Marketing Scientist ทำการตลาดแบบวิทยาศาสตร์ด้วย Experiment Driven Data

• Facebook
• X
• Line

“ไอเดียที่ดีคือไอเดียที่ผ่านการทดลองแบบวิทยาศาสตร์จนได้ผลเป็นที่ประจักษ์แล้วว่าผลลัพธ์ที่ได้นั้นดีจริงจนปฏิเสธไม่ได้” นี่คือสิ่งที่ผมคิดไว้ในหัวมานานแล้วว่าในโลกของการตลาด โลกของความคิดสร้างสรรค์​ โลกของการใช้ไอเดียขับเคลื่อนธุรกิจ หลายครั้งไอเดียที่น่าสนใจถูกขัดขวางปัดตกไปเพียงเพราะผู้พูดไม่ใช่คนมีตำแหน่งอำนาจในห้อง

ผมเลยคิดว่ามันคงจะดีถ้าวันนึงเราทำการตลาดแบบวิทยาศาสตร์ มีการทดสอบ ทดลอง ด้วยการทำ Experiment Driven Marketing เช่นผ่านการทำ A/B Test หรือ A/A Test ที่คุ้นเคยกัน นี่คือหนึ่งในแนวคิดการตลาดที่ผมเชื่อและอยากผลักดันให้เพื่อนๆ รู้จักกับคำว่า Marketing Scientist หรือนักวิทยาศาสตร์การตลาด ผู้ที่ทำการตลาดด้วยแนวคิดและวิธีการแบบวิทยาศาสตร์ที่ชอบการทดลอง ทำซ้ำ และใช้ Data เป็นตัวขับเคลื่อนการตัดสินใจครับ

ย้อนกลับไปในปี 2012 พนักงานคนหนึ่งในทีม Bing เครื่องมือ Search Engine ของ Microsoft เกิดไอเดียว่าถ้าเราลองปรับแต่งหน้าแรกของเว็บสักหน่อย เช่น อาจปรับข้อความหรือสีของตัวหนังสือบางส่วน หรือตำแหน่งภาพการแสดงผล อาจส่งผลให้ผู้ใช้งานใช้เว็บนานขึ้น บ่อยขึ้น หรืออาจนำไปสู่การคลิ๊กโฆษณาเยอะขึ้นที่ทำให้บริษัทได้กำไรมากขึ้นก็เป็นได้

แต่ไอเดียของพนักงานคนดังกล่าวถูกปัดตกจากทีมวิศวกรด้วยเหตุผลว่า งานในมือมีเยอะมากพออยู่แล้ว และก็ดูเหมือนว่าไอเดียการปรับแต่งหน้าเว็บเล็กๆ น้อยๆ ที่ว่าไม่น่าจะส่งผลอะไรต่อผู้ใช้งาน หรือเอาง่ายๆ คือไม่น่าจะส่งผลอะไรต่อบริษัทได้ขนาดนั้น

เวลาล่วงเลยไปนานถึง 6 เดือน ไอเดียของพนักงานคนนั้นไปเข้าหูทีมวิศวกรคนหนึ่งที่รู้สึกว่าจริงๆ แล้วการทำให้หน้าเว็บการค้นหาของ Bing ปรับแต่งเรื่องของสี เรื่องของข้อความ หรือเรื่องของขนาดเล็กๆ น้อยๆ ที่ไม่ได้กระทบต่อภาพใหญ่หรือภาพลักษณ์ CI ของ Bing นั้นใช้เวลาในการเขียน Code แค่แปบเดียว ไอเดียดังกล่าวจึงถูกหยิบขึ้นมาทำเพื่อทำให้ทีมงานที่มีไอเดียอยากปรับแต่งหน้าเว็บเล็กๆ น้อยๆ สามารถทำด้วยตัวเองได้ และนั่นคือจุดเริ่มต้นที่มาของรายได้ที่เพิ่มขึ้นหลายร้อยล้านดอลลาร์ จากการตลาดแบบวิทยาศาสตร์ หรือ Marketing Scientist ครับ

