อะไรเปลี่ยนไปในปี 2025–2026
สิ่งที่เปลี่ยนในโลกจริง และทีม CRM ควรทำอะไรต่างจากเดิม
- CDP ย้ายเข้าไปอยู่ในคลังข้อมูลของแบรนด์
เดือน มิ.ย. 2026 Databricks เปิดตัว CustomerLake ซึ่งเป็น CDP ที่ใช้ AI agent รวมโปรไฟล์และสร้างแคมเปญบนข้อมูลชุดเดิมโดยไม่ต้องคัดลอก (ยังเป็น Private Preview) ก่อนหน้านั้น Fivetran ซื้อ Census ผู้ทำ Reverse ETL ทีมที่มี Lakehouse อยู่แล้วควรประเมินแบบ Composable ก่อนซื้อ CDP แยก
- ถามข้อมูลลูกค้าเป็นภาษาธรรมดาได้แล้ว แต่ต้องมีนิยามกลาง
Databricks แบ่ง Genie เป็น Genie One สำหรับคนทำงาน Genie Agents ที่ทีมข้อมูลตั้งค่า และ Genie Code สำหรับนักพัฒนา ส่วน Apache Superset 6.1 (มิ.ย. 2026) เพิ่ม MCP ให้ผู้ช่วย AI สร้างชาร์ตได้ ทีมควรเขียนนิยามเมตริกไว้ใน metric view และมีชุดคำถามทดสอบก่อนเปิดให้ทุกคนใช้
- ใช้ AI วิเคราะห์แชตและรีวิวได้ด้วย SQL
AI Functions บน Azure Databricks (อัปเดต ต.ค. 2026) มี ai_classify, ai_extract, ai_analyze_sentiment, ai_mask และ ai_top_drivers (Beta) ฟังก์ชันที่เรียกโมเดลภาษาคิดค่าใช้จ่ายแยกจาก compute ทีม CRM จึงแปลงแชต LINE หรือรีวิว Shopee เป็นตารางวิเคราะห์ได้ แต่ควร mask ข้อมูลส่วนตัวก่อนและติดตามค่าใช้จ่าย
ที่มา: learn.microsoft.com
- ยอดขายโตบนมาร์เก็ตเพลส แต่ข้อมูลลูกค้าไม่ได้ตามมา
Momentum Works ประเมินว่ายอดขายบนแพลตฟอร์มอีคอมเมิร์ซไทยปี 2025 โตราว 51.8% เร็วที่สุดในภูมิภาค แต่ Shopee ปิดชื่อและเบอร์ผู้ซื้อ ทีม CRM ควรวิเคราะห์ระดับคำสั่งซื้อแยกตามช่องทางและไลฟ์ และสร้างสะพานให้ผู้ซื้อสมัครสมาชิกเองผ่าน QR หรือ LINE OA
ที่มา: vir.com.vn,shopee-channel.helpscoutdocs.com,marketingoops.com
- PDPA ปรับจริงแล้ว และร่างแนวปฏิบัติแตะการทำโปรไฟล์ด้วย AI
ส.ค. 2025 สคส. ประกาศปรับ 8 คำสั่ง รวมราว 14.5 ล้านบาท รวมถึงบริษัทที่รับจ้างทำระบบ ก.ค. 2026 สคส. ออกร่างแนวปฏิบัติด้านการตลาดที่ขอให้ดูแลการทำโปรไฟล์และการตลาดด้วย AI ทีมข้อมูลควรปิดตัวตนในชั้นวิเคราะห์และตรวจ vendor ที่ประมวลผลแทน
ที่มา: nagashima.com,legal500.com
- ข้อมูลไม่พร้อม โครงการ AI ก็ไปไม่รอด
Gartner คาดว่าจนถึงปี 2026 องค์กรจะล้มเลิกโครงการ AI ราว 60% ที่ข้อมูลไม่พร้อม Databricks จึงรวมการเฝ้าคุณภาพข้อมูลไว้ใน Data quality monitoring ที่ตรวจความสดและความครบของทุกตารางใน schema ควรเปิดใช้กับตารางลูกค้าหลักก่อนต่อ AI agent
เรื่องนี้คืออะไร
ข้อมูลลูกค้าคือสินทรัพย์สำคัญทางธุรกิจ หมวดหมู่นี้เน้นการรวบรวม วิเคราะห์ และแปลข้อมูลให้เป็น Insight ที่มีคุณค่าเพื่อการวางแผนการตลาด การขาย และการพัฒนาผลิตภัณฑ์ที่ตรงความต้องการของลูกค้า
ประโยชน์ที่ได้
- เข้าใจพฤติกรรมและความต้องการของลูกค้าอย่างลึกซึ้ง
- วางกลยุทธ์การตลาดและการขายได้ตรงเป้า
- เพิ่มประสิทธิภาพของแคมเปญและการบริหารทรัพยากร
ศัพท์ที่ต้องรู้
- Customer 360
- ภาพรวมของลูกค้าหนึ่งคนในที่เดียว ทั้งตัวตน การซื้อ การคุย การใช้บริการ และ consent (ความยินยอม) เป็นผลลัพธ์ที่ต้องสร้าง ไม่ใช่ซอฟต์แวร์ที่ซื้อมาแล้วได้เลย
- Identity Resolution
- การจับคู่ว่าเรคคอร์ดหลายระบบเป็นคนเดียวกัน เช่น เบอร์โทรใน POS, LINE UID ใน LINE OA และเลขสมาชิก เริ่มจากคีย์ที่แน่นอนก่อน แล้วค่อยใช้การให้คะแนนความน่าจะเป็นเสริม
- CDP และ Composable CDP
- CDP (Customer Data Platform) คือระบบรวมโปรไฟล์ลูกค้า แบ่งกลุ่ม และส่งต่อไปใช้งาน แบบ Composable คือสร้างบนคลังข้อมูลของเราเอง เช่น Databricks หรือ Snowflake แทนการคัดลอกข้อมูลไปไว้ในระบบอื่น
- RFM
- การให้คะแนนลูกค้า 3 ด้าน คือ ซื้อล่าสุดเมื่อไร (Recency) ซื้อบ่อยแค่ไหน (Frequency) และใช้จ่ายเท่าไร (Monetary) แล้วแบ่งเป็นกลุ่ม เช่น Champions, At risk
- Cohort Analysis
- การจัดกลุ่มลูกค้าตามเดือนที่เริ่มซื้อ แล้วดูว่าแต่ละรุ่นกลับมาซื้อซ้ำกี่เปอร์เซ็นต์ในเดือนต่อ ๆ ไป ใช้วัดว่าสิ่งที่เราเปลี่ยนทำให้ลูกค้ารุ่นใหม่อยู่นานขึ้นไหม
- CLV (Customer Lifetime Value)
- มูลค่าที่คาดว่าจะได้จากลูกค้าหนึ่งคนตลอดความสัมพันธ์ ใช้ตัดสินว่าควรลงทุนหาและรักษาลูกค้ากลุ่มไหนเท่าไร
- Semantic layer / Metric view
- ที่เก็บนิยามตัวเลขกลาง เช่น "ลูกค้า active" หรือ "ยอดขายสุทธิ" ให้ Dashboard, ทีมงาน และ AI ใช้สูตรเดียวกัน บน Databricks เรียกว่า Unity Catalog metric views
