Machine Learning คืออะไร? อธิบายแบบนักการตลาด พร้อมตัวอย่างใน Google Ads และ Meta

Machine learning คือ แมชชีนเลิร์นนิง หรือการเรียนรู้ของเครื่อง เป็นสาขาหนึ่งของปัญญาประดิษฐ์ (AI) ที่ให้คอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูลจำนวนมาก แล้วใช้รูปแบบนั้นคาดการณ์หรือตัดสินใจกับข้อมูลใหม่ โดยไม่ต้องมีคนเขียนกฎทุกข้อไว้ล่วงหน้า สำหรับนักการตลาด machine learning คือระบบที่อยู่เบื้องหลัง Smart Bidding ของ Google Ads, Performance Max, Meta Advantage+ และระบบแนะนำสินค้าบนเว็บอีคอมเมิร์ซ

บทความนี้อธิบาย machine learning แบบคนทำธุรกิจ ไม่ลงสมการ ครอบคลุมความต่างระหว่าง AI, machine learning และ deep learning ประเภทหลักของการเรียนรู้ ตัวอย่างในเครื่องมือการตลาดที่ใช้อยู่ทุกวัน ข้อมูลที่ต้องมีก่อนระบบจะทำงานได้ดี และข้อจำกัดที่ควรรู้ก่อนมอบการตัดสินใจให้ระบบอัตโนมัติ

Machine learning คืออะไร อธิบายแบบคนทำธุรกิจ

ลองเทียบสองวิธีในการตัดสินใจว่าลูกค้าคนไหนน่าจะซื้อ วิธีแรกคือเขียนกฎเอง เช่น "ถ้าเข้าหน้าราคามากกว่าสองครั้ง ให้ถือว่าสนใจ" วิธีนี้เข้าใจง่าย แต่กฎถูกกำหนดจากความรู้สึกของคนเขียน และไม่ปรับตัวเมื่อพฤติกรรมลูกค้าเปลี่ยน วิธีที่สองคือป้อนข้อมูลการเข้าชมเว็บย้อนหลังพร้อมผลลัพธ์ว่าใครซื้อหรือไม่ซื้อ แล้วให้ระบบหาเองว่าสัญญาณแบบไหนเกี่ยวกับการซื้อมากที่สุด วิธีที่สองคือ machine learning

ผลลัพธ์ของการเรียนรู้เรียกว่า "โมเดล" ซึ่งก็คือชุดความสัมพันธ์ทางสถิติที่ระบบสรุปได้จากข้อมูล เมื่อมีข้อมูลใหม่เข้ามา โมเดลจะให้คำตอบเป็นการคาดการณ์ เช่น ความน่าจะเป็นที่การคลิกนี้จะกลายเป็นยอดขาย หรือหมวดสินค้าที่ผู้ใช้คนนี้น่าจะสนใจ สิ่งสำคัญที่ต้องเข้าใจคือโมเดลไม่ได้ "รู้" อะไรนอกเหนือจากข้อมูลที่ได้รับ ถ้าข้อมูลผิด ไม่ครบ หรือเอนเอียง คำตอบก็จะผิดหรือเอนเอียงตามไปด้วย

Machine learning ต่างจาก AI และ deep learning อย่างไร

สามคำนี้ซ้อนกันเหมือนวงกลมสามวง AI เป็นวงใหญ่สุด หมายถึงระบบใดก็ตามที่ทำงานซึ่งปกติต้องใช้ความฉลาดของมนุษย์ ซึ่งรวมถึงระบบที่ทำงานด้วยกฎที่คนเขียนไว้ด้วย Machine learning เป็นวงกลางที่อยู่ภายใน AI หมายถึงระบบที่เรียนรู้จากข้อมูลแทนการทำตามกฎตายตัว ส่วน deep learning เป็นวงในสุด เป็นเทคนิคหนึ่งของ machine learning ที่ใช้โครงข่ายประสาทเทียม (neural network) หลายชั้น เหมาะกับข้อมูลที่ซับซ้อน เช่น ภาพ เสียง และข้อความ

