นิยาม
Cohort Analysis หรือ การวิเคราะห์กลุ่มร่วมวัย คือวิธีการวิเคราะห์ข้อมูลเชิง-longitudinal ที่แบ่งผู้ใช้ออกเป็น "กลุ่ม" (cohort) ตามพฤติกรรมครั้งแรกที่เกิดขึ้นในช่วงเวลาเดียวกัน เช่น วันที่สมัครสมาชิก วันที่ซื้อครั้งแรก หรือวันที่เปิดใช้งานแอป แล้วติดตามพฤติกรรมของแต่ละกลุ่มย้อนหลังไปตามระยะเวลา
หัวใจสำคัญคือการ "จับกลุ่มคนที่เกิดพร้อมกัน แล้วดูว่าแต่ละกลุ่มมีพฤติกรรมต่างกันอย่างไรเมื่อเวลาผ่านไป" แทนที่จะดูภาพรวมทั้งหมด (aggregate) ซึ่งมักหลอกตาเรา
ในบริบท DTC/อีคอมเมิร์ซไทย การทำ Cohort Analysis มักใช้ตอบคำถามเช่น:
- ลูกค้าที่ซื้อครั้งแรกช่วง 11.11 มี retention ดีกว่าช่วงปกติหรือไม่?
- ลูกค้าที่มาจาก TikTok Ads อยู่ยาวกว่าลูกค้าจาก Facebook Ads ไหม?
- หลังเปลี่ยน packaging ใหม่ ลูกค้ากลุ่มใหม่กลับมาซื้อซ้ำมากขึ้นแค่ไหน?
อุปกรณ์ช่วยจำ (Analogy)
ลองนึกภาพ โรงเรียนมัธยม ที่มีนักเรียนจบปีละรุ่น (รุ่น 2560, 2561, 2562...) แต่ละรุ่นเข้ามาพร้อมกัน แต่เมื่อเวลาผ่านไป 10 ปี เราอยากรู้ว่ารุ่นไหนประสบความสำเร็จมากกว่ากัน
ถ้าเราไปดูแค่ "รายได้เฉลี่ยของศิษย์เก่าทั้งหมด" ตัวเลขจะปนกันมั่ว — รุ่นเก่ามีเวลาเก็บเกี่ยวมากกว่า รุ่นใหม่เพิ่งเริ่มทำงาน
แต่ถ้าเราแยกดู "รายได้เฉลี่ยของแต่ละรุ่น ณ ปีที่ 1, 2, 3 หลังจบ" เราจะเห็นชัดว่ารุ่น 2561 เก่งกว่ารุ่น 2560 จริง หรือแค่ดูแก่กว่า
Cohort Analysis ทำงานแบบเดียวกัน — มัน จัดแนวเวลาของแต่ละกลุ่มให้เริ่มที่ 0 เท่ากัน เพื่อเทียบแบบ apples-to-apples
สูตรและตัวชี้วัดหลัก
1. Retention Rate ต่อช่วงเวลา
Retention Rate (เดือนที่ n) = (จำนวนผู้ใช้ในกลุ่มที่ยัง active เดือนที่ n ÷ จำนวนผู้ใช้เริ่มต้นในกลุ่ม) × 100
ตัวอย่าง: กลุ่มลูกค้าที่ซื้อครั้งแรกเดือนมกราคม 2567 มี 2,000 คน
- เดือนที่ 1 (ก.พ.): กลับมาซื้อซ้ำ 600 คน → Retention = 30%
- เดือนที่ 2 (มี.ค.): กลับมาซื้อซ้ำ 380 คน → Retention = 19%
- เดือนที่ 3 (เม.ย.): กลับมาซื้อซ้ำ 260 คน → Retention = 13%
2. Cumulative LTV ต่อกลุ่ม
LTV สะสม (เดือนที่ n) = Σ (รายได้เฉลี่ยต่อผู้ใช้ในเดือนที่ 1 ถึง n)
3. Cohort Conversion Rate
Conversion Rate = (จำนวนผู้ใช้ที่ทำเป้าหมายในเดือนที่ n ÷ จำนวนผู้ใช้เริ่มต้นในกลุ่ม) × 100
ตารางเปรียบเทียบ: Cohort Analysis vs Traditional Analysis
| มิติ | Traditional Analysis | Cohort Analysis |
|---|---|---|
| **มุมมองเวลา** | ภาพรวม ณ จุดเดียว (snapshot) | ติดตามข้ามเวลาต่อกลุ่ม |
| **การจัดกลุ่ม** | ทั้งหมดรวมกัน | แยกตามช่วงเวลาที่เริ่ม |
| **คำถามที่ตอบ** | "ตอนนี้เป็นอย่างไร?" | "กลุ่มไหนดีขึ้น/แย่ลง?" |
| **ข้อดี** | ง่าย เข้าใจเร็ว | เห็นแนวโน้มที่ซ่อนอยู่ |
| **ข้อเสีย** | กลุ่มใหม่กลบกลุ่มเก่า | ต้องมีข้อมูลเพียงพอ |
| **ตัวอย่างใน DTC** | ยอดขายรวมเดือนนี้ | ลูกค้าจากแคมเปญ 11.11 อยู่ยาวแค่ไหน |
| **การใช้งานหลัก** | รายงานประจำเดือน | ตัดสินใจกลยุทธ์ retention |
สถานการณ์ใช้งานจริงใน DTC ไทย
1. วัดผลแคมเปญใหญ่ (Mega Campaign)
ช่วง 12.12 ร้านเครื่องสำอางได้ลูกค้าใหม่ 8,500 คน เทียบกับช่วงปกติได้ 3,200 คน แต่เมื่อดู Cohort พบว่า:
