AI in Marketing : 10 Use Cases ที่น่าสนใจในการใช้ AI กับการตลาด

ไม่นานมานี้ เราอาจจะมอง AI เป็นแค่นวนิยาย SCI-FI ที่ไม่น่าจะเกิดขึ้นจริงกับโลกเราได้ในเร็ววัน แต่ด้วยการเติบโตอย่างรวดเร็วของเทคโนโลยีด้าน AI นั้นในปัจจุบัน เรื่องที่คิดว่าเป็นแค่ในนิยาย อย่างรถขับเองได้แบบอัติโนมัตินั้น เราก็เริ่มได้เห็นในชีวิตจริง ๆ กันแล้ว  ซึ่งในยุคปัจจุบันนั้น AI เริ่มเข้ามาอยู่รอบตัวเราแล้วผ่าน service ต่าง ๆ ที่เราใช้อยู่โดยรู้ตัวหรืออาจจะไม่รู้ตัวบ้าง และ AI กำลังมีบทบาทกับตัวเรามากขึ้นเรื่อย ๆ

หลาย ๆ การสำรวจจากเมืองนอกนั้นพบว่าเกินกว่าครึ่งจากผลสำรวจนั้นใช้เทคโนโลยีที่เกี่ยวข้องกับ AI ในชีวิตประจำวันอยู่แล้ว แต่พวกเขายังไม่ทราบว่านั่นคือ AI ที่พวกเขากำลังใช้งานอยู่ เนื่องจากเทคโนโลยีด้นา AI นั้นกำลังพัฒนาขึ้นเรื่อย ๆ เพื่อช่วยเหลือมนุษย์ให้สามารถดำเนินชีวิตได้อย่างสะดวกสบายมากยิ่งขึ้น ผ่านการทำงานแบบอัติโนมัติของระบบ AI ทำให้หลาย ๆ คนใช้มันไปโดยไม่รู้ตัว

สำหรับบทบาทของ AI ในแวดวงการตลาดนั้น ต้องบอกว่ามีการใช้งานอยู่แล้วในปัจจุบันในหลาย ๆ กรณี ตั้งแต่การจัดเนื้อหาในระบบ internet , การทำ SEO หรือแม้กระทั่ง การใช้ email marketing นั้นก็มีส่วนที่ใช้ AI ในการทำงาน ซึ่งหลากหลายเครื่องมือเหล่านี้นั้น ก็ใช้งานได้ประสิทธิภาพที่แตกต่างกันออกไป

ไม่ใช่เพียงแค่ทำให้เหล่านักการตลาดโดยเฉพาะ online นั้นสามารถทำงานได้ง่ายขึ้นเท่านั้น แต่ยังทำให้มีประสิทธิภาพในการทำงานเพิ่มขึ้นอีกด้วย โดยผ่านการโดยใช้เทคโนโลยีมาช่วยปรับปรุงประสิทธิภาพต่าง ๆ  และไม่เพียงแค่ทำให้ธุรกิจต่าง ๆ ได้ผลลัพธ์ที่ดีขึ้นเท่านั้น แต่ทำให้เหล่านักการตลาดมีเวลามากขึ้นที่จะทำการวิเคราะห์ วางแผน ที่เกี่ยวข้องกับการตลาดให้มีประสิทธิภาพมากยิ่งขึ้น ซึ่งในปัจจุบันนั้นแบรนด์ หลาย ๆ แบรนด์นั้นได้คิดนำใช้ AI มาช่วยในเรื่องการตลาดอยู่บ้างแล้ว

10 Marketing Use Cases for AI

1.Website Design 

AI นั้นสามารถที่จะช่วยนักการตลาดได้ในหลาย ๆ รูปแบบ ซึ่งอาจเริ่มตั้งแต่ process ต้น ๆ ของการวางแผนการตลาด เช่น การสร้าง Website

อาจจะสงสัยกันว่า AI มาช่วยในการสร้าง Website ยังไง มาดูตัวอย่างของ The Grid  ที่ใช้ AI ชื่อว่า Molly  ในการ design websites  และ ยังมี platform “she” ที่สามารถทำงานได้ในรูปแบบเดียวกันคือเป็นการ design website ด้วย AI ซึ่งถ้าเทียบกับการสร้าง Website จริง ๆ นั้นเราต้องมีการจ้าง team developer หรือ Software Engineer ในการสร้าง website ซึ่งอาจจะใช้ค่าใช้จ่ายที่สูงมากรวมถึงค่าดูแลรักษาที่ต้องจ่ายรายปีให้เหล่า Engineer เหล่านี้อีก แต่  The Grid นั้นสามารถ start ด้วย budget เพียง 100$ ต่อปีเท่านั้นสำหรับ 1 website

2.Content Creation

เหล่า content writers หลาย ๆ คนอาจจะคิดว่างานของพวกเค้านั้นปลอดภัยไม่น่าจะถูกแย่งงานจาก AI แน่ ๆ แต่ไม่ใช่แล้วในปัจจุบัน  ตัวอย่าง tools เช่น  Wordsmith หรือ Quill เป็น tools ที่ใช้ AI ในการช่วยเหลือในการ Create Content  โดยรูปแบบการสร้างนั้นจะเป็น template ซึ่งเราสามารถที่จะกำหนดข้อมูลที่เกี่ยวข้อง และ กำหนด keyword ที่ต้องการ ซึ่ง tools เหล่านีจะช่วย create content ซึ่งแทบดูไม่ออกว่า content เหล่านี้นั้นถูกเขียนขึ้นมาโดย AI

ซึ่งหลังจากนั้น นักการตลาดก็สามารถที่จะแก้ไขเนื้อหาที่ถูกสร้างขึ้นโดย AI โดยใช้ Hemingway App ซึ่งเป็น AI รูปแบบง่าย ๆ ที่จะช่วยปรับแต่งเรื่องบทความให้กระชับขึ้น  จะมีการ hilight ประโยคที่มีความซับซ้อนที่มีการสร้างจาก AI  และทำการแนะนำตัวเลือกประโยคอื่น ๆ ให้ใช้แทน เพื่อให้บทความมีความสมบูรณ์ถูกต้องมากยิ่งขึ้น ดังตัวอย่าง

ตัวอย่างการใช้ Hemingway App

ตัวอย่างการใช้ Hemingway App

3.Content Curation

เราได้เห็นการใช้ AI กับ Content Curation ตัวอย่างของ Netflix เมื่อคุณได้ดู Series ที่คุณประทับใจมาก ๆ และเมื่อดูจนจบนั้น ระบบของ Netflix ก็จะแนะนำ series เรื่องอื่น ๆ ที่คุณไม่ควรพลาดดูต่อไป ซึ่งนี่คือตัวอย่างของพลังของ AI ใน Content Curation

Brand อย่าง Netflix หรือ Amazon นั้นก็ไม่พลาดในการแนะนำผลิตภัณฑ์ของตนเองเพื่อสร้าง engagement ให้อยู่กับระบบตัวเองต่อไป เพื่อสร้างพลังในการดึงดูดให้ลูกค้านั้นสมัครสมาชิก หรือ ต่อสมาชิกของบริการของตัวเองต่อไป หรือใน AI ที่มีความซับซ้อนอย่าง IBM Watson นั้นก็มีความสามารถในลักษณะเดียวกันที่สามารถเรียนรู้พฤติกรรมของลูกค้า และสามารถแนะนำบริการ หรือ content ที่เหมาะสมให้กับลูกค้าแต่ละราย

