6 ตัวอย่างการทำ Marketing Analytics ขับเคลื่อนองค์กร ที่คุณควรเริ่มนำไปใช้ตั้งแต่วันนี้

จากการจากการสำรวจจาก Gartner พบว่า CMO (Chief Marketing Officer) ให้ความสำคัญกับการทำ Data-Driven Marketing เป็นอันดับต้นๆ เลยทีเดียว ซึ่งคำว่า Data-Driven Marketing เป็นคำที่ถูกพูดถึงบ่อยๆ ในช่วงที่ผ่านมา และมีเทคโนโลยีใหม่ๆ ที่เข้ามาช่วยนักการตลาดเข้าใจ Customer Journey และ Insight ของลูกค้าอย่างแม่นยำ ผ่านการทำ Marketing Analytics ผ่านแพลทฟอร์มและเทคโนโลยีใหม่ๆ ซึ่งทุกวันนี้หลายๆ แบรนด์ได้เริ่มทำ และมี Case Study เป็นตัวอย่างมากมายที่สามารถหยิบไปใช้ได้  

อย่างไรก็ตาม การจะสร้าง Value และวิเคราะห์ Insight เด็ดๆ ได้นั้น แบรนด์ต้องมีการจัดการ Optimize กระบวนการทำงานภายใน รวมถึงการเลือกเทคโนโลยีที่ใช้ด้วย นอกจากนี้ยังต้องคำนึงถึงความปลอดภัยของข้อมูลส่วนบุคคลด้วย และการประกาศยเลิกการใช้ Third Party Cookies ของเว็บบราวเซอร์ต่างๆ  

นักการตลาดจึงต้องเร่งแก้ปัญหา สร้างแผนการรองรับ และหาวิธีการใหม่ๆ เพื่อที่จะวิเคราะห์ข้อมูลให้เกิดประโยชน์สูงสุด ซึ่งในบทความนี้จะเล่าถึง Use Cases ที่นักการตลาดสามารถหยิบยกไปใช้ได้ รวมถึงสิ่งที่แบรนด์ต้องเตรียมตัว เพื่อให้การทำ Data Driven Marketing ในองค์กรสามารถเกิดขึ้นได้จริงด้วยค่ะ ถ้าพร้อมแล้วไปอ่านกันได้เลย 

อย่างไรก็ตาม การจะสร้าง Value และวิเคราะห์ Insight เด็ดๆ ได้นั้น แบรนด์ต้องมีการจัดการ Optimize กระบวนการทำงานภายใน รวมถึงการเลือกเทคโนโลยีที่ใช้ด้วย นอกจากนี้ยังต้องคำนึงถึงความปลอดภัยของข้อมูลส่วนบุคคล (Data Privacy) ด้วย และการประกาศยกเลิกการใช้ Third Party Cookies ของเว็บบราวเซอร์ต่างๆ  

นักการตลาดจึงต้องเร่งแก้ปัญหา สร้างแผนการรองรับ และหาวิธีการใหม่ๆ เพื่อที่จะวิเคราะห์ข้อมูลให้เกิดประโยชน์สูงสุด ซึ่งในบทความนี้จะเล่าถึง Use Cases ที่นักการตลาดสามารถหยิบยกไปใช้ได้ รวมถึงสิ่งที่แบรนด์ต้องเตรียมตัว เพื่อให้การทำ Data Driven Marketing ในองค์กรสามารถเกิดขึ้นได้จริงด้วยค่ะ ถ้าพร้อมแล้วไปอ่านกันได้เลยค่ะ 

Marketing Analytics คืออะไร มีประโยชน์อย่างไร 

Marketing Analytics หมายถึงการทำการตลาดผ่านเครื่องมือทางเทคโนโลยี โดยที่ Platform และ Tools ดังกล่าวสามารถช่วยนักการตลาดในการเก็บ – วิเคราะห์​ – โมเดล – แสดงผลข้อมูล เพื่อที่จะทำให้เข้าใจพฤติกรรมลูกค้าได้แม่นยำ และเพิ่มประสิทธิภาพแคมเปญให้ดีขึ้น 

ในบางครั้งการทำ Marketing Analytics ถูกมองว่าเป็นเรื่องเดียวกันกับ Web Analytics แต่จริงๆ แล้วมีความแตกต่างอยู่ 3 อย่างได้แก่ 

