สังเวียนแห่ง social networking

โลกของอินเตอร์เน็ต เราสามารถเลือกที่จะเป็นในสิ่งที่อยากเป็นได้อย่างง่ายดาย อย่าง Rupert Murdoch ผู้เป็นเจ้าของบริษัท News Corp บริษัทสื่อยักษ์ใหญ่ในสหรัฐฯ ที่ใช้ MySpace บอกผู้คนผ่านเว็บไซต์ MySpace ว่าตนเองเป็นหญิงชราวัย 87 ปีจากอุซเบกิสถาน อีกทั้งยังสร้างข้อมูลอีกคน เพื่อจะเป็นชายอเมริกันวัย 104 ปี อีกด้วย

เกมส์การเปลี่ยนแปลงสถานะของตน หรือพูดง่าย ๆ ก็คือการหลอกคนที่ไม่รู้จักว่าตนเป็นในสิ่งที่ตนไม่ได้เป็นนี้ เป็นสิ่งที่เกิดขึ้นทั่วไปในหมู่ผู้ใช้งานเว็บสังคมยอดนิยมแห่งนี้

จุดนี้เป็นสิ่งที่ MySpace สร้างชื่อเสียงขึ้นมาในหมู่ผู้ใช้งานอินเตอร์เน็ตตั้งแต่เปิดตัวมาในปี 2546 แต่ในเวลานี้ Murdoch ตั้งใจแล้วว่า จะทำให้เว็บแห่งนี้สามารถทำเงินได้เป็นกอบเป็นกำ

แรกเริ่มนั้น News Corp ซื้อเว็บ MySpace มาในราคา 580 ล้านดอลลาร์สหรัฐ แต่ยังไม่ได้พัฒนาเมื่อเวลาผ่านไปถึง 4 ปีแล้ว ทำให้ Murdoch ตัดสินใจรับ Owen Van Natta อดีตผู้บริหาร Facebook เว็บคู่แข่งที่ได้รับความนิยมมากกว่า เข้ามาเพื่อช่วยบริหาร MySpace แทน เพื่อให้ Van Natta ช่วยรับภาระหนักในการปั้น MySpace ให้เป็นที่นิยมของผู้ใช้งานอินเตอร์เน็ตดังเดิม

หนึ่งในแผนงานที่วางไว้ คือการดึงโฆษณามาลงให้มากขึ้น พร้อมกับการดึง Google ให้อยู่เป็นพันธมิตรต่อไป จนเดือนมิถุนายน 2553 ก่อนที่ข้อตกลงเรื่องโฆษณามูลค่า 900 ล้านดอลลาร์สหรัฐของระหว่างทั้งสองจะสิ้นสุดลง ซึ่งนักวิเคราะห์หลายคนเชื่อว่า Google คงจะไม่ยอมจ่ายเงินก้อนใหญ่เท่านี้อีกต่อไป แม้ว่าจะยอมรักษาสัมพันธภาพอันดีไว้ต่อไปก็ตาม

นอกจากนั้น

Van Natta ยังต้องเร่งยกเครื่องภาพลักษณ์ของ MySpace ให้เป็นมากกว่าที่พบปะสังสรรค์ทางอินเตอร์เน็ตของวัยรุ่นที่ไม่มีกำลังซื้อ และผลักดันให้กลายเป็นเว็บไซต์ที่มีระบบสมาชิกเป็นหลักเป็นฐานที่มากพอที่จะ ดึงโฆษณามาลงให้มากขึ้นให้ได้

จริง ๆ แล้ว ตอนที่ News Corp ซื้อ MySpace มานั้น ทางบริษัทตัดสินใจแล้วว่าเป็นการลงทุนที่น่าสนใจเพราะฐานสมาชิกที่มีอายุไม่ มากกำลังเป็นเป้าหมายของผู้ลงโฆษณารายใหญ่ อย่างเช่น Toyota Motor และ McDonald?s แต่เมื่อวันเวลาผ่านไป ถึงได้รู้ว่าตนยังต้องการสมาชิกที่มีอายุมากขึ้นเพื่อใช้ดึงดูดผู้ลงโฆษณา ประเภทอื่น ๆ ด้วย