เพราะไม่มีใครในทีมคาดคิดว่าจากการสร้างเครื่องมือให้ทีมงานเอาไปลองทำ Experiment ปรับแต่งหน้าเว็บแค่เล็กๆ น้อยๆ จะสามารถทำให้รายได้จากการกดคลิ๊กโฆษณาเพิ่มขึ้นกว่า 12% ซึ่งถ้าเอามาคำนวนเป็นตัวเงินก็มากกว่าหนึ่งร้อยล้านดอลลาร์ และนั่นเป็นแค่รายได้แค่ในสหรัฐอเมริกาเท่านั้น ตอนแรกทีมงานเข้าใจผิดคิดว่าน่าจะเป็นแค่การแสดงผลหรือดาต้าที่ผิดพลาด แต่กลายเป็นว่าดาต้าที่ออกมานั้นไม่ได้ผิด ที่ผิดคือทุกคนคิดผิดว่าการปรับแต่งหน้าเว็บเล็กๆ น้อยๆ ไม่น่าจะส่งผลสลักสำคัญอะไรต่อรายได้ธุรกิจขนาดนั้นต่างหากครับ

ฉะนั้นจะเห็นว่าไอเดียที่ดีไม่จำเป็นต้องใหญ่ ต้องดูบิ๊กบึ้มอลังการ ไม่จำเป็นต้องมาจากผู้บริหารตำแหน่งใหญ่โต แต่ไอเดียที่ดีคือไอเดียที่ผ่านการทดสอบ Experiment เก็บ Data แล้วว่าดีจริง นี่คือการตลาดแบบวิทยาศาสตร์ที่แท้จริงที่จะกลายเป็นแก่นของการตลาดและธุรกิจนับจากนี้ไป

ทั้งหมดที่เล่ามาบอกให้รู้ว่าการจะทำ Experiment Driven Data เพื่อเอาดาต้าที่ได้ไป Driven Decision แบบ Marketing Scientist นั้นไม่ได้มีอะไรซับซ้อน จากวิธีการก็คือการทำ A/B Test ที่เราหลายคนคุ้นเคยกันเท่านั้นเอง แต่ประเด็นคือก่อนจะทำ A/B Test เพื่อเก็บ Data เราได้ทำการออกแบบ Design Experimentation ได้ดีพอแล้วหรือเปล่า เราได้ทำการทดสอบโดยไม่กลุ่มควบคุม และกลุ่มตัวแปรชัดเจนมั้ย เราได้ทำการเทสกับกลุ่มเป้าหมายที่มีความใกล้เคียงกันพอหรือไม่ เราได้ดูตัวแปรอื่นๆ ที่อาจส่งผลให้มี Bias ใน Data โดยไม่รู้ตัวหรือเปล่า และที่สำคัญคือเราได้เทสกับกลุ่มเป้าหมายที่มีจำนวนมากพอไปจนถึงได้ทำการทดสอบผลลัพธ์นั้นเพิ่มด้วยวิธีการ A/A Test หรือไม่

จะเห็นว่าประเด็นของการตลาดแบบวิทยาศาสตร์ไม่ใช่แค่การเก็บ Data ไป Driven Marketing หรือ Driven Decision แต่เป็นการออกแบบ Experimentation ว่าเราจะทำ Experiment-Driven Data อย่างไรให้ได้ผลลัพธ์ที่ลด Bias หรือ Error ให้มีน้อยที่สุด เพื่อให้ Data ที่ได้มานั้นนำไปใช้ตัดสินใจได้อย่างถูกต้อง แม่นยำ นี่คือหัวใจหลักของการทำ Marketing Science แบบ Marketing Scientist ครับ

A/B Test หัวใจสำคัญของการทำ Experiment-Driven Data

ก่อนจะมีการทำ A/B Test ในยุคดิจิทัลเป็นต้นมา การจะทดสอบไอเดียสักอย่างว่าดีไหมนั้นเป็นเรื่องที่ทั้งวุ่นวาย และก็มีค่าใช้จ่ายสูงมาก ยังไม่นับว่าต้องใช้เวลานานเหลือเกินกว่าจะรวบรวม Data กลับมาได้

