B. เปิดใช้งาน & ทำความเข้าใจลูกค้า

🔍 การแบ่งกลุ่มลูกค้าCustomer Segmentation

เมื่อทีมพูดว่า “ส่ง Broadcast ไปทั้งฐานแล้วคนบล็อก LINE เพิ่ม" หรือ "ลูกค้าซื้อทั้งหน้าร้าน Shopee และไลฟ์ แต่เราไม่รู้ว่าใครเป็นใคร จะแบ่งกลุ่มยังไง”

Customer Segmentation คือการแบ่งลูกค้าเป็นกลุ่มที่มีพฤติกรรม ความต้องการ หรือมูลค่าคล้ายกัน แล้วส่งข้อเสนอที่ "ใช่" ให้แต่ละกลุ่ม แทนการยิงข้อความเดียวให้ทุกคน ปี 2026 เครื่องมือ CRM สร้าง Segment จากคำสั่งภาษาพูดได้แล้ว แต่ทีมยังต้องนิยามกลุ่มให้ถูก รวมข้อมูลจากหน้าร้าน LINE และมาร์เก็ตเพลสให้เป็นคนเดียว และใช้ข้อมูลอย่างถูก PDPA

ปรับปรุงล่าสุด ต.ค. 2026

เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt

ประเภทธุรกิจชื่อธุรกิจหรือแบรนด์สินค้าหรือบริการหลักกลุ่มลูกค้าเป้าหมายช่องทางหรือแพลตฟอร์มหลักระบบ CRM หรือเครื่องมือที่ใช้

ข้อมูลเก็บไว้ในเบราว์เซอร์นี้เท่านั้น ไม่ได้ส่งไปที่ใด ช่องว่างที่ตรงกับข้อมูลนี้จะถูกเติมให้ทุก prompt ส่วนช่องอื่นกด "เติมช่องว่าง" ที่ prompt นั้น

Q1แบ่งกลุ่มลูกค้ามีกี่แบบ แล้วธุรกิจเล็ก ๆ ควรเริ่มจากแบบไหน

แบบหลักมี 4 แบบ

Demographic/Geographic: อายุ เพศ จังหวัด
Behavioural: ซื้ออะไร บ่อยแค่ไหน ช่องทางไหน
Value-based: มูลค่าที่ลูกค้าสร้างให้ธุรกิจ
Psychographic: ไลฟ์สไตล์ ทัศนคติ

ธุรกิจที่เพิ่งเริ่ม ควรเริ่มจาก Behavioural ด้วย RFM เพราะใช้แค่ข้อมูลการขายที่มีอยู่แล้ว คือวันที่ซื้อ จำนวนครั้ง และยอดเงิน ทำใน Google Sheets ได้ และใช้ทำแคมเปญได้ทันที เช่น ร้านอาหารแยกข้อความให้ลูกค้าประจำกับลูกค้าที่หายไป

Demographic ใช้เป็นมิติเสริม เช่น RFM × ภาค ไม่ใช่ตัวตั้ง เพราะคนอายุเท่ากันในจังหวัดเดียวกันซื้อต่างกันมาก เมื่อข้อมูลพร้อมขึ้น ค่อยเพิ่ม Predicted CLV และ Churn Risk แล้วใช้ Persona ช่วยให้ทีมเข้าใจ "คน" ในแต่ละกลุ่ม

Prompt ต่อยอด

ธุรกิจของฉันคือ [ประเภทธุรกิจ] มีลูกค้าในระบบ [จำนวน] ราย ข้อมูลที่มีคือ [เช่น ประวัติซื้อ, เพศ, จังหวัด, LINE tag, ช่องทางที่ซื้อ] ช่วยแนะนำว่าควรเริ่มแบ่งกลุ่มแบบไหนก่อน และเสนอ 4–6 Segment แรกเป็นตาราง: ชื่อกลุ่ม | นิยามที่คำนวณได้ | ข้อมูลที่ต้องใช้ | แคมเปญแรกที่ควรทำ

Q2RFM ให้คะแนนยังไง ต้องตั้งเกณฑ์เองหรือมีสูตรมาตรฐาน

วิธีที่ใช้กันมาก (Braze อธิบายไว้) คือ ให้คะแนน 1–5 ต่อเรื่อง โดยแบ่งลูกค้าของตัวเองเป็น 5 กลุ่มเท่า ๆ กัน (ควินไทล์)

เรียงลูกค้าตาม Recency (วันตั้งแต่ซื้อล่าสุด) กลุ่ม 20% ที่ซื้อล่าสุดได้ 5 กลุ่มที่ห่างที่สุดได้ 1
ทำแบบเดียวกันกับ Frequency (จำนวนครั้งใน 12–24 เดือน) และ Monetary (ยอดรวมช่วงเดียวกัน)
รวมเป็นรหัส เช่น 5-5-5 = Champions, 1-2-2 = At Risk

ข้อควรรู้

ไม่มีเกณฑ์กลาง แต่ละเครื่องมือใช้ต่างกัน เช่น Shopify อธิบายว่า Klaviyo ใช้สเกล 1–3
คะแนนเป็นค่าเทียบกัน ลูกค้าอาจได้คะแนนลดลงเพราะคนอื่นซื้อมากขึ้น
ถ้าลูกค้าเกือบทั้งหมดซื้อครั้งเดียว เช่น ร้านที่ขายผ่าน Shopee เป็นหลัก คะแนน Frequency จะแยกคนไม่ออก ใช้ 3 ระดับหรือดูหมวดสินค้าแทน
คะแนนเก่าเร็ว ให้คำนวณใหม่ตามรอบซื้อปกติ และบ่อยขึ้นช่วงแคมเปญใหญ่ เช่น 11.11

Prompt ต่อยอด

ฉันแนบไฟล์ธุรกรรม (customer_id, order_date, order_amount, channel) ของ [ประเภทธุรกิจ] ลบชื่อ/เบอร์แล้ว ช่วยคำนวณ RFM 1–5 แบบควินไทล์จากข้อมูล [12/24] เดือนล่าสุด ถ้าคุณรันโค้ดไม่ได้ให้เขียน [SQL/Python/สูตร Google Sheets] ให้ฉัน พร้อมตารางจับคู่รหัส RFM กับชื่อกลุ่ม และเตือนถ้า Frequency แยกลูกค้าไม่ออก

Q3ได้ Segment จาก RFM แล้ว ควรทำอะไรกับแต่ละกลุ่ม

แต่ละกลุ่มมีเป้าหมายต่างกัน จึงไม่ควรได้ข้อความเดียวกัน แนวทางตามที่ Braze แนะนำ

Champions (สูงทุกด้าน): สิทธิ์ก่อนใคร งาน VIP ชวนรีวิวหรือแนะนำเพื่อน ไม่จำเป็นต้องให้ส่วนลด เพราะเขาจ่ายเต็มราคาอยู่แล้ว
Loyal (ซื้อบ่อยแต่ยอดไม่สูง): แต้มสะสมแบบมีระดับ แนะนำหมวดสินค้าใหม่
Big Spender ซื้อไม่บ่อย: เตือนเมื่อถึงรอบที่ควรซื้อ แนะนำสินค้าพรีเมียม
New / Promising: ส่งเข้า Onboarding เพื่อพาไปซื้อครั้งที่ 2–3
At Risk (เคยดีแต่เงียบ): Win-back ที่อ้างถึงสิ่งที่เคยซื้อ ก่อนจะหายไปเลย
Hibernating / Lost: ลงทุนน้อย หรือหยุดส่ง เพื่อลดคนบล็อก LINE

