อะไรเปลี่ยนไปในปี 2025–2026
สิ่งที่เปลี่ยนในโลกจริง และทีม CRM ควรทำอะไรต่างจากเดิม
- เครื่องมือเริ่มให้ AI คิด Health Score จากอีเมล แชท และการประชุม
Gainsight มีคะแนน AI 0–100 (Staircase AI) ที่อ่านอารมณ์จากอีเมล แชท และการประชุม รวมกับการมีส่วนร่วม เรื่องค้าง และเวลาตอบ และให้ข้อความล่าสุดมีน้ำหนักมากกว่า HubSpot ก็มีกลุ่มคะแนนสำเร็จรูป เช่น NPS และ Support Tickets ในหน้าตั้งค่า Health Score (อัปเดต มิ.ย. 2026) ทีม CRM ใช้ได้เพื่อประหยัดแรง แต่ต้องรู้ว่าคะแนนมาจากอะไร และ Backtest กับลูกค้าของเราก่อน
- คะแนนทำนายสำเร็จรูปต้องมีข้อมูลขั้นต่ำ
Klaviyo จะคำนวณความเสี่ยงเลิกซื้อให้ได้เมื่อมีลูกค้าที่ซื้อแล้วอย่างน้อย 500 คน ประวัติการสั่งซื้ออย่างน้อย 180 วัน และมีออเดอร์ใน 30 วันล่าสุด Gartner คาดว่าโครงการ AI ที่ข้อมูลไม่พร้อม 60% จะถูกเลิกภายในปี 2026 ร้านเล็กหรือแบรนด์ที่เพิ่งเริ่มควรตั้งกฎเองไปก่อน และเก็บข้อมูลให้สะอาด
- เลิกใช้อัตราเปิดอีเมล หันมาดูการบล็อก LINE OA และแชท
Apple Mail ที่เปิด Protect Mail Activity จะดาวน์โหลดเนื้อหาอีเมลเองตั้งแต่ตอนได้รับ อัตราเปิดจึงสูงเกินจริง ขณะที่ LINE Messaging API ส่งเหตุการณ์ Unfollow พร้อม User ID ทันทีที่ลูกค้าบล็อก ทีม CRM ควรเอาอัตราเปิดออกจากสูตร แล้วใช้คลิก การซื้อ การบล็อก และสัญญาณจากแชทแทน
- แชทคือแหล่งสัญญาณความสัมพันธ์ที่ใหญ่ที่สุด
LINE OA มีบทสนทนากว่า 12,000 ล้านครั้งในปี 2025 แพ็กเกจแชทใหม่เก็บประวัติได้ 5 ปี และ LINE ระบุว่าแชทใหม่กว่า 90% ไม่ถูกตามต่อหลังตอบครั้งแรก (ข้อมูลผู้ขาย) ทีม CRM ควรใช้ AI ติดป้ายความเสี่ยงจากแชท และนับ “แชทที่ไม่มีใครตาม” เป็นสัญญาณเตือนด้วย
ที่มา: marketingoops.com
- ผู้ซื้อบนมาร์เก็ตเพลสคิดคะแนนรายคนไม่ได้ ต้องชวนเป็นสมาชิกก่อน
Shopee ปิดชื่อและเบอร์ผู้ซื้อในคำสั่งซื้อและ Open API แบรนด์จึงคิด Health Score รายคนจากออเดอร์บนแพลตฟอร์มไม่ได้ ตัวอย่างทางออกคือ Lotus's ที่ใช้ LINE Login ดึงประวัติซื้อของสมาชิกมาทำแคมเปญ มีผู้ร่วมกว่า 60,000 คน และใช้คูปอง 25% ทีม CRM ควรวัด “สัดส่วนลูกค้าที่คิดคะแนนได้” และใช้คะแนนระดับร้านกับผู้ซื้อที่ยังระบุตัวไม่ได้
- Health Score คือการทำโปรไฟล์ ร่าง สคส. ขอความโปร่งใส
7 ก.ค. 2026 สคส. เปิดรับฟังร่างแนวปฏิบัติด้านการตลาด ที่ขอให้โปร่งใสเรื่องการทำโปรไฟล์ เพิ่มมาตรการป้องกันเมื่อใช้ AI ทำการตลาด และแยกความยินยอมทางการตลาด ร่างนี้ยังไม่บังคับใช้ แต่ทีม CRM ควรแจ้งในนโยบายความเป็นส่วนตัวว่าใช้คะแนนลูกค้าทำอะไร และไม่ส่งข้อเสนอให้คนที่ปฏิเสธการตลาด
ที่มา: legal500.com
เรื่องนี้คืออะไร
การให้คะแนนสุขภาพลูกค้าช่วยให้ธุรกิจสามารถคาดการณ์ความเสี่ยงในการสูญเสียลูกค้าได้ล่วงหน้า หมวดหมู่นี้เน้นการออกแบบโมเดลวัดความแข็งแรงของความสัมพันธ์ลูกค้า เพื่อวางแผนรักษาและเพิ่มมูลค่าจากลูกค้าแต่ละราย
ประโยชน์ที่ได้
- ระบุลูกค้าเสี่ยง Churn ได้อย่างแม่นยำ
- วางแผน Retention Program เชิงรุกได้ทันเวลา
- เพิ่ม Customer Lifetime Value ผ่านการดูแลเชิงกลยุทธ์
ศัพท์ที่ต้องรู้
- Customer Health Score (คะแนนสุขภาพลูกค้า)
- คะแนนเดียว เช่น 0–100 หรือเขียว/เหลือง/แดง ที่รวมหลายสัญญาณ เพื่อบอกว่าลูกค้ามีแนวโน้มอยู่ต่อ ซื้อเพิ่ม หรือเลิกซื้อ ใช้มองไปข้างหน้า ไม่ใช่รายงานย้อนหลัง
- Leading vs Lagging Indicator
- Lagging คือผลที่เกิดแล้ว เช่น ยกเลิกสัญญา ยอดตก ส่วน Leading คือสัญญาณที่มาก่อน เช่น ซื้อห่างกว่าเดิม คลิกน้อยลง บล็อก LINE OA หรือบ่นในแชท Health Score ควรสร้างจาก Leading เป็นหลัก
- Signal (สัญญาณ)
- ข้อมูลแต่ละตัวที่ใช้คิดคะแนน แบ่งเป็น 5 กลุ่ม: การใช้งานหรือการซื้อ ความลึกของการใช้ งานบริการ ความสัมพันธ์และอารมณ์ (รวมแชท) และการเงิน ควรเลือกแค่ 4–6 ตัว
- Weighting และ Override Rule
- Weighting คือน้ำหนักของแต่ละสัญญาณ ตั้งจากสมมติฐานแล้วปรับด้วยข้อมูลจริง Override Rule คือกฎที่ดึงคะแนนลงทันที เช่น จ่ายเงินไม่ผ่านก่อนต่อสัญญา 30 วัน เพื่อไม่ให้สัญญาณอันตรายถูกเฉลี่ยหายไป
- Tier และ Velocity
- Tier คือการแบ่งคะแนนเป็นสี แต่ละสีต้องมีสิ่งที่ต้องทำกำกับ Velocity คือความเร็วที่คะแนนเปลี่ยน ลูกค้าที่ตกจาก 90 เหลือ 70 ใน 2 เดือน น่าห่วงกว่าคนที่อยู่ 60 มาตลอด
- Backtest (ทดสอบย้อนหลัง)
- เอาสูตรไปคิดคะแนนย้อนหลังของลูกค้าที่เลิกซื้อไปแล้ว ว่าก่อนออก 60–90 วันเป็นสีอะไร ถ้าส่วนใหญ่ยังเขียว แปลว่าสูตรมองไม่เห็นสัญญาณจริง
- AI-assisted Health Score
- คะแนนที่เครื่องมือใช้ AI อ่านอีเมล แชท การประชุม หรือประวัติการซื้อ แล้วคิดคะแนนหรือความน่าจะเป็นที่จะเลิกซื้อให้ ประหยัดแรง แต่ต้องรู้ว่าใช้ข้อมูลอะไร ต้องมีข้อมูลพอ และต้อง Backtest เหมือนเดิม
- ลูกค้าที่ระบุตัวได้ vs ลูกค้าบนแพลตฟอร์ม
- คิด Health Score รายคนได้เฉพาะลูกค้าที่รู้ว่าเป็นใคร เช่น สมาชิก หรือเพื่อนใน LINE OA ที่ผูกบัญชี ผู้ซื้อบน Shopee หรือ TikTok Shop ที่แพลตฟอร์มปิดชื่อและเบอร์ไว้ ต้องดูเป็นภาพรวมหรือชวนมาเป็นสมาชิกก่อน
ถาม-ตอบ
ไล่จากคำถามพื้นฐานไปถึงขั้นสูง ทุกข้อปิดท้ายด้วย Prompt ต่อยอดให้คัดลอกไปถาม AI ต่อ
เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt
ข้อมูลเก็บไว้ในเบราว์เซอร์นี้เท่านั้น ไม่ได้ส่งไปที่ใด ช่องว่างที่ตรงกับข้อมูลนี้จะถูกเติมให้ทุก prompt ส่วนช่องอื่นกด "เติมช่องว่าง" ที่ prompt นั้น
Q1Health Score ต่างจาก NPS หรือ CSAT ยังไง ทำไมต้องมีอีกตัว?
