Data-Driven พารุ่งหรือพาร่วง?

เกือบทุกเพจการตลาดในไทย(หรือในโลกก็ตาม) ต้องเคยทำคอนเทนต์เกี่ยวกับช่วงเวลาที่ดีที่สุดที่ควรโพสต์บนแต่ละ Social Media และคอนเทนต์เหล่านี้มักจะได้รับความนิยมสูงมาก เพราะใครๆ ก็พากันกดแชร์ กด Retweet กด Tag เพื่อนมาดู ด้วยความรู้สึกตื่นเต้นราวกับได้เครื่องรางของคลัง ที่จะช่วยให้โพสต์ของพวกเขาไม่กริบอีกต่อไป

ผมเชื่อว่าทุกเพจมีเจตนาที่ดีที่จะนำเสนอข้อมูลที่น่าสนใจ หลายเพจมีการเขียนเตือนไว้อย่างชัดเจนว่าข้อมูลนี้อาจจะไม่เวิร์กสำหรับทุกคน ใครที่สนใจก็ต้องไปทดลองกันดูเอง แต่พอเห็น Engagement เยอะๆ ก็อดเป็นห่วงไม่ได้ว่าผู้อ่านส่วนใหญ่เค้าน่าจะกำลังคิดว่าเค้าทำการตลาดแบบ “Data-Driven” อยู่หรือเปล่า วันนี้เลยอยากมาเล่าข้อควรระวังเล็กๆ น้อยๆ ก่อนจะนำข้อมูลไป “drive” ขับเคลื่อนการตัดสินใจ

3 ข้อควรระวัง ก่อนจะนำข้อมูลไป “drive” การตัดสินใจ

1. ข้อมูลใคร…ข้อมูลมัน

ลูกค้าเราอาจจะไม่เหมือนลูกค้าคนอื่น หลายบทความที่แนะนำช่วงเวลาที่ดีในการโพสต์ใน Social Media ต่างๆ มักจะอ้างอิงบทความหรืองานวิจัยจากต่างประเทศ ซึ่งแน่นอนว่าพฤติกรรมก็อาจจะไม่ได้เหมือนกับคนไทยเสียทีเดียว (โอเค…ในฐานะอดีต Data Scientist ที่ Facebook บอกเลยว่ามันต่างกันมาก!) ต่อให้เป็นข้อมูลสถิติจากคนไทย ผมก็เชื่อว่าลูกเพจสายบุญ ที่ชอบตักบาตรทำวัตรเช้า น่าจะ Active กันคนละเวลากับลูกเพจแฟนบอลพรีเมียร์ลีกแน่ๆ

เปิดดูของตัวเองซะ! เกือบทุก Social Media มีสรุปสถิติการใช้งานเอาไว้ให้ดูอยู่แล้ว อย่ามัวแต่รอฟังที่คนอื่นเค้าบอก

2. เข้าใจสิ่งที่ข้อมูล “(ไม่)บอก”

ก่อนจะนำข้อมูลมาใช้ เราจะต้องเข้าใจ​ก่อนว่าข้อมูล “บอก” อะไร และ “ไม่บอก” อะไรเรา ข้อมูลจากหลายบทความบอกแค่ว่าช่วงเวลาไหนคนออนไลน์เยอะ สิ่งที่เรา “คาดการณ์” ต่อเองคือ การโพสต์ในช่วงเวลานั้นจะได้รับ Engagement ที่ดีขึ้น ซึ่งอาจจะเป็นสมมติฐานที่ถูกหรือผิดก็ได้

ตัวอย่างเช่น ในช่วงเวลาที่คนออนไลน์เยอะๆ หากมีคนทำคอนเทนต์ออกมาเยอะมากๆ แล้วคอนเทนต์ของเราไม่ปังพอ ก็อาจจะโดนโพสต์ของเพจอื่นกลบไปหมดจนไม่ได้ reach (เอาให้เคลียร์ๆ ว่าเค้าไม่ได้ซ่อนโพสต์เรา เพียงแต่โพสต์เรามันถูกจัดลำดับอยู่ล่างๆ และคนส่วนใหญ่อาจจะไถลงไปไม่ถึง) ในทางตรงกันข้าม หากเราเอาคอนเทนต์เดียวกันไปโพสต์ในช่วงเวลาที่คนอาจจะออนไลน์น้อย แต่เราไม่ต้องต่อสู้กับเพจใหญ่ๆ มากมาย อาจจะยังพอได้ reach ได้ engagement บ้าง ตอนที่คนเริ่มกลับมาออนไลน์เยอะ อัลกอริทึมเค้าอาจจะเห็นว่าก็มีคนชอบคอนเทนต์เราอยู่บ้างและใจดีดันโพสต์ของเราขึ้นมาให้ได้ reach เยอะขึ้น

