10 สิ่งที่ เทคโนโลยี Machine Learning เข้ามาช่วยในการตลาดยุคดิจิทัล

[siritidaphon]

10 สิ่งที่ เทคโนโลยี Machine Learning เข้ามาช่วยในการตลาดยุคดิจิทัล  ในช่วง 10 ปีที่ผ่านมา มนุษย์ได้รับอิทธิพลจาก AI (ปัญญาประดิษฐ์) และ Machine Learning เป็นอย่างมาก โดยเฉพาะทุกอย่างที่เกี่ยวข้องกับการประมวลผลของข้อมูล ตั้งแต่อุตสาหกรรมการเงิน อสังหาริมทรัพย์ ไปจนถึงการดูแลสุขภาพ ทุกองค์กรต่างก็กำลังเก็บเกี่ยวผลประโยชน์จากเทคโนโลยีนี้

ในบทความนี้เราจะมาเล่าให้ฟังว่า Machine Learning สามารถส่งผลกระทบเชิงบวกต่อการตลาดดิจิทัลในด้านไหนบ้าง ช่วยแก้ปัญหาต่างๆได้อย่างไร ผลลัพธ์หลังจากการใช้ดีขึ้นมากน้อยแค่ไหน แล้วทำไมบริษัทชั้นนำของโลกต่างหันมาใช้ ML ในการตลาดยุคนี้ ถ้าพร้อมแล้ว ไปอ่านกันเลยค่ะ


1. การตลาดแบบอัตโนมัติ (Marketing Automation)

ในทุกธุรกิจ นักการตลาดต่างก็ต้องการข้อมูลที่ถูกต้องที่สุดก่อนตัดสินใจเดินหน้าแผนการตลาดของตนเอง แต่ด้วยจำนวนข้อมูลมหาศาลที่นักการตลาดมีอยู่ในปัจจุบัน การประมวลผลและวิเคราะห์ข้อมูลทั้งหมดด้วยตัวนักการตลาดเองจึงกลายเป็นสิ่งที่น่ากลัวมากขึ้น เนื่องจากสามารถเกิดความผิดพลาดหรือคลาดเคลื่อนทางผลลัพธ์ (Human Error) ได้มากกว่าการใช้ AI

ตัวอย่างเช่น การแบ่งกลุ่มลูกค้า (Customer Segmentation) หนึ่งในกลยุทธ์ทางการตลาดที่สำคัญที่สุด เกี่ยวกับการจัดกลุ่มลูกค้าตามช่วงอายุ รายได้ต่อเดือน และ ปัจจัยอื่นๆ ซึ่ง Machine Learning ไม่เพียงแต่สามารถจัดกลุ่มลูกค้าเหล่านี้โดยอัตโนมัติด้วยความเร็วสูงเท่านั้น แต่ยังสามารถค้นพบกลุ่มลูกค้าใหม่อีกด้วย โดยอาศัยการผสมผสานของปัจจัยที่มนุษย์ไม่สามารถมองเห็นได้ด้วยตาเปล่า

เคสตัวอย่าง: Zoom และ Ada

Zoom ผู้นำระดับโลกด้านการประชุมผ่านวิดีโอได้ร่วมมือกับ Ada แพลตฟอร์ม AI สำหรับการสนทนาเพื่อช่วยจัดการกับคำถามต่างๆที่มีเข้ามาเรื่อยๆ

ปัญหาก่อนหน้าที่ Zoom จะมี Ada เกิดจากการที่หนึ่งในทีมการตลาดของ Zoom ซึ่งดูแลโดยตรงเกี่ยวกับลูกค้าที่มีความต้องการใช้สินค้าและบริการ ได้รับข้อความที่ไม่เกี่ยวข้องกับการขายมากเกินไป จนต้องมีการโอนสายกลุ่มลูกค้าดังกล่าวไปยังแผนกที่ถูกต้องด้วยตนเอง ทำให้ลูกค้าต้องรอนานขึ้นจนเกิดความรู้สึกไม่พอใจกับบริการที่ได้รับ

