10 Data Driven Marketing Trends 2025 รวมเทรนด์การตลาดแบบฉลาดใช้ดาต้าในยุค AI

10 Data Driven Marketing Trends 2025 เทรนด์การตลาดแบบฉลาดใช้ดาต้า

แม้กระแส AI จะมาแรงมาในปี 2024-2025 แต่อย่าลืมว่า AI จะฉลาดได้ก็ต้องอาศัย Data Fundamental ที่ดีด้วย เหมือนที่เขาบอกว่า Garbage in Garbage out ใส่อะไรเข้ามาก็ย่อมได้แบบนั้นออกไป AI จะตอบคำถามได้ดีแค่ไหนก็ขึ้นอยู่กับว่าคุณป้อน ​Data ที่ดีให้มันหรือเปล่า วันนี้เลยจะมาอัปเทรนด์การตลาดแบบฉลาดใช้ดาต้าในปี 2568 หรือ 10 Data Driven Marketing Trends 2025 กันว่ามีอะไรใหม่ที่เรายังไม่รู้ และสามารถทำได้เลยบ้างครับ

โลกทุกวันนี้ถูกขับเคลื่อนด้วย Data Driven แบบ Real-Time นั่นหมายความว่าจากเดิมต้องรอให้มีใครสักคนมาวิเคราะห์ข้อมูลก่อนจะตัดสินใจทำการตลาดออกไป มาสู่การทำ Real-Time Analytics ด้วย AI ส่งผลให้ Customer Experience Seamless หรือยกระดับจากการตลาดแบบรู้ใจ Personalization ไปสู่การตลาดแสนรู้ใจ Hyper-Personalization

บวกกับโลกทุกวันนี้ถูกขับเคลื่อนด้วย Synthetic Data หรือที่เรียกว่าดาต้าสังเคราะห์ที่ถูก AI สร้างขึ้นมาอีกที เช่น เราอยากสัมภาษณษ์กลุ่มเป้าหมายที่เป็นผู้หญิงอายุ 25 ปี ที่กำลังเลี้ยงลูกน้อยอายุไม่ถึง 1 ขวบเป็นครั้งแรกในชีวิต จากเดิมยากมากกับการที่จะเข้าถึงคนคนนี้ได้ แต่ทุกวันนี้คุณสามารถสั่งให้ Generative AI อย่าง ChatGPT จำแลงทำตัวเป็นร่างทรงของคนที่คุณอยากสัมภาษณ์ด้วยในเวลาไม่กี่วินาที จากนั้นจะถามอะไรก็ถามได้โดยไม่ต้องกังวลว่าจะไปกระทบกระเทือนต่อจิตใจหรือเปล่า

เรื่องนี้ช่วยลดปัญหาเรื่องการละเมิดความเป็นส่วนตัวหรือ PDPA ที่เป็นปัญหาคาราคาซังในใจนักการตลาดมานาน และนั่นก็จะยิ่งทำให้ Personal Data มีมูลค่าและคุณค่าเพิ่มมากขึ้นกว่าทุกปีที่เคยผ่านมา ผู้บริโภคอย่างเราๆ จะสามารถควบคุมการไหลเวียนของ Personal Data ด้วยตัวเองได้ว่าจะให้ใครเข้าถึงได้เท่าไหร่ จะปิดการเข้าถึงข้อมูลส่วนบุคคลเราตอนไหน โดยไม่ต้องเอาข้อมูลส่วนตัวของเราที่เป็นข้อมูลเดียวกันไปเก็บไว้กับบริษัทละชุดเหมือนที่เคยเป็นมาอีกต่อไป

จากนั้นก็จะเป็นเรื่องของ AI และ Data Science ที่จะง่ายในระดับที่ทุกคนสามารถใช้ข้อมูลได้อย่างเต็มที่มากขึ้น จากเดิมการจะใช้ดาต้าให้เกิดประโยชน์เต็มที่จะต้องอาศัยผู้เชี่ยวชาญเฉพาะทางอย่าง Data Scientist เท่านั้น แต่ด้วยความสามารถของ AI ทำให้การใช้ Data เป็นเรื่องที่ง่ายอย่างมาก มากจนไม่ต้องเข้าใจเรื่องเทคนิคคณิตศาสตร์หรอสถิติมาก ก็สามารถบิดหา Insight จาก Data ได้เต็มๆ

ท้ายสุดคือเรื่อง Data Democratization หรือประชาธิปไตยในดาต้าของเราแต่ละคนจะกลายเป็นประเด็นใหญ่ของโลกนับจากนี้ไป สิ่งนี้จะเปลี่ยนแปลงทุกอย่างที่เป็นอยู่ในแบบที่ไม่เคยเกิดขึ้นมาก่อน

และนี่ก็เป็นแค่การเกริ่นก่อนเข้าสู่ 10 Data Driven Marketing Trends 2025 รวมเทรนด์การตลาดแบบฉลาดใช้ดาต้าสิบอย่างที่กำลังจะเกิดขึ้นนับจากนี้ไปครับ

1. จาก Data Analytics สู่ ChatGPT Analytics Data

เดิมการจะวิเคราะห์ข้อมูลหาอินไซด์ หรือที่เรียกว่าการทำ Data Analytics นั้นไม่ง่าย เพราะต้องใช้คนที่มีความรู้อย่าง Data Scientist หรือคนที่มีความเข้าใจเรื่องโปรแกรมพวก Power BI ที่สามารถทำ Data Visualization ได้ บวกกับเข้าใจพวก Stat หรือสถิติพื้นฐาน เพื่อรู้ว่าจะเรียกดูข้อมูลแบบไหน

ทำให้ไม่ใ่ชทุกคน ทุกทีม หรือทุกบริษัท จะสามารถ Analytics หา Insight in Data ได้ แต่พอเครื่องมืออย่าง ChatGPT ถือกำเนิดขึ้นมาก็ทำให้การทำ Data Analytics เป็นเรื่องง่ายขึ้นมาก จากเดิมต้องมีความรู้เรื่อง Technique เหลือแค่สามารถตั้งคำถามได้ดีแบบ Data Thinking เป็นก็สามารถรีดเค้นหา Insight in Data ได้แล้ว

เราไม่ต้องเรียนรู้การใช้โปรแกรม Analytics หรือ Visualization ให้วุ่นวายแบบก่อน เราแค่สามารถพิมพ์ถามด้วยภาษามนุษย์ หรือเหมือนคุยแชทกับ AI สักตัวเสมือนมีคนที่เป็น Data Analytics หรือ Data Scientist อยู่ด้านหลังหน้าจอแชทอีกฝั่ง เพียงเท่านี้คุณก็จะได้เห็นกราฟ เห็นภาพ Insight ต่างๆ ที่ต้องการ ถ้าใครยังไม่สามารถเห็นในสิ่งที่ต้องการได้ก็แค่ต้องฝึกการตั้งคำถามสั่ง AI ให้ดีขึ้นกว่าเดิม

และจากความสามารถของ Generative AI หรือ ChatGPT ก็ส่งผลให้ทุกคนสามารถทำ Data Analytics แบบง่ายๆ ถึงระดับกลางด้วยตัวเองได้ จากเดิมกว่าจะขอความช่วยเหลือจากทีม Data อาจต้องใช้เวลาตั้งแต่ 1 สัปดาห์ไปถึง 1 เดือนถึงจะได้คำตอบ ทุกวันนี้สามารถหาคำตอบด้วยตัวเองได้ในไม่กี่นาที หรือวินาที ส่วนอันไหนที่ยากก็ค่อยไปรบกวนทีมดาต้าอีกที เรียกว่าลดโหลดการทำงานลงไปได้เยอะมากครับ

เรื่องนี้ส่งผลให้กระบวนการตัดสินใจเร็วขึ้น บวกกับต้นทุนการสร้างทีมดาต้าที่ลดลง เพราะนอกจากพนักงานส่วนใหญ่จะสามารถทำ Data Analytics เองได้ ก็ยังลดการจ้าง Data Scientist ลงไปคบคู่กัน

แล้วยิ่งคุณรีดความสามารถจาก AI ให้มันทำ Automated Analytics มาอัปเดท Insight ใหม่ๆ ให้คุณได้อย่างทันท่วงทีหรือที่เรียกว่า Real-time ก็ยิ่งทำให้คุณสามารถปรับกลยุทธ์การตลาดได้ทันใจจากที่เคยทำได้แค่การตลาดแบบรู้ใจ Personalization ผิวเผิน มาสู่การตลาดแสนรู้ใจ Hyper-Personalization ได้ไม่ยาก

คุณลองคิดภาพว่าถ้าคุณเปิดร้านอาหารแล้วมีข้อมูลการขายอยู่ในเครื่อง POS จากเดิมต้องจ้างคนมาทำ Dashboard เพื่อหา Insight อาจมีค่าใช้จ่ายเดือนละ 2-3 หมื่นต่อคนสำหรับเลเวล Junior มาวันนี้ทีมการตลาดคนเดิม หรือคนที่ดู Digital Marketing ของคุณสามารถใช้ ChatGPT ช่วยทำ Analytics ให้ตามคำสั่ง Prompt ที่ตัวเองอยากรู้

ทีมการตลาดคนนั้นอาจถาม ChatGPT หลังจากโยนดาต้าการขายจาก POS เข้าไปว่า “ช่วยหาให้หน่อยว่าเมนูประเภท “ยำ” ในพื้นที่กรุงเทพกับปริมณฑลนั้นเป็นอย่างไร” หรือ “เมนูประเภทเครื่องดื่มร้อนขายดีในช่วงเวลาไหนในแต่ละพื้นที่”

จากเดิมต้องเสียเวลาทำ Dashboard อาจจะหลักหลายสิบนาทีไปจนถึงชั่วโมง แต่ว่าตอนนี้สามารถจบได้ในเวลาไม่กี่วินาที หรือสองสามนาทีก็รู้เรื่องแล้ว

หรือถ้าคุณเปิดร้านสะดวกซื้อขายของชำก็สามารถโยน Data การขายเข้าไปให้ ChatGPT ช่วยหา Insight ให้ได้ แต่สำคัญคือการตั้งคำถามของคุณว่าคุณถามมันได้ฉลาดหรือไม่ เช่น คุณอาจถามว่า “สินค้ากลุ่มครีมทาหน้าขายดีในช่วงไหนของเดือน แล้วก้ช่วยเปรียบเทียบให้ดูแต่ละสาขาออกมาเป็นกราฟแบบ Line Chart ให้หน่อย”

แล้วคุณก็อาจสั่ง ChatGPT เพิ่มอีกหน่อยว่า “ช่วยแนะนำโปรโมชั่นกระตุ้นยอดขายครีมทาหน้าในพื้นที่ที่ขายไม่ดีให้หน่อยว่าควรทำการตลาดอย่างไร”

เพียงเท่านี้ก็เพียงพอที่คุณจะเห็น Insight และได้ Idea ที่นำไปสู่การตลาดแบบฉลาดใช้ดาต้าที่สะดวกรวดเร็วกว่าเดิมมาก

หรือถ้าคุณเป็นกลุ่มธุรกิจประเภทไม่ได้ขายสินค้าแต่เน้นการให้บริการอย่างโรงพยาบาล หรือคลินิก คุณอาจโยน Data เข้าไปแล้วตั้งคำถามกับ ChatGPT ว่า “ลูกค้าชอบมาใช้บริการตรวจสุขภาพช่วงไหนของปีมากที่สุด แสดงผลออกมาเป็น Column Chart รายเดือนให้ดูหน่อย”

เพียงเท่านี้คุณก็จะเห็นกราฟจำนวนการใช้บริการตรวจสุขภาพในแต่ละเดือนตลอดทั้งปี แล้วคุณก็ค่อยไปเอาปรับใช้กับการทำโปรโมชั่นเพื่อดึงคนให้มาใช้บริการมากขึ้น หรือมาใช้บริการไวขึ้นเพื่อลดโหลดการทำงานของพนักงาน หรือแม้แต่เอาไปใช้ Optimization การจัดสรรเจ้าหน้าที่ให้บาลานซ์ในช่วงที่พีคครับ

แนวทางการปรับตัวเพื่อเตรียมพร้อมกับเทรนด์นี้

1. อัปสกิลเรื่อง Data Thinking การตั้งคำถามกับดาต้า

เมื่อเราเห็นแล้วว่าการทำดาต้าเป็นเรื่องง่ายขึ้นกว่าเดิมมาก แทบไม่ต้องใช้ทักษะที่เป็น Hard Skill หรือ Technical Skill แบบเดิมสักเท่าไหร่ เมื่อใครๆ ก็สามารถใช้ ChatGPT หรือ ​AI ช่วยวิเคราะห์ดาต้าที่มีให้ได้ เราจึงไปแข่งกันว่าใครจะตั้งคำถามจากดาต้าที่มีแบบ Data Thinking ได้ดีกว่ากัน

เพราะคำถามสำคัญกว่าคำตอบ แต่สมัยก่อนทักษะการหาคำตอบอย่างพวกการทำ Analytics หรือ Visualization ยังสำคัญไม่แพ้กัน แต่พอมาวันนี้ทักษะการทำเองดูจะลดความสำคัญลงไปมาก ดังนั้นจึงขึ้นอยู่กับว่าใครตั้งคำถามกับดาต้าได้ดีกว่ากันครับ

2. Data Driven Culture สร้างวัฒนธรรมการใช้ดาต้าตอบคำถาม

การใช้ดาต้าจะไม่เกิดถ้าผู้บริหารไม่ผลักดันให้เป็นหนึ่งในวัฒนธรรมองค์กร ครั้นจะพูดแต่ลมปากและทำเป็นภาพสวยๆ แปะหน้าออฟฟิศก็ไม่ช่วยเช่นกัน สำคัญคือต้องมีการออกแบบขั้นตอนการทำงานประจำวันให้มีการใช้ Chat Analytics Data แทรกเข้าไปในเนื้องานเดิม หรือแม้แต่เพิ่มงานใหม่

อย่าลืมว่าวัฒนธรรมมาจากการกระทำ ถ้าไม่สร้างโอกาสให้คนได้ทำสิ่งนั้นทุกวัน ก็อย่าหวังว่าสิ่งนั้นจะกลายเป็นวัฒนธรรมองค์กรครับ

ดังนั้นต่อไปนี้ทุกเช้าวันจันทร์ที่มีมีตติ้งอัปเดทงาน ทุกคำถามต้องถูกตอบด้วยดาต้า จะไม่มีการประมาณกะๆ ทุกคนต้องสามารถใช้ ChatGPT ช่วยทำ Data Analytics ได้ แล้วองค์กรคุณจะใช้ Data Driven ได้ไวขึ้นมากครับ

สรุป Data Driven Marketing 2025 เทรนด์ที่ 1 ChatGPT Analytics Data

เมื่อการทำ Data Analytics หา Insights จะกลายเป็นเรื่อง Automated ในเร็ววันด้วยความสามารถของ ChatGPT หรือ Generative AI ที่ทำให้ใครๆ ก็สามารถหา Insight ใน Data ด้วยตัวเองได้ด้วยการพิมพ์ถาม เหมือนกับการแชทถามกับ Data Analyst หรือ Data Scientist ของบริษัทคนเดิม แต่ที่ง่ายกว่าเดิมคือคุณสามารถถาม ChatGPT ที่เป็น Analyst ได้ตลอด 24/7​ โดยไม่ต้องกลัวว่าจะโดนบ่นหูชาถึงเรื่อง Work Life Balance ครับ

2. Synthetic Data Driven Marketing เมื่อดาต้าสังเคราะห์กลายเป็นดาต้าหลักที่ขับเคลื่อนการตลาด 2025

Synthetic Data หรือข้อมูลสังเคราะห์ที่ AI สร้างขึ้น (อ่านบทความเรื่อง Synthetic Data ในการตลาดวันละตอนก่อนอ่านต่อ) แรกเริ่มเดิมทีดูมีความน่ากังวลว่าข้อมูลเหล่านี้จะน่าเชื่อถือมากแค่ไหน กลายเป็นว่าเทรนด์การใช้ Synthetic Data กลายเป็นที่พูดถึงมากสำหรับนักการตลาดสายดาต้าทุกวันนี้

เพราะในวันที่ผู้บริโภคส่วนใหญ่หวงแหนความเป็นส่วนตัว Privacy นักหนา ส่งผลให้นักการตลาดอย่างเรามี Personal Data ให้ใช้กันน้อยมาก ทำให้การใช้ Synthetic Data จากการถาม ChatGPT หรือ Generative AI เฉพาะทางที่เก่งเรื่องนี้กำลังได้รับความนิยมเพิ่มขึ้น

เพราะอย่าลืมว่า AI ก็เรียนรู้จาก Personal Data หรือ Customer Data จำนวนมากมายมาอีกที แล้วพวกมันเอาก็สิ่งที่มันเรียนรู้นี้มาตอบคำถามพวกเราอีกที แม้จะไม่แม่นยำ 100% แต่กว่า 80-90% ก็อยู่ในระดับที่น่าเชื่อถือพอจะอ้างอิงได้

จากเดิมการจะเอา Customer Data มาทำ Analytics วิเคราะห์เรียนรู้พฤติกรรมต่างๆ ต้องขออนุญาตทั้งจาก PDPA หรือ GDPR มากมาย แถมคนที่จะเข้ามาทำหน้าที่ Analytics นั้นก็ต้องผ่านการตรวจสอบอย่างเข้มข้น ส่งผลให้การวิเคราะห์ข้อมูลคนจริงๆ แต่ละครั้งเต็มไปด้วยเงื่อนไขอุปสรรคนานับประการ

แต่วันนี้เราสามารถให้ Generative AI ทำตัวเป็นร่างทรงตอบคำถามเราตรงๆ ในสิ่งที่เราอยากรู้โดยไม่ต้องกดดัน และเทรนด์นี้ก็ส่งผลให้บริษัทวิจัยผู้บริโภคหรือ Consumer Research เดิมกำลังเจอ New S Curve ของธุรกิจใหม่ด้วยการเอา Data ที่มีมากมายจากการเก็บผ่านแบบสอบถามงามวิจัย มาใช้สร้าง Digital Twin ให้แต่ละ Persona ที่นักการตลาดอยากคุยด้วย