1. Marketing Analytics มีโซลูชันที่ครอบคลุมมากกว่า และตอบโจทย์ค้องการเฉพาะด้านได้ 
2. Marketing Analytics นั้นจะ integrate และวิเคราะห์ข้อมูลทั้งในฝั่งออนไลน์ และออฟไลน์ เข้าด้วยเพื่อให้เข้าใจ Journey ทั้งหมดของลูกค้า
3. การทำ Automation งานในฝั่ง Marketing Analytics เพื่อให้ทีมสามารถนำเวลาไปโฟกัสงานส่วนอื่นที่มีคุณค่ามากกว่าแทน เช่น การทำ Predictive analysis โดยการใช้ Machine Learning ได้ 

ซึ่งการจะทำ Marketing Analytics ให้สำเร็จนั้น มีแนวทางเบื้องต้นดังนี้ 

• นำ Marketing Analytics ไปเป็นส่วนหนึ่งของกลยุทธ์ภาพรวมของแบรนด์ 
• ตรวจสอบเทคโนโลยีที่ใช้ในปัจจุบัน ซึ่งโดยส่วนใหญ่ทุกๆแบรนด์มักจะมีการใช้เทคโนโลยีในการ Analytics อยู่แล้ว แต่ต้องหมั่นรีวิวเทคโนโลยีตัวใหม่ๆ ที่ช่วยตอบโจทย์ให้ตอบรับความเปลี่ยนแปลงให้ดีขึ้น
• การจะเริ่ม Implement ในแต่แผนกให้สำเร็จนั้น ต้องมีการแสดงตัวอย่าง Use Case ที่สร้าง Impact ให้แผนกนั้นๆ เช่น นำ Marketing Analytics ในทีมการตลาดเพื่อช่วยให้วิเคราะห์ Insight ของ Journey ลูกค้า ตั้งแต่การ Click Ads จนถึงซื้อสำเร็จ และช่วยให้แผนกนั้นๆ ทำ KPI ได้สำเร็จ เช่น เพิ่มจำนวน Conversion 

Gartner ได้แนะนำ 6 แนวทาง Use Case สำหรับนักการตลาดเพื่อที่จะวางแผน Roadmap สำหรับการทำ Marketing Analytics ได้อย่างมีประสิทธิภาพดังนี้ 

1. Monitor and Measure : ติดตาม และ วัดผลประสิทธิภาพ
2. Manage Data : การจัดการข้อมูล 
3. Visualize Data : การแสดงผลข้อมูล 
4. Understand and activate audiences : เข้าใจความต้องการของลูกค้า 
5. Model, predict and prescribe : ใช้เทคโนโลยีในการสร้างโมเดล เพื่อทำนายและอธิบายสิ่งที่เกิดขึ้น 
6. Test and optimize : ทดสอบแคมเปญ และเพิ่มประสิทธิภาพอยู่เสมอ 

6 ตัวอย่างการทำ Marketing Analytics

Monitor and Measure : ติดตาม และ วัดผลประสิทธิภาพ

Marketing Analytics สามารถช่วยให้แบรนด์ติดตาม – วิเคราะห์ปฎิสัมพันธ์ที่เกิดขึ้นระหว่างลูกค้าและแบรนด์ได้จากช่องทางต่างๆเช่น 

• ช่องทางดิจิทัล ข้อมูลถูกเก็บมาจาก on-site web tags ซึ่งนักการตลาด นำข้อมูลที่ได้นั้นมามองหาเทรนด์ เช่น จำนวนคนเข้าชมเว็บไซต์ และ คลิก , ยอดดาวน์โหลดแอปพลิเคชันผ่านมือถือและ sessions , ยอดเปิดและคลิกองค์ประกอบในอีเมล และ การมีส่วนร่วม Social Media 
• ช่องทางออฟไลน์ เช่นข้อมูล Call Center , Point of Sales (POS) เพื่อให้เห็น Journey ของลูกค้าได้ดียิ่งขึ้น 

โดยมีเป้าหมายคือวัดผลประสิทธิภาพแต่ละช่องทาง และ Customer Journey ของลูกค้าทั้งบนโลกออนไลน์ และออฟไลน์ ตัวอย่างข้อมูลที่สามารถนำมาวิเคราะห์ต่อได้แก่ 

