เมื่อ Generative AI เปลี่ยนเกมธุรกิจ จะพลิกกลยุทธ์การตลาดอย่างไรให้เหนือคู่แข่ง

ปัจจุบันหลายองค์กรต่างหันมาใช้ AI ในการขับเคลื่อนธุรกิจ แต่คำถามคือจะทำอย่างไรให้องค์กรสามารถนำ AI มาใช้ได้อย่างเต็มประสิทธิภาพและสร้างผลลัพธ์ให้องค์กรได้จริง โดยเฉพาะในแง่การทำการตลาดที่ไม่ว่าจะหันไปทางไหนต่างเต็มไปด้วยธุรกิจที่หันมาใช้ AI-Driven Tools กันทั้งนั้น 

ในบทความนี้ Bluebik จึงอยากขอแนะนำแนวทางการประยุกต์ใช้ Generative AI เพื่อยกระดับกลยุทธ์การตลาดสู่การสร้าง Marketing Intelligence ที่เป็นกระบวนการเก็บรวบรวมข้อมูลต่างๆ แบบเรียลไทม์ที่เกี่ยวข้องกับธุรกิจและภาคอุตสาหกรรม และนำมาวิเคราะห์ต่อเพื่อหาข้อมูลเชิงลึก (Insights) จากการดูเทรนด์ในตลาด ดูว่าคู่แข่งทำอะไร และกลุ่มลูกค้าของเราต้องการอะไร แล้วนำไปพัฒนากลยุทธ์สร้างโอกาสทางธุรกิจและความได้เปรียบเหนือคู่แข่ง 

Generative AI จะเพิ่มศักยภาพการตลาดในมุมไหนบ้าง

คงต้องกล่าวก่อนว่า AI เป็นคำนิยามกว้างๆ สำหรับใช้เรียกเทคโนโลยีปัญญาประดิษฐ์อัจฉริยะที่ประยุกต์การใช้งานได้ในหลากหลายด้าน เช่น การวิเคราะห์ข้อมูล การจดจำรูปภาพ (Image Recognition) หรือการประมวลผลภาษาธรรมชาติ (NLP) ขณะที่ Generative AI เป็น AI ที่ถูกออกแบบให้มีความสามารถในการสร้างใหม่จากชุดข้อมูลที่มี โดยนำไปใช้ในการสร้างข้อความ รูปภาพ ภาพเคลื่อนไหว เป็นต้น ตัวอย่าง Generative AI เช่น ChatGPT, Bard, DALL·E และ Midjourney สำหรับแนวทางการประยุกต์ใช้ Generative AI ในด้านการตลาดเพื่อสร้างความได้เปรียบให้ธุรกิจ สามารถแบ่งออกเป็น 3 ด้านหลักด้วยกัน 

1. แนะนำกลยุทธ์การทำการตลาด เพื่อตอบโจทย์พฤติกรรมผู้บริโภคได้ดียิ่งขึ้น

ด้วยการให้ Generative AI เรียนรู้ข้อมูลผลิตภัณฑ์และบริการใหม่ๆ ของเรา จะทำให้ Generative AI ช่วยแนะนำกลยุทธ์การตลาด สร้างคอนเทนต์ทางการตลาดที่ตรงกับพฤติกรรมผู้บริโภคได้ ทั้งในเรื่องรูปแบบการซื้อสินค้าและบริการ ซึ่งทำให้ธุรกิจคาดการณ์แนวโน้มการซื้อสินค้าในแต่ละช่วงเวลา และปรับกลยุทธ์การตลาดให้สอดคล้องกัน 

