ผู้ขาย marketplace หลายแพลตฟอร์มในไทยทั่วไปที่ดูแล 3-5 ร้าน active บน Shopee, Lazada และ TikTok Shop มักจัดสรรงบโฆษณารายเดือนตามสัดส่วนรายได้ในอดีต โมเดลทางความคิดนี้เข้าใจง่าย Shopee ทำรายได้ 60% ของไตรมาสที่แล้ว Lazada 25% TikTok Shop 15% งบโฆษณาเดือนถัดไปจึงแบ่ง 60/25/15 ระหว่างสามแพลตฟอร์ม การแบ่งแบบนี้ดูเป็นสัดส่วน ดูมีเหตุผล และทำได้ง่ายในเชิงปฏิบัติ แต่ในภาษาเศรษฐศาสตร์คลาสสิก มันคือการจัดสรรที่ผิด
การจัดสรรงบโฆษณาข้ามแพลตฟอร์มที่ถูกต้องในเชิงปฏิบัติคือทำให้ marginal ROAS เท่ากัน นั่นคือ contribution profit ที่เกิดจากค่าโฆษณาบาทถัดไปบนแต่ละแพลตฟอร์ม ให้เท่ากันทั้งสามแพลตฟอร์มพร้อมกัน นี่คือ equimarginal principle ผลลัพธ์พื้นฐานในการจัดสรรทรัพยากรทางเศรษฐศาสตร์ที่ย้อนไปถึง Principles of Economics ปี 1890 ของ Alfred Marshall เมื่องบที่จำกัดสามารถนำไปใช้ในหลายทางที่มี diminishing marginal returns ผลตอบแทนรวมจะสูงสุดเมื่อ marginal return เท่ากันในทุกทาง [6] ในภาษางบโฆษณา: เงินบาทถัดไปในงบโฆษณารายเดือนของคุณควรสร้าง contribution profit เท่ากันไม่ว่าจะตกลงบน Shopee, Lazada หรือ TikTok Shop ถ้าไม่เท่ากัน คุณสามารถเพิ่มกำไรรวมได้ด้วยการย้ายงบจากแพลตฟอร์มที่ marginal ROAS ต่ำกว่าไปยังแพลตฟอร์มที่สูงกว่า โดยไม่ต้องใช้เงินเพิ่มแม้แต่บาทเดียว
บทความนี้บันทึก framework เดินผ่านคณิตศาสตร์ด้วย chart ของ marginal-ROAS curve รายแพลตฟอร์ม รัน worked example ที่แสดงช่องว่างระหว่างการจัดสรรตามสัดส่วนในอดีตกับการจัดสรรที่ทำให้เท่ากันบนบัญชีตัวแทน ใส่ sensitivity ให้กับ input ที่ขยับมากที่สุด และจบด้วย operating procedure ที่นำ framework ไปใช้ในจังหวะ production แทนการทำครั้งเดียวรายไตรมาส
ค่าโฆษณาบาทถัดไปควรสร้าง contribution profit เท่ากันไม่ว่าจะตกลงบนแพลตฟอร์มไหน ถ้าไม่เท่ากัน แสดงว่าการจัดสรรนั้นผิด
Thesis: ในข้อมูลของเราจากบัญชีหลายแพลตฟอร์ม Thai SEA-6 ราว 150 บัญชีที่รันแคมเปญ active บนอย่างน้อยสองในสามของ Shopee / Lazada / TikTok Shop ช่องว่างระหว่างการจัดสรรตามสัดส่วนรายได้ในอดีตกับการจัดสรรที่ทำให้ marginal ROAS เท่ากันคิดเป็น 4-7 percentage points ของ net contribution margin ต่อไตรมาสโดยเฉลี่ย ช่องว่างนี้เป็นเชิงโครงสร้าง มันคงอยู่ข้าม category ข้ามขนาดบัญชีภายในกลุ่มตัวอย่าง และข้าม rolling 90-day window framework กู้คืนช่องว่างนี้ได้โดยไม่เปลี่ยนงบรวม งานทั้งหมดคือการจัดสรรใหม่ล้วน ๆ
Marginal-ROAS curve รายแพลตฟอร์ม