Under Armour เป็น Brand หนึ่งที่ใช้ข้อมูลของ Watson ในการวิเคราะห์ข้อมูลลูกค้า แล้วนำมาปรับแต่ง message ที่จะทำการส่งต่อไปให้กับลูกค้า ส่วน San Francisco Museum of Modern Art ใช้บริการของ “artbot” ที่สามารถระบุชนิดของงานศิลปะรวมถึงตัวอย่างงานให้ลูกค้า ซึ่งลูกค้าสามารถที่จะส่งข้อมูลข้อความ Request ชนิดของงานศิลปะที่ต้องการได้

artbot ที่สามารถระบุชนิดของงานศิลปะรวม

4.Search

คงไม่มีใครที่ไม่รู้จัก google กับพลังการแห่งการ Search ของ google ซึ่งเบื้องหลังของงานด้านการ Search ของ google นั้น AI เป็นเบื้องหลังที่สำคัญที่สุดอย่างหนึ่งของประสิทธิภาพในการ Search ของ google ซึ่งได้เปลี่ยนแปลงวิธีการในการสร้างและ optimize content ของนักการตลาดทั่วโลก ซึ่งต้องปรับไปตาม Search Engine Optimizaion หรือ SEO และ Google’s RankBrain

นวัตกรรมใหม่ ๆ อย่าง Amazon Echo , Google Home , Apple’s Siri และ Microsoft Cortana นั้น ทำให้การ Search เป็นไปได้ง่ายยิ่งขึ้นไปอีกเพียงแค่กดปุ่มและสั่งงานด้วยเสียง ซึ่งเหล่านี้นั้นทำให้สื่อให้เห็นว่ารูปแบบของการ Search  นั้นก็อาจจะเปลี่ยนไปเช่นกัน แทนที่จะพิมพ์คำว่า “ร้านอาหารย่านสีลม” แล้วกดปุ่มค้นหา ผู้ใช้อาจจะสอบถามกับอุปกรณ์เหล่านี้เพียงว่า “คืนนี้ฉันควรไป dinner ที่ไหนดี”  แทน

สำหรับ RankBrain ของ Google นั้นใช้เทคนิคของ machine-learning ในการสร้างผลการค้นหาที่เกี่ยวข้องกัน ซึ่งพลังของ AI นั้น สามารถให้ผลการค้นหาที่ดีที่สุด ซึ่งขึ้นอยู่กับการตีความของรูปแบบภาษา เช่น เมื่อเรา search คำว่า “president” ด้วย google ในสหรัฐอเมริกา RankBrain นั้นจะตีความว่าเราต้องการข้อมูลเกี่ยวกับ ประธานาธิบดีคนปัจจุบัน ซึ่งจะแสดงข้อมูลที่เป็นส่วนบุคคลเท่านั้น

ซึ่งนักการตลาดก็ต้องปรับตัวให้เข้ากับ Algorithm เหล่านี้ ซึ่งอาจจะมีการเปลี่ยนแปลงอยู่ตลอดเวลา ขึ้นอยู่กับนโยบายของ google ซึ่งก็เนื่องมาจากการพัฒนาความสามารถขึ้นมาเรื่อย ๆ ของ AI นั่นเอง

5.Marketing Automation

หลาย ๆ แบรนด์เริ่มใช้พลังของ AI ในการปรับแต่ง marketing emails โดยใช้พื้นฐานของการวิเคราะห์พฤติกรรมของลูกค้า และเพิ่มการ engage กับ แบรนด์เพิ่มมากขึ้น และทำการเปลี่ยนจาก engagement ให้มาซื้อสินค้ากับแบรนด์

Tool อย่าง Boomtrain  นั้นทำให้แบรนด์สามารถที่จะส่งรูปแบบของ newsletters โดยอาศัยพฤติกรรมของลูกค้าโดยการใช้ AI ในการวิเคราะห์ เพื่อให้เหมาะสมกับลูกค้าแต่ละราย และทำให้เกิดการ interact กับแบรนด์ได้

ส่วนบริการ Online อย่าง Adore Me  นั้นใช้ Optimove‘s  ซึ่งเป็น AI ที่ช่วยในการแบ่งประเภทของลูกค้าเพื่อเพิ่มประสิทธิภาพให้กับการสมัครรับบริการของลูกค้าผ่านทาง membership pricing program ของ Adore Me ซึ่ง AI ตัวนีนั้นจะทำการปรับแต่ง Content ที่จะส่งให้ลูกค้าทาง Email , text message หรือ notification ผ่าน app ซึ่งการแบ่งกลุ่มของลูกค้าและทำการ contact กับลูกค้าผ่านทางบริการต่าง ๆ ตามที่ได้กล่าวข้างต้นนั้น ช่วยให้ Adore Me เพิ่มประสิทธิภาพในส่วนของ monthly recurring revenue (MRR) , average sales price (ASP) ซึ่งเป็นตัวชี้วัดที่สำคัญในประสิทธิภาพในการทำการตลาดผ่านเครื่องมือต่าง ๆ กับลูกค้า

ซึ่งเมื่อรูปแบบการทำตลาดแบบอัติโนมัติเหล่านี้สามารถทำโดยใช้ AI ได้แล้วนั้น ก็จะทำให้งานต่าง ๆ ของนักการตลาดลดน้อยลง และมีเวลาที่จะสามารถสร้าง target market ใหม่ ๆ เพื่อสร้างฐานลูกค้าเพิ่มได้

6.Social Media

ต้่องบอกว่าเป็นเรื่องที่น่ามหัศจรรย์ที่ social media ในปัจจุบันอย่าง facebook นั้นสามารถที่จะเชื่อมต่อผู้คนกว่าพันล้านคนเข้าด้วยกัน และมี share เรื่องราวระหว่างกัน ซึ่งเป็นระบบที่ทรงพลังอย่างมาก ซึ่งแน่นอนว่า social media นั้นได้ทำให้รูปแบการทำตลาดได้เปลี่ยนไปจากอดีต จากสื่อที่เป็น สื่อที่ mass อย่าง TV หรือ วิทยุ นั้นบัดนี้ ได้ลดอิทธิพลต่อผู้ชมลงไปแล้ว เนื่องจากคนรุ่นใหม่ ๆ หันไปเสพสื่อทาง social media กันหมด นักการตลาดทั้งหลายจึงต้องมีการปรับตัว ซึ่งแน่นอนว่า ผู้คนที่ลงโฆษณานั้นต้องการประโยชน์จากความนิยมของสื่อ social media

