โดย ทีมงาน Experience Cloud ของอะโดบี
ปี 2563 อแมนด้า ผู้อำนวยการฝ่ายการตลาด กำลังเฝ้ามองการเปิดตัวสองแคมเปญที่สำคัญอย่างยิ่งต่อความสำเร็จของเธอ และอาจเป็นแรงผลักดันให้เธอก้าวขึ้นสู่ตำแหน่งรองประธานบริษัทได้ตามที่หวังไว้ ถ้าหากเธอสามารถกระตุ้นการเติบโตของยอดขายและสินค้าคงคลังอย่างต่อเนื่อง ควบคู่ไปกับการเปิดตัวรองเท้าวิ่งรุ่นใหม่ อนาคตของเธอก็จะสดใสอย่างแน่นอน นี่เป็นการเปิดตัวแคมเปญครั้งสำคัญที่จะช่วยตอกย้ำความเป็นผู้นำตลาดของบริษัท รวมทั้งขยายไปสู่เซ็กเมนต์ใหม่ๆ ที่กำลังเติบโต ซึ่งจะทดแทนเซ็กเมนต์เก่าที่อยู่ในช่วงขาลง ในช่วงจุดเปลี่ยนที่สำคัญนี้ อแมนด้ารู้ว่าเธอจำเป็นต้องใช้เทคโนโลยีที่ดีที่สุด
ปัจจุบัน ปัญญาประดิษฐ์ (Artificial Intelligence – AI) และระบบวิเคราะห์ข้อมูล (Analytics) ทำงานร่วมกันได้อย่างมีประสิทธิภาพ แต่ในช่วงไม่กี่ปีที่ผ่านมา ระบบวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วย AI จะช่วยให้คุณสร้างและนำเสนอสิ่งต่างๆ ตามกลยุทธ์ที่สำคัญที่สุด เช่นเดียวกับกรณีของอแมนด้า ความสำเร็จของคุณขึ้นอยู่กับความสามารถในการทุ่มเทความพยายามและทรัพยากรต่างๆ ให้กับส่วนที่สำคัญ และด้วยระบบวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วย AI คุณและทีมงานของคุณจะสามารถเดินหน้าโครงการริเริ่มที่มีความสำคัญอย่างแท้จริง แทนที่จะต้องวุ่นอยู่กับการอ่านรายงานจำนวนมาก
ระบบวิเคราะห์ข้อมูลเบื้องต้นจะรายงานสิ่งที่เกิดขึ้นและช่วยให้คุณตรวจสอบหาสาเหตุ แต่ภายใต้สถานการณ์ที่ซับซ้อนในปัจจุบัน คุณจำเป็นที่จะต้องทำมากกว่านั้น กล่าวคือ คุณจะต้องสามารถบริหารจัดการข้อมูลจำนวนมหาศาลที่ลูกค้าสร้างขึ้นระหว่างที่ลูกค้าติดต่อสื่อสารผ่านช่องทางและอุปกรณ์ต่างๆ และจากนั้นคุณจะต้องสำรวจตรวจสอบและใช้ข้อมูลดังกล่าวเพื่อสร้างสรรค์ประสบการณ์ที่น่าประทับใจผ่านทุกช่องทางการติดต่อ เพื่อมอบความพึงพอใจให้แก่ลูกค้า และให้บริการได้อย่างดีเยี่ยมเกินความคาดหวังสูงสุดของลูกค้า
เครื่องมือวิเคราะห์ข้อมูลที่เพียงแค่สรุปและรายงานว่ามีอะไรเกิดขึ้นบ้างนับเป็นเครื่องมือที่มีประโยชน์ แต่รายงานเหล่านี้เพียงแค่ตอบคำถามที่คุณรู้อยู่แล้วว่าควรจะถาม ที่จริงแล้ว ท่ามกลางข้อมูลจำนวนมหาศาล มีข้อมูลเชิงลึกมากมายที่คุณไม่รู้ว่ามีอยู่ และเพื่อที่จะเข้าถึงข้อมูลเชิงลึกดังกล่าว คุณจำเป็นที่จะต้องใช้เทคโนโลยี AI และเทคโนโลยีการเรียนรู้ของเครื่อง (Machine Learning)