- Reverse ETL / Activation
- การส่งผลวิเคราะห์ เช่น รายชื่อ segment หรือคะแนน Churn จากคลังข้อมูลกลับไปที่ CRM, LINE OA หรือระบบโฆษณา เพื่อให้ Insight กลายเป็นการกระทำจริง
ถาม-ตอบ
ไล่จากคำถามพื้นฐานไปถึงขั้นสูง ทุกข้อปิดท้ายด้วย Prompt ต่อยอดให้คัดลอกไปถาม AI ต่อ
เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt
ข้อมูลเก็บไว้ในเบราว์เซอร์นี้เท่านั้น ไม่ได้ส่งไปที่ใด ช่องว่างที่ตรงกับข้อมูลนี้จะถูกเติมให้ทุก prompt ส่วนช่องอื่นกด "เติมช่องว่าง" ที่ prompt นั้น
Q1ควรเก็บข้อมูลลูกค้าอะไรบ้าง เก็บทุกอย่างเลยดีไหม
ไม่ควรเก็บทุกอย่าง เพราะเปลืองและเสี่ยง PDPA ซึ่งให้ใช้ข้อมูลตามวัตถุประสงค์ที่แจ้งไว้เท่านั้น
ให้เริ่มจากคำถามธุรกิจ แล้วย้อนดูว่าต้องใช้ข้อมูลอะไร ส่วนใหญ่แบ่งได้ 6 ชั้น:
- ตัวตน: เลขสมาชิก เบอร์โทร อีเมล LINE UID
- โปรไฟล์: อายุ พื้นที่ ประเภทลูกค้า
- การซื้อ: คำสั่งซื้อ สินค้า ยอด ช่องทาง (หน้าร้าน, Shopee, TikTok Shop, ไลฟ์)
- พฤติกรรม: คลิก ใช้คูปอง เข้าแอป ดูไลฟ์
- บริการ: แชต เคสร้องเรียน คะแนนความพึงพอใจ
- Consent: ยินยอมอะไร ช่องทางไหน เมื่อไร
Consent ต้องเป็นคอลัมน์ในตารางหลัก ไม่ใช่ไฟล์ PDF แยก ข้อมูลที่ไม่มีใครใช้มา 12 เดือน ควรทบทวนว่าจะเก็บต่อหรือไม่
ฉันทำ [ประเภทธุรกิจ เช่น ร้านอาหาร 10 สาขา] และอยากตอบ 3 คำถามนี้: [คำถามธุรกิจ] ช่วยทำตารางข้อมูลขั้นต่ำที่ต้องเก็บ แยกเป็นชั้น ตัวตน/โปรไฟล์/การซื้อ/พฤติกรรม/บริการ/Consent พร้อมแหล่งข้อมูล ความถี่อัปเดต และติดธงรายการที่เสี่ยง PDPA
Q2CRM, CDP กับ Lakehouse ต่างกันอย่างไร ต้องมีครบทั้งสามไหม
ไม่ต้องมีครบทั้งสาม ให้ดูที่หน้าที่ของแต่ละระบบ
- CRM: ระบบที่ทีมขายและบริการใช้ทุกวัน เก็บประวัติติดต่อ ดีล และเคส
- Lakehouse/Warehouse (เช่น Databricks, Snowflake): ที่รวมข้อมูลทุกระบบเพื่อวิเคราะห์และทำโมเดล
- CDP: ชั้นที่รวมโปรไฟล์ สร้าง segment แล้วส่งไปยังเครื่องมือการตลาด
แนวโน้มปี 2025–2026 คือ CDP ย้ายเข้าไปอยู่ใน Lakehouse เดือน มิ.ย. 2026 Databricks เปิดตัว CustomerLake ซึ่งเป็น CDP ที่ใช้ AI agent ทำ Identity Resolution และสร้างแคมเปญบนข้อมูลชุดเดิม โดยไม่ต้องคัดลอกข้อมูล (ยังเป็น Private Preview)
ถ้าทีมข้อมูลแข็งแรงอยู่แล้ว แบบ Composable คุมข้อมูลและ PDPA ได้ดีกว่า แต่ถ้าทีมเล็กและต้องการเริ่มเร็ว CDP สำเร็จรูปหรือเครื่องมือใน LINE OA อาจเหมาะกว่าในปีแรก
ช่วยเปรียบเทียบ 3 ทางเลือกสำหรับ [ชื่อธุรกิจ] ที่มีข้อมูลใน [POS, CRM, LINE OA, Shopee, TikTok Shop]: (ก) ซื้อ CDP สำเร็จรูป (ข) Composable CDP บน [Databricks/Snowflake] (ค) ใช้ CRM เป็นศูนย์กลาง ทำเป็นตาราง ต้นทุน เวลาเริ่มใช้ ความเร็วข้อมูล การคุม PDPA และทักษะทีมที่ต้องมี แล้วแนะนำทางที่เหมาะกับทีมข้อมูล [จำนวน] คน
Q3Customer 360 ฟังดูง่าย ทำไมทำจริงแล้วยาก
ส่วนที่ยากคือการรู้ว่าใครเป็นคนเดียวกัน ไม่ใช่การรวมตาราง ลูกค้าคนเดียวอาจเป็นเลขสมาชิกใน POS เบอร์โทรใน CRM และ LINE UID ใน OA โดยไม่มีคีย์ร่วมกันเลย
วิธีที่ใช้ได้จริง:
- จับคู่ด้วยคีย์แน่นอนก่อน เช่น เบอร์โทรที่จัดรูปแบบแล้ว เลขสมาชิก
- ใช้คะแนนความน่าจะเป็นเสริม เช่น ชื่อ ที่อยู่ และตั้งเกณฑ์อย่างระมัดระวัง
- เก็บที่มาของการจับคู่ (lineage) เพื่อแยกออกได้เมื่อจับผิด และเพื่อลบข้อมูลได้ครบเมื่อลูกค้าขอตาม PDPA
- มีกฎเลือกค่าที่ถูกต้อง เมื่อข้อมูลขัดกัน เช่น ใช้ที่อยู่ล่าสุด
อีกอุปสรรคคือแต่ละฝ่ายหวงข้อมูล จึงต้องมีผู้บริหารสนับสนุน และตกลงนิยามกลาง เช่น "ลูกค้า active" ให้ทุกทีมใช้เหมือนกัน
ช่วยออกแบบกฎ Identity Resolution สำหรับ [ชื่อธุรกิจ] ที่มีแหล่งข้อมูล [ระบบและคีย์ เช่น POS=เลขสมาชิก, LINE OA=LINE UID, เว็บ=อีเมล] ระบุลำดับการจับคู่ เกณฑ์การให้คะแนน กฎเลือกค่าเมื่อข้อมูลขัดกัน และตาราง lineage ที่ต้องเก็บ ตอบเป็นตาราง
Q4ขายบน Shopee, TikTok Shop และไลฟ์ แต่ไม่รู้ว่าผู้ซื้อเป็นใคร จะวิเคราะห์ลูกค้าได้อย่างไร
ยอมรับก่อนว่าข้อมูลมาร์เก็ตเพลสเป็นของแพลตฟอร์ม Shopee ปิดชื่อและเบอร์ผู้ซื้อจากคำสั่งซื้อ เหลือแค่ที่อยู่ไว้ส่งของ จึงรวมเข้ากับฐานสมาชิกโดยตรงไม่ได้
สิ่งที่ทำได้:
- วิเคราะห์ระดับคำสั่งซื้อ แยกตามแพลตฟอร์ม ไลฟ์ และครีเอเตอร์ เช่น ยอดต่อไลฟ์ สินค้าที่ขายคู่กัน
- สร้างสะพานให้ลูกค้าเลือกเชื่อมเอง เช่น QR ในกล่องให้ลงทะเบียนรับประกันหรือสมัครสมาชิกผ่าน LINE OA แล้วกรอกเลขคำสั่งซื้อ
