Data-Informed Product Design ‘ข้อมูล’ หัวใจของการออกแบบ Product ให้โดนใจกลุ่มเป้าหมาย

December 22, 2020
Disrupt Team

ใน StormBreaker Batch 3 Bootcamp ครั้งที่ 6 คุณ ต้า ดร. วิโรจน์ จิรพัฒนกุล Co-Founder ของ Skooldio อดีต Data Scientist ของ Facebook และ Google Certified Sprint Master คนแรกของเมืองไทย ได้นำความรู้ด้านการใช้ Data มาเป็นหัวใจของการพัฒนา Product ให้ตอบโจทย์ผู้ใช้ มาเผยแพร่ให้สตาร์ทอัพและ SE ด้านการศึกษาทั้ง 7 ทีมได้นำไปใช้ในการพัฒนา Product ของตนเอง

Data-Informed Product Design

Data-Informed Product Design คือ การนำข้อมูลมาใช้ในการพัฒนาสินค้าและบริการให้ตอบโจทย์ความต้องการของกลุ่มเป้าหมายอย่างแท้จริง โดยในปัจจุบัน บริษัทต่าง ๆ เริ่มตื่นตัวในการเก็บข้อมูลกันแล้ว แต่อาจไม่แน่ใจว่าข้อมูลที่เก็บมาจะนำมาใช้กับธุรกิจได้อย่างไรบ้าง

ข้อมูลที่เก็บมา จะมีมูลค่าก็ต่อเมื่อสามารถเปลี่ยนให้เป็น 3 สิ่ง:

1. Metrics หรือ ตัวชี้วัด ช่วยให้เข้าใจ “อดีต” นำมาประเมินสิ่งที่ทำอยู่ว่ามีประสิทธิภาพมากน้อยเพียงใด

2. Insights ช่วยให้เข้าใจ “อนาคต” นำมาช่วยเดาใจกลุ่มเป้าหมาย

3. Data Products สินค้าหรือบริการที่ขับเคลื่อนด้วยข้อมูล ที่ตอบโจทย์ลูกค้าอย่างแท้จริง

แล้วเราจะเปลี่ยน Data ให้เป็น 3 สิ่งนี้ได้อย่างไร?

เปลี่ยน Data ให้เป็น Metrics

Metrics หรือ ตัวชี้วัด ช่วยบ่งชี้ว่าสิ่งที่เราสิ่งที่เราทำอยู่นั้นดีอย่างไร เช่น การจ่ายเงินค่า Ads ส่งผลให้จำนวนผู้เข้าชมเว็บไซต์ในแต่ละวันเพิ่มมากขึ้นหรือไม่ ถ้าหากว่าเราวัดผลไม่ได้ เราจะไม่สามารถตัดสินใจอย่างเด็ดขาดว่าเราควรทำต่อไปหรือหยุดแค่นี้

ตัวอย่างเครื่องมือในเก็บข้อมูลเบื้องต้น

  • Google Analytics
  • Hotjar.com
  • Facebook Page App
  • Facebook Analytics App

ทุกครั้งที่ทำ Online Marketing Campaign หรือว่า Online Advertisement ควรติด Web Analytics เพื่อวัด Performance ของแต่ละ Platform

แล้วเราควรวัด metric ด้านใดบ้าง?

The HEART Framework ในการวัด Metrics 5 ด้าน ที่จะช่วยให้เราเข้าใจความคิดและพฤติกรรมของผู้ใช้งาน และช่วยให้ตัดสินใจโดยยึดผู้ใช้งานเป็นศูนย์กลางได้ ประกอบด้วย:

Happiness – วัด 'ความรู้สึก' จากการใช้งาน เช่นพอใจหรือไม่ ใช้งานยากหรือเปล่า

Engagement – วัดระดับการ 'มีส่วนร่วม' ของผู้ใช้งาน จากพฤติกรรมการใช้งาน เช่นระยะเวลา หรือความถี่ในการใช้งาน

