การเปลี่ยนผ่านจากการโฆษณาแบบดั้งเดิม สู่การตลาดที่ขับเคลื่อนด้วยอิทธิพลของ KOL

ในปัจจุบัน พฤติกรรมการรับชมโฆษณาผ่านสื่อโทรทัศน์ถูกลดบทบาทลง ผู้คนหันไปใช้โทรศัพท์มือถือมากขึ้น โดยเฉพาะ 97% ของ Gen Z ที่มักใช้โซเชียลมีเดียในการตัดสินใจเลือกซื้อสินค้า ด้วยเหตุนี้จึงทำให้หลาย ๆ แบรนด์หันมาโฆษณาผ่านแพลตฟอร์มออนไลน์กันมากขึ้น วิธีการโฆษณาสินค้าก็ปรับเปลี่ยนไปตามกาลเวลาไปเป็นการโฆษณาสินค้าผ่าน KOL หรือ Key Opinion Leader ซึ่งเป็นผู้มีอิทธิพลและความเชี่ยวชาญเฉพาะสาขาที่สามารถสร้างความเชื่อมั่นให้กับผู้ติดตาม ใกล้เคียงกับอาชีพที่รู้จักกันในชื่อ “อินฟลูเอนเซอร์” 

ตามการรายงานของ Shopify การมาของ KOL ส่งอิทธิพลถึงผู้คนมากกว่าการโฆษณาผ่านแบรนด์โดยตรงถึง 36% เนื่องจาก KOL สร้างสายสัมพันธ์อย่างใกล้ชิดกับผู้ชมผ่านแพลตฟอร์มออนไลน์ ลูกค้าสามารถเห็นการใช้งานสินค้าจริงได้จาก KOL หลาย ๆ คน และสามารถเปรียบเทียบและประเมินสินค้าได้เอง ทำให้เกิดความเชื่อถือระหว่าง KOL กับผู้ชมมากกว่าแบรนด์ แม้แบรนด์จะยังสำคัญด้านการกำหนดการวางตัวและภาพลักษณ์ของสินค้าอยู่ แต่ KOL นำข้อมูลเหล่านั้นมานำเสนอในรูปแบบที่ดูเป็นกันเองและเข้าถึงง่าย

ทว่าความท้าทายที่แท้จริงคือการเฟ้นหา KOL ให้ตรงโจทย์ท่ามกลางปัจจัยที่ต้องตรวจสอบหลายด้าน ไม่ว่าจะเป็นผู้ติดตาม สไตล์คอนเทนต์  ประวัติการร่วมงาน และที่สำคัญที่สุดคือต้องไม่ส่งผลเสียต่อภาพลักษณ์แบรนด์

ด้วยเหตุนี้ Influmatch AI จึงก้าวเข้ามาเป็นโซลูชันอัจฉริยะที่จะช่วยให้แบรนด์คัดเลือก KOL ได้ตรงโจทย์ที่สุด พร้อมลดภาระงานที่ซับซ้อนด้วยระบบที่ให้ผลลัพธ์สม่ำเสมอ แม่นยำ และมีเหตุผลประกอบที่ชัดเจนในทุกการตัดสินใจ 

Influmatch คืออะไร

Influmatch AI คือ แพลตฟอร์มจับคู่สินค้าและ KOL ด้วย AI โดยการทำงานของ Influmatch อ้างอิงจากกระบวนการของผู้เชี่ยวชาญในการคัดเลือก KOL โดยมีการสัมภาษณ์และนำมาสร้างเป็นกระบวนการอัตโนมัตินี้ ที่เพียงให้ผู้ใช้ใส่รายละเอียดสินค้าหรือแคมเปญที่ต้องการลงไป ก็จะได้ลิสต์ของ KOL พร้อมกับคะแนนความเหมาะสมและเหตุผลที่เลือกออกมาทันที โดยแพลตฟอร์มนี้ถูกออกแบบมาเพื่อลดภาระในการสืบค้นข้อมูลจำนวนมากและยกระดับการตัดสินใจให้เป็นมาตรฐานเดียวกัน โดยลดการใช้ความรู้สึกส่วนตัวตัดสิน ซึ่งมักเป็นปัญหาสำคัญที่ทำให้การวัดผลขาดความชัดเจน เพื่อให้มั่นใจว่าทุกการเลือก KOL ตอบโจทย์เป้าหมายของแคมเปญอย่างแท้จริง