- ใช้ Brand Membership ในแพลตฟอร์ม ควบคู่ แม้ข้อมูลจะยังอยู่ในแพลตฟอร์ม
- รวมแชตเข้ามาด้วย แชต LINE OA และ Messenger บอกได้ว่าลูกค้าถามอะไรก่อนซื้อ
วัดสัดส่วนยอดขายที่ระบุตัวลูกค้าได้ทุกเดือน ตัวเลขนี้ควรค่อย ๆ สูงขึ้น และทุกการเชื่อมต้องขอ consent ชัดเจน
ฉันขายผ่าน [Shopee/TikTok Shop/ไลฟ์/หน้าร้าน] แนบไฟล์ CSV คำสั่งซื้อจากแต่ละช่องทาง [ระบุคอลัมน์] ช่วย (1) เสนอวิธีเชื่อมผู้ซื้อมาร์เก็ตเพลสเข้าระบบสมาชิกแบบที่ลูกค้ายินยอมเอง (2) ออกแบบตาราง order_bridge ที่ใช้เลขคำสั่งซื้อเป็นตัวกลาง (3) KPI วัดความคืบหน้า และติดธงจุดที่อาจขัดเงื่อนไขแพลตฟอร์มหรือ PDPA
Q5RFM เริ่มทำอย่างไร ต้องแบ่งคะแนนกี่ระดับ
RFM เป็นจุดเริ่มที่ดีที่สุด เพราะใช้แค่ประวัติการซื้อที่ทุกธุรกิจมีอยู่แล้ว
ขั้นตอน:
- คำนวณต่อลูกค้า: ซื้อล่าสุดกี่วันก่อน (R) ซื้อกี่ครั้ง (F) ยอดรวม (M) ในช่วง 12–24 เดือน
- ให้คะแนน 1–3 หรือ 1–5 โดยแบ่งตามฐานลูกค้าของเราเอง
- จับคะแนนรวมเป็นกลุ่มที่มีชื่อและแผนชัด
ตัวอย่างจาก Klaviyo: Recency 3 = ซื้อภายใน 180 วัน, 2 = ภายใน 365 วัน, 1 = นานกว่านั้น ส่วน F และ M แบ่งเป็น 3 ส่วนเท่ากัน กลุ่ม Champions คือ 333, 332, 323
ธุรกิจที่รอบซื้อยาว เช่น เครื่องใช้ไฟฟ้า ต้องยืดเกณฑ์ Recency ออกไป และควรคำนวณใหม่ทุกเดือนเพื่อดูว่าลูกค้าย้ายกลุ่มอย่างไร
แนบไฟล์ orders.csv (customer_id, order_date, net_amount) ของ [ประเภทธุรกิจ] ช่วยคำนวณ RFM ช่วง [12] เดือน ให้คะแนน 1–5 แบ่งกลุ่ม Champions/Loyal/At risk/Lost แสดงผลเป็นตาราง และเขียน SQL (Databricks SQL) ที่ทีมข้อมูลเอาไปรันซ้ำได้ ถ้ารอบซื้อของเราคือ [รอบซื้อ] ควรปรับเกณฑ์อย่างไร
Q6Cohort Analysis อ่านอย่างไร บอกอะไรที่ RFM บอกไม่ได้
RFM บอกว่าตอนนี้ใครมีค่า ส่วน Cohort บอกว่าลูกค้าแต่ละรุ่นอยู่กับเรานานแค่ไหน
วิธีอ่าน: แต่ละแถวคือลูกค้าที่เริ่มซื้อเดือนเดียวกัน แต่ละคอลัมน์คือเดือนที่ 0, 1, 2 หลังเริ่ม ค่าในช่องคือ % ที่กลับมาซื้อ
- อ่าน แนวนอน เพื่อดูว่ารุ่นนั้นหายไปเร็วแค่ไหน
- อ่าน แนวตั้ง เพื่อเทียบรุ่นใหม่กับรุ่นเก่าที่เดือนเดียวกัน
ต้องตกลงให้ชัด (อ้างอิง Mixpanel):
- เหตุการณ์เริ่ม (ซื้อครั้งแรก) และเหตุการณ์กลับมา (ซื้อซ้ำ)
- นับแบบ "กลับมาในเดือนนั้นพอดี" หรือ "เดือนนั้นหรือหลังจากนั้น" ตัวเลขจะต่างกันมาก
- ช่องที่เวลายังไม่ครบ ต้องทำเครื่องหมายและห้ามนำไปเทียบ
ใช้ได้ดีมากกับการวัดผลการเปลี่ยนแปลง เช่น ลูกค้าที่ได้มาจากไลฟ์กลับมาซื้อซ้ำน้อยกว่าลูกค้าหน้าร้านหรือไม่
แนบไฟล์ orders.csv ที่มีคอลัมน์ customer_id, order_date, channel (เช่น หน้าร้าน/Shopee/ไลฟ์) ช่วยสร้างตาราง Cohort retention รายเดือนแยกตาม channel นับแบบ "เดือนนั้นหรือหลังจากนั้น" ทำเครื่องหมายช่องที่ข้อมูลยังไม่ครบ แล้วสรุป 3 ข้อสังเกตเป็นภาษาง่ายQ7CLV คำนวณอย่างไร สูตรง่าย ๆ พอไหม
เริ่มจากสูตรง่ายได้ แต่ต้องรู้ข้อจำกัด
สูตรง่าย: ยอดซื้อเฉลี่ยต่อครั้ง × จำนวนครั้งต่อปี × จำนวนปีที่คาดว่าจะอยู่ × อัตรากำไรขั้นต้น เหมาะกับการตั้งงบหาลูกค้าคร่าว ๆ แต่สมมติว่าลูกค้าทุกคนเหมือนกัน ซึ่งไม่จริง
แบบโมเดล: ตระกูล BTYD (Buy 'Til You Die) ใช้แค่ 4 ค่าต่อลูกค้า คือ ซื้อล่าสุด ความถี่ อายุลูกค้า และยอดเฉลี่ย ให้ผลเป็นมูลค่าที่คาดการณ์รายคน เหมาะกับค้าปลีก ร้านอาหาร และร้านออนไลน์ที่ลูกค้าไม่ได้บอกเลิกเหมือนสมาชิกรายเดือน ตัวที่นิยมคือ BG/NBD คู่กับ Gamma-Gamma
ทำไมต้องสนใจ: HBR (2014) อ้างงานของ Bain ว่าเพิ่ม Retention 5% เพิ่มกำไรได้ 25–95% ตัวเลขนี้เก่าและต่างกันตามอุตสาหกรรม แต่หลักคิดยังใช้ได้ คือ CLV บอกว่ากลุ่มไหนคุ้มที่จะลงทุนรักษา
คุณเป็น Data Scientist ช่วยอธิบายขั้นตอนทำโมเดล CLV แบบ BG/NBD + Gamma-Gamma บน [Databricks/Python] สำหรับ [ประเภทธุรกิจ] ที่มีข้อมูลย้อนหลัง [N] ปี ระบุการเตรียมตาราง (frequency, recency, T, monetary) วิธีทดสอบกับข้อมูลช่วงหลัง และวิธีเอาผลไปใช้เลือกกลุ่มทำแคมเปญ อธิบายให้ทีมการตลาดเข้าใจ
Q8ข้อมูลไม่สะอาดกระทบผลวิเคราะห์แค่ไหน จะรู้ได้อย่างไรว่าข้อมูลเริ่มเสีย
กระทบตั้งแต่ต้นทาง เบอร์ซ้ำทำให้ลูกค้าคนเดียวกลายเป็นสามคน ตัวเลข Retention จึงต่ำกว่าจริง ส่วน consent ที่ไม่ซิงก์ทำให้ส่งข้อความหาคนที่ขอเลิกรับแล้ว ซึ่งเสี่ยงผิด PDPA
วัดคุณภาพด้วยตัวเลขที่ติดตามได้:
