Case Study Marketing Science

Target ซุปเปอร์มาร์เก็ตรู้ได้ยังไงว่าลูกค้าคนไหนกำลังตั้งครรภ์?

วันจันทร์ที่ผ่านมา แอดได้มีโอกาสไปบรรยายใน townhall ของ adapter digital มีหลายๆ case study ที่น่าสนใจ นอกจากเรื่องการทดลอง clubcard ของ Tesco และ dunnhumby ยังมีเรื่องของ Target อีกด้วย บทความนี้เราจะอธิบายว่า Target และ supermarkets ต่างๆรู้ได้ยังไงว่าลูกค้าผู้หญิงคนไหนกำลังตั้งครรภ์อยู่ และอธิบายการทำ Market Basket Analysis เบื้องต้น

Case Study – Target

บทความจาก Forbes.com (2012)

คือเรื่องมันเป็นอย่างนี้

ผู้ชายคนหนึ่งบุกไปที่ Target สาขา Minneapolis, USA และต้องการจะคุยกับผู้จัดการสาขาเพราะว่า Target ส่งคูปองส่วนลดซื้อสินค้าเกี่ยวกับเด็กทารก พวกเสื้อผ้าและเตียงนอนเด็กไปให้ลูกสาวเค้าที่กำลังเรียนอยู่ high school เค้าต่อว่าผู้จัดการร้านและถามว่า “พวกคุณสนับสนุนให้ลูกสาวของผมท้องหรอ?” (พูดแบบหัวร้อน!)

ผู้จัดการสาขาได้แต่ก้มหน้าขอโทษ (เพราะตอนนั้นยัง งง อยู่เลยว่าลูกค้าคนนี้มาต่อว่าเรื่องอะไร?) ผ่านไปสองสามวัน ผู้จัดการโทรกลับไปขอโทษลูกค้าอีกครั้ง แต่ครั้งนี้ลูกค้าตอบว่า “ผมเพิ่งได้คุยกับลูกสาวของผม มีบางอย่างที่เกิดขึ้นภายในครอบครัวของเราและผมเพิ่งทราบว่าลูกสาวของผมมีกำหนดคลอดในเดือนสิงหาคม”

Target รู้ได้ยังไงว่าลูกค้าผู้หญิงคนไหนกำลังตั้งครรภ์? คำถามนี้ตอบได้ง่ายกว่าที่หลายคนคิด (แต่กว่าที่ Target จะหา shopping pattern นี้เจอ ก็ใช้เวลาศึกษาพฤติกรรมผู้บริโภคนานเลย)

Statistics to The Rescue

ก่อนจะมี data science โลกเรามีวิชาสถิติ

ปี 2002 Target จ้างนักสถิติชื่อว่า Andrew Pole มาวิเคราะห์ข้อมูลและสร้างโมเดล pregnancy prediction โดย Andrew พบว่าผู้หญิงที่กำลังตั้งครรภ์จะซื้อสินค้า 25 ตัวตามระยะเวลาของครรภ์

ตัวอย่างเช่น 3 เดือนแรกหลังจากทราบว่าตั้งครรภ์ ผู้หญิงจะเริ่มเปลี่ยนมาซื้อโลชั่นบำรุงผิวแบบไม่มีกลิ่น (unscented) พอถึงช่วง 3-6 เดือน เริ่มกลัวท้องลายก็จะซื้อครีมบำรุงเยอะหน่อย และซื้อพวกวิตามิน แคลเซียม ซิงค์เพื่อบำรุงร่างกายเยอะหน่อย ถ้าคลอดลูกแล้วก็จะเห็น pattern การซื้อของเกี่ยวกับเด็กที่ชัดเจนยิ่งขึ้น เช่น นม เสื้อผ้าเด็ก น้ำยาล้างมือ และสำลีถุงใหญ่ๆ (เอาไปทำไรนะ 55+) โมเดลของ Andrew หน้าตาประมาณนี้

Pregnancy Score = f( item1, item2, item3, … , item25)

โดย score จะวิ่งอยู่ระหว่าง 0-1 (หรือเทียบเท่ากับ 0-100%) ทำนายว่าลูกค้าผู้หญิงคนนั้นๆมีความน่าจะเป็นที่กำลังตั้งครรภ์อยู่เท่าไหร่ ถ้าใครได้ score สูงๆ เช่น สูงกว่า 80% ก็จะได้รับคูปองส่วนลดส่งไปที่บ้าน – How simple! มาลองดูตัวอย่างการทำงานของ algorithm นี้กัน

