รู้จัก Data Analysis ศาสตร์ที่ใช้ฐานข้อมูล ‘สร้างมูลค่า’ ผลักดันธุรกิจให้เติบโตได้ไม่สิ้นสุด

คุณคิดว่า Data Analysis มีผลกับธุรกิจของคุณมากน้อยแค่ไหน? จริง ๆ แล้วเรื่องการนำ Data (ข้อมูล) มาใช้ ได้ถูกพูดถึงในวงการธุรกิจมาตั้งแต่ปี 1960 แต่ก็มีไม่กี่องค์กรที่จะหา Insight หรือ ‘เบื้องหลังของข้อมูล’ นำมาใช้ได้ถูกเวลาและตรงจุดจริง ๆ

ในปัจจุบัน หากพูดถึงความสำเร็จที่เห็นได้ชัดก็คงจะไม่พ้นองค์กรระดับโลกอย่าง Google ที่สร้างมูลค่ามหาศาลจากการใช้ Data เพื่อนำการตัดสินใจ ไม่ว่าจะเป็นด้านแผนการตลาด ไปจนถึงดีไซน์ที่พวกเขาเลือกใช้ ก็ล้วนมาจากฐานข้อมูลที่แน่นอนด้วยกันทั้งสิ้น ซึ่งการใช้ Data Analysis จะช่วยทำให้ข้อมูลจากผลประกอบการที่ผ่านมา กลายเป็นภาพชัดเจนยิ่งขึ้น

หากธุรกิจของคุณมีสินค้าและบริการที่ดี แต่ยอดขายกลับยังไม่ได้ตามความต้องการ ตรงนี้อาจเป็นไปได้ว่าองค์กรของคุณกำลังละเลยในเรื่องการวิเคราะห์ข้อมูลสินค้า รวมถึงการจัดเก็บข้อมูลของลูกค้า (โดยเฉพาะการใช้ข้อมูลจากโซเชียลมีเดียต่าง ๆ)

วันนี้ The Growth Master ได้มาแนะนำการใช้ Data ที่เป็นข้อมูลเชิงซับซ้อนให้เข้าใจง่าย เพื่อปลุกไฟและเป็นเสมือน ‘เข็มทิศ’ สำหรับการพัฒนาการตลาด สามารถสร้างคุณค่าให้ผลิตภัณฑ์และช่วยให้ธุรกิจมุ่งไปสู่การตัดสินใจได้อย่างมีประสิทธิภาพที่สุดในบทความนี้

Data Analysis คืออะไร? 

Data Analysis คือ การนำ Data หรือข้อมูลจากผลประกอบการในอดีตมาวิเคราะห์ และหาสาเหตุของปัญหา หรือต้นตอที่มาที่ไปของข้อมูลอย่างแท้จริง ‘เพื่อให้เห็นภาพขั้นตอนของธุรกิจได้ชัดเจนขึ้น’ ต้องบอกว่า Data Analysis นั้นเป็นศาสตร์ที่มีความยืดหยุ่นสูง ต้องใช้ความเข้าใจและอัปเดตข้อมูลอยู่ตลอดเวลา (เท่ากับว่าคุณจะสามารถศึกษามันได้ตลอดชีวิต)

โดย Data Analysis จะยึดหลักการของ ‘การวิเคราะห์และหาจุดเชื่อมโยงของข้อมูล’ ซึ่งสิ่งเหล่านี้จะส่งผลให้แผนธุรกิจของคุณถูกปรับปรุงไปในทางที่ดีขึ้น เพราะข้อมูลจะช่วยให้คุณมองเห็นภาพรวมและสาเหตุของปัญหาที่มีส่วนทำให้ธุรกิจไม่เกิดผลลัพธ์เท่าที่ควร 

ซึ่งในวงการธุรกิจขายของออนไลน์เองก็มีการนำ Data Analysis มาใช้ ไม่ว่าจะเป็นการเก็บข้อมูลจากความคิดเห็นของลูกค้า (Data Driven Chat) เพื่อนำมาวางแผนออกแคมเปญใหม่ ๆ ให้ตรงใจ หรือการวิเคราะห์จากสถิติผู้เข้าชมเว็บไซต์ที่เยอะแต่ยอดขายกลับสวนทาง ตรงนี้ก็เป็นส่วนที่นำมาใช้ปรับมุมมองทางการตลาดเช่นกัน