NPS/CSAT วัดความรู้สึก ส่วน Health Score วัดพฤติกรรม NPS/CSAT ได้คำตอบเฉพาะคนที่ยอมตอบ ณ เวลาที่ถาม ส่วน Health Score คิดจากสิ่งที่ลูกค้าทำจริงทุกคน ทุกสัปดาห์ โดยไม่ต้องถาม
สองอย่างนี้ขัดกันได้บ่อย ลูกค้าบอกว่าพอใจ แต่ซื้อห่างขึ้นเรื่อย ๆ หรือลูกค้าบ่นทุกเดือน แต่ซื้อเพิ่มทุกปี
วิธีใช้ที่ดีคือให้ NPS/CSAT เป็น หนึ่งในสัญญาณ ของ Health Score เช่น HubSpot มีกลุ่ม NPS ให้เลือกในหน้าตั้งค่าคะแนนอยู่แล้ว แต่ไม่ใช่ตัวแทนทั้งหมด และเมื่อคะแนนตก ยังต้องถามหรือคุยกับลูกค้าเพื่อรู้ว่า “ทำไม”
ธุรกิจของฉันคือ [ประเภทธุรกิจ] ตอนนี้ดูแค่ [NPS/CSAT] ช่วยอธิบายว่า Health Score จะบอกอะไรเพิ่มที่ Survey บอกไม่ได้ และเสนอสัญญาณพฤติกรรม 5 ตัวแรกที่ควรเก็บจากข้อมูลที่มีคือ [รายการข้อมูล] ตอบเป็นตาราง
Q2ควรเอาสัญญาณอะไรมาคำนวณบ้าง?
เลือก 4–6 สัญญาณจากหลายกลุ่ม ตามที่ Gainsight แนะนำ ไม่ใช่กลุ่มเดียว
- การใช้งาน/การซื้อ: ซื้อหรือใช้งานถี่แค่ไหน เทียบกับจังหวะเดิมของลูกค้าคนนั้น
- ความลึกของการใช้: ซื้อกี่หมวด ใช้ฟีเจอร์หลักครบไหม ในองค์กรมีกี่คนที่ใช้
- งานบริการ: เรื่องร้องเรียนค้าง ความรุนแรง เวลาแก้
- ความสัมพันธ์และอารมณ์: ยังทักแชทไหม น้ำเสียงในแชทเป็นอย่างไร คนติดต่อหลักยังอยู่ไหม NPS ล่าสุด
- การเงิน: จ่ายตรงเวลาไหม ลดแพ็กเกจไหม ใกล้วันต่อสัญญาหรือยัง
หลักเลือกคือ สัญญาณต้องสัมพันธ์กับการเลิกซื้อจริง ไม่ใช่แค่ดึงง่าย เริ่มจาก 3–5 ตัวที่ข้อมูลสะอาดพอใช้ได้วันนี้ แล้วค่อยเพิ่มเมื่อพิสูจน์ได้ว่าช่วยทำนาย
ไฟล์แนบคือรายการตารางและฟิลด์ใน CRM ของ [ชื่อธุรกิจ] ประเภท [ประเภทธุรกิจ] ช่วยจัดแต่ละข้อมูลเข้ากลุ่มสัญญาณ (การซื้อ/ความลึก/บริการ/ความสัมพันธ์/การเงิน) บอกว่าตัวไหนน่าจะทำนายการเลิกซื้อได้ ตัวไหนเป็นแค่กิจกรรม เสนอชุดเริ่มต้น 5 ตัว และชี้ฟิลด์ที่เป็นข้อมูลส่วนบุคคลที่ต้องระวังเรื่อง PDPA ตอบเป็นตาราง
Q3ให้น้ำหนักแต่ละสัญญาณยังไง มีสูตรมาตรฐานไหม?
ไม่มีสูตรกลาง มีแต่จุดเริ่มต้นที่ต้องปรับด้วยข้อมูลของเราเอง ตัวอย่างที่เผยแพร่
- Gainsight: การใช้งาน 40% บริการ 25% อารมณ์ลูกค้า 20% การคุยกับผู้บริหารฝั่งลูกค้า 15%
- Basedash (ก.ค. 2026): การใช้งาน 35% ความลึก 25% บริการ 15% ความสัมพันธ์ 15% การเงิน 10%
วิธีทำ: แปลงแต่ละสัญญาณเป็นคะแนนย่อย 0–100 ก่อน แล้วคูณน้ำหนักรวมกัน HubSpot แนะนำให้สัญญาณเรื่องต่อสัญญามีน้ำหนักมากขึ้นเมื่อใกล้วันต่อ และปัญหาบริการร้ายแรงควรหักมากกว่าเรื่องเล็ก
สิ่งที่สำคัญกว่าตัวเลขน้ำหนักคือ Override Rule เช่น Basedash ตั้งให้คะแนนเหลือ 20 ทันทีเมื่อจ่ายเงินไม่ผ่านและเหลือเวลาต่อสัญญาไม่เกิน 30 วัน และต้อง Backtest ว่าน้ำหนักที่ตั้งแยกคนที่เลิกซื้อออกจากคนที่อยู่ได้จริง
ออกแบบสูตร Health Score 0–100 ของ [ชื่อธุรกิจ] จากสัญญาณเหล่านี้: [รายการสัญญาณพร้อมหน่วย] บอกวิธีแปลงแต่ละตัวเป็นคะแนนย่อย 0–100 น้ำหนักเริ่มต้นพร้อมเหตุผล กฎ Override 2–3 ข้อ และวิธีจัดการข้อมูลที่ขาด ตอบเป็นตารางและสูตรที่ทีมข้อมูลเอาไปเขียน SQL ได้
Q4B2B กับ B2C ออกแบบต่างกันยังไง?
B2B (ซอฟต์แวร์ บริการองค์กร ค้าส่ง): คิดคะแนนเป็น “บัญชี” ที่มีหลายคนข้างใน สัญญาณสำคัญคือใช้กันทั้งองค์กรไหม ไม่ใช่แค่คนเดียว คนติดต่อหลัก (Champion) ยังตอบไหม และใกล้วันต่อสัญญาหรือยัง ChurnZero (ส.ค. 2026) เตือนว่าความสัมพันธ์มักเปลี่ยนก่อนการใช้งานจะตกนาน
B2C (ค้าปลีก ร้านออนไลน์ ร้านอาหาร ฟิตเนส): คิดคะแนนรายคน จำนวนมาก ต้องใช้ข้อมูลอัตโนมัติ Klaviyo ใช้ระยะห่างจากการซื้อครั้งล่าสุด ความถี่เทียบกับจังหวะเดิมของคนนั้น การคลิกและเข้าเว็บ และยอดต่อบิลที่เปลี่ยนไป ส่วน Shopify เพิ่มการคืนสินค้า รีวิว และการแนะนำเพื่อน
สรุปคือ B2B ใช้คะแนนให้คนดูแลลงมือรายบัญชี ส่วน B2C ใช้คะแนนแบ่งกลุ่มและยิงข้อความอัตโนมัติ และ ต้องเทียบกับพฤติกรรมเดิมของลูกค้าคนนั้น ไม่ใช่ค่าเฉลี่ยรวม
ธุรกิจของฉันเป็น [B2B/B2C] ประเภท [ประเภทธุรกิจ] ลูกค้าซื้อเฉลี่ยทุก [ระยะเวลา] ช่วยออกแบบสัญญาณ Health Score ที่เหมาะกับธุรกิจแบบนี้ โดยเฉพาะวิธีจับว่า “ลูกค้าคนนี้ซื้อห่างกว่าจังหวะเดิมของตัวเอง” และสิ่งที่ต้องทำต่างกันในกลุ่มเขียว เหลือง แดง ตอบเป็นตาราง
Q5แบ่งเขียว เหลือง แดง ตรงไหนดี?
