ในช่วงหลายปีที่ผ่านมา 1% Lookalike กลายเป็นหนึ่งในเครื่องมือที่นักการตลาดจำนวนมากคุ้นเคย เพราะให้ความรู้สึกว่าเป็นวิธีเข้าถึง “คนที่น่าจะใช่” ได้อย่างมีประสิทธิภาพ โดยอาศัยแพลตฟอร์มเรียนรู้จากกลุ่มต้นแบบแล้วขยายไปหาคนที่มีลักษณะใกล้เคียงกัน
แนวคิดนี้ไม่ผิด แต่สิ่งที่มักถูกเข้าใจคลาดเคลื่อนคือ การมี audience ที่ “คล้าย” ไม่ได้หมายความว่าองค์กรกำลังเข้าถึงกลุ่มที่ “มีคุณค่าทางธุรกิจ” มากพอเสมอไป
ในทางปฏิบัติ ปัญหาของหลายแคมเปญไม่ได้เกิดจากระบบโฆษณาหาคนไม่เก่ง แต่เกิดจาก ต้นทางของ audience ที่ยังไม่ถูกออกแบบอย่างมีกลยุทธ์
1) ความเข้าใจผิดที่พบบ่อย: ยิ่งแคบ ยิ่งแม่น
หลายทีมมักเชื่อว่า 1% คือกลุ่มที่แม่นที่สุด เพราะมีความคล้ายกับต้นแบบมากที่สุด แต่ความแม่นนั้นขึ้นอยู่กับว่าต้นแบบที่ป้อนให้ระบบคือใคร
ถ้ารายชื่อต้นทางมาจากคนที่เคยกรอกแบบฟอร์มทั้งหมด
คนที่เคยคลิกโฆษณา
หรือกลุ่มที่มี engagement ระดับต้น
ระบบก็จะหาคนที่คล้ายกับพฤติกรรมแบบนั้น
ผลคือแคมเปญอาจได้คนที่ “สนใจ” มากขึ้น แต่ไม่ได้แปลว่าจะได้คนที่ “เหมาะจะเป็นลูกค้า” มากขึ้นเสมอไป
นี่เป็นจุดที่ผู้บริหารจำนวนมากเริ่มเห็นความไม่สอดคล้องระหว่างตัวเลขใน dashboard กับคุณภาพของโอกาสที่เข้าสู่ฝ่ายขาย
- CPL อาจดูดี
- Reach อาจดูโต
- จำนวน lead อาจดูเพิ่ม
แต่ conversion quality, sales productivity และ confidence ใน marketing investment อาจไม่ได้ดีขึ้นตาม
2) สิ่งที่ธุรกิจควรถาม ไม่ใช่แค่ “จะยิงหาใคร” แต่คือ “เรากำลังสอนระบบด้วยใคร”
การใช้ 1% Lookalike ให้มีคุณภาพมากขึ้น ควรเริ่มจากการประเมิน seed audience อย่างจริงจัง เช่น
- รายชื่อต้นทางคือกลุ่มลูกค้าที่ซื้อจริง หรือเป็นเพียงกลุ่มผู้สนใจทั่วไป
- มีการแยกกลุ่มลูกค้าตามมูลค่า ความถี่ หรือคุณภาพการซื้อหรือไม่
- มีข้อมูลจาก CRM ที่บอกได้หรือไม่ว่ากลุ่มใดนำไปสู่ lead quality ที่ดีกว่า
- มีการแยกผู้มีอำนาจตัดสินใจออกจากกลุ่มที่มีแค่ engagement หรือไม่
- มีการ exclude กลุ่มที่ไม่ควรใช้งบซ้ำหรือยัง
เมื่อคำถามเหล่านี้ถูกนำมาใช้ก่อนเปิดแคมเปญ 1% Lookalike จะเริ่มเปลี่ยนบทบาทจากเครื่องมือหาคนคล้าย ไปเป็นเครื่องมือขยายโอกาสทางธุรกิจที่มีคุณภาพมากขึ้น
3) ทำไมเรื่องนี้จึงเป็นประเด็นระดับผู้บริหาร
Audience design ไม่ใช่เรื่องเทคนิคของ media team เท่านั้น แต่เป็นเรื่องของ business efficiency
