Data for Retail จาก Transaction data สู่ Insight เหตุใดเบียร์กับผ้าอ้อมขายดีคู่กันทุกเย็นวันศุกร์

• Facebook
• X
• Line

Case study ของการทำ Big Data Analytics ของธุรกิจ Retail หรือร้านสะดวกซื้อที่โด่งดังจนนักการตลาดหลายคนน่าจะคุ้นหูกับเรื่องของการวิเคราะห์ข้อมูลการซื้อขายหรือที่เรียกว่า Transaction data จนค้นพบ Insight สำคัญว่าเบียร์กับผ้าอ้อมมักขายดีคู่กันทุกคืนวันศุกร์เป็นประจำจนนำไปสู่การตั้งคำถามว่าทำไม? และเราควรจะทำอย่างไรกับมันต่อไป?

คำถามสุดคลาสสิคที่ผมมักเจอเป็นประจำเวลามีลูกค้าเดินเข้ามาขอคำปรึกษาในฐานะ Data & Marketing Consults ก็คือว่า “อยากทำยอดขายได้มากขึ้นทำอย่างไรดี”

วันนี้ผมเลยขอหยิบเคสการทำ Data analytics ที่วิเคราะห์ข้อมูลจนค้นพบว่าแค่จับเบียร์และผ้าอ้อมมาวางไว้ใกล้กันก็สามารถเพิ่มยอดขายสองสิ่งนี้เพิ่มได้กว่า 35% จากมุมมองของคนที่เป็น Data Thinking หรือคนที่ต้องคิดอย่างเข้าใจดาต้าว่าเราจะเอาสิ่งนี้มาช่วยแก้ปัญหาทางธุรกิจและการตลาดได้อย่างไร

Data Thinking เริ่มจากคิดตีโจทย์ให้แตกก่อน

การบอกว่าอยากขายดีขึ้นนั้นไม่ใช่การตั้งคำถามที่ถูก เรื่องนี้เหมือนการบอกว่าอยากเก่งขึ้น รวยขึ้น สวยขึ้น แต่การตั้งคำถามหรือตั้งโจทย์แบบนี้ไม่ได้ทำให้เราก้าวหน้าไปไหน เช่นเดียวกับถ้าร้านสะดวกซื้อหรือ Retail เอาแต่ตั้งโจทย์ว่า “อยากขายดีขึ้น” เป็นเป้าหมาย รับรองว่าต่อให้มี Data แค่ไหนก็ไม่ช่วยให้ธุรกิจเดินหน้าจากยอดขายเดิมไปได้สักเท่าไหร่ครับ

การจะคิดอย่างเข้าใจ Data แบบ Data Thinking คือการตั้งคำถามลงไปอีก 1 layer หรือตั้งคำถามให้ลึกลงไปอีกหนึ่งระดับ เพื่อทำให้เราสามารถสโคปปัญหาได้ชัดขึ้นและง่ายต่อการแก้ขึ้นอีกหน่อยว่า ถ้าเราอยากขายดีขึ้น ถ้าอย่างนั้นคำถามถัดไปคือ “เราควรจะขายดีขึ้นกับใคร หรือลูกค้ากลุ่มไหนหละ?”

จากคำถามนี้จะพาเราไปสู่คำถามที่เราต้องเริ่มหาคำตอบจริงๆ มากขึ้นว่า “แล้วลูกค้ากลุ่มไหนที่ทำรายได้ให้เราดี หรือทำกำไรให้เรามากโดยที่เราไม่เคยรู้มาก่อนหละ?” ถ้าเรารู้ว่าลูกค้ากลุ่มนี้เป็นใคร หรือมีพฤติกรรมการซื้ออย่างไร เราก็จะรู้ว่าควรจะทุ่มงบการตลาดอันจำกัดลงไปที่ตรงไหน เพื่อจะได้ไม่ต้องเอาแต่หว่านงบออกไปเหมือนหว่านข้าว แต่เราสามารถเลือกทำการตลาดแบบโฟกัสเจาะจงลงไปยังกลุ่มนั้นเหมือนกับการหยอดเมล็ดลงในหลุมที่ดี แล้วเมล็ดนั้นก็จะงอกใบออกมาเป็นต้นให้เราเก็บเกี่ยว