Adoption – วัดจำนวนผู้ใช้งานที่ 'เริ่มใช้' ผลิตภัณฑ์ในช่วงระยะเวลาหนึ่ง

Retention – วัดจำนวนผู้ใช้งานที่ 'ใช้ผลิตภัณฑ์อย่างต่อเนื่อง'

Task Success – วัด 'ความสำเร็จ' ว่าผู้ใช้ได้ทำในสิ่งที่เราตั้งใจไว้หรือไม่ เช่น การกดซื้อสินค้า โดยจะวัดทั้งเชิงประสิทธิภาพ (efficiency) และประสิทธิผล (effectiveness)

โดยในแต่ละด้าน ให้นึกถึง:

Goals – เป้าหมายที่ต้องการเห็นในแต่ละด้าน

Signals – สัญญาณที่ช่วยให้รู้ว่าเป้าหมายที่ตั้งไว้สำเร็จหรือไม่ โดยสัญญาณที่ดีจะต้องเฉพาะเจาะจง และเปลี่ยนแปลงตามสิ่งที่อยากวัด

Metrics – ตัวเลขชี้วัดที่ช่วยวัดระดับความสำเร็จและติดตามผลงานได้ชัดเจน

ตัวอย่างการใช้ HEART Framework ในการวัดความสำเร็จของเว็บไซต์

Data Dashboard มีประโยชน์อย่างไร?

เมื่อเรามี Metrics และ Data จำนวนมาก การแสดงผลให้เข้าใจง่ายและนำไปใช้ประโยชน์ได้เป็นเรื่องสำคัญ หลายองค์กรนิยมใช้ Dashboard ที่จะช่วยในการทำงานได้ดังนี้

  • ติดตามผล เพื่อประเมินว่าเราเข้าใกล้เป้าหมายมากเพียงใดแล้ว
  • แสดงให้เห็นโอกาสและสิ่งที่ควรระวังได้ทันที
  • ทำให้พนักงานทุกคนตัดสินใจโดยอ้างอิงจากข้อมูลที่มีได้เลย ไม่ต้องรอหัวหน้าเป็นคนตัดสินใจ ซึ่งส่งเสริมการทำงานแบบ agile มากขึ้น
  • สร้างความโปร่งใสจากการที่ทุกคนเข้าถึงข้อมูลและรู้เท่าเทียมกันได้

เปลี่ยน Data ให้เป็น Insights

Insights จากกลุ่มเป้าหมายเป็นสิ่งที่นักธุรกิจทุกมองหา เพราะจะช่วยให้ออกแบบ solution ที่ตอบโจทย์ลูกค้าได้ โดยทั่วไปเราจะคุ้นเคยกับการใช้ Design Thinking Process มาหา insights แต่หากนำ Data มาใช้ในแต่ละขั้นตอนของ Design Thinking ด้วย จะยิ่งทำให้ค้นพบ insights ที่ลึกขึ้น และชัดเจนมากขึ้น

Empathize with Data

Empathize คือ การทำความเข้าใจกลุ่มเป้าหมาย เราอาจคุ้นชินกับการทำ customer interview, focus group interview หรือ การลงพื้นที่ไปสังเกตการณ์ แต่แท้จริง Data สามารถทำให้ขั้นตอนเหล่านี้ทำได้ง่ายและมีประสิทธิภาพมากขึ้นด้วย โดยมีประโยชน์ดังนี้