ในทางปฏิบัติ เมื่อแพลตฟอร์มโฆษณาบอกว่าใช้ "AI" มักหมายถึง machine learning ที่ใช้คาดการณ์ผลลัพธ์ เช่น โอกาสเกิด conversion ส่วนฟีเจอร์ที่สร้างข้อความหรือภาพให้อัตโนมัติคือ generative AI ซึ่งเป็นอีกงานหนึ่ง การแยกสองอย่างนี้ช่วยให้ตั้งคำถามกับเครื่องมือได้ถูก ว่ากำลังให้ระบบคาดการณ์ หรือกำลังให้ระบบสร้างเนื้อหา

ประเภทหลักของ machine learning แบบภาษาง่าย

Supervised learning: เรียนจากตัวอย่างที่มีคำตอบ

ระบบได้รับข้อมูลพร้อม "คำตอบที่ถูก" เช่น ประวัติการคลิกโฆษณาพร้อมผลว่าคลิกไหนเกิดยอดขาย แล้วเรียนรู้ว่าสัญญาณแบบไหนพาไปสู่คำตอบนั้น งานการตลาดส่วนใหญ่ที่ต้องคาดการณ์ เช่น โอกาสเกิด conversion การให้คะแนนลีด (lead scoring) หรือการคาดการณ์ลูกค้าที่กำลังจะเลิกใช้บริการ อยู่ในกลุ่มนี้ เพราะมีผลลัพธ์จริงให้ระบบเทียบ

Unsupervised learning: หารูปแบบเองโดยไม่มีคำตอบ

ระบบได้รับข้อมูลโดยไม่มีคำตอบกำกับ แล้วหากลุ่มหรือโครงสร้างที่ซ่อนอยู่ ตัวอย่างที่ใช้บ่อยคือการแบ่งกลุ่มลูกค้า (clustering) จากพฤติกรรมการซื้อ ซึ่งอาจพบกลุ่มที่ทีมการตลาดไม่เคยตั้งชื่อมาก่อน เช่น กลุ่มที่ซื้อเฉพาะช่วงลดราคา หรือกลุ่มที่ซื้อซ้ำสินค้าเดิมเป็นรอบ ผลลัพธ์แบบนี้ยังต้องให้คนตีความว่ามีความหมายทางธุรกิจหรือไม่

Reinforcement learning: เรียนจากการลองแล้วได้รางวัล

ระบบลองทำบางอย่าง ได้ผลตอบรับว่าดีหรือไม่ดี แล้วปรับการกระทำครั้งต่อไปเพื่อให้ได้ผลดีขึ้น แนวคิดนี้ใกล้กับการทดสอบโฆษณาหลายชิ้นแล้วค่อยๆ เทงบไปยังชิ้นที่ทำผลงานดี ซึ่งต้องสมดุลระหว่างการ "ลองของใหม่" กับ "ใช้สิ่งที่รู้ว่าได้ผล" แพลตฟอร์มไม่ได้เปิดเผยรายละเอียดว่าใช้เทคนิคใดในแต่ละฟีเจอร์ จึงควรเข้าใจเป็นหลักการมากกว่ายึดว่าฟีเจอร์ใดใช้วิธีใดแน่นอน

Machine learning ในเครื่องมือการตลาดที่ใช้อยู่ทุกวัน

Smart Bidding ใน Google Ads

Smart Bidding คือกลุ่มกลยุทธ์การเสนอราคาอัตโนมัติของ Google Ads ที่ใช้ machine learning ตั้งราคาประมูลในแต่ละการประมูล (auction-time bidding) ได้แก่ Target CPA, Target ROAS, Maximize Conversions และ Maximize Conversion Value ระบบพิจารณาสัญญาณจำนวนมากในขณะที่มีคนค้นหา เช่น อุปกรณ์ ตำแหน่งที่ตั้ง ช่วงเวลา ภาษา รายการรีมาร์เก็ตติ้ง และคำค้นหา แล้วคาดการณ์ว่าการคลิกนั้นมีโอกาสเกิด conversion หรือมูลค่าเท่าไร ก่อนตั้งราคาให้สอดคล้องกับเป้าหมายที่กำหนด

