Incrementality Testing คืออะไร — วัดผลแอดจริง 2026

Incrementality test คือวิธีวัดว่าแอดสร้างยอดเพิ่มจริงเท่าไหร่ เรียนรู้ geo-test, holdout, ghost bid สำหรับ B2B พร้อมขั้นตอน setup

Incrementality Test คืออะไร — ทำยังไงให้รู้ว่าแอดมีผลจริงในยุค Cookie-less 2026

Last updated: 2026-06-02 · Author: Brad K

ในปี 2026 ทีม B2B marketing 67% ยังตัดสินใจ budget จาก ROAS ของ ad platform โดยตรง — ทั้งที่ Nielsen รายงานว่า platform-reported conversions overstate ผลลัพธ์จริงประมาณ 30-60% (ที่มา: Nielsen Marketing Mix Report 2025) เพราะ last-click attribution กับ view-through window 7 วันรวม conversion ที่ “จะเกิดอยู่แล้ว” เข้าไปด้วย ผลคือคุณอาจจ่าย ฿200,000/เดือนกับ campaign ที่สร้าง incremental revenue จริงแค่ ฿70,000 — และไม่มีทางรู้จนกว่าจะปิดมัน

Incrementality test คือคำตอบของปัญหานี้ — มันบอกคุณว่า “ถ้าไม่ยิงแอดนี้ ยอดจะหายไปกี่บาท” ซึ่งต่างจาก attribution ที่บอกแค่ “ใคร claim เครดิตได้บ้าง” บทความนี้จะอธิบายวิธี setup test ทั้ง geo-holdout, ghost bid และ user-level lift study สำหรับธุรกิจ B2B ไทย พร้อมตัวอย่างการคำนวณ sample size และข้อผิดพลาดที่พบบ่อย

Key Takeaways: Incrementality test วัด causal impact ของแอด ไม่ใช่ correlation — ตอบคำถามว่า “ถ้าหยุดยิง ยอดจะหายไปเท่าไหร่” วิธีหลัก 3 แบบคือ geo-holdout (เหมาะกับ B2B ไทย), ghost bid (เหมาะกับ paid search) และ user-level holdout (Meta/Google Lift) ผลที่ได้บอก true ROAS ซึ่งมักต่ำกว่า platform-reported 30-60% B2B ที่มี sales cycle ยาวควรเลือก geo-test ด้วย duration ≥ 4 สัปดาห์ และต้องเทียบกับ baseline ก่อน test เพื่อแยก seasonality

Incrementality Test คืออะไร และต่างจาก Attribution อย่างไร

Incrementality test คือการทดลองแบบ controlled experiment ที่แบ่งกลุ่ม audience หรือ geography ออกเป็น test group (เห็นแอด) และ control group (ไม่เห็นแอด) แล้ววัดความต่างของ conversion rate ระหว่างสองกลุ่ม — ความต่างนั้นคือ “incremental lift” หรือยอดที่แอดสร้างขึ้นใหม่จริง ๆ ไม่ใช่ยอดที่ลูกค้าจะซื้ออยู่แล้ว

ความแตกต่างจาก attribution model สำคัญมาก: attribution ตอบคำถาม “channel ไหนสมควรได้เครดิตจาก conversion นี้” แต่ incrementality ตอบ “conversion นี้เกิดเพราะแอด หรือจะเกิดอยู่แล้ว” ตัวอย่างคลาสสิก — brand search campaign บน Google มี ROAS 15x แต่เมื่อทำ geo-holdout พบว่า incremental ROAS แค่ 2x เพราะลูกค้าที่พิมพ์ชื่อแบรนด์อยู่แล้วจะคลิก organic listing แทน

ทำไม B2B ไทยต้องสนใจตอนนี้

ในยุค cookie-less หลัง iOS 17 และ Chrome ทยอย deprecate 3rd-party cookies ความแม่นยำของ pixel-based attribution ลดลงเรื่อย ๆ — Meta CAPI และ server-side tracking ช่วยได้ส่วนหนึ่ง แต่ไม่ตอบคำถามเรื่อง causality การ run incrementality test 1-2 ครั้ง/ไตรมาสกลายเป็น standard practice ของ B2B ที่จ่ายแอดเกิน ฿500K/เดือน

วิธี Incrementality Test 3 แบบหลัก สำหรับ B2B Thailand

แต่ละวิธีมีจุดแข็งและข้อจำกัดต่างกัน เลือกตามขนาด budget, sales cycle และ tech stack ของคุณ