ปัญหาใดๆ ในโลกจะแก้ได้อย่างง่ายดาย (หรืออย่างน้อยก็ไม่ยากเกินไป) ก็ต่อเมื่อเราสามารถระบุปัญหาออกมาให้ได้ชัดๆ ก่อนว่าตกลงสิ่งที่เป็นปัญหาที่เราต้องลงมือทำจริงๆ คืออะไร ถ้าคุณเป็นผู้บริหารหรือเจ้าของธุรกิจ อย่าเอาแต่บอกว่าอยากขายดีขึ้น อยากทำยอดขายได้มากขึ้น เพราะคำถามนี้จะไม่ช่วยให้คุณเจอคำตอบที่ใช่ แถมคุณยังต้องเหนื่อยในการทำ Marketing แบบหว่านๆ หรือแบบ Mass ออกไปเรื่อยๆ แต่คุณต้องเริ่มจากการฉลาดในการตั้งคำถามว่า “แล้วตกลงฉันควรจะต้องเพิ่มยอดขายกับกลุ่มไหนถึงจะคุ้มค่าการลงทุนมากที่สุด?” เพราะถ้าเรารู้ว่าลูกค้ากลุ่มไหนของเราที่ทำกำไรให้เราดี ไม่ว่าจะชอบซื้อเยอะๆ ในแต่ละครั้งที่มา หรือว่าชอบซื้อสินค้าที่มี Margin สูงกับเราในราคาเต็มโดยไม่เคยต้องรอส่วนลดครับ

ดังนั้นก่อนจะเริ่มต้นทำงานกับ​ Data​ ฉันใด ต้องเริ่มต้นจากการตั้งคำถามที่ฉลาดก่อน เพราะคำถามสำคัญกว่าคำตอบ และการตั้งคำถามที่ดีเองก็เป็นคำตอบในตัวมันเองไปแล้วครึ่งหนึ่ง

เพราะถ้าเราตั้งคำถามหรือ Business objective ว่าอยากจะขายดีกว่าเดิม ทีนี้มีคำตอบมากมายเป็นล้านให้เลือกเลย ตั้งแต่ลดราคาดึงลูกค้าให้มาซื้อเราแทนคู่แข่ง แต่การลดราคาใครๆ ก็ทำได้แค่ยอมตัดกำไรออกไป ไม่ใช่วิธีทำการตลาดที่ต้องใช้สมองหรือความฉลาดใดๆ ที่จะทำให้คนสนใจอยากเดินเข้ามาหาเราเลย หรือบางคนอาจจะตอบว่า ก็ทำโฆษณาออกไปให้คนเห็นเยอะๆ รู้จักเยอะๆ ก็จะเพิ่มโอกาสที่คนจะเดินเข้ามาหาเราแล้ว แต่ถ้าเป็นแบบนั้นคุณต้องใช้งบการตลาดมหาศาลขนาดไหนที่จะเข้าถึงคนได้มากพอ ในวันที่ Media touchpoint กระจัดกระจายหลายสิบไปจนถึงร้อย สื่อที่ผู้คนเข้าถึงได้ในวันนี้ไม่ได้มีแค่ทีวี สิ่งพิมพ์ วิทยุ สื่อนอกบ้าน หรือเว็บไซต์ แต่มีมากมายแยกกระจายไปทั้ง Facebook, Twitter, Instagram, YouTube, LINE, Twitter ยังไม่นับรวมถึง Website เฉพาะกลุ่มแยกย่อยตามความสนใจ เรียกได้ว่าคุณต้องมีงบการตลาดมากพอในระดับที่เผาทิ้งเท่าไหร่ก็ไม่พอก็ว่าได้ครับ

ใน case study การทำ big data analytics ของ retail แห่งนี้ (ซึ่งบางที่ก็บอกว่า Walmart) ก็เริ่มคล้ายๆ กัน แต่ต่างออกไปนิดหน่อยนั่นก็คือว่า พวกเขามีข้อมูลการขายหรือ Transaction data เก็บไว้กว่า 1.2 ล้านครั้ง ดังนั้นลองเอา data ที่มีมาวิเคราะห์ดูหน่อยว่าเรากำลังพลาดอะไรที่น่าสนใจไปหรือเปล่า

Data Thinking ที่ดีเริ่มจาก Data ที่มียังไม่ต้องมองออกไปไหนไกล

ในเคสการทำ data science ด้วยการทำ data analytics นี้ส่วนใหญ่ถูกเล่าต่อกันว่าเป็นเรื่องราวของห้าง Walmart ที่สามารถหาความ Correlation หรือความสัมพันธ์ระหว่างสินค้าในร้านสองอย่างที่ไม่น่าขายด้วยกันได้อย่างเบียร์กับผ้าอ้อม แต่กลับขายดีคู่กันอย่างไม่น่าเชื่อ แต่ที่ไม่น่าเชื่อไปกว่านั้นคือเรื่องราวนี้เกิดขึ้นตั้งแต่ปี 1992 ครับ

