ระเบียบวิธีวิจัยของ DataGlass

ขอบเขต sample

Sample ภายในของ DataGlass มีประมาณ 400 active marketplace seller accounts ในภูมิภาค SEA-6 อยู่ในช่วงรายได้ THB 200K-50M ต่อเดือน และครอบคลุมช่วง January 2024 ถึง April 2026 รวม 28 เดือน ผู้ขายเป็น independent operators บน Shopee, Lazada และ/หรือ TikTok Shop โดย sample หนักไปทางประเทศไทย แต่รวมร้านจาก Malaysia, Singapore, Vietnam, Philippines และ Indonesia ด้วย

Sample นี้ไม่ใช่ probability sample แต่เป็น population ของ account ที่ DataGlass model อยู่ใน production มาจาก organic inbound, partner referrals และ account ที่ onboard ผ่าน trial ตัวเลข aggregate ควรอ่านเป็นคำอธิบายของ operating-side seller population ในช่วงขนาดนี้ ไม่ใช่ inference เกี่ยวกับ seller ทั้งหมดใน Southeast Asia

Subset ราย platform

บทความที่ calibrate claim เฉพาะ platform ใช้ subset ของ platform นั้นโดยตรง:

• Shopee: ~280 active accounts ใช้ calibrate ตัวเลข margin, ad waste และ ROAS เฉพาะ Shopee
• Lazada: ~180 active accounts ใช้ calibrate ตัวเลข margin, Sponsored Search vs. Discovery และ LazMall conversion lift
• TikTok Shop: ~150 active accounts ใช้ calibrate ตัวเลข affiliate commission, return rate และ host incentive เฉพาะ TikTok
• Cross-platform / multi-shop: ใช้ sample เต็ม ~400 accounts สำหรับ claim เรื่อง forecasting, inventory, multi-shop และ ad-budget allocation ที่ข้าม platform

การประกอบต้นทุน

ตัวเลข margin, ROAS และ contribution margin ทั้งหมด reconstruct ที่ระดับ order line ไม่ได้ estimate จาก category pipeline จะ bind order line ทุกบรรทัดเข้ากับ canonical product catalog เพื่อให้ SKU identity เดียวกันใช้ได้ข้ามร้านและข้าม platform แล้วจึง attribute ต้นทุนต่อไปนี้:

Aggregate figures คำนวณบน rolling 90-day windows เว้นแต่บทความจะระบุ window อื่นโดยตรง เช่น 28 วันสำหรับ forecasting accuracy หรือ 14 วันสำหรับ campaign attribution

• Platform fees เช่น transaction, commission และ payment processing จาก settlement record ของ order
• Voucher mechanics แยก seller-funded และ platform-funded portions โดยยึด documentation ของ platform เป็น authority
• Ad spend join กับ attributed orders ที่ระดับ campaign x SKU เมื่อ ad surface เปิด resolution นั้นให้เห็น
• COGS จาก cost file ที่ seller ให้มา และ logistics จาก carrier billing record เมื่อมีข้อมูล
• Returns และ refunds นำกลับไป apply กับ order line ต้นทาง

ข้อยกเว้น

มี account สองกลุ่มที่ exclude ออกจาก sample frame และออกจากทุกตัวเลขแบบ "in our data" อย่างชัดเจน:

• ต่ำกว่า ~THB 200K monthly revenue: operational overhead ของ architecture ที่ reconstruct per SKU สูงกว่า margin ที่ recover ได้ในระดับนี้ simple heuristics จึงมักเหมาะกว่า
• Negotiated-rate enterprise tier: account ที่มี commission, payment หรือ logistics terms แบบ negotiate ราย account ถูก exclude เพราะ cost structure ไม่ generalize ไปยัง operating-side seller population

สิ่งที่ publish และไม่ publish

DataGlass publish เฉพาะ aggregate figures, distributions และ modal patterns ส่วน worked examples เป็น illustrative composites คือสะท้อน pattern หลักใน sample แต่ไม่ใช่ financials ของ seller รายใดรายหนึ่ง เราไม่ publish per-account, per-SKU หรือ per-shop figures ใน post หรือ research artifact ใดๆ เมื่อบทความ quote ตัวเลข เช่น "4-7 percentage-point margin recovery", "20-30% loss-making ad spend share" หรือ "50% rank overlap" ตัวเลขนั้นคือ sample median หรือ reported range ไม่ใช่ underlying distribution ทั้งชุด

วิธีอ่าน claim แบบ "in our data"

ทุก blog post ที่ cite internal data จะระบุ subset และ figure ที่ใช้ calibrate แล้วลิงก์กลับมาหน้านี้สำหรับ sample frame ฉบับเต็ม ให้อ่าน claim เหล่านั้นเป็นคำอธิบายของ operating-side SEA-6 seller population ในช่วงรายได้ THB 200K-50M ต่อเดือน ตลอด observation window 28 เดือน ไม่ใช่ population claim เกี่ยวกับ marketplace sellers ทั้งหมด ไม่ใช่ prediction และ exclude size class กับ rate-tier ที่ระบุไว้ด้านบน

ถ้าตัวเลขในบทความขัดกับข้อมูลจริงของ seller รายใด ให้ยึดข้อมูลของ seller รายนั้นเป็นหลัก ตัวเลขที่ publish เป็น reference point สำหรับ reasoning ระดับ cohort ไม่ใช่ benchmark ที่ account แต่ละรายต้อง match