การดำเนินการคือเป้าหมายหลัก การวิเคราะห์และการกลั่นกรองข้อมูลเชิงลึกเป็นเพียงวิธีการที่นำไปสู่เป้าหมาย ไม่ใช่เป้าหมายในตัวเอง เทคโนโลยี AI และ Machine Learning จะช่วยระบุการดำเนินการที่ดีที่สุด และคุณสามารถตัดสินใจเกี่ยวกับสถานการณ์ที่คุณต้องการดำเนินกระบวนการทางธุรกิจโดยอัตโนมัติ เทคโนโลยีดังกล่าวช่วยเพิ่มความสะดวก ยกระดับ และขยายขอบเขตงานของคุณ และแบ่งเบาภาระงานที่ตึงเครียดและน่าเบื่อ และถ้าหากดำเนินการอย่างเหมาะสม ข้อมูลเชิงลึกเหล่านี้จะช่วยเสริมศักยภาพให้แก่ทุกคนในบริษัท ไม่ใช่แค่ผู้เชี่ยวชาญเพียงไม่กี่คน ด้วยเหตุผลที่กล่าวมา ผู้บริหารเกือบ 85 เปอร์เซ็นต์เชื่อว่า AI จะช่วยให้บริษัทของตนได้รับหรือรักษาความได้เปรียบด้านการแข่งขัน ตามผลการศึกษาของ MIT Sloan
บทบาทของ AI ในระบบวิเคราะห์ข้อมูล
หากปราศจาก AI ระบบวิเคราะห์ข้อมูลจะเป็นเครื่องมือที่ใช้ทำความเข้าใจเกี่ยวกับสิ่งที่เกิดขึ้น โดยอ้างอิงจากข้อมูลที่คุณเลือกและคำถามที่คุณได้จัดเตรียมคำตอบเอาไว้ โดยคุณจะต้องใช้ความพยายามอย่างมากในการสร้างรายงานและแดชบอร์ดและนำไปใช้งานอย่างเหมาะสม คุณศึกษาข้อมูลเพื่อค้นหาปัญหา วิธีแก้ไข โอกาส ความเสี่ยง และตรวจสอบว่าทุกอย่างถูกต้อง รวมทั้งเพื่อให้เข้าใจเกี่ยวกับสิ่งที่เปลี่ยนไป อัตราการเปลี่ยนแปลง และผลกระทบที่ตามมา คุณจะไม่พบสิ่งที่คุณไม่รู้ว่าตัวเองไม่รู้ เพราะแดชบอร์ดของคุณรายงานแต่เฉพาะสิ่งที่กำหนดไว้
คุณอาจต้องตรวจสอบรายงานต่างๆ เป็นเวลาหลายเดือน ก่อนที่คุณจะมองเห็นเหตุการณ์ที่มีความสำคัญอย่างแท้จริง หรือคุณอาจมองเห็นเหตุการณ์สำคัญ และใช้เวลาหลายชั่วโมง หลายวัน หรือหลายสัปดาห์ เพื่อที่จะระบุว่ามีอะไรเกิดขึ้นกันแน่ หรือควรจะตอบสนองต่อเหตุการณ์นั้นอย่างไร การทำความเข้าใจว่าเพราะเหตุใดบางสิ่งจึงมีความสำคัญถือเป็นเรื่องจำเป็นมากพอๆ กับการรับรู้ว่ามีสิ่งนั้นเกิดขึ้น
ตัวอย่างเช่น เครื่องมือวิเคราะห์ข้อมูลขั้นพื้นฐานอาจส่งข้อความแจ้งเตือนให้แก่คุณเมื่อเกิดเหตุการณ์บางอย่าง เช่น จำนวนการเข้าใช้ระบบออนไลน์แบงค์กิ้งต่อชั่วโมงลดลงต่ำกว่าค่ามาตรฐานที่คุณกำหนดไว้ ด้วยเหตุนี้ คุณจึงได้รับการแจ้งเตือนจำนวนมากในวันอาทิตย์ วันหยุด หรือวันอาทิตย์ที่มีการแข่งขันซูเปอร์โบวล์ ซึ่งเป็นช่วงเวลาที่คนไม่ค่อยสนใจที่จะทำธุรกรรมทางธนาคาร กรณีเช่นนี้ส่งผลให้คุณเพิกเฉยต่อการแจ้งเตือนดังกล่าว และแล้วปัญหาก็เกิดขึ้นเมื่อมีบางสิ่งที่ร้ายแรงเกิดขึ้น แต่คุณกลับละเลยไม่ยอมเข้าไปตรวจสอบ อย่างไรก็ดี ด้วยเทคโนโลยี Machine Learning เครื่องมือวิเคราะห์ข้อมูลของคุณจะรับรู้ถึงแบบแผนของกิจกรรม และแจ้งเตือนคุณเฉพาะในกรณีที่มีสิ่งผิดปกติเกิดขึ้น
