ใครที่อ่านเรื่องการตลาดแบบวิทยาศาสตร์ Marketing Science บทก่อนหน้าคงจะสนใจอยากรู้แล้วว่าจะสร้างทีมเพื่อโฟกัสเรื่องนี้อย่างไรได้บ้าง วันนี้เลยมาแนะนำ 3 แนวทางสร้างทีมวิทยาศาสตร์การตลาด ที่จะคอยเอาไอเดียที่มีไปทดสอบผ่านการทำ Experiment-Driven Data แล้วเก็บข้อมูลมาใช้ตัดสินใจต่อว่าควรทำการตลาดหรือปรับกลยุทธ์อย่างไรครับ
1. Centralized Model ทีมกลางสำหรับทุกทีม
วิธีนี้ทำให้บริษัทมีทีม Marketing Science และ Data Science เป็นทีมแยกออกมาจากทุกทีมในบริษัท หน้าที่หลักของทีมนี้คือต้องดูแลรับผิดชอบเรื่อง Experiment-Driven Data ให้กับทุกทีม ข้อดีของการมีทีมแยกออกมารับผิดชอบงานส่วนนี้ชัดเจนคือเดินหน้าไว สามารถโฟกัสเนื้อหาให้ตรงกับ Business Strategy ระยะยาวได้ เช่น ทำหน้าที่สร้างเครื่องมือ Experiment ใหม่ๆ ที่เข้ากับธุรกิจของเรา หรือสร้างโมเดลทางสถิติที่มีความแม่นยำมากขึ้นเรื่อยๆ ในระยะยาว
แต่การสร้างทีม Marketing Science แบบนี้ก็มีข้อเสียคือความไม่ชัดเจนว่าตกลงทีมนี้ควรขึ้นตรงกับผู้บริหารทีมไหน ไปจนถึงไม่ชัดเจนว่าทีมนี้ควรได้รับความสำคัญจากองค์กรขนาดไหน ไปจนถึงควรได้รับทรัยากรในการทำสิ่งต่างๆ มากน้อยเท่าไหร่ และอีกหนึ่งปัญหาที่มักเจอเมื่อมีทีมทำดาต้าแยกมาโดดๆ คือ คนในทีมนี้มักไม่รู้ Insight ทีมอื่นจนทำให้สื่อสารกับทีมอื่นไม่ค่อยรู้เรื่อง เพราะเนื้องานไม่สอดคล้องกัน
เพราะบางครั้งทีมงานต่างๆ ก็ไม่ได้ปฏิบัติงานตามกลยุทธ์ระยะยาวขององค์กรโดยตรง หลายครั้งคือการแก้ปัญหาหน้างานไปเรื่อยๆ ทำให้การทำงานของทีมที่แยกออกมานี้อาจไม่สอดคล้องกับการปฏิบัติงานจริงจนทำให้หลายครั้งสิ่งที่ทีม Marketing Science ทำออกมาก็มักไม่ได้ถูกหยิบมาใช้จริงจากคนหน้างาน
และหนักสุดคือผู้บริหารบางคนอาจไม่เข้าใจถึงความสำคัญเชิงกลยุทธ์ของทีมนี้ ทีมที่ไม่ได้มีหน้าที่ทำ Data อย่างเดียวแต่ยังมีหน้าที่ในการทำการทดลองไอเดียต่างๆ เพื่อให้ได้ดาต้ามาใช้ตัดสินใจ หรือ Experiment-Driven Data ครับ
2. Decentralized Model เอาคนทำ Marketing Science ไปอยู่ในทุกทีม
อีกรูปแบบของการสร้างทีมวิทยาศาสตร์การตลาด Marketing Science คือการเอาคนทำ Experiment เข้าไปอยู่ในทุกทีม ทำให้การทำ Experiment-Driven Data ทดสอบไอเดียต่างๆ แล้วเก็บดาต้ามาตัดสินใจเป็นไปอย่างรวดเร็ว
ข้อดีที่สำคัญของการสร้างทีมรูปแบบนี้คือ Marketing Scientist ร่วมงานกับ Domina Expert ตรงส่งผลให้การอ่านค่าแปรผล วิเคราะห์ดาต้าที่ได้มาจากการเทสเป็นไปอย่างรวดเร็วและแม่นยำมากขึ้น การปรับการทดสอบหน้างานก็จะเป็นไปอย่างรวดเร็วทันทีเพราะแค่คุยกันไม่กี่คำก็ลงมือทำได้เลย
แต่ข้อเสียคือคนทำ Marketing Scientist ในทีมต่างๆ จะไม่ค่อยมี Career Path ชัดเจนว่าจะเติบโตอย่างไรได้บ้าง ลองคิดภาพว่าถ้าทีม Sales มีคนทำดาต้าอยู่ในทีมจะโตต่อไปเป็นตำแหน่งอะไร อย่างมากก็ Specialist คงไม่มีทางเป็น Head of Marketing Scientist ในทีม Sales เป็นแน่
