ltv คำนวณ e-commerce ยังไง สูตรไหนที่ใช้ได้จริง
ltv คำนวณ e-commerce แบบไหนถึงสะท้อนกำไรจริง ไม่ใช่แค่ยอดขายรวม พร้อมสูตร cohort และตารางเช็คก่อนเพิ่มงบแอด — อ่านต่อในคู่มือ MarTech
ltv คำนวณ e-commerce ยังไงให้สะท้อนกำไรจริง ไม่ใช่แค่ยอดขาย
Last updated: 2026-09-02
ร้าน e-commerce ส่วนใหญ่รู้ยอดขายรายวันแม่นมาก แต่พอถามว่า “ลูกค้าคนหนึ่งทำเงินให้ร้านทั้งชีวิตเท่าไหร่” กลับตอบไม่ได้ ทั้งที่ตัวเลขนี้แหละคือตัวตัดสินว่าคุณจ่ายค่าแอดต่อออร์เดอร์ได้สูงแค่ไหนก่อนจะขาดทุน การ ltv คำนวณ e-commerce ที่ผิด ทำให้หลายร้านตัดสินใจพลาดสองทางพร้อมกัน — บางร้านกลัวจนไม่กล้าเพิ่มงบทั้งที่กำไรยังเหลือ บางร้านมั่นใจเกินจนยิงแอดจนขาดทุนโดยไม่รู้ตัว บทความนี้จะพาไล่ตั้งแต่สูตรที่ใช้ได้จริง วิธีทำแบบ cohort ที่แม่นกว่า ไปจนถึงกับดักที่ทำให้ตัวเลข LTV บวมเกินจริง
Key Takeaways: LTV ที่ใช้ตัดสินใจได้ต้องคิดจาก กำไรขั้นต้น ไม่ใช่ยอดขายรวม เพราะยอดขายไม่ได้หักต้นทุนสินค้าและค่าคืนของ · สูตรเร็ว (AOV × ความถี่ซื้อ × อายุลูกค้า × margin) ใช้ประเมินคร่าว ๆ ได้ แต่ cohort analysis คือวิธีที่สะท้อนพฤติกรรมซื้อซ้ำจริง · ตัวเลขที่ต้องดูคู่กันเสมอคือ LTV:CAC และ payback period ไม่ใช่ LTV ลอย ๆ · ถ้า repeat rate ต่ำ อย่าเพิ่งลากอายุลูกค้าให้ยาวเพื่อปั่น LTV ให้ดูดี
ltv คำนวณ e-commerce คืออะไร และสูตรพื้นฐานที่ควรเริ่ม
Customer Lifetime Value (LTV หรือ CLV) คือ กำไรสุทธิที่ลูกค้าหนึ่งคนสร้างให้ร้านตลอดช่วงที่ยังซื้อกับคุณ ไม่ใช่ยอดที่เขาจ่ายรวม — จุดนี้คือที่ผิดกันบ่อยที่สุด ถ้าคุณเอายอดขายรวมมาเรียก LTV เลย ตัวเลขจะสูงเกินจริงเท่ากับต้นทุนสินค้าที่คุณลืมหักออก
สูตรเร็วที่ใช้ประเมินระดับร้านคือ:
LTV = AOV × ความถี่การซื้อต่อปี × อายุลูกค้า (ปี) × อัตรากำไรขั้นต้น (%)
- AOV (Average Order Value) = ยอดขายรวม ÷ จำนวนออร์เดอร์
- ความถี่การซื้อต่อปี = จำนวนออร์เดอร์ ÷ จำนวนลูกค้าไม่ซ้ำ ในช่วงหนึ่งปี
- อายุลูกค้า = โดยเฉลี่ยลูกค้ายังซื้อกับคุณกี่ปีก่อนหายไป
- อัตรากำไรขั้นต้น = (ยอดขาย − ต้นทุนสินค้า) ÷ ยอดขาย
ตัวอย่างการคำนวณ (สมมติ): AOV 1,200 บาท ซื้อ 2.5 ครั้ง/ปี อยู่กับร้าน 2 ปี margin 40% → LTV = 1,200 × 2.5 × 2 × 0.40 = 2,400 บาท ตัวเลขนี้แปลว่าคุณ “มีเพดาน” ให้จ่ายค่าได้ลูกค้าใหม่ (CAC) ได้ก่อนถึงจุดคุ้มทุน แต่จะจ่ายเท่าไหร่จริงต้องดู ratio ที่จะพูดถึงข้างล่าง
สูตรนี้ดีตรงเร็วและได้ภาพรวม แต่มันตั้งอยู่บนสมมติฐานว่าทุกคนซื้อสม่ำเสมอเท่ากัน ซึ่งไม่จริง คนส่วนใหญ่ซื้อครั้งเดียวแล้วหาย มีกลุ่มเล็ก ๆ ที่ซื้อบ่อยจนดันค่าเฉลี่ยขึ้น ถ้าอยากได้ตัวเลขที่เอาไปตัดสินใจงบจริง ต้องขยับไปที่ cohort