อีกตัวอย่างหนึ่งก็คือ ในฐานะนักการตลาด คุณต้องใช้ความรู้ในการคาดเดาวิธีการตอบสนองต่อเหตุการณ์ที่คุณแทบจะไม่รู้ข้อมูล เช่น คุณสังเกตว่าผู้ใช้ในแคลิฟอร์เนียมาที่เว็บไซต์ของคุณจากเฟซบุ๊กเพื่อดูรองเท้าวิ่งรุ่นท็อป คุณอาจสันนิษฐานว่าควรจะแสดงรองเท้าวิ่งรุ่นนั้นให้แก่ผู้ใช้ในแคลิฟอร์เนียทุกคนที่ลิงค์มาจากเฟซบุ๊ก แต่แน่นอนว่ายังมีปัจจัยอื่นๆ อีกมากมายที่นำไปสู่การดำเนินการดังกล่าว และในความเป็นจริงแล้ว ปัจจัยในส่วนของเฟซบุ๊กอาจจะไม่เกี่ยวข้องเลยก็ได้ เทคโนโลยี Machine Learning ระบุแบบแผนที่ซับซ้อนของพฤติกรรมต่างๆ ของผู้เยี่ยมชมทุกคน และคาดการณ์ว่าเนื้อหาใดจะเหมาะสมและมีประสิทธิภาพมากที่สุด ไม่ว่าจะเป็นข้อมูลรองเท้าวิ่ง หรือรีวิวเกี่ยวกับอุปกรณ์ที่ใช้ในการวิ่งออกกำลังกาย
ตัวอย่างเหล่านี้แสดงให้เห็นว่า เทคโนโลยี Machine Learning และ AI เมื่อใช้งานร่วมกับระบบวิเคราะห์ข้อมูล จะช่วยให้นักการตลาดบรรลุเป้าหมายสูงสุด โดยผลการศึกษาของบริษัทที่ปรึกษา Capgemini ระบุว่า สามในสี่ขององค์กรที่ปรับใช้เทคโนโลยี AI และ Machine Learning สามารถเพิ่มยอดขายสินค้าและบริการใหม่ๆ ได้กว่า 10 เปอร์เซ็นต์เลยทีเดียว
AI ก่อให้เกิดประโยชน์แก่ส่วนงานต่างๆ ทั่วทั้งองค์กร
การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics)
คริสโตเฟอร์ ผู้จัดการฝ่ายผลิตภัณฑ์ในทีมงานของอแมนด้า ซึ่งมีหน้าที่ดูแลรับผิดชอบการเปิดตัวครั้งนี้ โฟกัสที่การตอบรับของตลาด เขาอยากให้นักวิ่งชั้นนำทุกคนในโลกใช้รองเท้าของบริษัท ดังนั้นเขาจึงมุ่งเน้นการทำความเข้าใจเกี่ยวกับตลาดเป้าหมายสำหรับรองเท้าดังกล่าว ในรายงานของเขา คริสโตเฟอร์มองเห็นลักษณะของแต่ละเซ็กเมนต์ตามที่ระบุโดยระบบวิเคราะห์ข้อมูล รวมถึงส่วนที่ซ้อนทับกันของเซ็กเมนต์ต่างๆ นอกจากนี้ เขายังสามารถตรวจสอบเซ็กเมนต์ที่ใกล้เคียงกับกลุ่มเป้าหมายในปัจจุบันของเขา และขยายขอบเขตการดำเนินการอย่างรวดเร็ว เพื่อเพิ่มความเป็นไปได้ในการบรรลุเป้าหมาย
การวิเคราะห์ข้อมูลแบบพื้นฐานเป็นฟังก์ชั่นการทำงานเบื้องต้นของระบบวิเคราะห์ข้อมูล โดยเป็นการสรุปและรายงานสิ่งที่เกิดขึ้น เช่น การคลิกผ่าน และรายได้ต่อผู้เยี่ยมชม ข้อมูลนี้ช่วยให้นักการตลาดรับทราบเกี่ยวกับบริบทในอดีต และพร้อมที่จะถามคำถามโดยอ้างอิงจากพฤติกรรมในอดีตของลูกค้า ตัวอย่างเช่น ในกรณีของคริสโตเฟอร์ เขาสามารถใช้การวิเคราะห์ข้อมูลแบบพื้นฐานเพื่อเจาะลึกเซ็กเมนต์ต่างๆ และรับทราบเกี่ยวกับพฤติกรรมทั้งหมด รวมถึงช่องทางการตลาดที่กระตุ้นให้ลูกค้าซื้อสินค้าในอดีตที่ผ่านมา และเขาก็จะสามารถคาดเดาได้อย่างเหมาะสมเกี่ยวกับวิธีการดึงดูดลูกค้ากลุ่มเป้าหมายดังกล่าวในอนาคต