โครงสร้างของ Influmatch

Influmatch AI ขับเคลื่อนด้วย AI Agent หลัก 3 ตัว ภายใต้โครงสร้างแบบโมดูล (Modular Design) ที่แยกส่วนการดึงข้อมูลออกจากส่วนประมวลผลอย่างชัดเจน ช่วยให้ระบบง่ายต่อการบำรุงรักษา ตรวจสอบจุดบกพร่อง (Debug) ได้รวดเร็ว และมีความโปร่งใสในทุกขั้นตอนการทำงาน" โดยมีรายละเอียดดังนี้:

1. Product Extracting Agent: มีหน้าที่แปลงข้อมูลที่ได้รับจากผู้ใช้ให้เป็นรูปแบบโครงสร้าง Schema โดยระบบจะมีการวิเคราะห์ของข้อมูลเกี่ยวกับผลิตภัณฑ์ที่ได้รับ และสามารถค้นหาเพิ่มเติมจากอินเตอร์เน็ตเพื่อให้การวิเคราะห์ข้อมูลเกี่ยวกับผลิตภัณฑ์สมบูรณ์มากยิ่งขึ้น

2. KOL Profile Extracting Agent: มีหน้าที่แปลงข้อมูล KOL แต่ละคนให้อยู่ในรูปแบบ Schema โดยการสกัดข้อมูลเชิงลึกจากสัญญาณต่างๆ บนโซเชียลมีเดีย ดังนี้:

• Demographics: ข้อมูลพื้นฐาน เช่น Location และ Language cues (ภาษาที่ใช้สื่อสาร)
• Content Analysis: วิเคราะห์เนื้อหาล่าสุด (Recent content) และแนวทางการนำเสนอ (Content themes)
• Engagement & Activity Statistics: สถิติการตอบรับและกิจกรรมต่างๆ เช่น จำนวนผู้ติดตาม (Followers), ยอดไลก์ (Likes), ความคิดเห็น (Comments) และความถี่ในการโพสต์ (Posting frequency) เป็นต้น

3. Matching Agent: นำข้อมูลสินค้าและ KOL มาจับคู่กันภายใต้เงื่อนไข การจัดอันดับและให้คะแนน และคำอธิบาย เพื่อสรุปผลลัพธ์สุดท้าย

การทำงานของระบบจะเริ่มต้นจากส่วนข้อมูลนำเข้า 2 ประเภทหลัก คือ:

1. Brief: รายละเอียดสินค้าหรือแคมเปญที่ได้รับจากผู้ใช้ รวมถึงคุณลักษณะ KOL ที่ต้องการ หากไม่ได้ระบุคุณลักษณะของ KOL ตัวระบบจะจัดอันดับโดยยึดจากบรีฟที่มี
2. KOL Candidate: จำนวน KOL ทั้งหมดในฐานข้อมูลที่ระบบนำมาพิจารณาเพื่อเป็นแหล่งข้อมูลในการคัดเลือก

‍

ผลลัพธ์สุดท้ายคือ การจัดอันดับ KOL ที่ตรงโจทย์ที่สุด พร้อมข้อมูลวิเคราะห์เจาะลึกในแต่ละรายชื่อ ดังนี้:

1. คะแนนความเหมาะสมในด้านต่าง ๆ (เช่น ความสอดคล้องของเนื้อหา ความเหมาะสมของกลุ่มเป้าหมาย ความเข้ากันของโทนการสื่อสาร และความปลอดภัยหรือความเสี่ยง เป็นต้น)