สิ่งที่ต้องเข้าใจคือ Smart Bidding เพิ่มประสิทธิภาพให้กับสิ่งที่คุณบอกว่าเป็น conversion เท่านั้น ถ้าตั้งให้การคลิกปุ่มโทรนับเป็น conversion ทั้งที่สายส่วนใหญ่เป็นการโทรสอบถามทั่วไป ระบบจะเรียนรู้ที่จะหาคนที่กดโทร ไม่ใช่คนที่ซื้อ นอกจากนี้ เมื่อเปลี่ยนกลยุทธ์หรือเป้าหมายอย่างมีนัยสำคัญ กลยุทธ์จะแสดงสถานะ "กำลังเรียนรู้" ในบัญชี ซึ่งผลลัพธ์ช่วงนั้นอาจผันผวน การเปลี่ยนเป้าหมายบ่อยจึงทำให้ระบบไม่ได้เรียนรู้ต่อเนื่อง

Performance Max

Performance Max เป็นแคมเปญแบบเดียวที่ใช้ machine learning ของ Google เลือกทั้งตำแหน่งแสดงโฆษณา กลุ่มเป้าหมาย และการผสมชิ้นงานโฆษณา ครอบคลุม Search, YouTube, Display, Discover, Gmail และ Maps นักการตลาดให้ชิ้นงาน (ข้อความ ภาพ วิดีโอ) และสัญญาณกลุ่มเป้าหมาย (audience signals) เป็นจุดตั้งต้น แล้วระบบจะขยายการค้นหากลุ่มคนต่อเอง ข้อแลกเปลี่ยนคือการควบคุมและการมองเห็นรายละเอียดที่น้อยกว่าแคมเปญแยกประเภท จึงต้องอาศัยการวัด conversion ที่ถูกต้องและการตรวจรายงานชิ้นงานกับคำค้นหาเท่าที่แพลตฟอร์มเปิดให้ดู

Meta Advantage+

Meta ใช้ชื่อ Advantage+ กับกลุ่มฟีเจอร์อัตโนมัติ เช่น Advantage+ audience ที่ให้ระบบขยายกลุ่มเป้าหมายเกินกว่าที่ตั้งไว้เมื่อคาดว่าจะได้ผลดีกว่า และแคมเปญ Advantage+ ที่ให้ระบบจัดการกลุ่มเป้าหมาย ตำแหน่งโฆษณา และงบประมาณเองมากขึ้น Meta อธิบายว่า ad set จะอยู่ใน "ช่วงเรียนรู้" (learning phase) หลังสร้างใหม่หรือแก้ไขครั้งใหญ่ และจะออกจากช่วงนี้ทันทีที่แสดงผลได้คงที่ ซึ่งมักเกิดหลังได้ผลลัพธ์ประมาณ 50 ครั้งในสัปดาห์หลังการแก้ไขสำคัญครั้งล่าสุด ข้อนี้มีผลในทางปฏิบัติ คือ ถ้าเลือกเป้าหมายที่เกิดน้อยมาก เช่น การซื้อสินค้าราคาสูง ad set อาจค้างอยู่ในช่วงเรียนรู้ บางธุรกิจจึงเลือกเหตุการณ์ที่เกิดบ่อยกว่าแต่ยังเกี่ยวกับการซื้อ เช่น การเพิ่มสินค้าลงตะกร้า

