สรุปหนังสือ Data Analytics Basics for Managers สำนักพิมพ์ Harvard Business Reviews เข้าใจดาต้าแบบฉบับผู้บริหารที่ไม่ต้องทำเอง แต่ต้องสั่งเป็น

สรุปหนังสือ Data Analytics Basics for Managers ของ Harvard Business Reviews หนังสือที่สอนให้คนเป็นผู้บริหาร หรือเจ้าของธุรกิจได้รู้จักวิธีเริ่มต้นติดและทำงานกับดาต้า จะว่าไปก็มีความคล้ายหนังสือ Data Thinking อยู่ในแง่คอนเซปวิธีคิด

ถ้าจับจุดใหญ่ของหนังสือเล่มนี้คือแบ่งการ Analytics Data ออกเป็น 3 ส่วน

  1. Part วิเคราะห์ข้อมูลในอดีต
  2. Predict เพื่อพยายามคาดการณ์ว่าจะเกิดอะไรขึ้นในอนาคต
  3. Present จากนั้นลองทดสอบสิ่งที่คาดการณ์ในปัจจุบันดูว่ามีความแม่นยำขนาดไหน

เช่น เอาข้อมูลการซื้อของกลุ่มลูกค้าที่ท้องในอดีตมาวิเคาะห์หาว่าคนท้องมีพฤติกรรมการซื้ออย่างไร จากนั้นก็เอาผลลัพธ์หรือสมมติฐานที่ได้มาทดสอบว่าเป็นจริงมากน้อยแค่ไหน

ประเด็นสำคัญอย่างหนึ่งที่หนังสือเล่มนี้เน้นย้ำหนักหนา ก็คือก่อนจะวิเคราะห์หรือใช้ข้อมูลใด ต้องเข้าใจที่มาที่ไปของข้อมูลนั้นก่อน

ข้อมูลนั้นถูกเก็บมาอย่างไร เก็บมาแบบไหน มี Bias ในการเก็บมาหรือไม่ เมื่อเข้าใจที่มาที่ไปของดาต้าดีแล้วก็สามารถเอามาใช้ช่วยในการตัดสินใจได้อย่างมั่นใจมากขึ้น

พอมาถึงขั้นตอนการตัดสินใจหรือที่เรียกว่า Data-Driven Decision เป็นหน้าที่ของคนเป็น Management แล้วที่ต้องพยายามผลักดันให้มีการใช้ดาต้าในการตัดสินใจเรื่องต่างๆ ให้ได้มากที่สุด

เรื่องไหนไม่มีดาต้าก็ต้องหาทางกระตุ้นให้ทีมไปหาดาต้ามาช่วยตัดสินใจ และหนังสือเล่มนี้ยังบอกว่าถ้าเราอยากใช้ Data-Driven Decision เรามีสองทางให้ใช้

  1. Existing Data
  2. Experiment Data

Existing Data คือข้อมูลที่มีอยู่แล้ว เช่น ข้อมูลในระบบ ERP ข้อมูลใน Ecommerce แพลตฟอร์มต่างๆ ข้อมูลในแชทหรือที่ลูกค้าติดต่อมา หรือข้อมูลที่อาจจะมีให้บริการจ่ายเพื่อใช้งาน อย่าง Social Listening เป็นต้น

Experiment Data คือข้อมูลที่ต้องทำการเก็บมา ทำการทดลองเพื่อเก็บมา อาจจะด้วยการทำ A/B Testing เป็นหลัก หรือผ่านการวาง Data Collection Strategy เพื่อเก็บข้อมูลที่ต้องการ

พอได้ดาต้ามาแล้วขั้นตอนสำคัญคือการตั้งคำถามที่ถูกกับดาต้าให้เป็น

จากดาต้าที่มีอยู่เราน่าจะรู้อะไรได้บ้าง จากสิ่งที่เห็นเมื่อวิเคราะห์ดาต้า เราน่าจะทำการตลาดอย่างไรต่อ

