กำไร
ผู้ขาย Shopee รายหนึ่งที่เราทำงานด้วยเมื่อปีก่อนมี bestseller ชัดเจน — SKU ความงามราคา THB 290 ที่นำบัญชีทั้งด้านจำนวนชิ้นที่ขายได้และ GMV อย่างสม่ำเสมอ มันแบกแบนเนอร์หน้าร้าน เป็นจุดยึดของทุก campaign brief ผู้ขายสร้างจังหวะการดำเนินงานของร้านรอบมันทั้งหมด: ตำแหน่งหลักบน listing carousel, voucher tier ที่ลึกที่สุดในทุก campaign window, การจัดสรรงบ ads สูงที่สุด และสต็อกที่ถูกป้องมากที่สุดในคลัง ทุก metric ที่เห็นบน dashboard ของ Shopee Seller Centre บอกว่า SKU ตัวนี้คือสินค้าที่ทั้งร้านสร้างขึ้นมารอบมัน
เมื่อเรา reconstruct contribution margin ราย SKU จาก order-line data ของบัญชี สินค้าตัวเดิมกลับอยู่อันดับ 47 จาก 120 SKU ในเชิงกำไร หลังหัก COGS (62% ของราคาขายตามต้นทุน supplier ใน category นี้), commission และ transaction fee ของแพลตฟอร์ม (~10% effective), seller-funded voucher tier ที่ SKU แบกผ่านทุก campaign (~8%) และส่วนที่ผู้ขายจ่ายเองของ shipping subsidy (~4%) contribution margin ของ SKU เหลือ 16% — แทบไม่พอครอบคลุม ad cost ที่ ad-attributed share จริงของ SKU อีก SKU สองตัวใน catalog เดียวกัน ที่มี revenue เพียงหนึ่งในห้า กลับสร้าง total contribution profit ได้มากกว่า "bestseller" จึงเป็น margin trap และผู้ขายปกป้องมันด้วยการจัดสรรงบสูงที่สุดใน catalog มานานเกือบสองปี
ครึ่งหนึ่งของ bestseller ในทุกร้าน Shopee ไม่ใช่สินค้าที่ทำกำไรมากที่สุด dashboard แยกสองสิ่งนี้ไม่ออก
เคสนี้ไม่ใช่เรื่องผิดปกติ ในบัญชี Thai SEA-6 Shopee ราว 400 บัญชีที่เรา model โดยตรง top-10 SKU เรียงตาม revenue กับ top-10 เรียงตาม contribution profit ทับซ้อนกันราว 50% — หมายความว่าโดยเฉลี่ยครึ่งหนึ่งของ bestseller ในทุกร้านไม่ใช่สินค้าที่ทำกำไรมากที่สุดใน catalog pattern นี้สม่ำเสมอข้าม category ข้ามขนาดบัญชีใน sample ของเรา และข้ามทั้ง campaign-window และ baseline window มันคือ operational fingerprint ของ failure mode ทั่วทั้งอุตสาหกรรมในวิธีบริหารบัญชี Shopee: จัดอันดับด้วย revenue, optimize ด้วย GMV และตั้งงบบน platform-reported ROAS — ซึ่งไม่มีอันไหนเผยการกระจายของ contribution margin ที่จ่ายเงินให้ผู้ขายจริง
บทความนี้บันทึก audit ที่เผยช่องว่างนี้ มุมมองที่ถูกต้องของ catalog Shopee คือ 2×2 — revenue บนแกนหนึ่ง contribution margin บนอีกแกนหนึ่ง — ไม่ใช่ list อันดับเดียว cell ที่อันตรายคือ revenue สูง + margin ต่ำ ตรงที่ SKU ดูเหมือน growth แต่ทำตัวเหมือน margin leakage การระบุว่า SKU ไหนอยู่ตรงนั้นเป็นเรื่อง mechanical เมื่อ input สะอาด การลงมือกับมัน — เปลี่ยนราคา, ลด voucher tier, ตัดงบ ads, เจรจา supplier ใหม่ หรือ retire — คือวินัยการดำเนินงานที่กู้ margin กลับมา พร้อมสี่ pattern ของ margin trap ที่เจอบ่อย, การ visualise rank divergence ในระดับ chart, worked example, sensitivity analysis บน cost-stack input และ audit สี่ขั้นที่ผลิต decision list ราย SKU ใน production cadence