คุณอยากสัมภาษณ์กลุ่มผู้หญิงอายุน้อยที่มีลูกอายุไม่เกิน 3 ขวบแล้วเลี้ยงลูกคนเดียวด้วยหรอ ได้เลย ถามได้ทุกอย่างไม่ต้องกลัวว่าจะกระทบกระเทือนจิตใจหรือผิดศีลธรรมหรือเปล่า

คุณอยากคุยกับคุณพ่อเลี้ยงเดี่ยว หรือ LGBTQ+ หรอ เชิญตามสบาย ถามได้ทุกอย่างเท่าที่ AI มีดาต้าคำตอบไว้ให้ ทีนี้ขึ้นอยู่กับว่าคนถามสามารถตั้งคำถามได้ฉลาดพอที่จะเข้าถึง Insight ได้มากกว่าคนอื่นรึเปล่าเท่านั้นเอง

3 Case Study ตัวอย่างธุรกิจที่ใช้ Synthetic Data Driven Marketing ไปแล้วในวันนี้

1. Synthetic Data Driven Financial Business

ธนาคารบางแห่งเริ่มมีการใช้ Synthetic Data หรือข้อมูลสังเคราะห์ในการฝึกโมเดล Machine Learning เพื่อแนะนำสิ่นเชื่อที่เหมาะสม หรือประกันภัยที่ใช่ให้กับลูกค้าโดยไม่ต้องเปิดเผยข้อมูลส่วนตัวของลูกค้าจริงๆ

2. Synthetic Data Driven Health Insurance Business

จากเดิมต้องเอา Sensitive Data ประเภทข้อมูลการป่วย การรักษาของลูกค้าที่ทำประกันไปวิเคราะห์หาว่ามีแนวโน้มจะป่วยเป็นโรคแบบไหนบ้างในอนาคต มาวันนี้พวกเขาสามารถวิเคราะห์ข้อมูลได้โดยไม่ต้องเปิดเผยตัวตนลูกค้า และก็ยังสามารถ Personalization นำเสนอประกันชีวิตหรือประกันสุขภาพที่รู้ใจโดยที่ยังสามารถรักษาความปลอดภัยได้เต็มที่

3. Synthetic Data Driven Ecommerce

ธุรกิจ Ecommerce หรือพวกขายสินค้าออนไลน์ก็สามารถใช้ Synthetic Data ในการปรับปรุงระบบ Recommendation เดาใจว่าลูกค้าแต่ละคนน่าจะกำลังต้องการอะไร หรืออยากซื้ออะไรอยู่ในเวลานี้ เพื่อจะได้แนะนำโปรโมชั่นที่รู้ใจให้โดยยังรักษาความเป็นส่วนตัวอย่างเต็มที่

ข้อมูลจริงของลูกค้าไม่ถูกใช้ ข้อมูลจริงถูกนำไปใช้เทรน AI โดยยังปกปิดตัวตนแบบเต็มที่ และเจ้า Generative AI ก็สามารถแนะนำนักการตลาดได้เต็มที่ว่าถ้าลูกค้าแบบนี้น่าจะกำลังอยากซื้ออะไรอยู่

จากแนวทางการใช้ Synthetic Data Driven Marketing ที่เกิดขึ้นแล้วในวันนี้ สิ่งที่นักการตลาดสายดาต้าอย่างเราต้องเตรียมตัวไว้คือทำความเข้าใจ Synthetic Data ให้ดี รู้ข้อดีข้อเสียของมันให้รอบด้าน ข้อจำกัดของการใช้ดาต้าสังเคราะห์จากเอไอคืออะไร เพื่อจะได้ไม่ติดภาพหลอนของ AI ที่ให้ข้อมูลวนๆ ซ้ำๆ เดิมๆ แล้วเราเผลอเอาไปใช้จริงจังโดยไม่ทันระวังตัวครับ

สรุป Data-Driven Marketing 2025 เทรนด์ที่ 2 Synthetic Data Driven Marketing

จากนี้ไปข้อมูลสังเคราะห์จาก AI หรือ Synthetic Data จะกลายเป็นหนึ่งใน Data Source หลักในการขับเคลื่อนธุรกิจและการตลาดในปี 2025 เป็นต้นไป เพราะมันช่วยแก้ปัญหาเรื่อง PDPA หรือ Privacy ได้อย่างมาก ในขณะเดียวกันก็ยังคงความน่าเชื่อถือหรือแม่นยำ เพราะมันเรียนรู้มาจากข้อมูลของคนจริงๆ เพียงแต่เราไม่รู้จริงๆ ว่ามันอ้างอิงมาจาก Personal Data ของใคร

เราจะสามารถทำ Personalization ได้อย่างเต็มที่ ในขณะที่ยังรักษาภาพลักษณ์เรื่อง Privacy ได้อย่างเต็มเปี่ยม

3. Confidential Computing ยกระดับ Data Privacy ด้วย Blockchain และ Homomorphic Encryption

Photo: https://blogs.nvidia.com/blog/what-is-confidential-computing/

เรื่อง Privacy หรือความเป็นส่วนตัวของข้อมูลส่วนบุคคลนั้นถูกให้ความสำคัญมากขึ้นทุกวัน ทำให้เกิดการผสานสองเทคโนโลยีเพื่อยกระดับความปลอดภัยของข้อมูลครั้งใหญ่อย่าง Blockchain และการเข้ารหัสแบบ Homomorphic Encryption ทำให้จากนี้ไปเราสามารถวิเคราะห์ข้อมูลได้อย่างเต็มที่แต่ก็ยังคงรักษาความปลอดภัยแบบเต็มเปี่ยม

เราสามารถวิเคราะห์หา Insight จาก Sensitive Data โดยไม่ต้องเปิดเผยที่ข้อมูลดิบ หรือข้อมูลที่แท้จริงว่าเป็นของใครหรือแม้กระทั่งมาจากไหน และนั่นหมายความว่าจากการผสานของสองเทคโนโลยีนี้จะทำให้บริษัทต่างๆ กล้าแชร์ดาต้าระหว่างกันเพราะมันจะทำให้พวกเขาได้เข้าถึง Insight ใหม่ๆ นอก First Party Data ที่ตัวเองมี ในขณะเดียวกันก็ยังคงเรื่อง Privacy & Security ตามข้อกำหนดของ PDPA หรือ GDPR อย่างเต็มเปี่ยม

คุณลองคิดภาพว่าถ้าโรงพยาบาลแห่งหนึ่งมีข้อมูลสุขภาพคุณ แต่ที่ผ่านมาไม่สามารถแชร์ให้กับหน่วยงานข้างนอกได้เพราะถือว่าเป็น Sensitive Data อย่างมาก ส่วนทางบริษัทผู้ผลิตอาหารก็ไม่รู้ว่าสุขภาพที่แท้จริงคุณเป็นอย่างไร เลยไม่สามารถแนะนำอาหารที่เหมาะสมกับสุขภาพสุดๆ ของคุณได้ เลยทำให้ต้องมาตั้งต้นเก็บดาต้ากับคุณใหม่ ผลคือดาต้าก็จะขาดๆ หายๆ ทั้งที่ดาต้าสุขภาพเดิมที่มีก็มีอยู่แต่เข้าถึงไม่ได้นั่นเอง

Photo: https://openmined.org/blog/what-is-homomorphic-encryption/

แต่พอ Personal Data บางส่วนเราถูกเก็บรักษาบน Blockchain ที่ใครๆ ก็มองเห็นได้แต่ถอดรหัสไม่ได้ บวกกับการเข้ารหัสแบบ Homomorphic Encryption ยิ่งทำให้การเข้าไปวิเคราะห์ข้อมูลส่วนบุคคลเต็มไปด้วยความเป็นส่วนตัวและปลอดภัย ผู้วิเคราะห์ก็จะได้ผลลัพธ์ที่ต้องการ เช่น บริษัทอยากรู้ว่ากลุ่มคนที่มีภาวะน้ำตาลในเลือดสูงต่อเนื่องเกินสามปีมีลักษณะนิสัย Pattern Insight อย่างไร พวกเขาก็สามารถรู้ได้โดยที่ไม่ต้องรู้ว่ามีใครบ้าง แต่เห็น Pattern Insight ที่ชัดเจนพอจะเอาไปพัฒนาสินค้าอาหารที่ช่วยลดน้ำตาลในเลือดต่อ

จะเรียกว่าเป็นการทำ Secure Data Analysis ก็ว่าได้ มันคือการวิเคราะห์ข้อมูลอย่างปลอดภัยโดยไม่ต้องเปิดเผยข้อมูลดิบให้ Data Analyst แต่อย่างไร

เทรนด์การวิเคระห์ดาต้าแบบนี้จะช่วยสร้างความเชื่อมั่นให้กับลูกค้า ผู้บริโภค และพาร์ทเนอร์ เราจะกล้าแชร์ข้อมูลให้กันโดยมั่นใจว่าข้อมูลที่แชร์ไปยังคงปลอดภัยและ Privacy เหมือนเดิม เราจะสามารถเข้าถึง Insight ใหม่ๆ ได้โดยไม่ต้องละเมิดความเป็นส่วนตัวของใครคนใดคนหนึ่ง

สิ่งนี้จะเปิดประตูสู่การทำ Collaborative Data Driven Marketing รูปแบบใหม่ เราจะเกิดตลาดดาต้าหรือ Data Exchange มากมายหลังจากนี้ และในท้ายที่สุดผลดีก็จะตกสู่ผู้บริโภคอย่างเราๆ

และนั่นก็จะเป็นการยกระดับความสามารถของ AI ให้ฉลาดขึ้นกว่าเดิมมาก เมื่อ AI มี Data ให้เรียนรู้มากขึ้นมันก็จะรู้ใจเราได้ดีกว่าเดิม

3 ตัวอย่าง Case Study ของธุรกิจที่ใช้ Confidential Computing ในการทำ Collaborative Data Driven Marketing ในปัจจุบัน

1. Banker x Finance กลุ่มธุรกิจธนาคารกับสถาบันการเงิน

ลองคิดภาพว่าถ้ากลุ่มธนาคารต่างๆ ร่วมมือแชร์ดาต้าลูกค้าระหว่างกันโดยยังรักษาความปลอดภัยและเป็นส่วนตัวเต็ม 100 เหมือนเดิม การจะวิเคราะห์สร้างโมเดลทางการเงินรูปแบบใหม่ๆ การประเมินเครดิตหรือการขอสินเชื่อก็จะมีความแม่นยำและรวดเร็วกว่าเดิมมาก

ปัจจุบันถ้าจะกู้ซื้อบ้าน ซื้อรถ เราอาจจะต้องใช้เอกสารมากมายส่งไฟล์สเตทเมนต์การเงินยุบยับ แต่ถ้าธนาคารแชร์ดาต้ากันเองเมื่อไหร่เราสามารถขอสินเชื่อกับที่ไหนก็ได้ในเวลาไม่กี่นาที เพราะพวกเขาสามารถเข้าถึงข้อมูลเราได้ทุกอย่างโดยไม่ต้องรู้ความจริงสักอย่าง เพราะมันคือ Secure Data Analysis วิเคราะห์ข้อมูลโดยไม่ต้องเห็นข้อมูลจริงๆ

2. Insurance x Hospital กลุ่มธุรกิจประกันภัยกับโรงพยาบาล

ข้อมูลด้านสุขภาพที่โรงพยาบาลเก็บไว้ถือเป็น Sensitive Data ที่สุดชนิดหนึ่ง ยากมากจะแชร์ให้คนนอกเข้าถึงได้ ขนาดผู้ป่วยเองยังยากจะขอข้อมูลตัวเองออกไปได้ แต่เมื่อ Confidential Computing เข้ามาก็ทำให้การแชร์ข้อมูลระหว่างกันเป็นไปได้อย่างมั่นใจและปลอดภัย ทางประกันภัยหรือประกันชีวิตเองก็สามารถวิเคราะห์ได้ว่าควรนำเสนอประกันชีวิตแบบไหนให้เราอย่างแม่นยำ หรือควรปรับลดค่าเบี้ยตามพฤติกรรมสุขภาพจริงๆ เราจากดาต้าที่โรงพยาบาลมี

3. Retail x Supplier กลุ่มธุรกิจที่เกี่ยวข้องกับการค้าปลีกทั้งหมด

คิดภาพทุกวันนี้ข้อมูลการขายส่วนใหญ่อยู่แค่กับหน้าร้านหรือกลุ่มธุรกิจ Retail เท่านั้น ทำให้บางครั้งการวางแผนการผลิต การวางแผนการขนส่งสินค้าให้ทันเวลาไม่อาจทำได้อย่างทันท่วงทีอย่างที่ควรจะเป็น

แต่ถ้า Confidential Computing เข้ามาก็จะทำให้บริษัทต่างๆ ที่เกี่ยวข้องทั้งทางตรงและทางอ้อมกับธุรกิจ Retail ยกระดับการทำงานขึ้นได้มาก ตั้งแต่รู้ว่าต้องเตรียมไปส่งเมื่อไหร่ ต้องเตรียมไปยังเส้นทางไหน หรือเตรียมผลิตสินค้าแบบไหนเพิ่มขึ้นในช่วงเวลาใด

ข้อมูลการซื้อของลูกค้ารายคนก็ไม่เปิดเผย การจะวางแผนสต็อกสินค้าไปจนถึงโปรโมชั่นการตลาดจากแบรนด์ต่างๆ ก็จะยิ่งแม่นยำมากขึ้น

อ่านมาถึงตรงนี้คงพอเห็นภาพเทรนด์ Confidential Computing นะครับว่าจะส่งผลอย่างไรและก่อให้เกิดการเปลี่ยนแปลงในการใช้ Data Driven Marketing แบบไหน มาถึงคำถามสำคัญคือเราจะต้องเตรียมตัวอย่างไรนับจากนี้

1. เข้าใจเทคโนโลยี Blockchain และ Homomorphic Encryption

ในฐานะนักการตลาดเราไม่จำเป็นต้องรู้เรื่องเทคนิคเยอะ เราไม่ลงมือทำเรื่องนี้เอง แต่เราต้องเข้าใจหลักการเข้ารหัสแบบ Homomorphic และวิธีการทำงานของ Blockchain ควบคู่กัน เราต้องรู้ว่ามันแลกเปลี่ยนข้อมูลยังไง มันมีความปลอดภัยกว่าเดิมเพราะอะไร

รู้และเข้าใจเพื่อจะได้ใช้งานอย่างมั่นใจ อย่าใช้งานสิ่งใดโดยไม่รู้จริง แม้จะไม่ได้เป็นคนลงมือทำจริงแต่คุณต้องรู้ถึงสิ่งนั้นจริงๆ ก่อนใช้งานมัน

2. เตรียม Tech Stack และ Data Governance ให้พร้อม

แน่นอนว่าเทคโนโลยีใหม่ๆ มาพร้อมกับวิธีการทำงานใหม่ๆ ไปจนถึงจำเป็นจะต้องใช้พื้นฐานด้าน IT ใหม่ๆ การยกระดับเทคโนโลยีทั้งหมดขององค์กรจะเป็นเรื่องที่หลีกเลี่ยงไม่ได้ และการกำหนด Privacy Policy หรือ Data Governance ก็จะต้องยกระดับให้ชัดเจนเพื่อให้ทุกฝ่ายทำงานได้อย่างคล่องตัวแต่ยังคงความปลอดภัยของดาต้าเต็มที่เช่นกัน

3. Communicate & PR

การจะทำสิ่งใดสำคัญคือต้องสื่อสารออกไปให้เคลียร์และชัดเจน โดยเฉพาะการจะนำ Customer Data ไปใช้เพื่อต่อยอดทางธุรกิจแบบนี้แม้จะเป็นเรื่องที่ปลอดภัยมากๆ แต่ในแง่ของความรู้สึกผู้คนอาจรู้สึกว่าบริษัทกำลังขายดาต้าของพวกเขาอยู่

ทีม PR และทีมการตลาดต้องสื่อสารออกไปให้ชัดเจนและต่อเนื่องนานพอจนกว่าผู้คนจะเข้าใจเทคโนโลยีนี้จริงๆ เพื่อลดแรงเสียดทาน เสียงกดดัน หรือแม้แต่ดราม่าที่อาจตามมาจากความไม่เข้าใจได้

ย้ำถึงประโยชน์ที่ผู้บริโภคจะได้รับให้เยอะขึ้น ในขณะเดียวกันก็ตอกย้ำเรื่องความเป็นส่วนตัวที่ยังคงเต็มร้อยเหมือนเดิม

ตั้งแต่ปี 2025 ไปเทรนด์การใช้ดาต้าแบบ Confidential Computing จะเป็น Game Changer สำคัญที่จะยกระดับการใช้ Data Driven Marketing ไปอย่างมาก เราจะสามารถนำ Sensitive Data ต่างๆ มาวิเคราะห์ต่อยอดได้อย่างเต็มที่โดยยังคงรักษาเรื่อง Privacy แบบไม่ตกหล่น

การวิเคราะห์ข้อมูลเพื่อหา Insight จะไม่เป็นการละเมิดความเป็นส่วนตัวเหมือนเดิมอีกต่อไป ผู้บริโภคก็สบายใจแถมยังได้รับความสะดวกสบายจากการตลาดแบบรู้ใจ Personalized Marketing ยิ่งกว่าเดิม

4. Real-Time Data Analytics การแข่งขันใช้ดาต้าเพื่อรู้ใจลูกค้าในหลักวินาที

เดิมทีการทำ Real-Time Analytics จะบอกกันว่าเป็นอะไรที่ Luxury มาก เนื่องจากค่าใช้จ่ายของระบบ Cloud ไปจนถึงการ Transfer Data และก็ทำ Analytics ที่ต้องใช้ทรัพยากรสูงมากถึงจะสามารถวิเคราะห์ข้อมูลแบบเรียลไทม์ได้

แต่ดูเหมือนว่าด้วยความก้าวหน้าของ Techonology ทั้งหมดส่งผลให้การวิเคราะห์ข้อมูลแบบ Real-time analytics กลายเป็นเรื่องปกตินับจากนี้ไป บริษัทไหนหรือหน่วยงานใดยังไม่สามารถทำได้จะกลายเป็นไม่สามารถแข่งขันเรื่อง Data กับคนอื่นได้นับจากนี้