เพื่อจัดการกับปัญหาดังกล่าว Zoom จึงได้มีการกำหนดเส้นทางการส่งต่อคำถามจากลูกค้าไปยังแผนกที่ถูกต้องโดยอัตโนมัติ และประหยัดเวลาของพนักงานโดยไม่ทำให้คุณภาพการบริการลูกค้าลดลง ด้วย Machine Learning จาก Ada บริษัทสามารถประหยัดเวลาในการจัดการ Live Chat ลงถึง 33 เปอร์เซ็นต์ ปัจจุบันเมื่อลูกค้าเริ่ม Live Chat กับ Zoom เทคโนโลยีของ Ada จะระบุได้ทันทีว่าเป็นลูกค้าที่ใช้ Zoom อยู่แล้ว หรือ Lead ที่มีคำถามเกี่ยวกับราคา โปรโมชัน พร้อมทั้งสามารถโอนสายต่อไปยังแผนกที่เหมาะสม



2. การวิเคราะห์ทางการตลาด (Marketing Analytics)

นักการตลาดสามารถใช้ Machine Learning บวกกับการรับรู้อารมณ์เพื่อประเมินว่ากลุ่มเป้าหมายตอบสนองกับโฆษณาอย่างไร และเชื่อมโยงอารมณ์เหล่านี้เข้ากับจุดประสงค์ในการซื้อสินค้าและบริการ ในปัจจุบัน Machine Learning สำหรับการรับรู้อารมณ์ได้ถูกนำมาใช้อย่างกว้างขวางแล้วในหลายอุตสาหกรรม เช่น BMW ใช้ ML เพื่อประเมินความตื่นตัวของคนขับ และ Disney ใช้ ML เพื่อวัดปฏิกิริยาของผู้ชมที่มีต่อภาพยนตร์


เคสตัวอย่าง: Affectiva

Affectiva เป็นบริษัทที่เชี่ยวชาญด้านการสร้างโมเดล Machine Learning ที่เข้าใจอารมณ์และสภาวะการรับรู้ของมนุษย์ ซึ่งให้บริการกับบริษัทที่ติดอันดับ Fortune Global 500 มากถึง 28 เปอร์เซ็นต์

ด้วยกฎระเบียบที่เข้มงวดในการเก็บและวิเคราะห์ข้อมูลลูกค้า บริษัทต่างๆจึงสามารถใช้เทคโนโลยีของ Affectiva กับอาสาสมัครเท่านั้น ในขณะที่อาสาสมัครดูโฆษณา ตัวโมเดล ML ก็จะจับอารมณ์บนใบหน้า วิเคราะห์ และนำผลลัพธ์มาแสดงบนแดชบอร์ดให้เห็นภาพได้อย่างชัดเจน

นอกจากแสดงผลวิเคราะห์อารมณ์ ความรู้สึกจากใบหน้าแล้ว โมเดล ML ของ Affectiva ยังสามารถเชื่อมโยงผลลัพท์เหล่านี้กับตัวชี้วัดทางการตลาด (Marketing Indicators) ที่สำคัญ เช่น จุดประสงค์ในการซื้อ (Purchase Intent) หรือ การที่ผู้บริโภคเอ่ยชื่อยี่ห้อของสินค้าได้เอง (Brand Recall) ซึ่งผลจากการเชื่อมโยงนี้สามารถนำมาใช้เพื่อปรับปรุงประสิทธิภาพของโฆษณาได้ เช่น การเปลี่ยนจุดไคลแม็กซ์ในวีดีโอเนื่องจากผู้ชมไม่มีส่วนร่วมในตอนท้ายของโฆษณา ทั้งนี้การที่ได้เห็นถึงช่วงเวลาที่ผู้ชมมีส่วนร่วมทางอารมณ์มากที่สุดสามารถช่วยให้นักการตลาดเลือกส่วนที่ดีที่สุดสำหรับโฆษณาเวอร์ชันที่สั้นลงได้



