Predictive Analytics

นิยาม

Predictive Analytics คือกระบวนการใช้ข้อมูลในอดีต + โมเดลสถิติ + Machine Learning เพื่อ คาดการณ์สิ่งที่ยังไม่เกิดขึ้น เช่น ลูกค้าคนไหนจะซื้อซ้ำ, สินค้าไหนจะหมดสต็อกเดือนหน้า, หรือแคมเปญไหนจะได้ ROAS คุ้มทุน

พูดง่าย ๆ ในบริบท DTC/อีคอมเมิร์ซไทย — มันคือการ "เดาอนาคตจากข้อมูลจริง" ไม่ใช่เดาสุ่ม แต่ใช้คณิตศาสตร์คำนวณความน่าจะเป็น

ต่างจาก Descriptive Analytics (ดูว่าเกิดอะไรขึ้น) และ Diagnostic Analytics (ทำไมมันเกิด) ตรงที่ Predictive Analytics มองไปข้างหน้า เพื่อให้แบรนด์ตัดสินใจล่วงหน้าได้ ไม่ใช่ตามแก้ปัญหา

อุปมาที่เข้าใจง่าย

ลองนึกภาพ ร้านส้มตำเจ้าดังในกรุงเทพฯ

- Descriptive = ดูยอดขายเมื่อวาน ขายได้ 200 จาน

- Diagnostic = ทำไมเมื่อวานขายดี? เพราะฝนตก คนไม่ไปไหน

- Predictive = พรุ่งนี้ฝนจะตกอีก → เตรียมวัตถุดิบสำหรับ 230 จาน

- Prescriptive = ควรสั่งมะละกอเพิ่ม 15 กก. และเพิ่มพนักงาน 1 คน

ในโลก DTC ก็เหมือนกัน — Predictive Analytics ช่วยให้คุณ ไม่ตื่นมาเจอสต็อกหมดกลางแคมเปญ 11.11 หรือ ไม่เผางบโฆษณากับกลุ่มที่ไม่ซื้ออยู่แล้ว

สูตรพื้นฐาน

1. Linear Regression (ถดถอยเชิงเส้น)

$$

y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \dots + \beta_n x_n + \epsilon

$$

ใช้เมื่ออยากรู้ว่า "ถ้าเพิ่มงบโฆษณา X บาท ยอดขายจะเพิ่มเท่าไหร่"

2. Logistic Regression (ทำนายโอกาสเกิด/ไม่เกิด)

$$

P(y=1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + \dots + \beta_n x_n)}}

$$

ใช้ทำนาย Churn Probability หรือ Purchase Probability

3. CLV แบบพยากรณ์

$$

CLV = \sum_{t=1}^{T} \frac{\text{AOV}_t \times \text{Frequency}_t \times \text{Margin}_t}{(1 + r)^t}

$$

โดยที่ $r$ = discount rate, $T$ = ระยะเวลาที่คาดว่าลูกค้าจะอยู่

4. RFM Scoring

$$

\text{RFM Score} = w_R \cdot R + w_F \cdot F + w_M \cdot M

$$

ตารางเปรียบเทียบประเภท Analytics

ในบริบท DTC/อีคอมเมิร์ซไทย

1. ทำนาย Churn ลูกค้า

แบรนด์สกินแคร์ไทยใช้โมเดลทำนายว่าลูกค้าคนไหน ไม่กลับมาซื้อภายใน 60 วัน จากข้อมูล:

- จำนวนวันตั้งแต่ซื้อครั้งล่าสุด

- จำนวนครั้งที่เปิดอีเมล

- มูลค่าออเดอร์เฉลี่ย (AOV)

- ช่องทางที่ซื้อ (LINE OA vs TikTok Shop)

ตัวเลขจริง: แบรนด์หนึ่งลด Churn ได้ 23% หลังใช้โมเดลทำนายและส่งโค้ดส่วนลดเฉพาะกลุ่มเสี่ยง

2. พยากรณ์ Demand / สต็อก

ใช้ Time Series (Prophet, ARIMA) ทำนายยอดขายราย SKU ล่วงหน้า 4 สัปดาห์

ตัวอย่าง: ร้านอาหารเสริมแห่งหนึ่งลด Stockout จาก 12% → 3.5% และลด Dead Stock ลง 18% ใน 6 เดือน

