Sample Size

ในโลกของ DTC และอีคอมเมิร์ซ เราแทบจะตัดสินใจทุกวันจาก "ตัวเลข" ไม่ว่าจะเป็น CTR, Conversion Rate, AOV หรือ ROAS แต่คำถามคือ ตัวเลขเหล่านั้นมาจากข้อมูลกี่ชิ้น? ถ้าคุณยิงแอดไป 50 คลิก แล้วได้ 3 ออเดอร์ คุณกล้าสรุปไหมว่าซองนี้ขายได้? นี่แหละคือหัวใจของ Sample Size หรือ ขนาดตัวอย่าง

Sample Size คืออะไร

Sample Size (ขนาดตัวอย่าง) คือจำนวนหน่วยที่เราเก็บมาศึกษา หรือจำนวน observation ที่เราใช้ในการทดลอง ไม่ว่าจะเป็นจำนวนผู้เข้าชม จำนวนออเดอร์ จำนวนอีเมลที่เปิด จำนวนแชทที่ตอบ ฯลฯ

พูดง่าย ๆ — ขนาดตัวอย่างคือ "จำนวนข้อมูล" ที่เราใช้เป็นตัวแทนของประชากรทั้งหมด ถ้าเก็บน้อยเกินไป ข้อสรุปที่ได้จะไม่น่าเชื่อถือ ถ้าเก็บมากเกินไป ก็เสียเวลาและงบประมาณโดยไม่จำเป็น

ในบริบท DTC ประชากร (Population) อาจเป็น "ลูกค้าทั้งหมดที่เคยซื้อสินค้าเรา" หรือ "คนที่เห็นโฆษณาเราทั้งหมด" ส่วน Sample คือกลุ่มย่อยที่เราเก็บข้อมูลจริง

เข้าใจง่าย: ชิมน้ำซุปหนึ่งทัพพี

ลองนึกภาพคุณทำต้มยำกุ้งหม้อใหญ่ จะรู้ว่ารสชาติเป็นยังไง คุณไม่ต้องกินทั้งหม้อ — แค่ชิมหนึ่งทัพพีก็พอ

แต่ถ้าทัพพีนั้นมีแค่กุ้งหัวเดียวกับน้ำใส ๆ คุณจะบอกว่ารสชาติเป็นยังไงได้ไหม? ไม่ได้ เพราะตัวอย่างน้อยเกินไป

ในทำนองเดียวกัน ถ้าคุณทดสอบแอด Facebook ด้วยงบ 100 บาท ได้ 8 คลิก แล้วไม่มีออเดอร์เลย คุณจะสรุปว่า "แอดนี้ไม่ work" ทันทีไม่ได้ เพราะ Sample Size = 8 มันน้อยเกินกว่าจะบอกอะไรได้

สูตรคำนวณ Sample Size พื้นฐาน

สูตรที่นิยมใช้สำหรับประมาณขนาดตัวอย่างขั้นต่ำ (กรณีไม่ทราบจำนวนประชากรแน่นอน):

n = (Z² × p × (1 - p)) / E²

โดยที่:

- n = ขนาดตัวอย่างที่ต้องการ

- Z = ค่า Z-score ตามระดับความเชื่อมั่น (95% → Z = 1.96)

- p = สัดส่วนที่คาดว่าจะเกิด (ถ้าไม่รู้ ใช้ 0.5 เพื่อความปลอดภัย)

- E = Margin of Error ที่ยอมรับได้ (เช่น 5% → 0.05)

ตัวอย่างที่ 1: ต้องการความเชื่อมั่น 95% และ Margin of Error 5%

n = (1.96² × 0.5 × 0.5) / 0.05²
n = (3.8416 × 0.25) / 0.0025
n = 0.9604 / 0.0025
n ≈ 385

แปลว่าต้องเก็บอย่างน้อย 385 ตัวอย่าง ถึงจะสรุปได้อย่างมั่นใจ

ตัวอย่างที่ 2: ถ้าต้องการ Margin of Error แค่ 10% (ยอมรับความคลาดเคลื่อนมากขึ้น)

n = (1.96² × 0.5 × 0.5) / 0.10²
n = 0.9604 / 0.01
n ≈ 97

ใช้แค่ 97 ตัวอย่าง ก็พอ — เหมาะกับการทดสอบเร็ว ๆ ในช่วงแรก

ตัวอย่างที่ 3: สำหรับ A/B Test ที่ Conversion Rate ฐาน 3% อยากจับ uplift 20% (จาก 3% → 3.6%) ที่ power 80% และ significance 95% มักต้องใช้ตัวอย่างประมาณ 25,000 - 30,000 ต่อ variant ซึ่งเป็นเหตุผลว่าทำไมการทดสอบ A/B บนอีคอมเมิร์ซขนาดเล็กจึงต้องใช้เวลานาน