ซึ่ง Platform ใหญ่ ๆ อย่าง Facebook , Instragram หรือ Twitter นั้น user สามารถที่จะ hide ในส่วนของ ads ที่ user ไม่ถูกใจได้อย่างไม่ยากเย็น ซึ่งก็เพื่อเป็นข้อมูลให้เหล่า platform ต่าง ๆ เหล่านี้มาปรับปรุงรูปแบบการโฆษณาให้มีประสิทธิภาพมากยิ่งขึ้น สำหรับตัวอย่างข้างล่างจะแสดงว่าเราสามารถที่จะ hide ad จาก facebook ได้แค่เพียง 2 click

การ hide ads

การ hide ads

หากไม่ต้องการดู ads แบบดังกล่าว

หากไม่ต้องการดู ads แบบดังกล่าว

ซึ่ง Platform เหล่านี้นั้นต่างใช้ข้อมูล insights เพื่อทำการปรับปรุง การทำงานของ news feed ให้เหมาะกับ user แต่ละราย  และเป็นสิ่งที่เป็นประโยชน์กับผู้ลงโฆษณาด้วย เพราะไม่ต้องมานั่งเสียเงิน หรือ เสียเวลากับ user ที่ไม่ได้ชอบ brand หรือ service เหล่านั้น

Platform ใหญ่อย่าง Facebook นั้นใช้ AI ในการป้องกันไม่ให้ website ต่าง ๆ นั้นทำการ share เนื้อหาที่ให้ประสบการณ์ที่แย่กับผู้ใช้งาน และใช้ AI ในการ learning รูปแบบของ website ที่มีคุณภาพต่ำ เช่นพวก web clickbait หรือ เว๊บที่มีเนื้อหาเพียงน้อยนิด ซึ่งเป็นเหล่านี้ล้วนเป็น link ที่ไม่มีคุณภาพ และมีโอกาสสูงที่จะถูกลด traffic ลงใน News Feed

7.Images

เราอาจจะได้เห็น Features บางอย่างของ Snapchat  Social Media น้องใหม่มาแรงที่ใช้พลังของ AI image recognition เช่นการเปลี่ยนหน้าเราสลับหน้ากับสัตว์เลี้ยงของเรา ซึ่งล้วนมาจากพลังของ AI แทบทั้งสิ้น ซึ่ง Image นั้นก็ทำให้การสื่อสารทางการตลาดของ Brand ต่าง ๆ มีลูกเล่นเพิ่มมากขึ้น

Snapchat  กับการใช้ AI

Snapchat  กับการใช้ AI

แม้เราจะเห็นเป็น Features ที่ใช้งานง่าย ๆ แต่ ผ่านระบบการทำงานที่ซับซ้อนทาง Computer Algorithm ไม่ว่าจะเป็นการใช้ Neural Network ในการระบุรูปทรงบนใบหน้า รวมถึงใช้เทคโนโลยีของ AR หรือ Augmented Reality มาช่วยในการทำงาน ซึ่งช่วยให้ Brand ต่าง ๆ นั้นสามารถติดต่อกับกลุ่มลูกค้าของตนได้แบบ Specific มากยิ่งขึ้น เมื่อ user เหล่านี้ใช้เวลาอยู่บนโลก online หรือในโลกของ social media

8.Advertising

ถ้าคุณเป็นคนนึงที่ใช้บริการลงโฆษณาผ่าน GoogleAdWords นั้น ต้องบอกว่า คุณกำลังใช้งาน AI อยู่  ซึ่งรูปแบบของ automated bidding system ของ GooglAdWords นั้น นักการตลาดสามารถที่จะ bid ในราคาต่ำที่สุดเท่าที่จะเป็นไปได้ของราคา cost per click (CPC) ซึ่งทำให้สามารถที่จะได้ผลของ Ads ในการแสดงในหน้าผลค้นหาของ user ได้อย่างมีประสิทธิภาพมากยิ่งขึ้น

และในตอนนี้นั้น Adgorithms ที่พัฒนาจาก AI ซึ่งมีชื่อว่า  Albert สามารถที่จะรวบรวม Marketing Campaigns ผ่านช่องทางต่าง ๆ ไม่ว่าจะเป็น email , searh engine หรือ Social media โดยสามารถที่จะจัดการ bidding , management หรือ execution ads ให้กับทั้ง campaigns ได้ผ่านโปรแกรมเพียงแค่ตัวเดียว

ซึ่งเหล่านักการตลาด สามารถที่จะใช้ Albert ในการจัดการ campaigns โดยกำหนดกลุ่มเป้าหมาย ระบุ Geographic Area ได้ โดย Albert ซึ่งเป็น AI สามารถทำงานได้รวดเร็วกว่ามนุษย์ และสามารถที่จะวิเคราะห์รูปแบบที่เหมาะสมในการทำการตลาด เพื่อให้เกิดประสิทธิภาพมากยิ่งขึ้น

Harley-Davidson of NYC ได้เริ่มใช้ Albert และทำให้สามารถเพิ่มยอดขายได้ถึง 3 เท่าภายในสัปดาห์เดียวเท่านั้น ซึ่ง Albert นั้นสามารถทำยอดขายมอเตอร์ไซต์เพิ่มขึ้นได้ถึง 40% และเพิ่มยอดผู้เข้าชม website ได้ถึง 566% เลยทีเดียว

9.Chatbots

หลาย ๆ แบรนด์ เริ่มมีการสื่อสารกับลูกค้าโดยตรงโดยใช้ messenging apps เช่น WhatsApp , Facebook Messenger หรือ Line ซึ่ง messenging app เหล่านี้นั้นเริ่มเข้ามามีบทบาทกับลูกค้า ซึ่งลูกค้าโดยทั่วไปก็จะมีการสื่อสารกับเพื่อน หรือ เพื่อนร่วมงานผ่านทาง app เหล่านี้เป็นเรื่องปรกติอยู่แล้ว ซึ่งบางทีเหล่า Brand ทั้งหลายนั้นก็ต้องตอบคำถามหลาย ๆ คำถามซ้ำไปซ้ำมา และต้องคอย online ตลอดเวลาเพื่อคอยตอบปัญหาเหล่านี้ของลูกค้า

ซึ่ง Chatbots นั้นจะทำให้ process ที่ยุ่งยากและน่าเบื่อเหล่านี้ง่ายขึ้น ตัวอย่างเช่น GrowthBot  เป็น Chatbots ที่ใช้  AI ในการตอบปัญหาที่เดียวกับการขายอย่างมืออาชีพ ซึ่งสามารถที่จะทำงานเหล่านี้ได้แบบอัติโนมติ รวมถึงสามารถที่จะระบุคำถามในหลากหลายรูปแบบตามลักษณะของ Brand สามารถที่จะตอบคำถามเชิง Technical ได้อย่างรวดเร็ว โดยแทบไม่ต้องไปทำอะไรกับมัน

ตัวอย่างการใช้งาน chatbot

ตัวอย่างการใช้งาน chatbot

ตัวอย่างการใช้งาน chatbot

ตัวอย่างการใช้งาน chatbot

ซึ่ง Chatbots ที่มีความสามารถอย่าง GrowthBots นั้นได้ช่วยเหลือเหล่านักการตลาด หรือ นักขายในการวิเคราะห์ข้อมูล ที่เกี่ยวข้องกับอุตสาหกรรมเดียวกัน หรือสามารถที่จะช่วยวิเคราะห์คู่แข่ง ได้อย่างมีประสิทธิภาพมากขึ้นอีกด้วย