ผู้ใช้ระบบวิเคราะห์ข้อมูลทุกคนเริ่มต้นด้วยการใช้การวิเคราะห์ข้อมูลแบบพื้นฐาน ซึ่งอาจนำไปสู่ข้อมูลเชิงลึกที่มีประโยชน์ แต่มักจะถูกจำกัดด้วยจินตนาการของบุคคลที่ใช้งาน เนื่องจากนักวิเคราะห์หรือนักการตลาดสามารถประเมินได้เฉพาะข้อมูลที่อยู่ตรงหน้าเท่านั้น จึงสามารถค้นหาได้เพียงแค่คำตอบสำหรับคำถามที่มุ่งเน้นชุดข้อมูลตามที่จำกัดไว้เท่านั้น
การวิเคราะห์ข้อมูลแบบวินิจฉัย (Diagnostic Analytics)
แมตต์ขึ้นตรงต่ออแมนด้า และมีหน้าที่บริหารจัดการทีมงานฝ่ายสินค้าคงคลัง เขาไม่ได้ดูแลการเปิดตัวสินค้าโดยตรง แต่ความสำเร็จของแมตต์จะช่วยให้บริษัทเปิดดำเนินงานและให้บริการแก่ลูกค้าได้อย่างต่อเนื่อง ตอนนี้เขามุ่งเน้นการเคลียร์สินค้าในสต็อกจากซีซั่นที่แล้ว เพื่อรองรับกลุ่มผลิตภัณฑ์รองเท้ารุ่นใหม่ เขาได้รับทราบข่าวที่น่าประหลาดใจเกี่ยวกับการที่ลูกค้าจำนวนมากคลิกเลือกรองเท้ารุ่นเก่าที่เขาต้องการเคลียร์ออกจากสต็อก แต่จากนั้นลูกค้ากลับยกเลิกการซื้อ แมตต์เปรียบเทียบข้อมูลการยกเลิกการซื้อดังกล่าวกับเซ็กเมนต์ของลูกค้าที่ทำการซื้อจนเสร็จสิ้น และพบว่าคนที่ซื้อรองเท้าดังกล่าวเลือกซื้อสินค้าชิ้นเล็กกว่าด้วยเช่นกัน แล้วเขาก็เข้าใจที่มาที่ไปได้ในทันที กล่าวคือ ราคาของรองเท้าดังกล่าวขาดไปอีก 3 เซ็นต์จึงจะได้รับบริการจัดส่งฟรี แมตต์รีบตรวจสอบผลกระทบของข้อเสนอบริการจัดส่งฟรีที่มีต่อคำสั่งซื้อ รายได้ และต้นทุนการส่งมอบ แล้วเขาก็ลงมือดำเนินการด้วยความมั่นใจ เพราะเป็นที่ชัดเจนแล้วว่าข้อเสนอบริการจัดส่งฟรีจะช่วยให้เขาบรรลุเป้าหมายในการเคลียร์สินค้าในสต็อก ก่อนที่จะมีการเปิดตัวผลิตภัณฑ์รุ่นใหม่
ถ้าหากการวิเคราะห์ข้อมูลแบบพื้นฐานรองรับการคาดเดาโดยอาศัยข้อมูลและการตั้งคำถามที่เหมาะสม การวิเคราะห์ข้อมูลแบบวินิจฉัยจะเป็นการเจาะลึกและกรองข้อมูลวิเคราะห์พื้นฐานดังกล่าว เพื่อค้นหาสาเหตุและลักษณะของสิ่งที่เกิดขึ้น เกือบทุกคนที่ใช้การวิเคราะห์ข้อมูลแบบพื้นฐานจะต้องตั้งคำถามว่า “เพราะเหตุใดจึงเกิดเหตุการณ์นี้?” และใช้การวิเคราะห์ข้อมูลแบบวินิจฉัยเพื่อสำรวจตรวจสอบด้วยการเปรียบเทียบชุดข้อมูลต่างๆ คำถามที่ว่า “ทำไมยอดรายได้ต่อผู้เยี่ยมชมถึงต่ำขนาดนี้ในช่วงสัปดาห์นี้?” ย่อมจะนำไปสู่คำถามที่ว่า “ยอดรายได้ต่ำสำหรับทุกคนหรือเปล่า หรือว่าเพียงแค่บางกลุ่ม?” ซึ่งจะนำไปสู่คำถามที่ว่า “ยอดรายได้ต่ำตลอดทั้งสัปดาห์หรือแค่บางวัน?” และ “สถานการณ์นี้ดีขึ้นหรือว่าแย่ลง?”
