ဘယ် Marketing Funnel Model က ဒီနေ့ ခေတ်မှာ အလုပ်ဖြစ်နေသေးလဲ ?
ဒီရက်ပိုင်းအတွင်း စာလေးတွေ နည်းနည်း ပြန်လုပ်ဖြစ်ဖို့ အချိန်ရတော့ Consumer Behaviors နဲ့ ပတ်သက်ပြီး study လုပ်ဖြစ်တာလေးတွေ ရှိလာပါတယ်။ အရင်ကလုပ်ခဲ့ဖူးတဲ့ Theories တွေကို Brand Marketing မှာကော Ecommerce Marketing မှာပါ Applied လုပ်ထားဖူးတဲ့ Experiences တွေနဲ့ ပြန်ချင့်ချိန်ကြည့်တဲ့အခါမှာတော့ ပိုပြီးတိုးတက်ဖို့အတွက် စဉ်းစားစရာလေးတွေ ရလာခဲ့ပါတယ်။ ဒါနဲ့ပဲ Customer Journey Mapping ရဲ့ Interesting Part တခု ဖြစ်တဲ့ Marketing Funnel က Stages တွေကို ပြန်ပြီး collective sharing လေး အောက်ပါအတိုင်း လုပ်ပေးဖြစ်ခဲ့ပါတယ်။
Marketing Funnel Theories တွေကို ပြန်ကြည့်ရင် အသုံးအများဆုံးနဲ့ simple အဖြစ်ဆုံး Theories လေး ၅ ခု အ ကြောင်းကို ပြောပြပါ့မယ်။ ဒါတွေ နဲ့ပတ်သက်ပြီး ဘာတွေ ကွာလဲ ? ဘယ်လို အကျိုးသက် ရောက်မှု မျိုးတွေ ရှိလဲ ? အားသာချက် အားနည်းချက် နဲ့ အခြားအသုံးဝင်မှု အပိုင်းလေးတွေကို ဝေမျှပေးပါ့မယ်။
AIDA [Awareness or Attention, Interest, Desire, Action]
ဘာအတွက်ကောင်းလဲ ? : Consumer Psychological Buying Stages တွေ ကို အခြေခံထားတာကြောင့် Actions Conversion Stage (Awareness to Action) ၁ ခု ချင်းစီအတွက်ကို Sale Funnel Analysis အနေနဲ့ အသုံးချလို့ ရပါတယ်။
အားသာချက် : ရိုးရှင်းတဲ့ Stages တွေကိုသာ စဉ်းစားရတာမို့ နားလည်ရလွယ်ကူစေပါတယ်။ Unknown Stage of Awareness ကနေပြီးတော့ Customer Stage of Buying အထိ တဆင့်ခြင်းစီစဉ်းစားနိုင်တာကြောင့် Pre-Purchase Activities တွေ အပိုင်း ပြင်ဆင်ချက် တွေအတွက် ပို အားသာချက်ရှိပြီး Traditional Marketing (ATL/BTL) Activities တွေ အတွက်စဉ်းစားရတဲ့ နေရာမှာလည်း အသုံးဝင်နိင်ပါတယ်။
အားနည်းချက် : Conversion Stages တွေက Simple ဖြစ်လွန်းတာကြောင့် Reality မှာ Gap တွေ အများကြီး ရှိနိုင်ပါတယ်။ ပြီးတော့ Traiditional Context ပိုင်းတွေမှာ အားသာလွန်းပြီး Digital Context အလှည့်အ ပြောင်းတွေအတွက် တော့ အားနည်းလွန်းပါတယ်။ ပြီးတော့ Pre-purchase Stages တွေကို အသားပေးလွန်းထားတာကြောင့် Retention/Loyalty အပိုင်းတွေမှာတော့ အ တော်လေး အားနည်းချက် ရှိခဲ့ပါတယ်။
