โซลูชัน/Optimize กำไรอีคอมเมิร์ซ
Optimize กำไรอีคอมเมิร์ซข้าม Shopee, Lazada และ TikTok Shop
การ optimize กำไรอีคอมเมิร์ซคือการตั้งเป้าหมายเดียวให้ชัด ระบุว่ามีการตัดสินใจอะไรบ้างที่ขยับมันได้ แล้วตีราคาการตัดสินใจแต่ละอย่างกับข้อจำกัดที่บีบมันอยู่ แพลตฟอร์ม optimize คนละเป้าหมายกับคุณ — พวกเขา optimize GMV เพราะเก็บค่าคอมมิชชั่นจาก GMV ผู้ขายที่ทำตามคำแนะนำของแพลตฟอร์มจึงกำลัง optimize สมการของคนอื่น DataGlass ประกอบกำไรต่อหน่วยรายสินค้าขึ้นใหม่จากข้อมูลรายการสั่งซื้อทั้งสามแพลตฟอร์ม แล้วจัดอันดับทุกการเคลื่อนไหวที่ทำได้ตามกำไรที่คาดว่าจะเพิ่ม
01/ปัญหา
สิ่งที่ผู้ขายเห็น
Seller centre สามหน้า นิยามรายได้สามแบบ และไม่มีตัวเลขไหนตอบได้ว่าเดือนนี้ได้กำไรหรือไม่ แต่ละแพลตฟอร์ม optimize และรายงานบน GMV เพราะเก็บค่าคอมมิชชั่นจาก GMV คำแนะนำที่ผู้ขายได้รับจึงเหมาะกับเป้าหมายที่ไม่ใช่ของตัวเอง ผลคือการบริหารร้านด้วยตัวชี้วัดตัวแทนห้าหกตัวพร้อมกัน — ROAS ในแท็บโฆษณา conversion rate ในแท็บสินค้า จำนวนวันที่สต็อกพอในแท็บคลัง — ที่เทียบกันไม่ได้ และไม่มีตัวไหนเป็นกำไร
- ROAS ที่แพลตฟอร์มรายงานดูดีทุกแคมเปญ แต่กำไรสุทธิลดลง
- ตั้ง Target ROAS ที่จุดคุ้มทุน ซึ่งเท่ากับเล็งกำไรศูนย์พอดี ไม่ใช่การป้องกันกำไร
- ปรับ Target ROAS ที่ไม่ใช่ข้อจำกัดที่บีบอยู่ อะไรก็ไม่เปลี่ยน แล้วสรุปว่าปุ่มนี้ไม่มีผล
- สินค้าตัวเดียวกันตั้งราคาแยกกันสามแพลตฟอร์ม โดยไม่เคยคำนวณว่ากำไรต่อหน่วยต่างกันแค่ไหน
- สินค้าขายดีกลับเป็นสินค้าที่ margin ต่ำที่สุด เมื่อหักค่าคอมมิชชั่น voucher และส่วนแบ่งค่าส่งฟรีแล้ว
- ตัดสินใจเรื่องสต็อกจากจำนวนชิ้นที่ขายได้ ไม่ใช่จากกำไรที่กำลังเสี่ยง
- ขายบน Shopee เป็นหลัก? คู่มือ break-even ROAS ต่อ SKU สำหรับแพลตฟอร์มเดียว
02/การตรวจจับ
สิ่งที่ DataGlass ตรวจจับ
จะ optimize ได้ต้องมีเป้าหมายที่คำนวณได้จริง DataGlass ประกอบกำไรต่อรายการสั่งซื้อขึ้นใหม่ — ราคาขายหักต้นทุนสินค้า ค่าคอมมิชชั่นตามหมวด ค่าธรรมเนียมธุรกรรมและการชำระเงิน voucher ที่ผู้ขายออกเอง ส่วนแบ่งค่าส่งฟรี ค่าจัดส่ง และเงินกันสำรองสำหรับสินค้าตีกลับ — ทั้งบน Shopee, Lazada และ TikTok Shop แล้วรวมสามแพลตฟอร์มเป็นแคตตาล็อกเดียว ให้สินค้าหนึ่งตัวเป็นหนึ่งแถว ไม่ใช่สามแถว นั่นคือสมการเป้าหมาย ทุกอย่างหลังจากนี้วัดกับมัน ไม่ใช่วัดกับตัวชี้วัดตัวแทนของแพลตฟอร์ม