2. ผ่านหรือไม่ผ่านเงื่อนไข

3. คำอธิบายผลการวิเคราะห์ (เหตุผลและหลักฐานประกอบการตัดสินใจ)

Product Extracting Agent

นอกจากการจัดบรีฟให้เป็นโครงสร้างที่เหมาะสมแล้ว หน้าที่ของ Product Extracting Agent ยังมีการรวบรวมข้อมูลเพิ่มเติม (เช่น ภาพลักษณ์ผลิตภัณฑ์ คีย์เวิร์ดสินค้า รูปแบบการใช้งาน) เพื่อให้บรีฟมีความสมบูรณ์ยิ่งขึ้นในกรณีที่บรีฟสั้น

โดยกระบวนการการทำงานของเอเจนต์ตัวนี้มี 2 ขั้นตอน คือ:

1. Product Detail Extraction: ปรับรูปแบบข้อมูลสินค้าจากบรีฟให้เป็นมาตรฐานเดียวกัน และดึงข้อมูลจากเว็บเพิ่มเติมหากมีข้อมูลไม่เพียงพอ สุดท้ายจะได้ผลลัพธ์ออกมาเป็นรายละเอียดสินค้าที่ชัดเจนมากขึ้นเพื่อนำไปใช้ในขั้นตอนถัดไป

2. Target Audience and KOL Preference Generation: เมื่อได้รายละเอียดสินค้าแล้ว เอเจนต์จะอนุมานกลุ่มเป้าหมายที่เป็นไปได้และสร้างคุณลักษณะ KOL ที่เหมาะสม หากผู้ใช้ให้บรีฟคุณลักษณะ KOL ที่ต้องการมาด้วย ก็จะถูกใช้เป็นเงื่อนไขหรือข้อมูลพื้นฐาน หากไม่มีก็จะสร้างคุณสมบัติจากบริบทของสินค้า สุดท้ายจะได้ผลลัพธ์ออกมาเป็นบรีฟกลุ่มเป้าหมายและคุณลักษณะของ KOL

KOL Profile Extracting Agent

เอเจนต์ตัวนี้ทำหน้าที่เปลี่ยนข้อมูลเบื้องต้นของ KOL เช่น ชื่อบัญชีหรือลิงก์โปรไฟล์ ให้กลายเป็นข้อมูลโครงสร้าง (Schema) ที่สมบูรณ์ โดยจะรวบรวมทั้งกระแสความนิยมล่าสุดและสรุปสไตล์คอนเทนต์ของ KOL เพื่อนำมาวิเคราะห์ต่อในขั้นตอนถัดไป

เอเจนต์ตัวนี้มีกระบวนการทำงานอยู่ 5 ส่วนคือ:

1. Profile Photo Analysis: ตรวจสอบข้อมูลพื้นฐานของ KOL จากฐานข้อมูลภายใน หากไม่พบข้อมูล ระบบจะดึงรูปโปรไฟล์จาก TikTok มาวิเคราะห์เพื่อระบุเพศและช่วงอายุโดยประมาณ
2. Video and Transcript Retrieval: รวบรวมข้อมูลวิดีโอจาก TikTok ในช่วงเวลาที่กำหนด (เช่น 30 วันล่าสุด) โดยดึงสถิติต่างๆ เช่น ยอดการรับชม (Views), ความคิดเห็น (Comments) และวันที่เผยแพร่
3. AI-Based Content Classification (Category and Style): วิเคราะห์บทถอดความจากวีดีโอ (Transcript) เพื่อระบุประเภทและสไตล์ของคอนเทนต์ โดยจัดลำดับหมวดหมู่ที่มีความเป็นไปได้สูงสุด 3 อันดับแรก พร้อมคำนวณสัดส่วนออกมาเป็นเปอร์เซ็นต์เพื่อให้เห็นภาพรวมของคอนเทนต์หลัก
4. News and Sentiment Analysis (Risk Signal): ตรวจสอบข่าวสารล่าสุดที่กล่าวถึง KOL เพื่อประเมินความเสี่ยงต่อชื่อเสียง โดยจำแนกกระแสตอบรับว่าเป็นเชิงบวก เป็นกลาง หรือเชิงลบ ช่วยให้แบรนด์รับรู้ถึงเหตุการณ์สำคัญหรือข้อพิพาทที่กำลังเกิดขึ้นได้ทันที‍
5. Profile Statistics Aggregation and Feature Construction: รวบรวมข้อมูลทั้งหมดมาจัดทำเป็นโครงสร้างมาตรฐาน เพื่อแสดงค่าเฉลี่ยทางสถิติ เช่น ยอด Engagement ตามช่วงเวลา (7/14/30 วัน) รวมถึงพฤติกรรมการโพสต์คอนเทนต์ในแต่ละช่วงวันและเวลา