และหากธุรกิจไหนที่ต้องการนำ Data มาใช้ในองค์กรให้มากที่สุด การวิเคราะห์ข้อมูลจากพฤติกรรมการใช้งานของลูกค้าผ่านดิจิทัล เช่น การทำธุรกรรมทางการเงิน, การใช้งานบนหน้าเว็บไซต์ รวมถึงการใช้งานบนแอปพลิเคชันต่าง ๆ บนโลกโซเชียลมีเดีย ก็เป็นข้อมูลที่สำคัญอีกแหล่งหนึ่ง

เพราะอย่างที่ทราบกันว่าโลกออนไลน์นั้นเติบโตขึ้นและเปลี่ยนแปลงทุกปี ดังนั้นการนำข้อมูลจากแพลตฟอร์มต่าง ๆ มาวิเคราะห์จะเป็นสิ่งที่ทำให้ธุรกิจและนักการตลาดของคุณ ‘ได้เปรียบคู่แข่ง’

รู้หรือไม่? หลายคนอาจจะสับสนระหว่างคำว่า Data Analysis กับ Data Analytics เพราะทั้งสองอย่างนี้มีความหมายใกล้เคียงกัน ซึ่งความแตกต่างนั้นคือ Data Analysis จะเป็นการวิเคราะห์ข้อมูลจากอดีต ส่วน Data Analytics จะเป็นการวิเคราะห์ข้อมูลจากปัจจุบันไปถึงอนาคต

ปัจจัยสำคัญที่ทำให้ Data Analysis เกิดประสิทธิภาพในธุรกิจสูงสุด

ปัจจัยสำคัญก่อนที่จะนำ Data Analysis เข้ามาใช้เป็นตัวขับเคลื่อนธุรกิจนั้น คุณจะต้องเริ่มจากการตั้งคำถามที่ดีเสียก่อน อย่างเช่น ‘วัฒนธรรมในองค์กร’ ของคุณมีความพร้อมต่อการเติบโตในด้านฐานข้อมูลแค่ไหน? และผู้นำสามารถนำข้อมูลไปอยู่ตรงหน้าคนในองค์กรได้อย่างไร?

รวมถึงการเลือกใช้ ‘เครื่องมือ’ แบบไหนที่เหมาะสมสำหรับ Data แต่ละประเภท ก็จะช่วยให้กระบวนการวิเคราะห์ต่าง ๆ เป็นไปอย่างมีประสิทธิภาพ

ซึ่งในที่นี้เราจะมาจับใจความสำคัญของหลักในการทำ Data Analysis ที่จะประกอบไปด้วยสองส่วนใหญ่ ๆ นั่นคือ Data Mining (การเข้าถึงข้อมูลจำนวนมากจาก Big Data) และ Market Analysis (การวิเคราะห์สถานการณ์ในตลาด) โดยสองส่วนนี้จะถูกนำไปใช้เพื่อเข้าสู่ขั้นตอน Automate Report ที่มีประสิทธิภาพในกระบวนการขั้นต่อ ๆ ไปนั่นเอง

เข้าถึงข้อมูลจำนวนมากด้วยการทำ Data Mining (เหมืองข้อมูล) 

Data Mining คือ ขั้นตอนการค้นหาข้อมูลจำนวนมากจาก Big Data (แหล่งข้อมูลขนาดใหญ่) หรือที่เรียกว่าการทำเหมืองข้อมูล เพื่อนำมาวิเคราะห์ในเชิงสถิติ สำหรับการหาจุดเชื่อมโยงใน ‘แต่ละชุดข้อมูล’ อย่างละเอียด ซึ่งปัจจุบันการทำเหมืองข้อมูลนั้นสามารถนำไปใช้กับการวิเคราะห์ได้หลาย ๆ ด้าน ไม่ว่าจะเป็นวงการธุรกิจ, ตลาดหลักทรัพย์, ระบบเศรษฐกิจ, การแพทย์ รวมถึงด้านวิทยาศาสตร์และพฤติกรรมของกลุ่มเป้าหมาย

ซึ่งการทำ Data Mining เพื่อเปลี่ยนข้อมูลดิบที่ได้มาให้กลายเป็น ‘ฐานข้อมูล’ ที่มีคุณภาพ สำหรับนำไปใช้ตัดสินใจได้อย่างถูกต้องนั้น จะประกอบไปด้วย 5 ขั้นตอน คือ Collection, Understanding, Preparation, Modeling และ Evalution

