data analytics คืออะไร? 4 ประเภท ขั้นตอน เครื่องมือ และ big data

data analytics คือ กระบวนการเก็บ จัดระเบียบ และวิเคราะห์ข้อมูลเพื่อตอบคำถามทางธุรกิจที่ชัดเจน เช่น ยอดขายเดือนนี้ลดลงเพราะอะไร หรือช่องทางโฆษณาไหนคุ้มค่าที่สุด ผลลัพธ์ที่ดีของงาน data analytics คือการตัดสินใจที่เปลี่ยนไป ไม่ใช่แค่รายงานที่สวยขึ้น

บทความนี้อธิบายว่า data analytics มีกี่ประเภท ต่างจาก big data และ business intelligence อย่างไร ธุรกิจควรเริ่มจากข้อมูลชุดไหน ใช้เครื่องมือกลุ่มใดบ้าง และจะแก้ปัญหาข้อมูลกระจัดกระจายอยู่หลายระบบได้อย่างไร

data analytics คืออะไร อธิบายแบบเข้าใจง่าย

ลองนึกภาพร้านค้าออนไลน์ที่มีข้อมูลอยู่สามที่ ได้แก่ ระบบหลังร้านที่บันทึกคำสั่งซื้อ GA4 ที่เก็บพฤติกรรมบนเว็บไซต์ และบัญชีโฆษณาที่บอกว่าใช้งบไปเท่าไร ข้อมูลแต่ละชุดตอบได้เพียงคำถามส่วนหนึ่ง เมื่อนำมารวมกันแล้วตั้งคำถามให้ถูก เช่น "ลูกค้าที่มาจากโฆษณาค้นหากลับมาซื้อซ้ำบ่อยกว่าลูกค้าจากโซเชียลหรือไม่" นั่นคือจุดที่งาน data analytics เริ่มทำงานจริง

หัวใจของ data analytics มีสามส่วน คือ คำถามที่ชัดเจน ข้อมูลที่เชื่อถือได้ และการตีความที่นำไปสู่การกระทำ ถ้าขาดคำถาม ทีมจะได้แดชบอร์ดที่มีตัวเลขเต็มหน้าจอแต่ไม่มีใครรู้ว่าต้องดูอะไร ถ้าข้อมูลไม่น่าเชื่อถือ ข้อสรุปทุกข้อก็คลาดเคลื่อนตาม และถ้าไม่มีการตีความ ตัวเลขก็เป็นแค่ตัวเลข

data analytics มีกี่ประเภท

วงการข้อมูลแบ่งการวิเคราะห์ออกเป็นสี่ระดับ แต่ละระดับตอบคำถามต่างกันและต้องใช้ข้อมูลกับทักษะมากขึ้นตามลำดับ ธุรกิจส่วนใหญ่ควรทำระดับแรกให้แน่นก่อนขยับขึ้นไป

1. Descriptive analytics: เกิดอะไรขึ้น

เป็นการสรุปสิ่งที่เกิดขึ้นแล้ว เช่น ยอดขายรายเดือน จำนวนผู้เข้าชมเว็บไซต์ อัตราการเปิดอีเมล หรือยอดใช้จ่ายโฆษณาแยกตามแคมเปญ รายงานประจำสัปดาห์และแดชบอร์ดส่วนใหญ่อยู่ในระดับนี้ ข้อดีคือทำได้เร็วและทุกคนเข้าใจ ข้อจำกัดคือบอกได้แค่ว่าตัวเลขขึ้นหรือลง แต่ไม่ได้บอกสาเหตุ

2. Diagnostic analytics: ทำไมถึงเกิด

เมื่อเห็นว่าตัวเลขเปลี่ยน ขั้นต่อไปคือหาสาเหตุ วิธีที่ใช้บ่อยคือการแยกข้อมูลเป็นกลุ่มย่อย (segmentation) เช่น แยกตามอุปกรณ์ ช่องทาง พื้นที่ หรือกลุ่มสินค้า แล้วดูว่ากลุ่มไหนเปลี่ยนมากที่สุด ตัวอย่างสมมติ: ยอดขายรวมลดลง 15% แต่เมื่อแยกดูพบว่ายอดจากเดสก์ท็อปคงที่ ส่วนยอดจากมือถือลดลงเกือบทั้งหมด สมมติฐานถัดไปจึงเป็นเรื่องหน้าชำระเงินบนมือถือ ไม่ใช่เรื่องราคาสินค้า