Pregnancy Score

สินค้า 25 ตัวที่ Andrew Pole และทีมนักวิเคราะห์ของเค้าเจอ เกิดจากการวิเคราะห์ข้อมูลและศึกษาพฤติกรรมผู้บริโภคผ่านการสังเกต รวมถึงการตั้งคำถาม hypotheses ต่างๆอย่างฉลาด (i.e. ask good questions)

  • ใครบ้างที่จะซื้อสำลีถุงใหญ่ๆ (cotton ball extra bag)
  • ใครบ้างที่จะซื้อวิตามิน แคลเซียม ซิงค์ไป stock ไว้เยอะๆ
  • ใครบ้างที่จะซื้อโลชั่นแบบไม่มีกลิ่น และพวกครีมบำรุงผิว (ป้องกันผิวแตกลาย)
  • ใครบ้างที่จะซื้อสินค้าทั้งหมดที่เขียนมาเมื่อตะกี้ในช่วงเวลา 9-12 เดือนที่ผ่านมา

แอดหาอ่านหนังสือหลายๆเล่มและบทความต่างๆที่เขียนเกี่ยวกับ case study นี้ แต่ไม่มีที่ไหนเลยที่อธิบายชัดเจนว่า Andrew เจอสินค้า 25 ตัวนี้ได้ยังไง (i.e. เป็นความลับทางธุรกิจ) แต่แอดจะลองเขียนอธิบายจากความเข้าใจของตัวเองใน section นี้

Target – baby registry (2019)

สมมติฐานแรกคือลูกค้าทุกคนที่มี pregnancy score ต้องมีบัตรสมาชิกของ Target เหมือน clubcard หรือ ALL member ของเซเว่น ไม่งั้นซุปเปอร์มาร์เก็ตจะไม่สามารถ track สินค้าที่ลูกค้าคนนั้นเคยซื้อในอดีตได้เลย

Target เริ่มจากการเปิดให้ลูกค้าผู้หญิงที่ทราบว่าตัวเองตั้งครรภ์แล้วมาลงทะเบียน baby-shower registry เพื่อรับส่วนลดผลิตภัณฑ์เด็ก และทำการวิเคราะห์ข้อมูลย้อนหลังเพื่อตอบคำถามนี้ “กลุ่มผู้หญิงที่ตั้งครรภ์มีประวัติการซื้อสินค้าอะไรบ้าง?” แบ่งตามช่วงเวลา 0-3, 3-6, 6-9 เดือน เป็นต้น

แค่นี้ Target ก็สามารถระบุสินค้าที่มีการซื้อเยอะๆในกลุ่มผู้หญิงมีครรภ์ได้แล้ว ในทาง data science เราเรียกสินค้า 25 ตัวนั้นว่า signal ที่เราใช้ทำ prediction (หรือ “The force is strong” ใน star wars ไม่เกี่ยว!)

ตัวอย่างข้อมูลที่ Target ใช้สร้าง pregnancy score

Pregnancy Score = f( โลชั่นแบบไม่มีกลิ่น, วิตามิน, แคลเซียม, ซิงค์, สำลี, … )

พอ Target มีข้อมูล transactions ของลูกค้าที่ตั้งครรภ์แล้ว การทำ scoring/ prediction ก็สามารถทำได้ง่ายๆเลยด้วย classification algorithms พื้นฐานอย่าง Logistic Regression หรือ Decision Tree เป็นต้น

Market Basket Analysis

คำถามถัดไปคือ Target จะส่งคูปองส่วนลดสินค้าอะไรให้กับลูกค้า segment นี้บ้าง?

