HIGHLIGHTS:

  • ข้อมูลที่ไหลผ่านโลกดิจิทัลเป็นเพียงแค่ส่วนหนึ่งของชีวิตคนเรา หากองค์กรหนึ่งๆ มองเห็นเพียงข้อมูลที่อยู่ในระบบของตัวเอง ก็อาจเข้าใจลูกค้าคลาดเคลื่อน การนำแหล่งข้อมูลอื่นมาร่วมวิเคราะห์ หรือกระทั่งนำวิธีอื่นๆ มาใช้ในการทำความเข้าใจลูกค้า จึงเป็นเรื่องจำเป็นที่จะช่วยยืนยันว่าสิ่งที่องค์กรเข้าใจลูกค้าเป็นพฤติกรรมของลูกค้าจริงๆ
  • แอมะซอนสนใจเทคโนโลยี Machine Learning มานาน ในช่วงแรกที่คนยังไม่รู้จักการซื้อของออนไลน์ และอาจยังไม่ไว้ใจว่าจ่ายเงินออนไลน์แล้วจะได้ของตามที่ต้องการ เทคนิคเหล่านี้ถูกนำมาใช้ เพื่อให้ความสะดวกสบายในการซื้อของออนไลน์ มีมากกว่าความกังวล
  • แกรนต์ แมคครากเกน (Grant McCracken) นักมานุษยวิทยาด้านวัฒนธรรมที่เชี่ยวชาญการวิจัยเชิงคุณภาพ มาช่วยศึกษาพฤติกรรมของลูกค้าของเน็ตฟลิกซ์ (Netflix) โดยเข้าไปสังเกตการณ์พฤติกรรมของผู้ชมเน็ตฟลิกซ์ถึงในห้องนั่งเล่น และเรียนรู้ถึง ‘อินไซต์’ (Insight) หลายๆ ด้าน

          ข่าวคราวเกี่ยวกับวงการปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (Machine Learning) มีให้ได้ยินแทบทุกวัน ส่วนใหญ่เป็นการค้นพบหรือทดลองแก้ปัญหาใหม่ๆ โดยนำเทคโนโลยีนี้มาช่วยตอบโจทย์ เพิ่มผลิตผล หรือทุ่นแรงแรงงานคน เราจะยังได้ยินข่าวเทคโนโลยีเหล่านี้ต่อไปเรื่อยๆ เพราะมีปัจจัยสามอย่างที่เกิดขึ้นในเวลานี้ ที่ทำให้มีการพัฒนาศาสตร์นี้เพิ่มขึ้นอย่างมาก
         ปัจจัยแรกที่มีบทบาทมาก คือ ทุกวันนี้ข้อมูลที่อยู่ในรูปแบบดิจิทัลมีมากขึ้นและมีแนวโน้มเพิ่มขึ้นเรื่อยๆ นับจากสิบปีที่แล้วที่แอปเปิลและกูเกิลสร้างแพลตฟอร์มให้กับสมาร์ตโฟนและแอปพลิเคชันบนโทรศัพท์มือถือ ทำให้ข้อมูลต่างๆ ไม่ว่าจะเป็นพฤติกรรมของผู้ใช้งานหรือประสิทธิภาพของระบบ ต่างไหลเข้าสู่โลกดิจิทัลมากขึ้นเรื่อยๆ อย่างมีนัยสำคัญ ข้อมูล 90 เปอร์เซ็นต์ที่มีอยู่ในโลกนี้เพิ่งถูกสร้างขึ้นในช่วงสองปีหลังนี้เอง และข้อมูลที่ถูกสร้างขึ้นใหม่ในทุกๆ สองวัน จะมีปริมาณเทียบเท่ากับจำนวนข้อมูลที่มีมาตั้งแต่มีมนุษย์บนโลกใบนี้จนถึงปี 2003 
 