- สินค้าที่กำไรต่อหน่วยติดลบที่ราคาปัจจุบัน เมื่อกระจายค่าธรรมเนียมทุกก้อนลงต่อชิ้นแล้ว
- แคมเปญที่ผลตอบแทนส่วนเพิ่มต่ำกว่ากำไรจริงของสินค้าไปแล้ว ขณะที่ค่าเฉลี่ยที่รายงานยังผ่านเป้า
- Target ROAS ที่ตั้งเท่ากับหรือต่ำกว่าจุดคุ้มทุนของสินค้า ซึ่งเป็นเส้นที่กำไรเป็นศูนย์ทุกปริมาณ
- แคมเปญที่งบรายวันเป็นข้อจำกัดที่บีบอยู่ ทำให้ Target ROAS ที่กรอกไว้ไม่มีผลอะไรเลย
- สินค้าตัวเดียวกันที่กำไรต่อหน่วยต่างกันมากระหว่างแพลตฟอร์ม โดยยังไม่มีใครตีราคาความต่างนั้น
- สถานะสต็อกที่กำไรซึ่งเสี่ยงจะเสียจากของขาดสูงกว่าต้นทุนการถือของเพื่อกันไว้
03/การลงมือทำ
ห้าการตัดสินใจที่ขยับกำไรอีคอมเมิร์ซ
เป้าหมายกำไรจะมีประโยชน์ก็ต่อเมื่อทำอะไรกับมันได้ นี่คือตัวแปรที่ผู้ขาย marketplace ตั้งได้จริง พร้อมข้อจำกัดที่บีบแต่ละตัว DataGlass จัดอันดับการเคลื่อนไหวที่ทำได้ทั้งสามแพลตฟอร์มตามกำไรที่คาดว่าจะเพิ่ม และแนบวิธีคำนวณไปกับทุกคำแนะนำ เพื่อให้ตรวจสอบได้ก่อน deploy
- 01
เป้าโฆษณา ที่ยึดจุด optimize กำไร ไม่ใช่จุดคุ้มทุน
Break-even ROAS คือเส้นที่กำไรทั้งก้อนของคลิกหนึ่งครั้งไหลเข้าการประมูลหมด กำไรจึงเป็นศูนย์พอดีไม่ว่าจะยิงเท่าไหร่ เป้าที่ให้กำไรสูงสุดคือจุดคุ้มทุนบวกส่วนเพิ่มสามชั้น — ดีมานด์ที่โฆษณาไม่ได้สร้าง ราคาที่การขยายของคุณเองดันขึ้น และช่องว่างระหว่างคลิกเฉลี่ยกับคลิกสุดท้าย
- 02
งบโฆษณา ซึ่งเป็นปุ่มเดียวที่คิดเป็นเงินที่จ่ายจริง
Target ROAS กำหนดราคา ไม่ได้กำหนดปริมาณ — จำนวนคลิกตัดกันหายไปจากสมการ งบจึงเป็นเครื่องมือเดียวที่จำกัดปริมาณได้ และเป็นเครื่องมือเดียวที่จำกัดการขาดทุนได้ วิธีดูว่าตอนนี้ปุ่มไหนบีบอยู่คือหารเดียว: เป้าที่กรอก หารด้วย ROAS ที่รายงาน
- 03
ราคา ที่อิงความยืดหยุ่นของดีมานด์ ไม่ใช่กฎ margin ตายตัว
การตั้ง target margin เท่ากันทั้งแคตตาล็อกไม่ใช่การ optimize เพราะดีมานด์ของแต่ละสินค้าไม่ตอบสนองเหมือนกัน กำไรสูงสุดอยู่ตรงที่รายได้ส่วนเพิ่มเท่ากับต้นทุนส่วนเพิ่มรายสินค้า ซึ่งต้องประมาณว่าดีมานด์ของสินค้านั้นตอบสนองต่อราคาอย่างไร รวมถึงข้ามแพลตฟอร์มที่สินค้าเดียวกันแบกค่าธรรมเนียมไม่เท่ากัน
- 04
ส่วนผสมสินค้า ที่ตัดสินด้วยกำไร ไม่ใช่ความเร็วในการขาย
สินค้าที่ขายดีที่สุดมักไม่ใช่สินค้าที่เลี้ยงธุรกิจ การเรียงแคตตาล็อกตามกำไรต่อหน่วย — ไม่ใช่จำนวนชิ้น ไม่ใช่ GMV — มักเผยให้เห็นกลุ่มสินค้าขายเร็วที่กระแสเงินสดติดลบเมื่อหักค่าธรรมเนียมครบ และกลุ่มกลาง ๆ ที่เงียบ ๆ แต่จ่ายค่าทุกอย่าง
- 05