ถ้าถามทำไม Real-time Analytics ถึงสำคัญ อย่างแรกมันทำให้เราตัดสินใจได้ทันท่วงทีในยุคที่พฤติกรรมผู้บริโภคเปลี่ยนเร็วในระดับนาที ไปจนถึงวินาทีในบางครั้ง เช่น ถ้าเรารู้ว่าลูกค้าคนไหนกำลังไม่พอใจผ่าน Sentiment Data บางตัวได้แบบ Real-time เราก็สามารถเสนอ Counter Offter กลับไปเพื่อทำให้ลูกค้าคนนั้นกลับมาประทับใจแล้วก็ไม่เปลี่ยนใจจากเราไปหาคู่แข่งครับ

หรือถ้าเรากำลังรับรู้ว่าตอนนี้มีลูกค้าที่กำลังค้นหาโปรโมชั่นของแบรนด์อยู่ภายในร้านค้า ทั้งด้วยการจับผ่าน Web Cookie หรือ Application ID บวกกับการจับสัญญาณ Location Based ก็ทำให้เราสามารถส่งโปรพิเศษเพื่อลดการตัดสินใจจนนำมาสู่การจ่ายเงินซื้อที่ไวขึ้นก่อนลูกค้าจะเปลี่ยนใจออกจากร้านไป

ทั้งหมดนี้ฟังดูเป็นเรื่องง่าย แต่จะเกิดขึ้นไม่ได้เลยถ้าแบรนด์นั้นขาดความสามารถในการทำ Real-time Analytics ครับ

และทั้งหมดนั้นก็จะส่งผลต่อสิ่งสำคัญของการตลาด นั่นก็คือ Customer Experience ที่จะยกระดับสูงขึ้นกว่าคู่แข่งที่ไม่สามารถวิเคราะห์ข้อมูลแบบเรียลไทม์ได้ ในวันที่ธุรกิจแข่งกันในระดับนาที และลูกค้าเปลี่ยนใจในระดับวินาที การรู้เร็วก็ทำให้เราตอบสนองได้เร็ว ถ้าสินค้าหรือบริการเราไม่ได้ต่างกันอย่างมากพอที่ลูกค้าจะอดทนรอ การลงทุนใน Real-time Analytics จะช่วยคุณให้แตกต่างจากคู่แข่งครับ

นอกจากงาน Marketing การทำ Real-time Analytics ยังช่วยเรื่อง Business & Operation ได้ไม่น้อย เช่น ถ้ารู้ว่าตอนนี้ลูกค้าอยู่โซนไหนเยอะ หรือกำลังต้องการสินค้าแบบไหนมาก ระบบก็สามารถวิเคราะห์ข้อมูลแบบเรียลไทม์จนแนะนำได้ทันทีว่าควรส่งพนักงานไปประจำการเพิ่มตรงจุดไหน เป็นการทำ Business Optimization จาก Real-time Data

ลองมาดู Csae Study ตัวอย่างธุรกิจที่มีการใช้ Real-time Analytics กันดีกว่าครับ

3 Case Study ธุรกิจที่ใช้ Real-time Data Analytics

1. ร้านสะดวกซื้อ Convenience Store

ร้านสะดวกซื้อหรือ Covenience Store บางแห่ง หรือธุรกิจ Retail ค้าปลีกหลายๆ รายเริ่มใช้ Real-time Analytics ในการวิเคราะห์สินค้าคงเหลือสต็อกในแต่ละสาขา เพื่อประเมินว่าควรต้องรีบขายอะไรก่อน กลาง และหลัง

สมมติว่าพบว่ามีสินค้าประเภทนมวัวล็อตหนึ่งกำลังใกล้จะหมดอายุภายใน 3 วัน และจาก Historical Data ก็พบว่าถ้าขายตามปกติต้องใช้เวลานานถึง 5 วันถึงจะหมด ระบบก็จะทำ Real-time Promotion ออกมาที่ป้าย LED Display สาขานั้นว่านมวัวซื้อสองแถมหนึ่ง หรืออาจจะลดกล่องละ 3 บาท แบบนี้เป็นต้น

หรือถ้าระบบค้นพบว่าสาขานี้มีอุณหภูมิสูงเป็นพิเศษ ก็จะดันโฆษณาสินค้าประเภทไอศกรีม หรือน้ำหวานๆ เย็นๆ ปั่นๆ มากขึ้นเพื่อกระตุ้นให้เกิดการตัดสินใจซื้อที่สอดคล้องกับบริบท Contextual Data แทนที่จะเป็นแคมเปญการตลาดทั่วไปที่ HQ สำนักงานใหญ่กำหนดไว้ก่อนหน้า

2. Logistic & Food Delivery Platform ส่งอาหารได้ทันใจไวขึ้นแบบเรียลไทม์

หนึ่งในธุรกิจที่ Real-time Analytics มีความสำคัญมากที่สุดก็คงหนีไม่พ้นการขนส่งอย่าง Logistic โดยเฉพาะการขนส่งแบบ Last miles ประเภท Food Delivery ที่เราคุ้นเคยกัน

ท่ามกลางเส้นทางที่ซับซ้อนในเมืองหลวง หรือเมืองกรุง บางครั้งแค่เลี้ยวผิดซอยก็อาจเสียเวลาไปหลายนาที ในขณะเดียวกันถ้าวิ่งถูกเส้นก็อาจประหยัดเวลาไปได้เยอะมากเมื่อสะสมทั้งวัน โดยเฉพาะถ้ารู้ว่าช่วงเวลาไหนคนสั่งอาหารแบบไหนเยอะ ก็สามารถประมวลผลดาต้าแบบเรียลไทม์จนบอกให้ทางร้านเตรียมอาหารล่วงหน้าไว้ หรือดัน Rider ให้ไปอยู่ในบริเวณที่จะมีการใช้บริการสูงๆ ล่วงหน้าได้

ลองคิดภาพว่าถ้า Rider ส่งอาหารได้เร็วคนเที่ยวละ 3-5 นาที รวมทั้งวันก็ประหยัดเวลาได้เป็นชั่วโมง นั่นหมายถึงโอกาสในการส่งอาหารที่เยอะขึ้น และก็ย่อมส่งผลต่อรายได้ทั้งคนขับ ร้านอาหาร ไปจนถึงกำไรของแพลตฟอร์มเอง

3. ธนาคารและสถาบันการเงิน

การวิเคราะห์ข้อมูลแบบเรียลไทม์สำหรับธุรกิจการเงินย่อมมีประโยชน์โดยตรงต่อเราทุกคนอย่างมาก อย่างแรกคือการค้นหาว่าบัตรเครดิตเราถูกขโมยไปใช้จ่ายแปลกๆ หรือไม่ ทำให้วันนี้ถ้าเมื่อไหร่มี Transaction แปลกๆ เกิดขึ้นธนาคารก็จะอายัดบัตรทันที ทำให้ปัญหาการขโมยบัตรเครดิตไปรูดลดลงกว่าวันวานไปมากมาย

หรือถ้าพบการจับจ่ายใช้สอยสินค้าบางประเภทที่ธนาคารมีโปรโมชั่นร่วม ก็สามารถส่ง Real-time Marketing มาหาลูกค้าได้ทันเสี้ยววินาทีนั้น เพื่อกระตุ้นให้เกิดการซื้อที่เพิ่มขึ้นกว่าเดิม ทางลูกค้าเองก็แฮปปี้ที่ได้รับโปรที่ใช่ก่อนจะออกจากร้านไป

เราคงพอเห็นเทรนด์ของการทำ Real-time Data Analytics แล้วว่าจะก่อให้เกิดประโยชน์กับทุกฝ่ายที่เกี่ยวข้องขนาดไหน ลองมาดูแนวทางการปรับตัวให้ทันเทรนด์นี้กันดีกว่าครับ

How to Adapt Real-time Data Analytics

1. ลงทุนกับ Data & Cloud Infrastructure

การจะทำ Real-time Data Analytics ไม่ได้อาศัยแค่คน แต่ต้องอาศัยเทคโนโลยีที่ทันสมัยมากๆ ต้องมีการออกแบบ Data Infrastructure ใหม่ ยกระดับ Data Pipeline ให้ดีขึ้น ต้องมีการลงทุนใน Cloud Infrastructure และเครื่องมือ Analytics ที่รองรับการ Streaming Data ปริมาณมากๆ เพื่อให้การทำ Real-time Analytics เกิดขึ้นได้ทันท่วงทีในระดับวินาทีตามที่เราต้องการ

2. ออกแบบระบบ Marketing & Business Automation

การจะทำ Real-time Data Analytics ไม่สามารถใช้คนในการตัดสินใจได้ เพราะมันจะมีการ Delay ระหว่างช่วงเวลาการตัดสินใจ ดังนั้นสิ่งที่เราต้องทำคือการสร้าง Rules Based หรือกำหนด Logic Algorithm การตัดสินใจไว้ล่วงหน้าว่าถ้าเกิดเหตุการณ์แบบนี้ให้ทำแบบไหน ถ้าเกิด Scenario เช่นนี้ต้องตัดสินใจอย่างไร

มันคือการทำ Marketing Automation เพียงแต่ระบบทั้งหมดยังไม่ได้ตัดสินใจแบบ Automated เอง มนุษย์อย่างเราต้องเป็นคนกำหนดเงื่อนไขล่วงหน้า สอน AI เอาไว้ก่อนว่าจะให้มันตัดสินใจอย่างไร จากนั้นมันจะค่อยๆ ตัดสินใจจากดาต้าที่เกิดขึ้นโดยยึดจาก Logic ที่เรากำหนดไว้ครับ

3. Experimental Culture ลองผิดเพื่อให้รู้ถูก

เราไม่มีทางรู้ว่าสิ่งใดถูกจนกว่าจะได้ลอง และการลองนั่นย่อมหมายถึงผลลัพธ์ที่ทั้งผิดและถูกที่มีโอกาสเกิดขึ้นได้พอๆ กัน (หรืออาจจะออกไปทางผิดมากกว่า) เมื่อเราได้รู้ผิดเราก็จะเข้าใกล้ความรู้ที่ถูกมากขึ้น ดังนั้นเมื่อเรามี Real-time Data ไหลเข้ามาอยู่ตรงหน้า หน้าที่ทีมการตลาดคือการทดลอง หรือทำสิ่งที่เรียกว่า Experiment ให้มากขึ้น

Experiment ในแง่หนึ่งก็คือการทำ A/B Testing ทดลองไอเดียที่หลากหลายในสถานการณ์หนึ่งดูเพื่อหาว่าไอเดียไหนเวิร์คที่สุด จากนั้นก็ปรับปรุงไอเดียนั้นให้ดียิ่งขึ้นกว่าเดิม

เช่น เราพบว่าสินค้าประเภทเบียร์กับผ้าอ้อมมักขายดีคู่กันทุกเย็นวันศุกร์ เมื่อถึงวันศุกร์ถัดมาเราก็เห็น Real-time Data บอกแบบนั้น ทีนี้บริษัทที่มี Experiement Culture ทำกันจะเป็นเปิดหาไอเดียที่หลากหลายแล้วก็เอามาทดลองทำการตลาดออกไปหลายๆ แบบ เช่น

  • กลุ่ม A ได้รับโปรโมชั่นกระตุ้นให้ซื้อเบียร์ หรือผ้าอ้อมที่ไซส์ใหญ่ขึ้น
  • กลุ่ม B ได้รับโปรโมชั่นแนะนำให้ซื้อสินค้าบางชนิดที่สอดคล้องกับเบียร์ อาจจะเป็นกับแกล้มกินคู่กับเบียร์
  • กลุ่ม C ได้รับโปรโมชั่นแนะนำสินค้าที่สอดคล้องกับผ้าอ้อม ที่เป็นกลุ่มของใช้เด็กอ่อน เช่น ของเล่น หรือ ขนมสำหรับเด็ก
  • กลุ่ม D ได้รับโปรโมชั่นทั้ง B และ C ควบคู่กันในครั้งเดียว

จากนั้นก็วัดผลตอบรับว่ากลุ่มไหนทำให้เกิด ROI มากกว่ากัน นี่คือ Experiment Culture ที่บริษัทต้องสนับสนุนและส่งเสริมให้เกิดการลองผิดลองถูกกันมากขึ้น งดการลงโทษทีมที่ตัดสินใจผิดในเรื่องใหม่ที่ไม่เคยตัดสินใจ แล้วไปเพิ่มการให้รางวัลกับกลุ่มที่ตัดสินใจถูก พร้อมกับส่งเสริมให้เกิดการคิดต่อยอดจากไอเดียผู้ชนะล่าสุดให้ดีขึ้นกว่าเดิมไปเรื่อยๆ

สรุป Data Driven Marketing 2025 เทรนด์ที่ 4 Real-Time Data Analytics การตลาดแบบแข่งกันรู้ในลูกค้าในหลักวินาที

คำว่าปลาเร็วกินปลาช้ากลายเป็นจริงขึ้นทุกที โดยเฉพาะในเทรนด์การตลาดแบบฉลาดใช้ดาต้าในระดับวินาที ใครมี Techology ที่ตอบสนองได้ทันใจ มี Alghorithm ที่รู้ใจ บวกกับมีทีมการตลาดที่พยายามทำความเข้าใจลูกค้าด้วยการทำ Experiemental Marketing บ่อยๆ จะยิ่งได้เปรียบกว่า

และการทำ Real-time Analytics จะไม่ใช่เรื่องใหม่ จะกลายเป็นเรื่องทั่วไปที่บริษัทส่วนใหญ่ทำกัน คำถามคือคุณจะรอให้คนส่วนใหญ่ทำก่อนแล้วค่อยตาม หรือจะเริ่มเป็นหนึ่งในกลุ่มผู้นำที่สามารถปรับกลยุทธ์การตลาดและธุรกิจได้ในเวลาไม่กี่นาที

เพราะบางครั้งกำไรอยู่ตรงหน้าแค่เอื้อม ใครรู้ไวกว่าตอบสนองไวกว่า เอาใจลูกค้าไวกว่าแค่ไม่กี่วินาที ก็กลายเป็นผู้นำในธุรกิจนั้นได้แล้ว

5. Data Sovereignty อธิปไตยของดาต้า

จากความก้าวหน้าของ AI ที่รุกคืบไปไกลเกินที่เราเคยคิดจินตนาการไว้ ทำให้ประเด้นเรื่อง Data Ownership หรือสิทธิในความเป็นเจ้าของข้อมูล และ Intellectual Property Rights ทรัพย์สินทางปัญญาจะยิ่งทวีความสำคัญมากขึ้นทุกที

เพราะยิ่ง AI ฉลาดรอบรู้มากขึ้นเท่าไหร่ก็ยิ่งทำให้ผู้คนตั้งคำถามว่า มันเอา Data จากไหนมาเรียนรู้ และ Data ของฉันโดยเฉพาะในส่วนที่เป็น Privacy มากๆ หรือ Property มากๆ ถูกลักลอบนำไปใช้สอน AI อยู่หรือเปล่า

ผู้คนทั่วโลกเริ่มใส่ใจและอยากควบคุมข้อมูลส่วนบุคคลของตัวเองมากขึ้นทุกที ทำให้แนวคิดเรื่อง Personal Data Vault หรือคลังเก็บข้อมูลส่วนบุคคลกลายเป็นเทรนด์ที่ถูกพูดถึงมากขึ้นเรื่อยๆ

Personal Data Vault เปรียบเสมือนกับฐานข้อมูลส่วนบุคคลของผู้ใช้แต่ละคนที่จะรวมไว้ที่เดียว ถ้าหน่วยงานไหนต้องการใช้ก็ค่อยมาขอสิทธิ์ในการเข้าถึง ผิดจากรูปแบบเดิมที่เราต้องป้อนข้อมูลส่วนบุคคลเข้าสู่ระบบต่างๆ เมื่อต้องการใช้งาน

อย่างการลงทะเบียนหมอพร้อม เราชนะ หมอชนะ เราไม่ทิ้งกัน โครงการต่างๆ นาๆ ของรัฐร้อยแปดอย่าง ทำให้เราหลายคนตั้งคำถามว่าเราเป็นเทศแห่งการลงทะเบียนที่มีข่าวข้อมูลหลุดรั่วไหลตลอดเวลา และสุดท้ายก็หาใครมารับผิดชอบไม่ได้สักที

แต่เมื่อข้อมูลเราถูกเก็บรวบรวมไว้ที่เดียว เหมือนกับการสร้าง Google Drive ของตัวเองที่รวมไฟล์สำคัญ ถึงเวลาใครจะใช้ก็ค่อยส่งลิงก์พร้อมกับอนุญาตให้อีเมลดังกล่าวเข้ามาโหลดไปใช้งานได้ ถ้าเมื่อไหร่จะปิดก็แค่ถอน Authority ออกไป เท่านี้เราก็รู้สึกว่าได้ควบคุมข้อมูลของตัวเองมากขึ้นกว่าเดิม (ทั้งที่อาจถูกทำสำเนา copy ไปแล้วก็ได้)

และยิ่งในยุคของ Generative AI ที่สร้างสรรค์ผลงานใหม่ออกมาได้แค่ปลายนิ้วคลิ๊ก และการเขียนคำสั่ง Prompt สั้นๆ ไม่กี่ประโยคก็ทำให้เกิดภาพวาด กราฟิก วิดีโอ หรือดนตรีเพลงใหม่ๆ พร้อมใช้งาน ทำให้เกิดคำถามจากบรรดาเหล่า Artist หรือ Creator ต่างๆ ว่าเจ้า AI ดังกล่าวแอบเอาผลงานที่มีทรัพย์สินทางปัญญาเราไปเรียนรู้โดยไม่ได้ขออนุญาตแล้วทำออกมาเป็นงานชิ้นนี้หรือเปล่านะ

และนั่นก็ทำให้ประเด็นเรื่อง Data Sovereignty อธิปไตยของดาต้ากลายเป็นเทรนด์สำคัญในปีนี้ เพราะผู้บริโภคยุคใหม่จะจับจ้องให้ความสนใจว่าแบรนด์ใดบ้างที่ให้ความสำคัญกับเรื่อง Data Privacy และมี Data Ethic หรือจริยธรรมเรื่องการใช้ดาต้าที่ดีไม่แพ้กับการไม่ทำร้ายทำลายธรรมชาติ

