คณิตศาสตร์ของ stockout สำหรับผู้ขายอีคอมเมิร์ซ

Stockout ดูเหมือนปัญหาสต็อก แต่ในการขายบน marketplace มันเป็นปัญหาโฆษณา ปัญหา ranking ปัญหาประสบการณ์ลูกค้า และปัญหากำไรไปพร้อมกัน เมื่อสินค้าหมด ผู้ขายไม่ได้เสียแค่ออเดอร์วันนี้ แต่มักเสีย momentum ของ campaign ประสิทธิภาพ ads visibility ในอนาคต ลูกค้าประจำ และความคาดการณ์ได้ของกระแสเงินสดในสัปดาห์เดียวกันทั้งหมด

ต้นทุน stockout พื้นฐาน

การคิดบัญชีแบบง่ายที่สุดคือสิ่งที่ผู้ขายส่วนใหญ่หยุดอยู่แค่นี้:

Lost revenue = missed units × selling price

If a seller misses 200 units at 300 THB each:
Lost revenue = 200 × 300 = 60,000 THB

แต่ revenue ไม่ใช่ความเสียหายจริง เพราะผู้ขายต้องลงเงินไปแล้วเพื่อสร้าง revenue นั้น สูตรที่ตรงกว่าใช้ contribution margin:

Lost contribution profit = missed units × contribution margin per unit

If each unit contributes 80 THB after variable costs:
Lost contribution profit = 200 × 80 = 16,000 THB

หนึ่งหมื่นหกพันบาทใกล้เคียงความเสียหายจริงมากกว่า และในการขายบน marketplace แม้ตัวเลขนี้ก็ยังต่ำไป เมื่อนำผลกระทบลำดับที่สองมารวมด้วย

ต้นทุนที่ซ่อนอยู่ของ stockout

ต้นทุนที่มองเห็นของ stockout คือหน่วยที่ขายไม่ได้ ส่วนต้นทุนที่ซ่อนอยู่สร้างความเสียหายจริงเป็นส่วนใหญ่ และมันทบกันไปทั่วทั้งการดำเนินงาน

ค่าโฆษณาที่เสียเปล่า

Ads ไม่หยุดทันทีที่สต็อกใกล้หมด คลิกยังคงตกลงบนหน้าสินค้าที่ส่งของไม่ได้ conversion แย่ลง และแพลตฟอร์มก็ยังคิดเงินค่า traffic อยู่ดี

Momentum ของ campaign ที่หายไป

สินค้าที่หมดสต็อกช่วงสัปดาห์ campaign พลาด window ที่ demand สูงที่สุดของเดือน และอัลกอริทึมมักจดจำ underperformance นั้นไปอีกนานหลังของกลับมาแล้ว

ความเชื่อมั่นของลูกค้าที่ลดลง

ลูกค้าประจำที่เจอหน้าสินค้าว่างเปล่าครั้งหนึ่งอาจให้อภัย แต่ครั้งที่สองเป็นอีกเรื่อง stockout กัดกร่อนความสัมพันธ์กับลูกค้าที่ใช้เวลาหลายเดือนในการส่งของเพื่อสร้างขึ้นมา

ความเครียดในการดำเนินงาน

การ reorder แบบเร่งด่วน แรงกดดันจาก supplier และการแก้ปัญหาเฉพาะหน้าด้วยมือ กินเวลาที่ผู้ขายไม่ได้วางแผนไว้ มักแลกมาด้วยการตัดสินใจบน SKU ที่สุขภาพดีกว่า

Forecast อนาคตที่แย่ลง

Stockout ทำให้ข้อมูลยอดขายในอดีตเพี้ยน ซึ่งทำให้ประเมิน demand ในอนาคตได้แม่นยำยากขึ้น ซึ่งทำให้ stockout ครั้งถัดไปมีโอกาสเกิดมากขึ้น วงจรนี้เสริมแรงตัวเอง

สูตร reorder point

กฎ reorder พื้นฐานช่วยให้คณิตศาสตร์ยังจัดการได้:

Reorder point = expected demand during lead time + safety stock

Where:
expected demand during lead time = average daily demand × supplier lead time

Example
─────────
Average daily demand: 40 units
Supplier lead time: 10 days
Expected demand during lead time: 400 units
Safety stock: 150 units
Reorder point: 550 units

เมื่อสต็อกลดลงเหลือ 550 หน่วย ก็สั่งซื้อ จุดที่ต้องระวังคือ average daily demand แบกงานเงียบ ๆ ไว้เยอะในสูตรนั้น และบน marketplace ค่าเฉลี่ยแทบไม่เคยอธิบายสองสัปดาห์ข้างหน้าได้ดีนัก