3. Predictive analytics: อะไรน่าจะเกิดขึ้น

ใช้ข้อมูลในอดีตสร้างแบบจำลองทางสถิติหรือ machine learning เพื่อคาดการณ์ เช่น พยากรณ์ยอดขายช่วงเทศกาล คาดว่าลูกค้ารายใดมีแนวโน้มเลิกซื้อ (churn) หรือประเมินว่าลีดรายใดมีโอกาสปิดการขายสูง ข้อควรจำคือการคาดการณ์เป็นความน่าจะเป็น ไม่ใช่คำสัญญา และแบบจำลองจะแม่นได้ก็ต่อเมื่อมีข้อมูลย้อนหลังมากพอและพฤติกรรมตลาดไม่เปลี่ยนแบบฉับพลัน

4. Prescriptive analytics: ควรทำอะไร

เป็นระดับที่เสนอทางเลือกหรือการกระทำ เช่น ควรย้ายงบโฆษณาไปช่องทางไหน ควรตั้งราคาเท่าไร หรือควรส่งข้อเสนอแบบใดให้ลูกค้ากลุ่มใด ระบบ smart bidding ในแพลตฟอร์มโฆษณาเป็นตัวอย่างใกล้ตัวของการวิเคราะห์ระดับนี้ เพราะระบบคาดการณ์โอกาสเกิด conversion แล้วปรับราคาประมูลให้อัตโนมัติ แต่ระบบจะตัดสินใจได้ดีเท่ากับข้อมูล conversion ที่ส่งเข้าไปเท่านั้น

big data คืออะไร และต่างจาก data analytics อย่างไร

big data คือ ชุดข้อมูลที่ใหญ่ เร็ว หรือหลากหลายเกินกว่าที่เครื่องมือทั่วไปอย่างสเปรดชีตจะจัดการได้ นิยามที่ใช้กันมากที่สุดอธิบายด้วยคุณลักษณะ "V" ได้แก่

• Volume (ปริมาณ): ข้อมูลจำนวนมหาศาล เช่น บันทึกการคลิกทุกครั้งบนแอปที่มีผู้ใช้หลายล้านคน
• Velocity (ความเร็ว): ข้อมูลที่ไหลเข้ามาต่อเนื่องแบบเรียลไทม์ เช่น ธุรกรรมการชำระเงินหรือข้อมูลจากเซนเซอร์
• Variety (ความหลากหลาย): ข้อมูลหลายรูปแบบ ทั้งตารางที่มีโครงสร้าง ข้อความแชต รูปภาพ และวิดีโอ
• Veracity (ความน่าเชื่อถือ): ข้อมูลปริมาณมากมักมีความคลาดเคลื่อน ข้อมูลซ้ำ หรือขาดหาย จึงต้องมีขั้นตอนตรวจสอบ
• Value (คุณค่า): ข้อมูลจะมีประโยชน์ก็ต่อเมื่อนำไปตอบคำถามที่สร้างผลลัพธ์ทางธุรกิจได้

ความต่างที่เข้าใจง่ายที่สุดคือ big data พูดถึงตัวข้อมูลและโครงสร้างพื้นฐานที่ใช้เก็บและประมวลผล ส่วน data analytics พูดถึงวิธีคิดและกระบวนการที่ดึงคำตอบออกมาจากข้อมูล ธุรกิจจำนวนมากทำ data analytics ได้ดีโดยไม่เคยแตะ big data เลย เพราะข้อมูลคำสั่งซื้อหลักหมื่นแถวก็เปิดได้ในสเปรดชีตหรือฐานข้อมูลขนาดเล็ก ในทางกลับกัน บริษัทที่เก็บ big data ไว้มากแต่ไม่มีคำถามชัดเจน ก็มีแค่ค่าเก็บข้อมูลที่เพิ่มขึ้นทุกเดือน