ad inventory ของแต่ละแพลตฟอร์มมี placement ที่ intent สูง (keyword คุณภาพสูง, recommendation surface top-decile, premium feed slot) อยู่จำกัด และมี placement ที่ intent ต่ำในปริมาณมากกว่ามากที่เข้ามาเติมเมื่องบโต ผู้ขายที่ bid เข้าแพลตฟอร์มจะใช้ inventory ที่ intent สูงก่อน เมื่องบเพิ่มขึ้น ค่าโฆษณาส่วนเพิ่มจะตกลงบน placement ที่ intent ต่ำลงเรื่อย ๆ พร้อม conversion ที่ต่ำลงเรื่อย ๆ สิ่งนี้ทำให้เกิด marginal-ROAS curve ที่ลดลงตามงบ เงินบาทถัดไปจะให้ผลตอบแทนน้อยกว่าบาทก่อนหน้าเสมอ และอัตราการลดลงต่างกันในแต่ละแพลตฟอร์ม
Marginal ROAS รายแพลตฟอร์ม — บัญชีหลายแพลตฟอร์มในไทยทั่วไป กลางปี 2026
| Shopee | Lazada | |
|---|---|---|
| THB 10K | 8.2× | 7.4× |
| 20K | 6.5× | 6.6× |
| 30K | 5.1× | 5.9× |
| 50K | 3.8× | 5.1× |
| 80K | 2.6× | 4.4× |
| 120K | 1.9× | 3.7× |
| 180K | 1.4× | 3.1× |
| 250K | 1.1× | 2.6× |
อ่าน chart: สองแพลตฟอร์มตัดกันราวระดับงบรายเดือน THB 20K ต่ำกว่านั้น marginal ROAS ของ Shopee สูงกว่าอย่างมีนัย เงินบาทถัดไปบน Shopee ให้ผลตอบแทนมากกว่าเงินบาทถัดไปบน Lazada สูงกว่าค่าโฆษณารายเดือนต่อแพลตฟอร์ม THB 50K ความสัมพันธ์จะกลับด้าน marginal ROAS ของ Lazada จะสูงกว่าเพราะ auction ของ Shopee กำลังอิ่มตัวขณะที่ curve ของ Lazada ลดราบกว่า จุดตัดคือสัญญาณปฏิบัติการ ที่งบจุดตัด marginal ROAS เท่ากันทุกแพลตฟอร์ม และ equimarginal principle เป็นจริง การใช้เงินกับ Shopee มากเกินจุดตัด หรือใช้กับ Lazada น้อยเกินจุดตัด ต่างก็ลด contribution profit รวมแม้ว่างบรวมจะคงเดิม
Worked example — สัดส่วนในอดีต vs. การทำให้ marginal ROAS เท่ากัน
สมมติบัญชีหลายแพลตฟอร์มที่เป็นตัวแทนซึ่งมีงบโฆษณารายเดือน THB 200K และ marginal-ROAS curve ข้างต้น สัดส่วนรายได้ในอดีตของบัญชีคือ Shopee 60% / Lazada 30% / TikTok Shop 10% การจัดสรรเริ่มต้นจึงเป็น Shopee THB 120K / Lazada 60K / TikTok Shop 20K การจัดสรรแบบ equimarginal จะหาการแบ่งงบที่ marginal ROAS เท่ากันทั้งสามแพลตฟอร์ม
Historical-share allocation:
Shopee: THB 120,000 marginal ROAS at THB 120K spend ≈ 1.9
Lazada: THB 60,000 marginal ROAS at THB 60K spend ≈ 4.7
TikTok: THB 20,000 marginal ROAS at THB 20K spend ≈ 4.1
Total contribution profit estimate: ~THB 540,000
Equimarginal allocation (marginal ROAS equalised at ~3.0):
Shopee: THB 72,000 marginal ROAS ≈ 3.0
Lazada: THB 98,000 marginal ROAS ≈ 3.0
TikTok: THB 30,000 marginal ROAS ≈ 3.0
Total contribution profit estimate: ~THB 615,000
Outcome: Same THB 200K total spend; ~THB 75K higher contribution profit per month.
