Chaindrite ไม่ได้ถามว่าใครจะซื้อ แต่ถามว่าแมลงสาบจะออกมาเมื่อไหร่
Chaindrite รายงานยอดขายเติบโต 3.6% ในปี 2018
แต่สิ่งที่ทำให้ผมสนใจ ไม่ใช่ตัวเลขนี้
คือวิธีที่ทีมเลือกทำ Data-Driven Marketing เพื่อทำให้มันเกิดขึ้น
เพราะแทนที่จะเริ่มจากคำถามว่า
“ใครกำลังจะซื้อยาฆ่าแมลงสาบ?”
ทีมกลับเริ่มจากคำถามว่า
“แมลงสาบกำลังจะออกมาเมื่อไหร่?”
นี่คือความน่าสนใจของ Clockroach: Predicting More Sharply, Spend Less แคมเปญของ Chaindrite ที่ใช้ข้อมูลสภาพอากาศและระบบ Programmatic Media เพื่อเลือกจังหวะการสื่อสารให้สอดคล้องกับสถานการณ์ที่ปัญหากำลังจะเกิด
และสำหรับผม นี่ไม่ใช่แค่เรื่องของการยิงโฆษณาให้แม่นขึ้น
แต่มันคือการเปลี่ยนวิธีคิดว่า Data ควรช่วยเราตัดสินใจอะไร
เพราะเวลาเราพูดว่า “ทำ Data-Driven Marketing” เกือบทุกครั้งเราหมายถึงการรู้จักคนให้ละเอียดขึ้น
แต่เคสนี้ใช้ Data ไปกับอีกคำถามหนึ่งที่แทบไม่มีใครถาม
“ปัญหาที่สินค้าเราแก้ มันมี Pattern ไหม?”
โจทย์ไม่ได้อยู่ที่การทำให้คนรู้จักสินค้า
Chaindrite เป็นแบรนด์ยาฆ่าแมลงสาบของ Sherwood Chemicals ในประเทศไทย
แคมเปญ Clockroach: Predicting More Sharply, Spend Less ถูกสร้างโดย Initiative Bangkok ร่วมกับทีม Data & Analytics ของ IPG Mediabrands
ตาม Award Entry ของ Spikes Asia 2019 ทีมที่ได้รับเครดิตประกอบด้วย Warayut Nualkhao, Jirayu Sirirattanasuk, Khanokkhan Prajongsangsri และ Sarunyapat Atikuntana
สิ่งที่น่าสนใจคือโจทย์ของแคมเปญไม่ได้เริ่มจากการทำให้คนรู้จัก Chaindrite มากขึ้น
เพราะแบรนด์นี้ไม่ได้มีปัญหาเรื่อง Awareness
แต่เริ่มจากคำถามว่า
ถ้าเรามีงบสื่อจำกัด เราจะทำอย่างไรให้โฆษณาปรากฏในจังหวะที่คนมีเหตุผลจะต้องใช้สินค้าจริงๆ?
นี่เป็นโจทย์ที่ต่างจากการวางแผนสื่อแบบทั่วไปพอสมควร
เพราะมันไม่ได้ถามแค่ว่า “Audience อยู่ที่ไหน?”
แต่ถามว่า “Need-state กำลังจะเกิดขึ้นที่ไหน?”
และคำถามสองข้อนี้พาไปสู่แผนสื่อคนละแบบกันเลยครับ
คำถามแรกทำให้เราซื้อสื่อตามคน
คำถามที่สองทำให้เราซื้อสื่อตามสถานการณ์
บางครั้งเราไม่ต้องทำนาย Consumer เพราะเราทำนายปัญหาได้
ผมว่าจุดที่ทำให้เคสนี้น่าสนใจจริงๆ อยู่ตรงนี้ครับ
คนส่วนใหญ่เวลาพูดถึง Data-Driven Marketing มักเริ่มจากการพยายามเข้าใจ Consumer ให้ละเอียดขึ้น
ใครเป็นคนซื้อ?
เขาสนใจอะไร?
เขาเคยซื้ออะไร?