Rank divergence — ในรูปแบบ visual
Chart ด้านล่างเปรียบเทียบ top-10 SKU ของบัญชี Shopee เดียวกันภายใต้ ranking สองระบบ: เรียงตาม revenue (มุมมองเริ่มต้นของ seller centre) และเรียงตาม contribution profit (สิ่งที่จ่ายเงินให้ธุรกิจจริง) ค่าเป็นหน่วยของ contribution profit normalise เทียบกับ SKU margin สูงสุดของบัญชีเป็น index SKU ที่ทำเครื่องหมายด้วยสีส้มของแบรนด์คือเคส dangerous-quadrant — revenue สูง contribution profit ต่ำ — ตรงที่ ranking บน dashboard กับ ranking บนบัญชีธนาคารต่างกันมากพอจะพลิกการตัดสินใจในการดำเนินงาน
ทั้งสอง series index เทียบกับ contribution profit ของ SKU margin สูงสุด (= 100) bar ที่ highlight คือ SKU ที่อยู่ครึ่งบนด้าน revenue แต่ครึ่งล่างด้าน contribution profit — เคส dangerous-quadrant chart แสดงว่าราวครึ่งหนึ่งของ top-10 ด้าน revenue เบี่ยงจาก ranking ด้าน contribution profit อย่างมีนัย โดย margin trap กระจุกที่ SKU B, D, F, H และ J
อ่าน chart เป็นคำตอบของคำถามที่ดูเรียบง่ายแต่ลึก — "สินค้าตัวไหนใน catalog Shopee นี้จ่ายค่าเช่าจริง?" คำตอบของ dashboard (SKU A ถึง J เรียงตาม revenue) ไม่ผิด แต่ไม่ใช่คำตอบเชิงการดำเนินงาน คำตอบเชิงการดำเนินงานเรียงตาม contribution profit และในบัญชีตัวแทนนี้คำตอบสองชุดไม่ตรงกันในห้าตำแหน่งจาก top-10 SKU B โดยเฉพาะ — beauty hero — เป็น pattern เดียวกับ SKU ที่แบกแบนเนอร์หน้าร้านในเรื่องเล่าตอนเปิด และเป็นตำแหน่งที่แพงที่สุดที่จะพลาด เพราะการจัดสรรงบ, การปกป้องสต็อก และการ feature ใน campaign ล้วนไหลมาจากตำแหน่งที่ SKU อยู่ใน ranking
2×2 และ dangerous quadrant
List อันดับเดียวบีบ catalog ลงเหลือมิติเดียว การตัดสินใจในการดำเนินงานได้ประโยชน์จากสองมิติ: revenue (มิติที่ dashboard เผย) และ contribution margin (มิติที่จ่ายเงินให้ธุรกิจ) 2×2 ด้านล่างคือ diagram ที่ใช้งานได้ แต่ละ cell แบกคำแนะนำในการดำเนินงานต่างกัน และ cell ที่อันตราย — revenue สูง margin ต่ำ — คือที่ซึ่งบัญชี Shopee แทบทุกบัญชีซ่อนความผิดพลาดที่แพงที่สุดของตัวเองไว้
| Cell | ตำแหน่ง | การลงมือที่แนะนำ | ทำไม |
|---|---|---|---|
| บนซ้าย | revenue สูง + margin สูง | Scale งบ ads, ปกป้องสต็อก, feature ใน campaign | SKU เหล่านี้คือตัวที่ platform recommender จะขยายและจ่ายค่าการขยายได้ — มันคู่ควรกับตำแหน่งที่สูงกว่าและการปกป้องสต็อกที่มากกว่า |
| บนขวา (อันตราย) | revenue สูง + margin ต่ำ | ขึ้นราคา, ลด voucher tier, ตัด ads, bundle กับ SKU margin สูง หรือเจรจา supplier ใหม่ | Margin trap ที่ดูเหมือน growth แต่ทำตัวเหมือน leakage การไม่ทำอะไรเป็นทางเลือกที่แพงที่สุด เพราะ dashboard ให้รางวัลกับการลงทุนต่อ |