ทำไมผู้ขาย marketplace จึงต้องใช้ logic stockout ที่ฉลาดกว่า

สูตร reorder คลาสสิกไม่ได้ถูกออกแบบมาสำหรับสภาพแวดล้อม marketplace ผู้ขาย Shopee หรือ TikTok Shop ต้องเจอกับ campaign spike, demand ที่ขับด้วย ads, content ที่ viral กะทันหัน, คู่แข่ง stockout, live-commerce burst, supplier ดีเลย์ และแรงกดดันสต็อกข้าม channel บางทีในเดือนเดียวกันทั้งหมด สินค้าที่ขายได้ 30 หน่วยต่อวันในสัปดาห์ปกติอาจขายได้ 200 หน่วยต่อวันช่วงสัปดาห์ campaign logic reorder ที่ใช้ค่าเฉลี่ยแบบไม่มีเงื่อนไขจะ stockout พอดีตอนที่ demand มีค่ามากที่สุด และทางเดียวที่จะเลี่ยงได้คือทำให้สูตรรู้จัก campaign

ความเสี่ยง stockout กับการตัดสินใจเรื่อง ads

หนึ่งในความผิดพลาดที่แพงที่สุดที่ผู้ขายทำได้คือ scale ads บนสินค้าที่รองรับ demand เพิ่มไม่ได้ กฎเวอร์ชันง่ายจำได้ไม่ยาก:

เวอร์ชันที่ขั้นสูงกว่าทำให้ input ชัดเจนและมองการตัดสินใจเป็นฟังก์ชันของทั้งสี่อย่างพร้อมกัน:

Ad scaling decision = margin health
                    + conversion strength
                    + inventory depth
                    + replenishment confidence

ความเสี่ยง stockout กับการตัดสินใจเรื่องราคา

สต็อกกำหนดการตัดสินใจเรื่องราคามากกว่าที่ผู้ขายส่วนใหญ่คิด ถ้าสต็อกน้อยและ demand แรง การลดราคามักไม่จำเป็น move ที่ถูกอาจเป็นการคงราคาหรือถอยส่วนลดเพื่อปกป้อง margin ระหว่างที่ supply จำกัด ถ้าสต็อกเยอะและ demand อ่อน ส่วนลดอาจสมเหตุสมผล แต่เฉพาะเมื่อ contribution margin รอดจากการ markdown ราคาและสต็อกควรอยู่บนหน้าจอเดียวกัน ไม่ใช่คนละแท็บของคนละเครื่องมือ

ต้นทุน stockout ทบกันตามจำนวนวันที่ของขาด

Chart ด้านบนเป็น snapshot — บัญชีต้นทุนหลัง stockout 7 วัน chart ด้านล่างคือ trajectory: ต้นทุน stockout เต็มสะสมขึ้นอย่างไรเมื่อจำนวนวันที่ของขาดเพิ่มขึ้น วันแรก ๆ ถูกครอบงำด้วยยอดขายที่หายและค่าโฆษณาที่เสียเปล่า (เป็นเส้นตรงกับเวลา) ก้อนที่ทบกันในภายหลัง — การลดอันดับ, การสูญลูกค้าประจำ — เริ่มทำงานหลังราววันที่ 3-5 และเร่งเส้นต้นทุนให้ชันขึ้น

Sensitivity — เมื่อรูปทรงต้นทุน stockout เปลี่ยนไป

การแยกต้นทุน 5 บรรทัดสมมติเงื่อนไขบัญชี Shopee ทั่วไป ตารางด้านล่าง stress-test ว่า multiplier ของต้นทุนเต็มเปลี่ยนไปอย่างไรภายใต้บริบทการดำเนินงานที่ต่างกัน

Multiplier ของต้นทุน stockout เต็มภายใต้เงื่อนไขการดำเนินงานที่ต่างกัน

ข้อสรุปเชิงโครงสร้าง: ความเร็วในการ restock คือ lever ที่ควบคุมได้ที่สุดในเชิงปฏิบัติ stockout ที่จับได้และแก้ภายใน 48 ชั่วโมงมีต้นทุนราว 50% ของ stockout ที่ลากนาน 7 วันขึ้นไป เพราะก้อนที่ทบกัน (การลดอันดับ, การสูญลูกค้าประจำ, forecast เพี้ยน) ต้องใช้เวลาในการสะสม

ต้นทุนของการตัดสินใจที่ไม่ optimal: เวอร์ชัน stockout

Stockout แทบไม่เคยเกิดเพราะมีคนเลือกผิดอย่างเห็นได้ชัด มันเกิดเพราะลำดับของการตัดสินใจที่ดูสมเหตุสมผลทับซ้อนกัน เพิ่ม ads เพราะ ROAS ดูดี ใส่ส่วนลดเพราะสัปดาห์ campaign กำลังมา เลื่อน reorder เพราะเดือนนั้นเงินตึง รายงานสต็อกช้าไปไม่กี่วัน demand forecast ไม่ได้คิด lift ที่ campaign จะสร้างจากโปรโมชัน การตัดสินใจแต่ละอย่างป้องกันตัวได้ในตัวมันเอง แต่เมื่อรวมกันก็ได้หน้าสินค้าว่างเปล่าในเช้าวัน campaign นี่คือเหตุผลที่ผู้ขายได้ประโยชน์จากระบบที่จับ conflict ได้ก่อนที่การตัดสินใจตัวใดตัวหนึ่งจะทำให้มันพลิก:

