กรณีศึกษาการตลาดด้วย AI ที่มีตัวเลขจริง และสิ่งที่มักไม่ถูกบอกเล่า

กรณีศึกษาการตลาดด้วย AI ที่มีตัวเลขจริงอยู่ที่ไหน คำตอบคือมีไม่มากเท่าที่วงการสัมมนาพยายามให้เชื่อ “เรื่องราวความสำเร็จด้าน AI” ส่วนใหญ่นับแต่ผลผลิต ไม่ว่าจะเป็นจำนวนชิ้นงานที่สร้าง ชั่วโมงที่ประหยัดได้ในทางทฤษฎี หรือเครื่องมือที่นำมาใช้ ส่วนไม่กี่กรณีที่คุ้มค่าแก่การเรียนรู้จะระบุความไร้ประสิทธิภาพที่เฉพาะเจาะจง วัดผลมัน อธิบายวิธีการ และบอกอย่างตรงไปตรงมาว่าผลลัพธ์เกิดขึ้นแล้วหรือยัง

ตัวอย่างล่าสุดเพิ่งเผยแพร่ในสัปดาห์นี้ Campaign Middle East รายงานว่า TRKKN เอเจนซีด้านประสิทธิภาพ ใช้แบบจำลองมาร์เก็ตติ้งมิกซ์ Meridian แบบโอเพนซอร์สของ Google เพื่อแสดงให้ Faces ผู้ค้าปลีกด้านความงาม เห็นว่ารายได้ในซาอุดีอาระเบียมาจากช่องทางใดกันแน่ ด้วยข้อมูลสามปี 11 ช่องทาง ได้ตัวเลขคาดการณ์ว่ารายได้ส่วนเพิ่มจะเพิ่มขึ้น 8.5% และ ROI ดีขึ้น 10.8 จุดเปอร์เซ็นต์ เพียงแค่ย้ายงบประมาณที่ Faces ใช้อยู่แล้ว

กรณีของ Faces และ TRKKN พิสูจน์อะไรได้จริง

พิสูจน์ได้ในสิ่งที่เฉพาะเจาะจงและเป็นประโยชน์ TRKKN ติดตั้ง Meridian ภายในสภาพแวดล้อม Google Cloud เดิมของ Faces สร้างแบบจำลองจากข้อมูลการตลาดและรายได้ทั้งออนไลน์และออฟไลน์ตั้งแต่ปี 2023 ถึง 2025 และสร้างเส้นโค้งการตอบสนองและเส้นโค้งความอิ่มตัวของแต่ละช่องทาง ผลคือ Performance Max เป็นช่องทางที่แข็งแกร่งที่สุด และแบบจำลองยังชี้ด้วยว่าการเพิ่มงบตรงจุดใดจะเริ่มให้ผลตอบแทนลดลง

Harry Lonergan ผู้อำนวยการฝ่ายการตลาดดิจิทัลของ Faces ในเครือ Chalhoub Group สรุปคุณค่าไว้ในประโยคเดียวว่า “Meridian ช่วยให้เราก้าวข้ามสิ่งที่เห็นจากผลงานแบบ last click ได้”

ข้อควรระวังมีสองข้อ ข้อแรก ตามที่รายงานระบุชัดเจน ตัวเลข 8.5% และ 10.8 จุดมาจากสถานการณ์จำลอง ไม่ใช่ผลลัพธ์หลังนำไปใช้จริง ข้อสอง นี่เป็นการสร้างแบบจำลองทางสถิติ ไม่ใช่ Generative AI จึงไม่ได้บอกอะไรเกี่ยวกับเครื่องมือสร้างคอนเทนต์ ทั้งสองข้อไม่ได้ทำให้กรณีนี้อ่อนลง แต่ทำให้น่าเชื่อถือขึ้น เพราะทำให้รู้แน่ชัดว่ากำลังดูอะไรอยู่

