DataGlass คือแพลตฟอร์มเพิ่มกำไรสำหรับอีคอมเมิร์ซ ที่รวมข้อมูลการเงิน โมเดลคาดการณ์ผลโฆษณา และเวิร์กโฟลว์ AI ไว้ด้วยกัน เพื่อช่วยให้ธุรกิจเข้าใจกำไรของตัวเองและเพิ่มกำไรได้จริง
แดชบอร์ดโฆษณาของ marketplace ส่วนใหญ่ดูแค่ยอดขายที่นับให้โฆษณาและ ROAS แต่ DataGlass ใช้ต้นทุนและกำไรจริงของสินค้า ร่วมกับโมเดลคาดการณ์การตอบสนองของแคมเปญ เพื่อปรับให้ได้ contribution profit ที่คาดว่าจะสูงที่สุด
DataGlass รองรับ Shopee, Lazada และ TikTok Shop ฟีเจอร์ที่ใช้ได้จะขึ้นอยู่กับแต่ละ marketplace และประเภทแคมเปญ
DataGlass รวมข้อมูลธุรกรรมเข้ากับต้นทุนสินค้า ค่าคอมมิชชั่น ค่าธรรมเนียมธุรกรรม ส่วนลด ค่าแพ็กและจัดส่ง และค่าโฆษณา เพื่อคำนวณ contribution profit ในระดับสินค้า ออเดอร์ และแคมเปญ
ได้ DataGlass ปรับงบ การกระจายงบระหว่างวัน และ Target ROAS ให้อัตโนมัติได้ในส่วนที่รองรับ โดยใช้โมเดลคาดการณ์และเงื่อนไขที่คุณตั้งเองได้ การควบคุมที่ใช้ได้ขึ้นอยู่กับ marketplace และประเภทแคมเปญ
ได้ DataGlass ทำงานภายในเงื่อนไขที่คุณกำหนดและการตั้งค่าการอนุมัติที่รองรับ คุณจึงยังเป็นคนตัดสินใจเรื่องโฆษณาเองเสมอ
เชื่อมต่อบัญชี marketplace ที่รองรับ ตั้งค่าต้นทุนสินค้า แล้วรอให้ DataGlass ซิงก์ข้อมูลที่ใช้วิเคราะห์ เวลาที่ใช้ตั้งค่าและประมวลผลข้อมูลครั้งแรกขึ้นอยู่กับร้านของคุณ
DataGlass รองรับการดูแลหลายร้านสำหรับบัญชีที่เข้าเงื่อนไข สิทธิ์การเข้าถึง รายงาน และเวิร์กโฟลว์ที่ใช้ได้ขึ้นอยู่กับแพลนและการเชื่อมต่อ marketplace ที่รองรับ
DataGlass Agent ช่วยสำรวจข้อมูลร้าน ตรวจสอบผลงาน หาโอกาส และเตรียม Actions ที่แนะนำ เวิร์กโฟลว์แบบ Agent บางส่วนอาจเปิดให้ใช้เฉพาะร้านที่เข้าร่วมโครงการนำร่อง
DataGlass มีแพลนให้เลือกตามความต้องการของแต่ละธุรกิจ ทั้งผู้ขายที่กำลังเติบโต แบรนด์ และเอเจนซี
ได้ ลูกค้าทุกรายอยู่ในพื้นที่ทำงานเดียว สลับไปมาหรือดูทุกร้านพร้อมกันได้
คุณกำหนดได้ว่าใครอนุมัติอะไร การปรับจะรออนุมัติก่อน เว้นแต่คุณอนุญาตให้ทำงานอัตโนมัติภายในขอบเขต
รองรับ Shopee, Lazada และ TikTok Shop บางฟีเจอร์ใช้ได้เฉพาะบางมาร์เก็ตเพลส ดูรายละเอียดได้ในเอกสาร
จากประวัติการใช้งบและยอดขายของแต่ละแคมเปญ และอัปเดตเมื่อมีข้อมูลใหม่
ได้ ทุกคำแนะนำรออนุมัติได้ การทำงานอัตโนมัติเปิดเองได้รายแคมเปญ ภายในขอบเขต
การควบคุมที่รองรับขึ้นอยู่กับมาร์เก็ตเพลสและประเภทแคมเปญ
ได้ สำหรับแคมเปญที่รองรับ โดยอิงจากความต้องการรายชั่วโมงที่พยากรณ์
ทุกการปรับแสดงกำไรที่คาดการณ์ และเครื่องมือจำลองลองปรับได้โดยไม่ใช้งานจริง
ไม่ต้อง DataGlass ให้คำตอบที่เข้าใจง่ายและแนะนำขั้นต่อไป ส่วนการคำนวณอยู่เบื้องหลัง
Shopee, Lazada และ TikTok Shop บางฟีเจอร์ใช้ได้เฉพาะบางมาร์เก็ตเพลส ดูรายละเอียดได้ในเอกสาร
อัปโหลดชีตหรือพิมพ์เอง ระหว่างนั้น DataGlass จะใช้ค่าประมาณแทนช่องที่ยังว่าง
อาจจะไม่ เอเจนซี่รันแคมเปญ DataGlass บอกคุณว่าแคมเปญทำกำไรหรือไม่ ร้านหลายแห่งเก็บเอเจนซี่ไว้สำหรับการ execute และใช้ DataGlass เป็น decision layer profit-aware เหนืองานของเอเจนซี่
ได้ — การเข้าถึงผู้ร่วมงานอยู่ใน roadmap จนกว่าจะถึงตอนนั้น export และรายงานสามารถแชร์ได้เพื่อให้เอเจนซี่เห็นภาพ True ROAS เดียวกับที่ผู้ขายเห็น
เอเจนซี่บางที่โมเดล COGS และเศรษฐศาสตร์เต็ม นั่นเยี่ยมมาก ความแตกต่างคือ DataGlass เป็น system of record สำหรับผู้ขาย การเปลี่ยนเอเจนซี่ ขยายไปแพลตฟอร์มใหม่ หรือรัน setup หลายเอเจนซี่ คงข้อมูลและ decision layer ไว้
ไม่ DataGlass สร้างมาเพื่อเสริม ERP ERP ยังคงเป็น system of record ทางการเงิน DataGlass กลายเป็น decision layer ของตลาดรายวัน
การ integrate ERP สองทางโดยตรงอยู่ใน roadmap วันนี้ workflow ขับเคลื่อนด้วย export: DataGlass แสดงคำแนะนำการตัดสินใจ ผู้ใช้อนุมัติและลงมือ และข้อมูลที่ reconcile แล้วสามารถส่งออกในรูปแบบที่ ERP-friendly
โมดูลตลาด ERP ส่วนใหญ่มุ่งที่การ ingest ออเดอร์และ sync สต็อก พวกเขาไม่แสดง True ROAS, ad waste หรือ contribution margin ต่อ SKU สิ่งเหล่านี้คือสิ่งที่ DataGlass เพิ่ม
ไม่ ลิสติ้ง โฆษณา การจัดการออเดอร์ และการส่งข้อความลูกค้ายังอยู่ใน Seller Center DataGlass คือชั้นการวิเคราะห์และการตัดสินใจที่อยู่เหนือทั้งสามแพลตฟอร์ม
Actions ที่เลือกได้ ใช่ การเปลี่ยนราคาและการปรับงบโฆษณาแสดงเป็นคำแนะนำคลิกเดียวที่เขียนกลับไป Shopee ผ่าน API ที่อนุญาตของแพลตฟอร์ม Actions อื่น ๆ อ่านอย่างเดียวสำหรับตอนนี้
DataGlass ไม่รันโฆษณา มันประเมินแคมเปญที่ Shopee รันอยู่แล้วเทียบกับ margin จริงของคุณและแสดงการเคลื่อนงบที่เพิ่มกำไร การเปลี่ยน bid ถูก deploy ผ่านระบบโฆษณา native ของ Shopee
ไม่ ทีมส่วนใหญ่ยังเก็บสเปรดชีตวางแผนสำหรับสิ่งที่ DataGlass ยังไม่ทำ ส่วนใหญ่ของงานรายงานและ Actions รายวันคือสิ่งที่ย้ายเข้าสู่ DataGlass
ได้ ทุกมุมมองรองรับ export CSV/XLSX เพื่อให้งานที่ยังควรอยู่ในสเปรดชีตอยู่ห่างคลิกเดียว
การเปรียบเทียบที่สะอาดที่สุดคือชั่วโมงต่อสัปดาห์ ผู้ขายที่รันสามร้านโดยทั่วไปใช้เวลา 4–8 ชั่วโมงต่อสัปดาห์ใน join และ reconcile ข้อมูลตลาด DataGlass ลดเหลือน้อยกว่า 1 ชั่วโมง ที่เหลือไปที่การตัดสินใจ ไม่ใช่การเตรียมข้อมูล
ไม่ใช่ DataGlass ไม่รับออเดอร์ ไม่มีขั้นตอนแพ็ก ไม่ตัดสต็อกข้ามช่องทาง และไม่มีระบบขายผ่านแชท ซึ่งทั้งหมดคือหน้าที่หลักที่นิยาม OMS ของไทยอย่าง Shipnity, Zort, Page365 หรือ BigSeller สิ่งที่ DataGlass ทำคืออ่านข้อมูลจากมาร์เก็ตเพลสแล้วตัดสินใจ — SKU ไหนขาดทุนจริงหลังหักค่าธรรมเนียม โค้ดส่วนลด และของคืน พรุ่งนี้ควรตั้งงบยิงแอด Shopee เท่าไร และควรขยับราคาตัวไหน ร้านส่วนใหญ่ที่ใช้ DataGlass ยังใช้ระบบหลังบ้านเดิมต่อ เพราะสองระบบเขียนคนละที่ ยกเว้นจุดเดียวที่ควรวางแผนไว้ คือทั้งสองตั้งราคาได้ ให้เลือกว่าระบบไหนเป็นเจ้าของฟิลด์นั้น
คือการเลือกค่าของสิ่งที่คุณควบคุมได้ — เป้าโฆษณา งบโฆษณา ราคา ส่วนผสมสินค้า และสต็อก — ให้กำไรหลังหักต้นทุนจริงทุกก้อนสูงสุด ภายใต้ข้อจำกัดที่บีบแต่ละตัวอยู่ ต่างจาก analytics ตรงที่ analytics รายงานสถานะ ส่วน optimization เลือกการกระทำ และต่างจากการทำตามคำแนะนำของแพลตฟอร์มตรงที่แพลตฟอร์ม optimize GMV ซึ่งเป็นฐานที่เก็บค่าคอมมิชชั่น ไม่ใช่กำไรของคุณ ในทางปฏิบัติส่วนที่ยากไม่ใช่การ optimize แต่คือการสร้างเป้าหมาย — ต้องประกอบกำไรต่อรายการสั่งซื้อขึ้นใหม่จากต้นทุนสินค้า ค่าคอมมิชชั่น ค่าธรรมเนียม voucher ส่วนแบ่งค่าส่งฟรี ค่าจัดส่ง และเงินกันสำรองสินค้าตีกลับ ก่อนจะให้คะแนนการตัดสินใจใด ๆ ได้
ใช้การตัดสินใจห้าข้อเดียวกัน โดยมีจุดตั้งต้นเฉพาะของ Shopee หนึ่งอย่าง คือกำไรต่อหน่วยรายสินค้าหลังหักค่าคอมมิชชั่นตามหมวด ค่าธรรมเนียมธุรกรรมและการชำระเงิน voucher ส่วนแบ่งค่าส่งฟรี และสินค้าตีกลับ ซึ่งให้ break-even ROAS เท่ากับ 1 หารด้วยอัตรากำไรนั้น แล้วให้ถือว่าจุดคุ้มทุนคือเส้นศูนย์ ไม่ใช่พื้นที่ปลอดภัย เพราะเป้าที่ตั้งตรงนั้นอนุญาตให้บิดได้เท่ากับกำไรทั้งก้อนของคลิก คู่มือ Shopee ฉบับเต็มพร้อมตัวอย่างคำนวณและเช็กลิสต์ คือ pillar เพิ่มกำไรบน Shopee ที่ลิงก์ไว้ในหน้านี้
เพราะคำแนะนำนั้นเหมาะกับเป้าหมายคนละตัว แพลตฟอร์มได้ค่าคอมมิชชั่นจาก GMV ระบบโฆษณา คำแนะนำแคมเปญ และค่าบิดที่แนะนำจึงถูกปรับให้ GMV สูงสุด — ซึ่งเป็นเหตุผลที่แคมเปญเรือธงของ Shopee ชื่อ GMV Max การทำให้ GMV สูงสุดกับการทำให้กำไรสูงสุดจะตรงกันก็ต่อเมื่อ margin เท่ากันหมดทุกสินค้า ซึ่งไม่เคยเป็นจริง คำแนะนำที่ดัน GMV ด้วยการเทปริมาณไปที่สินค้า margin ต่ำ หรือด้วยการลดเป้าโฆษณาต่ำกว่าจุดคุ้มทุน กำลังทำงานตามที่ถูกออกแบบมาพอดี ขณะที่ทำให้คุณจนลง
ได้ แต่ต้องทำให้สินค้าเดียวกันเป็นหนึ่งแถวก่อน ไม่ใช่สามแถว Shopee, Lazada และ TikTok Shop มีตารางค่าธรรมเนียม กลไก voucher ช่วง attribution และกฎส่วนแบ่งต้นทุนของตัวเอง สินค้าชิ้นเดียวกันจึงมีกำไรต่อหน่วยต่างกันได้มากในแต่ละที่ การ optimize แยกรายแพลตฟอร์มจึงให้พอร์ตที่ถูกในระดับย่อยแต่ผิดในภาพรวม เห็นชัดที่สุดในการจัดสรรงบ ซึ่งกฎที่ถูกคือทำให้ผลตอบแทนส่วนเพิ่มเท่ากันข้ามแพลตฟอร์ม ไม่ใช่ทำให้แต่ละที่ผ่านเป้าของตัวเอง
รายได้กับกำไรจะขยับไปด้วยกันก็ต่อเมื่อ margin เป็นบวกและคงที่พอสมควร ซึ่งเงื่อนไขทั้งสองข้อไม่รอดเมื่อเจอแคตตาล็อกจริง ในตัวอย่างที่คำนวณไว้ในบล็อกของเรา แคมเปญที่ตั้ง Target ROAS ต่ำกว่าจุดคุ้มทุนสองจุดทำ GMV ได้สูงที่สุดในบรรดาทุกค่าที่ทดสอบ — สูงกว่าจุดที่กำไรสูงสุดสี่เท่าครึ่ง — และขาดทุนวันละ 6,173 บาทไปพร้อมกัน ตัวเลขที่มองเห็นทุกตัวดีขึ้นระหว่างที่แคมเปญเดินลงเหว นั่นคือรูปร่างของปัญหานี้: รายได้มองเห็นได้ กำไรมองไม่เห็น การ optimize สิ่งที่มองเห็นจึงเป็นวิธีเสียเงินอย่างช้า ๆ ที่ได้ผลเสมอ