Matching Agent

สำหรับ Product x KOL Matching Agent ทำหน้าที่วิเคราะห์บรีฟเพื่อคัดกรองรายชื่อ KOL โดยอาศัย 3 กลไกหลัก ได้แก่: การตีกรอบรายชื่อแคนดิเดตให้แคบลงและตรงจุด, การคำนวณสัดส่วนจำนวน KOL ในแต่ละระดับ (Tiers) ให้สอดคล้องกับเงื่อนไขแคมเปญ, และการประเมินคะแนนความเหมาะสม (0-100 คะแนน) พร้อมคำอธิบายเหตุผลจาก LLM เพื่อสรุปเป็นอันดับรายชื่อสุดท้าย

‍

เอเจนต์ตัวนี้มีกระบวนการทำงานอยู่ 5 ขั้นตอนคือ:

1. KOL Preference Embedding: ประมวลผลคุณลักษณะของ KOL ที่ได้รับจากเอเจนต์ก่อนหน้าให้เป็น Vector Embeddings เพื่อใช้ในการสืบค้นเชิงความหมาย (Semantic Retrieval)

2. Campaign Strategy Planning: นำข้อมูลจากการวิเคราะห์มาจัดทำแผนงานแคมเปญอย่างเป็นระบบ โดยมีการแบ่งระดับของ KOL (KOL Tiers) อย่างชัดเจน (เช่น Mega, Macro, Micro และ Nano) พร้อมระบุจำนวนที่เหมาะสมและการจัดสรรงบประมาณในแต่ละระดับ นอกจากนี้ยังกำหนดลักษณะประชากร (Demographics) ของ KOL ที่คาดหวัง พร้อมระบุเหตุผลสนับสนุนเชิงกลยุทธ์ เพื่อให้มั่นใจว่าผลลัพธ์สุดท้ายจะตอบโจทย์ทั้งเป้าหมายแคมเปญและงบประมาณที่กำหนดไว้ได้อย่างแม่นยำ

3. Overlapping and Ranking with Reasoning Analysis: ระบบจะดำเนินการจับคู่ KOL ในแต่ละระดับ (Tier) ไปพร้อมกันแบบขนาน ผ่านกระบวนการทำงาน ดังนี้:

• Semantic Search (Tier-Filtered Retrieval): ระบบจะนำข้อมูล Vector Embeddings ของ KOL มาคัดกรองตามระดับ (Tier) ที่กำหนดในแผนงาน จากนั้นใช้การคำนวณแบบ Cosine Similarity เพื่อดึงรายชื่อแคนดิเดตที่มีความใกล้เคียงกับบรีฟสูงสุดในแต่ละระดับ (ค่าเริ่มต้นที่ 50 อันดับแรก) พร้อมดึงข้อมูลโปรไฟล์และสไตล์คอนเทนต์มาเตรียมไว้สำหรับการประเมินเชิงลึก
• AI Reasoning and Structured Evaluation: รายชื่อแคนดิเดตทั้งหมดจะถูกส่งต่อไปประเมินอย่างละเอียด โดยแบ่งการประมวลผลเป็นชุดแบบขนาน เพื่อให้มีประสิทธิภาพสูงสุด ซึ่งระบบจะวิเคราะห์และส่งคืนผลลัพธ์ที่ประกอบด้วย: 
  
