ทุกสิ่งเกี่ยวกับ Viral Loop ที่เราเคยเรียนรู้ในยุคเว็บ 2.0 (แล้วก็ลืมมันไป)

• Viral Loop คือกลไกการเติบโตที่ถูกออกแบบไว้ในตัวผลิตภัณฑ์เอง โดยสร้าง โครงสร้างการได้มาซึ่งผู้ใช้ที่วัดผลและปรับให้เหมาะสมได้ ผ่านฟังก์ชัน การเชิญ·การแชร์·การแนะนำ
• ในยุครุ่งเรืองของเว็บ 2.0 มีผลิตภัณฑ์จำนวนมากที่สร้างผู้ใช้นับสิบล้านคนด้วย Viral Loop แต่หลังจากเปลี่ยนผ่านสู่ยุคมือถือ ความรู้เชิงปฏิบัติจำนวนมากกลับสูญหายไป
• หากออกแบบฟังก์ชันเชิญ·แชร์·แนะนำไว้ในผลิตภัณฑ์ และวัด viral factor ในระดับเซสชัน·โคฮอร์ต ก็จะสามารถติดตามด้วยสมการได้ว่าสามารถขยายผู้ใช้ฟรีได้มากแค่ไหน
  • ถ้ามากกว่าหรือเท่ากับ 1.0 จะเป็น การเร่งการเติบโตได้ด้วยตัวเอง, ถ้าต่ำกว่า 1.0 สุดท้ายจะ การเติบโตชะลอลง
• มีทั้ง ผลิตภัณฑ์ประเภท 1 ที่พึ่งพาแชร์ลูปแบบเรียบง่ายแต่ทรงพลัง และ ผลิตภัณฑ์ประเภท 2 ที่วางหลายแชร์ลูปทับอยู่บนฟังก์ชันที่ลึกและ retention สูง ซึ่งทั้งสองแบบมีรูปแบบการเติบโตและข้อจำกัดต่างกันมาก
• จากการเปลี่ยนผ่านสู่มือถือ ข้อจำกัดของแพลตฟอร์ม ความแปลกใหม่ที่หายไป และตลาดที่อิ่มตัว ทำให้ โครงสร้างที่ viral factor เกิน 1 ตั้งแต่เซสชันแรก แทบเป็นไปไม่ได้แล้ว และทุกวันนี้สิ่งสำคัญคือ โครงสร้างที่ cumulative viral factor ซึ่งรวมทุกเซสชันเข้าด้วยกันจะยิ่งสูงขึ้นเมื่อ retention สูงขึ้น
• เครื่องมือ generative AI และคอนเทนต์ไวรัลบนโซเชียลอย่าง shitposting·rage baiting·คลิปวิดีโอ นั้นใกล้เคียงกับสไปก์ชั่วครั้งชั่วคราวมากกว่า แต่เมื่อผสานกับลูป “สร้างแล้วแชร์” ที่ออกแบบไว้ในผลิตภัณฑ์ ก็สามารถช่วยขยายฐานผู้ใช้ในระยะยาวได้

---

ยุครุ่งเรืองของ Viral Loop ในสมัยเว็บ 2.0

• ในช่วงเว็บ 2.0 ระหว่างปี 2005~2010 โซเชียลเน็ตเวิร์ก, แพลตฟอร์ม UGC, เครื่องมือทำงานร่วมกัน และแอปส่งข้อความต่าง ออกแบบ Viral Loop อย่างเป็นระบบ จนสร้างฐานผู้ใช้ระดับหลายล้านถึงหลายร้อยล้านคนได้
  • มีการปรับแต่งเชิงวิศวกรรมให้ผู้ใช้พาผู้ใช้อีกคนเข้ามาผ่านอีเมลเชิญ การดึงสมุดรายชื่อ และลิงก์แชร์คอนเทนต์
  • เป็นช่วงเวลาที่ติดตาม viral factor ด้วย A/B test และสมการ เพื่อมุ่งสู่ “การเติบโตที่ออกแบบด้วยวิศวกรรม”
  • Facebook, LinkedIn, YouTube, Spotify, Pinterest เติบโตด้วยแนวทางนี้
• ผู้ก่อตั้งและทีมของผลิตภัณฑ์ไวรัลที่ประสบความสำเร็จในช่วงนั้น ต่อมาย้ายไปเป็น ผู้บริหารบริษัทเทคขนาดใหญ่·VC ทำให้ องค์ความรู้เรื่องการสร้าง Viral Loop สูญหายไปแทบทั้งหมด
• หลังการเปลี่ยนผ่านสู่มือถือ เมื่อวิธีแบบเดิมใช้ไม่ได้ผลอีกต่อไป ความรู้และโนว์ฮาวส่วนใหญ่จึงค่อย ๆ เจือจางไปจากหน้างานจริง
• อย่างไรก็ตาม คณิตศาสตร์และวิธีคิดแบบเดียวกันนี้ยังสามารถนำไปใช้ได้ตรง ๆ กับ Product-Led Growth, ระบบแนะนำของ marketplace, และแชร์โฟลว์ของ generative AI ในปัจจุบัน

