ทุกตัวเลขที่นักการตลาดใช้ตัดสินใจ คือ "ของที่ถูกบีบอัดมาแล้ว" และเราเถียงกันบนสิ่งที่เหลือ ไม่ใช่สิ่งที่มี

ลองนึกถึงห้องประชุมการตลาดที่ทุกคนกำลังเถียงกันว่า ทำไม Engagement เดือนนี้ถึงลดลง ฝ่ายคอนเทนต์บอกว่าเป็นเพราะ Algorithm ฝ่ายมีเดียบอกว่า Creative ไม่ดีพอ ส่วนผู้บริหารชี้ไปที่กราฟบน Dashboard แล้วบอกว่า “ตัวเลขมันฟ้องอยู่แล้ว”

แต่มีคำถามหนึ่งที่แทบไม่มีใครถามคือตัวเลขที่เรากำลังเถียงกันอยู่นั้น ถูกสร้างขึ้นมาอย่างไร?

Engagement นี้นับอะไรบ้าง การเปิดดูซ้ำถูกนับหรือไม่ คนที่เห็นแล้วจำได้แต่ไม่ได้คลิกหายไปไหน และนิยามนี้เหมือนกับที่เราใช้เมื่อหกเดือนก่อนหรือเปล่า

สถานการณ์นี้สะท้อนสิ่งที่น่ากังวลที่ผมพูดูอยู่หลายครั้ง นั่นคือปัญหาอาจไม่ใช่ว่าใครตีความตัวเลขผิด แต่คือทุกคนกำลังถกเถียงกันบน “สิ่งที่เหลืออยู่” โดยไม่เคยถามว่าอะไรถูกตัดทิ้งไประหว่างทางในการได้มาซึ่งรายงานตรงหน้า

🔥 Dashboard ไม่ใช่ข้อมูล แต่เป็นข้อมูลที่ผ่านการบีบอัดมาแล้ว

เวลาพูดถึง Data-Driven Marketing นั้น เรามักจินตนาการถึงการมีข้อมูลมากขึ้น เชื่อมระบบมากขึ้น และสร้าง Dashboard ที่เห็นทุกอย่างได้ในหน้าเดียว

แต่ในความเป็นจริง สิ่งที่เราเห็นบน Dashboard ไม่ใช่ข้อมูลทั้งหมด มันคือ บทสรุปของข้อมูล ที่ผ่านการตัดสินใจมาแล้วหลายชั้น ตั้งแต่จะวัดอะไร วัดเมื่อไร แบ่งคนออกเป็นกลุ่มแบบไหน ไปจนถึงเลือกว่าจะใช้ตัวเลขอะไรเป็นตัวแทน

หรือถ้าเราพูดถึง Persona แล้ว มันคือการยุบลูกค้าหลักหมื่นหลักแสนให้เหลือคนสมมติไม่กี่คน ส่วน Segment คือการลากเส้นแบ่งคนที่แตกต่างกันให้กลายเป็นกลุ่มเดียวกัน และค่าเฉลี่ยของกลุ่มก็จะยิ่งชัดเจนว่าคือการลดความหลากหลายจำนวนมากให้เหลือตัวเลขเพียงตัวเดียว

แต่อธิบายมาแบบนี้ก็ต้องเข้าใจกันเสียก่อนว่าการบีบอัดเหล่านี้ไม่ใช่เรื่องผิด เพราะหากไม่บีบอัด เราก็แทบไม่สามารถใช้ข้อมูลจำนวนมหาศาลเพื่อตัดสินใจได้เลย

อย่างไรก็ตาม ปัญหาจะเกิดขึ้นเมื่อเราลืมว่ามันถูกบีบอัดมาแล้วและเริ่มปฏิบัติกับตัวเลขสรุปราวกับมันคือความจริงทั้งหมด

🔥 เรามักวัดสิ่งที่ “วัดได้” จนเผลอคิดว่ามันคือสิ่งที่ “สำคัญ”