อย่าทุ่มทุกอย่างให้กลุ่มบนจนลืมกลุ่มกลาง เพราะกลุ่มกลางคือ Champions ในอนาคต

Prompt ต่อยอด

นี่คือสัดส่วน Segment RFM ของ [ประเภทธุรกิจ]: [รายชื่อกลุ่มและจำนวน] งบ CRM ต่อเดือน [งบ] ช่องทาง [LINE OA/Push/SMS/Email] ช่วยวางแผนแคมเปญ 1 ไตรมาสเป็นตาราง: กลุ่ม | เป้าหมาย | ข้อเสนอ | ความถี่ | KPI | งบ และบอกกลุ่มที่ไม่ควรให้ส่วนลด

Q4Persona กับ Segment ต่างกันยังไง ต้องทำทั้งสองอย่างไหม

Segment คือกลุ่มที่นับได้จากข้อมูล เช่น ลูกค้าที่ซื้อ 3 ครั้งขึ้นไปใน 6 เดือน มี 12,400 คน ส่วน Persona คือตัวแทนที่มีชีวิตของกลุ่มนั้น HubSpot นิยามว่าเป็น "โปรไฟล์ลูกค้าในอุดมคติที่สร้างจากงานวิจัย"

ทั้งสองอย่างเสริมกัน

Segment ใช้ เลือกคนและวัดผล ในระบบ CRM
Persona ใช้ ออกแบบข้อความและประสบการณ์ ให้ทีมครีเอทีฟ ฝ่ายขาย และบริการเข้าใจตรงกัน

วันนี้ AI สร้าง Persona ได้ในไม่กี่นาที แต่ถ้าไม่มีข้อมูลจริงรองรับ จะได้ Persona ที่ฟังดูดีแต่ผิด วิธีที่ถูกคือเริ่มจาก Segment มูลค่าสูง คุยกับลูกค้าจริง 5–10 คน รวมกับแชต LINE และคอลเซ็นเตอร์ แล้วสรุป 2–4 Persona พอ และให้ AI แยกให้เห็นว่าข้อไหน "มาจากข้อมูล" ข้อไหน "เป็นสมมติฐาน"

Prompt ต่อยอด

ช่วยสร้าง Persona 3 แบบสำหรับ [สินค้า/บริการ] ของ [ชื่อธุรกิจ] จากสรุป Segment มูลค่าสูง [ข้อมูลสรุป] และข้อความลูกค้า [วางข้อความที่ลบข้อมูลส่วนตัวแล้ว] ใส่ชื่อ บริบทชีวิต เป้าหมาย Pain Point ช่องทางที่ใช้ เหตุผลที่ซื้อ และติดป้าย [จากข้อมูล] หรือ [สมมติฐาน] ทุกข้อ

Q5จะหากลุ่มลูกค้าที่กำลังจะเลิกซื้อ (Churn Risk) ได้ยังไงถ้ายังไม่มีโมเดล AI

เริ่มจาก กฎง่าย ๆ จากรอบการซื้อปกติ ไม่ต้องรอโมเดล

หาระยะห่างเฉลี่ยระหว่างการซื้อของลูกค้าแต่ละคน หรือของแต่ละกลุ่ม
ถ้าวันตั้งแต่ซื้อล่าสุดเกิน 1.5–2 เท่าของรอบปกติ และลูกค้าเคยซื้อบ่อยหรือยอดสูง ให้ติดธง "At Risk"
เพิ่มสัญญาณอื่น เช่น บล็อก LINE OA, ไม่คลิกข้อความหลายครั้งติด, ร้องเรียนล่าสุด, ยอดต่อบิลลดลง

เมื่อข้อมูลพร้อม ค่อยใช้คะแนนทำนายจากเครื่องมือ เช่น Klaviyo ต้องมีลูกค้าที่เคยสั่งซื้ออย่างน้อย 500 คน ประวัติ 180 วัน มีคำสั่งซื้อใน 30 วันล่าสุด และมีลูกค้าที่ซื้อ 3 ครั้งขึ้นไป

จุดสำคัญคือ ต้องวัดว่าแคมเปญรักษาลูกค้าได้ผลจริง โดยกันกลุ่มควบคุม (Holdout คือกลุ่มที่ไม่ส่งแคมเปญ) ไว้ส่วนหนึ่ง แล้วเทียบอัตรากลับมาซื้อ

Prompt ต่อยอด

ธุรกิจ [ประเภทธุรกิจ] รอบซื้อเฉลี่ย [จำนวนวัน] ช่วยออกแบบกฎหาลูกค้า Churn Risk 3 ระดับ (เฝ้าระวัง/เสี่ยง/เสี่ยงสูง) จากข้อมูล [รายการข้อมูลที่มี] เป็นตาราง: ระดับ | เงื่อนไข | แคมเปญ | งบต่อราย พร้อมวิธีตั้ง Holdout เพื่อวัดผลจริง

Q6Segment ละเอียดมาก ๆ ดีกว่า หรือกว้าง ๆ ดีกว่า

ขึ้นกับว่า ทีมทำแคมเปญแยกได้จริงกี่กลุ่ม ไม่ใช่ว่าแบ่งได้กี่กลุ่ม

แบ่งละเอียด: ข้อความตรงใจกว่า แต่กลุ่มเล็กจนวัดผลไม่ได้ ต้องทำคอนเทนต์หลายเวอร์ชัน และลูกค้าคนเดียวอาจอยู่หลายกลุ่มจนได้ข้อความซ้ำ
แบ่งกว้าง: บริหารง่าย วัดผลชัด แต่ข้อความกลาง ๆ ไม่โดนใจใคร

แนวทางที่ใช้ได้จริง

เริ่มที่ 5–8 กลุ่มหลักที่ส่งแคมเปญต่างกันได้จริง
ใช้ Personalization ภายในกลุ่ม เช่น ใส่สินค้าที่เคยซื้อ หรือให้ AI เขียนข้อความหลายเวอร์ชัน แทนการซอยกลุ่มเพิ่ม
ทุกกลุ่มต้องมีเจ้าของ เป้าหมาย และ KPI ถ้าไม่มีให้ยุบรวม
ตั้งขนาดขั้นต่ำ เช่น กลุ่มที่เล็กกว่า 300 คน ไม่ทำแคมเปญแยก ยกเว้นกลุ่มมูลค่าสูงมาก

Prompt ต่อยอด

[ชื่อธุรกิจ] มี Segment [จำนวน] กลุ่ม ได้แก่ [รายชื่อและขนาด] ทีม CRM มี [จำนวน] คน ส่งแคมเปญสัปดาห์ละ [จำนวน] ครั้ง ช่วยประเมินว่าควรยุบหรือแยกกลุ่มไหน และเสนอโครงสร้างใหม่ที่ไม่ทับซ้อน เป็นตาราง: กลุ่มเดิม | ข้อเสนอ | เหตุผล

Q7ลูกค้าซื้อทั้งหน้าร้าน LINE เว็บ Shopee และไลฟ์ จะแบ่งกลุ่มยังไงให้เป็นคนเดียวกัน

ต้องทำ Identity Resolution (จับคู่ข้อมูลให้เป็นคนเดียว) ก่อนแบ่งกลุ่ม ทำเป็นขั้น

เลือกตัวระบุหลัก ในไทยมักเป็นเบอร์โทร รองลงมาคือ LINE userId และหมายเลขสมาชิก
สร้างตารางจับคู่: member_id ↔ เบอร์โทร ↔ LINE userId ↔ รหัสลูกค้าเว็บ
ยอมรับข้อจำกัดของมาร์เก็ตเพลส Shopee ปิดชื่อและเบอร์ผู้ซื้อ ข้อมูลจึงใช้ได้ระดับคำสั่งซื้อ จนกว่าผู้ซื้อจะสมัครสมาชิกเองผ่าน QR ในกล่องหรือ LINE OA
รวมธุรกรรมทุกช่องทางลงตารางเดียว มีคอลัมน์ channel แล้วค่อยคำนวณ RFM รวม และเพิ่มมิติ "ช่องทางที่ถนัด"
ตั้งกฎข้อมูลซ้ำ เช่น เบอร์เดียวกันแต่ชื่อต่างกัน ให้ใช้ข้อมูลล่าสุด