Data Thinking เป็นเรื่องของชุดความคิดมากกว่าเครื่องมือที่มีหรือทักษะในการเขียนโปรแกรม ในปี 1992 ผมจำได้ว่าผมยังไม่เคยรู้จักกับสิ่งที่เรียกว่าคอมพิวเตอร์ด้วยซ้ำ ไม่รู้จักกับคำว่าอินเทอร์เน็ต ไม่รู้จักกับคำว่า Data ทั้งที่เรื่องการวิเคราะห์ข้อมูลหรือการทำ data science น่าจะเป็นเรื่องใหม่ที่เพิ่งจะได้ยินกันเมื่อไม่กี่ปีก่อน ในแต่ปี 1992 หรือย้อนกลับไป 30 ปีนับจากวันนี้ในปี 2021 กลับมีคนสามารถมองเห็นโอกาสจาก data ที่มีนั่นก็คือ transaction data หรือข้อมูลการขายในแต่ละบิลว่าน่าจะบอกให้รู้อะไรบางอย่างได้แหละ

เมื่อนำ Transaction data ที่มีและบันทึกอยู่ในเครื่อง POS หรือเครื่องคิดเงิน ณ​ จุดขายที่เราคุ้นเคยมารวมกันไว้ในที่เดียวแล้วจากนั้นก็นำมาทำให้ data ที่ถูกเก็บไว้อย่างไม่เป็นระเบียบมาทำให้พร้อมใช้ผ่านขั้นตอนที่เรียกว่า Data preparation อาจจะทำให้อยู่ในรูปแบบ SQL ทำให้โครงสร้างของข้อมูลนั้นพร้อมใช้งาน เมื่อค่อยๆ วิเคราะห์ไปทีละแง่มุมเพื่อดูว่าตกลงเรามีลูกค้าแบบไหนหรือแบ่งออกเป็นกี่กลุ่ม โดยไม่ได้แบ่งกลุ่มจาก Demographic หรือ Generation ตามที่เราคุ้นเคยกัน แต่เป็นการแบ่งกลุ่มจากพฤติกรรมการซื้อที่เกิดขึ้นภายในร้านสะดวกซื้อแห่งนี้ แบ่งไปแบ่งมาจนทำให้พบพฤติกรรมการซื้อสินค้าสองชนิดที่สอดคล้องกันอย่างน่าแปลกใจ นั่นก็คือพบว่าในช่วงเย็นวันศุกร์หลังเลิกงาน เบียร์กับผ้าอ้อมมักจะขายคู่กันได้ดีเป็นพิเศษ

จาก Signal หรือสัญญาณความผิดปกติจากพฤติกรรมการซื้อที่เห็นนี้ก็นำไปสู่การเปรียบเทียบกับช่วงเวลาอื่นว่า เบียร์ กับ ผ้าอ้อม นั้นยังขายได้ดีคู่กันอยู่ในบิลใบเสร็จเดียวกันเหมือนกันทุกช่วงเวลาหรือไม่

เมื่อเปรียบเทียบจากช่วงเวลาอื่นๆ ก็ไม่พบว่ามีพฤติกรรมการซื้อที่เหมือนกับช่วงเย็นวันศุกร์แต่อย่างไร หรือถ้าดูจากความสัมพันธ์ของสินค้าที่ขายดีคู่กันเป็นพิเศษก็ไม่พบสินค้าใดขายดีคู่กันเป็นพิเศษในช่วงเวลาใดเวลาหนึ่งเหมือนกับเบียร์และผ้าอ้อมที่ค้นพบในครั้งนี้ครับ

Data Thinking เมื่อได้คำตอบต้องตั้งคำถามต่อไปว่า ทำไม ทำไม ทำไม และ ทำไม

การจะเป็น Data Thinking ที่ดีหรือรู้จักฉลาดในการใช้ Data นั้นต้องหมั่นตั้งคำถามและสงสัยในคำตอบที่ได้จาก Data ต่อไปเรื่อยๆ เพื่อหา Data ใหม่ๆ เข้ามาตอบหรืออธิบายว่าเพราะอะไรมันถึงเป็นแบบนี้ หรือ Insight นี้มีที่มาที่ไปจากอะไร