  • ลดเวลาในการหา insights หากเราดึงข้อมูลหลังบ้านจากระบบมาวิเคราะห์ ก็ไม่จำเป็นต้องไปจัด user interviews หรือไป observe กลุ่มเป้าหมายด้วยตนเอง
  • เก็บ insights จากกลุ่มเป้าหมายจำนวนมากได้ เนื่องจากดึงข้อมูลที่มีอยู่แล้วมาใช้ได้ทันที ก็จะได้ sample size ที่ใหญ่และ represent ตลาดได้ดีขึ้น
  • มองเห็น insights ที่แท้จริง บางครั้งถ้าใช้วิธีสัมภาษณ์กลุ่มเป้าหมาย เราอาจไม่ได้คำตอบที่เป็นจริงเสมอไป เพราะหลาย ๆ ครั้ง สิ่งที่พูดกับสิ่งที่คิดและทำอาจไม่ตรงกัน แต่หากเรามี data มาเป็นหลักฐานก็จะช่วยให้ insights ทีได้มาน่าเชื่อถือมากขึ้น เช่น คนอาจบอกว่าไม่ชอบโฆษณา แต่ข้อมูลแสดงให้เห็นว่าคนกดดูโฆษณาตลอดเวลา เป็นต้น
  • ช่วย segment target groups เมื่อเรามี data ครบถ้วน ก็สามารถ manage data เพื่อให้แสดงผลตาม segment ต่าง ๆ ไม่ว่าจะเป็นพฤติกรรมของผู้ใช้, ภูมิลำเนา, ประวัติการซื้อขาย เพื่อให้เข้าใจ pattern และเลือก target ได้ถูกจุดมากขึ้น
  • ช่วยหา extreme users คือ user ที่มีพฤติกรรมสุดโต่ง ที่มักจะมี needs หรือเจอ pain ที่ใหญ่กว่าคนอื่น เมื่อเราบอกได้ว่า user เหล่านี้อยู่ไหน ก็อาจเจาะลึกพฤติกรรมหรือสัมภาษณ์เพิ่มเติมเพื่อเข้าใจกลุ่มเป้าหมายได้มากขึ้น

Define with Data

Define คือ การกำหนดปัญหาและเป้าหมายให้ชัดเจน ว่าสุดท้ายเราจะแก้ปัญหาอะไร ปัญหานั้นใหญ่พอที่ควรคู่แก่การแก้ไหม

ตัวอย่างของการใช้ Data มาช่วยเลือกจุด focus คือ Facebook ก่อนจะออก feature marketplace จุดเริ่มต้นมาจากการดู data ว่าประเทศไทยมีการใช้ Facebook เพื่อซื้อขายสินค้ามากที่สุดในโลก จึงแสดงให้เห็นว่ามีตลาดหัวหอกที่ใหญ่มากพอที่จะเข้าไปสร้าง experience ที่ดีขึ้นให้กับคนกลุ่มนี้ได้

Ideate with Data

ในขั้นตอนการนำเสนอไอเดีย ปกติอาจเริ่มจากโพสต์อิทกับปากกา แต่หากนำ data มาใช้ประกอบด้วย อาจทำให้เราเห็นไอเดียใหม่ ๆ ที่นึกไม่ถึงมาก่อน

ในกรณีของ Vicks ยาแก้ไข้หวัด เริ่มจากการดู data ของ product ปัจจุบันว่าคนนิยมซื้อยาทานก่อนนอน (nightquil) มากกว่ายาทานกลางวัน (dayquil) ทีมงานจึงลองใช้ google search ค้นหาสินค้าดู ปรากฏว่าคำที่ติด top search คือ “nightquil sleeping pills” เพราะคนนำยาก่อนนอนไปใช้เป็นยานอนหลับ เมื่อเห็น data ดังนั้นแล้ว Vicks จึงออก product ใหม่ เป็นยานอนหลับชื่อว่า zzzquil ที่กลายเป็นยานอนหลับขาดีอันดับหนึ่งของตลาดเลยทีเดียว กรณีศึกษานี้เป็นตัวอย่างที่ดีที่หากไม่ได้ใช้ data เข้ามา ก็คงไปไม่ถึง idea ใหม่ที่ติดตลาดเช่นนั้นได้

Test and Learn with Data

ในการทำงาน เรามักจะมีสมมติฐานที่ต้องนำไป test กับ user จริง เช่น ทำ interface แบบไหนดีกว่ากันนะ? หนึ่งในวิธีการที่ Data มาช่วย test ได้คือการทำ A/B Testing หรือการทดสอบระหว่าง Option A และ B ที่ให้กลุ่มเป้าหมายเป็นคนสะท้อนความต้องการ