3. ทำนาย ROAS แคมเปญ

ใช้ Gradient Boosting ทำนาย ROAS ของแคมเปญ Meta Ads ล่วงหน้า 7 วัน โดยดูจาก:

- งบที่ตั้ง

- Audience size

- Creative type (video vs static)

- เวลาโพสต์

4. Next Best Action

ระบบแนะนำว่าลูกค้าคนนี้ควรได้รับ อีเมล / SMS / โปรโมชั่นแบบไหน ถึงจะ Convert สูงสุด

ตัวเลข: แบรนด์แฟชั่นไทยเพิ่ม Conversion Rate จาก 1.8% → 3.1% หลังใช้ Next Best Action Engine

5. Propensity Score สำหรับ Upsell

ทำนายโอกาสที่ลูกค้าซื้อสินค้าราคาสูงขึ้น เช่น จากเซรั่ม 590 บาท → ชุดเต็ม 1,890 บาท

ข้อเข้าใจผิดที่พบบ่อย

❌ "Predictive Analytics = ดูดวง"

ไม่ใช่ — มันคือ ความน่าจะเป็น ที่มี Confidence Interval กำกับ ถ้าโมเดลบอก 78% หมายความว่าใน 100 คนที่มี Feature เหมือนกัน จะมีประมาณ 78 คนที่ซื้อ

❌ "ต้องมี Data เยอะมากก่อน"

จริง ๆ เริ่มจาก ข้อมูล 3-6 เดือน ก็ Train โมเดล basic ได้แล้ว แต่ต้องสะอาดพอ

❌ "ทำครั้งเดียวจบ"

โมเดล Drift ตลอด — พฤติกรรมลูกค้าไทยเปลี่ยนตามเทศกาล (สงกรานต์, 11.11, 12.12) ต้อง Retrain ทุก 4-8 สัปดาห์

❌ "ใช้ Excel ก็พอ"

ถ้า SKU < 50 และลูกค้า < 1,000 ใช้ Excel ได้ แต่พอโตเกินนี้ต้องใช้ Python (scikit-learn, XGBoost) หรือเครื่องมืออย่าง Google Vertex AI, AWS SageMaker, Databricks

❌ "ทำนายแม่นแล้วจบ"

ต้องมี Action Layer — ทำนายแล้วต้องส่งโปรโมชั่น ยิงแอด หรือปรับสต็อกจริง ไม่งั้นก็แค่ตัวเลขสวย ๆ ใน Dashboard

❌ "ใช้ทุกอย่างกับทุกคน"

Segmentation สำคัญ — โมเดลที่เทรนกับลูกค้ากรุงเทพฯ อาจใช้กับลูกค้าต่างจังหวัดไม่ได้ ต้องแยกหรือรวม Feature ภูมิภาคเข้าไป

เครื่องมือที่นิยมในไทย

คำศัพท์ที่เกี่ยวข้อง

- Machine Learning — ฐานของ Predictive Analytics

- Churn Rate — อัตราการจากไปของลูกค้า

- CLV (Customer Lifetime Value) — มูลค่าลูกค้าตลอดชีพ

- Propensity Model — โมเดลทำนายโอกาสเกิดพฤติกรรม

- Time Series Forecasting — พยากรณ์ตามเวลา

- RFM Analysis — Recency, Frequency, Monetary

- Prescriptive Analytics — ขั้นถัดไป แนะนำ Action

- Feature Engineering — การสร้างตัวแปรจากข้อมูลดิบ

- Model Drift — โมเดลเสื่อมประสิทธิภาพตามเวลา

- A/B Testing — วิธีพิสูจน์ว่าโมเดลทำงานจริง

สรุปสั้น ๆ: Predictive Analytics ใน DTC ไทยไม่ใช่ของไฮเทคเฉพาะบริษัทใหญ่ — ถ้าคุณมีข้อมูลลูกค้า 3 เดือนขึ้นไป ก็เริ่มทำนาย Churn, Demand และ ROAS ได้แล้ว สิ่งสำคัญคือ ข้อมูลสะอาด + Action ชัดเจน + Retrain สม่ำเสมอ ไม่ใช่โมเดลหรูแต่ไม่มีใครใช้