นอกจากนี้หลายคนน่าจะเคยได้ยินประโยคที่ว่า “Correlation Doesn’t Imply Causation” นั่นคือ การที่ตัวแปรสองตัวมีความสัมพันธ์กัน (correlation) อาจจะไม่ได้แปลว่ามันเป็นเหตุผลซึ่งกันและกัน (causation) แต่คนก็ยังมักจะสับสนระหว่างสองสิ่งนี้อยู่เสมอ เช่น

“รูป Instagram ที่แคปชันยาว มักจะได้ไลก์น้อย … เราควรจะเขียนแคปชันให้สั้นลงเพื่อเพิ่ม engagement”

ดูเผินๆ ข้อสังเกตนี้ดูเหมือนจะเป็น insights จากข้อมูลที่เป็นประโยชน์ต่อธุรกิจ ถ้าคุณอ่านแล้วคล้อยตาม แปลว่าคุณเผลอสรุปว่าเหตุการณ์ที่สัมพันธ์กัน (correlation) เกิดจากการที่เหตุการณ์หนึ่งเป็นเหตุให้เกิดอีกเหตุการณ์หนึ่ง (causation) ไปเรียบร้อยแล้ว!! ซึ่งอาจจะใช่หรือไม่ใช่ก็ได้ ใครที่สนใจเรื่องนี้สามารถอ่านเพิ่มเติมได้จากบล็อกก่อนหน้านี้

3. “ ทดลอง” เพื่อเก็บข้อมูล

เราจะไม่สามารถรู้ได้เลยว่าการโพสต์ในช่วงเวลาต่างๆ มีผลต่อ Engagement ของเรามากน้อยแค่ไหน ถ้าเราไม่เคยทำการทดลอง ถ้าเราโพสต์แต่ตอนเช้า แน่นอนว่าสถิติจาก Social Media ต่างๆ จะบอกว่าลูกเพจเราไม่ค่อย Active ตอนกลางคืน

สิ่งที่อาจจะชวนปวดหัวเล็กน้อย คือ ถ้าเราลองโพสต์ตอนบ่ายๆ แล้วมันเกิดปังขึ้นมา เราจะสรุปได้อย่างไรว่ามันเป็นเพราะเวลาที่เราโพสต์ หรือเป็นเพราะคอนเทนต์มันดีมากๆ?

ถ้าอยากทำให้ถูกต้องตามหลักสถิติก็จะต้องทำ A/B Testing หรือ Randomized Controlled Trial (RCT) ซึ่งเป็นไปได้ยากบน Social Media เพราะเราไม่สามารถควบคุมได้เองว่าให้ใครเห็นหรือไม่เห็นอะไรตอนไหน (ยกเว้น การทดสอบโฆษณา ที่หลายๆ Platform มีบริการตรงนี้ให้โดยเฉพาะ) แต่ถ้าจะเอาแบบลูกทุ่งๆ หน่อย ก็ทดลองซ้ำๆ หลายๆ รอบ ถ้าโพสต์ตอนบ่ายหลายๆ ทีแล้วมันปังอย่างต่อเนื่อง เอาอะไรไปโพสต์ก็ยังปัง ก็อาจจะเป็น “สัญญาณ” ที่ดี ว่าเวลาอาจจะมีผลจริงๆ

---

สุดท้ายนี้ “Be Data-Informed” คือวลีที่ผมมักพูดอยู่บ่อยๆ หมายถึงการที่เรา “รับรู้” ข้อมูล และนำมาใช้ “ประกอบ” การตัดสินใจ พยายามทำความเข้าใจเหตุและผล และไม่ใช่ตัดสินใจทุกอย่างตามข้อมูล(ที่อาจจะบอกได้ไม่ครบถ้วน)

---

ถ้าคุณอยากทำงาน และตัดสินใจแบบ Data-informed ได้อย่างถูกต้อง ได้เรียนรู้ทั้ง

• การใช้เครื่องมือในการวิเคราะห์ข้อมูล ตั้งแต่ดึงข้อมูล (Web Scraping) เข้าใจข้อมูล (Data Literacy) จัดการข้อมูล (Data Wrangling) วิเคราะห์ข้อมูล (Data Analysis) ไปจนถึงนำเสนอข้อมูล (Data Visualization)
• สถิติพื้นฐาน (Statistical Thinking) เพื่อให้คุณเข้าใจการตีความ การสรุปข้อมูลอย่างถูกต้องรวมถึงเข้าใจการทดสอบสมมติฐานต่าง ๆ (Hypothesis Testing) ไม่ว่าจะเป็น A/B Testing, Linear Regression ฯลฯ

ดูรายละเอียดและสมัครเรียนหลักสูตร Data Analytics Bootcamp ได้ที่นี่ คลิกเลย