เขามีพฤติกรรมแบบไหน?
แล้วเราจะใช้ข้อมูลเหล่านี้ทำนายได้อย่างไรว่าเขาจะซื้ออีกเมื่อไหร่?
แต่สำหรับสินค้าบางประเภท คำถามนี้อาจไม่ใช่จุดเริ่มต้นที่ดีที่สุด
เพราะความต้องการไม่ได้เกิดจากความตั้งใจซื้อที่มีอยู่ก่อน
แต่มันเกิดจาก ปัญหาที่ปรากฏขึ้นตรงหน้า
คนไม่ได้ตื่นขึ้นมาพร้อมความคิดว่า
“วันนี้ฉันอยากซื้อยาฆ่าแมลงสาบ”
แต่ถ้าแมลงสาบออกมาในบ้าน ความต้องการสินค้าก็อาจเกิดขึ้นทันที
ลองสังเกตดูครับว่าสินค้าแบบนี้มีเยอะกว่าที่คิด
ยาแก้ปวด ร่ม ยากันยุง ประกันเดินทาง ช่างซ่อมแอร์ บริการล้างท่อ
สินค้ากลุ่มนี้ไม่ได้แข่งกันที่ว่าใครทำให้คน “อยากได้” มากกว่ากัน
แต่แข่งกันที่ว่า ตอนปัญหาเกิด ใครอยู่ตรงนั้น
ผมชอบแยกความต้องการออกเป็นสองแบบเวลาคุยเรื่องนี้ครับ
Latent Demand คือความต้องการที่ค้างอยู่ในตัวคน รอวันที่เขาจะตัดสินใจ เช่น อยากเปลี่ยนรถ อยากไปเที่ยว อยากเรียนต่อ ความต้องการแบบนี้อยู่กับคน เราจึงตามมันด้วยการรู้จักคนให้ลึกขึ้น
Triggered Demand คือความต้องการที่ยังไม่มีอยู่จนกว่าจะมีอะไรบางอย่างเกิดขึ้น เช่น ท่อตัน แอร์เสีย ฝนตกตอนไม่มีร่ม หรือแมลงสาบโผล่มากลางห้อง ความต้องการแบบนี้ไม่ได้อยู่กับคน แต่อยู่กับ เหตุการณ์
ความผิดพลาดที่ผมเห็นบ่อยคือเราเอาวิธีไล่ตาม Latent Demand ไปใช้กับสินค้าที่ขายด้วย Triggered Demand
คือทุ่มงบไปกับการหา Persona ให้ละเอียดขึ้น ทั้งที่ตัวแปรที่กำหนดยอดขายจริงๆ ไม่ได้อยู่ในตัวคน แต่อยู่ในสภาพแวดล้อมรอบตัวเขา
สิ่งที่ทีม Chaindrite ทำจึงน่าสนใจมาก
เพราะพวกเขาไม่ได้พยายามทำให้การทำนาย Consumer ซับซ้อนขึ้น
แต่ลองถามว่า
“ถ้าเราไม่ต้องทำนายคน เราจะทำนายอะไรแทนได้บ้าง?”
แล้วคำตอบก็คือ
Cockroaches.