ตัวอย่างเมื่อหลายสิบปีก่อนซุปกระป๋อง Campbell เองก็เคยทำการทดสอบว่าถ้าเพิ่มงบโฆษณาเข้าไป 50% จะทำให้ยอดขายเพิ่มขึ้นในสัดส่วนใกล้เคียงกันหรือเปล่า ในวันนั้นยังไม่มี Digital Marketing ไม่มี Digital Ads ที่ใส่เงินโฆษณาเข้าไปก็เห็นผลลัพธ์ยอดขายแทบจะในทันทีว่าคุ้ม ROAS มั้ย

พวกเขาต้องทำการเทสด้วยเงินจำนวนมากกับบางรัฐในสหรัฐอเมริกา แล้วก็ต้องรอเป็นเวลาหลายเดือนก่อนจะได้ข้อสรุปว่าการเพิ่มงบโฆษณาอีก 50% ไม่ได้ส่งผลต่อยอดขายมากพอขนาดนั้น พวกเขาก็เลยทำการหยุดงบโฆษณาไว้แค่นั้นแล้วก็ไปหาวิธีการอื่นเพื่อเพิ่มยอดขายแทน

แต่พอยุคดิจิทัลเข้ามาก็ทำให้การจะเทสไอเดียสักอย่างเป็นเรื่องที่ทั้งง่าย ไว แถมยังมีต้นทุนที่ต่ำมากจนแทบจะเป็นศูนย์ ทำให้บรรดาบริษัทเทคโนโลยีใหญ่ๆ หรือสตาร์ทอัพสายดิจิทัลทั้งหลายทำ Experiment ผ่าน A/B Test เพื่อเก็บ Data มาปรับปรุงบริการหรือสินค้าต่างๆ ให้ตรงกับ Customer Insight จริงๆ ในแบบที่ธุรกิจยุคก่อน หรือธุรกิจที่ไม่ใช่ดิจิทัลทำไม่ได้

เหมือนที่ Bing เจอว่าแค่ปรับค่าสีบางสีให้เข้มขึ้นสักนิด และบางสีให้อ่อนลงสักหน่อย ก็ส่งผลต่ออัตราการกดคลิ๊กโฆษณาเพิ่มขึ้นอย่างน่าแปลกใจ (เดี๊ยวจะเล่ารายละเอียดให้ฟังต่อครับ) แต่ต้องบอกว่าบริษัทเทคโนโลยีเหล่านี้เองทำการทดสอบเล็กๆ น้อยๆ หรือที่เรียกว่า Micro Experiment อยู่ตลอดเวลาปีนึงเป็นหมื่นๆ หรือพันๆ ครั้ง และที่สำคัญผู้ใช้งานอย่างเราก็ไม่มีโอกาสรู้ตัวเลยว่าเรากำลังถูกทดสอบฟีเจอร์ใหม่ๆ เพื่อเก็บดาต้าไปปรับปรุงบริการที่พวกเราเองก็ใช้งานของเขาอยู่

ส่วนบริษัทที่ไม่ใช่เทคโนโลยีหรือดิจิทัลโดยกำหนด เช่น ไม่ใช่ Facebook, Google, Microsoft หรืออื่นๆ ที่มีความเป็นดิจิทัลเองก็ทำ Experiment-Driven Data จากพวกเราอยู่เสมอ แต่จำนวนที่ทำอาจจะน้อยกว่านั้นมากเพราะด้วยพื้นฐานทางเทคโนโลยีหรือธุรกิจที่ไม่ได้เป็นดิจิทัลตั้งแต่ต้น อาจทำผ่าน Content หรือทำผ่านการ Analytics การใช้งานหลังบ้าน หรืออาจทำผ่าน Digital Media เพื่อทดสอบว่าเราชอบโฆษณา เนื้อหา โปรโมชั่น หรือฟีเจอร์อะไรมากกว่ากัน

ดังนั้นจะเห็นว่าหลายปีมานี้บริษัทต่างๆ ล้วนทำการทดลอง หรือทำการตลาดเพื่อเก็บดาต้าจากพวกเรากลับไปเสมอ ไม่ใช่แค่ Data-Driven Marketing อีกต่อไป แต่ทุกวันนี้โลกการตลาดกลายเป็น Marketing-Driven Data ด้วย

