โลกการแข่งขันรูปแบบใหม่ของการค้าออนไลน์

ในเดือนตุลาคม 2025 รายงาน e-Conomy SEA ของ Google–Temasek–Bain ประมาณการว่า digital economy ของ Southeast Asia จะมี gross merchandise value เกิน US$300 พันล้านภายในสิ้นปี เฉพาะอีคอมเมิร์ซอย่างเดียวกำลังมุ่งสู่ราว US$185 พันล้าน GMV และ US$41 พันล้าน revenue ส่วน video commerce ได้แก่ การขายผ่าน live-stream, content commerce ที่ขับเคลื่อนด้วยครีเอเตอร์ และการช้อปผ่านวิดีโอสั้น ได้โตจนคิดเป็นราว 25% ของ GMV อีคอมเมิร์ซในภูมิภาค ซึ่งเป็นสัดส่วนที่ยังไม่มีในปี 2020 และยังต่ำกว่า 10% เมื่อปี 2022 ภาพรวมระดับ macro ชัดเจนไม่กำกวม แต่เส้นทางฝั่งผู้ขายกลับวิ่งสวนทาง ที่อัตราการเติบโตของภูมิภาคเท่ากัน margin ต่อหน่วยที่ผู้ขายต่ำกว่า decile บนสุดได้รับถูกบีบลงอย่างมีนัยใน window เดียวกัน

การบีบตัวนี้ไม่ได้เกิดจากความผิดพลาดของผู้ขายรายตัวหรือวัฏจักรเฉพาะ category แต่เกิดจากการเปลี่ยนผ่านเชิงโครงสร้างในวิธีที่แพลตฟอร์มทำงาน ซึ่งมีเอกสารยืนยันในรายงานนักลงทุนปี 2025 ของ Sea Limited, ในเอกสาร segment SEA ของ Alibaba, ในเอกสารฝั่งผู้ขายของแพลตฟอร์มเอง และในรายงานของ Reuters ที่ติดตามจังหวะการลงทุน AI ฝั่งแพลตฟอร์มตลอดปี 2026 การเปลี่ยนผ่านนี้มีชื่อเมื่อพูดให้ตรง: marketplace ใน SEA เลิกเป็นตลาดลงประกาศขายแบบ passive และกลายเป็นคู่แข่งเชิงอัลกอริทึมที่ active การมองเห็น, ตำแหน่งโฆษณา, การ surface ใน recommendation, การโปรโมต live-commerce และการจับคู่ creator-affiliate ตอนนี้รันด้วยระบบ ML ที่แพลตฟอร์ม optimize ตลอดเวลาและผู้ขายมองไม่เห็น

บันทึกนี้ documents การเปลี่ยนผ่านดังกล่าว: อะไรเปลี่ยนไปอย่างเจาะจงใน platform stack ระหว่างปี 2022 ถึง 2026, การแปลความเปลี่ยนแปลงเหล่านั้นในเชิงปฏิบัติฝั่งผู้ขายหน้าตาเป็นอย่างไร, ทำไมผู้ขายที่ยังใช้นิสัยการดำเนินงานแบบปี 2022 ในปี 2026 จึงกำลังแข่งกับระบบ optimization มากกว่าจะแข่งกับผู้ขายรายอื่น และคำว่า รัน optimization layer ของคุณเองทับลงไป หมายความว่าอะไรในระดับ SKU ข้อโต้แย้งนี้อิงข้อมูลเชิงประจักษ์ในจุดที่ทำได้ (อ้างเอกสารของแพลตฟอร์มเองและรายงานสาธารณะ) และยอมรับตรง ๆ ในจุดที่ทำไม่ได้ (การกระจายตัวของ margin ต่อบัญชีที่เราอธิบายมาจากบัญชีที่เรา model โดยตรง ส่วน methodology ตอนท้ายอธิบาย sample และขอบเขตของมัน)

ผู้ขายไม่ได้แค่แข่งกับผู้ขายรายอื่นอีกต่อไป พวกเขากำลังแข่งกับระบบ optimization ของแพลตฟอร์มเอง และระบบเหล่านั้นเก่งขึ้นทุกไตรมาส