Cigna ประกันภัย ทำ Experiment พบว่าการโทร Follow up ลูกค้าหลังการรักษาให้มีสุขภาพดีขึ้นได้ แต่ก็ไม่ใช่กับลูกค้าทุกคน นั่นหมายความว่าเราเจอ Customer Segments ที่ใช้วิธีการโทรติดต่อกลับหลังออกจากโรงพยาบาลแล้วได้ผลดี ส่วนคนอื่นๆ ที่การโทรไม่ได้ผล เราก็ต้องคิดหาวิธีอื่นทดลองดูว่าคนไหนได้ผลกับวิธีแบบไหน

ดังนั้นจะเห็นว่าการทำ Experiment เพื่อเก็บ Data ดูว่าการโทร Follow up นั้นเวิร์คกับกลุ่มลูกค้าที่เพิ่งออกโรงพยาบาลหรือไม่ การที่เราพบว่ามันไม่ได้ผลทั้งหมดไม่ได้หมายความว่าจะไม่เวิร์ค แต่นั่นหมายความว่ามันเวิร์คกับบางคน หน้าที่นักการตลาดยุคดาต้าคือก็ต้องลองทดสอบซ้ำครั้งหน้ากับคนกลุ่มที่เคยโทรแล้วได้ผลดีว่ายังได้ผลดีเหมือนเดิมมั้ย นั่นหมายความว่าใช่ว่ามันจะไม่เวิร์คทั้งหมด อย่ารีบด่วนสรุปเหมารวมแบบนั้นครับ

New Definition Quantitative Data

หน้าที่ใหม่ของ Quantitative Data ในยุคดาต้าจะเปลี่ยนไป แต่ไม่ใช่หมดความสำคัญลงไปในทันที แต่มันคือการกลับลำดับการทำงานใหม่ครับ

เดิมทีนักการตลาดต้องอาศัย Quantitative Data ในการตัดสินใจ เช่น ทำโฟกัสกรุ๊ปว่าลูกค้ากลุ่มเป้าหมายน่าจะชอบอะไร น่าจะไม่ชอบอะไร แล้วก็เอาไปตัดสินใจทำการตลาดหรือพัฒนาสินค้าให้ตรงกับใจกลุ่มเป้าหมายมากขึ้น

แต่ในโลกยุคดาต้าทุกวันนี้หน้าที่หรือลำดับงานของ Quantitative Data เปลี่ยน เพราะการวิเคราะห์เพื่อตั้งสมมติฐานจะเริ่มจากการทำ Data Analytic ก่อน เริ่มวิเคราะห์จาก Qualitative Data ออกมาให้เจอ Signal หรือ Segment ต่างๆ จากนั้นก็ค่อยลงไปหาความสัมพันธ์ในข้อมูลผ่านการทำ Quantitative Data ครับ

Quantitative Data จะเข้ามาทำหน้าที่อธิบายความสัมพันธ์ในข้อมูล ทำความเข้าใจบริบทของข้อมูล ทำไมมันถึงเป็นแบบนี้ ทำไมคนถึงเยอะแค่วันนั้น ทำไมสินค้านี้จึงขายดีแบบแปลกๆ ในช่วงเวลาอย่างนั้น มันคือการทำความเข้าใจ Context ของ Data หรือหา Relationship ของ Data ที่เห็นจากการ Analytics มาให้เจอครับ

เช่น เมื่อทำ Data Analytics แล้วพบว่ามีกลุ่มคนที่ชอบซื้อสินค้าชนิดเดียวกันทางออฟไลน์ แล้วก็ซื้อทางออนไลน์ต่อในวันเดียวกันเลย นั่นคือสิ่งที่ Data บอก What แต่ไม่ได้บอก Why

Data บอกแค่ว่าเกิดอะไรขึ้น แต่ Data บอกไม่ได้ว่าทำไมมันจึงเกิดขึ้น

ทีนี้ก็เป็นหน้าที่ของทีมรีเสิร์จเดิมที่ต้องลงไปพูดคุยทำความเข้าใจกับคนกลุ่มนั้น จนได้เข้าใจว่าเหตุผลการซื้อแบบแปลกๆ ของพวกเขาคืออะไร แล้วก็เอามาตั้งเป็นสมมติฐานก่อนจะคลอดออกมาเป็นแผนการตลาดที่จะกระตุ้นให้เกิดยอดขายมากขึ้น