  • KOL Name: ชื่อและข้อมูลระบุตัวตนของ KOL
  • Binary Selection Decision: ผลการตัดสินใจว่าเลือกหรือไม่เลือก
  • Criterion-level Evaluations: การประเมินแยกตามเกณฑ์หลัก (เช่น 8 หัวข้อ) ซึ่งระบุทั้งคะแนนและคำอธิบายสั้นๆ เพื่อความโปร่งใสในทุกมิติ
  • Overall Justification: บทสรุปภาพรวมที่อธิบายเหตุผลสำคัญว่าทำไม KOL รายนี้ถึงได้รับเลือก หรือไม่ได้รับเลือก
  • Conflict-of-Interest Notes: ข้อควรระวังด้านความขัดแย้งทางผลประโยชน์ เช่น การเคยกล่าวถึงแบรนด์คู่แข่ง หรือมีภาพลักษณ์ที่อาจขัดต่อภาพจำของแบรนด์
• Weighted Scoring and Selection: เมื่อได้รับข้อมูลครบถ้วน ระบบจะทำการคำนวณคะแนนสุทธิแบบถ่วงน้ำหนัก (Weighted Score) โดยคำนวนจากคะแนนรายเกณฑ์จาก LLM กับค่าน้ำหนักความสำคัญของแต่ละหัวข้อ พร้อมสรุปเหตุผลประกอบการตัดสินใจอย่างชัดเจน จากนั้นในแต่ละระดับ (Tier) ระบบจะคัดกรองเฉพาะ KOL ที่ผ่านเกณฑ์และนำมาจัดลำดับตามคะแนนจากมากไปน้อย เพื่อให้ได้รายชื่อผู้เข้ารอบสุดท้าย (Shortlist) ตามจำนวนที่ระบุไว้ในแผนแคมเปญ โดยรายชื่อลำดับนอกเหนือจากนั้นจะถูกจัดเป็นตัวเลือกสำรอง (Alternative Options)

4. Tier Aggregation and Logging: ในขั้นตอนสุดท้าย ระบบจะรวบรวมผลลัพธ์ทั้งหมดจากทุกกระบวนการและทุกระดับ (Tiers) มาสรุปเป็นรายงานฉบับสมบูรณ์ พร้อมจัดทำสถิติการดำเนินงาน เช่น ปริมาณการใช้ Token ทั้งหมด และระยะเวลาที่ใช้ในการประมวลผล เพื่อใช้ในการตรวจสอบ ประเมินความคุ้มค่า และวิเคราะห์ประสิทธิภาพการทำงานของระบบ

ผลลัพธ์

สรุปผลการทดสอบแยกตามเอเจนต์ 3 ส่วน พร้อมรายละเอียดและตัวเลขสำคัญจากตารางผลลัพธ์ ดังนี้:

1. Product Extracting Agent:  ผลปรากฏว่าเอเจนต์สามารถทำงานได้อย่างมีประสิทธิภาพ โดยมีคะแนนสูงถึง 84.6% ซึ่งข้อมูลส่วนใหญ่ทั้งในด้านรายละเอียดสินค้า กลุ่มเป้าหมาย และลักษณะ KOL ที่ต้องการ นั้นอยู่ในรูปแบบที่นำไปใช้งานต่อได้ทันที จะมีเพียงส่วนน้อยเท่านั้นที่อาจต้องการการระบุบริบทเพิ่มเติมเพื่อให้ข้อมูลสมบูรณ์ที่สุด