โครงสร้างพื้นฐานในการมอง viral factor ด้วยสมการ

• คำว่าไวรัลในที่นี้ไม่ได้หมายถึงแค่ทวีตหนึ่งโพสต์ที่ระเบิดดังขึ้นมา แต่หมายถึงลูปเชิงโครงสร้างที่ การเชิญ·การแท็ก·การแชร์ลิงก์·โปรแกรมแนะนำ ซึ่งฝังอยู่ในผลิตภัณฑ์สามารถสร้างผู้ใช้ใหม่ได้อย่างต่อเนื่อง
• จุดเด่นของลูปนี้คือ วัดผลได้ ปรับปรุงได้ด้วยการเปลี่ยนแปลงในผลิตภัณฑ์ และใช้โครงสร้างทางคณิตศาสตร์เดียวกันได้กับรูปแบบหลากหลาย เช่น การเชิญ การแชร์คอนเทนต์ และ referral โดยมีแนวคิดเรื่องสัดส่วนที่เรียกว่า viral factor อยู่เป็นแกนกลาง
• viral factor คืออัตราส่วนที่ใช้ “โคฮอร์ตของผู้ใช้ที่สมัครในช่วงเวลาหนึ่ง” เป็นตัวหาร และใช้จำนวนผู้ใช้ใหม่ที่ผู้ใช้ในโคฮอร์ตนั้น สร้างขึ้นผ่านการเชิญและแชร์เมื่อเวลาผ่านไป เป็นตัวตั้ง
  • ตัวอย่าง: ถ้าผู้ใช้ 100 คนที่สมัครเมื่อ 3 เดือนก่อน พาคนมาเพิ่มได้ 50 คน viral factor ณ เวลานั้นคือ 0.5
  • ถ้าผู้ใช้ 100 คนพาคนมาได้ 150 คน และ 150 คนนั้นพาคนมาได้อีก 225 คน viral factor คือ 1.5
  • ถ้ามากกว่าหรือเท่ากับ 1 ลูปจะขยายตัว แต่ถ้าต่ำกว่า 1 สุดท้ายก็จะหยุดลง

ลูปการแชร์คอนเทนต์และการออกแบบข้อมูล

• ตัวอย่างที่เป็นตัวแทนของ Viral Loop คือโครงสร้างที่ผู้ใช้ สร้างบางสิ่งด้วย AI·ฟิลเตอร์·เครื่องมือ แล้วแชร์ผ่านลิงก์ จากนั้นคนที่เห็นบางส่วนก็สมัครเพื่อมาสร้างแบบเดียวกันด้วยตัวเอง
  • Instagram filter, โพสต์บล็อก, และเครื่องมือสร้างวิดีโอ AI ในปัจจุบัน ต่างอยู่ในแพตเทิร์นเดียวกัน
• หากต้องการวัดสิ่งนี้ จะต้องติดตามด้วยการใส่ URL ที่มี sharer_id ลงในลิงก์แชร์
  • ตัวอย่าง: แชร์ในรูปแบบ product.com/vid/[video_id]?sharer_id=[user_id] และบันทึก sharer_id ไว้ใน row ของผู้ใช้ที่สมัครผ่านลิงก์นั้น
• จากนั้นเมื่อนำรายการ id ของโคฮอร์ตหนึ่งมา ก็สามารถคำนวณ viral factor ได้ด้วยการนับว่าผู้ใช้เหล่านี้ ไปปรากฏเป็น sharer_id ของผู้ใช้อื่นกี่ครั้ง
  • ผู้ใช้ที่ sharer_id ว่างอยู่ให้ถือเป็น “ผู้ใช้ Gen 1/onramp” และตัดออกจากการคำนวณ โดยวิธีมองอัตราส่วน Gen N เทียบกับ Gen N+1 จะเสถียรกว่า
• เมื่อคำนวณ viral factor ได้แล้ว คำถามจะนำไปสู่เรื่อง “จะเพิ่มตัวเลขนี้อย่างไร และทำให้เกิน 1 ได้หรือไม่” โดยธรรมชาติ
  • เช่น เพิ่มโฟลว์ขอให้เชิญเพื่อนใน onboarding, ทำลิงก์เชิญให้คัดลอกได้ง่าย, ปรับปรุง UI การแชร์
• เมื่อคำนวณบนฐาน sharer_id ได้แล้ว ก็สามารถใช้วิธีดำเนินงานแบบ ตรึงเป็นตัวชี้วัดบนแดชบอร์ดและสังเกตการเปลี่ยนแปลงด้วย A/B test ได้
  • ตัวแปรในการทดลองอาจรวมถึง สัดส่วนผู้ใช้ที่ใช้ฟังก์ชันแชร์, จำนวนครั้งที่แชร์, อัตราแปลงเป็นการสมัครของฝั่งที่ได้รับการแชร์ ซึ่งชุดผสมนี้ทำงานคล้าย “viral factor cookbook”
• กล่าวคือ viral factor ใช้ได้ทั่วไปไม่ใช่แค่กับ ลูปการเชิญ (invite) เท่านั้น แต่รวมถึง การแชร์·การทำงานร่วมกัน·referral และ ทุกโครงสร้างที่ผู้ใช้เดิมสร้างผู้ใช้ใหม่ขึ้นมา