เพราะถ้าเรารู้แค่ว่าผ้าอ้อมกับเบียร์ขายดีในช่วงคืนวันศุกร์ ถ้าคิดแบบตื้นๆ ทั่วไปก็คงจะทำโปรโมชั่นชวนให้คนซื้อมากขึ้นในคืนวันนั้น หรืออาจจะไม่ต้องทำโปรโมชั่นใดๆ แต่อาจจะเอาสินค้าประเภทผ้าอ้อมและเบียร์มาวางขายในร้านเพิ่มเพราะคิดไปเองว่าลูกค้าน่าจะอยากได้ตัวเลือกสินค้าประเภทนี้เพิ่มขึ้นใช่ไหมครับ

แต่สิ่งที่เกิดขึ้นจากเคสนี้คือพวกเขาออกไปหาคำตอบนอก Data เพื่อหาว่าที่มาที่ไปของ Correlation ความสัมพันธ์ระหว่างเบียร์กับผ้าอ้อมที่ขายดีคู่กันทุกคืนวันศุกร์นั้นเป็นเพราะอะไร ทีมงานก็เลยออกไปสังเกตในช่วงเวลาดังกล่าวของแต่ละสาขาของร้านสะดวกซื้อแห่งนี้เพื่อดูว่า คนแบบไหนนะที่เดินเข้ามาซื้อทั้งผ้าอ้อมและเบียร์ไปพร้อมกัน

จากสิ่งที่ไม่เคยคิดว่าจะขายดีคู่กันได้อย่างผ้าอ้อมกับเบียร์เพราะช่างเป็นสินค้าที่ต่างกันสุดขั้วดูไม่น่าเข้ากันได้ ถ้าบอกว่าผ้าอ้อมกับนมผงขายดีคู่กันอันนี้ไม่ใช่เรื่องน่าแปลกใจ หรือถ้าบอกว่าเบียร์กับอาหารเวฟกับแกล้มขายดีเป็นประจำทุกคืนวันศุกร์อันนี้เข้าใจได้ว่าเหตุและผลของมันคืออะไรจริงไหมครับ

แต่กับเบียร์และผ้าอ้อมที่ขายดีคู่กันอันนี้สิแปลก เป็น Insight ใหม่ที่ไม่มีใครในทีม Data science หรือทีม Marketing หรือ Business development คิดมาก่อนเลยว่าจะมีเรื่องแบบนี้เกิดขึ้นด้วย ถ้าไม่เอา Data ทั้งหมดที่มีมาวิเคราะห์ดูก็จะไม่มีทางรู้เพราะไม่มีใครคาดคิดว่าสินค้าสองอย่างนี้จะขายดีคู่กัน และจากความสงสัยก็นำไปสู่การตั้งคำถามว่าทำไม ทำไม และทำไม เมื่อพวกเขาชวนกันลุกออกจากหน้าจอเพื่อมาดูหน้างานก็เลยทำให้หายคลายความสังสัยด้วยระยะเวลาไม่นานว่าเหตุใดเบียร์กับผ้าอ้อมจึงขายดีคู่กันได้ครับ

จะเข้าใจ Insight จาก Data ได้ก็ต้องเข้าใจว่า Data นั้นมีที่มาที่ไปอย่างไร

เมื่อทีมงานทุกคนยกพลออกไปดูหน้างานกัน แต่ด้วยการที่ทำการบ้านกันมาแล้วว่าช่วงเวลาไหนที่สำคัญที่พวกเขาต้องลงไปดู ทำให้พวกเขาประหยัดเวลาในการทำ Data observation เป็นอย่างมาก เพราะไม่อย่างนั้นการออกไปสำรวจหน้างานก็จะกลายเป็นงานน่าเบื่อที่ได้แต่เฝ้าดูไปเรื่อยๆ โดยไม่รู้ว่าอะไรคือสิ่งที่เราต้องดู แต่จากทำงานกับ Data มาแล้วก็เลยทำให้พอรู้ว่าตกลงแล้วเราควรต้องไปดูอะไร ดูที่ไหน และดูเมื่อไหร่ครับ

พวกเขาจึงออกไปสังเกตอาจจะด้วยการปลอมตัวเป็นลูกค้า หรือการเข้าไปเป็นผู้ช่วยพนักงานขาย หรืออาจจะเฝ้าดูผ่านกล้องวงจรปิดก็ได้ แต่ทั้งหมดคือการเข้าไปดูที่มาของ Data นั้นด้วยตัวเองว่าเหตุใดเย็นหลังเลิกงานวันศุกร์เบียร์กับผ้าอ้อมจึงขายดีคู่กันอย่างไม่น่าเชื่อ แต่ไม่นานนพักพวกเขาก็เริ่มเห็น Pattern บางอย่างที่น่าสนใจในหลายสาขาที่ทีมกระจายตัวไปสังเกตการณ์ นั่นก็คือพวกเขาพบว่ากลุ่มคนที่เข้ามาซื้อเบียร์และผ้าอ้อมคู่กันนั้นคือชายหนุ่มวัยกลางคนครับ!

