Dynamic pricing สำหรับผู้ขายบน Marketplace

การลดราคาเป็นเรื่องง่าย แต่การตั้งราคาให้ได้กำไรนั้นยาก ผู้ขายบน marketplace เปลี่ยนราคาด้วยเหตุผลที่ฟังขึ้นหลายอย่าง คู่แข่งขยับ, สัปดาห์ campaign กำลังมา, แพลตฟอร์มกระตุ้นให้ทำโปรโมชัน และบางครั้งเหตุผลเหล่านั้นก็ถูกต้อง แต่บางครั้งมันก็ทำลาย margin อย่างเงียบ ๆ คำถามที่ควรถามก่อนเปลี่ยนราคาทุกครั้งไม่ใช่ "ลดราคาแล้วยอดขายจะเพิ่มไหม?" แต่เป็นคำถามที่หนักกว่านั้น

ลดราคาแล้ว contribution profit รวมจะเพิ่มขึ้นไหม?

การแลกระหว่างราคากับกำไร

กับดักนี้เห็นง่ายที่สุดด้วยตัวเลข ลองดู SKU ที่ทำผลงานพอใช้ได้ที่ราคาเต็ม

Original price: 500 THB
Contribution margin per unit: 150 THB
Units sold: 100
Total contribution profit: 15,000 THB

ตอนนี้ลดราคา 50 บาท ซึ่งทีม campaign มั่นใจว่าจะดันยอดขายให้โต 30%

Discounted price: 450 THB
Contribution margin per unit: 100 THB
Units sold: 130
Total contribution profit: 13,000 THB

ยอดขายเพิ่มขึ้น 30% แต่ contribution profit รวมลดลง 13% นั่นคือแก่นของกับดัก pricing และการป้องกันที่เชื่อถือได้อย่างเดียวคือการคำนวณเลขหลังลดราคาให้เสร็จก่อน campaign จะเริ่ม

อ่านกราฟตามตัวอักษร ในช่วง elasticity ที่สมจริงส่วนใหญ่สำหรับ SKU บน marketplace ในไทย (E ระหว่าง −0.5 ถึง −2.0) ส่วนลดเกินราว 10% เป็นลบต่อ net margin บน SKU margin ปานกลางทั่วไป เหนือ E = −2.0 (SKU ที่ elastic จริง ๆ มักเป็นเครื่องใช้ไฟฟ้าผู้บริโภคหรือ beauty แบบ commodity ใน category ที่แข่งกันสูง) ส่วนลดเล็กน้อยอาจบวกต่อกำไรได้ ต่ำกว่า E = −0.7 (สินค้าจำเป็น, category ที่ลูกค้าภักดีต่อแบรนด์, การซื้อเชิงเทคนิค) ส่วนลดเป็นลบต่อกำไรอย่างแน่นอน ไม่ว่าจะลดเท่าไร การประเมิน elasticity ราย SKU คือ input ที่กำหนดว่า SKU หนึ่งอยู่บน curve เส้นไหน

Dynamic pricing ไม่ได้แปลว่าตั้งราคาสุ่ม

Dynamic pricing แปลว่า pricing decision ตอบสนองต่อเงื่อนไขที่เปลี่ยนไป input ที่มีประโยชน์ได้แก่ ต้นทุนสินค้า, ราคาคู่แข่ง, conversion rate, demand forecast, ระดับสต็อก, ปฏิทิน campaign, ค่าโฆษณา, เป้า margin, ความเสี่ยง stockout และพฤติกรรมเฉพาะช่องทาง รวมกันทั้งหมด ไม่ใช่แยกกัน มันไม่ได้แปลว่าเปลี่ยนราคาตลอดเวลาโดยไม่มีกลยุทธ์ และไม่ได้แปลว่ามอบการตั้งราคาให้ algorithm ที่มองไม่เห็นข้อจำกัดด้าน cashflow ของธุรกิจ เป้าหมายคือการปรับตัวอย่างควบคุมได้ ไม่ใช่ความวุ่นวาย

Pricing กับสต็อก

สต็อกเปลี่ยน pricing decision ในแบบที่ตรรกะการตั้งราคาแบบแข่งขันล้วน ๆ มองข้าม ถ้าสต็อกต่ำและ demand แรง ส่วนลดลึกมักไม่จำเป็นและบางครั้งก็เป็นโทษ เพราะเร่งระบายสต็อกที่ตึงอยู่แล้ว ถ้าสต็อกสูงและ demand อ่อน ส่วนลดอาจช่วยปล่อยเงินสดออกมา แต่เฉพาะเมื่อ contribution margin รอดจากการลดราคา กรอบสี่ช่องง่าย ๆ ใช้เป็นการตรวจสอบได้