เกณฑ์ที่เผยแพร่ใกล้เคียงกัน Gainsight ใช้ 71–100 / 31–70 / 0–30 ส่วน Basedash ใช้ 70–100 / 40–69 / 0–39 แต่เป็นแค่จุดเริ่มต้น
ตั้งเกณฑ์จากผลจริง ไม่ใช่ให้ตัวเลขดูสวย ดูการกระจายคะแนนของลูกค้าทั้งหมด แล้วหาจุดตัดที่ทำให้กลุ่มแดงเลิกซื้อมากกว่ากลุ่มเขียวหลายเท่าอย่างชัดเจน
ข้อควรระวัง
- ถ้ากลุ่มแดงใหญ่เกินกำลังทีม ให้เรียงตามมูลค่าลูกค้าแทนการเลื่อนเกณฑ์
- ดู ทิศทาง คู่กับระดับเสมอ คนที่ตกจากเขียวเป็นเหลืองเร็ว ๆ ต้องถูกเห็นก่อน
- HubSpot แนะนำสถานะกลาง “Monitor” สำหรับสัญญาณที่ยังขัดกัน เพื่อไม่รีบตัดสิน
ไฟล์แนบคือ Health Score ของลูกค้า [N] ราย และสถานะเลิกซื้อใน 90 วันถัดมา ช่วยหาจุดตัดเขียว/เหลือง/แดงที่แยกอัตราการเลิกซื้อได้ชัดที่สุด บอกขนาดแต่ละกลุ่ม และประเมินว่าทีม [จำนวน] คนดูแลกลุ่มแดงไหวไหม ตอบเป็นตาราง
Q6รู้ได้ยังไงว่าสูตรที่สร้างมาใช้ได้จริง?
ทดสอบ 2 ทางก่อนเชื่อ
- ย้อนหลัง (Backtest): ดึงลูกค้าที่เลิกซื้อใน 12 เดือนล่าสุด แล้วคิดคะแนนย้อนไป 60–90 วันก่อนออก ถ้าส่วนใหญ่ยังเขียว แปลว่าสูตรมองไม่เห็นสัญญาณสำคัญ ต้องแก้ที่สัญญาณ ไม่ใช่แค่ปรับน้ำหนัก
- ไปข้างหน้า (Forward test): ใช้จริง 1 ไตรมาส แล้วเทียบอัตราเลิกซื้อของแต่ละสี Basedash ระบุว่าสูตรที่ใช้ได้ กลุ่มแดงจะเลิกซื้อมากกว่ากลุ่มเขียวหลายเท่า
ตัวเลขที่ควรดูเพิ่ม: จับคนที่เลิกซื้อได้กี่ % (Recall) และกลุ่มแดงที่ไม่ได้เลิกซื้อจริงมีกี่ % (เตือนผิด) สองตัวนี้แลกกัน
ChurnZero ชี้ว่าสูตรมักพลาดเพราะวัด “กิจกรรม” แทน “ผลที่ลูกค้าได้” ให้น้ำหนักการใช้งานมากไป และลืมเรื่องความสัมพันธ์ ควรทบทวนทุกไตรมาส และเก็บเวอร์ชันสูตรไว้เทียบย้อนหลัง
ฉันมีรายชื่อลูกค้าที่เลิกซื้อใน 12 เดือน [N] ราย และลูกค้าที่ยังอยู่ [M] ราย พร้อมค่าสัญญาณรายเดือนย้อนหลัง (แนบ CSV) ช่วยออกแบบขั้นตอน Backtest Health Score ของ [ชื่อธุรกิจ] บอกตารางที่ต้องสร้าง SQL ตัวอย่าง ตัวเลขความแม่นยำที่ควรรายงาน และเกณฑ์ว่าสูตร “ผ่าน”
Q7ตั้งกฎเอง ใช้ Machine Learning หรือใช้คะแนน AI ที่มากับเครื่องมือดี?
เริ่มจากตั้งกฎเอง (Rule-based) เกือบทุกกรณี เพราะอธิบายได้ ทีมเชื่อ และแก้เร็ว
- Rule-based: โปร่งใส เหมาะกับลูกค้าไม่มาก แต่เอียงตามความเชื่อของคนตั้งกฎ
- Machine Learning: หาน้ำหนักที่คนมองไม่เห็น เหมาะกับ B2C ลูกค้าหลักแสน แต่ต้องมีเหตุการณ์เลิกซื้อมากพอ และมีคนดูแลข้อมูล
- คะแนน AI สำเร็จรูป: เครื่องมือหลายตัวมีให้แล้ว เช่น Klaviyo คำนวณความเสี่ยงเลิกซื้อให้ แต่ต้องมีลูกค้าที่ซื้อแล้วอย่างน้อย 500 คน และประวัติการสั่งซื้ออย่างน้อย 180 วัน ส่วน Gainsight (Staircase AI) คิดคะแนน 0–100 จากอารมณ์ในอีเมล แชท และการประชุม
ก่อนใช้คะแนน AI ให้ถาม 3 ข้อ: ใช้ข้อมูลอะไร ข้อมูลเราพอไหม และทำนายลูกค้าเราได้จริงไหม (Backtest) Gartner คาดว่าโครงการ AI ที่ข้อมูลไม่พร้อม 60% จะถูกเลิกภายในปี 2026
เปรียบเทียบ 3 ทางเลือกสำหรับทำ Health Score ของ [ชื่อธุรกิจ]: ตั้งกฎเอง, Machine Learning, และคะแนน AI ที่มากับ [ชื่อเครื่องมือ CRM/Marketing] เรามีลูกค้า [จำนวน] ราย เลิกซื้อปีละ [จำนวน] ราย ทีมข้อมูล [จำนวน] คน บอกเกณฑ์เลือก ต้นทุน เวลา ความเสี่ยง และคำถามที่ต้องถามผู้ขายก่อนเปิดใช้ ตอบเป็นตาราง
Q8ใช้ AI อ่านแชทและ Ticket มาเป็นสัญญาณได้ยังไง?
ใช้ AI แปลงข้อความเป็นสัญญาณกลุ่ม “ความสัมพันธ์” ซึ่งปกติขาดข้อมูลมากที่สุด
- ติดป้ายความเสี่ยง: อ่านแชท LINE OA, Messenger, Ticket แล้วติดป้าย เช่น “ขู่ยกเลิก” “ถามราคาคู่แข่ง” “ปัญหาค้างนาน” “คนติดต่อเปลี่ยน”
- ให้คะแนนอารมณ์ตามเวลา: Gainsight ใช้วิธีให้ข้อความล่าสุดมีน้ำหนักมากกว่าข้อความเก่า
- สรุปให้คนดูแลก่อนโทร: ทำไมคะแนนตก อะไรเปลี่ยนใน 30 วัน ควรเปิดบทสนทนาอย่างไร
ข้อควรระวัง
- AI อ่านศัพท์เฉพาะผิดได้ Gainsight ยกตัวอย่างว่าโมเดลอ่านคำว่า “churn management” เป็นลูกค้าจะเลิกใช้
- ให้ยกข้อความจริงเป็นหลักฐาน และเก็บเวอร์ชันโมเดลไว้
- แชทลูกค้าเป็นข้อมูลส่วนบุคคล ลบชื่อ เบอร์ ก่อนส่งเข้า AI ภายนอก และจำกัดคนเข้าถึง
คุณคือผู้ช่วยทีมดูแลลูกค้า ไฟล์แนบคือแชทและ Ticket ของลูกค้ารหัส [รหัส] ใน 30 วันล่าสุด (ลบชื่อและเบอร์แล้ว) ช่วย (1) ให้อารมณ์โดยรวม บวก/กลาง/ลบ (2) ติดป้ายความเสี่ยงจากรายการนี้เท่านั้น: [ขู่ยกเลิก, บ่นราคา, ถามคู่แข่ง, ปัญหาค้าง, คนติดต่อเปลี่ยน] พร้อมยกข้อความจริง (3) สรุป 5 บรรทัด และคำถามเปิดบทสนทนา 3 ข้อ ถ้าไม่แน่ใจให้เขียนว่า “ไม่แน่ใจ”
Q9ยังใช้อัตราเปิดอีเมลเป็นสัญญาณได้ไหม แล้วควรดูอะไรแทน?
