Data Science
ข้อมูลเดียวกัน สองเครื่องมือ สองคำตอบ
แดชบอร์ดบอกผู้ขายว่าเกิดอะไรขึ้น Decision Engine บอกผู้ขายว่าควรทำอะไรต่อ จัดอันดับตัวเลือกตามกำไรที่คาดว่าจะเพิ่มขึ้น และแสดงคณิตศาสตร์เบื้องหลังทุกคำแนะนำ วิธีที่เห็นความต่างได้ชัดที่สุดคือนำการตัดสินใจ operating ที่พบบ่อย 10 ข้อใส่เข้าไปในเครื่องมือทั้งสอง แล้วอ่านคอลัมน์เทียบกัน
| การตัดสินใจ operating | มุมมองแดชบอร์ด (descriptive) | มุมมอง Decision Engine (prescriptive) |
|---|---|---|
| ควร scale Campaign A ไหม? | Campaign A สร้าง attributed sales ได้ THB 80,000 เมื่อสัปดาห์ที่แล้ว | true ROAS ของ Campaign A อยู่ที่ 1.2 เทียบกับ break-even ราย SKU 2.4 → ลดงบ ~40%; ย้ายไป Campaign D (true ROAS 3.8 เทียบกับ break-even 2.1) |
| ควร reorder SKU B ไหม? | SKU B ขายได้ 500 ชิ้นเดือนที่แล้ว สต็อกปัจจุบัน 240 ชิ้น | days-of-supply 14 วัน; lead time 18 วัน; demand-spike window ของ 11.11 ในอีก 21 วัน → REORDER NOW (450 ชิ้น อันดับ #2 ใน list กำไรที่จะเสียจากการสต็อกหมด) |
| ควรลดราคา SKU C สำหรับ Pay Day ไหม? | ROAS เฉลี่ยของ SKU C ใน Pay Day ครั้งล่าสุด: 4.6× | contribution margin 18%; volume lift ที่ต้องได้เพื่อ break even บนส่วนลด 12%: +200%; Pay Day lift ในอดีตของ SKU นี้: ~80% → ไม่เข้าร่วม Pay Day; ปกป้อง margin |
| ควรลดราคาสู้คู่แข่งไหม? | SKU คู่แข่งตอนนี้ THB 290 (เทียบกับของเรา THB 320) | ประมาณการ margin คู่แข่ง ~12% (เทียบกับของเรา 28%); น่าจะเป็นการเคลียร์สต็อก; ประวัติ price-elasticity ชี้ว่าเสีย volume <5% ที่ THB 320 → คงราคา; คู่แข่งน่าจะกลับมาใน 7-10 วัน |
| TikTok Shop ควรได้งบเพิ่มไหม? | ROAS ของ TikTok Shop 3.4× เดือนนี้ +18% MoM | True ROAS หลังหัก affiliate commission + return rate ที่สูงขึ้น อยู่ที่ 2.1× เทียบกับ break-even 2.6× → คงงบ TikTok; ย้ายไป Shopee ที่ marginal-ROAS curve อยู่สูงกว่าที่ระดับงบปัจจุบัน |
| ทำไม hero SKU ของฉันถึงเสีย impression? | ตำแหน่ง Sponsored Search ตกจาก 3.2 → 5.8 ใน 14 วัน | CPC ของ keyword-cluster +42% ในช่วง pre-Pay-Day; คู่แข่ง bid ขึ้น 1 วันหลังเคลียร์สต็อก → เพิ่ม bid 18% เป็นเวลา 11 วัน หรือ ย้ายไป Sponsored Discovery บน query ที่กว้างกว่า (conversion เท่ากันที่ CPC ต่ำลง 31%) |
| ควรอยู่ใน Free Shipping Programme ต่อไหม? | ออเดอร์ Free Shipping Programme +24% YoY | FSP มีต้นทุน THB 8.40/ออเดอร์ ที่ผู้ขายจ่ายเอง; margin ของ FSP ต่ำกว่า non-FSP 2.1pp แต่ conversion +14% → คงไว้สำหรับ SKU A/B (margin รับไหว); ออกจาก FSP สำหรับ SKU C (margin เหลือ 9% อยู่แล้ว FSP ทำให้ขาดทุน) |