3. โฆษณาที่มีเนื้อหาเหมาะสมกับกลุ่มเป้าหมาย (Ad Personalization)

ด้วยโฆษณาจำนวนมหาศาลที่ผู้บริโภคดูทุกวัน การทำ Personalization จึงเป็นสิ่งสำคัญอย่างมากในการจะบรรลุเป้าหมายทางการตลาดและยืนอยู่เหนือคู่แข่ง นักการตลาดในปัจจุบันเข้าใจในส่วนนี้ดีและมักใช้ระบบอัตโนมัติสำหรับการหา Keyword ที่ผู้ใช้งานค้นหามากที่สุด หรืองานอื่นๆที่เกี่ยวข้อง แต่ปัญหาอยู่ตรงที่ว่าเครื่องมือเหล่านี้เป็น Rule-based (เป็นไปตามกฎและเงื่อนไขที่กำหนดเอาไว้) ซึ่งไม่ได้เข้าใจบริบทหรือความต้องการของลูกค้าอย่างแท้จริง

เคสตัวอย่าง: CommonWealth และ Appier

หนึ่งในสื่อที่ใหญ่ที่สุดในไต้หวัน CommonWealth ประสบปัญหาใหญ่ในเรื่องนี้ เนื่องจากทีมการตลาดมีแค่ข้อมูลพื้นฐานของลูกค้าที่สมัครสมาชิก จึงเลือกแสดงโฆษณาเดียวกันให้ผู้อ่านทุกกลุ่มเห็น ทั้งๆที่บริษัทมีนิตยสารถึง 4 ประเภท ได้แก่ การจัดการทางการเงิน, ไลฟ์สไตล์, การงานอาชีพ และการเลี้ยงดูบุตร ซึ่งแตกต่างกันอย่างสิ้นเชิง

CommonWealth จึงเลือกให้ Appier ซึ่งเป็นบริษัทที่มีแพลตฟอร์ม AI ที่ช่วยเพิ่มการมีส่วนร่วมของลูกค้า (Customer Engagement) เข้ามาช่วยแก้ปัญหานี้ โดยที่ตัวโมเดล Machine Learning ของ Appier สามารถระบุโปรไฟล์ผู้อ่านได้อย่างละเอียดโดยการวิเคราะห์วิธีที่ลูกค้าโต้ตอบผ่านแอปพลิเคชันและเว็บไซต์ และตีความข้อมูลจากระบบ CRM ซึ่งช่วยให้ CommonWealth สามารถระบุโปรไฟล์ผู้อ่านแบบเรียลไทม์พร้อมทั้งนำเสนอโฆษณาที่เหมาะสมกับผู้อ่านแต่ละคน

เมื่อนักการตลาดของ CommonWealth ได้รับมอบหมายให้ตั้งค่าโฆษณาสำหรับบทความชื่อ 'อย่าคิดว่างานปัจจุบันของคุณเป็นเรื่องไร้สาระหากคุณเชื่อว่าคุณดีพอ' การเลือก Keyword หลักของพวกเขาค่อนข้างคาดเดาได้ง่าย อย่างคำว่า การหางาน, ทรัพยากรมนุษย์ และการพัฒนาตนเอง ในขณะที่โมเดลของ Appier มีความเห็นที่ต่างออกไปมาก โดยตัวโมเดลได้เลือกคำอย่าง การสัมภาษณ์, การโฆษณา และการปีนหน้าผาขึ้นมาเป็น Keyword หลัก ซึ่งหลังจากเปลี่ยน Keyword หลัก อัตราการคลิกของโฆษณาก็เพิ่มขึ้นถึงหกเท่า



4. การสร้างคอนเทนต์ (Content Creation)