• Collection คือ ขั้นตอนการ ‘รวบรวมข้อมูล’ จากหลาย ๆ แหล่ง รวมถึงจาก Big Data ฐานข้อมูลขนาดใหญ่ เพื่อนำข้อมูลทั้งหมดมาทำให้เป็นข้อมูลชุดเดียวกัน ด้วยการกรอกข้อมูลเข้าระบบ Cloud และ Server ขององค์กรนั้น ๆ 

• Understanding คือ ขั้นตอนที่เป็นการ ‘ทำความเข้าใจและวิเคราะห์ข้อมูล’ ในเชิงลึก เช่น การทำความเข้าใจปัญหาของธุรกิจ, ทำความเข้าใจถึงข้อมูลที่เกี่ยวข้องกับคำถามในธุรกิจ รวมถึงโครงสร้าง ที่มาที่ไปของชุดข้อมูลนั้น ๆ 

• Preparation คือ การ ‘จัดเตรียมข้อมูล’ ที่ผ่านการคัดกรองและได้รับการยืนยันแล้ว โดยข้อมูลจะถูกจัดให้เป็นไปในรูปแบบฟอร์มต่าง ๆ (ซึ่งกระบวนการนี้สามารถสำรวจข้อมูลเพิ่มเติมในเชิงลึกได้อีกครั้งเพื่อคุณภาพสูงสุด)

• Modeling คือ ขั้นตอน ‘การจำลองข้อมูล’ ด้วยการกำหนดชุดข้อมูลขึ้นมาจาก Diagram (แผนภาพที่แสดงวิธีการแก้ปัญหา) เพื่อจำลองคาดการณ์ ประมาณค่า และแยกประเภทของชุดข้อมูลได้

• Evalution คือ ขั้นตอน ‘การประเมิน’ ซึ่งผลลัพธ์ที่ได้จากการจำลองข้อมูลก่อนหน้านี้ จะถูกนำมาประเมินคุณภาพเพื่อหาความต้องการใหม่ ๆ และวิเคราะห์ความเสี่ยงที่อาจจะเกิดในธุรกิจอีกด้วย

เรียกได้ว่าการทำ Data Mining ทั้ง 5 ขั้นตอนนี้จะเป็นพื้นฐานสำคัญที่ทำให้สามารถ ‘เห็นภาพสถานการณ์ในปัจจุบันของธุรกิจ’ ได้อย่างชัดเจน ผ่านการสร้างแบบจำลองข้อมูล, การทดสอบหาความเป็นไปได้และการมองเห็นโอกาสใหม่ ๆ ของธุรกิจ ซึ่งในหัวข้อถัดไปเราจะยกเทคนิคที่นำ ‘เทคโนโลยี Algorithms’ เข้ามาช่วยวิเคราะห์ชุดข้อมูลที่ได้มาให้มีประสิทธิภาพมากขึ้นกัน

เทคนิคการใช้ Algorithms สำหรับ Data Mining

การใช้เทคนิค Algorithms (กระบวนการที่ละเอียดชัดเจน) เข้ามาเพื่อวิเคราะห์ Data ด้วยหลาย ๆ มิติ จะส่งผลให้เกิดกระบวนการที่ถูกหลักยิ่งขึ้นสำหรับ ‘ชุดข้อมูล’ แต่ละประเภท อีกทั้งยังทำให้ธุรกิจหรือบุคลากรที่เกี่ยวข้องในองค์กรสามารถนำไปปรับใช้ได้อย่างเหมาะสม ซึ่งจะถูกแบ่งออกมาดังนี้

• Clustering เป็นเทคนิคการจัดกลุ่มของชุดข้อมูลต่าง ๆ ตาม ‘ความคล้ายคลึง หรือ ความใกล้ชิด’ ของข้อมูลไว้ในกลุ่มเดียวกัน เช่น วิเคราะห์ตามภูมิศาสตร์, ช่วงอายุ หรือรายได้ โดยทั่วไปแล้วเทคนิคการจัดกลุ่มแบบ Clustering จะเป็นการแบ่งชุดข้อมูลให้กลายเป็นกลุ่มย่อย เพื่อเตรียมพร้อมสำหรับการวิเคราะห์ต่อ ๆ ไป

