cohort analysis คือ อะไร อ่านยังไงให้เห็น LTV ที่แท้จริง
cohort analysis คือ การจับกลุ่มลูกค้าตามช่วงเวลาแล้วดู retention กับ LTV จริง อ่าน cohort table ตั้งใน GA4 และหลุมที่คนพลาดบ่อย ครบในบทความเดียว
cohort analysis คือ กุญแจอ่าน retention และ LTV ที่ dashboard รวมไม่บอก
Last updated: 2026-09-06
ตัวเลขลูกค้าใหม่ขึ้นทุกเดือน ยอดรวมสวย แต่ธุรกิจกลับไม่โตตามที่ควร — อาการนี้เจอบ่อยในทีม B2B ที่ดูแต่ยอดรวม เพราะยอดรวมเอาลูกค้าเก่าที่กำลังจะเลิกใช้ ปนกับลูกค้าใหม่ที่เพิ่งเข้ามา แล้วเฉลี่ยกันจนมองไม่เห็นว่าใครอยู่ใครไป cohort analysis คือ วิธีแยกลูกค้าออกเป็นกลุ่มตามช่วงเวลาที่เขาเข้ามา แล้วตามดูว่าแต่ละกลุ่มอยู่กับเรานานแค่ไหน จ่ายเงินต่อเนื่องหรือหายไปเมื่อไหร่ พออ่านเป็นก็จะเห็นภาพที่ตัวเลขเฉลี่ยกลบไว้ บทความนี้จะพาอ่าน cohort table ให้ออก ตั้งใน GA4 ได้จริง และหลบหลุมที่ทำให้อ่านผิดตั้งแต่แรก
Key Takeaways: cohort analysis คือ การจับลูกค้าที่มีจุดร่วม (เช่น สมัครเดือนเดียวกัน) เป็นกลุ่ม แล้วตามพฤติกรรมข้ามเวลา จุดที่มันเก่งกว่าตัวเลขเฉลี่ยคือมันแยก “ลูกค้าเข้าเมื่อไหร่” ออกจากกัน ทำให้เห็น retention curve และ LTV จริงของแต่ละรุ่น ไม่ถูกลูกค้าเก่ากลบ ใช้ตอบได้ว่าการเปลี่ยน onboarding เดือนไหนได้ผล กลุ่มไหนคุ้มค่ายิงแอด และช่วงเวลาที่คนมักหลุดหายอยู่ตรงไหน
cohort analysis คือ อะไร และต่างจากตัวเลขรวมยังไง
cohort analysis คือ การแบ่งผู้ใช้หรือลูกค้าออกเป็นกลุ่ม (cohort) ที่มีเหตุการณ์เริ่มต้นร่วมกัน แล้ววัดพฤติกรรมของแต่ละกลุ่มตามช่วงเวลาที่ผ่านไป กลุ่มที่พบบ่อยสุดคือแบ่งตาม “เดือนที่เข้ามาครั้งแรก” — คนที่สมัครเดือนมกราเป็น cohort หนึ่ง คนสมัครกุมภาเป็นอีกกลุ่ม จากนั้นดูว่าเดือนที่ 1, 2, 3 ถัดมา แต่ละกลุ่มยังกลับมาใช้งาน (หรือยังจ่ายเงิน) เหลือกี่เปอร์เซ็นต์
ความต่างจากตัวเลขรวมอยู่ตรงมิติเวลา รายงานทั่วไปบอกว่าเดือนนี้มี active user 1,000 คน แต่ไม่บอกว่าใน 1,000 นั้นเป็นคนใหม่กี่คน คนเก่าที่รอดมากี่คน cohort แยกสองอย่างนี้ออก ทำให้เห็นสิ่งที่ค่าเฉลี่ยซ่อนไว้: ธุรกิจอาจดูโตเพราะเติมคนใหม่เข้ามาเรื่อย ๆ ทั้งที่คนเก่าหลุดหายเร็วมาก พอหยุดยิงแอดเมื่อไหร่ ฐานก็ยุบทันที
สองรูปแบบที่ใช้บ่อย:
- Acquisition cohort — จับตามวันแรกที่เข้ามา ใช้ดู retention และ LTV ของแต่ละรุ่น
- Behavioral cohort — จับตามการกระทำร่วมกัน (เช่น คนที่เคยใช้ฟีเจอร์ A) ใช้ดูว่าพฤติกรรมไหนทำให้อยู่นาน
อ่าน cohort table ให้ออก: retention curve บอกอะไร