เพราะ Data-Driven Everything ดังนั้นจึงทำใช้ Experiment-Driven Everything ควบคู่กัน

บรรดาบริษัทและผู้บริหารส่วนใหญ่เห็นความสำคัญของ Data อย่างปฏิเสธไม่ได้ พวกเขารู้แล้วว่าจะตัดสินใจโดยไม่มีดาต้าไม่ได้ พวกเขาเลยมีแนวคิดว่าก่อนจะตัดสินใจอะไรจะต้องหา Data เรื่องนั้นมาเพื่อช่วยตัดสินใจก่อน

วันนี้หลายบริษัทผู้บริหารงดออกไอเดีย หรือลดการเป็นคนฟันธงไอเดียลูกน้องที่เอามาเสนอในห้องประชุมแล้ว สิ่งที่ผู้บริหารและบริษัทเหล่านี้ทำคือการเอาไอเดียเหล่านั้นไปเทสด้วย Experiment เพื่อเก็บ Data กลับมา มันเลยทำให้คนเป็นนักการตลาดจะต้องมีความเป็น Marketing Scientist เพราะต้องออกแบบการเก็บข้อมูลอย่างหลีกเลี่ยงไม่ได้

และด้วยแนวคิดนี้เองก็ทำให้บริษัทเทคโนโลยีทั้งหลายล้วนเติบโตต่อเนื่องหลายปีจนกลายเป็นบริษัทยักษ์ใหญ่จำนวนมาก ลำพัง Bing เองก็เติบโตด้วยการทำ Experiment ไอเดียต่างๆ อยู่ตลอดเวลาจนส่งผลให้โตขึ้นเฉลี่ยปีละ 10-25% พวกเขาทำการปรับแต่งโน่นนี่นั่นหน้าเว็บอยู่เรื่อยๆ โดยมีเป้าหมายหลักคือทำให้ผู้ใช้ติดใจแล้วก็กลับมาใช้งานอยู่เรื่อยๆ จากนั้นก็ทำให้ผู้ใช้อยากกดโฆษณามากขึ้นด้วยตัวเองเพราะนั่นคือหนึ่งในขุมทรัพย์ทำเงินของธุรกิจ Search Engine

แต่ก็อย่าลืมว่าไม่ใช่แค่ Bing ทำ แต่ทาง Google Search เองก็ทำยิ่งกว่า ส่วนเจ้าที่ไม่ได้ใส่ใจทำจริงจังก็หายไปจากท้องตลาดหมดแล้วทั้งที่ในความเป็นจริงก่อนหน้านี้เรามี Search Engine มากมาย แต่กลับเหลือถึงทุกวันนี้แค่ไม่กี่รายที่คนยังใช้อยู่ครับ

ในวันนี้ที่ทุกอย่างล้วนดิจิทัล หรือออนไลน์ต่ออินเทอร์เน็ตกันหมดแล้ว การทำ Experiment เพื่อเอา Data มา Driven Decision เลยกลายเป็นพื้นฐานการทำงานและการตัดสินใจทางธุรกิจในแง่มุมต่างๆ ตั้งแต่การเลือก Business Model ว่าแบบไหนดี กลยุทธ์ธุรกิจเราควรไปทิศทางไหน สินค้าหรือบริการเราควรปรับลดหรือเพิ่มฟีเจอร์ใดหรือไม่ ไปจนถึง Marketing Campaign เองก็ตาม

และนั่นคือที่มาของคำว่า Marketing Scientist นักการตลาดวันนี้ควรคิดแบบวิทยาศาสตร์ ไอเดียที่ดีคือไอเดียที่ทดสอบแล้วได้ผลดีจริงๆ ไม่ใช่แค่ฟังดูว้าว ดูทึ่ง ดูน่าอึ้งแบบเดิมอีกต่อไป และเอาเข้าจริงผมว่าไม่ใช่แค่ Marketing หรอกที่ควรคิดแบบวิทยาศาสตร์มากขึ้น แต่ควรเป็นทุกทีม ทุกคนในองค์กร ไม่ว่าจะเป็นพนักงานขาย ก็ต้องเริ่มคิดแล้วว่าตกลงวิธีการคำพูดแบบไหนกันแน่นะที่ทำให้ลูกค้าตัดสินใจซื้อมากกว่ากัน

