สรุปหัวข้อ Retail Analytics จาก Deloitte

ในปัจจุบันข้อมูลมีปริมาณเพิ่มมากขึ้นอย่างมากและรวดเร็วจนทำให้เกิดคำว่า Big Data ขึ้นมา เมื่อปี 2017 บริษัท Deloitte The Netherlands ได้นำเสนอรูปด้านล่างที่แสดงการได้ข้อมูลต่างๆ จากลูกค้า

ดูสรุปได้จากภาพด้านล่างนี้ครับ เมื่อกดที่ภาพจะได้ภาพที่ใหญ่ขึ้นครับ

บริษัทจะได้รับข้อมูลตามลำดับดังนี้

  • เมื่อลูกค้าชำระเงินที่แคชเชียร์ ร้านค้าจะได้ข้อมูลการซื้อสินค้า (Market basket) ซึ่งจะรู้ว่าลูกค้าซื้อสินค้าอะไร จำนวนสินค้า ราคาสินค้า วันและเวลาที่ซื้อสินค้า
  • เมื่อลูกค้ามีบัตรสมาชิก (Loyalty cards) สิ่งที่ร้านค้าจะได้เพิ่มเติมคือข้อมูลเชิงประชากร (Customer demographics) ของลูกค้า เช่น เพศ อายุ รายได้
  • เมื่อบริษัทได้ข้อมูล social media ของลูกค้า ร้านค้าจะได้ข้อมูลเครือข่าย (Social networks) ของลูกค้าคนนั้นมาด้วย
  • เมื่อลูกค้าใช้การแสกนราคาสินค้าจะทำให้ร้านค้าได้ข้อมูลลำดับการซื้อสินค้า (order of shopping)
  • ในกรณีที่ร้านค้ามีการติดตั้งอุปกรณ์ Beacons ต่างๆ ไว้ บริษัทจะทราบข้อมูลเส้นทางการเดินเลือกซื้อสินค้าภายในร้าน (In-store movements)
  • เมื่อลูกค้าซื้อสินค้าผ่านทางช่องทางออนไลน์จะทำให้ร้านค้าทราบพฤติกรรมทางออนไลน์ของลูกค้า (on-line behavior) เพิ่มเติม
  • ในกรณีที่ร้านค้ามีการติดตั้งกล้องวงจรปิดหรือกล้องวิดีโอไว้จะทำให้ทราบว่าความหนาแน่นของการเข้าชมร้าน (In-store traffic) ในช่วงเวลาต่างๆ ได้เพิ่มเติม
  • ในกรณีที่มีการใช้งาน Mobile Wallet จะทำร้านค้าสามารถทราบได้ว่าลูกค้ามีพฤติกรรมการซื้อสินค้าที่ร้านอื่นใดบ้าง (Cross-store behavior) ปริมาณมากน้อย ความถี่เท่าไร

จากข้อมูลเหล่านี้สามารถนำมาวิเคราะห์ข้อมูลในแง่ต่างๆ ได้ โดยรายงานนี้สรุปแนวทางการวิเคราะห์ข้อมูลในร้านค้าปลีก (retail) ไว้ดังนี้