ไม่ควรใช้อัตราเปิดอีเมลเป็นสัญญาณหลักแล้ว เพราะ Apple Mail ที่เปิด Protect Mail Activity จะดาวน์โหลดเนื้อหาอีเมลเองตั้งแต่ตอนได้รับ อีเมลจึงดูเหมือน “ถูกเปิด” ทั้งที่ลูกค้าอาจไม่ได้อ่าน
สัญญาณที่เชื่อถือได้กว่า
- คลิก การเข้าเว็บ และการซื้อ แทนการเปิด
- การบล็อก LINE OA: ถ้าเชื่อมระบบผ่าน Messaging API จะได้เหตุการณ์ Unfollow พร้อม User ID ทันทีที่ลูกค้าบล็อก จึงใช้เป็นสัญญาณเตือนรายคนได้ และได้เหตุการณ์ Follow เมื่อลูกค้าเลิกบล็อก
- แชท: ลูกค้าทักน้อยลง ถามซ้ำหลายครั้ง หรือทักแล้วไม่มีใครตาม LINE ระบุว่าแชทใหม่กว่า 90% ไม่ถูกตามต่อหลังตอบครั้งแรก (ข้อมูลผู้ขาย)
- ไลฟ์: ข้อมูลรายคนมักอยู่บนแพลตฟอร์ม ให้ใช้เป็นภาพรวม เว้นแต่ลูกค้าเป็นสมาชิกที่ระบุตัวได้
ตอนนี้ Health Score ของ [ชื่อธุรกิจ] ใช้ [อัตราเปิดอีเมล/จำนวนเปิดข้อความ] เป็นสัญญาณ ช่วยเสนอสัญญาณทดแทนจากข้อมูลที่เรามีคือ [คลิก, การซื้อ, เหตุการณ์บล็อก LINE OA, แชท, การเข้าแอป] บอกวิธีคำนวณ น้ำหนักเริ่มต้น และข้อควรระวังเรื่องข้อมูลเพี้ยน ตอบเป็นตาราง
Q10ลูกค้าส่วนใหญ่ซื้อผ่าน Shopee หรือ TikTok Shop จะทำ Health Score ได้ไหม?
ทำรายคนได้เฉพาะลูกค้าที่เรารู้ว่าเป็นใคร Shopee ปิดชื่อและเบอร์โทรผู้ซื้อในคำสั่งซื้อและ Open API เพื่อปกป้องความเป็นส่วนตัว แบรนด์จึงเอาออเดอร์มาคิดคะแนนรายคนในระบบตัวเองไม่ได้
สิ่งที่ทำได้
- ชวนผู้ซื้อมาเป็นสมาชิกอย่างถูก PDPA เช่น QR ในกล่อง ลงทะเบียนรับประกัน หรือสมัครผ่าน LINE OA แล้วค่อยคิดคะแนนเมื่อระบุตัวได้ ตัวอย่างคือ Lotus's ใช้ LINE Login ดึงประวัติซื้อของสมาชิกมาทำแคมเปญ มีผู้ร่วมกว่า 60,000 คน และใช้คูปอง 25%
- ใช้ Brand Membership ในแพลตฟอร์ม ดูภาพรวมสมาชิกในร้าน แม้ข้อมูลจะอยู่ในแพลตฟอร์ม
- ทำคะแนนสุขภาพ “ระดับร้าน” จากอัตราซื้อซ้ำ ดาวร้าน รีวิวลบ และอัตราตอบแชท
อย่าพยายามจับคู่ผู้ซื้อจากที่อยู่จัดส่งเพื่อทำการตลาด เพราะเสี่ยงทั้งกติกาแพลตฟอร์มและ PDPA
ร้าน [ชื่อร้าน] ขายผ่าน [Shopee/Lazada/TikTok Shop] เป็นหลัก และมีสมาชิก LINE OA [จำนวน] คน ช่วยออกแบบ (1) Health Score ระดับร้านจากข้อมูลใน Seller Centre (2) วิธีชวนผู้ซื้อมาเป็นสมาชิกให้ถูกกติกาแพลตฟอร์มและ PDPA (3) Health Score รายคนสำหรับสมาชิกที่ระบุตัวได้ ตอบเป็นตาราง พร้อมชี้จุดเสี่ยงด้านกติกาและ PDPA
Q11ได้คะแนนแล้วต้องทำอะไร Playbook ควรมีอะไรบ้าง?
คะแนนที่ไม่มีสิ่งที่ต้องทำกำกับ ไม่มีประโยชน์ แต่ละสีต้องมี Playbook ชัดเจน
- แดง: สร้างงานให้เจ้าของลูกค้าภายใน 24 ชั่วโมง โทรหรือทักแชทเพื่อ “ฟัง” ไม่ใช่ขาย หาสาเหตุ แล้วเสนอทางแก้ ใน B2C ส่งข้อความชวนกลับพร้อมสิทธิพิเศษที่แรงขึ้นตามระดับความเสี่ยง ตามที่ Klaviyo แนะนำ
- เหลือง: ส่งเนื้อหาช่วยใช้งาน ทักเบา ๆ ผ่าน LINE OA แล้วเฝ้าดู 2–4 สัปดาห์
- เขียว: ขอรีวิว ชวนแนะนำเพื่อน เสนอสินค้าเพิ่ม และเชิญเข้าโปรแกรมขอบคุณ
ถ้าใช้ AI Chatbot หรือ AI Agent ช่วยทักลูกค้ากลุ่มเหลือง ต้องมีทางส่งต่อให้คนรับช่วงทันทีเมื่อลูกค้าไม่พอใจ ทุกครั้งที่ลงมือ ให้บันทึกใน CRM ว่าทำอะไร เมื่อไร ได้ผลไหม เพื่อดูว่า Playbook ไหนได้ผลจริง
ออกแบบ Playbook สำหรับ Health Score แต่ละสีของ [ชื่อธุรกิจ] ประเภท [B2B/B2C] ระบุเหตุการณ์ที่เป็นตัวกระตุ้น ผู้รับผิดชอบ กรอบเวลา ช่องทาง [โทร/LINE OA/อีเมล] ข้อความตัวอย่างภาษาไทย จุดที่ให้ AI ช่วยได้และจุดที่ต้องเป็นคน และตัวชี้วัดความสำเร็จ ตอบเป็นตาราง
Q12จะพิสูจน์กับผู้บริหารยังไงว่า Health Score ช่วยเพิ่มรายได้?