จากการศึกษาปัญหา สู่ Trigger ที่ใช้ยิงสื่อได้
ตามข้อมูลจาก Award Entry ของ Spikes Asia 2019 และ Case Study ของ IPG Mediabrands ทีมเริ่มจากการศึกษา Consumer Journey, Media Consumption และวงจรชีวิตแมลงสาบ
จากนั้นจึงนำสมมติฐานเรื่องความสัมพันธ์ระหว่างสภาพอากาศกับการปรากฏตัวของแมลงสาบไปตรวจสอบด้วยข้อมูล
กระบวนการที่ระบุไว้ประกอบด้วย Social Listening เชิงคุณภาพ, Quick Questionnaire และ Predictive Modeling
จุดสำคัญคือทีมไม่ได้หยุดอยู่ที่ Insight ว่า “แมลงสาบออกมาตอนฝนตก”
เพราะถ้าหยุดแค่นั้น มันก็เป็นแค่ข้อสังเกตที่ฟังดูมีเหตุผล
แต่พยายามเปลี่ยน Insight นั้นให้กลายเป็น เงื่อนไขที่ระบบใช้ตัดสินใจได้
นี่คือความต่างระหว่าง Insight ที่อยู่ในสไลด์ กับ Insight ที่อยู่ในระบบซื้อสื่อ
Data → Trigger → Media
ตาม Award Entry ระบบใช้ข้อมูลฝนย้อนหลัง 4 ปี ระหว่างปี 2014–2018 ร่วมกับข้อมูลสภาพอากาศจาก AccuWeather และระบบ In-house Programmatic ของ Initiative
จากนั้นจึงนำข้อมูลเหล่านี้มาใช้กำหนดเงื่อนไขการทำงานของโฆษณา
โดย Award Entry ระบุว่าโฆษณาถูกตั้งให้เริ่มทำงานตั้งแต่ฝนหยดแรกและทำงานต่อเนื่องตลอดช่วงที่ฝนตก และยิงเฉพาะพื้นที่เมืองที่กำลังมีฝนมากพอ
ส่วน Case Study ของ IPG Mediabrands อธิบายต่ออีกขั้นว่า จังหวะที่แมลงสาบขึ้นมาจริงคือ หลังฝนหยุด เพราะน้ำท่วมในท่อระบายน้ำ และโฆษณาจะถูกหยุดเมื่อแมลงสาบกลับลงท่อไปแล้ว
รายละเอียดขั้นหลังนี้ปรากฏในแหล่งเดียว ไม่มีใน Award Entry
เมื่อเข้าเงื่อนไข ระบบจะปรับ Copy และ Call-to-action ให้สอดคล้องกับสถานการณ์และพื้นที่
นี่คือจุดที่ผมว่าต่างจากการทำ Data-driven Campaign ทั่วไป
เพราะ Data ไม่ได้มีหน้าที่แค่บอกว่า “ใครควรเห็นโฆษณา”
แต่มีหน้าที่บอกว่า
“เมื่อไหร่ควรให้โฆษณาเกิดขึ้น”
และที่ผมว่าสำคัญกว่านั้นคือ Data ถูกใช้ตั้งแต่ตอนออกแบบแคมเปญ ไม่ได้ถูกเอามาใส่ทีหลังเพื่อทำให้ Deck ดูมีน้ำหนักขึ้น
จาก Audience-led Media ไปสู่ Trigger-led Media
สิ่งที่เปลี่ยนไปในเชิง Business Logic คือ
จากเดิมที่การซื้อสื่ออาจเริ่มจาก
Audience → Media → Message
เคสนี้เปลี่ยนเป็น
Problem Pattern → Data Trigger → Media Action
นี่ไม่ใช่แค่การทำ Personalization ให้ละเอียดขึ้น
แต่เป็นการเปลี่ยน หน่วยที่เราใช้วางแผนสื่อ
จาก “คน” ไปเป็น “สถานการณ์”
ลองคิดดูครับ
ถ้าเราขายสินค้าที่คนซื้อเมื่อปัญหาเกิดขึ้น การรู้ว่าใครเป็นคนที่น่าจะซื้ออาจมีประโยชน์
