย และวัดผลได้มากขึ้น ไม่ว่าจะเป็น
การหากลุ่มลูกค้าหน้าเหมือนในโซเชียลมีเดีย (Lookalike Audience) เป็นยุทธวิธีที่เหมาะกับผู้ประกอบการที่มีฐานลูกค้าของตนเองอยู่แล้ว สามารถส่งข้อมูลลูกค้า (เช่น อีเมลหรือเบอร์โทรศัพท์ที่เข้ารหัสแบบไม่ระบุตัวตน) ของกลุ่มลูกค้าที่อยากได้เพิ่มเป็นลูกค้าใหม่ เช่น ลูกค้าซื้อบ่อย-ซื้อเยอะ ไปให้ระบบโซเชียลมีเดียค้นหาว่าเป็นผู้ใช้งานในระบบหรือไม่ จากนั้นปัญญาประดิษฐ์ของระบบจะค้นหาผู้ใช้ที่มีลักษณะการใช้งานโซเชียลมีเดียคล้ายกับกลุ่มลูกค้าที่เราต้องการ เพื่อทำการโฆษณาได้อย่างตรงเป้า ลดค่า CAC ลงได้อย่างมหาศาล
การประเมินคุณค่าลูกค้าใหม่ด้วยปัญญาประดิษฐ์ (Lead Scoring) ไม่ใช่ลูกค้าใหม่ทุกคนจะกลายเป็นลูกค้าชั้นดีหรือลูกค้าประจำ ความเป็นจริงก็คือ ในธุรกิจค้าปลีกทั้งออนไลน์และออฟไลน์ส่วนใหญ่ ลูกค้ากว่า 8 ใน 10 คนจะมาซื้อสินค้ากับเราเพียงครั้งเดียว เพราะฉะนั้นจึงไม่ใช่ความคิดที่ดีเลยที่เราจะจ่ายเงินเพื่อดึงลูกค้าทุกคนเป็นจำนวนเท่ากัน ด้วยข้อมูลที่ลูกค้าปฏิสัมพันธ์กับช่องทางการขาย หรือแม้แต่การโฆษณา เราสามารถสร้างปัญญาประดิษฐ์เพื่อประเมินคุณค่าลูกค้าและ CAC ที่เราควรจ่ายสำหรับลูกค้าแต่ละคน ยกตัวอย่างเช่น หากเรารู้ว่าลูกค้าที่ใช้ระบบแอนดรอยด์มีกำลังจ่ายน้อยกว่าลูกค้าที่ใช้ iOS เราอาจเลือกจ่ายค่าโฆษณาให้แหล่งโฆษณาที่นำลูกค้าที่ใช้ iOS มาให้เรามากกว่า เป็นต้น
การแบ่งสันปันส่วนค่าโฆษณา (Ads Attribution) ชีวิตคุณจะง่ายมากหากเลือกทำการตลาดในสื่อเพียงไม่กี่รายและสามารถเลือกจ่ายค่าโฆษณาตามประสิทธิภาพของแต่ละรายได้ แต่หากธุรกิจคุณใหญ่พอที่จะเติบโตอย่างก้าวกระโดด และการโฆษณาแค่ในโซเชียลมีเดียหรือเซิร์ชเอนจินรายใหญ่รายเดียว ดูจะไม่เพียงพอจนต้องขยายไปโฆษณากับสื่ออีกเป็น 10 กว่าช่องทางเฉกเช่นธุรกิจค้าปลีกสองรายใหญ่ในภูมิภาค คุณจะประสบปัญหาต่อไปนี้
     สมมุติว่านายแฮมทาโร่เห็นโฆษณาเมล็ดทานตะวันยี่ห้อแฮมแฮมจากโซเชียลมีเดียบนมือถือแล้วกดเข้าไปดู วันต่อมานายแฮมทาโร่นึกถึงโฆษณานั้น แล้วลองค้นหาเมล็ดทานตะวันยี่ห้อนั้นจากเซิร์ชเอนจิน แต่ก็ยังไม่ซื้อ อีกหนึ่งสัปดาห์ต่อมาระหว่างที่นายแฮมทาโร่กำลังเล่นเกมมือถืออยู่นั้นได้กดโฆษณาเข้าไปเจอเมล็ดทานตะวันยี่ห้อเดิมอีกรอบ และในที่สุดครั้งนี้เขาก็กดซื้อจนได้ คำถามคือ ในกรณีนี้ใครควรได้เครดิตในการทำให้นายแฮมทาโร่ซื้อเมล็ดทานตะวันยี่ห้อแฮมแฮมระหว่าง
     a. โซเชียลมีเดีย ผู้จุดประกายให้เห็นครั้งแรก
     b. เซิร์ชเอนจิน ที่แฮมทาโร่กดเข้าไปค้นหาสินค้าในวันถัดมา
     c. โฆษณาในโทรศัพท์มือถือ หนึ่งสัปดาห์ให้หลัง ผู้เป็นคนทำให้เขาซื้อของจนได้
      การให้เครดิตนี้สำคัญเป็นอย่างยิ่ง เพราะบอกเราว่าช่องทางการตลาดไหนมีความสำคัญ และควรได้รับงบประมาณมากที่สุด ในกรณีนี้เราสามารถใช้ปัญญาประดิษฐ์เรียนรู้การปฏิสัมพันธ์ของลูกค้าใหม่กับช่องทางการตลาดต่าง ๆ ในอดีต เพื่อบอกเราว่าควรแบ่งสันปันส่วนค่าโฆษณาแบบไหน เพื่อให้ได้ CAC ที่ต่ำที่สุด

