สรุปงาน Data Science BKK #11 – 425Degree Data Science in E-Commerce Platform at KX

หลังจากหายไปจากงานสัมมนาด้าน IT มานาน ผมคิดว่าหลังเรียนจบน่าจะมาฟังงานพวกนี้หามุมมองใหม่นะครับ และพอดีงานนี้จัดใกล่บริษัทด้วยครับ ที่ตึก KX

ตึก KX - Knowledge Exchange for Innovation (KMUTT) ตึกนี้เป็นของ มจธ นะครับ เอาการเรียนการสอน มาใกล้ชิดกับอตุสาหกรรมซอฟต์แวร์ พอเข้ามาตึกนี้เลยมีแต่ Startup อยู่กันเยอะเลย

คุณวี ซึ่งเป็น Co-founder ของ 425 Degree ได้อธิบายธุรกิจของ 425 Degree ว่าต้องเอา Data Science มาตอบโจทย์กับแนวคิดรีวิวชัด / คัดของดี / สั่งง่าย / ส่งไว และได้ของชัวร์ ได้อย่างไรครับ โดยในส่วนที่เป็น Technical มีคุณกุกกิก และคุณมายอธิบายเสริมครับ

- เทคโนโลยี

• สำหรับเทคโนโลยีที่ 425Degree นำมาใช้เป็นสายของ Python ครับ + กับการนำเสนอข้อมูลโดยใช้ Kibana / elastic search / logstash / beats

- ทีมคอนเทนต์ (รีวิวชัด)

• ปัญหา
  • ส่วนใหญ่พบว่าลูกค้ามีการกลีบมาซื้อของที่ร้านในครั้งที่ 2 และ 3 นะ ซึ่งมีค่าขนส่งที่ต้องจ่ายด้วย ทำอย่างไรให้ลูกค้าสามารถซื้อครั้งเดียวได้ครบถ้วน
• แก้ไขโดย : การทำ Product Recommendation
  • แนะนำจากกลุ่มสินค้าที่ใกล้เคียงกันใช้งานคู่กันได้ เช่น เคส iPad Gen 7 ควรแนะนำคู่กับ iPad Gen 7 เป็นต้น โดย Product Recommendation ใช้แนวคิดของ Non-Negative Matrix Factorization (NMF) ที่เข้ามาช่วยลดมิติของข้อมูล (vector) ให้เล็กลง ในที่นี้จะเป็น vector ของ user และ vector ของ product เอามา cross กัน โดยใช้ proxy data ได้แก่ ยอดขาย การซื้อซ้ำ เป็นต้น โดยนอกจากตัวโมเดลแล้ว ยังมีการกำหนดเงื่อนไข (constraint) เพิ่มเติม เพื่อไม่ให้โมเดลมันแนะนำอะไรแปลกๆออกมา เช่น ยอดขายเกินจากขั้นต่ำที่กำหนดไว้ หรือไม่ เป็นต้น (สำหรับเรื่อง NMF หรือ Collaborative Filtering สามารถอ้างเพิ่มเติมได้จากลิงค์นี้เลยครับ)
  • Inspection - เน้นการ visualization ข้อมูลให้ง่ายกับทีมในการตรวจสอบว่าสิ่งที่โมเดลแนะนำมามีความแม่นยำประมาณไหน
  • verification - ถ้าถามผม ผมมองว่ามันก็เหมือน visualization ให้เห็นว่า กว่าจะได้สินค้าที่ลูกค้าซื้อมา ต้องมีการเลือกสินค้าไหนบ้าง ในวันไหน (Customer Journey)
  • จากการทำ Product Recommendation (NMF) จะได้ข้อมูล vector ของ user ทำให้สามารถเอาไปจัดกลุ่มลูกค้า และสินค้าเข้าด้วยกันได้ครับ จาก Insight ตรงนี้ ทางทีม Marketing สามารถจัดทำ Marketing Campaign / Loyalty Program เป็นต้น
  • Note จาก Session QA การแนะนำยังมีข้อจำกัดอยู่กรณีที่เป็นสินค้าที่เพิ่งออกมาใหม่

- ทีมจัดซื้อ (คัดของดี)