และอีกหน่อยเราอาจเห็นยุคที่ผู้บริโภคที่เป็นเจ้าของข้อมูลเองอาจทำการขาย Personal Data ให้กับแบรนด์ที่ตัวเองรู้สึกว่าได้ประโยชน์เท่านั้น ถ้าเมื่อไหร่รู้สึกว่าให้ดาต้าไปก็ไม่เกิดประโยชน์ก็จะปิดไม่ให้แบรนด์นั้นเข้าถึง Personal Data อีกต่อไป

เพราะเมื่อผู้บริโภคมีความเป็นเจ้าของข้อมูลตัวเองเต็มที่ด้วย Personal Data Vault หรือตู้เซฟดาต้าส่วนบุคคลของตัวเองก็จะเลือกเปิดปิด เลือกให้หรือไม่ให้กับแบรนด์ไหน หน่วยงานใดเมื่อไหร่ก็ได้

ลองมาดูตัวอย่างเรื่อง Data Sovereignty จากธุรกิจรอบตัวกันครับว่ามีแบบไหนบ้างแล้วในวันนี้

2 Case Study ธุรกิจที่ใส่ใจเรื่องอธิปไตยของดาต้า หรือ Data Sovereignty แล้ว

1. Ecommerce บอกตรงๆ ว่าจะเอา Data ไปทำอะไร และเอาไปแชร์กับใคร

Ecommerce ถือเป็นหนึ่งในธุรกิจที่ใช้ Data Driven Marketing & Business เป็นหลัก ทำให้ Ecommerce Platform ทั้งหลายประกาศชัดเจนว่า Data ของผู้ใช้งานจะถูกใช้แบบไหน หรือแชร์ให้กับพาร์ทเนอร์รายใดบ้าง ถ้าใครไม่สะดวกใจให้ก็สามารถปฏิเสธได้ ในบ้านเราก็จะเห็นเว็บสื่อออนไลน์บางสำนักมีการบอกเช่นกันว่าข้อมูลการใช้งานจะถูกแชร์กับธนาคารบางแห่ง

นี่คือยุคของการทำ Data Monetization แบบตรงไปตรงมาและเราก็มีสิทธิ์เลือกและรับรู้ข้อเท็จจริงมากขึ้น

2. Health Care แจ้งตรงๆ ว่าจะเอาไปให้ AI ช่วยวิเคราะห์

ในกลุ่มธุรกิจโรงพยาบาลจำนวนไม่น้อยก็มีการใช้ AI มาช่วยวิเคราะห์ข้อมูลประวัติผู้ป่วย หรือข้อมูลการสแกน การรักษาของคนใช้มากขึ้น เพียงแต่วันนี้พวกเขาไม่ได้แอบทำแบบเงียบๆ แต่มีการแจ้งและขออนุญาตจากคนไข้เจ้าของดาต้าว่าจะเอาไปใช้ Train AI เพื่อมอบการรักษาที่ดีขึ้นกับเรา

โดยคนไข้เจ้าของ Data ก็สามารถเลือกให้หรือปฏิเสธก็ได้ โดยไม่มีผลต่อการรักษาครับ

อ่านถึงตรงนี้แล้วคงพอเห็นภาพว่าเทรนด์นี้ไม่ใช่แค่เทรนด์โดยลมปาก แต่เป็นสิ่งที่เกิดขึ้นและมีคนเริ่มต้นนำเทรนด์นี้ไปเรียบร้อย มาสู่คำถามสำคัญคือแล้วเราจะต้องปรับตัวรับมือกับเทรนด์อธิปไตยของข้อมูลอย่างไรบ้าง

How to Adapt Data Sovereignty

1. Policy Driven Privacy เริ่มต้นตั้งแต่นโยบายที่เน้นความเป็นส่วนตัวและโปร่งใส

นโยบายถือเป็นธรรมาภิบาลของบริษัทที่สำคัญที่สุด สิ่งใดถูกบรรจุในนโยบายบริษัทแล้วจะถูกผลักดันจากทุกฝ่ายในองค์กรให้เรื่องนั้นเกิดขึ้นโดยไว หรืออย่างน้อยก็ไม่ละเลยอย่างที่เคยเป็นมา ต้องมีการอัปเดท Privacy Policy และ Cookie Policy ใหม่ให้ชัดเจนอ่านเข้าใจง่าย

บอกให้เจ้าของดาต้ารู้ชัดว่าจะเอาข้อมูลไปทำอะไร เอาไปแชร์ต่อให้ใคร ไปจนถึงจะสามารถควบคุมการไหลเวียนของข้อมูลตัวเองได้ตรงไหน หาปุ่มยกเลิกเจอง่าย ไม่ใช่เอาไปซ่อนไว้ในที่ลับตาแบบสุดๆ

2. Incentive Driven Data บอกให้ชัดว่าให้ดาต้าไปแล้วจะได้อะไรกลับมา

มนุษย์เราไม่ค่อยซับซ้อน หลายครั้งปัญหาที่ดูยากก็แก้ได้ง่ายๆ ด้วยการบอกให้ชัดว่ามีอะไรเป็นการแลกเปลี่ยน อย่างการขอดาต้าจากลูกค้าหรือกลุ่มเป้าหมายก็เหมือนกัน ที่ผ่านมาผู้คนให้ดาต้าไปโดยไม่เคยรู้ว่าตัวเองได้อะไรบ้าง จนทำให้พวกเขารู้สึกว่าให้ไปก็ไม่เกิดประโยชน์ งั้นไม่ให้ดีกว่า

ในขณะที่บางครั้งแค่นักการตลาดบอกให้ชัดว่าถ้าให้ดาต้ามาแล้วพวกเขาจะได้อะไร ส่วนลด โปรโมชั่น สิทธิพิเศษ แต้ม หรืออะไรก็ตาม เพียงเท่านี้ผู้คนจำนวนมากก็ยินยอมพร้อมใจให้ดาต้าด้วยความเต็มใจ

ให้แล้วได้อะไร ตอบคำถามนี้ให้ได้ ถ้าคุณตอบได้ผมเชื่อว่าคนก็อยากให้ดาต้ากับคุณ ถ้าการแลกเปลี่ยนมันสมเหตุสมผลกัน

3. เข้าใจกฏหมายเรื่อง AI Ownership

นับจากนี้ไปเราจะมีผลงานสร้างสรรค์ที่ถูกสร้างขึ้นด้วย Generative AI จำนวนมาก แน่นอนว่าจะทำให้เกิดปัญหาระหว่างเรื่องทรัพย์สินทางปัญญาที่จะต้องถูกนิยามและยกเครื่องใหม่ในอีกหลายประเทศทั่วโลก

นักการตลาดอย่างเราในฐานะผู้ใช้ผลงานจาก AI เป็นอันดับต้นๆ ต้องรู้เท่าทันกฏหมายข้อบังคับในเรื่องนี้ไว้เช่นกัน แม้เราจะไม่ใช่ผู้ฟ้องร้องหรือร่างจดหมายเองแบบทนาย แต่การรู้ไว้ก็ทำให้เราได้เปรียบกว่านักการตลาดที่ไม่รู้ จนอาจตัดสินใจพลาดทั้งไม่กล้าทำในสิ่งที่ทำได้ หรืออาจเผลอทำในสิ่งที่ทำไม่ได้ครับ

นับจากปีนี้ไปประเด็นเรื่อง Data Sovereignty หรืออธิปไตยของดาต้าจะกลายเป็นประเด็นสำคัญที่คนทั่วโลกตื่นตัว เหมือนกับที่เคยเกิดขึ้นในเรื่อง Data Privacy เรื่อง GDPR และ PDPA ที่เคยผ่านมา ในโลกยุค AI ที่ Data กลายเป็นปัจจัยสำคัญ เมื่อใครๆ ก็สามารถเข้าถึง Data จำนวนมหาศาลผ่านทางออนไลน์ได้ไม่รู้จบ แต่ปัญหาคือการละเมิดข้อมูลส่วนบุคลทั้งโดยตั้งใจและไม่ตั้งใจที่จะส่งผลกระทบทางกฏหมายและความเชื่อมั่นในแบรนด์ตามมา

นักการตลาดอย่างเราต้องเริ่มต้นและปรับตัวกับเรื่องนี้ให้ไว โดยเฉพาะเมื่อไหร่ที่ใช้ Generative AI Create Content ใดๆ ออกมาต้องแน่ใจว่า Data ที่นำมา Train AI นั้นถูกต้อง ได้รับความยินยอม ไม่ใช่ไปละเมิดมาทั้งทางตรงและทางอ้อม

และเราต้องให้สิทธิ์กับเจ้าของดาต้าหรือตัวลูกค้าที่เป็นเจ้าของข้อมูลอย่างเต็มที่ ใช้เมื่อได้รับอนุญาต อย่าใช้โดยละเมิดสิทธิ์ของลูกค้า บอกให้ชัดว่าให้มาแล้วจะได้อะไรเป็นการตอบแทนไป เพียงเท่านี้คุณก็จะได้รับความไว้วางใจจากผู้คนมากมายให้เข้าถึง Data เอาไปต่อยอดธุรกิจได้เหนือกว่าคู่แข่งครับ

6. Data as a Service เทรนด์ตลาดซื้อขายดาต้าจะเติบโตแบบก้าวกระโดด

เมื่อเรามี Data มากพอเริ่มมีคนที่มองออกว่าเราสามารถนำ Data นั้นมาต่อยอดอย่างไรได้บ้าง และหนึ่งในการต่อยอดธุรกิจจากดาต้าก็คือการสร้างธุรกิจใหม่ขึ้นมาโดยมองว่าดาต้านั้นเป็นสินค้าหรือบริการประเภทหนึ่งที่สามารถซื้อขายให้บริการกับคนที่ต้องการได้ และนี่คือหนึ่งในเทรนด์ Data Driven Marketing 2025 ที่มีชื่อว่า Data as a Service

เพียงแต่ต้องบอกก่อนว่าในการซื้อขายดาต้าจริงๆ เราไม่ได้ขายกันเป็นรายชื่อลูกค้าตรงๆ ไม่ได้ให้เบอร์ตรงๆ ที่อยู่ตรงๆ หรือให้ชื่อไปตรงๆ แต่เราทำการเข้ารหัสรักษาความปลอดภัยเรียบร้อย เวลาเราส่งข้อมูลออกไปก็จะอยู่ในรูปแบบ Custom Audience หรือ Segment ที่มีการเข้ารหัสหนาแน่นเรียบร้อย

จากเดิมที่ต่างคนต่างขาย ต่างสร้างธุรกิจในการทำ Data Monetization ขึ้นมาใหม่ ทำให้บรรดาธุรกิจที่ถือ Customer Data ขนาดกลางๆ ไม่ว่าจะ SME หรือ Enterprise ที่ขนาดไม่ใหญ่มากพอจะมีงบประมาณเงินลงทุนในการสร้างระบบในการซื้อขายดาต้าของตัวเองให้ปลอดภัยได้เริ่มมองหาผู้ช่วยที่จะเข้ามาบริหารจัดการ Data ที่มีให้เกิดรายได้งอกเงยโดยยังคงรักษาความเป็นส่วนตัวของลูกค้า และความปลอดภัยของข้อมูลอย่างเต็มที่

และนั่นเลยเป็นที่มองของเทรนด์ Data Trading Market หรือตลาดรับซื้อขายข้อมูลขนาดใหญ่ที่ให้บรรดาธุรกิจต่างๆ สามารถซื้อขายแลกเปลี่ยนกันได้อย่างโปร่งใสปลอดภัย ผิดกับยุคก่อนที่แอบขายข้อมูลกันลับๆ แล้วก็ถูกนำไปใช้แบบละเมิดความเป็นส่วนตัวกันมากมาย

และจากทั้งหมดนี้จึงทำให้บริษัทที่สะสมดาต้าได้มากกว่าย่อมได้เปรียบในการแข่งขันในวันหน้า สิ่งเป็นการเริ่งให้บริษัทต่างๆ เห็นความสำคัญในการจัดการดาต้าให้เรียบร้อยเพื่อจะได้นำดาต้านั้นมาขายในตลาดเพื่อสร้างรายได้ใหม่ๆ ให้กับธุรกิจตัวเองไม่รู้จบ

เราจะเริ่มเห็น Business model ใหม่ที่เรียกว่า Daas มาจากคำว่า Data as a Service ที่เปิดโอกาสให้คนอื่นเข้ามาเช่าใช้บริการดาต้าของเราเพื่อเข้าถึงกลุ่มเป้าหมายใหม่ๆ เข้าถึง insight ใหม่ๆ ลองคิดภาพว่าถ้าผมทำธุรกิจรับติดฟิล์มรถยนต์มาหลายปี แล้วผมมีข้อมูลลูกค้าที่มาติดผ่านการลงทะเบียนรับประกันอย่างเป็นเรื่องเป็นราว

ผมสามารถนำดาต้านี้ไปให้บริการกับธุรกิจที่น่าจะสนใจกลุ่มเป้าหมายที่เป็นคนขับรถยนต์ได้ ตั้งแต่การต่อ พรบ ประกันรถ สินเชื่อรถ สินเชื่อบ้าน(คนมีรถมักมีบ้าน) หรือแม้แต่บริษัทรถยนต์ด้วยกันถ้าต้องการจะทำการตลาดรถยนต์ใหม่ให้กับลูกค้ารถยนต์แบรนด์อื่นที่อาจใช้มาสัก 6 ปีขึ้นไป แทนที่จะทำการตลาดหว่านๆ ออกไปแล้วได้ Conversion rate ต่ำๆ แบบปัจจุบันแทน

นี่เป็นแค่ตัวอย่างนึงในการเช่าดาต้ามาใช้แบบ Data as a Service ในการเข้าถึงกลุ่มเป้าหมายใหม่ๆ ที่เราไม่มีดาต้ามาก่อน ลองคิดอีกภาพว่าถ้าเรามี Customer Data อยู่มากพอประมาณนึงแต่เราอยากรู้ Insight ใหม่ๆ ที่เราไม่รู้

กลับมาที่ตัวอย่างของธุรกิจรับติดฟิล์มรถยนต์รายเดิม สมมติว่าเราอยากรู้ว่าลูกค้าเรามี Lifestyle อย่างไรบ้างเพื่อที่เราจะได้ไปออกแบบ Privilege, Promotion หรือวางแผนทำ CRM ได้ตรงใจตรงจริตลูกค้ามากขึ้น

แน่นอนว่าเรามีแค่ข้อมูลรถยนต์กับเจ้าของรถยนต์ เราอาจต้องไปหาคนที่มี Data Lifetyle เพิ่มเข้ามา เช่น เราอาจะไปใช้บริการ Data as a Service ของห้างสรรพาสินค้า ซูเปอร์มาร์เก็ต หรือปั๊มน้ำมัน เพื่อทำ Data Enrichment เพื่อดูว่าลูกค้าที่ติดฟิล์มกับเราชอบกินอะไร ชอบซื้ออะไร ชอบขับรถไปเที่ยวที่ไหน จากนั้นทีมการตลาดก็จะวางแผนได้ง่ายขึ้นว่าจะต้องเตรียมโปรโมชั่นอะไรให้ลูกค้าบ้าง

หรือลองคิดภาพว่าถ้าหน่วยงานภาครัฐที่ต้องการวางแผนระบบขนส่งมวลชน หรือบริษัทขนส่งมวลชนเองก็ตาม อยากรู้ว่าควรเพิ่มรถสายใหม่ตรงไหน เพิ่มสถานีรับส่งคนจุดใดบ้าง ก็อาจใช้บริการ Data as a Service ของบริษัท Telco เครือข่ายสัญญาณโทรศัพท์มือถือในการวางแผนเส้นทาง เช่น ถ้าพบว่าคนส่วนใหญ่พักกระจุกอยู่ตรงนี้ แต่ตรงนี้ยังขาดสถานี ก็จะได้เพิ่มได้ตรงจุดมากขึ้น

พอเห็นภาพของ Data as a Service ที่มีทั้งการให้เช่า Audience ตรงๆ กับการให้บริการ Data Enrichment เติม Insight อ้อมๆ แล้วใช่มั้ยครับ ทีนี้ลองมาดูตัวอย่างธุรกิจที่ทำเรื่อง Data Trading Markets ในปัจจุบันว่ามีอะไรบ้างนะครับ

3 Case Study ตัวอย่างธุรกิจที่มีการทำ Data as a Service

1. Retail x Real Estate

แบรนด์อสังหาริมทรัพย์ หรือนักพัฒนาพื้นที่โครงการต่างๆ อาจซื้อ Data Insights จากทางบริษัท Retail ค้าปลีกเพื่อทำความเข้าใจผู้คนในละแวกที่กำลังจะสร้างโครงการต่างๆ ขึ้นมา เพื่อประเมินจำนวนประชากรจากจำนวนลูกค้า พฤติกรรมการจับจ่ายใช้สอยว่ามีไลฟ์สไตล์อย่างไร

เช่น ถ้าคนในพื้นที่นั้นมีการซื้อสินค้าจำพวกของใช้เด็กอ่อนเยอะ อาจสะท้อนถึงแนวโน้มคนมีครอบครัวที่กำลังต้องการที่อยู่อาศัยใหญ่ขึ้นเมื่อลูกโต หรือถ้าพื้นที่นั้นมีการซื้อสินค้ากลุ่มผู้สูงวัยเยอะ ก็อาจนำไปปรับการออกแบบแปลนบ้านให้มีห้องนั้นชั้นล่างแทนห้องนั่งเล่นขนาดใหญ่ หรือถ้ามีการซื้อสินค้าจำพวกอาหารแมว อาหารสุนัขมากพอก็อาจนำไปใช้ปรับ Communication เพิ่มเติม

