DATA ANALYTICS คืออะไร มีประโยชน์ต่อการวางกลยุทธ์การตลาดอย่างไร

ข้อมูล (Data) ถือเป็นหัวใจสำคัญของการทำธุรกิจ หากองค์กรมีข้อมูลจำนวนมหาศาล หรือ Big Data ไว้ในมือ จะทำให้เกิดข้อได้เปรียบในการทำธุรกิจต่างๆ เพราะสามารถนำข้อมูลเหล่านั้น มาวิเคราะห์ หรือทำ Data Analysis เพื่อใช้ประโยชน์จากข้อมูลได้มากที่สุด

ดังนั้น Data Analytics ที่นักการตลาดใช้วิเคราะห์และรวบรวมข้อมูล จึงมีประโยชน์ต่อธุรกิจ และการวางกลยุทธ์การตลาด แล้วมีขั้นตอนการทำ และนำไปใช้อย่างไร ติดตามได้ในบทความ

Data Analytics คืออะไร

Data Analytics คือ การจัดการข้อมูลต่างๆ อย่างเป็นระบบ ลักษณะของ Data analytics คือ การรวบรวมข้อมูลต่างๆ ตั้งแต่อดีตจนถึงปัจจุบัน เพื่อมาประมวลผล วิเคราะห์ข้อมูล และสรุปผล โดยมีวัตถุประสงค์หลัก สำหรับการตลาด การทำธุรกิจ รวมถึงการใช้งานภาครัฐ เพื่อศึกษาพฤติกรรมและความต้องการของผู้ซื้อ ใช้คาดการณ์แนวโน้มที่น่าจะเป็นไปได้ จนนำไปสู่การวางแผนการตลาด เพื่อให้ดำเนินงานได้อย่างมีประสิทธิภาพ

ปัจจุบันมีหลายแบรนด์ หลายธุรกิจ ที่ใช้ AI วิเคราะห์ Data Analytics สำหรับการคาดการณ์ เพื่อดูความเป็นไปได้ ช่วยทำความเข้าใจเกี่ยวกับกลไกการตลาด เพื่อพัฒนาและวางแผนกลยุทธ์ให้สอดคล้องกับความต้องการของผู้ซื้อ

Big Data Analytics เชื่องโยงกับ Data Analytics อย่างไร

Big Data Analytics คือ การนำข้อมูลขนาดใหญ่ ที่มีจำนวนมาก มีความซับซ้อน และเพิ่มขึ้นหรือเปลี่ยนแปลงอย่างรวดเร็ว มาจัดเก็บไว้เป็นฐานข้อมูล Big Data ทั้งเก็บไว้ในคอมพิวเตอร์ หรือจัดเก็บผ่านบริการเก็บไฟล์ออนไลน์ เช่น Dropbox, Google Drive, iCloud หรือ OneDrive ซึ่ง Big Data Analytics มีความเชื่อมโยงกับ Data Analytics ด้วย เพราะเป็นการนำข้อมูลจาก Big Data มาใช้ในการวิเคราะห์ข้อมูล สรุปผล และตัดสินใจ เพื่อต่อยอดกลยุทธ์ทางการตลาดให้ดีกว่าเดิม

บทบาทของ Data Analytics

บทบาทของ Data Analytics มีหลากหลาย ซึ่งสามารถแบ่งออกเป็น 4 รูปแบบ ในการจัดการ และวิเคราะห์ข้อมูลต่างๆ ดังนี้