Thesis: ใน marketplace ที่แพลตฟอร์มเป็นคู่แข่งเชิงอัลกอริทึมที่ active และ optimize เพื่อ take-rate ของตัวเอง ผู้ขายที่รักษา margin ไว้ได้คือผู้ขายที่รัน optimization layer ราย SKU ทับลงบนของแพลตฟอร์ม ได้แก่ true ROAS ราย campaign ราย cell, contribution margin ราย SKU ราย channel, การจำลอง margin ก่อน launch เทียบกับกลไก campaign ที่มีเอกสาร และการ reconcile หลังจบ window เทียบกับ margin แทน GMV ผู้ขายที่ไม่รัน layer แบบนี้ คือ input ของ optimization ของแพลตฟอร์มโดยปริยาย ไม่ใช่ผู้ดำเนินงานบนแพลตฟอร์ม ทางแก้เป็นเรื่องเชิงกลไก อุปสรรคเป็นเรื่องการบริหารจัดการ และ moat ที่ตามมานั้นทนทานพอดีเพราะอุปสรรคนั้น outsource ได้ยาก

อะไรเปลี่ยนไป: เส้นทางจากปี 2022 สู่ 2026

ประสบการณ์ฝั่งผู้ขายในการดำเนินงานบน Shopee, Lazada หรือ TikTok Shop ในปี 2022 ต่างจากพื้นผิวการดำเนินงานเดียวกันในปี 2026 ในเชิงโครงสร้าง การเปลี่ยนแปลงไม่ได้เป็นแบบค่อยเป็นค่อยไป แต่เป็น step-function shift ที่ขับเคลื่อนด้วยการลงทุนฝั่งแพลตฟอร์มสามอย่างพร้อมกันที่ทบต้นกันตลอด 36 เดือนที่ผ่านมา ตารางด้านล่างจับภาพว่าความเปลี่ยนแปลงเหล่านั้นหน้าตาเป็นอย่างไรในตัวแปรที่ผู้ดำเนินงานควบคุมหรือเผชิญจริง

มีสองข้อสังเกตจากตารางที่ควรให้ความสนใจชัดเจน ข้อแรก ความเปลี่ยนแปลงกระจุกอยู่ฝั่งต้นทุน ได้แก่ ads, voucher tier, subsidy ค่าส่ง, การบีบ gross margin เมื่อ scale มากกว่าจะอยู่ฝั่ง revenue แพลตฟอร์มไม่ได้จำกัดความสามารถของผู้ขายในการโต GMV แต่เปลี่ยนว่าการโต GMV ต้องเสียอะไรในเชิง margin ข้อสอง ช่องว่างด้านความเร็ว (ระหว่างความถี่การตัดสินใจของแพลตฟอร์มกับของผู้ขาย) เป็นตัวแปรที่ถูกพูดถึงน้อยที่สุด ผู้ขายที่ตัดสินใจดำเนินงานรายสัปดาห์บนแพลตฟอร์มที่ระบบ recommendation จัดอันดับใหม่ทุก impression ในระดับมิลลิวินาที ในทางไซเบอร์เนติกส์ คือกำลังดำเนินงานด้วยความถี่การตัดสินใจที่ไม่แมตช์ และความไม่แมตช์นี้ทบต้นเป็นเสียเปรียบในทุก window แคมเปญ

แพลตฟอร์มสร้างอะไรขึ้นมาจริง ๆ — การลงทุนสามอย่างที่มีเอกสารยืนยัน

1. การลงทุน AI infrastructure ของ Sea Limited

รายงานผลประกอบการ 4Q25 ของ Sea Limited และรายงานของ Reuters ที่ตามมาเมื่อ 3 มีนาคม 2026 ระบุว่าค่าใช้จ่ายดำเนินงานของบริษัทเพิ่มขึ้นอย่างมีนัยระหว่างปี 2025 จากที่ Sea ลงทุนใน AI infrastructure ของ Shopee ได้แก่ search relevance, recommendation และ ad auction การลงทุนนี้ไม่ใช่ครั้งเดียวจบ เอกสาร 1Q26 ของ Sea ยืนยันการลงทุน AI capex ต่อเนื่องตลอดไตรมาส โดยบริษัทกรอบการลงทุนนี้อย่างชัดเจนว่าเป็นความจำเป็นเชิงการแข่งขัน ไม่ใช่ตัวเลือกใน roadmap การแปลความฝั่งผู้ขายคือ ทุก product impression บน Shopee ในปี 2026 เป็นผลลัพธ์ของระบบที่ถูกปรับ active เพื่อ relevance และความน่าจะเป็นในการซื้อ ไม่ใช่ ranking แบบ passive ตามความสดใหม่ของ listing