แต่การรู้ว่า ปัญหากำลังจะเกิดขึ้นเมื่อไหร่ อาจมีประโยชน์มากกว่า
เพราะมันช่วยให้เราเข้าไปอยู่ใน Journey ได้ใกล้กับจังหวะที่ความต้องการเกิดขึ้นจริง
และมันยังเปลี่ยนเรื่องงบด้วย
เพราะถ้าเรายิงตามคน เราต้องยิงตลอดเวลาเพื่อไม่ให้พลาดจังหวะ
แต่ถ้าเรายิงตามเงื่อนไข เราจะไม่ต้องจ่ายในวันที่ปัญหายังไม่เกิด
นี่คือเหตุผลที่ชื่อ Entry ใช้คำว่า Predicting More Sharply, Spend Less
และเป็นเหตุผลที่ผมชอบคำว่า Right Time Right Content
ไม่ใช่เพราะมันฟังดูดี
แต่เพราะมันอธิบายสิ่งที่แคมเปญนี้พยายามทำได้ตรงมาก
Content ที่ดี ไม่ได้แปลว่าต้องพูดถูกกับคนเสมอไป
บางครั้งมันคือการ พูดถูกกับสถานการณ์
เคสนี้ทำงานได้เพราะเงื่อนไข 4 ข้อ ไม่ใช่เพราะ Data เก่ง
ก่อนจะเอาวิธีคิดนี้ไปใช้ ผมว่าต้องพูดให้ชัดว่าเคสนี้ไม่ได้ทำงานเพราะทีมใช้ Data เก่งกว่าคนอื่น
แต่เพราะโจทย์ของ Chaindrite บังเอิญเข้าเงื่อนไขครบทั้ง 4 ข้อ
หนึ่ง สินค้าต้องแก้ปัญหาเฉพาะหน้า
ถ้าสินค้าเราเป็นของที่คนใช้เวลาตัดสินใจเป็นเดือน การยิงถูกจังหวะจะไม่ได้เปลี่ยนอะไรมาก เพราะการซื้อไม่ได้เกิดขึ้นในวันเดียวกับที่เห็นโฆษณาอยู่แล้ว
สอง ปัญหาต้องมีสัญญาณที่วัดได้จากภายนอก
ฝนเป็นสัญญาณที่ดีเพราะมันวัดได้ มีข้อมูลย้อนหลัง และมีคนพยากรณ์ล่วงหน้าให้ ถ้าปัญหาของเราไม่มีร่องรอยอะไรให้จับเลย เราจะไม่มีอะไรไปตั้งเป็นเงื่อนไข
สาม สื่อต้องปรับตัวได้ทันในหน่วยเวลาที่ปัญหาเกิด
ถ้าปัญหาเกิดเป็นรายชั่วโมง แต่แผนสื่อของเราเปลี่ยนได้เป็นรายเดือน Trigger ที่แม่นแค่ไหนก็ไม่มีประโยชน์ เคสนี้ใช้ Programmatic เพราะมันเป็นสื่อที่รับคำสั่งแบบมีเงื่อนไขได้
สี่ ข้อความต้องเปลี่ยนตามสถานการณ์ได้จริง
ถ้าเรายิงถูกจังหวะแต่ใช้ Copy เดิมทุกใบ คนก็ยังเห็นโฆษณาเดิมที่เขาเลื่อนผ่านทุกวัน สิ่งที่ทำให้ Right Time มีความหมายคือ Right Content ที่พูดถึงสิ่งที่เขากำลังเจออยู่จริงๆ
ผมเน้นเรื่องนี้เพราะเวลาเคสแบบนี้ถูกเล่าต่อในห้องประชุม มันมักถูกย่อเหลือประโยคเดียวว่า “เอา Data มายิงสื่อสิ”
แล้วทีมก็ไปทำ Trigger กับสินค้าที่ไม่เข้าเงื่อนไขสักข้อ
ถ้าขาดข้อใดข้อหนึ่ง วิธีที่ดีกว่าอาจเป็นการวางแผนสื่อแบบเดิมแล้วไปลงแรงกับ Message หรือ Distribution แทน
สิ่งที่ตัวเลขบอก และสิ่งที่เราต้องระวัง
ตาม Award Entry ของ Spikes Asia 2019 แคมเปญนี้ใช้สื่อในช่วงเดือนกรกฎาคม–สิงหาคม 2018 และมุ่งเป้าไปยังพื้นที่เมืองใน 77 จังหวัดของประเทศไทย
งบสื่อที่รายงานคือ 80,000 บาท
ส่วนผลลัพธ์ที่รายงาน ได้แก่
