การวิเคราะห์ข้อมูลบทสนทนาของลูกค้าในธุรกิจด้วย Machine Learning

ปัจจุบันโลกได้เข้าสู่ยุคดิจิทัลอย่างเต็มตัว ความต้องการของผู้บริโภคเองก็เปลี่ยนไปมาอย่างรวดเร็ว การที่ธุรกิจเข้าใจความต้องการของลูกค้าได้ก่อนคู่แข่ง จะถือว่าเป็นแต้มต่อได้อย่างมาก และด้วยเทคโนโลยีในปัจจุบันทำให้เราสามารถนำเอาข้อความการสนทนา (แชท) ระหว่างลูกค้าและแอดมินมาวิเคราะห์ด้วย Machine Learning เพื่อหาแนวโน้มหรือความต้องการของลูกค้าได้รวดเร็วและง่ายขึ้นนั่นเอง

ความสำคัญของการวิเคราะห์ข้อมูลบทสนทนาของลูกค้า

แล้วทำไมเราต้องเข้าใจความต้องการของลูกค้าล่ะ? เพราะการเข้าใจสิ่งนี้จะช่วยเพิ่มประสิทธิภาพให้ธุรกิจสามารถปรับปรุงผลิตภัณฑ์หรือบริการให้ตอบโจทย์ได้อย่างเหมาะสม นอกจากนี้ ยังช่วยให้ธุรกิจเห็นโอกาสใหม่ ๆ ที่สามารถพัฒนาสินค้าหรือบริการใหม่เพื่อตอบสนองความต้องการของลูกค้า รวมถึงการนำความรู้ตรงนี้ไปใช้ในการปรับเปลี่ยนหน้าที่หรือตำแหน่งงานในองค์กรเพื่อให้สอดคล้องกับความต้องการและความพึงพอใจของลูกค้าได้อย่างมีประสิทธิภาพ

แล้วทำไมข้อมูลแชทจึงเป็นข้อมูลที่สามารถบ่งบอกถึงความต้องการของลูกค้าได้? เมื่อเทียบกับวิธีการอื่น ๆ อย่างเช่น แบบสอบถามหรือการสัมภาษณ์ แชทระหว่างลูกค้าและแอดมินจะแสดงให้เห็นถึงความคิดเห็นและความต้องการของลูกค้าได้อย่างตรงไปตรงมามากที่สุด ทำให้เมื่อเอาข้อมูลจากแชทมาวิเคราะห์จึงได้ผลลัพธ์ที่ดีมากกว่าการใช้ข้อมูลจากวิธีการการอื่น ๆ นั่นเอง

ถ้าจะยกตัวอย่างให้เห็นภาพมากขึ้นคือ

• นาย เอ เปิดธุรกิจร้านเสื้อผ้า และนายเอได้ทราบจากแอดมินว่าลูกค้าที่ทักแชทเข้ามาหาทางร้าน จะเกี่ยวกับเรื่องเสื้อผ้า streetwear ของผู้หญิงและมีแนวโน้มที่เพิ่มขึ้นเรื่อย ๆ สิ่งนี้ทำให้นายเอเห็นว่าแฟชั่นมีแนวโน้มที่จะเปลี่ยนเทรนด์ไปเป็นแนว streetwear มากขึ้น จึงจัดเตรียมสต็อกสินค้าได้ทันเวลา
• อีกตัวอย่างหนึ่งคือ นางสาว บี เปิดธุรกิจเสริมความงาม และหลังจากที่ได้คุยกับแอดมิน ก็ทราบว่าลูกค้าที่เข้ามาใช้บริการเสียเวลาระหว่างรอรับบริการอย่างมาก ทำให้ลูกค้าเกิดความไม่พอใจ และสิ่งนี้ทำให้นางสาวบีสามารถปรับการทำงานทีมงานทั้งแอดมินและทีมงานทางหน้าคลินิกก็สามารถรับมือกับการบริการให้ดีขึ้นนั่นเอง