2. ความร่วมมือด้าน AI ระหว่าง Google กับ Sea

เมื่อ 19 กุมภาพันธ์ 2026 Reuters รายงานว่า Google และ Sea ประกาศความร่วมมือเพื่อพัฒนาเครื่องมือ AI สำหรับอีคอมเมิร์ซ รวมถึง prototype การช้อปแบบ agentic ที่ออกแบบมาให้จัดการการเลือกดูสินค้าและ checkout แทนผู้ซื้อ มิติ agentic เป็นส่วนที่มีนัยในเชิงปฏิบัติ AI shopping agent ที่เลือกดูและซื้อแทนผู้ซื้อจะไม่ปฏิสัมพันธ์กับ listing เหมือนผู้ซื้อที่เป็นมนุษย์ และนัยต่อ optimization ฝั่งผู้ขาย (agent จะ surface listing ตัวไหน รับราคาใด ทริกเกอร์กลไก voucher แบบไหน) มีรูปร่างต่างจาก optimization แบบผู้ซื้อมนุษย์ที่ครอบงำ platform stack มาจนถึงตอนนี้ ณ เวลาที่เขียน prototype นี้ยังอยู่ในระยะแรก นัยเชิงทิศทางต่อผู้ขายคือ ผู้ซื้อกำลังกลายเป็นอัลกอริทึมมากขึ้น และ listing กำลังกลายเป็น input ของการตัดสินใจหลายขั้นของ agent มากกว่าจะเป็นเป้าหมาย conversion ตรงของมนุษย์

3. การลงทุนคู่ขนานของ Alibaba และ ByteDance

กลุ่มบริษัทแม่ของ Lazada ลงทุนคู่ขนานใน ranking, recommendation และการ optimize Sponsored Solutions ซึ่งมีเอกสารยืนยันในคำอธิบาย segment SEA ของ Alibaba ตลอดปี 2025 และ 2026 ส่วนโมเดล ranking ของ TikTok Shop ตามคำแถลงสาธารณะของ ByteDance คือโมเดลเดียวกับที่จัดอันดับ feed For You โดยมีเศรษฐศาสตร์ marketplace (ราคา, การจับคู่ affiliate ที่ aware ต่อ COGS, ความน่าจะเป็นของการคืนสินค้า) วางทับลงไป นัยคือ คู่แข่งเชิงอัลกอริทึมในการค้าบน marketplace ของ SEA ไม่ใช่แพลตฟอร์มเดียว แต่เป็นสามแพลตฟอร์มที่รัน AI stack ที่ต่างกันแต่คล้ายกันเชิงโครงสร้าง แต่ละแพลตฟอร์ม optimize เพื่อ take-rate ของตัวเองบนพื้นผิวผู้ขายที่ส่วนใหญ่ใช้ร่วมกัน

การแปลความฝั่งผู้ขาย

สำหรับผู้ดำเนินงาน การลงทุน AI ฝั่งแพลตฟอร์มแปลออกมาเป็นประสบการณ์ฝั่งผู้ขายสามอย่างที่เป็นรูปธรรม ได้แก่ เส้นทางต้นทุน, ความเร็วในการตัดสินใจ และความทึบของสัญญาณ แต่ละอย่างควรแกะออกมาดูสั้น ๆ เพราะ response ในการดำเนินงานต่อแต่ละอย่างต่างกัน

เส้นทางต้นทุน

Impression share เท่าเดิมมีต้นทุนสูงขึ้นทุกไตรมาส กลไกคือ second-price ad auction แรงกดดันด้าน bid เพิ่มขึ้นเมื่อผู้ขายมากขึ้นไล่ตาม impression เดียวกัน และโมเดล relevance ของแพลตฟอร์มเก่งขึ้นในการดึง marginal willingness-to-pay ออกจาก ad inventory ผู้ขายมองไม่เห็นโมเดล relevance ผู้ขายเห็นแค่ cost-per-click ที่เพิ่มขึ้นในอัตราที่เกินเงินเฟ้อพื้นฐาน การ pace งบโฆษณาให้สอดคล้องกับเส้นทางนี้ต้องอาศัยการ model break-even ROAS ราย SKU ฝั่งผู้ขาย เพราะ ROAS target ก้อนเดียวทั้ง catalog จะผิดที่ใดที่หนึ่งทุกวันภายใต้ auction ที่ขยับตลอด