หากองค์กรคัด audience ได้ไม่แม่นพอ ผลเสียจะเกิดเป็นลูกโซ่
- งบโฆษณาถูกใช้กับคนที่ไม่ใช่
- ทีมขายเสียเวลา follow up lead ที่ไม่ fit
- ฝ่ายบริหารมองว่า marketing scale ได้แต่ quality ไม่ตาม
- การตัดสินใจเพิ่มงบในอนาคตทำได้ยากขึ้น
ในทางกลับกัน หากองค์กรออกแบบ audience โดยใช้ข้อมูลที่สะท้อนคุณค่าทางธุรกิจจริง เช่น ลูกค้าที่ซื้อซ้ำ ลูกค้าที่มีมูลค่าสูง กลุ่มที่มีโอกาสปิดการขายสูง หรือกลุ่มที่ผ่านการคัดคุณภาพจากระบบขายแล้ว การใช้ 1% Lookalike จะมีความหมายมากขึ้นทันที
4) กลยุทธ์ที่ควรพิจารณาในการยกระดับ 1% Lookalike
4.1 เริ่มจากการปรับคุณภาพของฐานข้อมูลต้นทาง
ฐานข้อมูลที่ดีไม่ได้วัดจากขนาดอย่างเดียว แต่ต้องวัดจาก relevance และ business signal ด้วย
4.2 ทำ segmentation ให้ตอบโจทย์ธุรกิจ ไม่ใช่ตอบโจทย์แค่ media setup
เช่น แยกกลุ่มลูกค้าตาม value, purchase intent, lifecycle stage หรือ fit กับสินค้า/บริการ
4.3 เชื่อมมุมมองการตลาดกับมุมมองฝ่ายขาย
lead ที่ดีในเชิงแคมเปญ อาจยังไม่ใช่ lead ที่ดีในเชิงปิดการขาย
4.4 ใช้ platform AI อย่างมีกลยุทธ์ ไม่ใช่ปล่อยให้ AI แก้โจทย์แทนทั้งหมด
AI ทำงานได้ดีเมื่อองค์กรให้สัญญาณต้นทางที่ถูกต้อง
5) บทบาทของ RMG ในมุมนี้
RMG มอง audience strategy ในมุมที่เชื่อมระหว่าง marketing logic และ business logic
นั่นหมายความว่า การออกแบบกลุ่มเป้าหมายไม่ควรเริ่มจากคำถามว่า “จะยิงแอดอย่างไร” เพียงอย่างเดียว แต่ควรเริ่มจากคำถามว่า
- ธุรกิจกำลังต้องการ opportunity แบบไหน
- กลุ่มไหนมีแนวโน้มสร้างมูลค่ามากกว่า
- ข้อมูลใดสะท้อนความพร้อมซื้อหรือคุณภาพของลูกค้าได้จริง
- และจะใช้ข้อมูลเหล่านั้นออกแบบ audience ให้มีประสิทธิภาพได้อย่างไร
ในบริบทนี้ RMG Database, RMG Subscription และ RMG Target Audience สามารถช่วยเป็นฐานในการคิดเชิงกลยุทธ์มากขึ้น ไม่ว่าจะเป็นการมองหากลุ่มเป้าหมายที่มีความเกี่ยวข้องเชิงธุรกิจ การวาง segmentation ให้เหมาะกับวัตถุประสงค์ หรือการใช้ข้อมูลเพื่อสนับสนุนการสื่อสารกับกลุ่มที่ใช่มากกว่าเดิม
หากองค์กรของคุณกำลังตั้งคำถามว่า
- ทำไม reach เพิ่ม แต่ quality ไม่ตาม
- ทำไมแคมเปญดูดี แต่ฝ่ายขายยังไม่มั่นใจ
- หรือควรใช้ฐานข้อมูลอย่างไรให้ช่วยให้ 1% Lookalike ทำงานได้คมขึ้น
สอบถามเพิ่มเติมได้ที่
Phone: 02 291-8445
Email: [email protected]
Line OA: @rmgthailand