ถ้ายังรวมไม่ได้ทั้งหมด เริ่มจาก 2 ช่องทางที่รายได้สูงสุดก่อน และเขียนใน Privacy Notice ว่ามีการรวมข้อมูลข้ามช่องทาง

Prompt ต่อยอด

ธุรกิจ [ชื่อธุรกิจ] มีข้อมูลลูกค้าใน [POS, LINE OA, เว็บไซต์, Shopee, TikTok Shop] ตัวระบุของแต่ละระบบคือ [ระบุ] ช่วยออกแบบ Identity Resolution: ลำดับความน่าเชื่อถือของตัวระบุ กฎจับคู่ กรณีขัดแย้ง โครงสร้างตาราง customer_identity และบอกว่าข้อมูลมาร์เก็ตเพลสส่วนไหนห้ามนำไปใช้ทำการตลาด

Q8ลูกค้าส่วนใหญ่ซื้อผ่าน Shopee, TikTok Shop หรือไลฟ์ ไม่มีข้อมูลรายคน จะแบ่งกลุ่มได้ไหม

ได้ แต่ต้อง แบ่งเป็น 2 ชั้น

ชั้นที่ 1 ในแพลตฟอร์ม (ข้อมูลอยู่กับแพลตฟอร์ม)

ใช้ Brand Membership ของ Shopee Mall ที่แบ่งสมาชิกตามโปรไฟล์และพฤติกรรมการซื้อได้ และให้แต้มหรือคูปองตามระดับ
ดูรายงานร้านค้าแยกตามสินค้า แคมเปญ และไลฟ์ เพื่อหากลุ่มสินค้าที่ดึงลูกค้าใหม่ได้ดี

ชั้นที่ 2 ในช่องทางของแบรนด์

ชวนผู้ซื้อเข้า LINE OA หรือสมาชิกผ่าน QR ในกล่อง แล้วเก็บ ช่องทางที่มา เช่น shopee, tiktok_live, creator_A เป็นมิติหนึ่งของ Segment
แบ่งกลุ่มเบื้องต้นจากสินค้าที่ซื้อครั้งแรกและแหล่งที่มา เช่น "มาจากไลฟ์ครีเอเตอร์ ซื้อชุดทดลอง"
ใช้ Zero-party data คือข้อมูลที่ลูกค้าบอกเองโดยสมัครใจ เช่น ถามสภาพผิว หรือความถี่ที่ใช้สินค้าตอนสมัคร

ข้อควรระวัง: ผู้ซื้อจากไลฟ์มักภักดีต่อครีเอเตอร์ ให้แยกกลุ่มนี้และวัดการซื้อซ้ำกับแบรนด์โดยตรง

Prompt ต่อยอด

แบรนด์ [ชื่อแบรนด์] ขาย [สินค้า] ผ่าน [Shopee/TikTok Shop/ไลฟ์ครีเอเตอร์] [สัดส่วน]% และมีสมาชิก LINE OA [จำนวน] คน ช่วยออกแบบ Segment เริ่มต้น 5 กลุ่ม จากข้อมูลที่ได้จริง (ช่องทางที่มา สินค้าแรก คำตอบตอนสมัคร) เป็นตาราง: กลุ่ม | นิยาม | ข้อมูลที่ต้องเก็บ | แคมเปญ และคำถาม Zero-party 3 ข้อที่ถามตอนสมัครได้โดยไม่ขัด PDPA

Q9ใช้ AI แบ่งกลุ่มลูกค้าได้จริงแค่ไหน ใน HubSpot หรือ Salesforce ทำอะไรได้บ้าง

ปี 2025–2026 AI ใน CRM สร้าง Segment จากคำสั่งภาษาพูดได้แล้ว แต่คนยังต้องตรวจ

HubSpot เปลี่ยนชื่อ "Lists" เป็น "Segments" มีปุ่ม Start with AI ให้พิมพ์บอกว่าอยากได้กลุ่มแบบไหน และตอนนี้รวมเครื่องมือ AI ไว้ใน Agent Hub
Salesforce Data 360 มี Agent ที่สร้าง Segment แบบอัปเดตอัตโนมัติจากคำสั่ง แล้วส่งต่อไปทำแคมเปญ
LINE เปิดตัว Customer Data Agent ใน MyShop เพื่อช่วยจัดกลุ่มลูกค้าสำหรับร้านค้าบน LINE (ข้อมูลจาก LINE)
Klaviyo มีคะแนนทำนาย เช่น Predicted CLV และ Churn Risk ต่อโปรไฟล์

ส่วน ChatGPT, Claude หรือ Gemini ใช้ได้ดีกับงานรอบ ๆ เช่น วิเคราะห์ไฟล์ CSV ที่ลบชื่อและเบอร์แล้ว ตั้งชื่อกลุ่ม เขียน SQL สรุป Pain Point จากแชต

สิ่งที่ต้องทำเสมอ: เปิดดูเงื่อนไขที่ AI สร้าง ว่าตรงกับที่ตั้งใจ ตรวจขนาดกลุ่มกับตัวเลขจริง และอย่าวางข้อมูลลูกค้ารายคนลงใน AI สาธารณะ

Prompt ต่อยอด

นี่คือ Segment ที่ AI ในเครื่องมือ [HubSpot/Salesforce/LINE/อื่น ๆ] สร้างให้ เงื่อนไขคือ [วางเงื่อนไข/filter] ขนาด [จำนวน] คน เป้าหมายของฉันคือ [เป้าหมาย] ช่วยตรวจเป็นตาราง: เงื่อนไข | ตรงเป้าหมายไหม | ช่องโหว่หรือกรณีที่หลุด | ข้อมูลที่ใช้มีความเสี่ยง PDPA ไหม แล้วเสนอเงื่อนไขที่แก้แล้ว

Q10แพลตฟอร์มโฆษณาใช้ AI หากลุ่มเป้าหมายเองแล้ว ทีม CRM ยังต้องแบ่งกลุ่มเองอีกไหม

ยังต้องทำครับ แต่ บทบาทของ Segment เปลี่ยนจาก "ตัวเลือกเป้าหมายโฆษณา" เป็น "สัญญาณที่ป้อนให้ AI"

สิ่งที่เปลี่ยน

Meta รวมตัวเลือกความสนใจแบบละเอียด เริ่ม 23 มิ.ย. 2025 และแคมเปญเก่าต้องเปลี่ยนภายใน 15 ม.ค. 2026 (รายงานโดย LeadEnforce ไม่ใช่เอกสารของ Meta) และตัดการยกเว้นตามความสนใจ เหลือการยกเว้นด้วย Custom Audience
Meta ใช้บทสนทนากับ Meta AI ปรับโฆษณา ตั้งแต่ 16 ธ.ค. 2025 โดยผู้ใช้ปิดไม่ได้

ทีม CRM ควรทำอะไร

ใช้ Segment ของตัวเอง เช่น Champions หรือผู้ซื้อซ้ำ เป็น ต้นแบบให้ AI หาคนคล้ายกัน
ใช้ Segment ลูกค้าปัจจุบันเป็น กลุ่มยกเว้น เพื่อไม่จ่ายค่าโฆษณาหาคนที่ซื้ออยู่แล้ว
อัปโหลดเฉพาะคนที่ยินยอมให้ใช้ข้อมูลเพื่อโฆษณา และแจ้งไว้ใน Privacy Notice