ทำไม cohort analysis ถึงแม่นกว่าสูตรค่าเฉลี่ย
ปัญหาของสูตรค่าเฉลี่ยคือมันบีบพฤติกรรมที่ต่างกันมากให้เป็นตัวเลขเดียว ร้านที่มีลูกค้าซื้อครั้งเดียว 80% กับซื้อประจำ 20% อาจได้ AOV เฉลี่ยเท่ากับร้านที่ลูกค้าซื้อสม่ำเสมอทุกคน แต่มูลค่าธุรกิจต่างกันลิบ
Cohort analysis แก้ตรงนี้ด้วยการ จับกลุ่มลูกค้าตามเดือนที่ซื้อครั้งแรก แล้วตามดูว่าแต่ละกลุ่มซื้อซ้ำจริงเท่าไหร่ในเดือนที่ 1, 2, 3 ต่อไปเรื่อย ๆ คุณจะเห็นเส้นการซื้อสะสม (cumulative revenue per customer) ของแต่ละ cohort ซึ่งบอกได้ว่ากลุ่มที่เข้ามาช่วงแคมเปญลดราคาหนัก ๆ มักซื้อซ้ำต่ำกว่ากลุ่มที่เข้ามาจากช่องทางปกติ
วิธีทำ cohort แบบเริ่มต้นได้จริง
ไม่ต้องมีเครื่องมือแพง เริ่มจาก export ข้อมูลออร์เดอร์ที่มี customer ID, วันที่, ยอด, ต้นทุน แล้วทำเป็น pivot ก็ได้ ขั้นตอนคร่าว ๆ:
- ติดป้ายลูกค้าแต่ละคนด้วยเดือนที่ซื้อครั้งแรก (cohort month)
- คำนวณกำไรขั้นต้นสะสมของแต่ละ cohort ในแต่ละเดือนถัดมา
- หารด้วยจำนวนลูกค้าใน cohort นั้น → ได้ LTV สะสมต่อหัว
- ดูว่าเส้นเริ่ม “แบน” ตรงเดือนไหน นั่นคือช่วงที่ LTV เข้าใกล้ค่าจริง
ถ้าใช้ GA4 มีรายงาน User lifetime ที่ประเมิน LTV ให้ระดับหนึ่ง แต่ต้อง track event purchase พร้อมค่า value ให้ครบก่อน — อ่านวิธีตั้งค่าฝั่ง tracking ได้ใน MarTech Analytics & Tracking Guide และรายละเอียด event purchase ที่ เอกสารทางการของ GA4 ตรง ๆ
LTV ต้องดูคู่กับ CAC และ payback เสมอ
LTV ตัวเดียวไม่มีความหมาย จนกว่าจะเทียบกับต้นทุนที่จ่ายเพื่อให้ได้ลูกค้าคนนั้นมา สองตัวเลขที่ต้องคำนวณคู่กัน:
- LTV:CAC ratio = LTV ÷ CAC — บอกว่าลงทุนหาลูกค้า 1 บาท ได้กำไรกลับมากี่บาทตลอดอายุ
- CAC payback period = CAC ÷ (กำไรต่อลูกค้าต่อเดือน) — บอกว่ากี่เดือนถึงจะได้ทุนค่าแอดคืน
เกณฑ์ที่หลายทีมใช้เป็นเส้นแบ่งตัดสินใจ (operating threshold ที่เรากำหนดเองเพื่อใช้ทำงาน ไม่ใช่ค่ามาตรฐานอุตสาหกรรม) คือ LTV:CAC ราว 3:1 ขึ้นไปถึงจะมีที่ว่างให้ธุรกิจโต ถ้าต่ำกว่านั้นแปลว่ากำไรถูกกลืนไปกับค่าหาลูกค้าจนแทบไม่เหลือ ส่วนถ้าสูงเกิน 5:1 มาก ๆ บางทีก็ไม่ใช่เรื่องดีล้วน — อาจแปลว่าคุณ “ลงทุนหาลูกค้าน้อยเกินไป” และกำลังเสียโอกาสให้คู่แข่งที่กล้ากว่า
การรู้ payback ยังผูกกับกระแสเงินสดโดยตรง ต่อให้ LTV:CAC สวย แต่ถ้ากว่าจะได้ทุนคืนใช้เวลา 14 เดือน ร้านที่สายป่านสั้นก็ไปต่อไม่ได้ ตรงนี้ยังเชื่อมกับเรื่อง attribution ด้วย เพราะถ้าคุณนับ conversion ผิดช่องทาง CAC ที่ได้ก็เพี้ยน — ดูวิธีเลือกโมเดลได้ที่ คู่มือ Attribution Model สำหรับ B2B