ตัวอย่างกรณีที่ประสบความสำเร็จอย่างมาก คือ website หาเสียงของ Obama โดยทีมงานอยากรู้ว่าใช้รูปแบบไหนดึงดูดกลุ่มเป้าหมายได้ดีกว่ากัน จึงลองทำมา 2 รูป เลือกกลุ่มเป้าหมายมา 2 กลุ่มที่องค์ประกอบเหมือนกัน แล้วลองปล่อยรูป A ไปยังกลุ่มเป้าหมาย 1 และรูป B ไปที่กลุ่ม 2 และติดตาม data ผลลัพธ์ว่ารูปไหนผู้คนตอบสนองได้ดีกว่ากัน ผลคือรูปที่ชนะในการทำ A/B Testing นี้เมื่อปล่อยไปแล้ว ทำให้ Obama สามารถระดมเงินสนับสนุนเพิ่มเติมไปกว่า $60 ล้านดอลล่าร์สหรัฐเลยทีเดียว

การใช้ insights ต้อง balance ให้ดี

Data โดยทั่วไปมาจาก 2 แหล่ง แต่ละแหล่งมีประโยชน์และมีข้อควรระวังที่ต่างกัน

  • Internal ช่วยให้เราเข้าใจพฤติกรรมของลูกค้าปัจจุบัน ข้อควรระวัง คือ ต้องดูว่า data นั้น bias จากการกระทำของเราหรือไม่ เช่น บัตรเครดิตที่มีข้อมูลว่าลูกค้ารูดกับร้านอาหารญี่ปุ่นจำนวนมาก อาจไม่ใช่เพราะลูกค้าชอบกินอาหารญี่ปุ่นและไม่ชอบอาหารชาติอื่น แต่อาจเป็นเพราะเราให้แต่ส่วนลดบัตรเครดิตในร้านอาหารญี่ปุ่นเท่านั้น หากตีความผิดเราก็จะไม่เข้าใจลูกค้าอย่างแท้จริง
  • External ช่วยให้เราเข้าใจพฤติกรรมของตลาด คู่แข่ง และเห็นโอกาสต่าง ๆ สำหรับธุรกิจเรา ข้อควรระวังคือต้องเลือกใช้ให้ถูกว่าประเด็นไหนสัมพันธ์หรือไม่สัมพันธ์กับธุรกิจของเรา

เปลี่ยน Data ให้เป็น Data Products

นอกจาก metrics กับ insights แล้ว Data ยังสามารถนำมาสร้างเป็น “Data Products” หรือสินค้าหรือบริการที่ drive ด้วยข้อมูลได้

Human-centered Data Science - เคล็ดลับของ Tech Firm ระดับโลก

การที่จะออกแบบ Data Products ได้ ต้องสร้าง cycle ที่เชื่อมระหว่าง 3 สิ่ง ได้แก่ product, user และ data โดยเริ่มจากการสร้าง product ที่ดี และสามารถดึงดู user จำนวนมากได้ เมื่อทำได้เช่นนั้น จึงเก็บ data การใช้งานของ user เพื่อนำมาเป็น metrics, insights ที่ช่วย add value ให้กับ product ให้ดียิ่งขึ้น และทำสิ่งนี้วนไปเรื่อย ๆ

ตัวอย่างการใช้ Human-Centered Data Science ของสตาร์ทอัพสัญชาติไทย คือ Builk โปรแกรมควบคุมต้นทุนก่อสร้าง ที่เริ่มจากการทำ platform ที่ดี เมื่อ user มากขึ้น จึงได้ insights เกี่ยวกับวัสดุที่ user ใช้ในการก่อสร้าง จึงทำให้เกิดเป็น Product ใหม่เป็น platform e-commerce อุปกรณ์ก่อสร้าง เมื่อมี seller/buyer มากพอ ก็นำ data มาใช้ออก credit ทางการค้าเพื่อช่วยให้ผู้ใช้มีความน่าเชื่อถือมากขึ้น และลดดอกเบี้ยเงินกู้ธนาคารได้อีกด้วย