ตัวอย่างในการใช้เทคนิค Clustering สำหรับการจัดกลุ่มผลิตภัณฑ์ เช่น จัดกลุ่มจากข้อมูลความถี่ในการซื้อ, ปริมาณของการซื้อ หรือแม้กระทั่งการใช้เทคนิคเพื่อวางแผนและกำหนดสถานที่สำหรับกระจายสินค้า เป็นต้น 

• Classification เป็นเทคนิคที่พบบ่อยครั้งในการทำ Data Mining ซึ่งเป็นการจำแนกประเภท จากกลุ่มข้อมูลที่ถูก ‘ระบุประเภทอย่างชัดเจน’ มาแล้ว ซึ่งจะมีศัพท์เทคนิคอีกอย่างว่า Training Data โดยจะมี Subset แยกออกไปอีก เช่น การแบ่งข้อมูลตามคุณลักษณะ (Decision Trees) หรือ การแบ่งข้อมูลโดยใช้ AI เข้ามาเกี่ยวข้อง (Neural Networks) เป็นต้น

เพื่อให้เห็นภาพง่าย ๆ เราขอยกตัวอย่างการใช้เทคนิค Classification เช่น แบ่งประเภทจาก Career Level (ระดับตำแหน่งอาชีพ) ซึ่งวิธีนี้จะแยกออกเป็นระดับเริ่มต้นไปจนถึงระดับอาวุโส รวมถึงการแบ่งเป็นกลุ่มตามผู้ที่เกี่ยวข้องในสายอาชีพนั้น ๆ เป็นต้น

‍

ดังนั้นการนำเทคโนโลยี Algorithms มาใช้เพื่อเพิ่มประสิทธิภาพให้กับ Data หรือ ชุดข้อมูลที่เราได้มาจากการทำ Data Mining นั้นถือเป็นทางเลือกที่เหมาะสมสำหรับธุรกิจที่มีกลุ่มเป้าหมายแตกต่างกันออกไป ซึ่งความละเอียดจากขั้นตอนนี้ ก็จะเป็นหนึ่งในกระบวนการที่ต่อยอดไปสู่โอกาสทางการตลาด และเข้าใกล้ความต้องการที่แท้จริงของผู้บริโภคได้ ในหัวข้อถัดไป

ชนะใจผู้บริโภคด้วย Market Analysis (วิเคราะห์การตลาดผ่าน Data) 

Market Analysis คือ การวิเคราะห์เชิงการตลาดผ่านฐานข้อมูลที่มีภายในองค์กร เพื่อกำหนดความน่าสนใจของตลาดทั้งในปัจจุบันและอนาคต เช่น การวิเคราะห์ผ่านสถิติของ ‘อัตราการเติบโตในตลาด’ เพื่อวัดความเป็นมาเป็นไปของรายได้ 

ซึ่งการทำ Market Analysis นั้นส่วนใหญ่แล้วนักการตลาดจะเริ่มจากการวิเคราะห์โครงสร้างต้นทุนของธุรกิจเพื่อหาแนวโน้มใหม่ ๆ สำหรับทำการวางแผนแคมเปญ จัดกิจกรรม ออกโปรโมชัน รวมไปถึงคัดกรองช่องทางการจัดจำหน่ายหรือบริการให้เหมาะสมที่สุด

เราขอยกตัวอย่าง Amazon ธุรกิจที่สร้างความได้เปรียบในการแข่งขันด้วยการใช้ Data ‘ข้อมูลจากการสั่งซื้อของลูกค้า’ หรือที่เรียกอีกอย่างว่า Market Basket Analysis ซึ่งเป็นการประมวลผลข้อมูลให้ออกมาเป็นระบบ Product Recommendations ซึ่งระบบนี้จะเป็นการแนะนำสินค้าที่ใกล้เคียงกับความสนใจ ทำให้เมื่อลูกค้ากดสั่งหนังสือหรือหนังสักเรื่อง ก็มักจะสั่งสินค้าที่ใกล้เคียงเพิ่มอีก (สามารถเพิ่มยอดขายเพิ่มขึ้นอีกได้) เป็นต้น

ดังนั้นการวิเคราะห์เพื่อหาความต้องการของลูกค้า จึงเป็นปัจจัยสำคัญก่อนลงมือวางแผนการตลาดต่าง ๆ เพราะนอกจากจะทำให้ช่วยลดต้นทุนทางการตลาดแล้ว ก็ยังทำให้ธุรกิจเองได้คัดกรองข้อมูลและไม่เสียเวลาไปกับการทำโฆษณา (Optimize Ads) ที่ไม่เกี่ยวข้องอีกด้วย

