Harmonization แบบไหน จะช่วยเราใช้ข้อมูลได้อย่างมีประสิทธิภาพ

หลังจากที่เราได้เกริ่นถึงเรื่องการจะเป็น Data Driven Company และพูดคุยกันภายใต้หัวข้อแรก “เก็บ Data ยังไง ให้ทั้งบริษัทสามารถนำไปใช้ได้จริง” ที่ได้เล่าถึงการเก็บข้อมูลในเชิง Collection กันไปแล้ว วันนี้เราจะมาพูดถึงขั้นตอนถัดไปนั่นก็คือ การจัดเก็บข้อมูลในความหมาย Harmonization

หลังจากที่มีการเก็บข้อมูลแล้ว อีกมุมที่สำคัญมากๆต่อจากนี้คือ Harmonization ซึ่งหลักๆแล้ว จะเกี่ยวกับการจัดเก็บ (Storing) ข้อมูล และขั้นตอนการดึงข้อมูลให้สามารถเข้าถึงและ นำข้อมูลมาใช้ได้อย่างรวดเร็วและมีความแม่นยำ

ก่อนที่เราจะเข้าสู่เนื้อหาในวันนี้ เราอยากให้ทุกคนได้รู้จักคำศัพท์ 2 คำนี้ก่อน

1. Data Collection เก็บข้อมูล : ข้อมูลมีมากมายหลายรูปแบบ ขึ้นอยู่กับว่าเราจะเก็บอะไร เช่น ในข้อมูลลูกค้า มีทั้งอายุ เพศ รายได้ พฤติกรรม ฯลฯ เราจะเลือกเก็บ(Collect) อะไรดีนะ ที่ทำให้เราไม่ สิ้นเปลืองทรัพยากร และข้อมูลทั้งหมดที่เราเก็บ จะถูกนำมาใช้อย่างมีประสิทธิภาพ
2. Harmonization จัดเก็บข้อมูลที่ถูกรวบรวมมาแล้ว จากขั้นตอน Data Collection 

เลเวลของการจัดเก็บข้อมูล

1. การจัดเก็บข้อมูลแยกแบบ Silo Storage เช่น การเก็บข้อมูลลูกค้าแบบ Offline บน CRM ในถังนึง การเก็บข้อมูล Online บน Cloud ผ่าน Google Analytics อีกถังนึง ซึ่งข้อเสียคือ เมื่อเราต้องการนำข้อมูลมาใช้ จะต้องดึงข้อมูลจากสองที่ และเราจะไม่สามารถรู้ได้เลยว่าลูกค้า Offline กับ Online เป็นคนเดียวกันไหม (อ่านเพิ่มเติมเกี่ยวกับ CRM)
2. มีการเริ่มจัดเก็บข้อมูลระหว่าง Online และ Offline ในถังเดียวกันมากขึ้นแต่ยังไม่สามารถนำมาใช้งานได้ เพราะการ Harmonization ของเรายังไม่เรียบร้อยดี
3. เก็บข้อมูลในถังกลางเกือบหมดและมีการทำ Data Cleansing เพื่อตรวจเช็คข้อมูลที่มีการ Overlap (ซ้ำซ้อน/ทับซ้อน) และมีการคัดกรองให้ข้อมูลมีประสิทธิภาพมากขึ้นและพร้อทใช้งาน
4. มีการวางระบบ Single Source Of Truth หรือ แหล่งข้อมูลจริงเพียงแห่งเดียว โดยที่ข้อมูลทั้ง Offline และ Online ไม่มีการทับซ้อนกัน (ข้อเสียของข้อมูลที่ทับซ้อนกันจะทำให้ความแม่นยำในการนำข้อมูลมาใช้ลดน้อยลง) และมีการวางระบบ Customer Data Platform (CDP) โดยมีการวางระบบวิเคราะห์ข้อมูล ซึ่งจุดนี้จะสามารถใช้ Machine Learning หรือ AI เข้ามาช่วยเพื่อให้ระบบมีความสามารถในการ Predictive และ Prescriptive Analytics (การวิเคราะห์แบบให้คำแนะนำ) ซึ่งข้อดีของการมีทั้ง Predictive และ Prescriptive Analytics จะช่วยให้เราจะสามารถตั้งคำถามได้ว่า ทำไมสิ่งนี้ถึงเกิดขึ้น และในอนาคตอะไรจะเกิดขึ้นบ้าง