ฟันเฟืองที่ 2 – ตอบความต้องการลูกค้า

http://quantsearch.com/product-recommendations/

      เมื่อได้ลูกค้ามาแล้ว พฤติกรรมบนเว็บไซต์หรือแอปพลิเคชัน คือ สิ่งที่จะสามารถบ่งบอกได้อย่างชัดเจนว่า สินค้าแต่ละชิ้น หรือบริการแต่ละประเภทตอบโจทย์ลูกค้าได้ดีแค่ไหน โดยการวัดจากลูกค้าทุกคนที่เห็นสินค้าชิ้นใดชิ้นหนึ่งนั้น ว่ามีกี่คนที่ตัดสินใจซื้อ (Conversion Rate; CR) แทนที่จะคอยมองแต่ยอดขายดังเช่นในอดีต

CR
วิธีการ เพิ่มประสิทธิภาพ ที่ได้ผลดีที่สุดคือ การให้คำแนะนำแบบเฉพาะบุคคล (Personalization) หากเป้าหมายหลักของการหาลูกค้าใหม่คือ ทำให้ CAC ต่ำที่สุดเท่าที่จะทำได้ เป้าหมายหลักของการตอบความต้องการลูกค้าก็คือ การทำให้ CR สูงที่สุดเท่าที่จะทำได้ สิ่งที่มนุษย์ทุกคนชื่นชอบที่สุดคือ รสนิยมของตนเอง เพราะฉะนั้นการทำให้คนมีโอกาสซื้อสินค้าของเราให้ได้มากที่สุด จึงต้องหวังพึ่งปัญญาประดิษฐ์ในการประเมินข้อมูลพฤติกรรมลูกค้าในอดีต ไม่ว่าจะเป็น เคยเข้าเว็บไซต์หรือแอปพลิเคชันบ่อยแค่ไหน ซื้อของทุกกี่วัน เคยดูหรือซื้อสินค้าอะไร ชอบซื้อสินค้าประเภทไหน ช่วงราคาประมาณเท่าไร ตอบรับกับโฆษณาแบบไหนได้ดี เพื่อนำเสนอสินค้าหรือรูปแบบบริการที่ลูกค้ามีโอกาสซื้อมากที่สุด ด้วยราคาที่เหมาะสมที่สุด และในช่วงเวลาที่ประจวบเหมาะที่สุด เราอาจคุ้นเคยกับการเห็นระบบแนะนำสินค้าในหน้าแรกของเว็บไซต์หรือแอปพลิเคชัน แต่ที่จริงแล้วคำแนะนำเฉพาะบุคคลมีได้แทบจะทุกที่ เช่น
     a. หน้าเช็กเอาต์ ระหว่างที่ลูกค้าเลือกสินค้าเรียบร้อยกำลังจะจ่ายเงิน เราอาจแนะนำเพิ่มว่า มีสิ่งที่เหมาะกับสินค้าที่อยู่ในตะกร้า เช่น ซื้อสปาเกตตีแต่ยังไม่มีซอส เราอาจแนะนำซอสเพิ่ม
     b. หน้าสินค้า คุณกำลังเลือกดูโทรศัพท์รุ่นใหม่อยู่หรือ ทำไมไม่ลองดูเคสโทรศัพท์นี้ไปด้วยล่ะ นี่คือ การแนะนำสินค้าที่ส่งเสริมกัน หรือถ้าหากคุณแนะนำโทรศัพท์รุ่นอื่น นั่นคือ การแนะนำสินค้าที่ทดแทนกัน ทั้งสองแบบเป็นการแนะนำที่มีโอกาสเพิ่ม CR ได้ทั้งสิ้น