ระบบแนะนำสินค้า

ข้อความ "สินค้าที่คุณอาจสนใจ" บนเว็บอีคอมเมิร์ซ หรือรายการวิดีโอที่ถูกแนะนำต่อ มาจากระบบแนะนำ (recommendation system) ซึ่งเรียนรู้จากพฤติกรรมของผู้ใช้จำนวนมาก เช่น คนที่ดูสินค้า A มักซื้อสินค้า B ด้วย ระบบแบบนี้ใช้ได้ทั้งบนหน้าเว็บ ในอีเมล และในข้อความ LINE ที่ส่งตามพฤติกรรม ข้อควรรู้คือระบบแนะนำต้องการประวัติพฤติกรรมพอสมควร สินค้าใหม่หรือลูกค้าใหม่ที่ยังไม่มีข้อมูลจะได้คำแนะนำที่แม่นน้อยกว่า ปัญหานี้เรียกว่า cold start

ข้อมูลที่ต้องมีก่อนใช้ machine learning ให้ได้ผล

ระบบอัตโนมัติจะดีได้เท่ากับข้อมูลที่ป้อน ก่อนเปิดใช้กลยุทธ์อัตโนมัติใดๆ ควรตรวจสิ่งเหล่านี้ในบัญชีของคุณเอง

1. การวัด conversion ถูกต้องและไม่ซ้ำ: ตรวจว่าแท็กยิงครั้งเดียวต่อการซื้อหนึ่งครั้ง ไม่นับหน้าขอบคุณที่ถูกรีเฟรชซ้ำ และแยก conversion หลักกับ conversion รองให้ชัด
2. เลือกเป้าหมายที่สะท้อนธุรกิจจริง: ถ้าธุรกิจได้เงินจากลีดที่ปิดการขายได้ การนำข้อมูลการขายจริงกลับเข้าแพลตฟอร์ม (offline conversion import) จะช่วยให้ระบบเรียนรู้จากลีดที่มีคุณค่า แทนที่จะเรียนรู้จากแบบฟอร์มทุกใบ
3. ส่งมูลค่าที่ถูกต้อง: ถ้าใช้ Target ROAS หรือ Maximize Conversion Value มูลค่า conversion ต้องตรงกับรายได้หรือกำไรจริง ไม่ใช่ตัวเลขสมมติที่ใส่เท่ากันทุกครั้ง
4. ปริมาณข้อมูลเพียงพอ: แคมเปญที่มี conversion น้อยมากให้ข้อมูลระบบไม่พอเรียนรู้ ควรตรวจคำแนะนำปัจจุบันของแต่ละแพลตฟอร์มในบัญชี และพิจารณารวมแคมเปญที่คล้ายกันเพื่อให้ข้อมูลไม่กระจายเกินไป
5. ข้อมูลลูกค้าของตัวเอง (first-party data): รายชื่อลูกค้าสำหรับ Customer Match หรือกลุ่มเป้าหมายที่กำหนดเองบน Meta ช่วยบอกระบบว่าลูกค้าที่ดีหน้าตาเป็นอย่างไร แต่ต้องเก็บและใช้ตามความยินยอมที่ได้รับ
6. Enhanced conversions: ฟีเจอร์ของ Google Ads ที่ส่งข้อมูลลูกค้าที่ผ่านการแฮชแล้ว เช่น อีเมล เพื่อช่วยจับคู่ conversion ได้ครบขึ้นเมื่อคุกกี้มีข้อจำกัด

ข้อจำกัดและ bias ที่นักการตลาดควรรู้

Machine learning ช่วยได้มาก แต่ไม่ได้แทนการตัดสินใจของคน ข้อจำกัดที่ควรเข้าใจมีดังนี้