ทุกออเดอร์ DataGlass หัก COGS, ค่าธรรมเนียมตลาดของ Shopee, ค่าโฆษณา attributed, ค่าจัดส่ง และ voucher ที่ผู้ขายออก จากรายได้ ผลลัพธ์คือ breakdown กำไรต่อออเดอร์ที่รวมขึ้นเป็น contribution margin ต่อ SKU — กำไรต่อหน่วยที่เลี้ยงธุรกิจ สำหรับ Shopee, Lazada และ TikTok Shop
รวม ค่าธรรมเนียม Shopee ถูกโมเดลตามหมวดและโปรแกรม — ค่าคอมมิชชั่น, ค่า transaction, ค่าธรรมเนียมการชำระเงิน, free-shipping subsidy และ voucher ที่ผู้ขายออก breakdown กำไรแสดงทุกบรรทัดเพื่อให้ตรวจสอบได้ต่อ SKU สำหรับ Shopee, Lazada และ TikTok Shop
ได้ อัปโหลด COGS ที่มีผ่าน CSV/XLSX พร้อม column auto-mapping สำหรับ SKU ที่ไม่มี COGS DataGlass อนุมาน starting estimate และติดธงเพื่อให้คุณปรับ เครื่องคำนวณกำไรยังให้ข้อมูลเชิงลึกกำไรเชิงทิศทางได้ขณะที่คุณเติม COGS ให้ครบ
Gross margin หักแค่ COGS จากรายได้ Contribution margin หักค่าธรรมเนียมตลาด (commission, transaction, ค่าธรรมเนียมแพลตฟอร์ม), ค่าโฆษณาต่อ unit, ค่าจัดส่ง และ voucher ด้วย — สะท้อนเศรษฐศาสตร์ต่อ unit จริงของตลาด และเป็นตัวเลขที่ DataGlass profit breakdown แสดง
เพราะ margin ต่อออเดอร์คิดจากต้นทุนที่เกาะอยู่กับออเดอร์ — ค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมการทำธุรกรรม ต้นทุนสินค้า — ส่วนต้นทุนที่ตัดสินว่าเดือนนี้กำไรหรือไม่ เกาะอยู่กับเดือน โค้ดที่ร้านออกเองเป็นอัตราการใช้ที่กระจายทั่วออเดอร์ ออเดอร์คืนตัดตัวหารทิ้งหลังจากคำนวณ margin ไปแล้ว ค่าคอมมิชชั่น affiliate มาเป็นบรรทัดแยกในใบสรุปยอด ต้นทุนที่ขยับมองไม่เห็นจนกว่าจะมีคนกลับไปเปิดใบสั่งซื้อจากซัพพลายเออร์ และค่าแอดเป็นยอดรวมรายเดือนที่ไม่มีออเดอร์ไหนแบกไว้ ทุกก้อนเล็กเมื่อคิดต่อออเดอร์ และไม่มีก้อนไหนโผล่บนออเดอร์ที่เครื่องคิดเลขกำลังคำนวณอยู่
ไล่ต้นทุนฝั่ง supply ตามลำดับที่กู้คืนได้มากที่สุดก่อน หนึ่ง refresh COGS รายเดือนบน top-50 SKU ตาม GMV เพราะ COGS ที่ขยับคือรายการที่ใหญ่ที่สุดและถูก audit น้อยที่สุด กินไป 1.5–3.0 จุดของ margin ตลอดระยะห่างเฉลี่ย 87 วัน สอง ตั้งด่านตรวจก่อนเข้าทุกแคมเปญเพื่อปฏิเสธ Shop Voucher tier ที่สูงเกินกว่า margin ของ category จะรับไหว Shopee ระบุเองว่า Shop Voucher เป็น marketing cost ที่ร้านออกเอง การปล่อยให้ tier ค่าเริ่มต้นทำงานจึงเป็นการตัดสินใจเรื่องต้นทุนที่คุณเลือกด้วยการไม่เลือก สาม ทบทวนค่าธรรมเนียม Mall เทียบ non-Mall ราย category ส่วนแบ่งต้นทุน Free Shipping Program เงินสำรองของคืนเทียบอัตราคืนจริง และ RFQ ผู้ให้บริการจัดส่งรายไตรมาส จาก cohort Thai SEA-6 ของเรา การ audit ชุดนี้กู้ net contribution margin ได้ 4–8 percentage points ในไตรมาสแรกบนบัญชีที่ไม่ได้ทำมาหกเดือน โดยยังไม่แตะฝั่ง ads เลย
ทุกชิ้นที่ขายเพิ่มในช่วงขยายงบแบกค่าโฆษณาที่แพงขึ้น (งบที่ร้านเติมเข้าไปเองไปดัน auction) แบกเงิน voucher ที่ต้องสมทบหนักขึ้น (tier แคมเปญของ Shopee ไต่ตามขนาดแคมเปญ) และได้ราคาต่อชิ้นต่ำลงเล็กน้อย (ออเดอร์ไปกองอยู่ที่ระดับส่วนลด) ROAS ที่แพลตฟอร์มรายงานไม่เห็นการทบของสามอย่างนี้เลย แดชบอร์ดจึงขึ้นว่ายอดขายโต 60% ในขณะที่กำไรสุทธิค่อย ๆ หายไปเงียบ ๆ นี่เป็นผลจากโครงสร้างของสูตร ไม่ใช่ความผิดพลาดของใคร
ขึ้นกับ SKU LazMall ให้ conversion lift ที่วัดได้จริง — ทั่วไปราว 5–10% บน search placement ที่เห็นชัด — แต่มันมาพร้อม commission tier ที่สูงกว่า (ทั่วไปมากกว่า non-Mall ราว 4–6 percentage points), free-shipping subsidy ที่บังคับและลึกกว่า และแรงกดดันให้ร่วมในวันแคมเปญที่หนักกว่า สำหรับ SKU ที่ conversion lift เกินส่วนต่าง cost-per-order LazMall ก็เพิ่มกำไร ส่วน SKU ที่ไม่เกิน ป้ายนี้กลับกัด margin จริง ๆ การตัดสินใจเป็นราย SKU ไม่ใช่ราย account และควรกระทบยอดกับ contribution margin ที่ reconstruct จาก order-line data ไม่ใช่จาก P&L summary ของ Lazada
สร้าง contribution margin ต่อ SKU ขึ้นใหม่ที่ระดับ order-line ไม่ใช่จากยอดสรุป income ของ Seller Centre หักออกจาก revenue ของแต่ละ order: COGS, ค่าธรรมเนียมการขายที่รับรู้ตามโปรแกรม (ต่างกันตามหมวดหมู่ สถานะ Mall และสถานะร้านค้าขนาดเล็ก คือ non-Mall 7.49–17.12% และ Shopee Mall สูงสุด 19.26% รวม VAT แล้ว ตามชุดอัตราที่มีผล 4 สิงหาคม 2569) ค่าธรรมเนียมการทำธุรกรรม 3.21% ค่าธรรมเนียมโครงสร้างพื้นฐานแพลตฟอร์ม 1 บาทต่อคำสั่งซื้อ, ส่วนที่ผู้ขายออกเองของ Shop Voucher ที่ใช้, ส่วนของผู้ขายในส่วนสนับสนุน Free Shipping Program, ส่วนที่ผู้ขายออกเองของ Shopee Coins / Cashback, ค่าโฆษณาที่ถูก attribute, packaging และเงินสำรองค่าคืนสินค้าเฉพาะหมวดหมู่ แล้วหารด้วย revenue เพื่อได้อัตรา contribution margin มุมมอง income ในแดชบอร์ดของ Shopee มักแสดง margin สูงเกินจริง 4–7 percentage point บนบัญชีไทย SEA-6 ทั่วไป เพราะ attribute สามรายการกลาง (ส่วนที่ผู้ขายออกเองของ Shop Voucher, ส่วนของผู้ขายใน Free Shipping Program, ส่วนที่ผู้ขายออกเองของ Shopee Coins) ต่ำกว่าจริง
Reconstruct contribution margin ราย SKU ที่ระดับ order line ไม่ใช่จากสรุป income ของ Lazada Seller Centre หักออกจาก revenue ของแต่ละ order: COGS, program-aware commission (LazMall vs. standard store ต่างกันตาม category — standard 1–4%, Mall 3–10%), payment processing fee ~2%, ส่วน seller-funded ของ Voucher Wallet ที่ใช้, ส่วนผู้ขายของ Free Shipping Logo subsidy, attributed Sponsored ad cost (ใช้ attribution ที่เวลาปิด order ไม่ใช่เวลาคลิก), packaging และ returns reserve เฉพาะ category แล้วหารด้วย revenue เพื่อได้ contribution margin rate มุมมอง income ในหน้า Lazada มักแสดง margin สูงเกินจริง 4–7 percentage points บนบัญชี Thai SEA-6 ทั่วไป เพราะ attribute สองบรรทัดกลางต่ำเกินไป (ส่วน seller-funded ของ Voucher Wallet และส่วนผู้ขายของ Free Shipping Logo)
คำนวณ contribution margin ราย SKU: ราคาขายลบ COGS, marketplace commission และ transaction fee, ต้นทุน seller-funded voucher, ส่วนที่ผู้ขายจ่ายเองของ subsidy ใน Free Shipping Program, packaging และ payment fee แล้วหารด้วยราคาขายเพื่อได้ contribution margin rate จากนั้น derive break-even ROAS = 1 / contribution margin rate SKU จะทำกำไรบนแคมเปญปัจจุบันก็ต่อเมื่อ true ROAS (contribution profit หลัง attribution / ad spend) เกิน break-even ROAS — ไม่ใช่เมื่อ platform-reported ROAS เกิน target ก้อนเดียวของบัญชี คำตอบสองชุดไม่ตรงกันในราวครึ่งหนึ่งของ catalog ในบัญชี Shopee ทั่วไป ซึ่งคือเหตุผลที่ audit ผลิต ranking ที่ต่างจาก dashboard
คำนวณ true ROAS ที่ระดับ order line ไม่ใช่ค่าเฉลี่ยรวมของ campaign หัก platform commission, affiliate commission (ถ้า order ถูก attribute ไปยัง affiliate creator), ส่วนของ seller-funded voucher, shipping subsidy ของแพลตฟอร์ม, COGS และ returns reserve เฉพาะ category ออก แล้วหารด้วย ad spend แคมเปญเดียวกันที่อ่านว่า ROAS 6.0 ใน dashboard ของ TikTok Shop มักลงเอยที่ true ROAS 1.4-1.8 เมื่อใส่ stack เต็ม ตั้ง break-even ROAS ราย SKU (1 / contribution margin rate) แล้วหยุดทุก keyword ที่ true ROAS ต่ำกว่า break-even bar ของ SKU นั้น bar ต่างกันอย่างมีนัยตาม category เพราะ affiliate commission และ returns reserve ต่างกัน
ได้ ทุก voucher และ flash sale ถูก reconcile กับ contribution margin ต่อ SKU เพื่อให้เห็นว่ามันยกกำไร เพียงยก GMV หรือทำลาย margin
ได้ bundle-margin projector โมเดล contribution margin ของแต่ละ composition bundle ก่อนปล่อย รวม attach-SKU mix และผลกระทบค่าธรรมเนียมแพลตฟอร์ม
ยัง DataGlass แสดงโครงสร้างโปรโมชั่นที่แนะนำ คุณ publish ผ่าน flow native ของแพลตฟอร์ม Auto-publish อยู่ใน roadmap
Price elasticity modeling ประเมินสำหรับสินค้าแต่ละตัวใน catalog ของผู้ขายว่าดีมานด์ของจำนวนชิ้นเปลี่ยนไปแค่ไหนเมื่อราคาเปลี่ยน สำหรับผู้ขายบน Shopee, Lazada และ TikTok Shop โมเดล elasticity จะเปลี่ยน input สามอย่าง คือ ข้อมูลยอดขายในอดีต แคมเปญโปรโมชันของแพลตฟอร์ม และการทดสอบราคาแบบสุ่มอย่างตั้งใจเล็กน้อย ให้กลายเป็นเส้น demand curve ระดับ SKU พร้อม confidence interval โมเดลจะระบุว่าสินค้าตัวใดอ่อนไหวต่อราคา ตัวใดไม่อ่อนไหว และ Bundle Deal threshold, ค่า FlexiCombo หรือความลึกของ flash sale แบบใดที่ทำให้กำไรสูงสุดภายใต้ข้อจำกัด margin ของผู้ขายแต่ละราย
Price elasticity ในอีคอมเมิร์ซคือค่าตัวเลขที่วัดว่าดีมานด์ของจำนวนชิ้นสำหรับสินค้าหนึ่งเปลี่ยนไปแค่ไหนเมื่อราคาเปลี่ยน สินค้าที่มี elasticity สูงได้ยอดขายเพิ่มหลายชิ้นต่อทุกเปอร์เซ็นต์ของการลดราคา ส่วนสินค้าที่มี elasticity ต่ำได้เพิ่มน้อย ผู้ขายบน Marketplace ใช้ค่าประมาณ elasticity เพื่อกำหนดความลึกของส่วนลด ตั้งค่า Bundle Deal และส่ง voucher ให้ตรงเป้า