โดยเฉพาะคนที่เป็นผู้บริหาร เจ้าของธุรกิจเองยิ่งต้องใช้ Scientific-Driven Organization ใช้หลักคิดแบบวิทยาศาสตร์ในการขับเคลื่อนองค์กรและธุรกิจให้มากขึ้น งดการคิดเองเออเอง ลดการใช้ความรู้สึกหรือประสบการณ์ส่วนตัวในการตัดสินใจอย่างที่เคยเป็นมา เพราะในอดีตที่ผ่านมาก่อนเราจะเข้าถึง Data ได้ง่ายๆ แบบทุกวันนี้ เรามักเผลอเลือกไอเดียที่ฟังดูดีมากแต่ผลลัพธ์ออกมาแย่เป็นประจำ จนทำให้เกิดค่าใช้จ่ายที่สูญเปล่าไปมากมาย ยังไม่นับรวมถึงการเสียเวลาที่มีมูลค่าสูงที่สุดของการทำธุรกิจอีกด้วยครับ

เจาะลึก A/B Test คืออะไร ทำอย่างไร และต้องระวังอะไรบ้าง

A/B Test หรือ A/B Testing ที่นักการตลาดหลายคนคุ้นเคยกัน แต่ก็อาจยังมีบางส่วนที่เข้าใจไม่ครบถ้วน ดังนั้นถ้าใครอยากจะเป็นนักวิทยาศาสตร์การตลาด Marketing Scientist ก็ลองมาทำความเข้าใจด้วยกันไปอีกสักครั้ง เผื่อมีบางแง่มุมที่หลุดรอดไป เพื่อที่เราจะได้เป็นนักการตลาดที่เก็บดาต้ามาช่วยตัดสินใจได้อย่างถูกต้องกัน

คอนเซปแนวคิด A/B Test คือการทดสอบด้วยสองตัวแปรตามชื่อเป็นอย่างน้อย A คือตัวแปรหลักที่เป็นอยู่เดิม ส่วน B คือตัวแปรทดสอบ ต้องการเทสไอเดียว่าจะทำให้ตัวแปรตามหรือผลลัพธ์ดีขึ้นหรือแย่ลง เช่น เดิมทีแบรนด์เฟอร์นิเจอร์แห่งหนึ่งทำโปรโมชั่น ซื้อครบ 1,000 ลด 200 บาท และส่งโปรโมชั่นนี้ให้ลูกค้าทาง SMS เท่านั้น ทีมการตลาดคนหนึ่งต้องการทดสอบว่าถ้าเราเปลี่ยนข้อความ แต่ไม่เปลี่ยนส่วนลด โปรโมชั่นนี้จะดีขึ้นหรือไม่

A. ตัวแปรหลัก คือข้อความการตลาดเดิมที่ใช้มา “ซื้อครบ 1,000 ลด 200 บาท”
B. ตัวแปรทดสอบ คือข้อความใหม่ที่อยากเทส “ลด 20% เมื่อซื้อครบ 1,000 บาท” ส่วนตัว

และตัวแปรควบคุมของการทำ Experiment ครั้งนี้คือ SMS ช่องทางการตลาดที่ส่งให้ลูกค้า ไปจนถึงกลุ่มเป้าหมาย Segmentation ที่ได้รับต้องมีความใกล้เคียงกันทั้งในแง่ของพฤติกรรมการซื้อ สถานที่อยู่อาศัย อาจควบคุมไปถึงอายุ และเพศ ถ้าวิเคราะห์มาแล้วว่าสองตัวแปรนี้มีผลต่อการซื้อที่แตกต่างกัน

เมื่อทำการทดสอบไปจนครบช่วงเวลาที่กำหนด อาจให้โปรโมชั่นส่วนลดนั้นมีอายุ 1 เดือนนับจากวันที่ได้รับ ก็มาสู่ตัวแปรตาม หรือผลลัพธ์ Data ที่ได้ว่าตกลงแล้วยอดซื้อที่เกิดขึ้นจากข้อความการตลาดแบบใหม่เพิ่มขึ้น หรือลดลง หรือไม่ได้แตกต่างอย่างมีนัยสำคัญ