ถ้าเกิดบริษัทสามารถทำ ถึงเลเวลที่ 4 ได้ จะช่วยให้บริษัทสามารถปลดล็อคการนำข้อมูลมาใช้ประโยชน์ได้อีกหลายอย่าง แถมยังช่วยให้ธุรกิจเข้าใจพฤติกรรมลูกค้าแบบลึกซึ้งมากขึ้นอีกด้วย

Use Case: บริษัทที่ทำธุรกิจเกี่ยวกับ Electronic

1. ลูกค้า A เข้ามาใน Website เพื่อดูสินค้าต่างๆ กดดูสินค้าหลายชิ้น มีการเทียบ Feature ของสินค้า และเพิ่มสินค้าใส่ตระกร้าหลายชิ้น ถ้าหากเราดูจากพฤติกรรมลูกค้า A เราจะคิดว่าเค้าเป็น loyal customer เพราะมีการดูสินค้าหลายชิ้นและราคา แพง  เราจึงยิง ads สินค้า premium ให้ลูกค้า ตลอด แต่ ถ้าหากเราสามารถเชื่อมต่อข้อมูล online และ offline purchase เข้าด้วยกันและสามารถ identify ว่าลูกค้า A จริงๆแล้วเค้าซื้อสินค้าอะไรไปบ้างที่หน้าร้าน และพบว่าเค้ามาซื้อสินค้าลดราคา เราถึงจะมารู้พฤติกรรมจริงของลูกค้าท่านนี้ – แปลว่า Ads ที่เรายิงไปก่อนหน้านี้โดยที่มีข้อมูลจาก online อย่างเดียวจะไม่ได้ผลต่อลูกค้าท่านนี้และทำให้เราเสียค่าใช้จ่ายไปอย่างเปล่าประโยชน์ เราจึงควรส่ง ads เป็นสินค้าลดราคา ให้เค้าแทน
2. ลูกค้า B มาดูสินค้าชิ้นเดียว ใช้เวลาดูนานแต่ ไม่ได้กดซื้อหรืออะไรเลย เราจะคิดว่า เค้าไม่สนใจจะซื้อ เลยส่ง Ads สินค้าลดราคาไป แต่เมื่อเชื่อม ข้อมูล Offline กับ Online เข้าด้วยกันพบว่าลูกค้าท่านนี้เป็น Loyal Customer มากๆ มีการซื้อสินค่าราคาแพงหลายชิ้น เราจึงควรยิง Ads Loyalty Program เพื่อรักษาลูกค้าท่านนี้ไว้

จากตัวอย่างกล่าวมานั้น จะช่วยให้เข้าใจว่า เราสามารถนำข้อมูลพฤติกรรมของลูกค้า B มาใช้ต่อได้เพื่อหาลูกค้าท่านอื่นที่เหมือนลูกค้า B (find look alike) เพราะเราได้ทราบแล้วว่า “กลุ่มเป้าหมายที่แท้จริง” ของเรามีพฤติกรรมอย่างไร ซึ่งส่วนนี้จะช่วยให้เราเข้าสู่ Data Driven Company ได้ 

และขั้นตอนต่อไปคือ Segmentation and analytics ซึ่งเราจะมาเล่าในคอนเทนต์ถัดไปของทีม Business Consult 

เมื่ออ่านกันมาถึงตรงนี้แล้ว หากธุรกิจไหนสนใจทำ Data Harmonization หรือวางแผนและออกแบบ Data เพื่อนำไปใช้งานในรูปแบบที่เหมาะสมกับธุรกิจของคุณ เรายินดีให้คำปรึกษาเบื้องต้นโดยไม่มีค่าใช้จ่าย สามารถติดต่อ Predictive ได้เลยที่ช่องทางติดต่อด้านล่างนี้