นักวิเคราะห์บอกว่า MySpace ควรลอกเลียนแบบกลยุทธ์สู่ความสำเร็จของ Facebook มีผู้ใช้งานมากที่สุดในโลกในเวลานี้ แม้ว่าฝ่ายหลังจะประสบปัญหามูลค่าธุรกิจที่ลดลงมาจากระดับสูงสุดที่ 1.5 หมื่นล้านดอลลาร์สหรัฐในช่วงหลัง ๆ ก็ตาม

ความท้าทายอีกอย่างของ Van Natta ก็คือ

การที่ต้องพยายามดึงเงินจากกระเป๋าของสมาชิกที่มีอยู่ของ MySpace ให้ได้มากกว่าที่เคย ขณะที่ธุรกิจอื่น ๆ ของ News Corp ไม่ว่าจะเป็นเคเบิลทีวี หรือรายการโทรทัศน์ ต้องประสบปัญหาจากภาวะเศรษฐกิจถดถอยอยู่ในตอนนี้ก็ตาม

อ้างอิงจาก moneychannel

Google Insight for Search

การหาตลาดหรือ keyword ในธุรกิจ Affiliate มีความสำคัญมากเรียกได้ว่าเป็นหัวใจของธุรกิจนี้เลย

วันนี้เลยขอแนะนำ Tools ของ Google ที่จะช่วยให้พวกเราทำงานได้ง่ายขึ้น ซึ่งกเป็นบรอการของ Google นั่นเองได้แก่

Google Insight for Search - ซึ่งจะช่วยเราได้ในการเปรียบเทียบปริมาณการค้นหาแบ่งตามคำหรือสถานที่หรือ แม้กระทั่งช่วงเวลาก็ตาม ถ้าใครเคยใช้ Google Trends อยู่ลองเปลี่ยนมาใช้ตัวนี้
www.google.com/insights/search/
Compare by

* Search Terms - เปรียบเทียบตามคำที่ค้นหาเป็นหลัก
* Location - เปรียบเทียบตามสถานที่เป็นหลัก
* Time ranges - เปรียบเทียบตามช่วงเวลาเป็นหลัก

Filter - จะกำหนดสถานที่ เวลา และหมวดหมู่ของคำที่ค้นหาได้

และจากที่ได้ลองค้นหาคำว่า wii กับ playstation 3 เปรียบเทียบกันได้ผลดังนี้ หรือลิงค์ google.com/insights



ซึ่ง จากข้อมูลที่ออกมาถือว่าละเอียดใช้ได้เลยครับ โดยสามารถเจาะลึกลงไปได้อีกตาม keyword,สถานที่ หรือ เวลา ที่โชว์เพื่อหาตลาดและความนิยมของสินค้าได้อย่างง่ายดาย

หรือไม่ก็นำมาใช้ร่วมกับ
adwords.google.com/select/KeywordTool

The Long Tail ของ Chris Anderson

จากที่ได้ลองอ่าน The Long Tail ของ Chris Anderson บก. ของนิตยสาร Wired ฉบับเดือนตุลาคม 2004 (เขาเล่าในหนังสือว่าเป็นหนึ่งในบทความที่ถูกอ้างถึงมากที่สุดของ Wired) หลังจากนั้นจึงขยายความเป็นหนังสือทั้งเล่ม และวางจำหน่ายในปี 2006 (ฉบับที่ผมอ่านเป็นเวอร์ชันพิมพ์ภาษาไทย)

ระยะหลังผมเริ่มเห็นนิตยสารธุรกิจในเมืองไทยพูดถึง The Long Tail กันบ้างแล้ว สรุปแบบสั้นๆ The Long Tail พูดถึงพฤติกรรม (behavior) ของระบบจัดจำหน่ายสินค้า (distribution system) แบบออนไลน์ ซึ่งต่างไปจากระบบจัดจำหน่ายสินค้าแบบเดิม เพราะไม่มีข้อจำกัดทั้งทางด้านกายภาพ (space) และเวลา (time)