จะเห็นได้ว่าจากทั้งสองตัวอย่าง แต่ละธุรกิจจะต้องใช้เวลาและจำนวนคนเพื่อให้ได้ insight ต่าง ๆ มา แต่เราสามารถลดเวลาในขั้นตอนนี้ลงได้ โดยนำระบบ AI หรือ Machine Learning มาช่วยในการวิเคราะห์ข้อมูลแชทเหล่านี้ และ AI จะเข้ามาช่วยลดเวลาที่มนุษย์ใช้ในการวิเคราะห์และจัดหมวดหมู่ของข้อมูลแชทลง นอกจากนี้การใช้งาน AI ในการวิเคราะห์ข้อมูลช่วยให้ธุรกิจสามารถเข้าใจลูกค้าและเทรนด์ต่าง ๆ ได้ลึกซึ้งยิ่งขึ้นซึ่งนำไปสู่การปรับปรุงสินค้าหรือบริการให้ตอบสนองต่อความต้องการของลูกค้าได้ดีขึ้นอีกด้วย แต่คำถามที่สำคัญต่อมาก็คือ แล้วเราจะทำยังไงให้ข้อมูลแชทที่เรามีสามารถนำไปใช้กับ AI ได้

แต่ก่อนที่เราจะไปเตรียมข้อมูลกัน ผมอยากพาทุกคนมาทบทวนความเข้าใจเกี่ยวกับคำว่า AI ซะก่อน ปัญญาประดิษฐ์ หรือ AI (Artificial Intelligence) คือ ระบบคอมพิวเตอร์หรือเครื่องจักรที่มีความสามารถในการทำงานและตัดสินใจคล้ายกับมนุษย์ ไม่ว่าจะเป็น การเรียนรู้ (learning), การสรุปความคิด (reasoning), การรับรู้ (perception) และการแก้ไขปัญหา (problem-solving) ในขณะที่ Machine Learning เป็นสาขาหนึ่งของ AI ที่มุ่งเน้นไปที่การสร้างวิธีการที่สามารถให้ AI เรียนรู้และปรับปรุงจากประสบการณ์โดยไม่ต้องโปรแกรมเฉพาะเจาะจงไว้อย่างชัดเจน นั่นคือ ระบบที่สามารถ "เรียนรู้" จากข้อมูลที่มีเพื่อทำนายหรือตัดสินใจในสถานการณ์ที่ไม่เคยพบเจอมาก่อน

การเตรียมข้อมูลเพื่อที่จะนำมาใช้กับ AI และ Machine Learning

สำหรับการเตรียมข้อมูลเพื่อนำไปใช้งานกับ AI เราจะแบ่งเป็น 2 ขั้นตอนใหญ่ ๆ ด้วยกันคือ