สูตร “จำนวนคำเชิญ × อัตราแปลง” และข้อจำกัดของมัน

• สูตรที่เป็นที่รู้จักกันกว้างขวางบนอินเทอร์เน็ตว่า “viral factor = จำนวนคำเชิญ × อัตราแปลง” แม้จะถูกต้องในเชิงสัญชาตญาณ แต่ก็มีข้อจำกัดตรงที่วิธีนี้ ใช้ได้เฉพาะกับลูปแบบอาศัยคำเชิญเป็นหลักเท่านั้น
  • ในความเป็นจริงยังมีลูปอีกหลากหลาย เช่น การแชร์คอนเทนต์ การเชิญร่วมงาน และโค้ดแนะนำ
• ที่สำคัญกว่านั้น สิ่งที่อยากรู้จริง ๆ คือ อัตราส่วนระหว่างผู้ใช้สองโคฮอร์ต ดังนั้นนิยามแบบ ยึดโคฮอร์ตเป็นฐาน จึงใกล้แก่นแท้มากกว่า
• หากยึดติดกับจำนวนคำเชิญ×อัตราแปลงมากเกินไป ก็จะถูกพาไปสู่แนวทางแบบ ทำให้ผู้ใช้ส่งเมลเชิญไปหาเพื่อนให้มากที่สุดเท่าที่เป็นไปได้ หรือก็คือ การออกแบบที่เกือบจะเป็นสแปม และเพิ่มความเหนื่อยล้าของผู้ใช้
  • โซเชียลเน็ตเวิร์กในอดีตอย่าง Bebo, Tagged, Hi5, MySpace เคยใช้ ฟังก์ชันดึงสมุดรายชื่อจาก Hotmail·Yahoo Mail เพื่อทำให้ผู้ใช้ส่งเมลเชิญมากกว่า 200 ฉบับ และดัน viral factor ขึ้นแบบประดิษฐ์
  • วิธีนี้นำไปสู่ การส่งไปยังที่อยู่อีเมลที่ใช้ไม่ได้มากขึ้น → อัตราแปลงลดลง → ผู้ให้บริการอีเมลจัดเป็นสแปม แม้จะใช้ได้ผลอยู่ราว 10 ปี แต่สุดท้ายก็ทำให้ ยุคของลูปเชิญผ่านอีเมลจบลง

ตัวชี้วัดหลักของผลิตภัณฑ์ไวรัลและเงื่อนไขของ PMF

• หากต้องการแยกผลิตภัณฑ์ที่ยังอยู่รอดหลังสไปก์ไวรัลชั่วคราว ตัวชี้วัดด้าน retention·การสร้างนิสัย·network effect·การสร้างรายได้ ต่อไปนี้ถือเป็นเกณฑ์ที่มีประโยชน์
  • เส้นโค้ง retention ของโคฮอร์ตแบนราบที่ระดับหนึ่งหรือไม่ (สัดส่วนผู้ใช้ที่ยังถูกยึดไว้ได้)
  • ค่า actives/registered > 25% หรือไม่ กล่าวคือมีผู้ใช้งานจริงมากพอเมื่อเทียบกับผู้สมัครทั้งหมดหรือไม่
  • power user curve วาดเป็น “รูปหน้ายิ้ม (smile)” หรือไม่ (หมายถึงมีฐานผู้ใช้ที่ยึดติดอย่างเหนียวแน่นอยู่ตรงแกนกลาง)
• นอกจากนี้ ตัวชี้วัดต่อไปนี้ยังใช้เป็นเกณฑ์แยก ธุรกิจที่ยั่งยืน ได้อย่างมีประสิทธิภาพ
  • viral factor > 0.5 (มากพอจะช่วยขยายช่องทางอื่น ๆ ได้)
  • DAU/MAU > 50% (มีการสร้างนิสัยการใช้งานในชีวิตประจำวันหรือไม่)
  • ยิ่งเป็นเครือข่ายที่เก่าในระดับตลาด·ระดับโลโก้ การมีส่วนร่วมยิ่งสูงขึ้นหรือไม่ (network effect)
  • D1/D7/D30 สูงกว่า 60/30/15 หรือไม่ (การตั้งหลักช่วงแรกและความถี่ในการใช้งาน)
  • รายได้ต่อผู้ใช้·ปริมาณกิจกรรมต่อผู้ใช้เพิ่มขึ้นตามเวลาหรือไม่ (เริ่มใช้งานได้ลึกขึ้นหรือไม่)
  • ในระดับสเกลที่มีนัยสำคัญ มีมากกว่า 60% ที่มาจาก organic ไม่ใช่การตลาดแบบเสียเงินหรือไม่
• แอปไวรัลจำนวนมากในยุค Web 2.0·Facebook platform เคยมี viral factor เริ่มต้นและกระแสปากต่อปากที่สูงมาก แต่หายไปหลังสไปก์เพราะ retention ไม่รองรับ
  • คุณสามารถใช้ Viral Loop เพื่อดึงผู้ใช้ที่หลุดออกไปกลับมาได้ซ้ำ ๆ แต่ถ้าไม่มี product-market fit และโครงสร้างการใช้งานที่เหนียวแน่น ก็จะไม่ต่อยอดไปสู่ธุรกิจที่ประสบความสำเร็จได้

