วัดผลการตลาดด้วย AI 2026: GA4, CAC และ LTV ที่ธุรกิจไทยมักคำนวณผิด

โดย Nokka (นก-กา) | 28 กันยายน 2026

บทความนี้เขียนโดย AI (โมเดล deepseek-v4.1-flash ของผู้ให้บริการ ollama-cloud) ผ่าน Hermes Agent จาก Nous Research ตรวจสอบและเรียบเรียงโดย Nokka

TL;DR

คำถามที่เจ้าของธุรกิจควรถามก่อนคำถามว่ากำไรไหม คือกำไรจากลูกค้าคนไหน และคำตอบนั้นต้องมาจากตัวเลขสามตัวที่เชื่อมกัน นั่นคือต้นทุนการได้ลูกค้า (CAC) มูลค่าตลอดชีพ (LTV) และอัตราส่วนระหว่างสองตัว บทนี้ว่าด้วยสามตัวเลขนี้ ว่าเครื่องมือวัดอย่าง GA4 กำลังโกหกคุณตรงไหน และ AI ช่วยอะไรได้บ้าง

เปิดเรื่องจากบริษัทไทยคนหนึ่ง

บริษัทขายซอฟต์แวร์รายหนึ่งในกรุงเทพฯ ใช้จ่ายค่าโฆษณาเดือนละ 150,000 บาท และได้ลูกค้าใหม่ประมาณ 30 รายต่อเดือน

เจ้าของบริษัทคำนวณเร็วๆ แล้วเห็นว่าต้นทุนต่อลูกค้าอยู่ที่ 5,000 บาท ซึ่งเทียบกับราคาขายต่อปีแล้วยังดูดี

แต่พอถึงสิ้นปี เขาพบว่ากำไรไม่โตอย่างที่ควร ทั้งที่ยอดขายเพิ่มขึ้นตลอดปี

ปัญหาคือเขาคำนวณต้นทุนต่อลูกค้าจากค่าโฆษณาอย่างเดียว โดยไม่ได้รวมเงินเดือนทีมขาย เครื่องมือรายเดือน และเวลาที่ทีมใช้ดูแลลูกค้ารายเล็กๆ ที่แทบไม่ทำกำไร

เมื่อคำนวณใหม่ ต้นทุนจริงต่อลูกค้าสูงกว่าที่คิดไว้เกือบเท่าตัว

ทำไมต้องอ่านตอนนี้ (Why Now)

ตัวเลขจากรายงานค่าใช้จ่ายด้านการตลาดปี 2026 ระบุว่า ต้นทุนการได้ลูกค้าของบริษัทซอฟต์แวร์ B2B อยู่ที่ค่ากลาง 702 ดอลลาร์ สำหรับโมเดลที่ลูกค้าสมัครใช้เอง และสูงถึง 11,400 ดอลลาร์สำหรับโมเดลที่ต้องมีทีมขายไล่ปิด[1]

ตัวเลขสองตัวนี้ต่างกันถึง 16 เท่า และอยู่ในรายงานเดียวกัน นี่ไม่ใช่ตัวเลขที่บอกว่าวิธีไหนดีกว่า แต่บอกว่าธุรกิจที่ขายด้วยทีมขายต้องรู้ว่าตัวเองกำลังจ่ายแพงกว่ามาก และต้องได้อัตราส่วนที่สูงพอกัน

ในฝั่งของกำไร ข้อมูลจากรายงานปี 2026 ระบุว่าค่ากลางของอัตราส่วน LTV ต่อ CAC อยู่ที่ 3.4 เท่า โดยมูลค่าลูกค้าตลอดชีพของกลุ่ม mid-market SaaS อยู่ที่ราว 43,200 ดอลลาร์ และค่ากลางของการรักษารายได้จากลูกค้าเดิม (NRR) อยู่ที่ 108%[4]

ตัวเลข 108% นี้สำคัญกว่าที่คิด เพราะมันแปลว่าลูกค้าเดิมจ่ายมากขึ้นเรื่อยๆ เมื่อเวลาผ่านไป ถ้าธุรกิจของคุณมีค่ากลางต่ำกว่านี้ ปัญหาอาจไม่ได้อยู่ที่การหาลูกค้าใหม่อย่างเดียว

พูดให้ตรงคือ ถ้าอัตราส่วนของคุณต่ำกว่า 3 คุณยังมีที่ให้ปรับ แต่ถ้าต่ำกว่า 1 คุณกำลังขาดทุนทุกครั้งที่ได้ลูกค้าใหม่