• เรียนจากอดีต: โมเดลคาดการณ์จากรูปแบบในข้อมูลที่ผ่านมา เมื่อสถานการณ์เปลี่ยนเร็ว เช่น มีโปรโมชันใหญ่ เทศกาล หรือเว็บไซต์ล่ม ระบบอาจตอบสนองช้าหรือผิดทาง Google Ads มีเครื่องมือ seasonality adjustments และ data exclusions ให้แจ้งระบบล่วงหน้าหรือตัดข้อมูลช่วงที่ผิดปกติออก
• เพิ่มประสิทธิภาพตามเป้าหมายที่ตั้งเท่านั้น: ถ้าเป้าหมายคือยอด conversion ราคาถูก ระบบอาจพบว่าลูกค้าเดิมหรือคนที่ค้นชื่อแบรนด์เป็นกลุ่มที่ได้ผลง่ายที่สุด และใช้งบไปกับคนที่จะซื้ออยู่แล้ว การแยกวัดลูกค้าใหม่และการทดลองแบบมีกลุ่มควบคุมช่วยตอบได้ว่าระบบสร้างยอดเพิ่มจริงหรือไม่
• Bias ในข้อมูล: ถ้าข้อมูลในอดีตสะท้อนการตัดสินใจที่เอนเอียง โมเดลจะเรียนความเอนเอียงนั้นไปด้วย ในการตลาด ผลที่เห็นได้คือระบบอาจแสดงโฆษณาให้บางกลุ่มน้อยลงเรื่อยๆ เพียงเพราะในอดีตกลุ่มนั้นได้เห็นโฆษณาน้อย จึงมีข้อมูลน้อย
• มองไม่เห็นเหตุผลข้างใน: แพลตฟอร์มไม่ได้บอกว่าทำไมจึงตั้งราคาแบบนั้นในแต่ละการประมูล นักการตลาดจึงต้องตัดสินจากผลลัพธ์รวม เช่น ต้นทุนต่อ conversion รายได้ และคุณภาพลีด แทนการเข้าใจทุกการตัดสินใจ
• ผลประโยชน์ไม่ตรงกันทั้งหมด: แพลตฟอร์มโฆษณามีรายได้จากการใช้งบ คำแนะนำอัตโนมัติจึงควรถูกตรวจด้วยเป้าหมายทางธุรกิจของคุณเอง ก่อนกดยอมรับ

ตัวอย่างประกอบ (ตัวเลขสมมติเพื่ออธิบาย): ร้านค้าออนไลน์ตั้ง Target ROAS แต่ส่งมูลค่า conversion เป็นยอดขายรวมก่อนหักคืนสินค้า ถ้าสินค้าบางหมวดมีอัตราคืนสูง ระบบจะมองว่าหมวดนั้นทำรายได้ดีและเทงบไปมากขึ้น ทั้งที่กำไรจริงต่ำกว่า วิธีแก้คือปรับมูลค่าที่ส่งให้ใกล้กำไรจริงมากขึ้น หรือแยกหมวดที่มีอัตราคืนสูงออกมาดูแลต่างหาก

สิ่งนี้มีความหมายอย่างไรกับนักการตลาดไทย

สำหรับธุรกิจในไทย ประเด็นแรกคือข้อมูลที่เกิดนอกเว็บไซต์ ธุรกิจจำนวนมากปิดการขายผ่าน LINE Official Account แชต Facebook หรือโทรศัพท์ ถ้าการขายเหล่านี้ไม่ถูกส่งกลับเข้าแพลตฟอร์มโฆษณา ระบบ machine learning จะเห็นเพียงการคลิกหรือการทักแชต แต่ไม่เห็นว่าใครซื้อจริง การเชื่อมข้อมูลการขายกลับเข้า Google Ads หรือ Meta ผ่าน offline conversion หรือ Conversions API จึงสำคัญมากในตลาดที่การซื้อขายผ่านแชตเป็นเรื่องปกติ

ประเด็นที่สองคือการใช้ข้อมูลลูกค้า การอัปโหลดรายชื่อลูกค้าเพื่อทำ Customer Match หรือกลุ่มเป้าหมายบน Meta เป็นการใช้ข้อมูลส่วนบุคคล ต้องเป็นไปตามพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) ของไทย เช่น มีฐานทางกฎหมายหรือความยินยอมที่เหมาะสม และแจ้งวัตถุประสงค์ให้ชัด ประเด็นที่สามคือภาษา ชิ้นงานโฆษณาภาษาไทยที่ระบบนำไปผสมอัตโนมัติควรตรวจว่าอ่านแล้วเป็นธรรมชาติในทุกการผสม เพราะพาดหัวที่ถูกต้องเมื่ออยู่เดี่ยวๆ อาจอ่านแปลกเมื่อถูกจับคู่กับคำอธิบายบางแบบ