- ครบ: % ลูกค้าที่มีเบอร์หรือ LINE UID ใช้งานได้
- ไม่ซ้ำ: % เรคคอร์ดซ้ำ
- ถูกรูปแบบ: % ค่าที่อยู่ในรูปแบบถูกต้อง
- สดใหม่: ตารางอัปเดตล่าสุดเมื่อไร
บน Databricks ใช้ Data quality monitoring ได้ (เดิมชื่อ Lakehouse Monitoring) มี anomaly detection ที่เฝ้าทั้ง schema ว่าตารางมาช้าหรือแถวหายไหม และ data profiling ที่ดูการกระจายของคอลัมน์ วิธีที่ทำให้ธุรกิจเห็นภาพคือเทียบผลแคมเปญของกลุ่มที่ข้อมูลครบกับไม่ครบ
แนบตัวอย่างตาราง customer master [จำนวนแถว/คอลัมน์] ช่วยตรวจว่ามีปัญหาข้อมูลซ้ำ ข้อมูลขาด และรูปแบบผิดกี่ % สรุปเป็นตาราง แล้วเสนอกฎตรวจคุณภาพ 5 ข้อพร้อม SQL ที่ทีมข้อมูลตั้งเป็น alert ได้ (ห้ามแสดงเบอร์หรือชื่อจริงในคำตอบ)
Q9AI ช่วยงานวิเคราะห์ข้อมูลลูกค้าได้ตรงไหนบ้าง ที่ไม่ใช่แค่กระแส
AI ช่วยเร่งงาน แต่คนยังต้องตัดสินใจ จุดที่ใช้ได้จริงในปี 2026:
- แปลงข้อความเป็นตาราง AI Functions บน Databricks SQL เช่น
ai_classify,ai_extract,ai_analyze_sentimentเปลี่ยนแชต LINE รีวิว Shopee หรือคอมเมนต์ไลฟ์ให้เป็นคอลัมน์หมวดปัญหาและอารมณ์ - ปิดข้อมูลส่วนตัวก่อนวิเคราะห์ ใช้
ai_maskลบชื่อและเบอร์ออกจากข้อความ - พยากรณ์และหาสาเหตุ
ai_forecastพยากรณ์ยอดหรือจำนวนลูกค้า ส่วนai_top_drivers(Beta) บอกว่ามิติไหนทำให้ตัวเลขเปลี่ยน - ร่าง SQL และสรุปผล ให้ AI ร่าง query จากคำถามภาษาไทย แล้วให้คนตรวจ
ข้อควรระวัง: อย่าให้ AI แชตคำนวณตัวเลขเอง ให้มันเขียนโค้ดแล้วรันบนข้อมูลจริง ฟังก์ชันที่เรียกโมเดลภาษามีค่าใช้จ่ายแยกจาก compute จึงควรลองกับข้อมูลชุดเล็กก่อน
คุณเป็น Analytics Engineer บน Azure Databricks ช่วยออกแบบ pipeline ที่ใช้ ai_mask ปิดข้อมูลส่วนตัว แล้วใช้ ai_classify และ ai_analyze_sentiment จัดหมวด [แชต LINE OA/รีวิว Shopee/คอมเมนต์ไลฟ์] ของ [ธุรกิจ] เป็น [หมวดที่ต้องการ] ระบุตาราง Bronze/Silver/Gold ความถี่ job วิธีสุ่มตรวจความแม่นยำ และวิธีดูค่าใช้จ่ายจาก system.billing.usage
Q10ให้ AI agent ตอบคำถามข้อมูลลูกค้าแทนทีมข้อมูลได้เลยไหม
ได้บางส่วน แต่ต้องปูพื้นก่อน เครื่องมือปี 2026 เปิดให้ถามข้อมูลเป็นภาษาธรรมดาได้แล้ว เช่น Genie One และ Genie Agents บน Databricks หรือ MCP ของ Apache Superset 6.1 ที่ให้ผู้ช่วย AI สร้างชาร์ตและเรียก SQL Lab ได้
แต่ AI จะตอบถูกเมื่อ:
- นิยามตัวเลขอยู่ที่เดียว เช่น ใส่ "ลูกค้า active" ไว้ใน metric view พร้อมคำพ้องภาษาไทย
- ให้ AI เห็นเฉพาะตารางที่คัดแล้ว ไม่ใช่ตารางดิบทั้งหมด
- มีชุดคำถามทดสอบ พร้อมคำตอบที่ถูก แล้ววัดว่า AI ตอบถูกกี่ %
- สิทธิ์เหมือนคน AI ต้องเห็นข้อมูลไม่เกินสิทธิ์ของผู้ถาม
Gartner คาดว่าโครงการ AI ที่ข้อมูลไม่พร้อมจะถูกล้มเลิกราว 60% จนถึงปี 2026 จึงควรเริ่มจากคำถามที่ถามบ่อย 20 ข้อของทีม CRM
ช่วยวางแผนเปิดให้ทีม CRM ถามข้อมูลลูกค้าผ่าน AI ([Genie/เครื่องมือที่ใช้]) สำหรับ [ธุรกิจ] ระบุ (1) 20 คำถามที่ทีมถามบ่อย (2) ตารางและนิยามเมตริกที่ต้องมีก่อน (3) ชุดทดสอบความแม่นยำ (4) กฎสิทธิ์และการปิดข้อมูลส่วนตัว ตอบเป็นตารางพร้อมลำดับงาน 6 สัปดาห์
Q11ทำ Dashboard แล้วไม่มีใครเปิดดู ควรแก้อย่างไร
Dashboard ที่ไม่มีคนใช้ มักไม่ได้ผูกกับการตัดสินใจ สาเหตุอื่นคือตัวเลขไม่ตรงกับที่ทีมอื่นเห็น และโหลดช้า
วิธีแก้:
- ผูกหนึ่งหน้ากับหนึ่งการตัดสินใจ เช่น หน้า RFM ใช้เลือกกลุ่มส่ง LINE ทุกวันจันทร์
- ใช้นิยามเดียว ให้ทุกชาร์ตใน Superset ดึงจาก Gold table หรือ dataset ที่กำหนดเมตริกกลาง
- ทำให้เร็ว คำนวณตารางสรุปล่วงหน้า ไม่ query ตาราง event ดิบตรง ๆ
- ให้เห็นเฉพาะของตัวเอง ตั้ง row-level security ให้ผู้จัดการสาขาเห็นเฉพาะสาขาตัวเอง
- ใช้ในประชุมจริง และลบชาร์ตที่ไม่มีคนดูทุกไตรมาส
วัดจำนวนคนเปิดและความถี่ เป็น KPI ของทีมข้อมูลด้วย
ช่วยออกแบบชุด Dashboard ลูกค้าใน [Superset/Power BI/Looker Studio] สำหรับ [ธุรกิจ] แต่ละหน้าระบุผู้ใช้ การตัดสินใจ เมตริก และตัวกรอง ครอบคลุมหน้า ภาพรวม, RFM, Cohort, ยอดตามช่องทาง (หน้าร้าน/Shopee/TikTok Shop/ไลฟ์), คุณภาพข้อมูล ตอบเป็นตาราง
Q12ได้ Insight แล้ว ทำอย่างไรให้กลายเป็นการกระทำ ไม่จบอยู่ในสไลด์
ทำ Insight ให้เป็นรายชื่อที่ระบบอื่นเอาไปใช้ได้ ไม่ใช่แค่กราฟ
- ทำเป็นตาราง เช่น รายชื่อลูกค้า At risk พร้อมคะแนนและเหตุผล