Machine Learning (ML)

Machine Learning เปรียบเสมือนสมองของ AI ระบบจะสามารถเรียนรู้โดยอัตโนมัติได้ ในปัจจุบันบริษัททั่วโลกนำ ML มาใช้กับ product ในหลายรูปแบบ เช่น

  • Automation เช่น Natural Language Processing, Image Recognition
  • Personalization เช่น recommendation feed บน Facebook หรือ Amazon
  • Intelligence เช่น suggestions ใน Gmail

Machine Learning จำเป็นสำหรับเราหรือไม่?

ถึงแม้ ML จะมีประโยชน์มากมาย แต่การใช้เทคโนโลยีเหล่านี้ต้องใช้เงินลงทุนและเวลาอย่างมาก ดังนั้น ก่อนที่จะตัดสินใจลงทุนไปกับ ML ต้องตอบให้ได้ก่อนว่า 

  • User Impact ผู้ใช้จะได้รับผลประโยชน์อะไรจากเทคโนโลยีนี้ และ 
  • ML Impact การนำ ML เข้ามา จะช่วยให้การคาดการณ์ถูกต้องมากขึ้นเพียงใด

หากไม่มากพอที่จะคุ้มค่าการลงทุน ให้ลองหาวิธีอื่นในการแก้ปัญหาดูก่อน ดังเช่นตัวอย่างของ gmail ที่ต้องการทำ notification เตือน user ที่เขียนว่ามีเอกสารแนบ แต่ลืมแนบไฟล์ก่อนส่ง โดยหากใช้ ML ในการวิเคราะห์ว่าอีเมลแบบไหนจะควรจะได้รับ notification นี้บ้าง ก็คงจะซับซ้อนและใช้เวลามากมาย จึงเลือกใช้วิธีที่เรียบง่าย คือการ detect อีเมลที่มีคำว่า “attach/attachment” และสั่งให้มีการแจ้งเตือนในอีเมลนั้น ๆ เห็นได้ว่าเป็นทางออกที่เรียบง่าย และไม่จำเป็นต้องใช้ technology ที่ล้ำยุค

ข้อควรระวังในการรวบรวมและวิเคราะห์ Data

1. ถามคำถามให้ถูก – คำถามที่ถูกไม่ควรชี้แนะคำตอบไปทางใดทางหนึ่ง ควรตอบโจทย์ความต้องการของกลุ่มเป้าหมายและสร้างมูลค่าให้กับเรา

2. ตัวเลขอาจบ่งบอกว่าผู้ใช้ทำอะไร แต่เราควรพยายามเข้าใจว่าทำไมผู้ใช้งานถึงทำสิ่งนั้น

3. Correlation ≠ Causation – การที่ข้อมูลมีความสัมพันธ์กัน ไม่ได้แปลว่าสิ่งหนึ่งเป็นสาเหตุให้เกิดอีกสิ่งหนึ่งเสมอไป

สุดท้ายนี้ การเพิ่มมูลค่าให้กับธุรกิจเกิดขึ้นได้ไม่ยาก แค่เราเริ่มที่จะใช้ Data ที่เรามีอยู่แล้วให้เกิดประโยชน์ โดยเปลี่ยน Data เหล่านั้นให้เป็น Metrics, Insights, และ Data Products ที่ตอบโจทย์ลูกค้าอย่างแท้จริง

หากคุณอ่านมาถึงตรงนี้แล้ว อยากเชิญชวนให้ทุกคนลองถามตัวเองกันดูอีกครั้งว่า ที่ผ่านมาคุณใช้ประโยชน์จาก Data อย่างเต็มที่แล้วหรือยัง?

Update ความรู้จาก Disrupt ได้ที่ช่องทาง