ความเร็วในการตัดสินใจ

แพลตฟอร์มทำ micro-decision หลายพันครั้งต่อ impression ส่วนผู้ขายในปี 2022 ตัดสินใจรายสัปดาห์ พอถึงปี 2026 ผู้ขายที่ตัดสินใจรายสัปดาห์จะ out-of-phase กับ dynamics ของ window แคมเปญของแพลตฟอร์มอย่างแน่นอน voucher tier ของแคมเปญพุ่งขึ้นภายในไม่กี่วัน, การพอง ad auction พีคในช่วง 48 ชั่วโมงแรกของแคมเปญใหญ่ และโมเดล recommendation ของแพลตฟอร์มปรับ exposure ของ SKU ภายในไม่กี่ชั่วโมงหลังเห็นข้อมูล conversion แรก การดำเนินงานด้วยจังหวะรายสัปดาห์ในสภาพแวดล้อมนี้เหมือนผู้เล่นหมากรุกที่เดินหนึ่งครั้งต่อการเดินสิบครั้งของคู่ต่อสู้ ตำแหน่งจะเสื่อมลงเชิงโครงสร้าง ไม่ใช่เพราะเดินผิด แต่เพราะจำนวนการเดินผิด

ความทึบของสัญญาณ

แดชบอร์ดฝั่งแพลตฟอร์มรายงาน metric ที่แพลตฟอร์ม optimize ได้แก่ ad-attributed revenue, click-through rate, GMV ราย campaign แต่ไม่รายงาน metric ที่ผู้ขายต้องการ (contribution margin หลัง attribution, true ROAS สุทธิจาก voucher และ subsidy ค่าส่ง, break-even ROAS ราย SKU) สัญญาณที่ผู้ขายอ่านได้ใน UI ของแพลตฟอร์มอยู่ downstream ของคำถามการดำเนินงานจริงของผู้ขายโดยการออกแบบ การสร้างคำตอบขึ้นใหม่จาก order-line data เป็นความรับผิดชอบฝั่งผู้ขายที่เปลี่ยนจาก มีประโยชน์สำหรับผู้ขาย top-decile ในปี 2022 มาเป็น มาตรฐานขั้นต่ำของการดำเนินงานที่ดี ในปี 2026

ตัวอย่างคำนวณสามกรณี — SKU mix เดียวกัน สามเส้นทาง

บล็อกสูตรสามชุดด้านล่าง trace บัญชี Shopee ไทยสมมติบัญชีเดียวกัน เริ่มต้นที่ GMV รายเดือน ~THB 500K, gross margin 35%, ad spend baseline ~8% ของ revenue ภายใต้ regime การดำเนินงานสามแบบ ตัวอย่าง 1 คือผู้ขายที่ใช้นิสัยการดำเนินงานแบบปี 2022 ในปี 2026 (ไม่มีเศรษฐศาสตร์ราย SKU, ไม่มี break-even ROAS targeting, ใช้ Target ROAS ค่าเริ่มต้นของแพลตฟอร์ม, เข้าร่วมแคมเปญเต็มที่) ตัวอย่าง 2 คือบัญชีเดียวกันที่ scale แบบเดียวกันแต่รัน optimization ราย SKU ทับลงไป (true ROAS ราย SKU, break-even targeting, เลือกเข้าร่วมแคมเปญเฉพาะที่คุ้ม, voucher tier แมตช์กับ margin ของ category) ตัวอย่าง 3 เป็น counter-factual ที่คง regime การดำเนินงานไว้คงที่แต่ขยับการพอง ad-auction จากปัจจุบัน 1.4× เป็น 2.0× ซึ่งเป็นเส้นทางที่การลงทุน AI ฝั่งแพลตฟอร์มทำให้น่าเชื่อภายในปี 2027

Baseline:    THB 500,000 GMV · 35% gross · 8% ads · 3% normal voucher
                     net contribution margin: ~21% of GMV  →  ~THB 105,000

Scaled up:   THB 800,000 GMV · 25% effective gross · 14% ads (auction-inflated)
                  · 9% campaign voucher · 4% free-ship subsidy
                     net contribution margin: ~3% of GMV  →  ~THB 24,000

Outcome:  GMV grew 60%; net contribution profit fell 77%.