• การทำเหมืองข้อมูล (Data Mining) คือ การค้นหาความรู้จากฐานข้อมูลขนาดใหญ่ และนำข้อมูลมาจำแนก โดยใช้หลักสถิติ การรู้จำรูปแบบ และการเรียนรู้ของเครื่อง เพื่อวิเคราะห์หรือคาดการณ์สิ่งที่จะเกิดขึ้น
• การจัดการข้อมูล (Data Management) คือ การควบคุมและจัดการข้อมูลทั้งหมดภายในองค์กร ด้วย Data Warehousing ตั้งแต่รวบรวมข้อมูล วางแผนใช้ข้อมูล ตรวจสอบ ส่งมอบข้อมูล ควบคุมการเข้าถึง เก็บรักษาข้อมูล จนถึงการทำลายข้อมูล
• การวิเคราะห์ข้อมูลสถิติ (Statistical Analysis) คือ การนำข้อมูลจากหลายกลุ่มข้อมูล มาวิเคราะห์เพื่อศึกษาหรือหาผลลัพธ์ โดยไม่เจาะจงข้อมูลใดข้อมูลหนึ่ง เพื่อให้ผลลัพธ์ที่แม่นยำและดูน่าเชื่อถือ
• การนำเสนอข้อมูล (Data Presentation) คือ การเผยแพร่หรือนำเสนอให้กับผู้อื่น และต้องเป็นข้อมูลที่ผู้อื่นสามารถเข้าใจได้

รูปแบบการวิเคราะห์ Data Analytics

มาศึกษารูปแบบการวิเคราะห์ข้อมูล (Data Analytics) เพื่อให้มองเห็นภาพรวมของการวิเคราะห์ข้อมูล โดยแบ่งออกเป็น 4 รูปแบบ ดังนี้

การวิเคราะห์ข้อมูลแบบพื้นฐาน

การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics) เป็นการวิธีวิเคราะห์ Data Analytics เชิงพรรณนา หรือวิเคราะห์ข้อมูลขั้นต้น โดยวิเคราะห์จากข้อมูลตัวแปรแค่ตัวเดียว (Univariate Analysis) มีขั้นตอน คือ รวบรวมข้อมูล จากการทำแบบสอบถาม แบบสำรวจ แล้ววิเคราะห์ สรุปผล เพื่อดูเหตุการณ์ หรือกิจกรรมที่ผ่านมาเป็นอย่างไร มีอะไรเกิดขึ้นบ้าง มีสิ่งผิดปกติหรือไม่ แล้วทำสรุปออกมาในรูปแบบที่เข้าใจง่าย เช่น รายการงานขาย รายงานสรุปรายได้ต่อเดือน รายงานการเข้าชมเว็บไซต์หรือแพลตฟอร์มออนไลน์กี่คน เป็นต้น ซึ่งการวิเคราะห์ข้อมูล Data Analytics พื้นฐาน เหมาะกับธุรกิจทุกประเภททั้งสินค้าและการบริการ

การวิเคราะห์แบบเชิงวินิจฉัย

การวิเคราะห์แบบเชิงวินิจฉัย (Diagnostic Analytics) คือ การวิเคราะห์ข้อมูลเชิงลึก มากกว่าการวิเคราะห์ข้อมูลพื้นฐาน เป็นการวิเคราะห์เพื่อหาสาเหตุของสิ่งที่เกิดขึ้น หรือปัจจัยใดบ้างที่มีผล โดยวิเคราะห์จากการใช้ตัวแปร 2 ตัวแปรขึ้นไป (Multivariate Analysis) คือ นำตัวแปรมาหาค่าความสัมพันธ์หรือดูว่า 2 ตัวแปรนี้ ส่งผลกระทบกันอย่างไรบ้าง การวิเคราะห์ข้อมูล Data Analytics เชิงวินิจฉัย ช่วยให้มองเห็นความสัมพันธ์ของยอดขายกับกิจกรรมทางตลาดว่า เหตุการณ์แบบนี้เกิดขึ้นเพราะอะไร เกิดขึ้นได้อย่างไร มีปัจจัยสำคัญใดบ้างที่ทำให้ยอดขายเพิ่มขึ้นหรือลดลง เช่น ทำไมคนนิยมเข้าโรงหนังในช่วงวันหยุดมากกว่าวันธรรมดา ซึ่งเวลาเลิกเรียน เลิกงาน หรือรอบฉายหนังมีผลต่อการเข้าชมหรือไม่ เป็นต้น จึงเหมาะกับธุรกิจประเภทห้างสรรพสินค้า ธุรกิจร้านอาหาร หรือธุรกิจโรงหนัง เป็นต้น