| ล่างซ้าย | revenue ต่ำ + margin สูง | เพิ่มงบ ads, ตรวจว่าทำไม volume ถึงต่ำ, พิจารณา feature | โอกาสที่ได้งบน้อยเกินไป มักเป็น SKU ที่ผู้ขายไม่ได้สังเกต เพราะ ranking ของ dashboard ฝังมันไว้ |
| ล่างขวา | revenue ต่ำ + margin ต่ำ | เลิก promote, จำกัดไว้ที่ organic, พิจารณานำออกจาก catalog | ไม่มี upside ในทั้งสองมิติ การ promote SKU เหล่านี้คือ opportunity cost ในทุกการเข้าชม |
2×2 คือ operating model ขั้นต่ำสำหรับ catalog Shopee ที่เกิน ~30 SKU ต่ำกว่านั้นผู้ขายมักจดจำทั้งโครงสร้างไว้ในใจได้ พ้น 30 ไป list อันดับเดียวของ dashboard จะจัดสรรงบผิดข้าม cell อย่างสม่ำเสมอ
คำถามที่เกิดขึ้นโดยธรรมชาติ: dangerous quadrant กระจุกแค่ไหนใน catalog Shopee ทั่วไป? chart ด้านล่างแสดงการกระจาย SKU-count ข้ามสี่ cell ใน sample ของเรา แยกตามขนาดบัญชี dangerous quadrant จับ SKU ราว 22% โดยจำนวนในบัญชี revenue THB 1-10M ต่อเดือนทั่วไป แต่จับ share ของ revenue ที่สูงกว่ามาก (35-45%) และ share ของงบ ads ที่จัดสรรผิดที่สูงกว่านั้นอีก (40-55%) — เพราะ platform recommender ขยาย SKU ที่ revenue หนักโดยไม่สนใจ margin และการจัดสรรงบของผู้ขายเองมักตาม dashboard
การกระจายเป็นแบบ SKU count ใน sample ~400 บัญชีของเรา share ของ dangerous-quadrant เล็กกว่าโดยจำนวนเมื่อเทียบกับล่างขวา (ซึ่งมี long tail ของ SKU ที่ทำให้ catalog บวม) แต่ผลกระทบเชิงการดำเนินงานกระจุกตรงนั้น เพราะ SKU ที่ revenue หนักดูดงบ ads มากที่สุด การจัดสรรผิดนี้คือเหตุผลทั้งหมดของ audit
Worked example — เลขคณิตของ margin trap
เรื่องเล่าตอนเปิดเกี่ยวกับ SKU ความงามราคา THB 290 ทำให้ชัดเจน:
Selling price: THB 290
COGS (62% — supplier cost): THB 180
Platform commission + fees: THB 29
Seller-funded voucher (8%): THB 23
Free-shipping subsidy: THB 12
Packaging: THB 1
Contribution margin: THB 45 (15.5% of price)
Break-even ROAS: 1 / 0.155 = 6.5
Account-wide platform-ROAS target: 3.5
Actual platform ROAS observed: 4.2
True ROAS at platform-ROAS 4.2 ≈ 0.91 (loss-making)แคมเปญบน SKU นี้อ่าน platform-ROAS 4.2 — สูงกว่า target 3.5 ก้อนเดียวของบัญชีอย่างสบาย dashboard จัดแคมเปญเป็นตัวชนะ platform recommender ขยาย impression ของ SKU ตามนั้น และผู้ขายปกป้องสต็อกและงบของ SKU break-even ROAS สำหรับ contribution margin จริงของ SKU (15.5%) คือ 6.5 แคมเปญอยู่ต่ำกว่านั้นมาก ทุกหน่วยที่ขายเพิ่มผ่าน ad path คือการขาดทุนเล็ก ๆ ที่เกิดซ้ำตาม scale ของแคมเปญ จนกระทั่ง GMV growth ของ dashboard กับ margin compression ของบัญชีธนาคารต่างกันมากพอจะเพิกเฉยไม่ได้ เมื่อช่องว่างเริ่มชัด — มักหนึ่งหรือสองไตรมาสต่อมา ตอนกระแสเงินสดตึง — ผู้ขายดูดซับการขาดทุนจำนวนมากไปแล้วบน SKU ที่ dashboard จัดเป็น bestseller มาตลอด
