บล็อกก่อนหน้าของผมพาคุณทัวร์ภาษาโปรแกรมสำหรับ Data Science ผมเคยกล่าวว่าเป็นจุดจบของเครื่องมือในชั้นสถาปัตยกรรมฟังก์ชันต่างๆ แต่ไม่ใช่จุดจบของ Big Data ความรู้ด้าน Big Data ใหญ่โตเท่าขนาดของ Big Data เอง
การรู้จักสถาปัตยกรรม Big Data และเครื่องมือต่างๆ ในตลาดไม่เพียงพอ โดเมน Big Data มีมิติ (verticals) มากกว่าที่เราคิดเกือบทุกสัปดาห์มีการพัฒนาใหม่
แต่ผมจะทำให้เข้าใจง่าย ตั้งแต่พื้นฐาน นี่คือเคล็ดลับพื้นฐานและมีประโยชน์ที่สุดสำหรับการสกัด Insights (ข้อมูลเชิงลึก) จาก Big Data
จุดประสงค์หลังของภาพรวม Big Data ทั้งหมด คือ Insights ที่เราสามารถสกัดได้ Insights ที่อาจช่วยได้มาก:
- วิเคราะห์มูลค่าปัจจุบันของธุรกิจ
- ทำนายการเติบโตในอนาคตของธุรกิจ
- วางแผนกลยุทธ์ที่มีประโยชน์ต่อธุรกิจ
- ทราบความต้องการของฝูงชนผู้บริโภคมหาศาล
และรายการยาวนาน มีบางสิ่งที่ควรจำไว้ขณะสกัด Insights ที่มีค่าจาก Big Data
รายการเคล็ดลับเชิงกลยุทธ์ที่ควรปฏิบัติก่อนเริ่มกระบวนการสกัด Insights:
- ใช้ข้อมูลสะอาด (Clean Data) –
Insights ที่เราได้มาทั้งหมด มาจากข้อมูลที่เรานำเข้าไปในกระบวนการวิเคราะห์ ดังนั้น จึงสำคัญมากที่เราต้องเก็บรวบรวมข้อมูลที่ถูกต้อง และข้อมูลที่นำเข้า analytics engine ต้องจัดระเบียบดีและสำคัญที่สุด พร้อมกับนี้ ธุรกิจควรสร้างและจัดเก็บข้อมูลมากที่สุดเท่าที่จะเป็นไปได้ การมีข้อมูลมากก่อนจะช่วยให้สรุปจาก Insights ได้ดีขึ้น
- ใช้แหล่งข้อมูลหลายแหล่ง เพื่อภาพรวม –
เรารู้ว่าทุกปี ธุรกิจสร้างข้อมูลมากมาย ที่หากวิเคราะห์ถูกต้อง จะได้ Insights ลึกที่มีประโยชน์ต่อแผนธุรกิจ แต่เราต้องมองภาพใหญ่เพื่อเข้าใจ Big Data จากข้อมูลทั้งหมดในโลก ข้อมูลของบริษัทเดียวเป็นเพียงส่วนย่อย ผลลัพธ์จากมันจะให้มุมมองเพียงบางส่วน
สิ่งนี้ไม่ยุ่งยากเลย เครื่องมือและกระบวนการที่ถูกต้องช่วยให้คุณติดตามและจัดการสตรีมข้อมูลหลายแหล่ง โดยการรวมและเชื่อมโยงข้อมูล คุณสามารถอนุมานความสัมพันธ์กับแหล่งที่ให้ภาพธุรกิจและตลาดที่แม่นยำกว่า
- ความสมบูรณ์ของข้อมูล (Data integrity) เป็นงานทีม –
ความสำเร็จและความล้มเหลวของกลยุทธ์ข้อมูล ขึ้นอยู่กับว่าธุรกิจดูแลฐานข้อมูลอย่างไร รายละเอียดทุกอย่างเกี่ยวกับธุรกิจต้องอัปเดตตลอด เพื่อพึ่งพาข้อมูลที่กลยุทธ์ให้มา เราต้องมี live updates จากแหล่งภายนอก และข้อมูลภายในเช่นกัน การดูแลข้อมือเป็นหน้าที่ของทุกคนในธุรกิจ ทีม IT, พนักงานขายหน้าร้าน และทุกคนที่เกี่ยวข้อง
- ข้อมูลรวม (Aggregated data) บอกอะไรก็ได้ หากคิวรี (query) โครงสร้างถูกต้อง –
การเก็บและจัดเก็บทั้งหมดไม่พอ การมองภาพกว้างเพื่อวิเคราะห์ก็ไม่พอ ข้อมูลที่มีอยู่ อาจบอกสิ่งมากกว่าที่คิด แตเกมทั้งหมดหมุนรอบวิธีที่คุณสอบถาม (query) ข้อมูลเพื่อสกัด Insights