Gap as % of revenue: ~5–6 percentage points.การจัดสรรตามสัดส่วนในอดีตใช้เงินกับ Shopee เกินช่วงที่ marginal ROAS สูง (เงิน THB 1 ถัดไปของ Shopee ที่งบรายเดือน THB 120K ให้ผลตอบแทนเพียง ~1.9× ต่ำกว่า break-even bar ราย SKU ในหลาย category) และใช้เงินกับ Lazada น้อยเกินไปในช่วงที่ marginal ROAS สูง การย้าย THB 48K จาก Shopee ไป Lazada และอีก THB 10K ที่น้อยกว่าจาก Shopee ไป TikTok Shop ทำให้ทั้งสามแพลตฟอร์มมาอยู่บน marginal-ROAS bar เดียวกัน งบรวมไม่เปลี่ยน contribution profit รวมเพิ่มขึ้น ~THB 75K ต่อเดือน หรือ lift ~14% บนงบเท่าเดิม
สัดส่วนในอดีต vs. การจัดสรรที่ทำให้ marginal ROAS เท่ากัน — งบรวมเท่ากัน
| สัดส่วนในอดีต (ค่าเริ่มต้น) | ทำให้ marginal ROAS เท่ากัน | |
|---|---|---|
| Shopee | 120K THB, อดีต 60% → เท่ากันที่ 36% | 72K THB |
| Lazada | 60K THB, ได้งบน้อยเกินไปภายใต้สัดส่วนในอดีต | 98K THB |
| TikTok Shop | 20K THB, ได้งบน้อยเกินไปเล็กน้อย | 30K THB |
Sensitivity — อะไรเปลี่ยนการแบ่งงบที่เหมาะสม
marginal-ROAS curve เลื่อนตามเงื่อนไขฝั่งแพลตฟอร์มและฝั่งผู้ขาย ตารางด้านล่าง stress-test worked example เทียบกับ input ที่ขยับมากที่สุด
Sensitivity ของการจัดสรรที่เหมาะสมเมื่อขยับ input ทีละตัว
| Scenario | การจัดสรร Shopee | การจัดสรร Lazada | การจัดสรร TikTok | Note |
|---|---|---|---|---|
| Baseline (worked example) | THB 72K (36%) | THB 98K (49%) | THB 30K (15%) | การแบ่งแบบ equimarginal อ้างอิง |
| Shopee CPC inflation +20% (auction ตึงขึ้น) | THB 56K (28%) | THB 110K (55%) | THB 34K (17%) | curve ของ Shopee เลื่อนลง → ได้งบน้อยลง |
| Lazada Sponsored bid +15% (แรงกดดันการแข่งขัน) | THB 84K (42%) | THB 84K (42%) | THB 32K (16%) | curve ของ Lazada เลื่อนลง → rebalance |
| TikTok Affiliate Plan default 25% (การซ้อน commission) | THB 76K (38%) | THB 102K (51%) | THB 22K (11%) | curve ของ TikTok ราบลงจากการซ้อน commission |
| งบรวม 200K → 400K (scale-up) | THB 130K (33%) | THB 200K (50%) | THB 70K (17%) | curve คงเดิม การจัดสรร scale ตาม |
| งบรวม 200K → 100K (scale-down) | THB 38K (38%) | THB 46K (46%) | THB 16K (16%) | การจัดสรรเอนไปทาง Shopee ที่ spend ต่ำ |
| ข้อจำกัดสต็อกบน hero SKU ของ Lazada | THB 90K (45%) | THB 70K (35%) | THB 40K (20%) | เพดานเชิงปฏิบัติการ override จุด optimum แบบ equimarginal |
แต่ละแถวคงค่า input อื่นทั้งหมดไว้ที่ baseline framework เป็นเชิงกลไก แต่ค่าของ input ที่ขับมันไม่ใช่ เงื่อนไข auction, โครงสร้าง commission และข้อจำกัดสต็อก ล้วนขยับการจัดสรรที่เหมาะสม บางครั้งอย่างมีนัย จังหวะการ audit ต้องตามให้ทัน
Operating procedure
methodology ในหลักการจะกลายเป็น methodology ใน production ก็ต่อเมื่อถูกนำไปใช้ในจังหวะที่พอเพียง procedure ด้านล่างคือ implementation ขั้นต่ำที่สร้างการจัดสรรแบบ equimarginal ตลอดเวลาบนบัญชีหลายแพลตฟอร์ม
- คำนวณ marginal true ROAS รายแพลตฟอร์มที่ระดับ spend ปัจจุบัน ใช้ rolling 28-day window เพื่อ smooth noise จาก campaign window คำนวณบน window 7 วันล่าสุดสำหรับการประมาณ marginal
- ระบุ equilibrium marginal ROAS คือค่าที่งบโฆษณารวมเท่ากับผลรวมของ spend รายแพลตฟอร์มที่ระดับ marginal-ROAS นั้น
- คำนวณการจัดสรรใหม่รายแพลตฟอร์ม ย้ายงบจากแพลตฟอร์มที่ต่ำกว่า equilibrium ไปยังแพลตฟอร์มที่สูงกว่า จำกัดการจัดสรรใหม่รายสัปดาห์ครั้งเดียวไม่เกิน 20% ของงบแพลตฟอร์มต้นทาง เพื่อไม่รบกวน learning window ของระบบ bidding ของแพลตฟอร์ม