ข้อมูล 90 เปอร์เซ็นต์ที่มีอยู่ในโลกนี้เพิ่งถูกสร้างขึ้นในช่วงสองปีหลังนี้เอง
         นอกจากเรื่องปริมาณข้อมูลที่มีมากขึ้นแล้ว ปัจจัยถัดมา คือ ความสามารถในการประมวลข้อมูลที่มากขึ้น โดยที่ต้นทุนค่าใช้จ่ายน้อยลงด้วย กฎของมัวร์ (Moore’s Law) บอกไว้ว่า ความสามารถในการประมวลผลของวงจรอิเล็กทรอนิกส์ ซึ่งประเมินได้จากจำนวนทรานซิสเตอร์ที่สามารถบรรจุได้ในพื้นที่ของชิปตัวหนึ่งๆ จะเพิ่มปริมาณเป็นสองเท่าทุกๆ 12-18 เดือน และการเปลี่ยนแปลงโครงสร้างพื้นฐานด้านการเก็บข้อมูลและการประมวลผลที่ใช้ Cloud Computing มากขึ้น รวมศูนย์อุปกรณ์ที่เป็น ‘หลังบ้าน’ ของหลายๆ บริษัทเข้าด้วยกัน ทำให้บริษัทอย่างแอมะซอน (Amazon) และไมโครซอฟต์ (Microsoft) เสนอบริการด้านคลาวด์มาบริหารจัดการทรัพยากรอย่างมีประสิทธิภาพ บริษัทที่เป็นลูกค้าก็สามารถใช้ความสามารถในการประมวลผลได้ด้วยต้นทุนที่ต่ำกว่าเมื่อเทียบกับเมื่อก่อน
 
จำนวนทรานซิสเตอร์ที่สามารถบรรจุได้ในพื้นที่ของชิปตัวหนึ่งๆ จะเพิ่มปริมาณเป็นสองเท่าทุกๆ 12-18 เดือน
         ปัจจัยที่สามที่ก่อให้เกิดกระแสของปัญญาประดิษฐ์ คือการพัฒนาด้านวิธีหรือกระบวนการทำงาน หรือที่มักเรียกกันว่า ‘อัลกอริทึม’ ในช่วง 5-6 ปีหลังนี้ มีการทดลองวิธีที่เรียกว่า Neural Network ซึ่งเป็นวิธีทำนายหรือแยกแยะความแตกต่างของข้อมูลได้แม่นยำมากขึ้นกว่าวิธีก่อนหน้า หลังจากนั้นก็ทดลองอัลกอริธึมใหม่ๆ เพิ่มเติม และด้วยเทคโนโลยีในปัจจุบันเอื้อให้นักวิจัยมีโอกาสลองอัลกอริทึมแบบใหม่ได้พร้อมๆ กัน ทำให้ย่นระยะเวลาพัฒนาระบบ จนสุดท้ายเราอาจได้เห็นการพัฒนาแบบก้าวกระโดดของอัลกอริทึมก้าวต่อไปในเร็ววัน
         หากมองย้อนไปในอดีต ความตื่นตัวด้านปัญญาประดิษฐ์หรือการใช้อัลกอริทึมมาช่วยวิเคราะห์ข้อมูลมีมานานหลายสิบปีแล้ว แต่อาจอยู่ในวงจำกัด เนื่องจากปัจจัยสามอย่างที่ว่านี้ไม่ได้เกิดขึ้นพร้อมกัน มีเพียงบางองค์กรหรือบางมหาวิทยาลัยเท่านั้นที่มีความพร้อม แอมะซอนเป็นหนึ่งในองค์กรเหล่านั้น 
         จากความยิ่งใหญ่ของแอมะซอนในปัจจุบัน คงมีไม่กี่คนที่จะเชื่อว่า เว็บไซต์เล็กๆ ที่ขายหนังสือเล่มออนไลน์จะขยายประเภทสินค้ามากมายจนธุรกิจเติบโต และเมื่อ 20 ปีที่แล้วก็เริ่มประกาศขายหุ้นในตลาดหุ้น หรือ IPO (Initial Public Offering)  แถมยังเป็นบริษัทในซิลิคอน แวลลีย์ไม่กี่เจ้าที่หลุดรอดพ้นจากวิกฤติ Dot-com ในช่วงปี 2000 มาได้ 
 