ဘယ်လိုအချိန်မှာ အသုံးချသင့်လဲ ? : ရှုပ်ထွေးမှုနည်းပြီး Digital Touchpoints တွေ သိပ်မများတဲ့အချိန် နဲ့ Basic Awarness Campaigns တွေမှာတော့ အသုံးချလို့ရပါတယ်။ ဥပမာ : Unknown Stage မှာ Awareness အနေနဲ့ OOH Media (Flyers/Pamphlets) တွေကို မြင်တဲ့ အချိန်ကနေ Desire/Action အတွက် ဝယ်ယူဖို့ဆိုင်ကို ရောက်လာတဲ့ Call to Action (Sale Promotions) တွေကနေ ရောက်လာတာကို အဆင့်ဆင့် အသုံးချနိုင်ပါတယ်။ မြန်မာနိုင်ငံမှာတော့ 2000 ခုနှစ် အစော ပိုင်းမှာတော့ FMCG Industry တွေမှာ (Sunsilk, Beauty Shampoo တို့ဘာတို့) က testing sachet လေး တွေကို ဝေတဲ့အချိန် ဝယ်ယူခွင့် coupon လေးတွေ တွဲပေးခဲ့သလိုမျိုး ပေါ့)။
TMB-OFU (TOFU-MOFU-BOFU)
၂၀၀၀ ခုနှစ် နှောင်းပိုင်းနဲ့ ၂၀၁၀ အစော ပိုင်းတွေမှာတော့ AIDA ရဲ့ Cnoceptual Evolution အနေနဲ့ ယခု Funnel Analysis ကို အသုံးပြုလာခဲ့ကြပါတယ်။ အကြမ်းဖျင်းတော့ Elmo Lewis ရဲ့ AIDA ကို ပဲ Content Marketing and Inbound Marketing Communities တွေကနေ တဆင့် Evolve လုပ်ခဲ့ပုံရပါတယ်။
ဘာအတွက်ကောင်းလဲ ? : Content Marketing Mapping လုပ်တဲ့ နေရာမှာကော Lead Nurturing အတွက် Stages တွေကို စဉ်းစားတဲ့ နေရာမှာကော Top of Funnel, Middle of Funnel နဲ့ Bottom of Funnel ဆိုပြီး ခွဲခြမ်း စဉ်းစားရတဲ့အပိုင်းတွေ ပိုကောင်းလာပါတယ်။ ဒါ့ပြင် Inbound Marketing ရဲ့ Pioneers တွေ ဖြစ်တဲ့ Marketo နဲ့ Hubspot တို့ကလည်း ဒီ Funnel theory ကိုပဲ သူတို့ရဲ့ Automation Flow တွေမှာ ထည့်သွင်း ရေးဆွဲထားတာကြောင့် Users တွေအတွက် ပို အကျိုးရှိတဲ့ Funnel ရဲ့ Layer by Layer Conceptualization နဲ့ Content Mapping တွေကို ပိုမို ထိရောက်စေခဲ့ပါတယ်။
အားသာချက် : Buyer တွေရဲ့ Needs-based တွေကို Brain-storming လုပ်နိုင်ရုံနဲ့ Funnel Layer ထိပ်ကနေ အောက်အထိကို alignment ရှိစွာနဲ့ Content Ideas တွေကို Generate လုပ်နိုင်ပါတယ်။ ဒါကြောင့်မို့ Funnel Stage ၁ ခုချင်းစီမှာ Conversion Quality ပို ကောင်းစေနိုင်ပါတယ်။
အားနည်းချက် : Bottom Funnel ရဲ့ Customer Stage မှာ Returning Customer ထိပါတဲ့ concept တွေ ရှိသော်ငြားလည်း AIDA Evolution Model ဖြစ်တာကြောင့် Post-Sale နဲ့ ပတ်သက်တဲ့ Retention/Loyalty issue တွေမှာ အခက်အခဲ ရှိကောင်းရှိနိုင်ပါတယ်။ နောက်ပိုင်းတော့ RoFu Layer (Retain/Engage/Nurture) ပြန်လုပ်နိုင်မယ့် Layer ၁ ခု အဖြစ်လည်း ဆန်းသစ်လာတာမျိုးလေးတွေ ရှိပါတယ်။
ဘယ်လိုချိန်မှာ အသုံးချသင့်လဲ ? : Content Marketing ကို Heavily ချပြဖို့ လိုလာတဲ့အခါတွေမှာ ထို Content တွေရဲ့ ထိရောက်မှုကို Funnel Layer ၁ ခုချင်းစီမှာ ဘယ် လောက်အထိ ထိရောက်မှု ရှိလဲဆိုတဲ့အချက်တွေကို တိုင်းတာရတဲ့ နေရာတွေမှာ အသုံးချလို့ ရပါတယ်။ ဥပမာ Hubspot itself ကိုယ်တိုင်က ဒီ Theory ကို Automation process တွေမှာ apply လုပ်ထားတဲ့ အပြင် သူတို့ Digital products အတွက်ကိုလည်း Tofu က အ နေနဲ့ Blogs posts တွေက နေစလို့ Mofu Webinars တွေ အပြင် Bofu မှာ Free Trials/Demo တွေကို ပေးပြီး stimulate လုပ်တာမျိုးတွေကို တွေ့ရမှာပါ။