Prompt ต่อยอด

ฉันมี Segment [รายชื่อกลุ่มและขนาด] และจะยิงโฆษณาบน [Meta/TikTok/LINE Ads] เป้าหมาย [หาลูกค้าใหม่/ดึงคนเก่ากลับ] ช่วยเสนอว่ากลุ่มไหนใช้เป็นต้นแบบ กลุ่มไหนใช้เป็นกลุ่มยกเว้น และขั้นตอนตรวจ consent ก่อนอัปโหลด เป็นตาราง: กลุ่ม | ใช้ทำอะไร | เงื่อนไข consent | ความเสี่ยง

Q11เก็บข้อมูลไปแบ่งกลุ่มลูกค้า ต้องระวัง PDPA ตรงไหน โดยเฉพาะเมื่อใช้ AI

การแบ่งกลุ่มคือ การประมวลผลข้อมูลส่วนบุคคล จึงต้องมีฐานทางกฎหมายและแจ้งวัตถุประสงค์ให้ชัด

แจ้งวัตถุประสงค์ใน Privacy Notice ว่าจะนำข้อมูลซื้อและพฤติกรรมไปวิเคราะห์เพื่อเสนอสิทธิ์ที่เหมาะ
ข้อมูลอ่อนไหว เช่น สุขภาพ ศาสนา ห้ามใช้แบ่งกลุ่มการตลาดโดยไม่มีความยินยอมโดยชัดแจ้ง และระวังการเดาสุขภาพจากสินค้าที่ซื้อ
consent การตลาด ต้องแยกจากเงื่อนไขบริการ ไม่ติ๊กไว้ก่อน และคนที่ปฏิเสธต้องไม่เสียบริการหลัก
ข้อมูลจากพาร์ตเนอร์ ต้องแจ้งเจ้าของข้อมูลภายใน 30 วันนับจากวันที่ได้ข้อมูล และควรทำ DPIA (ประเมินความเสี่ยงก่อน)
ร่างแนวปฏิบัติด้านการตลาดของ สคส. (7 ก.ค. 2026) ขอให้มีความโปร่งใสและมาตรการป้องกันเพิ่มสำหรับการทำโปรไฟล์และการตลาดด้วย AI ร่างนี้ยังไม่ใช่ฉบับจริง

เรื่องความรู้สึกลูกค้าก็สำคัญ e-Conomy SEA 2025 พบว่าคนไทย 47% กังวลเรื่องความเป็นส่วนตัวของ AI ที่ทำงานแทนคน แนะนำให้ทำ ทะเบียน Segment ที่ระบุว่าแต่ละกลุ่มใช้ข้อมูลอะไรและฐานกฎหมายไหน

Prompt ต่อยอด

ช่วยร่างข้อความใน Privacy Notice ภาษาไทยอ่านง่าย สำหรับ [ชื่อธุรกิจ] ที่อธิบายว่าจะนำข้อมูลการซื้อและการใช้งานไปวิเคราะห์ แบ่งกลุ่ม และใช้ AI เสนอสิทธิ์เฉพาะคน ระบุประเภทข้อมูล วัตถุประสงค์ ฐานกฎหมาย ระยะเวลาเก็บ และวิธีคัดค้าน แล้วทำรายการประเด็นที่ต้องให้ฝ่ายกฎหมายตรวจ

Q12จะวัดว่าการแบ่งกลุ่มได้ผลจริงยังไง ไม่ใช่แค่ดูยอดขายรวม

ต้องเทียบกับ สิ่งที่จะเกิดถ้าไม่แบ่งกลุ่ม ไม่ใช่เทียบกับเดือนก่อน

Holdout Test: สุ่มลูกค้าในแต่ละกลุ่มราว 10% ให้ได้ข้อความทั่วไปหรือไม่ได้เลย แล้วเทียบยอดซื้อกับคนที่ได้ข้อความเฉพาะกลุ่ม
Segment Conversion Rate และ รายได้ต่อผู้รับ แยกรายกลุ่ม เทียบกับ Broadcast รวม
Segment Migration: ทุกเดือนดูว่ามีคนเลื่อนจาก New → Loyal → Champions กี่คน และตกจาก Champions → At Risk กี่คน เลื่อนขึ้นควรมากกว่าตกลง
อัตราบล็อก LINE หรือยกเลิกรับข่าว ต่อกลุ่ม ถ้าสื่อสารตรงกลุ่มจริง ตัวเลขนี้ควรลด

อย่าใช้ Open Rate ของอีเมลเป็นตัวตัดสิน เพราะ Apple Mail ทำให้ตัวเลขเปิดอ่านสูงเกินจริง ให้ดูคลิกและยอดซื้อแทน และยุบกลุ่มที่ไม่ต่างจาก Holdout

Prompt ต่อยอด

ออกแบบรายงานวัดผล Segmentation รายเดือนของ [ชื่อธุรกิจ] ที่มีกลุ่ม [รายชื่อ] ระบุ metric ต่อกลุ่ม สูตร แหล่งข้อมูล วิธีตั้ง Holdout 10% เกณฑ์ตัดสินว่ากลุ่มไหน "ไม่คุ้มที่จะแยก" และตัวอย่างตาราง Segment Migration

AI
CRM สร้าง Segment จากคำสั่งภาษาพูดได้แล้ว
HubSpot เปลี่ยน Lists เป็น Segments และให้ AI สร้างกลุ่มจากคำสั่งภาษาพูด และตอนนี้รวมเครื่องมือ AI ไว้ใน Agent Hub ส่วน Salesforce Data 360 มี Agent สร้าง dynamic segment แล้วส่งต่อไปทำแคมเปญ ทีม CRM ยังต้องเปิดดูเงื่อนไขที่ AI สร้าง เทียบขนาดกลุ่มกับข้อมูลจริง และเก็บนิยามไว้ในทะเบียน Segment
ที่มา: knowledge.hubspot.com,hubspot.com,salesforce.com
ข้อมูล & ระบบ
LINE และค้าปลีกไทยใช้ AI จัดกลุ่มสมาชิก
LINE เปิด Customer Data Agent ใน MyShop เพื่อช่วยร้านค้าจัดกลุ่มลูกค้า (ข้อมูลจาก LINE, ส.ค. 2026) และ Lotus's ใช้ AI แบ่งสมาชิกเป็น Persona แล้วส่งคูปองเฉพาะคนผ่าน LINE มีผู้ร่วมกิจกรรมกว่า 60,000 คน และใช้คูปอง 25% ร้านขนาดกลางเริ่มแบ่งกลุ่มบน LINE ได้โดยไม่ต้องซื้อ CDP แต่ต้องมีข้อมูลการซื้อผูกกับ LINE userId ก่อน
ที่มา: marketingoops.com,marketingoops.com
Marketplace
ยอดขายบนมาร์เก็ตเพลสโต แต่แบรนด์แบ่งกลุ่มรายคนไม่ได้
Shopee ปิดชื่อและเบอร์ผู้ซื้อในคำสั่งซื้อ ข้อมูลส่วนใหญ่จึงใช้ได้ระดับออเดอร์ ส่วน Brand Membership ของ Shopee Mall แบ่งสมาชิกตามพฤติกรรมได้ แต่ข้อมูลอยู่ในแพลตฟอร์ม ทีม CRM ควรวัดสัดส่วนยอดขายที่รู้ตัวตน เก็บช่องทางที่มาและสินค้าแรกเป็นมิติของ Segment และพาผู้ซื้อเข้าสมาชิกของแบรนด์อย่างถูก PDPA
ที่มา: shopee-channel.helpscoutdocs.com,marketing-interactive.com
Social Media
โฆษณาโซเชียลเลือกกลุ่มเป้าหมายเองด้วย AI มากขึ้น
Meta เริ่มรวมตัวเลือกความสนใจแบบละเอียดเมื่อ 23 มิ.ย. 2025 และแคมเปญเก่าต้องเปลี่ยนภายใน 15 ม.ค. 2026 (รายงานโดยผู้ให้บริการภายนอก) และตั้งแต่ 16 ธ.ค. 2025 Meta ใช้บทสนทนากับ Meta AI ปรับโฆษณาโดยผู้ใช้ปิดไม่ได้ Segment ของแบรนด์จึงมีค่าในฐานะต้นแบบและกลุ่มยกเว้น ทีมต้องอัปโหลดเฉพาะคนที่ยินยอม
ที่มา: leadenforce.com,theregister.com
กฎหมาย & ความเป็นส่วนตัว
การทำโปรไฟล์ด้วย AI ต้องโปร่งใสมากขึ้น
ร่างแนวปฏิบัติด้านการตลาดของ สคส. (7 ก.ค. 2026) ขอให้มีความโปร่งใสและมาตรการป้องกันเพิ่มสำหรับการทำโปรไฟล์และการตลาดด้วย AI และระวังข้อมูลจากพาร์ตเนอร์หรือ data broker ขณะที่ e-Conomy SEA 2025 พบคนไทย 47% กังวลเรื่องความเป็นส่วนตัวของ AI ทีม CRM ควรเขียนเรื่องการแบ่งกลุ่มด้วย AI ใน Privacy Notice ให้อ่านง่าย และห้ามใช้ข้อมูลอ่อนไหวแบ่งกลุ่ม
ที่มา: tilleke.com,clickinsights.asia

