คำศัพท์/Marginal ROAS
Marginal ROAS คืออะไร?
Marginal ROAS คือยอดขายที่เพิ่มขึ้นจากค่าโฆษณาบาทถัดไป ต่างจาก ROAS เฉลี่ยที่เอายอดขายทั้งหมดหารด้วยค่าโฆษณาทั้งหมด เพราะการยิงแอดมีจุดอิ่มตัว การแสดงผลที่ถูกและตรงกลุ่มที่สุดถูกซื้อไปก่อน เงินบาทถัด ๆ ไปจึงไปถึงคนที่สนใจน้อยลงเรื่อย ๆ Marginal ROAS จึงต่ำกว่า ROAS เฉลี่ยเสมอในแคมเปญที่ใช้เงินอยู่จริง ทุกการตัดสินใจเรื่องสเกลเป็นคำถามเชิงส่วนเพิ่ม ไม่ใช่ "แคมเปญนี้กำไรไหม" แต่คือ "อีกหนึ่งบาทที่ใส่เข้าไปจะกำไรไหม" แคมเปญที่ ROAS เฉลี่ยสวยงามและ marginal ROAS ต่ำกว่าจุดคุ้มทุนไปแล้ว คือสภาวะที่การเพิ่มงบทำลายเงินพอดี
01/สูตร
สูตร
Marginal ROAS = ยอดขายที่เพิ่ม / ค่าโฆษณาที่เพิ่ม เส้นโค้งอิ่มตัวแบบ Hill: ออเดอร์(s) = เพดาน × s / (k + s) k = ระดับงบที่การตอบสนองถึงครึ่งหนึ่งของเพดาน งบที่เหมาะที่สุดคือจุดที่กำไรส่วนเพิ่มเป็นศูนย์: marginal ROAS × อัตรากำไร = 1
ตัวอย่าง
แคมเปญ Shopee ที่งบ ฿10,000/วัน ได้ยอดขาย ฿60,000 — ROAS เฉลี่ย 6.0 ขยับเป็น ฿12,000/วัน ยอดขายขึ้นเป็น ฿66,000 Marginal ROAS = (66,000 − 60,000) / (12,000 − 10,000) = 3.0 ที่อัตรากำไร 20% จุดคุ้มทุนคือ 5.0 ค่าเฉลี่ยบอกให้สเกล ส่วนเพิ่มบอกว่า ฿2,000 ก้อนหลังขาดทุน ฿1,800
02/รายละเอียด
ทำไม marginal ROAS ถึงลดลงเมื่อใช้งบมากขึ้น?
เพราะการแสดงผลแต่ละครั้งไม่เท่ากัน ระบบประมูลจะเสิร์ฟคำค้นที่สินค้าของคุณเป็นคำตอบที่ชัดเจนก่อน แล้วค่อยไปถึงคำค้นที่มันเป็นแค่ตัวเลือกหนึ่ง คนที่ค้นด้วยรุ่นสินค้าเป๊ะ ๆ กับคนที่ค้นด้วยชื่อหมวดหมู่แปลงเป็นออเดอร์ไม่เท่ากัน พองบเพิ่ม แคมเปญก็ไล่ลงไปในลำดับนั้นลึกขึ้น เงินบาทถัดไปจึงซื้อคลิกที่มีค่าน้อยลง นักวิเคราะห์จับลักษณะนี้ด้วยเส้นโค้งอิ่มตัวรูป Hill ที่ขึ้นชันจากศูนย์แล้วค่อย ๆ แบนเข้าหาเพดาน สิ่งสำคัญไม่ใช่รูปสมการ แต่คือข้อสรุปของมัน คือมีระดับงบหนึ่งที่เลยไปแล้วบาทถัดไปขาดทุนเสมอ และ ROAS เฉลี่ยไม่เคยบอกว่าจุดนั้นอยู่ตรงไหน
หางบที่ทำกำไรสูงสุดอย่างไร?
จุดที่ดีที่สุดคือจุดที่กำไรส่วนเพิ่มตัดศูนย์ ซึ่งเกิดขึ้นเมื่อ marginal ROAS คูณอัตรากำไรเท่ากับหนึ่ง เลยจุดนั้นไป เงินบาทถัดไปคืนกำไรน้อยกว่าที่มันจ่าย มีสองข้อที่มักทำให้คนแปลกใจ ข้อแรก งบที่กำไรสูงสุดแทบไม่เคยเป็นงบที่ ROAS สูงสุด เพราะ ROAS สูงสุดอยู่ใกล้ศูนย์ ตรงที่ซื้อเฉพาะการแสดงผลที่ดีที่สุด ข้อสอง เมื่อหลายแคมเปญแบ่งงบก้อนเดียวกัน กำไรรวมสูงสุดเกิดตอนที่ผลตอบแทนส่วนเพิ่มของทุกแคมเปญเท่ากัน ไม่ใช่ตอนที่ ROAS เฉลี่ยเท่ากัน พอร์ตที่จัดสมดุลด้วย ROAS เฉลี่ยจึงจัดสรรผิดอย่างเป็นระบบ
หยุดสเกลเมื่อ: marginal ROAS = 1 / อัตรากำไร กำไร 20% → หยุดที่ marginal ROAS 5.0 กำไร 40% → หยุดที่ marginal ROAS 2.5 ข้ามแคมเปญ: ทำให้ผลตอบแทนส่วนเพิ่มเท่ากัน ไม่ใช่ ROAS เฉลี่ย
วัด marginal ROAS โดยไม่ทดลองได้ไหม?
