ปัจจุบัน นักการตลาดชาวไทย มักจะมีการทำกิจกรรมทางการตลาดอยู่ใน Google Marketing Platform อยู่แล้วไม่ว่าจะเป็น

• การซื้อ Media ใน Google Ads
• การ Track พฤติกรรม User ใน Website ด้วย Google Analytic
• การทำ Personalization ด้วย Google Optimize
• ทำ Report ต่างๆด้วย Google Data Studio

และในอีกด้านหนึ่ง ทีม Infrastructure หรือทีม Data Engineer ก็อาจจะมีการใช้ Google Big Query, Google Cloud ในการ

• ใช้เป็น Big Data Analytic Cloud Platform
• ใช้ในการปรับรูปแบบข้อมูลหรือ ETL (Extract-Transform-Loading)
• ใช้ในการ Automate Data จาก Google App ด้วยกัน

และในปัจจุบันการใช้ CDP หรือ Customer Data Platform ก็เริ่มเป็นที่พูดถึงในวงกว้าง จึงมีคำถามว่าจากผลิตภัณฑ์ของ Google ที่เราใช้กันมากมายอยู่นั้น สามารถอัพความสามารถให้เทียบเท่า Modern CDP ยุคใหม่ได้อย่างไรบ้าง

DCAVA dataflow framework

Datasets

ข้อมูลที่เราเก็บได้จาก Google Marketing Platform / Apps ต่างๆสามารถส่งไปที่ Google Big Query ได้ด้วย Big Query Data Transfer Service โดย Platform / Apps ทั้งหมดที่รองรับการถ่ายโอนข้อมูลแบบ BQDTS ได้แก่

• Campaign Manager
• Cloud Storage
• Google Ads Manager
• Google Merchant Center (beta)
• Google Play
• Search Ads 360 (beta)
• YouTube Channel reports
• YouTube Content Owner reports

ข้อมูลจาก Google Optimize ต้องอาศัยการ Manual Export เพื่อเข้าไปที่ Google Big Query

ข้อมูลจาก Analytic Application ต่างๆของ Google สามารถเชื่อมต่อตรงกับ Big Query ได้ทันที โดยประโยชน์ของการ Connect ข้อมูลจาก Google Analytic (ต้องเป็น GA4 หรือ GA360)

• ข้อมูลไม่ Sampling
• สร้าง Dimensions ได้ไม่จำกัด
• สามารถรวมจำนวน Goal Convert ได้โดยการคำนวน หรือ (Calculate aggregated)
• สร้าง Channel Grouping เองได้

โดยเราสามารถ Link Google Analytic เรากับ Big Query ได้ง่ายๆ แค่การ Link GA กับ BQ project

ข้อมูลจาก Social Media ต่างๆ

ประโยชน์ของการดึงข้อมูลจาก Social Media Ads มาที่ Big Query

• เก็บ Insight จาก Social Media Ads ได้แบบไม่หมดอายุ
• วิเคราะห์ประสิทธิภาพ Social Media แต่ละ Campaign ได้ละเอียด
• สามารถใช้ความสามารถของ BQ ในการปรับรูปแบบข้อมูล ETL (Extract-Transform-Loading) ได้ ทำให้ VIsualize ข้อมูลได้ Advance ขึ้น

สามารถเชื่อมต่อได้โดยการพัฒนา API ขึ้นใช้เอง หรือใช้บริการ Connector จาก IPAAS อื่นๆ

ตัวอย่างการใช้ Cloud Data Fusion Plugins จาก Github

หรือสามารถใช้การสร้าง Facebook Insight API เองตาม วิธีการนี้

การนำข้อมูลจากโกดังข้อมูลต่างๆ (Data Warehouse) เช่น Teradata (On-premises data warehouse) เพื่อความคล่องตัวในการบริหารจัดการข้อมูลบน Cloud

Collect

ส่วนที่เก็บข้อมูลประกอบไปด้วย 3 เครื่องมือหลักๆได้แก่

Google Big Query คือการใช้งานคลังข้อมูลบนคลาวด์
Cloud Dataprep คือเครื่องมือในการเตรียมข้อมูลหรือ (Data preparation) เช่นการทำ

• Standardization
• Pattern matching
• Data quality rules

Google Dataflow คือการ Stream หรือ Batch ข้อมูลอย่างรวดเร็ว

ตัวอย่างการทำงานของ Cloud Dataprep

Analyze

ใน Stage นี้คือการใช้ Google Cloud ที่เป็นเสมือน Infrastructure-as-a-Service (IaaS) ภายใต้ GCP (Google Cloud Platform) ที่ทำให้เราสามารถรัน virtual machine ได้

ส่วน App Engine คือ Platform-as-a-Service ที่เปิดให้เรา Develop Application ต่างๆมา deploy บนนี้ได้ โดยสามารถบริหารจัดการทรัพยากรบนนี้ได้อย่างยืดหยุ่น

ตัวอย่างหน้าตาของ App Engine

และตรง Infrastructure นี้เอง เราสามารถใช้ความสามารถของGoogle AI and Machine Learning ได้ไม่ว่าจะเป็น