อคติของข้อมูลจำนวนมากไม่ได้เริ่มตอนนักวิเคราะห์เปิด Excel แต่เริ่มตั้งแต่ตอนที่องค์กรตัดสินใจว่าจะเก็บอะไรหรือมองในอีกนัยหนึ่งคือเราทำการคัดกรองข้อมูลที่เรา "อยากวัด" เก็บไว้และเอาบางอย่างออกไปโดยที่อาจจะไม่ทันคิดว่ามันคือสิ่งที่สำคัญกว่า

ในการตลาด เราวัด Click ได้ง่าย วัด Conversion ได้ง่าย และวัด Engagement ได้ง่าย แต่การที่ใครบางคนเห็นโฆษณาแล้วจำแบรนด์ได้ หรือเห็นคอนเทนต์แล้วเกิดความรู้สึกบางอย่างโดยไม่ได้กดอะไรเลย กลับวัดได้ยากกว่ามาก

เมื่อเวลาผ่านไป สิ่งที่วัดง่ายจึงมีโอกาสได้รับงบประมาณมากขึ้น ไม่จำเป็นเพราะมันสำคัญกว่า แต่เพราะมันพิสูจน์ตัวเองผ่าน Dashboard ได้ง่ายกว่า

นี่คือกับดักสำคัญของ Data-Driven Marketing: เราอาจไม่ได้กำลัง Optimize สิ่งที่สร้างผลลัพธ์ที่สุด แต่กำลัง Optimize สิ่งที่ระบบมองเห็นที่สุด

🔥 ข้อมูลยังเสื่อมระหว่างทาง

ปัญหาอีกชั้นคือข้อมูลไม่ได้อยู่นิ่ง ๆ มันถูกคัดลอก ย้ายระบบ รวมไฟล์ เปลี่ยนชื่อฟิลด์ เปลี่ยนนิยาม และส่งต่อระหว่างทีมอยู่ตลอดเวลา

คำว่า “Active Customer” ในฝ่ายการตลาดอาจหมายถึงคนที่ซื้อใน 90 วันที่ผ่านมา ขณะที่ฝ่ายขายอาจหมายถึงคนที่ยังมีโอกาสซื้อ และฝ่ายบริการลูกค้าอาจใช้นิยามอีกแบบหนึ่ง

เมื่อข้อมูลกระจายอยู่ใน Excel, CRM, ระบบหน้าร้าน หรือแม้แต่แชต การคลาดเคลื่อนเล็ก ๆ เหล่านี้จะสะสมไปเรื่อย ๆ จนวันหนึ่งทุกฝ่ายอาจกำลังรายงานตัวเลขชื่อเดียวกัน แต่พูดถึงคนละเรื่อง

ตัวเลขจึงไม่ได้มีแค่ “ค่า” แต่มี ประวัติของวิธีที่มันถูกสร้างขึ้น ติดมาด้วยเสมอ

🔥 ตัวเลขไม่ได้โกหก แต่มันก็ไม่ได้อธิบายตัวเอง

ลองสมมติว่าทีม Support ใช้เวลาปิดงานเฉลี่ยจาก 4 ชั่วโมงเพิ่มเป็น 60 ชั่วโมง หากดู Dashboard อย่างเดียว คำอธิบายที่ง่ายที่สุดคือประสิทธิภาพของทีมตกลงอย่างรุนแรง

จนกระทั่งมีใครสักคนถามว่า

“คำว่าปิดงานในสองสัปดาห์นี้หมายถึงสิ่งเดียวกันหรือเปล่า?”