แต่ก่อนจะเริ่มใช้ดาต้า หรือเริ่มวิเคราะห์ข้อมูล ต้องเริ่มจากการกำหนดขอบเขตปัญหาให้ชัดเจนก่อน เราอยากรู้เรื่องอะไร เราจะรู้ไปทำไม ทำไมเรื่องนี้ถึงสำคัญ เมื่อกำหนดปัญหาให้ชัดการจะหาดาต้ามาตอบคำถามนั้นก็จะประหยัดเวลาอย่างมาก

5 คำถามที่ต้องตอบให้ได้ก่อนเริ่มทำ Data Analytics

  1. Data นี้มาจากไหน
  2. Sample Size มากพอไหม
  3. Outlier มีมากไหม แล้วส่งผลต่อภาพรวมของการวิเคาะห์หรือเปล่า
  4. Logic ในการ Analytics คืออะไร
  5. ทำไมถึงเลือกวิเคราะห์ออกมาแบบนี้ มีไอเดียแบบอื่นอีกไหม มีความน่าจะเป็นอย่างอื่นอีกหรือเปล่า

ข้อควรระวังก่อนเริ่มทำ Analytic คือ อย่าชี้นำผลการวิเคราะห์ อย่ามีคำตอบในใจแล้วแค่ทำ Analytic เพื่อหาดาต้ามาเติมเต็มคำตอบนั้น

ปัญหาส่วนใหญ่ในการทำงานกับดาต้าคือ

  1. ไม่รู้จะถามอะไรจากดาต้า
  2. ไม่รู้จะเก็บอะไรบ้าง
  3. และไม่รู้จะเก็บยังไง

ข้อแรกต้องใช้ทักษะเรื่อง Critical Thinking หรือ Strategic Thinking

ข้อสองต้องใช้ทักษะการกำหนดกรอบของโจทย์ให้เป็น ไม่งั้นก็เก็บมั่วซั่วแล้วไม่ค่อยได้ใช้

ข้อสามต้องเข้าใจเรื่องเทคโนโลยีและข้อจำกัดบ้าง จะได้รู้ว่าจะเก็บดาต้าที่ต้องการด้วยวิธีไหนหรือเทคโนโลยีใด แล้วการเก็บแบบนั้นมันมีต้นทุนสูงไหม หรือมันมีความแม่นยำเชื่อถือได้มากคุ้มค่าพอที่จะนำไปต่อยอดใช้งานหรือเปล่า

Data ยังแบ่งออกได้เป็นอีก 2 ชนิด

  1. Structured Data
  2. Unstructured Data

Structured Data ข้อมูลแบบมีโครงสร้างชัดเจน เช่น Excel มีคอลัมน์กำหนดว่าช่องนี้คืออะไร ราคาสินค้า ชื่อลูกค้า จำนวนสินค้า วิธีการจ่ายเงิน เป็นต้น จากนั้นข้างในแต่ละคอลัมน์ก็จะมีข้อมูลที่นำไปวิเคระห์ต่อได้ง่าย เพราะมันถูกกำหนดรูปแบบโครงสร้างไว้เรียบร้อยแล้ว

ส่วน Unstructured Data คือข้อมูลที่ไม่มีโครงสร้างชัดเจน เช่น ภาพถ่าย ถ้าไม่ดูก็ไม่รู้ว่าภาพอะไร ยกเว้นทุกวันนี้ AI ฉลาดมาก สามารถบอกได้ว่าภาพนี้คือภาพอะไร หรือมีอะไรอยู่ในภาพบ้าง หรือโพสบนโซเชียลมีเดีย ก็จะเป็นแค่หนึ่งข้อความที่อาจจะสั้นหรือยาว ถ้าจะใช้งานก็ต้องเอามาทำให้มีโครงสร้าง เช่น พูดถึงเรื่องอะไร พูดถึงในแง่บวกหรือแง่ลบ มีข้อความที่พอบ่งชี้ได้มั้ยว่าเป็นผู้หญิงหรือผู้ชาย

How to Design Experiment จะออกแบบการเก็บดาต้าต้องทำอย่างไร?