มีตัวเลขอีกตัวที่เจ้าของธุรกิจมักมองข้ามคือ ระยะเวลาคืนทุนของค่าโฆษณา ข้อมูลปี 2026 ระบุว่าค่ากลางของบริษัทซอฟต์แวร์อยู่ที่ 16 ถึง 18 เดือน ยืดออกจาก 14 เดือนในปี 2023[2] นั่นแปลว่าโดยทั่วไปแล้วคุณต้องรอปีครึ่งกว่าจะได้เงินที่ลงไปคืนมา ถ้ากระแสเงินสดของคุณไม่รองรับช่วงนั้น การเติบโตเร็วจะกลายเป็นปัญหา

ทำไม GA4 ยังไม่พอ

สามอย่างที่ GA4 มองไม่เห็น

เครื่องมืออย่าง GA4 เก่งเรื่องการบอกว่าคนเข้ามาจากไหน และทำอะไรบนเว็บ แต่มีสามอย่างที่มันไม่รู้ และสามอย่างนี้คือสิ่งที่ตัดสินกำไร

อย่างแรกคือ GA4 ไม่รู้ต้นทุนของคุณ มันรู้ว่ามีคนมาจากโฆษณา แต่ไม่รู้ว่าคุณจ่ายเท่าไหร่กับโฆษณานั้น

อย่างที่สองคือ GA4 ไม่เห็นเหตุการณ์ที่เกิดหลังลูกค้าทัก LINE หรือโทรเข้ามา ถ้าเส้นทางปิดการขายของคุณออกนอกเว็บ ข้อมูลจะขาดตอนตรงนั้น

ตัวเลขที่บอกว่าแม้แต่ทีมที่ใช้ GA4 อยู่ก็ยังไม่พร้อม คือมีเพียง 31% ของผู้ใช้ที่ติดตั้ง consent mode v2 และ 36% ของผู้ใช้ระบุว่าการเปลี่ยนแปลงโมเดล attribution เป็นปัญหาที่ทำให้ปวดหัว[5]

อย่างที่สามคือ GA4 นับครั้งสุดท้ายที่คนกดก่อนซื้อเป็นผู้รับความดีความชอบ ในทางปฏิบัติ ลูกค้าคนหนึ่งอาจเห็นโฆษณา เจอในเสิร์ช แล้วทัก LINE ก่อนตัดสินใจ การนับแบบนี้จึงทำให้ช่องทางบนสุดของ funnel ดูไม่มีค่า

ตัวเลขที่ยืนยันขนาดของปัญหานี้คือ งานสำรวจทีมงาน B2B มากกว่า 1,200 ทีม พบว่าช่องว่างของการวัดที่เรียกว่า dark funnel ซึ่งคือจุดที่ลูกค้าเกิดขึ้นแต่ระบบมองไม่เห็น คิดเป็นค่าเฉลี่ย 38% ของไปป์ไลน์เลยทีเดียว[3]

AI ช่วยงานวัดผลตรงไหนได้จริง

สามงานที่ AI ทำได้ดีเรื่องนี้

มีตัวเลขที่น่าสนใจจากงานสำรวจชุดเดียวกันว่า การวัดแบบหลายจุดสัมผัส (multi-touch attribution) ถูกนำมาใช้อยู่ที่ 47% เพิ่มขึ้นจาก 31% ในปี 2023 และการวัดส่วนผสมการตลาด (MMM) อยู่ที่ 26% เพิ่มจาก 9% ในช่วงเดียวกัน[3]

ตัวเลขนี้บอกอะไรกับธุรกิจไทย สองอย่าง

อย่างแรกคือแม้แนวปฏิบัติที่ดีจะแพร่ขึ้นชัดเจน แต่ก็เพิ่งอยู่ที่ราวครึ่งหนึ่งของทีมทั้งหมด นั่นแปลว่าธุรกิจที่เริ่มวัดให้ถูกวิธีจะได้เปรียบก่อนคนส่วนใหญ่

อย่างที่สองคือ MMM เป็นการวัดระดับภาพรวม ยังมีคนใช้น้อยกว่ามาก นี่คือเครื่องมือที่ช่วยตอบคำถามว่าช่องทางไหนทำเงินจริงในภาพรวม ซึ่งเป็นคำถามที่ธุรกิจจำนวนมากถาม

งานที่ AI ทำได้ดีในเรื่องนี้มีสามอย่าง

อย่างแรกคือการรวบข้อมูลจากหลายระบบที่ไม่คุยกันเอง ให้กลายเป็นภาพเดียว

อย่างที่สองคือการหาความผิดปกติ ว่าช่องทางไหนใช้จ่ายพุ่งขึ้นแต่ผลเท่าเดิม

อย่างที่สามคือการรันแบบจำลองง่ายๆ ให้เห็นว่าถ้าย้ายงบ 20% จากช่องทางนี้ไปช่องทางนั้น ตัวเลขกำไรจะขยับแค่ไหน