ผลิตภัณฑ์ไวรัลสองประเภท: หมวดหมู่ 1 และ 2

• ผลิตภัณฑ์แบบไวรัล โดยทั่วไปแบ่งออกได้เป็น 2 หมวดหมู่
  • หมวด 1: แอปเรียบง่ายที่โฟกัสการกระทำอย่างเดียว และผลลัพธ์จากการใช้งานสามารถแชร์ต่อได้ง่ายมาก เป็นแอปแบบเรียบง่ายสุดๆ (เช่น Instagram ยุคแรก, YouTube, แอปควิซและแอปไม่ระบุตัวตนหลากหลายแบบ)
  • หมวด 2: ผลิตภัณฑ์ที่มีฟังก์ชันลึกและมี retention สูง ซึ่งเป็นผลิตภัณฑ์ซับซ้อนที่มีฟีเจอร์การแชร์และการทำงานร่วมกันหลายอย่างอยู่ภายใน (เช่น Figma, Slack, Facebook ยุคแรก)
• หมวด 1 สร้างการเติบโตแบบระเบิดและรูปแบบ “ดังข้ามคืน” ได้ง่าย เพราะมี โฟลว์สั้นและ conversion สูง แต่ก็มักมีปัญหาผู้ใช้หลุดออกหลังเกิดสไปก์ และมี cumulative retention ต่ำ
• หมวด 2 ใช้เวลาสร้างนานกว่าและเติบโตช้าในช่วงแรก แต่เพราะ ผู้ใช้ที่ได้มามักไม่จากไปง่ายๆ จึงเป็นโครงสร้างที่สามารถสะสม viral factor แบบสะสม ได้ตลอดหลายเซสชัน
• ปัจจุบัน เครื่องมือสร้างคอนเทนต์ AI จำนวนมากกำลังเดินตาม แพตเทิร์นของหมวด 1 (สร้างง่าย→แชร์ต่อ) จึงมีทั้งจุดแข็งแบบเดียวกับบริการแต่งภาพและวิดีโอในอดีต (โตเร็ว) และจุดอ่อนแบบเดียวกัน (รักษาผู้ใช้หลังสไปก์ได้ยาก)

โครงสร้างและสมการของลูปสร้างคอนเทนต์แบบเรียบง่ายทีละขั้น

• ลูปการสร้างและแชร์คอนเทนต์แบบเรียบง่ายผ่านขั้นตอนต่อไปนี้
  • เห็นผลงานที่คนอื่นสร้างไว้บนออนไลน์ →
  • ดูหรือเสพผลงานนั้น →
  • กดลิงก์ที่ติดอยู่กับผลงานเพื่อไปยังเครื่องมือสร้าง →
  • ลองใช้เครื่องมือสร้างอะไรบางอย่างด้วยตัวเอง →
  • แชร์ผลงานที่สร้างแล้วกลับออกไปยังโซเชียลหรือเมสเซนเจอร์ →
  • ผู้คนจำนวนมากขึ้นเห็นสิ่งนี้และทำกระบวนการเดิมซ้ำ
• ในแต่ละขั้นจะมีตัวชี้วัดของ funnel เช่น อัตราการรับชม, CTR, อัตราการสร้าง, อัตราการแชร์, จำนวนคนที่เห็น และถ้านำค่าพวกนี้คูณกันแล้วคูณกับ “โดยเฉลี่ยแล้วการแชร์หนึ่งครั้งมีคนเห็นกี่คน (X)” ได้มากกว่า 1 ลูปก็จะขยายตัวแบบระเบิด
• ยกตัวอย่าง หากกำหนดตัวเลขดังนี้ 0.5(รับชม) * 0.1(คลิก) * 0.2(สร้าง) * 0.5(แชร์) * X ต้องมากกว่า 1 จึงจะเกิดไวรัล
  • เมื่อคูณ 4 พจน์แรกเข้าด้วยกันจะได้ 0.005 ดังนั้นถ้าจะทำให้ลูปมีค่าอย่างน้อย 1 ก็หมายความว่า การแชร์หนึ่งครั้งต้องมีคนเห็นผลงานมากกว่า 200 คน
  • เนื่องจากตัวเลขเปลี่ยนแปลงได้อย่างอ่อนไหว การปรับ UI หรือคอนเทนต์เพียงเล็กน้อยก็อาจส่งผลอย่างมากต่อลูปทั้งหมด
• หากมองจาก viral factor (v) อัตราการขยายผู้ใช้รวมจากการไหลเข้ารุ่นต่อรุ่นในรูปผลรวมเรขาคณิตจะมีโครงสร้างเป็น 1/(1-v)
  • ถ้า viral factor ต่ำ ในข้อมูลจริงก็มักเห็นเพียง การเพิ่มขึ้นระดับที่แทบแยกด้วยตาเปล่าไม่ได้เพราะกลบอยู่ใน noise
  • ตัวอย่าง: มีผู้ใช้ใหม่วันละ 100 คน และ viral factor เท่ากับ 0.1 การขยายสุดท้ายจะเป็น 1.11 เท่า หรือเพิ่มมาเพียงราว 11 คน
  • ถ้า v=0.5 จะได้ 1/(1-0.5)=2 หมายถึง บนฐานผู้ใช้ 100 คนที่ได้มาจากการจ่ายเงิน จะมีผู้ใช้อีก 100 คนถูกเติมเข้ามาด้วยไวรัล
• กล่าวคือ ถ้า v=0.5 จะได้การขยาย 2 เท่า, ถ้า v=0.75 จะได้ 4 เท่า, และถ้า v=0.9 จะได้ 10 เท่า
  • ผู้ใช้ใหม่ 100 คนเท่าเดิมจะกลายเป็น สุดท้าย 200 คน (2 เท่า)·400 คน (4 เท่า)·1000 คน (10 เท่า) ซึ่งเป็นระดับการขยายที่รับรู้ได้จริง และช่วยชดเชยต้นทุนการตลาดแบบเสียเงินได้มาก
• เพราะเหตุนี้ ในการออกแบบจริงจึงไม่ใช่แค่ระดับ “มีไวรัลนิดหน่อยก็ดี” แต่ต้องสร้าง โครงสร้างที่ดันค่าให้ได้เกิน 0.5