STDC [See-Think-Do-Care]
2010 နှောင်းပိုင်းတွေမှာတော့ Avinash Kaushik ရဲ့ See-Think-Do-Care Model ကလည်း AIDA အလားတူ ထပ်မံ ဆန်းသစ်ထားတဲ့ Model ၁ ခု အနေဖြင့် လူသိများ အသုံးချလာကြပါတယ်။ AIDA နဲ့ ဘာကွာလဲဆိုတော့ Concept အားဖြင့်ကတော့ တူပေမယ့် AIDA ကို တော့ Marketing Professional Term အဖြစ်လူသိများကြပြီး STDC ကတော့ Professional Marketer ကော Non-Marketer တွေ အတွက်ပါ နားလည် ရလွယ်ကူ စေတဲ့ Definition and Approaches တွေ ပါဝင်လာခဲ့တာပဲ ဖြစ်ပါတယ်။
ဘာအတွက်ကောင်းလဲ ? : AIDA နဲ့ မတူညီ ကွဲပြားလာတဲ့ အဓိကအချက်က တော့ First Time Engagement က နေစပြီးတော့ Long-Term Retainable Conditions အထိ ရောက် အောင် Pontetial to Actual Consumer Stage အထိ သူတို့ရဲ့ Specific Intents တွေကို အဓိက ဦးတည်ပြီးတော့ စဉ်းစားတဲ့အပိုင်းတွေ မှာ ကောင်းပါတယ်။
အားသာချက် : အပေါ်မှာ ရှင်းပြထားသလို STD အထိ တင်မဟုတ်ဘဲ C ရဲ့ Care Stage မှာ Retention and Loyalty အတွက်ကို ပါ Specific Intent တွေကို အခြေခံပြီးတော့ ထည့်သွင်းစဉ်းစားထားတာကြောင့် CLTV လို့ ခေါ်တဲ့ Customer Lifetime Value ကို အမြင့်ဆုံးထိ မြှင့်တင်ပေးနိုင်သလို Churn Rate (တစ်ကြိမ် သို့ တစ်ကြိမ် ထက်ပိုသော အသုံးချမှုတွေ အပြီးမှာ စွန့်ခွာသွားမှု) တွေကို လျှော့ချ ပေးနိုင်ပါတယ်။
အားနည်းချက် : Specific Intent တွေကို အခြေခံပြီးတော့ Marketing Actions တွေကို Generate လုပ်ဖို့အတွက်ဆိုရင် Audiences Data and Analysis ကို အသေးစိတ် ပြုလုပ်ဖို့တော့ လိုပါတယ်။ မဟုတ်ရင် Specific မဖြစ်တဲ့ Generic Audiences တွေရဲ့ အချက်အလက်နဲ့ လုပ်ခဲ့မိရင် ထိရောက်မှု အပိုင်းမှာ အားနည်းချက်ရှိနိုင်ပါတယ်။
ဘယ်ချိန်တွေမှာ သုံးသင့်လဲ ? : အကောင်းဆုံး ဥပမာ က တော့ Apple Products တွေပါပဲ။ STD stages တွေအတွက် အပေါ်မှာ ရှင်းပြထားတဲ့ AIDA ကော TMB-FU တွေ ကို အခြား Brands တွေလုပ်သလို ဆောင်ရွက်ထားတဲ့ အပြင်ကိုမှ C ရဲ့ Care အပိုင်းမှာ After/Post Purchase Services တွေ ရဲ့ အကြောင်းကို Digital Touch Points တွေ မှာကော Physical Evidences တွေမှာကော အ သေးစိတ် Highlight လုပ်ပေးထားနိုင်ခြင်း နဲ့ Trade-In Services လို အရင် Model ကို အသစ် နဲ့ လဲလှယ်နိုင်ဖို့အခွင့်အရေး တွေ ကြောင့် ၁ ခါ ဝယ်ယူပြီးတဲ့ သူတိုင်းကို ရေရှည်အတွက် ထိန်းသိမ်းထားနိုင်မယ့် Trust Building (Retention) Activities တွေကိုလည်း လုပ်ဆောင် ထားတာတွေကို တွေ့မြင်နိုင်မှာ ဖြစ်ပါတယ်။