นักวิทยาศาสตร์ข้อมูลกล่าวว่า Data Analytics เป็นทั้งศิลปะและวิทยาศาสตร์ เมื่อวิเคราะห์ข้อมูลธุรกิจ ตัวร้ายซ่อนอยู่ในรายละเอียดเล็กๆ น้อยๆ จึงสำคัญที่จะเจาะลึกรายละเอียดเพื่อหา Insights จริง
- นำ Pixel Tracking Analytics มาใช้ –
บริษัทควรออกแบบเว็บไซต์ให้ช่วยเก็บข้อมูลเกี่ยวกับโฆษณาการตลาดและยอดขายสินค้า ทำให้เว็บไซต์เป็นเครื่องมือสร้างข้อมูล ไม่ใช่แค่แพลตฟอร์มการตลาดและขาย มี methodology เรียกว่า pixel tracking ที่สร้างประโยชน์มหาศาล ทีม IT และการตลาดควรทำงานร่วมกัน เพื่อนำ pixel tracking ไปใช้ในเว็บไซต์ต่างๆ ของบริษัท ไม่ว่าจะเป็น mobile, microsite, หรือสถานที่อื่น ข้อมูลจากโซเชียลมีเดียก็ติดตามได้ด้วย social media pixel tracking การติดตามนี้ยังให้ข้อมูลอุปกรณ์ของผู้ช่วยเข้าใจว่ายอดขายมาจาก mobile หรือ web consumers
- ใช้ Statistical Modelling (แบบจำลองทางสถิติ) –
ก่อนพัฒนาโฆษณาโทรทัศน์ นักการตลาดควรใช้ประโยชน์จากการพัฒนาการเก็บข้อมูล เพื่อจับคู่แคมเปญกับผลลัพธ์จริง สำหรับสร้าง statistical models ต้องรวม metrics บนสถานี ขนาดการออกอากาศ ข้อมูลประชากร กิจกรรมหน้าจอที่สอง (second-screen) และอื่นๆ
- กำหนดกลุ่มเป้าหมายเฉพาะ (Target Specific Demographics) –
เป็นข้อกำหนดสำหรับนักการตลาด ให้ออกแบบกลยุทธ์รอบกลุ่มคน ลูกค้า หรือพื้นที่เป้าหมาย จำเป็นต้องรู้นิสัยการค้นหา อุปกรณ์ที่ใช้ และพฤติกรรม metrics อื่นๆ เพื่อใช้ ROI สูงสุดจากข้อมูลที่เก็บจาก digital media และ TV placements
- ใช้ Mixed Media Modelling –
เพื่อวางแผนอนาคตที่ดีกว่า โซลูชันที่ดีที่สุดสำหรับธุรกิจคือใช้เทคนิค mixed media modelling การวิเคราะห์ข้อมูลยอดขายและการตอบสนองเป็นพื้นฐาน ช่วยให้นักการตลาดประเมินช่องทางการกระจายทุกช่อง ได้กำจัดช่องทางที่ไม่ประสิทธิภาพ และงบประมาณมากขึ้นให้ช่องทางที่สร้างกำไร
- วัด retail (Gauge the retail) –
ข้อมูลของผู้ค้าปลีก เป็นข้อมูลที่ดีที่สุดช่วยวัดความชอบของลูกค้า ข้อมูลช่วยรู้ความสัมพันธ์ระหว่างผลกระทบจากสองการกระทำของนโยบายการตลาด การเข้าใจการตอบสนองของลูกค้า ช่วยเพิ่มยอดขายและความต้องการสินค้าโดยตรง
เราเรียนรู้จาก Amazon ว่ามันใช้ Big Data อย่างเต็มที่ การแนะนำสินค้าที่ผู้ใช้อาจชอบ และการประมวลผลธุรกรรมและการจัดส่งล้านๆ รายการ ด้วยการวิเคราะห์ Big Data Amazon พยายามประโยชน์ธุรกิจ 2 ทาง – ปรับปรุงกระบวนการของตัวเองตาม Insights และปรับปรุงประสบการณ์ลูกค้า
Amazon ไม่ได้คนเดียว ที่ใช้เทคนิคปรับปรุงธุรกิจผ่าน Big Data Analysis บริษัทชั้นนำเกือบทุกแห่งทำเช่นนั้น ดังนั้น ผมหวังว่าเคล็ดลับข้างต้นจะช่วยปรับปรุงกระบวนการสกัดข้อมูล และเพิ่มกำไรธุรกิจ