เทคนิคสู่การสร้างกำไรและลดต้นทุนด้วย Data ผ่านการทำ Market Analysis

การเก็บฐานข้อมูล (Database) เพื่อนำมาใช้สำหรับการทำ Market Analysis ให้ได้ผลนั้น คุณเองจะต้องเริ่มจากการออกแบบให้ได้ว่า ธุรกิจต้องการให้ประโยชน์อะไรกับกลุ่มเป้าหมาย เช่น

• ระบบ Loyalty Program ที่จัดทำขึ้นเพื่อให้ลูกค้าสามารถสะสมแต้มรับส่วนลด และสร้างความต่อเนื่องในการใช้บริการทั้งได้ทั้งลูกค้าเก่าและลูกค้าใหม่

• ระบบ Real-Time Marketing ที่อำนวยความสะดวกให้กับลูกค้าได้แบบเรียลไทม์ได้ทุกช่องทาง ด้วยระยะเวลาที่ไม่เกิน 100 วินาที

• รู้ใจลูกค้าด้วย Predictive Marketing แผนการตลาดที่ทำนายพฤติกรรมของลูกค้าล่วงหน้าจาก Data ที่ถูกเก็บมาอย่างต่อเนื่อง

จากเทคนิคเบื้องต้นที่กล่าวมานั้น ก็ยังสามารถ ‘ต่อยอดการวิเคราะห์’ ออกไปได้อีกหลายรูปแบบ ไม่ว่าจะเป็น Sales Analysis การวิเคราะห์ลักษณะการซื้อของลูกค้า ค้นหาประเภทสินค้าที่สร้างกำไรได้ดี

หรือ Cohort Analysis ที่เป็นการวิเคราะห์พฤติกรรมลูกค้าว่าจะมีการกลับมาซื้อสินค้าซ้ำอีกครั้งเมื่อไหร่

(หากอยากทราบว่าบุคลากรที่กำลังใช้งาน Database ไม่ว่าจะเป็น Statistics, Marketing Research หรือแม้แต่ Data Science ในองค์กรของคุณ จำเป็นต้องมีทักษะ Soft Skills อะไรเพิ่มเติม ก็สามารถอ่านต่อได้ที่ บทความนี้) 

และสำหรับธุรกิจที่มีการนำ Data เข้ามาใช้ได้อย่างมีประสิทธิภาพ เราขอยกตัวอย่าง Adidas แบรนด์อุปกรณ์กีฬาที่มีชื่อเสียงโด่งดังไปทั่วโลก ซึ่ง Adidas ได้จัดแคมเปญที่ใช้ Data ขนาดใหญ่จากโซเชียลมีเดีย อย่าง Instagram Poll ในการเก็บข้อมูล (ด้วยกลุ่มเป้าหมาย 149,000 คน ภายในระยะเวลา 24 ชม.) และพบว่าลูกค้าส่วนใหญ่ต้องการสั่งซื้อดีไซน์สีดำล้วน 

แน่นอนว่าการทำ Data Analysis จากแหล่งโซเชียลมีเดียที่ลูกค้าของแบรนด์นิยมใช้งานนั้น เป็นการลดต้นทุนทางการตลาด ก่อนจัดวางจำหน่ายสินค้าได้อย่างดีเยี่ยม เพราะคุณจะได้รู้ถึงความต้องการของลูกค้าอย่างแท้จริงจากกลุ่มลูกค้าโดยตรง 

และหากเรา Target กลุ่มเป้าหมายได้มากขึ้น มูลค่า สินค้า บริการรวมถึง Rate card ในธุรกิจของคุณก็จะสูงตามไปด้วย ซึ่งเครื่องมือในการใช้ร่วมกับ Data Analysis นั้นมีหลายประเภท วันนี้เราจะมาแนะนำ ‘เครื่องมือที่นักการตลาดและผู้ประกอบการ จะเข้าถึงได้ง่ายขึ้น’ ทั้งในแง่ของราคาและความสะดวก