ยอดขายในอดีตสะท้อนทั้งการเปลี่ยนราคาและทุกอย่างที่เกิดขึ้นในเวลาเดียวกัน ทั้งฤดูกาล ค่าโฆษณา ความเคลื่อนไหวของคู่แข่ง แคมเปญทั้งแพลตฟอร์ม การทำ regression ของยอดขายกับราคาแบบง่าย ๆ มักให้คำตอบที่เอนเอียง เพราะราคาเป็น endogenous ผู้ขายขึ้นราคาตอนดีมานด์แรง ทำให้ความสัมพันธ์แบบตรง ๆ ระหว่างราคากับดีมานด์แบนเกินจริง elasticity modeling สมัยใหม่ใช้วิธีอย่าง double machine learning, hierarchical Bayesian regression และการทดลองสุ่มราคาอย่างตั้งใจ เพื่อแยกผลเชิง causal ของราคาออกจาก confounder
แดชบอร์ดของแพลตฟอร์มรายงานสิ่งที่เกิดขึ้นแล้ว เช่น จำนวนชิ้นที่ขาย ยอดขาย อัตราการปิดการขาย มันไม่ได้ประเมินว่าอะไรจะเกิดขึ้นภายใต้ราคาที่ต่างออกไป Elasticity modeling เป็นเชิง causal มันสร้างเส้น demand curve เชิง counterfactual ให้ผู้ขายเปรียบเทียบผลที่คาดว่าจะเกิดข้ามทางเลือกการตั้งราคาต่าง ๆ ได้ก่อนลงมือ
ได้ แต่ต่อเมื่อโมเดลใช้ partial pooling คือยืมความแข็งแรงจาก SKU ที่คล้ายกันในหมวดเดียวกัน สินค้าใหม่รับค่า elasticity เริ่มต้นจาก category prior แล้วอัปเดตเมื่อข้อมูลของตัวเองสะสมขึ้น โมเดลที่ไม่มี partial pooling มักล้มเหลวกับ SKU ใหม่และ SKU หางยาว
ทั้งสามได้ประโยชน์ แต่การนำไปใช้ที่ให้ leverage สูงสุดต่างกัน Bundle Deal ของ Shopee เป็น lever เดี่ยวที่สะอาดที่สุด เพราะเป็นกลไก price discrimination ที่นิยามเชิงโครงสร้างได้ชัด ส่วน voucher stack ของ Lazada ได้ประโยชน์มากที่สุดจากการแบ่งกลุ่มที่ขับเคลื่อนด้วย elasticity และ TikTok Shop ได้ประโยชน์มากที่สุดจากการตั้งราคาช่วง live-stream หน้าต่างสั้น ที่แรงกดดันด้านเวลาทำให้การตัดสินใจตามสัญชาตญาณเชื่อถือได้น้อยที่สุด
มันเป็นหนึ่งในรากฐานของ dynamic pricing แต่ไม่ใช่สิ่งเดียวกัน Elasticity modeling คือชั้นการวัด ส่วน dynamic pricing คือชั้นอัตโนมัติที่ใช้ค่าประมาณ elasticity ไปปรับราคาตามตารางเวลาหรือเมื่อเกิดเหตุการณ์ โมเดล elasticity ที่ใช้งานได้จริงเป็นสิ่งจำเป็นสำหรับระบบ dynamic pricing ที่ไม่ใช่ของเล่น แต่ผู้ขายสามารถคว้า contribution gain ส่วนใหญ่จาก elasticity modeling เพียงอย่างเดียวได้ ด้วยการตั้งส่วนลดที่ดีขึ้นด้วยมือโดยอิงข้อมูลจากโมเดล
สำหรับผู้ขายที่ย้ายจากการตั้งราคาตามความรู้สึกไปสู่การตั้งราคาที่คำนึงถึง elasticity ส่วนผสมของส่วนลดมักเรียบลงในเดือนที่ 1 การตั้งค่าแคมเปญดีขึ้นในเดือนที่ 2 และ margin ที่ดีขึ้นสะสมเริ่มมองเห็นได้ภายในเดือนที่ 3 โปรแกรม dynamic pricing ที่เผยแพร่แล้วชี้กรอบที่เป็นจริงระดับบริษัทไว้ที่กำไรโต 5-10% โดยมีโอกาสได้ผล pilot สูงกว่านั้นใน catalog ที่ทำโปรโมชันหนัก
สำหรับ catalog เล็ก ไม่จำเป็น แพลตฟอร์ม decision-intelligence ที่มีคนดูแลให้ส่งมอบการตั้งราคาที่คำนึงถึง elasticity แบบเป็นบริการได้ สำหรับ catalog ใหญ่ที่มี cross-elasticity ไดนามิกเฉพาะหมวด และการเชื่อมเข้ากับค่าโฆษณา (ที่โมเดลดีมานด์ตัวเดียวกันป้อนทั้งการตัดสินใจราคาและงบ) คำตอบจะกลายเป็น "จำเป็น หรือมีพาร์ตเนอร์ที่จัดหาให้"
เพราะ price elasticity ต่างกันไปตาม SKU ส่วนลด 10% อาจดึงยอดได้เพิ่ม 30% บนแฟชั่นเครื่องประดับ (elasticity สูง) และเพิ่มแค่ 3% บนตู้สำนักงานเฉพาะกลุ่ม (elasticity ต่ำ) การลด 15% เท่ากันทั้ง catalog ลดสินค้า inelastic มากเกินไป (ยอม margin ไปโดยไม่ได้ยอด) และลดสินค้า elastic น้อยเกินไป (ทิ้งยอดไว้บนโต๊ะ) โมเดล elasticity ที่ calibrate แล้วปรับความลึกตาม SKU เพื่อให้ทุกหน่วยของ margin ที่ยอมเสียไปได้ยอดกลับมาคุ้มกับมูลค่าจริง โปรแกรม dynamic pricing ที่เผยแพร่แล้วชี้ช่วงที่เป็นจริงไว้ที่กำไรโต 5-10% และยอดขายโต 2-5% จากการทำสิ่งนี้ให้ถูกต้อง
ขึ้นอยู่กับเศรษฐศาสตร์ราย SKU ไม่ใช่ที่ตัวแคมเปญทั้งหมด รันการจำลอง contribution margin ก่อนเริ่มแคมเปญสำหรับ SKU แต่ละตัวที่คุณจะ feature โดยใช้ส่วนลดเข้าเงื่อนไขสิทธิ์ของแคมเปญ (ทั่วไป 18% จากราคาตั้งที่ 11.11), tier ของ voucher ที่ผู้ขายออกเองที่คุณจะผูกมัด (ทั่วไป 10–15% ในช่วง 11.11 สำหรับ slot ที่มีสิทธิ์น้ำหนัก placement) และตัวคูณ ad-auction ที่คาดในช่วงแคมเปญ (ทั่วไป 2–3× CPC baseline) สำหรับ SKU ที่ contribution margin หลัง attribution ยังเป็นบวก ให้เข้าร่วมที่ voucher tier ที่เหมาะสม สำหรับ SKU ที่ margin พลิก ให้สลับเข้า slot attach ของ bundle เฉพาะเมื่อ margin รวมของ bundle ยังเป็นบวก การตัดสินใจระดับบัญชีแบบ "เข้าทุกอย่าง" ในช่วง 11.11 คือแหล่งเดียวที่ใหญ่ที่สุดของการบีบ margin ในช่วงแคมเปญในร้านที่เราสร้างโมเดล
คำนวณ break-even volume lift ของส่วนลด: ยอดขายที่ต้องโต ≈ price_cut% / (contribution_margin_rate − price_cut%) สำหรับ SKU ที่มี contribution margin 30% การลดราคา 10% ต้องการยอดขายโตราว 50% แค่จะรักษา contribution profit รวมไว้ ส่วนใหญ่ category เห็นยอดขายโต 15-30% จากการลดราคา 10% นั่นคือส่วนลดเป็นลบต่อ margin เชิงโครงสร้างบน SKU ทั่วไป ข้อยกเว้นคือ category ที่ elastic สูง (เครื่องใช้ไฟฟ้าผู้บริโภค, beauty แบบ commodity) ที่ elasticity ≤ −2.0 และส่วนลดบวกต่อกำไรได้ที่ระดับที่ถูกต้อง คำนวณ break-even bar ราย SKU ก่อน campaign จะเริ่ม ถ้าการตอบสนองของยอดขายในอดีตของ SKU ผ่านเส้นนั้นไม่ได้ ส่วนลดก็ทำลาย margin
แดชบอร์ดแพลตฟอร์มแสดง attributed revenue DataGlass แสดงกำไรหลังหักค่าธรรมเนียม COGS, voucher และค่าจัดส่ง — ตัวเลขจริงที่ตัดสินว่าแคมเปญคุ้มไหม
ใช่ สำหรับแคมเปญที่อยู่ในกลุ่มที่เปิดให้ระบบดูแล ทั้งบน Shopee และ TikTok Shop GMV Max ระบบจะตั้งงบของแต่ละแคมเปญทุกคืนตามกำไรที่คาดว่าจะได้ และปรับงบระหว่างวันผ่าน API ทางการของแต่ละแพลตฟอร์ม พร้อมแนะนำ ROAS จาก margin ให้กดใช้ในคลิกเดียว มีบันทึกทุกครั้งที่ปรับพร้อมเหตุผล และกดหยุด หรือเปลี่ยนร้านเป็นโหมดดูอย่างเดียวได้ตลอด
การปรับ bid ที่อิง profit จะตั้งเป้าแคมเปญที่ขาดทุน ไม่ใช่แคมเปญที่ขับ ranking organic DataGlass แสดง trade-off ชัดเจนเพื่อให้ตัดสินใจอย่างมีข้อมูล
ROAS Protection คือโปรแกรมของ Shopee Ads สำหรับแคมเปญ GMV Max แบบตั้ง ROAS เอง ถ้าแคมเปญทำ ROAS ได้ต่ำกว่า 80% ของเป้าในสัปดาห์นั้น (70% ถ้าเปิด Rapid Boost หรือ Campaign Surge) และผ่านเกณฑ์ขั้นต่ำ Shopee จะคืนเครดิตแอดแบบ 1:1 เท่ากับค่าแอดลบยอดขายจากแอด ÷ (เป้า × 0.8) ในสัปดาห์ถัดไป ใช้ได้ 180 วัน ผลคือ ROAS จริงของแคมเปญจะถูกยกขึ้นมาเท่ากับ 80% ของเป้าพอดี ซึ่งจะเป็นพื้นกันขาดทุนได้ก็ต่อเมื่อ 80% ของเป้าไม่ต่ำกว่า ROAS คุ้มทุน แปลว่าต้องตั้งเป้าอย่างน้อย 1.25 เท่าของจุดคุ้มทุน และถ้าแก้เป้าเองระหว่างรอบ จะหลุดสิทธิ์ในรอบนั้น
เริ่มจากกำไรต่อชิ้นของสินค้าแต่ละตัว ไม่ใช่จาก ROAS ที่ Shopee แนะนำ ROAS คุ้มทุนคือ 1 หารด้วย margin และ ROAS ที่ตั้งควรสูงกว่านั้นพอสมควร เพราะตรงจุดคุ้มทุนจะไม่ได้กำไรเลย และบางออเดอร์ที่ Shopee นับให้แอดก็เกิดขึ้นเองอยู่แล้ว จากนั้นเช็กว่าอะไรเป็นตัวคุม ถ้า ROAS ในหน้าแอดสูงกว่าที่ตั้งไว้ แปลว่างบเป็นตัวคุม ปรับ ROAS ไปก็ไม่มีผล ตั้งงบจากค่าแอดสูงสุดที่จ่ายได้ต่อออเดอร์ และสุดท้ายให้แยกเรื่องช่วงเวลาออกมาคิด ในข้อมูลร้านค้าไทยของเรา ค่าคลิกหลังเที่ยงคืนแพงกว่าช่วงค่ำเท่าตัว และไม่มี ROAS ค่าไหนแยกสองช่วงนี้ออกจากกันได้
เริ่มจาก margin ของสินค้าหลังหักค่าธรรมเนียมการขาย ค่าธรรมเนียมสนับสนุนการเติบโต ค่าธรรมเนียมคำสั่งซื้อ โค้ดส่วนลด และต้นทุนสินค้า ROI คุ้มทุนคือ 1 หารด้วย margin นี้ ประมาณ 5.3 สำหรับเสื้อผ้าผู้หญิงราคา 550 บาท จากนั้นคิดเรื่อง affiliate เพราะ GMV Max นับออเดอร์จาก affiliate รวมใน ROI และค่าคอมก็ต้องจ่ายจากกำไรก้อนเดียวกัน ถ้าค่าคอม 10% สินค้าตัวเดียวกันต้องได้ประมาณ 10 ถึงจะคุ้มทุน เฉลี่ยสองแบบตามสัดส่วนยอดจาก affiliate แล้วตั้ง ROI ให้สูงกว่าเส้นนั้น และจำไว้ว่า GMV Max นับยอดออร์แกนิกเป็นของตัวเองด้วย ROI ที่แสดงจึงสูงกว่าผลจริงของแอด ถ้าแคมเปญใช้งบหมดทุกวัน ให้ปรับที่งบ
Shopee GMV Max เป็นแคมเปญบิดอัตโนมัติ คุณตั้งงบรายวันกับ Target ROAS แล้วแพลตฟอร์มตั้งราคาต่อคลิกให้ เบื้องหลัง คำสั่งทั้งสองข้อถูกรวมเป็นตัวเลขตัวเดียวที่ทำหน้าที่เป็นเกณฑ์ของอัตรามูลค่าต่อต้นทุน แคมเปญบิดในแต่ละการประมูลตามสัดส่วนของมูลค่าที่แพลตฟอร์มคาดว่าจะได้ และชนะเมื่อมูลค่าที่ประมาณไว้หารด้วยราคาตลาดสูงกว่าเกณฑ์นั้น แปลว่าร้านค้าคุมได้แค่ว่าแคมเปญจะซื้อลึกลงไปแค่ไหนในลำดับมูลค่าของแพลตฟอร์ม ไม่ได้คุมว่าจะเลือกการประมูลไหน เกณฑ์นี้ยังเป็น ROAS ส่วนเพิ่มของแคมเปญด้วย คือผลตอบแทนของค่าแอดบาทถัดไป ซึ่งต่ำกว่า ROAS เฉลี่ยที่หน้าแอดแสดงเสมอ