- ส่งไปยังระบบที่ทีมใช้ ผ่าน Reverse ETL ไป CRM, LINE OA หรือ Meta Ads ถ้าแอปหรือ LINE MINI App ต้องอ่านเร็ว ใช้ synced tables ไปที่ Lakebase (Postgres ของ Databricks) ได้
- ตั้ง alert ที่มีเจ้าของ เช่น Retention รุ่นใหม่ต่ำกว่ารุ่นก่อน 5 จุด แจ้งใครและต้องทำอะไร
- กัน control group ทุกครั้ง เพื่อพิสูจน์ว่าแคมเปญได้ผลจริง
เก็บ activation log ว่าส่ง segment ไหน ช่องทางไหน เมื่อไร ใช้ทั้งวัดผลย้อนหลัง และเป็นหลักฐานว่าใช้ข้อมูลตาม consent
ช่วยออกแบบ flow จาก Insight ถึงการกระทำสำหรับ [ธุรกิจ] จากตาราง segment บน [Databricks] ไปยัง [CRM/LINE OA/Meta Ads] ระบุ schema ตาราง segment และ activation log วิธีสุ่ม control group ความถี่ซิงก์ KPI ของแต่ละ segment และจุดที่ต้องเช็ก consent ก่อนส่ง
Q13ใช้ข้อมูลลูกค้าทำ Analytics และ AI ต้องระวังเรื่อง PDPA อย่างไร
การวิเคราะห์ก็คือการประมวลผลข้อมูลส่วนบุคคล จึงต้องมีฐานกฎหมายและใช้ตามวัตถุประสงค์ที่แจ้ง
ปี 2025 สคส. เริ่มปรับจริง 8 คำสั่งใน 5 คดี รวมราว 14.5 ล้านบาท และปรับทั้งเจ้าของข้อมูลและผู้รับจ้างประมวลผล เช่น บริษัทที่ทำระบบให้ ส่วนร่างแนวปฏิบัติด้านการตลาด (ก.ค. 2026 ยังเป็นร่าง) ขอให้มีมาตรการดูแลการทำโปรไฟล์และการตลาดด้วย AI
สิ่งที่ทีมข้อมูลควรทำ:
- เก็บ consent เป็นข้อมูล และซิงก์การถอนความยินยอมเข้าทุกระบบ
- ปิดตัวตนในชั้นวิเคราะห์ ใช้รหัสลูกค้าแทนเบอร์ และ mask คอลัมน์อ่อนไหว
- ไม่ส่งข้อมูลดิบเข้า AI ภายนอก ปิดชื่อและเบอร์ก่อน
- ลบได้ครบเมื่อลูกค้าขอ รวมถึงโปรไฟล์ที่รวมแล้ว
- ตรวจ vendor ที่ประมวลผลแทนเรา
ช่วยตรวจแผนวิเคราะห์ข้อมูลลูกค้านี้ของ [ธุรกิจ]: [อธิบายข้อมูลที่ใช้ วัตถุประสงค์ เครื่องมือ AI และ vendor] ระบุความเสี่ยง PDPA เป็นตาราง (ความเสี่ยง, ระดับ, วิธีแก้) รวมถึงเรื่องการทำโปรไฟล์ด้วย AI ตามร่างแนวปฏิบัติด้านการตลาดของ สคส. และสิ่งที่ต้องถามฝ่ายกฎหมายต่อ
KPI ที่ควรวัด
| ตัวชี้วัด | สูตร | ค่าอ้างอิง | ทำไมต้องดู |
|---|---|---|---|
| Customer Lifetime Value (CLV) | แบบง่าย: ยอดซื้อเฉลี่ยต่อครั้ง × จำนวนครั้งต่อปี × จำนวนปีที่คาดว่าจะอยู่ × อัตรากำไรขั้นต้น | ขึ้นกับอุตสาหกรรม; ใช้เทียบกับต้นทุนหาลูกค้า (CLV:CAC) และเทียบระหว่าง segment หรือช่องทางของเราเอง | บอกว่าลูกค้ากลุ่มไหนหรือช่องทางไหนคุ้มที่จะลงทุน |
| Cohort Retention Rate | ลูกค้าในรุ่นที่กลับมาซื้อในเดือนที่ N ÷ ลูกค้าทั้งหมดในรุ่น × 100 | ขึ้นกับอุตสาหกรรมและรอบการซื้อ; เทียบรุ่นใหม่กับรุ่นเก่าที่เดือนเดียวกัน | บอกว่าสิ่งที่เราเปลี่ยน หรือช่องทางที่ได้ลูกค้ามา ทำให้ลูกค้าอยู่นานขึ้นหรือไม่ |
| Churn Rate | ลูกค้าที่ไม่ซื้อภายในช่วงที่กำหนด ÷ ลูกค้า active ต้นงวด × 100 | ขึ้นกับอุตสาหกรรม; HBR (2014) อ้าง Bain ว่าเพิ่ม Retention 5% เพิ่มกำไร 25–95% (ตัวเลขเก่า ใช้เป็นหลักคิด) | เป็นสัญญาณเตือนเร็วที่สุดว่าลูกค้ากำลังหาย |
| Repeat Purchase Rate | ลูกค้าที่ซื้อ 2 ครั้งขึ้นไป ÷ ลูกค้าทั้งหมดในช่วงเวลา × 100 (แยกตามช่องทางที่ได้ลูกค้ามา) | ขึ้นกับอุตสาหกรรม | บอกคุณภาพลูกค้าที่หามาได้ เช่น ลูกค้าจากไลฟ์กลับมาซื้อซ้ำเท่าลูกค้าหน้าร้านไหม |
| Identified Sales Share (ยอดขายที่ระบุตัวลูกค้าได้) | ยอดขายที่ผูกกับรหัสลูกค้าในระบบเราได้ ÷ ยอดขายทั้งหมดทุกช่องทาง × 100 | ตั้งเป้าภายใน; ดูแนวโน้มรายเดือน | ยิ่งยอดขายย้ายไปมาร์เก็ตเพลสและไลฟ์ ตัวเลขนี้ยิ่งบอกว่าเรายังรู้จักลูกค้าแค่ไหน |
| Customer Data Completeness & Freshness | ลูกค้าที่มีฟิลด์สำคัญครบ (ช่องทางติดต่อ, consent) ÷ ลูกค้าทั้งหมด × 100 และจำนวนชั่วโมงตั้งแต่อัปเดตล่าสุด | ตั้งเป้าภายใน; ติดตามด้วย Data quality monitoring | ข้อมูลไม่ครบหรือเก่าทำให้ segment ผิด AI ตอบผิด และเสี่ยง PDPA |
ขั้นตอนลงมือทำ
- เลือกคำถามธุรกิจ 3 ข้อที่ผู้บริหารอยากรู้ไตรมาสนี้ เช่น ใครคือลูกค้ามูลค่าสูง ไลฟ์ได้ลูกค้าใหม่กี่คน แล้วย้อนดูว่าต้องใช้ข้อมูลอะไร
- ทำรายการแหล่งข้อมูลทั้งหมด (POS, CRM, LINE OA, Shopee, TikTok Shop, ไลฟ์, แชต) พร้อมคีย์ที่แต่ละแหล่งมี แล้วดึงเข้าคลังข้อมูลแบบอัตโนมัติ
- สร้างตารางลูกค้ากลางและกฎจับคู่ตัวตนด้วยคีย์แน่นอนก่อน พร้อม lineage และคอลัมน์ consent ที่ซิงก์กับต้นทาง
- เขียนนิยามกลาง (ลูกค้า active, ยอดสุทธิ, ช่องทาง) ไว้ใน Gold table หรือ metric view แล้วคำนวณ RFM และ Cohort จากที่เดียวกัน