• Traffic : ลูกค้าเข้ามาจากช่องทางไหนบ้าง 
• Engagement : มีพฤติกรรมในการเข้าชมเว็บไซต์เป็นยังไง มีการคลิก ดูวิดิโอ เวลาที่ใช้ การแสดงความเห็นหรือไม่ 
• Conversion : เกิดผลลัพธ์ที่แบรนด์ต้องการหรือไม่ เช่น การลงทะเบียน ซื้อสินค้า 

เทคโนโลยีของ Marketing Analytics ที่เกี่ยวข้องกับ Monitor and Measure 

• Web Analytics : Google Analytics
• Tag management solutions (TMS)  เช่น Google Tag Manager 
• Mobile Analytics 
• Social Analytics 
• Mobile marketing platforms 

Manage Data : การจัดการข้อมูล 

การทำงานในรูปแบบ Silos ไม่มีการแชร์ข้อมูลระหว่างทีมนั้นไม่ตอบโจทย์การทำการตลาดในปัจจุบันอีกต่อไป การทำการตลาดนั้นในยุค Data Driven Marketing นั้นต้องเข้าใจลูกค้าครบทุก Journey และสามารถวัดผลได้อย่างแม่นยำ มิฉะนั้นนักการตลาดเองก็ไม่รู้ว่าแคมเปญที่ทำไป แคมเปญไหนมี Conversion ดีกว่ากัน กว่าจะขอข้อมูลได้รอเป็นเดือนๆ เหมือนเอาเงินไปละลายเล่นเสีบมากกว่า 

ดังนั้นแบรนด์จึงต้องมีการจัดการข้อมูล (Data Management) เพื่อวางโครงสร้างข้อมูล โดยมีขั้นตอนการจัดการข้อมูล (Data Management) ดังนี้

1. Data Integration : เชื่อมโยงชุดข้อมูลทั้งออนไลน์​ – ออฟไลน์ ทั้งหมดเข้าไว้ด้วยกัน และ Mapping ID เพื่อให้เห็นลูกค้าเป็นคนๆ เดียวกัน เพื่อที่จะเข้าใจ Journey ทั้งหมดของลูกค้า (unified view of the data) ว่ากว่าจะซื้อสินค้า แต่ละคนผ่านช่องทางไหนมาบ้าง ใช้เวลาแต่ละแพลทฟอร์มเป็นยังไง 

2. Data Preparation : เป็นขั้นตอนการเตรียมข้อมูล เพื่อเปลี่ยนจาก Raw Data เป็นชุดข้อมูลที่พร้อมใช้งานผ่านการทำ finding > cleaning > transforming ซึ่งในขั้นตอนนี้สามารถใช้เครื่องมือที่มี Machine learning Algorithm เพื่อ Automate งานให้เสร็จเร็วมากขึ้น 

3. Master data management : การทำงานร่วมกันระหว่างฝั่ง Business และ IT โดยบริหารข้อมูลทั้งหมดขององค์กร เช่น ข้อมูลลูกค้า , suppliers , สินค้าที่มีให้อยู่ในรูปแบบพร้อมใช้งาน 

Data เป็นเสมือนขุมทรัพย์ของธุรกิจ ซึ่งการจะทำให้เกิดประโยชน์ต่อทุกทีมอย่าแม้จริง ต้องมีการทำ Data integration architecture และจัดการตามกระบวนการเพื่อให้ข้อมูลนั้นพร้อมใช้งานในละดับต่อไป  

เทคโนโลยีของ Marketing Analytics ที่เกี่ยวข้องกับ Manage Data 

• Data Integration 
• Data Preparation 
• Master data and metadata management 
• Data Management solutions for analytical infrastructure 

Visualize Data : การแสดงผลข้อมูล 

ในการจะทำให้เกิด Data Driven Decision นั้น โดยคนที่มีอำนาจในการตัดสินใจต้องสามารถเข้าถึงข้อมูลที่จำเป็นได้ทุกที่ ทุกเวลา และสามารถ Exploration data หมุนข้อมูลเพื่อหา Pattern หรือ Insight ของข้อมูลที่น่าสนใจได้ เพื่อนำข้อมูลไปตัดสินใจได้อย่างเรียลไทม์ นอกจากนี้ยังช่วยให้ธุรกิจสามารถ ติดตาม วัดผล และรายงานสิ่งที่เกิดขึ้นได้เรียลไทม์