พวกเขาสังเกตเห็นชายหนุ่มวัยกลางคนอายุราวๆ 30-40 ปี มีพฤติกรรมการซื้อที่คล้ายกันอย่างไม่น่าเชื่อนั่นก็คือซื้อผ้าอ้อมคู่กับเบียร์นั่นแหละครับ จากจุดนี้ทำให้ทีมได้ Data ใหม่ไปวิเคราะห์หาคำตอบต่อว่า ทำไมผู้ชายวัยกลางคนถึงเดินเข้ามาซื้อผ้าอ้อมกับเบียร์หนึ่งแพ็คกลับไปหลังเลิกงาน ซึ่งถ้าจะให้พูดช่วงเวลาที่เฉพาะเจาะจงก็คือ 5 โมงเย็นถึง 1 ทุ่มเป๊ะๆ เลยครับ

เมื่อทีมกลับมารวมหัวเบรนด์สตรอมกันก็คาดว่า น่าจะเป็นกลุ่มผู้ชายที่เพิ่งมีลูกเล็กแล้วภรรยาใช้ให้ซื้อผ้าอ้อมลูกกลับบ้านด้วยก่อนวันหยุดซึ่งก็คือเย็นวันศุกร์ ทำให้ผู้ชายรู้สึกว่าไหนๆ ก็เดินเข้ามาซื้อผ้าอ้อมในร้านสะดวกซื้อแล้ว ขอหยิบเบียร์ติดมือกลับบ้านไปสักแพ็คเป็นรางวัลดื่มระหว่างดูบอลในวันหยุดสักหน่อยแล้วกัน

หรืออีกแง่มุมหนึ่งก็มีคนคาดการณ์ว่า อาจจะเป็นไปได้ว่าชายกลุ่มนี้เป็นกลุ่มคนที่เข้ามาซื้อเบียร์กลับไปกินที่บ้านทุกคืนวันศุกร์หลังเลิกงานอยู่แล้ว แต่พอมีลูกเล็กเข้ามาก็รู้สึกอยากทำตัวเป็นพ่อบ้านที่ดีสักหน่อยแม้เมียจะไม่ได้สั่ง เห็นผ้าอ้อมอยู่ใกล้ๆ ซึ่งเป็นอะไรที่ซื้อผิดยาก ก็เลยขะหยิบผ้าอ้อมติดมือกลับบ้านไปให้ลูกและเมียภูมิใจหน่อยแล้วกัน

ซึ่งผมจะบอกว่าถ้าเป็นข้อสมมติฐานแรกนั้นก็ยากที่จะหา Data มาพิสูจน์ว่าจริงหรือไม่ นอกจากจะต้องเดินตามผู้ชายคนนั้นกลับบ้านไปว่าเมียที่บ้านถามหรือเปล่าว่า “แล้วถ้าอ้อมที่สั่งได้มาไหม?” แต่ถ้าเป็นสมมติฐานที่สองนั้นพอจะมีทางพิสูจน์อยู่ได้ไม่ยาก แต่ก็ต้องมีการเก็บ Data ที่ดีไว้ก่อนหน้าเพราะไม่อย่างนั้นจะไม่สามารถพิสูจน์ได้ว่าพอมีลูกแล้วพฤติกรรมการซื้อเบียร์ทุกคืนวันศุกร์เปลี่ยนไปหรือไม่ คำถามคือคุณคิดว่าเราต้องใช้ Data อะไรเพื่อพิสูจน์สมมติฐานนี้ครับ