สี่ pattern ที่ dangerous quadrant เป็น
Margin trap มักกระจุกในสี่ pattern ที่เจอบ่อย pattern สำคัญเชิงการดำเนินงาน เพราะมันบอกผู้ขายว่า lever ตัวไหนกู้ margin ได้ — การลงมือที่ถูกต้องบน SKU ที่ voucher-dependent ต่างจากการลงมือที่ถูกต้องบน SKU ที่ fee-heavy แม้ทั้งคู่จะอยู่ใน cell เดียวกันของ 2×2
1. SKU ที่ voucher-dependent
SKU ขยับ volume ได้เฉพาะเมื่อ stack seller-funded voucher ลึก ๆ — โดยทั่วไป 8-15% ในช่วง campaign window ใหญ่ ดึง voucher ออกแล้ว velocity ของ SKU พังทลาย คง voucher ไว้แล้ว contribution margin หดเหลือเลขหลักเดียว คำถามที่ตรงไปตรงมาคือ SKU จะยังขายได้หรือไม่ที่ระดับ voucher ที่ margin ของ category รับไหว ถ้าคำตอบคือ "ได้ velocity น้อยลงเล็กน้อยที่ voucher tier ครึ่งหนึ่ง" วิธีแก้คือ cap voucher tier และยอมรับ volume ที่น้อยลง ถ้าคำตอบคือ "ไม่ SKU ไม่ขายถ้าไม่มี voucher ลึก" SKU เป็นปัญหา price-floor และน่าจะอยู่ใน cell ล่างขวา (retire) มากกว่า dangerous quadrant
2. SKU ที่ ad-dependent
SKU เสีย velocity ทันทีที่หยุด ads — แคมเปญแรง organic อ่อน คำถามที่ตรงไปตรงมาคือ ad cost ต่อ order พอดีกับ contribution margin ของ SKU ที่ break-even ROAS หรือไม่ บ่อยครั้งมันไม่พอ — margin ของ SKU บางเกินกว่าจะดูดซับ ad CPC ที่แพลตฟอร์มคิดเพื่อให้ได้ order โดยเฉพาะหลัง auction inflation ในช่วง campaign window ใหญ่ วิธีแก้มักคือลดงบ ads บน SKU จนกว่า organic conversion จะดีพอจะคุ้มกับพื้นที่ shelf ของ SKU หรือ contribution margin ของ SKU ฟื้นผ่านการเจรจา supplier ใหม่หรือเปลี่ยนราคา SKU ที่ ad-dependent หลายตัวก็ voucher-dependent ด้วย ซึ่งทบปัญหา
3. SKU ที่ fee-heavy
SKU ที่ AOV ต่ำ (โดยทั่วไปราคาขาย THB 50-200) ซึ่ง commission, transaction fee และส่วนที่ผู้ขายจ่ายเองของ subsidy ใน Free Shipping Program ของ Shopee กิน share ของ revenue ไปมากเกินสัดส่วน SKU ราคา THB 89 ที่ commission 5%, transaction fee 2% และ free-shipping subsidy effective 4% กำลังจ่ายต้นทุนฝั่งแพลตฟอร์มราว 10 THB ก่อนค่าใช้จ่ายผันแปรอื่นใด — มีนัยเมื่อเทียบกับราคาขาย THB 89 วิธีแก้มักคือขึ้นราคาเล็กน้อย (บ่อยครั้ง SKU ขายได้พอ ๆ กันที่ THB 109) และตั้งใจกันออกจาก voucher tier ที่ลึกที่สุด platform recommender ลงโทษ SKU ที่ AOV ต่ำน้อยกว่าที่ผู้ขายกลัว
4. SKU ที่ promotion-trap