2. Data Exchange Platform แพลตฟอร์มซื้อขายดาต้าที่ปลอดภัยและถูกต้องตามกฏหมาย

ในความเป็นจริงแล้วนักการตลาดอย่างเราต่างก็ซื้อดาต้าใช้ทำการตลาดอยู่แทบไม่รู้ตัว อย่างการซื้อ Facebook Ads หรือ TikTok Ads หรือ YouTube Ads ก็เป็นการซื้อดาต้าผู้ใช้งานผ่านตัวแพลตฟอร์มเอง เพียงแต่การซื้อดาต้าในความเป็นจริงเราไม่ได้ซื้อเป็นรายชื่อ รายคน เบอร์โทร หรืออีเมลแบบตรงๆ แต่เราซื้อในรูปแบบ Segment ผ่านการกำหนดค่าต่างๆ ตั้งแต่ Demographic ไปจนถึง Interest และก็ Behaviour ต่างๆ เท่าที่แพลตฟอร์มนั้นจะเก็บไว้

สิ่งที่เราทำได้คือการทำการตลาดผ่านดาต้าที่มีการเข้ารหัสและไม่ระบุตัวตนอย่างดี ถ้าแคมเปญการตลาดเราถูกใจกลุ่มเป้าหมายที่ตั้งค่าไป เราถึงจะเริ่มทำการเก็บ Data ผู้ที่สนใจได้หลังจากนั้น เช่น ผ่านการกรอก Lead Form หรือการกดยอมรับ Cookie แล้วเอามาทำ Remarketing ต่อ

เช่นเดียวกันบริษัทพวก FinTech ก็สามารถขายดาต้าแบบเดียวกับที่ Meta, Google หรือ TikTok ทำได้ ด้วยการขายข้อมูลเป็นกลุ่มก้อน Segment ที่ให้ผู้ซื้อสามารถกำหนดค่าได้ ลองคติดภาพว่าถ้าแอปคำนวนภาษีเปิดธุรกิจใหม่ขายดาต้าผู้ใช้งานโดยให้ผู้ซื้อสามารถกำหนด Segment ตามช่วงรายได้และอาชีพ หรือค่าลดหย่อนชนิดต่างๆ ที่สะท้อนถึงพฤติกรรมการซื้อบางอย่างได้ เช่น คนที่กรอกลดหย่อนดอกเบี้ยบ้าน น่าจะไม่สนใจซื้อบ้านหลังใหม่ แต่อาจสนใจในการรีไฟแนนซ์ หรือการทำประกันบ้านแทน เป็นต้น

ถึงเวลานักการตลาดที่สนใจก็จะไม่ได้ดาต้าที่เป็นข้อมูลรายชื่อแบบตรงๆ แต่จะได้เป็นการทำการตลาดผ่านข้อมูลกลุ่มคนชุดนั้นที่ผ่านการเข้ารหัสและไม่ระบุตัวตัน ถ้าโฆษณาคุณดี การตลาดคุณโดน กลุ่มเป้าหมายตามช่วรายได้ที่คุณเลือกไปก็จะค่อยมอบดาต้ากลับมาให้ด้วยการยืนยันตัวตนผ่าน Lead Form ของคุณอีกที

เห็นไหมครับว่าการซื้อขายดาต้าในความเป็นจริงแล้วไม่ใช่เรื่องน่ากลัวอย่างที่หลายคนคิด เราต่างก็ซื้อดาต้าใช้มานาน ดังนั้นถ้าใครทำดาต้าที่มีให้ถูกต้อง เรียบร้อย ปลอดภัย พร้อมขาย ก็จะสามารถสร้าง Business New S Curve ขึ้นมาใหม่ได้โดยไม่ต้องสร้างอะไรใหม่ขึ้นมาขายครับ

3. Telco x Insurance ดาต้าเครือข่ายมือถือกับธุรกิจประกันภัย

บริษัทประกันภัยโดยเฉพาะประกันภัยรถยนต์อาจซื้อดาต้าการเดินทางของกลุ่มเป้าหมายที่ทำประกันกับตัวเองอยู่ เพื่อประเมินว่าใครบ้างเดินทางไปยังพื้นที่เสี่ยง หรือขับรถด้วยความอันตราย หรือแม้แต่ชอบเดินทางไปยังสถานที่ไหน เพื่อจะได้ทำการตลาดแบบรู้ใจ Personalized Marketing ออกไปได้อย่างแม่นยำ

จากตัวอย่างการซื้อขายดาต้าในธุรกิจต่างๆ ที่เกิดขึ้นแล้วในวันนี้คงทำให้คุณพอเห็นภาพว่ามันไม่ได้น่ากลัวอย่างที่คิด แถมมันยังช่วยสร้าง New S Curve ใหม่ให้กับธุรกิจได้อีกด้วย ทีนี้ลองมาดูแนวทางการปรับตัวถ้าใครรู้สึกว่าเทรนด์การขายดาต้าน่าจะตอบกับเป้าหมายทางธุรกิจในปีนี้ครับ

How to Adapt Data Trading Markets

1. Data Quality Check

เมื่อดาต้ากลายเป็นสินค้าชนิดหนึ่ง ดังนั้นก่อนจะซื้อขายก็ต้องตรวจสอบคุณภาพให้แน่ใจว่าดีอย่างที่โฆษณาไว้ เช็คให้ชัวร์ว่าดาต้านั้นครบถ้วน สมบูรณ์ และมีความเป็นปัจจุบัน หรือ Up-to-Date มากน้อยแค่ไหน

ไม่ใช่เอา Data เก่าเก็บมาขาย เพราะดาต้าก็เหมือนอาหาร ยิ่งเก็บไว้นานยิ่งเสื่อมค่า ยิ่งในวันที่พฤติกรรมผู้บริโภคไปไว ถ้าใช้และตัดสินใจช้าเกินไปบางครั้งแทบไม่ต่างจากการเดา

2. ปฏิบัติตาม พรบ ข้อมูลส่วนบุคคล PDPA แลพ GDPR ให้เรียบร้อย

ดาต้าก็เหมือนสินค้า ก่อนจะนำไปขายหรือแลกเปลี่ยนกับใครได้ก็ต้องผ่านการตรวจมาตรฐานความปลอดภัยแบบ มอก หรือ อย เสียก่อน

แต่ในแง่มุมของการซื้อขายแลกเปลี่ยนดาต้ามันคือการทำดาต้าให้ระบุตัวตนไม่ได้ มีการเข้ารหัสที่ปลอดภัยได้มาตรฐาน Cyber Secuerity สำคัญคือต้องได้รับการยินยอมจากเจ้าของข้อมูลหรือได้รับ Consent เรียบร้อย

เพราะการที่เรามีดาต้าของใครสักคนอยู่ไม่ได้หมายความว่าเราจะมี “สิทธิ์” เหนือข้อมูลนั้น ถ้าเอาไปใช้ไปซื้อไปขายโดยไม่ได้รับอนุญาตขึ้นมาจะกลายเป็นคดีความทำให้แบรนด์เสียหาย และอาจถูกจำคุกได้เพราะ PDPA บ้านเรามีโทษทางอาญาครับ

แต่ว่าไปเวลาข้อมูลหลุด ดาต้ารั่วจากบริษัทไหน ก็ไม่เคยเห็นมีใครต้องติกคุกจริงๆ สักที ดูอย่างเคสมือถือสองแบรนด์ดังก็ได้ครับ

3. วางกลยุทธ์ Data Monetization Strategy ให้ชัดเจน

เมื่อเราเตรียม Data พร้อมแล้วก็ถึงเวลาที่ต้องเริ่มวางแผนและกลยุทธ์แล้วว่าดาต้าใดที่เรามีจะสามารถต่อยอดทำเงินได้บ้าง ดาต้าแบบนี้น่าจะเป็นประโยชน์กับธุรกิจแบบไหน แบรนด์แบบใด หรือแม้แต่ดาต้าชนิดใดที่ไม่ควรอย่างยิ่งจะเปิดเผยให้คนอื่นไปแม้จะอยู่ในรูปแบบ Anonymous ก็ตาม เพราะมันอาจเผยถึงความลับชี้เป็นชี้ตายของธุรกิจเราให้คู่แข่งเข้ามาโจมตีได้

เช่น ถ้าเราเป็นกลุ่มธุรกิจ Retail ค้าปลีก เราอาจเปิดเผยข้อมูลเทรนด์การซื้อของสินค้าในรูปแบบสัดส่วนเปอร์เซนต์แทนที่จะเป็นยอดขายแบบตรงๆ เพื่อทำให้คนที่สนใจยังพอเห็นทิศทาง Insight แต่ในขณะเดียวกันยังช่วยป้องกันให้คู่แข่งไม่สามารถแฝงตัวเข้ามาในรูปแบบของลูกค้าที่แอบมาล้วงความลับได้ครับ

ถัดมาคือการกำหนดราคาค่าใช้บริการ Data as a Service ว่าจะคิดอย่างไร จะคิดเป็นรายครั้ง รายเดือน หรืออาจคูณด้วยปริมาณดาต้าที่ต้องการวิเคราะห์อีกขั้น คือยิ่งใช้มากยิ่งจ่ายมาก ถ้าใช้น้อยก็จ่ายราคาเริ่มต้น

ทั้งหมดนี้คือศิลปะแห่งการตั้งราคา ในแง่มุมหนึ่งมันก็คือการออกแบบโปรโมชั่นของนักการตลาดเพียงแต่มองว่าดาต้าคือสินค้าเหมือนกับของที่เราผลิตออกมาขายลูกค้าทั่วไปนั่นแหละครับ

เราคงเห็นแล้วว่าดาต้านับจากนี้ไปจะมีความเหมือนกับสินค้าโภคภัณฑ์ทั่วไปที่สามารถซื้อขายได้ไม่ต่างจากน้ำเปล่า เมล็ดกาแฟ หรือแม้แต่กระบอกน้ำสแตนเลส

แต่ในขณะเดียวกันด้วยเรื่องของความปลอดภัยและความเป็นส่วนตัวของข้อมูลส่วนบุคคลก็มีกฏหมายเป็นกรอบบังคับว่าต้องทำให้ถูกต้องทั้งหมด เพราะถ้าทำผิดอาจมีโทษทั้งทางอาญาแบบ PDPA ของประเทศไทย หรือโทษทางแพ่งที่มีค่าปรับสูงลิ่วมากแบบ GDPR ของยุโรป

การจะให้บริการ Data as a Service หรือซื้อขายดาต้าได้นั้นมีอะไรที่ต้องทำเยอะมาก ตั้งแต่การจัดการดาต้าข้างในให้พร้อม ยกระดับการรักษาความลับและความปลอดภัยของข้อมูล ทำดาต้าให้ระบุตัวตนไม่ได้ ไปจนถึงออกแบบระบบที่มั่นใจได้ว่าดาต้าที่เราให้คนอื่นเข้ามาใช้จะไม่รั่วไหลจนกลายเป็นข่าวเสียหายกับแบรนด์

เรื่องนี้จะสอดคล้องกับหน้าที่ใหม่ของนักการตลาด นั่นก็คือการคิดหาทางเก็บดาต้าจากกลุ่มเป้าหมายหรือลูกค้าให้ได้มากที่สุด

หวังว่าอ่านถึงตรงนี้แล้วจะพอให้คุณเริ่มคิดวางแผนต่อยอดสร้างรายได้ใหม่จากดาต้าที่มีในมือตั้งแต่วันนี้ บอกเลยครับว่าเรื่องนี้ไม่ง่าย เหมือนกับการเตรียมบริษัทเข้าตลาดหลักทรัพย์ก็ว่าได้ แต่ถ้าไม่เริ่มทำตั้งแต่วันนี้คุณก็กำลังปล่อยโอกาสให้ไหลไปเข้ามือคู่แข่งมากขึ้นเรื่อยๆ

ทำก่อน เรียนรู้ก่อน ปรับตัวหาแนวทางของตัวเองก่อน และในเทรนด์การตลาดแบบฉลาดใช้ดาต้าในปี 2025 ข้อถัดไปจะเป็นเรื่องของการให้ความสำคัญกับคุณภาพของดาต้าแทนที่ปริมาณครับ

7. Data-Centric AI ยกระดับคุณภาพดาต้าด้วยเอไอ

เมื่อเราก้าวเข้าสู่ยุค Practical AI หรือเอไอที่ใครๆ ก็ใช้ได้ ซึ่งจำเป็นต้องยกระดับเรื่อง Data Quality หรือคุณภาพของดาต้าที่มีให้สามารถใช้งานได้เต็มเม็ดเต็มหน่วย เราจะไม่พูดกันถึงเรื่องของ Big Data แบบเมื่อ 5-10 ปีก่อนอีกต่อไป เพราะวันนี้ใครๆ ต่างก็มีดาต้ามากเกินกว่าที่ตัวเองคิดไว้เป็นส่วนใหญ่ แต่ปัญหาคือจากดาต้าทั้งหมดที่มีนั้นจะใช้งานจริงได้เท่าไหร่ เพราะวันนี้มีมากอาจใช้จริงได้น้อย เมื่อเทียบกับบางบริษัทที่เพิ่งเริ่มเก็บดาต้าได้ไม่นานแต่วางแผนการเก็บเป็นอย่างดีส่งผลให้สามารถวิเคราะห์หา insight ได้คณภาพที่ดีกว่ามากครับ

ยิ่งบวกกับธุรกิจต่างๆ พยายามแข่งขันกันปรับแต่งโมเดล หรือที่เรียกว่า Model Optimization เพื่อยกรนะดับ AI ของตัวเองให้มีความฉลาดมากขึ้น Data Quality ยิ่งเป็นเรื่องสำคัญเข้าไปอีก เพราะการจะ Algorithm ชั้นยอดก็ย่อมต้องการดาต้าชั้นเยี่ยมควบคู่กัน

นั่นเลยเป็นที่มาของเทรนด์ Data-Centric AI หรือการให้เอไอมาช่วยจัดการจำแนกแจกแจงดาต้าแทนมนุษย์แบบที่เคยเป็นมา ขั้นตอนการทำ Data Labeling จะกลายเป็นงานของ AI แทนเป็นส่วนใหญ่ เพื่อเพิ่มความแม่นยำปราศจาก Human Erroe และลดอคติในข้อมูลหรือที่เรียกว่า Data Bias ครับ

ลองคิดภาพว่าถ้าให้มนุษย์คนหนึ่งมาทำหน้าที่ Data Labeling หรือติดป้ายกำกับดาต้าชนิดต่างๆ บางทีเขาอาจจะมี Bias กับคนบางประเภท บางสีผิว บางเชื้อชาติ บางศาสนา หรืออาจเลือกที่รักมักที่ชอบจากหน้าตา แน่นอนย่อมส่งผลให้ดาต้าที่จะเอาไปวิเคราะห์หรือสอนเอไอนั้นมี Bias​ ซ่อนอยู่โดยที่คนทำงานต่อก็ไม่รู้

แต่พอใช้ AI เข้ามาทำหน้าที่จำการดาต้าให้พร้อมใช้งานนั้นจะปราศจากอคติชัดเจน ยกเว้นคนสอน AI จะสอนอย่างมีอคติมาก่อนหน้า ก็จะทำให้ดาต้านั้นผิดเพี้ยนได้

ซึ่งพอ AI ได้ดาต้าที่ดีไปเรียนรู้สร้างโมเดลก็จะมีความแม่นยำที่นำไปสู่การคาดการณ์ที่ดีกว่าเดิมมาก เราอาจค้นพบว่าลูกค้าบางกลุ่มมี Potential สูงมากกว่าที่คิดเมื่อปราศจากอคติ หรือเราอาจเจอช่วงเวลาสำคัญของการทำธุรกิจ สินค้าหรือบริการบางอย่างอาจขายดีมากสำหรับลูกค้าบางกลุ่มในบางช่วงเวลาก็เป็นได้

แน่นอนว่าการ Personalization ก็จะมีความรู้ใจที่แม่นยำมากขึ้น ทั้งหมดจะส่งผลให้กลุ่มลูกค้าบางคนที่เคยถูกมองข้าม เช่น คนผิวสี คนต่างจังหวัด หรือผู้ที่มีการศึกษาไม่สูงจากเดิมชอบถูกมนุษย์ด้วยกันประเมินว่าไม่มีความสาม

อ่านที่มาที่ไปก็เยอะแล้ว เรามาดูเคสตัวอย่างเทรนด์การตลาดแบบฉลาดใช้ดาต้าแบบ Data-Centric AI กันดีกว่าครับ

3 Case Study Data-Centric AI

1. Insurance Business

ธุรกิจประกันภัยมีการใช้ AI ช่วยทำ Data Labeling กับ Data Cleansing เพื่อปรับปรุงฐานข้อมูลลูกค้าและประวัติการเคลมเพื่อแยกประเภทผู้เอาประกันที่มีความเสี่ยงต่างกันได้แม่นยำขึ้น ส่งผลให้การประเมินราคาเบี้ยประกันเหมาะสมขึ้นตามพฤติกรรมการขับของแต่ละคนจริงๆ

2. Ecommerce Business

ในธุรกิจที่ขายสินค้าออนไลน์ โดยเฉพาะพวก Marketplace Platform ที่มีสินค้ามากมายหลายพันหลายหมื่น SKU ก็จะมีการใช้ Data มาช่วยจัดหมวดหมู่สินค้าได้อย่างแม่นยำภายใต้มาตรฐานเดียวกัน เพราะลองคิดภาพว่าถ้าใช้คนทำสัก 5 คน ไม่ใช่ทุกคนจะมองสินค้าเดียวกันและจัดหมวดหมู่หรือทำ Data Labeling ตรงกันหมดทุกครั้ง

ต่อให้มี Data Dic หรือ Data Guideline มากำกับก็ตาม มนุษย์เราเป็นสิ่งมีชีวิตที่ชอบใช้วิจารณญาณส่วนบุคคล หรือชอบแสดงความคิดเห็นที่แตกต่างเป็นประจำครับ

พอการจัดหมวดหมู่สินค้าที่มีอยู่ภายใต้มาตรฐานเดียวกัน พอ Machine Learning หรือ AI จะเรียนรู้เพื่อแนะนำสินค้าที่ลูกค้าน่าจะชอบหรือกำลังอยากซื้อก็จะมีความแม่นยำมากขึ้น