10.Sales Handoff

และในที่สุดแล้วนั้น เมื่อเหล่านักการตลาดได้ทำการสร้าง Content ที่เพิ่มโอกาสในการขายได้แล้วนั้น ก็ต้องมีการทำงานร่วมกับเหล่านักขาย ซึ่ง AI ก็สามารถมาช่วยในจุดนี้ได้

Conversica ได้ทำการสร้าง AI ที่ใช้ชื่อว่า “Angie”  ในการทำงานร่วมกัน บริษัท  CenturyLink ซึ่งเป็นหนึ่งในบริษัทยักษ์ใหญ่ทางด้านอุตสาหกรรมคมนาคม ซึ่ง บริษัท CenturyLink นั้นต้องการที่จะระบุ ถึง Marketing Campaign ไหนที่มีโอกาสที่จะเพิ่มยอดขายได้ดีที่สุด จากบรรดา Campaign นับพันที่เหล่านักการตลาดได้สร้างสรรค์ออกมา ซึ่งสามารถที่จะสื่อสารกับนักขาย โดยสามารถที่จะระบุได้ถึง 40 campaign ที่มีโอกาสสร้างยอดขายได้ในแต่ละสัปดาห์ ซึ่งเมื่อคำนวนออกมาแล้วนั้น เงินทุกดอลล่าร์ที่จ่ายให้ AI อย่าง “Angie” สามารถสร้างรายได้ถึง 20 ดอลล่าร์ ให้กับ CenturyLink เพราะ AI สามารถที่จะทำความเข้าใจกับ Email ที่ใช้ในการสื่อสารระหว่างเหล่านักขาย เพื่อมาวิเคราะห์ Campaign ต่าง ๆ ได้ดีกว่ามนุษย์ ซึ่งทำให้บริษัทสามารถที่จะลดเวลา และ ช่วยเพิ่มโอกาสในการขายใน platform ของตัวเองได้อย่างมีประสิทธิภาพมากยิ่งขึ้น

References : blog.hubspot.com , blog.firebrandtalent.com

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage :facebook.com/tharadhol.blog
Blockdit :blockdit.com/tharadhol.blog
Twitter :twitter.com/tharadhol
Instragram :instragram.com/tharadhol

Spotify’s Discover Weekly : Machine Learning ช่วยเลือกเพลงที่โดนใจเราได้อย่างไร

ในทุก ๆ วันนั้น ผู้ใช้กว่า 100 ล้านคนของ Spotify จะได้เจอ playlist ใหม่ ๆ อยู่ตลอดเวลา ซึ่ง อาจจะเป็นการ mix 30 เพลง ที่เราแทบไม่เคยได้ยินมาก่อนเลยก็ว่าได้ แต่คุณจะตกหลุมรักเพลงเหล่านั้น ซึ่ง Features นี้ก็คือ Discover Weekly แล้ว Spotify รู้ใจเราได้อย่างไร?

Spotify นั้นรู้รสนิยมในการฟังเพลงของลูกค้ามากกว่าบริการอื่นใด แต่ระบบเบื้องหลังการทำงานนั้น ทำอย่างไรล่ะ ที่จะคอยหาเพลงที่เราจะชอบมัน ในทุก ๆ สัปดาห์ ผ่าน Features Discover Weekly  ซึ่งเพลงเหล่านั้น เราแทบจะไม่เคยได้ฟังมาก่อน แต่มาโดนกับรสนิยมเราได้ ซึ่ง Spotify ที่มีการเติบโตอย่างรวดเร็วนั้น ปัจจัยสำคัญอย่างนึงก็คือ ระบบ Playlist ที่แนะนำให้เรานี่แหละ ที่ทำให้ใครหลาย  ๆ คนหลังรัก Spotify  ซึ่งเป็นสิ่งที่ Spotify นั้น Focus มาตั้งแต่แรกเริ่มหลังจากปล่อยบริการนี้ออกมา เพราะ Spotify นั้นไม่ใช่บริการแรก ๆ ที่ทำบริการด้าน online music stream แต่ผู้ใช้หลายล้านคนนั้นหลงรักระบบของ Spotify ซึ่ง Spotify นั้นลงทุนไปเป็นจำนวนมากกับการสร้าง algorithm ในการสร้าง Playlist เหล่านี้

A brief history of online music curation

history of online music

history of online music

จุดเริ่มต้นคือในปี 2000 บริการ Songza ได้เริ่มบริการ music online โดยใช้ระบบ manual มีคนช่วยสร้างระบบ Playlist ให้กับ Users โดยใช้ กูรูทางด้าน music มาช่วยจัด Playlist จากเพลงที่คิดว่าน่าสนใจให้ ซึ่งลูกค้าก็แค่คอยเลือก Playlist เหล่านี้มาฟัง ซึ่บริการแบบนี้ก็ work ในช่วงแรก เพราะเราได้ฟังเพลงใหม่ ๆ ผ่านระบบ Playlist จากผู้เชี่ยวชาญคอยเลือกเพลงให้ แต่ไม่สามารถให้ประสบการณ์ในรสนิยมของลูกค้าแต่ละคนได้ ทุกคนก็ต้องมาฟัง Playlist คล้าย ๆ กัน ซึ่งอาจจะไม่ถูกจริตสำหรับบางคน แต่คนส่วนใหญ่ก็ชอบกัน

ซึ่งหลังจากบริการของ Songza ได้รับความนิยมนั้น Pandora ก็ได้สร้างบริการในลักษณะคล้าย ๆ กัน แต่มีการปรับแต่งบางอย่าง เริ่มมีการเพิ่งระบบ Tag ให้กับเพลง ซึ่งผู้ใช้บริการสามารถที่จะ สร้าง tag เพื่อกำหนดคุณสมบัติของแต่ละเพลงได้ เพื่อให้สามารถ filter เพลงได้ง่ายยิ่งขึ้น และสามารถที่จะสร้าง playlist จากเพลงที่แนวทางคล้าย ๆ กันได้ง่ายขึ้น

ในขณะเดียวกันนั้น กลุ่ม MIT Media Lab ได้เริ่มปล่อยบริการ The Echo Nest ซึ่งมีการปรับปรุงระบบให้เข้ากับรสนิยมส่วนบุคคลมากกว่า โดยเริ่มใช้รูปแบบของ computer algorithm ในการวิเคราะห์เสียง รวมถึง content ของเพลง ซึ่งสามารถทำให้ระบุรสนิยมของเพลง รวมถึงเริ่มมีระบบ personalized recommendation การสร้าง playlist ที่เริ่มเป็นแบบระบบอัติโนมัติจาก computer algorithm

และบริการที่อยู่มาจนถึงปัจจุบันอย่าง Last.fm ใช้การมีส่วนร่วมของ user ในระบบ ซึ่งเรียกว่า collaborative filtering ที่ช่วยในการระบุเพลงที่ user น่าจะชอบในขณะนั้นได้

ในขณะที่บริการทั้งหลายเหล่านี้นั้น เน้นในเรื่อง music recommendations แต่ Spotify ที่เปิดบริการหลัง แต่มาพร้อมด้วย engine พิเศษ ที่สามารถที่จะรับรู้รสนิยมการฟังเพลงของ user ได้แบบรายบุคคล และมีความแม่นยำในการจำแนกรสนิยมการฟังเพลงได้มากกว่าบริการอื่น ๆ ที่เปิดมาก่อนได้อย่างไร?