• Speech-to-Text ความสามารถในการแปลงคำพูดเป็น Text
• Cloud Translation การแปลภาษา
• Cloud Natural Language การวิเคราะห์ sentiment หรือจัดจัดหมวดหมู่
• AutoML การ Custom machine learning model แบบอัตโนมัติ

ตัวอย่างการทำงานของ Vision API
ที่สามารถวิเคราะห์ได้ว่าไฟล์รูปภาพนี้ประกอบไปด้วย คน หนังสือ ไม้ ชั้นวาง พื้น เป็นต้น

Visualize

ในส่วนของการดึงข้อมูลออกมาประกอบเป็น Chart, Graph และรวมกันเป็น Report, Dashboard หรือแม้แต่ Customer 360 Dashboard ก็สามารถแยกตามลักษณะการนำไปใช้งานได้คือ

แบบ Instant Dashboard เช่นการทำ Dashboard สำเร็จรูปสำหรับหน่วยงาน ฝ่าย หรือ Business Units ต่างๆ โดยการใช้งานของ Users เหล่านั้นจะสามารถเข้าถึงข้อมูลได้ในระดับ Descriptive Analytics หรือรู้ว่า “มีอะไรเกิดขึ้นบ้าง”

แบบ Self Service คือการเปิดให้ Business Users สามารถใช้เครื่องมือสร้าง Data Visualize ต่างๆเช่น PowerBI, Tableau ในการเชื่อมต่อกับ Google

ในระดับนี้ Users สามารถ Drill Down หรือเจาะดู Insight ได้ละเอียดหลากหลาย Dimension หรือเข้าถึงข้อมูลได้ในระดับ Predictive Analytics ขึ้นไป

ตัวอย่าง Dashboard ที่สร้างโดย Tableau

Activate

ในส่วนนี้คือการดึงข้อมูลไปใช้ในส่วนต่างๆไม่ว่าจะเป็น

• การปรับรูปแบบแคมเปญที่ Campaign Manager360
• การนำ Data ไปใช้งานที่ Marketing Automation อื่นๆ ผ่าน IPAAS เช่น Zapier

Pricing

สำหรับ CDP ปกติ เราต้องใช้งบประมาณเริ่มต้น ที่หลักล้านบาท (ยกเว้นใน Segment.com ที่เริ่มต้นที่หลักพัน แต่เป็นการ Intregration as a sevice มากกว่า) กรณีเราใช้ Google Marketing Platform, Google Cloud Console และ Big Query ตามภาพ

Google Analytic 360 ราคาเริ่มต้นที่ 3ล้านบาทต่อปี

Big Query คิดราคา 2 แบบคือ

• Analysis pricing เป็นการคิดราคาจากการประมวลผลข้อมูล เช่น Queries, Run Script และการทำ data manipulation ต่างๆ ในส่วน Analysis นี้ยังแบ่งการคิดเงินได้อีก 2 แบบคือ On-demand analysis pricing และ Flat-rate pricing
• Storage pricing เป็นการคิดราคาจากการใช้พื้นที่เก็บข้อมูล ยังแบ่งการคิดเงินได้อีก 2 แบบคือ Active storage หรือการคิดราคาจากการที่ Table นั้นๆมีการ Modify ข้อมูลภายใน 90 วัน และแบบ Long-term storage ที่จะคำนวนจาก Table ที่ไม่ได้มีการเข้าไป Modify ข้อมูลภายใน 90 วัน ราคาจะถูกลงอีกประมาณ 50%

ส่วน Google Compute Engine และ AI Platform ก็มีการคิดราคาตามปริมาณการ training job และส่วนอื่นๆเช่นเครื่องมือ Visulization อย่าง PowerBI กับ Tableau ก็มีค่า License รายปีหลักหมื่นบาท

Youtube Live สอนเรื่องการออกแบบ CDP บน Google Platform

สรุปแล้วจากภาพด้านบน จะต้องใช้ Budget อย่างต่ำ 5 ล้านบาทต่อปี ในการพัฒนา Google Marketing Platform และ Big Query ให้เทียบเท่า CDP ยุคใหม่

หากมีคำถามเพิ่มเติม สามารถสอบถามผมได้ที่กลุ่ม >> Marketing Tech Thailand

---

หากมีคำถามเพิ่มเติม สามารถสอบถามผมได้ที่กลุ่ม >> Marketing Tech Thailand

Reference
https://adamovich-aleksey.medium.com/google-optimize-export-to-bigquery-using-google-analytics-4-app-web-faee3176f54c
https://online-metrics.com/ga4-bigquery/
https://cloud.google.com/solutions/marketing-data-warehouse-on-gcp
https://github.com/data-integrations/facebook
https://developers.facebook.com/docs/marketing-api/insights/
https://www.trifacta.com/blog/visualizing-multi-dataset-wrangling-flows/
https://www.parallels.com/blogs/ras/compute-engine/

---

ติดตาม Marketing Tech Thailand ใน Social Media ได้ที่
🔥 Facbook Page : Marketing Tech Thailand
🔥 Facebook Group : Marketing Tech Thailand – Group
📺 Youtube : Marketing Tech Thailand
🌎 Linkedin Group (Global Community) : Marketing Tech Community in Thailand