ถ้าผลลัพธ์ดีขึ้นอย่างเห็นได้ชัดก็จึงเอาไอเดียข้อความการตลาดแบบใหม่ไปประยุกต์ใช้กับกลุ่มลูกค้าส่วนใหญ่ต่อไป นี่แหละครับคอนเซปของ A/B Test เบื้องต้น

แต่ทีนี้ A/B Test ไม่ได้มีแค่ A กับ B ตามชื่อเท่านั้น แต่ยังสามารถมีไปได้ถึง C D E F G หรือ Z ไปจนถึงหลายสิบหลายร้อยตัวแปรเป็นต้น อย่างเคสที่ผมเคยเขียนถึงเรื่อง Obama กับทำ Experiment-Driven Data ว่าควรเลือกภาพและข้อความแบบไหนจนทำให้ได้รับเงินบริจาคเพิ่มขึ้นกว่าสองพันล้านบาท (คลิ๊กอ่านได้ที่นี่)

จากเคสของ Data Driven Obama จะเห็นว่าพวกเขาทำกันเทสมากถึง 24 ตัวแปรทั้งรูปภาพและข้อความที่ควรใช้ เมื่อได้ดาต้ามาแล้วก็จึงเอามาปรับเป็นกลยุทธ์หลักในการเลือกทำ Marketing Communication ทั้งหมดออกไป จากภาพนักการเมืองที่ดูจริงจัง กลายเป็นลุคผู้ชายอบอุ่นรักครอบครัวเหมือนคนทั่วไป

หรือแม้แต่เคสผมเองที่ใช้ Data เลือกชื่อและสีของหน้าปกหนังสือตั้งแต่ปี 2020 ซึ่งน่าจะเป็นเคสแรกของไทย (เพราะยังไม่เคยได้ยินคนอื่นเคลมว่าทำมาก่อนผมนะครับ แต่ถ้ามีคนทำแบบนี้มาก่อนก็ช่วยบอกด้วยผมจะได้แก้ไขข้อความให้) จากชื่อที่ผมไม่ชอบ สีที่ผมไม่เก็ตว่าสวยยังไง กลายเป็นชื่อที่ทำให้หนังสือขายดีจนมีการพิมพ์ซ้ำกว่า 6 ครั้งแล้ว รออ่านได้ในตอนต่อไปครับ

ซึ่งทั้งหมดนี้ก็ล้วนแต่ใช้คอนเซป A/B Test เพียงแต่อาจจะทำ A/D Test หรือ A/Z Test ก็ว่าไป ประเด็นหลักอย่ายึดติดกับชื่อว่าจะต้องมีแค่ A กับ B สองตัวแปรเท่านั้น แต่มันสามารถไปได้หลายตัวแปรในการทดสอบเพื่อเก็บดาต้าเอามาใช้ตัดสินใจว่าควรทำอย่างไรต่อไปครับ

Facebook เองก็มีการทำ Experiment ทดสอบปุ่ม Like รูปแบบต่างๆ อยู่ตลอดเวลา ถ้าเราพอจำได้จะรู้ว่าหน้าตาปุ่ม Like ของ Facebook เองมีการเปลี่ยนแปลงไปเยอะมาก ยังไม่นับว่าจากเดิมมีแค่ปุ่ม Like มาสู่ปุ่มแสดง Emotion แบบอื่นๆ เพิ่มเติมอย่าง Love, Care, Haha, Wow และก็ Angry จนล่าสุดปลายปี 2025 ก็มีคนสังเกตพบว่า Facebook นำปุ่ม Dislike ในคอมเมนต์เข้ามาเพิ่มแล้วสำหรับผู้ใช้งานบางคน