ทำไมกรณีศึกษาการตลาดด้วย AI ส่วนใหญ่จึงมีเนื้อหาบางเบา

นักเศรษฐศาสตร์เรียกตลาดที่ราคาเลิกส่งสัญญาณที่ถูกต้องว่าความล้มเหลวของตลาด (market failure) สาเหตุคลาสสิกประการหนึ่งคือความไม่สมมาตรของข้อมูล คือเมื่อฝ่ายหนึ่งในดีลรู้มากกว่าอีกฝ่ายอย่างมาก วงการโฆษณาอยู่กับปัญหานี้มาหลายทศวรรษ แพลตฟอร์มประเมินผลงานของตัวเอง เอเจนซีเรียกเก็บค่าชั่วโมงทำงานที่ลูกค้าไม่เคยเห็น ลูกค้าตัดสินช่องทางจากตัวเลข last-click ซึ่งยกยอเฉพาะสิ่งที่บังเอิญอยู่ใกล้จุดขายที่สุด

กรณีศึกษา AI รับมรดกปัญหานี้มาด้วย ผู้ขายเทคโนโลยีเผยแพร่ชัยชนะ แต่แทบไม่เปิดเผยวิธีการ และเกือบไม่เคยบอกข้อมูลฐานเปรียบเทียบ ประโยคอย่าง “ประหยัดเวลาผลิตได้ 40%” ฟังเหมือนหลักฐานจนกว่าจะถามว่า 40% ของอะไร วัดอย่างไร และงานที่ได้ออกมาเป็นอย่างไร

กรณีที่เป็นประโยชน์ทำตรงกันข้าม คือจัดการกับความไร้ประสิทธิภาพที่ตลาดยอมรับมาโดยตลอด เช่น การวัดผลแบบ last-click หรือการทำรายงานด้วยมือหลายวัน และแสดงตัวเลขออกมา ในความหมายนี้ ประสิทธิภาพคือแม่ของนวัตกรรมจริงๆ เพราะจะออกแบบกระบวนการใหม่ไม่ได้จนกว่าจะเห็นว่ามันมีต้นทุนเท่าไร

กรณีศึกษา AI ใดบ้างที่มีตัวเลขให้ตรวจสอบได้

นี่คือสิ่งที่เรายกมาได้ในวันนี้ รวมถึงลูกค้าของเราเอง โดยตัดสินด้วยเกณฑ์เดียวกัน หากไม่มีตัวเลขที่เผยแพร่ เราก็ระบุตามนั้น

“สามวันเหลือหนึ่งวัน” ในเอเจนซีหน้าตาเป็นอย่างไร

SAMY เอเจนซีอินฟลูเอนเซอร์ระดับโลก นำ Defy Agents มาใช้เพื่อปรับกระบวนการรายงานผลงานให้คล่องตัวขึ้น ลดงานสามวันเหลือหนึ่งวัน ตัวเลขนี้ไม่หวือหวา แต่เป็นตัวเลขประเภทที่สำคัญจริง เพราะรายงานคืองานประจำที่ทีมดูแลลูกค้าทุกทีมรู้จักดี ทั้งดึงตัวเลขจากแพลตฟอร์ม กระทบยอด จัดรูปแบบสไลด์ ตรวจทาน ส่ง และอธิบาย

เวิร์กโฟลว์แบบเอเจนต์บนแพลตฟอร์ม Defy ช่วยปลดงานส่งมอบที่ทำซ้ำๆ แบบนี้ออกจากโต๊ะของทีมงาน คำถามที่น่าสนใจคือเวลาอีกสองวันที่เหลือจะกลายเป็นอะไร หากหายไปกับงานซ้ำๆ เดิม ลูกค้าก็ไม่เห็นอะไรเปลี่ยนไป แต่หากนำไปใช้กับการวิเคราะห์ ไอเดีย และการพูดคุย รายงานจะไม่ใช่ต้นทุนอีกต่อไป แต่กลายเป็นเหตุผลให้ลูกค้าต่อสัญญา