1. การกำหนดขอบเขต (scope) ของแชทที่จะให้ AI ประมวลผล โดยสามารถแบ่งได้เป็น 3 ประเภทย่อยคือ
   1. การกรองข้อมูลแชท : สิ่งแรกที่ต้องคำนึงเมื่อต้องนำข้อมูลแชทเข้ามาใช้งานคือ เราจะสนใจข้อมูลแชทที่ลูกค้าส่งเข้ามาซ้ำ ๆ กันหรือไม่? จะใช้อะไรเป็นข้อมูลที่จะนำมาวิเคราะห์ ข้อความแชทอย่างเดียวหรือสามารถมีรูปภาพได้? ข้อความแชทเป็นภาษาไทยอย่างเดียวหรือไม่?
   2. การเลือกกลุ่มเป้าหมาย : เราสามารถกำหนดขอบเขตของผู้ใช้งานที่สนใจได้ โดยเลือกเพียงแชทของฝั่งลูกค้าอย่างเดียว หรือ แชทฝั่งแอดมินที่สนทนาตอบลูกค้าด้วย ซึ่งการกำหนดขอบเขตของผู้ใช้งานสามารถช่วยลดจำนวนของข้อมูลที่เราต้องนำไปใช้ในการสร้าง AI ได้ ยกตัวอย่างเช่น ในธุรกิจประเภทที่มักจะมีการสร้างนัดหมายผ่านแชทเป็นส่วนใหญ่ หรือธุรกิจประเภทที่ลูกค้าต้องการแจ้งข้อความบางอย่างเพื่อให้แอดมินรับทราบ ธุรกิจทั้งสองประเภทนี้การตอบกลับของแอดมินอาจจะมีเพียง “รับทราบครับ”, “เรียบร้อยแล้วค่ะ” หรือ “ครับ/ค่ะ” โดยข้อความเหล่านี้ไม่ได้บ่งบอกถึงหัวข้อของการสนทนา เราจึงสามารถใช้ข้อมูลในฝั่งของลูกค้าอย่างเดียวเพื่อใช้ในการสร้าง AI แต่กลับกันในธุรกิจที่แอดมินมีการโต้ตอบกับลูกค้าในเรื่องต่าง ๆ จึงต้องใช้ข้อมูลแชทจากทั้งสองฝั่งนั่นเอง
   3. การเลือกลักษณะการประมวลผลของแชท : อีกหนึ่งส่วนสำคัญที่จะกำหนดความแม่นยำของ AI ในการแยกหัวข้อแชท ซึ่งจะแตกต่างกันไปในแต่ละประเภทของธุรกิจ เช่น ในธุรกิจที่ในหนึ่งเคสมีการพูดคุยกันเพียงหัวข้อเดียว ก็อาจจะนำข้อความจากทั้งเคสมาใช้เป็น input ของ AI ได้ แต่กลับกันถ้าในเคสนั้นเกิดการพูดคุยขึ้นในหลาย ๆ หัวข้อ การที่จะนำข้อความทั้งหมดในเคสไปเป็น input ของ AI ก็อาจจะลดความแม่นยำของ AI ลงได้

2. การตัดคำ เป็นเทคนิคที่ช่วย AI ในการประมวลผลแชท โดยที่ AI จะต้องเข้าใจคำที่ถูกพูดถึงในแชทนั้น ๆ โดยเราสามารถเลือกแบ่งคำด้วยการแบ่งตามพยางค์ของคำ หรือแบ่งตามกลุ่มคำที่ใหญ่ที่สุด

จากรูปตัวอย่างจะเห็นได้ว่าถ้าเราแบ่งคำว่า “เชียงราย” ด้วยเทคนิดการตัดคำด้วยกลุ่มคำที่ใหญ่ที่สุดจะได้ผลลัพธ์เป็นคำว่า “เชียงราย” เหมือนเดิม แต่เมื่อเทียบกับการแบ่งด้วยพยางค์คำว่า “เชียงราย” จะถูกแบ่งออกเป็น 2 คำคือ “เชียง” และ “ราย” ที่ไม่ได้มีความหมายในตัวเองเมื่อไม่ได้อยู่รอบข้างคำอื่น ๆ แต่คำที่แบ่งด้วยกลุ่มคำ (เชียงราย) เมื่อไม่สังเกตคำรอบข้าง คำแต่ละคำก็ล้วนมีความหมายในตัวเอง จึงทำให้เราได้ข้อสรุปว่าในตัวอย่างนี้การตัดคำด้วยกลุ่มคำสามารถช่วยให้เราเข้าใจหัวข้อของข้อความมากกว่านั่นเอง

การสร้างโมเดลสำหรับ Topic Modeling สำหรับ AI

การสร้างโมเดล Topic modeling สามารถทำได้หลายวิธี แต่วิธีที่นิยมมากที่สุดคือ Latent Dirichlet Allocation (LDA) โดยข้อดีของเทคนิคนี้คือ LDA เป็นเทคนิคที่สามารถเรียนรู้ได้ด้วยตัวเองจากข้อมูลที่มีอยู่โดยไม่จำเป็นที่จะต้องระบุหมวดหมู่ของข้อมูลมาก่อน (unsupervised learning) ซึ่งจะเหมาะกับโจทย์ในการแบ่งหัวข้อข้อมูลแชทเป็นอย่างยิ่ง เพราะข้อมูลแชทเป็นข้อมูลที่ไม่ได้มีการระบุหมวดหมู่ไว้ตั้งแต่แรก และในการที่จะระบุประเภทก็จำเป็นที่จะต้องใช้เวลาและความเข้าใจกับข้อมูลเป็นอย่างมากและ LDA เป็นก็สามารถเข้ามาตอบโจทย์ตรงส่วนนี้ได้ นอกจากนี้จุดเด่นอีกข้อของเทคนิค LDA คือสามารถที่จะช่วยให้ค้นพบหมวดหมู่ที่อาจจะไม่ได้แสดงให้เราเห็นอย่างเด่นชัดตั้งแต่แรกนั่นเอง