ทำไมประสิทธิภาพไวรัลจึงลดลงเมื่อเวลาผ่านไป

• ลูปไวรัลมีแนวโน้มเคลื่อนไปในทิศทางที่ ประสิทธิภาพลดลงตามธรรมชาติ เมื่อเวลาผ่านไป
  • ผลของความแปลกใหม่ (novelty) หายไป, ตลาดอิ่มตัวมากขึ้น, และแพลตฟอร์มเริ่มเข้มงวดขึ้น
• เมื่อคอนเทนต์หรือเครื่องมือรูปแบบใหม่ปรากฏขึ้น ผู้คนมักมีแนวโน้ม ดูมากขึ้น กดมากขึ้น และลองใช้มากขึ้น แต่เมื่อเวลาผ่านไปและการแชร์ในรูปแบบเดิมกลายเป็นเรื่องธรรมดา ตัวชี้วัดเดียวกันก็มักลดลงทั่วกระดาน
  • ตัวอย่างเช่น ในช่วงแรกของการแชร์ภาพ AI แม้แต่ภาพที่นิ้วมีหกนิ้วก็ยังถูกมองว่าแปลกใหม่และถูกแชร์มาก แต่ตอนนี้ต้องมีระดับความน่าทึ่งที่สูงกว่านั้นมาก
• เมื่อเกิดภาวะอิ่มตัวของตลาดมากขึ้น ในรายชื่อเพื่อนลำดับต้นๆ ที่ผู้ใช้คิดจะชวน ก็มักมีคนที่สมัครไปแล้วหรือไม่สนใจอยู่จำนวนมาก ทำให้ จำนวนคำเชิญที่ยังมีประสิทธิภาพ ลดลง
  • นอกจากนี้ ผู้ใช้ที่ไหลเข้ามาในช่วงท้ายยังมักเป็น ผู้ยอมรับช้าและมีแนวโน้มบอกต่ออ่อนกว่า ทำให้ viral factor โดยรวมลดลง
  • ในกรณีการเชิญผ่านสมุดรายชื่ออีเมล ช่วงแรกอาจส่งได้มากกว่า 200 รายชื่อพร้อมได้ open rate และ click rate สูง แต่หลังมีผู้ใช้หลายสิบล้านคนแล้ว ทั้งจำนวนรายชื่อและอัตราการเปิด/คลิกต่างก็ลดลงพร้อมกัน
• ลูปไวรัลทุกแบบทำงานอยู่บน แพลตฟอร์มฐาน (เช่น อีเมล, Facebook, TikTok)
  • ถ้ามี คอนเทนต์ที่ติดลายน้ำหรือแนบลิงก์มากเกินไป แพลตฟอร์มก็อาจใช้นโยบายกดการกระจายได้
  • กล่าวคือ หากแพลตฟอร์มเริ่มไม่ชอบคอนเทนต์ที่มีลายน้ำหรือลิงก์ หรือเริ่มออกฟีเจอร์คู่แข่งขึ้นมา conversion ของบางขั้นอาจร่วงฮวบจนลูปทั้งระบบพังได้

ข้อจำกัดของแอปแบบไฮเปอร์ซิมเปิลและ network effect

• แอปแบบไฮเปอร์ซิมเปิลและไฮเปอร์ไวรัลมี โครงสร้างผลิตภัณฑ์ที่ประกอบด้วยหน้าจอเพียงไม่กี่หน้าและ UI เพียงไม่กี่อย่าง และโครงสร้างนี้เองก็มีศักยภาพจะสร้าง retention ที่ลึกมากได้ หากมีคอนเทนต์และเครือข่ายเพียงพอ
  • YouTube และ Instagram เป็นตัวอย่างของ core UI ที่เรียบง่ายมากแต่มีเครือข่ายคอนเทนต์มหาศาล จึงดูเหมือนแอปเล็กๆ แต่กลับดึงให้ใช้งานได้ไม่รู้จบ
• ผลิตภัณฑ์แบบนี้แม้จะเพิ่มฟีเจอร์จำนวนมากตามเวลา ก็ยังสามารถนำเสนอสิ่งใหม่ได้ไม่สิ้นสุดด้วย ปริมาณคอนเทนต์และ network effect
• ในทางกลับกัน แอปที่มีแค่กลเม็ดไวรัล แต่ไม่มีการสะสมของ คอนเทนต์, กราฟความสัมพันธ์, หรือพฤติกรรมจนเป็นนิสัย มักวนกลับไปสู่แพตเทิร์นเดิม คือหลังสไปก์ผ่านไปก็แทบไม่เหลือฐานผู้ใช้

ข้อจำกัดของเทคนิคโซเชียลไวรัลยุคใหม่ (เช่น shitposting)