บทวิเคราะห์ของ Campaign US เกี่ยวกับโมเดลสปรินต์ของเอเจนซี ชี้ให้เห็นว่าความเร็วนำไปสู่ผลทางการค้าได้อย่างไร Beers With Friends ทำงานเป็นสปรินต์ห้าวัน Brett Banker ผู้ร่วมก่อตั้ง X&O กล่าวว่าเอเจนซี “ไม่มีลูกค้าประจำเลย” เพราะลูกค้ากลับมาใช้บริการหลายครั้งต่อปีแทนการเซ็นสัญญาแต่งตั้งเอเจนซีประจำ บทความไม่ได้พูดถึง AI เลย และนั่นคือประเด็น คือลูกค้าจ่ายเงินเพื่อความเร็วและความโฟกัสอยู่แล้ว การส่งมอบที่เร็วขึ้นเพียงทำให้โมเดลนี้เปิดกว้างสำหรับเอเจนซีมากขึ้น

วิธีประเมินกรณีศึกษาการตลาดด้วย AI ก่อนนำไปทำตาม

1. ระบุความไร้ประสิทธิภาพให้ชัด ก่อนหน้านี้อะไรสิ้นเปลืองหรือมองไม่เห็น “เรานำ AI มาใช้” ไม่ใช่ความไร้ประสิทธิภาพ
2. หาข้อมูลฐานเปรียบเทียบ รายงานสามวัน การระบุที่มาแบบ last-click โปรเจกต์ที่วัดเป็นเดือน ไม่มีข้อมูลฐานเปรียบเทียบ ก็ไม่มีกรณีศึกษา
3. ตรวจสอบวิธีการ ใช้ข้อมูลอะไร ช่วงเวลาใด กี่ช่องทาง กรณีของ Faces ตอบได้ครบทั้งสามข้อ
4. แยกตัวเลขคาดการณ์ออกจากผลลัพธ์จริง ตัวเลขที่เพิ่มขึ้นจากแบบจำลองคือการพยากรณ์ ควรถือเป็นสมมติฐานที่ต้องทดสอบ ไม่ใช่ผลลัพธ์ที่จะยกไปอ้างในการนำเสนองาน
5. ถามว่าเวลาที่ประหยัดได้ไปอยู่ที่ไหน ประสิทธิภาพมีความหมายก็ต่อเมื่อปรากฏเป็นงานที่ดีขึ้น การตัดสินใจที่เร็วขึ้น หรือต้นทุนที่ลดลงสำหรับลูกค้า
6. ทดลองนำร่องด้วยตัวเอง หนึ่งลูกค้า หนึ่งเวิร์กโฟลว์ หนึ่งเดือน โดยจดข้อมูลฐานเปรียบเทียบไว้ก่อนเริ่ม

หลักฐานยังบางเบาตรงไหน

ส่วนใหญ่อยู่ตรงจุดที่คำกล่าวอ้างดังที่สุด การวัดผลและการรายงานให้ตัวเลขก่อนและหลังที่ชัดเจน จึงเป็นกรณีศึกษาที่ดี เนื้อหาที่สร้างด้วย Generative AI ยากกว่า เพราะการผลิตชิ้นงานเพิ่มนั้นนับง่าย แต่การพิสูจน์ว่าชิ้นงานเหล่านั้นขายได้มากขึ้นไม่ง่ายเลย ควรระวังกรณีศึกษาใดก็ตามที่หยุดอยู่แค่ปริมาณ

ตารางของเราเองก็มีช่องว่างเช่นกัน Enchant และ SharkNinja เป็นการใช้งานจริงแต่ไม่มีตัวเลขที่เผยแพร่ และตัวเลขของ SAMY วัดเวลา ไม่ใช่รายได้ เราเลือกแสดงช่องว่างมากกว่าปิดบังไว้ เอเจนซีที่จะไปได้ดีต่อจากนี้คือเอเจนซีที่เผยแพร่วิธีการควบคู่กับความสำเร็จ เพราะนั่นเป็นกรณีศึกษาประเภทเดียวที่ผู้อำนวยการฝ่ายการเงินของลูกค้าผู้ช่างสงสัยจะยอมอ่านซ้ำสองรอบ