ซึ่งก็แน่ใจได้ว่าถ้าผลลัพธ์การใช้งานปุ่ม Dislike กับผู้ใช้งานที่ถูกทดสอบออกมาดีในแง่ว่ามีการใช้ Facebook นานขึ้น แสดงออกผ่านการคอมเมนต์หรือ Engagement ต่างๆ เยอะขึ้น ปุ่ม Dislike ที่ดูสร้างความแตกแยกในสังคมก็จะถูกนำมาใช้กับผู้ใช้งาน Facebook ทั่วโลกแน่นอน เพราะอย่าลืมว่า Business Model ของ Facebook หรือ Digital Platform ส่วนใหญ่ล้วนมาจากจำนวนโฆษณาที่ขายได้มากขึ้นจากการที่คนเห็นเยอะขึ้น ก็มาจากการที่คนใช้งานแพลตฟอร์มดังกล่าวเยอะขึ้นนั่นเอง

ถ้าเป็นเว็บอีคอมเมิร์ซขายของออนไลน์เองก็อาจทำ Experiment ด้วย A/B Test เพื่อดู Data ว่าสำหรับกลุ่มคนที่เพิ่งกด iPhone ใหม่ใส่ตะกร้าไป ถ้านำเสนอสินค้าตัวไหนจะทำให้พวกเขากดใส่ตะกร้าเพิ่มขึ้นอีก

A. หูฟังแบบเดิมๆ ที่ทำมาตลอด
B. Power Bank แบบ MacSafe
C. ประกันเครื่องและหน้าจอเพิ่มอีก 2 ปี
D. เคส
E. iPhone ใหม่อีกเครื่อง

เป็นต้น จากนั้นก็อาจไม่ได้ผลดู Data แค่ว่าไอเดียสินค้าขายเสริมตัวไหนมีคนกดซื้อมากที่สุด แต่อาจต้องดูในแง่ของกำไรสุทธิของสินค้าตัวนั้นแทน เพราะสินค้าบางตัวแม้ขายได้น้อยชิ้นกว่าแต่ทำกำไรต่อชิ้นได้เยอะกว่า แบบนี้เป็นต้น

ถ้าคุณลองสังเกตดีๆ จะพบว่าพวกแพลตฟอร์มอีคอมเมิร์ซขายของออนไลน์นี่แหละตัวเทพแห่งการทำ Experiment-Driven Data เลย ทีม Marketing Scientist ทำการทดสอบสลับว่าถ้าโปรส่วนลดอยู่หน้าแรกกับหน้าสุดท้าย หน้าไหนทำให้คนตัดสินใจซื้อมากกว่ากัน หรือระหว่างลูกค้าประจำ กับลูกค้าใหม่ ใครยอมซื้อสินค้าเดียวกันในราคาแพงกว่าโดยไม่รู้ตัว (ส่วนใหญ่เป็นลูกค้าประจำที่มักได้ราคาที่แพงกว่าลูกค้าใหม่ครับ)

และข้อได้เปรียบของแพลตฟอร์มเหล่านี้คือพวกเขามีคนให้ทดสอบไอเดียเป็นล้านๆ คน เรียกได้ว่าคิดอะไรก็ลองทดสอบได้เลย ข้อดีของแพลตฟอร์มที่มีผู้ใช้งานจำนวนมากในวันนี้จึงไม่ใช่แค่ทำเงินได้มากกว่า แต่ยังหมายถึงโอกาสในการเก็บ Data เพื่อเอาไปปรับปรุงหรือต่อยอดธุรกิจให้แข็งแรงยิ่งกว่าเดิมได้ไวขึ้นครับ

ดังนั้นถ้าเรามีช่องทางอะไรของตัวเอง ไม่ว่าจะเว็บ แอป โซเชียลมีเดีย หรือแม้แต่การยิงแอดก็ตาม เริ่มคิดหาทางของช่องทางเหล่านั้นมาทำ Experiment เพื่อเก็บ Data อย่าทำการตลาดเพียงแค่หวังผลเป้าหมายทางการตลาด แต่ต้องหวังผลเรื่องการเก็บดาต้าเพื่อเอามาต่อยอดธุรกิจทุกด้านด้วยครับ

