การวัดอิทธิพลเชิงสาเหตุที่แท้จริงของแคมเปญการตลาด: Causal AI
โดยทั่วไปแล้ว การวัดผลแคมเปญการตลาดที่ถูกคิดออกมาเป็นเรื่องยาก เนื่องจากข้อจำกัดในการติดตามจุดสัมผัส (หรือ Node ต่างๆ) ที่ลูกค้าโต้ตอบก่อนตัดสินใจซื้อ ซึ่งในทางปฏิบัติหากเราต้องการวิเคราะห์ผลสัมฤทธิ์อย่างแท้จริง (แบบที่สามารถเอาวิเคราะห์นั้นไปใช้ต่อได้จริงๆ) จะต้องวิเคราะห์ถึงอิทธิพลเชิงสาเหตุภายในของแคมเปญการตลาด (Intrinsic Causal) โดยการให้คุณค่ากับจุดสัมผัสทางการตลาดทั้งหมดร่วมกับการใช้ AI: Causal AI
ในบทความนี้เราจะมากล่าวถึงวิธีการวัดอิทธิพลเชิงสาเหตุภายใน เจาะลึกว่าอิทธิพลเชิงสาเหตุภายในคืออะไร และสามารถใช้เพื่อวัดประสิทธิภาพของแคมเปญการตลาดได้อย่างไร และส่วนที่น่าสนใจที่สุดคือตัวอย่างที่ทำงานได้จริงซึ่งแสดงวิธีการคำนวณอิทธิพลเชิงสาเหตุภายในผ่าน “AI” กันค่ะ ==> Let’s go ヾ(≧▽≦*)o
การวัดผลทางการตลาดและความท้าทาย: Marketing measurement
แคมเปญทางการตลาดมักถูกใช้โดยมีวัตถุประสงค์เพื่อขยายธุรกิจโดยการหาลูกค้าใหม่ หรือรักษาลูกค้าที่มีอยู่ หรือทำทั้งสองอย่างด้วยแคมเปญจ์เดียวกัน ซึ่งแคมเปญการตลาด (ในเทอมงานวิจัยวิชาการ) มักแบ่งออกเป็น 3 ประเภทหลักคือ
- เพื่อโปรโมทแบรนด์ (Branding)
- เพื่อกระตุ้นยอดขายของผลิตภัณฑ์ (Performance)
- เพื่อรักษายอดลูกค้าเดิม และกระตุ้นการกลับมาซื้อซ้ำ (Retention)
โดยในแต่ละประเภทมี “ความท้าทาย” ในการวัดผลสัมฤทธิ์ของแคมเปญจ์ไม่เหมือนกัน ดังนั้นการทำความเข้าใจความท้าทายเหล่านี้เป็นสิ่งสำคัญเป็นอย่างยิ่ง เพราะฉะนั้นลำดับแรกเราจะมาทำความเข้าใจถึง Challenges ของแคมเปญจ์การตลาดแต่ละประเภทกันดังนี้ค่ะ (*^▽^*)
#1 แคมเปญการตลาดเพื่อโปรโมทแบรนด์ (Brand campaigns)
จากการที่เป้าหมายหลักของ “Brand campaigns” คือการเพิ่มการรับรู้ถึงแบรนดในกลุ่มผู้ใช้หรือลูกค้าใหม่ ซึ่งช่องทางสื่อสารที่มักมีการนำมาใช้กันคือ การแสดงภาพแบรนด์ผ่านสื่อโทรทัศน์และโซเชียลมีเดีย (ตามแต่กลุ่มลูกค้าและงบประมาณ) ซึ่งมักอยู่ในรูปแบบของวิดีโอ