วัดจากผลของการลงมือทำ ไม่ใช่จากตัวคะแนน
- อัตราเลิกซื้อตามสี: กลุ่มแดง เหลือง เขียว เลิกซื้อกี่ % ทุกไตรมาส ถ้าแยกกันชัด แปลว่าคะแนนมีค่า
- อัตรากู้คืน (Save Rate): ลูกค้าแดงที่ได้รับการดูแลกลับมาเป็นเหลือง/เขียว หรือซื้อซ้ำใน 60–90 วันกี่ % เทียบกับกลุ่มแดงที่กันไว้ไม่ได้ดูแล (Holdout) ซึ่งพิสูจน์ได้ชัดที่สุด
- รายได้ที่รักษาไว้: จำนวนลูกค้าที่กู้ได้ × มูลค่าต่อปี
- ยอดขายเพิ่มจากกลุ่มเขียว: ยอดขายเพิ่มหรือการแนะนำเพื่อนที่มาจากการเลือกเป้าด้วยคะแนน
- เวลาทีม: ทีมใช้เวลากับลูกค้าที่เสี่ยงและมีมูลค่าสูงมากขึ้นแค่ไหน
ไตรมาสแรกเริ่มจากข้อ 1–2 แล้วค่อยแปลงเป็นเงินเมื่อข้อมูลพอ
ไฟล์แนบคือคะแนนรายเดือน งานที่ทีมทำ สถานะเลิกซื้อ และยอดซื้อของลูกค้า [ชื่อธุรกิจ] ช่วยออกแบบรายงานรายไตรมาสที่พิสูจน์ผลของ Health Score ระบุ KPI สูตร วิธีตั้งกลุ่ม Holdout ให้ยุติธรรม และโครงสไลด์ 1 หน้าสำหรับผู้บริหาร ห้ามสรุปว่าเป็นเหตุและผลถ้าไม่มีกลุ่มเปรียบเทียบ
Q13ธุรกิจเล็กที่ไม่มีทีมข้อมูล เริ่มยังไงได้บ้าง?
เริ่มแบบง่ายแต่ทำสม่ำเสมอ ดีกว่ารอระบบใหญ่
- เลือก 3 สัญญาณ ที่ดึงได้จากระบบที่มี เช่น วันที่ซื้อล่าสุด จำนวนครั้งที่ซื้อใน 90 วัน และมีเรื่องร้องเรียนค้างไหม ร้านค้าปลีกเพิ่มการคืนสินค้า ร้านที่มี LINE OA เพิ่มการบล็อก
- ใช้วิธีของ Shopify (ก.พ. 2025): ให้น้ำหนัก 1–10 ต่อสัญญาณ เลือก “ลูกค้าในฝัน” เป็นคะแนนเต็ม แล้วคิดเป็น % จะได้คะแนน 0–100 ที่เข้าใจง่าย
- คิดใน Google Sheet หรือใช้ Segment ในระบบสมาชิกหรือ CRM ที่มีอยู่ อัปเดตทุกสัปดาห์ ใช้ AI ช่วยเขียนสูตรได้ แต่อย่าอัปโหลดไฟล์ที่มีชื่อและเบอร์ลูกค้าเข้า AI ฟรี
- ตั้งกฎแค่ 2 ข้อ: แดง ให้แอดมินทักใน LINE OA ภายใน 2 วัน เขียว ส่งสิทธิพิเศษหรือขอรีวิว
- ผ่านไป 1 ไตรมาส เช็กว่ากลุ่มแดงเลิกซื้อมากกว่ากลุ่มเขียวจริงไหม แล้วค่อยเพิ่มสัญญาณ
ร้าน [ประเภทธุรกิจ] ขนาดเล็กของฉันมีข้อมูลแค่ [เช่น ประวัติซื้อจาก POS, รายชื่อสมาชิก LINE OA, บันทึกร้องเรียน] ไม่มีทีมข้อมูล ช่วยออกแบบ Health Score แบบง่ายที่คิดใน Google Sheet ได้ บอกคอลัมน์ สูตร กฎเขียว/เหลือง/แดง และข้อความทักลูกค้ากลุ่มแดงผ่าน LINE OA ที่ไม่ดูเหมือนขายของ
KPI ที่ควรวัด
| ตัวชี้วัด | สูตร | ค่าอ้างอิง | ทำไมต้องดู |
|---|---|---|---|
| Health Score Distribution (สัดส่วนลูกค้าตามสี) | % ลูกค้า (หรือ % รายได้) ในกลุ่มเขียว / เหลือง / แดง ณ สิ้นเดือน | ขึ้นกับธุรกิจ; ช่วงคะแนนตัวอย่าง: Gainsight 71–100 / 31–70 / 0–30, Basedash 70–100 / 40–69 / 0–39 | เห็นว่าฐานลูกค้าแข็งแรงขึ้นหรืออ่อนลง และกลุ่มแดงใหญ่เกินกำลังทีมไหม |
| Churn Rate by Tier (อัตราเลิกซื้อตามสี) | ลูกค้าที่เลิกซื้อใน 90 วัน ÷ ลูกค้าในสีนั้น ณ ต้นช่วง × 100 | กลุ่มแดงควรเลิกซื้อมากกว่ากลุ่มเขียวหลายเท่า (Basedash, ก.ค. 2026); ถ้าไม่ต่างกัน สูตรใช้ไม่ได้ | เป็นหลักฐานหลักว่าคะแนนทำนายผลได้จริง |
| Backtest Recall (จับคนที่จะเลิกซื้อได้กี่ %) | ลูกค้าที่เลิกซื้อซึ่งเป็นสีเหลืองหรือแดงเมื่อ 60–90 วันก่อนออก ÷ ลูกค้าที่เลิกซื้อทั้งหมด × 100 | ขึ้นกับธุรกิจ; ถ้าส่วนใหญ่ยังเขียวก่อนออก ต้องแก้สัญญาณ (ChurnZero, Basedash) | บอกว่าสูตรเห็นลูกค้าที่กำลังจะหายทันเวลาไหม |
| Save Rate (อัตรากู้คืน) | ลูกค้าแดงที่ได้รับการดูแลแล้วกลับเป็นเหลือง/เขียว หรือซื้อซ้ำใน 60–90 วัน ÷ ลูกค้าแดงที่ได้รับการดูแล × 100 | ขึ้นกับธุรกิจและข้อเสนอ; ควรเทียบกับกลุ่ม Holdout ที่ไม่ได้ดูแล | วัดว่าการลงมือทำได้ผล ไม่ใช่แค่คะแนนแม่น |
| Time to First Action (เวลาถึงการติดต่อครั้งแรก) | เวลาเฉลี่ยจากที่คะแนนตกเข้าโซนแดง ถึงการติดต่อครั้งแรก | ไม่มีมาตรฐานกลาง ทีมส่วนใหญ่ตั้ง 24–48 ชั่วโมง ขึ้นกับขนาดทีม | สัญญาณเตือนไม่มีประโยชน์ถ้าไม่มีใครลงมือทัน |
| Score Coverage (สัดส่วนลูกค้าที่คิดคะแนนได้) | ลูกค้าที่ระบุตัวได้และมีข้อมูลพอคิดคะแนน ÷ ลูกค้าทั้งหมดที่ซื้อในช่วงนั้น (ทุกช่องทางรวมมาร์เก็ตเพลส) × 100 | ขึ้นกับสัดส่วนยอดขายบนมาร์เก็ตเพลส; ดูแนวโน้มว่าเพิ่มขึ้นหลังชวนผู้ซื้อมาเป็นสมาชิก | ถ้าลูกค้าส่วนใหญ่ไม่มีคะแนน Health Score จะบอกภาพแค่บางส่วน |
ขั้นตอนลงมือทำ
- นิยามให้ชัดว่า “ลูกค้าสุขภาพดี” คืออะไร โดยให้ทีมขายหรือบริการชี้ลูกค้าที่ดีที่สุดและแย่ที่สุดอย่างละ 10 รายเป็นตัวอย่าง
- รวมตัวตนลูกค้าก่อน (เบอร์โทร, LINE User ID, รหัสสมาชิก) และชวนผู้ซื้อจากมาร์เก็ตเพลสมาเป็นสมาชิกอย่างถูก PDPA เพื่อให้คิดคะแนนรายคนได้
- เลือก 4–6 สัญญาณจากหลายกลุ่ม ใช้คลิก การซื้อ การบล็อก LINE OA และแชทแทนอัตราเปิดอีเมล
- แปลงเป็นคะแนนย่อย 0–100 ตั้งน้ำหนักเริ่มต้นและกฎ Override แล้ว Backtest กับลูกค้าที่เลิกซื้อใน 12 เดือนล่าสุด
- ตั้งเกณฑ์เขียว/เหลือง/แดงจากอัตราเลิกซื้อจริง แล้วผูก Playbook ใน CRM ให้สร้างงาน มีเจ้าของ กำหนดเวลา และช่องบันทึกผล