กระบวนการวินิจฉัยนี้มีความสำคัญอย่างมากต่อธุรกิจ แต่ก็มีข้อจำกัดด้วยเช่นกัน ขณะที่ข้อมูลที่ได้รับมีปริมาณเพิ่มขึ้นอย่างต่อเนื่อง และปัจจัยที่ส่งผลกระทบต่อพฤติกรรมของลูกค้ามีจำนวนเพิ่มมากขึ้นเช่นกัน แต่พลังของการวิเคราะห์ข้อมูลแบบวินิจฉัยกลับถูกจำกัดอยู่ที่สถานการณ์และความผิดปกติที่เฉพาะเจาะจง ส่งผลให้มีประเด็นเกี่ยวกับข้อมูลอีกมากมายที่ยังไม่มีการตั้งคำถามและไม่มีการค้นหาคำตอบ
การวิเคราะห์ข้อมูลแบบพยากรณ์ (Predictive Analytics)
อแมนด้าพึ่งพาแดชบอร์ดด้านการตลาด ซึ่งแสดงให้เห็นว่ายอดขายอยู่ในทิศทางที่เหมาะสมสำหรับการบรรลุเป้าหมายหรือไม่ โดยอ้างอิงข้อมูลพยากรณ์จากระบบวิเคราะห์ข้อมูลตามแบบแผนที่ตรวจพบ สิ่งต่างๆ อาจคลาดเคลื่อนไปเล็กน้อยจากที่เธอคาดหวังไว้ แต่ด้วยข้อมูลเชิงลึกที่ปรากฏในแดชบอร์ด อแมนด้าสามารถทำการเปลี่ยนแปลงสำคัญๆ ในลักษณะเชิงรุกให้กับแคมเปญ ซึ่งจะช่วยให้ทุกสิ่งทุกอย่างกลับเข้ารูปเข้ารอย
อแมนด้าพูดกับทีมงานระหว่างการประชุมผู้บริหารว่า “ดิฉันสามารถทุ่มเทให้กับส่วนสำคัญๆ ได้อย่างเต็มที่ เพราะแดชบอร์ดรายงานถึงสิ่งที่จะเกิดขึ้นในอนาคต ไม่ใช่เพียงแค่สิ่งที่เกิดขึ้นแล้วในอดีต”ดิฉันรับทราบข้อมูลที่ชัดเจนเกี่ยวกับการดำเนินการที่จำเป็น”
การวิเคราะห์ข้อมูลแบบพยากรณ์ใช้เทคโนโลยี Machine Learning และ AI รูปแบบอื่นๆ เพื่อแก้ไขข้อจำกัดเรื่องขอบเขต เทคโนโลยีเหล่านี้สามารถระบุแบบแผน จับคู่เหตุการณ์กับแบบแผน และพยากรณ์เหตุการณ์ที่มีแนวโน้มว่าจะเกิดขึ้นมากที่สุด ตัวอย่างเช่น เมื่อพิจารณาจากการตอบรับของลูกค้าต่อแคมเปญ ระบบวิเคราะห์ข้อมูลแบบพยากรณ์จะระบุเซ็กเมนต์ที่ตอบสนองในลักษณะใกล้เคียงกัน และก่อให้เกิดผลลัพธ์แบบเดียวกัน และจะระบุคุณลักษณะสำคัญของกลุ่มเหล่านั้นซึ่งใช้ในการกำหนดเซ็กเมนต์ เช่น การซื้อสินค้าในอดีต หรือจำนวนการซื้อ หรือภูมิภาค จากนั้นระบบจะ “รับรู้” ถึงผู้เยี่ยมชมที่ตรงกับเซ็กเมนต์ดังกล่าว และคาดการณ์ผลลัพธ์ที่จะเกิดขึ้นกับผู้เยี่ยมชมรายนั้นๆ