ตารางวินิจฉัย: ตัวเลข LTV บอกอะไร แล้วต้องทำอะไรต่อ
ตารางนี้ช่วยแปลงตัวเลขเป็นการตัดสินใจ (threshold ทั้งหมดเป็นเกณฑ์ทำงานที่ตั้งเองเพื่อคัดกรอง ไม่ใช่ค่าอ้างอิงจากรายงานภายนอก):
| อาการ (metric จริง) | สาเหตุน่าจะเป็น | สิ่งที่ทำ |
|---|---|---|
| LTV:CAC < 3:1 | จ่ายค่าแอดแพงเกิน / margin บาง / ซื้อซ้ำต่ำ | ลดต้นทุน CAC ที่ช่องแพงสุด, ดัน AOV ด้วย bundle, เพิ่ม flow ซื้อซ้ำ |
| Repeat rate < 20% ใน 90 วัน | onboarding อ่อน / สินค้าไม่ผูกซื้อซ้ำ | ตั้ง email/LINE flow หลังซื้อครั้งแรก, เสนอเติมสินค้าอัตโนมัติ |
| CAC payback > 12 เดือน | AOV ต่ำ / margin ต่ำ / วงจรซื้อยาว | เน้น upsell ตอน checkout, ทบทวนราคาขั้นบันได |
| LTV เฉลี่ยสูงแต่ median ต่ำมาก | ลูกค้าหางยาวไม่กี่คนปั่นค่าเฉลี่ย | ใช้ median/percentile แทน mean, แยก segment VIP ออกวิเคราะห์ |
| LTV บวมทุกไตรมาส | นับยอดขายแทนกำไร / ลืมหักของคืน | คำนวณใหม่จาก gross profit, หัก return rate จริง |
จุดที่คนมองข้ามบ่อยคือแถวสุดท้าย — LTV ที่ดูดีขึ้นเรื่อย ๆ ทุกไตรมาสไม่ได้แปลว่าธุรกิจดีขึ้นเสมอ บางทีแค่คุณคำนวณหลวมขึ้น
กับดักที่ทำให้ LTV บวมเกินจริง (H3 callout)
สามอย่างที่พบบ่อยและควรเช็คก่อนเอาตัวเลขไปตัดสินใจงบ: หนึ่ง — ใช้ยอดขายแทนกำไร ทำให้ LTV สูงกว่าจริงตามสัดส่วน margin ที่หายไป สอง — ลากอายุลูกค้า (customer lifespan) ให้ยาวเกินหลักฐาน เช่นใส่ 3 ปีทั้งที่ข้อมูลจริงมีแค่ 8 เดือน สาม — ไม่หักของคืนและค่าธรรมเนียมช่องทางขาย ซึ่งใน e-commerce บางหมวดกินกำไรไปเยอะกว่าที่คิด
ผิดพลาดที่พบบ่อยเวลาเอา LTV ไปใช้ยิงแอด
หลายร้านคำนวณ LTV ถูก แต่พลาดตอนเอาไปใช้ ที่เจอบ่อย:
- เอา LTV รวมทั้งชีวิตมาตั้งเพดาน CAC ตั้งแต่เดือนแรก — คุณยังไม่ได้เงินก้อนนั้น ควรตั้งเพดานจากกำไรใน 3-6 เดือนแรกก่อน แล้วค่อยขยายเมื่อ cohort พิสูจน์การซื้อซ้ำ
- ใช้ LTV เฉลี่ยตัวเดียวกับทุก segment — ลูกค้าจากช่องทาง search มักซื้อซ้ำต่างจากลูกค้าจาก discount campaign ควรแยก LTV ตามแหล่งที่มา
- ไม่ผูก LTV กลับเข้า dashboard — คำนวณครั้งเดียวแล้วทิ้ง ทำให้ตัดสินใจด้วยเลขเก่า ควรตั้งเป็น report ที่อัปเดตเอง เช่นใน Looker Studio Dashboard สำหรับ B2B
การแยก LTV ตาม channel ต้องมี tracking ที่ส่ง event ครบก่อน ถ้า pixel หรือ conversion API ตั้งไม่ครบ ข้อมูลต้นทางก็ไม่พอให้ segment — ทบทวน setup ได้ที่ คู่มือ GA4 + GTM + Conversion API
FAQ
LTV กับ AOV ต่างกันยังไง?
