โฮมดอทเทค

คอลัมน์ Market-think โดย สรกล อดุลยานนท์

วันก่อนไปงานแถลงข่าวโครงการ “จุฬา-โฮมดอทเทค” ของ “โฮมบายเออร์ไกด์” กับคณะวิศวกรรมศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย โครงการนี้น่าสนใจมากครับ เป็นตัวอย่างของการใช้ “บิ๊กดาต้า” กับธุรกิจอสังหาริมทรัพย์ในมุมของ “วิศวะ จุฬาฯ” โครงการนี้คือต้นแบบของการทำวิจัยเพื่อนำมาใช้ได้จริงไม่ใช่ “วิจัย” เอาไว้บนหิ้งเหมือนในอดีต

ผมชอบประโยคหนึ่งของ “สุพจน์ เตชวรสินสกุล” คณบดีคณะวิศวกรรมศาสตร์ จุฬาฯ

“ความร่วมมือครั้งนี้ทำให้มหาวิทยาลัยได้เริ่มหลุดจากกรอบที่ทำงานวิจัยเสร็จไม่ได้นำมาใช้งาน”

เพราะอาจารย์เก่ง ๆ ซึ่งเป็นผู้เชี่ยวชาญด้าน data science และ machine learning จะได้ศึกษาและทดลองกับข้อมูลจริงในตลาดและ “ความรู้” ภาคปฏิบัตินี้จะได้นำไปสอนนิสิตต่อไม่ใช่การเรียนรู้จากในตำราเพียงอย่างเดียว

อาจารย์แต่ละคนที่เข้ามาร่วมโครงการนี้ ถือว่าเป็น “คนเก่ง” ในด้านนี้ระดับต้น ๆ ของเมืองไทย ส่วนทางด้าน “โฮมบายเออร์ไกด์” นั้น พัฒนาจากนิตยสารด้านอสังหาริมทรัพย์มาเป็นเว็บไซต์ที่ให้คนต้องการบ้านสืบค้นหาข้อมูลที่อยู่อาศัย เขามีข้อมูลการสืบค้นของ “ผู้บริโภค” ที่สั่งสมมากว่า 10 ปี

นี่คือ “บิ๊กดาต้า” ที่เป็น “เหมืองแร่” ของนักวิชาการด้าน data science และ machine learning

“โฮมดอทเทค” มีบริการหลายด้าน เช่น Home Buyers Analytics วิเคราะห์ดาต้าอสังหาริมทรัพย์ด้านความต้องการซื้อ Home Dashboard เครื่องมือบริหารการตลาดกับลูกค้า Walk-in Online ของโครงการอสังหาริมทรัพย์ ฯลฯ

ในวันแถลงข่าว มีข้อมูลเรื่องหนึ่งที่อาจารย์ที่เพิ่งทำวิจัยขั้นต้นมาเล่าให้ฟัง เช่น คนที่ค้นหาข้อมูลที่อยู่อาศัยแถบชานเมืองที่อยู่ห่างกัน จำพื้นที่ชัด ๆ ไม่ได้ครับ แต่ประมาณว่าคนที่ค้นหาข้อมูล แถบมีนบุรี ก็ค้นหาที่อยู่อาศัยแถบอ่อนนุชด้วย แสดงว่าจุดที่เขาทำงานอาจอยู่ตรงกลางของ 2 จุดนี้

ถ้าผู้ประกอบการอสังหาริมทรัพย์แถบอ่อนนุชรู้ข้อมูล เขาก็สามารถยิงโฆษณาไปยังคนที่สนใจบ้านแถบมีนบุรีได้ อะไรประมาณนั้น

แต่ข้อมูลที่จำได้แน่ ๆ ก็คือ อาจารย์เขาบอกว่าคนที่สนใจซื้อคอนโดฯที่พัทยา คนกลุ่มนี้ก็ค้นหาคอนโดฯแถวหัวหินด้วย ค้นข้อมูลแบบ “ข้ามอ่าวไทย” กันเลย

อีกเรื่องหนึ่งที่ผมชอบก็คือ ระบบการสืบค้นหาข้อมูลที่อยู่อาศัยใหม่ แอปพลิเคชั่น Home Hop สำหรับค้นหาที่อยู่อาศัยจากไลฟ์สไตล์ และความต้องการเฉพาะบุคคล คือ แทนที่จะให้ผู้บริโภคเลือกพื้นที่เขต ถนน ระดับราคา ฯลฯ ซึ่งเป็นการใช้ประสบการณ์ส่วนตัวของคนซื้อแบบเดิม

เขาปรับให้ผู้บริโภคใส่ข้อมูลพฤติกรรมการใช้ชีวิตหรือไลฟ์สไตล์ลงไป เช่น ทำงานอยู่ที่ไหน ต้องไปหาแฟนกี่วัน แฟนอยู่ที่ไหน วันหยุดต้องไปเยี่ยมพ่อแม่ที่ไหน งานอดิเรกคืออะไร ชอบฟิตเนสหรือดูหนัง หรือไปแฮงเอาต์ที่ไหนประจำ ใช้รถส่วนตัวหรือรถไฟฟ้า ฯลฯ

จากนั้นระบบจะเริ่มกำหนดจุดตามพฤติกรรม ประมวลผลโดยใช้ข้อมูลเรื่องการจราจร ถนนเส้นไหนติดหรือไม่ติดช่วงเช้าและเย็น ก่อนจะแนะนำว่าทำเลที่ควรซื้อที่อยู่อาศัยควรเป็นตรงไหน ตรงนั้นมีโครงการอะไรบ้าง ระดับราคาเท่าไร

บางทีทำเลที่เหมาะสมอาจ แตกต่างจากที่เราคิดก็ได้ เพราะทำเลที่เราคิดอาจจะรถติดมาก ใช้เวลาเดินทางนาน หรือบางทีเรามัวคิดถึงแต่การเดินทางไปทำงาน ลืมเรื่องไปเยี่ยมพ่อแม่ หรือไปรับแฟน ทั้งที่เรื่องนี้มีความสำคัญระดับสูง เป็นเรื่องความปลอดภัยในชีวิตและทรัพย์สิน

แต่สำหรับคนที่มีแฟนหลายคน ก่อนจะใส่ข้อมูลให้เช็กดี ๆ ก่อนว่าแอปนี้มีข้อจำกัดอะไรหรือไม่ เพราะถ้าใส่เกิน 1 คน ระบบอาจจะรวน ทำเลที่เสนอมาอาจไม่ใช่คอนโดฯ แต่เป็น “วัด” พร้อมระดับราคาการใช้ “ศาลา”และ “เมรุ”