  • ถามให้ชัด ต้องรู้ว่าจะถามอะไร เช่น ระหว่างฟอนต์ใหญ่กับฟอนต์เล็ก แบบไหนกระตุ้นให้คนซื้อมากกว่ากัน
  • ทำให้ชัด แล้วหาคำตอบไปทีละส่วน เช่น ถ้าจะทดสอบว่าขนาดของฟอนต์ส่งผลต่อการซื้อหรือไม่ ตอนทดลองต้องเลือกฟอนต์สองขนาดที่ต่างกันชัดเจน เช่น 24 กับ 72 ไปเลย ไม่ใช่แค่ 18 กับ 24 แบบนี้มันไม่ชี้ชัดพอว่าตกลงใหญ่กว่าจะขายดีกว่าไหม เพราะมันไม่ได้ใหญ่กว่าจริงจังเลย จากนั้นก็วางแผนเก็บข้อมูลไปทีละส่วน สมมติเกิดคำถามว่า แล้วสีของตัวหนังสือหละจะส่งผลต่อยอดขายด้วยไหม นอกจากขนาดฟอนต์ก็ต้องทดสอบสีของฟอนต์ด้วยเช่นกัน
  • ตรวจสอบดาต้าที่ได้ว่าดีพอจะนำไปใช้ ผลลัพธ์ต้องต่างกันชัดเจน
  • เลือกลุ่มเป้าหมายให้ชัด ถ้าอยากจะทดสอบแค่กับผู้หญิงก็เลือกให้ชัด ถ้าจะครึ่งๆ ชายหญิงก็ต้องแบ่งกลุ่มทดสอบให้มีขนาดเท่าๆ กัน
  • สุ่มทดสอบเพื่อกันความผิดพลาดไม่ตั้งใจ เช่น ถ้าอยากรู้ว่าฟอนต์ใหญ่กับฟอนต์สีไหนจะทำให้ผู้หญิงอยากซื้อมากที่สุด เมื่อทำการทดสอบกับกลุ่มผู้หญิงแล้ว ก็ต้องเอามาทดสอบกับกลุ่มที่สุ่มมาด้วย อาจจะเป็นคละเพศ หรือชายล้วนก็ได้ จากนั้นก็ดูดาต้าที่ได้ว่าเหมือนหรือต่างกันชัดเจนหรือเปล่า
  • กำหนดแผนแล้วต้องลงมือทำให้สุด อย่าทำแป๊บๆ ให้ได้ผลลัพธ์ไม่ชัดเจน ทำให้นานพอจนเห็นความต่างชัดเจน หรือทำให้นานพอจนเห็นว่ามันไม่ได้มีอะไรต่างกันจริงๆ
  • สุดท้ายแล้วต้องสรุปให้ได้ว่าดาต้าบอกอะไรกับเรา และเราคิดว่าจะทำอย่างไรต่อ

จริงๆ แล้วหลักการ A/B Test ไม่ได้เพิ่งมีในยุคดิจิทัลหรือยุคดาต้า แต่มันเป็นหลักของวิทยาศาสตร์ที่มีมานานหลายร้อยหลายพันปีมากๆ แล้ว แล้วเวลาจะทำ Experiment ก็ต้องทำการทดสอบทุก Attribute

Case Study การทำ A/B Test หรือ Experiment เพื่อเก็บดาต้ามาตัดสินใจครับ

Shutter Stock ก่อนเทสคิดว่าถ้าลบลายน้ำออกจากรูปน่าจะทำให้คนตัดสินใจซื้อมากขึ้นกว่าการใส่ลายน้ำ แต่ผลลัพธ์ที่ได้กลายเป็นว่า ภาพเดียวกันที่ใส่ลายน้ำมีอัตราการซื้อสูงกว่า

ปัญหาที่ทำให้ A/B Testing ไม่ได้ผลก็มักเป็นการด่วนสรุปตัดสินใจเร็วเกินไป ทำแป๊บๆ ผลยังไม่ชัดก็รีบตัดบทจบการทดลองแล้ว ทำให้สมมติฐานที่ได้มาขาดความแม่นยำไปมาก เพราะอาจยังมีสิ่งที่ยังไม่รู้อีกมากรออยู่ในวันท้ายๆ ของการทดลอง

แล้วเวลาจะใช้ Data-Driven Decision ก็อย่าดู Metric ตัวชี้วัดที่เยอะเกินไป ให้หา Key Metric ตัวชี้วัดสำคัญๆ ก็พอ