สต็อก ที่ตีราคาเป็นกำไรที่กำลังเสี่ยง
ของขาดทำให้เสียกำไรของยอดที่ขายไม่ได้ บวกกับอันดับที่ตกตามมา ของเกินทำให้เสียต้นทุนการถือและความเสี่ยงล้าสมัย ทั้งสองด้านคิดเป็นกำไรได้ จุดสั่งซื้อใหม่จึงเป็นปัญหา optimization ไม่ใช่กฎคร่าว ๆ และดีมานด์ที่พุ่งตามแคมเปญทำให้สิ่งที่สำคัญคือการกระจายตัว ไม่ใช่ค่าเฉลี่ย
05/คำศัพท์
คำศัพท์ที่เกี่ยวข้อง
ฐานรากงานวิจัย
งานวิจัยภายในของ DataGlass ที่เป็นฐานของคำแนะนำในโซลูชันนี้
รายงานวิจัย · พฤษภาคม 2026
Decision Intelligence สำหรับอีคอมเมิร์ซ: ผู้ค้าปลีก optimize pricing, forecasting, inventory, promotions และ personalization อย่างไร
สำรวจเชิงเทคนิคเรื่อง pricing, forecasting, inventory, promotions และ personalization ครอบคลุมเทคนิคที่ retailer รายใหญ่ใช้ variant ที่สำคัญ และวิธี deploy ให้ใช้งานจริง
อ่านรายงาน
Working paper · พฤษภาคม 2026
จาก Gut Feel สู่ Posterior Inference: งานวิจัยระบบ DataGlass สำหรับจัดสรรงบโฆษณาอีคอมเมิร์ซ
บทความเชิงเทคนิคของระบบ DataGlass สำหรับจัดสรรงบโฆษณารายวันบน marketplace อธิบายเหตุผลเชิงวิเคราะห์ที่ rolling-mean heuristic ล้มเหลว methodology แบบ Bayesian + bandits-with-knapsacks และผล empirical portfolio-profit lift 18-24%
อ่านรายงาน
Working paper · พฤษภาคม 2026
Prediction และ Risk Optimization ภายใต้ความไม่แน่นอน: Meta-review ข้ามโดเมนใน finance, operations, causal inference และ e-commerce decision intelligence
Meta-review แบบมีโครงสร้างจาก 213 primary works และ 254 references ที่ชี้ว่าระบบตัดสินใจใน finance, operations, insurance, energy, healthcare, causal inference และ e-commerce ใช้ four primitives ร่วมกัน: probabilistic model ที่ calibrate แล้ว, risk-aware objective, operational constraint set และ principled exploration พร้อม 11 worked cases ที่เชื่อมกลับมาที่ระบบ marketplace ad-budget ของ DataGlass
อ่านรายงาน
ชุดข้อมูลเปิด
ตัวเลขอ้างอิงตลาดออนไลน์ไทย
ตัวเลขที่วัดจากร้าน Shopee ไทยจริงแบบรวมกลุ่ม: ค่าคลิกโฆษณาแยกตามชั่วโมง ช่วงเวลาที่ลูกค้าสั่งซื้อจริงแยกตามหมวดสินค้า และกลไก attribution ที่ทำให้ตัวเลขเหล่านี้ถูกอ่านผิด เป็นข้อมูลเชิงสังเกต รวมกลุ่มเท่านั้น ขั้นต่ำ 8 ร้านต่อช่อง เผยแพร่แบบ CC BY 4.0
อ่านรายงาน
04/คำถามที่พบบ่อย
คำถามที่พบบ่อย
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