แนะนำเครื่องมือที่ใช้งานร่วมกับการทำ Data Analysis

การสร้าง Framework หรือกรอบความคิดเพื่อทำความเข้าใจก่อนว่า Data ที่มีอยู่ในองค์กรนั้นเป็นประเภทไหน มีกี่ประเภท และแต่ละประเภทแตกต่างกันอย่างไร จะทำให้สามารถเลือกเครื่องมือที่เหมาะสมเข้ามาใช้งานได้โดย Tools ที่เรายกมานั้นจะเป็นหลัก ๆ 3 ประเภท ได้แก่

Pivot Table การจัดเตรียมข้อมูล จะไม่ยุ่งยากอีกต่อไป

Pivot Table เป็นเครื่องมือจาก Microsoft Excel ที่นิยมใช้กันในองค์กรสำหรับสรุปข้อมูลจำนวนมาก ๆ ให้ออกมาเป็นรูปแบบ Pivot Chart (ตารางหรือกราฟ) ที่รวดเร็วกว่าการใส่สูตรลงใน Excel ซึ่ง Pivot Table ถูกสร้างจากข้อมูลที่ต้องการสรุปผลจาก Worksheet และนำมาประมวลผลให้อ่านข้อมูลง่ายขึ้น

ต่อมา Pivot Table ได้ถูกอัปเกรดอีกขั้นจนกลายเป็น PowerPivot ซึ่งเป็น Add-in เสริมสำหรับโปรแกรม Excel เหมาะมากสำหรับการทำงานร่วมกับ Data Mining (หนึ่งในกระบวนการจากศาสตร์ Data Analysis ที่กล่าวถึงข้างต้น)

ไม่ว่าจะเป็นขั้นตอน Modeling (การจำลองข้อมูล) รวมไปถึงการหาจุดเชื่อมโยงจากข้อมูลหลาย ๆ แหล่งจาก Analysis Service อื่น ๆ หรือ SQL ที่เป็นโปรแกรมสำหรับบริหารจัดการ Data ที่ดีที่สุดจาก Microsoft (เรียกว่าทำงานร่วมกันได้อย่างครบวงจร)

ซึ่งการวิเคราะห์ไปพร้อมกับเครื่องมือ Pivot Table นี้จะช่วยให้ ‘การจัดเตรียมข้อมูลที่มีความซับซ้อน, ข้อมูลเชิงตัวเลขต่าง ๆ’ ไม่ยุ่งยากอีกต่อไป เพราะเทียบกันแล้ว Pivot Table นั้นมีระบบที่ไม่ต้องใช้สูตรในการคำนวณมากเท่า Excel (หากอยากทราบคู่มือการใช้งาน Pivot Table แบบละเอียดสามารถศึกษาได้เลยที่ Microsoft) 

Tableau สร้างสรรค์ข้อมูลให้ออกมาในรูปแบบ Dashboard 

Tableau เป็นเครื่องมือที่ถูกยอมรับว่าใช้งานง่าย และสามารถทำให้เข้าใจ เข้าถึงข้อมูลเชิงลึกได้จริง ซึ่ง Gartner (ผู้นำด้านเทคโนโลยี) ก็ได้ออกมารับรองและการันตีคุณภาพให้กับ Tableau มากถึง 6 ปีติดต่อกัน

ซึ่ง Tableau นั้นสามารถเชื่อมต่อกับแหล่งฐานข้อมูลได้หลากหลาย ไม่ว่าจะเป็น Database, Big Data หรือ Data ที่อยู่บนระบบ Cloud หากมองในด้านการวิเคราะห์ข้อมูล Tableau จะเหมาะกับการ Analysis อยู่ 2 ระดับ คือ

• ระดับ Descriptive เป็นการนำข้อมูลมาสรุปให้เป็นลักษณะของ Dashboard เช่น สรุปข้อมูลในช่วงประจำรอบสัปดาห์หรือรอบเดือนนั้น ๆ เพื่อให้ออกมาเป็นกราฟ แผนภูมิ หรือวิดีโอที่เข้าใจง่าย 

• ระดับ Diagnostic เป็นการวิเคราะห์ข้อมูลในระดับที่ซับซ้อน (เชิงวินิจฉัย) และเป็นการค้นหาว่า ‘แต่ละขั้นตอนที่ได้ Data มา’ นั้นเกิดขึ้นได้อย่างไร ทำให้ Tableau (ที่มีหน้าต่างการใช้งานง่าย)เหมาะสำหรับการนำมาใช้เพื่อให้ผลลัพธ์จากการ ‘คัดกรองข้อมูล’นั้นเป็นไปอย่างมีประสิทธิภาพ