- ถ้าใช้ AI อ่านแชทหรือใช้คะแนน AI ของเครื่องมือ ให้ลบข้อมูลส่วนตัวก่อนส่ง สุ่มตรวจผลทุกเดือน และแจ้งการทำโปรไฟล์ในนโยบายความเป็นส่วนตัว
- ทุกไตรมาสรายงานอัตราเลิกซื้อตามสี Save Rate และความครอบคลุม แล้วปรับสัญญาณและน้ำหนัก พร้อมเก็บเวอร์ชันสูตร
ข้อผิดพลาดที่พบบ่อย
- วัดแต่ “กิจกรรม” เช่น จำนวนล็อกอินหรืออัตราเปิดอีเมล แล้วคิดว่าคือสุขภาพอัตราเปิดอีเมลเพี้ยนเพราะ Apple Mail Privacy Protection ให้ใช้คลิก การซื้อ และผลที่ลูกค้าได้แทน ส่วนกิจกรรมใช้เป็นแค่การแจ้งเตือน
- ให้น้ำหนักการใช้งานสูงจนบัญชีที่มีผู้ใช้หลักคนเดียวดูเขียว ทั้งที่คนนั้นกำลังจะลาออกเพิ่มสัญญาณความสัมพันธ์ เช่น จำนวนคนติดต่อที่ยังคุยอยู่ การตอบกลับของ Champion และตั้ง Override เมื่อคนติดต่อหลักเปลี่ยน
- ใช้สูตรเดียวกับลูกค้าทุกแบบ ลูกค้าใหม่จึงเป็นแดงหมดเพราะยังไม่มีข้อมูลแยกเกณฑ์ตามกลุ่มหรือช่วงชีวิต เช่น ลูกค้าใหม่วัดว่าผ่านขั้นสำคัญหรือยัง และกำหนดค่าเริ่มต้นเมื่อข้อมูลยังว่าง
- เปิดใช้คะแนน AI ของเครื่องมือทันที โดยไม่รู้ว่าใช้ข้อมูลอะไร และข้อมูลเราพอไหมอ่านเงื่อนไขขั้นต่ำของเครื่องมือ Backtest กับลูกค้าของเราก่อน และแสดงเหตุผลของคะแนนให้ทีมเห็นทุกครั้ง
- คะแนนอยู่บน Dashboard สวย ๆ แต่ไม่มีใครรับผิดชอบลูกค้ากลุ่มแดงตั้ง Automation สร้างงานพร้อมเจ้าของและกำหนดเวลาทันทีเมื่อเข้าโซนแดง และวัด Time to First Action เป็น KPI ทีม
- เอาแชทลูกค้าไปให้ AI ภายนอกวิเคราะห์ และใช้คะแนนยิงข้อเสนอ โดยไม่แจ้งลูกค้าลบข้อมูลส่วนตัวก่อนส่ง ใช้บัญชีองค์กรที่ไม่นำข้อมูลไปเทรน แจ้งเรื่องการทำโปรไฟล์ และแยกความยินยอมทางการตลาดตามแนวร่างของ สคส.
Mega Prompt สำหรับงานใหญ่
Prompt แบบเต็ม มีบทบาท บริบท งาน ข้อจำกัด และรูปแบบผลลัพธ์ เติม [ช่องว่าง] แล้วใช้ได้เลย
ออกแบบ Health Score เวอร์ชันแรก
ใช้เมื่อ ใช้เมื่อยังไม่มี Health Score และอยากได้เวอร์ชันที่ใช้งานได้ภายใน 1 ไตรมาส
คุณคือหัวหน้าทีม Customer Success Operations ที่เคยสร้าง Health Score ให้ธุรกิจทั้ง B2B และ B2C บริบท: ธุรกิจ [ประเภทธุรกิจ] รายได้แบบ [สมัครสมาชิก/ซื้อซ้ำ/สัญญารายปี] ลูกค้า [จำนวน] ราย เลิกซื้อปีที่แล้ว [x%] ข้อมูลที่มี (แนบรายการตาราง/ฟิลด์): [เช่น orders, logins, tickets, invoices, แชท LINE OA, เหตุการณ์บล็อก LINE OA] คนที่จะใช้คะแนน: [ทีมดูแลลูกค้า/แอดมิน/การตลาด] [n] คน งาน: 1) นิยาม “ลูกค้าสุขภาพดี” ของธุรกิจนี้ 2) เลือก 4–6 สัญญาณจากกลุ่มการซื้อ ความลึก บริการ ความสัมพันธ์ การเงิน พร้อมเหตุผลและวิธีคำนวณ 3) สูตรคะแนนย่อย 0–100 น้ำหนักเริ่มต้น และกฎ Override 4) เกณฑ์เขียว/เหลือง/แดง และวิธีปรับจากข้อมูลจริง 5) Playbook แต่ละสี 6) แผน Backtest และตัวชี้วัดความสำเร็จ 7) ข้อมูลที่ยังขาดและควรเริ่มเก็บ ข้อจำกัด: ห้ามใช้สัญญาณที่ไม่มีข้อมูลจริง ห้ามใช้อัตราเปิดอีเมลเป็นสัญญาณหลัก ไม่เกิน 6 สัญญาณ อธิบายให้คนที่ไม่ใช่สายข้อมูลเข้าใจ และชี้จุดเสี่ยง PDPA รูปแบบผลลัพธ์: ตารางสัญญาณ + สูตร + ตาราง Playbook + แผน 90 วัน
Backtest และปรับน้ำหนักด้วยข้อมูลจริง
ใช้เมื่อ ใช้เมื่อมีสูตรแล้วแต่ไม่แน่ใจว่าทำนายได้จริง หรือทีมเริ่มไม่เชื่อคะแนน
คุณคือนักวิเคราะห์ข้อมูลด้านการรักษาลูกค้า บริบท: Health Score ของ [ชื่อธุรกิจ] ใช้สัญญาณ [รายการ] น้ำหนัก [รายการ] เกณฑ์สี [ระบุ] มีคะแนนรายเดือนย้อนหลัง [เดือน] เดือน และสถานะเลิกซื้อของลูกค้า [N] ราย (เลิกซื้อ [n] ราย) แนบเป็นไฟล์ CSV งาน: 1) คะแนนและสีของคนที่เลิกซื้อ ณ 30/60/90 วันก่อนออก เทียบกับคนที่ยังอยู่ 2) คำนวณ Recall และอัตราเตือนผิดของแต่ละสี 3) สัญญาณไหนแยกสองกลุ่มได้ชัดที่สุด เสนอน้ำหนักใหม่พร้อมเหตุผล 4) กฎ Override ที่ควรเพิ่มจากกรณีที่สูตรพลาด 5) SQL หรือ Pseudo-code สำหรับคำนวณทั้งหมด 6) สรุป 1 หน้าสำหรับผู้บริหาร ข้อจำกัด: แยกความสัมพันธ์กับเหตุและผลให้ชัด ระบุข้อจำกัดเรื่องขนาดกลุ่มตัวอย่าง รูปแบบผลลัพธ์: ขั้นตอน + ตารางผล + SQL + สรุปผู้บริหาร
Playbook ดูแลลูกค้าตามสีและสาเหตุ
ใช้เมื่อ ใช้เมื่อมีคะแนนแล้ว แต่ทีมไม่รู้ว่าต้องทำอะไรกับแต่ละกลุ่ม
คุณคือผู้จัดการทีมรักษาลูกค้า บริบท: ธุรกิจ [ประเภทธุรกิจ] แบบ [B2B/B2C] ลูกค้ากลุ่มแดง [จำนวน] ราย เหลือง [จำนวน] เขียว [จำนวน] สาเหตุหลักที่คะแนนตก: [เช่น ไม่ซื้อ 60 วัน, เรื่องร้องเรียนค้าง, จ่ายเงินไม่ผ่าน, บล็อก LINE OA, คนติดต่อเปลี่ยน] ช่องทาง: [โทร/LINE OA/อีเมล/พบหน้า] มี [AI Chatbot ใน LINE OA หรือไม่] ทีม [n] คน งบ [บาท/เดือน] งาน: สร้าง Playbook แยกตามสี × สาเหตุ แต่ละอันระบุตัวกระตุ้น ผู้รับผิดชอบ กำหนดเวลา ลำดับการติดต่อ (วันที่ 0/3/7/14) ข้อความภาษาไทยที่ไม่ดูเหมือนขายของ สิทธิพิเศษและเพดานต้นทุน จุดที่ให้ AI ทำได้และจุดที่ต้องส่งต่อคน เงื่อนไขส่งต่อหัวหน้า ฟิลด์ที่ต้องบันทึกใน CRM และตัวชี้วัดความสำเร็จ ข้อจำกัด: กลุ่มเขียวต้องมี Playbook สร้างโอกาส ไม่ปล่อยทิ้ง เรียงกลุ่มแดงตามมูลค่าเมื่อทีมดูแลไม่ทัน ห้ามส่งข้อความหาคนที่ถอนความยินยอมทางการตลาดแล้ว รูปแบบผลลัพธ์: ตาราง Playbook + ข้อความตัวอย่าง + Checklist ผู้จัดการ