Spotify’s 3 Types of Recommendation Models

Spotify นั้นไม่ได้ใช้เพียงรูปแบบของ Recommendation models เพียงแบบเดียวเท่านั้น แต่เป็นการผสมผสาน หลาย  ๆ เทคนิคเข้าไปและประยุกต์ให้กลายเป็นระบบที่ทรงพลังและมีเอกลักษณ์ในรูปแบบของ Discovey Weekly ซึ่ง Spotify นั้นใช้ 3 models คือ

  1. Collaborative Filtering  ใช้รูปแบบคล้าย ๆ กับ Last.fm โดยการนำเอาพฤติกรรมการฟังของคุณ รวมถึงคนอื่นๆ ในระบบ มาทำการวิเคราะห์
  2. Natural Language Processing (NLP)  ซึ่ง model นี้จะเกี่ยวข้องกับการวิเคราะห์ด้านข้อความ หรือ content จากเพลงที่มีลักษณะเป็นข้อความ
  3. Audio ส่วน model นี้จะนำเอา file เพลงดิบ ๆ มาทำการวิเคราะห์ในส่วนของเสียง
spotify recommendation model

spotify recommendation model

Recommendation Model #1 : Collaborative Filtering

หลาย ๆ หากได้ยินคำว่า “Collaborative Filtering” นั้นอาจจะนึกถึง Netflix  ซึ่งเป็นหนึ่งในบริการแรก ๆ ที่ใช้ collaborative filtering ใสการสร้าง recommendation model โดยจะใช้รูปแบบการให้ดาว ตาม rating ของหนัง ซึ่งเป็นส่วนที่ใช้แนะนำให้กับผู้ใช้คนอื่น ๆ ในระบบ หลังจากความประสบความสำเร็จของ Netflix ในการใช้ collaborative filtering ซึ่งหลาย ๆ บริการก็จะใช้รูปแบบของการให้ดาวในการแนะนำให้กับ user อื่นในระบบ

แต่ Spotify นั้นไม่ได้มีระบบการให้ดาวแบบเดียวกับ Netflix เพื่อให้ user ให้คะแนนกับเพลง เหมือนกับที่ user ให้ดาวกับหนังของ netflix แต่ Spotify นั้นจะใช้รูปแบบของ implicit feedback โดยจะใช้การนับจำนวน stream ที่เรียกฟังเพลง รวมถึงการที่ user ได้ทำการ save เพลงเข้ามายัง playlist ของตน หรือมีการเข้าเยี่ยมชมในส่วนของ Artist page หลังจากได้ฟังเพลง ซึ่งแสดงให้เห็นถึงความสนใจต่อเพลงนั้น ๆ ของ user

How does it work?

Collaborative Filtering ทำงานอย่างไร

Collaborative Filtering ทำงานอย่างไร

จากรูปตัวอย่างแสดงให้เห็นรูปแบบการทำงานอย่างง่าย จากรูปชายทางซ้ายนันชอบเพลงใน tracks P,Q,R และ S  ส่วนชายที่อยู่ด้านขวานั้นชอบ tracks Q,R,S และ T

ซึ่งจากการวิเคราะห์อย่างง่าย ๆ นั้น ก็ต้องแนะนำชายที่อยู่ด้านขวาให้ลองฟังใน track P และ ชายคนที่อยู่ด้านซ้ายให้ลองฟังใน track T เพราะรสนิยมของทั้งสองนั้นใกล้เคียงกัน ซึ่งตรงนี้ดูเหมือนเป็นวิธีง่าย  ๆ แต่ Spotify นั้นต้องคำนวนจากจำนวน user เป็นร้อยล้านคน ซึ่งมาจากร้อยล้านรสนิยมการฟังเพลงของ user แล้ว spotify ทำอย่างไร?

…matrix math , done with Python Libraries!

matrix math

matrix math

จากรูปเป็นตัวอย่างแบบย่อ ๆ ในรูปแบบ matrix  ซึ่ง matrix จริง ๆ นั้นจำนวนแถวของ matrix นั้นจะเท่ากับจำนวน user ในระบบซึ่งจะมีกว่าร้อยล้านแถว ซึ่งแต่ละแถวนั้นให้แทน user แต่ละคนในระบบ ส่วนของ column นั้นจะเป็นจำนวนเพลงทั้งหมดในระบบ ซึ่งหากเป็น matrix ในระบบจริง ๆ ก็จะมีกว่า 30 ล้านเพลง ก็จะมี 30 ล้าน column ตามฐานข้อมูลของ spotify

ซึ่ง Python Library นั้นจะ run matrix ทั้งหมดโดยใช้สมการคือ

สมการ python

สมการ python

ซึ่งเมื่อ run จบนั้น จะได้รูปแบบของ Vectors สองชนิดคือ X จะแทน user vector ซึ่งจะหมายถึง รสนิยมการฟังเพลงของ single นั้น ๆ ของ user  ส่วน Y นั้นจะเป็น song vector จะเป็นตัวแทนของ profile ของเพลงนั้น ๆ

The User/Song matrix produces two types of vectors: User vectors and Song vectors

ซึ่งเราจะได้ User Vectors จำนวน 140 ล้านตามจำนวน user ทั้งหมดในระบบ  และ Song Vectors จำนวน 30 ล้าน ตามจำนวนเพลงทั้งหมดในระบบ  ซึ่งเหล่า Vector ข้อมูลเหล่านี้นั้น เป็นประโยชน์อย่างยิ่งในการเปรียบเทียบรสนิยมการฟังเพลงของ user แต่ละคน ซึ่งการที่จะหาว่า user  คนใด  ๆ มีรสนิยมการฟังเพลงคล้ายกับใครนั้น จะต้องใช้ collaborative filtering ในการเปรียบเทียบ vector ของ user นั้น ๆ กับ vector ของคนอื่น ๆ ในระบบทั้งหมด ซึ่งเมื่อใช้ computer algorithm ทำการเปรียบเทียบทั้งหมด เราก็จะได้เห็นว่าใครมีรสนิยมการฟังเพลงคล้ายกัน  เช่นเดียวกับในส่วนของ Song Vector เราก็ต้องนำ song vector ของเพลงนั้น ๆ ไปเปรียบเทียบหาจาก song vector ของเพลงทั้งหมดในระบบ ก็จะได้เพลงที่มีสไตล์คล้าย ๆ กัน  ถึงแม้ว่าจากตัวอย่างที่ผ่านมานั้น collaborative filtering นั้นสามารถที่จะให้ผลลัพธ์ที่น่าสนใจ แต่ spotify ก็รู้ว่าเค้าต้องทำอะไรได้ดีกว่าการใช้ engine รูปแบบเดียวกับบริการอื่น ๆ เพียงอย่างเดียว