โดยปกติแล้วการเขียนคำโฆษณาและการสร้างคอนเทนต์การตลาดมักจะเกี่ยวข้องกับความคิดสร้างสรรค์และการรู้เท่าทันอารมณ์ (Emotional Awareness) อยู่เสมอ ความรู้สึกของคนที่เข้ามาเสพย์คอนเทนต์สามารถตีความได้ว่าเป็นข้อมูลในโลกดิจิทัล ข้อมูลเชิงลึกที่สร้างขึ้นจากข้อมูลนั้นสามารถใช้เพื่อสร้างวลีที่สามารถกระตุ้นให้กลุ่มเป้าหมายบางรายลงมือทำบางอย่างทันทีหลังจากอ่านจบ

นี่คือเหตุผลที่ทำให้หลายๆอุตสาหกรรมยักษ์ใหญ่เลือกใช้แพลตฟอร์ม AI ของ Persado เพื่อปรับแต่งภาษาที่พวกเขาใช้ในข้อความทางการตลาด ด้วยการผสมผสานระหว่าง Machine Learning และโมเดลการเรียนรู้เชิงลึก ทำให้ระบบของ Persado สามารถเรียนรู้รูปแบบการตอบสนองของลูกค้าเฉพาะกลุ่ม ส่งข้อความแบบ Personalized ให้ลูกค้าแต่ละคน และปรับปรุงคอนเทนต์โดยรวม

โมเดลการประมวลผลภาษาธรรมชาติของ Persado จะประเมินเนื้อหาของแบรนด์เพื่อกำหนดบริบท (Tone of Voice) โดยยังคงความเป็นตัวตนของแบรนด์อยู่ จากนั้นก็วิเคราะห์ว่าลูกค้าตอบสนองต่อข้อความทางการตลาดต่างๆอย่างไร และทำการสร้างโปรไฟล์ทางอารมณ์ หลังจากนั้นแพลตฟอร์มจะแบ่งข้อความเหล่านั้นออกมา นำมาผสมกัน และทำการทดสอบชุดข้อความหลายพันชุดโดยใช้โมเดล ML และสร้างชุดข้อความที่ตรงใจลูกค้าแต่ละคนมากที่สุด

เคสตัวอย่าง: Vanguard และ Persado

Vanguard หนึ่งในองค์กรการลงทุนที่ใหญ่ที่สุดในโลก ประสบปัญหาในการปรับข้อความให้เหมาะกับลูกค้าเพื่อค้นหาผู้สนับสนุนแผนเกษียณอายุ เนื่องจากภาคส่วนนี้ได้รับการควบคุมอย่างเข้มงวด บริษัทจึงมีช่องทางในการเข้าถึงผู้มีโอกาสเป็นลูกค้าจำนวนจำกัด อันที่จริงแล้ว LinkedIn เป็นแพลตฟอร์มโซเชียลมีเดียเพียงแพลตฟอร์มเดียวที่บริษัทใช้เพื่อเข้าถึงผู้มีโอกาสเป็นลูกค้า เพื่อให้โดดเด่นเหนือคู่แข่ง บริษัทจึงหันมาใช้ Persado เพื่อทำให้ข้อความทางการตลาดมีความเหมาะสมและเฉพาะบุคคลมากขึ้น

แพลตฟอร์มของ Persado ถูกใช้เพื่อสร้างวลีที่ตรงใจ เลือกรูปแบบที่เหมาะสม และสามารถวาง Journey สำหรับ Call to Action (ปุ่มคลิกเพื่อกระตุ้นให้เกิดความสนใจ) ที่มีความหมายให้กับลูกค้าแต่ละราย เป็นผลให้ Vanguard สามารถเพิ่มอัตรา Conversion ได้ถึง 15 เปอร์เซ็นต์



5. การตลาดกับสภาพอากาศ (Weather-triggered Marketing)