3. Banking & Finance

ในกลุ่มธุรกิจการเงินหรือธนาคารของไทยก็มีการใช้ AI ช่วยจัดการดาต้าที่ไหลเวียนเข้ามาอย่างมากมายมหาศาลในแต่ละวัน ตั้งแต่ใช้ในการปรับปรุง Customer Profile แล้วก็นำไปใช้ในการประเมิน Credit Scoring ว่าการจะอนุมัติให้กู้นั้นเป็นไปอย่างเที่ยงธรรม ไม่ใช่เลือกที่รักมักที่ชอบที่อาจเผลอเป็นโดยไม่รู้ตัวตามสัญชาตญาณของมนุษย์

ผลก็คืออัตราหนี้เสียก็จะลดลงเมื่อลดการใช้วิจารณญาณของเจ้าหน้าที่ลงไป

อ่านถึงตรงนี้แล้วบางคนอาจเกิดคำถามว่าถ้าเราเริ่มเห็นความสำคัญของเทรนด์นี้ เราจะต้องปรับตัวปรับแผนหรือลงทุนในเรื่องอะไรบ้างลองมาดูกันครับ

How to Adapt Data-Centric with AI

1. ให้ความสำคัญกับ Data Pipeline

นักการตลาดหรือผู้บริหารส่วนใหญ่มักจะให้ความสำคัญกับ Dashboard หรือ BI เป็นอันดับหนึ่ง ทั้งที่ความจริงแล้วนั่นคือปลายทางของการทำ Data Driven Marketing

ซึ่งการจะทำการตลาดแบบฉลาดใช้ดาต้าได้ดีจำเป็นต้องมีดาต้าที่ดีก่อน และหนึ่งในนั้นคือการทำเรื่อง Data Pipeline ซึ่งถือเป็นรากฐานของการเก็บดาต้าตั้งแต่ต้น เพราะเราจะมีดาต้าที่ดีเอาไปสอน AI ให้ฉลาดได้ก็ต้องเริ่มต้นจากการให้ความสำคัญกับการทำ Data Collecting, Data Cleansing และ Data Enrichment

2. ลงทุนใน Data Management Technology

การลงทุนในเทคโนโลยีที่เกี่ยวกับการจัดการดาต้าถือเป็นหัวใจสำคัญ ตั้งแต่การหาแพลตอร์มที่จะช่วยให้การทำ Data Labeling และ Data Catalog มีประสิทธิภาพมาขึ้น เพราะมันจะช่วยให้เราสามารถระบุประเภทของดาต้าได้ดีขึ้น รู้ถึง Data Source ที่มาของดาต้าแต่ละส่วน และเราก็จะปรับปรุงคุณภาพได้อย่างรวดเร็ว

ถ้าเมื่อไหร่มีดาต้าที่ผิดพลาดหรือผิดปกติหลุดเข้ามาเราก็จะจับสัญญาณได้ตั้งแต่เนิ่นๆ ไปใช่เก็บไปเป็นเดือนเป็นปีเพิ่งรู้ว่าตกลงอุปกรณ์เสีย เซนเซอร์ไม่ดี หรือเราตั้งค่าหน่วยการจัดเก็บข้อมูลแต่ละชนิดผิดเพี้ยนไปโดยไม่ตั้งใจ

ทั้งหมดนี้ก็เพื่อทำดาต้าให้ดีมีคุณภาพก่อนเอาไปใช้เทรน AI ที่เป็นอาวุธลับหัวใจหลักของการทำธุรกิจเรียบร้อยแล้ว

3. Add-on Qualitative Insights

ข้อมูลที่ดีในวันนี้ไม่ใช่แค่เรื่องของปริมาณ เพราะใครๆ ก็มี Big Data ได้ไม่ยาก หรืออาจอยู่แล้วโดยไม่รู้ตัว แต่เราอยู่ในยุคที่กลับมาให้ความสำคัญในคุณภาพของข้อมูลที่มีแทน ดังนั้นการหาข้อมูลบริบทอื่นๆ เพื่อเข้ามาทำความเข้าใจ Signal ที่เห็นจาก Data เพิ่มเติมจึงสำคัญมาก

เช่น การใช้ Social Listening เพื่อดูความเห็นที่ผู้คนมีจริงๆ ต่อสินค้าหรือแบรนด์ของเรา หรือการลงไปสำรวจผลลัพธ์จาก AI ที่เราสร้างขึ้นมาว่ามันแม่นยำอย่างที่เชื่อจริงหรือเปล่า

ในวันที่ AI ก้าวหน้าขึ้นมาด้วยการเข้าใจบริบทมากมายแบบมนุษย์เรา เราสามารถส่งงานพื้นฐานสำคัญอย่างการจัดการดาต้าอย่าง Data Labeling และ Data Cleansing ให้กับ AI จัดการได้

เพื่อที่เราจะได้ยกระดับดาต้าที่มีให้กลายเป็น Quality Data เพื่อที่พอจะเอาไปเทรนด AI สร้างโมเดลใหม่ๆ ก็จะทำให้ผลลัพธ์ที่ได้ยิ่งมีความแม่นยำมากกว่าเดิม

ซึ่งดาต้าจะมีคุณภาพได้อย่างที่คาดหวังก็ต้องอาศัยการลงไปดูในรายละเอียดตั้งแต่การเก็บ การจัดการ ก่อนจะนำไปสู่การ Analytics ซึ่งเป็นขั้นตอนสุดท้าย

นี่คือเทรนด์การตลาดแบบฉลาดใช้ดาต้าที่เรียกว่า Data-Centric AI ที่เราจะปล่อยให้ AI เข้ามามีบทบาทมากขึ้น ส่วนคนจัดการดาต้าเดิมๆ แบบเราก็จะได้มีเวลาจิบกาแฟหรือทำ Analytics ดีๆ เพิ่มขึ้นแทน

8. Data & AI Regulatory Framework ยกระดับกฏหมายดาต้าจาก GDPR สู่ EU AI Act

ต้องบอกก่อนว่าตั้งแต่เกิดยุคของ Generative AI เข้ามาส่งผลให้เกิดความตื่นตัวครั้งใหญ่ ทั้งที่หลายบริษัทอาจยังปรับตัวตามกฏหมาย GDPR หรือ PDPA ได้ไม่เรียบร้อยดี ดันต้องมาเรียนรู้กฏเกณฑ์ข้อบังคับที่เกี่ยวกับเรื่อง AI ที่ประกาศใช้ในยุโรปในปี 2025 เป็นครั้งแรก

คุณอาจสงสัยว่ากฏหมายยุโรปเกี่ยวอะไรกับไทย เกี่ยวแน่นอนครับ เพราะถ้าคุณมีชาวต่างชาติที่มีชาวยุโรปเป็นลูกค้า หรือแม้แต่อาจจะเป็นแค่คู่ค้า คุณก็ต้องปฏิบัติตามกฏเหล่านี้ถ้าไม่อยากคดีฟ้องร้องระหว่างประเทศ

จากนี้ไป AI จะถูกจับตา เฝ้าระวัง ไปจนถึงควบคุมติดตามเพิ่มมากขึ้นกว่าเดิมมาก เหตุผลก็เพราะต้องการป้องกันความเสี่ยงที่ประชาชนคนทั่วไปจะถูกบริษัทผู้สร้าง AI เอารัดเอาเปรียบโดยไม่รู้ตัว ดังนั้นนักการตลาดอย่างเราจำเป็นต้องปรับตัว ปรับการทำงาน ปรับการใช้ดาต้าให้สอดคล้องกับ EU AI Act ตั้งแต่วันนี้

เทรนด์นี้จะทำให้การลงทุนในการทำ Data Governance ยิ่งทวีความสำคัญมากขึ้น เพราะถ้าคุณจะทำให้ดาต้าเรียบร้อยปลอดภัยจนนำไปเทรน AI ได้ ก็ต้องมีการกำหนดหรือสร้าง Data Governance ที่ดี หรือจะเรียกว่าเป็นการวางรากฐานการใช้ดาต้าที่ดีทั้งองค์กรก็ว่าได้

ถ้าบริษัทไหนยังปรับตัวไม่ทันกับเรื่องนี้อาจส่งผลร้ายถึงขนาดห้ามทำธุรกิจในบางประเทศ โดยเฉพาะในยุโรปที่เข้มข้นเรื่องการปกป้องคุ้มครองสิทธิส่วนบุคคลอย่างมาก หรือคุณอาจถูกปรับเป็นเงินมหาศาล ทั้งหมดก็คือการสูญเสียโอกาสในการแข่งขันให้กับคู่แข่งรายอื่นที่ปรับตัวได้ก่อนครับ

ส่วนบริษัทไหนหรือหน่วยงานใดที่ปรับตัวได้ทันตามกฏหมายเรื่องดาต้าและเอไอใหม่ๆ ก็จะสามารถนำดาต้าที่มีไปต่อยอดได้เต็มที่อย่างสบายใจ ไม่ว่าจะเอาไปสร้าง Generative AI ของตัวเองให้มีความฉลาดและรอบรู้มากขึ้น หรือจะเอาไปทำ Real-time Data Analytics

ทีนี้ลองมาดู 3 เคสตัวอย่างกรณีศึกษาเรื่อง PDPA และ AI ในไทยเกี่ยวกับกฏหมายข้อบังคับใช้และแนวทางการปฏิบัติที่เกิดขึ้นแล้วกันครับ

3 Case Study ตัวอย่างเรื่อง PDPA, GDPR และ EU AI Act

1. บริษัทถูกปรับเป็นเงินหลักล้าน เพราะไม่สามารถปฏิบัติตาม PDPA ได้

เราคงเห็นข่าวแล้วที่มีบริษัทในไทยบางแห่งเกิดกรณีข้อมูลส่วนบุคคลลูกค้ารั่วไหลไปถึงแก๊งค์ Call Center ว่าได้สั่งสินค้าอุปกรณ์คอมพิวเตอร์ชิ้นนี้ไปหรือไม่ จนกลายเป็นคดีความที่ศาลตัดสินสั่งปรับเป็นเงินหลักล้านบาทไปในปีก่อน

แน่นอนว่าคดีความแบบนี้อาจไม่ได้เป็นข่าวดัง แต่มันทำให้เห็นถึงการบังคับใช้กฏหมายที่จริงจังอยู่เนืองๆ และก็คาดการณ์ว่าการบังคับใช้กฏหมายเรื่อง พรบ คุ้มครองข้อมูลส่วนบุคคลจะเข้มข้นมากขึ้น และก็เป็นไปได้ว่าในบ้านเราจะมี พรบ เกี่ยวกับ AI ออกมาในอีกไม่นานเพื่อให้สอดคล้องกับมาตรฐาน EU AI Act เหมือนที่เราออก PDPA มาเพื่อให้สอดคล้องกับหลัก GDPR ครับ

2. ทำตาม PDPA หรือ EU AI Act ได้ทันจะกลายเป็นจุดขายใหม่เรื่อง Ethic ให้กับแบรนด์

แน่นอนว่านี่ไม่ใช่จุดขายที่จับต้องได้เหมือนกับสินค้าหรือบริการทั่วไป แต่กับผู้บริโภคยุคใหม่ที่ใส่ใจเรื่องจริยธรรมอย่างมาก จะทำให้พวกเขามองหาว่าบริษัทไหนบ้าง แบรนด์ใดบ้างที่ปฏิบัติตามกฏหมายข้อบังคับเรื่องการคุ้มครองข้อมูลส่วนบุคคลที่ดีกว่าคนอื่น

ถ้าองค์กรไหนสามารถปรับตัวตามได้ไวพอก็จะสามารถนำไปโปรโมทเป็นข่าว PR ก็ได้ เมื่อผู้คนเริ่มรับรู้และเชื่อว่าคุณวางใจได้ เชื่อใจได้ พวกเขาก็จะย้ายมาเป็นลูกค้าคุณมากขึ้น โดยเฉพาะถ้าเมื่อไหร่แบรนด์ที่พวกเขาใช้อยู่เจอข่าวฉาวเรื่องขาดจริยธรรมในการใช้ข้อมูลลูกค้า เมื่อนั้นผู้คนจะแห่มาหาคุณอย่างล้นหลามครับ

3. ทำให้การทำธุรกิจระหว่างประเทศราบรื่น

แน่นอนว่าการจะทำธุรกิจกับประเทศใดก็ต้องมีการปฏิบัติตามกฏหมายของประเทศนั้น แม้เราจะไม่ได้เข้าไปทำธุรกิจในประเทศเขาตรงๆ อย่างการเปิดร้าน เปิดออฟฟิศสำนักงาน แม้เราจะทำแค่การขายสินค้าออนไลน์ให้กับคนในประเทศเขาผ่านทางอินเทอร์เน็ตก็ต้องปฏิบัติกับข้อมูลส่วนบุคคลของคนในประเทศปลายทางตามข้อกำหนดของกฏหมายประเทศนั้นด้วย

อย่างตอน GDPR ประกาศใช้หลายบริษัทในไทยที่ทำธุรกิจกับคนต่างชาติ เช่น สายการบินในประเทศเราก็ต้องมีการยกเครื่องมาตรฐานการจัดการดาต้าในองค์กรให้สอดคล้องกับ GDPR เพราะไม่อย่างนั้นจะถูกปรับ ถูกแบน จนเสื่อมเสียชื่อเสียงที่สั่งสมมาอย่างแน่นอน

อ่านถึงตรงนี้คงแอบคิดในหัวว่างานใหญ่แน่นอน ลองมาดูแนวทางการปรับตัวให้พร้อมกับเทรนด์นี้ดีกว่าครับ

How to Adapt Data & AI Regulatory Framework 

1. Up to Date ติดตามกฏหมายตลอดเวลา

ถ้าผิดพลาดมาจะบอกว่าไม่รู้ไม่ได้ เพราะตามหลักกฏหมายคือทุกคนต้องรู้กฏหมาย โดยเฉพาะกับบริษัทหรือองค์กรขนาดใหญ่ที่มีทีมกฏหมายยิ่งแล้วใหญ่ จากนี้ไปไม่ใช่แค่ทีมกฏหมายเท่านั้น แต่ทีมการตลาดไปจนถึงทุกคนที่เกี่ยวข้องกับการใช้ Personal Data หรือ Customer Data ต้องรู้ว่าอะไรทำได้ และอะไรทำไม่ได้

เราต้องหมั่นอัปเดทว่าประเทศแถบอเมริกา สหภาพยุโรป หรือเอเซียอื่นๆ นั้นมีกฏระเบียบข้อบังคับอะไรใหม่เรื่อง Data & AI อีกบ้าง

เพื่อจะได้ปรับตัวตามได้ทันก่อนกฏหมายใหม่ประกาศใช้ ถึงเวลาที่เริ่มบังคับใช้เราก็จะได้ทำธุรกิจแบบสบายใจเฉิบๆ

2. สร้างกลไก Compliance Check ในองค์กร

นอกจากจะมีเจ้าหน้าที่ที่เชี่ยวชาญด้านกฏหมายที่เกี่ยวกับข้อมูลส่วนบุคคลและเอไอแล้ว เรายังสามารถเอาระบบ Automation มาช่วยตรวจสอบการใช้ดาต้า การเก็บ ไปจนถึงการแชร์หรือส่งออกให้เป็นไปตามกำหนดข้อบังคับแต่ละประเทศ

ประเทศไหนยังไม่บังคับเท่ากับประเทศที่บังคับใช้เข้มข้นก็ยังสามารถปล่อยจอยได้ระดับหนึ่ง สำคัญคือการปฏิบัติตามกฏหมายอย่างเคร่งครัด แต่ถ้าอะไรทำได้และไม่ผิดจริยธรรมก็ควรทำให้เกิดผลเต็มที่เช่นกัน

3. Start with Privacy by Design

นี่คือแนวคิดสำคัญของยุค GDPR หรือ PDPA เพราะมันคือการออกแบบสินค้าหรือบริการ หรือ Digital Product ให้รักษาเรื่อง Privacy ของผู้ใช้งานหรือผู้คนโดยรอบตั้งแต่ต้น เช่น หน้าจอโฆษณา LED อัจฉริยะบางตู้สามารถปรับเนื้อหาโฆษณาให้เหมาะกับคนตรงหน้าตู้ได้ ด้วยการใช้กล้องบวก AI ในการวิเคราะห์ว่าคนตรงหน้าตู้นั้นเป็นใคร เพื่อจะได้คัดโฆษณาที่ใช่ในบริบทนั้นมากระตุ้นให้เกิดการซื้อได้มากที่สุด

เพียงแต่ข้อมูลบุคคลตรงหน้าตู้นั้นไม่ได้ถูกจัดเก็บไปไหน อาจเป็นการทำ Edge Computing วิเคราะห์ตรงหน้างานแล้วจบ หรืออาจไม่ได้เก็บ Sensitive Data ไปวิเคราะห์ ไม่เอาใบหน้า หรือพยายามระบุตัวตนใดๆ โปรแกรมวิเคราะห์หลังบ้านอาจถูกออกแบบมาให้วิเคราะห์แค่เพศโดยสังเกต ช่วงอายุโดยสังเกต ซึ่งเพียงเท่านี้ก็เพียงพอต่อการเอามาวิเคราะห์ทำ Real-time Promotion หรือ Contextual Marketing ได้แล้วครับ

สรุป Data-Driven Marketing 2025 เทรนดืที่ 8 Data & AI Regulatory Framework

เมื่อดาต้ามีความสำคัญอย่างมากโดยเฉพาะในโลกยุค AI Driven Marketing เพราะ AI โดยเฉพาะ Generative AI จะฉลาดได้ก็ขึ้นอยู่กับคุณภาพและปริมาณของดาต้าที่ป้อนเข้าไปให้มันเรียนรู้ และนั่นเลยนำมาสู่การประกาศกฏหมายฉบับใหม่ที่จะเข้ามาควบคุมเรื่อง AI ของทางยุโรปที่มีชื่อว่า EU AI Act เป็นฉบับแรกของโลก

แน่นอนว่าประเทศต่างๆ จะต้องเริ่มปรับตัวตามด้วยการออกกฏหมาย AI Act ของประเทศตัวเองให้มีความสอดคล้องเพื่อลดการได้เปรียบเสียเปรียบระหว่างกัน