ส่วนการจะทำ Integration Data ก็ต้องปรับให้อยู่ใน Standard เดียวกัน ถ้าเรามี Data หลากหลายช่องทาง เราก็ควรเอา Data มาเชื่อมกันเพื่อที่จะได้รู้ว่าตกลงแล้วช่องทางไหนทำให้เราได้ลูกค้ามากที่สุด

อย่าเผลอดูแค่ตัวชี้วัดสุดท้าย แต่ต้องประกอบเชื่อม Customer Journey จาก Data ออกมาด้วย

การค้นพบ Relationship ใน Data มักเป็นเรื่องที่น่าตื่นเต้น เช่น เราเจอว่าเบียร์กับผ้าอ้อมมักขายดีคู่กันทุกคืนวันศุกร์ แต่ก็ต้องไปดูว่าสองสิ่งนี้มันขายดีคู่กันเพราะอะไร อย่าเพิ่งรีบเชื่อ Relationship นั้นในทันที

บริษัทประกันพบว่าคนที่ไม่ค่อยเคลมประกันมักซื้อสินค้าอย่างเนื้อสัตว์กับนมคู่กันเป็นประจำ น่ามอบเบี้ยประกันราคาต่ำให้กว่าคนทั่วไป ส่วนคนที่เคลมเบี้ยประกันบ่อยๆ มักซื้อสินค้าอย่างไวน์กับพาสต้าสำเร็จรูปคู่กัน ก็อาจจะถูกนำไปประเมินว่าควรปรับเบี้ยให้สูงกว่าคนปกติ

นี่คือการเห็น Relationship ใน Data แต่ก็ต้องลงไปทำความเข้าใจ Context ของ Data ด้วยว่าเพราะอะไรมันถึงเกี่ยวกันได้

ถ้าหาไม่เจออย่ารีบปักใจเชื่อใน Relationship นั้น ยกเว้นประเมินแล้วว่าคุ้มที่จะเสี่ยง อันนี้ก็เป็นอีกเรื่องของคนทำธุรกิจที่เข้าใจได้ครับ

สรุปหนังสือ Data Analytics Basics for Managers

สรุปหนังสือ Data Analytics Basics for Managers สำนักพิมพ์ Harvard Business Reviews เข้าใจดาต้าแบบฉบับผู้บริหารที่ไม่ต้องทำเอง แต่ต้องสั่งเป็น

หนังสือเล่มนี้เหมาะกับคนที่ไม่มีความรู้หรือทักษะเรื่องดาต้ามาก่อน เพราะเค้าจะไม่ได้สอนเทคนิคการวิเคราะห์ใดๆ แต่สอนให้เราตั้งคำถามกับดาต้าให้เป็น เพราะจากประสบการณ์ผมพบว่าทักษะที่ฟังดูง่ายแต่กลับมีน้อยคนนักที่จะทำได้

เพราะแค่ตั้งคำถามดีกว่า คำตอบที่ได้ก็ต่างกันมหาศาล แล้วยิ่งตั้งคำถามจากดาต้าที่เห็นตรงหน้าได้ฉลาด ผลลัพธ์ที่ได้ก็จะยิ่งเหนือกว่าคู่แข่งที่เห็นดาต้าชุดเดียวกัน

เพราะ Data เป็นเรื่องของ Mindset ไม่ใช่แค่ Technology แต่อย่างไรครับ

อ่านแล้วเล่า เล่มที่ 33 ของปี

สรุปหนังสือ Data Analytics Basics for Managers
Understand the numbers, Make better decision, Present and Persuade
สำนักพิมพ์ Harvard Business Reviews

อ่านสรุปหนังสือของสำนักพิมพ์นี้ในอ่านแล้วเล่าต่อ > https://summaread.net/category/harvard-business-review/

By Nattapon Muangtum

จากนักอ่านที่เริ่มอยากหัดเขียน จากการที่ต้องอ่านเพราะความจำเป็น กลายเป็นอ่านเพราะหลงไหล, สวัสดีครับผมชื่อหนุ่ย ผมทำงานด้าน Digital and Data Marketing ผมยังมีเพจการตลาดอีกเพจที่อยากฝากให้ลองอ่านดูนะครับ https://www.facebook.com/everydaymarketing.co/