AOV คือมูลค่าเฉลี่ยต่อ 1 ออร์เดอร์ ส่วน LTV คือกำไรรวมตลอดอายุลูกค้าซึ่งรวมการซื้อซ้ำหลายครั้ง AOV เป็นแค่หนึ่งในตัวแปรที่ใช้คำนวณ LTV เท่านั้น
ควรคำนวณ LTV จากยอดขายหรือกำไร?
ควรใช้กำไรขั้นต้น (gross profit) เสมอ ถ้าใช้ยอดขาย ตัวเลขจะสูงเกินจริงเท่ากับต้นทุนสินค้าที่ยังไม่ได้หัก ทำให้ตั้งเพดาน CAC ผิดและเสี่ยงยิงแอดขาดทุน
ร้านเปิดใหม่ที่ยังไม่มีข้อมูลซื้อซ้ำ คำนวณ LTV ได้ไหม?
ได้แบบประมาณการ โดยตั้งสมมติฐาน repeat rate แบบอนุรักษ์นิยม (ต่ำไว้ก่อน) แล้วอัปเดตทุกเดือนเมื่อ cohort เริ่มมีข้อมูลจริง อย่าตั้งอายุลูกค้ายาวเกินหลักฐานที่มี
LTV:CAC ควรเป็นเท่าไหร่?
เกณฑ์ทำงานที่หลายทีมใช้คือราว 3:1 ขึ้นไป แต่นี่เป็นเส้นแบ่งตัดสินใจไม่ใช่กฎตายตัว ธุรกิจที่ margin สูงหรือสายป่านยาวอาจรับ ratio ต่ำกว่าได้ ควรดู payback period ประกอบเสมอ
ต้องอัปเดต LTV บ่อยแค่ไหน?
อย่างน้อยทุกไตรมาส และควรดูเป็น cohort ไม่ใช่ค่าเฉลี่ยรวม เพราะพฤติกรรมซื้อซ้ำของลูกค้าแต่ละช่วงเปลี่ยนตามแคมเปญและฤดูกาล
สรุป
การ ltv คำนวณ e-commerce ให้ใช้งานได้จริงไม่ได้อยู่ที่สูตรสวย แต่อยู่ที่คุณคิดจากกำไรไม่ใช่ยอดขาย และดูมันคู่กับ CAC เสมอ สามสิ่งที่ควรเอากลับไปทำ: หนึ่ง — เปลี่ยนฐานคำนวณเป็นกำไรขั้นต้นแล้วหักของคืนให้ครบ สอง — ขยับจากค่าเฉลี่ยไปทำ cohort เพื่อเห็นการซื้อซ้ำจริงและรู้ว่า LTV เข้าใกล้ค่าจริงตอนเดือนไหน สาม — ผูก LTV:CAC และ payback เข้า dashboard ที่อัปเดตเอง จะได้ตัดสินใจงบด้วยเลขล่าสุด ไม่ใช่เลขที่คำนวณครั้งเดียวเมื่อครึ่งปีก่อน
อยากต่อจิ๊กซอว์เรื่องการวัดผลให้ครบ อ่านต่อที่ MarTech Analytics & Tracking Guide หรือ subscribe newsletter รับ MarTech insight สำหรับ B2B ทุกสัปดาห์