ดังนั้นนักการตลาดสายดาต้าอย่างเราต้องเรียนรู้และทำความเข้าใจเทรนด์นี้ให้ไว เพราะไม่อย่างนั้นเราอาจมีดาต้ามากมายแต่ไม่สามารถหยิบไปใช้วิเคราะห์ทำอะไรได้ เพราะติดเรื่องกฏหมายเต็มไปหมดที่เราไม่ปรับตัวการจัดเก็บดาต้าลูกค้าตั้งแต่แรกครับ

9. Edge Computing พลิกโฉมการวิเคราะห์ดาต้าที่ยกระดับเรื่องความไวและคงความปลอดภัยเต็มที่

Photo: https://www.akamai.com/glossary/what-is-edge-computing

เดิมทีการวิเคราะห์ดาต้าจะต้องเริ่มจากการส่งข้อมูลให้ใครสักคนเพื่อทำหน้าที่วิเคราะห์ จากนั้นก็ค่อยตัดสินใจว่าจะทำอะไรต่อไปแล้วก็ส่งกลับมายังหน้างานอีกครั้ง

คิดภาพถ้าคุณเปิดร้านอาหารที่มีหลากหลายสาขาทั่วประเทศ คุณมีอุปกรณ์อย่างกล้องวงจรปิดที่มี AI ช่วยวิเคราะห์ Foot Fall Traffic ได้ว่าตอนนี้มีลูกค้าอยู่ในร้านเท่าไหร่ ลูกค้าแต่ละคนเป็นใคร กำลังสั่งอาหารแบบไหน ใครบ้างที่ได้รับอาหารแล้ว ใครบ้างที่ยังรออาหารอยู่

ครั้นเราจะเอาดาต้าตรงนั้นมาวิเคราะห์เพื่อทำ Business Optimization หรือ Personalization ในแต่ละสาขาก็ต้องส่งให้ HQ หรือเฮดออฟฟิศทำการวิเคราะห์ก่อนจะออกมาเป็นผลการตัดสินใจให้หน้าร้านปฏิบัติงานตามนั้น

และจากการต้องส่ง Data จากหน้างานหรือสถานที่เก็บข้อมูลจริงออกไปทำให้ต้องเพิ่มมาตรการ Cyber Security ว่าข้อมูลที่ถูกส่งออกไปมีความปลอดภัยและรักษาความเป็นส่วนตัวมากพอ ผู้วิเคราะห์คือผู้ที่ได้รับอนุญาตจริงๆ ไม่ใช่ใครที่ไหนก็ไม่รู้มาเข้าถึงข้อมูลที่เป็น Sensitive Data

เห็นไหมครับว่าการส่งดาต้าจากจุดหนึ่งไปจุดหนึ่งไม่ได้มีแค่เรื่องของสัญญาณความเร็วอินเทอร์เน็ตที่ต้องเสถียรและรวดเร็วพอ แต่ยังมีรายละเอียดปลีกย่อยมากมายที่นักการตลาดต้องใส่ใจและมองข้ามไม่ได้ (เนื่องจากมีผลทางกฏหมาย)

แต่ถ้าเราใช้ Edge Computing หรือการประมวลผลวิเคราะห์ดาต้าตรงหน้างาน หรือจุดที่ทำการเก็บดาต้าให้จบด้วยตัวเอง ปัญหาต่างๆ ก็จะลดลงไปมากตั้งแต่เรื่องของความเร็วในการส่งข้อมูลออกและรอรับผลที่อาจกินเวลาหลายวินาที ไปจนถึงหลายนาที หรือเรื่อง Cyber Security ที่อาจเป็นต้นทุนไม่น้อยในแต่ละปีในการรับและส่งข้อมูลระหว่างจุดต่างๆ

Photo: https://semiconductor.samsung.com/support/tools-resources/dictionary/edge-computing/

เช่น ถ้าตัวกล้องวงจรปิดที่มี AI ของเราสามารถประมวลผลและจบในตัวเองได้ หรือจบที่หน้าร้านหรือหน้างานได้ การจะเกิด Action ต่อไปก็จะรวดเร็วที่สำคัญยังสบายใจเรื่องความปลอดภัยของข้อมูลลูกค้าแบบสุดๆ

และก็บวกกับความสามารถของ tinyML หรือ Machine Learning ขนาดเล็กพอที่จะวิเคราะห์ดาต้าหน้างานได้อย่างแม่นยำในระดับที่ต้องการได้ ทำให้ Edge AI นั้นทรงพลังพอที่จะแก้ปัญหาไม่ซับซ้อนมาก อย่างการประเมินว่าตอนนี้ควรทำการตลาดแบบไหนจากกลุ่มลูกค้าตรงหน้า ไม่ต้องไปประเมินรวมจากลูกค้าทั้งหมดทุกสาขาทั่วประเทศที่ HQ หรือเฮดออฟฟิศเหมือนเดิมให้ยุ่งยากอีกต่อไป

ลองคิดภาพเวลาคุณจะเช็คอินหน้าโรงแรมด้วยระบบสแกนใบหน้าในบางที่ หรือเอาแค่สนามบินก็ได้ อย่างผมเองเคยมีประสบการณ์สแกนหน้าแล้วระบบค้างเพราะมัวแต่โหลดอยู่ ซึ่งตัวผมเองก็ไม่รู้เหมือนกันว่าจะส่งข้อมูลใบหน้าผมออกไปประมวลผลที่ไหนกว่าจะส่งกลับมา

แต่ถ้าทางสนามบินหรือโรงแรมนั้นใช้เทคโนโลยี Edge Computing ประมวลผลที่ตัวเครื่องหน้าหน้างานให้จบโดยไม่ต้องส่งดาต้าออกไปให้ยุ่งยาก การสแกนใบหน้าก็จะสะดวกรวดเร็วอย่างที่ควรจะเป็นโดยไม่ต้องพึ่งพาสัญญาอินเทอร์เน็ตให้วุ่นวาย แล้ว Customer Experience โดยรวมก็จะสูงขึ้น และท้ายที่สุดก็จะส่งผลให้สามารถรับรองแขกหรือลูกค้าผู้ใช้งานได้มากกว่าเดิม

ลองมาดูเคสตัวอย่างการใช้ Edge Computing ยกระดับเรื่อง Customer Experience หรือ Personalized Marketing กันจริงๆ ดีกว่าครับ

2 Case Study Edge Computing เคสตัวอย่างการประมวลผลวิเคราะห์ดาต้าตรงหน้างาน

1. Edge Computing for Retail หน้าร้านอัจฉริยะ

ลองคิดภาพร้านค้าปลีกทั้งหลายไม่ว่าจะร้านขายเสื้อผ้าแฟชั่น หรือซูเปอร์มาร์เก็ต หรือปั๊มน้ำมันจุดพักรถขนาดใหญ่ หรือห้างสรรพสินค้าที่เต็มไปด้วยร้านค้าปลีกข้างในมากมาย ถ้ามีการติดตั้งเซนเซอร์เพื่อวัดจำนวนลูกค้าที่เดินอยู่ในแต่ละพื้นที่แบบเรียลไทม์

เดิมต้องส่งดาต้าไปประมวลผลบน Cloud Server ที่อาจเกิด Lack Latency หลักวินาทีไปจนถึงหลายนาที เป็นประมวลผลจบในอุปกรณ์ตัวเองหรือ Server บนพื้นที่นั้นด้วยระบบ Internal Network ก็จะสามารถปรับพื้นที่ให้เหมาะสมกับจำนวนลูกค้าหรือกลุ่มลูกค้าที่กำลังใช้บริการได้

เช่น ถ้าพบว่าพื้นที่นี้ไม่มีคนอยู่ก็อาจหรี่ไฟลงนิด เบาแอร์ลงหน่อย ลดเสียงของลำโพงลงไปเพราะไม่มีใครได้ยิน แต่กับพื้นที่ไหนมีคนเดินอยู่เยอะก็อาจปรับแอร์ให้แรงขึ้นเพื่อให้ตอบรับกับจำนวนคนที่ใช้บริการในพื้นที่นั้นให้ไม่รู้สึกอัดอัด หรือร้อนจนเกินไป

และก็ไปถึงขั้นทำ Personalized Marketing หรือ Contextual Marketing แบบเรียลไทม์ก็ยังได้ เช่น ถ้าเจอว่าตอนนี้แดดกำลังแรง อากาศกำลังร้อน ก็หยิบภาพประเภทเครื่องดื่มเย็นๆ ปั่นๆ หรือไอศกรีมขึ้นมาเพื่อกระตุ้นให้คนรู้สึกว่ามันช่างเหมาะกับการกินไอศกรีมจัง

หรือถ้าเจอว่าอากาศภายนอกนั้นเต็มไปด้วยฝุ่นพิษ PM 2.5 ก็เอาภาพสินค้าตั้งแต่หน้ากากกันฝุ่น PM 2.5 มาจัดโปรโมชั่นซื้อยกแพ็คในราคาพิเศษ หรืออาจเอาสินค้าประเทศเครื่องกรองอากาศมาโชว์แทน แล้วก็มีลูกศรบอกว่าถ้าอยากดูของจริงจะเดินไปตรงโซนเครื่องใช้ไฟฟ้าได้อย่างไรโดยไม่หลง

2. Edge Computing for Factory โรงงานอัจฉริยะ

โรงงานขนาดใหญ่ในไทยเริ่มมีการใช้ Edge Computing และ tinyML มาใช้กับอุปกรณ์เซนเซอร์ต่างๆ ที่จะคอยตรวจวัดจับสัญญาณทั้งเสียง การสั่น และอื่นๆ ที่จะบอกเป็นสัญญาณให้รู้ว่ากำลังเกิดความผิดปกติขึ้นหรือไม่

เพียงแต่เดิมทีสัญญาณที่ได้รับจะถูกส่งออกไปประมวลผลข้างนอก แน่นอนว่าบางครั้งก็อาจเกิดการดีเลย์ได้

แต่พอเป็น Edge Computing ที่สามารถประมวลผลข้อมูลที่หน้างานก็ทำให้ลดความผิดพลาดที่อาจเกิดจากการตัดสินใจที่ช้าได้ แม้จะฟังดูเล็กน้อยแต่เมื่อรวมทุกเรื่องเล็กน้อยเข้าด้วยกันทั้งปีก็จะกลายเป็นผลลัพธ์ที่มหาศาลครับ

พอเห็นภาพแนวทางการประยุกต์ใช้ Edge Computing อีกหนึ่งเทรนด์สำคัญของการตลาดแบบฉลาดใช้ดาต้าในปีนี้ ที่จะทำให้การใช้ดาต้าเป็นเรื่องที่ปลอดภัยและฉับไวขึ้นมาก ลองมาดูแนวทางการปรับตัวกันดีกว่าครับว่าเราต้องทำอะไรเพิ่ม หรือต้องเรียนรู้อะไรใหม่บ้างครับ

How to Adapt Edge Computing for Marketing

1. ทำความเข้าใจเทคโนโลยี Edge และ tinyML

แน่นอนว่าการ Implement เรื่องนี้คงไม่ใช่หน้าที่หลักของนักการตลาดอย่างเรา แต่การที่เราจะไม่รู้เลยก็คงไม่ใช่เหมือนกัน

เพราะการจะทำสิ่งใดได้ดี ใช้เครื่องมือไหนได้คล่อง ก็ต้องเริ่มจากการเข้าใจถึงหลักคิด หลักการ และวิธีการทำงานของมันก่อน เพื่อที่เราจะได้รู้ว่าจะเอามาต่อยอดกับงานการตลาดอย่างไร เอามาใช้เสริมแคมเปญการตลาดแบบไหน หรือจะเอาไปทำ Marketing Automation อย่างไรให้ลูกค้ารู้สึกประทับใจกับแบรนด์เรามากที่สุด

และหนึ่งข้อดีมากๆ ของ tinyML คือมันทำให้ AI ยังคงสามารถทำงานได้ในพื้นที่ที่สัญญาณอินเทอร์เน็ตไม่ดี ทำให้การคิดและประมวลผลสามารถเกิดขึ้นและจบที่หน้างานได้ในคุณภาพที่ต้องการ

จำไว้ว่ารู้ไว้เพื่อ Apply ไม่ใช่รู้ไว้เพื่อ Implement เพราะ Edge Computing และ tinyML จะกลายเป็นเครื่องมือใหม่ของนักการตลาดสายดาต้านับจากปี 2025 เป็นต้นไป

2. Edge Integrated Cloud Computing

แน่นอนว่าการจะทำ Personalized Marketing หรือการตลาดแบบรู้ใจให้ดีที่สุดไม่อาจเกิดขึ้นโดยด้วยการใช้ Silo Data อย่างที่ Edge Computing กำลังทำ ดังนั้นคุณต้องวางแผนเรื่อง Data Strategy ให้ดีควบคู่กันว่า Channel หรือ Touchpoint ใดที่ใช้ Edge Computing ถึงจะให้ผลลัพธ์ที่ดีกว่า แล้วเมื่อไหร่บ้างที่เราจะสามารถส่ง Data หรือ Insight บางอย่างจาก Channel นั้นออกไปเพื่อประมวลผลในภาพรวมอีกที

เหมือนกับการรู้ว่าจังหวะไหนควรปิดเกมเร็ว จังหวะไหนควรปิดเกมช้า จังหวะไหนรอได้ จังหวะไหนห้ามรอ ทั้งหมดนี้คือการออกแบบ Data Driven Strategy ที่เอาทั้ง Edge & Cloud มา Integration กันอย่างลงตัวครับ

3. ต้องมั่นใจว่า Cyber Security ตรง Edge ก็ปลอดภัย

แม้ว่าการใช้ Edge Computing จะทำให้เรามั่นใจเรื่องความปลอดภัยของดาต้าเพราะไม่ต้องส่งไปไหนมาไหนให้ใครเห็นวุ่นวาย แต่ในขณะเดียวกันเราก็ต้องมั่นใจว่าตรงอุปกรณ์ปลายทางหรือ Endpoint ของเรานั้นมี Security รัดกุมไม่ถูกใครมาเจาะแอบเข้าถึงดาต้าไปแบบง่ายๆ

และสำคัญสุดคือทุกอุปกรณ์ที่เราใช้ทำ Edge Computing ต้อง Compliance กับ PDPA หรือ GDPR อย่างถูกต้อง เพราะถ้าละเมิดตั้งแต่อุปกรณ์เริ่มต้นก็ไม่ต้องคิดเลยว่าจะไปจบที่ตรงไหนครับ

นับจากนี้เป็นต้นไปเรื่อง Edge Computing จะไม่ใช่แค่เทรนด์สำหรับบางกลุ่ม บางคน บางธุรกิจเท่านั้น แต่จะกลายเป็นเรื่องพื้นฐานของการทำ Data และ AI นับจากนี้ เพราะมันจะช่วยปลดล็อคข้อจำกัดจำนวนมากทั้งการส่งดาต้าและความปลอดภัยควบคู่กัน

การประมวลผลข้อมูลก็จะเร็วขึ้นเหลือแค่หลักวินาที ทันทีที่อุปกรณ์เซนเซอร์ต่างๆ สามารถ Capture Data ได้ก็จะเกิดการ Analyze ในทันใดด้วยความสามารถของ tinyML ในตัวอุปกรณ์เองโดยไม่ต้องพึ่งพาสัญญาณอินเทอร์เน็ตแบบเดิม

เราจะก้าวเข้าสู่ยุคของ Real-Time Marketing กันอย่างเต็มที่ ดีไม่ดีเราอาจก้าวเข้าสู่ยุคของ Metaverse กันอีกครั้ง

เริ่มต้องศึกษาแนวทางแล้วเริ่มร่างออกมาเป็น Strategy บริษัทได้แล้ว เพราะถ้าคุณยิ่งคิดและทำช้านั่นหมายความว่าคู่แข่งแบรนด์ข้างๆ อาจกำลังแซงหน้าคุณไปไกลแบบเงียบๆ แล้วก็ได้ครับ

10. Behavioral Data Become The New Gold ไม่ใช่ดาต้าที่มีค่าดั่งทอง แต่เป็นดาต้าพฤติกรรมจริงๆ ต่างหากที่มีค่ากว่าทองจริงๆ

คำว่า Data is the new gold คือคำที่ถูกใช้มานานและคนส่วนใหญ่ก็เชื่อตามนั้น (ผมเองก็เป็นหนึ่งในคนที่เชื่อตามนั้น เพราะไม่งั้นคงไม่เริ่มต้นใช้ Data ทำการตลาดมานานแล้ว) แต่ในปัจจุบันแค่ Data นั้นไม่พอ เพราะ Data จะมีค่าได้ต้องผ่านการสกัดคุณค่าออกมาก่อน โดยเฉพาะคุณค่าในด้าน Behavioral หรือพฤติกรรมความรู้สึกนึกคิด หรือที่เราเรียกกันติดปากว่า Insight

วันนี้ Insight ที่ดีต้องมาจาก Data โดยเฉพาะ Digital Data ที่เก็บตรงจากพฤติกรรมของลูกค้าหรือ User ผู้ใช้งานจริงๆ ครับ

จากเดิมเราอยากรู้ว่าลูกค้าคิดอย่างไรเราต้องส่งทีมเข้าไปคุย จัดห้องสัมภาษณ์ Focus Group หรืออาจส่งแบบสอบถามไปให้คนตอบแล้วเอาข้อมูลที่ได้มาวิเคราะห์ประมวลผลออกมาเป็นข้อสรุปให้นักการตลาดอย่างเราไปวางแผนต่อ

แต่วันนี้เราเปลี่ยนมาทำความเข้าใจลูกค้า กลุ่มเป้าหมาย หรือผู้ใช้งานจาก Interaction Data ตรงๆ เช่น คนโหลดแล้วใช้งานจริงไหม คนแสดงออกทางสีหน้าหรือน้ำเสียงอย่างไร หรือคนมีการพิมพ์แสดงความเห็นลงบนโซเชียลอย่างไร ทั้งหมดนี้คือการประมวลผลออกมาในรูปแบบ Sentiment ประเมินอารมณ์ความรู้สึกจาก Interaction Data จริงๆ ที่ปราศจากอคติหรือการปั้นประดิษฐ์คำพูดคำจาจากการสัมภาษณ์หรือรีเสิร์จแบบเดิมๆ