เทคโนโลยีของ Marketing Analytics ที่เกี่ยวข้องกับ Visualize Data 

• Marketing Dashboards : เช่น Google Data Studio 
• Business intelligence platforms 

Understand and activate audiences : เข้าใจความต้องการของลูกค้า 

ในยุคของ Customer Centric ธุรกิจใดที่เข้าใจลูกค้ามากกว่า ก็มีโอกาสที่ลูกค้าจะซื้อสินค้า และอยู่กับเรานานขึ้น ซึ่งการจะทำแบบนั้นได้ แบรนด์ต้องวิเคราะห์ข้อมูลเพื่อเข้าใจ Insight ได้อย่างถูกต้อง และ รวดเร็ว 

Marketing Analytics ต้องสามารถ Integrate ข้อมูลทั้งในส่วนของ Anonymous และ person-level ไว้ด้วยกันได้ เพื่อสร้างโปรไฟล์ของลูกค้า และเข้าใจ Customer journey ทั้ง Online และ Offline เพื่อสร้างประสบการณ์การใช้งานได้ดี แบบ Personalization 

อ่านเพิ่มเติม : Google Analytics 4 คืออะไร มีประโยชน์ยังไง แบรนด์ควรเริ่มใช้ตอนไหน ได้ที่นี่ 

ตัวอย่างข้อมูลที่สามารถนำมาวิเคราะห์ได้ เช่น พฤติกรรมการใช้งานเว็บไซต์/แอปพลิเคชัน : ลูกค้ากดไปดูที่หน้าไหน ใช้เวลาแต่ละหน้านานเท่าไหร่ กดดูสินค้าอะไรบ้าง เข้ามาจากช่องทางไหน ใช้อุปกรณ์อะไรในการค้นหาข้อมูล 

โดยต้องให้ความสำคัญกับข้อมูลส่วนบุคคลของลูกค้าด้วย ในยุคของ Data Privacy ลูกค้ามีสิทธิ์ในข้อมูล 100% ดังนั้นก่อนที่จะนำข้อมูลมาวิเคราะห์ ต้องได้รับความยินยอมจากลูกค้าก่อน และมีการจัดการข้อมูลที่โปร่งใส 

อ่านเพิ่มเติม : แบรนด์ทำยังไงต่อ เมื่อโลกมาถึงยุค Data Privacy ที่ลูกค้ามีสิทธิ์ในข้อมูล 100% ได้ที่นี่ 

เทคโนโลยีของ Marketing Analytics ที่เกี่ยวข้องกับ Understand and activate audiences

• Customer Journey Analytics
• Customer data platform
• Data Management Platform 
• Personalization engines 
• Consent and preference management platforms 

Model, predict and prescribe : ใช้เทคโนโลยีในการสร้างโมเดล เพื่อทำนายและอธิบายสิ่งที่เกิดขึ้น 

ใช้โมเดลเพื่อ หาเทรนด์​ และวิเคราะห์ Insight และเพิ่มประสิทธิภาพการทำการตลาด 

นำ AI และ Machine Learning ในการเข้าใจความต้องการ และ motivations ของลูกค้ามากขึ้น เพื่อส่งมอบประสบการณ์แบบ Personalization และเสนอสิ่งที่ลูกค้าต้องการอย่างถูกที่ ถูกเวลา 

ตัวอย่างเช่น Propensity Model โดยการนำข้อมูลต่างๆ มาวิเคราะห์เพื่อหาลูกค้าเป้าหมาย (Potential Customer) ที่มีแนวโน้มเกิด Action ที่แบรนด์ต้องการ และเน้นโฟกัสทำการสื่อสารกับคนกลุ่มนี้ เพื่อเพิ่มประสิทธิภาพ และ Conversion ให้กับแคมเปญ 

ซึ่งการจะหาแนวโน้มดังกล่าว ต้องนำข้อมูลคนที่ทำ Actions นั้นๆ ในอดีตหลายแสนข้อมูลมาวิเคราะห์เพื่อหา Pattern ว่าก่อนที่จะเกิด Action ใดๆ เขาเหล่านั้นมีพฤติกรรมยังไง เป็นคนแบบไหน ใช้อุปกรณ์อะไร อายุเท่าไหร่ เป็นต้น