• “ไวรัล” ที่พูดกันในโซเชียลระยะหลังเป็นรูปแบบที่ผสมหลายกลยุทธ์เข้าด้วยกัน เช่น ragebait (คอนเทนต์ยั่วโกรธ), shitposting, วิดีโอเปิดตัวสุดเท่, คลิป TikTok, บิลบอร์ด, อินฟลูเอนเซอร์ไวรัล, การทำให้ผู้ก่อตั้งกลายเป็นอินฟลูเอนเซอร์
• เทคนิคเหล่านี้เหมาะกับการสร้าง ทราฟฟิกสไปก์แบบครั้งเดียว แต่
  • มันยังห่างจากโครงสร้างที่สามารถรักษาสัดส่วน จำนวนผู้ใช้ใหม่ / DAU ไว้ได้ขณะที่ DAU โตขึ้น และขยายตัวแบบทวีคูณ
  • หากทำรูปแบบเดิมซ้ำเป็นรายเดือนหรือรายสัปดาห์ ผลลัพธ์ก็มักค่อยๆ ลดลงจาก ความเคยชินและความล้า
• ถึงอย่างนั้น หากทราฟฟิกที่ได้จากกลยุทธ์เหล่านี้เชื่อมเข้ากับลูป “สร้างแล้วแชร์” ภายในผลิตภัณฑ์ มันก็ยังเป็นเครื่องมือที่มีประโยชน์ เพราะสามารถเปลี่ยนสไปก์ให้กลายเป็นเมล็ดพันธุ์ของการเติบโตที่ทำซ้ำได้

จุดจบของไวรัลแบบเว็บ 2.0 และการเปลี่ยนผ่านสู่มือถือ

• ในยุครุ่งเรืองของเว็บ 2.0 มีหลายกรณีที่ใช้คำเชิญทางอีเมล, การดึงสมุดรายชื่อ, และ Facebook apps เพื่อเติบโตจาก “ศูนย์สู่ผู้ใช้หลายล้านคน”
  • บริการอย่าง Facebook, LinkedIn, YouTube, Spotify, Pinterest ต่างก็เติบโตบนฐานนี้
  • บริการอย่าง BirthdayAlar(อีเมลเตือนวันเกิด) และ Plaxo(คำขออัปเดตข้อมูลติดต่อ) ใช้เหตุผลเรื่องช่วยให้ข้อมูลวันเกิดและข้อมูลติดต่อของเพื่อนเป็นปัจจุบันในการหมุนลูปคำเชิญ และกลไกนี้ต่อมาก็นำไปสู่การเกิดขึ้นของโซเชียลเน็ตเวิร์ก
• เมื่อเวลาผ่านไป ผู้ใช้เริ่มคุ้นกับแพตเทิร์นเหล่านี้ ผู้ให้บริการอีเมลก็เพิ่มความเข้มงวดของสแปมฟิลเตอร์ และที่สำคัญคือ ศูนย์กลางของโลกย้ายจากอีเมลไปสู่มือถือ ทำให้ยากจะทำโครงสร้างแบบเดิมซ้ำ
• บนมือถือ แม้จะเข้าถึงรายชื่อผู้ติดต่อได้ แต่เพราะ UX แบบ ต้องเลือกเบอร์เชิญทีละคน จึงทำการเชิญแบบคราวละ 200 คนเหมือนอีเมลได้ยาก
  • แม้จะมีความพยายามให้เซิร์ฟเวอร์อย่าง Twilio ส่งข้อความ SMS แทน แต่สิ่งนี้ก็นำไปสู่ปัญหาสแปม SMS และ ความเสี่ยงด้านกฎหมายและค่าปรับ จึงไม่ยั่งยืน
• ผลลัพธ์คือ ยุคของแอปแบบไฮเปอร์ซิมเปิลและไฮเปอร์ไวรัลที่ “ทำ viral factor เกิน 1 ได้ตั้งแต่เซสชันแรก” นั้นแทบจะสิ้นสุดลงแล้ว และในปัจจุบัน viral factor ระดับ 0.2~0.3 คือสถานการณ์ที่พบได้ทั่วไป

กลยุทธ์ไวรัลสมัยใหม่ที่ยึด retention เป็นศูนย์กลาง: channel mix และการรวมหลายเซสชัน