Recommendation Model #2 : Natural Language Processing (NLP)

สำหรับส่วนที่ 2 ใน Recommendation Model ของ Spotify นั้นใช้ เทคนิค ของ Natural Language Processing (NLP)  สำหรับ source ของข้อมูลที่จะนำมา analyse ผ่านเทคนิค NLP นั้นจะใช้ ข้อมูลของ track metadata ของเพลง ,  news articles, blogs รวมถึงข้อมูลที่เป็น text อื่น ๆ ในระบบ internet

Natural Language Processing (NLP)

Natural Language Processing (NLP)

Natural Language Processing นั้น จะเป็นการใช้ความสามารถของ computer ในการวิเคราะห์ข้อความ text โดยส่วนใหญ่นั้นจะใช้วิธีผ่าน sentiment analysis APIs ซึ่งผมได้เคยเขียน blog การวิเคราะห์ Market Trend ของหุ้น โดยใช้ปัจจัยพื้นฐานด้านข่าว  ซึ่งจะใช้เทคนิคคล้าย ๆ กันคือ sentiment analysis เพื่อไปวิเคราะห์ market trend ของหุ้น

โดยรูปแบบการทำงานเบื้องหลังของ NLP ที่ spotify ใช้นั้น spotify จะสร้าง crawls คล้าย ๆ กับที่ google ใช้ในการเก็บ index ข้อมูล data เพื่อมา index ให้ user ทำการค้นหา แต่ spotify นั้นจะ focus ไปที่ blogs หรือ งานเขียน ที่เกี่ยวข้องกับวงการเพลง  และนำมาวิเคราะห์ว่าผู้คน ใน internet กำลังพูดถึง ศิลปิน หรือ เพลงนั้นๆ อย่างไร แต่วิธีการในการ process ข้อมูลเหล่านี้นั้นยังเป็นความลับที่ spotify ยังไม่มีการเผยแพร่ออกมาว่าจัดการกับข้อมูลเหล่านี้อย่างไร  แต่จะขอยกตัวอย่างจาก Echo Nest ที่ใช้วิธีการคล้าย ๆ กัน ซึ่ง Echo Nest นั้้นนำข้อมูลมา process โดยเรียกว่า “cultural vectors” หรือ “top terms”  โดยแต่ละ ศิลปิน รวมถึง แต่ละเพลงนั้น จะมีการเปลี่ยนแปลงของ top-terms อยู่ทุกวันผ่านการ analysis ข้อมูลจากระบบ internet  ซึ่งแต่ละ term นั้นจะมีค่า weight อยู่ ขึ้นอยู่กับความสำคัญของคุณลักษณะของแต่ละ term

“Cultural vectors” , or “top terms” , as used by the Echo Nest.

หลังจากนั้น รูปแบบก็จะคล้าย ๆ กับ collaborative filtering ซึ่ง NLP Model จะใช้ terms และ weights ในการสร้าง vector ของเพลง ซึ่งสามารถที่จะนำมาเปรียบเทียบว่า เพลงใด มีสไตล์ คล้าย ๆ กับเพลงใด ซึ่งจะส่งผลต่อการแนะนำให้กับ user ที่ใช้งานได้ตรงรสนิยมของ user คนนั้น ๆ ได้

Recommendation Model #3: Raw Audio Models

Raw Audio Models

Raw Audio Models

หลาย ๆ ท่านอาจจะคิดว่า แค่ 2 model ข้างต้นนั้นก็สามารถวิเคราะห์ข้อมูล ของเพลงและ user ได้อย่างมีประสิทธิภาพแล้ว แต่ Spotify ได้เพิ่มในส่วนของ Raw Audio Model เพื่อเพิ่มความแม่นยำในส่วนการแนะนำเพลงให้มีความแม่นยำมากที่สุด และ Raw Audio Model นั้นยังสามารถที่จะเปิดประสบการณ์ฟังเพลงใหม่ ๆ ให้กับ user ได้อีกด้วย

ลองนึกถึงตัวอย่างว่า มีเพลง ที่เราคิดว่าเพราะมาก ๆ อยู่ใน spotify แต่อาจจะเพราะเป็นจากศิลปินหน้าใหม่ที่ยังไม่ดัง ซึ่งอาจจะมีคนฟังเพลงนี้แค่ 50 คน ทำให้การใช้ collaboratively filter นั้นอาจจะยังไม่ได้ผลนักเพราะยังมีคนน้อยคนที่ฟังเพลงดังกล่าว รวมถึง ยังไม่มีใครพูดถึงเพลงดังกล่าวใน internet ทำให้ NLP ไม่สามารถที่จะไปวิเคราะห์ได้  แต่ Raw Audio Models นั้นมาปิดจุดอ่อนในส่วนนี้ คือไม่ว่าจะเป็นเพลงใหม่ หรือ เพลงฮิต นั้น ก็สามารถที่จะทำให้เพลงดังกล่าว ขั้นไปอยู่ใน Discovery Weekly ได้เหมือนกัน

ซึ่งเทคนิคของ Raw Audio Model นั้นเป็นสิ่งไม่ง่ายเลย แต่สามารถที่จะทำได้ด้วย convolutional neural networks

convolutional neural networks นั้นเป็นเทคโนโลยีเดียวกันกับที่เราใช้ใน facial recognition ใน case ของ spotify นั้น ได้ทำการดัดแปลงจากการใช้ pixel data ใน facial recognition มาใช้ audio data แทน ซึ่ง ตัวอย่างของ Architecture ที่ใช้ Neural network มีดังนี้

convolutional neural networks

convolutional neural networks

ซึ่งส่วนประกอบของ neural network นั้นจะประกอบด้วย 4 convolutional layers ซึ่งจากรูปคือ บาร์ที่มีขนาดกว้างที่อยู่ด้านซ้าย  และ 3 dense layers ซึ่งจากรูปคือ บาร์ที่มีขนาดแคบที่อยู่ทางด้านขวา  ซึ่ง input ที่เข้ามานั้นจะนำเอา audio data มาแปลงเป็น time-frequency เพื่อแทนส่วนของ audio frames ซึ่งต่อมาจะแปลงไปสู่รูปแบบของ spectrogram

Audio frames นั้นจะเข้าสู่ convolutional layers และหลังจากแท่ง convolutional layers แท่งสุดท้ายนั้นจะเป็นส่วนของ “global temporal pooling” layer  ซึ่งเป็นเทคนิคที่ใช้ Neural Network ในการเรียนรู้คุณลักษณะของเพลง โดย จะส่งเป็นชุด audio frame เพื่อให้ Neural Network ทำการ Learning

หลังจาก process เสร็จนั้น neural network นั้นจะสามารถที่จะเข้าใจคุณลักษณะต่าง ๆ ของเพลง ตัวอย่างเช่น time signature , key , mode , tempo หรือ loudness ซึ่ง output รูปตัวอย่างข้างล่างนั้นจะเป็นการนำเพลง “Around the world” ของศิลปิน Daft Punk มาผ่าน process จากรูปข้างบน และจะได้ output ดังรูป