ตั้งเป้าหมายธุรกิจของการแบ่งกลุ่มให้ชัดก่อน เช่น เพิ่มการซื้อซ้ำ ลด Churn หรือเพิ่มยอดต่อบิล เพราะเป้าหมายต่างกันใช้มิติต่างกัน
รวมธุรกรรมทุกช่องทาง (หน้าร้าน, LINE, เว็บ, มาร์เก็ตเพลส, ไลฟ์) เป็นลูกค้าคนเดียวด้วยเบอร์โทร, LINE userId หรือ member_id และวัดสัดส่วนยอดขายที่รู้ตัวตน
คำนวณ RFM แบบควินไทล์จากข้อมูล 12–24 เดือน แล้วจัดเป็น 5–8 กลุ่มที่ทีมส่งแคมเปญต่างกันได้จริง
เขียนบัตรประจำตัวให้ทุกกลุ่ม: นิยาม ขนาด เป้าหมาย ข้อเสนอ ความถี่ KPI เจ้าของ และฐานกฎหมายของข้อมูลที่ใช้
ถ้าใช้ AI ในเครื่องมือ CRM สร้างกลุ่ม ให้เปิดดูเงื่อนไขและขนาดกลุ่มเทียบกับตัวเลขจริงก่อนส่งแคมเปญทุกครั้ง
ตั้ง Holdout ราว 10% ในทุกแคมเปญเฉพาะกลุ่ม และรายงาน Conversion, Incremental Lift และ Segment Migration รายเดือน
คำนวณกลุ่มใหม่อัตโนมัติตามรอบซื้อ ทบทวนโครงสร้างทุกไตรมาส และยุบกลุ่มที่ไม่ต่างจาก Holdout

ข้อผิดพลาดที่พบบ่อย

แบ่งกลุ่มตาม Demographic อย่างเดียว เช่น "ผู้หญิง 25–34" แล้วคิดว่าซื้อเหมือนกันใช้พฤติกรรมจริง (RFM, หมวดสินค้า, ช่องทางที่มา) เป็นแกน และใช้ Demographic เป็นมิติเสริม
เชื่อ Segment หรือ Persona ที่ AI สร้างโดยไม่ตรวจเงื่อนไขและตัวเลขเปิดดู filter ที่ AI สร้าง เทียบขนาดกลุ่มกับข้อมูลจริง ติดป้ายสมมติฐาน และวัดด้วย Holdout
แบ่งกลุ่มจากข้อมูลหน้าร้านหรือ LINE อย่างเดียว ทั้งที่ยอดขายส่วนใหญ่อยู่บนมาร์เก็ตเพลสและไลฟ์วัด Identified Customer Share และเพิ่มกลไกพาผู้ซื้อเข้าสมาชิก พร้อมเก็บช่องทางที่มาเป็นมิติของกลุ่ม
คำนวณ RFM ครั้งเดียวแล้วใช้ทั้งปีตั้ง pipeline คำนวณใหม่ตามรอบซื้อ และบ่อยขึ้นช่วงแคมเปญใหญ่ แล้วติดตาม Segment Migration
ลูกค้าคนเดียวอยู่หลายกลุ่ม จนได้หลายข้อความในสัปดาห์เดียวและบล็อก LINEตั้งลำดับความสำคัญของกลุ่ม (Priority Rule) และ Frequency Cap ระดับบุคคล
ให้ส่วนลดกับ Champions ที่จ่ายเต็มราคาอยู่แล้วให้สิทธิ์ที่ไม่ใช่ราคา เช่น ซื้อก่อนใคร ของพิเศษ และเก็บส่วนลดไว้กับกลุ่มที่ต้องกระตุ้น

Segment Conversion Rate
สูตร
ลูกค้าในกลุ่มที่ทำเป้าหมาย (ซื้อ/ใช้สิทธิ์) ÷ ลูกค้าในกลุ่มที่ได้รับแคมเปญ × 100
ค่าอ้างอิง
ขึ้นกับอุตสาหกรรมและช่องทาง เทียบกับ Holdout หรือ Broadcast รวมของตัวเอง
ทำไมต้องดู
บอกว่าการสื่อสารเฉพาะกลุ่มได้ผลดีกว่าการส่งรวมจริงไหม
Revenue per Recipient (ต่อกลุ่ม)
สูตร
รายได้จากแคมเปญ ÷ จำนวนผู้รับในกลุ่ม
ค่าอ้างอิง
ขึ้นกับอุตสาหกรรม ใช้เทียบระหว่างกลุ่ม และเทียบกับ Holdout
ทำไมต้องดู
ช่วยย้ายงบไปกลุ่มที่ให้ผลตอบแทนสูง
Incremental Lift ต่อกลุ่ม
สูตร
(อัตราซื้อของกลุ่มที่ได้แคมเปญ − อัตราซื้อของ Holdout) ÷ อัตราซื้อของ Holdout × 100
ค่าอ้างอิง
ขึ้นกับอุตสาหกรรม; ถ้าใกล้ 0 แปลว่ากลุ่มนี้ไม่ต้องแยกหรือข้อเสนอไม่ได้ผล
ทำไมต้องดู
แยกยอดที่เกิดจากแคมเปญจริงออกจากยอดที่ลูกค้าจะซื้ออยู่แล้ว ใช้ตรวจ AI Segment ได้ด้วย
Segment Migration Rate
สูตร
ลูกค้าที่เลื่อนขึ้น (เช่น New → Loyal) หรือตกลง (Champions → At Risk) ÷ ลูกค้าในกลุ่มต้นทาง × 100 ต่อเดือน
ค่าอ้างอิง
ไม่มีค่ามาตรฐาน เป้าหมายคืออัตราเลื่อนขึ้นมากกว่าอัตราตกลง
ทำไมต้องดู
บอกสุขภาพฐานลูกค้าระยะยาวที่ยอดขายรายเดือนไม่บอก
Identified Customer Share (ลูกค้าที่รู้ว่าเป็นใคร)
สูตร
ยอดขายจากลูกค้าที่จับคู่กับ member_id หรือ LINE userId ได้ ÷ ยอดขายรวมทุกช่องทาง × 100
ค่าอ้างอิง
ขึ้นกับอุตสาหกรรม; ร้านที่ขายผ่านมาร์เก็ตเพลสมากจะต่ำ ให้ติดตามแนวโน้มของตัวเอง
ทำไมต้องดู
ถ้าต่ำ Segment ที่ได้จะแทนลูกค้าเพียงส่วนน้อย และอาจตัดสินใจผิด
Block / Unsubscribe Rate ต่อกลุ่ม
สูตร
จำนวนบล็อก LINE OA หรือยกเลิกรับข่าว ÷ จำนวนที่ส่งถึง × 100
ค่าอ้างอิง
ขึ้นกับช่องทาง เทียบก่อนและหลังใช้ Segmentation
ทำไมต้องดู
สัญญาณเร็วว่าข้อความไม่ตรงกลุ่ม หรือส่งถี่เกินไป

เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt

ออกแบบโครงสร้าง Segment ทั้งระบบ

ใช้เมื่อ ใช้เมื่อเริ่มแบ่งกลุ่มครั้งแรก หรือต้องรื้อโครงสร้างเดิมที่ซ้ำซ้อน

คุณคือ CRM Strategist ที่มีประสบการณ์ธุรกิจ [อุตสาหกรรม] ในไทย
บริบท: [ชื่อธุรกิจ] มีสมาชิก [จำนวน] ราย ธุรกรรม [จำนวน] รายการต่อเดือน รอบซื้อเฉลี่ย [จำนวนวัน] ยอดขายแยกช่องทาง: [หน้าร้าน/LINE/เว็บ/Shopee/TikTok Shop %] ข้อมูลที่มี: [เช่น ประวัติซื้อรายบิล หมวดสินค้า ช่องทาง LINE tag] เป้าหมายปีนี้: [เช่น เพิ่มอัตราซื้อซ้ำจาก X% เป็น Y%]
งาน: ออกแบบ 6–8 Segment ที่ไม่ทับซ้อน ใช้ RFM เป็นแกน และเสริมด้วยช่องทางที่มาเท่าที่จำเป็น
ข้อจำกัด:
- แต่ละกลุ่มมีอย่างน้อย [จำนวน] คน
- นิยามต้องเขียนเป็นเงื่อนไขที่คำนวณได้ (เช่น R≥4 AND F≥3)
- ระบุฐานกฎหมาย PDPA ของข้อมูลที่ใช้ และมี Priority Rule เมื่อเข้าหลายกลุ่ม
รูปแบบผลลัพธ์: ตาราง Segment | เงื่อนไข | ขนาดโดยประมาณ | เป้าหมาย | ข้อเสนอ | ความถี่ | KPI | เจ้าของ แล้วตามด้วย Priority Rule และคำถามที่ต้องตรวจกับข้อมูลจริงก่อนใช้

แบ่งกลุ่มจากไฟล์ CSV หลายช่องทาง รวมมาร์เก็ตเพลสและไลฟ์

ใช้เมื่อ ใช้เมื่อมีไฟล์ export จาก POS, LINE OA และร้านบนมาร์เก็ตเพลส และอยากให้ AI ช่วยวิเคราะห์เบื้องต้น

คุณคือ CRM Data Analyst ที่ระวังเรื่อง PDPA
บริบท: ฉันแนบไฟล์ [pos_orders.csv], [line_members.csv], [marketplace_orders.csv] ลบชื่อ เบอร์ และที่อยู่แล้ว ใช้รหัสแทน คอลัมน์: [ระบุ] ธุรกิจคือ [ประเภทธุรกิจ]
งาน:
1) สรุปว่ายอดขายกี่ % จับคู่กับสมาชิกได้ และกี่ % ไม่รู้ตัวตน
2) คำนวณ RFM เฉพาะลูกค้าที่จับคู่ได้ และสรุปโปรไฟล์ของคำสั่งซื้อที่ไม่รู้ตัวตนแยกตามช่องทาง/ไลฟ์
3) เสนอ 5–7 Segment พร้อมเงื่อนไข
ข้อจำกัด: ถ้ารันโค้ดไม่ได้ ให้เขียน Python pandas ให้ฉันรัน, ห้ามเดาข้อมูลที่ไม่มี, ห้ามใช้ที่อยู่จัดส่งทำการตลาด, ติดธงทุกจุดที่เสี่ยง PDPA
รูปแบบผลลัพธ์: ตารางสรุปช่องทาง, ตาราง Segment | เงื่อนไข | ขนาด | แคมเปญแรก และรายการข้อมูลที่ควรเริ่มเก็บเพิ่ม

แปลงนิยาม Segment เป็น SQL และ Data Pipeline

ใช้เมื่อ ใช้เมื่อทีมข้อมูลต้องนำ Segment ไปคำนวณจริงในฐานข้อมูลหรือ CDP

คุณคือ Analytics Engineer
บริบท: ฐานข้อมูล [PostgreSQL/BigQuery/Databricks] มีตาราง orders(order_id, customer_id, order_date, amount, channel, source_campaign) และ customers(customer_id, phone_hash, line_user_id, signup_date, consent_marketing, consent_ads) นิยาม Segment: [วางตาราง Segment และเงื่อนไข]
งาน: เขียน SQL คำนวณ RFM 1–5 แบบควินไทล์จากข้อมูล [12] เดือนล่าสุด จัดกลุ่มตามนิยาม และสร้างตาราง customer_segment_daily (customer_id, segment, rfm_code, computed_at)
ข้อจำกัด:
- ตารางที่ส่งเข้า Marketing Automation กรองเฉพาะ consent_marketing = true และตารางที่ส่งเข้าแพลตฟอร์มโฆษณากรอง consent_ads = true
- จัดการลูกค้าที่ไม่มีคำสั่งซื้อในช่วงเวลา และรันซ้ำรายวันได้โดยไม่ซ้ำ
รูปแบบผลลัพธ์: (1) SQL พร้อมคอมเมนต์ไทย (2) Edge Case (3) Query ตรวจคุณภาพ เช่น สัดส่วนแต่ละกลุ่ม และลูกค้าที่ไม่เข้ากลุ่มใด (4) ความถี่การรันที่แนะนำ

แคมเปญเฉพาะกลุ่มพร้อม Holdout Test

ใช้เมื่อ ใช้เมื่อจะเปิดแคมเปญให้กลุ่มใดกลุ่มหนึ่งและต้องพิสูจน์ผลจริง

คุณคือ Lifecycle Marketing Manager
บริบท: กลุ่มเป้าหมายคือ [ชื่อ Segment] ของ [ชื่อธุรกิจ] ขนาด [จำนวน] คน ลักษณะ: [สรุปพฤติกรรมและมูลค่า] ช่องทาง: [LINE OA/Push/SMS ไม่แนบลิงก์/Email] งบข้อเสนอ: [งบ] ระยะเวลา: [จำนวนสัปดาห์]
งาน: ออกแบบแคมเปญที่มีข้อเสนอ ข้อความ 2 เวอร์ชันสำหรับ A/B Test และแผน Holdout 10%
ข้อจำกัด: ข้อเสนอต้องตรงแรงจูงใจของกลุ่ม (ไม่ใช่ส่วนลดอย่างเดียว), ส่งไม่เกิน [จำนวน] ครั้งต่อสัปดาห์, ภาษาไทยธรรมชาติ, ไม่ใช้ Open Rate เป็นตัวตัดสิน, ต้องมีสูตร Incremental Revenue และขนาดตัวอย่างขั้นต่ำ
รูปแบบผลลัพธ์: (1) สมมติฐาน (2) ตารางข้อความตามวันและช่องทาง (3) แผนทดสอบและสูตรวัดผล (4) เกณฑ์ขยายผลหรือหยุด

สร้าง Persona จากข้อมูลจริง

ใช้เมื่อ ใช้เมื่อมีข้อมูล Segment และเสียงลูกค้าแล้ว ต้องการ Persona ที่ทีมครีเอทีฟและฝ่ายขายใช้ร่วมกัน