| ควรย้าย SKU D จาก Lazada ไป Shopee ไหม? | SKU D GMV บน Lazada THB 89K; GMV บน Shopee THB 152K | contribution ต่อชิ้นบน Lazada THB 18 (หลังหักส่วนผู้ขายของ Voucher Wallet + LazMall fee); บน Shopee ต่อชิ้น THB 27 Lazada ต้องการ LazMall conversion-lift 21% เพื่อ break even ปัจจุบันอยู่ที่ 11% → ย้าย 60% ของสต็อก Lazada ที่เหลือไป Shopee ภายใน 30 วัน |
| ควรทำ bundle SKU E กับ SKU F ไหม? | SKU E และ SKU F ถูกซื้อด้วยกันโดย 18% ของผู้ซื้อ SKU E | margin ของ SKU E 12% (margin-trap); margin ของ SKU F 31% การทำ bundle ยก blended margin เป็น 22% ถ้า F attach แบบ 1:1; attach ในอดีต 18% พร้อม lift 1.4× ที่ราคา bundle-discount → ออก bundle ที่ THB 480; โมเดลคาดว่า margin กู้คืน 6.4% ใน 90 วัน |
| ควรออกจาก Category Z ไหม? | Category Z สร้าง GMV ได้ THB 2.1M ไตรมาสที่แล้ว | contribution margin รวม −3.4% หลังหัก ads, fee, return และ payout lag 27 วัน 3 ใน 14 SKU ทำกำไร โดยแบก gross margin ของ category ไว้ 84% บน volume <12% → ออกจาก 11 SKU ที่ขาดทุนภายใน 60 วัน; คง cohort 3 SKU ที่เป็นบวกไว้พร้อมโฟกัสงบโฆษณา |
คอลัมน์แดชบอร์ดตอบว่า "เกิดอะไรขึ้น" สำหรับแต่ละ entity คอลัมน์ Decision Engine ตอบว่า "ควรทำอะไร จัดอันดับตามกำไรที่คาดว่าจะเพิ่มขึ้น พร้อมคณิตศาสตร์ติดไว้" ผู้ขายอนุมัติการตัดสินใจ Decision Engine ตัด analysis tax ของการไปให้ถึงมัน
รูปแบบนี้ซ้ำในทุกช่องของตาราง แดชบอร์ดเผยให้เห็นข้อสังเกต Decision Engine แปลงมันเป็นคำสั่งที่ผู้ขายอนุมัติได้ override พร้อมเหตุผลได้ หรือ escalate ได้ คำสั่งนั้นมาพร้อมสามสิ่งที่แดชบอร์ดให้ไม่ได้: การเทียบกับ break-even ที่ถูกต้อง การจัดอันดับเทียบกับการตัดสินใจอื่นที่ active อยู่ และคณิตศาสตร์เบื้องหลังคำแนะนำ
อะไรอยู่เบื้องหลังคอลัมน์ prescriptive นั้น
ทุกคำแนะนำในคอลัมน์ขวาคือผลลัพธ์ของ stack 5 ชั้น แต่ละชั้นผลิต input ที่ชั้นถัดไปต้องใช้เพื่อให้ตัวเลขซื่อตรง การ deploy ซอฟต์แวร์ฝั่งผู้ขายที่ล้มเหลวส่วนใหญ่พังที่ชั้น 2 — canonical SKU mapping ข้าม shop และแพลตฟอร์ม — เพราะการกระจัดกระจายของข้อมูลแย่กว่าที่ vendor คาดไว้ คุณภาพที่ชั้นนั้นมีน้ำหนักเหนือทุกชั้นที่อยู่สูงกว่า
Layer 1 — Ingestion
ดึงข้อมูลจาก marketplace, ad platform, ระบบสต็อก, ไฟล์ต้นทุน, ประวัติราคา และ settlement record ถ้าไม่มีชั้นนี้ ทุกชั้นที่อยู่สูงกว่าจะขาด input
Layer 2 — Normalisation
แมป SKU, variation, แคมเปญ, ต้นทุน และออเดอร์เข้าเป็นโครงสร้างเดียวที่สอดคล้องกันข้าม shop และแพลตฟอร์ม เป็นขั้นที่ไม่หวือหวาแต่ทำให้ทุกอย่างที่เหลือเป็นไปได้ และเป็นขั้นที่การตั้งร้านบนสเปรดชีตส่วนใหญ่ทำไม่เคยเสร็จจริง
Layer 3 — Metric calculation
คำนวณ contribution margin, true ROAS, break-even ROAS, ad waste, ความเสี่ยงสต็อกหมด, days-of-supply, ผลของโปรโมชัน, สัญญาณ price-elasticity และ channel margin ตัวเลขเหล่านี้คือสิ่งที่คอลัมน์คำแนะนำนำไปเทียบจริง