สัญญาณว่าธุรกิจเริ่มต้องคิดเรื่อง big data จริงจัง ได้แก่ รายงานใช้เวลาประมวลผลนานจนใช้งานไม่ได้ สเปรดชีตเปิดไม่ขึ้นเพราะจำนวนแถวเกินขีดจำกัด หรือต้องการวิเคราะห์ข้อมูลระดับเหตุการณ์ (event-level) จาก GA4 ย้อนหลังหลายเดือน ซึ่งมักต้องส่งออกไปยังคลังข้อมูลบนคลาวด์

data analytics ต่างจาก business intelligence อย่างไร

Business intelligence (BI) คือระบบและเครื่องมือที่ทำให้คนในองค์กรเข้าถึงข้อมูลได้สม่ำเสมอ เช่น แดชบอร์ดยอดขายที่อัปเดตทุกเช้า BI จึงเน้นการรายงานผลอย่างต่อเนื่อง ซึ่งส่วนใหญ่คือ descriptive analytics ส่วน data analytics กว้างกว่า ครอบคลุมการขุดหาสาเหตุ การทดลอง และการคาดการณ์ด้วย วิธีจำง่ายๆ คือ BI ตอบคำถามที่องค์กรถามซ้ำทุกสัปดาห์ ส่วน data analytics ตอบคำถามใหม่ที่ยังไม่มีรายงานรองรับ เมื่อคำถามใหม่ถูกถามบ่อยพอ ก็ควรย้ายไปอยู่ในแดชบอร์ด BI

กระบวนการทำ data analytics ทีละขั้น

1. ตั้งคำถามทางธุรกิจ: เขียนให้วัดได้ เช่น "ช่องทางไหนให้ลูกค้าที่ซื้อซ้ำภายใน 90 วันมากที่สุด" ดีกว่า "อยากรู้ว่าการตลาดได้ผลไหม"
2. ระบุแหล่งข้อมูล: ข้อมูลที่ต้องใช้อยู่ที่ไหน ใครเป็นเจ้าของ และเชื่อมกันด้วยอะไร เช่น อีเมล หมายเลขคำสั่งซื้อ หรือรหัสลูกค้า
3. เก็บและรวมข้อมูล: ดึงข้อมูลจากหลายระบบมาไว้ที่เดียว ขั้นนี้มักใช้เวลามากที่สุดในโครงการแรก
4. ทำความสะอาดข้อมูล: ลบรายการซ้ำ แก้รูปแบบวันที่ให้ตรงกัน จัดการค่าว่าง และตัดข้อมูลทดสอบออก
5. วิเคราะห์: เริ่มจากสรุปภาพรวม แล้วแยกกลุ่มเพื่อหาความต่าง ก่อนจะใช้สถิติหรือแบบจำลองที่ซับซ้อนขึ้น
6. นำเสนอและตัดสินใจ: สรุปเป็นข้อเสนอที่ทำได้จริง พร้อมบอกข้อจำกัดของข้อมูล
7. วัดผลซ้ำ: หลังลงมือทำ ให้กลับมาวัดตัวชี้วัดเดิมเพื่อดูว่าการเปลี่ยนแปลงได้ผลตามที่คาดหรือไม่

ธุรกิจควรเริ่มจากข้อมูลอะไร

จุดเริ่มต้นที่เหมาะสำหรับธุรกิจส่วนใหญ่มีสามแหล่ง

• GA4: ข้อมูลพฤติกรรมบนเว็บไซต์และแอป เช่น แหล่งที่มาของผู้เข้าชม หน้าที่เข้าดู และ event สำคัญ ข้อสำคัญคือต้องตั้งค่า conversion และ event ให้ตรงกับเป้าหมายธุรกิจ หากยังใช้การติดตั้งเดิมที่ย้ายมาจาก Universal Analytics แบบไม่ได้ตรวจสอบ ควรตรวจการตั้งค่า GA4ก่อนเริ่มวิเคราะห์จริงจัง
• CRM: ข้อมูลลีด สถานะการขาย และประวัติการติดต่อ ช่วยเชื่อมว่าลีดจากช่องทางใดกลายเป็นลูกค้าที่จ่ายเงินจริง
• ข้อมูลยอดขายและ ERP: มูลค่าคำสั่งซื้อ ต้นทุน สินค้าคงคลัง และการคืนสินค้า ซึ่งเป็นตัวเลขที่ใกล้กำไรจริงที่สุด

ข้อมูลโฆษณาจาก Google Ads, Meta หรือ TikTok ก็สำคัญ แต่ตัวเลข conversion ในแพลตฟอร์มโฆษณามักนับตามโมเดลของแพลตฟอร์มเอง จึงควรเทียบกับยอดขายจริงจาก CRM หรือระบบหลังร้านเสมอ