Geo-holdout Test (เหมาะกับ B2B sales cycle ยาว)

แบ่งประเทศหรือภูมิภาคออกเป็น 2 กลุ่ม — เช่น ปิดแอดในภาคเหนือ 4 สัปดาห์ แล้วเทียบ leads จากภาคเหนือกับภาคอีสาน (matched market) ที่ยังเปิดแอดอยู่ วิธีนี้ดีสุดสำหรับ B2B ไทยเพราะ:

• ไม่ต้องพึ่ง user-level tracking → ทำงานได้แม้ cookie หาย
• รองรับ long sales cycle 30-90 วัน ที่ user-level test จับไม่ทัน
• Setup ใน ad platform แค่ exclude location

ข้อจำกัด: ต้องการ budget ≥ ฿300K/เดือน เพื่อให้ sample size พอ statistical significance และต้อง matched market ที่มี baseline conversion คล้ายกัน

Ghost Bid / Ghost Ad Experiment

เทคนิคที่ Google และ Meta ใช้ใน built-in Lift Study — ระบบ “เคยจะ” แสดงแอดให้ control group แต่ไม่แสดงจริง แล้ววัด conversion ของ 2 กลุ่ม ความได้เปรียบคือ random assignment เกิดที่ระดับ user/auction ทำให้แม่นกว่า geo-test แต่ต้อง budget ขั้นต่ำสูง (Meta Conversion Lift ขั้นต่ำ ~$30K USD)

User-level Holdout (PSA / Public Service Ad)

แสดงโฆษณาที่ไม่เกี่ยวกับธุรกิจ (เช่น PSA) ให้ control group แทนแอดจริง วิธีนี้ใช้ใน Meta Brand Lift และ Google Brand Lift Study ดีสำหรับวัด upper-funnel metrics เช่น brand awareness แต่ไม่เหมาะกับ direct response เพราะ control group ยังถูก “exposed” เพียงแค่ creative ต่าง

ขั้นตอน Setup Geo-holdout Test ทีละขั้น

วิธีนี้เป็น default ที่เราแนะนำสำหรับลูกค้า B2B ส่วนใหญ่ เพราะ setup ง่ายกว่า user-level test และไม่ต้องพึ่ง Conversion API matching rate

Step 1: เลือก Matched Markets

ใช้ historical data 3-6 เดือนหา 2 ภูมิภาคที่มี:
– Conversion rate ใกล้กัน (ต่างไม่เกิน 15%)
– Traffic volume ใกล้กัน
– ไม่มี seasonality ต่างกันชัดเจน (เช่น จังหวัดท่องเที่ยว vs จังหวัดอุตสาหกรรม)

สำหรับไทย คู่ที่ใช้บ่อย: กรุงเทพ vs ปริมณฑล, ภาคเหนือ vs ภาคอีสาน (เมืองหลัก) คำนวณ correlation ของ weekly leads ก่อน test ≥ 0.85

Step 2: คำนวณ Sample Size และ Duration

ใช้ minimum detectable effect (MDE) — ถ้าอยากตรวจจับ lift 10% ที่ statistical power 80% ต้องการ leads ขั้นต่ำในแต่ละกลุ่มประมาณ:

Baseline CVR	MDE 5%	MDE 10%	MDE 20%
2%	31,000	7,800	2,000
5%	12,000	3,000	750
10%	5,500	1,400	350

B2B ที่ได้ leads 200-500/เดือน/region → ต้อง run 8-12 สัปดาห์ เพื่อให้ผลเชื่อถือได้

Step 3: Run Test + Track Baseline

ก่อน test เก็บ baseline 2-4 สัปดาห์ ระหว่าง test ใช้ difference-in-differences (DiD) analysis:

Lift = (Test_post - Test_pre) - (Control_post - Control_pre)

สูตรนี้แยก seasonality และ trend ออกจาก incremental effect ใช้ Looker Studio หรือ BigQuery ดู Looker template สำหรับ B2B dashboard ถ้าอยากเซ็ตเร็ว

Step 4: ตีความผลและตัดสินใจ

คำนวณ incremental ROAS:

iROAS = (Revenue_test - Revenue_control) / Ad_spend_test

ถ้า iROAS < platform-reported ROAS เกิน 40% → channel นั้นมี cannibalization สูง พิจารณาลด budget หรือเปลี่ยน targeting อ่านวิธี mapping conversion ระหว่าง channel ใน Attribution Model B2B Guide

เครื่องมือและ Platform ที่รองรับ Incrementality Testing

ปี 2026 มี built-in tools ให้ใช้หลายตัว — เลือกตาม platform ที่ spend หลักของคุณอยู่