คำถามที่พบบ่อยเกี่ยวกับ machine learning

Machine learning คืออะไร สรุปสั้นๆ

Machine learning คือวิธีให้คอมพิวเตอร์เรียนรู้รูปแบบจากข้อมูลแล้วนำไปคาดการณ์กับข้อมูลใหม่ โดยไม่ต้องเขียนกฎทุกข้อเอง เป็นส่วนหนึ่งของ AI และเป็นเทคโนโลยีหลักใน Smart Bidding, Performance Max และ Meta Advantage+

Machine learning กับ AI ต่างกันอย่างไร

Machine learning เป็นส่วนย่อยของ AI โดย AI หมายถึงระบบใดก็ได้ที่ทำงานซึ่งต้องใช้ความฉลาด รวมถึงระบบที่ทำตามกฎตายตัว ส่วน machine learning หมายเฉพาะระบบที่เรียนรู้จากข้อมูล และ deep learning เป็นเทคนิคหนึ่งของ machine learning อีกชั้นหนึ่ง

ธุรกิจเล็กใช้ machine learning ได้ไหม

ได้ เพราะธุรกิจส่วนใหญ่ใช้ machine learning อยู่แล้วผ่านแพลตฟอร์มโฆษณาโดยไม่ต้องสร้างโมเดลเอง สิ่งที่ต้องทำคือวัด conversion ให้ถูก เลือกเป้าหมายที่สะท้อนรายได้จริง และไม่เปลี่ยนการตั้งค่าบ่อยจนระบบไม่ได้เรียนรู้

ทำไม Smart Bidding ยังไม่ได้ผลแม้เปิดใช้แล้ว

สาเหตุที่พบได้บ่อยคือข้อมูล conversion ไม่ถูกต้องหรือมีน้อยเกินไป เป้าหมาย CPA หรือ ROAS ตั้งไว้ไม่สมจริง หรือมีการเปลี่ยนกลยุทธ์ระหว่างช่วงเรียนรู้ ควรตรวจสถานะกลยุทธ์ การวัด conversion และประวัติการเปลี่ยนแปลงในบัญชีก่อนสรุปว่าระบบไม่ได้ผล

Machine learning ในโฆษณามีความเสี่ยงอะไร

ความเสี่ยงหลักคือระบบเพิ่มประสิทธิภาพให้เป้าหมายที่ตั้งผิด เรียนรู้ความเอนเอียงจากข้อมูลในอดีต และให้เครดิตกับยอดขายที่จะเกิดขึ้นอยู่แล้ว การตั้งเป้าหมายให้ตรงธุรกิจและการทดลองแบบมีกลุ่มควบคุมช่วยลดความเสี่ยงเหล่านี้

สรุป

Machine learning คือการให้ระบบเรียนรู้จากข้อมูลแทนการเขียนกฎเอง และเป็นแกนของเครื่องมือโฆษณาที่นักการตลาดใช้ทุกวัน คุณภาพของผลลัพธ์ขึ้นกับคุณภาพของข้อมูลและเป้าหมายที่ป้อนให้ระบบเป็นหลัก ไม่ได้ขึ้นกับการกดเปิดฟีเจอร์อัตโนมัติ

ถ้าต้องการวางโครงสร้าง conversion และกลยุทธ์ประมูลให้ระบบเรียนรู้จากข้อมูลที่ถูกต้อง ดู บริการ Google Ads และ บริการโฆษณา Facebook Ads ถ้าต้องการเชื่อมข้อมูลการขายจากแชตหรือ CRM กลับเข้าระบบการตลาด ดู บริการการตลาดอัตโนมัติ และสำหรับการปรับระบบข้อมูลทั้งองค์กร ดู บริการ Digital Transformation