ผลการศึกษาของ Narrative Science ระบุว่า หนึ่งในสี่ขององค์กรกำลังใช้ระบบวิเคราะห์ข้อมูลแบบพยากรณ์ และผลการศึกษาเดียวกันนี้ชี้ว่า 61 เปอร์เซ็นต์ได้ปรับใช้เทคโนโลยีปัญญาประดิษฐ์ โดยคาดหวังว่าจะได้รับคุณประโยชน์ทางธุรกิจที่สำคัญ 4 ข้อ ได้แก่ การระบุโอกาสทางธุรกิจ การสร้างระบบงานอัตโนมัติสำหรับงานที่ทำซ้ำๆ การปรับปรุงประสิทธิภาพของบุคลากร และการแข่งขันกับองค์กรอื่นๆ
การวิเคราะห์ข้อมูลแบบให้คำแนะนำ (Prescriptive Analytics)
แอชลีย์ ผู้เชี่ยวชาญด้านการค้า กำลังจัดเตรียมกลยุทธ์เพื่อให้บรรลุเป้าหมายมูลค่าคำสั่งซื้อโดยเฉลี่ย เธอพึ่งพาความสามารถด้านการวิเคราะห์แบบแผนของแพลตฟอร์มระบบวิเคราะห์ข้อมูล เพื่อแนะนำชุดผลิตภัณฑ์ต่างๆ ให้แก่กลุ่มเป้าหมายที่มียอดสั่งซื้อสูงสุด ชุดผลิตภัณฑ์ที่นำเสนอมีลักษณะแตกต่างกัน เช่น อุปกรณ์เสริมสำหรับพกพาขวดน้ำสำหรับนักวิ่งในแถบทะเลทราย กางเกงวิ่งขาสั้นสำหรับลูกค้าแถบชายฝั่งตะวันออก กางเกงยีนส์รัดรูปสำหรับลูกค้าที่ชอบซื้อสินค้าแฟชั่น แอชลีย์สังเกตเห็นว่าชุดผลิตภัณฑ์จำนวนมากที่แนะนำประกอบด้วยสินค้า 3 อย่างที่เหมือนกัน ซึ่งปัจจุบันอยู่ระหว่างการลดราคาพิเศษเพื่อเคลียร์สต็อก แอชลีย์จึงเรียกประชุมด่วนร่วมกับแมตต์ เพื่อให้เก็บสินค้าดังกล่าวไว้ขายในช่วงเปิดตัวสินค้าใหม่ ซึ่งจะช่วยเพิ่มส่วนต่างกำไรให้กับบริษัทได้อีกทางหนึ่ง
การวิเคราะห์ข้อมูลแบบให้คำแนะนำใช้การพยากรณ์เพื่อแนะนำการดำเนินการที่เหมาะสมที่สุด ตัวอย่างเช่น ระบบตรวจพบเซ็กเมนต์ที่ตอบสนองต่อแคมเปญที่เฉพาะเจาะจงด้วยการใส่สินค้าไว้ในรถเข็นสินค้า แต่ไม่ได้คลิกซื้อ ระบบวิเคราะห์ข้อมูลแบบให้คำแนะนำจะเสนอวิธีที่เหมาะสมที่สุดในการกระตุ้นให้ผู้เยี่ยมชมเหล่านี้ตัดสินใจซื้อสินค้า และในบางกรณี ระบบอาจดำเนินการกระตุ้นโดยอัตโนมัติในแบบเรียลไทม์ และในกรณีอื่นๆ นักการตลาดอาจต้องการศึกษาและพิจารณามาตรการก่อนที่จะดำเนินการ
เกี่ยวกับอะโดบี
อะโดบีเปลี่ยนโลกผ่านประสบการณ์ด้านดิจิตอล รายละเอียดเพิ่มเติม www.adobe.com/sea
ติดตามอะโดบีผ่านเฟสบุ๊กที่ https://www.facebook.com/AdobeSEA/