RACE [Reach, Act, Convert, Engage]
ဒီ Theory က နာမည်ကြီး Data-Innovator Company ၁ ခု ဖြစ်တဲ့ Smart Insight က Founders Dr. Dave Chaffey and Stuart Miller က တီထွင်ခဲ့ပြီး ၂၀၁၀ နှောင်းပိုင်း လောက်မှာမှ Social Media Marketing တွေ စခေတ်စားချိန်မှာ ပေါ်လာတဲ့ Model ၁ ခု ပါပဲ။ မြန်မာမှာတော့ 2013 လောက် ကျွန် တော် Digital Marketing ကို စပြီးတော့ လေ့လာမိချိန် Dummies 101 : 2nd Edition မှာ တောင်ပါနေပြီဆိုတော့ အ တော် လေး ခရီး ရောက်ခဲ့ပုံရပါတယ်။
ဘာအတွက်ကောင်းလဲ ? : RACE က တော့ Digital Marketing Touch points တွေကို Audiences Research လုပ်တဲ့ အပိုင်းတွေ၊ Competitors Analysis တွေ၊ Goal Setting နဲ့ Budget Allocation အချက် တွေကို ROI based Highlight လုပ်ထားတာ ကြောင့် Customer Lifecycle ကို သေချာ Clarify သေချာ လုပ်နိုင်ပြီး မိမိ လုပ်ငန်းအတွက် လိုအပ်တဲ့ Business Goal တွေကို ရောက်ဖို့ Cross-functional teams တွေကို Direction Alignment လုပ်ရတာ ပိုအဆင် ပြေ နိုင်ပါတယ်။
အားသာချက် : Comprehensive Model ၁ ခု ဖြစ်ပြီးတော့ Full Funnel ၁ ခု လုံးကို Cover ဖြစ် အောင် Campaign Plan လုပ်နိုင်ပြီး ဘယ် Stage မှာ အမှားအယွင်း ရှိတယ်ဆိုတာကို Monitoring လုပ် နိုင်တာကြောင့် ချက်ချင်း fix လုပ်နိုင်ပါတယ်။ ဒါပြင့် Digital Marketing အတွက် အလေးပေးထားတဲ့ Model ဖြစ်တာ ကြောင့် Specific Channels တွေကနေ Measurable/Tangible Metrics တွေကို ရရှိနိုင်ပါတယ်။ ဒီ Metrics တွေက နေ ROI တွေကို အကောင်းဆုံး ဖြစ် အောင် တွက်ချက်နိုင်မှာ ဖြစ်တာကြောင့် Risk Mitigation လုပ်တဲ့နေရာမှာ တော်တော် အသုံးဝင်ပါတယ်။
အားနည်းချက် : ပြီးပြည့်စုံတဲ့ Logica/Theory/Model ဆိုတာမျိုး မရှိသလို ဒီ Model တွေကိုလည်း အချိန် သို့ အသုံးပြုမှု သို့ လိုအပ်ချက် အတိုင်းအတာ တခုထိ လောက်ကို ဖြည့်ဆည်းနိုင်မှာ ဖြစ် ပေမယ့် သူ့မှာလည်း အားနည်းချက်က Tangible ဖြစ်လွန်းတာကြောင့် Stage တိုင်းကို အသေးစိတ် စဉ်းစားတဲ့ နေရာမှာ slip ဖြစ်တာ Prioritization အားနည်းပြီး အရှုပ်အထွေး တွေကို ပိုလုပ်မိတာ မျိုး တွေ ဖြစ်နိုင်ပါတယ်။