เกือบทุกครั้งเป็นเพราะงบรายวันเป็นตัวคุม ไม่ใช่เพราะแคมเปญทำผลงานเกินเป้า ราคาบิดที่ใช้จริงคือค่าที่ต่ำกว่าของสองเพดาน คือราคาที่ Target ROAS อนุญาต กับราคาที่ทำให้ใช้งบหมด เมื่องบเป็นตัวที่ต่ำกว่า แคมเปญจะบิดต่ำกว่าราคาที่ได้รับอนุญาต และรายงานผลตอบแทนสูงกว่าเป้า อัตราส่วนนี้แม่นยำ เป้าที่กรอกหารด้วย ROAS ที่รายงาน เท่ากับสัดส่วนของราคาที่แคมเปญบิดอยู่จริง แคมเปญที่ตั้งเป้า 5.00 และรายงาน 6.32 บิดอยู่ 79% ของเพดาน ความผิดพลาดที่พบบ่อยคือมองส่วนที่เกินเป็นที่ว่างแล้วเพิ่มงบ ซึ่งปล่อยแคมเปญไปหาเพดานที่ให้กำไรเป็นศูนย์พอดีถ้าตั้งเป้าไว้ที่จุดคุ้มทุน
ปรับตัวที่เป็นตัวคุมอยู่ เพราะอีกตัวไม่มีผล ถ้าแคมเปญใช้งบรายวันหมด แปลว่างบเป็นตัวคุม และ Target ROAS ไม่ได้ทำอะไร ทุกเป้าที่ต่ำกว่าจุดตัดให้แคมเปญที่เหมือนกันทุกอย่าง ถ้าใช้งบไม่หมด แปลว่า ROAS เป็นตัวคุม เป้าคือปุ่มที่ทำงาน และงบไม่ได้ทำอะไร วิธีเช็กคือหารครั้งเดียว เป้าที่กรอก ÷ ROAS ที่รายงาน ถ้าใกล้ 1.0 เป้าเป็นตัวคุม ถ้าต่ำกว่า 1.0 มาก งบเป็นตัวคุม การปรับปุ่มที่ไม่มีผลจะไม่เกิดอะไรขึ้น แล้วร้านค้าก็มักเข้าใจผิดว่าปุ่มนั้นอ่อน ทั้งที่มันแค่ถูกปิดอยู่
ไม่ใช่ ROAS คุ้มทุน จุดคุ้มทุน หรือ 1 หารด้วย margin คือเป้าที่ทำให้กำไรทั้งหมดของคลิกไหลเข้าการประมูล กำไรจึงเป็นศูนย์พอดีไม่ว่าจะซื้อปริมาณเท่าไหร่ เป้าที่ทำกำไรสูงสุดคือจุดคุ้มทุนคูณด้วยส่วนบวกสามตัว คือการนับยอดเกินจริง เพราะยอดบางส่วนที่นับให้แอดจะเกิดขึ้นอยู่แล้ว หนึ่งบวกส่วนกลับของความยืดหยุ่นของอุปทานคลิก เพราะการชนะคลิกเพิ่มทำให้คลิกที่ชนะอยู่แล้วแพงขึ้น และหนึ่งหารด้วยหนึ่งลบอัตราการลดลงของมูลค่า เพราะคลิกเฉลี่ยมีค่ามากกว่าคลิกส่วนเพิ่ม ด้วยพารามิเตอร์ระดับกลาง ทั้งสามทบกันได้ประมาณ 3.3 เท่า ทำให้เป้าที่ถูกต้องของสินค้า margin 20% ขยับจาก 5.00 เป็นประมาณ 16.7 จุดเริ่มต้นในทางปฏิบัติคือตั้งเป้าสูงกว่าจุดคุ้มทุนพอสมควร แล้วค่อยลดลงเฉพาะเมื่อผลตอบแทนส่วนเพิ่ม ไม่ใช่ค่าเฉลี่ยที่รายงาน ยังสูงกว่ากำไรจริงของคุณ
เพราะ Target ROAS บังคับใช้กับค่าเฉลี่ยของแคมเปญ ขณะที่กำไรตัดสินกันที่ส่วนเพิ่ม และเพราะยอดที่นับให้แอดไม่ใช่ยอดที่แอดสร้างจริง แคมเปญที่รายงาน 5.00 จากเป้า 5.00 ทำตามที่คุณสั่งทุกอย่าง ถ้าเป้าตั้งไว้ที่จุดคุ้มทุน สิ่งที่คุณสั่งคือแคมเปญที่คืนค่าแอดตัวเองพอดีและไม่มีอะไรเหลือ ก่อนจะนับว่ายอดบางส่วนที่ถูกนับให้แอดจะมาอยู่แล้วแม้ไม่มีแอด ในตัวอย่างของบทความนี้ แคมเปญที่รายงาน 5.00 ได้ผลตอบแทน 2.10 จากคลิกส่วนเพิ่ม และขาดทุนจริงวันละ 827 บาท ขณะที่ทุกตัวชี้วัดใน Seller Centre ดูถูกต้อง
ไม่ใช่ มันคือเส้นศูนย์ และเส้นกำไรรอบ ๆ มันไม่สมมาตร เหนือจุดคุ้มทุน การตั้งเป้าผิดทำให้เสียกำไรจำนวนจำกัด อย่างมากก็เสียแค่ที่ควรได้ ใต้จุดคุ้มทุน ราคาบิดที่อนุญาตเป็นส่วนกลับของเป้า การลดเป้าจึงทำให้ราคาบิดและการขาดทุนสูงขึ้นไม่มีขีดจำกัด ในตัวอย่าง กำไรสูงสุดของแคมเปญนี้คือวันละ 800 บาท การตั้งเป้าต่ำกว่าจุดคุ้มทุนสองจุดขาดทุนวันละ 6,173 บาท เกือบแปดเท่า ขณะที่ทำ GMV สูงที่สุดในตาราง การมองจุดคุ้มทุนเป็นพื้นพาคุณไปอยู่ฝั่งชันของเส้น ขณะที่ทุกตัวชี้วัดที่มองเห็นบอกว่ามันได้ผล
หนึ่งหารด้วยอัตรา contribution margin ของสินค้า และ margin นั้นคิดทีละ SKU ไม่ใช่ทั้งร้าน บน SKU แฟชั่นที่เสียค่าธรรมเนียมการขาย 17.12% ค่าธรรมเนียมการทำธุรกรรม 3.21% กับค่าธรรมเนียมคงที่ต่อออเดอร์ โดยมีต้นทุนสินค้า 51% ของราคา มีโค้ดร้าน และมีค่าส่งที่ร้านสมทบ อัตรา contribution margin อยู่ราว 21.6% และ break-even ROAS คือ 4.64 ถ้าออเดอร์ที่ Shopee นับให้แอดเกิดจากแอดจริงแค่ 60% แดชบอร์ดต้องขึ้น 7.73 แคมเปญถึงจะเรียกว่าคุ้มทุน ส่วน SKU เดียวกันที่ต้นทุนสูงกว่านี้ต้องการถึง 11.31 จึงไม่มีคำตอบเดียวที่ใช้ได้ทั้งร้าน
ถ้าคิดเงินต่อคลิก ไม่มีผลโดยตรง ต้นทุนต่อคลิกของคุณคือราคาที่การประมูลได้ และ CTR ไม่ปรากฏในนั้น ครีเอทีฟที่ดีขึ้นซื้อคลิกจำนวนเท่าเดิมจากการแสดงผลที่น้อยลง ที่งบรายวันคงที่ ต้นทุนต่อคลิก ยอดขายที่นับให้แอด และกำไรของคุณจึงไม่เปลี่ยน สิ่งที่ครีเอทีฟที่ดีขึ้นซื้อได้ในระบบ CPC คือการส่งมอบ การประมูลจัดอันดับด้วยรายได้ที่คาดไว้ต่อการแสดงผล CTR ที่สูงกว่าจึงชนะการแสดงผลได้มากขึ้นที่ราคาบิดเท่าเดิม และทำให้ใช้เงินได้มากขึ้น แต่ถ้าคิดเงินต่อการแสดงผล ความสัมพันธ์เปลี่ยนไปโดยสิ้นเชิง ต้นทุนต่อคลิกจริงกลายเป็น CPM หารด้วย (1000 x CTR) CTR ที่เพิ่ม g จึงลดราคาของทุกคลิกลง g/(1+g) CTR ที่เพิ่ม 25 เปอร์เซ็นต์ทำให้คลิกถูกลง 20 เปอร์เซ็นต์ กำไรตอบสนองมากกว่าสัดส่วน เท่ากับกำไรก่อนหักค่าแอดหารด้วยกำไรหลังค่าแอด ซึ่งโตไม่มีขีดจำกัดเมื่อแคมเปญเข้าใกล้จุดคุ้มทุน
ROAS ย่อมาจาก Return on Ad Spend คือยอดขายที่ได้กลับมาต่อค่าโฆษณา 1 บาท สูตรคือ ROAS = ยอดขาย ÷ ค่าโฆษณา ถ้ายิงแอด 1 บาท ได้ยอดขายกลับมา 20 บาท ROAS ก็เท่ากับ 20 ตัวเลขนี้วัดเป็นยอดขาย ก่อนหัก COGS ค่าธรรมเนียม Platform ค่าชำระเงิน และ voucher ดังนั้น ROAS สูงบอกแค่ว่าแอดคุ้มต่อบาท ไม่ได้แปลว่ามีกำไรเสมอไป
ROAS = ยอดขาย ÷ ค่าโฆษณา เอายอดขายที่มาจากแคมเปญหารด้วยเงินที่ใช้ยิงแคมเปญนั้น ยอดขาย 5,000 บาท จากค่าโฆษณา 100 บาท คือ ROAS 50 ส่วน 200,000 บาท จาก 10,000 บาท คือ ROAS 20 ถ้าจะแปลง ROAS เป็นกำไรจริง ให้คูณด้วย margin หลังหักต้นทุนทั้งหมด สินค้า margin 15% ที่ ROAS 5 ได้ contribution กลับมาแค่ 0.75 บาท ต่อค่าโฆษณา 1 บาท ซึ่งคือการขาดทุนทุกบาทที่ยิง
ไม่มีตัวเลข ROAS ที่ "ดี" ตายตัว เพราะขึ้นอยู่กับ margin ของสินค้า สินค้าที่ margin สูงรับ ROAS ต่ำได้ ส่วนสินค้าที่ margin ต่ำต้องการ ROAS สูงกว่ามากเพื่อให้ยังเหลือกำไร สิ่งที่ควรดูจริง ๆ คือ ROAS หลังหักต้นทุนทั้งหมด — ต้นทุนสินค้า ค่า GP และค่าธรรมเนียม Platform ค่าธรรมเนียมชำระเงิน คูปอง ค่าส่งและค่าแพ็ก ของคืน และค่าโฆษณา — ไม่ใช่ ROAS ที่โชว์บนแดชบอร์ด คำถามที่สำคัญที่สุดคือ ROAS เท่านี้ ยังเหลือกำไรไหม
ไม่เสมอไป ROAS สูงแปลว่าได้ผลตอบแทนต่อค่าโฆษณา 1 บาทสูง ไม่ใช่ยอดขายรวมสูงที่สุด ร้านที่ยิงแอด 100 บาท ได้ยอดขาย 5,000 บาท มี ROAS 50 ส่วนร้านที่ยิงแอด 10,000 บาท ได้ยอดขาย 200,000 บาท มี ROAS แค่ 20 แต่ร้านหลังขายได้มากกว่าถึง 40 เท่า ROAS วัดความคุ้มต่อบาท ส่วนยอดขายรวมขึ้นอยู่กับว่ายิงได้มากแค่ไหนแบบที่ยังมีกำไร และสองอย่างนี้มักสวนทางกันเวลาขยายสเกล
ไม่จำเป็น ROAS ที่ Platform โชว์อิงจากยอดขาย ไม่ใช่กำไร มันไม่ได้หักต้นทุนสินค้า ค่า GP และค่าธรรมเนียม Platform ค่าชำระเงิน voucher ค่าส่งและค่าแพ็ก หรือของคืน พอหักต้นทุนเหล่านี้แล้ว ROAS ที่ดูดีอาจเหลือกำไรจริงน้อยมาก หรือถึงขั้นขาดทุน ตัวเลขที่ควรดูคือ ROAS หลังหักต้นทุน สินค้าที่ margin ต่ำต้องการ ROAS สูงกว่าสินค้าที่ margin สูงมากเพื่อให้แค่เท่าทุน
Target ROAS (เป้าผลตอบแทนจากค่าโฆษณา) คืออัตราส่วนยอดขายต่อค่าโฆษณาที่คุณตั้งเป็นเป้าให้แคมเปญอัตโนมัติอย่าง Shopee GMV Max — ตั้งไว้ที่ 5 คือบอกระบบให้ยิงต่อตราบใดที่ค่าโฆษณา 1 บาท ได้ยอดขายกลับมาอย่างน้อย 5 บาท มันวัดด้วยยอดขายรวมก่อนหัก COGS ค่าธรรมเนียม ค่าธรรมเนียมการชำระเงิน และ voucher ดังนั้น Target ROAS ที่ดูดีก็ยังขาดทุนได้ จะแปลงเป็นกำไรให้คูณด้วย margin (margin 15% ที่ ROAS 5 ได้กำไรกลับมาแค่ 0.75 บาท ต่อค่าโฆษณา 1 บาท) และอย่าตั้งต่ำกว่า break-even ROAS ซึ่งเท่ากับ 1 ÷ margin
เริ่มจาก margin ก่อนค่าแอด — ราคาขายลบต้นทุนสินค้า ค่าธรรมเนียมและค่าธรรมเนียมการชำระเงินของ Shopee voucher ที่ร้านออกเอง และค่าแพ็ก/ค่าส่ง/เผื่อคืนสินค้า Break-even Target ROAS ของคุณคือ 1 ÷ margin นั้น: margin 15% คุ้มทุนที่ 6.67 อะไรที่ต่ำกว่า 7 คือขาดทุน ถ้าอยากเหลือกำไรจริง ตั้ง Target ROAS = 1 ÷ (margin ก่อนแอด − กำไรที่อยากเหลือ) margin 15% อยากเหลือ 10% ต้องตั้ง 20 และไม่ควรใช้เลขเดียวกับทุกสินค้า สินค้า margin 40% ตั้ง 3-4 ก็ไหว แต่ margin 15% อาจต้อง 7-10 ขึ้นไป
เพราะ ROAS ที่ dashboard โชว์คือ "ยอดขายที่ ads ทำได้ หารด้วยค่าโฆษณา" เป็นอัตราส่วนยอดขาย gross ไม่ใช่กำไร มันคำนวณก่อนหัก commission, transaction fee, seller-funded voucher, ส่วนค่าส่ง และต้นทุนสินค้า แถมยังนับ order ที่ถูกส่งคืนหรือยกเลิกไปแล้ว แคมเปญที่รายงาน ROAS 5.0 มักเหลือ true terms แค่ราว 1.3 หลังหักต้นทุนและการคืนเหล่านั้นออก คือเกือบ break-even True ROAS หัก variable cost stack ทั้งก้อนและการคืนออกก่อน แล้วค่อยหารด้วยค่าโฆษณา จึงบอกได้ว่า ads ทำกำไรจริงไหม ควรเทียบแต่ละแคมเปญกับ break-even ROAS ของ SKU ตัวเอง ไม่ใช่ target ก้อนเดียวทั้งบัญชี เพราะ SKU COGS 50% กับ SKU COGS 25% มีจุด break-even ต่างกันมาก
