โดย คุณณัฐพล ม่วงทำ เจ้าของเพจ “การตลาดวันละตอน” Data ได้กลายเป็นสิ่งสำคัญในการทำธุรกิจตั้งแต่การวางกลยุทธ์การตลาดไปจนถึงการบริหารองค์กร ซึ่งมีส่วนสำคัญในการช่วยตัดสินใจได้อย่างแม่นยำ ทำให้การทำงานมีประสิทธิภาพและรวดเร็วมากกว่าเดิม เราไม่ได้ตัดสินใจด้วยตัวเองอีกแล้ว (Decision Driven-Data)เพราะทุกวันนี้ข้อมูลต่างหากที่ช่วยเราตัดสินใจ (Data-Driven Decision) มาเจาะลึกเรื่อง Data-Driven Business ไปกับ คุณณัฐพล ม่วงทำ เจ้าของเพจ “การตลาดวันละตอน” วิทยากรและที่ปรึกษาด้าน Marketing และ Data ได้ใน Session Data-Driven Business Slide จากงาน “𝗗𝗔𝗧𝗔 + 𝗔𝗜 𝗳𝗼𝗿 𝗕𝘂𝘀𝗶𝗻𝗲𝘀𝘀 𝗶𝘀 𝗡𝗼𝘄”
Author Archives: admin
Global Trends in AI By Mr. Srirangam R Srirangarajan and Dr.Shidan Murphy, Altair Engineering Inc. เมื่อพูดถึงบริษัท Altair หลายคนที่อยู่นอกฟิลด์ Manufacturing อาจจะไม่รู้จัก ต้องบอกว่า Altair เป็นบริษัทที่มีซอฟต์แวร์ด้าน Simulation ที่ดีมาก ๆ และเมื่อ 2 ปีก่อนได้ Acquire RapidMiner ไป เพื่อเสริมทัพในส่วนของ Data Analytics ซึ่ง RapidMiner เป็นเครื่องมือที่ใช้งานง่ายและไม่ต้องเขียน Code ทำให้วิเคราะห์ข้อมูลได้ไวขึ้น สำหรับปีนี้ทาง Altair ได้ร่วมสนับสนุน Datacube ตั้งแต่มาร่วมออกบูธ รวมถึงยังได้รับเกียรติจาก Mr. Srirangam R Srirangarajan ซึ่งเป็นถึง MD ที่ดูแลภูมิภาค ASEAN, Australia […]
PAM ซอฟต์แวร์ Marketing Automation สัญชาติไทยที่สร้างขึ้นมาตอบโจทย์ธุรกิจไทยและช่วยยกระดับในการทำการตลาด ออกแบบมาเพื่อจัดการรวบรวม จัดกลุ่ม และดูแลข้อมูลลูกค้า พร้อมกับช่วยสร้างแคมเปญทางการตลาดได้ ซึ่งบอกเลยว่าเหมาะกับธุรกิจที่กำลังเติบโตไปจนถึงบริษัทขนาดใหญ่ นอกจากนี้ยังเป็น E-Commerce Platform และ Coupon Portal Platform ที่ช่วยจัดการหน้าและหลังร้าน พร้อมด้วยการสร้างแคมเปญส่งเสริมการขายได้อย่างมีประสิทธิภาพมากขึ้น ฟีเจอร์เด่นๆ ของ PAM ได้แก่ Realtime Customer Segmentation สามารถเก็บข้อมูลและจัดหมวดหมู่ข้อมูลของลูกค้าได้อย่างเป็นระบบ ทำให้สามารถจัดแยกลูกค้าประเภทต่างๆ ได้ และสามารถเลือกเงื่อนไขในการทำ Segmentation ได้ Customer Consent Management สามารถจัดการการอนุญาตของลูกค้าที่เป็นไปตาม PDPA ทำให้ธุรกิจสามารถดูแลรักษาและใช้ข้อมูลของลูกค้าโดยไม่ผิดพระราชบัญญัติ Marketing Campaign Management สามารถสร้างแคมเปญให้จัดส่งข้อความผ่านช่องทางต่าง ๆ โดยทั้งหมดนี้สามารถตั้งให้เป็นระบบอัตโนมัติได้ Customer Journey Design ช่วยทำให้แคมเปญสอดคล้องกับ Customer Journey ออกแบบปรับเปลี่ยนได้อย่างอิสระทำให้สามารถสื่อสารกับลูกค้าได้อย่างต่อเนื่องไม่ขาดตอน Data Insight Dashboard […]