ซึ่งโดยปกติแล้วกลุ่มเป้าหมายที่เราต้องการโปรโมทแบรนด์มักจะยังไม่เกิดการกระตุ้นให้เกิดการตัดสินใจติดตามแบรนด์แบบทันทีทันใด หรือเลือกซื้อสินค้าของแบรนด์โดยตรง ณ ขณะนั้น และสิ่งนี้เองค่ะที่เป็นความท้าทายในการวัดผล =>> เพราะลูกค้าไม่ตอบสนองทันที! แล้วเราจะวัดผลได้อย่างไรล่ะ?? 🤔
อันดับแรกเราลองมาพิจารณาการทำ Branding Campaings ผ่านช่องทางโทรทัศน์กันค่ะ ความท้าทายก็คือ — เราไม่สามารถติดตามได้ว่าใครเห็นโฆษณาทางทีวีบ้าง! และเราก็พบว่ามีความท้าทายที่คล้ายกันในกรณีเป็นโซเชียลมีเดียด้วย เพราะถึงแม้ว่าเราจะรู้ว่าใครเห็น Ads ของเราบ้าง แต่ถ้าคนที่เห็นไม่ได้เข้าไปดู Website ของเราในทันที แต่กลับตัดสินในเยี่ยมชมเว็บไซต์และซื้อผลิตภัณฑ์ในวันถัดไป ก็เป็นเรื่องยากมากๆ ที่เราจะสามารถเชื่อมโยงทั้งสองกิจกรรมนี้เข้าด้วยกันได้ค่ะ
นอกจากนี้ความท้าทายนี้ถูกเรียกว่า “Delayed effect” หรือ เอฟเฟกต์ล่าช้า ซึ่งหมายถึง เมื่อแบรนด์สร้างการรับรู้ในกลุ่มผู้ชม/ลูกค้าใหม่ อาจต้องใช้เวลาเป็นวัน/สัปดาห์/เดือน กว่าจะถึงจุดที่พวกเขาเหล่านั้นพิจารณาซื้อผลิตภัณฑ์หรือรับรู้แบรนด์ของเราจนตัดสินใจใช้งาน
ดังนั้นเมื่อเราพูดถึงการวัดผลทางการตลาดของแคมเปญจ์ประเภทนี้ ความท้าทายดังกล่าวจึงเป็นสาเหตุให้เราต้องมาใช้การคำนวณอิทธิพลเชิงสาเหตุภายในผ่าน “Causal AI” ในการวิเคราะห์ค่ะ
#2 แคมเปญการตลาดเพื่อกระตุ้นยอดขายของผลิตภัณฑ์ (Performance campaigns)
โดยทั่วไปแล้ว “Performance campaigns” จะมุ่งเป้าไปที่ลูกค้าที่มีแผนหรือแนวโน้มที่จะซื้อผลิตภัณฑ์ของเราอยู่แล้ว โฆษณาเหล่านี้แสดงผ่านช่องทางการค้นหาที่เสียค่าใช้จ่าย โซเชียลมีเดียหรือแพลตฟอร์มต่างๆ เช่นคำที่ทุกท่านอาจเห็นผ่านตาบ่อยที่ว่า “คลิกตอนนี้เพื่อรับส่วนลด 5% สำหรับการซื้อครั้งแรกของคุณ” หรือ “เก็บโค้ดส่วนลดนี้ แล้วใช้ภายในเที่ยงคืน” เป็นต้น
ซึ่งสำหรับแคมเปญประเภทนี้ เราค่อนข้างสามารถวัดผลได้ง่ายกว่าแบบแรก เพราะมีโอกาสมากที่เราจะสามารถเชื่อมโยงเหตุการณ์ที่ลูกค้าคลิกแคมเปญนี้กับลูกค้ารายที่เห็นแคมเปญ และตัดสินใจซื้อในวันนั้นได้