• การเติบโตของแอปในปัจจุบันสรุปได้เป็นการผสมกันของ 2 องค์ประกอบหลัก แทนการเร่งให้เชิญคนมากเกินไป
  • 1. top funnel หลายช่องทาง (SEO, โซเชียล, PR, โฆษณาแบบเสียเงิน, referral ฯลฯ)
  • 2. viral factor ที่สะสมตลอดทั้งวงจรการใช้งาน อันเป็นผลจาก retention ที่แข็งแรง
• อย่างแรก ต้องมีโครงสร้างที่คอยส่งผู้ใช้ใหม่เข้ามาอย่างสม่ำเสมอจากหลายช่องทาง เช่น การตลาดแบบเสียเงิน, referral, การบอกต่อ, SEO, สื่อ, SNS ฯลฯ
  • ในกรณีของ Uber ประมาณครึ่งหนึ่งของทริปแรกมาจากการตลาดแบบเสียเงิน, 10~20% มาจาก referral, ที่เหลือมาจากการบอกต่อ·SEO ฯลฯ
• อย่างที่สอง หากผลิตภัณฑ์มี retention ที่แข็งแรงจนสร้างผู้ใช้ซ้ำได้หลาย session
  • ก็สามารถค่อยๆ กระตุ้นการแชร์·การเชิญ·referral ในแต่ละ session เพื่อสร้าง viral factor รวมที่เกิดจากการเอา viral factor ของแต่ละ session มาบวกกันทั้งหมด ได้
• แทนที่จะมองเป็น “จำนวนคำเชิญ × อัตรา conversion” ต้องมองเป็นผลรวมอนันต์ในรูปแบบ viral factor ของ session 1 + viral factor ของ session 2 + …
  • สูตรง่ายๆ อย่าง จำนวนคำเชิญ × อัตรา conversion แฝงสมมติฐานว่าการเกิดไวรัลทั้งหมดเกิดขึ้นแค่ใน session แรก แต่ความจริงแล้วผู้ใช้มีได้ หลายสิบหรือหลายร้อย session และในแต่ละครั้งก็อาจแชร์หรือเชิญเพิ่มทีละนิดได้
  • เพราะฉะนั้น มุมมองที่ใกล้ความจริงกว่าคือการมอง viral factor ของแต่ละ session เป็น ค่าที่นำมาบวกรวมกันตลอดทั้งช่วงของ retention curve

การแบ่งบทบาทของไวรัลระหว่าง onboarding และ session หลังจากนั้น

• หากดูจากประสบการณ์จริง ครึ่งหนึ่งของ viral factor ทั้งหมดเกิดใน session แรก และอีกครึ่งหนึ่งเกิดใน session ถัดๆ ไป
  • ใน session แรก ผู้ใช้อยู่ในโหมด ตั้งค่า workspace เชิญเพื่อน·เพื่อนร่วมงาน และ “เซ็ตอัป” จึงสามารถวางฟีเจอร์เชิญให้เด่นอยู่ด้านหน้าได้อย่างเป็นธรรมชาติ
  • แต่ตั้งแต่ session ที่สองเป็นต้นไป ผู้ใช้อยู่ในโหมด คาดหวังว่าจะได้รับคุณค่าอยู่แล้ว ดังนั้นหากจะพาไปสู่ viral flow ฟีเจอร์นั้นต้องมีประโยชน์ในเชิงบริบทจริงๆ
• ในผลิตภัณฑ์จริง viral loop หลายรูปแบบมักอยู่ร่วมกัน และแต่ละ loop ก็ทำงานในคนละช่วงเวลา·คนละบริบท
  • ตัวอย่าง Dropbox: การแชร์โฟลเดอร์, ฟีเจอร์เชิญ, โปรแกรม referral และ viral loop ของแอป Dropbox อื่นๆ ต่างก็มีส่วนช่วยในรูปแบบที่แตกต่างกัน
  • ตัวอย่าง Uber: นอกจากเครดิต referral ในแอปแล้ว ยังมี ประสบการณ์การนั่งร่วมกับเพื่อน, การแชร์ ETA ฯลฯ ซึ่งเป็นการมองเห็นแบบ IRL และอิงฟีเจอร์ ที่ทำงานเป็นลูปดึงผู้ใช้ใหม่เข้ามา
• แม้ประสิทธิภาพของแต่ละ loop จะแตกต่างกัน แต่เมื่อมองภาพรวม ก็จะเกิดโครงสร้างที่ผู้ใช้ ค่อยๆ ดึงคนอื่นเข้ามาในผลิตภัณฑ์ด้วยวิธีหลากหลายตลอดหลาย session
• ยิ่ง retention สูง ผู้ใช้ก็ยิ่งมีโอกาสสัมผัสหลาย loop มากขึ้น จึงเป็นฐานที่ช่วยขยาย viral factor ระยะยาวได้ โดยไม่ต้องใช้ UI แบบสแปม

ความสัมพันธ์ระหว่าง retention กับไวรัลแบบสแปม

• ผลิตภัณฑ์ที่มีจำนวน session มากและมี retention สูง สามารถสร้าง viral factor รวมที่ใหญ่ได้แม้จะกระตุ้นให้แชร์·เชิญเพียงเล็กน้อยในแต่ละ session จึงเป็นโครงสร้างที่ ไม่จำเป็นต้องพึ่งการบังคับเชิญแบบสแปมมากนัก
  • ในทางกลับกัน ผลิตภัณฑ์ที่มี retention ต่ำและมี session เฉลี่ยแค่ 2~3 ครั้ง ต้องรีดไวรัลทั้งหมดออกมาในช่วงนั้น จึงมักขอให้เชิญแบบ หนักๆ เด่นๆ และแทบจะเป็นสแปม
• Facebook ในยุคแรกเป็นตัวอย่างของการได้ไวรัลระยะยาวจาก retention ที่สูง ทั้งที่มีเพียง ฟีเจอร์เชิญทางอีเมลที่วางไว้อย่างเงียบๆ ตรงแถบด้านขวา เมื่อเทียบกับโซเชียลเน็ตเวิร์กคู่แข่ง
  • ในทางกลับกัน โซเชียลเน็ตเวิร์กคู่แข่งที่พึ่งคำเชิญแบบสแปมกลับพ่ายให้ Facebook ไปในที่สุด เพราะ retention ต่ำและทำให้ผู้ใช้ล้า
• ในระยะยาว ฝั่งที่มี ผลิตภัณฑ์ที่ retention สูง + loop ที่สแปมน้อยกว่า จะได้เปรียบทั้งในด้านประสบการณ์ผู้ใช้และการเติบโต