ไม่ว่าเราจะสามารถควบคุมสิ่งต่างๆในโลกได้มากแค่ไหน สิ่งหนึ่งที่เราไม่สามารถควบคุมได้เลยคือสภาพอากาศ แต่ด้วย Machine Learning และซอฟต์แวร์การวิเคราะห์เชิงคาดการณ์ (Predictive Analytics) เราจะสามารถพยากรณ์อากาศพร้อมทั้งคาดการณ์ได้ว่าการเปลี่ยนแปลงของสภาพอากาศจะส่งผลต่อพฤติกรรมของผู้บริโภคอย่างไร ตัวอย่างเช่น วันที่ฝนตกทำให้ร้านล้างรถไม่มีคน, หิมะตกทำให้สกีรีสอร์ทคึกคัก หรือฤดูร้อนทำให้ยอดขายไอศกรีมพุ่งสูงขึ้น

แม้ว่าธุรกิจต่างๆ จะตระหนักรู้ถึงความเชื่อมโยงนี้มานานแล้ว แต่ ML ก็ช่วยให้เห็นผลตอบรับต่อปัจจัยนี้ได้เร็วขึ้น ตัวอย่างเช่น โมเดล Machine Learning ของ IBM ที่ช่วยให้บริษัทต่างๆเข้าถึงอิทธิพลของสภาพอากาศในท้องถิ่นที่ส่งผลต่อการกระทำของผู้บริโภค โดยการปรับข้อความและองค์ประกอบของโฆษณาโดยอัตโนมัติตามสภาพอากาศแบบเรียลไทม์

เคสตัวอย่าง: Walgreens, Clinch และ IBM

Walgreens เครือข่ายร้านขายยาที่ใหญ่เป็นอันดับสองในสหรัฐอเมริกา ร่วมมือกับ Clinch แพลตฟอร์ม AI ที่สร้างโฆษณาแบบ Personalized เพื่อดึงดูดให้กลุ่มเป้าหมายเข้ามาดูในช่วงที่โรคภูมิแพ้กำลังระบาด เนื่องจากสภาพอากาศและฝุ่นละอองต่างๆ จากตำแหน่งของกลุ่มเป้าหมายและข้อมูลสภาพอากาศจาก IBM ทำให้สามารถกำหนดได้ว่าเป้าหมายในแต่ละพื้นที่ควรจะได้เห็นโฆษณาแบบไหน

ด้วยแพลตฟอร์ม ML ของ Clinch สามารถสร้างโฆษณาขึ้นมาได้ 160 แบบ ส่งไปตามพื้นที่ต่างๆ ส่งผลให้ Walgreens มีอัตราการคลิกเพิ่มขึ้น 276 เปอร์เซ็นต์ และต้นทุนต่อคลิกลดลง 64 เปอร์เซ็นต์


6. การโฆษณาตามบริบท (Contextual Advertising)

ทุกวันนี้อัตราการคลิกเฉลี่ยสำหรับแบนเนอร์ออนไลน์มีเพียง 0.3 เปอร์เซ็นต์ เท่านั้น เนื่องด้วยปริมาณโฆษณาออนไลน์จำนวนมาก ทำให้นักการตลาดสร้างโฆษณาที่โดนใจผู้มีโอกาสเป็นลูกค้าได้ยากขึ้นเรื่อยๆและด้วยกฎหมาย PDPA ทำให้การสร้างคอนเทนต์การตลาดยิ่งยากขึ้นไปด้วย ส่งผลให้บริษัทต่างๆต้องพึ่งพาการโฆษณาตามบริบท หรือการวางโฆษณาที่เจาะจงไปยังกลุ่มเป้าหมายเฉพาะในเว็บไซต์ที่เกี่ยวข้องมากขึ้น เช่น เว็บไซต์ข่าวสารเกี่ยวกับอุปกรณ์อิเล็กทรอนิกส์อาจเป็นเป้าหมายที่ดีในการแสดงโฆษณาโทรศัพท์รุ่นใหม่