| Metric | Agency-reported result |
|---|---|
| Media Budget | 80,000 บาท |
| Engagement Rate | 29% |
| Sales Growth | 3.6% |
| Sales Value | มากกว่า 54 ล้านบาท |
| ROI | 675 บาทต่อ 1 บาทที่ลงทุน |
| Market Rank | อันดับ 2 ในเดือนกรกฎาคม 2018 |
| Market Share | 21.2% เพิ่มขึ้น 1.7 จุดเปอร์เซ็นต์ |
แต่ผมอยากแยกให้ชัดตรงนี้ครับ
ตัวเลขเหล่านี้เป็น Agency-reported claims
คือมาจากเอกสารที่เอเจนซี่เป็นคนเขียนเอง เพื่อส่งประกวดและเพื่อเล่าผลงานของตัวเอง
ยังไม่มีข้อมูลจากบุคคลที่สามหรือการตรวจสอบอิสระที่ยืนยันตัวเลขเหล่านี้
และมีจุดที่ควรระวังเป็นพิเศษคือ ROI
เพราะ Award Entry ระบุ 675 เท่า ขณะที่ Case Study ของ IPG Mediabrands ระบุ 54,000% ROI
ซึ่งเป็นตัวเลขที่ไม่ตรงกัน ทั้งที่มาจากฝั่งเดียวกัน
อีกจุดที่ต้องระวังคือ Sales Growth 3.6% เป็น การเติบโต 3.6% ไม่ใช่ 3.6 เท่า
ตัวเลขนี้ถูกเอาไปเล่าผิดได้ง่ายมากเวลาย่อลงเป็นสไลด์เดียว
ดังนั้น ถ้าจะนำเคสนี้ไปใช้เป็นหลักฐานในบทความ ผมจะไม่เขียนว่า “แคมเปญนี้พิสูจน์แล้วว่าได้ ROI 675 เท่า”
แต่จะเขียนว่า
“ตามข้อมูลที่เอเจนซี่รายงาน แคมเปญนี้สร้างยอดขายมากกว่า 54 ล้านบาท จากงบสื่อ 80,000 บาท”
เพราะสิ่งที่เราควรเอาไปใช้ต่อ ไม่ใช่การเชื่อว่าตัวเลขทุกตัวต้องจริง
แต่คือการเข้าใจว่า ทีมเปลี่ยนวิธีตัดสินใจเรื่องสื่ออย่างไร
วิธีคิดยังใช้ได้ ต่อให้ตัวเลขจะยังไม่ถูกตรวจสอบก็ตาม
และผมว่าเรื่องนี้ใช้ได้กับเคสการตลาดทุกเคสที่เราอ่านเจอครับ
เอกสารส่งประกวดกับ Case Study ของเอเจนซี่ไม่ได้ถูกเขียนขึ้นเพื่อรายงานผลอย่างเป็นกลาง แต่ถูกเขียนเพื่ออธิบายว่าทำไมงานชิ้นนี้ควรได้รางวัล
นั่นไม่ได้แปลว่ามันโกหก แต่แปลว่ามันเลือกเล่าเฉพาะด้านที่ทำให้เรื่องดูสมเหตุสมผล
สิ่งที่หายไปจากเอกสารพวกนี้เกือบทุกครั้งคือ ตัวแปรอื่นที่เกิดขึ้นพร้อมกัน เช่น โปรโมชั่นหน้าร้าน การกระจายสินค้า ราคาคู่แข่ง หรือฤดูกาลที่ยอดขายสินค้ากลุ่มนี้ขึ้นอยู่แล้ว
ดังนั้นเวลาผมอ่านเคส ผมจะแยกสองอย่างออกจากกันเสมอ
กลไก คือสิ่งที่ทีมทำและอธิบายได้ว่าทำไมถึงทำ — อันนี้เรียนรู้ต่อได้
ผลลัพธ์ คือตัวเลขที่ถูกรายงาน — อันนี้ต้องดูว่าใครเป็นคนวัดและวัดเทียบกับอะไร
Data-Driven Marketing ไม่ได้มีไว้แค่ทำนาย Consumer
สิ่งที่ผมว่าคมที่สุดของเคสนี้ คือมันไม่ได้สอนว่า
“ใช้ Data แล้วจะยิงโฆษณาได้แม่นขึ้น”
เพราะนั่นยัง Generic เกินไป ใครก็พูดได้
แต่สอนว่า