2. KOL Profile Extracting Agent: ในส่วนของการดึงข้อมูลพื้นฐานและสถิติ (Demographics & Statistics) เช่น ข้อมูลประชากรและยอดผู้ติดตาม ระบบทำผลงานได้น่าประทับใจด้วยคะแนนสูงถึง 83% อย่างไรก็ตาม ในส่วนของการวิเคราะห์และจำแนกประเภทคอนเทนต์ (Content Analysis & Classification) ที่ต้องอาศัยการถอดความจากวิดีโอเพื่อระบุหมวดหมู่และสไตล์เนื้อหา มีคะแนนอยู่ที่ 72% ซึ่งสะท้อนให้เห็นว่าระบบทำงานได้แม่นยำกว่าเมื่อจัดการกับข้อมูลเชิงตัวเลขและข้อมูลพื้นฐานที่ระบุไว้ชัดเจน (Metadata) ส่วนการวิเคราะห์เนื้อหาวิดีโอสั้นบน TikTok นั้นยังคงมีความท้าทายเนื่องจากธรรมชาติของคอนเทนต์ที่มีความกำกวมสูงกว่า

3. Product x KOL Matching Agent: ใช้เกณฑ์การตัดสินใจของมนุษย์เป็นบรรทัดฐานเพื่อเปรียบเทียบความสอดคล้องในการคัดเลือก KOL ผลปรากฏว่าระบบสามารถคัดเลือกได้ใกล้เคียงกับดุลยพินิจของมนุษย์อย่างน่าพึงพอใจ โดยมีคะแนนความครอบคลุมเฉลี่ยอยู่ที่ 80.6% 

บทสรุป

ในยุคที่ความเร็วของการทำการตลาดคือเส้นตายสำคัญ Influmatch AI พิสูจน์ให้เห็นว่าเราไม่จำเป็นต้องแลก “ความละเอียดแม่นยำ” กับ “ความเร็วในการทำงาน” อีกต่อไป เพราะระบบ Multi-agent ของ Influmatch ถูกออกแบบมาเพื่อทำหน้าที่แทนผู้เชี่ยวชาญทั้งทีม ตั้งแต่การแกะรอยบรีฟสินค้าไปจนถึงการเฟ้นหา KOL ที่ใช่ที่สุดในทุกระดับ

ในขณะที่การคัดเลือก KOL แบบดั้งเดิมต้องพึ่งพาสัญชาตญาณหรือการไล่ดูโปรไฟล์ทีละคน Influmatch ได้ก้าวข้ามขีดจำกัดนั้นด้วยสถาปัตยกรรม 3 เอเจนต์อัจฉริยะ ที่ได้ผล Recall (ความครอบคลุม) สูงถึง 80.6% เมื่อเทียบกับสายตามนุษย์ สิ่งนี้ไม่ได้เกิดจากการใช้เวลาหลายสัปดาห์เพื่อคัดกรองรายชื่อด้วยมือ แต่เกิดจากระบบ Reasoning-based Scoring ที่เข้าใจตรรกะเบื้องหลังความต้องการของแบรนด์

สุดท้ายนี้ Influmatch คือทางลัดที่สั้นที่สุดในการเปลี่ยน “บรีฟ” ให้กลายเป็น “กลยุทธ์ที่ใช้งานได้จริง” มันคือสะพานที่เชื่อมระหว่างข้อมูลมหาศาลบนโซเชียลมีเดียเข้ากับเป้าหมายทางธุรกิจที่จับต้องได้ แม้ในปัจจุบันเราจะเน้นการวิเคราะห์จากข้อมูลตัวอักษรเป็นหลัก แต่ผลลัพธ์ที่ได้ก็พิสูจน์แล้วว่าสามารถลดภาระงานมือ (Manual Effort) ลงได้อย่างมหาศาล และให้คำแนะนำที่ “โปร่งใสและอธิบายได้”

หมดยุคสมัยของการนั่งเดาสุ่มหรือใช้ความรู้สึกตัดสินเลือก KOL แล้ว ด้วย Influmatch เราไม่ได้แค่ให้รายชื่อ แต่เรากำลังมอบระบบคัดเลือกที่ชาญฉลาด ขยายผลได้จริง และพร้อมยกระดับแคมเปญของคุณเข้าสู่มาตรฐานใหม่อย่างเต็มตัว

สนใจร่วมเป็นส่วนหนึ่งกับ AI Labs ของเราได้ที่นี่