แต่คำถามที่น่าสนใจก็คือ แล้วคนที่เห็น Ads จะคลิกมั้ย? หากไม่ได้คุ้นเคยกับแบรนด์อยู่แล้ว? และถ้าลูกค้าเหล่านี้คุ้นเคยกับแบรนด์อยู่แล้ว เขาคุ้นเคยกับแบรนด์ของเราได้อย่างไร? หากก่อนหน้านั้นเราไม่ได้แสดง Brand campaigns ให้ลูกค้าเหล่านี้ดู ซึ่งการตอบคำถามเหล่านี้เราไม่สามารถมโนเอาเองได้ค่ะ แต่ต้องวิเคราะห์ในเทอมของความเชื่อมโยง ผ่านการทำ Data Analysis
#3 แคมเปญเพื่อการรักษาลูกค้า (Retention campaigns)
สำหรับแคมเปญประเภทนี้ Target หลักๆ คือถูกสร้างขึ้นมาเพื่อ “การรักษาลูกค้า” ซึ่งเป็นการตลาดที่มุ่งรักษาลูกค้าปัจจุบัน และโดยปกติแล้วเราจะทำ AB Test เพื่อวัดผลสัมฤทธิ์ของแคมเปญประเภทนี้ค่ะ
เมื่อเราเข้าใจความท้าทายของการทำ Marketing measurement ของแคมเปญการตลาดแต่ละประเภทแล้ว เรามาพิจารณากันต่อค่ะว่า “Intrinsic causal influence” หรือการวัดอิทธิพลเชิงสาเหตุที่แท้จริงคืออะไร และจะเข้ามาช่วยเราจัดการการวัดผลที่ซับซ้อนที่ได้อย่างไรค่ะ o(*^▽^*)┛
อิทธิพลเชิงสาเหตุภายในที่แท้จริงคืออะไร แนวคิดมาจากไหน? และทำงานอย่างไร?: Causal AI
การวิเคราะห์อิทธิพลเชิงสาเหตุภายในที่แท้จริงเป็นแนวคิดที่เป็น concept ในบทความวิจัยวิชาการที่ปีพิมพ์ในปี 2024 ของ Dominik Janzing et.al โดยเนื้อหานำเสนอ แนวคิดเกี่ยวกับอิทธิพลเชิงสาเหตุ ซึ่งอธิบายส่วน ‘ที่แท้จริง‘ หรือ “Intrinsic” ของการมีส่วนร่วมของ Node (ในที่นี้คือพฤติกรรมหรือการแสดงออกของความสัมพันธ์ต่างๆ) บนโหนดเป้าหมายใน DAG (เดี๋ยวนิกอธิบายเพิ่มเติมในบทความภาคต่อค่ะ) โดยการเขียนแต่ละโหนดซ้ำๆ เป็นฟังก์ชันของเงื่อนไขความสัมพันธ์ (ตรงนี้เราจะใช้ Causal AI ในการวิเคราะห์) => และสำหรับเพื่อนๆ ที่ต้องการอ่านบทความต้นทาง สามารถอ่านได้ที่ Link นี้ค่ะ: Quantifying intrinsic causal contributions via structure preserving interventions
*สำหรับท่านใดที่ต้องการวิเคราะห์อิทธิพลเชิงสาเหตุที่แท้จริงเพิ่มเติม ขออนุญาตให้ Keywords สำหรับอ่านเพิ่มดังนี้นะคะ: กราฟเชิงสาเหตุ และแบบจำลองเชิงสาเหตุเชิงโครงสร้าง (SCM) -แบบจำลองสัญญาณรบกวนเสริม (ANM)
มาต่อกันค่ะ =>
#1 อิทธิพลเชิงสาเหตุภายในที่แท้จริงคืออะไร?