ตัวอย่างง่ายๆ ของข้อจำกัดทางกายภาพคือพื้นที่แสดงสินค้า เช่น ร้านหนังสือมีที่จำกัด (แต่ Amazon หรือ eBay มีพื้นที่ไม่จำกัด) ส่วนด้านเวลาก็จำนวนรายการทีวีหรือเพลงในวิทยุใน 1 ช่อง ไม่ว่าจะยัดอย่างไรก็ได้แค่ 24 ชม. (แต่ iTunes Store มีไม่จำกัด)

เมื่อข้อจำกัดด้านพื้นที่และเวลาถูกเปลี่ยนไป สิ่งที่เห็นผลทันตาคือค่าใช้จ่าย (cost) ในการรักษาสต็อก ดูแลสินค้า ฯลฯ แทบจะเป็นศูนย์ (ในกรณีของ iTunes คงแทบเป็นศูนย์ แต่อย่าง Amazon ที่มีสินค้ากายภาพจริงๆ คงไม่ถึงขนาดนั้น แต่นับว่าน้อยลงมาก) การขายสินค้าออนไลน์จึงมีจำนวนของสินค้าได้มากเท่าที่ต้องการ

3 ย่อหน้าแรกใครๆ ก็รู้ แต่ Anderson ค้นพบว่าสินค้ามากเท่าที่ต้องการเนี่ย เกือบทุกชิ้นเคยถูกขายออกไป (มากบ้างน้อยบ้างไม่เป็นไร แต่เคยมีคนซื้อ)

ในเมื่อ cost ในการรักษาสต็อกน้อยมากๆ การขายเพลงฮิต 1 เพลง กับเพลงไม่ดัง 1 เพลงบนร้านออนไลน์ จึงได้ส่วนต่างกำไร (margin) เท่ากัน ด้วยเหตุฉะนี้ กลยุทธในการขายของออนไลน์จึงเปลี่ยนไปจากการขายของจริงๆ นั่นคือ ไม่จำเป็นต้องเน้นขายแต่ของท็อปฮิตติดชาร์ท (hit) เพียงอย่างเดียวอีกแล้ว แต่กลายเป็นว่า มีของอะไรก็ได้ให้เยอะๆ เข้าไว้ ลูกค้าจะใช้คุณสมบัติของระบบ online distribution (เช่น search หรือ recommendation system) หาสิ่งที่เหมาะกับตัวเอง (niche) เจอได้ในที่สุด

ดังนั้นการขายปลีกยุคใหม่ จึงไม่ใช่เรื่องเฉพาะของความฮิต แต่เป็นการสร้างตัวเลือกจำนวนมากๆ เพื่อเพิ่มโอกาสที่มันจะเหมาะสำหรับใครสักคน หนังสือ หนัง เพลง เกม จากผู้ผลิตเจ้าเล็กๆ หรืออินดี้ ไม่ต้องหลบอยู่หลังชั้น ไม่ต้องถอยให้กับหนังสือ หนัง เพลง เกม ที่ถูกอัดกระแสโปรโมทอีกต่อไป

ส่วนคำว่า Long Tail นั้นมาจากกราฟการกระจายตัวของยอดขาย ผมขี้เกียจแปะรูปประกอบคงไม่อธิบายเพิ่ม เอาเป็นว่าใครสนใจก็หาอ่านเอาเองได้ไม่ยาก

Anderson ให้เหตุผล 3 ข้อ ของปรากฎการณ์ Long Tail

1. การผลิตสินค้าทำได้ง่ายขึ้น เช่น กล้องวิดีโอ กล้องดิจิทัล บล็อก ฯลฯ ทำให้คนธรรมดาสามารถสร้างสินค้า (ในที่นี้คือสินค้าประเภทเนื้อหา) เองได้ ไม่ต้องง้อผู้ผลิตรายใหญ่
2. ระบบการกระจายสินค้าออนไลน์สะดวกขึ้น เช่น ถ่ายวิดีโอเสร็จเอาลง YouTube ได้ทันที เช่นเดียวกับ eBay, iTunes, Amazon และอื่นๆ
3. ระบบจับคู่ demand กับ supply มีประสิทธิภาพมากขึ้น หลักๆ เลยคือ search engine แต่ก็นับรวมถึงระบบ recommendation systems และการกระจายแบบปากต่อปากผ่าน blog, social network ด้วย