แคมเปญ week แรง baseline อ่อน SKU สร้าง revenue ระหว่าง 11.11, Pay Day หรือ Mega Sale แล้วหายไปจาก orders feed หลังจากนั้น คำถามที่ตรงไปตรงมาคือ revenue ในช่วง campaign window เป็น incremental profit (volume ที่เพิ่มขึ้นจริงซึ่งดูดซับ cost stack ของแคมเปญ) หรือเป็นแค่ incremental order (volume ที่ SKU จะผลิตได้ที่ baseline อยู่แล้ว เพียงตอนนี้ที่ราคาลด) pattern หลังเจอบ่อยกว่าที่ผู้ขายคาด — กลไกของแคมเปญสร้าง GMV ที่มองเห็นได้ด้วยการดึง order ที่จะเกิดขึ้นอยู่แล้วมาข้างหน้า ที่ส่วนลดลึกกว่า วิธีแก้คือทดสอบการเข้าร่วม campaign ราย SKU แทนระดับบัญชี และปฏิเสธการเข้าร่วม campaign window สำหรับ SKU ที่ margin simulation ก่อนเปิดตัวไม่รอดจาก discount stack ของแคมเปญ
Sensitivity — ที่ระดับ margin เท่าไร SKU ถึงพลิก cell?
ขอบเขตของ dangerous quadrant ไม่ใช่ตัวเลข margin ตายตัว มันขึ้นกับ break-even ROAS bar ของบัญชีและ ad-attributed share จริงของ SKU ตารางด้านล่างแสดงว่า cell ใน 2×2 ของ SKU ทั่วไปขยับอย่างไรภายใต้การเปลี่ยน input เดียว — แบบ stress test ที่บอกผู้ขายว่า SKU ที่อยู่ใกล้ขอบอันตรายน่าจะพลิกเข้าสู่ความปลอดภัยด้วยการเปลี่ยนการดำเนินงานครั้งเดียวหรือไม่
| การปรับ | contribution margin ใหม่ | break-even ROAS ใหม่ | การพลิก cell ใน 2×2 |
|---|---|---|---|
| Baseline (ตัวอย่าง margin-trap) | 15.5% | 6.5 | บนขวา (อันตราย) |
| Voucher tier 8% → 4% (cap tier ลึก) | 19.5% | 5.1 | ยังบนขวา; buffer บางกว่าเหนือ platform ROAS 5.1 |
| ราคา 290 → 320 (ยก 10%) | 23.4% | 4.3 | borderline → จัดการได้เหนือ platform ROAS 4.3 |
| COGS 62% → 56% (เจรจา supplier ใหม่) | 21.5% | 4.7 | borderline → จัดการได้เหนือ 4.7 |
| Combined: voucher 4% + ราคา 320 | 27.4% | 3.6 | บนซ้าย (ปลอดภัยที่ target ก้อนเดียวของบัญชี) |
| Free-shipping opt-out (ที่ทำได้) | 19.6% | 5.1 | ยกเล็กน้อย; ต้นทุน placement weight อาจไม่คุ้ม |
| Bundle กับ attach SKU margin 35% | ~24% blended | ~4.2 blended | ระดับ bundle: บนซ้าย; ราย SKU แตกต่างกันไป |
แต่ละแถวใช้การปรับหนึ่งอย่างเทียบกับ baseline margin-trap แถว combined (cap voucher + ยกราคา 10%) คือ move ที่พลิก SKU ออกจาก dangerous quadrant ได้อย่างน่าเชื่อถือใน sample ของเรา Free-shipping opt-out ดึงให้สะอาดได้ยากกว่า เพราะ Free Shipping Logo ของแพลตฟอร์มแบก ranking weight การแลกมักเป็นบวกเฉพาะบน SKU ที่ organic conversion แข็งแรง
นัยเชิงการดำเนินงานสองข้อ ข้อแรก SKU ใน dangerous quadrant ส่วนใหญ่กู้คืนได้ด้วยการปรับหนึ่งหรือสองอย่าง — catalog แทบไม่เคยแย่เชิงโครงสร้าง มันมักแค่ถูกจัดสรรผิด ข้อสอง การปรับที่มี leverage มากที่สุดคือ voucher tier และราคา ไม่ใช่ COGS การเจรจา supplier สำคัญแต่ขยับเข็มน้อยกว่าที่ผู้ขายมักคิด เพราะ share ของ COGS ในราคาเล็กกว่าในเชิงคณิตศาสตร์เมื่อเทียบกับ share สะสมของ voucher + ads + free-shipping ที่ scale
Audit สี่ขั้น