มาเริ่มทำความเข้าใจกันดีกว่าว่าจริงๆ แล้วอิทธิพลเชิงสาเหตุที่แท้จริงคืออะไรกันค่ะ…. จากคำจำกัดความตามพจนานุกรมของ intrinsic ซึ่งแปลว่า “เป็นส่วนหนึ่งโดยธรรมชาติ” สิ่งที่เราสามารถตีความได้ก็คือช่องทาง และสิ่งที่อยู่ด้านบนสุดของช่องทางที่เกี่ยวข้อง — อ่านแล้วงงๆ ใช่ไหมคะ 🤔😂 มาดูกราฟตัวอย่างด้านล่างเพื่อช่วยให้เราเริ่มแยกแยะอิทธิพลเชิงสาเหตุที่แท้จริงเพิ่มเติมได้ชัดเจนขึ้นดังนี้ค่ะ
- T เป็นโหนดรูท (Root nodes) หรือต้นเหตุของเหตุการณ์ต่างๆ และถูกมองเป็น Parents ของโหนด C O และ U
- C และ U เป็นโหนดที่ไม่ใช่รูท ซึ่งเราสามารถสร้างแบบจำลองโดยใช้ Patents (ต้นทาง) โดยตรง (T) ร่วมกับ Noise ต่างๆ (ในกรณีที่มี noise)
- O เป็นโหนดที่ไม่ใช่รูท ซึ่งคล้ายกับ C และ U ซึ่งเราสามารถสร้างแบบจำลองโดยใช้ Parents โดยตรง (T,C) ร่วมกับ Noise ต่างๆ (ในกรณีที่มี noise)
มาเน้นที่โหนด C กันค่ะ ซึ่งเป็นเหตุการณ์ที่จะเกิดขึ้นในกรณีทำแคมเปญแบบที่ 1 และ 2 ซึ่งจะเห็นว่าโหนดนี้ได้รับการสืบทอดอิทธิพลมาจากโหนด T ที่เป็น Parents และส่งต่ออิทธิพลให้โหนด O จากโหนด T ดังนั้นส่วนที่แท้จริงของอิทธิพลต่อโหนด O ซึ่งเป็นโหนดปลายทางในกราฟความสัมพันธ์นี้ ไม่เพียงแต่ได้รับการ ‘สืบทอด’ จาก C เท่านั้น แต่ได้รับการสืบทอดมาจากโหนด T ซึ่งเป็น Parents ของ C ซึ่งในกรณีที่เป็นแคมเปญทางการตลาดเราจะต้องมีการพิจารณาถึง Noise ที่เกิดขึ้นร่วมด้วย
โดยในบทความนี้ เราจะเจาะลึกลงไปถึงวิธีการคำนวณอิทธิพลเชิงสาเหตุที่แท้จริงกันค่ะ
#2 Causal AI จะช่วยเราวัดอิทธิพลเชิงสาเหตุที่แท้จริงของแคมเปญการตลาดได้อย่างไร?
แล้วเราจะใช้เทคนิคอะไรในการสร้างกราฟ Intrinsic causal influence เพื่อวัดอิทธิพลเชิงสาเหตุที่แท้จริงของแคมเปญการตลาด ==> สิ่งนั้นคือการใช้เทคนิค Causal AI ค่ะ จากที่อธิบายไปในพาร์ทก่อนหน้าทั้งหมด เพื่อนๆ น่าจะเห็นความเชื่อมโยงระหว่างข้อมูลที่เป็นสาเหตุ และผลลัพธ์ ผ่านการเชื่อมโยงของโหนดที่เป็นกิจกรรมหรือแคมเปญที่เกิดขึ้น และการตอบสนองของลูกค้าที่เห็นแคมเปญ โดยมีขั้นตอนคร่าวๆ ที่เราจะมาอาศัยความสามารถของ AI ในการจัดการดังนี้ค่ะ
- ขั้นแรก สร้างกราฟเชิงสาเหตุ (DAG) เพื่อ Mapping ความสัมพันธ์ระหว่างตัวแปรต่างๆ โดยกราฟนี้จะรวมโหนดที่แสดงถึงปัจจัยต่างๆ เช่น ความต้องการ ค่าใช้จ่ายที่ลูกค้าจ่ายให้แบรนด์ ค่าใช้จ่ายทางสังคมอื่นๆ และรายได้ เป็นต้น
