เมื่อธนาคารพาณิชย์แห่งชาติในประเทศจีนทําแคมเปญแอพโทรศัพท์มือถือหนึ่งแล้วมียอดดาวน์โหลดสูงถึง 24 ล้านครั้ง หนึ่งใน KPI หลักของแคมเปญ คือ การกระตุ้นให้ผู้ใช้เชื่อมโยงบัตรเครดิตกับแอพมือถือเพื่อส่งเสริมให้เกิดการใช้งานให้บ่อยขึ้น แต่เป็นที่น่าเสียดายว่ามีผู้ใช้เพียง 13 ล้านคนเท่านั้นที่เชื่อมโยงบัตรของพวกเขากับแอพนี้
สิ่งท้าทาย
ธนาคารวางแผนที่จะเปิดตัวอีกหนึ่งแคมเปญเพื่อกระตุ้นให้ผู้ใช้งานเชื่อมโยงบัตรกับแอพมือถือ แต่ถ้าทางทีมงานใช้พนักงานจำนวน 100 คน เพื่อติดต่อลูกค้า โดยพนักงานแต่ละคนสามารถติดต่อลูกค้าทางโทรศัพท์ได้วันละ 200 คน ดังนั้นในการติดต่อกับลูกค้าจำนวน 13 ล้านคนนั้นต้องใช้เวลาอย่างน้อยถึง 2 ปี จึงจะสามารถติดต่อกับลูกค้าทั้งหมดได้ ธนาคารจําเป็นต้องหาลูกค้ากลุ่มเป้าหมายที่ตรงกับแคมเปญของทีมเทเลมาร์เก็ตติ้ง (telemarketing)นี้ แล้วการหาลูกค้ากลุ่มเป้าหมายนี้ในระยะเวลาอันสั้นจะทำได้อย่างไร?
พวกเขาขอให้ผู้จัดการฝ่ายวิเคราะห์ข้อมูลของแผนกไอทีและทีมของเขาใช้เครื่องมือ machine learning ที่มีอยู่เพื่อค้นหาวิธีแก้ปัญหาที่จะนำมาช่วยการคาดการณ์จากข้อมูลที่มีอยู่ ทีมพยายามฝึกอบรม ประเมิน และปรับปรุงตัวแบบจําลองเพื่อให้สามารถระบุกลุ่มลูกค้าที่ตรงตามเป้าหมายได้มากขึ้น อย่างไรก็ตามพวกเขาพบว่าโปรแกรมที่มีอยู่นั้นไม่ได้ใช้งานง่าย เพราะต้องใช้ประสบการณ์ในการสร้างตัวแบบจําลองที่สามารถคาดการณ์ได้อย่างแม่นยํา และยังต้องมีประสบการณ์ในการหาตัวแบบที่เหมาะสมและเป็นตัวแบบที่มีประสิทธิภาพ
SPM มีส่วนช่วยเหลืออย่างไร
QY Datatech Inc เป็นบริษัทพันธมิตรของ Minitab ในประเทศจีนได้แนะนําธนาคารเกี่ยวกับ Salford Predictive Modeler (SPM) ทางทีมใช้เครื่องมือของ SPM ทั้ง 2 อย่างในการสร้างแบบจําลอง ได้แก่ CART® และ TreeNet® ซึ่งมีประสิทธิภาพมากโดยเฉพาะอย่างยิ่งเมื่อมีชุดข้อมูลจำนวนมากและข้อมูลนั้นมีความซับซ้อน อีกทั้งยังมีตัวแปรที่หลากหลาย และจากกรณีตัวอย่างนี้ตัวแปรที่มี คือ รายละเอียดต่างๆของลูกค้าและข้อมูลจำเป็นอื่นๆ เช่น ความถี่ของลูกค้าที่ใช้แอพของธนาคาร
ตัวอย่างเช่น กลไกการสร้างตัวแบบจําลองของ CART จะทำการสร้างแผนภูมิการตัดสินใจแบบจำแนก (decision classification tree) จำนวน 1 แผนภูมิเพื่อนําข้อมูลประเภทกลุ่ม (categorical data) มาทํานายค่าเชิงคุณภาพ (qualitative value) และข้อมูลในอดีตที่สามารถแบ่งเป็นส่วน โดยการจัดแยกส่วนนั้นจะใช้วิธีการแยกด้วยคำตอบ ใช่/ไม่ใช่ (Yes/No) การแบ่งส่วนนี้จะแยกตัวแปรตอบสนอง (Y) ออกเป็นส่วนตามการตั้งค่าของตัวแปรทํานาย (X) การเติบโตอย่างต่อเนื่อง หรือ “การตัดแต่งกิ่ง (pruning)” ของต้นไม้ที่ได้จาก CART จะช่วยให้ทีมระบุสาเหตุเพิ่มเติมของความแปรปรวนที่มากเกินไปในกระบวนการนี้ได้อย่างรวดเร็ว เมื่อทีมสามารถทำให้ตัวแปรทํานายมีจำนวนลดลงจนเหลือเพียงตัวแปรที่สําคัญเพียงไม่กี่ตัว จากนั้นจะเริ่มทำการควบคุมเพื่อให้เกิดการจํากัดผลลัพธ์ คือ กลุ่มลูกค้าที่มีเกณฑ์เฉพาะตามที่ต้องการ เช่น ลูกค้าอายุ 25 ปีขึ้นไป หรือ ลูกค้าที่มีรายได้ต่อปีมากกว่า 40,000 เหรียญสหรัฐ กฎเกณฑ์เหล่านี้เกี่ยวข้องกับการกําหนดลูกค้าเป้าหมายตามข้อมูลประชากรที่มีแนวโน้มที่จะเชื่อมโยงแอพมือถือกับบัญชีธนาคารของพวกเขา
