จากบทความที่แล้ว ผมเล่าเรื่อง Hyper Personalization และ Personalization ถึงความหมายไปแล้ว สองคำนี้ถูกพูดถึงในบริบทของนักการตลาด แต่สำหรับฝั่งเทคโนโลยีแล้ว ทั้งสองวิธีคือ สิ่งเดียวกัน คือการพยากรณ์ ความต้องการของลูกค้ารายนั้น ๆ แล้วเสนอสินค้าบริการให้ในบริบทที่แตกต่างกัน ตามสิ่งที่ Model สามารถทำนายได้
ผมอยากให้ทุกคนได้เข้าใจเรื่องนี้เพราะในไม่ช้ามันจะเป็นสิ่ง สามัญธรรมดาสำหรับทุก ๆ ธุรกิจที่ทำการค้าขายให้ลูกค้า DTDC (Direct to Digital Customers) ผมขอเพิ่มตัว D เข้าไปเพิ่มอีกหนึ่งตัว เพราะเป็น Touchpoint หลักที่จะเก็บข้อมูลมาประมวลผลเข้าโมเดล ใครไม่มี D-Digital ก็คงไม่สามารถดึงประโยชน์จาก AI ได้มากนัก
จริง ๆ แล้วทุกคนจะมองภาพการทำ AI Recommendation อยู่ในธุรกิจ eCommerce เป็นหลัก แต่จริง ๆ แล้วการเอา AI ไปใช้ได้หลายบริการ กลุ่ม Content ก็จะเป็นภาพที่คุ้นชินขึ้นมาอีกหน่อย อย่าง Netflix Streaming Application ที่เป็นต้นแบบของการทำ AI Recommendation ที่สมบูรณ์แบบ ยังมีการการใช้อื่น ๆ เช่น เว็บสมัครหางาน เว็บ eLearning, พวก Dissussion Community , Application Entertainment กลุ่มวิดีโอ เพลงและ เกมส์ หรือ เว็บ Online Travel Agency (OTAs) ก็ใช้ AI คาดเดาสินค้าและบริการไปให้ผู้ใช้อย่างเข้มข้น
แม้แต่ในธุรกิจ Bank ก็หลังจากปี 2010 เป็นต้นมา ก็มองว่ายุคถัดมาของ Retail Banking จะต้องสร้าง Innovation Brand Experience เพื่อผนวกการให้บริการ Digita; และ Human Services เข้าด้วยกัน AI
Artificial intelligence (AI) และ machine learning จะเป็นโอกาสของ Retail Banks การเพิ่มประสบการณ์การให้บริการจึงต้องนำเสนอบริการตามความต้องการจริง ๆ ไม่ยัดเยียด แบบรายบุคคล ตอบรับกับลูกค้าที่ต้องการการให้บริการแบบ Special Treatment สาเหตุมาจากบริษัท IT ยักษ์ใหญ่นั้นได้ให้ประสบการณ์ที่ดีเกินไป จนกลายเป็นประสบการณ์พื้นฐานของผู้ใช้งาน Platform Digital ในบทวิเคราะห์ของ Accenture บอกว่า การทำแค่ Basic Personalization ไม่เพียงพอเพราะ Netflix Uber Amazon นั้นวางรากฐานไว้สูงจรความคาดหวังของลูกค้าสูงตาม
กลยุทธ์ การทำ Personalization จะยิ่งเข้มข้นขึ้น กลยุทธ์ Hyper Relevance ช่วยชนะใจลูกค้าได้หลังจากนี้
AI ไม่ใช่แค่ อยู่ในองค์กรใหญ่ ๆ
ในวันนี้ที่ Marketing Technology นั้นมีเครื่องมือเยอะให้ทุก ๆ คนได้เลือกไปใช้ พร้อมราคาที่ย่อมเยาว์กว่าเดิม SME ขนาดย่อมก็จะสามารถจับต้องทำ AI ไปใช้ในกลยุทธ์ได้แล้วครับ ไม่อยากให้ SME มองเป็นเรื่องไกลตัวนะครับ เหมือนที่บอกจะกลายเป็นเรื่องสามัญธรรมดา เหมือน Digital Marketing ช่วงแรกตอนนั้นเราก็ไม่คุ้นชิน มันยากซับซ้อนไปหมด ทุกวันนี้ SME บางรายก็ทำได้ดีไม่แพ้แบรนด์ขนาดใหญ่เลยทีเดียว
Predictive Personalization คือ นิยามของทั้งหมดของการพยากรณ์ความต้องการเพื่อขาย ซึ่งแน่นอนว่าเจ้าใหญ่ ๆ Proved มาแล้วว่า การ Personalize ด้วย AI /ML เพิ่ม ยอดขายได้จริง ๆ
ถ้าจะเริ่ม เริ่มตรงไหน
เริ่มตรงเก็บข้อมูลลูกค้าให้เป็นระบบก่อน ไง พูดง่าย แต่ในความเป็นจริงยากมากครับ ยากตรงก้าวแรก ถ้าข้ามเรื่องนี้ไปได้แล้วเรื่องอื่น ๆ ไม่ยากแล้วครับ เอาจริง ๆ จากภาพด้านล่าง ต้นทางคือ ข้อมูล เหมือนที่คนในแวดวง BigData พูดเหมือนกัน คือ มากกว่าครึ่งของงาน BigData คือการเตรียม Data ที่เหลือ คือการทำ Model และกระบวนการด้านการนำเสนอข้อมูล