ผมให้คิด 10 วินาทีก่อนกดอ่านในบรรทัดถัดไป

1
2
3
4
5
6
7
8
9
10

หมดเวลา

คำตอบที่ถูกคือคุณต้องมีระบบ Loyalty program ที่ให้ลูกค้าสะสมแต้มด้วยการบอกเบอร์โทรศัพท์ให้กับพนักงานก่อนคิดเงินทุกครั้ง เพราะระบบสะสมแต้มหรือ Loyalty program นี้แหละครับจะทำให้เรารู้ว่าตกลงแล้ว Transaction data ไหนเป็นของลูกค้าคนไหน ถ้าเราสามารถระบุตัวตนของลูกค้าแต่ละคนได้ว่าที่ผ่านมาพวกเขาเคยมาซื้ออะไรบ้าง เราก็จะสามารถหาได้ว่ามันมีจุดเปลี่ยนของพฤติกรรมการซื้อเบียร์ที่ต่างไปบ้างหรือไม่ แต่ในเคสนี้เมื่อปี 1992 ไม่ได้มีระบบสมาชิกเตรียมไว้ให้วิเคระห์หาต่อครับ แต่เอาเป็นว่าแค่สามารถค้นพบว่าเบียร์กับผ้าอ้อมนั้นขายดีคู่กันทุกคืนวันศุกร์เป็นประจำผมว่าก็ว้าวมากพอแล้ว

และเมื่อได้เห็นบริบทของ Data ได้เห็นที่มาที่ไปว่าเบียร์กับผ้าอ้อมมาขายดีคู่กันทุกเย็นวันศุกร์หลังเลิกงานได้อย่างไร ก็ทำให้เข้าใจถึง Insight ว่าเป็นเพราะคุณพ่อบ้านต้องแวะมาซื้อเบียร์กลับไปกิน หรือไม่ก็ต้องถูกเมียสั่งให้ซื้อผ้าอ้อมลูกก่อนเข้าบ้านด้วยก็เลยขอหยิบเบียร์ไปดื่มย้อมใจหน่อย

และนั่นก็เลยทำให้ทางร้านสะดวกซื้อ Retail แห่งนี้ทำสิ่งเล็กๆ แต่เพิ่มยอดขายได้อย่างไม่น่าเชื่อ

ได้ Insight แล้วต้อง Action ลองเอาสมมติฐานไปทำแล้ววัดผลกลับคืนมา

เมื่อตอนนี้เราค้นพบแล้วว่าเบียร์กับผ้าอ้อมมักขายดีคู่กันในทุกเย็นวันศุกร์ (จากการวิเคราะห์ดาต้า) นั่นก็เพราะว่าคุณพ่อลูกอ่อนวัยกลางคนแวะมาซื้อของกลับบ้านหลังเลิกงานนั่นเอง (Insight) แต่ที่สำคัญไปกว่านั้นคือพฤติกรรมนี้คือสิ่งที่เกิดขึ้นเป็นประจำหรือ Pattern โดยไม่เปลี่ยนแปลง นั่นหมายความว่าศุกร์นี้ และศุกร์ก่อนหน้าถ้าผ้าอ้อมขายดีคู่กับเบียร์เป็นประจำ นั่นหมายความว่าวันศุกร์หน้าที่จะมาถึงและก็ศุกร์ถัดๆ ไปทุกศุกร์สองสิ่งนี้ก็จะยังคงขายดีคู่กันต่อไป

คำถามคือคุณจะ Action อย่างไรจาก Insight นี้ บางคนอาจบอกว่าก็ทำดีไซน์แพคเกจผ้าอ้อมใหม่ให้ดูแมนขึ้น แต่สิ่งที่ร้านสะดวกซื้อ Retail แห่งนี้ทำนั้นเรียบง่ายมาก พวกเขาแค่เอาเบียร์กับผ้าอ้อมที่เคยอยู่ห่างกันมาวางให้ใกล้กันมากขึ้น ผลปรากฏว่ายอดขายสินค้าสองอย่างนี้เพิ่มพรวดขึ้นกว่า 35% และนี่ก็กลับไปตอบสิ่งที่ธุรกิจต้องการ นั่นก็คือขายให้ดีขึ้นกว่าเดิม แต่ทั้งหมดนี้จะไม่เกิดขึ้นเลยถ้าเราไม่คิดแบบ Data Thinking ที่ตั้งคำถามต่อไปว่า แล้วเราจะเพิ่มยอดขายจากลูกค้ากลุ่มไหนดีกว่ากัน แล้วก็นำไปสู่คำถามถัดไปว่า จาก Data ที่เรามีแต่เราจะแบ่งกลุ่มลูกค้าอย่างไรได้บ้าง