หนึ่งในทีเด็ดที่ทำให้ลูกค้าติดใจใช้จ่ายผ่านแอมะซอนอย่างไม่ติดขัด คือสินค้าแนะนำที่จะโผล่มาให้เราเห็นเรื่อยๆ เหมือนเป็นเกมทายใจ
         แอมะซอนสนใจเทคโนโลยี Machine Learning มานาน ในช่วงแรก คนส่วนใหญ่ยังไม่รู้จักการซื้อของออนไลน์ หรือถึงแม้รู้จัก ก็อาจยังไม่ไว้ใจว่าจ่ายเงินออนไลน์แล้วจะได้ของตามที่ต้องการ เทคนิคเหล่านี้ถูกนำมาใช้เพื่อให้การซื้อของออนไลน์เป็นความสะดวกสบายมากกว่าความกังวล ไม่ว่าจะเป็นการแสดงกลุ่มสินค้าที่คล้ายคลึงกันหลังจากได้รับคีย์เวิร์ดค้นหา ฟังก์ชัน autofill ที่ช่วยให้เวลาพิมพ์คำค้นหาสินค้าสะดวกมากขึ้น การตรวจสอบสินค้าที่หลอกลวงหรือปลอมแปลง หรือแม้กระทั่งระบบที่คอยตรวจสอบความคิดเห็นหรือรีวิวสินค้าที่ไม่เหมาะสม 
         หนึ่งในทีเด็ดที่ทำให้ลูกค้าติดใจใช้จ่ายผ่านแอมะซอนอย่างไม่ติดขัด คือสินค้าแนะนำที่จะโผล่มาให้เราเห็นเรื่อยๆ เหมือนเป็นเกมทายใจที่ระบบประมวลผลของแอมะซอนเรียนรู้พฤติกรรมของลูกค้าจากข้อมูลการใช้เว็บไซต์หรือแอปพลิเคชัน ไม่ว่าจะเป็นสินค้าที่เคยซื้อ สินค้าที่อยู่ในตะกร้า หรือประวัติการซื้อสินค้าของลูกค้าท่านอื่นที่เลือกสินค้าคล้ายๆ กัน นอกจากนั้นยังมัดรวมสินค้าแนะนำและบางครั้งมีส่วนลดให้อีก นอกจากสินค้าถูกใจแล้ว ลูกค้ายังมีโอกาสได้ของในราคาที่ถูกลงอีกด้วย

         อย่างไรก็ตาม ขณะที่มีการใช้เทคโนโลยีด้าน Machine Learning มาช่วยวิเคราะห์ข้อมูล จับหารูปแบบพฤติกรรมของผู้ใช้งานในแบบวงกว้าง (Mass scale) แล้ว แต่ในโลกแห่งความเป็นจริง ข้อมูลที่ไหลผ่านโลกดิจิทัลก็ยังเป็นเพียงแค่ส่วนหนึ่งของชีวิตคนเรา หากองค์กรหนึ่งๆ มองเห็นเพียงข้อมูลที่อยู่ในระบบของตัวเอง ก็อาจเข้าใจลูกค้าคลาดเคลื่อน การนำแหล่งข้อมูลอื่นมาร่วมวิเคราะห์ หรือกระทั่งนำวิธีอื่นๆ ในการทำความเข้าใจลูกค้า จึงจำเป็นที่จะช่วยยืนยันว่าสิ่งที่องค์กรเข้าใจลูกค้าเป็นพฤติกรรมของลูกค้าจริงๆ
         เน็ตฟลิกซ์ (Netflix) คือองค์กรหนึ่งที่มองเห็นรายละเอียดในจุดนี้ เริ่มต้นจากรับส่งแผ่นดีวีดีภาพยนตร์ให้กับผู้เช่าหนัง จนมาเป็นเว็บพอร์ทัลรวมข้อมูลที่หลายคนเป็นแฟนคลับเพื่อติดตามรอดูหนังหรือซีรีย์ดัง เช่น House of Cards เป็นต้น เน็ตฟลิกซ์ได้เรียนรู้พฤติกรรมของคนดูผ่านการใช้งานต่างๆ ตั้งแต่การกดปุ่มชื่นชอบซีรีย์ยอดนิยม หรือช่วงเวลาที่เปิดดูซีรีย์ สิ่งเหล่านี้ทำให้เน็ตฟลิกซ์เข้าใจพฤติกรรมการบริโภคเนื้อหาหนังหรือซีรีย์ออนไลน์ 
 