ใช้เทคโนโลยี Neural Network

ใช้เทคโนโลยี Neural Network

ซึ่งหลังจากเข้าใจคุณลักษณะหลัก ๆ ของเพลงนั้น Spotify ก็สามารถที่จะนำข้อมูลต่าง ๆ เหล่านี้ไปวิเคราะห์เพื่อเปรียบเทียบเพลง ซึ่งสามารถทำให้ user ได้รับเพลงที่มีรสนิยมคล้าย ๆ กันโดยนำข้อมูลจากประวัติการฟังเพลงของ user นั้น ๆ มาเปรียบเทียบกับเพลงใหม่ ๆ ที่ได้ทำการวิเคราะห์ผ่าน Raw Audio Model

ซึ่งการประกอบกับของทั้ง 3 models นั้น ได้สร้างความแตกต่างและประสิทธิภาพให้กับ Features Discover Weekly Playlist ของ Spotify ที่ทำให้แตกต่างจากบริการฟังเพลง online อื่น ๆ และทำให้ user ต่างหลงรัก Spotify

Spotify Recommendation Model

Spotify Recommendation Model

ซึ่งทุก ๆ model นั้นมีการเชื่อมต่อกับ service ของ Spotify ซึ่งเป็น ecosystem ที่มีขนาดใหญ่มากตามจำนวน user และ เพลง ที่มีในระบบ ซึ่งต้องประกอบไปด้วยฝั่ง infrasturcture หลังบ้านที่แข็งแกร่งเพื่อรองรับ data จำนวนมหาศาล และสามารถจะวิเคราะห์ข้อมูลจำนวนมหาศาลเหล่านี้ได้อย่างรวดเร็ว ทำให้ user ที่ใช้งานรู้สึกสะดวกที่สุดและสามารทำงานได้อย่างมีประสิทธิภาพมากที่สุด ซึ่งเราจะเห็นได้ว่าจากตัวอย่างของ Spotify นั้นแม้จะเป็นบริการที่เปิดทีหลัง แต่ก็สามารถต่อกรกับยักษ์ใหญ่ได้อย่างไม่เป็นรอง เพราะระบบหลังบ้านที่มีความแข็งแกร่ง และการใช้ Machine Learning หรือ AI มาช่วยในการพัฒนาบริการนั้นก็ได้เพิ่มความแตกต่างให้กับบริการของ Spotify  รวมถึง Features ที่สามารถตอบโจทย์ให้กับ user ทำให้ user นั้นต่างหลงรักและยอมเปลี่ยนมาใช้ Spotify กว่าร้อยล้านคน และกำลังเติบโตขึ้นเรื่อย ๆ ในขณะนี้

References : 

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage :facebook.com/tharadhol.blog
Blockdit :blockdit.com/tharadhol.blog
Twitter :twitter.com/tharadhol
Instragram :instragram.com/tharadhol

Movie Review : The Runner


Review

สำหรับ The Runner นั้นเป็นหนังที่ผมมองผ่าน ๆ  มาซักพักแล้ว แต่ยังไม่มีโอกาสได้ดู แต่ช่วงเมื่อวานเนื่องจากว่างเต็มที่เลยเปิดช่อง Fox Movie Premium ดูทั้งวันก็ได้มีโอกาสได้ดูหนังเรื่องนี้จนได้ในที่สุด

ถึงแม้เรื่องนี้จะคะแนนไม่ค่อยดีใน imdb ซักเท่าไหร่ แต่เนื่องจากโดยส่วนตัวก็เป็นแฟนของ nicolas cage อยู่แล้ว จึงไม่อยากพลาดหนังของพี่เขาซักเท่าไหร่

เรื่องนี้กำกับโดย Austin Stark  โดยส่วนตัวก็ไม่เคยดูผลงานของแกมาก่อนเลย แต่เรื่องนี้เป็นเรื่องเกี่ยวกับการเมืองสหรัฐอเมริกา ซึ่งเป็นแนวที่ผมชอบเป็นทุนเดิมอยู่แล้วหลังจากติดหนึบจาก series House of Card ของทาง Netflix ที่เนื่องเรื่องเกี่ยวกับการเมืองสหรัฐค่อนข้างเข้มข้น และแสดงได้เห็นถึงวัฒนธรรมทางการเมืองทั้งด้านสว่างและด้านมืดของประเทศอเมริการได้อย่างดี ซึ่งก็คิดว่า ขึ้นชื่อว่าการเมืองแล้วนั้น คงไม่มีความแตกต่างกันเท่าไหร่ในแต่ละประเทศ รวมถึงประเทศไทยด้วยนั่นเอง

หนังนำแสดงโดย nicolas cage ที่เป็นนักการเมืองหนุุ่มอนาคตไกล แต่ต้องมาเสียชื่อกับเรื่องผู้หญิง ซึ่งเป็น pattern อยู่แล้วสำหรับหนังที่เกี่ยวกับการเมือง โดยโยงเรื่องเข้ากับการรั่วของน้ำมันในชายฝั่งทะเลสหรัฐอเมริกา โดยบริษัท BP ยักษ์ใหญ่แห่งวงการน้ำมันแห่งหนึ่งของโลก

เรื่องนี้ทำให้เราได้มองเห็นว่า ไม่ว่าจะเป็นประเทศที่เสรีสุด ๆ  และมีความเป็นประชาธิปไตยแบบสุดโต่ง และเป็นต้นแบบให้ประเทศอื่นๆ  อย่างอเมริกานั้น กลุ่มทุนใหญ่ ๆ ก็สามารถเข้ามาควบคุมการเมืองได้เหมือนกัน และไม่ต่างกับประเทศไทยเลย ที่กลุ่มทุนนั้นเข้ามามีอำนาจในการกำหนดนโยบาย ที่เกื้อหนุนให้กับกลุ่มทุนใหญ่ ๆ โดยจะเข้ามามีอิทธิพลอยู่เบื้องหลังโดยไม่ออกหน้าโดยชัดเจน

โดยส่วนตัวก็ถือว่าชอบหนังเรื่องนี้ในระดับนึง เนื้อเรื่องก็ค่อนข้างเข้มข้นสไตล์การเมืองอเมริกา สำหรับคนที่ชอบหนังแนวนี้ นี่ก็เป็นอีกเรื่องที่ไม่ควรที่จะพลาดชมอย่างยิ่ง

 

เก็บตกจากหนัง

  • เป็นหนังที่มีเนื้อหาเกี่ยวโยงกับการเมืองสหรัฐอเมริกาและเหตุการณ์น้ำมัน BP รั่วชายฝั่งสหรัฐอเมริกาได้อย่างลงตัว
  • ถ้าเทียบกับผลงานเรื่องอื่น ๆ เรื่องนี้ nicolas cage ถือว่าผลงานการแสดง drop ลงไปพอสมควร และไม่สามารถดึงดูดคนให้เข้ามาดูหนังของเขาได้เท่าที่ควร

คะแนน

9/10


สรุป
“แฟน series House of Card ควรหามาดูอย่างยิ่ง”