อีกหนึ่ง algorithm ที่ supermarket/ retail นิยมใช้ในการวิเคราะห์ข้อมูลการซื้อสินค้าคือ Association Rule (หรือที่นักการตลาดเรียกว่า Market Basket Analysis) ซึ่ง algorithm นี้ใช้เลขง่ายๆในการหาความน่าจะเป็นของตะกร้าสินค้า {item1, item2, …} ลองดูตัวอย่างด้านล่าง

สมมติว่าซุปเปอร์มาร์เก็ตของเรามีลูกค้า 5 คน แต่ละคนซื้อสินค้าแค่หนึ่งตะกร้า (= 1 transaction each) ตะกร้าที่หนึ่งมี {banana, milk, egg, bread, honey} .. ตะกร้าที่ห้ามี {egg, bread, honey, meat} เป็นต้น

ข้อมูลตัวอย่างสำหรับการเทรน association rule algorithm

นักสถิติสามารถหาความน่าจะเป็นของตะกร้าสินค้าหลายๆ combinations ได้ เช่น ความน่าจะเป็นของ {milk, bread} = 3/5 = 0.6 หรือความน่าจะเป็นของ {banana, honey} = 2/5 = 0.4 ค่าความน่าจะเป็นนี้เรียกว่า Support หรือถ้าเราเขียนเป็นกฏ if-then ง่ายๆ เช่น if {bread} then {milk} = 3/4 = 0.75 เรียกว่าค่า Confidence

Association Rule จะช่วยเราหาค่า support และ confidence ของทุกๆ combination ที่สามารถเกิดขึ้นได้ โดย combination ไหนที่ได้ค่า support และ confidence สูงแปลว่ามีโอกาสเกิดขึ้นได้มาก เป็นสินค้า set ที่ลูกค้าซื้อพร้อมกันบ่อยๆ ในมุมการตลาดอาจนำไปจัดโปรโมชั่นต่อได้ ทำเป็น bundle เพื่อกระตุ้นยอดขาย ฯลฯ

ในกรณีของ Target คือการใช้ association rule เพื่อหา pattern ของสินค้าที่ผู้หญิงที่กำลังตั้งครรภ์ชอบซื้อ (high support, high confidence) และส่งคูปองสินค้าเหล่านั้นไปให้ที่บ้าน โดยหวังว่าจะเพิ่ม basket size i.e. จำนวนสินค้าและค่าใช้จ่ายต่อตะกร้า รวมถึงการสร้าง loyalty ตั้งแต่ผู้หญิงคนหนึ่งเพิ่มเริ่มตั้งครรภ์

ตัวอย่าง rule ที่ได้จากการทำ Market Basket Analysis ประยุกต์ใช้กับข้อมูล demographic

  • If {ตั้งครรภ์, โลชั่นแบบไม่มีกลิ่น} then {ครีมบำรุงผิว, ไวตามิน}
  • If {ตั้งครรภ์, สำลี} then {ผลิตภัณฑ์อื่นๆสำหรับเด็ก}

Key Learning

ข้อมูลการซื้อสินค้าไม่ว่าจะทั้ง online/ offline เวลานำไปใช้กับ algorithms ฉลาดๆ สามารถบ่งบอกสถานะ รสนิยม และพฤติกรรมของลูกค้าได้ค่อนข้างแม่นยำ supermarket/ retail ถือว่าเป็นอุตสาหกรรมแรกๆที่ประสบความสำเร็จในการนำข้อมูลเหล่านี้มาใช้สร้าง commercial value โดยตัวอย่าง algorithms ที่เราอธิบายในบทความนี้คือ

  1. การทำ scoring/ prediction e.g. pregnancy score
  2. Association Rule เพื่อหา product combinations ที่ลูกค้าซื้อด้วยกันบ่อยๆ

Final Note – ทุกธุรกิจสามารถนำข้อมูลมาใช้ให้เกิดประโยชน์ได้แต่ต้องไม่ cross the line i.e. ไม่นำข้อมูลส่วนตัวลูกค้ามาใช้ในทางที่ผิด ต้องปฏิบัติตามและทำงานภายใต้กฏหมายอย่าง พรบ.คุ้มครองข้อมูลส่วนบุคคล ที่จะมีผลบังคับใช้ในเดือน พ.ค. 2563 ลูกค้าให้ consent ไม่ได้แปลว่าเราจะเอาข้อมูลเค้ามาทำอะไรก็ได้

Suggested Reading

สำหรับเพื่อนๆที่อยากศึกษาเรื่องนี้เพิ่มเติม ลองอ่านหนังสือ Hello World ของ Hannah Fry หรือ Predictive Analytics ของ Eric Siegel หรือลองดูบทความด้านล่างได้เลย 😛

4 comments

  1. ไม่มีความรู้เรื่องนี้แต่อ่านเข้าใจง่ายดีครับ
    ขอบคุณครับ

Leave a Reply to Kasidis Satangmongkol Cancel reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.