     c. อีเมล ข้อความแชต การแจ้งเตือน หรือแม้แต่ใบปลิวที่ส่งถึงบ้าน การโฆษณากับลูกค้าเก่าเป็นโฆษณาที่มีค่าใช้จ่ายน้อยและมีประสิทธิภาพที่สุด แต่จะมีประสิทธิภาพยิ่งกว่าหากเราสามารถแนะนำสินค้าให้ลูกค้าเก่าแต่ละคนได้เหมาะ เหมือนกับสูทสั่งตัดดี ๆ สักตัว
     d. เปลี่ยนหน้าจอและประสบการณ์ผู้ใช้ คำแนะนำแบบสั่งตัดพิเศษสำหรับลูกค้าแต่ละคน ไม่จำเป็นต้องหมายถึงการแนะนำสินค้าเท่านั้น ปัญญาประดิษฐ์อาจเรียนรู้ที่จะเปลี่ยนแปลงหน้าตาของเว็บไซต์หรือแอปพลิเคชันไปตามลูกค้า เช่น ผู้สูงอายุจะได้หน้าจอที่มีตัวหนังสือใหญ่กว่าปกติ เป็นต้น

วัดผล วัดผล วัดผล

      จะเห็นได้ว่า ธุรกิจค้าปลีกสมัยใหม่เปรียบเสมือนเครื่องจักรที่ต้องคอยหยอดน้ำมันลงในฟันเฟือง เพื่อเพิ่มประสิทธิภาพในการสร้างคุณค่าของลูกค้าในระยะยาว การนำวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์มาประยุกต์ใช้ โดยเฉพาะการหาลูกค้าและตอบสนองความต้องการ มีศักยภาพที่จะช่วยยกระดับธุรกิจของคุณได้ แต่สิ่งสำคัญนั้น ไม่ใช่การพยายามหาว่าจะใช้เทคโนโลยีอะไรดี แต่เป็นการค้นหา “โจทย์ทางธุรกิจของคุณว่าคืออะไร มีเทคโนโลยีใดที่จะมาช่วยแก้ปัญหาได้บ้าง” และที่สำคัญที่สุดคือ หากแก้ได้ควรวัดผลด้วยตัวเลข เช่น การหาค่า CAC หรือ CR เพราะสุดท้ายแล้ว เราไม่ได้ใช้เทคโนโลยีเพราะเราชอบใช้ แต่เราใช้เพื่อช่วยสร้างธุรกิจของเราให้มั่นคงและยั่งยืน

Our Writer

ชารินทร์ พลภาณุมาศ

ชารินทร์ พลภาณุมาศ

หัวหน้าทีมวิทยาศาสตร์ข้อมูล ณ Central Group
(อดีต BridgeAsia และ Lazada) และนักพัฒนาซอฟท์แวร์โอเพ่นซอร์ส PyThaiNLP
github.com/cstorm125

อ้างอิง

“ลึกแต่ไม่ลับวิธีวัด ‘เรตติ้ง’ ทีวีดิจิตอล,” [Online]. Available: https://www.thairath.co.th/content/399822. [Accesses 23 12 2020]
Header design by slidesgo / Freepik

Share on facebook
Share on twitter
Share on google
Share on email

ผู้สนับสนุน

ติดต่อเรา

© copyright, 2020 AI for ALL