“ถ้าเราขายสินค้าที่แก้ปัญหาเฉพาะหน้า เราอาจสร้าง Advantage ได้ด้วยการทำนาย Problem ให้แม่นขึ้น แทนที่จะพยายามทำนาย Consumer ให้ละเอียดขึ้น”
นี่คือ Principle ที่ผมคิดว่าเอาไปใช้ต่อได้จริง เพราะมันไม่ได้ผูกอยู่กับแมลงสาบหรือฝน
แต่ผูกอยู่กับลำดับการคิด
Problem Pattern → Data Trigger → Verified Condition → Right Time Right Content
Problem Pattern
เริ่มจากหาว่าปัญหาที่สินค้าช่วยแก้มี Pattern อะไรที่คาดการณ์ได้
Data Trigger
หาข้อมูลที่ช่วยบอกว่าปัญหานั้นกำลังจะเกิดขึ้น และต้องเป็นข้อมูลที่เข้าถึงได้จริงแบบต่อเนื่อง ไม่ใช่ข้อมูลที่ต้องรอรายงานรายไตรมาส
Verified Condition
ตรวจสอบว่าความสัมพันธ์นั้นมีหลักฐานรองรับจริง ไม่ใช่แค่สมมติฐานที่ฟังดูดี แล้วค่อยกำหนดเป็นเงื่อนไขที่ระบบทำงานตามได้
Right Time Right Content
เมื่อเข้าเงื่อนไข จึงให้ Content หรือ Media ทำงานในจังหวะที่เกี่ยวข้อง พร้อมข้อความที่ตรงกับสถานการณ์ตรงหน้า
สิ่งที่ผมชอบคือ Framework นี้ไม่ได้เริ่มจาก “เราจะใช้ AI อะไรดี?”
แต่มันเริ่มจาก
“เราจะใช้ข้อมูลอะไรช่วยให้การตัดสินใจทางการตลาดดีขึ้น?”
ถ้าจะทำ Right Time Right Content ในไทยวันนี้ ต้องเตรียมอะไรบ้าง
เคสนี้เกิดในปี 2018 ซึ่งเครื่องมือยังน้อยกว่าวันนี้มาก
ถ้าจะลองทำตอนนี้ ผมว่าของที่ต้องเตรียมแบ่งเป็นสองฝั่ง
ฝั่งข้อมูล — สัญญาณที่เข้าถึงได้จริงแบบต่อเนื่อง
ไม่ใช่ข้อมูลที่ต้องรอรายงานรายไตรมาส แต่เป็นข้อมูลที่อัปเดตในหน่วยเวลาเดียวกับที่ปัญหาเกิด เช่น ข้อมูลสภาพอากาศ ค่าฝุ่น สภาพจราจร ปฏิทินเทศกาลและวันหยุด ราคาสินค้าที่ผันผวน หรือ Search Trend ของคำที่บอกอาการของปัญหา
ข้อมูลพวกนี้ส่วนใหญ่หาได้ฟรีหรือเกือบฟรี ของที่แพงกว่าคือเวลาที่ใช้พิสูจน์ว่ามันเกี่ยวกับยอดขายเราจริงไหม
ฝั่งระบบ — ความสามารถในการทำงานตามเงื่อนไข
ต้องมี Creative หลายเวอร์ชันเตรียมไว้ก่อน ไม่ใช่รอผลิตตอน Trigger เข้า ต้องมีแพลตฟอร์มสื่อที่ตั้งกฎได้ ต้องมี Baseline ว่าถ้าไม่ทำอะไรเลยยอดขายในช่วงนั้นเป็นเท่าไหร่ และต้องมีข้อตกลงล่วงหน้าว่า ถ้า Trigger ทำงานแล้วผลไม่ต่างจาก Baseline จะปิดเมื่อไหร่
ข้อสุดท้ายสำคัญที่สุดและมักถูกลืมที่สุด
เพราะถ้าเราไม่ตั้งเงื่อนไขการปิดไว้ตั้งแต่ต้น สุดท้ายเราจะเก็บ Trigger ที่ไม่เวิร์กไว้ด้วยเหตุผลว่า “มันดูฉลาดดี”
ซึ่งนั่นคือการกลับไปตัดสินใจด้วยความรู้สึก โดยมี Data เป็นฉากหลัง
ถ้าจะเอา Right Time Right Content ไปใช้กับ Brand อื่น
ผมบอกผู้บริหารทุกคนแบบนี้เลยครับ
อย่าเริ่มจากคำถามว่า “เรามี Data อะไรบ้าง?”