ဘယ်ချိန်တွေ မှာ သုံးသင့်လဲ ? : မိမိ လုပ်ငန်းက Multi-Digital Channels Presence တွေ အရမ်းများနေတာမျိုးဆိုရင်တော့ ဒီ Model ကို စတင်စဉ်းစားဖို့ အချိန်တန်ပြီလို့ ပြောလို့ ရပါတယ်။ ဥပမာ TikTok, Facebook, Instagram, Telegram တို့အပြင် Websites (Portfolio/Ecommerce), CRM and Apps အစရှိတဲ့ Multi-Channels တွေ ဖြစ် နေရင် တော့ ဒီ Model က အလွန်ပဲ အသုံးဝင်မှာ ဖြစ်ပါတယ်။ ဥပမာ အနေနဲ့ ဆိုရင် တော့ Nike ရဲ့ Run Club App Case ကို Study လုပ်နိုင်ပါတယ်။ အသေးစိတ်ကျတော့ ဒီမှာ အရမ်း ရှည်သွားမှာ စိုးလို့ပါ။
ACC [Awareness, Consideratin, Conversion]
ဒီ Model က စိတ်မရှည်တဲ့ Business Owners တွေ အသုံးများလေ့ရှိတဲ့ Model ၁ မျိုးပါ။ :D နောက်တာပါ။ တကယ်တမ်းက ROI orientation နဲ့ Results-driven အရမ်းဖြစ်လွန်းတာကြောင့် လက်ရှိ Modern Marketing Framework အနေနဲ့ အသုံးပြုမှု အများဆုံးလို့ ပြောလို့ရပါတယ်။ ရှေ့က Complex Models တွေလို သီးသန့် တီထွင်ခဲ့တဲ့သူ မရှိသလို Academic Paperwork တွေမှာလည်း ပြုစုထားချင်းမျိုး တွေမရှိခဲ့ပါဘူး။
ဘာတွေကောင်းလဲ? : ယနေ့ခေတ်မှာတော့ Popularization အနေနဲ့ အသုံးပြုမှု အများဆုံး ကတော့ Meta ရဲ့ Facebook Ads Planning တွေမှာ Marketers တွေက ဒီ Model ကို အများဆုံး အသုံးပြုကြတာ ဖြစ်ပြီး အခြားသော Mar-Tech Tools တွေ ဖြစ်တဲ့ Netcore, Braze တို့လို့ 3rd Party Companies တွေ အပြင် Hubspot, Mailchimp, Google အစရှိတဲ့ Campaigns တွေကို Plan တဲ့ နေရာတွေမှာလည်း အသုံးပြုနေကြပြီ ဖြစ်ပါတယ်။ Awareness ကနေ စလို့ Conversion ကို ရောက်ဖို့က ZMOT applied (Zero-moment of Truth) လိုမျိုး မျက်စိတမှိတ် လက်ဖျောက် တချက်တီးချိန် အတွင်းမှာပဲ ပြောင်းလဲသွားနိင်တဲ့ Consumer Behaviors တွေကို Realistic အဖြစ်ဆုံးထည့်သွင်း စဉ်းစားနိုင်မှာ ပဲ ဖြစ်ပါတယ်။
အားသာချက် : ယနေ့ခေတ် Consumer Behaviors တွေကို Realistic အဖြစ်ဆုံး Studied လုပ်ထားတဲ့ Model ဖြစ် နေတာကိုက အားသာချက် ဖြစ်ပြီး Real-time tracking based တွေ ကြောင့် Results Driven အတွက် Agility ပို ကောင်းတာတွေကလည်း အတော်ပဲအသုံးဝင်လှပါတယ်။
အားနည်းချက် : ဒီမှာလည်း Conversion stage အထိပဲ ပါတာ ကြောင့် Post-purchase တွေမှာလည်း အားနည်းကောင်း အားနည်းနိုင်တယ်လို့ တွေးယူမိပါတယ်။ ဒါပေမယ့် Mass-market သို့ Selected Segments အတွက် First-Time Acquisition တွေမှာတော့ အသုံးချလို့ရ နေတာ ကြောင့် အဆိုးထဲက အကောင်းတခု လို့ မှတ်ယူလို့ ရပါတယ်။