แปลงแชทและ Ticket เป็นสัญญาณความสัมพันธ์
ใช้เมื่อ ใช้เมื่อสูตรขาดข้อมูลด้านความสัมพันธ์ และอยากให้ AI อ่านข้อความจำนวนมาก
คุณคือระบบวิเคราะห์ข้อความสำหรับทีมดูแลลูกค้า บริบท: ไฟล์แนบคือข้อความจาก [แชท LINE OA/Messenger/Ticket/อีเมล/บันทึกการประชุม] ของลูกค้ารหัส [รหัส] ช่วง [ช่วงเวลา] ลบชื่อ เบอร์ ที่อยู่แล้ว งาน: 1) อารมณ์โดยรวม บวก/กลาง/ลบ พร้อมความมั่นใจ 0–1 ให้ข้อความล่าสุดมีน้ำหนักมากกว่า 2) ติดป้ายความเสี่ยงจากรายการนี้เท่านั้น: [ขู่ยกเลิก, บ่นราคา, เทียบคู่แข่ง, ปัญหาค้างเกิน 7 วัน, คนติดต่อเปลี่ยน, ขอลดแพ็กเกจ] และป้ายบวก: [ถามซื้อเพิ่ม, แนะนำเพื่อน, ชมพนักงาน] 3) ยกข้อความจริงเป็นหลักฐานทุกป้าย 4) คะแนนย่อยด้านความสัมพันธ์ 0–100 พร้อมเหตุผลสั้น ๆ 5) สรุป 5 บรรทัด และคำถามเปิดบทสนทนา 3 ข้อ ข้อจำกัด: ข้อความกำกวมให้ตอบ “ไม่แน่ใจ” ระวังคำประชด สแลงไทย และศัพท์เฉพาะธุรกิจที่อาจถูกอ่านผิด ถ้าพบข้อมูลส่วนตัวหลุดมาให้แจ้งเตือน รูปแบบผลลัพธ์: JSON ที่มีฟิลด์ sentiment, confidence, risk_flags[], positive_flags[], evidence[], relationship_score, brief, questions[]
Health Score สำหรับแบรนด์ไทยที่ขายทั้งหน้าร้าน LINE OA และมาร์เก็ตเพลส
ใช้เมื่อ ใช้เมื่อเป็นธุรกิจ B2C ที่ยอดขายส่วนใหญ่อยู่บน Shopee/TikTok Shop และอยากได้คะแนนที่ยิงข้อความอัตโนมัติได้
คุณคือที่ปรึกษา CRM และ Loyalty สำหรับแบรนด์ค้าปลีกในไทย บริบท: ธุรกิจ [ประเภท เช่น เครื่องสำอาง/อาหารเสริม/ร้านอาหาร] ขายผ่าน [หน้าร้าน %, Shopee %, TikTok Shop %, เว็บ %] สมาชิกที่ระบุตัวได้ [จำนวน] คน เพื่อนใน LINE OA [จำนวน] คน ข้อมูลที่มี: [ประวัติซื้อสมาชิก, แต้ม, การคืนสินค้า, รีวิว, คลิก, เหตุการณ์บล็อก LINE OA, แชท] รอบการซื้อปกติ [ระยะเวลา] งาน: 1) สัญญาณที่เทียบกับจังหวะเดิมของลูกค้าแต่ละคน ไม่ใช้อัตราเปิดข้อความ 2) สูตรคะแนน 0–100 แบบน้ำหนัก 1–10 พร้อมตัวอย่างคำนวณลูกค้า 3 ราย 3) ตาราง 9 ช่อง เขียว/เหลือง/แดง × มูลค่าสูง/กลาง/ต่ำ พร้อมสิ่งที่ต้องทำ 4) Flow 3 ขั้นผ่าน LINE OA สำหรับกลุ่มแดงมูลค่าสูง 5) Health Score ระดับร้านบนมาร์เก็ตเพลส และวิธีชวนผู้ซื้อมาเป็นสมาชิกตามกติกาแพลตฟอร์ม 6) วิธีวัดผลด้วยกลุ่ม Holdout ข้อจำกัด: ห้ามจับคู่ผู้ซื้อจากที่อยู่จัดส่ง ต้นทุนข้อเสนอไม่เกิน [x%] ของยอดซื้อเฉลี่ย และแจ้งความเสี่ยง PDPA กับความถี่ส่งข้อความ รูปแบบผลลัพธ์: ตารางสัญญาณ + สูตร + ตาราง 9 ช่อง + Flow + Checklist PDPA
หาสาเหตุที่คะแนนตกโดยไม่รบกวนลูกค้า
ใช้เมื่อ ใช้เมื่อคะแนนของลูกค้ากลุ่มหนึ่งตกพร้อมกัน และอยากรู้ว่า “ทำไม”
คุณคือนักวิจัยลูกค้า บริบท: ลูกค้ากลุ่ม [Segment] ของ [ชื่อธุรกิจ] [N] ราย มี Health Score ตกจาก [เดิม] เป็น [ปัจจุบัน] ใน [ช่วงเวลา] สัญญาณที่เปลี่ยนคือ [เช่น ซื้อห่างขึ้น, เรื่องร้องเรียนเพิ่ม, บล็อก LINE OA เพิ่ม] เหตุการณ์ที่อาจเกี่ยว: [เช่น ขึ้นราคา, เปลี่ยนขนส่ง, คู่แข่งจัดโปร] งาน: 1) สมมติฐาน 5 ข้อเรียงตามความน่าจะเป็น และข้อมูลภายใน (แชท รีวิว ประวัติซื้อ) ที่ใช้ตรวจแต่ละข้อก่อนถามลูกค้า 2) แบบสอบถามสั้น 3 ข้อผ่าน [LINE OA/อีเมล] ที่ไม่ชี้นำ และไม่ทำให้ลูกค้ารู้สึกถูกจับตา 3) คู่มือสัมภาษณ์ 10 นาทีสำหรับลูกค้ามูลค่าสูง 10 ราย 4) วิธีให้ AI วิเคราะห์คำตอบโดยล็อกหมวดสาเหตุไว้ล่วงหน้า 5) แม่แบบสรุปผลเป็นสิ่งที่ทีมสินค้า บริการ และราคาต้องทำ ข้อจำกัด: ไม่เสนอส่วนลดในแบบสอบถาม ไม่ถามข้อมูลส่วนตัวเพิ่ม รูปแบบผลลัพธ์: ตารางสมมติฐาน + แบบสอบถาม + คู่มือสัมภาษณ์ + แม่แบบ
Prompt 20 รายการจากหนังสือ
หมายเลข 13.1–13.20 ตาม 500 CRM Prompts Book เติม [ช่องว่าง] ให้เป็นบริบทของคุณก่อนส่ง
เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt
ข้อมูลเก็บไว้ในเบราว์เซอร์นี้เท่านั้น ไม่ได้ส่งไปที่ใด ช่องว่างที่ตรงกับข้อมูลนี้จะถูกเติมให้ทุก prompt ส่วนช่องอื่นกด "เติมช่องว่าง" ที่ prompt นั้น
- 13.1วางแผนการให้คะแนนสุขภาพลูกค้าสำหรับ [สินค้า/บริการ] ของ [ชื่อธุรกิจ]
- 13.2สร้างโมเดล Customer Health Score โดยใช้ [เกณฑ์ เช่น Usage Frequency, Payment Timeliness]
- 13.3แนะนำตัวแปรสำคัญที่ใช้ในการให้คะแนน Health เช่น [Activity Level, Churn Risk]
- 13.4สรุป KPI สำหรับวัดผล Health Scoring เช่น [Health Score Trend]
- 13.5วิเคราะห์ Pain Point ที่ส่งผลต่อ Health Score ต่ำใน [กลุ่มลูกค้าเป้าหมาย]
- 13.6ออกแบบ Workflow การแจ้งเตือนลูกค้าเสี่ยงที่มี Health Score ต่ำ
- 13.7แนะนำวิธีใช้ AI เพื่อวิเคราะห์ Health Score เช่น [Predictive Health Scoring Model]