การวิเคราะห์แบบพยากรณ์

การวิเคราะห์แบบพยากรณ์ (Predictive analytics) เป็นการวิเคราะห์ข้อมูล Data Analytics เชิงคาดการณ์ หรือเชิงคำทำนาย เพื่อทำนายถึงที่จะเกิดขึ้น หรือคาดว่าจะเกิดขึ้น โดยรวบรวมข้อมูลที่มีในอดีต มาสร้างแบบจำลองทางสถิติ หรือ ใช้ AI (Artificial intelligence) มาช่วยวิเคราะห์ฐานข้อมูลใน Big Data Analytics เพื่อหาความน่าจะเป็น โอกาสที่อาจจะเกิดขึ้น หรือความเสี่ยงต่างๆ เช่น การนำข้อมูลยอดขายในอดีต มาคาดการณ์ยอดขายในอีก 1 ปีข้างหน้าว่าจะเป็นอย่างไร สินค้าหรือบริการแบบไหนที่จะทำให้แบรนด์เป็นที่พูดถึง ในอนาคตจะมีกลุ่มเป้าหมายไหนบ้างที่จะมาเป็นลูกค้า เป็นต้น

ดังนั้น การวิเคราะห์แบบพยากรณ์จึงเหมาะกับธุรกิจและองค์กรหลากหลาย เช่น ธุรกิจเสื้อผ้าแฟชั่น ธุรกิจความงาม การให้บริการด้านอื่นๆ รวมถึงใช้พยากรณ์อากาศ และการคาดการณ์ความเสี่ยงของการลงทุนในสินทรัพย์

การวิเคราะห์แบบให้คำแนะนำ

การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics) คือ การวิเคราะห์ต่อเนื่องจากการวิเคราะห์พยากรณ์ (Predictive analytics) เป็นการวิเคราะห์ข้อมูลที่ซับซ้อนมากที่สุด เพราะวิเคราะห์เพื่อหาแนวทางรับมือกับสิ่งที่เกิดขึ้น ทั้งการแก้ไข ปรับปรุง และพัฒนา

ซึ่งการวิเคราะห์ Data Analytics แบบให้คำแนะนำ คือ การใช้ Big data และใช้ AI (Artificial intelligence) มาลดขั้นตอนการวิเคราะห์ที่ซับซ้อน ทำให้คาดการณ์ถึงสิ่งต่างๆ ที่กำลังจะเกิดขึ้น ทั้งสาเหตุ ระยะเวลาของสิ่งที่จะเกิดขึ้น ข้อดี ข้อเสีย รวมถึงการให้คำแนะนำเกี่ยวกับทางเลือกแต่ละทางที่จะให้ผลลัพธ์แบบใดได้บ้าง เพื่อให้ตัดสินใจได้ถูกต้องและแม่นยำ เช่น เมื่อมีการผลิตสินค้าออกมา ต้นทุนเท่านี้ควรตั้งราคาสินค้าเท่าไหร่ถึงจะเหมาะสม ควรทำการตลาดช่องทางไหน จัดโปรโมชันแบบไหนดี รวมถึงควรขายให้กลุ่มลูกค้าแบบใด ถึงจะเกิดผลลัพธ์ที่ดีมากที่สุด จึงเหมาะกับการทำธุรกิจประเภทสินค้าและการบริการ ธุรกิจด้านการลงทุนประเภทต่าง ๆ

5 ขั้นตอนการวิเคราะห์ข้อมูล (Data Analysis)

Data Analysis คือ กระบวนการของ Data Analytics ดังนั้น เพื่อให้เห็นภาพรวมของขั้นตอนการทำงาน มาดูขั้นตอนการวิเคราะห์ข้อมูล (Data Analysis) ว่ามีขั้นตอนการทำงานอย่างไรบ้าง ดังนี้