ตัวอย่างการนำไปใช้ เช่น

• หาคนที่มีแนวโน้มจะ Drop Lead บนหน้าเว็บไซต์ของเรา แล้วทำการ Retarget ไปยังคนกลุ่มนี้ ( Potential Customer) เพื่อเพิ่มประสิทธิภาพโดยรวมของแคมเปญ 
• หาคนที่มีแนวโน้มจะย้ายค่าย และวางกลยุทธ์เพื่อดึงให้ลูกค้ากลับมาได้ 

อ่านเพิ่มเติม : พลังของ AI ที่ผู้บริหารต้องรู้ เพื่อทำ Customer Success ให้สำเร็จ ได้ที่นี่

เทคโนโลยีของ Marketing Analytics ที่เกี่ยวข้องกับ Model , predict and prescribe 

• Marketing mix modeling
• Advanced Analytics tools 

Test and optimize: ทดสอบแคมเปญ และเพิ่มประสิทธิภาพอยู่เสมอ   

โดยใช้ข้อมูลเพื่อเพิ่มประสิทธิภาพของแคมเปญได้ ว่าควรมีองค์ประกอบใดที่ควรเปลี่ยนบ้างเพื่อเพิ่ม Conversion เพื่อให้ผู้ใช้งานเกิดประสบการณ์การใช้งานที่ดีที่สุด  

เทคโนโลยีของ Marketing Analytics ที่เกี่ยวข้องกับ Test and optimize  

• Multitouch (algorithmic) attribution 
• Rule-base attribution analysis 
• A/B and multivariate tools 
• Dynamic creative optimization 

อ่านเพิ่มเติม : เคล็ด (ไม่) ลับ ทำอย่างไรให้หน้า Landing Page มี Conversion เพิ่มขึ้นแบบก้าวกระโดดได้ที่นี่

ความเสี่ยงที่คุณต้องวางแผนรับมือ

Privacy  

นักการตลาดเผชิญกับยุคของ Data Privacy ที่ต้องให้ความสำคัญกับกฎหมายการคุ้มครองข้อมูลส่วนบุคคล PDPA , GDPR มากขึ้น ดังนั้นการเก็บข้อมูล (Collection) นำข้อมูลไปใช้ (Enrichment) วิเคราะห์ข้อมูล (Analytics) ต้องเป็นไปอย่างถูกต้อง 

ซึ่งหากไม่มีการวางแผนรับมือที่ดีในเรื่องนี้ จะทำให้แบรนด์ไม่สามารถเพิ่มประสิทธิภาพได้ ไม่สามารถประเมินมูลค่าการลงทุนได้อย่างแม่นยำ แบรนด์จึงต้องรีบเร่งในการเก็บ First Party Data ตั้งแต่วันนี้ 

อ่านเพิ่มเติม : ปลดล็อกศักยภาพธุรกิจ ด้วยพลังของ First Party Data ได้ที่นี่ 

Poor and hygiene : 

ทุกท่านคงเคยได้ยินคำว่า Garbage in, Garbage out แม้ว่าจะมีสกิลการวิเคราะห์ข้อมูลที่ดีแค่ไหน แต่ก็ยังมีนักการตลาดมากมายที่ไม่เชื่อในผลลัพธ์ของการวิเคราะห์นั้น เพราะว่า ไม่เชื่อถือในข้อมูล Input ที่ได้มาตั้งแต่แรก ดังนั้นการวางแผนจัดการข้อมูลให้ถูกต้อง ครบถ้วน จึงมีความสำคัญมาก 

Lack of ROI 

ความคาดหวังในการทำ Marketing Analytics นั้นสูงมาก นักการตลาดควรที่จะสร้าง Business case เพื่อแสดงแผนการวัดผล Impact ที่เกิดขึ้นจากการทำ Marketing Analytics เพื่อประเมินมูลค่า ROI เบื้องต้นออกมา