Layer 4 — Pattern detection
เฝ้าจับ failure mode ที่รู้จัก — รายได้สูงแต่กำไรต่ำ, ads บน SKU ที่เสี่ยงสต็อกหมด, รายได้ที่มาจากการลดราคา, margin ที่ทรุดลง, แคมเปญที่ทำได้ต่ำกว่า break-even และ channel mismatch ที่ SKU เดียวกันพิมพ์เงินบน marketplace หนึ่งแต่ขาดทุนบนอีก marketplace หนึ่ง
Layer 5 — Recommendation
ส่งออก action ที่จัดอันดับแล้ว ผูกกับ entity เฉพาะ — คอลัมน์ขวาของตาราง ผู้ขายยังเป็นคนตัดสินใจ Decision Engine แค่ตัด analysis tax ของการไปให้ถึงการตัดสินใจที่ปกป้องได้ตั้งแต่แรก
การตัดสินใจในฐานะปัญหาต้นทุน
ทุกการตัดสินใจของผู้ขายมี opportunity cost ถ้างบไปที่ SKU A มันก็ไปที่ SKU B ไม่ได้ ถ้าใช้เงินสด reorder สินค้าที่ขายช้า ก็ใช้กับ winner ที่ margin สูงไม่ได้ ถ้าผู้ขายลดราคาโดยไม่จำเป็น margin จะหายไปอย่างถาวร ถ้าผู้ขายมองข้ามความเสี่ยงสต็อกหมด ผลงานแคมเปญในอนาคตจะเป็นคนจ่าย ต้นทุนรวมของการตัดสินใจที่ไม่ดีที่สุดคือผลรวมของการรั่วไหลสี่แบบ:
wasted spend + lost margin + missed upside + operational dragDecision Engine ลดต้นทุนนั้นด้วยการเผยให้เห็น conflict ระหว่างการตัดสินใจสองอย่างตั้งแต่เนิ่น ๆ — ก่อนที่อันใดอันหนึ่งจะเกิดขึ้นเต็มที่
ทำไม Decision Engine ถึงสำคัญมากขึ้นตอนนี้
การค้ากำลังกลายเป็น algorithmic มากขึ้น marketplace optimise การค้นหา, ads, recommendation, logistics และสัญญาณราคาที่ความละเอียดสูงขึ้น video commerce และ retail media ทำให้การค้นพบเร็วขึ้นและแข่งกันมากขึ้น แพลตฟอร์มใหญ่ลงทุนหนักใน AI สำหรับการช้อปและการโฆษณา ผลในทางปฏิบัติสำหรับผู้ขายคือ สภาพแวดล้อม operating กำลังเคลื่อนเร็วกว่าที่รอบการรีวิว P&L รายเดือนจะตามทัน
การทำรายงานด้วยมือตามการตัดสินใจแบบ real-time ไม่ทัน
วิจารณญาณของคนยังสำคัญ
Decision Engine ไม่ควรแทนที่ผู้ขาย แต่ควรทำให้วิจารณญาณของผู้ขายดีขึ้น ผู้ขายยังเข้าใจแบรนด์ ความสัมพันธ์กับ supplier คุณภาพสินค้า ความคาดหวังของลูกค้า และกลยุทธ์ระยะยาวที่ไม่ปรากฏในชุดข้อมูลใด ๆ ระบบมีส่วนช่วยในสิ่งที่ซอฟต์แวร์ทำได้ดีกว่า — เชื่อมข้อมูล คำนวณ metric จับ pattern เฝ้าดูความเปลี่ยนแปลง และเผยให้เห็น anomaly ที่ตาคนจะมองข้ามในสเปรดชีตตอนตี 2 operating model ที่ดีที่สุดผสมบริบทของคนเข้ากับความสม่ำเสมอของเครื่อง
ข้อจำกัดและจุดที่ข้อโต้แย้งนี้พัง
- ขอบล่างของขนาดบัญชี Decision Engine สะสมผลตามคุณภาพข้อมูล ต่ำกว่า ~THB 200K รายได้ต่อเดือน operational overhead ของการรันสถาปัตยกรรมนี้จะมากกว่า margin ที่กู้คืนได้ heuristic แบบง่าย (lookup margin ต่อ category, การกระทบยอดด้วยมือรายสัปดาห์) จะทำได้ดีกว่า