สำหรับการสร้างโมเดล Topic Modeling สำหรับ AI เราจะแบ่งเป็น 2 ขั้นตอนหลัก ๆ ด้วยกันคือ

1. การสร้างโมเดล LDA จากข้อมูลที่เตรียมไว้ : ด้วยลักษณะของเทคนิค LDA ทำให้การที่จะสร้างโมเดลจำเป็นที่จะต้องระบุจำนวนหัวข้อหรือหมวดหมู่ที่เราต้องการจะแยกเสียก่อน แต่เมื่อเราอยากให้โมเดลทำหน้าที่ในการหาจำนวนหัวข้อให้เรา เราจึงสามารถสร้างโมเดลที่แบ่งหมวดหมู่ไว้ให้เราตั้งแต่น้อยไปจนถึงมากเพื่อที่จะหาว่าโมเดลควรแบ่งหมวดหมู่ออกเป็นทั้งหมดกี่หมวดหมู่
2. การหาจำนวนหมวดหมู่ที่เหมาะสมที่สุดกับธุรกิจ : โดยวิธีที่ได้รับความนิยมในการหาว่าการแบ่งข้อมูลเป็นกี่หมวดหมู่จึงเหมาะสมที่สุด คือการใช้ค่า Coherence และ Perplexity โดย Coherence จะบอกถึงระดับของความคล้ายคลึงทางความหมายระหว่างคำในแต่ละหัวข้อ Coherence ที่สูงบ่งบอกถึงหัวข้อที่มีความหมายและสามารถตีความได้ง่ายกว่าสำหรับมนุษย์ และ Perplexity ใช้ในการวัดค่าการกระจายของคำในข้อความแชทนั้น ๆ Perplexity ที่ต่ำบ่งบอกถึงประสิทธิภาพการทำนายที่ดีกว่า

จากรูปตัวอย่างจะเห็นได้ว่าจำนวนหมวดหมู่ที่มีค่า Coherence ที่สูงและ Perplexity ที่ต่ำคือจำนวน 10 หมวดหมู่แต่หลังจากนำโมเดล LDA ไปใช้กับข้อมูลแล้วการแบ่งหมวดหมู่เป็นหมวดหมู่ที่ละเอียดเกินไปเพราะหมวดหมู่บางประเภทสามารถรวมเป็นหมวดหมู่ที่ใหญ่ขึ้นได้ และจำนวนหมวดหมู่ที่เหมาะสมในอันดับถัดมาก็คือ 6 หมวดหมู่และสามารถนำไปใช้กับข้อมูลได้อย่างเหมาะสมอีกด้วย ทั้งนี้จะเห็นได้ว่าค่าที่ดีที่สุดอาจไม่ใช่จำนวนหมวดหมู่ที่เหมาะสมกับชุดข้อมูลเสมอไป โดยเราสามารถใช้ค่าทั้งสองตัวนี้ประกอบกับข้อมูลเพื่อช่วยในการตัดสินใจนั่นเอง