เมื่อ Interaction Data กลายเป็น Sentiment ในด้านต่างๆ ก็ทำให้แบรนด์หรือนักการตลาดสามารถเข้าใจลูกค้าหรือกลุ่มเป้าหมายได้ดีขึ้น ลึกขึ้น ไปจนถึงแม่นยำมากขึ้น บวกกับยังสามารถเข้าใจคนเป็นจำนวนมหาศาลหลักหมื่นหลักแสนไปจนถึงหลักล้านได้ไม่ยาก ถ้าเทียบกับการรีเสิร์จแบบเดิมที่ใช้คำว่า “เป็นไปไม่ได้” ถ้าจะเข้าถึงข้อมูลผู้คนในจำนวนนั้น

ดังนั้นถ้าเราสามารถเข้าถึงอารมณ์ ความรู้สึก ความคิดผู้คนได้มากขึ้นและดีขึ้น เราก็ย่อมจะทำการตลาดแบบรู้ใจจากความเข้าใจ หรือ Hyper Personalization ได้ไม่ยากนับจากปี 2025 เป็นต้นไปครับ

และจากเรื่องนี้ก็จะส่งผลให้เทรนด์การตลาดแบบ Emotional Marketing หรือ Emotional Branding กลับมาเป็นรูปธรรมจับต้องได้จริงเป็นครั้งแรก

จากเดิมต้องอาศัยแค่ทฤษฎีมาจับ แต่วันนี้เราสามารถเห็นอารมณ์เป็นตัวเลข เป็นกราฟ เป็นชาร์ต เป็นสิ่งที่จับต้องได้จริงๆ ไม่ใช่แค่นามธรรมแบบเดิม

เมื่อเรารู้ว่าคนคิดอย่างไรได้ชัดเจน เราก็สามารถสื่อสารและทำการตลาดสร้างแบรนด์ออกไปแบบเข้าถึงใจได้มากขึ้น อีกชื่อหนึ่งมันเรียกว่าการตลาดแบบ Presicion Marketing การตลาดแบบตรงใจและแม่นยำที่จะทำให้ลูกค้าแต่ละคนเกิดความประทับใจฝังลึกยิ่งกว่าเดิม

คุณลองคิดภาพว่าถ้าคุณขายน้ำอัดลมแบรนด์หนึ่ง คุณเห็นจาก Data ว่าลูกค้าบางกลุ่มกำลังเกิดความเครียดกว่าปกติถึงสองเท่า คุณก็สามารถทำการตลาดออกไปได้อย่างแม่นยำซึ่งนั่นก็ขึ้นอยู่กับกลยุทธ์ของคุณ เช่น คุณอาจอยากช่วยให้ลูกค้าหายเครียดด้วยการให้กำลังใจ Positive Marketing ในแง่บวกแทน หรือบางคนอาจเลือกทำการตลาดแบบสนุกๆ ตลกๆ เข้าไปแทนซึ่งแต่ละวิธีการก็ขึ้นอยู่กับไลฟ์สไตล์ก่อนหน้าที่แต่ละคนเคยแสดงออกให้แบรนด์เก็บดาต้าไว้

หรือถ้าคุณกำลังเห็นจากดาต้าว่าลูกค้ากลุ่มหนึ่งกำลังดีใจเป็นพิเศษ เช่น อาจอยู่ในสนามบอลแล้วทีมที่ตัวเองเชียร์กำลังจะชนะการแข่งขันนัดนั้น แบรนด์ก็อาจทำการตลาดที่สนับสนุนให้คนได้เฉลิมฉลองกันโดยมีสินค้าของแบรนด์เป็นจุดร่วมอะไรแบบนั้นครับ

แต่ในขณะเดียวกันเมื่อเราพยายามจะวิเคราะห์ Behavioral Data หรือ Emotional Analytics เราก็จะเป็นจะต้องอาศัย Sensitive Data หรือข้อมูลที่มีความละเอียดอ่อนมากๆ ที่คนทั่วไปอาจไม่อยากแชร์ข้อมูลนั้นให้ ไม่ว่าจะสีหน้า น้ำเสียง ท่าทาง หรืออื่นใดก็ตาม ดังนั้นประเด็นเรื่อง Privacy & Consent ก็จะตามมาอย่างหลีกเลี่ยงไม่ได้ เรื่องนี้ต้องอาศัยการสื่อสารที่จริงใจออกไปว่าทั้งหมดนี้ก็เพื่อผลประโยชน์ของลูกค้าเองที่จะได้รับประสบการณ์แบบรู้ใจ Personalized Experience มากขึ้น แต่ก็ระวังอย่าไปละเมิด PDPA หรือ GDPR เข้านะครับ

ฟังจุดเริ่มต้นเรื่องราวของเทรนด์การตลาดแบบฉลาดใช้ดาต้าสุดท้ายมาก็เยอะแล้ว ลองมาดูตัวอย่างเคสจริงที่ใช้ Behavioral Data มาทำการตลาดและต่อยอดธุรกิจกันดีกว่าครับ

3 Case Study Behavioral Data Driven Marketing

1. Behavioral & Emotional Data Driven Retail Marketing

หนึ่งในธุรกิจที่มีการ Apply Data หลากหลายมากที่สุดประเภทหนึ่งนั่นก็คือ Retial หรือห้างสรรพสินค้าครับ

ลองคิดภาพว่าห้างต่างๆ หรือร้านค้าต่างๆ ก็ติดกล้องวงจรปิดอยู่แล้ว ทีนี้พอเอา AI เข้ามาใส่ในกล้องตัวเดิมความสามารถในการเล่นกับดาต้าก็จะเพิ่มขึ้นมหาศาล ตั้งแต่รู้ว่าเป้นผู้ชาย ผู้หญิง ช่วงอายุเท่าไหร่ แต่งตัวแบบไหน มีสีหน้าท่าทางอย่างไร อยู่ตรงพื้นที่ไหนเป็นเวลานานเท่าไหร่

แค่นี้ก็มี Data มากมายให้นักการตลาดเอาไปใช้ ตั้งแต่จัดสินค้าภายในร้านให้ตรงกับกลุ่มเป้าหมายมากขึ้น ให้ตรงกับสไตล์ลูกค้าส่วนใหญ่ภายในร้านในแต่ละช่วงเวลาแทน แต่สำคัญคือต้องแจ้งด้วยว่าคุณกำลังเก็บข้อมูลแบบไม่ระบุตัวตนเพื่อนำไปใช้ทำการตลาดจากลูกค้าให้ชัดเจน

2. Behavioral Data Driven Ecommerce

Behavioral Data ไม่ได้มีแค่ข้อมูลออฟไลน์จากสีหน้าท่าทางเรา แต่ยังสามารถเอามาจาก Interaction Data ผ่านรูปแบบการคลิ๊ก การกด การเลื่อนดู การอ่าน อย่างเว็บช้อปปิ้งออนไลน์ทั้งหลายก็พยายามตีความพฤติกรรมความคิดเราจากสิ่งที่เรากระทำผ่านหน้าจอ

เช่น ถ้ากดเข้ามาดูสินค้านี้เมื่อไม่กี่นาทีก่อนแล้วก็กลับเข้ามาดูอีกครั้ง แล้วก็มีการเลื่อนผ่านไปมาแล้วก็มีการเสิร์จหาชื่อสินค้าเดียวกันในแพลตฟอร์มแต่ก็พยายามหาร้านที่ถูกกว่า เพียงเท่านี้ก็สามารถอนุมานหรือตั้งสมมติฐานได้ว่าลูกค้ากลุ่มนี้กำลังอยากได้อย่างมาก แต่อาจอยากได้ในราคาที่รู้สึกว่าตัวเองชนะ หรือถูกที่สุด แพลตฟอร์มอาจมอบคูปองส่วนลดพิเศษให้แค่ลูกค้ากลุ่มนั้นด้วยเงื่อนไขว่าจำกัดการใช้งานภายใน 30 นาทีเท่านั้น

หรืออาจใช้กลยุทธ์เพิ่มราคาก่อนลดเพื่อทำให้รู้สึกว่าถูกลงกว่าเดิมมาก ทั้งที่ความจริงแล้วก็ราคาเท่าเดิม ดีไม่ดีอาจแพงกว่าเดิมด้วยซ้ำครับ

หรือถ้าลูกค้าคนนี้ค้นหาสินค้าเกี่ยวกับสุขภาพบ่อยๆ โดยเฉพาะในกลุ่มสินค้าที่มีคำว่า “เบาหวาน” ถ้าเอาไปวิเคราะห์ควบคู่กับช่วงอายุและเพศอาจพบว่าอายุยังน้อยเกินกว่าจะเป็นเบาหวานได้ อาจตั้งสมมติฐานว่าอาจกำลังหาให้พ่อแม่ผู้สูงวัยที่บ้าน ไม่ได้ซื้อใช้เองเท่านั้น ดังนั้นอาจนำเสนอสินค้าที่มีราคาสูงขึ้นเพราะคนซื้อไม่ได้ใช้เอง แต่ต้องการซื้อเพื่อแสดงความกตัญญูต่อพ่อแม่ญาติผู้ใหญ่แทนครับ

3. Behavioral Data Driven Beauty Business

ในกลุ่มธุรกิจสินค้าเพื่อความสวยความงามก็มีการใช้ Behavioral Data ค่อนข้างเยอะ อาจเริ่มตั้งแต่การเอา AI มาช่วยวิเคราะห์รูปภาพ Selfie ของกลุ่มเป้าหมายว่ากำลังรู้สึกแบบไหน กังวลกับเรื่องใดเป็นพิเศษ เพื่อจะได้แนะนำสินค้าที่ตรงกับปัญหาผิวแต่ละคนแบบ Personalization ได้อย่างแม่นยำ

อ่านถึงตรงนี้คงพอเห็นตัวอย่างแนวทางการประยุกต์ใช้ Behavioral Data จากแหล่ง Source of Data ชนิดต่างๆ ที่หลากหลายในธุรกิจที่แตกต่างกันแล้วใช่มั้ยครับ ทีนี้ลองมาดูกันต่ออีกนิดว่าแล้วถ้าเราสนใจจะตามเทรนด์นี้ให้ทันจะต้องปรับตัว ปรับกลยุทธ์ ปรับเทคโนโลยีในมือที่มีอย่างไรบ้าง

How to Adapt Behavioral Data Driven Marketing

1. Analytics อย่างมี Ethic 

วิเคราะห์ดาต้าลูกค้าและกลุ่มเป้าหมายอย่างมีจริยธรรม อย่าลืมว่าการพยายามทำความเข้าใจอารมณ์ ความคิดของใครสักคนทำให้เราสามารถโน้มน้าวจิตใจและการกระทำของพวกเขาต่อได้ไม่ยาก

และก็อย่าลืมว่าก่อนวิเคราะห์ข้อมูลของใครเราได้รับอนุญาตหรือทำการชี้แจงให้ชัดเจนก่อน พร้อมกับต้องเปิดโอกาสให้เจ้าของข้อมูลสามารถเลือกที่จะยินยอมหรือปฏิเสธได้ เพราะนี่คือยุคของ Privacy ที่มีทั้ง GDPR, PDPA และ EU AI Act คุ้มครองผู้บริโภคทุกคนอย่างเต็มที่ครับ

2. Focus on Value not Surveillance

อย่าลืมว่าเราวิเคราะห์ข้อมูลของลูกค้าก็เพื่อจะยกระดับคุณภาพชีวิตของพวกเขาให้สะดวกสบายขึ้นด้วยสินค้าหรือบริการของเรา ไม่ใช่ทำไปเพื่อตั้งใจสอดส่องด้วยวัตถุประสงค์อื่นที่ไม่แน่ชัด หรือเพื่อตั้งใจ Manipulate โน้มน้าวหลอกลวงให้พวกเขาทำในสิ่งที่ไม่ได้เป็นประโยชน์กับตัวเอง

ตั้งแต่หลอกให้พวกเขาติดหน้าจอเกินไป ติดการซื้อมากเกินไป เราจะต้องเป็นนักการตลาดที่จริงใจเพราะไม่อย่างนั้นถ้าผู้บริโภคจับได้เมื่อไหร่รับรองว่าแบรนด์จะพังเสียหายชนิดที่ทีม PR ยังคงได้แต่กุมขมับ

3. Privacy & Transparency First

บอกลูกค้าหรือผู้ใช้งานให้ชัดๆ ว่าเรากำลังเก็บข้อมูลพวกเขาไปวิเคราะห์เพื่อทำการตลาดอยู่ บอกพวกเขาว่าข้อมูลเหล่านั้นจะถูกเก็บรักษาอย่างไร ใครเข้าถึงได้บ้าง พร้อมกับให้สิทธิกับเจ้าของข้อมูลอย่างเต็มที่สำหรับคนที่ไม่สะดวกใจอยากเลือกปฏิเสธการถูกจัดเก็บข้อมูล เพราะนั่นคือสิทธิขั้นพื้นฐานของประชาชนทั่วโลกทุกคนในวันนี้

สรุป Data-Driven Marketing Trends 2025 เทรนด์ที่ 10 Behavioral Data Driven Marketing ข้อมูลพฤติกรรมความรู้สึกจะนำไปสู่การสร้างแบรนด์ที่ลึกไปอีกระดับ

เพราะการตลาดนับจากนี้ไปจะไม่ได้แข่งกันแค่ใครสร้างฟีเจอร์ใหม่ๆ หรือสินค้าใหม่ๆ ได้ดีกว่ากัน ในยุคที่เทคโนโลยีไล่ตามกันไม่นานเราจึงก้าวเข้าสู่ยุคในการแข่งขันว่าธุรกิจใครสร้างแบรนด์ให้คนรักได้มากกว่า หลงได้มากกว่า ติดใจได้มากกว่า จนทำให้คนอยากใช้เงินกับแบรนด์นั้นมากขึ้น

เหมือนกับที่เราเห็นหลายๆ แบรนด์สินค้าหรือบริการไม่ได้โดดเด่นแตกต่างอะไรมากในแง่ของ Benefit หรือ Feature Function แต่ในแง่ของ Branding และ Communication กลับสร้างความแตกต่างได้ชัดเจนจนทำให้เกิดสาวกแบรนด์มากมายที่พร้อมจะสนับสนุนผ่านการซื้อสินค้าใหม่ๆ ที่แบรนด์นั้นออกมา

และวันนี้ Data ไม่ใช่ is The New Gold แบบวันวาน แต่เป็น Behavioral Data ต่างหากที่กลายเป็นกุญแจสำคัญ เพราะในวันที่เรามี Customer Data มากมายให้หยิบไปใช้จนแทบไม่ทัน ใครที่สามารถค้นหาความหมายที่ซ่อนอยู่ในดาต้าที่เป็นตัวเลขทั้งหลายได้มากกว่า ก้จะนำไปสู่การสร้างความได้เปรียบในการแข่งขันทางธุรกิจได้สบายๆ ครับ

เราคงเห็นแล้วว่าทิศทางของการใช้ดาต้านับจากนี้ไปจะเป็นอย่างไร เมื่อโลกก้าวเข้าสู่ยุค AI อย่างเต็มตัว Data ก็จะยิ่งทวีความสำคัญมากขึ้นในฐานะอาหารของ AI นั่นเอง

AI จะฉลาดมากหรือน้อยก็ขึ้นอยู่กับอาหารที่ป้อนเข้าไป จะมีแค่อาหารเยอะๆ หรือ Big Data อย่างเดียวนั้นไม่ได้ แต่ต้องมี Quality Data ด้วยถึงจะทำให้ AI ตัวนั้นของเราโตขึ้นมาอย่างแข็งแรง ไม่ใช่โตขึ้นมาอย่างอ้วนกลมเต็มไปด้วยโรคเพราะกินแต่ดาต้าแย่ๆ ไม่มีคุณภาพ

ในขณะเดียวกันประเด็นเรื่อง Privacy ก็จะยิ่งทวีความสำคัญมากขึ้นเรื่อยๆ ซึ่งเรื่องนี้ก็จะสอดคล้องกับเรื่อง Regulatory กฏระเบียบข้อบังคับในการใช้ดาต้าและเอไอที่จะเข้างวดขึ้นกว่าเดิมมาก

ดังนั้นถ้าคุณอยากเป็นบริษัทที่ประสบความสำเร็จในยุค AI อยากเป็นแบรนด์ที่ได้ขึ้นชื่อว่าฉลาดใช้ดาต้าในการทำ Personalization ก็ต้องย้อนกลับขึ้นไปอ่าน 10 Data Trends 2025 อีกรอบแล้วก็เอาไปแชร์ให้ทีมฟังบ่อยๆ พร้อมกับเอามาดูเทียบกับ Vision & Mission บริษัทว่าจะให้สอดคล้องเดินหน้าไปด้วยกันได้อย่างไร

และในท้ายที่สุดผมอยากบอกว่าประเด็นสำคัญไม่ใช่ว่าเราควรจะเริ่มต้นทำเทรนด์นี้เมื่อไหร่ เราควรต้องทำตามเทรนด์นี้ที่อ่านมาหรือไม่ แต่เป็น เราจะปรับตัวตามเทรนด์นี้ได้เร็วแค่ไหน หรือเราสามารถจะปรับตัวให้ไวและทำให้มากกว่าเพื่อจะได้ล้ำหน้าในเทรนด์นั้น

ในขณะที่เรากำลังเร่งใช้เราต้องให้ความสำคัญกับเรื่อง Ethical Data Usage หรือจริยธรรมในการใช้ข้อมูลควบคู่กัน ถ้าคุณสามารถทำทั้งหมดนี้ได้พร้อมๆ กัน ผมเชื่อว่าคุณจะกลายเป็นผู้นำในธุรกิจในท้ายที่สุดครับ

Source: https://www.forbes.com/sites/bernardmarr/2024/10/30/the-10-most-powerful-data-trends-that-will-transform-business-in-2025/

เจ้าของเพจการตลาดวันละตอน / อาจารย์พิเศษวิชา Data-Driven Communication / เขียนหนังสือมาแล้ว 5 เล่ม Personalized Marketing, Data-Driven Marketing, Data Thinking, Contextual Marketing และ Social Listening / ที่ปรึกษา Data-Driven Advisor

Leave a Reply

Your email address will not be published. Required fields are marked *