คุณคือ Customer Researcher
บริบท: [ชื่อธุรกิจ] ขาย [สินค้า/บริการ] Segment มูลค่าสูง 3 กลุ่มพร้อมสถิติ: [วางตาราง] ข้อความลูกค้าแต่ละกลุ่ม (ลบข้อมูลส่วนตัวแล้ว): [วางข้อความ] คำถามที่ฝ่ายขายและแชตเจอบ่อย: [รายการ]
งาน: สร้าง Persona กลุ่มละ 1 แบบ รวม 3 แบบ
ข้อจำกัด: ทุกข้อต้องติดป้าย [จากข้อมูล] หรือ [สมมติฐาน], ไม่ใช้ภาพเหมารวมเรื่องเพศ อายุ หรือภูมิภาค, เขียนภาษาไทย
รูปแบบผลลัพธ์: แต่ละ Persona มี ชื่อ บริบทชีวิต เป้าหมาย Pain Point ช่องทางและเวลาที่ติดต่อได้ดี (เช่น LINE, TikTok, ไลฟ์) เหตุผลที่ซื้อ เหตุผลที่เลิกซื้อ คำพูดตัวแทน และสิ่งที่ทีมควรทำ/ไม่ควรทำ

วางระบบเตือนกลุ่ม Churn Risk

ใช้เมื่อ ใช้เมื่อพบว่าลูกค้าเก่าหายไปเยอะ และต้องสร้างระบบเตือนล่วงหน้า

คุณคือ Retention Analyst
บริบท: ธุรกิจ [ประเภทธุรกิจ] รอบซื้อเฉลี่ย [จำนวนวัน] ลูกค้าที่หายไปใน 6 เดือนล่าสุด [ตัวเลข]% สัญญาณที่บันทึกได้: [เช่น วันตั้งแต่ซื้อล่าสุด, คลิกข้อความ, บล็อก LINE, ร้องเรียน, ยอดต่อบิล] เครื่องมือ: [CRM/CDP และมี Churn Score หรือไม่]
งาน: ออกแบบการหา Churn Risk 3 ระดับ (กฎ หรือผสมโมเดล) และแผนแทรกแซงตามระดับและมูลค่าลูกค้า
ข้อจำกัด: ต้องมี Holdout วัด Incremental Lift, งบไม่เกิน [งบ] ต่อรายในกลุ่มมูลค่าสูง, ห้ามใช้ข้อมูลอ่อนไหวตาม PDPA, ถ้าใช้คะแนน AI ต้องอธิบายให้ทีมการตลาดเข้าใจว่าคะแนนมาจากอะไร
รูปแบบผลลัพธ์: (1) ตารางเกณฑ์แต่ละระดับ (2) เมทริกซ์ ความเสี่ยง × มูลค่า → การแทรกแซง (3) ข้อความตัวอย่างต่อช่องทาง (4) Dashboard metric (5) เงื่อนไขที่ควรเปลี่ยนไปใช้โมเดล ML

หมายเลข 4.1–4.20 ตาม 500 CRM Prompts Book เติม [ช่องว่าง] ก่อนส่ง

เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt

4.1
วิเคราะห์และแบ่งกลุ่มลูกค้าตาม [พฤติกรรม/ความสนใจ/มูลค่า] สำหรับ [สินค้า/บริการ]
4.2
สร้าง Persona ลูกค้าเป้าหมายสำหรับ [สินค้า/บริการ] ของ [ชื่อธุรกิจ]
4.3
แนะนำวิธีใช้ Data Analytics เพื่อแบ่งกลุ่มลูกค้าใน [CRM Platform ที่ใช้]
4.4
สรุป 5 กลุ่มลูกค้าที่มีโอกาสซื้อซ้ำสูงสุดสำหรับ [ธุรกิจ]
4.5
ออกแบบแคมเปญเฉพาะกลุ่ม (Segmented Campaign) สำหรับกลุ่ม [กลุ่มเป้าหมาย]
4.6
วิเคราะห์ Pain Point ของแต่ละกลุ่มลูกค้า เพื่อออกแบบข้อเสนอ [ข้อเสนอเฉพาะกลุ่ม]
4.7
สร้างรายงานเปรียบเทียบพฤติกรรมของแต่ละกลุ่มลูกค้า [รายไตรมาส/รายปี]
4.8
แนะนำวิธีใช้ AI เพื่อแบ่งกลุ่มลูกค้าอัตโนมัติใน [CRM Tool เช่น HubSpot/Salesforce]
4.9
สรุป KPI สำหรับวัดผล Segmentation เช่น [Segment Conversion Rate]
4.10
ออกแบบ Workflow การส่งข้อเสนอเฉพาะกลุ่มสำหรับ [สินค้า/บริการ]
4.11
วิเคราะห์กลุ่มลูกค้าที่มีแนวโน้มเลิกใช้บริการ [Churn Risk Group]
4.12
สร้างแบบสอบถามเพื่อเก็บข้อมูลสำหรับการแบ่งกลุ่มลูกค้า [Survey Template]
4.13
แนะนำวิธีใช้ CRM ในการจัดการ Segmentation สำหรับ [ชื่อธุรกิจ]
4.14
สร้าง Script โทรศัพท์สำหรับแต่ละกลุ่มลูกค้า [ตาม Demographic/Interest]
4.15
ออกแบบโปรโมชั่นเฉพาะกลุ่ม เช่น [โปรโมชั่นวันเกิด, โปรโมชั่นลูกค้าใหม่]
4.16
สรุปข้อดีข้อเสียของการแบ่งกลุ่มลูกค้า (Fine vs Broad Segmentation)
4.17
แนะนำวิธีเลือกกลุ่มเป้าหมายสำหรับแคมเปญใหม่ [ตาม Persona ที่วิเคราะห์]
4.18
วิเคราะห์ Demographic ของลูกค้าปัจจุบัน เช่น [เพศ, อายุ, จังหวัด]
4.19
สร้าง Flow การสื่อสารเฉพาะแต่ละ Segment [ตามช่องทาง Line/Email]
4.20
แนะนำวิธีติดตามผลลัพธ์ของแต่ละกลุ่มลูกค้าแยกตาม [KPI หลัก]

การเข้าใจความแตกต่างของลูกค้าเป็นกุญแจสำคัญสู่การทำการตลาดและการขายที่มีประสิทธิภาพ หมวดหมู่นี้มุ่งเน้นการวิเคราะห์ข้อมูลและแบ่งกลุ่มลูกค้าเพื่อส่งมอบข้อเสนอที่ตรงกับความต้องการของแต่ละกลุ่ม

ประโยชน์ที่ได้

สร้างข้อเสนอทางการตลาดที่ตรงใจลูกค้ามากขึ้น
เพิ่ม Conversion Rate ด้วยการสื่อสารแบบเฉพาะกลุ่ม
วางแผนกลยุทธ์ CRM และ Campaign ให้แม่นยำยิ่งขึ้น