สำหรับตัวหนังสือ ผมอ่านแล้วกลับเบื่อ เพราะเคยอ่านบทความมาก่อนหน้านี้นานแล้ว และคิดว่าเนื้อหาในบทความก็จับใจความสำคัญครบถ้วน ในจำนวนตัวอักษรที่สั้นกว่ามาก คิดว่าเดี๋ยวคงเอาไปคืนห้องสมุดในเร็ววัน

แนะนำให้ลองอ่านบทความจากนิตยสาร wired ดูนะครับ

Collaborative filtering

Collaborative filtering รวมกลุ่มลูกค้าบนพื้นฐานของความคล้ายคลึงกันในข้อมูลลูกค้า
ซึ่งใช้เทคนิคการจับคู่ที่เหมือนกัน (matching) เพื่อกำหนดความเกี่ยวพันกันระหว่างสินค้าที่ลูกค้าซื้อกับสินค้าที่น่าจะเป็นที่สนใจในอนาคต

ระหว่างการเลือกซื้อที่คล้ายๆกันของลูกค้า โดยระบบให้คำแนะนำ (Recommendation Systems) พิจารณาจากความคลายคลึงกันของสมาชิก เช่นงานอดิเรกของกลุ่มสมาชิก , ลักษณะนิสัย , หรือ ทางเลือกต่างๆ
แล้วกำหนดเป็นกลุ่มลูกค้าเป้าหมาย ซึ่งจะจัดเป็นกลุ่มที่มีข้อมูลเป็นลูกค้าที่น่าสนใจ

วิธีการ Russell อธิบายได้ว่าเป็นกลุ่มผู้ใช้ที่ถูกเลือก (User-based filtering) โดยพิจารณาปัจจัยที่เหมือนกันทิ้งไป อย่างเช่น ประวัติบุคคล , สิ่งที่สนใจ และสิ่ง ที่เหมือนกันระหว่างลูกค้า online กับลูกค้าที่เคยมีมาก่อน

ปัญหาของ user-based filtering คือ
ไม่สามารถให้ผลได้อย่างแม่นยำ เพราะว่าจะต้องประมวลผลกับลูกค้าในระบบซึ่งมีจำนวนมาก จึงทำให้มีขั้นตอนการวิเคราะห์และการเปรียบเทียบยุ่งยากซับซ้อน จำนวนมาก

วิธีการ Item-based filtering อธิบายได้ว่าเป็นตัวบ่งชี้ความเกี่ยวพันของ items ได้ดีกว่าความคล้ายกันระหว่างผู้ใช้ (users) เช่น กำหนดให้ users ที่ชื่นชอบ Item A ต้องชอบ Item B ด้วย ด้วยวิธีการดังกล่าว สามารถให้คำแนะนำ (recommend) กีฬาที่เกี่ยวข้องกับสินค้า เช่น หนังสือเกี่ยวกับฟุตบอล กับเกมคอมพิวเตอร์ที่เกี่ยวกับเกมให้กับบางคนได้

Collaborative filtering

หนังสือเกี่ยวกับเรื่องระบบ recommendation systems ที่ค่อนข้างดังคือ Programming Collective Intelligence ของ Toby Segaran และนอกจากนั้นก็ยังมี paper อีกมากมายบนอินเทอร์เนต

ระบบนี้มีหลักการทำงานพื้นฐานคือการใช้ Collaborative filtering (เป็นการกั่นกรองที่อาศัยความร่วมมือกัน) ซึ่งเป็นหลักการที่ไม่ยาก สมมุติว่าระบบต้องการแนะนำหนังให้นายเอก ระบบก็จะเริ่มจากการดึงข้อมูลคะแนนเก่าๆที่นายเอกให้คะแนนหนังเอาไว้ มาเปรียบเทียบกับคนอื่นๆในระบบเพื่อหาคนที่มีความชอบคล้ายคลึงกับนายเอก เมื่อได้กลุ่มคนที่มีความชอบคล้ายคลึงกันแล้ว ก็ดูว่าคนกลุ่มนั้นชอบหนังอะไรที่นายเอกยังไม่ได้ดู และเลือกเอาหนังเหล่านั้นมาแนะนำให้นายเอก