แล้วคุณจะเป็นนักวิทยาศาสตร์การตลาด Marketing Scientist คนที่เข้าใจเหตุและผล แล้วก็รู้จักฉลาดเก็บและใช้ดาต้าด้วยครับ เพราะธุรกิจวันนี้แข่งกันที่ความไวและฉลาด ก็เหมือนกับที่เขาเคยบอกว่า “ปลาเร็วกินปลาช้า” แต่ผมคิดว่าทุกวันนี้ “ปลาที่ฉลาดจะขยับไปกินปลาช้าและโง่ได้ง่ายขึ้น” และการทำการตลาดให้เป็นวิทยาศาสตร์แบบนี้จะทำให้ปลาทุกตัว หรือพนักงานทุกคนในองค์กรเรายึดครองตลาดได้เหมือนปลาหมอคางดำสบายๆ

แต่การจะทำให้บริษัทเราทำการตลาดแบบวิทยาศาสตร์ หรือ Marketing Science ได้ก็ต้องอาศัยเครื่องไม้เครื่องมือ Marketing Technology ที่เหมาะสมด้วย เพื่อให้การทดลองไอเดียของทีมงานเป็นเรื่องง่ายและทำได้ไว พวกเขาจะได้ค้นพบไอเดียที่ทำกำไรได้ไวด้วยการข้ามผ่านไอเดียที่ไม่เวิร์คไวขึ้น

และท้ายที่สุดอำนาจการตัดสินใจว่าจะทำ Experiment เพื่อเทสไอเดียไหนบ้างไม่ควรมาจากผู้บริหารระดับสูงข้างบน แต่ควรเป็นหน้าที่การตัดสินใจจากคนหน้างานให้มากที่สุด ลดลำดับขั้นตอนการอนุมัติการทดสอบออกไปให้ได้เยอะที่สุด เพื่อให้ทุกอย่างเป็นไปอย่างรวดเร็วและราบรื่นครับ

สรุป Marketing Scientist: How to Think, Test and Decision Like a Data-Driven Marketer วิทยาศาสตร์การตลาด วิธีการเป็นนักการตลาดที่เหนือกว่าด้วยดาต้า

จากการตลาดที่เคยเน้นไอเดีย เน้นประสบการณ์ หรือการใช้ดาต้าแบบผิวเผิน มาสู่การตลาดที่ใช้หลักคิดแบบวิทยาศาสตร์เข้ามาทำการทดสอบ ทดลอง วัดผล เก็บข้อมูล แล้วจึงนำมาสู่การตัดสินใจ

ไอเดียที่เคยดูไม่น่าเชื่อว่าจะเวิร์ค อาจค้นพบว่าทำให้ธุรกิจเติบโตอย่างไม่น่าเชื่อได้ ไอเดียที่เคยคิดว่าจะดี อาจส่งผลเสียอย่างไม่คาดคิด ทั้งหมดนี้ไม่ใช่เรื่องใหม่ แต่มันคือการทำ Experiment-Driven Data หรือทดลองเพื่อเก็บดาต้าเอามาใช้ตัดสินใจเชิงกลยุทธ์ต่อ

ด้วยคอนเซปแนวคิดการทำ A/B Test ที่สามารถเอามาใช้ประโยชน์ได้แบบที่น้อยคนนักจะทำถึง สำคัญคือการวางกรอบการทดลอง Experiment ให้ดีว่าทำอย่างไรถึงจะได้ Data ที่มี Bias หรือ Error น้อยที่สุดเท่าที่จะเป็นไปได้

สำคัญกว่านั้นคือการเอามาทดลองทำซ้ำด้วยแนวคิด A/A Test ว่าผลลัพธ์ที่ได้จะยังคงไม่แตกต่างจากเดิมมากนัก เพราะไม่อย่างนั้นอาจเป็นแค่ Error ที่ไม่อาจนำไปใช้ตัดสินใจเชิงกลยุทธ์ต่อได้

ในบทความตอนหน้าผมจะพาไปเจาะลึกถึงการทำ Experiment-Driven Data ของ Mircosoft ที่แค่ปรับนิดเดียวส่งผลให้ Conversion เพิ่มขึ้นถึง 9 เท่า กับการตลาดแบบวิทยาศาสตร์ Marketing Science ครับ

Source: https://hbr.org/2017/09/the-surprising-power-of-online-experiments

• Facebook
• X
• Line