ศัพท์ที่ต้องรู้

Behavioural Segmentation: แบ่งตามสิ่งที่ลูกค้าทำจริง เช่น ซื้ออะไร ซื้อบ่อยแค่ไหน ซื้อผ่านช่องทางไหน ตอบสนองแคมเปญไหม เป็นแบบที่นำไปทำแคมเปญได้ตรงที่สุด
Demographic / Psychographic: Demographic คือข้อมูลพื้นฐาน เช่น อายุ เพศ จังหวัด ส่วน Psychographic คือไลฟ์สไตล์และทัศนคติ ทั้งสองแบบใช้เป็นมิติเสริม เพราะบอก "ทำไมเขาซื้อ" ได้ไม่ชัดถ้าไม่มีพฤติกรรมจริงประกอบ
RFM (Recency, Frequency, Monetary): ให้คะแนนลูกค้าจาก 3 เรื่อง คือ ซื้อล่าสุดเมื่อไร ซื้อบ่อยแค่ไหน และจ่ายเท่าไร มักให้คะแนน 1–5 ต่อเรื่อง แล้วจัดเป็นกลุ่ม เช่น Champions หรือ At Risk
Value-based Segmentation / CLV: แบ่งตามมูลค่าที่ลูกค้าสร้างให้ธุรกิจ ทั้งที่จ่ายมาแล้วและที่คาดว่าจะจ่ายในอนาคต (Predicted CLV หรือมูลค่าตลอดอายุลูกค้าที่ระบบทำนาย) ใช้ตัดสินว่าควรลงทุนดูแลใครมากแค่ไหน
Predictive / AI Segment: กลุ่มที่สร้างจากคะแนนที่โมเดลทำนาย เช่น โอกาสเลิกซื้อ (Churn Risk) หรือมูลค่าในอนาคต และกลุ่มที่ AI ในเครื่องมือ CRM สร้างจากคำสั่งภาษาพูด ต้องตรวจนิยามและตัวเลขก่อนใช้ทุกครั้ง
Persona: ตัวแทนสมมติของลูกค้ากลุ่มหนึ่งที่สร้างจากข้อมูลและการสัมภาษณ์จริง มีชื่อ เป้าหมาย ปัญหา และช่องทางที่ใช้ ช่วยให้ทีมเห็นภาพ "คน" ใช้คู่กับ Segment ที่นับได้
Identity Resolution: การจับคู่ข้อมูลจากหลายระบบให้เป็นลูกค้าคนเดียว เช่น เบอร์โทร, LINE userId, หมายเลขสมาชิก และรหัสลูกค้าออนไลน์ ถ้าไม่ทำ ลูกค้าคนเดียวจะถูกนับเป็นหลายคนและอยู่ผิดกลุ่ม
Segment Hygiene: วินัยการดูแล Segment: นิยามชัด คำนวณใหม่ตามรอบ ไม่ทับซ้อนจนลูกค้าคนเดียวได้หลายแคมเปญ มีเจ้าของ และระบุว่าใช้ข้อมูลอะไรด้วยฐานกฎหมายไหน

บริบทตลาดไทย

ในไทย ข้อมูลที่ใช้แบ่งกลุ่มกระจายอยู่ใน POS หน้าร้าน, LINE OA, แอปสมาชิก, เว็บ และมาร์เก็ตเพลสอย่าง Shopee, TikTok Shop ซึ่งปิดชื่อและเบอร์ผู้ซื้อ เบอร์โทรและ LINE userId จึงเป็นตัวระบุหลักสำหรับรวมตัวตน และ LINE OA เป็นช่องทางส่งแคมเปญเฉพาะกลุ่มที่สำคัญ (มี Chat Tag และ Broadcast ตามกลุ่ม) ปี 2026 LINE ออก Customer Data Agent ช่วยจัดกลุ่มลูกค้า และรายใหญ่อย่าง Lotus's ใช้ AI แบ่งสมาชิกเป็น Persona เพื่อส่งคูปองเฉพาะคน ด้านกฎหมาย PDPA กำหนดให้แจ้งวัตถุประสงค์การวิเคราะห์ใน Privacy Notice ข้อมูลอ่อนไหวต้องได้ความยินยอมโดยชัดแจ้ง และร่างแนวปฏิบัติด้านการตลาดของ สคส. (ก.ค. 2026) ขอความโปร่งใสเพิ่มเรื่องการทำโปรไฟล์ด้วย AI ธุรกิจที่มีโปรแกรมสะสมแต้ม เช่น ค้าปลีก ร้านอาหาร ปั๊มน้ำมัน ธนาคาร ได้เปรียบเพราะมีข้อมูลการซื้อผูกกับตัวตนอยู่แล้ว ควรเริ่ม RFM จากข้อมูลนั้นก่อน

สิ่งที่ทีมข้อมูลต้องเตรียม

ทีมข้อมูลควรเตรียม (1) customer_identity จับคู่ member_id ↔ phone_hash ↔ LINE userId ↔ e-commerce id พร้อมกฎข้อมูลซ้ำ (2) orders รวมทุกช่องทาง มี customer_id (null ได้สำหรับมาร์เก็ตเพลส), order_date, amount, channel, source_campaign/live_session_id, product_category (3) customer_segment_daily เก็บ segment, rfm_code และ predictive score ต่อวัน เพื่อดู Migration ย้อนหลัง (4) consent flags แยกวัตถุประสงค์ (marketing, analytics, ads) พร้อม timestamp ใช้กรองก่อนส่งเข้า Marketing Automation และแพลตฟอร์มโฆษณา (5) holdout assignment ต่อแคมเปญที่บันทึกถาวร (6) segment registry เก็บนิยาม SQL หรือ filter ที่ AI สร้าง ผู้อนุมัติ และฐานกฎหมาย ถ้าใช้คะแนนทำนายจาก CRM ให้ตรวจข้อกำหนดข้อมูลขั้นต่ำก่อน

แหล่งอ้างอิง

Braze – RFM Segmentation (แก้ไขล่าสุด 11 พ.ย. 2025)ให้คะแนน RFM 1–5 แบบควินไทล์ รหัส 5-5-5, 1-2-2 และแนวทางต่อกลุ่ม Champions, At Risk ฯลฯ
Shopify – RFM Analysis (8 ต.ค. 2026)ข้อจำกัด RFM: คะแนนเป็นค่าเทียบ, Frequency ไร้ความหมายเมื่อคนส่วนใหญ่ซื้อครั้งเดียว, คำนวณใหม่ตามรอบ, Klaviyo ใช้สเกล 1–3
Klaviyo Help Center – Segment by Customer Lifetime Value (อัปเดต 6 ส.ค. 2025)Predicted CLV, Churn Risk และข้อกำหนดข้อมูลขั้นต่ำ: ลูกค้าสั่งซื้อ 500 ราย, ประวัติ 180 วัน, มีออเดอร์ใน 30 วัน, มีลูกค้าซื้อ 3 ครั้งขึ้นไป
HubSpot Knowledge Base – Create segments (previously lists)Lists เปลี่ยนชื่อเป็น Segments, สร้างด้วย AI จากคำสั่งภาษาพูด (Start with AI), Active vs Static
HubSpot – Agent Hub (AI products)ชื่อปัจจุบันของชุด AI ของ HubSpot คือ Agent Hub มี Data Agent, Customer Agent ฯลฯ
Salesforce – Put agents to work across your Data 360 journeyAgent ใน Data 360 สร้าง dynamic segment จากภาษาพูดและส่งต่อไปทำแคมเปญ
Marketing Oops – LINE Business Solutions 2026 (11 ส.ค. 2026)Customer Data Agent ใน MyShop สำหรับจัดกลุ่มลูกค้า (ข้อมูลจาก LINE)
Tilleke & Gibbins – Draft PDPA Guidance on Lawful Bases and Marketing (16 ก.ค. 2026)ร่าง 7 ก.ค. 2026: ความโปร่งใสและมาตรการป้องกันสำหรับการทำโปรไฟล์และการตลาดด้วย AI, ระวังข้อมูลจากพาร์ตเนอร์และ data broker
Deloitte Thailand – PDPA Alert: PDPC guidelines on consent (28 พ.ย. 2022)แจ้งวัตถุประสงค์ก่อนเก็บ, consent แยกจากเงื่อนไขอื่น, ข้อมูลจากแหล่งอื่นต้องแจ้งภายใน 30 วันและควรทำ DPIA
Shopee channel help – Why are details from Shopee orders maskedShopee ปิดชื่อและเบอร์ผู้ซื้อ เหลือที่อยู่ไว้จัดส่ง (อัปเดต ต.ค. 2022)