ระบบแบบนี้ต้องการข้อมูล 2 อย่างคือ ข้อมูลคะแนนของนายเอกที่ให้คะแนนหนังเรื่องต่างๆ กับข้อมูลของคนอื่นๆในลักษณะเดียวกัน ยิ่งระบบมีข้อมูลเหล่านี้มากเท่าไหร่ ก็จะสามารถให้คำแนะนำที่แม่นยำมากขึ้นเท่านั้น เพื่อเป็นการอธิบายหลักการทำงาน ผมจะยกตัวอย่างโดยอ้างอิงจากข้อมูลด้านล่างนี้

การหาคนที่มีความคล้ายคลึงกับเรานั้นสามารถทำได้หลายวิธี แต่ในหนังสือกล่าวเอาไว้อยู่ 2 วิธีคือ Euclidean Distance Score กับ Pearson Correlation Score

วิธี Euclidean Distance Score นั่นคือการเอาหนังแต่ละเรื่องมาวาดเป็นแกนของกราฟ จากนั้นก็ลงจุดของผู้ใช้แต่ละคนลงไปตามคะแนนที่แต่ละคนให้ไว้ และวัดระยะห่างระหว่างจุดของผู้ใช้เหล่านั้น ภาพข้างล่างคือตัวอย่างของการใช้วิธี Euclidean Distance ในการหาความเหมือนโดยอ้างอิงจากข้อมูลด้านบน กราฟนี้วาดแค่ในระนาบ 2 มิติ ซึ่งจริงๆแล้วถ้ามีหนังที่คนสองคนให้คะแนน n เรื่อง กราฟก็จะต้องมี n มิติ (ในระบบอาจมีหนัง 1000 เรื่อง แต่ถ้ามีหนังแค่ 100 เรื่องที่คนสองคนนี้ให้คะแนนแล้ว กราฟก็จะมีแค่ 100 มิติ)

จะเห็นว่าระหว่างจุดของ Mike กับ John จะใกล้กันมากกว่า Mike กับ Anna ซึ่งก็หมายความว่า Mike กับ John นั้นมีความเหมือนกันมากกว่า Mike กับ Anna ค่าตัวเลขความเหมือนที่ได้ก็คือค่าระยะห่างจริงๆในกราฟนี้ ระหว่าง Mike กับ John นั่นคือ 1 และระหว่าง Mike กับ Anna นั่นคือ 3.61 (รากที่สองของ 2^2 + 3^2 — การหาความยาวด้านของสามเหลี่ยมด้านเท่า)

สูตรที่ใช้คือ

p และ q จะแทนคนสองคนที่ต้องการหาค่าความเหมือน ค่าที่ได้ยิ่งมากแสดงว่ายิ่งไม่เหมือน เวลาใช้งานจริง ส่วนใหญ่แล้วเค้าจะกลับค่านิดหน่อยเพื่อให้ค่ายิ่งมากแสดงว่ายิ่งเหมือนแทน วิธีกลับค่าก็ใช้สูตรนี้ โดย similarity คือผลลัพธ์ที่ได้จากสูตรที่แล้ว

โดยผลลัพธ์สุดท้ายที่ได้มาคือค่าระหว่าง เกือบๆ 0 กับ 1 ซึ่งถ้าได้ค่า 1 แสดงว่าคะแนนของคนสองคนเหมือนกันทุกประการ (ที่เขียนว่าค่าเกือบๆ 0 นั้นก็เพราะไม่ว่าจะหารยังไงมันก็ไม่ได้ค่า 0 ยกเว้นเป็นค่า infinity)

วิธี Pearson Correlation Score จะต่างออกไปโดยที่จะหาค่าความเหมือนโดยใช้ค่า Correlation Coefficient ถ้าใครที่เรียนสถิติมาก็คงจะคุ้นเคยกับการหาค่านี้ ซึ่งเป็นการหาค่าความสัมพันธ์ระหว่างตัวแปร (ว่าเวลาตัวแปร 2 ตัวนั้นจะแปรผันตามกันหรือแปรผันตรงกันข้ามกันแค่ไหน หรือจะไม่เกี่ยวข้องกันเลย)