- ชั้น 2 คือจุดพังเงียบ ๆ สถาปัตยกรรมที่ร่างไว้นี้ดูสะอาดในไดอะแกรม แต่โหดมากเวลา implement ใน production การ deploy ซอฟต์แวร์ฝั่งผู้ขายที่ล้มเหลวส่วนใหญ่พังที่ชั้น 2 (canonical SKU mapping ข้าม shop และแพลตฟอร์ม) เพราะการกระจัดกระจายของข้อมูลแย่กว่าที่ vendor คาดไว้ คุณภาพที่ชั้นนี้มีน้ำหนักเหนือทุกชั้นที่อยู่สูงกว่า
- ความเสี่ยงของการ frame คำแนะนำ recommendation layer ที่อ้างความมั่นใจเกินจริงจะเผา trust เร็วกว่าการไม่มีคำแนะนำเลย output ควรเป็น 'นี่คือสิ่งที่เราคิดว่าคุณควรทำ นี่คือคณิตศาสตร์ นี่คือความมั่นใจ' ไม่ใช่ 'ทำสิ่งนี้' แบบสั่งการ คณิตศาสตร์ที่ตรวจสอบได้คือ trust layer
- ความล่าช้าของ pattern detection ชั้น 4 จับ failure mode ที่รู้จักได้ แต่คาดการณ์ pattern ที่ใหม่จริง ๆ ไม่ได้ (กลไกแคมเปญใหม่, การ disrupt ของ category อย่างฉับพลัน, การเปลี่ยน policy ของแพลตฟอร์มแบบครั้งเดียว) วิจารณญาณของคนยังเป็นเจ้าของ long tail
- การประสานข้ามแพลตฟอร์ม สถาปัตยกรรมทำงานได้สะอาดภายในข้อมูลของแพลตฟอร์มเดียว การประสานข้ามแพลตฟอร์ม (Shopee × Lazada × TikTok Shop) ต้องใช้ canonical product catalog ที่ชั้น 2 เพื่อ bind SKU จริงตัวเดียวกันข้ามแพลตฟอร์ม — ขั้นเพิ่มเติมที่ขยายความซับซ้อนเชิง operating อย่างมีนัยสำคัญ
- ขอบเขตของข้อมูลภายใน ตัวเลขกู้ margin 6-10 percentage points เป็นค่ารวมจากบัญชีผู้ขาย marketplace ไทยใน SEA-6 ที่เรา model โดยตรง ไม่ใช่ข้อกล่าวอ้างเชิง population เกี่ยวกับการ deploy Decision Engine ทั้งหมด และไม่รวมบัญชีที่ต่ำกว่าขอบขนาดและ enterprise tier ที่เจรจาเรตเฉพาะ
Methodology
การอ้างอิงข้อมูลสาธารณะมาจาก systematic review ปี 2025 ของ ScienceDirect ว่าด้วย ML ใน inventory control (ซึ่ง formalise multi-layer stack แบบ ingest → forecast → optimise → policy) รายงานของ Reuters เกี่ยวกับจังหวะการลงทุน AI ของ Sea Limited (3 มีนาคม 2026) และความร่วมมือ agentic shopping ของ Google–Sea (19 กุมภาพันธ์ 2026) เอกสารเปิดเผยข้อมูลต่อนักลงทุน 4Q25 / 1Q26 ของ Sea Limited และบทวิเคราะห์ Bain e-Conomy SEA 2025 ว่าด้วยความเร็วของการค้าในภูมิภาค
ข้อกล่าวอ้างจากข้อมูลภายใน — ตัวเลขกู้ margin 6-10 percentage points, รูปแบบการสะสมคุณค่าชั้นต่อชั้นใน chart, การกระจายของ failure mode ทั่วไป — เป็นค่ารวมจากบัญชีผู้ขาย marketplace ที่ active ราว 400 บัญชี ใน sample frame ของ วิธีวิจัยของ DataGlass (ม.ค. 2024 – เม.ย. 2026 หน้าต่างสังเกต 28 เดือน) การวัดช่องว่าง margin คำนวณบนหน้าต่าง rolling 90 วัน
FAQ
คำถามและคำตอบสั้น ๆ 4 ข้อในรูปแบบ query ที่ย่อบทความสำหรับคนอ่านผ่านและ AI search คำถาม "vs แดชบอร์ด" และ "เมื่อไหร่ที่ไม่คุ้มจะใช้?" อยู่ข้างหลักฐานที่เกี่ยวข้องในเนื้อหาด้านบน
ไม่ใช่อีกแดชบอร์ดหนึ่ง แต่เป็น Decision Engine ที่รู้กำไร — 5 ชั้น, คำแนะนำที่จัดอันดับแล้ว, คณิตศาสตร์ที่ตรวจสอบได้, วิจารณญาณของคนอยู่บนสุด