นอกจากแง่มุมเรื่องการแนะนำกลยุทธ์การตลาดที่ตรงกับพฤติกรรมผู้บริโภคแล้ว Generative AI ยังนำไปใช้วิเคราะห์ความรู้สึกที่ผู้บริโภคมีต่อธุรกิจ (Sentiment Analysis) ด้วยการวิเคราะห์ปฏิกิริยาที่คนทั่วไปมีต่อคอนเทนต์ รีวิว รูปภาพ หรือแคมเปญโฆษณาต่างๆ ที่อยู่บนช่องทางออนไลน์ของแบรนด์ ธุรกิจสามารถเอาข้อมูลไปใช้ปรับแนวทางการสื่อสารให้ลูกค้าเกิดความรู้สึกเชิงบวกต่อแบรนด์มากขึ้น และใช้ดูแลชื่อเสียงของแบรนด์ด้วยการหลีกเลี่ยงใช้ข้อความหรือรูปภาพที่ก่อความรู้สึกเชิงลบในการสื่อสาร 

2. สร้างประสบการณ์ลูกค้าแบบ Personalization

เมื่อธุรกิจมีความรู้ความเข้าใจเกี่ยวกับกลุ่มลูกค้าต่างๆ มากขึ้นแล้ว การผสมผสานระหว่างการใช้ การวิเคราะห์ข้อมูลโดย Machine Learning และ Generative AI สามารถเข้าไปช่วยทำการตลาดแบบเฉพาะเจาะจง (Personalized Marketing) ด้วยการออกแบบข้อความโฆษณา และแนะนำโปรโมชันสินค้าให้ตรงกับความต้องการซื้อสินค้าของลูกค้ามากขึ้น ด้วยการประมวลผลจากข้อมูลเกี่ยวกับลูกค้า ประวัติการค้นหาสินค้า และข้อมูลการสั่งซื้อสินค้าที่ผ่านมา ทำให้ธุรกิจนำเสนอโปรโมชันได้เหมาะสมกับช่วงเวลาที่ลูกค้าต้องการซื้อสินค้านั้น อีกทั้งสามารถเสนอขายสินค้าที่คนมักซื้อด้วยกัน (Cross-selling) และนำเสนอสินค้าหรือบริการที่มีมูลค่าสูงขึ้น (Up-selling) เมื่อลูกค้าได้รับโปรโมชันสินค้าที่กำลังต้องการซื้อ จะยิ่งช่วยกระตุ้นยอดขายสินค้าหรือการตัดสินใจใช้บริการของธุรกิจได้ดีขึ้น และเพิ่มความพึงพอใจในการใช้สินค้าและบริการจากลูกค้า  

นอกจากเรื่องการแนะนำสินค้า Generative AI ยังเข้าไปช่วยเรื่องการให้บริการลูกค้า ตั้งแต่แชตบอตที่ตอบคำถามลูกค้าได้อย่างรวดเร็วตรงจุด เพิ่มการมีปฏิสัมพันธ์กับลูกค้า หรือในส่วนงาน Call Center ที่ AI สามารถแปลงเสียงเป็นข้อความ เปิดกระบวนการแก้ปัญหาให้ลูกค้าได้ในทันที สรุปปัญหา ส่งเคสไปวิเคราะห์ปัญหาต่อ และติดตามความคืบหน้าในการแก้ไข 

3. วิเคราะห์คู่แข่งอย่างเจาะลึก

การใช้ Generative AI มาช่วยวิเคราะห์คู่แข่งสามารถทำได้ครอบคลุมยิ่งขึ้น ด้วยการประมวลผลและวิเคราะห์ข้อมูลจากแหล่งข้อมูลหลากหลายที่มา ทำให้ธุรกิจได้ข้อมูลเชิงลึกมากกว่าเดิมเกี่ยวกับคู่แข่ง และนำไปพัฒนากลยุทธ์ต่อไป โดย Generative AI เข้ามาช่วยให้การหาข้อมูลทำได้ง่ายและรวดเร็วขึ้น จากปกติที่เป็นการค้นหาข้อมูลออนไลน์จากหลายแหล่งแล้วค่อยนำมารวบรวม โดยใช้เทคนิคหนึ่งที่เป็นการทำ Web Scraping ซึ่งดึงข้อมูลจากเว็บของคู่แข่งหลายๆ เว็บ แล้วนำไปวิเคราะห์ต่อ 