เคสตัวอย่าง: MINI และ GumGum

MINI บริษัทยานยนต์ของ BMW ต้องการให้รถไฮบริดรุ่น Countryman SUV ถูกมองว่าเป็นคู่แข่งที่จริงจังในตลาด SUV ขนาดเล็ก ซึ่ง MINI มีกลุ่มเป้าหมายที่ชัดเจน 'ครอบครัววัยรุ่นที่หลงใหลกิจกรรมกลางแจ้ง และเป็นนักผจญภัยที่ใส่ใจสิ่งแวดล้อม' MINI จึงเลือกใช้ GumGum บริษัทที่ใช้ AI และ Machine Learning ในการวิเคราะห์คอนเทนต์การตลาดเพื่อมาตอบโจทย์นี้

ในกรณีของ MINI Countryman ซึ่งเป็นเว็บเพจเกี่ยวกับไลฟ์สไตล์กลางแจ้ง, ความเป็นมิตรต่อสิ่งแวดล้อม, การเลี้ยงลูก และรถ SUV ด้วยเทคโนโลยีการจดจำรูปภาพและการค้นหาข้อความจากฐานข้อมูลขนาดใหญ่ ระบบของ GumGum สามารถระบุได้ว่าเว็บไซต์หน้าใดที่จะดึงดูดใจกลุ่มเป้าหมายโดยธรรมชาติ นอกจากนี้ ระบบยังสามารถเจาะกลุ่มเป้าหมายที่มีโอกาสเป็นลูกค้าด้วยคำวิจารณ์เชิงบวกต่อ MINI Countryman และบทวิจารณ์เชิงบวกที่น้อยกว่าสำหรับ SUV รุ่นอื่นๆที่แข่งขันกับ MINI


7. การแสวงหาโอกาสที่ซ่อนอยู่ (Identification of Marketing Opportunities)

แม้ว่าเราจะให้คุณค่ากับ Machine Learning เพื่อพัฒนาความเร็วและความแม่นยำของกระบวนการตัดสินใจแบบ Data-driven มากสักแค่ไหน แต่ศักยภาพในการพลิกเกมที่แท้จริงอยู่ที่ความสามารถในการทำความเข้าใจกับข้อมูลมหาศาลต่างหาก

นอกจากเมตริกที่รู้จักกันดีในการจัดทำแคมเปญการตลาด เช่น อัตราการคลิก (Click-through rate) หรือ มูลค่าตลอดชีพของลูกค้า (Customer Lifetime Value) ทีมการตลาดยังพยายามเจาะลึกและเข้าใจกระแสสังคมและความแตกต่างทางวัฒนธรรมที่ขับเคลื่อนความต้องการของผู้บริโภค รวมไปถึงสื่ออื่นๆ เช่น หนังสือ ภาพยนตร์ หรือเพลง ที่มีอิทธิพลต่อความคิด และพฤติกรรมการซื้อ

เคสตัวอย่าง: Unilever

Unilever ผู้บุกเบิกโมเดล Machine Learning เพื่อหาข้อมูลเชิงลึกเกี่ยวกับเทรนด์สังคมต่างๆที่บริษัทของตนเอง ด้วยการวิเคราะห์ข้อมูลไร้โครงสร้างที่มาในรูปแบบของรูปภาพ วิดีโอ ไฟล์เสียง หรือข้อความบนโลกออนไลน์ และการตีความคำอุปมาอุปไมยจากภาพยนตร์และเพลง ทำให้ Unilever ได้ข้อมูลเชิงลึกที่ซ่อนอยู่ในความต้องการของผู้บริโภค ตัวอย่างเช่น โมเดล ML รายงานว่า 'มีเพลงอย่างน้อย 50 เพลงในเว็บไซต์สาธารณะที่มีเนื้อเพลงเกี่ยวกับการทานไอศกรีมเป็นอาหารเช้า' ซึ่งหลังจากการประมวลข้อมูลจำนวนมาก Unilever จึงค้นพบว่ามีกลุ่มผู้บริโภคที่ยังไม่ได้รับการเติมเต็มความต้องการในส่วนนี้ และได้เปิดตัวผลิตภัณฑ์ที่ตอบโจทย์ภายใต้แบรนด์ Ben & Jerry's หลังจากนั้นเพียง 2 ปี คู่แข่งส่วนใหญ่ของแบรนด์ก็ได้เปิดตัวผลิตภัณฑ์ที่คล้ายกันออกมาขาย