กับดัก LTV ที่ทำให้ตัวเลขดูสวยเกินจริง

สามกับดักที่เจอบ่อยที่สุด

นี่คือกับดักที่ผมเห็นบ่อยที่สุด และเป็นกับดักที่ทำให้เจ้าของธุรกิจตัดสินใจผิดโดยไม่รู้ตัว

กับดักแรกคือคำนวณ LTV จากรายได้ แทนที่จะคำนวณจากกำไรขั้นต้น ถ้าลูกค้าจ่ายคุณ 100,000 บาทต่อปี แต่ต้นทุนบริการ 70,000 บาท มูลค่าที่แท้จริงของลูกค้ารายนั้นคือ 30,000 บาท ไม่ใช่ 100,000 บาท

กับดักที่สองคือใช้ระยะเวลาที่ลูกค้าอยู่แบบเดา หลายบริษัทใช้ตัวเลขจากความรู้สึก เช่นลูกค้าอยู่กับเราสองปี โดยไม่มีข้อมูลจริงรองรับ

กับดักที่สามคือคำนวณ LTV จากยอดรวมเฉลี่ยในขณะที่ลูกค้ากลุ่มบนกับกลุ่มล่างต่างกันมาก ถ้าคุณมีลูกค้าที่จ่ายมาก 10 รายและจ่ายน้อย 200 ราย ค่าเฉลี่ยจะไม่แทนทั้งสองกลุ่ม

ตัวเลขที่ใช้เทียบให้ถูกต้องคือ อัตราส่วนระหว่างกำไรขั้นต้นที่ได้จากลูกค้าทั้งช่วงชีวิต หารด้วยต้นทุนทั้งหมดที่จ่ายไปเพื่อได้ลูกค้ารายนั้น

ข้อจำกัดที่ควรรู้ก่อนลงทุนกับเครื่องมือวัด

ข้อแรกคือการวัดที่แม่นต้องมีข้อมูลสะอาด ถ้าระบบของคุณมีลูกค้าซ้ำซ้อนหรือไม่มีรหัสอ้างอิงที่เชื่อมกันได้ ต่อให้ซื้อเครื่องมือแพงแค่ไหนผลก็ยังคลาดเคลื่อน

ข้อที่สองคือการวัดข้ามช่องทางต้องใช้ความพยายามกับทุกระบบที่เกี่ยวข้อง โดยเฉพาะช่องทางที่อยู่นอกเว็บอย่าง LINE และการโทร ซึ่งเป็นช่องทางหลักของธุรกิจไทย

ข้อที่สามคือการวัดที่ดีต้องใช้เวลาสะสมข้อมูลหลายเดือนจึงจะเห็นแนวโน้ม ถ้าคุณเพิ่งเริ่มเก็บ ตัวเลขที่จะได้ยังไม่น่าเชื่อถือ

ตัวเลขที่ยืนยันเรื่องนี้คือ การวัดแบบหลายจุดสัมผัสเพิ่งถูกใช้อยู่ที่ 47% ของทีม[3] แปลว่ายังมีอีกกว่าครึ่งที่ไม่เห็นเส้นทางลูกค้าครบสาย ถ้าคุณทำได้ก่อน คุณจะเห็นสิ่งที่คนส่วนใหญ่ยังมองไม่เห็น

สิ่งที่ยังไม่ต้องทำ

อย่างแรกคืออย่าเพิ่งซื้อเครื่องมือวิเคราะห์ราคาสูง ถ้าคุณยังไม่รู้ต้นทุนที่แท้จริงในการได้ลูกค้าหนึ่งราย เพราะเครื่องมือจะให้ตัวเลขที่แม่นขึ้น แต่ไม่ช่วยให้คุณตัดสินใจได้ ถ้าปัจจัยนำเข้ายังผิด

อย่างที่สองคืออย่าพยายามวัดทุกช่องทางพร้อมกัน ให้เริ่มจากช่องทางที่ใช้จ่ายมากที่สุดก่อน เพราะนั่นคือที่ที่ความผิดพลาดมีราคาแพงที่สุด

อย่างที่สามคืออย่าให้ทีมทำงานตามตัวเลขที่ไม่มีเจ้าภาพ ตัวเลขที่ไม่มีคนรับผิดชอบจะกลายเป็นรายงานที่ไม่มีใครอ่าน