  • Customer Segmentation เป็นการแบ่งกลุ่มลูกค้าตามความคล้ายคลึงกันในด้านต่างๆ เช่น พฤติกรรมการใช้บริการ หรือ สถานที่ตั้ง หรือ ช่วงอายุ การแบ่งกลุ่มนี้จะทำให้บริษัทเข้าใจลูกค้าได้มากขึ้น ซึ่งอาจจะพบลูกค้า กลุ่มดังนี้
    • ลูกค้ากลุ่มที่ชอบซื้อสินค้าที่ลดราคา
    • ลูกค้าที่ชอบซื้อสินค้าที่วางจำหน่ายใหม่
    • ลูกค้าที่ชอบซื้อสินค้าประเภทอาหารอย่างเดียว
  • Cross Selling/Recommendation เป็นการวิเคราะห์พฤติกรรมการซื้อสินค้าของลูกค้าและแนะนำสินค้าที่เกี่ยวข้องและคาดว่าลูกค้าจะซื้อเพิ่มไปด้วย
  • Campaign/ Promotion Effectiveness Analysis หลังจากที่ได้มีการจัดโปรโมชันหรือแคมเปญเสร็จเรียบร้อยแล้ว บริษัทควรทำการวิเคราะห์ข้อมูลผลการตอบรับโปรโมชันในช่องทาง (channel) ต่างๆ หรือสาขาต่างๆ เพื่อให้เข้าใจสาเหตุที่ทำให้ประสบผลสำเร็จ ซึ่งอาจจะมีคำถามดังนี้
    • การสื่อสารทางช่องทางใดที่ทำให้ลูกค้ารับรู้มากที่สุด หรือ ทำให้ลูกค้ากลับมาซื้อสินค้ามากที่สุด
    • สาขาใดที่ทำยอดจำหน่ายได้มากที่สุด หรือน้อยที่สุด
    • การทำโปรโมชันหรือแคมเปญนี้กำไรหรือขาดทุน
  • Customer Lifetime Value (CLV) เนื่องจากว่าลูกค้าแต่ละรายสร้างมูลค่าให้กับบริษัทต่างกัน การทำ CLV เพื่อให้ทราบว่าลูกค้าคนไหนที่เป็นลูกค้าที่ดีสำหรับบริษัท การคำนวณCLV อาจจะคำนวณจากมูลค่าที่ลูกค้าใช้บริการไป (Historical Lifetime Value) หรือ สร้างโมเดล (model) เพื่อคาดการณ์CLV ในอนาคต(Predicted Lifetime Value) ก็ได้
  • Customer Churn Prediction เป็นการสร้างโมเดลเพื่อคาดการณ์ว่าลูกค้าคนใดบ้างที่มีโอกาสไม่กลับมาซื้อสินค้าอีก(churn) หลังจากที่ทราบผลการคาดการณ์แล้วอาจจะต้องพิจารณาค่าCLV เพิ่มเติมเพื่อดูว่าควรจะดำเนินการกับลูกค้าต่างๆ อย่างไร เช่น ลูกค้าที่มีค่า CLV สูงอาจจะได้รับการดูแลเป็นพิเศษมากกว่าลูกค้าที่มีค่าCLV น้อยกว่า
  • Target Marketing/Response Modeling ในการนำเสนอโปรโมชันหรือแคมเปญต่างๆ บริษัทควรจะเลือกที่จะส่งไปยังลูกค้าที่สนใจโปรโมชันหรือแคมเปญนั้นเพื่อช่วยลดต้นทุนและไม่ทำให้ลูกค้ารำคาญ การทำเช่นนี้อาจจะทำได้โดยการพิจารณาพฤติกรรมการซื้อสินค้าที่ผ่านมา
  • Store Segmentation เป็นการจัดกลุ่มสาขาตามข้อมูลต่างๆ เช่น ประเภทของสินค้าที่ขายได้ ลักษณะของลูกค้า ทำเลที่ตั้ง เช่น ห่างจากตลาดเป็นระยะทางเท่าใด ห่างจากโรงเรียนเป็นระยะทางเท่าใด
  • Demand Forecasting เป็นการคาดการณ์ยอดจำหน่ายสินค้าแต่ละประเภทโดยการดูจากพฤติกรรมของข้อมูลในอดีต โดยการใช้ตัวแปรต่างๆ เช่น ยอดขาย สภาพแวดล้อม วันและเวลาต่างๆ 
  • Category Management เป็นการจัดการประเภทของสินค้าให้เหมาะสม ถ้ามีสินค้าที่ไม่หลากหลายอาจจะทำให้ไม่ตอบสนองความต้องการของลูกค้า แต่ถ้ามีสินค้าหลากหลายมากเกินไปอาจจะทำให้เกิดปัญหาการแข่งกันเองของสินค้า (cannibalization)
  • Channel Profitability การขายสินค้านั้นมีการจำหน่ายได้หลายช่องทางและแต่ละช่องทางก็สร้างรายได้ที่ต่างกันไป การวิเคราะห์ลักษณะนี้เป็นการสรุปว่าช่องทางใดบ้างที่สร้างรายได้ให้และรายได้มากน้อยเพียงใด
  • Product – Channel Affinity สินค้าบางประเภทจำหน่ายได้ดีในบางช่องทาง การวิเคราะห์ในลักษณะนี้เพื่อทำการหาความสัมพันธ์ระหว่างช่องทางการจัดจำหน่ายและสินค้า เพื่อหาว่าสินค้าใดควรจะจำหน่ายในช่องทางใด
  • Product – Store Affinity มีลักษณะคล้ายกันกับ Product – Channel Affinityแต่เปลี่ยนเป็นการหาความสัมพันธ์ระหว่างสาขาที่จำหน่ายและสินค้า เพื่อหาว่าสินค้าใดควรจะจำหน่ายในสาขาใดบ้าง
  • Vendor Performance Analysis เป็นการวิเคราะห์ผู้ขาย(Vendor) ในมุมมองต่างๆ และอาจจะนำไปกำหนดเกรดให้กับผู้ขายต่างๆ ได้ การวิเคราะห์ลักษณะนี้ใช้ข้อมูลหลายประเภท เช่น 
    • ค่าใช้จ่าย (cost)
    • ระยะเวลาการจัดส่ง (delivery time)
    • จำนวนสินค้าและความหลากหลายของสินค้าที่ส่ง
    • เครดิตการชำระเงิน