cohort table หน้าตาเป็นตารางสามเหลี่ยม แถวคือแต่ละกลุ่ม (เดือนที่เข้ามา) คอลัมน์คือช่วงเวลาถัดมา (สัปดาห์/เดือนที่ 0, 1, 2, …) ตัวเลขในช่องคือเปอร์เซ็นต์ที่ยังเหลืออยู่ อ่านแนวนอนคือดูว่ากลุ่มหนึ่งค่อย ๆ หายไปยังไงตามเวลา อ่านแนวตั้งคือเปรียบเทียบว่ากลุ่มใหม่ดีขึ้นหรือแย่ลงกว่ากลุ่มเก่าที่จุดเดียวกัน
จุดที่ต้องจ้องคือ รูปทรงของ retention curve ไม่ใช่ตัวเลขวันแรก เส้นที่ดิ่งลงเร็วช่วงต้นแล้วค่อย ๆ แบนราบ (flatten) แปลว่ามีลูกค้ากลุ่มหนึ่งที่ติดใจจริงและอยู่ยาว — เส้นแบนคือสัญญาณว่ามี product-market fit ในระดับหนึ่ง ตรงข้าม ถ้าเส้นดิ่งลงเรื่อย ๆ ไม่ยอมแบน แปลว่าไม่มีแกนลูกค้าที่อยู่ยาว ต่อให้เติมคนใหม่แค่ไหนก็รั่วออกหมด
เชื่อม cohort กับ LTV ยังไง
retention curve คือวัตถุดิบของ LTV โดยตรง ถ้ารู้ว่าลูกค้ากลุ่มหนึ่งเหลืออยู่กี่เปอร์เซ็นต์ในแต่ละเดือน และรู้รายได้เฉลี่ยต่อคนต่อเดือน ก็เอามาคูณสะสมเป็น LTV ของกลุ่มนั้นได้ ตัวอย่างการคำนวณ (สมมติ): ลูกค้าจ่าย 1,000 บาท/เดือน กลุ่มนี้เดือนที่ 1 เหลือ 60% เดือนที่ 2 เหลือ 45% เดือนที่ 3 เหลือ 35% รวมรายได้สะสมต่อหัว = 1,000 × (1 + 0.6 + 0.45 + 0.35 …) การดู LTV แยกเป็น cohort ทำให้เห็นว่าลูกค้ารุ่นหลัง onboarding ใหม่คุ้มค่ากว่ารุ่นเก่าจริงไหม ก่อนตัดสินใจเทงบเพิ่ม — อ่านต่อเรื่องวัดผลข้ามช่องทางได้ที่ MarTech Analytics & Tracking Guide
ตั้ง cohort analysis ใน GA4 และเครื่องมือที่ใช้ได้
GA4 มี Cohort Exploration ให้ในตัว เข้าที่ Explore แล้วเลือกเทมเพลต Cohort exploration จากนั้นตั้งค่า 4 ช่อง: Inclusion (เกณฑ์เข้ากลุ่ม เช่น First touch), Return criteria (เกณฑ์นับว่ากลับมา), Cohort granularity (รายวัน/สัปดาห์/เดือน) และ metric ที่จะวัด รายละเอียดการตั้งค่าดูได้จาก เอกสาร GA4 Cohort exploration ของ Google
ข้อจำกัดที่ต้องรู้ก่อนใช้: GA4 cohort ผูกกับ event เป็นหลัก ไม่ได้ผูกกับ “รายได้ต่อสัญญา” แบบ B2B ที่มี sales cycle ยาว ถ้าธุรกิจคุณปิดดีลผ่าน CRM แล้ว recurring เป็นรายปี การดู cohort จาก GA4 อย่างเดียวจะไม่เห็น LTV ที่แท้จริง ต้องดึงข้อมูลจาก CRM มาทำ cohort เองใน Looker Studio หรือ spreadsheet ควบคู่ — วางโครง dashboard ได้จาก Looker Studio Dashboard B2B Template และถ้า tracking ต้นทางยังไม่นิ่ง cohort ก็เพี้ยนตาม อ่านการวางระบบที่ GA4 + GTM + Conversion API Setup
วินิจฉัยจาก cohort table: อ่านอาการแล้วรู้ว่าทำอะไรต่อ