แล้วพบว่าสัปดาห์ที่สองมีงาน Migration ลูกค้าก้อนใหญ่ถูกนำมารวมอยู่ในระบบเดียวกัน งานที่ใช้เวลาหลายวันจึงถูกเฉลี่ยรวมกับ Ticket ปกติ

ค่าเฉลี่ยที่ขึ้นไป 60 ชั่วโมงไม่ได้ผิดเลย แต่มันบีบอัดความจริงหลายประเภทให้กลายเป็นตัวเลขเดียว จนบริบทที่สำคัญที่สุดหายไปแล้วเรามองไม่เห็นความจริงทั้งหมด

นี่เป็นเหตุผลว่าทำไมการถามว่า “ตัวเลขเท่าไร” จึงไม่เพียงพอ เราต้องถามต่อว่า ตัวเลขนั้นเกิดจากการกระจายแบบไหน และมีอะไรถูกจับรวมเข้าด้วยกันบ้าง

🔥 ก่อนเชื่อตัวเลข ลองถามห้าคำถาม

ทักษะสำคัญของนักการตลาดในยุคที่ AI สามารถสร้างกราฟ วิเคราะห์ข้อมูล และสรุป Dashboard ให้เราได้ภายในไม่กี่วินาที อาจไม่ใช่ความสามารถในการอ่านรายงานให้เร็วขึ้น แต่คือความสามารถในการตรวจสอบว่า “รายงานนี้ถูกสร้างขึ้นอย่างไร”

ก่อนใช้ตัวเลขสำคัญเพื่อตัดสินใจ ลองถามคำถามห้าข้อ

1. ตัวเลขนี้นับใครเข้า และนับใครออก?

2. ใครเป็นคนกำหนดนิยาม และนิยามนี้ถูกตั้งขึ้นเมื่อไร?

3. ถ้าข้อมูลนี้ผิด เราจะตรวจพบได้อย่างไร?

4. ข้อมูลกระจายตัวอย่างไร นอกเหนือจากค่ากลางที่เราเห็น?

5. เราต้องเห็นหลักฐานอะไร จึงจะยอมเปลี่ยนข้อสรุปของตัวเอง?

คำถามเหล่านี้ไม่ได้ทำให้เรากลายเป็นคน “ไม่เชื่อข้อมูล” ตรงกันข้าม มันคือการให้ความสำคัญกับข้อมูลมากพอที่จะไม่เชื่อเพียงเพราะมันถูกทำเป็นกราฟสวย ๆ

🔥 นักการตลาดที่เก่งขึ้น อาจต้องเปลี่ยนจากผู้บริโภครายงานเป็นผู้ตรวจสอบวิธีนับ

ในวันที่เครื่องมือสามารถสร้าง Dashboard ได้เร็วขึ้นเรื่อย ๆ ความสามารถในการ “อ่าน Dashboard” จะค่อย ๆ กลายเป็นทักษะพื้นฐาน

สิ่งที่มีค่ากว่าคือการมองทะลุ Dashboard แล้วถามว่า ตัวเลขนี้มาจากไหน นิยามโดยใคร มีอะไรถูกตัดออก และถ้าเปลี่ยนวิธีนับ ข้อสรุปของเราจะเปลี่ยนหรือไม่

เพราะทุกครั้งที่ข้อมูลถูกเปลี่ยนเป็น Persona, Segment, Score, Rating หรือค่าเฉลี่ย เรากำลังแลกความละเอียดบางส่วนกับความง่ายในการตัดสินใจ

เราไม่สามารถหลีกเลี่ยงการบีบอัดได้ และก็ไม่จำเป็นต้องหลีกเลี่ยง

แต่เราต้องรู้ว่าอะไรหายไประหว่างการบีบอัดนั้น

เพราะคนที่เปิด Dashboard แล้วเชื่อทันที อาจไม่ได้กำลัง Data-Driven อย่างที่คิด

ส่วนคนที่ยอมเสียเวลาถามว่า “ตัวเลขนี้ถูกสร้างขึ้นมาอย่างไร?” ต่างหากที่กำลังให้ความเคารพกับข้อมูลอย่างแท้จริง