คุณค่าของ viral factor ที่ต่ำกว่า 1 และ “ความเร็ว”

• ในสภาพแวดล้อมจริง viral factor มักเกิน 1 ได้ยาก และหลายกรณีก็ทรงตัวอยู่ที่ ระดับ 0.2~0.3
• ถึงอย่างนั้น หาก v=0.2 เมื่อนำคนเข้ามา 1000 คนผ่านช่องทางเสียเงินหรือช่องทางอื่น ก็เท่ากับว่า ได้เพิ่มอีก 200 คนแบบไม่เสียเงิน ทำให้ผลของการลด CAC มีนัยสำคัญพอสมควร
• ในไวรัล แนวคิดเรื่อง ความเร็ว (speed) ก็สำคัญเช่นกัน
  • แอปโซเชียลที่มีความถี่การใช้งานสูง จะมีการแชร์·เชิญเกิดขึ้นหลายครั้งต่อวัน จึง เติบโตได้เร็วกว่าแม้จะมี viral factor เท่ากัน
  • ในทางกลับกัน เครื่องมืออย่างการเก็บไฟล์หรือสำรองข้อมูลซึ่งใช้แบบทำงานเบื้องหลัง อาจมี การใช้ฟีเจอร์แนะนำเพียงเดือนละครั้งโดยประมาณ ทำให้แม้ไวรัลสะสมจะมาก แต่ความเร็วในการเติบโตอาจช้า
• สำหรับผลิตภัณฑ์ consumer และ prosumer ที่ตั้งเป้าระดับผู้ใช้หลายร้อยล้านในระยะยาว โครงสร้างที่ให้ “ช่องทางฟรี·ต้นทุนต่ำ” อย่างไวรัล, SEO, การเพิ่มประสิทธิภาพในสโตร์ ฯลฯ เข้ามาเติมเต็ม เป็นสิ่งจำเป็น เพราะเป็นขนาดที่ ยากจะไปถึงด้วยการตลาดแบบเสียเงินเพียงอย่างเดียว

viral loop ในยุค AI และสไปก์ของ top funnel

• สรุปแล้ว การโพสต์ลงชีต, rage-baiting, วิดีโอเปิดตัวแบบ cinematic, บิลบอร์ด, การสปอนเซอร์อินฟลูเอนเซอร์ ฯลฯ ใกล้เคียงกับ เครื่องมือสร้างสไปก์ใน top funnel มากกว่าเป็นลูปที่ทำซ้ำได้
  • อย่างไรก็ดี สิ่งเหล่านี้ ไม่ได้เป็นโครงสร้างที่ดันสัดส่วนผู้ใช้ใหม่เทียบกับ DAU ให้สูงขึ้นได้ในระยะยาวด้วยตัวมันเอง และก็ไม่ได้มีความทำซ้ำได้หรือความสามารถในการป้องกันการแข่งขันสูงเท่ากับ viral loop ที่ออกแบบไว้ภายในผลิตภัณฑ์
• เครื่องมือ generative AI จำนวนมากในยุคปัจจุบันอยู่ในตำแหน่งที่ใช้ลูป “สร้างอะไรบางอย่าง → แชร์มัน” กับผู้ใช้ที่เข้ามาจากสไปก์เหล่านี้ เพื่อเปลี่ยนความสนใจแบบครั้งเดียวให้กลายเป็นการเติบโตเชิงโครงสร้างภายในผลิตภัณฑ์ได้บางส่วน
• ผลลัพธ์ที่สร้างด้วย AI เข้ากันได้ดีมากกับ ฟอร์แมตที่เวิร์กบนแพลตฟอร์มโซเชียลสมัยใหม่ เช่น วิดีโอสั้น·คลิปแบบฝัง ทำให้ พลังการแพร่กระจายของ content sharing loop สูงอย่างชัดเจน
• กล่าวคือ ทฤษฎีไวรัลแบบคลาสสิก (viral factor แบบอิง cohort, retention, การรวมหลาย loop, channel mix) ยังใช้ได้อยู่
  ท้ายที่สุดแล้ว การผสมกันของ สไปก์จาก top funnel ที่หลากหลาย + viral loop แบบมีโครงสร้างภายในผลิตภัณฑ์ + retention ที่สูง ยังคงเป็นโครงสร้างหลักที่สร้างการเติบโตอย่างยั่งยืนในยุค AI

[laeyoung]

บทความนี้ใน New York Times ชื่อ "Is Going Viral Dead (ไวรัลได้หายไปแล้วหรือเปล่า?)" ที่ลงเมื่อเดือนก่อนทำให้นึกขึ้นมาได้ เลยแปะลิงก์ไว้ครับ

[laeyoung]

สรุปก็คือ เป็นบทความที่บอกว่าเพราะอัลกอริทึมแบบปรับให้เหมาะกับแต่ละบุคคล ปรากฏการณ์ไวรัลแบบเมื่อก่อนที่ทำให้ทุกคนเห็นคอนเทนต์เดียวกันนั้น ในช่วง 10 ปีที่ผ่านมาได้หายไปมากแล้ว