ในวันนี้ที่ธุรกิจมีข้อมูลมากขึ้นเรื่อยๆ นั้น การวิเคราะห์ข้อมูล (Data Analytics) ก็จะมีบทบาทมากขึ้นเรื่อยๆ เป็นธรรมดา ซึ่งทาง Adobe เองก็เป็นหนึ่งในผู้พัฒนาโซลูชั่นและด้านการตลาดที่พยายามชูเรื่องการสร้าง Customer Experience จากเทคโนโลยีเหล่านี้และพยายามนำเสนอแนวทาง กลยุทธ์ หรือองค์ความรู้ใหม่ๆ เพื่อให้นักการตลาดเห็นโอกาสของการตลาดแบบใหม่ที่เกิดขึ้น และเรื่องของการวิเคราะห์ข้อมูลนี้ก็เป็นอีกเรื่องที่สำคัญซึ่งถูกพูดถึงอยู่บ่อยครั้ง

เมื่อเราพูดถึงการวิเคราะห์ข้อมูลนั้น หลายๆ คนก็อาจจะคิดว่ามันคือการวิเคราะห์สิ่งที่เคยเกิดขึ้นเพื่อให้ทราบว่ามีผลดำเนินการเป็นอย่างไร มีอะไรดีไม่ดี ประเมินคุณภาพต่างๆ ซึ่งนั่นก็เป็นวิถีที่เราวิเคราะห์ข้อมูลกันแบบปรกติ ซึ่งจริงๆ แล้วมันก็มีวิธีการวิเคราะห์ข้อมูลแบบอื่นๆ ด้วยซึ่งผมคิดว่าน่าสนใจและเป็นคอนเซปต์ที่ควรรู้ไว้เนื่องจากจะมีบทบาทมากขึ้นในอนาคต

หมายเหตุ: บทความนี้เรียบเรียงจากบทความประชาสัมพันธ์ของ Adobe ซึ่งไม่ได้มีการแลกเปลี่ยนผลประโยชน์หรือว่าจ้างเพื่อตีพิมพ์หรือโปรโมทบทความนี้

1. Descriptive Analytics (การวิเคราะห์แบบพื้นฐาน)

การวิเคราะห์ข้อมูลแบบพื้นฐานเป็นดูข้อมูลแบบเบื้องต้นโดยสรุปและรายงานสิ่งที่เกิดขึ้น ซึ่งข้อมูลเหล่านี้จะทำให้นักการตลาดทราบเกี่ยวกับสิ่งที่ได้เกิดขึ้นในอีดค เช่นการรับทราบพฤติกรรมของลูกค้าที่เคยซื้อสินค้าก่อนหน้านี้ พฤติการเข้าเว็บไซต์ของผู้ชมในรอบเดือนที่ผ่านมา ช่องทางที่มีคนดูสินค้ามากที่สุด ฯลฯ

แน่นอนว่าการวิเคราะห์ข้อมูลแบบพื้นฐานมักเป็นจุดเริ่มต้นของการวิเคราะห์ข้อมูล ซึ่งก็อาจจะมีการเจาะลึกหรือดูข้อมูลเชิงลึกในบางเรื่องเพื่อนำไปสู่การคาดเดาต่อไป อย่างไรก็ตาม ข้อจำกัดของการวิเคราะห์แบบนี้คือการที่ผู้วิเคราะห์จะมีแค่ข้อมูลตรงหน้าเท่านั้น ทำให้มีข้อจำกัดจากจำนวนข้อมูลที่มี

2. Diagnostic Analytics (การวิเคราะห์แบบวินิจฉัย)

ถ้าหากการวิเคราะห์ข้อมูลแบบพื้นฐานทำการคาดเดาโดยอาศัยข้อมูลและการตั้งคำถามที่เหมาะสม การวิเคราะห์ข้อมูลแบบวินิจฉัยจะเป็นการเจาะลึกและกรองข้อมูลวิเคราะห์พื้นฐานดังกล่าว เพื่อค้นหาสาเหตุและลักษณะของสิ่งที่เกิดขึ้น