High stock + low demand  = consider promotion
Low stock + high demand  = protect margin
High stock + high demand = optimize for profit
Low stock + low demand   = diagnose product issue

Pricing กับ ads

Pricing ยังปรับรูป ad performance ด้วย ราคาที่ต่ำลงมักทำให้ conversion ดีขึ้น ซึ่งทำให้ ad efficiency ดีขึ้น ซึ่งอาจทำให้ campaign ดูดีขึ้นใน dashboard แต่ถ้าส่วนลดตัด margin ลึกเกินไป campaign ก็ยังขาดทุนได้ในความเป็นจริง ด้วยเหตุนี้ pricing กับ ad optimization จึงควรอยู่บนหน้าจอเดียวกัน คำถามที่ควรถามหลังเปลี่ยนราคาทุกครั้งคือ

หลังเปลี่ยนราคานี้ ฉันต้องการ ROAS เท่าไรเพื่อเสมอตัว?

ถ้า ROAS ที่ต้องการกลายเป็นไปไม่ได้สำหรับ SKU นั้น ส่วนลดก็อันตราย ไม่ว่า conversion-rate uplift จะดูเป็นอย่างไร

Pricing กับการแข่งขัน

ผู้ขายบน marketplace มักรู้สึกถูกบังคับให้ตั้งราคาตามคู่แข่ง การตั้งราคาตามแบบสะท้อนกลับนั้นแทบไม่เคยมีเหตุผล คู่แข่งอาจมี COGS ต่ำกว่า, โครงสร้าง fee ต่างกัน, เศรษฐศาสตร์ค่าส่งต่างกัน, เป้า margin ต่างกัน, เงินอุดหนุนจากนักลงทุน, สต็อกที่เขาต้องเร่งระบาย หรือเพียงแค่บทบาทของ SKU นั้นในร้านเขาต่างออกไป ซึ่งไม่มีข้อใดเกี่ยวกับธุรกิจของคุณเลย การตั้งราคาตามเขาโดยไม่รู้เศรษฐศาสตร์ของตัวเองคือหนึ่งในวิธีที่เร็วที่สุดในการนำเข้าความผิดพลาดของร้านอื่นมาสู่ร้านคุณ

มุมมอง data science: pricing คือ optimization

งานวิจัย dynamic pricing วาง pricing เป็นปัญหา optimization ภายใต้ความไม่แน่นอน เลือกราคา, สังเกต demand, เรียนรู้จากผลลัพธ์, ปรับ แนวทาง reinforcement-learning สำรวจว่าระบบ pricing จะปรับตัวต่อเงื่อนไขตลาดที่เปลี่ยนไปได้อย่างไร แทนที่จะพึ่งแค่สมมติฐาน demand ที่อยู่นิ่ง

Sensitivity — ส่วนลดบวกต่อกำไรเมื่อไร

เลขคณิต break-even volume เป็นเรื่องกลไก ตารางด้านล่างแสดงยอดขายที่ต้องโตสำหรับส่วนลดและ margin rate แต่ละระดับเพื่อรักษา contribution profit รวมไว้ เหนือเส้น การตอบสนองของยอดขายในอดีตของ SKU มักผ่าน bar ได้ ใต้เส้น ส่วนลดเป็นลบต่อ margin เชิงโครงสร้าง

ต้นทุนของ pricing decision ที่ไม่ดีที่สุด

pricing decision ที่แย่แพงในหลายทิศทาง มันทำให้เกิด margin loss จากส่วนลดที่ไม่จำเป็น, ยอดขายที่หายไปจากสินค้าราคาแพงเกิน, ad efficiency ที่แย่จาก conversion ที่อ่อนลง, stockout ที่เกิดจากการตั้งราคาต่ำเกินไปเข้าใส่ช่วง demand พุ่ง, สต็อกเกินที่เกิดจากการตั้งราคาเกินช่วงที่ลูกค้ายอมจ่าย และความเสียหายต่อแบรนด์แบบช้า ๆ จากราคาที่ไม่สม่ำเสมอข้าม campaign ต้นทุนรวมแทบไม่เคยเป็นราคาที่แย่ราคาเดียว แต่เป็นปฏิกิริยาลูกโซ่ที่กระเพื่อมผ่าน ads, demand และสต็อกหลังเปลี่ยนราคา