- กลุ่ม 12.12 กลับมาซื้อซ้ำเดือนที่ 2 เพียง 11%
- กลุ่มปกติกลับมาซื้อซ้ำเดือนที่ 2 ถึง 24%
แปลว่าแคมเปญใหญ่ได้คนเยอะแต่คุณภาพต่ำ → ต้องปรับ targeting หรือ onboarding flow
2. เปรียบเทียบช่องทาง Acquisition
แบรนด์เสื้อผ้าไทยเปรียบเทียบลูกค้าจาก 3 ช่องทาง:
| ช่องทาง | จำนวน | Retention M1 | Retention M3 | LTV 6 เดือน |
|---|---|---|---|---|
| TikTok Ads | 4,200 | 18% | 7% | ฿420 |
| Facebook Ads | 3,800 | 26% | 14% | ฿780 |
| LINE OA | 1,500 | 41% | 28% | ฿1,450 |
ข้อมูลนี้บอกชัดว่า LINE OA ให้ลูกค้าคุณภาพสูงสุด แม้ CAC อาจสูงกว่า
3. วัดผลการเปลี่ยน Packaging
แบรนด์สกินแคร์เปลี่ยนขวดใหม่เดือนมิถุนายน 2567:
- Cohort พ.ค. (ขวดเก่า): Retention M2 = 16%
- Cohort มิ.ย. (ขวดใหม่): Retention M2 = 23%
เพิ่มขึ้น +7 percentage points → คุ้มค่ากับการลงทุน redesign
ข้อเข้าใจผิดที่พบบ่อย
❌ 1. "Retention ต่ำ = ธุรกิจแย่"
บางประเภทธุรกิจมี retention ตามธรรมชาติอยู่แล้ว เช่น ของใช้ในงานแต่งงาน หรือสินค้าตามเทศกาล สิ่งสำคัญคือเทียบ cohort ต่อ cohort ไม่ใช่เทียบกับ benchmark ลอยๆ
❌ 2. "ดูแค่เดือนแรกก็พอ"
Cohort ที่ดีต้องดูอย่างน้อย 3-6 เดือน เพราะพฤติกรรมซื้อซ้ำของคนไทยมักมีรอบ 30/60/90 วัน การดูแค่ M1 อาจทำให้เข้าใจผิด
❌ 3. "Cohort ทุกกลุ่มต้องเหมือนกัน"
จริงๆ แล้วเราควรแบ่ง cohort ตามมิติที่หลากหลาย เช่น ช่วงเวลา + ช่องทาง + หมวดสินค้าที่ซื้อครั้งแรก เพื่อหา segment ที่ดีที่สุด
❌ 4. "ใช้ Excel ทำได้ตลอด"
พอข้อมูลเกิน 100,000 แถว Excel จะอืด แนะนำใช้ SQL window functions, Python (pandas), หรือเครื่องมืออย่าง Amplitude / Mixpanel / Looker
❌ 5. "Cohort = Segmentation"
ไม่เหมือนกัน — Segmentation คือการแบ่ง ณ ปัจจุบัน ส่วน Cohort คือการแบ่งตาม จุดเริ่มต้นในอดีต แล้วติดตามต่อ
เคล็ดลับปฏิบัติสำหรับทีม DTC ไทย
1. กำหนด "Zero Point" ให้ชัด — วันสมัคร? วันซื้อครั้งแรก? วันเปิดแอป? ต้องเหมือนกันทุกกลุ่ม
2. ใช้ Cohort แบบสัปดาห์สำหรับธุรกิจที่ cycle สั้น (เช่น food delivery) และแบบเดือนสำหรับ cycle ยาว (เช่น furniture)
3. เชื่อม Cohort กับ LTV/CAC เพื่อดูว่าแคมเปญไหนคืนทุนจริง
4. ทำ Cohort ตาม RFM เพื่อหากลุ่ม VIP ที่ควรลงทุน retention
5. รายงาน Cohort ทุกเดือน ไม่ใช่แค่ตอนสงสัย ไม่งั้นจะพลาดสัญญาณเตือน
คำศัพท์ที่เกี่ยวข้อง
- Retention Rate — อัตราการกลับมาใช้งาน/ซื้อซ้ำ
- Churn Rate — อัตราการหายไป (1 - Retention)
- LTV (Lifetime Value) — มูลค่าตลอดชีพของลูกค้า
- CAC (Customer Acquisition Cost) — ต้นทุนได้ลูกค้าใหม่
- RFM Analysis — Recency, Frequency, Monetary
- Cohort Retention Curve — กราฟแสดง retention ของแต่ละกลุ่มตามเวลา
- Survival Analysis — การวิเคราะห์เชิงสถิติสำหรับเวลาที่ลูกค้าอยู่กับเรา
- Cohort Matrix — ตารางที่แสดง retention ของหลายกลุ่มเทียบกัน
สรุปสั้นๆ: Cohort Analysis คือแว่นขยายที่ทำให้เราเห็นว่า "ลูกค้าที่เข้ามาต่างเวลากัน มีคุณค่าและพฤติกรรมต่างกันแค่ไหน" สำหรับ DTC/อีคอมเมิร์ซไทยที่ต้นทุนโฆษณาสูงขึ้นทุกปี การเข้าใจ Cohort คือทางรอดจากกับดัก "ยอดขายโตแต่กำไรหาย"