The next level of marketing intelligence โซลูชั่นทางการตลาดที่ช่วยนักการตลาด คอนเทนต์ครีเอเตอร์ แบรนด์ ธุรกิจ และองค์กร อัปเดตทุกเทรนด์ เจาะลึกข้อมูลผู้บริโภค และบริหารจัดการโซเชียลมีเดีย ได้ง่ายๆ ในแพลตฟอร์มเดียว เพื่อสร้างสรรค์โอกาสทางธุรกิจให้องค์กรของคุณ พร้อมเพิ่มประสิทธิภาพของทีมด้วยการอัปเดตไอเดียใหม่ ๆ คอนเทนต์ที่มีประสิทธิภาพ พร้อมการวัดผลลัพธ์ และข้อมูลเชิงลึกแบบเรียลไทม์ เพื่อนำไปสู่การพัฒนากลยุทธ์การตลาดที่ไม่เคยมีมาก่อนด้วย Mandala AI จบในที่เดียว! โซลูชันทางการตลาดเพื่อการอัปเดตเทรนด์โลก การจัดการโซเชียลมีเดีย และการวิเคราะห์อินไซต์ที่จะช่วยให้ธุรกิจของคุณเติบโต ลูกค้าทั้งในไทยและต่างประเทศต่างก็ไว้ใจให้ Mandala AI เป็นผู้ช่วยในการวางกลยุทธ์ และทำความรู้จักกับกลุ่มลูกค้า เพื่อพัฒนาสินค้าให้ตรงกับความต้องการของกลุ่มเป้าหมาย และเพิ่มยอดขายด้วยเครื่องมือ Social Monitoring และ Social Listening ปรับแต่งหน้าฟีดและเพลย์ลิสต์ด้วย Ripples : ติดตามฟีดของโซเชียลมีเดียทุกแพลตฟอร์มผ่านแดชบอร์ดเดียว พร้อมรายงานผลแบบเจาะลึก เพื่อวิเคราะห์ประสิทธิภาพ และการเข้าถึงกลุ่มเป้าหมาย วิเคราะห์แนวโน้มเทรนด์และข้อมูลใหม่ ๆ บนโลกออนไลน์ : เสริมศักยภาพของ Data บนโลกออนไลน์ […]
Altair SLC คือคอมไพเลอร์ภาษา SAS ที่สามารถเรียกใช้โปรแกรมที่เขียนขึ้นในรูปไวยากรณ์ของภาษา SAS โดยไม่ต้องติดตั้งซอฟต์แวร์จากแหล่งอื่นอีก Altair SLC สามารถทำงานบน SAS ที่หลากหลายทั้ง core language, macros, กราฟและแผนภูมิ, การวิเคราะห์ทางสถิติ, time series analytics, matrix manipulation, machine learning, การสื่อสาร, และชุดเครื่องมือพัฒนาซอฟต์แวร์ภาษา (SDK) ที่ทำงานร่วมกันได้อย่างสมบูรณ์แบบ ทำไมต้องเปลี่ยนมาใช้ SAS ของ Altair ด้วยโครงสร้างของภาษา SAS ของ Altair ผู้ใช้สามารถรันภาษา SAS อย่างอิสระ และถูกต้องตามลิขสิทธิ์พร้อมทั้งมี open-source เชื่อมต่อกับภาษาอื่นๆ เช่น Python, R และ SQL จึงสามารถวิเคราะห์ข้อมูลได้แบบเรียลไทม์ SAS ของ Altair มอบประสิทธิภาพการทำงานที่ครบถ้วนด้วยราคาที่ประหยัดกว่าเดิมประมาณ 50-70% อีกทั้งฟีเจอร์ของโปรแกรมได้รับการปรับปรุงให้ทันสมัย และใช้งานง่ายกว่า […]