ข้อจำกัด และจุดที่ argument นี้ใช้ไม่ได้

• การประเมิน elasticity ราย SKU ต้องใช้ประวัติ framework สมมติว่ามีประวัติการเปลี่ยนราคาของ SKU อย่างน้อย 6 เดือนเพื่อประเมิน elasticity ได้อย่างเชื่อถือได้ สินค้าใหม่, SKU ที่ไวรัล และ SKU ที่ราคานิ่งมาหลายปี อยู่นอกช่วงที่ framework เชื่อถือได้ สำหรับ SKU เหล่านี้ heuristic ง่าย ๆ (อย่าลดราคาต่ำกว่าเส้น contribution-margin floor, A/B test การเปลี่ยนราคาเล็ก ๆ) ทำได้ดีกว่า
• Price floor ที่แพลตฟอร์มกำหนด กฎ competitive-parity ของ LazMall และข้อจำกัดราคาของ Shopee Mall สามารถลบล้างคำแนะนำ pricing ราย SKU ได้ framework ยังใช้ได้ แต่การจัดสรรเชิงปฏิบัติเคารพข้อจำกัดของแพลตฟอร์มแทนที่จะลบล้างมัน
• การประสานราคาข้ามแพลตฟอร์ม SKU ที่ขายบน Shopee, Lazada และ TikTok Shop โดยใช้สต็อกร่วมกันต้องการตรรกะ pricing ระดับ canonical-catalog การตั้งราคาแยกต่อแพลตฟอร์มถือว่า SKU เดียวกันเป็นสามการตัดสินใจอิสระ ซึ่งทบ error ของ elasticity และสร้าง feedback loop ของ price-mirror ข้ามแพลตฟอร์ม
• กรณีพิเศษช่วง campaign window Pay Day, 11.11, 12.12 มี eligibility-discount ที่ผูกพันไว้ล่วงหน้าและการไต่ระดับ voucher-tier ที่ลบล้างจุด optimum ราย SKU ระหว่างช่วงนั้น framework ใช้ได้ระหว่าง campaign window ไม่ใช่ระหว่างที่ campaign กำลังจัด
• ความเสี่ยงของ reinforcement-learning pricing งานวิจัย dynamic-pricing เชิงวิชาการ (อ้างอิงด้านบน) วางปัญหาเป็น RL ภายใต้ความไม่แน่นอน การ deploy ระบบ pricing แบบอัตโนมัติเต็มรูปบนบัญชีผู้ขาย marketplace จริงนั้นเสี่ยง ต้นทุนของการสำรวจมีจริง และการทดสอบราคาที่แย่บน SKU ที่ทำรายได้ top-quartile อาจเสียมากกว่าใน 24 ชั่วโมง ที่ framework กู้คืนได้ในหนึ่งไตรมาส pricing แบบมีคนอยู่ในวงจร (human-in-the-loop) พร้อมช่วงราคาที่โมเดลแนะนำคือขั้นตอนปฏิบัติที่ปลอดภัยกว่า
• ขอบเขตของข้อมูลภายใน ตัวเลข margin lift 6-10 percentage points และช่วง elasticity ทั่วไปเป็นค่าที่รวมจากบัญชีผู้ขาย marketplace ไทย SEA-6 ที่เรา model โดยตรง ไม่ใช่ข้ออ้างเชิงประชากรเกี่ยวกับ pricing decision บน marketplace ทั้งหมด และไม่รวมบัญชีที่เล็กกว่าขอบเขตขนาดและ enterprise tier ที่มี rate ต่อรอง

Methodology

การอ้างอิงข้อมูลสาธารณะมาจากวรรณกรรม reinforcement-learning pricing ของ arXiv, งานวิจัยทบทวนเชิงระบบปี 2025 ของ ScienceDirect เรื่อง joint demand-and-pricing optimisation, รากฐาน price-elasticity-of-demand แบบคลาสสิกในวรรณกรรมเศรษฐศาสตร์, บทวิเคราะห์ Bain e-Conomy SEA 2025 เรื่อง retail-media inflation และเอกสาร Help Center ของ Shopee เรื่องกลไกโปรโมชันและส่วนลด

ข้ออ้างที่มาจากข้อมูลภายใน ได้แก่ ตัวเลข margin-lift 6-10 percentage points, การกระจายช่วง elasticity และสมมติฐาน cost-input ใน worked example เป็นค่าที่รวมจากบัญชีผู้ขาย marketplace ไทย SEA-6 ที่ใช้งานอยู่ราว 400 บัญชี ภายใต้ sample frame ของ DataGlass research methodology (ม.ค. 2024 – เม.ย. 2026 ช่วงสังเกต 28 เดือน)