ตัวเลข threshold ในตารางด้านล่างเป็น เส้นแบ่งที่ทีมกำหนดขึ้นเองเพื่อใช้ตัดสินใจ ไม่ใช่ค่าเฉลี่ยอุตสาหกรรม — ธุรกิจแต่ละแบบมี baseline ต่างกัน ให้ปรับเลขตาม retention ปกติของคุณเอง แล้วใช้ตารางนี้เป็นตัวช่วยชี้ว่าน่าจะไปแก้ตรงไหนก่อน
| อาการใน cohort table | สาเหตุน่าจะเป็น | สิ่งที่ทำ |
|---|---|---|
| เดือน/สัปดาห์แรก retention ดิ่งต่ำกว่าเส้นที่ตั้งไว้ (เช่นตั้ง < 20%) | onboarding ไม่ตรง expectation / ดึงคนผิดกลุ่มมาตั้งแต่แอด | รื้อ onboarding ช่วง 7 วันแรก, ตรวจ audience/keyword ที่พาคนเข้ามา |
| curve ดิ่งเรื่อย ๆ ไม่ยอมแบน (ไม่มี flatten ถึงเดือนที่ 3-4) | ยังไม่มีแกนลูกค้าที่ติดจริง (product-market fit อ่อน) | หาว่ากลุ่มที่รอดมีพฤติกรรมร่วมอะไร แล้วผลักคนใหม่ให้ถึงจุดนั้นเร็วขึ้น |
| cohort รุ่นใหม่แย่กว่ารุ่นเก่าที่คอลัมน์เดียวกัน | คุณภาพ traffic ตกหลังสเกลงบ / เปลี่ยน channel ผิดกลุ่ม | ตัด channel ที่ retention ต่ำ, ย้ายงบไป channel ที่ curve แบนกว่า |
| retention ดีแต่ LTV ต่อ cohort กลับต่ำ | ลูกค้าอยู่นานแต่จ่ายน้อย / ไม่ upsell | ทบทวน pricing tier, ออกแบบ upgrade path ในช่วงที่ยัง active |
หลุมที่คนอ่าน cohort พลาดบ่อย
พลาดแรกที่เจอมากสุดคืออ่าน ตัวเลขวันแรกแทนที่จะอ่านทรงของเส้น — retention วันแรก 40% ที่แบนราบ ดีกว่า 70% ที่ดิ่งหายใน 2 เดือน เพราะตัวหลังไม่เหลือแกนลูกค้า พลาดที่สองคือเอา cohort ที่ยังโตไม่ครบเวลามาเทียบกับ cohort เก่า (cohort เดือนล่าสุดยังมีข้อมูลไม่กี่คอลัมน์ อย่าเพิ่งสรุป) พลาดที่สามคือตั้ง return criteria กว้างเกินไป เช่นนับแค่ “เปิดเว็บ” เป็นการกลับมา ทั้งที่ควรนับ action ที่มีความหมายจริงอย่าง “ล็อกอินแล้วใช้ฟีเจอร์หลัก” ไม่งั้น retention จะดูดีเกินจริง
Real-world Example: cohort ที่เปลี่ยนการตัดสินใจงบ
กลไกที่เกิดขึ้นบ่อยในทางปฏิบัติเป็นแบบนี้: ทีมหนึ่งเห็นยอด active user โตต่อเนื่องเลยมั่นใจว่าแอดได้ผล แต่พอแตกเป็น cohort กลับพบว่า retention เดือนที่ 2 ของทุกกลุ่มดิ่งลงต่ำมาก การเติบโตทั้งหมดมาจากการซื้อคนใหม่เข้ามากลบคนที่หลุด ไม่ใช่เพราะฐานแข็งขึ้น เมื่อเห็นแบบนี้การตัดสินใจเปลี่ยนทันที — จากเดิมจะเพิ่มงบแอด กลายเป็นหยุดสเกลก่อนแล้วไปอุด retention ช่วงเดือนแรกให้เส้นแบนก่อน เพราะการเทงบเพิ่มลงบนถังที่รั่วคือการจ่ายแพงขึ้นเพื่อผลลัพธ์เท่าเดิม เรื่องการวัดว่า channel ไหนพาลูกค้าคุณภาพมาจริง เชื่อมกับ Attribution Model สำหรับ B2B โดยตรง
FAQ
cohort analysis ต่างจาก segmentation ยังไง?