ปัญหาข้อมูลกระจัดกระจายแก้อย่างไร

ปัญหาที่พบบ่อยที่สุดในการเริ่มทำ data analytics คือข้อมูลอยู่คนละระบบ ใช้รหัสลูกค้าคนละแบบ และแต่ละทีมมีตัวเลข "ยอดขาย" ที่ไม่ตรงกัน ทางแก้เป็นขั้นตอนมากกว่าเป็นเครื่องมือตัวเดียว

1. ตกลงนิยามตัวชี้วัดร่วมกัน: เช่น "ลูกค้าใหม่" หมายถึงซื้อครั้งแรกในชีวิต หรือซื้อครั้งแรกในปีนี้ ถ้าไม่ตกลงตรงนี้ รวมข้อมูลแล้วก็ยังเถียงกันต่อ
2. เลือกคีย์เชื่อมข้อมูล: เช่น อีเมลที่ผ่านการแปลงเป็นตัวพิมพ์เล็ก เบอร์โทรในรูปแบบเดียวกัน หรือรหัสลูกค้าที่สร้างในระบบหลัก
3. รวมข้อมูลไว้ที่เดียว: ใช้คลังข้อมูล (data warehouse) และเครื่องมือดึงข้อมูลอัตโนมัติแทนการคัดลอกไฟล์ด้วยมือ งานส่วนนี้คือสิ่งที่บริการการพัฒนาและควบรวมข้อมูลทำโดยตรง
4. ซิงก์ระบบปฏิบัติการ: หาก CRM กับ ERP ไม่คุยกัน ทีมขายจะไม่เห็นสถานะการชำระเงิน และทีมบัญชีจะไม่เห็นที่มาของลูกค้า การเชื่อมต่อ ERP และ CRMจึงแก้ปัญหาตั้งแต่ต้นทาง
5. ตั้งการตรวจคุณภาพอัตโนมัติ: เช่น แจ้งเตือนเมื่อจำนวนคำสั่งซื้อในคลังข้อมูลไม่ตรงกับระบบหลังร้านเกินเกณฑ์ที่กำหนด

เครื่องมือ data analytics ที่ใช้บ่อย แบ่งตามกลุ่ม

เครื่องมือเปลี่ยนเร็ว การเข้าใจว่าแต่ละกลุ่มทำหน้าที่อะไรจึงสำคัญกว่าการจำชื่อ

• เก็บข้อมูลพฤติกรรม: GA4 และ Google Tag Manager สำหรับเว็บไซต์และแอป
• สเปรดชีต: Google Sheets และ Excel เหมาะกับข้อมูลขนาดเล็กถึงกลางและการวิเคราะห์เฉพาะกิจ
• คลังข้อมูลบนคลาวด์: เช่น BigQuery หรือ Snowflake สำหรับข้อมูลปริมาณมากที่ต้องใช้ SQL
• เครื่องมือดึงและแปลงข้อมูล (ETL/ELT): ย้ายข้อมูลจากแพลตฟอร์มโฆษณา CRM และระบบขายเข้าคลังข้อมูลตามรอบเวลา
• BI และแดชบอร์ด: เช่น Looker Studio, Power BI หรือ Tableau สำหรับรายงานที่ทีมเปิดดูเป็นประจำ
• ภาษาโปรแกรม: Python หรือ R สำหรับงานสถิติ แบบจำลองคาดการณ์ และงานอัตโนมัติ

ข้อผิดพลาดที่พบบ่อยคือซื้อเครื่องมือ BI ก่อนที่ข้อมูลจะสะอาด ผลคือได้แดชบอร์ดสวยที่แสดงตัวเลขผิดอย่างรวดเร็ว

ตัวอย่าง data analytics ในงานการตลาด

ตัวเลขทั้งหมดในส่วนนี้เป็นตัวอย่างสมมติเพื่ออธิบายวิธีคิด ไม่ใช่ข้อมูลจริงของธุรกิจใด