Checklist ก่อนมอบหมายให้ทีม

เริ่มจาก ✅ ก่อน (ใช้เวลาไม่เกิน 1 วัน) มีเวลาเพิ่มค่อยขยับไป ⚠️

• [ ] ✅ คำนวณต้นทุนการได้ลูกค้าจริง: รวมค่าโฆษณา เงินเดือนทีม เครื่องมือ และค่าดำเนินการ แล้วหารด้วยจำนวนลูกค้าใหม่ที่ได้ (2 ชั่วโมง)
• [ ] ✅ เลือกช่องทางที่ใช้จ่ายสูงสุด 1 ช่องทาง แล้วเชื่อมข้อมูลให้ครบ: ตั้งแต่โฆษณาถึงการปิดการขาย (1 สัปดาห์)
• [ ] ✅ แยกคำนวณกำไรขั้นต้นต่อลูกค้า ไม่ใช่รายได้: ถ้ายังไม่รู้ต้นทุนบริการต่อราย ให้ประเมินจากเวลาที่ทีมใช้ (ครึ่งวัน)
• [ ] ⚠️ ทำบัญชีเส้นทางลูกค้าข้ามช่องทาง: โดยเฉพาะช่องทางนอกเว็บอย่าง LINE และการโทร (2-4 สัปดาห์)
• [ ] ⚠️ ตั้งรอบทบทวนตัวเลขเดือนละครั้ง: ดูทั้งต้นทุน มูลค่าลูกค้า และอัตราส่วนระหว่างสองตัว (ต่อเนื่อง)
• [ ] ❌ อย่าเพิ่งซื้อเครื่องมือแพงก่อนรู้ต้นทุนตัวเอง: เริ่มจากข้อมูลที่มีอยู่ในมือก่อน

ถ้าบทความนี้ช่วยให้เห็นภาพชัดขึ้น แชร์ให้เพื่อนที่กำลังลงโฆษณาโดยไม่รู้ว่ากำไรจริงหรือขาดทุน แล้วติดตามบทสุดท้ายของชุดนี้

เชิงอรรถ

[1] Digital Applied, "Customer Acquisition Cost Benchmarks 2026: By Industry" (CAC ค่ากลาง B2B SaaS: self-serve/PLG $702 · mid-market sales-led $3,840 · enterprise sales-led $11,400 · ช่องว่าง 16 เท่า · LTV:CAC 3.0 เป็นเส้นแบ่งความยั่งยืน · CAC payback เป้าหมาย 12 เดือน), 21 เมษายน 2026. https://www.digitalapplied.com/blog/customer-acquisition-cost-benchmarks-2026-industry

[2] StackedReview, "SaaS CAC and LTV Statistics 2026: Payback and Retention Data" (CAC ค่ากลางรวมทุกโมเดลราว $1,200 ต่อลูกค้า · LTV:CAC ที่ดีอยู่ราว 3:1 · กลุ่มทำได้ดีที่สุด 5:1 · CAC payback ยืดเป็น 16-18 เดือน จาก 14 เดือนในปี 2023), สิงหาคม 2026. https://stackedreview.com/saas-cac-ltv-statistics

[3] Digital Applied, "Marketing Attribution Statistics 2026: 140 Data Points" (การวัด attribution แบบ multi-touch อยู่ที่ 47% เพิ่มจาก 31% ในปี 2023 · การใช้ MMM 26% เพิ่มจาก 9% · ช่องว่าง dark funnel เฉลี่ย 38% ของ pipeline B2B · AI attribution เพิ่มความแม่นของ holdout 22 จุด), 25 เมษายน 2026. https://www.digitalapplied.com/blog/marketing-attribution-statistics-2026-multi-touch

[4] Digital Applied, "Customer Lifetime Value Benchmarks 2026: Industry Data" (LTV:CAC ค่ากลาง 3.4 เท่า · มูลค่าลูกค้าตลอดชีพ mid-market SaaS 43,200 USD · NRR ค่ากลาง 108% ของ SaaS), 21 เมษายน 2026. https://www.digitalapplied.com/blog/customer-lifetime-value-benchmarks-2026-industry-data

[5] Digital Applied, "Google Analytics Statistics 2026: GA4 Adoption Data" (GA4 ส่วนแบ่งตลาด 85.3% · 14.7 ล้านการติดตั้ง · 87% อพยพจาก UA สำเร็จ · consent mode v2 ติดตั้งเพียง 31% · 36% ระบุการเปลี่ยนโมเดล attribution เป็นปัญหา · 58% ติเรื่อง data sampling · 54% ติเรื่องเพดานเก็บข้อมูล 14 เดือนในเวอร์ชันฟรี), 7 เมษายน 2026. https://www.digitalapplied.com/blog/google-analytics-statistics-2026-ga4-adoption