จากรูปจะเห็นเส้นประที่เรียกกันว่า trend line ซึ่งเป็นเส้นตรงที่จะให้ค่าใกล้เคียงกับทุกๆค่าบนกราฟมากที่สุด ยิ่งจุดแต่ละจุดเข้าใกล้เส้นประมากเท่าไหร่ ก็ยิ่งแสดงว่าคนสองคนมีความเหมือนกันมากขึ้นเท่านั้น ค่า Correlation Coefficient จะคำนวณออกมาได้จากสมการนี้

ซึ่งเป็นสมการการหาค่า Correlation Coefficient ทั่วๆไปตามหลักสถิติ ค่า่ที่ได้จะอยู่ในช่วง (-1) ถึง 1 ซึ่งถ้าได้ 1 แสดงว่าคนสองคนเหมือนกันทุกประการ (มันต้องเป็นคนๆเดียวกันแน่นอน ไม่ก็เป็นคู่ลิขิตแต่ชาติปางก่อน)

เมื่อเราได้รู้แล้วว่าคนสองคนมีความเหมือนกันแค่ไหน เราก็สามารถแนะนำหนังโดยอ้างอิงจากคนที่เหมือนกันได้ ตารางด้านล่างเป็นตัวอย่างการหาหนังแนะนำให้ Mike ซึ่งยังไม่ได้ดูเรื่อง Spiderman และ Babel

จะเห็นว่าเราจะเอาค่าความเหมือนของคนอื่นๆ มาคูณกับคะแนนที่คนนั้นให้ไว้ ยิ่งมีค่าความเหมือนมากเท่าไหร่ คะแนนที่คนๆนั้นให้ไว้ก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น ผลลัพธ์ที่ได้ (4.601522843 และ 2.800761421) คือคะแนนที่ Mike น่าจะให้กับหนังเรื่องนั้น โดยคำนวณจากคนอื่น

ดูจากคะแนนก็เป็นที่แน่นอนว่าระบบต้องตัดสินใจแนะนำหนังเรื่อง Spiderman ให้ Mike แทนที่จะเป็นหนังเครียดๆอย่าง Babel

นี่เป็นแค่หลักพื้นฐานคร่าวๆเท่านั้น ในหนังสือเขียนไว้ได้ละเอียดกว่าและดีกว่า ใครที่สนใจเรื่อง Recommendation System ก็แนะนำให้หาหนังสือเล่มนี้มาอ่าน

ePub มาตรฐานเปิดที่สำหรับ e-book

วงการ e-Book เริ่มขยายตัวอันเป็นผลมาจากการรุกตลาดของ Kindle ยอดขาย e-Book รวมทุกค่ายเดือนมิถุนายน 2009 โตขึ้นถึง 136.2% และถึงแม้ว่าอเมซอนจะไม่เปิดเผยยอดขาย e-Book ของตัวเอง แต่นักวิเคราะห์ก็คาดว่ากินส่วนแบ่งเกือบทั้งหมด

ผู้มาก่อนกาลอย่าง โซนี่จึงต้องปรับกลยุทธ์เป็นการด่วน และรอบนี้ถึงขนาดว่าโซนี่ซึ่งมีชื่อเสียงในเรื่องฟอร์แมตเฉพาะของตัวเองไม่ ยุ่งกับใคร เปลี่ยนมาสนับสนุนมาตรฐานเปิดอย่างเต็มที่

โซนี่ประกาศ ว่าปลายปีนี้ ร้านขายหนังสือออนไลน์ของโซนี่จะทิ้งฟอร์แมต e-Book แบบปิดของตัวเอง แล้วเปลี่ยนมาขายหนังสือในรูปแบบ ePub ซึ่งเป็นมาตรฐานเปิดที่ดูแลโดย International Digital Publishing Forum การเปลี่ยนแปลงครั้งนี้ทำให้ e-Book ที่ซื้อจากร้านของโซนี่สามารถใช้กับเครื่องอ่านยี่ห้ออื่นๆ นอกเหนือจาก Sony Reader ได้ด้วย (เช่น เครื่องของ Plastic Logic ที่จะขายในปีหน้า)