8. ระบบผู้ช่วยแนะนำ (Recommendation System)

ปัจจุบัน 'ระบบผู้ช่วยแนะนำสินค้าและบริการให้ผู้ใช้งาน' กลายเป็นหัวใจสำคัญที่อยู่เบื้องหลังเว็บไซต์อีคอมเมิร์ซที่ประสบความสำเร็จ ระบบที่ขับเคลื่อนด้วย Machine Learning นี้มีบทบาทสำคัญในการเพิ่มความพึงพอใจและการมีส่วนร่วมของลูกค้า และยังเพิ่มผลกำไรของบริษัทได้อีกด้วย

เคสตัวอย่าง: LUISAVIAROMA และ Dynamic Yield

LUISAVIAROMA (LVR) เป็นผู้ค้าปลีกออนไลน์แฟชั่นชั้นสูงที่จำหน่ายมากกว่า 600 แบรนด์ในกว่า 150 ประเทศ LVR ต้องการเพิ่มประสิทธิภาพในส่วนของระบบการแนะนำเพื่อรักษาฐานลูกค้าและเพิ่มรายได้ จึงหันมาใช้ Dynamic Yield ซึ่งเป็นบริษัทที่มีระบบ Personalization ที่ขับเคลื่อนด้วย ML สำหรับผู้ค้าปลีกออนไลน์

อันดับแรกทีม Dynamic Yield ได้สร้างคำแนะนำในการเพิ่มสินค้าลงในตะกร้าของลูกค้าเพื่อทำการ Cross-sell และ Upsell  ซึ่งนำไปสู่รายได้ที่เพิ่มขึ้น 15 เปอร์เซ็นต์ต่อคน ต่อมาได้ปรับกลยุทธ์คำแนะนำให้เหมาะสมในหน้าขอบคุณ ซึ่งทำให้รายได้เฉลี่ยต่อลูกค้าเพิ่มขึ้น 14 เปอร์เซ็นต์ และปิดท้ายด้วยการใช้ระบบผู้ช่วยแนะนำที่แจ้งให้ลูกค้าทราบเกี่ยวกับสินค้ายอดนิยมที่กำลังจะหมดสต๊อก ส่งผลให้รายได้ต่อลูกค้าเพิ่มขึ้นอีก 6 เปอร์เซ็นต์



9. การปรับงบประมาณให้เหมาะสม (Marketing Budget Optimization)

นอกจากการทำโปรไฟล์ลูกค้าและการคิดแคมเปญชิ้นต่อไปแล้ว นักการตลาดทุกคนต้องเรียนรู้ศิลปะในการปรับงบประมาณให้เหมาะสมด้วย ไม่น้อยเกินจนกระทบรายได้ และไม่มากเกินจนกระทบผลกำไร โดยเฉพาะองค์กรขนาดใหญ่ที่มีแคมเปญการตลาดจำนวนหลายพันชิ้นในเวลาเดียวกัน ซึ่งส่วนใหญ่มักจะมีทีมงานเพียงไม่กี่คนที่มีส่วนในการตัดสินใจจัดสรรงบประมาณพื่อผลตอบแทนสูงสุด จึงเป็นปกติที่การดำเนินงานจะใช้เวลานานและหลายครั้งผลลัพธ์ที่ออกมาอาจต่ำกว่ามาตรฐานที่ตั้งไว้

ในความเป็นจริงถ้าบริษัทมีข้อมูลเกี่ยวกับประสิทธิภาพของแคมเปญ และพฤติกรรมของลูกค้าอย่างครบถ้วนแล้ว Machine Learning จะมาช่วยตอบโจทย์เรื่องกลยุทธ์การ Bidding ราคาแคมเปญแบบอัตโนมัติและเพิ่มประสิทธิภาพแคมเปญ