เพราะคำถามนั้นจะพาไปจบที่ Dashboard เสมอ
ให้เริ่มจากคำถามว่า
“ปัญหาที่สินค้าของเราช่วยแก้ มีสัญญาณอะไรที่บอกได้บ้างว่ามันกำลังจะเกิด?”
ถ้าขายประกันภัย อาจเริ่มจากการมองหา Problem Pattern ที่เกี่ยวข้องกับความเสี่ยงของลูกค้า
ถ้าทำงานด้านสุขภาพ อาจเริ่มจากการมองหา สัญญาณสภาพแวดล้อมหรือสถานการณ์ ที่เกี่ยวข้องกับความต้องการข้อมูลหรือบริการ
ถ้าขายสินค้าซ่อมบำรุงในบ้าน อาจเริ่มจากฤดูกาลหรือเหตุการณ์ที่ทำให้ของพังบ่อยขึ้น
แต่ต้องระวังว่า การมีสัญญาณ ไม่ได้แปลว่าสัญญาณนั้นทำนายพฤติกรรมการซื้อได้เสมอไป
เช่น ฝนตกอาจเป็นสัญญาณที่เกี่ยวข้องกับปัญหาบางอย่าง
แต่เราไม่ควรสรุปทันทีว่า
“ฝนตก → คนจะซื้อประกัน”
หรือ
“PM2.5 สูง → คนจะซื้อสินค้าสุขภาพ”
เพราะนั่นเป็นการกระโดดจาก Correlation → Causation
และเป็นความผิดพลาดที่เกิดง่ายมาก เพราะมันฟังดูมีเหตุผลพอที่จะไม่มีใครในห้องประชุมค้าน
สิ่งที่ควรทำคือ
- หา Problem Pattern
- หา Data Trigger
- ตรวจสอบความสัมพันธ์
- ตั้ง Verified Condition
- ค่อยออกแบบ Media Action
และถ้าตรวจแล้วความสัมพันธ์ไม่แน่นพอ ก็ควรกล้าพอที่จะบอกว่า Trigger นี้ยังใช้ไม่ได้
ลองเดินตาม 5 ข้อนี้กับตัวอย่างหนึ่งดูครับ สมมติเราขายบริการล้างแอร์
| ขั้น | สิ่งที่ต้องตอบ | ตัวอย่างคำตอบ |
|---|---|---|
| Problem Pattern | ปัญหาเกิดตอนไหน | แอร์ไม่เย็น/มีกลิ่น มักถูกสังเกตในช่วงที่เริ่มเปิดแอร์ต่อเนื่องหลายวัน |
| Data Trigger | อะไรบอกได้ว่ากำลังจะเกิด | อุณหภูมิสูงติดต่อกัน หรือค่าฝุ่นที่ทำให้คนปิดหน้าต่างและเปิดแอร์ทั้งวัน |
| ตรวจความสัมพันธ์ | มีหลักฐานไหม | เทียบยอดจองย้อนหลังกับอุณหภูมิรายวันในพื้นที่เดียวกัน |
| Verified Condition | เงื่อนไขที่ใช้จริง | อุณหภูมิสูงกว่าเกณฑ์ติดต่อกัน N วัน ในเขตที่เรามีช่างว่าง |
| Media Action | ให้ Content ทำอะไร | ยิงเฉพาะเขตนั้น ด้วยข้อความที่พูดถึงอาการ ไม่ใช่โปรโมชั่นลดราคาแบบเดิม |
สังเกตว่าขั้นที่ยากที่สุดไม่ใช่ขั้นแรกกับขั้นสุดท้าย
แต่คือขั้นกลางที่ต้องตรวจว่าความสัมพันธ์มีจริงไหม เพราะมันเป็นขั้นเดียวที่อาจได้คำตอบว่า “ไม่มี” แล้วต้องยอมทิ้งไอเดียที่เราชอบไปแล้ว