• ปัญหา
  • เนื่องจากมี Business Model ที่ส่งเร็ว ทำให้ต้องมีการตุนสินค้าไว้ส่วนหนึ่ง แต่ปัญหา คือ ควรจะเตรียมสินค้าอะไร ในช่วงสั่นๆ 1-2 สัปดาห์ ให้สอดคล้องกับทีมคอนเทนต์ และการสั่งชื่อจริงจากลูกค้า แต่ทำให้มีการจัดซื้อที่ถี่ขึ้น
  • การสินค้าที่ตุนไว้ ไม่อยากให้เกิดปัญหา Stock Loss (สั่งมาแล้ว ขายไม่ออก)
• การตัดสินใจในการจัดซื้อเกิดจากคน ไม่สนใจ Insight
  • แก้ไขโดย : ใช้ Data Visualization แทน
    • นำเสนอข้อมูลให้ง่ายกับการตัดสินใจ เช่น นำ Heatmap มาแสดงความถี่ของสินค้า กับกำไรที่ได้ (สีเข้มควรสนใจเป็นพิเศษ สีอ่อนรองลงมา) หรือ ใช้กราฟแท่ง โดยเรียงข้อมูลตามลำดับจากมากไปหาน้อย
    • ทำให้ควบคุมสินค้าในคลังได้ และคุมเงืนสดด้วย

- ทีมรับลูกค้า (สั่งง่าย)

• ปัญหา
  • ลูกค้าไม่ได้ตัดสินใจ จากข้อมูลหน้าเว็บได้เลย จึงมีคำถามมากมายส่งมาให้ทีมงานหลังบ้านตอบ
  • ทีมงาน Support มีน้อย แต่คำถามเยอะมาก ไม่รู้ว่าควรจะตอบคำถามไหนดี หรือมีงานที่ทำซ้ำซ้อน ทำให้ต้องเสียเวลาตีความ ทำให้ลูกค้ารู้สึกไม่ดีกว่าร้าน 425 ตอบช้า
• แก้ไขโดย : นำ Chatbot เข้ามา
  • เพื่อช่วยแยกแยะ ว่าลูกค้าถามหมวดไหน โดยใช้ Dialog Flow แต่ตอนนี้ยังทำ Label ด้วยมือ ยังไม่สามารถทำได้นะ ติดคุณภาพของ chat และภาษาไทย
  • เพื่อลดงานซ้ำซ้อน ได้แก่ การจัดการที่อยู่ที่ส่งสินค้า อันนี้ทาง 425degree มี Contribute Lib ด้วยครับ https://github.com/425degree-developers/thaiaddress และการตีความสลิปจาก Online Banking ต่างๆ ว่าได้โอนเงินเรียยร้อยแล้ว โดยใช้เทคนิค OCR

- ทีมคลังสินค้า / ทีมจัดส่ง (สั่งง่าย ส่งไว)

• ปัญหา
  • จัดเก็บสินค้า อย่างไรให้ส่งได้รวดเร็ว และส่งได้ไว
• แก้ไขโดย
  • ใช้แนวคิด Customer Geolocation
  • จัดทำ Dashboard เพื่อให้เห็นภาพว่า ลูกค้าสั่งจากพิ้นที่ไหน หรือ พื้นที่ไหนกำไรต่อหน่วยสูง
  • เมื่อได้ข้อมูลแล้ว สามารถนำไปวางแผนการจัดส่ง หรือ สร้างคลังสินค้า ลดเวลาในการกระจายสินค้าลง

ปิดท้าย

• การนำตัว Data Science ต้องมีการวางแผน กลยุทธ์ เพราะ ว่าจะได้ข้อมูลมาทำ อาจจะต้องอดทนใช้เวลา 1-2 ปีขึ้นไปในการเก็บข้อมูล และเตรียมข้อมูล
• การเปลี่ยนแปลงผู้บริหารต้องรับทราบความเสี่ยง และก้าวไปพร้อมกัน (จริงๆ มันแอบคล้ายปัญหาของ Software Engineering นะ ถ้าเปลี่ยนเทคโนโลยี หรือวิธีการ เช่น ทำ Automate Test ทำให้คุณภาพ Software ดีขึ้น แต่เราจะทำไหม ต้องใช้เวลา และลงทุน)
• Data Scientist เหมือนกับพวก System Analyst แปลง Business เป็น ปัญหาที่เอา Data Science มาตอบโจทย์ยังไง
• จะทำอย่างไร ให้การ recommend ไม่ไปกระทบ Target ไหม ต้องมีการทดสอบ โดยการทำ AB Test น่าจะตอบโจทย์นี้
• ปิดท้ายด้าน Signature ของ Blog นี้ครับ ของกิน อิอิ

Reference

• VDO งาน : https://www.facebook.com/kxinnovation/videos/318882432690695/?v=318882432690695
• https://www.425degree.com/