ใช้สาม lever ตามลำดับ คือ visibility (ชนะ impression ในราคาถูกบน long-tail keyword ที่ auction ยังไม่ถูก bid ขึ้น), conversion (แก้ gate ที่แย่ที่สุดเพียงตัวเดียวราย SKU ทั้งภาพ, review block, price anchor หรือ checkout friction ไม่ใช่แก้ทั้งสี่พร้อมกัน) และ repeat (Shopee Chat outreach 7 วันหลังส่งมอบเฉพาะ SKU margin สูง, cross-sell graph สาม SKU ต่อสินค้าหลักหนึ่งตัว) ติดตาม win rate (sales per impression) ไม่ใช่ GMV rate เพื่อยืนยันว่ายอดที่เพิ่มได้มาจริง ไม่ได้ซื้อมา รัน cadence บน campaign calendar ของ Shopee เอง คือ ramp ก่อน event 21 วัน, ช่วง in-event 3 วัน, re-engagement 30 วัน, steady state 36 วัน แทนการอัด voucher แบบ constant-on ระหว่าง event
จัดสรรด้วยการทำให้ marginal ROAS เท่ากัน ไม่ใช่ตามสัดส่วนรายได้ในอดีต ค่าโฆษณาบาทถัดไปบนแต่ละแพลตฟอร์มควรสร้าง contribution profit เท่ากัน ถ้าไม่เท่ากัน ให้ย้ายงบจากแพลตฟอร์มที่มี marginal ROAS ต่ำสุดไปยังแพลตฟอร์มที่สูงสุดจนเท่ากัน คำนวณ marginal ROAS ที่ระดับ spend ปัจจุบันของแต่ละแพลตฟอร์ม มันคือผลตอบแทน contribution-profit จากเงินบาทถัดไป ไม่ใช่ ROAS เฉลี่ยที่ dashboard รายงาน บนบัญชีหลายแพลตฟอร์มในไทยทั่วไป การจัดสรรที่ทำให้เท่ากันต่างจากการจัดสรรตามสัดส่วนในอดีตอย่างมีนัย ในข้อมูลของเรา การนำ framework ไปใช้กู้ net contribution margin ได้ 4-7 percentage points ต่อไตรมาสโดยไม่เปลี่ยนงบรวม
เพราะตัวเลขที่คุณใช้เป็นเกณฑ์ตอนขยายงบ ไม่ได้บรรจุต้นทุนที่โตตามคุณไปด้วย Shopee รายงาน ROAS เป็น attributed gross revenue หารด้วย ad spend ก่อนหักค่าธรรมเนียม transaction fee voucher ที่ร้านออกเอง ส่วนแบ่งค่าส่ง และ COGS พองบสูงขึ้น การประมูลก็ถูกดันขึ้นด้วยเงินที่คุณเติมเข้าไปเอง voucher tier ของแคมเปญไต่ขึ้น และยอดขายส่วนใหญ่ไปตกที่ tier ที่ลดราคาแล้ว ออเดอร์ส่วนเพิ่มจึงแพงขึ้นและคืนกลับมาน้อยกว่าออเดอร์เฉลี่ยที่แดชบอร์ดรายงานอยู่ วิธีตรวจคือคำนวณ true ROAS ราย SKU (attributed revenue ลบ COGS ค่าธรรมเนียม voucher และค่าส่ง แล้วหารด้วย ad spend) แล้วเทียบกับ break-even bar ของ SKU นั้นที่ 1 ÷ (1 − สัดส่วนต้นทุนผันแปร) keyword ที่ต่ำกว่าเส้นนั้นคือที่ที่กำไรหายไป
เพราะ metric ROAS แบบ default ของแพลตฟอร์มไม่ได้นับต้นทุนผันแปรที่ใหญ่ที่สุด ทั้งค่าคอมมิชชัน ค่าธรรมเนียมธุรกรรม voucher ที่ผู้ขายออกเอง และส่วนของ subsidy Free Shipping Program ที่ผู้ขายออกเอง ซึ่งทบขึ้นเมื่อ scale แคมเปญที่ ROAS แบบแพลตฟอร์ม 6.0 อาจทำกำไรได้บน SKU margin สูง แต่ขาดทุนบน SKU margin ต่ำ ทว่าแดชบอร์ดจัดอันดับให้ทั้งสองเท่ากัน "แคมเปญที่ทำผลงานแย่" ที่ผู้ขายเห็นแล้วหยุดมักเป็นการขาดทุนที่ชัดเจนซึ่งอยู่ต่ำกว่าเป้า ROAS ระดับทั้งบัญชี ส่วนจุดรั่วไหลเชิงโครงสร้างอยู่ในกลุ่มที่แดชบอร์ดยกย่องเป็นผู้ชนะ แต่จริง ๆ อยู่ต่ำกว่าเส้น break-even ROAS เฉพาะของ SKU
ไม่ ROAS ที่ Shopee แสดงในแพลตฟอร์ม ตามเอกสาร Shopee Ads Help Center คือ ad-attributed revenue หารด้วย ad spend เป็น metric แบบ gross revenue ไม่ใช่ metric แบบกำไร numerator ไม่รวม COGS, marketplace commission, transaction fee, seller-funded voucher, Free Shipping Program subsidy, packaging และ returns provisioning ทั้ง cost stack ผันแปรที่ทับทวีเมื่อร้านโต True ROAS คือสูตรเดียวกันที่แทน contribution profit before ads (revenue ลบทุกอย่างข้างต้น) แทน gross revenue บนโปรไฟล์ COGS 55% ที่คำนวณไว้ในบทความนี้ แคมเปญที่อ่าน platform ROAS 8.0 ลงเอยที่ true ROAS 0.70 ภายใต้ชุดอัตราค่าธรรมเนียมของ Shopee ที่มีผล 4 สิงหาคม 2569 ซึ่งต่ำกว่า 1.0 แปลว่าโฆษณากำลังทำลาย contribution ไม่ใช่ซื้อมันมา สองตัวเลขต่างกันด้วย factor เชิงโครงสร้าง และ dashboard ของแพลตฟอร์มไม่แสดงความต่างนั้น
คำนวณ True ROAS ราย placement ไม่ใช่ราย campaign สำหรับ Sponsored Search: รวม ad-attributed revenue และ ad spend ราย keyword × SKU แล้วหัก LazMall (หรือ standard-store) commission, payment fee, ส่วน seller-funded ของ Voucher Wallet, ส่วนผู้ขายของ Free Shipping Logo, COGS และ returns reserve ราย category ออกจาก revenue จากนั้นหารด้วย ad spend สำหรับ Sponsored Discovery: คำนวณแบบเดียวกันที่ resolution audience × SKU เทียบผลลัพธ์กับ break-even ROAS ของ SKU ที่อยู่ข้างใต้ (1 / contribution margin rate) ไม่ใช่กับ target ก้อนเดียวทั้งบัญชี placement ที่ True ROAS ต่ำกว่า break-even คือค่าโฆษณาเสียเปล่าเชิงโครงสร้าง dashboard platform-ROAS แยกมันออกจาก winner ไม่ได้ จากข้อมูลภายใน audit นี้กู้ค่าโฆษณา Lazada รายเดือนได้ 20-30% ใน 30 วันแรกโดยไม่เสีย attributed revenue ที่มีนัยสำคัญ
ใช่ โมเดลวันสต๊อกหมดคำนึงถึงหน้าต่างแคมเปญที่กำหนด (11.11, 12.12, Pay Day, Lazada flash sale) และ TikTok Shop live event ที่ดึงดีมานด์ใน SKU เฉพาะ
ได้ canonical product catalog ผูกสินค้าเดียวกันข้ามร้าน Shopee และข้ามแพลตฟอร์ม สต๊อกเป็นเลขเดียว ไม่ใช่ต่อลิสติ้ง opt-in writeback ซิงก์ Shopee total_stock อัตโนมัติ
ยัง DataGlass แสดงคิว restock ที่จัดอันดับพร้อมจำนวนแนะนำและ lead time การสร้าง PO อยู่ใน roadmap
รองรับ — DataGlass ดึงข้อมูล Sponsored Discovery และ Sponsored Affiliates แล้วโมเดล True ROAS โดยรวม COGS ค่าธรรมเนียม และ voucher
ได้ DataGlass หักค่าธรรมเนียมแพลตฟอร์ม voucher COGS และค่าจัดส่ง เพื่อให้ได้ profit-after-ads ที่แดชบอร์ด Lazada ไม่แสดง
ได้ ทุก voucher และ flash sale ถูกเทียบกับ margin ต่อ SKU เพื่อดูผลกระทบจริง ไม่ใช่แค่ GMV
ไม่ต้อง integration ใช้ API และซิงก์อัตโนมัติหลังอนุญาต
ผู้ขายส่วนใหญ่เชื่อมต่อภายในไม่กี่นาที ข้อมูลย้อนหลัง backfill อัตโนมัติ
รองรับ — DataGlass ดึงข้อมูล Shopee Ads ระดับ campaign และ keyword แล้วโมเดล True ROAS โดยรวม COGS, ค่าธรรมเนียม และ voucher
ได้ ROAS ที่แพลตฟอร์มรายงานนับเฉพาะ attributed revenue DataGlass หักค่าธรรมเนียม ส่วนลดที่แพลตฟอร์มออก COGS และค่าจัดส่งเพื่อให้ได้ตัวเลข profit-after-ads ที่เป็นจริง
ได้ ทุก voucher, Bundle Deal และ add-on deal จะถูกโมเดลเทียบกับ margin เพื่อดูว่ามันยกกำไรขึ้น เพียงยก GMV หรือทำลาย margin
รองรับ — DataGlass ดึงข้อมูลโฆษณาวิดีโอ live และ Shop ads แล้วโมเดล True ROAS โดยรวม COGS ค่าธรรมเนียม และ voucher
ได้ DataGlass หักค่าธรรมเนียม TikTok Shop, COGS, voucher และค่าจัดส่ง เพื่อแสดง profit-after-ads — ตัวเลขที่ตัดสินว่าแคมเปญคุ้มจริงไหม
ได้ ทุกส่วนลดถูกเทียบกับ contribution margin ต่อ SKU เพื่อให้เห็นว่าส่วนลดไหนยกกำไร ไม่ใช่แค่ GMV
ไม่ต้อง การอนุญาตใช้ไม่กี่คลิก คำแนะนำเขียนเป็นภาษาที่อ่านง่าย พร้อมตัวเลขเบื้องหลังเมื่ออยากดู
ในข้อมูลของเราจากร้าน Shopee ไทยกว่า 80 ร้านที่ใช้แคมเปญสินค้าเดียว ช่วงกุมภาพันธ์ถึงสิงหาคม 2569 ค่าคลิกจริงอยู่ระหว่าง 3.36 บาทในช่วง 20:00–23:59 ถึง 6.75 บาทในช่วง 00:00–01:59 นอกช่วงเที่ยงคืน ทั้งวันอยู่ระหว่าง 3.36 ถึง 4.45 บาท ความต่างระหว่างช่วงเวลาคือ 2.01 เท่า มากกว่าความต่างของพฤติกรรมคนซื้อทุกตัวที่เราวัด ให้มองเป็นช่วงอ้างอิง ไม่ใช่เป้า เพราะเป็นค่าเฉลี่ยของกลุ่มที่เน้นร้านระดับกลาง ไม่รวมวันแคมเปญของแพลตฟอร์ม และ CPC ของร้านคุณขึ้นกับหมวดสินค้า คู่แข่ง และความอิ่มตัวของกลุ่มคนดู
ในข้อมูลชุดนี้ ช่วง 20:00–23:59 มีทั้ง CPC ต่ำที่สุด (3.36 บาท) และ CPM ต่ำที่สุด (89.16 บาท) และมีกำไรต่อค่าแอดสูงที่สุดที่ 3.63 ช่วงที่แพงที่สุดคือ 00:00–01:59 ที่ 6.75 บาทต่อคลิกและ 200.15 บาทต่อพันการแสดงผล ซึ่งเป็นช่วงที่คนกดชำระเงินมากที่สุด แต่นี่คือการจัดอันดับจากการสังเกตค่าแอดที่ใช้ไปแล้ว ไม่ใช่ผลที่วัดได้จากการย้ายเงิน สถานะที่ตรงไปตรงมาของประโยชน์จากการย้ายงบตามเวลาคือยังไม่ได้วัด และเราตั้งใจไม่เผยแพร่ตัวเลขนั้น
POAS คือกำไรก่อนค่าแอดหารด้วยค่าแอด จึงคุ้มทุนที่ 1.0 สำหรับทุกสินค้า ต่างจาก ROAS ที่เกณฑ์ผ่านขยับตาม margin ในข้อมูลร้าน Shopee ไทยกว่า 80 ร้าน หกช่วงเวลาอยู่ระหว่าง 2.25 ถึง 3.63 ตามการนับยอดของแพลตฟอร์ม ค่าเฉลี่ยถ่วงด้วยคลิกคือ 3.11 ให้มองเป็นจุดอ้างอิง ไม่ใช่เป้า เพราะเป็นค่าเฉลี่ยของเงินที่ใช้ไปแล้ว นับยอดขายที่แอดอาจไม่ได้สร้าง และการตัดสินใจใส่เงินอีกบาทขึ้นกับผลตอบแทนส่วนเพิ่ม ไม่ใช่ค่าเฉลี่ย ซึ่งต่ำกว่าเสมอ แคมเปญที่ POAS เฉลี่ย 3.11 ยังอาจขาดทุนในเงินบาทสุดท้ายได้
E-Commerce Optimization คือการใช้ข้อมูลและ mathematical optimization ซึ่งเป็นวิธีเดียวกับที่ Operations Research ใช้วางแผนการผลิตและจัดเส้นทางขนส่ง มาตัดสินใจ "ก้าวถัดไปที่ดีที่สุด" ของร้านค้าออนไลน์ โดยวัดที่กำไรจริงแทนยอดขาย บน Shopee, Lazada และ TikTok Shop มันตอบคำถามที่ sales dashboard ตอบไม่ได้ เช่น ควรเพิ่มหรือลดงบโฆษณาที่ไหนด้วย true ROAS ราย SKU โปรโมชันไหนกำลังกิน contribution margin สินค้าตัวไหนควรดัน และควรตั้งราคาใหม่ตรงไหน ความต่างที่สำคัญคือกำไรกับยอดขาย แคมเปญหนึ่งทำให้ GMV โตได้พร้อมกับทำให้กำไรหด เมื่อหัก marketplace fee, voucher, ค่าส่ง และค่าโฆษณาออก optimization ทำให้คณิตศาสตร์ที่ซ่อนอยู่นี้กลายเป็นฐานของการตัดสินใจ แทนที่จะเป็นเซอร์ไพรส์ตอนปิดไตรมาส