และถ้าผู้ใช้ต้องการวิเคราะห์ข้อมูลในระดับที่สูงขึ้นก็สามารถเชื่อมต่อกับภาษา R หรือ Python ได้เช่นกัน ต้องบอกว่า Tableau นั้นมีการนำประสบการณ์จริงจากผู้ใช้มาปรับปรุงซอฟต์แวร์และอัปเกรดเวอร์ชันในทุก ๆ ปี ทำให้ Tableau นั้นยังคงเป็นตัวเลือกอันดับต้น ๆ ในวงการ Data Analysis

Zanroo Listening ช่วยให้การเข้าถึงข้อมูล Social ของลูกค้าง่ายขึ้น

Zanroo เป็นเครื่องมือช่วยวิเคราะห์ข้อมูลประเภท Social listening Tools (ที่ช่วยให้ธุรกิจสามารถเข้าถึง Social Data ของลูกค้าได้) ในปัจจุบันการเก็บข้อมูลของ Zanroo จะเป็นการดึงข้อมูลโดยตรงจากแพลตฟอร์ม Facebook, Instagram และ Twitter ซึ่ง Zanroo เป็นเครื่องมือของคนไทย ที่มีราคาถูก เข้าถึงง่าย และรับรองการใช้งานภาษาไทย

โดยสามารถทดลองใช้งานได้ฟรี จากการเลือกใช้งานเพื่อดู Data ย้อนหลังได้มากถึง 100 ข้อมูล และถ้าต้องการเข้าถึงข้อมูลที่ย้อนหลังมากกว่า 6 เดือนขึ้นไป (แบบไม่จำกัดปริมาณ) ก็จะเป็นการสมัครบริการ ที่มีค่าใช้รายเดือนอยู่เพียง 2,900 บาทเท่านั้น

สำหรับการใช้งานที่นอกเหนือจากการช่วย Research ข้อมูลแล้ว ก็ยังรวมถึงการหา Insight จาก Influencer (บุคคลที่มีชื่อเสียง) เพื่อกำหนดทิศทางของแบรนด์ให้ปรับตัวรับเทรนด์ใหม่ ๆ ข้อดีก็คือเทรนด์จะเป็นช่องทางที่ชักจูงลูกค้าหน้าใหม่เข้ามาเสมอ

และสิ่งที่เป็นจุดเด่นอีกอย่างของ Zanroo นั้นก็คือ ระบบ Multi-level Keywords structure ที่สามารถวิเคราะห์ข้อมูล Keyword ได้ละเอียดถึงระดับราก ซึ่ง Keyword นั้นจัดว่าเป็นส่วนสำคัญสำหรับการทำโฆษณาออนไลน์ เพราะหากเจอกลุ่มเป้าหมาย การลงทุนค่าใช้จ่ายสำหรับสมัครเครื่องมือตัวนี้ก็ถือว่าคุ้มค่าสุด ๆ

สรุปทั้งหมด

การเริ่มพัฒนาธุรกิจโดยใช้ Data Analysis เป็นตัวขับเคลื่อนนั้นจะต้องอาศัยความเข้าใจอย่างลึกซึ้งในธุรกิจที่ทำ รวมถึงการตั้งคำถามที่ถูกต้อง หากสามารถเลือกใช้ Market Analysis หรือ การวิเคราะห์การตลาดผ่าน Data ควบคู่ไปด้วย ก็จะยิ่งทำให้สร้างมูลค่าจาก Data ของธุรกิจได้สำเร็จ 

ดังนั้น เส้นทางที่ก้าวขึ้นเป็น ‘ธุรกิจชั้นนำ’ จะไม่ใช่เรื่องยากอีกต่อไป เพราะหากเราเป็นองค์กรที่ใช้ Data ในการตัดสินใจ เท่ากับว่าเราเปิดโอกาสให้ธุรกิจได้เติบโตอย่างรวดเร็วตามมุมมองแบบฉบับ Growth แล้วนั่นเอง

(สำหรับในครั้งถัดไป เราจะมาพูดถึง ‘โครงสร้างและขั้นตอนของการเก็บ Data’ อย่างละเอียดกันอีกครั้ง ติดตามไว้ได้เลย)

Source: Towardsdatascience , Amurta , Tableau