1. กำหนดวัตถุประสงค์

ขั้นตอนแรกของการวิเคราะห์ข้อมูล Data Analytics คือ การตั้งคำถามหรือกำหนดวัตถุประสงค์ เพื่อสรุปความต้องการว่า อยากรู้เรื่องอะไร ต้องการหาคำตอบหรือข้อมูลในเรื่องไหน หรือมีปัญหาอะไรที่ต้องแก้ไขบ้าง โดยการระบุปัญหา ประเภทข้อมูล แหล่งที่มาของข้อมูลให้ชัดเจน และตั้งสมมติฐานการทดสอบเพื่อหาคำตอบ เป็นขั้นตอนแรกที่สำคัญ ที่ช่วยคัดกรองข้อมูลเฉพาะเบื้องต้นที่ต้องการ คาดการณ์ผลลัพธ์ที่อาจเกิดขึ้น เพื่อให้ธุรกิจหรือองค์กรวางกลยุทธ์การทำงานได้อย่างมีประสิทธิภาพ เช่น ปัญหาของแอปสตรีมมิ่งดูหนัง หลังจากหมดช่วงทดลองใช้ฟรีแล้ว ทำไมยอดการสมัครสมาชิกแบบชำระเงินถึงลดลง และจะแก้ไขอย่างไรได้บ้าง เป็นต้น

2. รวบรวมข้อมูล เพื่อนำมาวิเคราะห์

ขั้นตอนที่สองของการการวิเคราะห์ข้อมูล Data Analytics คือ การรวบรวมข้อมูลจากแหล่งต่างๆ เพื่อนำมาวิเคราะห์ โดยใช้เครื่องมือเพื่อเก็บข้อมูล เช่น แบบสอบถาม แบบทดสอบออนไลน์ ใช้บุคลากร ผู้เชี่ยวชาญ ใช้เครื่องมือทางการตลาดอย่าง Google Trend ซึ่งเครื่องมือเหล่านี้ มีความสำคัญต่อการเก็บรวบรวมข้อมูล เพราะจะช่วยรวบรวมข้อมูลที่มีมากมาย ให้กลายเป็นเรื่องง่าย ที่สำคัญ ควรเลือกวิธีการเก็บข้อมูลให้เหมาะสมกับเครื่องมือที่ใช้ด้วย เพื่อให้สามารถเก็บข้อมูลได้ครบถ้วนและถูกต้อง เช่น การทำแบบสอบถามเกี่ยวกับปัจจัยที่ส่งผลต่อการสมัครสมาชิกแอปสตรีมมิ่ง เป็นต้น

3. จัดระเบียบข้อมูล

เมื่อรวบรวมข้อมูลเสร็จเรียบร้อยแล้ว ก็เข้าสู่ขั้นตอนที่สามของการวิเคราะห์ข้อมูล Data Analytics นั่นคือ จัดข้อมูลให้ถูกต้องและเป็นระเบียบ โดยใช้เครื่องมือวิเคราะห์ข้อมูล เช่น Excel, Spreadsheets หรือ Google Analytics เป็นต้น เนื่องจากชุดข้อมูลที่ได้มา อาจจะมีความผิดปกติ ข้อมูลหาย ข้อมูลซ้ำ ข้อมูลตกหล่น ที่อาจส่งผลต่อการวิเคราะห์ได้ จึงจำเป็นต้องมีขั้นตอนนี้ขึ้นมา เพื่อล้างข้อมูลที่ใช้ไม่ได้ และจัดเรียงให้เป็นระบบ เพื่อได้ผลลัพธ์การวิเคราะห์ที่แม่นยำ เช่น จำแนกคำตอบของแบบสอบถาม เกี่ยวกับปัจจัยที่ส่งผลต่อการสมัครสมาชิกแอปสตรีมมิ่ง ออกเป็นหมวดหมู่ต่างๆ เพื่อให้จัดระเบียบข้อมูลได้ง่ายขึ้น เป็นต้น

4. วิเคราะห์ข้อมูล

วิเคราะห์ข้อมูล คือ การเลือกรูปแบบการวิเคราะห์ Data Analytics ตามโจทย์คำถาม ตามวัตถุประสงค์ หรือตามประเภทของข้อมูลที่ได้รวบรวม ด้วยรูปแบบการวิเคราะห์ ทั้งหมด 4 รูปแบบ ได้แก่ การวิเคราะห์ข้อมูลพื้นฐาน (Descriptive Analytics), การวิเคราะห์เชิงวินิจฉัย (Diagnostic Analytics), การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) และการวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics) ถือเป็นขั้นตอนที่สำคัญ ในการทำ Data Analysis และจำเป็นต้องมี เพราะจะช่วยสรุปข้อมูลในเชิงลึกได้อย่างชัดเจน ช่วยให้วางแผน และปรับปรุงการทำงานได้อย่างมีประสิทธิภาพ