เมื่อเรามีแค่ Transaction data ที่ไม่ใช่ Customer data ที่ระบุตัวตนลูกค้าลงไปได้ว่าใครซื้ออะไรบ้าง ก็พอจะบอกได้ว่าสินค้าแบบไหนที่ขายดีแบบผิดปกติแถมเกิดขึ้นเป็นประจำโดยที่เราไม่รู้ จากนั้นก็นำไปสู่การวิเคราะห์หาความสัมพันธ์ของสินค้าที่ขายดีคู่กันเป็นประจำโดยที่เราไม่รู้ ก็เหมือนกับที่ร้านสะดวกซื้อ Retail แห่งนี้ทำจนรู้ว่าเบียร์กับผ้าอ้อมนั้นขายดีคู่กันทุกคืนวันศุกร์ ถามตรงๆ ใครมันจะไปคิดหละครับว่าของสองสิ่งนี้จะขายดีด้วยกันแบบไม่คาดคิดขนาดนี้ได้

จากเรื่องราวของ Case study การทำ Big data analytics ที่วิเคราะห์ข้อมูลการขายที่ถูกเก็บสะสมมาจาก 25 สาขาจนมีมากกว่า 1.2 ล้าน transaction ที่ทำให้ค้นพบ product correlation แบบไม่คาดคิดจนทำให้ทุกร้านสะดวกซื้อ ซูเปอร์มาร์เก็ต และห้างสรรพสินค้าต่างๆ พยายามเอา data ที่ตัวเองมีมาวิเคาะห์แง่มุมต่างๆ เพื่อหา Insight ที่ไม่คาดคิดให้เจอ และแน่นอนว่าก็เจออะไรที่น่าสนใจไม่น้อยกว่าเบียร์กับผ้าอ้อมเลยครับ

เช่น บางเคสเจอว่ารองเท้าผู้หญิงมักจะขายดีคู่กับเสื้อผู้ชาย หรือ การเอากล้วยมาวางไว้หน้าร้านจะสามารถดึงลูกค้าให้เดินเข้าร้านมาซื้อของในซูเปอร์มาร์เก็ตได้มากขึ้น หรือพบว่าถ้าใครมาซื้อนมผงกับน้ำส้ม มักจะซื้อ DVD การ์ตูนที่ออกใหม่กลับไปด้วย (เมื่อลงไปสำรวจดูพบว่าเป็นเด็กโตที่ถูกแม่ใช้มาซื้อนมให้น้อง และน้ำส้มของตัวเอง พอเห็น DVD การ์ตูนเรื่องใหม่ก็เลยขอหยิบติดมือไปจ่ายเงินด้วยนั่นเอง) ซึ่งจากความสัมพันธ์ของสินค้าดังกล่าวนักการตลาดที่จะฉลาดใช้ดาต้าต้องรู้จักลงไปทำความเข้าใจที่มาที่ไปของ Data นั้นด้วยตัวเอง

เพื่อที่เราจะได้เข้าถึงบริบทที่เกิดขึ้นว่า ทำไม ไม่ใช่แค่ อะไร การเข้าใจที่ลึกซึ้งกว่าทำให้เราสามารถใข้ต้นทุนทั้งเงิน คน และเวลา ในการแก้ปัญหาที่น้อยกว่าที่ควรจะเป็นมาก

Data Thinking คิดย้อนกลับอีกแง่มุมหนึ่งของเรื่องนี้

หรือบางครั้งการทำงานกับ Data เพื่อเอามาช่วยแก้ปัญหาทางธุรกิจหรือการตลาด ก็อาจจะไม่ได้เริ่มต้นจากการเอา Data ทั้งหมดมาดูหากลุ่มความสัมพันธ์แบบที่เล่ามาทั้งหมดก็ได้ แต่อาจจะเริ่มจากการตั้งโจทย์ของฝ่ายขายมาเลยว่าถ้าสินค้าที่ทำกำไรได้ดีอย่างผ้าอ้อม ซึ่งมีตัวเลข Margin สูงมากอยู่แล้ว ทำอย่างไรเราถึงจะขายผ้าอ้อมได้มากขึ้น

การตั้งคำถามแบบนี้ก็จะทำให้การวิเคาะห์ข้อมูลนั้นสั้นและกระชับลงไปมาก ทีมวิเคระห์ดาต้าก็ไม่จำเป็นต้องเอาข้อมูลทั้งหมดมากางดูเพื่อหาความสัมพันธ์ แต่เลือกเจาะดูจากสินค้าที่ตัวเองอยากรู้จากผ้าอ้อมเลยว่าสินค้านี้มีพฤติกรรมการซื้อเป็นอย่างไร เลือกดูว่าสินค้าที่ขายดีคู่กับผ้าอ้อมมีอะไรบ้าง ช่วงเวลาที่ขายดีเป็นพิเศษคือตอนไหน วันใดที่ผ้าอ้อมขายได้มากกว่าปกติ แล้วค่อยดูต่อไปว่าสิ่งที่เราเห็นเป็น Signal นั้นเกิดขึ้นซ้ำๆ เป็นประจำจนกลายเป็น Pattern หรือไม่