Audit สั้น วินัยอยู่ที่การมี input ที่สะอาดก่อนจะสร้าง ranking — ผู้ขายส่วนใหญ่ทำ exercise นี้พลาดเพราะจัดอันดับ SKU ก่อนที่ COGS, fee และ voucher attribution จะถูก reconstruct จาก order-line data อย่างถูกต้อง audit ผลิต decision list ราย SKU ไม่ใช่ตัวเลขระดับบัญชีตัวเดียว และ decision list คือ operating output ที่กู้ margin กลับมา
1. Reconstruct fee และ voucher จาก order-line data ไม่ใช่จาก summary ของ seller centre
มุมมอง summary ของ Shopee Seller Centre aggregate มากเกินไปสำหรับการวิเคราะห์นี้ fee schedule แตกต่างตาม category, ตาม program (Shopee Mall เทียบ non-Mall) และตาม campaign window ต้นทุน voucher แยกระหว่างส่วน seller-funded กับ platform-funded ในแบบที่ summary ไม่เผย reconstruct จาก order line เพื่อให้ cost share จริงของแต่ละ SKU ถูกต้อง ข้อมูลมีให้ผ่าน Shopee Open Platform ถ้า scale คุ้ม สำหรับ catalog เล็กกว่า การ export order-line CSV ก็เพียงพอ
2. ทำ COGS ให้สะอาดสำหรับ top-50 SKU ตาม revenue
COGS คือ input ที่บัญชีส่วนใหญ่มั่นใจน้อยที่สุด long tail ของ catalog inference จากค่า category-mean ได้เพื่อเริ่ม top-50 ตาม revenue ครอบคลุม contribution profit (และ contribution loss) ส่วนใหญ่ และเป็น SKU ที่การตัดสินใจ audit จะขยับบัญชีได้อย่างมีนัย refresh COGS รายไตรมาส เพราะราคา supplier เลื่อนและการขยับ COGS 5 percentage points คือความต่างระหว่าง cell บนซ้ายกับบนขวาบน SKU ที่ borderline
3. จัดสรร ad spend ให้ SKU แม้จะไม่สมบูรณ์แบบ
การจัดสรร ad spend แบบหยาบ ๆ ดีกว่าทิ้ง ad cost ออกจากมุมมอง SKU ใช้ direct attribution ที่ใดที่ ad-attributed revenue data ของ Shopee ให้ และ campaign-level pro-rata ที่ใดที่ไม่ให้ เป้าหมายคือความถูกต้องในระดับ order-of-magnitude — SKU ที่ดูดซับงบ ads 15% เทียบ 4% เปลี่ยนการกำหนด cell ไม่ว่าตัวเลขที่แม่นยำตัวไหนจะถูก
4. เรียงตาม contribution profit แล้ว overlay เทียบกับ revenue ranking
สร้างตารางที่ list ทุก SKU สองครั้ง: อันดับตาม revenue, อันดับตาม contribution profit คำนวณ divergence ราย SKU SKU ที่อยู่ครึ่งบนด้าน revenue แต่ครึ่งล่างด้าน contribution profit คือ list ของ dangerous-quadrant — เหล่านี้คือ priority การดำเนินงาน แต่ละตัวได้รับการตัดสินใจ: ขึ้นราคา, ลด voucher tier, ตัด ads, bundle กับ SKU margin สูง, เจรจา supplier ใหม่ หรือ retirement การไม่ทำอะไรก็เป็นการตัดสินใจเช่นกัน ใน dangerous quadrant มันคือการตัดสินใจที่ผิดอย่างน่าเชื่อถือ เพราะ platform recommender ยังขยาย SKU ต่อไปโดยไม่สนใจ margin
มุมมองที่ถูกต้องของ catalog Shopee ไม่ใช่ list อันดับ มันคือ 2×2
ข้อจำกัด และจุดที่ argument นี้ใช้ไม่ได้
ห้าข้อจำกัดที่ชัดเจนของการวิเคราะห์ข้างต้น