เรื่องนี้เป็นอีก use case หนึ่งทางด้าน Data Science (DS)/Machine Learning (ML) ที่ใช้ในการเลือกว่าลูกค้าคนไหนมีโอกาสจะซื้อสินค้าบ้างจะได้นำเสนอสินค้าหรือบริการให้ตรงใจกับลูกค้ามากยิ่งขึ้นและไม่ต้องส่งข้อความหรือโทรศัพท์ไปหาลูกค้าแบบสุ่มหรือทั้งหมด แม้ว่าสมัยนี้อาจจะดูเหมือนการส่ง email ไม่ได้มีค่าใช้จ่ายแต่จริงๆ ก็มีอยู่บ้างเล็กน้อยครับและเมื่อทำการส่งข้อความไปให้ลูกค้าเป็นหมื่นๆ คนก็มีค่าใช้จ่ายพอสมควรเลย ยิ่งเป็นการส่งข้อความผ่านทาง SMS หรือโทรศัพท์ด้วยแล้วยิ่งมีค่าใช้จ่ายมากขึ้น แต่ถ้ามองกันในมุมของลูกค้าแล้วการที่ได้รับข้อความหรือโทรศัพท์ในเรื่องที่ไม่สนใจย่อมไม่ค่อยพอใจเท่าไรแล้วอาจจะไม่เปิดอ่าน email หรือถึงขั้น block หมายเลขโทรศัพท์เลยก็เป็นได้ ทำให้บริษัทเสียโอกาสติดต่อลูกค้าในภายหน้าไปอีกครับ จริงๆ แล้วในการทำงานฝ่ายการตลาดก็ไม่ได้ส่งไปทั้งหมดหรอกครับแต่มีการเลือกมาระดับนึงแล้ว อาจจะเลือกตามลักษณะของลูกค้า เช่น ถ้าจะเสนอโปรโมขันของเครื่องสำอางค์ชนิดใหม่ที่เหมาะกับสาววัยทำงาน ก็จะเลือกเป็นลูกค้าผู้หญิงในช่วงวัย 25-35 ปีที่ทำงานอยู่ในกรุงเทพเป็นหลัก (เหมือนเป็นการทำ segment ตาม demographic ก่อนครับ) แล้วก็มาวัดผลกันว่าที่ส่งไปหาลูกค้ากลุ่มนี้มีคนกลับมาซื้อสินค้าเป็นจำนวนกี่เปอร์เซ็นต์ (%) หรือที่เรียกว่า response rate ครับ ซึ่งตัวเลขส่วนใหญ่ที่พบก็ไม่ค่อยสูงมากถึงขนาดเป็นเลข 2 หลักครับ (<10%) เพื่อให้การทำงานของฝ่ายการตลาดทำงานได้สะดวกยิ่งขึ้น (ไม่ต้องมาตัดเลือกลูกค้าเองทั้งหมดแต่ก็ไม่ได้มาแทนที่ฝ่ายการตลาดนะ) ก็สามารถใช้ ML มาช่วยในการเรียนรู้รูปแบบพฤติกรรมการใช้งานของลูกค้าเพื่อหาโอกาสในการซื้อสินค้าในอนาคตได้ เช่น ลูกค้าที่เคยซื้อเครื่องสำอางค์ที่มีลักษณะคล้ายกับสินค้าใหม่นี้มักจะเป็น ผู้หญิงในช่วงวัย […]
เอกสารด้านล่างเป็นส่วนหนึ่งเอกสารที่ใช้ในการอบรมหลักสูตร Practical Data Science and Machine Learning with RapidMiner TurboPrep and AutoModel ซึ่งมีระยะเวลาการอบรม 3 วันตั้งแต่วันที่ 25-27 กรกฎาคม 2565 ครับ โดยในเอกสารนี้จะประกอบด้วยหัวข้อต่างๆ ได้แก่ การดูรายละเอียดของข้อมูล (show detail) การเรียงลำดับข้อมูล (sort) การแทนค่าข้อมูล (replace) การแทนค่าว่าง (replace missing value) การเลือกข้อมูลบางตัวอย่าง (filter examples) การ join ข้อมูล 2 ชุดเข้าด้วยกัน การ Export Data และ Process ดาวน์โหลดได้จาก ที่ นี่ หรือ คลิกที่รูปด้านล่าง ได้เลยครับ
