Product Recommendation

นิยาม

Product Recommendation หรือที่ทีมการตลาดไทยมักเรียกกันว่า "การแนะนำสินค้าที่เกี่ยวข้อง" คือระบบที่แสดงสินค้าให้ลูกค้าเห็นโดยอิงจากพฤติกรรมของเขาเอง ไม่ว่าจะเป็นการดูสินค้า การกดเพิ่มลงตะกร้า การซื้อครั้งก่อน หรือแม้แต่การเทียบสินค้า หัวใจของมันคือการเปลี่ยน "คนที่กำลังเดินดู" ให้กลายเป็น "คนที่หยิบของเพิ่ม" ผ่านข้อเสนอที่ตรงใจในจังหวะที่ใช่

ในบริบท DTC ไทย ระบบนี้มักฝังอยู่ใน 3 จุดหลัก ได้แก่ หน้าสินค้า (Product Page), หน้าตะกร้า (Cart Page) และหน้าขอบคุณหลังชำระเงิน (Thank You Page) ซึ่งแต่ละจุดมีเป้าหมายต่างกัน เช่น หน้าแรกเน้น cross-sell ส่วนหน้าสุดท้ายเน้น upsell หรือ replenishment

อุปมาให้เห็นภาพ

ลองนึกถึงพนักงานขายในร้านสะดวกซื้อที่จำได้ว่าคุณซื้อกาแฟเย็นทุกเช้า พอคุณเดินเข้าร้านอีกครั้ง เขาก็พูดว่า "วันนี้มีคุกกี้สูตรใหม่ เข้ากับกาแฟเย็นมากเลยครับ" — นั่นแหละคือ Product Recommendation แต่ทำด้วยอัลกอริทึม แทนที่จะใช้ความจำของพนักงาน ระบบใช้ข้อมูล behavioral signal เช่น ประวัติการคลิก ประวัติการซื้อ และ similarity ระหว่างสินค้า

ต่างจาก Search ตรงที่ Search คือลูกค้า "ถาม" ส่วน Recommendation คือระบบ "เสนอ" โดยที่ลูกค้าไม่ได้ขอ

สูตรที่ใช้คำนวณจริง

ระบบแนะนำส่วนใหญ่วัดผลจาก 2 ตัวเลขนี้เป็นหลัก

1) Conversion Lift จาก Recommendation

Conversion Lift (%) =
(CR ของกลุ่มที่เห็น Recommendation − CR ของกลุ่มควบคุม)
÷ CR ของกลุ่มควบคุม × 100

2) Revenue per Session ที่เพิ่มขึ้น

Incremental RPS = (AOV ใหม่ − AOV เดิม) × จำนวน Session ที่เห็น Recommendation

3) คะแนนความคล้ายของสินค้า (Cosine Similarity)

sim(A, B) = (A · B) ÷ (||A|| × ||B||)

โดย A และ B คือ vector ของสินค้า 2 ชิ้น ที่สร้างจาก purchase co-occurrence หรือ embedding จากชื่อสินค้าและหมวดหมู่

ตารางเปรียบเทียบประเภท Recommendation

ฉากการใช้งานจริง

ฉากที่ 1 — หน้าสินค้าเครื่องสำอาง

ลูกค้าดูเซรั่มvitamin C ระบบแนะนำ "มักซื้อคู่กับ" ครีมกันแดด SPF50 และ "ลูกค้าที่ดูสินค้านี้ ยังดู" ผลิตภัณฑ์อื่นในกลุ่ม brightening เป้าหมายคือดัน AOV จาก 690 บาท ขึ้นเป็น 1,150 บาท ผ่านการเพิ่มชิ้นที่ 2

ฉากที่ 2 — หน้าตะกร้า

เมื่อลูกค้ามีสินค้า 2 ชิ้นในตะกร้า ระบบเสนอ "ซื้อครบ 1,200 บาท ส่งฟรี" พร้อมแนะนำสินค้าราคา 150–200 บาท เพื่อกระตุ้นให้ถึงยอด free shipping ซึ่งเป็นกลไกที่ได้ผลมากในตลาดไทย เพราะค่าส่งเป็น friction อันดับต้น ๆ

ฉากที่ 3 — Thank You Page

หลังชำระเงิน ระบบแนะนำสินค้าที่เป็น consumable เช่น มาสก์หน้า หรือวิตามิน เพื่อสร้างการซื้อซ้ำในรอบ 30 วัน ถ้าทำได้ดี ลูกค้ากลุ่มนี้มีโอกาสกลับมาซื้อซ้ำสูงกว่ากลุ่มที่ไม่เห็น recommendation ประมาณ 18–25%

ตัวเลขที่ควรจับตา

- CTR ของ recommendation block ที่ดีในอีคอมเมิร์ซไทย: 3–8%

- Conversion rate ของคนที่คลิก recommendation: 8–15% (สูงกว่า CR หน้าเว็บเฉลี่ย 2–3 เท่า)

- สัดส่วนรายได้ที่มาจาก recommendation ในร้านที่ทำดี: 10–30% ของรายได้รวม

ข้อเข้าใจผิดที่พบบ่อย

1. "แนะนำเยอะ ๆ ยิ่งดี"

จริง ๆ แล้วเกิน 6–8 ชิ้นต่อ block อัตราคลิกจะลดลง เพราะเกิด paradox of choice ลูกค้าไทยจำนวนมากตัดสินใจช้าลงเมื่อตัวเลือกเยอะ

2. "ใช้ algorithm อย่างเดียวพอ"

ข้อมูลไม่พอในช่วงร้านใหม่ (cold start) ต้องมี manual curation หรือ rule-based เช่น "สินค้าหมวดเดียวกัน ราคาต่างกันไม่เกิน 30%" เข้ามาช่วยก่อน

3. "วัดแค่ CTR"

CTR สูงแต่ไม่ซื้อก็ไร้ค่า ต้องวัด Incremental Revenue และดูว่ากิน cannibalization ของสินค้าหลักหรือไม่

4. "Recommendation ใช้ได้กับทุกหน้า"

หน้า checkout ไม่ควรใส่ recommendation ที่รบกวน เพราะ abandonment ควรใช้เฉพาะหน้าที่ลูกค้ายังไม่ตัดสินใจ

5. "ไม่ต้อง A/B test"

Recommendation เป็นหนึ่งในฟีเจอร์ที่ผลลัพธ์ผันผวนสูงตามกลุ่มลูกค้าและฤดูกาล ต้องทดสอบอย่างต่อเนื่อง โดยเฉพาะช่วง 11.11 และ 12.12

คำศัพท์ที่เกี่ยวข้อง

- Cross-sell — ขายสินค้าเสริมที่ต่างหมวด

- Upsell — ขายสินค้ารุ่นใหญ่ขึ้นหรือแพงขึ้น

- AOV (Average Order Value) — ยอดสั่งซื้อเฉลี่ยต่อออเดอร์

- Collaborative Filtering — เทคนิคแนะนำจากพฤติกรรมผู้ใช้กลุ่มเดียวกัน

- Cold Start Problem — ปัญหาข้อมูลไม่พอสำหรับผู้ใช้หรือสินค้าใหม่

- Personalization — การปรับประสบการณ์ให้ตรงรายบุคคล

- Basket Analysis — การวิเคราะห์สินค้าที่มักถูกซื้อร่วมกัน