และเงื่อนไขข้อสุดท้ายในตารางก็สำคัญไม่แพ้กัน — ถ้าเรายิงตอนที่ไม่มีช่างว่าง เราจะสร้าง Demand ให้คู่แข่งแทน
Trigger ที่ดีจึงไม่ได้ดูแค่ว่าปัญหาเกิดหรือยัง แต่ดูด้วยว่าเราพร้อมรับปัญหานั้นไหม
นี่คือวิธีที่ทำให้ Data กลายเป็น Decision System ไม่ใช่แค่ Dashboard ที่สวยขึ้น
จังหวะที่ดี อาจสำคัญกว่าคนที่ใช่
สิ่งที่ผมชอบที่สุดในเคส Chaindrite คือ
ทีมไม่ได้พยายามทำให้คนอยากซื้อยาฆ่าแมลงสาบมากขึ้น
แต่พยายามทำให้โฆษณาปรากฏ ในจังหวะที่ปัญหากำลังจะเกิด
และนี่คือสิ่งที่ผมคิดว่า Marketer ควรเอาไปคิดต่อ
Data-Driven Marketing ที่ดีไม่ใช่แค่บอกว่าใครน่าจะซื้อ
แต่ช่วยให้เรารู้ว่า
“เมื่อไหร่ควรเข้าไปอยู่ใน Journey ของเขา”
เพราะบางครั้ง Marketing Advantage ไม่ได้เกิดจากการรู้จัก Consumer มากขึ้น
แต่มันเกิดจากการรู้ว่า
ปัญหาจะเกิดขึ้นเมื่อไหร่
แล้วทำให้ Content ของเราไปอยู่ตรงนั้นพอดี
References
Primary Sources
- Spikes Asia 2019 — CLOCKROACH PREDICTING MORE SHARPLY, SPEND LESS · Chaindrite · Initiative Bangkok · หมวด A02. Other FMCG (Media) — Award Entry ที่ใช้ยืนยันชื่อแคมเปญ ทีมงาน ข้อมูลฝนย้อนหลังปี 2014–2018 AccuWeather In-house Programmatic ช่วงเวลาแคมเปญ 77 จังหวัด และผลลัพธ์ที่รายงานทั้งหมด ตรวจซ้ำกับหน้าต้นทางเมื่อ 8 กันยายน 2026 โดยหน้านี้เป็นหน้า Entry ซึ่งไม่ได้ระบุว่าได้รางวัลระดับใด
- IPG Mediabrands — Chaindrite ALARM Clock-Roaches, See its – Kill its (26 กันยายน 2018) — Case Study ที่ใช้ยืนยันการซิงก์ระบบ Programmatic กับ AccuWeather, Geo-targeting 77 จังหวัด, ช่องทางที่ใช้, เงื่อนไขเริ่มและหยุดโฆษณา และเป็นต้นทางของตัวเลข 54,000% ROI ซึ่งไม่ตรงกับ 675 เท่าใน Award Entry — หน้าต้นฉบับที่
ipg-connect.comถูกยุบไปแล้ว ลิงก์นี้จึงเป็นสำเนา Internet Archive สแนปช็อต 16 พฤศจิกายน 2025
Supporting Sources
- Campaign Asia — Chaindrite advertising coverage — ใช้เป็นบริบทของงานโฆษณา Chaindrite ที่มีการรายงานในสื่อ Trade Press แต่ไม่ใช่หลักฐานยืนยันตัวเลขของ Clockroach Data Campaign