ဘယ်ချိန်တွေမှာ သုံးသင့်လဲ ? : Results-driven model ဖြစ်တာကြောင့် Conversion Optimization Strategies တွေကို အသုံးချတဲ့ နေရာမှာ သုံးလို့ အကောင်းဆုံးဖြစ်ပါတယ်။ ဥပမာ မိမိ product သည် lifespam short ဖြစ်တဲ့ ပစ္စည်းမျိုးဖြစ်တဲ့ Dairy Product လိုမျိုးဆိုရင် ရက်ပိုင်း အတွင်းမှာ ပဲ product launch မလုပ်ခင် တပတ်က နေ Launch လုပ်ပြီး ၁ ပတ် အတွင်း Conversion stage ကို ရောက်ဖို့ လိုတာကြောင့် Consumer ၁ ယောက် အတွက် Awareness ဘယ်လိုအမြန်ဆုံးဖြစ်၊ Consideration အတွက် အမြန်ဆုံး decision making အမြန်ဆုံးလုပ်နိုင်ပြီး Conversion Stage ကို ဘယ်လို ရောက်နိုင်ဖို့လဲဆိုတာကို ဒီ model က Selected Segements ရွေးချယ်တဲ့ Planning stage က နေ နောက်ဆုံး Converting ဖြစ်တဲ့အထိ အသုံးချလို့ အကောင်းဆုံးဖြစ်ပါတယ်။
Conclusion
အချုပ်အနေနဲ့ဆိုရင် တော့ ဒီ Model ၅ ခု ထဲက မှ ကျွန် တော့် အတွက် personal points of view ကနေ အသုံးဝင်တာကော၊ လက်ရှိ မြန်မာ market လို တစ်နေ့ ရွှေ တစ်နေ့ ငွေ Dynamic ဖြစ် နေတဲ့ အခြေနေလိုမျိုးတွေမှာ time-taking issue နဲ့ complex design thinking models တွေ ထက်စာရင် ACC (Awareness, Consideration and Conversion) ရဲ့ results-driven ဖြစ်တဲ့ Model ကို အသုံးချဖြစ် နေတာများပါတယ်။
ဘာကြောင့်လဲဆိုတော့ Digital ခေတ်ကြီးမှာ Meta, Google တို့လို့ အစရှိတဲ့ Giants တွေ အနေနဲ့တောင် ရိုးရှင်းပြီး pivoting strategies တွေကို အကျိုးရှိရှိဆောင်ရွက်နိုင်မယ့် ROI metrics တွေကို Optimal လုပ်နိုင်တာရယ်၊ Execution First ဖြစ်ဖို့ အတွက် များစွာ အထောက်အကူဖြစ်နိုင်တာရယ်၊ ကျွန်တော်တို့ ရဲ့ Limited ဖြစ်လှတဲ့ Resources တွေ (Time, Money, Energy) တွေကို waste မဖြစ်ရ လေ အောင် Real-time Monitoring and Agile Manage လုပ်နိုင်တာ ကြောင့်လို့ ပြောလို့ ရပါတယ်။
ဒီ Model ပဲ ကောင်းတယ်လို့ ဆိုလိုတာထက် တခြား BHAG ဖြစ်တဲ့ Corporate Organization တွေမှာလည်း ဒီ Model တွေကို သက်ဆိုင်ရာ Business Goal and objectives တွေ ပေါ်မူတည်ပြီးတော့ အသုံးဝင်နိုင်မှာပါ။ ဒါ ကြောင့် ဘယ် Model ကို ဒီ Sharing လေး က နေ တခုခု ရသွားရင် Share ပေးရကျိုး နပ်ပါတယ်။ လော လောဆယ်မှာ တော့ ကျွန် တော့်ရဲ့ Learning အ ပေါ်မူတည်ပြီး gists လေးတွေ ထုတ်ထားတာ ဖြစ်တာရယ်၊ တခါထဲမှာ ၅ ခု လုံးကို compare လုပ်ထားတာဖြစ်တာကြောင့် Generic အနည်းငယ် ဆန်ကောင်းဆန်နိုင်ပါတယ်။ အချိန် ရတာ နဲ့ Model ၁ ခု ကို Vertical Expertise ဖြစ်ဖို့အတွက်ကို အချိန်ရတာနဲ့ ထပ်မံရေး ပေးပါ့မယ်။ တစ်ခုခု ရနိုင်ကြပါစေ။
LinkedIn : https://www.linkedin.com/in/kyawkhine/
Comments
Post a Comment