ข้อมูลอัจฉริยะในการตัดสินใจในอีคอมเมิร์ซคือวินัยในการเปลี่ยนตลาดและข้อมูลการดำเนินงานให้เป็นลำดับขั้นตอนถัดไปที่ตรวจสอบได้ ในด้านการกำหนดราคา การคาดการณ์ความต้องการ สินค้าคงคลัง การส่งเสริมการขาย และการปรับเปลี่ยนในแบบของคุณ — และรวมการตัดสินใจเหล่านั้นไว้ในเวิร์กโฟลว์เดียว แทนที่จะแจกแจงเป็นแผนภูมิ ในทางคณิตศาสตร์ มันอยู่ที่จุดตัดของการเรียนรู้ทางสถิติ การอนุมานเชิงสาเหตุ การเพิ่มประสิทธิภาพภายใต้ความไม่แน่นอน และการเรียนรู้แบบเสริมกำลัง ในทางปฏิบัติแล้วจะอยู่เบื้องหลังร้านค้าฟีเจอร์ ระบบการทดลอง และ UI แบบมนุษย์ในวง ปัญหาคอขวดสำหรับผู้ขายส่วนใหญ่ในปี 2026 ไม่ได้เลือกระหว่างอัลกอริธึมอีกต่อไป อัลกอริธึมเหล่านั้นได้รับการบันทึกไว้ในตำราเรียนและจัดส่งในซอฟต์แวร์โอเพ่นซอร์ส เป็นเลเยอร์การบูรณาการที่จะเปลี่ยนอัลกอริธึมเหล่านั้นให้เป็นการตัดสินใจที่ผู้ขายสินค้าจะอนุมัติจริงๆ
การกำหนดราคาแบบไดนามิกสำหรับการผลิตจะรวมสามส่วนเข้าด้วยกัน ประการแรก โมเดลความต้องการที่คำนึงถึงความยืดหยุ่น ซึ่งโดยทั่วไปจะเป็นแบบจำลองเบย์เซียนแบบลำดับชั้นหรือแบบจำลองตัวเลือกเชิงโครงสร้าง ที่ให้ผลตอบแทนต่อ SKU ความต้องการที่คาดหวังในราคาที่ผู้สมัครเลือก ประการที่สอง ชั้นการเพิ่มประสิทธิภาพที่เลือกราคาที่จะเพิ่มผลงานที่คาดหวังให้สูงสุดหลังการส่งคืน ค่าโฆษณา และค่าธรรมเนียมแพลตฟอร์ม โดยขึ้นอยู่กับอัตรากำไรขั้นต้น ขอบเขตที่คำนึงถึงคู่แข่ง และราวกั้นหมวดหมู่ ประการที่สาม ระบบการทดลอง (A/B หรือการประเมินนอกนโยบาย) ที่ปิดวงจรการเรียนรู้ เพื่อไม่ให้ค่าประมาณความยืดหยุ่นลอยไป ตัวปรับราคาที่ไม่มีโมเดลความยืดหยุ่นจะทำงานเหมือนกลไกกฎและมีแนวโน้มที่จะไล่ตามพื้น วรรณกรรมมีความชัดเจนว่าการกำหนดราคาที่คำนึงถึงความยืดหยุ่นช่วยฟื้นฟูการมีส่วนร่วมได้มากขึ้นในขนาด
คำตอบที่ตรงไปตรงมา: การรวมกัน ไม่ใช่ผู้ชนะเพียงคนเดียว การกระทบยอดตามลำดับชั้นจะใช้เพื่อให้การคาดการณ์ของร้านค้า/ภูมิภาค/SKU สอดคล้องกัน วิธีความต้องการไม่ต่อเนื่อง (Croston, ADIDA, TSB) จัดการกับส่วนท้ายยาวของ SKU ที่เคลื่อนไหวช้า วิธีการเชิงลึก — DeepAR, N-BEATS, Temporal Fusion Transformers — ได้รับอย่างต่อเนื่องจากซีรีส์ที่มีความหนาแน่นสม่ำเสมอและการเรียนรู้แบบภาคตัดขวางใน SKU ที่คล้ายกันจำนวนมาก การคาดการณ์เชิงปริมาณ ไม่ใช่การคาดการณ์แบบจุด ป้อนสินค้าคงคลังขั้นปลายและการตัดสินใจส่งเสริมการขาย เนื่องจากความเสี่ยงส่วนท้ายคือสิ่งที่ต้องเสียเงิน การนำเข้าคุณลักษณะแบบซ้อนและภายนอก (ราคา โปรโมชั่น วันหยุด สภาพอากาศ) ถือเป็นมาตรฐาน ตัวสร้างความแตกต่างนั้นแทบจะไม่ใช่คลาสโมเดล — มันคือสุขอนามัยของข้อมูลและการเพิ่มประสิทธิภาพการรับรู้ควอนไทล์ที่อยู่ด้านบน
โมเดลผู้จำหน่ายข่าวเป็นจุดเริ่มต้นที่ถูกต้อง: SKU เดียว ช่วงเวลาเดียว การกระจายความต้องการที่ทราบ การแตกหักที่สำคัญอย่างชัดเจนซึ่งแลกเปลี่ยนต้นทุนที่ยังไม่บรรลุนิติภาวะ (ยอดขายที่สูญเสีย อัตรากำไรที่สูญเสียไป อันดับที่สูญเสียไป) เทียบกับต้นทุนส่วนเกิน (ต้นทุนการพกพา การลดราคาที่ลดลง การจัดเก็บ) นอกจากนี้ยังเป็นที่ที่ระบบการผลิตส่วนใหญ่ยังคงมีอยู่ โดยเสริมด้วยการคาดการณ์อุปสงค์เชิงปริมาณและระยะเวลารอคอยสินค้าแบบสุ่ม โมเดลหลายระดับมีความสำคัญเมื่อมีการจัดเก็บสินค้าคงคลังไว้ในสถานที่มากกว่าหนึ่งแห่งและมีลำดับขั้นตอนการจัดส่ง ซึ่งเป็นเรื่องปกติของผู้ขายในตลาดกลางที่ดำเนินการตามตลาดแต่ละแห่งบวกกับคลังสินค้าของตนเอง ในกรณีดังกล่าว นโยบายหุ้นฐานของ Clark–Scarf หรือรูปแบบการเพิ่มประสิทธิภาพที่แข็งแกร่งภายใต้ความไม่ชัดเจนของความต้องการ ให้แทนที่ตรรกะของผู้จำหน่ายข่าวระดับเดียว ทั้งสองมีราคาถูกในการใช้งาน กำไรที่ได้มาจากเป้าหมายระดับการบริการที่ซื่อสัตย์ ไม่ใช่โครงสร้างนโยบายที่แปลกใหม่
ผู้ขายในตลาดกลางทำการตัดสินใจมากกว่าที่พวกเขาสามารถทดสอบ A/B ได้ ทุกแคมเปญ ทุกบัตรกำนัล ทุกระดับหมวดหมู่ การเคลื่อนไหวราคา ในโลก A/B ล้วนๆ จำเป็นต้องมีการเปิดเผยแบบสุ่มของตัวเอง และแพลตฟอร์มต่างๆ ก็ไม่อนุญาตตามความต้องการของผู้ขายที่มีรายละเอียดมากขึ้นเรื่อยๆ โมเดลการยกระดับ (ฟอเรสต์เชิงสาเหตุ, X-learner, R-learner) ประเมินผลกระทบต่อหน่วยของการแทรกแซงจากข้อมูลเชิงสังเกตหรือข้อมูลแบบสุ่มบางส่วน ดังนั้นโปรโมชั่นจึงสามารถกำหนดเป้าหมายไปที่ลูกค้าและ SKU ที่การยกระดับสูงสุดแทนที่จะเป็นค่าเฉลี่ยโดยรวม การประเมินนอกนโยบาย (การประมาณค่าที่แข็งแกร่งสองเท่า, IPS, การสุ่มตัวอย่างความสำคัญแบบถ่วงน้ำหนัก) ช่วยให้ผู้ขายให้คะแนนนโยบายใหม่เทียบกับข้อมูลในอดีตก่อนที่จะปรับใช้ พวกเขาร่วมกันขยายขอบเขตของการทดลองไปสู่การตัดสินใจระยะยาว ซึ่งการทดสอบ A/B เพียงอย่างเดียวไม่สามารถครอบคลุม ได้
การใช้งานจริงจำเป็นต้องมีองค์ประกอบหกประการในการผลิต: ตัวเชื่อมต่อข้อมูลที่นำเข้ารายการสั่งซื้อ การใช้จ่ายด้านโฆษณา สินค้าคงคลัง ค่าธรรมเนียม และการส่งคืนข้อมูลพร้อมคีย์การเข้าร่วมที่เชื่อถือได้ ร้านค้าคุณลักษณะที่ให้บริการคุณลักษณะเดียวกันในการฝึกอบรมและการอนุมานที่ SKU และเมล็ดพืชของลูกค้า ชั้นแบบจำลองที่สร้างการคาดการณ์ที่ปรับเทียบแล้ว ความยืดหยุ่น การยกระดับ และคะแนนส่วนบุคคล ชั้นการปรับให้เหมาะสมที่รวมสัญญาณเหล่านั้นเข้าไว้ในการตัดสินใจจัดอันดับภายใต้ข้อจำกัดในการดำเนินงาน ระบบการทดลองที่ครอบคลุม A/B, โจรติดอาวุธ และการประเมินนอกนโยบาย และ UI แบบมนุษย์ในวงที่แสดงคณิตศาสตร์เบื้องหลังทุกคำแนะนำ เพื่อให้ผู้ขายสินค้าสามารถอนุมัติ แทนที่ หรือยกระดับได้ คูเมืองในปี 2569 ไม่ใช่ว่ามีการใช้อัลกอริธึมอะไร แต่เป็นสินค้าโภคภัณฑ์ ส่วนประกอบทั้ง 6 ชิ้นถูกรวมไว้ในเวิร์กโฟลว์เดียวที่ผู้ค้าใช้ทุกสัปดาห์หรือไม่
สร้างลูปตัดสินใจสาม stage ไม่ใช่ tactic checklist Stage หนึ่ง: reconstruct contribution margin ต่อ order commission, transaction fee, voucher ที่ผู้ขายจ่ายเอง, Free Shipping Program subsidy, COGS, returns reserve ทั้งหมดต่อ order ไม่ใช่ค่าเฉลี่ยราย category Stage สอง: ใช้ rule ราย SKU break-even ROAS = 1 / contribution margin rate แทน target ROAS ก้อนเดียวทั้งบัญชี หยุด campaign ที่ true ROAS ต่ำกว่า break-even bar ของ SKU นั้นไม่ว่าสัญญาณแดชบอร์ดจะเป็นอย่างไร Stage สาม: รัน audit บน cadence (rolling 14 วัน) แทนการตอบสนองต่อสัปดาห์ big campaign leverage อยู่ที่ความแน่นของลูป ไม่ใช่จำนวน tactic tactic ที่ยืมมาจากบัญชีอื่นให้ผลแย่กว่าการตัดสินใจที่ทำจากบัญชีของคุณเอง
ค่าธรรมเนียม Shopee มีหกชั้น ไม่ใช่สองชั้น ชั้น 1 คือค่าธรรมเนียมการขาย 7.49% ถึง 17.12% สำหรับ non-Mall และสูงสุด 19.26% สำหรับ Shopee Mall รวม VAT แล้ว ตามชุดอัตราที่มีผล 4 สิงหาคม 2569 (4 ส.ค. 2026) ชั้น 2 คือค่าธรรมเนียมการทำธุรกรรม 3.21% รวม VAT สำหรับช่องทางการชำระเงินทั่วไป มีผลตั้งแต่ 7 เมษายน 2569 สองชั้นนี้คือตัวเลขที่ประกาศไว้ และรวมกันแล้วก็กินไปราว 20 บาทจากทุก 100 บาทแล้ว ชั้น 3 คือส่วนที่ผู้ขายจ่ายเองของ Shop Voucher ซึ่งเพิ่มเป็น 10–15% ใน tier ของแคมเปญใหญ่ ชั้น 4 คือส่วนที่ผู้ขายจ่ายเองของ Free Shipping Program subsidy ซึ่งกึ่งบังคับเพราะการไม่เข้าร่วมทำให้เสียน้ำหนัก ranking ชั้น 5 คือ Mall premium ซึ่งอยู่ระหว่าง 0 ถึง 3.21% ของค่าธรรมเนียมการขายแล้วแต่กลุ่มหมวดหมู่ บวกภาระระดับโปรแกรมที่เข้มงวดกว่า ชั้น 6 คือส่วนต่างตามวิธีจ่ายเงิน (สูงสุด 7.49% สำหรับการผ่อน 10 เดือน) และค่าธรรมเนียมโครงสร้างพื้นฐานแพลตฟอร์มแบบคงที่ 1 บาท ใน order เสื้อผ้า Mall ที่มี voucher 10% และเข้าร่วม FSP take-rate รวมทั้งหมดคำนวณได้ราว 31% เทียบกับ 19.26% ที่อัตราหน้าตารางบอก
จริง ชุดอัตราค่าธรรมเนียมการขายของ Shopee ประเทศไทยที่มีผล 4 สิงหาคม 2569 (4 ส.ค. 2026) ปรับขึ้น 1,382 จาก 1,437 หมวดหมู่ย่อยไป 2% ก่อน VAT หรือ 2.14% เมื่อรวม VAT อีก 20 หมวดปรับขึ้น 1% และ 35 หมวดไม่เปลี่ยน ตอนนี้อัตราแบบ non-Mall อยู่ที่ 7.49% ถึง 17.12% และ Shopee Mall สูงสุด 19.26% รวม VAT แล้วตามที่ประกาศ โทรศัพท์มือถือ แท็บเล็ต โน้ตบุ๊ก และคอมพิวเตอร์ตั้งโต๊ะเป็นกลุ่มที่ไม่ขยับ ยังอยู่ที่ 7.49% นอกจากนี้การปรับครั้งนี้ยังยกเลิกคอลัมน์อัตราของโปรแกรมส่วนลดค่าธรรมเนียม (PRIME Seller) ทำให้ร้านที่อยู่ในโปรแกรมรับภาระเพิ่ม 3.21% แทนที่จะเป็น 2.14% หรือมากกว่าคนอื่นครึ่งหนึ่ง