- เปิด Dashboard ที่ผูกแต่ละหน้ากับการตัดสินใจ และนำเข้าประชุมทีม CRM ทุกสัปดาห์
- ส่ง segment กลับไป CRM และ LINE OA พร้อม control group และ activation log แล้วค่อยต่อยอดเป็นโมเดล CLV หรือ Churn
- เมื่อนิยามนิ่งแล้ว จึงเปิดให้ทีมถามข้อมูลผ่าน AI โดยมีชุดคำถามทดสอบ และตั้งการเฝ้าคุณภาพข้อมูลบนตารางหลัก
ข้อผิดพลาดที่พบบ่อย
- ซื้อ CDP หรือเครื่องมือ AI ก่อนรู้ว่าจะตอบคำถามอะไร ได้ระบบแพงที่ไม่มีใครใช้เริ่มจากคำถามธุรกิจ 3 ข้อ ใช้สถาปัตยกรรมเล็กที่สุดที่ตอบได้ แล้วค่อยขยาย
- แต่ละทีมมีนิยาม "ลูกค้า active" ของตัวเอง ตัวเลขในห้องประชุมไม่ตรงกัน และ AI ก็ตอบคนละแบบเก็บนิยามกลางไว้ที่เดียว (Gold table หรือ metric view) มีเจ้าของเมตริก และให้ทุกรายงานกับ AI ดึงจากที่นั้น
- ดูแค่ยอดขายรวมของมาร์เก็ตเพลสและไลฟ์ โดยไม่รู้ว่าได้ลูกค้าที่กลับมาซื้อซ้ำหรือแค่คนซื้อครั้งเดียววัด Repeat Purchase และ Cohort แยกตามช่องทาง และวัดสัดส่วนยอดขายที่ระบุตัวลูกค้าได้ทุกเดือน
- รวมโปรไฟล์ด้วยกฎหลวม ๆ จนคนละคนถูกรวมเป็นคนเดียว แล้วส่งข้อความผิดคนจับคู่ด้วยคีย์แน่นอนก่อน เก็บ lineage และสุ่มตรวจผลจับคู่ทุกเดือน
- คัดลอกแชตหรือไฟล์ลูกค้าที่มีชื่อและเบอร์ไปวางในแชตบอต AI ทั่วไปปิดข้อมูลส่วนตัวก่อน (เช่น ai_mask) ใช้ AI ที่อยู่ในแพลตฟอร์มที่องค์กรคุมสิทธิ์ได้ และบันทึกว่าใช้ข้อมูลอะไร
- ส่ง segment ไปทำแคมเปญโดยไม่มี control group จึงพิสูจน์ผลไม่ได้กัน control group ทุกครั้ง และเก็บ activation log ที่ผูก segment กับแคมเปญและผลลัพธ์
Mega Prompt สำหรับงานใหญ่
Prompt แบบเต็ม มีบทบาท บริบท งาน ข้อจำกัด และรูปแบบผลลัพธ์ เติม [ช่องว่าง] แล้วใช้ได้เลย
วางสถาปัตยกรรม Customer 360 ยุค 2026
ใช้เมื่อ ใช้เมื่อต้องเลือกระหว่าง CDP สำเร็จรูป, Composable CDP หรือ CDP ใน Lakehouse
คุณคือ Data Architect ที่เชี่ยวชาญ [Azure Databricks/Snowflake] และ CDP บริบท: [ชื่อธุรกิจ] เป็น [ประเภทธุรกิจ] มีลูกค้า [จำนวน] ราย แหล่งข้อมูล: [ระบบ พร้อมคีย์ตัวตน เช่น POS=เลขสมาชิก, LINE OA=LINE UID, Shopee=เลขคำสั่งซื้อ] BI คือ [Superset/Power BI] ทีมข้อมูล [จำนวน] คน งาน: (1) เทียบ 3 ทาง: CDP สำเร็จรูป, Composable CDP + Reverse ETL, CDP ที่อยู่ใน Lakehouse (2) ออกแบบชั้นข้อมูล Bronze/Silver/Gold และตารางหลัก (3) กฎ Identity Resolution และ lineage (4) ตาราง consent ตาม PDPA (5) จุดที่ AI agent จะใช้ข้อมูล และสิทธิ์ที่ต้องคุม ข้อจำกัด: งบ [งบ] ใช้งานได้ใน [ระยะเวลา] ไม่คัดลอกข้อมูลส่วนบุคคลออกนอกแพลตฟอร์มโดยไม่จำเป็น ถ้าข้อมูลผลิตภัณฑ์ใดไม่แน่ใจว่าเป็นปัจจุบัน ให้บอกว่าต้องตรวจสอบ รูปแบบผลลัพธ์: ตารางเปรียบเทียบ, รายการตารางหลักพร้อมคอลัมน์สำคัญ, แผน 3 เฟส
รวมข้อมูลมาร์เก็ตเพลส ไลฟ์ และแชต ให้วิเคราะห์ได้
ใช้เมื่อ ใช้เมื่อยอดขายส่วนใหญ่อยู่บน Shopee/TikTok Shop/ไลฟ์ และอยากรู้ว่าได้ลูกค้าแบบไหน
คุณคือ CRM Data Analyst ที่เข้าใจอีคอมเมิร์ซไทย บริบท: เราขายผ่าน [Shopee/Lazada/TikTok Shop/ไลฟ์/หน้าร้าน] มีไฟล์แนบ: [orders จากแต่ละแพลตฟอร์ม, รายการไลฟ์, ข้อมูลสมาชิก LINE OA, export แชต] (ข้อมูลส่วนตัวถูกปิดแล้ว) งาน: (1) ออกแบบตาราง orders_unified ที่รวมทุกช่องทางด้วยคอลัมน์มาตรฐาน (2) ออกแบบตาราง live_sessions และวิธีผูกคำสั่งซื้อกับไลฟ์หรือครีเอเตอร์ (3) เสนอกลไกให้ผู้ซื้อมาร์เก็ตเพลสเชื่อมเป็นสมาชิกเองอย่างถูก PDPA เช่น QR ในกล่อง (4) วิเคราะห์ Repeat Purchase และ Cohort แยกตามช่องทางจากไฟล์ที่แนบ (5) สรุป 5 Insight และ 3 การทดลองที่ควรทำเดือนหน้า ข้อจำกัด: ห้ามเสนอวิธีดึงข้อมูลผู้ซื้อที่ขัดเงื่อนไขแพลตฟอร์ม แยก "ข้อเท็จจริงจากข้อมูล" กับ "ข้อสันนิษฐาน" รูปแบบผลลัพธ์: ตาราง schema, ตารางผลวิเคราะห์, รายการ Insight และการทดลอง
แปลงผล RFM เป็นแผนการตลาด
ใช้เมื่อ ใช้เมื่อมีผล RFM แล้วและอยากได้แผนต่อ segment ที่ลงมือได้
คุณคือ CRM Strategist ของ [ประเภทธุรกิจ] บริบท: แนบตารางสรุป RFM [segment, จำนวนลูกค้า, ยอดเฉลี่ย, % รายได้] ช่องทางที่มี: [LINE OA/SMS/อีเมล/แอป] งบ [งบ] ต่อเดือน งาน: (1) บอกว่าฐานลูกค้าสุขภาพดีไหมจากการกระจายของ segment (2) เสนอเป้าหมาย ข้อเสนอ ช่องทาง ความถี่ ต่อ segment (3) เรียงลำดับตามรายได้ที่เสี่ยงหาย (4) ออกแบบการทดลองพร้อม control group (5) ระบุการย้ายกลุ่มที่ต้องดูทุกเดือน ข้อจำกัด: ไม่ให้ส่วนลดกับ Champions เป็นค่าเริ่มต้น SMS ให้เลี่ยงการแนบลิงก์เพราะกฎป้องกันสแกม เคารพ consent ของแต่ละช่องทาง รูปแบบผลลัพธ์: ตารางต่อ segment และสรุปผู้บริหาร 150 คำ