ตารางเปรียบเทียบ: Sample Size น้อย vs มาก

จะเห็นว่าที่ Sample Size 50 คลิก ได้ 2 ออเดอร์ = 4% ดูดี แต่ถ้าเพิ่มเป็น 100 คลิก อาจได้แค่ 1 ออเดอร์ = 1% ก็ได้ นี่คือปัญหาของ "ตัวอย่างน้อย"

ในธุรกิจ DTC/อีคอมเมิร์ซ

1. ทดสอบ Creative โฆษณา

ก่อน scale งบ ควรให้แต่ละ creative ได้ impression อย่างน้อย 1,000-2,000 ครั้ง หรือคลิก 100+ ครั้ง เพื่อดู CTR และ CVR ที่พอเชื่อถือได้

2. A/B Test หน้า Landing Page

ถ้า Conversion Rate ฐาน 2% อยากทดสอบว่า variant ใหม่ดีกว่าจริงไหม ต้องใช้ตัวอย่างหลายพันคนต่อฝั่ง ไม่งั้นผลที่ได้อาจเป็นแค่โชค

3. ทดสอบอีเมล Marketing

ส่งอีเมลทดสอบกับกลุ่มย่อย 10% ก่อน (เช่น 500 คน จาก 5,000 คน) วัด Open Rate และ Click Rate แล้วค่อยส่งที่เหลือ

4. เก็บรีวิวสินค้า

ถ้าอยากให้คะแนนเฉลี่ยสินค้าน่าเชื่อถือ ควรมีรีวิวอย่างน้อย 30-50 รีวิว ขึ้นไป ยิ่งมากยิ่งดี

5. วิเคราะห์ Cohort ลูกค้า

การดู Retention Rate ของลูกค้าแต่ละเดือน ต้องมีลูกค้าใน cohort นั้นมากพอ ไม่เช่นนั้นอัตราการกลับมาซื้อซ้ำจะแกว่งเกินจริง

##

1: "ได้ผลลัพธ์แล้ว ก็สรุปได้เลย"

หลายคนยิงแอด 3 วัน เห็น ROAS 5 แล้ว scale ทันที แต่จริง ๆ แล้ว Sample Size ยังน้อย ตัวเลขอาจจะแค่โชคชั่วคราว

2: "Sample Size ยิ่งมากยิ่งดี"

ไม่จริง — ถ้ามากเกินไปจะเปลืองงบและเวลา ควรคำนวณให้พอดีกับระดับความเชื่อมั่นที่ต้องการ

3: "Conversion Rate 4% ดีกว่า 3% เสมอ"

ถ้าตัวอย่างน้อย ความต่างนี้อาจไม่มีนัยสำคัญทางสถิติ (Statistical Significance) เลยด้วยซ้ำ

4: "ใช้ Sample Size เท่ากันได้กับทุกการทดลอง"

การทดลองที่ Conversion Rate ต่างกัน ต้องการ Sample Size ต่างกันมาก เช่น CVR 1% ต้องใช้ตัวอย่างมากกว่า CVR 10% หลายเท่า

5: "หยุดทดลองเมื่อเห็นผลดี"

การหยุดก่อนเวลา (Peeking) ทำให้ผลลัพธ์ bias ได้ เพราะเราเห็นแค่ช่วงที่ตัวเลขสวย

##

- Statistical Significance (นัยสำคัญทางสถิติ) — ความมั่นใจว่าผลที่เห็นไม่ใช่เรื่องบังเอิญ

- Confidence Level (ระดับความเชื่อมั่น) — มักใช้ 95% หมายถึงยอมรับความผิดพลาด 5%

- Margin of Error (ขอบเขตความคลาดเคลื่อน) — ความแม่นยำของผลสำรวจ

- Statistical Power (กำลังทางสถิติ) — โอกาสตรวจจับ effect ได้จริง มักใช้ 80%

- A/B Testing — การทดลองเปรียบเทียบสองเวอร์ชัน

- Confidence Interval (ช่วงความเชื่อมั่น) — ช่วงที่ค่าจริงน่าจะอยู่

- P-value — ค่าความน่าจะเป็นที่ผลเกิดจากความบังเอิญ

- Population (ประชากร) — กลุ่มทั้งหมดที่เราสนใจศึกษา

สรุป

Sample Size ไม่ใช่แค่ตัวเลขในตำรา statistic แต่เป็นเครื่องมือตัดสินใจในชีวิตประจำวันของคนทำ DTC ทุกคน จำไว้สั้น ๆ ว่า:

**"ถ้าข้อมูลน้อย ข้อสรุปก็อ่อน — ถ้าข้อมูลพอ ข้อสรุปก็แน่น"**

ก่อนจะ scale งบ ปรับหน้าเว็บ หรือเปลี่ยนกลยุทธ์ใด ๆ ถามตัวเองก่อนเสมอว่า "ตัวอย่างที่ได้มา มันมากพอที่จะเชื่อได้หรือยัง?" ถ้ายัง — รอเก็บข้อมูลอีกหน่อย ดีกว่าเสียเงินฟรีกับข้อสรุปที่ผิด