ค่าธรรมเนียมการขายของ Shopee ต่อ order คืออัตราของหมวดหมู่ ซึ่งขึ้นกับ category สถานะ Mall และสถานะร้านค้าขนาดเล็ก คูณกับยอด buyer-paid ไม่ใช่ list price ยอด buyer-paid คือ list price ลบส่วนลดที่ผู้ขายรับผิดชอบ ตามชุดอัตราที่มีผล 4 สิงหาคม 2569 (4 ส.ค. 2026) อัตราอยู่ที่ 7.49% ถึง 17.12% สำหรับ listing แบบ non-Mall และสูงสุด 19.26% สำหรับ Shopee Mall รวม VAT แล้วตามที่ Shopee ประกาศ — เสื้อผ้า ความงาม และของกินของใช้อยู่ปลายช่วงบน ส่วนโทรศัพท์มือถือ แท็บเล็ต โน้ตบุ๊ก และคอมพิวเตอร์ตั้งโต๊ะอยู่ที่พื้น 7.49% อย่าบวก VAT 7% เพิ่ม เพราะมันรวมอยู่ในตัวเลขที่ประกาศแล้ว ค่าธรรมเนียมการขายเป็นหนึ่งในสามบรรทัด platform-take ของ order อีกสองบรรทัดคือค่าธรรมเนียมการทำธุรกรรม (3.21% รวม VAT สำหรับช่องทางทั่วไป และสูงสุด 7.49% สำหรับบัตรเครดิตแบบผ่อน 10 เดือน) และค่าธรรมเนียมโครงสร้างพื้นฐานแพลตฟอร์ม 1 บาทต่อคำสั่งซื้อที่สำเร็จ การคำนวณที่ครบต้องมีทั้งสามบรรทัด ไม่ใช่แค่อัตรา × list price ที่เครื่องคำนวณแบบง่ายให้
อย่างน้อย 7 surface: order (Shopee Seller Centre หรือ Open Platform API), แคตตาล็อกสินค้าพร้อมข้อมูล SKU + variation, แคมเปญโฆษณา (ผลระดับ keyword และระดับสินค้าจาก Shopee Ads), COGS (อัปโหลดหรือให้ AI อนุมานราย SKU), marketplace fee (commission, transaction fee, ส่วน seller-funded ของ voucher, ส่วนผู้ขายของ Free Shipping Program), สถานะสต็อก (สต็อกปัจจุบัน + lead time) และ returns log (การ reconcile หลัง attribution) canonical-entity model ที่ทำให้ surface นี้พร้อมตัดสินใจนั้นแคบ — SKU, Order, Campaign, Ad spend, Cost, Inventory, Price, Promotion, Channel — เก้า entity ที่เหลือทั้งหมดเป็น view ที่ derive ออกมา การเชื่อม Shopee Open Platform + อัปโหลด COGS ควรใช้เวลา ~5 นาทีสำหรับผู้ขายร้านเดียว สำหรับผู้ขายหลายร้าน canonical product catalog (ที่ผูก SKU จริงเดียวกันข้ามร้าน) คือกุญแจที่ทำให้เวลาการเชื่อมต่อต่อร้านเพิ่มขึ้นแบบเชิงเส้นแทนที่จะเป็นแบบกำลังสอง
บน SKU Shopee ทั่วไปที่มี order-line history สะอาด 6 เดือนขึ้นไป model แบบ gradient-boosted-tree ที่ feature-engineered พร้อม censor ช่วง stockout ทำได้ราว 13% sMAPE บน horizon 28 วัน — เทียบกับ ~38% sMAPE ของ baseline แบบ moving-average ธรรมดา ขั้นตอนที่ได้ leverage สูงสุดเพียงจุดเดียวคือการ censor ยอดขายในช่วง stockout (ถือว่าเป็นข้อมูล missing ไม่ใช่ข้อมูลที่สังเกตได้) ส่วนการอัป model architecture มีส่วนช่วยน้อยกว่าในความแม่นยำที่เพิ่มขึ้น SKU ใหม่ (history น้อยกว่า 6 เดือน) และ SKU ที่ถูกขับโดย viral content มี confidence interval กว้างกว่าอย่างมีนัย และ operating procedure ควรสะท้อนสิ่งนั้น — forecast ที่มั่นใจสูงป้อนเข้า reorder อัตโนมัติ forecast ที่มั่นใจต่ำป้อนเข้าการ review โดยคน
Stockout ไม่ใช่ต้นทุนก้อนเดียว แต่เป็นต้นทุนห้าก้อนที่ทบกัน (1) contribution profit ที่หายไปจากหน่วยที่ขายไม่ได้ — ต้นทุนที่มองเห็นซึ่งบัญชีส่วนใหญ่นับ (2) ค่าโฆษณาที่เสียเปล่าช่วง stockout — คลิกตกลงบนหน้าสินค้าที่ไม่มีของ แพลตฟอร์มก็ยังคิดเงินอยู่ดี (3) การถูกลดอันดับ — อัลกอริทึมของ Shopee มักลงโทษ listing ที่หมดสต็อกในช่วง traffic สูง และการกู้คืนใช้เวลา 30-60 วัน (4) ความเชื่อมั่นของลูกค้าประจำที่หายไป — ลูกค้าที่เจอหน้าสินค้าว่างเปล่าครั้งหนึ่งอาจให้อภัย ครั้งที่สองมักเสียความสัมพันธ์ (5) forecast อนาคตที่เพี้ยน — ข้อมูลยอดขายช่วง stockout ถูกตัดทอน และ forecast แบบ naive เรียนรู้ pattern ที่ demand ต่ำเกินจริงจนเพิ่มโอกาส stockout ครั้งถัดไป ต้นทุนหลายบรรทัดเต็ม ๆ มักอยู่ที่ 3.5-5 เท่าของการประเมินที่นับแค่ contribution profit ที่หายไป ตลอด window 60 วันหลัง stockout
แดชบอร์ดเป็น descriptive: เผยให้เห็นว่าเกิดอะไรขึ้น (ยอดขายแคมเปญ, จำนวนชิ้น SKU, attributed revenue, ROAS) Decision Engine เป็น prescriptive: เผยให้เห็นว่าควรทำอะไรต่อ จัดอันดับตามกำไรที่คาดว่าจะเพิ่มขึ้น พร้อมคณิตศาสตร์เบื้องหลังทุกคำแนะนำ สถาปัตยกรรม 5 ชั้น (ingestion → normalisation → metric calculation → pattern detection → recommendation) คือสิ่งที่ผลิต output แบบ prescriptive ผู้ขายยังเป็นเจ้าของการตัดสินใจ Decision Engine แค่ตัด analysis tax ของการไปให้ถึงมัน สำหรับผู้ขาย marketplace ใน SEA ปี 2026 โมเดล descriptive อย่างเดียวเลิกเพียงพอแล้ว เพราะจังหวะการ optimise ฝั่งแพลตฟอร์มเร็วกว่าที่การรีวิว P&L รายเดือนจะตามทัน — รอบการลงทุน AI ที่บันทึกไว้ของ Sea Limited, prototype agentic shopping ของ Google–Sea และ retail-media inflation ที่ Bain บันทึกไว้ ล้วนดันความถี่ในการตัดสินใจฝั่งผู้ขายให้สูงขึ้น
ต่ำกว่ารายได้ราว THB 200K ต่อเดือน operational overhead ของการรันสถาปัตยกรรมนี้จะมากกว่า margin ที่กู้คืนได้ — heuristic แบบง่าย (lookup margin ต่อ category, การกระทบยอดด้วยมือรายสัปดาห์) จะทำได้ดีกว่า Decision Engine ยังลำบากเมื่อ order-line data ขาดหายอย่างมีนัยสำคัญ เมื่อ SKU แมปข้าม shop ไม่ได้อย่างเชื่อถือได้ (ชั้น 2 พัง) หรือเมื่อกรอบการตัดสินใจใหม่จริง ๆ (กลไกแคมเปญใหม่, การเปลี่ยน policy ของแพลตฟอร์มแบบครั้งเดียว) ซึ่ง pattern detection ไม่มีอะไรให้ยึด ในกรณีเหล่านั้น วิจารณญาณของคนยังชนะ
E-commerce Decision Engine คือ software stack ที่ ingest ข้อมูล marketplace — ออเดอร์, ads, fee, สต็อก, ต้นทุน, return — แล้วส่งออก next-action ที่จัดอันดับแล้วและตรวจสอบได้สำหรับผู้ขาย ผูกกับ entity เฉพาะ (แคมเปญ, SKU, ราคา, การ reorder) มันต่างจากแดชบอร์ดตรงที่แดชบอร์ดตอบว่า "เกิดอะไรขึ้น?" ส่วน Decision Engine ตอบว่า "ควรทำอะไรต่อ และทำไม?" ผู้ขายยังเป็นเจ้าของการตัดสินใจ Decision Engine แค่ตัด analysis tax ของการไปให้ถึงการตัดสินใจ
Layer 1 — Ingestion: ดึงข้อมูลจาก marketplace, ad platform, สต็อก, ต้นทุน, ประวัติราคา Layer 2 — Normalisation: แมป SKU, variation, แคมเปญ, ต้นทุน และออเดอร์เข้าเป็น canonical structure เดียวข้าม shop และแพลตฟอร์ม Layer 3 — Metric calculation: contribution margin, true ROAS, break-even ROAS, ad waste, ความเสี่ยงสต็อกหมด, days-of-supply, สัญญาณ price-elasticity Layer 4 — Pattern detection: จับ failure mode (รายได้สูงแต่กำไรต่ำ, ads บน SKU ที่เสี่ยงสต็อกหมด, รายได้ที่มาจากการลดราคา, margin ที่ทรุดลง) Layer 5 — Recommendation: ส่งออกรายการ action ที่จัดอันดับแล้ว ผูกกับ entity เฉพาะ พร้อมคณิตศาสตร์ติดไว้สำหรับ audit การตั้งร้านบนสเปรดชีตส่วนใหญ่พังที่ชั้น 2
order-line data จาก Shopee, Lazada และ TikTok Shop (เพื่อ reconstruct contribution margin ต่อออเดอร์ ไม่ใช่ประมาณต่อ category); ad-platform data จาก ad surface ของแต่ละ marketplace; สถานะสต็อกและ lead time; COGS และต้นทุน supplier ราย SKU; ประวัติราคา; ตารางค่าธรรมเนียมรวมถึง transaction fee, commission, กลไก voucher และโปรโมชันที่แพลตฟอร์มจ่ายเอง; และตาราง settlement/payout เพื่อให้เห็น working capital ควบคู่กับ P&L ถ้าไม่ join สิ่งเหล่านี้ทั้งหมดที่ระดับ canonical-SKU recommendation layer จะซื่อตรงไม่ได้
ไม่ได้ และนั่นแหละคือประเด็น Decision Engine ตัด analysis tax ของการไปให้ถึงการตัดสินใจที่ปกป้องได้ ผู้ขายยังเป็นคนอนุมัติ action และเป็นเจ้าของบริบทที่ Decision Engine มองไม่เห็น (supplier ดีเลย์, การเปิดตัวสินค้า, เหตุผลด้านชื่อเสียงที่ต้องคงแคมเปญไว้) Decision Engine ที่ดีจะเผยให้เห็นความมั่นใจและคณิตศาสตร์เบื้องหลังทุกคำแนะนำ เพื่อให้ผู้ขาย override พร้อมเหตุผลที่รู้ได้ Decision Engine ที่อ้างความมั่นใจเกินจริงจะเผา trust เร็วกว่าการไม่มีคำแนะนำเลย
คำนวณ contribution profit รายช่องทาง (ไม่ใช่แค่ revenue) ราย SKU จาก order-line data SKU จริงตัวเดียวกันมักให้ margin ต่างกันอย่างมีนัยบน Shopee เทียบกับ Lazada เทียบกับ TikTok Shop เพราะ fee structure, voucher mechanic, ลักษณะ ad auction และโปรไฟล์การคืนสินค้าของลูกค้าต่างกันในแต่ละแพลตฟอร์ม จัดสรรสต็อกและงบ ads ไปยังช่องทางที่ให้ contribution profit ต่อ SKU สูงที่สุด — ไม่ใช่ช่องทางที่ GMV สูงที่สุด สองคำตอบนี้แยกทางกันในบัญชี multi-shop ทั่วไป จากข้อมูลของเรา การ reconstruct กำไรรายช่องทางช่วยจัดสรรงบ ads ใหม่ข้ามแพลตฟอร์ม 12–20% ใน 60 วันแรก และยก contribution margin yield ต่อปีขึ้น 5–8 percentage points โดยไม่มี revenue loss ที่วัดได้