เคสตัวอย่าง: DoorDash

DoorDash หนึ่งในบริษัทจัดส่งอาหารชั้นนำในอเมริกา ได้พัฒนาโมเดล Machine Learning เพื่อใช้จ่ายงบประมาณโดยอัตโนมัติ DoorDash ใช้เงินหลายล้านดอลลาร์ไปกับแคมเปญการตลาดหลายพันชิ้นเพื่อดึงดูดลูกค้ากลุ่มใหม่และเพื่อเอาชนะคู่แข่ง เมื่อพวกเขารู้ว่าจะต้องเสียเวลาหลายชั่วโมงในการจัดสรรงบประมาณ บริษัทจึงหันไปใช้ ML เพื่อย่นระยะเวลาและเพิ่มประสิทธิภาพในส่วนนี้ ปัจจุบันโมเดล ML จะปรับงบประมาณโดยอัตโนมัติตามข้อมูลย้อนหลังของแคมเปญ ซึ่งช่วยลดต้นทุนทางการตลาดได้อย่างมาก



10. เปลี่ยนผู้ที่สนใจในให้กลายมาเป็นลูกค้า (Lead Conversion)

แม้ว่าเป้าหมายของนักการตลาดทุกคนคือการสร้าง Lead ให้ได้มากที่สุดเท่าที่จะเป็นไปได้ แต่การหา Lead ที่มีศักยภาพมากที่สุดเพื่อให้เกิด Conversion เป็นงานที่ซับซ้อนมาก โดยเฉพาะตอนที่มี Lead มากเกินกว่าที่พนักงานของบริษัทจะสามารถจัดการได้ ด้วยเทคโนโลยี AI ในการประมวลผลภาษาธรรมชาติ (Natural Language Processing) จึงทำให้การประเมินโอกาสในการ Convert ของ Lead เป็นไปได้โดยอัตโนมัติ


เคสตัวอย่าง: Hootsuite และ Conversica

Hootsuite บริษัทที่ให้บริการด้านเครื่องมือการจัดการโซเชียลมีเดียและการวิเคราะห์เต็มรูปแบบในแคนาดา ได้รับความนิยมเป็นอย่างมากจนไม่สามารถติดตาม Lead ทั้งหมดได้ เพื่อป้องกันไม่ให้พลาดโอกาสสำคัณเหล่านี้ Hootsuite จึงร่วมมือกับ Conversica ซึ่งเป็นบริษัทที่ให้บริการระบบ AI สำหรับการสนทนา

ผลที่ตามมาคือ Hootsuite ได้เพิ่มประสิทธิภาพของทีมขายอย่างมีนัยสำคัญโดยส่งต่อลูกค้าเป้าหมายหลายร้อยรายต่อวันไปยังระบบ AI ของ Coversica ปัจจุบันบริษัทมีระบบ AI ที่ช่วยตอบสนองลูกค้าอัตโนมัติถึงสามภูมิภาค ได้แก่ อเมริกาเหนือ ละตินอเมริกา และยุโรป

ระบบ AI นี้สามารถให้ข้อมูลผลิตภัณฑ์ที่เกี่ยวข้องทั้งหมดกับลูกค้า และตอบคำถามในลักษณะที่เหมือนมนุษย์ ตามอัลกอริธึม Machine Learning ที่ซับซ้อนของ Conversica ระบบสามารถระบุได้ว่าเมื่อไหร่ที่ลูกค้าเป้าหมายพร้อมจะคุยกับทีมขาย Lead จากคอนเทนต์ทั้งหมดถูกดำเนินการผ่านระบบ AI ของ Conversica ซึ่งเพิ่มอัตราการมีส่วนร่วมจาก 0.5 เป็น 4 เปอร์เซ็นต์




10 สิ่งที่ เทคโนโลยี Machine Learning เข้ามาช่วยในการตลาดยุคดิจิทัล อ่านบทความเพิ่มเติมคลิ๊กที่นี่ https://techwealth99.com/