- ขอบเขตขนาดบัญชี audit สมมติว่ามี operating capacity ที่จะ reconstruct เศรษฐศาสตร์ระดับ order-line และลงมือตัดสินใจราย SKU ถ้า monthly revenue ต่ำกว่า ~THB 200K operational overhead จะสูงกว่า margin ที่กู้ได้ heuristic ง่ายกว่ามักคุ้มกว่า — เลือกสาม SKU ที่ margin สูงที่สุดแล้วทุ่ม ad spend ไปที่ตัวเหล่านั้น
- คุณภาพ COGS data ranking ใน 2×2 ดีเท่ากับ input COGS เท่านั้น long-tail SKU ที่ไม่มี COGS สะอาด fallback เป็น category-mean inference ซึ่งประมาณการและอาจทำให้เข้าใจผิด 5-10 margin point บน SKU ที่เป็น outlier refresh รายไตรมาส และ flag ค่าที่ inference ว่าเป็นการประมาณ
- Attribution-window ไม่ตรงกัน methodology ถือว่าแคมเปญจบที่ platform attribution (โดยทั่วไป 7-day click + 1-day view) การ reconcile net-of-returns จริงเกิดราว 30 วันต่อมา ผู้ขายที่เทียบกับบัญชีควรคาดว่ามี lag เล็กน้อย
- พลวัตของ category สี่ pattern ของ margin trap เป็นเชิงพรรณนา ไม่ครบถ้วน category ที่มี returns สูงเชิงโครงสร้าง (apparel, beauty ในบางตลาด) เลื่อน pattern ไปทาง margin compression ที่ขับด้วย returns category ที่มี COGS heterogeneity สูงมากภายใน SKU เดียว (made-to-order, seasonal) ต้องการ audit cadence ที่ต่างออกไป
- Counterfactual ฝั่งแพลตฟอร์ม argument สมมติว่า recommendation system ของ Shopee ยังขยาย SKU ที่ revenue หนักต่อไปโดยไม่สนใจ margin ของผู้ขาย — กล่าวคือแพลตฟอร์ม optimize GMV การเปลี่ยนเชิงกำกับดูแลหรือการแข่งขันที่จำกัดการขยายที่ขับด้วย GMV จะเปลี่ยนลำดับ priority ของ audit ไม่มี public reporting ใดบ่งชี้ว่าการเปลี่ยนเช่นนั้นใกล้จะเกิดขึ้น ณ เวลาที่เขียน
Methodology
Public-data citations มาจาก Shopee Help Center (เอกสาร commission, transaction-fee, voucher และ Free Shipping Program), Shopee Ads Help Center (นิยาม ROAS และการตั้งค่า Target ROAS), investor disclosures ของ Sea Limited และ commentary e-Conomy SEA 2025 ของ Bain เกี่ยวกับ retail-media inflation ใน SEA marketplaces
Internal-data claims — ตัวเลข rank-overlap 50%, เปอร์เซ็นต์การกระจาย cell ใน 2×2, การจัดสรรงบ ads ใหม่ 12-18% และการยก margin-yield 4-7 percentage points, ช่วง cost-input ใน worked example — aggregate จากบัญชี SEA-6 Thai Shopee ที่เรา model โดยตรง subset Shopee ปัจจุบันมี active accounts ประมาณ 280 บัญชีใน DataGlass research methodology sample frame (January 2024 – April 2026, 28-month observation window)
Methodology section มีไว้เพื่อให้ทุกข้ออ้างเชิงตัวเลขข้างต้นตรวจสอบได้ในหลักการ ผู้อ่านที่ไม่เห็นด้วยกับข้อสรุปใดควรสามารถชี้ไปที่ input ที่ผิด (public-data citation, sample, ช่วง cost-input หรือ attribution model) แทนที่จะชี้ไปที่ข้อสรุปเอง