ถูกกว่าเฉพาะบรรทัดค่าธรรมเนียมการขาย และบนออเดอร์ที่ต่ำกว่าราว 3,720 บาท มันแพงกว่าจริง สำหรับสินค้าแฟชั่นไทย TikTok Shop คิดค่าธรรมเนียมการขาย 11.77% เทียบกับ 17.12% ของ Shopee แต่บวกค่าธรรมเนียมสนับสนุนการเติบโตของร้านค้าอีก 8.03% รวม VAT (สูงสุด 199 บาทต่อชิ้น) และค่าธรรมเนียมคำสั่งซื้ออีก 3.21% ออเดอร์ 550 บาทจึงถูกหัก 23.2% บน TikTok Shop เทียบกับ 20.5% บน Shopee และเพราะค่าธรรมเนียมสนับสนุนการเติบโตมีเพดานแต่ของ Shopee ไม่มี ตารางสองชุดจึงตัดกันที่ราว 3,720 บาท เหนือจุดนั้น TikTok Shop ถูกกว่า ส่วน Lazada ประกาศหมวดแฟชั่นเป็นช่วงไม่ใช่อัตราเดียว จึงเป็นได้ทั้งสองแบบ
เพราะต้นทุนของการ “ซื้อ” ดีมานด์บน Shopee สูงขึ้นเร็วกว่าต้นทุนของการทำให้ลูกค้ากลับมาซื้อซ้ำ เอกสารไตรมาส 4 ปี 2025 ของ Sea Limited บันทึกต้นทุนดำเนินงานที่เพิ่มขึ้นจากการลงทุน AI ใน search, recommendation และโฆษณา ส่วนรายงาน e-Conomy SEA 2025 ของ Bain บันทึกราคาสื่อโฆษณาที่แพงขึ้นตามมา ส่วนลดที่ให้วันนี้คือการสอนลูกค้าให้รอแคมเปญหน้า — เท่ากับดึงยอดของอนาคตมาใช้ล่วงหน้าโดยจ่ายต้นทุนที่ทบขึ้นเรื่อย ๆ ยอดที่เพิ่มแบบถูกและทำซ้ำได้มาจากการปิดการขายให้ได้มากขึ้นจาก impression ที่มีอยู่แล้ว และการดึงลูกค้าเก่ากลับมาโดยไม่ต้องจ่ายค่า auction ซ้ำอีกรอบ
จาก Momentum Works อีคอมเมิร์ซบนแพลตฟอร์มของ SEA แตะ US$157.6 พันล้านในปี 2025 (โต 22.8% YoY) แพลตฟอร์มคิดเป็นราว 85% ของ GMV อีคอมเมิร์ซในภูมิภาค สามกลุ่มแพลตฟอร์มอันดับแรก (Shopee, Lazada, TikTok Shop / Tokopedia) คุมราว 98.8% ฉากทัศน์ฐานปี 2026 ในรายงานนี้คือ platform GMV US$186–190B โดยมี upside ถึง US$195–200B หากกระแสข้ามพรมแดนทรงตัวและ conversion ที่ขับด้วยคอนเทนต์ยังลึกขึ้น แต่ขนาดไม่ใช่คำตอบในการดำเนินงาน จากการเปิดเผยข้อมูล 4Q25 ของ Sea marketplace take rate ของ Shopee เพิ่มจาก 12.4% เป็น 13.0% และรายได้โฆษณา Q4 โตกว่า 70% YoY การหารายได้โตเร็วกว่า GMV คำถามของปี 2026 สำหรับผู้ขายไม่ใช่ 'ตลาดใหญ่แค่ไหน?' แต่คือ 'ใครคุม decision loop?' ผู้ขายที่ชนะเป็นเจ้าของชั้นข้อมูลเดียว SKU taxonomy เดียว และจังหวะการตัดสินใจรายสัปดาห์เดียวเหนือราคา สต็อก โฆษณา โลจิสติกส์ และการปฏิบัติตามกฎ ไม่ใช่อันดับ GMV สูงสุด
การเปิดเผยข้อมูล 4Q25 ของ Sea แสดงว่ารายได้โฆษณาโตกว่า 70% YoY ขณะที่ผู้ขายที่จ่ายค่าโฆษณาโต 20% และค่าโฆษณาเฉลี่ยต่อผู้ขายที่จ่ายค่าโฆษณาโต 45% กล่าวคือแพลตฟอร์มหารายได้จากผู้ขายเร็วกว่าการเพิ่มจำนวนผู้ขาย marketplace take rate ก็เพิ่มจาก 12.4% ในปี 2024 เป็น 13.0% ในปี 2025 ส่วนฝั่ง working capital ผู้ขาย Mall ได้รับเงินราว 15 วันหลังส่งมอบ (หลังพ้นช่วง return) เมื่อรวมความเข้มข้นของโฆษณา take rate ที่คืบขึ้น การซ้อนชั้นค่าธรรมเนียม refund abuse (57% ของร้านค้าตาม Merchant Risk Council) และการจ่ายเงินที่ช้าลง contribution margin จะถูกบีบแม้ GMV จะขยายตัว
content commerce — วิดีโอสั้น livestream การค้นพบที่ผ่าน affiliate — ไม่ใช่เรื่องรอบนอกอีกต่อไป ตาม Momentum Works มันคิดเป็นราว US$49.7 พันล้าน หรือ 32% ของ platform GMV ในภูมิภาคในปี 2025 อินโดนีเซียเพียงประเทศเดียวเห็นผู้ขาย video commerce โต 75% YoY เป็น 800,000 ราย และธุรกรรม video commerce ต่อปีโต 90% เป็น 2.6 พันล้านครั้ง สำหรับผู้ขาย หมายความว่า demand ถูกขับด้วยการรักษาลูกค้าและคอนเทนต์มากขึ้นมากกว่าการค้นหา การจัดสรรงบโฆษณา การผลิตครีเอทีฟ และเศรษฐศาสตร์ affiliate ตอนนี้แย่งชิง margin envelope ระดับ SKU เดียวกันกับ Sponsored Search แบบเดิม
Sea Limited รายงานว่า Shopee มีผู้ซื้อที่ใช้งานราว 400 ล้านรายและผู้ขาย 20 ล้านรายในปี 2025 GMV ปี 2025 ของ Shopee โต 27% แพลตฟอร์มสามอันดับแรก (Shopee, Lazada, TikTok Shop / Tokopedia) ตอนนี้คุมราว 98.8% ของ platform GMV ในภูมิภาค ส่วนแบ่ง Shopee ของ platform GMV รายประเทศในรายงานนี้อยู่ในช่วงราว 49% (ฟิลิปปินส์) ถึงราว 58% (เวียดนาม) โดยมีค่าเฉลี่ยภูมิภาคใกล้ 53% ตลาดที่ Shopee เข้าถึงได้ทั่วภูมิภาคในปี 2025 ประมาณราว US$83 พันล้าน ใหญ่ แต่ถูกแข่งขันมากขึ้นเรื่อย ๆ ที่ชั้นการหารายได้ของแพลตฟอร์ม
GMV เป็นตัววัดขนาดที่มีประโยชน์ แต่เป็น metric สำหรับกำกับทิศทางที่อ่อนเมื่ออยู่ลำพัง ผู้ขายอาจทำ GMV โต 30% ขณะที่ contribution margin หดลง หากการเติบโตถูกซื้อด้วยโฆษณาที่ ROAS ขาดทุน ส่วนลดที่เกินจุดคุ้มทุนของ volume-lift หรือแคมเปญที่กลไกโปรโมชันที่แพลตฟอร์มหนุนผลักการใช้จ่ายเกินกว่าความสามารถในการสร้าง contribution ที่แท้จริงของ SKU ผู้ขายที่ซื่อสัตย์ในการดำเนินงานวัดกำไรราย SKU หลังหักโฆษณา ค่าธรรมเนียม การ return และต้นทุนเงินทุน ไม่ใช่อันดับ GMV คำถามของปี 2026 ไม่ใช่ 'ตลาดใหญ่แค่ไหน?' แต่คือ 'ใครคุม decision loop?'
metric การดำเนินงานห้าตัวสำคัญกว่า GMV: contribution margin ราย SKU หลังหักโฆษณา ค่าธรรมเนียม voucher และการ return; True ROAS ราย campaign เทียบกับ break-even ROAS ของ SKU; days-of-supply เทียบ lead time และหน้าต่าง demand ของแคมเปญ; payout lag และ working capital ที่ถูกผูกไว้ระหว่างคำสั่งซื้อกับการเครดิตเงิน; และสัดส่วน content commerce เป็นสัดส่วนของ demand เพราะกลุ่มนั้นตอนนี้คิดเป็นราว 32% ของ platform GMV เมื่อรวมกัน metric เหล่านี้บอกผู้ขายว่าสินค้าใดได้การเติบโตมา สินค้าใดซื้อการเติบโต และสินค้าใดทำลายเงินสดอย่างเงียบ ๆ
การเปลี่ยนแปลงเชิงโครงสร้างสามอย่างที่มีบันทึกในเอกสารยื่นและเอกสารฝั่งผู้ขายของแพลตฟอร์มเอง (1) Ad auction สุกงอม — เอกสารเปิดเผยปี 2025 ของ Sea Limited บันทึกการลงทุน AI หลายปีใน search, recommendation และ advertising ผลฝั่งผู้ขายคือการรักษา impression share เท่าเดิมโดยทั่วไปต้องใช้ 12–18% ของ revenue ไปกับ ads ในปี 2026 เทียบกับ 4–6% ในปี 2022 (2) โปรโมชันเปลี่ยนจาก platform-funded เป็น seller-funded — Shopee Help Center, Lazada Open Platform และ TikTok Shop Seller University ล้วนบันทึกการ fund โดยผู้ขายอย่างชัดเจนสำหรับ voucher, free-shipping subsidy และ affiliate commission (3) Price arbitrage ข้ามแพลตฟอร์มปิดตัวลง — การเปรียบเทียบราคาเกิดขึ้นในไม่กี่วินาทีข้ามทั้งสามแพลตฟอร์ม และผู้ขายที่แข่งกันใช้ automation มิเรอร์ราคาภายในไม่กี่นาที ผลรวมคืออัตราการเติบโตของภูมิภาคเท่าเดิม แต่ margin ฝั่งผู้ขายต่อหน่วยบนส่วนเพิ่มต่ำลงอย่างมีนัยสำคัญ
เพราะ unit economics แย่ลงเมื่อ scale หน่วยขายเพิ่มเติมทุกหน่วยระหว่างการดัน scale แบก ad cost ที่สูงขึ้น (ราคา auction ขยับตามแรงกดดัน bid ของผู้ขายเอง) แบก voucher subsidy ที่หนักขึ้น (campaign voucher tier ยกระดับขึ้น) และราคาขายจริงที่ต่ำลงเล็กน้อย (order มากขึ้นใน tier ที่ลดราคา) บนส่วนเพิ่ม หน่วยใหม่มักเคลียร์ที่ contribution margin หลักหน่วยหรือติดลบ dashboard รายงาน GMV และซ่อนเศรษฐศาสตร์ส่วนเพิ่ม ผู้ขายจึงเห็นการเติบโตในจุดที่บัญชีแสดงการถูกบีบ
ผู้ขายหลายร้านส่วนใหญ่ดำเนินงานแต่ละร้านและแต่ละแพลตฟอร์มเป็นระบบแยกกัน ทั้งล็อกอินแยก ads dashboard แยก การกระทบ fee แยก สเปรดชีต COGS แยก แล้วกระทบยอดด้วยมือตอนปิดสัปดาห์หรือปิดเดือน รูปแบบที่พบบ่อยที่สุดในข้อมูลของเราคือ 10-15 ชั่วโมงต่อสัปดาห์ที่ใช้ไปกับงานกระทบยอดข้ามร้านที่ไม่สร้างรายได้โดยตรง การแก้ที่กู้เวลาได้มากที่สุดคือ canonical product catalog ผูกสินค้าจริงตัวเดียวกันข้ามร้านและแพลตฟอร์มไว้ครั้งเดียว แล้วดำเนินการตัดสินใจ (contribution margin, สต็อก, ad attribution, reorder) ที่ระดับสินค้าแทนระดับ listing หลังจากนั้นการเชื่อมต่อแพลตฟอร์มใหม่แต่ละครั้งใช้เวลาตั้งค่าแค่ไม่กี่นาที แทนที่จะเป็นการต่อท่อสเปรดชีตหลายสัปดาห์
แต่ละแพลตฟอร์มรันโมเดล ML บนทุก product impression ได้แก่ ranking ใน search, ranking ใน recommendation, การจับคู่ ad auction และ (บน TikTok Shop) การให้คะแนน creator-affiliate เอกสารปี 2025 ของ Sea Limited และรายงานของ Reuters ในเดือนมีนาคม 2026 ระบุการลงทุน AI infrastructure ของ Sea สำหรับ search, recommendation และ ad auction ของ Shopee ความร่วมมือ Google–Sea ที่ประกาศในเดือนกุมภาพันธ์ 2026 ต่อยอดทิศทางนี้ด้วย prototype การช้อปแบบ agentic ส่วน Alibaba และ ByteDance ลงทุนคู่ขนาน นัยฝั่งผู้ขายคือ ทุก product impression ที่ชนะมาเป็นผลลัพธ์ของระบบ optimization ที่ผู้ขายมองไม่เห็น ทางแก้ในเชิงปฏิบัติคือ รัน optimization layer ราย SKU ทับลงไป ได้แก่ true ROAS ราย campaign, contribution margin ราย SKU, การจำลอง margin ก่อน launch และการ reconcile หลังจบ window เทียบกับ margin ไม่ใช่ GMV
ดู DataGlass กับร้านของคุณ
นัดเดโม่ 30 นาที เราจะพาดู DataGlass กับข้อมูลร้าน Shopee, Lazada และ TikTok Shop ของคุณเอง พร้อมทดลองใช้ฟรีเพิ่มอีก 14 วัน
รับรายงานวิเคราะห์ร้าน
ทีมของเราจัดทำรายงานวิเคราะห์ต้นทุนต่อหน่วยและโฆษณาของร้านคุณให้ฟรี
ดูตัวอย่างรายงานเริ่มใช้ฟรี
เชื่อมต่อร้านแล้วลงมือตาม Action ที่ DataGlass จัดอันดับให้ได้ทันที