RapidMiner คือเครื่องมือที่ช่วยในการทำงานเกี่ยวกับ Data และ AI ตั้งแต่การเตรียมข้อมูล วิเคราะห์ข้อมูล การสร้างโมเดลด้วยเทคนิคการเรียนรู้ของเครื่อง RapidMiner ออกแบบมาเพื่อช่วย Data Scientist และ Data Analyst ทำงานโดยไม่ต้องเขียน Code เพิ่มเติม อีกทั้งยังใช้งานง่าย เพราะออกแบบ Graphical User Interface (GUI) ให้ใช้งานด้วยการ Drag & Drop เท่านั้น อีกทั้งยัง Connect ได้กับ SAS และ Python สามารถใช้งานได้ทั้งแบบ Desktop และ Cloud จึงเป็นเครื่องมือที่นิยมใช้กันทั่วโลก RapidMiner ประกอบด้วย 3 โมดูล ใหญ่ๆ ได้แก่ RapidMiner Studio, RapidMiner Server, RapidMiner Radoop 1.RapidMiner Studio ใช้สำหรับการออกแบบการวิเคราะห์ข้อมูลผ่านทางหน้า […]
การประเมินมูลค่าของลูกค้า (customer lifetime value) หรือเรียกย่อๆ ว่า CLV เป็นการพิจารณามูลค่าของลูกค้าแต่ละรายตลอดช่วงเวลาที่ลูกค้าใช้บริการกับบริษัทอยู่ซึ่งจะทำให้ทราบถึงความสำคัญของลูกค้าเป็นรายบุคคลได้ การคำนวณค่า CLV นี้แบ่งได้เป็น 2 แบบใหญ่ๆ คือ การคำนวณมูลค่าแบบย้อนหลัง (historical lifetime value) และการคำนวณมูลค่าแบบพยากรณ์ (predicted lifetime value) [อ้างอิงจาก หนังสือ Predictive Marketing: Easy Ways Every Marketer Can Use Customer Analytics and Big Data] การคำนวณมูลค่าแบบย้อนหลังนั้นจะพิจารณาจากค่าใช้จ่ายของลูกค้าที่ผ่านมาในอดีตจนถึงปัจจุบันและหักลบด้วยค่าใช้จ่ายในการหาลูกค้ามา ตัวอย่างเช่น มานีเป็นลูกค้าที่มาซื้อโทรศัพท์ iPhone 13 Pro Max สีซีร่า บลู ขนาดความจุ 512 GB ราคา 46,900 บาท ที่ร้านขายโทรศัพท์มือถือแห่งหนึ่ง และต่อมามานีอีก 1 เดือนมานีกลับมาซื้อ […]
เมื่อวานนี้มีน้องที่รู้จักกันมาถามว่า “ผมยังไม่รู้ inspiration ของพี่เลยว่าทำไมพี่ถึงชอบ Data” ถ้าให้ตอบแบบเท่ๆ สมัยนี้ก็ต้องบอกว่า “เพราะข้อมูลมันมีประโยชน์ไง ช่วยให้เราตัดสินใจได้ดีขึ้น …” แต่จริงๆ จุดเริ่มต้นของผมในเส้นทางสายนี้ไม่ใช่เพราะคำตอบนั้นหรอกครับ จากคำถามนั้นก็เลยทำให้ผมคิดย้อนไปว่าเส้นทางด้านนี้ของผมเป็นยังไง จริงๆ ถ้าคุณอ่านบทความนี้อาจจะรู้จักผมกับดาต้า คิวบ์มาบ้าง แต่ขออนุญาตย้อนกลับไปตอนจุดเริ่มต้นของเส้นทางการเดินทางของผมสักนิดนึงนะครับ ผมรู้จักกับ Data Mining (สมัยนั้นยังไม่มีคำว่า Big Data หรือ Data Science) ในช่วงประมาณปี 2545 ซึ่งเป็นช่วงที่ผมเป็นนิสิตปีที่ 2 ภาควิชาวิศวกรรมคอมพิวเตอร์ ในคณะวิศวกรรมศาสตร์ มหาวิทยาลัยเกษตรศาสตร์ครับ ในสมัยนั้นที่คณะก็จะแบ่งเป็นห้อง lab ต่างๆ ตามความสนใจของอาจารย์ ไม่ว่าจะเป็น lab ที่ทำเกี่ยวกับ IR (Information Retrieval) หรือ Network ต่างๆ ส่วนผมเองไปสนใจเรื่องของ Data เพราะคิดว่า (ในสมัยนั้น) เป็นอะไรที่ยังใหม่และอาจารย์ท่านก็เพิ่งจบด้านนี้มาจากประเทศฝรั่งเศสได้ไม่กี่ปี ก็ถือว่าเป็นมือวางอันดับต้นๆ ของประเทศไทยเลย ในสมัยนั้นเรื่องของ Data Mining […]