อ่านผล Cohort และหาสาเหตุ
ใช้เมื่อ ใช้เมื่อมีตาราง Cohort retention แล้ว และอยากให้ AI ช่วยตั้งสมมติฐาน
คุณคือ Growth Analyst บริบท: แนบตาราง Cohort retention รายเดือนของ [ธุรกิจ] (แถว = เดือนที่ซื้อครั้งแรก, คอลัมน์ = เดือนที่ 0–12) แยกตาม [ช่องทางที่ได้ลูกค้า] เหตุการณ์ช่วงนั้น: [เช่น เริ่มไลฟ์ขาย, ขึ้นราคา, Shopee ขึ้นค่าธรรมเนียม] งาน: (1) อธิบายรูปเส้น Retention และจุดที่ลูกค้าหายมากสุด (2) เทียบรุ่นใหม่กับรุ่นเก่าที่เดือนเดียวกัน (3) ตั้งสมมติฐาน 5 ข้อที่โยงกับเหตุการณ์ (4) เสนอ query หรือข้อมูลที่ใช้ยืนยันแต่ละข้อ (5) แนะนำวิธีเพิ่ม Retention เดือนที่ 1–3 ข้อจำกัด: ห้ามเทียบช่องที่ข้อมูลยังไม่ครบ แยกข้อเท็จจริงกับข้อสันนิษฐาน รูปแบบผลลัพธ์: รายการข้อสังเกต ตารางสมมติฐาน และข้อเสนอ 3 ข้อ
เปิดให้ทีมถามข้อมูลลูกค้าผ่าน AI อย่างปลอดภัย
ใช้เมื่อ ใช้เมื่อจะตั้ง AI ถามตอบข้อมูล (เช่น Genie Agent หรือ AI ที่ต่อกับ Superset) ให้ทีม CRM ใช้เอง
คุณคือ Analytics Lead ที่ดูแลทั้งคุณภาพข้อมูลและ PDPA บริบท: [ธุรกิจ] ใช้ [Azure Databricks + Superset] ทีม CRM อยากถามข้อมูลเป็นภาษาไทยเอง ตารางที่มี: [รายการ Gold table] คำถามที่ถามบ่อย: [ตัวอย่าง 10 ข้อ] งาน: (1) เลือกตารางที่ควรให้ AI เห็น และตารางที่ห้าม (2) เขียนนิยามเมตริกกลางพร้อมคำพ้องภาษาไทย (3) สร้างชุดทดสอบ 20 คำถามพร้อมคำตอบที่ถูก (4) กำหนดสิทธิ์ การ mask ข้อมูล และ log การใช้งาน (5) เกณฑ์ว่าเมื่อไรพร้อมเปิดใช้ และเมื่อไรต้องให้คนตรวจคำตอบ ข้อจำกัด: AI ต้องเห็นข้อมูลไม่เกินสิทธิ์ของผู้ถาม ห้ามตอบเป็นรายบุคคลที่มีเบอร์หรือชื่อ รูปแบบผลลัพธ์: ตารางตัดสินใจ, YAML หรือรายการนิยามเมตริก, ชุดทดสอบ, checklist ก่อนเปิดใช้
แผนงาน Analytics รายปีและรอบงานรายเดือน
ใช้เมื่อ ใช้เมื่อต้องวาง roadmap ทั้งปีและขออนุมัติงบ
คุณคือ Head of Data & AI ที่ต้องเสนอแผนต่อผู้บริหาร บริบท: [ธุรกิจ] ตอนนี้ทำได้ระดับ [รายงานย้อนหลัง/อธิบายสาเหตุ/พยากรณ์] มีข้อมูล [รายการ] ทีม [จำนวนคน] เครื่องมือ [Azure Databricks + Superset] เป้าปีนี้ [เช่น เพิ่มลูกค้าซื้อซ้ำ 5 จุด] งาน: (1) use case ต่อไตรมาส เรียงตามคุณค่าและความพร้อมของข้อมูล (2) ตารางและ pipeline ที่ต้องสร้างก่อน (3) ปฏิทินรายเดือน: รัน job, ตรวจคุณภาพข้อมูล, ประชุม Insight, ส่ง segment (4) KPI ธุรกิจและ KPI คุณภาพข้อมูล (5) ความเสี่ยง รวมถึง PDPA และค่าใช้จ่าย AI ข้อจำกัด: ไตรมาสแรกต้องมีผลที่ธุรกิจเห็นได้ ห้ามเสนอ use case ที่ต้องรอข้อมูลที่ยังไม่มี รูปแบบผลลัพธ์: ตาราง roadmap ตารางปฏิทิน และสรุป 1 หน้าสำหรับผู้บริหาร
Prompt 20 รายการจากหนังสือ
หมายเลข 19.1–19.20 ตาม 500 CRM Prompts Book เติม [ช่องว่าง] ให้เป็นบริบทของคุณก่อนส่ง
เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt
ข้อมูลเก็บไว้ในเบราว์เซอร์นี้เท่านั้น ไม่ได้ส่งไปที่ใด ช่องว่างที่ตรงกับข้อมูลนี้จะถูกเติมให้ทุก prompt ส่วนช่องอื่นกด "เติมช่องว่าง" ที่ prompt นั้น
- 19.1วางแผนการเก็บข้อมูลลูกค้าสำหรับ [สินค้า/บริการ] ของ [ชื่อธุรกิจ]
- 19.2สร้าง Dashboard วิเคราะห์ข้อมูลลูกค้าใน [แพลตฟอร์ม เช่น Power BI, Google Looker Studio]
- 19.3แนะนำตัวแปรสำคัญที่ควรเก็บ เช่น [Demographic, Behavior, Transaction History]
- 19.4สรุป KPI สำหรับวัดผล Data Analytics เช่น [Customer Lifetime Value, Churn Rate]
- 19.5วิเคราะห์ Pain Point ที่ทำให้ข้อมูลลูกค้าไม่ครบถ้วน เช่น [ช่องทางการเก็บข้อมูล]
- 19.6ออกแบบ Workflow การวิเคราะห์ข้อมูลลูกค้ารายเดือน/รายไตรมาส
- 19.7แนะนำวิธีใช้ AI เพื่อวิเคราะห์ข้อมูลลูกค้า เช่น [Predictive Modeling]
- 19.8สร้าง Flow การแจ้งเตือนทีมงานเมื่อพบ Insight สำคัญใน [CRM]
- 19.9วางแผนการเก็บ Feedback จากทีมงานที่ใช้งาน Data Analytics
- 19.10ออกแบบกิจกรรมเพื่อกระตุ้นการเก็บข้อมูลที่มีคุณภาพจากลูกค้า
- 19.11สรุปข้อดีข้อเสียของแต่ละวิธีเก็บข้อมูล เช่น [Manual Collection vs Automation]
- 19.12แนะนำวิธีใช้ CRM เพื่อวิเคราะห์ Customer Behavior
- 19.13สร้าง Script โทรศัพท์สอบถามข้อมูลเพิ่มเติมจากลูกค้าอย่างสุภาพ