นอกจากค้นหาข้อมูล Generative AI ยังช่วยสรุปข้อมูลอย่างรวดเร็ว ทำให้ลดระยะเวลาในการทำ SWOT Analysis ที่เป็นการวิเคราะห์จุดแข็ง จุดอ่อน และเอาไปใช้ทำ Predictive Analytics เพื่อดูแนวโน้มการออกผลิตภัณฑ์และบริการใหม่ๆ ของคู่แข่ง รวมถึงประเมินผลกระทบของผลิตภัณฑ์ใหม่ที่มีต่อตลาดในภาพรวมและส่วนแบ่งการตลาดของสินค้าแต่ละประเภท นอกจากนี้ ยังช่วยในการตัดสินใจเชิงกลยุทธ์ โดยระบุได้ว่ากลุ่มคู่แข่งไหนที่ควรให้ความสำคัญ ทั้งคู่แข่งทางตรงที่ขายสินค้าและบริการประเภทเดียวกับธุรกิจ และคู่แข่งทางอ้อม ไปจนถึงการประเมินระดับความรุนแรงของการแข่งขันในตลาด 

ความท้าทายในการนำ Generative AI มาใช้จริง

แม้ Generative AI สามารถเพิ่มประสิทธิภาพการทำงานได้ในหลายด้าน แต่ก็มีข้อจำกัดบางประการที่ธุรกิจควรตระหนักในการนำมาใช้จริง ตัวอย่างเช่น ผลลัพธ์จากการใช้ ChatGPT ไม่ได้มีความถูกต้อง 100% อาจตอบผิดจากความเป็นจริงได้ เพราะ ChatGPT เพียงแค่สร้างคำตอบจากข้อมูลที่ได้รับการฝึกหัดก่อนหน้านี้ ซึ่งข้อมูลล่าสุดที่ ChatGPT ได้รับการฝึกมาจะอยู่ที่เดือนกันยายน 2021 การที่จะให้ ChatGPT เรียนรู้ข้อมูลใหม่ๆ เพิ่ม เช่น ข้อมูลผลิตภัณฑ์และบริการของบริษัท จำเป็นต้องป้อนคำสั่งและข้อมูลใหม่ที่ถูกต้องเข้าไป ตามหลักการ Garbage in – Garbage out โดยหากป้อนข้อมูลที่ไม่ถูกต้อง ข้อมูลที่ใส่เข้าไปไม่เพียงพอหรือมีความบิดเบือน ผลลัพธ์จากการใช้ Generative AI ก็จะไม่ถูกต้องไปด้วย และเนื่องจากบางโมเดลอาจมีข้อจำกัดของขนาดข้อมูล ทั้งในการป้อนข้อมูลเข้า และผลลัพธ์ของการตอบ ทำให้เกิดข้อจำกัดในการเอาข้อมูลที่ได้ไปใช้งานต่อในส่วนอื่นๆ เช่น ข้อมูลอาจไม่เพียงพอต่อการใช้สร้างแชตบอตตอบคำถามลูกค้า หรือทำรีเสิร์ชในประเด็นต่างๆ เพื่อหาข้อมูลเชิงลึกเพิ่มเติม

จากประสบการณ์ของ Bluebik แนวทางเบื้องต้นในการเอาชนะความท้าทายดังกล่าว สามารถทำได้โดย

1. เริ่มต้นจากกลยุทธ์ที่ชัดเจน 

ก่อนเริ่มผลักดันโปรเจกต์การประยุกต์ใช้ AI ธุรกิจควรวางกลยุทธ์องค์กรให้ชัดเจนว่าต้องการเอา AI ไปใช้สำหรับวัตถุประสงค์ใด แล้วค่อยคิดหาแนวทางการนำไปใช้ (Use Cases) ให้สอดคล้องกับกลยุทธ์ที่วางไว้ สำหรับการคิด Use Cases แบ่งออกเป็น 2 วิธีหลักๆ คือ 

