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
Table of Contents
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

ตัวอย่างข้อมูลเวลาที่ลูกเพจ Skooldio เค้า Active กัน ตรงกับที่เค้าแนะนำรึเปล่านะ?
2. เข้าใจสิ่งที่ข้อมูล “(ไม่)บอก”
ก่อนจะนำข้อมูลมาใช้ เราจะต้องเข้าใจก่อนว่าข้อมูล “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

ข้อมูลไม่เคยโกหก…แต่คุณอาจจะ “Correlation Doesn’t Imply Causation” ท่องไว้ให้ขึ้นใจ
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)
- 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