ประวัติ Reed Hastings ผู้ก่อตั้ง เน็ตฟลิกซ์

ถือว่าเป็นเรื่องราวที่น่าสนใจเรื่องหนึ่งในวงการ Technology Start up ของ America สำหรับ Platform ดังอย่าง Netflix ซึ่งมีที่มาที่ไปค่อนข้างหน้าสนใจ เลยทีเดียว ถือเป็น startup ที่ผ่านร้อนผ่านหนาวมาอย่างยาวนาน ในวงการธุรกิจของอเมริกา

ประวัติ Reed Hastings (รีด แฮสติงส์)

Reed Hastings นั้น เรียนจบ ระดับมัธยมศึกษาจาก Buckingham Browne & Nichols School Cambridge หลังจากเรียนจบ ในระดับมัธยมศึกษา ก็ได้ไปเรียนต่อมหาวิทยาลัยที่ Bowdoin College ในสาขาด้านคณิตศาสตร์

และหลังจากนั้น เขาได้อาสาสมัคร ไปยังประเทศ Swaziland ซึ่งเป็นประเทศด้อยพัฒนาในทวีป Africa เพื่อทำการสอนวิชาคณิตศาสาตร์ ที่เขาได้ร่ำเรียนมา ให้เหล่านักเรียน ในช่วงปี 1983-1985

ภายหลังจากกลับมาจากเป็นอาสาสมัคร เขาก็ใช้ profile เหล่านี้ในการเข้าศึกษาต่อที่ มหาวิทยาลัย Standford University และสำเร็จการศึกษาในระดับ Master Degree ในสาขาวิชา วิทยาศาสตร์ คอมพิวเตอร์ในปี 1988

Reed Hastings นั้นได้ตั้งบริษัทของตนเองในชื่อ Pure Software โดยนำเสนอ solution ในการแก้ปัญหาปัญหาต่าง ๆ ให้เหล่าองค์กร หรือ SME ต่าง ๆ และสามารถเติบโตได้อย่างรวดเร็วเป็นอย่างมาก

หลังจากนั้น ในปี 1997 ได้ทำการร่วมกับ Marc Randolph และจับมือกันเพื่อก่อตั้งบริษัท Netflix ขึ้น เพื่อดำเนินธุรกิจด้านการให้เช่าสื่อความบันเทิง แบบ online ให้แก่ลูกค้าที่อยู่ในประเทศอเมริกา

จับมือกับ Marc Randolph เพื่อสร้าง netflix

จับมือกับ Marc Randolph เพื่อสร้าง netflix

Netflix นั้นผ่านมรสุมของธุรกิจมาอย่างมากมายตั้งแต่เริ่มคิด idea ในการสร้างธุรกิจการเช่าหนังแบบ Online โดยใช้ระบบเหมาจ่าย ซึ่งถือว่าเป็นเรื่องที่ใหม่เอามาก ๆ สำหรับในยุคนั้น ที่ร้านเช่า DVD แทบจะอยู่ทั่วทุกหนทุกแห่งตามเหมืองใหญ่

แต่ไม่ใช่ปัญหาของ Reed Hastings ผู้ก่อนตั้ง Netflix ซึ่งจบมาทางด้าน computer science ได้ทำการสร้าง model ธุรกิจใหม่และ สร้างระบบ online ที่ใช้ในการเช่าหนังโดยมีการผสมผสานระหว่าง Technology และ การบริการได้อย่างลงตัวกล่าวคือ เป็นการเลือกหนังจาก website แต่จะมีการส่งให้ยืมผ่านระบบไปรษณีย์ ซึ่งในยุคนั้น เครื่องเล่น DVD ยังเป็นส่ิ่งสำคัญประจำบ้านของทุกครัวเรือนในสหรัฐ ยังไม่มีการดูหนัง online streamming อย่างเช่นในปัจจุบัน

ตอนที่เขาได้เริ่มกิจการนั้น ผู้คนปรกติยังใช้การเช่าหนังผ่านระบบร้านเช่า ซึ่งที่เป็นยักษ์ใหญ่ในสหรัฐขณะนั้นก็คือ Blockbuster ซึ่งมีรายได้หลายพันล้านเหรียญต่อปี แต่ ทาง Reed Hastings ก็ใช้ Technology เข้ามาผสมผสานกับรูปแบบของ model ธุรกิจใหม่ทำให้บริษัทของเค้าเจริญเติบโตไปได้อย่างรวดเร็ว

ถีงแม้ภายหลังทาง blockbuster จะมาทำ service แข่งนั้น โดยการลดราคาแข่งขัน สุดท้ายแล้ว ก็ทำให้ service อื่นๆ  ตายลงไปหมดและ Netflix ก็ได้ไป take over มาเนื่องจากทาง Netflix เน้นความพึงพอใจของลูกค้าสูงสุด และเข้าใจลูกค้าได้ดีสุด จนสุดท้ายนั้นบริษัท Blockbuster ได้ถึงกับล้มละลาย ซึ่งถือเป็น Case Study ที่น่าศึกษาของบริษัทที่ไม่มีการปรับตัวให้ทันกับเทคโนโลยีสมัยใหม่

netflix ทำให้ blockbuster ถึงกับล้มละลาย

netflix ทำให้ blockbuster ถึงกับล้มละลาย

ถึงแม้ทาง netflix จะ win ในศึกแรกมาได้ แต่ก็ต้องมาเจอศึกใหม่กับเทคโนโลยีที่เปลี่ยนเป็นใหญ่อย่างรวดเร็วทั้งทางด้าน infrastucture ของ internet ซึ่งทำให้ internet มี speed สูงมาก และพฤติกรรมของผู้บริโภคที่เปลี่ยนเป็น โหลดจากทาง Web แทนทั้งที่ถูกกฏหมายและผิดกฏหมายรวมถึงการเกิดขึ้นของระบบ Bit Torrent ทำให้ยอดสมาชิกร่วงลงเป็นจำนวนมาก

Bittorrent ศัตรู ตัวฉกาจของ netflix

Bittorrent ศัตรู ตัวฉกาจของ netflix

แต่อย่างไรก็ตามเนื่องจาก Reed Hastings นั้นเป็นคนที่ปรับตัวอย่างรวดเร็วทำให้รู้ว่าอนาคตจะเป็นเช่นหากไม่มีการปรับตัวเพราะผู้บริโภคได้เปลี่ยนรูปแบบการดูหนังไปเป็นที่เรียบร้อยแล้ว เค้าเลยได้สร้างระบบ Streaming ขึ้นมาเพื่อให้สามารถชม online ผ่าน internet ได้ และมีการปรับตัวเข้ากับ Platform ใหม่ ๆ ทั้งระบบ IOS หรือ Android รวมถึงการดูผ่าน Web Streaming ซึ่งทำให้สามารถรอดจากการเปลี่ยนแปลงอย่างรวดเร็วของผู้บริโภคไปได้ ซึ่ง Case นี้เป็นสิ่งที่น่าสนใจสำหรับการปรับตัวได้ทันกับ Technology ที่เปลี่ยนไปไม่งั้นเราคงไม่เห็น Netflix เติบโตมาได้จนถึงวันนี้ครับ

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage : facebook.com/tharadhol.blog
Blockdit : blockdit.com/tharadhol.blog
Twitter : twitter.com/tharadhol
Instragram : instragram.com/tharadhol