ทั้งนี้ การวิเคราะห์แบบวินิจฉัยมักจะเกิดขึ้นต่อเนื่องจากการวิเคราะห์แบบพื้นฐานโดยเกิดจากการตั้งคำถามเช่น “อะไรคือสาเหตุที่ทำให้คนเข้าเว็บไซต์เพิ่มขึ้น” “อะไรคือสาเหตุที่ทำให้โฆษณานี้มีคนคลิกมาเป็นพิเศษ” แล้วก็จะทำการวิเคราะห์หาคำตอบจากข้อมูลที่มี หรือสามารถนำไปสู่การตั้งคำถามต่อๆ ไปได้เช่น “สิ่งที่เกิดขึ้นนี้ดีหรือไม่ดี” เป็นต้น

3. Predictive Analyitcs (การวิเคราะห์แบบพยากรณ์)

ถ้าเราบอกว่าการวิเคราะห์ข้อมูลปรกติคือการดูว่าเกิดอะไรขึ้นในอดีตและพยายามหาคำตอบจากสิ่งเหล่านั้น การวิเคราะห์ข้อมูลแบบพยากรณ์คือการใช้เทคโนโลยีอย่าง Machine Learning / AI ในการทลายข้อจำกัดการวิเคราะห์แบบเดิมๆ เพื่อสามารถหารูปแบบ (Pattern) หรือความสัมพันธ์ของข้อมูลต่างๆ ซึ่งปรกติเป็นเรื่องยากที่จะทำได้ แล้วสามารนำมาพยากรณ์ได้ถึงรูปแบบที่มีแนวโน้มจะเกิดขึ้น (หรือมีความเป็นไปได้ที่จะเกิดขึ้น)

4. Prescriptive Analytics (การวิเคราะห์แบบให้คำแนะนำ)

การวิเคราะห์แบบแนะนำนั้นจะมาต่อเนื่องกับการวิเคราะห์แบบพยากรณ์ กล่าวคือพอเราสามารถพยากรณ์ได้ว่ามีอะไรที่มีแนวโน้มที่จะเกิดขึ้น ระบบก็จะสามารถให้คะแนะนำต่อได้ว่าเราจะสามารถรับมือหรือแก้ไขสถานการณ์ได้อย่างไร หรือในอีกทางหนึ่งก็เช่นการแนะนำให้เห็นถึงโอกาสใหม่ๆ ที่เกิดขึ้นเป็นต้น

จากรูปแบบ 4 อย่างที่หยิบมาเล่าในบทความนี้นั้น จะเห็นว่าการวิเคราะห์แบบพื้นฐานและการวิเคราะห์แบบวินิจฉัยนั้นเป็นสิ่งที่เราทำกันอยู่บ้างแล้วในปัจจุบัน แต่การวิเคราะห์แบบพยากรณ์กับการวิเคราะห์แบบให้คำแนะนำนั้นเป็นโอกาสใหม่ที่เกิดขึ้นจากการใช้เทคโนโลยี Machine Learning / AI เข้ามาช่วยเนื่องจากเป็นการเรียนรู้จากข้อมูลต่างๆ ซึ่งทำให้โอกาสการใช้ประโยชน์ของข้อมูลเหล่านี้เปิดกว้างมากขึ้นกว่าแต่ก่อน

ด้วยเหตุนี้เอง จึงไม่น่าแปลกใจที่ว่าเรื่องของ AI จึงเป็นสิ่งที่หลายๆ ธุรกิจให้ความสำคัญมากเช่นเดียวกับที่ผลสำรวจหลายๆ ที่ (รวมทั้งของ Adobe เอง) ก็ชี้ให้เห็นว่าธุรกิจที่มีการนำเทคโนโลยีนี้มาผนวกกับการทำการตลาดนั้น จะมีประสิทธิภาพในการทำงานมากขึ้น เช่นเดียวกับผลลัพธ์ที่ได้ก็ดีขึ้ตามมาด้วยเช่นกัน