- 19.14ออกแบบโปรโมชั่นสำหรับลูกค้าที่อัปเดตข้อมูล เช่น [Reward Program]
- 19.15วิเคราะห์ Conversion Rate ตามคุณภาพข้อมูลลูกค้า (Clean Data vs Dirty Data)
- 19.16วางแผนการใช้ Data Analytics เพื่อวางแผนกลยุทธ์รายปีของ [ธุรกิจ]
- 19.17สรุป Pain Point ของทีมที่ใช้งานข้อมูล เช่น [Data Inconsistency, Slow Reporting]
- 19.18แนะนำวิธีติดตามผลลัพธ์ของแผน Data Analytics
- 19.19สร้าง Survey สำหรับทีมงานเกี่ยวกับการใช้งาน Data Tools
- 19.20วางแผนการใช้ Omnichannel กับ Data Analytics Integration
บริบทตลาดไทย
ข้อมูลลูกค้าไทยกระจายหลายที่และระบุตัวตนยาก ยอดขายออนไลน์ส่วนใหญ่อยู่บน Shopee, TikTok Shop และ Lazada ซึ่งปิดชื่อและเบอร์ผู้ซื้อ ไลฟ์และวิดีโอก็เป็นช่องทางขายหลัก แต่ข้อมูลผู้ชมอยู่บนแพลตฟอร์ม ส่วน LINE ที่มีผู้ใช้ราว 56 ล้านคนต่อเดือน ให้แค่ LINE UID และการจ่ายผ่าน PromptPay ก็ไม่บอกว่าใครซื้อ เบอร์โทรและเลขสมาชิกจึงเป็นคีย์กลางที่ดีที่สุด ระบบสมาชิกและ LINE OA เป็นทางหลักในการขอข้อมูลพร้อม consent ด้านกฎหมาย สคส. เริ่มปรับตาม PDPA จริงตั้งแต่ปี 2025 รวมถึงบริษัทที่รับจ้างทำระบบ และร่างแนวปฏิบัติด้านการตลาดปี 2026 ให้ระวังการทำโปรไฟล์ด้วย AI ทีมข้อมูลจึงควรเก็บ consent เป็นคอลัมน์ ปิดตัวตนในชั้นวิเคราะห์ และไม่ส่งข้อมูลดิบเข้า AI ภายนอก
สิ่งที่ทีมข้อมูลต้องเตรียม
สำหรับ Azure Databricks + Superset: (1) Bronze: ดึง POS, CRM, LINE OA webhook, Shopee/Lazada/TikTok Shop orders, ไลฟ์ และแชต ด้วย Lakeflow Connect หรือ Lakeflow Spark Declarative Pipelines เก็บ source_system, ingested_at (2) Silver: identity_map (customer_key, id_type เช่น phone_hash/member_id/line_uid/marketplace_order_sn, source, match_rule, matched_at), orders_unified (order_id, channel, platform, live_session_id, creator_id, customer_key อาจว่าง), live_sessions, chat_events ที่ผ่าน ai_mask แล้ว และ consent (purpose, channel, status, updated_at) (3) Gold: customer_metrics (RFM, segment, first_channel, clv_pred, churn_score), cohort_retention แยก first_channel, identified_sales_share (4) นิยามกลางทำเป็น Unity Catalog metric views เพื่อให้ Genie Agents และ BI ใช้สูตรเดียวกัน ส่วน Superset ให้ชี้ Gold table ผ่าน SQL warehouse พร้อม row-level security (5) เปิด Data quality monitoring (anomaly detection ระดับ schema และ data profiling ตารางหลัก) (6) Unity Catalog column mask กับเบอร์และอีเมล ส่ง segment ด้วย Reverse ETL หรือ synced tables ไป Lakebase และติดตามค่า AI Functions จาก system.billing.usage
แหล่งอ้างอิง
- Databricks — Databricks enters the marketing industry with CustomerLake (16 Jun 2026)CDP แบบ agentic ใน Lakehouse, Profile/Campaign agents, Identity Resolution, Private Preview (ข้อมูลผู้ขาย)
- Microsoft Learn — AI Functions on Azure Databricks (อัปเดต 1 ต.ค. 2026)รายชื่อ ai_classify, ai_extract, ai_mask, ai_analyze_sentiment, ai_forecast, ai_top_drivers (Beta) และการคิดค่าใช้จ่าย
- Microsoft Learn — Data quality monitoring (Azure Databricks)anomaly detection และ data profiling (เดิมชื่อ Lakehouse Monitoring)
- Microsoft Learn — Genie (Genie One, Genie Agents, Genie Code)การถามข้อมูลด้วยภาษาธรรมดา และนโยบายราคา Genie ปี 2026
- Preset — Apache Superset 6.1 release (11 Jun 2026)MCP service ให้ผู้ช่วย AI ใช้ชาร์ต dashboard dataset และ SQL Lab ผ่าน JWT
- Klaviyo Help Center — RFM scoring and customer groupsเกณฑ์ RFM 1–3 (Recency 180/365 วัน) และรหัสกลุ่ม Champions
- Mixpanel Docs — Retention reportเหตุการณ์เริ่ม/กลับมา, On vs On-or-after, ช่องที่ยังไม่ครบ
- HBR — The Value of Keeping the Right Customers (Amy Gallo, 2014)Bain: เพิ่ม Retention 5% เพิ่มกำไร 25–95% (ตัวเลขเก่า ใช้เป็นหลักคิด)
- Nagashima Ohno & Tsunematsu — Huge fines imposed by Thailand's PDPC (22 Aug 2025)สคส. ปรับ 8 คำสั่งใน 5 คดี ราว 14.5 ล้านบาท รวมผู้ประมวลผลข้อมูล
- Help Scout (Shopee channel) — Why are details from Shopee orders maskedShopee ปิดชื่อและเบอร์ผู้ซื้อในคำสั่งซื้อและ Open API (อัปเดตล่าสุด ต.ค. 2022)