ข้อจำกัด และจุดที่ argument นี้ใช้ไม่ได้

• ขอบล่างของขนาดบัญชี การแยกต้นทุน 5 บรรทัดสมมติว่ามีกำลังในการ track การลดอันดับและผลต่อลูกค้าประจำในระดับ SKU ต่ำกว่า ~THB 200K revenue ต่อเดือน heuristic แบบง่าย (reorder รอบคงที่, safety stock เผื่อสูง, ไม่ track การกู้ ranking ราย SKU) ได้ผลดีกว่า overhead ในการดำเนินงาน
• พลวัตของ category multiplier ที่ทบกันต่างกันมากตาม category ความงามและแฟชั่น (ซื้อซ้ำสูง, impulse สูง) แบกก้อนความเชื่อมั่นและ forecast เพี้ยนมากกว่า ส่วนของกินของใช้และเครื่องใช้ในบ้าน (ขับด้วยประโยชน์ใช้สอย, อัตราซื้อซ้ำต่ำ) แบกก้อนที่ทบกันน้อยกว่า ต้อง recalibrate สัดส่วนแต่ละบรรทัดตาม category
• ความผันผวนของระยะเวลา stockout เส้นต้นทุนสะสมใน line chart สะท้อน pattern แบบ modal ส่วน trajectory ต้นทุนของ SKU แต่ละตัวต่างกัน 30-50% รอบ ๆ เส้น ขึ้นกับตำแหน่ง ranking ก่อน stockout, สัดส่วน traffic organic เทียบ ad-driven และความเร็วในการกู้ของ supplier
• คุณภาพข้อมูลสถานะสต็อก คณิตศาสตร์ reorder-point ของ framework สมมติว่าข้อมูลสถานะสต็อกค่อนข้างใหม่ (ภายใน 24 ชั่วโมง) ในบัญชีที่มี SKU หลายคลังหรือ update สต็อกล่าช้า buffer ของ safety stock ต้องถูกขยายขึ้นเพื่อชดเชยช่องว่างความเก่าของข้อมูล
• สต็อกที่ใช้ร่วมข้าม channel SKU ที่ขายข้าม Shopee, Lazada และ TikTok Shop โดยใช้สต็อกจริงร่วมกัน ต้องใช้ logic reorder ระดับ canonical catalog การ reorder แยกราย platform จะมองสต็อกจริงตัวเดียวเป็นสามแถวแยกกันและ stockout ไม่สม่ำเสมอ
• ขอบเขตข้อมูลภายใน multiplier ต้นทุนเต็ม 3.5-5 เท่า ตัวเลขลด incidence stockout 40-60% และค่าโฆษณาที่กู้คืนได้ 8-12% ทั้งหมด aggregate จากบัญชีผู้ขาย marketplace ไทย SEA-6 ที่เรา model โดยตรง ไม่ใช่ข้ออ้างเชิงประชากรเกี่ยวกับผู้ขายอีคอมเมิร์ซทั้งหมด และไม่รวมผู้ขายร้านเดียวที่ต่ำกว่าขอบเขตขนาดอย่างชัดเจน

Methodology

การอ้างอิงข้อมูลสาธารณะมาจากงานทบทวนเชิงระบบของ ScienceDirect ปี 2025 เรื่อง ML approaches ใน inventory control ^[1], newsvendor model คลาสสิกจากวรรณกรรม operations research สำหรับการ derive safety-stock ^[2], เอกสาร Shopee Help Center เรื่องสถานะ listing เมื่อสต็อกเป็นศูนย์ ^[3], เอกสาร Lazada Open Platform เรื่อง stock-status API ^[4], TikTok Shop Seller University เรื่องกลไก session ของ live-commerce ^[5] และบทวิเคราะห์ Bain e-Conomy SEA 2025 เรื่องจังหวะ demand spike ในภูมิภาค ^[6]

ข้ออ้างจากข้อมูลภายใน — multiplier ต้นทุนเต็ม 3.5-5 เท่าของการแยกต้นทุน 5 บรรทัด, ตัวเลขลด incidence stockout รายปี 40-60%, สัดส่วนค่าโฆษณาที่กู้คืนได้ 8-12%, เส้นต้นทุนสะสมแบบ modal ใน line chart — aggregate จากบัญชีผู้ขาย marketplace ไทย SEA-6 ที่ DataGlass model โดยตรง sample ปัจจุบันราว 400 บัญชีที่ active ใน sample frame ของ DataGlass research methodology (ม.ค. 2024 – เม.ย. 2026, window สังเกตการณ์ 28 เดือน)