อย่างการรายงานสถิติเกี่ยวกับการสมัครสมาชิกแอปสตรีมมิ่ง ที่มีคนสมัครจำนวนเพิ่มขึ้น หรือลดลงเท่าไหร่ต่อเดือน ปัจจัยใดบ้างที่ส่งผลต่อการสมัครสมาชิก หรือควรทำการตลาดแบบไหนดี ถึงจะกระตุ้นให้คนสมัครสมาชิกได้มากที่สุด เป็นต้น

5. ตีความและนำเสนอข้อมูล

ขั้นตอนสุดท้ายของการวิเคราะห์ข้อมูลData Analytics คือ การนำข้อมูลเชิงลึกมาตีความ และนำเสนอข้อมูล ด้วยการนำเสนอข้อมูลเชิงลึกรูปแบบต่าง ๆ ให้กับบุคคลหรือหน่วยงานอื่น เช่น นำเสนอข้อมูลรูปแบบแผนภูมิ กราฟ ตาราง หรือการทำอินโฟกราฟิก (Infographic) เป็นต้น ซึ่งจะง่ายต่อการทำความเข้าใจ ง่ายต่อการเห็นภาพรวมของผลลัพธ์ทั้งหมด สามารถนำผลลัพธ์ที่ได้ไปปรับปรุงและพัฒนาได้ตรงจุด เช่น กราฟสถิติเกี่ยวกับการสมัครสมาชิกแอปสตรีมมิ่งออนไลน์ ที่เทียบกันในแต่ละเดือน แต่ละปี ว่าเพิ่มขึ้นหรือลดลงอย่างไรบ้าง เป็นต้น

นำ Data Analytics ไปใช้ประโยชน์อย่างไร

การวิเคราะห์ข้อมูล Data Analytics สามารถนำมาใช้ประโยชน์ในหลายด้าน ทั้งภาคธุรกิจและองค์กร ตั้งแต่การวิเคราะห์ การวางกลยุทธ์การตลาด ตลอดจนถึงการปรับปรุง พัฒนาเพื่อการส่งเสริมประสิทธิภาพต่างๆ ดังนี้

• การทำ Data Analytics หรือ Big Data Analytics คือ การรวบรวมข้อมูลจำนวนมาก ที่ไม่สามารถใช้ประโยชน์ มาจัดเรียงให้เป็นระบบ พร้อมกับวิเคราะห์ข้อมูลที่มี เพื่อให้เห็นถึงภาพรวมของธุรกิจ อีกทั้งการจัดเรียงข้อมูลให้เป็นระบบ ยังลดขั้นตอนการทำงานที่ซับซ้อน และสามารถนำข้อมูลมาใช้ได้อย่างรวดเร็ว
• Data Analytics เป็นประโยชน์ต่อการวางแผน และการแก้ไขปัญหาในการทำงาน เพราะช่วยคาดการณ์แนวโน้มถึงสิ่งที่จะเกิดขึ้นในอนาคตว่าจะเป็นอย่างไร ทำให้สามารถวางแผนงาน ทำการตลาดได้อย่างมีประสิทธิภาพ หรือการใช้เพื่อวิเคราะห์ข้อมูลรายงานว่า สาเหตุของปัญหาเกิดจากอะไร และสามารถแก้ไขอย่างไรได้บ้าง
• ประโยชน์ของกับการบริการ และสร้างความสัมพันธ์ที่ดีกับลูกค้า เพราะเป็นการวิเคราะห์ข้อมูลเชิงลึก ที่ทำความเข้าใจกลุ่มลูกค้าได้อย่างชัดเจน รู้ความต้องการของลูกค้า ช่วยให้บริหารและจัดการระบบ ที่ตอบโจทย์และรองรับการใช้บริการได้ดีมากขึ้น
• Data Analytics มีประโยชน์ต่อการวัดผลลัพธ์ทางการตลาด เพราะสามารถใช้ประโยชน์จากเครื่องมือต่างๆ ในการทำงาน เช่น Google Analytics, Google Search Comsole (GSC) หรือ ข้อมูลเชิงลึกในแต่ละแพลตฟอร์ม เพื่อนำมาใช้ในการวางกลยุทธ์ และการตัดสินใจที่แม่นยำ