ภาพ กระบวนการของการทำ Predictive Personalization เริ่มจาก Data , Model , Prediction แล้วเอา AI ไป Action ผ่าน Interface Touchpoint ต่าง ๆ ของแบรนด์
จากภาพข้างบนจะเห็นว่า Data เป็นต้นทางของ Outcome นั่นหมายความว่า ประสิทธิภาพของการทำ AI-Personalization สำคัญสุดคือ Data รองลงมาคือการทำ Model ส่วนผลของการทำ Model คือการพยากรณ์ ให้ได้ผลลัพธ์ ปลายทางคือ การไปอยู่ภายใต้ UI ต่าง ๆ ที่ผู้ใช้งานพบเจอ
ซึ่งความเข้มข้นของบริบทที่เราจะ Personalization เราสามารถเอาสิ่งที่ AI แนะนำไปซ่อนได้อยู่หลาย ๆ Featured ในหน้าแสดงผล ไม่เพียงแค่จะอยู่ตรง สินค้าที่คุณน่าจะชอบ สามารถไปอยู่ได้หลายส่วนเช่น หน้าผลการต้นหา หน้าตระกร้าสินค้า หน้าแรก หรือ ใช้ในการเลือกข้อมูลเพื่อยิง Notification ได้ทั้งหมด
บทความนี้จะลงรายด้านเทคนิคหน่อย ๆ นะครับเผื่อนักการตลาด หรือนักธุรกิจจะสามารถไปต่อยอดได้
AI Recommendation Engine เป็นชื่อเรียกของ ของ Model กลุ่มที่ใช้ในการพยากรณ์ ความต้องการของลูกค้าจากข้อมูลย้อนหลัง และข้อมูลในปัจจุบัน ถือเป็น Application นึงในวงการ Data ที่เป็นพื้นฐานคือ มีการกระจายความรู้และวิธีการพัฒนา Model ในส่วนนี้กันอย่างหลากหลาย ในระดับที่เทียบเท่ากับ ผู้ใหญ่บริการขนาดใหญ่ แต่เบื้องลึก ๆ แล้วประสิทธิภาพของการทำ Data Model ลักษณะนี้มีเรื่องของขนาดข้อมูล และ Team Data ที่แข็งแรงเพียงพอที่ต้องปรับ Tuning Model อยู่ตลอดเวลาทำงานร่วมกับ Data Analyse และนักวิเคราะห์ที่เข้าใจทั้ง Biz, Model, Data ทำงานร่วมกันอย่างมีประสิทธิภาพด้วย
AI Recommendation Engine พื้นฐานมีอยู่สองแบบ เริ่มต้นได้ไม่ยาก มีบทความด้าน AI-RE ตรงนี้หลายบทความ แต่ผมตั้งใจจะเขียนในตอนถัดไป รออ่านได้นะครับ
- Collaborative Filtering อธิบายสั้น ๆ คือ Model จะพยายามหาลูกค้าที่มีลักษณะทางพฤติกรรมที่ใกล้เคียงกัน จากความสนใจในกิจกรรม บทความ สินค้า เมื่อเห็นบุคลิคและนิยามกลุ่มนี้ได้ในทางพฤติกรรมก็จะเริ่มแนะนำ สิ่งที่ลูกค้าอื่น ๆ ในกลุ่มนี้ยังไม่ได้ซื้อ ยังไม่ได้เห็น มาแนะนำให้โดยคาดหวังว่าเมื่อมีเพื่อน ๆ ในกลุ่มที่มีพฤติกรรมเหมือน ๆ กันทำเช่นนี้ ลูกค้าท่านนี้ก็น่าจะทำ จะสนใจสินค้าและบริการนั้นเช่นกันครับ เรามักเจอ ผู้ที่สนใจสินค้านี้ หรือซื้อสินค้านี้ มักซื้อสินค้าชิ้นนี้ด้วย
- Content-Based filtering ส่วนอันนี้ใกล้เคียงกันแต่ Model จะไปอยู่บนแกนของเนื้อหา อาจจะเป็นบทความ สินค้า หรือโฆษณา เมื่อ AI Model เห็นว่าลูกค้าสนใจเนื้อหาประเภทนี้ อย่างมีนัยยะสำคัญก็จะนำเนื้อหาประเภทนี้มานำเสนอให้อีก โดย AI จะจัดกลุ่มเนื้อหาไว้แล้ว แล้วเรียกมาแสดงผลใน Criteria ที่เหมาะสม เรามักเจอ บทความที่คุณน่าจะสนใจ
ขอยังไม่ลงลึก AI Recommendation Engine มากไปกว่านี้นะครับ จะลงในบทความถัด ๆ ไปนะครับจะเล่า ในภาพที่ลึกขึ้นไปอีก หวังว่ามีประโยชน์นะครับ
หากใครยังไม่อ่านตอนที่ 1 ย้อนไปอ่านได้ตามลิ้งด้านล่างนะครับ
ภาพประกอบบทความ :
https://www.behance.net/gallery/35190509/-Movie-recommendation-UI
https://data-flair.training/blogs/data-science-r-movie-recommendation/