เป็นอย่างไรครับกับการคิดย้อนมุมกลับอีกวิธีหนึ่งที่ฟังดูเหมือนง่ายแต่แท้จริงแล้วไม่ได้ง่ายเหมือนที่อ่านเลยนะครับ เพราะจากประสบการณ์ที่เจอมากับตัวพบว่าการตั้งคำถามที่ดีนั้นไม่ได้ง่าย ไม่ใช่ทุกคนจะทำได้ ซึ่งการทำ Data project ส่วนใหญ่คือการค่อยๆ ทำไปเรียนรู้ไป ยังไม่เคยสูตรสำเร็จได้ที่เอามาใช้สวมทับกันได้ทันที

ต่อให้เป็นกลุ่มธุรกิจเดียวกันแต่ถ้ามีบริบทต่างกันผลลัพธ์ที่ได้ก็ต่างไป เพราะไม่ใช่ทุกร้านสะดวกซื้อหรือห้างสรรพสินค้าที่เบียร์และผ้าอ้อมจะขายดีคู่กันเสมอไป

เพราะเมื่อทีมที่ทำ Data science หรือ Data analytics ของโปรเจคนี้ย้ายไปทำให้กับร้านสะดวกซื้อ Retail อีกแบรนด์หนึ่งในปีที่ต่างไป ก็ไม่พบความสัมพันธ์ใดๆ ระหว่างเบียร์และผ้าอ้อมเลย ส่วนพอย้ายไปทำอีกร้านสะดวกซื้อหนึ่งก็กลับค้นพบความสัมพันธ์ระหว่างเบียร์กับผ้าอ้อมที่แน่นแฟ้นกันยิ่งกว่าเดิม ซึ่งมีค่า Correlation ถึง 0.95 เลยทีเดียครับ (ถ้าเป็น 1 นี่แทบจะเป็นแฝดกันเลย)

และเรื่องราวทั้งหมดที่เล่ามาก็เป็นของร้านสะดวกซื้อที่ชื่อว่า OSCO Drug ไม่ใช่ Walmart แต่อย่างไร

Data Thinking คือทักษะที่นักการตลาดต้องมีในศตวรรษที่ 21

เรื่องราวของเบียร์และผ้าอ้อมนั้นเกิดขึ้นตั้งแต่ปี 1992 แต่ตอนนี้เราอยู่ในปี 2021 เป็นปีที่เต็มไปด้วย Data มากมาย ดีไม่ดีข้อมูลการขายแค่ 1.2 ล้าน Transaction อาจจะดูเป็นจิ๋วไปเลยเมื่อเทียบกับ Transaction ที่เกิดขึ้นในแต่ละวันที่เกิดขึ้นบนออนไลน์ของเว็บแพลตฟอร์มใหญ่ๆ สักราย นั่นหมายความว่าในวันนี้เรามี Data อยู่มากมายมหาศาล คนที่รู้จักมองให้ออกว่า Data ที่เรามีนั้นมีคุณค่าอะไรซ่อนอยู่บ้าง หรือเราต้องการ Data แบบไหนมาใช้งาน หรือ Data แบบไหนบ้างที่จะตอบคำถามสำคัญของธุรกิจเรา

ทั้งหมดนี้ล้วนเป็นทักษะการคิดอย่างเข้าใจ Data หรือที่เรียกว่า Data Thinking เพราะก่อนจะเริ่ม Data-Driven Business หรือ Everything คุณเข้าใจสิ่งที่เรียกว่า Data ดีพอหรือยัง

สนใจสั่งซื้อหนังสือ Data Thinking หนังสือเล่มที่ 3 ของการตลาดวันละตอนไปอ่าน > https://bit.ly/DataThinkingBook

อ่านเรื่องราวของ Data Thinking ในการตลาดวันละตอนเพิ่มเติม > https://everydaymarketing.co/?s=data+thinking

Reference:
https://canworksmart.com/diapers-beer-retail-predictive-analytics/
https://jborden.com/2018/12/07/beer-and-diapers-the-perfect-couple/
https://bigdatabigworld.wordpress.com/2014/11/25/beer-and-nappies/
https://tdwi.org/articles/2016/11/15/beer-and-diapers-impossible-correlation.aspx
https://www.forbes.com/forbes/1998/0406/6107128a.html?sh=d8cdfa36260f

• Facebook
• X
• Line