Data Gatekeeping 

การทำ Marketing Analytics จะเกิดขึ้นไม่ได้จากการบริหารงานแบบ Silos การจะทำ

Marketing Analytics ให้สำเร็จนั้น ต้องสามารถเข้าถึงข้อมูลของทีมอื่น ๆ ด้วย ดังนั้นก่อนทำ Marketing Analytics จึงควรได้ Buy-in จากทีมอื่นๆ เช่น ทีม IT, sales, customer service ด้วย เพื่อให้ตอน Implementation เป็นไปอย่างราบรื่น 

Scope of data management 

การ Integrate ข้อมูลจากหลากหลาย Source มีความซับซ้อน ดังนั้นแบรนด์ต้องเริ่มมีการทำ Master data management (MDM) และมีการวางโครงสร้างข้อมูลให้ดี ดังนั้นต้องมีการทำงานร่วมกันกับ Data management expert และฝั่ง IT 

Redundancy 

ตลาดมีหลากหลายเครื่องมือ หลากหลายเทคโนโลยี นักการตลาด ควรจะ Audit เพื่อตรวจสอบประสิทธิภาพของเครื่องมือในปัจจุบันก่อน และดูว่ายังขาดอะไรไปบ้าง หากขาดก็ควรเปรียบเทียบเครื่องมือในท้องตลาดให้ดีว่าจะเจ้าไหนที่สามารถตอบโจทย์เราได้มากที่สุด 

Skill deficit 

หลายๆ องค์กรต้องการใช้ Marketing Analytics แต่มักเจอความท้าทายตรงที่การหาพนักงานที่มีความรู้ความเข้าใจในการใช้เครื่องมือให้เกิดประโยชน์สูงสุด จึงต้องมีการเตรียมพร้อมเรื่องการ upskill ในการทำ Marketing Analytics ควบคู่กันไปด้วย 

อย่างไรก็ตาม แม้การทำ Marketing Analytics จะมีความเสี่ยงตามที่กล่าวไปข้างต้น แต่การที่แบรนด์ไม่เริ่มต้นทำอะไรกับข้อมูลเลย นับเป็นความเสี่ยงยิ่งกว่า 

Marketing Analytics นั้นเป็นสิ่งที่แบรนด์ต้องมี เพื่อจะสร้าง Marketing Strategy ที่ดี เพราะการวิเคราะห์ ​insight และความต้องการของลูกค้าที่เปลี่ยนไปทุกวัน เป็นเรื่องที่เป็นไปไม่ได้เลยหากไม่ใช้ข้อมูลที่มีความครบถ้วน ถูกต้อง และเรียลไทม์  

คำแนะนำสำหรับผู้บริหาร 

• ตรวจสอบเครื่องมือที่ใช้ในปัจจุบัน ว่าสามารถวิเคราะห์ Insight ที่ต้องการได้ครบถ้วนหรือไม่ 
• สร้าง use case ที่ช่วยให้แต่ละทีมเห็นเป้าหมายเดียวกัน และสามารถทำ KPI ของทีมให้สำเร็จได้ดีขึ้น 
• ตรวจสอบ Skillset ของคนในองค์กรว่ามีความพร้อมในการทำ Marketing Analytics มากน้อยเพียงใด 
• สร้าง Marketing Analytics Roadmap เพื่อ Achieve Long term outcome และสื่อสารกลยุทธ์นี้กับคนในองค์กร

Marketing Analytics เป็นเรื่องที่มองข้ามไม่ได้ ในโลกของ Data Driven Marketing ดังนั้นต้องเริ่มวางแผนตั้งแต่การเก็บข้อมูล จนถึงการวิเคราะห์ข้อมูลเพื่อให้ได้ Insight ที่สำคัญ​และส่งมอบประสบการณ์ที่ดีให้กับลูกค้าได้รายบุคคล 

ทาง Predictive เป็นผู้เชี่ยวชาญด้าน Data และ Customer Journey ซึ่งเป็น Local Partner กับทาง Google ที่มี Product Certification ของ Google Analytics , Google Optimize , Google Tag Manager เพียงเจ้าเดียวในไทย สามารถติดต่อมาเพื่อปรึกษา Predictive เพื่อให้วางแผนการทำ Marketing Analytics ได้ตั้งแต่วางแผน จนถึงการ Implementation เพื่อให้แบรนด์คุณแข็งแกร่งและคุ้มค่าการลงทุนค่ะ

Advanced Data Analytics