การระบุหมวดหมู่ของโมเดล LDA และการนำไปใช้งานในสถานการณ์ต่าง ๆ

หลังจากที่เราได้โมเดลที่เหมาะสมที่สุดกับธุรกิจแล้วสิ่งที่จะขาดไปไม่ได้คือการนำโมเดลไปประยุกต์ใช้ให้เกิดประโยชน์ต่อธุรกิจมากขึ้น โดยการที่เราจะสามารถนำโมเดลไปใช้งานได้เราต้องเข้าใจหมวดหมู่ที่โมเดลแยกออกมาให้ได้เสียก่อน ซึ่งเราสามารถให้ผู้ที่มีความเข้าใจในธุรกิจกลุ่มนั้น ๆ เป็นคนเข้ามาระบุหัวข้อของหมวดหมู่ หรือเราสามารถที่จะใช้โมเดลของภาษาขนาดใหญ่ (Large Language Model) ไม่ว่าจะเป็น chatGPT หรือ Google Gemini ในการมาช่วยกำหนดหมวดหมู่ของหัวข้อได้เช่นกัน และเมื่อเราเข้าใจหมวดหมู่ของข้อความแล้วสิ่งต่อไปคือ การนำโมเดลมากำหนดหมวดหมู่ของข้อความ โดยเราสามารถกำหนดค่าความมั่นใจ (Confidence score) ของโมเดล ถ้าโมเดลมีความมั่นใจเกินค่าที่กำหนดไว้เราก็สามารถมั่นใจได้ว่าข้อความแชทนั้นอยู่ในหมวดหมู่อะไรนั่นเอง

โดยโมเดลที่สำเร็จออกมาสามารถนำไปใช้ได้ในหลาย ๆ สถานการณ์ เช่น

• สร้าง Operational หรือ Analytical dashboard เพื่อสรุปข้อมูลแชท
• รายงานสำหรับผู้บริหาร (executive reports) ที่ใช้สำหรับการประชุมต่าง ๆ ในบริษัท

จากรูปตัวอย่างจะเป็นการนำข้อมูลของธุรกิจที่ใช้ Oho Chat อยู่ในปัจจุบันมาสรุปผล จะเห็นได้ว่าในธุรกิจนี้ ลูกค้าต้องเสียเวลาตั้งแต่เวลาในการรอรับบริการไปจนจบการรับบริการจากแอดมินเฉลี่ยแล้วมากกว่า 10 ชั่วโมงด้วยกัน โดยจากข้อสรุปนี้จะทำให้ธุรกิจทราบว่าจำนวนแอดมินที่ให้บริการนั้นไม่เพียงพอต่อสำหรับการดำเดินธุรกิจ แต่เมื่อนำข้อมูลจากส่วนที่สองที่อธิบายถึงพฤติกรรมของลูกค้าที่ทักแชทเข้ามาทำให้ทราบเพิ่มเติมว่า ลูกค้ากว่า 60% นั้นทักเข้ามาสอบถามเกี่ยวกับบริการต่าง ๆ ของธุรกิจนี้ และเกินกว่า 80% เมื่อรวมข้อความที่เกี่ยวกับปัญหาในการใช้งาน โดยถ้าเรานำข้อมูลทั้งสองส่วนมาประกอบกันทำให้ทราบว่า ในธุรกิจนี้นอกจากจำเป็นที่จะต้องเพิ่มแอดมินในการให้บริการแล้วยังต้องเทรนให้แอดมินมีความรู้และความเข้าใจในบริการต่าง ๆ เพื่อที่จะช่วยลดเวลาในการบริการเมื่อลูกค้าได้ทักเข้ามานั่นเอง

สุดท้ายนี้การทำงานของ AI ในการวิเคราะห์ข้อมูลแชทจะมีประสิทธิผลแตกต่างกันไปตามลักษณะธุรกิจ และ วิธีการกำหนดขอบเขตข้อมูล และการเลือกจำนวนหมวดหมู่ที่เหมาะสมสำหรับข้อมูลนั้น ๆ หวังว่าข้อมูลที่นำเสนอวันนี้จะช่วยให้ทุกคนเห็นถึงคุณค่าของการใช้ AI และ Machine Learning ในการค้นหาข้อมูลจากการสนทนาของลูกค้าเพื่อปรับปรุงและพัฒนาธุรกิจให้ตอบสนองความต้องการของลูกค้าได้อย่างเหมาะสมนะครับ

‍