อีกหนึ่งข้อเสียคือเมื่อมีการเพิ่มคนทำดาต้าเข้าไปในแต่ละทีม ก็จะทำให้คนนั้นไม่ค่อยได้มีหัวหน้างานหรือพี่เลี้ยงโดยตรง เมื่อเกิดปัญหาก็ยากจะหาคำตอบด้วยตัวเองได้ ผิดกับการสร้างทีมโมเดลแรกถ้ามีปัญหาก็สามารถถามหัวหน้างานหรือเพื่อนร่วมงานได้ แล้วถ้าจะรู้ก็จะรู้แค่ในแง่มุมของทีมตัวเอง ขาดความรู้ Insight จากการทดสอบของทีมอื่นที่อาจไม่ได้แชร์ผลการทดลองกัน
อีกหนึ่งข้อเสียของการเติมคนทำดาต้าเข้าไปในแต่ละทีมคืองบประมาณ การจะของบมาซื้อเครื่องมือ Technology ใหม่ๆ มาใช้งานก็มีจำกัด เป็นไปได้ยาก ทำให้เครื่องมือที่ใช้ในการทำ Experiment นั้นมักจะเป็นเครื่องมือระดับกลางๆ หรือทั่วไป เพราะใช้แค่ในทีมตัวเองเป็นหลัก
ดังนั้นใครคิดจะสร้างทีมแบบที่สองก็ลองประเมินข้อดีข้อเสียหลายๆ ด้านดูนะครับ
3. Center of Excellence model สร้างทีมแบบมีทั้งกระจุกและกระจายไปพร้อมกัน
โมเดลนี้คือการเอาทั้งแบบที่ 1 และ 2 มารวมกัน นั่นก็คือมีทั้งทีมกลางที่ดูแลภาพใหญ่ ภาพรวม ทำหน้าที่พัฒนาเครื่องมือในการทำ Experiment ให้ดีขึ้น หรือเลือกสรร Marketing Technology ที่ตอบโจทย์ทั้งองค์กรหรือทีมงานส่วนใหญ่ ในขณะเดียวกันก็ให้แต่ละทีมมีคนทำ Experiment, Analytics หรือ Marketing Scientist ของตัวเองเพื่อให้การทำงานเป็นไปอย่างรวดเร็วไม่เป็นคอขวดแบบโมเดลที่ 1
ทีมกลางจะทำงานยากๆ อย่างการจัดการ Data ทั้งหมด หรือการสร้างโมเดลทางสถิติที่มีความแม่นยำมากขึ้น ทำหน้าที่เป็นที่ปรึกษาให้กับแต่ละทีมว่าควรทำ Experiment แบบไหนเพื่อให้ผล Data ที่มี Bias หรือ Error น้อยที่สุด
ข้อดีของการสร้างทีมแบบนี้คือมีการทำงานที่รวดเร็วและแข็งแรงไปพร้อมกัน แต่ข้อเสียคือใช้ทรัพยากรเยอะ และก็ไม่รู้ว่าทีมกลางจะต้องไปอยู่ภายใต้ผู้บริหารทีมไหน แต่จากประสบการณ์ผมแนะนำว่าควรทำงานตรงกับ CEO เพื่อให้เป็นหนึ่งในทีมกลยุทธ์ของบริษัทที่ใช้วิทยาศาสตร์เข้ามาช่วยบริหารและตัดสินใจแทนประสบการณ์ครับ
สรุป 3 โมเดลการสร้างทีม Marketing Science ในองค์กรที่อยากจริงจังเรื่อง Data
เรียกได้ว่าแต่ละโมเดลก็มีข้อดี ข้อเสีย หรือจังหวะที่ดีในการสร้างทีมแบบนั้นไม่เหมือนกัน แบบโมเดลที่ 1 Centralization ก็จะเหมาะกับองค์กรที่มีขนาดใหญ่ระดับนึง การจัดการง่าย แต่การทำงานก็อาจไม่คล่องตัวมากนัก
ส่วนโมเดลแบบที่สอง Decentralization ข้อดีคือการทำงานไว คล่องตัวมาก แต่ข้อเสียคือเติบโตต่อไปยาก แถมยังมีทรัพยากรในการใช้งานจำกัด และโมเดลแบบที่สามที่เป็นแบบผสมกันก็ดูจะลงตัวที่สุด แต่ข้อเสียคือใช้ทรัพยากรเยอะมาก เหมาะกับองค์กรขนาดใหญ่จริงๆ ที่สามารถลงทุนในระดับนั้นได้
แต่คำตอบที่ดีกว่านั้นคือเลือกโมเดลที่เหมาะกับองค์กรเราในเวลานี้จะดีที่สุด แล้วจากนั้นค่อยๆ ปรับ ขยับโมเดลให้เหมาะสมเมื่อเวลาผ่านไป เมื่อทีมพร้อมมากขึ้นก็ค่อยขยายใหญ่ขึ้น เมื่อองค์กรมีความรู้มากขึ้นก็ค่อยๆ ลงมือกับเครื่องมือ Technology ให้เหมาะสมมากขึ้นครับ
สำคัญคือต้องจริงจังกับการทำธุรกิจแบบวิทยาศาสตร์ ทำการตลาดแบบวิทยาศาสตร์ ใช้ Experiment-Driven Data คิดและตัดสินใจจากดาต้า ไม่ใช่สัญชาตญาณหรือตำแหน่งในบริษัทอีกต่อไป
Source: https://hbr.org/2017/09/the-surprising-power-of-online-experiments
