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 25-35 ปีที่ทำงานอยู่ในกรุงเทพและปริมณฑล (เห็นไหมครับว่าการเลือกของฝ่ายการตลาดก็ไม่ผิดนะ ^^) และจะมีการซื้อเครื่องสำอางค์ประเภทอื่นๆ เดือนละครั้งที่ร้านของสาขาที่ตั้งอยู่ในห้างสรรพสินค้า ซึ่งรูปแบบเพิ่มเติมเหล่านี้จะทำให้สามารถเลือกลูกค้าได้เฉพาะเจาะจงมากขึ้น ทำให้เสียค่าใช้จ่ายในการติดต่อน้อยลงแต่ได้รายได้มากขึ้น และก็ทำให้ได้ response rate เพิ่มขึ้นด้วย อาจจะเพิ่มขึ้นจากเดิม 2-3 เท่าเลยทีเดียว แต่ก็ยังน้อยกว่า 10% นะครับ เช่น อาจจะได้จาก 1% เป็น 4%