Baseline:    THB 500,000 GMV · 35% gross · 8% ads · 3% normal voucher
                     net contribution margin: ~21% of GMV  →  ~THB 105,000

Scaled up:   THB 720,000 GMV · 33% effective gross (selective participation)
                  · 9% ads (true-ROAS-pruned) · 4% campaign voucher (margin-tier-matched)
                  · 2% free-ship subsidy (selective opt-in)
                     net contribution margin: ~17% of GMV  →  ~THB 122,000

Outcome:  GMV grew 44% (less than example 1); net contribution profit grew 16%.

Apply the example-1 operating regime under 2.0× ad-auction inflation:
   Ads as % of revenue (scaled):      ~20% (vs. 14% today)
   Auction-inflated CPC pressure:     +43% on the ad-cost line
                     net contribution margin: ~ −2% of GMV  →  ~THB −16,000

Apply the example-2 operating regime under 2.0× ad-auction inflation:
   Ads as % of revenue (scaled, true-ROAS-pruned):  ~12%
                     net contribution margin: ~14% of GMV  →  ~THB 100,000

สามข้อสังเกตจากตัวอย่างคำนวณ ข้อแรก ตัวอย่าง 1 เป็นรูปแบบที่พบบ่อยที่สุดในบัญชีที่เรา model ผู้ดำเนินงานทำตามคำแนะนำของแพลตฟอร์ม scale เมื่อแดชบอร์ดให้รางวัลกับการ scale และซึมซับการบีบ margin เป็นต้นทุนการทำธุรกิจ การบีบนี้ไม่รุนแรงในไตรมาสเดียว แต่ทบต้นตลอดทั้งปี ข้อสอง ตัวอย่าง 2 ให้การโต GMV น้อยกว่าแต่กำไรมากกว่า ซึ่งเป็น trade ที่ผู้ขายที่ aware ต่อ operating layer เลือกทำอย่างมีสติ พวกเขาปล่อย GMV บางส่วนทิ้งไว้บนโต๊ะ เพราะการคว้ามันมาเสีย margin มากกว่าที่มันสร้างกำไร และจัดสรร capacity นั้นไปยังการดำเนินงานที่ margin สูงกว่า ข้อสาม ตัวอย่าง 3 แสดงการเปิดรับความเสี่ยงแบบไม่สมมาตร ภายใต้การพอง ad-auction ปี 2027 ที่น่าเชื่อ regime แบบตัวอย่าง 1 กลายเป็นขาดทุนในส่วนเพิ่ม ขณะที่ regime แบบตัวอย่าง 2 ยังทำกำไรเพราะการ prune ด้วย true ROAS เป็น buffer ต่อการพอง ad-auction ในตัวมันเอง operating layer ไม่ใช่แค่เครื่องมือกู้ margin แต่เป็นการลดความเสี่ยงเชิงโครงสร้าง

Sensitivity — จุดที่ข้อสรุปเปลี่ยน

เหตุผลในการรัน optimization layer ราย SKU แข็งแรงที่สุดภายใต้การพอง ad-auction สูง, ปฏิทินแคมเปญหนาแน่น และการกระจายตัวข้ามแพลตฟอร์มที่มาก กล่าวคือ เงื่อนไขที่มีเอกสารยืนยันทั่ว SEA-6 ในปี 2026 เหตุผลอ่อนลงภายใต้ auction ที่เสถียร, ปฏิทินแคมเปญเบาบาง และการดำเนินงานบนแพลตฟอร์มเดียว ตารางด้านล่าง stress-test ตัวอย่างคำนวณข้าม operating-environment สามแบบเพื่อทำให้ขอบเขตชัดเจน

คำว่า รัน optimization ของคุณเอง หมายถึงอะไรในทางปฏิบัติ

วลี รัน optimization layer ของคุณเอง เป็นนามธรรมจนกว่าจะถูกระบุให้ชัด ในเชิงปฏิบัติ layer ที่รักษา margin ไว้ได้ในปี 2026 คือพฤติกรรมรูปธรรมจำนวนไม่กี่อย่าง ทำซ้ำที่จังหวะมากพอ แต่ละอย่าง implement ได้ด้วยสเปรดชีตที่มีวินัยถ้า catalog เล็กพอ แต่ละอย่างกลายเป็นทำไม่ไหวด้วยสเปรดชีตเมื่อเกินราว 50 SKU ข้ามหลายร้าน ซึ่งเป็นจุดที่เครื่องมือเฉพาะทางคุ้มค่ากับที่ลงทุนไป