ตัวอย่างธุรกิจที่ใช้ Data Analytics

ปัจจุบัน จะเห็นได้ว่าทุกองค์กรต่างนำ Data Analytics มาปรับใช้กับการทำธุรกิจมากขึ้น ซึ่งขอยกตัวอย่างธุรกิจที่ใช้ Data Analytics แล้วประสบความสำเร็จ เพื่อให้ได้ศึกษา ดังนี้

Grab

Grab คือ แพลตฟอร์มดิจิทัลครบวงจร ที่อำนวยความสะดวกให้แก่ผู้ใช้งานผ่านทางแอปพลิเคชันบนมือถือ ทั้งบริการเรียกรถรับส่ง อย่างรถแท็กซี่ วินมอเตอร์ไซค์ บริการส่งพัสดุ และบริการรับส่งอาหาร การวิเคราะห์ข้อมูล Data Analytic ของ Grab จะใช้ AI ในการประมวลผล สำหรับลูกค้าในการรับบริการ เช่น วิเคราะห์ข้อมูลการสั่งอาหารของลูกค้า โดยแนะนำร้านอาหารที่ชอบ ร้านอาหารที่มีโปรโมชั่นน่าสนใจ หรือร้านอาหารใกล้บ้าน และประมวลผลสำหรับผู้ให้บริการ Grab เพื่อให้บริการได้สะดวกมากยิ่งขึ้น เช่น วิเคราะห์ข้อมูลการเดินทาง โดยแจ้งเตือนการจราจร ว่าพื้นที่ไหนบ้างที่มีการจราจรติดขัด เพื่อแนะนำเส้นทางที่เร็วที่สุด ซึ่งสามารถนำมาใช้ในการตลาด ได้ทั้งการวางแผนกลยุทธ์ การประชาสัมพันธ์ เพื่อให้เข้าถึงลูกค้าได้มากที่สุด และบริการลูกค้าได้อย่างมีประสิทธิภาพ

McDonalds

แมคโดนัลด์ (McDonald’s) แบรนด์อาหารฟาสต์ฟู้ดที่มีจำนวนสาขาทั่วทุกมุมโลก ก็มีการวิเคราะห์ข้อมูล Data Analytics เพื่อใช้เป็นประโยชน์ในการเก็บข้อมูล เช่น รายการสั่งซื้อ เมนูที่ลูกค้าชอบ และการคอมเมนต์ตามแพลตฟอร์มโซเชียลต่างๆ นอกจากนี้ ยังใช้ AI ร่วมในการวิเคราะห์ข้อมูลกลุ่มเป้าหมาย เช่น ที่ตั้งของร้านมีผลต่อการเข้าใช้บริการของลูกค้าหรือไม่ ชุดเซตเมนูอย่าง Happy Meal เหมาะกับลูกค้าประเภทไหนบ้าง หรือเทรนด์การตลาดที่กำลังเป็นกระแส แล้วนำเสนอเมนูที่ลูกค้าชอบ เพื่อการทำการตลาดที่ตอบโจทย์ความต้องการของลูกค้าให้ได้มากที่สุด

Netflix

Netflix คือ แพลตฟอร์มสตรีมมิ่งภาพยนตร์หรือคอนเทนต์ ในรูปแบบการสมัครสมาชิก โดย Netflix ได้มีการนำ Data Analytics มาใช้ประโยชน์ในการรวบรวมพฤติกรรมการใช้งานของสมาชิก ด้วยเทคโนโลยี AI ทั้งอุปกรณ์ที่ใช้ในการรับชม ประวัติการดู คำค้นหา หรือผู้คนชอบดูภาพยนตร์ หรือคอนเทนต์แนวไหนมากที่สุด จากนั้น นำมาวิเคราะห์พฤติกรรมของสมาชิกแต่ละคน เพื่อนำข้อมูลเหล่านี้มาใช้ในการแนะนำภาพยนตร์ หรือคอนเทนต์ ที่ผู้คนสนใจจะดูได้อย่างแม่นยำ