- ตรวจสอบเทียบกับข้อจำกัดเชิงปฏิบัติการ สต็อก, กำลังการ fulfillment และข้อผูกมัด campaign window เฉพาะแพลตฟอร์ม อาจกำหนดเพดานให้แพลตฟอร์มที่รับงบ การจัดสรรแบบ equimarginal คือ optimum แบบไม่มีข้อจำกัด ส่วนการจัดสรรเชิงปฏิบัติการคือแบบมีข้อจำกัด
- รันใหม่ทุกสัปดาห์ marginal-ROAS curve เลื่อนตามเงื่อนไขฝั่งแพลตฟอร์ม (ราคา auction, การอัปเดต recommendation system) และฝั่งผู้ขาย (SKU ใหม่, การเปลี่ยน COGS, การเข้าร่วม campaign window) จังหวะรายไตรมาสช้าเกินไป รายสัปดาห์คือขั้นต่ำในทางปฏิบัติ
การจัดสรรแบบ equimarginal ไม่ใช่การ optimize ครั้งเดียว แต่คือการ rebalance รายสัปดาห์เทียบกับ curve ที่เลื่อนตลอด
ข้อจำกัดและจุดที่ข้อโต้แย้งนี้พัง
- ข้อจำกัดด้านสต็อกและกำลังการผลิต framework คำนวณ optimum แบบไม่มีข้อจำกัด การย้ายงบเข้าแพลตฟอร์มที่ listing ไม่สามารถรองรับ demand ส่วนเพิ่มได้จะทำให้ marginal lift เสียเปล่า การจัดสรรเชิงปฏิบัติการต้องเคารพเพดานสต็อกและกำลัง fulfillment
- ข้อผูกมัด campaign window Pay Day, Mega Sale, 11.11 และ 12.12 มีงบแคมเปญและ voucher tier ที่ผูกไว้ล่วงหน้า ซึ่ง override equilibrium ของ marginal ROAS ระหว่าง campaign window framework ใช้ระหว่าง campaign window ไม่ใช่ระหว่างที่แคมเปญรันอยู่
- learning window ของระบบ bidding Shopee Target ROAS, Lazada Sponsored Search และ ad bidding ของ TikTok Shop ล้วนมี learning window (โดยทั่วไป 7-14 วัน) ซึ่งระบบ automation ของแพลตฟอร์มจะปรับจูนเทียบกับงบของผู้ขาย การจัดสรรใหม่รายสัปดาห์ที่รุนแรง (>20% ต่อแพลตฟอร์มต่อสัปดาห์) จะรบกวน learning window เหล่านี้และบีบ marginal lift ที่ framework พยายามจะเก็บ
- ขอบล่างของขนาดตัวอย่าง การประมาณ marginal ROAS ต้องใช้ปริมาณ order ที่ ad-attributed มากพอจะคำนวณได้น่าเชื่อถือ ต่ำกว่า ~30 order ที่ ad-attributed ต่อแพลตฟอร์มต่อสัปดาห์ การประมาณ marginal จะ noisy และควรใช้ framework ด้วย confidence band ที่กว้างขึ้น
- ขอบเขตของข้อมูลภายใน ตัวเลขกู้ margin 4-7 percentage points, ช่วงต้นทุน input ใน worked example และรูปทรง curve ทั่วไป ล้วนรวมจากบัญชี Thai SEA-6 หลายแพลตฟอร์มที่เรา model โดยตรง ไม่ใช่ข้อกล่าวอ้างเชิง population ของผู้ขาย marketplace SEA ทั้งหมด และไม่รวมผู้ขายแพลตฟอร์มเดียวกับบัญชี enterprise ขนาดใหญ่มาก
Methodology
การอ้างอิงข้อมูลสาธารณะนำมาจาก Shopee Ads Help Center (เอกสาร Target ROAS bidding) [1], พอร์ทัลผู้ขาย Lazada Sponsored Solutions [2], เอกสาร TikTok Shop Seller University [3], บทวิเคราะห์ Bain e-Conomy SEA 2025 เรื่อง retail-media inflation [4], เอกสารนักลงทุน 4Q25 / 1Q26 ของ Sea Limited เรื่องทิศทางรายได้โฆษณาของ Shopee [5] และ Principles of Economics ของ Alfred Marshall สำหรับ equimarginal principle อันเป็นรากฐาน [6]
ข้อกล่าวอ้างจากข้อมูลภายใน — ตัวเลขกู้ margin 4-7 percentage points, รูปทรง marginal-ROAS curve ทั่วไปรายแพลตฟอร์ม, ช่วงต้นทุน input ใน worked example — รวมจากบัญชีผู้ขาย marketplace หลายแพลตฟอร์ม Thai SEA-6 ที่เรา model โดยตรง กลุ่มย่อยข้ามแพลตฟอร์มมีราว 150 บัญชี active ที่รันแคมเปญบนอย่างน้อยสองในสามของ Shopee / Lazada / TikTok Shop ภายใน sample frame ตาม DataGlass research methodology (ม.ค. 2024 – เม.ย. 2026, observation window 28 เดือน)