แมคครากเกนแบ่งคนดูเป็น 5 แบบ ตั้งแต่พฤติกรรมสปอยล์เพื่อให้ตัวเองรู้สึกเหนือกว่าเพื่อนๆ จนถึงบางคนที่รู้สึกเคอะเขิน ไม่แน่ใจว่าควรพูดถึงซีรีย์ที่เพิ่งออกอากาศล่าสุดหรือไม่
         แต่ในความจริง เน็ตฟลิกซ์ไม่อาจเข้าใจคนดูได้ทั้งหมด อาจมีคนดูบางประเภทที่ชอบเปิดทีวีพร้อมทำกับข้าว หรือบางคนชอบดูทีวีกับเพื่อนแล้ววิเคราะห์บทบาทของตัวละครต่างๆ เน็ตฟลิกซ์ไม่อาจพึ่งพาข้อมูลที่มีในฐานข้อมูลเพียงอย่างเดียว บริษัทเล็งเห็นถึงช่องว่างนี้และทำงานกับ แกรนต์ แมคครากเกน (Grant McCracken) นักมานุษยวิทยาด้านวัฒนธรรมที่เชี่ยวชาญการวิจัยเชิงคุณภาพ มาช่วยศึกษาพฤติกรรมของลูกค้าของเน็ตฟลิกซ์ 
         แมคครากเกน เข้าไปสังเกตการณ์พฤติกรรมของผู้ชมเน็ตฟลิกซ์ถึงในห้องนั่งเล่น และเรียนรู้ถึง ‘อินไซต์’ (Insight)  หลายๆ ด้าน เช่น ช่วงเวลาการดูซีรีย์ของบางคน อาจไม่ใช่แค่เพียงระหว่างเดินทางหลังเลิกงาน หรือดูละครก่อนนอน แต่อาจต้องผ่านเงื่อนไขหรือ 'สัญญา' ที่เกิดขึ้น (โดยตั้งใจหรือไม่ตั้งใจ) ว่าจะต้องดูซีรีย์เรื่องนั้นเรื่องนี้พร้อมกับคู่รักหรือครอบครัวเท่านั้น หรือวัฒนธรรมการสปอยล์ หรือการบอก 'ทีเด็ด' ของซีรีย์ตอนล่าสุด โดยแมคครากเกนแบ่งคนดูเป็น 5 แบบ ตั้งแต่พฤติกรรมสปอยล์เพื่อให้ตัวเองรู้สึกเหนือกว่าเพื่อนๆ จนถึงบางคนที่รู้สึกเคอะเขิน ไม่แน่ใจว่าควรพูดถึงซีรีย์ที่เพิ่งออกอากาศล่าสุดหรือไม่ (แต่สุดท้ายก็เล่าอยู่ดี) หากใครสนใจเรียนรู้การสปอยล์ของตัวเอง สามารถลองแบบสอบถามของ McCracken ได้ที่นี่
         การเรียนรู้และเข้าใจพฤติกรรมของลูกค้าที่เปลี่ยนแปลงในยุคดิจิทัลเป็นความท้าทายใหม่ที่หลายๆ องค์กรกำลังเผชิญ การวิเคราะห์ข้อมูลในฐานข้อมูลของตัวเองอาจเป็นสิ่งหนึ่งที่หลายๆ บริษัทยังไม่คุ้นชิน ถ้าหากใครสามารถนำเทคโนโลยีปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (Machine Learning) มาประยุกต์ได้เร็วและมีประสิทธิภาพ ย่อมเป็นต่อคู่แข่งในตลาด แต่ข้อมูลมากมายที่ไหลวนอยู่ในโลกดิจิทัลก็ยังไม่อาจสะท้อนภาพของผู้ใช้ได้รอบด้าน การทำวิจัยหรือศึกษาพฤติกรรมผู้บริโภคด้วยวิธีอื่นๆ เช่น การศึกษาเชิงคุณภาพ ก็ยังมีความจำเป็นอยู่ เปรียบเสมือน Reality Check สำหรับองค์กรเพื่อให้แน่ใจว่า เข้าใจพฤติกรรมของลูกค้าอย่างครบถ้วนแท้จริง