อย่าง ไรก็ตาม ePub ของโซนี่จะยังติด DRM ที่จำกัดจำนวนเครื่องที่สามารถย้ายได้อยู่ (DRM มีอยู่ในสเปกของ ePub ขึ้นกับว่าผู้นำไปใช้จะเปิดใช้หรือไม่) โดยใช้เทคโนโลยี DRM ของ Adobe ส่วน Kindle นั้นอาศัยว่าเป็นยักษ์ใหญ่ ยังใช้ฟอร์แมตปิดของตัวเองต่อไป

ocket Reader (PRS-300)

หลังจากทีมีข่าวคู่มืออีบุ๊กของโซนี่ (Sony) หลุดออกมาบนเน็ต ล่าสุดทางบริษัทเตรียมที่จะจำหน่ายเครื่องอ่านอีบุ๊ก 2 รุ่นดังกล่าวแล้ว ซึ่งมีราคาถูกที่สุดในสหรัฐฯ โดยตั้งเป้าชนคู่แข่งอย่างแอมะซอน (Amazon) เพื่อตอบสนองกระแสความต้องการของตลาดเครื่องอ่านอีบุ๊กที่อาจจะยังไม่ใหญ๋ มากนัก แต่โตเร็วมาก ทั้งนี้ โซนี่วางแผนที่จะวางจำหน่าย Pocket Reader (PRS-300) เครื่องอ่านอีบุ๊กทีมีขนาดหน้าจอ 5 นิ้ว โดยเริ่มต้นที่ราคาเพียง 199 เหรียญฯ (ประมาณ 7,200 บาท) ในขณะที่รุ่น PRS-600 ทีมีหน้าจอเป็นระบบสัมผัส และมีขนาดถึง 6 นิ้ว (พร้อมฟังก์ชันเล่น MP3 ช่องต่อเสียงภายนอก และช่องใส่การ์ดหน่วยความจำเพิ่มเติม) จะมีราคาอยู่ที่ 299 เหรียญฯ (ประมาณ 11,000 บาท) เท่านั้น โดยจะเริ่มวางจำหน่ายช่วงปลายเดือนนี้ใน Wal-Mart และ Best Buy ทั่วสหรัฐฯ

ราคา เริ่มต้นของเครื่องอ่านอีบุ๊กรุ่นใหม่ของโซนี่ไม่เพียงแต่จะถูกกว่า Kindle 2 ของแอมะซอนที่มีราคา 300 เหรียญฯ และรุ่นจอใหญ่กว่าอย่าง Kindle DX จะสูงถึง 490 เหรียญฯ เท่านั้น แต่มันยังถูกกว่าเครืองอ่านอีบุ๊กที่ได้ชื่อว่ามีราคาถูกทีสุดอย่าง Cool-er ที่ตั้งไว้ 250 เหรียญฯ อีกด้วย

และเพื่อเป็นการกระตุ้นความ ต้องการของตลาดให้มากขึ้น ทางโซนี่มีแผนที่จะลดราคาค่าดาวน์โหลดอีบุ๊กยอดนิยม และเล่มใหม่ล่าสุดเหลือเพียง 9.99 เหรียญฯ (ประมาณ 370 บาท) จากเดิม 11.99 เหรียญฯ (ประมาณ 450 บาท) ซึ่งเป็นราคาเดียวกันกับที่จำหน่ายโดยแอมะซอน "เราเชื่อว่า การทำให้เครื่องอ่านอีบุ๊กมีราคาเหลือเพียง 199 เหรียญฯ จะทำให้ตลาดนี้เติบโตอย่างน่าอัศจรรย์" Steve Haber ประธานฝ่าย Digital Reading ของโซนี่ กล่าว เพราะผู้บริโภคที่สนใจจะไม่ติดปัญหาเรื่องราคาเครื่องอีกต่อไป Haber คาดว่า ตลาดของเครื่องอ่านอีบุ๊กในสหรัฐฯจะทะลุ 2 ล้านเครื่องภายในปีนี้

เว็บแนะนำสินค้า