- 13.8สร้าง Flow การติดตามลูกค้าที่มี Health Score ต่ำ เช่น [Customer Care Program]
- 13.9วางแผนการปรับปรุงบริการสำหรับลูกค้าเสี่ยง Churn ตาม Health Score
- 13.10สรุปข้อดีข้อเสียของแต่ละโมเดล Health Scoring เช่น [Rule-based vs Machine Learning]
- 13.11ออกแบบกิจกรรมพิเศษสำหรับลูกค้าที่มี Health Score สูง เช่น [Thank You Program]
- 13.12แนะนำวิธีเก็บข้อมูลพฤติกรรมลูกค้าเพื่อคำนวณ Health Score
- 13.13วิเคราะห์ผลกระทบของ Health Score ต่อยอดขายและรายได้ของ [ชื่อธุรกิจ]
- 13.14สร้าง Script โทรศัพท์แจ้งเตือนลูกค้าเสี่ยงตกหล่น หรือเลิกใช้บริการ
- 13.15วางแผนการใช้ Data Analytics เพื่อปรับปรุงและทำนาย Health Score
- 13.16สรุป Pain Point ของลูกค้า Health Score ต่ำ และแนวทางแก้ไข
- 13.17ออกแบบโปรโมชั่นสำหรับลูกค้าที่มี Health Score ต่ำเพื่อกระตุ้น Engagement
- 13.18แนะนำวิธีติดตามผลลัพธ์หลังการปรับปรุง Health Score
- 13.19สร้าง Survey เพื่อตรวจสอบสาเหตุที่ทำให้ Health Score ลดลง
- 13.20วางแผนการใช้ CRM เพื่อบริหาร Health Score แบบอัตโนมัติ
บริบทตลาดไทย
ธุรกิจไทยที่ทำ Health Score ได้ผลเร็วคือกลุ่มที่มีข้อมูลสมาชิกอยู่แล้ว เช่น ค้าปลีก ร้านอาหาร ความงาม ธนาคาร และโทรคมนาคม สัญญาณที่ชัดในไทยคือการบล็อก LINE OA การหยุดสะสมแต้ม และแชทที่ลูกค้าถามซ้ำหรือบ่น ซึ่งชัดกว่าอัตราเปิดอีเมลที่เพี้ยนไปแล้ว แบรนด์ที่ขายบน Shopee หรือ TikTok Shop จะไม่ได้ชื่อและเบอร์ผู้ซื้อ จึงต้องชวนผู้ซื้อมาเป็นสมาชิกผ่าน QR ในกล่อง ลงทะเบียนรับประกัน หรือ LINE OA ก่อน ส่วน B2B ไทย สัญญาณความสัมพันธ์มักอยู่ในกลุ่ม LINE ของเซลส์ ควรบันทึกการติดต่อสำคัญลง CRM ด้านกฎหมาย การให้คะแนนลูกค้าแล้วส่งข้อเสนออัตโนมัติถือเป็นการทำโปรไฟล์ตาม PDPA ร่างแนวปฏิบัติการตลาดของ สคส. (ก.ค. 2026 ยังไม่บังคับใช้) ขอให้โปร่งใสเรื่องการทำโปรไฟล์และการตลาดด้วย AI แยกความยินยอมทางการตลาด และให้ปฏิเสธได้ง่าย
สิ่งที่ทีมข้อมูลต้องเตรียม
เตรียม (1) Customer Master ที่ใช้ customer_id เดียวเชื่อม POS, เว็บ, แอป, LINE User ID, Ticket, ใบแจ้งหนี้ และ shop membership ID พร้อม lifecycle_stage, contract_end_date, marketing_consent, profiling_notice_at (2) Event table แบบ append-only: ซื้อ คลิก เข้าแอป line_follow/line_unfollow (จาก Messaging API webhook) chat_message ticket ไม่เก็บ email_open เป็นสัญญาณหลัก (3) Snapshot สัญญาณรายสัปดาห์ต่อลูกค้า เพื่อดู Trend และ Backtest (4) health_score_history: customer_id, scored_at, sub_scores, total, tier, model_version, score_source (rule/ml/vendor_ai), override_reason (5) chat_signal: ป้ายจาก LLM, confidence, evidence, prompt_version หลังลบ PII (6) health_action สำหรับคิด Save Rate (7) นิยาม Churn เดียวกันทุกรายงาน และกฎจัดการลูกค้าใหม่ที่ข้อมูลยังไม่พอ
แหล่งอ้างอิง
- How to Score Customer Health (Gainsight)เลือก 4–6 สัญญาณ ตัวอย่างน้ำหนัก 40/25/20/15 และช่วง 71–100/31–70/0–30
- Customer Health Score: Everything You Need to Know (HubSpot, updated 26 Mar 2026)5 ขั้นตอน กลุ่มปัจจัย สถานะ Healthy/Monitor/At risk และให้น้ำหนักเรื่องต่อสัญญามากขึ้นเมื่อใกล้วันต่อ
- Why Your Health Score Isn't Predicting Churn (ChurnZero, Aug 2026)3 ข้อผิดพลาด: วัดกิจกรรม ให้น้ำหนักการใช้งานมากไป ลืมความสัมพันธ์ และสัญญาณความสัมพันธ์ที่ควรเพิ่ม
- How to Build a Customer Health Score: Signals, Weighting and SQL (Basedash, 10 Jul 2026)5 กลุ่มสัญญาณ น้ำหนัก 35/25/15/15/10 ช่วง 70/40 กฎ Override (จ่ายเงินไม่ผ่าน → 20) Backtest 90 วัน และ Forward test
- What Is a Customer Health Score? (Shopify, 21 Feb 2025)สัญญาณสำหรับค้าปลีก (ซื้อซ้ำ คืนสินค้า รีวิว แนะนำเพื่อน) และวิธีให้น้ำหนัก 1–10 โดยใช้ลูกค้าในฝันเป็นคะแนนเต็ม
- What is churn risk? (Klaviyo glossary)สัญญาณเสี่ยงเลิกซื้อแบบ B2C: ระยะห่างการซื้อ ความถี่เทียบจังหวะเดิม การมีส่วนร่วม ยอดต่อบิล และให้ข้อเสนอแรงขึ้นตามระดับเสี่ยง
- Understanding Klaviyo's predictive analytics (Klaviyo Help, updated 5 Aug 2025)เงื่อนไขขั้นต่ำของคะแนนทำนาย: ลูกค้าที่ซื้อแล้ว 500 คน ประวัติ 180 วัน มีออเดอร์ใน 30 วัน และข้อจำกัดของการทำนายรายคน
- Staircase AI Health Score (Gainsight Support)คะแนน AI 0–100 จากอารมณ์ การมีส่วนร่วม เรื่องค้าง และเวลาตอบ ในอีเมล แชท การประชุม และข้อควรระวังเรื่องศัพท์เฉพาะ
- Messaging API reference: Unfollow/Follow event (LINE Developers)เหตุการณ์ Unfollow ส่งเมื่อ LINE OA ถูกบล็อก พร้อม userId และ Follow event มี isUnblocked
- Why are details from Shopee orders masked? (Shopee channel help doc)Shopee ปิดชื่อและเบอร์ผู้ซื้อในคำสั่งซื้อและ Open API (อัปเดตล่าสุด ต.ค. 2022)