• สร้าง contribution margin ราย SKU ราย cell ขึ้นใหม่จาก order-line data ไม่ใช่จากสรุป P&L ของแพลตฟอร์ม ซึ่งรวม discount ที่ platform-funded กับ seller-funded เข้าด้วยกันและซ่อน fee เฉพาะโปรแกรม
• คำนวณ break-even ROAS ราย SKU = 1 / contribution margin rate การตั้ง ROAS target ก้อนเดียวทั้งบัญชีจะผิดที่ใดที่หนึ่งใน catalog ทุกวันโดยปริยาย
• Audit ads ด้วยจังหวะ 14 วันโดยใช้ true ROAS ราย SKU ราย campaign หยุด keyword ที่ true ROAS ต่ำกว่า break-even ของ SKU นั้น กระจายงบที่ประหยัดได้ไปยัง keyword top-decile บน SKU ที่ margin อยู่ quartile บนสุด
• รันการจำลอง margin ก่อน launch ในทุก window แคมเปญที่ต้องเข้าร่วม (Pay Day, 9.9, 11.11, 12.12, Mega Sale, Brand Mega Offer) ที่ส่วนลด eligibility, voucher tier และการพอง ad-auction ที่คาดตามเอกสารของแคมเปญ ปฏิเสธแคมเปญที่ผลจำลองออกมาติดลบ
• Reconcile ผลแคมเปญ 14 วันหลังจบ window เทียบกับ contribution margin ที่ attribute แล้ว ไม่ใช่เทียบกับ GMV แดชบอร์ดของแพลตฟอร์มรายงาน GMV ส่วนการตัดสินใจดำเนินงานในไตรมาสหน้าวางอยู่บน margin
• Refresh COGS, returns reserve และตาราง fee ราย category รายไตรมาส เพราะนี่คือ input ที่ดริฟต์ และเลขในตัวอย่างคำนวณดีได้แค่เท่ากับความสดของ input

Operating layer ไม่ใช่เครื่องมือกู้ margin แต่เป็นการลดความเสี่ยงเชิงโครงสร้างต่อเส้นทาง ad-auction ที่ผู้ขายควบคุมไม่ได้

ข้อจำกัด และจุดที่ข้อโต้แย้งนี้ใช้ไม่ได้

ข้อโต้แย้งนี้มีขอบเขตชัดเจน

• ขอบล่างของขนาดบัญชี framework optimization layer สมมติว่ามี capacity ในการดำเนินงานเพื่อรักษาเศรษฐศาสตร์ระดับ order-line, รันการจำลอง margin ก่อน launch และ reconcile ราย window ต่ำกว่าราว THB 200K รายได้ต่อเดือน overhead ดำเนินงานคงที่จะครอบงำ และ heuristic แบบง่ายให้ผลดีกว่า เช่น เลือก SKU ที่ดีที่สุดสองสามตัวแล้วเฝ้าดู cash flow
• ขอบบนของขนาดบัญชี ผู้ขาย top-decile ดำเนินงานด้วย commission ที่เจรจาได้, ข้อตกลง voucher แบบ custom และความสัมพันธ์ตรงกับแพลตฟอร์ม framework ยังใช้ได้ ค่า input ขยับ และมักขยับในทางที่ได้เปรียบ (commission ต่ำกว่า, น้ำหนัก placement ต่อ voucher dollar สูงกว่า) ให้ recalibrate เทียบกับเงื่อนไขที่เจรจาได้แทนตาราง fee สาธารณะ
• ผู้ขาย cross-border ผู้ขาย cross-border แบบจีนสู่ SEA, ฮ่องกงสู่ SEA และเกาหลีสู่ SEA เผชิญ fee, ศุลกากร และ stack โปรแกรมแพลตฟอร์มที่ต่างกัน หลักการดำเนินงานยังใช้ได้ ขอบเขตเชิงตัวเลขขยับ
• กรอบเวลา เส้นทางจากปี 2022 ถึง 2026 มีเอกสารยืนยัน ส่วนประมาณการปี 2027 ในตัวอย่างคำนวณ 3 เป็นการ extrapolate เชิงทิศทางจากจังหวะการลงทุน AI ฝั่งแพลตฟอร์ม และไม่ใช่การพยากรณ์ ถ้า Sea, Alibaba หรือ ByteDance ชะลอ AI capex (หรือส่งต่อ efficiency gain ให้ผู้ขายผ่านการลด extraction จาก auction) การพอง ad-auction ปี 2027 อาจต่ำกว่าที่ประมาณการ ความมั่นใจในการพยากรณ์เกิน 24 เดือนต่ำ
• ขอบเขตของข้อมูลภายใน ข้อความ ในข้อมูลของเรา เป็นการรวมข้าม SEA-6 บัญชีไทยที่เรา model โดยตรง (อธิบายในส่วน methodology) ไม่ใช่ข้อกล่าวอ้างระดับประชากรเกี่ยวกับผู้ขาย marketplace SEA ทั้งหมด และไม่รวมส่วนล่างและบนของการกระจายตัวด้านขนาดตามที่ระบุข้างต้น และไม่อ้างว่าครอบคลุมระดับ enterprise แบบ cross-border หรือ LazMall
• Counterfactual ฝั่งแพลตฟอร์ม ข้อโต้แย้งนี้สมมติว่าแพลตฟอร์มยังดำเนินงานในฐานะคู่แข่งเชิงอัลกอริทึมที่ optimize take-rate ของตัวเอง การ disrupt เชิงกำกับดูแลหรือเชิงการแข่งขันที่จำกัด extraction ของแพลตฟอร์ม (เช่น การกำกับค่าธรรมเนียม marketplace ทั่ว SEA) จะเปลี่ยนเลขการดำเนินงานอย่างมีนัย ไม่มีรายงานสาธารณะที่เราอ้างใดบ่งชี้ว่าข้อจำกัดเช่นนั้นใกล้เกิดขึ้น ณ เวลาที่เขียน