- เมื่อสร้าง DAG แล้ว จะสร้างข้อมูลเพื่อจำลองว่าตัวแปรเหล่านี้อาจส่งผลต่อกันอย่างไร ตัวอย่างเช่น ข้อมูลอาจแสดงให้เห็นว่าความต้องการสามารถส่งผลต่อ Organic Click ได้อย่างไร และการใช้จ่ายแบรนด์สามารถส่งผลต่อการส่งต่อในโซเชียลมีเดียได้อย่างไร
- จากนั้นเราจะมา Train Causal AI โมเดลในบทความนี้ใช้เป็น SCM จากข้อมูลที่จัดเก็บมา เพื่อเรียนรู้ความสัมพันธ์ระหว่างตัวแปรในกราฟเชิงสาเหตุหรือ DAG ของแคมเปญ
- และท้ายที่สุด จากการคำนวณอิทธิพลเชิงสาเหตุภายในของแต่ละโหนด ซึ่งการคำนวณนี้แยกแยะส่วนร่วมของค่าความผิดพลาด (Error และ noise) ในแต่ละโหนด เราจะได้สิ่งที่แสดงถึงผลกระทบแบบ Unique ของตัวแปรแต่ละตัวต่อตัวแปรเป้าหมาย (Y หรือ Label) ซึ่งก็คือรายได้ที่ได้จากแคมเปญการตลาดที่เราต้องการวัดอิทธิพลเชิงสาเหตุที่แท้จริง
ตัวอย่างโค้ดและการใช้งาน Causal AI สำหรับการวัดอิทธิพลเชิงสาเหตุที่แท้จริงของ Marketing Campaigns
และแล้วเราก็เดินทางมาถึงส่วนที่น่าสนใจที่สุด (สำหรับนิก) ของบทความนี้ นั่นคือการนำทฤษฎีการวัดอิทธิพลเชิงสาเหตุที่แท้จริงของ Marketing Campaigns มาใช้งานร่วมกับ AI กันค่ะ^^
เรามาลองสมมติกันดูค่ะว่า เราเป็น Marketer ที่ต้องทำการวิเคราะห์ว่าทำไมเราถึงวางแผนทุ่มเงินมากมายไปกับการตลาดในรูปแบบโทรทัศน์ เพื่อโปรโมทแบรนด์ แทนที่จะใช้ช่องทางทั้ง Organic หรือ social channels ในเมื่อลูกค้าส่วนมากเข้ามาผ่านช่องทั้งสองนี้มากกว่าโทรทัศน์!
และด้านล่างนี้คือตัวอย่างโค้ดที่เพื่อนๆ สามารถ Follow ตาม Link นี้ได้เลยค่ะ => การวัดอิทธิพลเชิงสาเหตุที่แท้จริงของแคมเปญการตลาด: Causal AI
จากกราฟผลลัพธ์ที่ได้ออกมา เป็นการบ่งบอกว่าอิทธิพลเชิงสาเหตุภายในเป็นแนวคิดที่สามารถใช้เพื่อประเมินผลเชิงสาเหตุของแคมเปญการตลาด โดยอาศัยแนวคิดที่ว่าค่าความผิดพลาดของแต่ละโหนดในกราฟเชิงสาเหตุสามารถใช้เพื่อคำนวณอิทธิพลของโหนดนั้นต่อโหนดเป้าหมายได้ หรือกล่าวง่ายๆ ค่ะว่า แนวคิดนี้แยกแยะส่วนร่วมที่เป็น Unique ของช่องทางการตลาดแต่ละช่อง แทนที่จะให้เครดิตทั้งหมดกับช่องทางสุดท้ายที่ลูกค้าคลิกค่ะ
Last but not Least…
โดยรวมแล้ว อิทธิพลเชิงสาเหตุภายในสามารถเป็นเครื่องมือที่มีประโยชน์สำหรับนักการตลาดที่ต้องการทำความเข้าใจผลกระทบที่แท้จริงของแคมเปญการตลาดที่เราสร้างหรือคิดขึ้นมา โดยการแยกแยะผลกระทบที่แตกต่างกันออกไปของแต่ละช่องทาง ซึ่งทำให้พวกเราชาวนักการตลาดสามารถหลีกเลี่ยงการประเมินค่าสูงเกินไปหรือต่ำเกินไปของกลยุทธ์การตลาดได้อย่างมีประสิทธิภาพ ซึ่งในบทความต่อในนิกจะมาอธิบายเพิ่มเติมเชิงลึกถึง Raw Data ที่เรา Provide ให้โมเดลในโค้ด และวิเคราะห์ผลลัพธ์จากโค้ดโดยละเอียดค่ะ^^