ได้บางส่วน และข้อจำกัดสำคัญ การฟิตเส้นโค้งอิ่มตัวจากงบและออเดอร์ที่เคยเกิดขึ้นให้ความชันที่ใช้ได้ในช่วงงบที่แคมเปญเคยวิ่งจริง นอกช่วงนั้นคือการคาดเดาแบบ extrapolate และค่าเพดานโดยเฉพาะจะระบุได้ก็ต่อเมื่อแคมเปญเคยถูกดันเข้าใกล้จุดอิ่มตัวมาแล้ว แคมเปญที่ไม่เคยใช้งบเลยช่วงชันของเส้นโค้งจะไม่มีข้อมูลพอจะบอกว่าเพดานอยู่ตรงไหน แนวปฏิบัติที่ซื่อสัตย์คือเชื่อค่าส่วนเพิ่มใกล้ ๆ งบปัจจุบัน ถือว่าการกระโดดใหญ่ยังไม่แน่นอน และใช้การเปลี่ยนงบอย่างตั้งใจ ไม่ใช่แค่การไหลไปตามประวัติ เพื่อเรียนรู้รูปของเส้น
03/ทำไมจึงสำคัญ
กับดักในหนึ่งย่อหน้า
การคุยเรื่องงบโฆษณาบนมาร์เก็ตเพลสแทบทั้งหมดคุยกันด้วย ROAS เฉลี่ย ซึ่งตอบคำถามที่กำลังถามไม่ได้ ประโยค "แคมเปญนี้ ROAS 6 เพิ่มงบเป็นสองเท่าเลย" เป็นข้ออ้างเชิงส่วนเพิ่มที่ใช้ตัวเลขเฉลี่ยมาสนับสนุน ช่องว่างระหว่างสองอย่างนี้คือที่ที่การสเกลพลาด เพราะค่าเฉลี่ยยังดูดีอยู่นานหลังจากที่ผลตอบแทนส่วนเพิ่มจมน้ำไปแล้ว โดยมีออเดอร์ราคาถูกจากช่วงแรกคอยพยุงไว้
ข้อผิดพลาดที่พบบ่อย
จัดอันดับแคมเปญด้วย ROAS เฉลี่ยแล้วย้ายงบไปที่หัวตาราง ถ้าแคมเปญที่เฉลี่ยสูงอิ่มตัวไปแล้วและแคมเปญที่เฉลี่ยต่ำยังอยู่ช่วงชันของเส้น การย้ายงบทำให้กำไรรวมลดลง งบควรวิ่งตามผลตอบแทนส่วนเพิ่ม ซึ่งบ่อยครั้งชี้ไปที่แคมเปญที่ดูธรรมดาในแดชบอร์ด
04/ใน DataGlass
Marginal ROAS ถูกใช้ใน DataGlass อย่างไร
DataGlass ฟิตเส้นโค้งการตอบสนองต่องบต่อ campaign ของ Shopee แล้วจัดสรรงบด้วยผลตอบแทนส่วนเพิ่มแทน ROAS เฉลี่ย campaign ที่แบนแล้วจึงถูกคงไว้ ส่วนตัวที่ยังไต่อยู่ได้งบเพิ่ม เส้นโค้งและจุดที่ควรหยุดถูกแสดงเป็นหลักฐานประกอบคำแนะนำ พร้อมบอกว่าค่าประมาณนั้นคาดเดาห่างจากงบที่เคยใช้จริงไปแค่ไหน
05/แหล่งอ้างอิง
- [1] Diminishing returns
หลักเศรษฐศาสตร์ที่ทำให้ผลตอบแทนส่วนเพิ่มต่ำกว่าค่าเฉลี่ยเสมอเมื่อเพิ่มปัจจัยหนึ่งโดยที่ปัจจัยอื่นคงที่
- [2] Equimarginal principle
กฎการจัดสรรที่อยู่เบื้องหลังการแบ่งงบข้ามแคมเปญ ผลตอบแทนรวมสูงสุดเมื่อผลตอบแทนส่วนเพิ่มเท่ากัน ไม่ใช่เมื่อค่าเฉลี่ยเท่ากัน
- [3] Jin, Wang, Sun, Chan และ Koehler — Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects (Google Research, 2017)
ใช้ฟังก์ชัน Hill โมเดลรูปการตอบสนองของโฆษณาและจุดอิ่มตัว พร้อมอภิปรายความยากในการระบุค่าเมื่องบที่สังเกตได้ไม่ครอบคลุมทั้งเส้น
คำศัพท์ที่เกี่ยวข้อง