ตัวอย่างที่ 1: หาช่องทางที่ได้ลูกค้าคุณภาพ

สมมติร้านค้าออนไลน์ใช้งบโฆษณาเดือนละ 200,000 บาท แบ่งเท่ากันระหว่างโฆษณาค้นหาและโฆษณาโซเชียล ในแพลตฟอร์มโฆษณา ต้นทุนต่อคำสั่งซื้อแรกดูใกล้เคียงกัน เมื่อนำข้อมูลคำสั่งซื้อจากระบบหลังร้านมาเชื่อมกับแหล่งที่มา (สมมติ) พบว่าลูกค้าจากโฆษณาค้นหาซื้อซ้ำภายใน 90 วัน 30% ขณะที่ลูกค้าจากโซเชียลซื้อซ้ำ 12% ข้อสรุปจึงไม่ใช่การตัดโซเชียลทิ้ง แต่เป็นการวัดผลด้วยมูลค่าลูกค้าตลอดอายุ แทนต้นทุนต่อคำสั่งซื้อแรกเพียงอย่างเดียว

ตัวอย่างที่ 2: หาสาเหตุที่ conversion rate ตก

สมมติ conversion rate รวมของเว็บไซต์ลดจาก 2.0% เหลือ 1.4% ภายในสองสัปดาห์ การแยกข้อมูลใน GA4 ตามอุปกรณ์และเบราว์เซอร์พบว่าการลดลงเกิดเฉพาะผู้ใช้มือถือบางเบราว์เซอร์ หลังอัปเดตหน้าชำระเงิน นี่คือ diagnostic analytics ที่ชี้ไปยังปัญหาทางเทคนิค ซึ่งการปรับข้อความโฆษณาจะแก้ไม่ได้เลย

ตัวอย่างที่ 3: คาดการณ์ลูกค้าที่กำลังจะหายไป

ธุรกิจที่มีข้อมูลการซื้อย้อนหลังพอสมควรสามารถให้คะแนนลูกค้าตามระยะเวลาตั้งแต่ซื้อครั้งล่าสุด ความถี่ และมูลค่าการซื้อ (RFM) แล้วส่งข้อเสนอให้กลุ่มที่ห่างหายไปนานกว่าปกติ ก่อนที่พวกเขาจะเลิกซื้อจริง นี่คือจุดเริ่มต้นของ predictive analytics ที่ไม่ต้องใช้ machine learning ซับซ้อน

ทักษะที่คนทำงาน data analytics ต้องมี

• ตั้งคำถามทางธุรกิจ: แปลงปัญหาของผู้บริหารให้เป็นคำถามที่ข้อมูลตอบได้
• SQL และสเปรดชีต: ดึง กรอง และรวมข้อมูลเองได้โดยไม่ต้องรอทีมอื่น
• สถิติพื้นฐาน: เข้าใจค่าเฉลี่ย การกระจาย ขนาดตัวอย่าง และความต่างระหว่างความสัมพันธ์กับเหตุและผล
• การนำเสนอด้วยภาพ: เลือกกราฟที่ตอบคำถามได้ตรง ไม่ใช่กราฟที่ดูซับซ้อนที่สุด
• ความเข้าใจธุรกิจ: รู้ว่าตัวเลขไหนผูกกับรายได้และต้นทุนจริง

คุณภาพข้อมูลและ PDPA: สิ่งที่ต้องระวัง

การวิเคราะห์ที่ดีที่สุดก็ให้ผลผิดถ้าข้อมูลต้นทางผิด ปัญหาคุณภาพข้อมูลที่พบบ่อย ได้แก่ tag ติดตั้งซ้ำจนนับ conversion สองครั้ง ข้อมูลทดสอบปนกับข้อมูลจริง รูปแบบเบอร์โทรไม่เหมือนกันจนเชื่อมลูกค้าไม่ได้ และการเปลี่ยนนิยาม event กลางปีโดยไม่บันทึกไว้ ควรมีเอกสารสั้นๆ ที่ระบุว่าแต่ละตัวชี้วัดคำนวณอย่างไร และใครเป็นผู้ดูแล

ในประเทศไทย การเก็บและใช้ข้อมูลส่วนบุคคลอยู่ภายใต้พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) ก่อนนำข้อมูลลูกค้า เช่น อีเมลหรือเบอร์โทร ไปรวมหรือวิเคราะห์ ธุรกิจควรตรวจสอบว่ามีฐานทางกฎหมายและการแจ้งวัตถุประสงค์ที่ครอบคลุมการใช้งานนั้น จำกัดสิทธิ์การเข้าถึงข้อมูล และใช้ข้อมูลแบบไม่ระบุตัวตนหรือข้อมูลสรุปเมื่อทำได้ บทความนี้ไม่ใช่คำแนะนำทางกฎหมาย สำหรับกรณีเฉพาะควรปรึกษาผู้เชี่ยวชาญด้านกฎหมายหรือเจ้าหน้าที่คุ้มครองข้อมูลส่วนบุคคลขององค์กร