Methodology

การอ้างอิงข้อมูลสาธารณะในบันทึกนี้มาจากรายงาน Bain e-Conomy SEA 2025 (ตุลาคม 2025), เอกสารนักลงทุน 4Q25 (ยื่นกุมภาพันธ์ 2026) และ 1Q26 (ยื่นพฤษภาคม 2026) ของ Sea Limited, คำอธิบาย segment SEA ของ Alibaba ตลอดรอบรายงานปี 2025 และ 2026, รายงานของ Reuters เมื่อ 19 กุมภาพันธ์ 2026 เรื่องความร่วมมือ AI ระหว่าง Google กับ Sea และเมื่อ 3 มีนาคม 2026 เรื่องค่าใช้จ่ายดำเนินงานที่เพิ่มขึ้นของ Sea ซึ่งผูกกับการลงทุน AI และเอกสารฝั่งผู้ขายของแพลตฟอร์มเอง ได้แก่ Shopee Help Center, Lazada Open Platform, TikTok Shop Seller University และพอร์ทัล Sponsored Solutions ของ Shopee Ads และ Lazada Sponsored

ข้อกล่าวอ้างจากข้อมูลภายใน ได้แก่ ช่วง cost-input ในตัวอย่างคำนวณ, การกระจายตัวของช่องว่าง margin ในข้อมูลของเรา, ตัวเลขเส้นทาง ad-share และความเร็วในการตัดสินใจในตารางตัวแปร เป็นการรวมข้ามบัญชีผู้ขาย marketplace SEA-6 ที่ DataGlass model โดยตรง sample ปัจจุบันมีราว 400 บัญชีที่ active ส่วนใหญ่เป็นผู้ขายไทย SEA-6 ตาม sample frame ของ DataGlass research methodology (มกราคม 2024 – เมษายน 2026 หน้าต่างสังเกตการณ์ 28 เดือน)

ส่วน methodology มีอยู่เพื่อจุดประสงค์เดียว: ทำให้ทุกข้อกล่าวอ้างเชิงตัวเลขในบันทึกนี้ตรวจสอบได้ในหลักการ ผู้อ่านที่ไม่เห็นด้วยกับข้อสรุปควรชี้ได้ว่า input ตัวไหนผิด (การอ้างอิงข้อมูลสาธารณะ, sample, ช่วง cost-input, attribution model) แทนที่จะชี้ที่ข้อสรุปเอง นี่คือความต่างระหว่างการวิเคราะห์ที่โต้แย้งได้กับการวิเคราะห์ที่โต้แย้งไม่ได้