มารู้จักกับ 3 Analytics Use Cases เมื่อเรามี 1st และ 3rd-Party Data

หลังจากที่เรารู้จักความต่างของ First Party Data, Second Party Data และ Third Party Data ไปแล้ว จากบทความของ #การตลาดวันหละตอน เรามาดูกันว่า ถ้า Data Scientists มาทำต่อ จะได้เป็น Data Analytics Use Cases อะไรบ้าง

  1. การนำ 1st party data vs 3rd party data มาเลือกร้านอาหาร

ขอเริ่มที่ use case ง่ายๆก่อน เพื่อทบทวนความเข้าใจของคำว่า 1st party data และ 3rd party data นะครับ เริ่มต้นจาก 1st party data เป็นข้อมูลที่คุณ หรือ บริษัทของคุณเก็บสะสมไว้ด้วยตัวเองตลอดเวลา ซึ่งจะต่างกับ 3rd party data ซึ่งคนอื่นเก็บข้อมูล และนำมาขายในรูปแบบของมาทำกำไรจากคุณ (อาจจะขาย raw data หรือ Insight นะครับ หรือ บางครั้งเรียกว่า “Data Product”

กลับมาที่ Use Case ของเรานะครับ ถ้าเรามีคำถามว่าวันนี้จะกินอะไรดี และจะใช้ ข้อมูล 1st party data ในการตัดสินใจ เราก็จะ เอาข้อมูลที่เราเก็บ เช่น รูปภาพอาหารที่เราเคยกิน ร้านที่เรากินประจำ ร้านที่เพื่อนเราแนะนำ ซึ่งข้อมูลเหล่านี้เก็บอยู่ที่ตัวเรา และ เรานำข้อมูลนั้นมาช่วยในการตัดสินใจครับ

ในทางตรงกันข้าม ถ้าคุณ นำ ข้อมูลของ 3rd party data มาใช้ในการตัดสินใจว่าวันนี้จะกินอะไรดี เราก็จะเอาข้อมูลภายนอกที่เราเชื่อถือ เช่น คำแนะนำจาก wongnai.com ,rating จาก google Restaurant review หรือ top 10 ร้านอาหารจาก Michelin Guide จาก มาใช้ในการตัดสินใจ

ตัวอย่าง 3rd Party Data (Wongnai, Google, Michelin Guide)

ตัวอย่างแรกอาจจะไม่ใช่ Data Analytics Use Case นะครับ แต่อยากจะให้เห็นภาพการนำข้อมูล ทั้งสองประเภทมาใช้ในการตัดสินใจ

2 การแนะนำเพลงให้ฟัง ใน spotify

ตัวอย่างที่สองเป็นการสร้าง Recommendation ในการแนะนำเพลงจาก 1st Party Data และ 3rd Party Data ครับ โดยยกตัวอย่างของ Spotify ที่ recommend เพลงให้กับผู้ฟังครับ

ทางด้านซ้ายมือ เป็นการ recommend เพลง จากข้อมูลลูกค้าในอดีต นำมาหา patterns การฟังเพลงที่ซ้ำๆกัน มาแนะนำผู้ฟังอีกครั้งหนึ่ง ในอีกด้านหนึ่งที่ด้านขวา เป็นการนำ เพลงดังที่ติด Top 50 Chart หรือ เป็นข้อมูลภายนอกที่เก็บว่าในอเมริกา ช่วงนั้นมีเพลงฮิตอะไรบ้าง และ มาแนะนำตามนั้น (ตามรูปข้างล่างครับ)

เปรียบเทียบ Data Product ของ 1st และ 3rd Party Data: Lytics

3 การตรวจสอบความผิดปกติ ของการเครม หรือ ชำระเงิน

ตัวอย่างนี้ เป็นการนำ 3rd-party data มาช่วยในการตัดสินใจว่า ธุรกรรม มีข้อผิดสังเกตหรือความพยายามที่จะโกงหรือไม่ ตัวอย่างนี้คือการทำ Fraud Detection ที่จะนำข้อมูลเช่น ข้อมูลจากบูโร ข้อมูลการเปลี่ยนแปลงสถานที่ หรือ ข้อมูลการการตรวจสอบการชำระเงินปลอม

ในความเป็นจริง ธุรกิจคงจะเปลี่ยนมาทำ data-driven เลยคงจะไม่ได้ คงต้องวางกลยุทธ์ว่า จะทำอันไหนก่อน หลัง เอา และทำแผนขึ้นมาก่อนว่าจะไปทางไหน เป้าหมายคืออะไร (รวมถึงการ assessment ระบบเก็บข้อมูลของตนเองด้วยว่ามีอะไรอยู่บ้าง และพร้อมแค่ไหน)

สุดท้าย สำหรับ Data Scienitst มันคงจะง่ายมากเลยถ้า strategy มาชัดว่า IF ธุรกิจ “อยากได้ลูกค้าใหม่เพิ่มขึ้น คุณก็ต้องอาศัย 2nd Party Data หรือ 3rd Party Data แทน ฺOR ถ้าคุณอยากให้ลูกค้าซื้อซ้ำมากขึ้น ก็ต้องอาศัย 1st Party Data มากที่สุด” THEN เราก็มาหากระบวนการทางวิทยาศาสตร์ต่อครับ ว่า(1) จะเอา models ประเภทไหนดี จะเป็น forecasting, propensity score หรือ churn prediction ครับ ถ้าข้อมูลมา (2) ข้อจำกัดของ models สำหรับข้อมูลที่เรามี เพราะ 1-2-3 party data นั้นมีทั้งที่เป็นตัวเลข ตัวอักษร และ unstructured ครับ แต่หละอันมีเทคนิค และ models ที่ต่างกันและ สุดท้าย (3) ที่สำคัญที่สุดคือ จะวัดผลกันอย่างไร ทั้งการวัดผล accuracy ของ models (ซึ่งมีเทคนิคต่างกัน) เพื่อเลือก best models และ จะวัดผลจริงอย่างไรในด้านธุรกิจ จะใช้ conversion rate หรือ ตัววัดทาง ROI ด้านใดมาใช้สำหรับธุรกิจ

Sources

https://guide.michelin.com/th/en

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s