data analytics ในตลาดไทย

ธุรกิจไทยมีลักษณะเฉพาะที่ส่งผลต่องานวิเคราะห์ข้อมูลโดยตรง ประการแรก การขายจำนวนมากเกิดในแชต เช่น LINE OA และ Facebook Messenger ทำให้เส้นทางจากโฆษณาไปสู่ยอดขายขาดช่วง ถ้าไม่มีการบันทึกแหล่งที่มาของแชตไว้ใน CRM ข้อมูลโฆษณาจะดูเหมือนไม่สร้างยอดขายเลย ประการที่สอง ร้านค้าจำนวนมากขายผ่านมาร์เก็ตเพลซควบคู่กับเว็บไซต์ตัวเอง ข้อมูลลูกค้าจากมาร์เก็ตเพลซมักมีรายละเอียดจำกัด การวิเคราะห์ภาพรวมจึงต้องรวมรายงานยอดขายจากหลายช่องทาง ประการที่สาม ข้อความภาษาไทยไม่มีการเว้นวรรคระหว่างคำ งานวิเคราะห์ข้อความ เช่น รีวิวหรือแชต จึงต้องใช้เครื่องมือตัดคำภาษาไทยก่อนนับคำหรือจัดกลุ่มหัวข้อ

สำหรับองค์กรที่ยังใช้ไฟล์ Excel ส่งต่อกันทางอีเมลเป็นหลัก การเริ่มทำ data analytics มักเป็นส่วนหนึ่งของการปรับกระบวนการทำงานทั้งหมด ไม่ใช่โครงการด้านไอทีอย่างเดียว ซึ่งเชื่อมโยงกับงานdigital transformationขององค์กร

คำถามที่พบบ่อยเกี่ยวกับ data analytics

data analytics คืออะไรแบบสั้นที่สุด

data analytics คือการใช้ข้อมูลตอบคำถามทางธุรกิจเพื่อให้ตัดสินใจได้ดีขึ้น ครอบคลุมตั้งแต่การสรุปว่าเกิดอะไรขึ้น ไปจนถึงการเสนอว่าควรทำอะไรต่อ

ธุรกิจขนาดเล็กจำเป็นต้องมี big data หรือไม่

ไม่จำเป็น ธุรกิจขนาดเล็กส่วนใหญ่ทำ data analytics ได้ดีด้วยข้อมูลจาก GA4 ยอดขาย และ CRM ในสเปรดชีตหรือแดชบอร์ดพื้นฐาน big data จะเริ่มจำเป็นเมื่อปริมาณหรือความเร็วของข้อมูลเกินกว่าที่เครื่องมือเหล่านี้รองรับ

ควรเริ่มทำ data analytics ประเภทไหนก่อน

ควรเริ่มจาก descriptive analytics ที่ข้อมูลถูกต้องและนิยามตรงกันทั้งองค์กร เพราะการวิเคราะห์ระดับ diagnostic, predictive และ prescriptive ล้วนต้องอาศัยข้อมูลพื้นฐานชุดเดียวกันนี้

data analyst กับ data scientist ต่างกันอย่างไร

data analyst เน้นการวิเคราะห์ข้อมูลที่มีอยู่เพื่อตอบคำถามธุรกิจ ส่วน data scientist เน้นการสร้างแบบจำลองทางสถิติและ machine learning สำหรับการคาดการณ์ ในองค์กรขนาดเล็ก คนคนเดียวอาจทำทั้งสองบทบาท

เริ่มจากคำถามเดียว

วิธีเริ่มที่ได้ผลคือเลือกคำถามธุรกิจหนึ่งข้อที่ตอบแล้วเปลี่ยนการใช้งบหรือการทำงานได้จริง แล้วตรวจว่าข้อมูลที่ต้องใช้อยู่ครบและเชื่อถือได้หรือไม่ หากข้อมูลยังกระจายอยู่หลายระบบ Relevant Audience มีบริการรวมและจัดการข้อมูลที่ช่วยวางโครงสร้างนี้ได้ ติดต่อทีมงานเพื่อพูดคุยว่าควรเริ่มจากจุดไหน