จากนั้นทีมใช้ตัวแบบจำลองที่ได้จากวิธีของ TreeNet เพื่อคัดกรองตัวแปรที่สร้างผลกระทบมากที่สุดและสามารถใช้เพื่อแสดงให้เห็นถึงความสัมพันธ์ระหว่างตัวแปรและผลลัพธ์ ผลลัพธ์ที่ได้ คือ โอกาสที่ลูกค้าจะเชื่อมโยงแอพกับบัญชีธนาคารของพวกเขาและกราฟที่แสดงด้านบนเป็นตัวแปรที่ถูกระบุในตัวอย่างนี้ รวมถึงรายได้รายเดือนของลูกค้า
เมื่อมีการฝึกตัวแบบ การทดสอบ และคัดรายชื่อลูกค้าที่มีการตอบสนองต่ำออกจากรายการลูกค้าทั้งหมด หลังจากนั้นจึงทำการปรับและทวนสอบความถูกต้องตัวแบบ ทำให้ทีมสามารถค้นหาลูกค้ากลุ่มเป้าหมายได้ในที่สุด ตัวแบบที่สร้างขึ้นสามารถระบุคุณลักษณะของกลุ่มลูกค้าที่มีการตอบสนองสูง โดยการให้คะแนนและประเมินอัตราการตอบสนองของลูกค้าแต่ละรายการ ซึ่งข้อมูลรายการคือการตอบสนองในอดีตของลูกค้าต่อการส่งเสริมการขายของธนาคารในปีที่ผ่านมา
ทีมงานของธนาคารกล่าวว่าส่วนที่ดีที่สุดของ SPM คือ ใช้งานง่าย ไม่จําเป็นต้องเขียนโค้ดและด้วยการคลิกเพียงไม่กี่ครั้ง พวกเขาสามารถสร้างตัวแบบเริ่มต้นและลดเวลาในการสร้างตัวแบบจําลองโดยรวมจากเดือนเป็นวัน ในความเป็นจริงมันใช้เวลาเพียงเจ็ดวันในการฝึกตัวแบบและปรับแต่งตัวแบบเพื่อให้เป็นตัวแบบที่สามารถคาดการณ์กลุ่มเป้าหมายได้
ผลลัพธ์
จากผลลัพธ์ที่มาจากการกลั่นกรองด้วยตัวแบบทำให้ได้รายชื่อลูกค้าจำนวน 2 ล้านคนที่ต้องติดต่อไป เมื่อเทียบกับจำนวน 13 ล้านคนที่เป็นจุดเริ่มต้น ทำให้ทีมเทเลมาร์เก็ตติ้งสามารถเข้าถึงทุกคนได้ภายในไม่กี่เดือน ด้วยเหตุนี้พวกเขาจึงเห็นจำนวนผู้ใช้ ที่มีการเชื่อมโยงการ์ดกับแอพมือถือเพิ่มขึ้น 300% นอกจากนี้ธนาคารยังลดค่าใช้จ่ายที่เกี่ยวข้องกับการสรรหานักการตลาดทางโทรศัพท์เพิ่มเติมรวมทั้งยังสามารถเพิ่มประสิทธิภาพและส่งเสริมบริการที่สร้างรายได้เหล่านี้ให้กับลูกค้าเป้าหมายในเวลาเดียวกัน ทีมเทเลมาร์เก็ตติ้งยังรายงานอัตราความสําเร็จในการกระตุ้นให้ผู้ใช้เชื่อมโยงบัตรที่สูงขึ้น 35% ของพวกเขาเมื่อเทียบกับแคมเปญก่อนหน้า การใช้ตัวแบบที่ได้จากการวิเคราะห์ด้วยวิธีของ SPM เพื่อคาดการณ์ ทำให้ธนาคารเข้าใจและใช้ข้อมูลเพื่อสร้างข้อมูลเชิงลึกตามข้อเท็จจริงประกอบการตัดสินใจที่ทำให้ประหยัดค่าใช้จ่ายมากขึ้น
บทความต้นฉบับ : Why One Bank Chose Salford Predictive Modeler to Cut Costs and Increase Customer Engagement with Their Mobile App
ต้นฉบับนำมาจาก Minitab Case Study, แปลและเรียบเรียงโดยสุวดี นำพาเจริญ,
บริหารจัดการ SCM Blog โดยชลทิชา จำรัสพร บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