• Top Down ซึ่งเป็นการคิดว่าจะทำอย่างไรให้สร้างคุณค่าได้สูงสุด โดยดูว่ากำไรมาจากช่องทางไหน มาจากสินค้าและบริการประเภทไหน หรือลูกค้าเกิดปัญหาตรงจุดไหน 

• Bottom Up คิดแนวทางจาก Resource ที่มีอยู่ และใช้งานจริงภายในองค์กร แล้วเอา AI ไปเพิ่มประสิทธิภาพการดำเนินงาน หรือแก้ปัญหาที่กำลังเผชิญอยู่ 

2. วางกรอบธรรมาภิบาลข้อมูล (Data Governance)

การมีกรอบธรรมาภิบาลข้อมูลที่ครอบคลุมเป็นพื้นฐานในการสร้างความมั่นใจว่า ข้อมูลภายในองค์กรมีความถูกต้อง ครบถ้วน และสอดคล้องไปในทิศทางเดียวกัน โดยมีการวางนโยบายและกระบวนการต่างๆ เพื่อดูแลเรื่องคุณภาพและความปลอดภัยด้านข้อมูล รวมถึงกำกับดูแลการปฏิบัติตามกฎระเบียบต่างๆ (Regulatory Compliance) 

เมื่อข้อมูลมีมาตรฐานเดียวกัน จะช่วยแก้ปัญหาเรื่องผลลัพธ์จากโมเดลวิเคราะห์ข้อมูลผิดพลาด เนื่องจากหนึ่งในความท้าทายใหญ่ในการใช้ AI คือการขาดข้อมูลที่มีคุณภาพ ไม่สามารถนำไปใช้งานได้จริง จากการเก็บข้อมูลที่กระจัดกระจาย ไม่อยู่ในฟอร์แมตเดียวกัน และข้อมูลไม่สอดคล้องกัน ส่งผลให้การนำข้อมูลไปวิเคราะห์ต่อเพื่อให้ AI ประมวลผลขาดประสิทธิภาพ โดยระบบ AI-Driven นั้นต้องขับเคลื่อนด้วยข้อมูลคุณภาพสูงปริมาณมหาศาล ให้ AI เรียนรู้และประมวลผลข้อมูล เพื่อช่วยให้ตัดสินใจได้ถูกต้องแม่นยำ

3. สร้างบุคลากรที่มีความเชี่ยวชาญ AI 

อีกความท้าทายสำคัญในการผลักดัน AI คือบางองค์กรขาดความรู้ความเชี่ยวชาญโดยเฉพาะ ทั้งในแง่การขาดความเชี่ยวชาญด้านการวิเคราะห์ข้อมูลและเครื่องมือต่างๆ ไปจนถึงการไม่มีบุคลากรด้าน Data และ AI จึงทำให้ยังไม่สามารถนำ AI มาประยุกต์ใช้กับองค์กรได้อย่างมีประสิทธิภาพ 

ดังนั้น องค์กรจึงควรลงทุนจัดฝึกอบรมพนักงาน เพื่อเพิ่มความรู้ความเข้าใจ โดยอาจร่วมมือกับพาร์ตเนอร์ที่มีความเชี่ยวชาญเฉพาะ หรือส่งไปฝึกอบรมกับองค์กรภายนอก รวมไปถึงจัดหาทรัพยากรต่างๆ สำหรับการพัฒนาโปรเจกต์ AI โดยเฉพาะ นอกจากนี้ ในส่วนการพัฒนาและประยุกต์ใช้ AI ในองค์กร อาจลองมองหาบริษัทภายนอกเพื่อให้คำปรึกษาแนะนำเพิ่มเติมได้