segmentation คือแบ่งกลุ่มตามคุณสมบัติ ณ จุดหนึ่ง (เช่น อุตสาหกรรม ขนาดบริษัท) ส่วน cohort เพิ่มมิติเวลาเข้าไป — จับกลุ่มตามเวลาที่เข้ามาแล้วตามดูข้ามช่วงเวลา cohort ตอบเรื่อง “อยู่นานแค่ไหน” ได้ ในขณะที่ segmentation ตอบแค่ “ตอนนี้เป็นใคร”
ต้องมีข้อมูลนานแค่ไหนถึงเริ่มทำ cohort ได้?
เริ่มได้ทันทีที่มีข้อมูลข้ามช่วงเวลาอย่างน้อย 2-3 คอลัมน์ แต่จะอ่านทรง curve ออกชัดต้องรอให้ cohort เก่าสุดโตพอเห็น flatten โดยทั่วไปธุรกิจ recurring ควรมีข้อมูลอย่างน้อย 3-6 เดือนจึงสรุปแนวโน้มได้
cohort analysis ใช้กับ B2B ที่มีลูกค้าน้อยได้ไหม?
ได้ แต่เมื่อจำนวนต่อกลุ่มน้อย เปอร์เซ็นต์จะเหวี่ยงแรง ลูกค้าหลุด 1 รายกระทบตัวเลขเยอะ ทางแก้คือขยาย granularity เป็นรายไตรมาสแทนรายเดือน หรือดูเป็นจำนวนคนควบคู่เปอร์เซ็นต์
GA4 ทำ cohort LTV ได้เลยไหม?
GA4 ทำ retention cohort ได้ในตัว แต่ LTV ที่ผูกกับรายได้สัญญา B2B มักต้องดึงจาก CRM มาทำเอง เพราะ GA4 วัดจาก event ฝั่งเว็บเป็นหลัก ไม่เห็นดีลที่ปิดออฟไลน์
retention curve ที่ดีควรเป็นแบบไหน?
ควรดิ่งช่วงต้นแล้ว flatten เป็นเส้นแบน ไม่ใช่ดิ่งเรื่อย ๆ จนถึงศูนย์ เส้นแบนแปลว่ามีแกนลูกค้าที่ติดใช้จริง ยิ่งแบนสูงยิ่งดี ค่าที่ “ดี” ต่างกันตามประเภทธุรกิจ ให้เทียบกับ baseline ของตัวเองไม่ใช่เลขลอย ๆ จากที่อื่น
สรุป
cohort analysis คือ เครื่องมืออ่านความจริงที่ตัวเลขเฉลี่ยกลบไว้ สามอย่างที่ควรเก็บกลับไป: หนึ่ง อ่าน ทรงของ retention curve ไม่ใช่ตัวเลขวันแรก เส้นที่ flatten สำคัญกว่าจุดเริ่มที่สูง สอง cohort คือวัตถุดิบของ LTV จริง ทำให้ตัดสินใจงบได้ว่ากำลังเติมคนใหม่กลบถังรั่วหรือฐานแข็งขึ้นจริง สาม ตั้ง return criteria ให้เป็น action ที่มีความหมาย ไม่งั้นตัวเลขจะสวยเกินจริง
อยากเข้าใจการวัดผลและ LTV สำหรับ B2B ให้ลึกขึ้น อ่านต่อที่ MarTech Analytics & Tracking Guide หรือ subscribe newsletter รับ MarTech insight ราย week ได้เลย