Meta Conversion Lift / Brand Lift

อยู่ใน Ads Manager → Experiments → Conversion Lift Study ขั้นต่ำ ~$30K USD spend ระหว่าง test period 4 สัปดาห์ ผลกลับมาเป็น incremental conversions, cost per incremental conversion ดู setup detail ที่ business.facebook.com/help/experiments

Google Ads Conversion Lift / Search Lift

Google มี Geo Experiments ใน Google Ads (ฟรี, ใช้ได้ทุก budget) และ Conversion Lift (เชิญผ่าน Google rep) Geo Experiments ใน Google Ads ตอนนี้รองรับ matched market suggestion อัตโนมัติ — เลือกจังหวัด, ตั้ง duration, ดู report ใน dashboard

Third-party Tools

• Haus, Measured, Recast — managed MMM + incrementality platform (USD 5-15K/เดือน)
• GeoLift (R package, open-source โดย Meta) — สำหรับ data team ที่ทำเองได้
• Looker Studio + BigQuery — DIY DiD analysis ค่าใช้จ่ายต่ำ

ทีมที่เริ่มต้นแนะนำใช้ Google Ads Geo Experiments + DIY Looker dashboard ก่อน เมื่อเข้าใจกลไกแล้วค่อย scale ไป third-party

ผิดพลาดที่พบบ่อยใน Incrementality Test

จากการทำ test ให้ลูกค้า B2B 20+ บริษัท พบ pitfall ซ้ำ ๆ 5 ข้อนี้:

1. Sample size เล็กเกินไป → ผลไม่ significant หลายทีมรีบสรุปหลัง 2 สัปดาห์ ทั้งที่ leads ใน control group ยังไม่ถึง 500 วิธีแก้: คำนวณ MDE ก่อน start และ commit duration ไม่น้อยกว่า 4 สัปดาห์

2. ไม่เก็บ baseline ก่อน test ทำให้แยก seasonality ไม่ได้ — ถ้า test ตรงกับช่วง trade show หรือ campaign อื่นของบริษัท ผลจะ bias วิธีแก้: เก็บ baseline 2-4 สัปดาห์ ก่อน + ใช้ DiD analysis

3. Control group ถูก “contaminate” เช่น run geo-test แต่ลืมปิด retargeting ที่ตามไปทุก region หรือ organic content ของแบรนด์เข้าถึง control group ได้ วิธีแก้: audit ทุก channel ก่อน start ปิด paid touchpoint ใน control region ทั้งหมด

4. ตีความ lift เป็น absolute ทั้งที่เป็น relative lift 20% ของ baseline 2% = absolute lift แค่ 0.4 percentage point ซึ่งอาจไม่คุ้ม budget ที่ใส่ ต้องคำนวณ incremental revenue ตัวเลขจริง ไม่ใช่ % lift อย่างเดียว

5. ทำ test ครั้งเดียวแล้วใช้ผลตลอดไป Incrementality เปลี่ยนตาม seasonality, creative refresh, competitor activity แนะนำทำซ้ำทุก 2-3 ไตรมาส โดยเฉพาะหลังเปลี่ยน creative หรือ targeting

Real-world Example: B2B SaaS ไทย ลด Spend 35% ได้ Leads เท่าเดิม

Placeholder: เคสจริงจะถูกเพิ่มหลังลูกค้าอนุมัติให้เผยแพร่ context: B2B SaaS ไทย ขนาด 50 พนักงาน spend Meta + Google รวม ฿800K/เดือน ทำ geo-holdout test 6 สัปดาห์ในจังหวัดภาคเหนือ พบว่า Meta brand campaign มี incremental ROAS ต่ำกว่า reported ROAS 52% — ตัดสินใจ reallocate budget ไป Google Search + LinkedIn Ads ผลลัพธ์: spend ลด 35%, MQL คงที่, CAC ลด 22% หลัง 90 วัน

ระหว่างนี้อ่านกรอบคิดการเลือก channel mix ได้ที่ Marketing Framework B2B Guide

FAQ

Incrementality test กับ A/B test ต่างกันยังไง?
A/B test เปรียบเทียบ 2 variation ของแอด (เช่น creative A vs B) ทั้งคู่ exposed กับแอด — วัดว่าอันไหนดีกว่า ส่วน incrementality test เปรียบเทียบ “เห็นแอด” vs “ไม่เห็นแอดเลย” — วัดว่าแอดมีผลจริงไหม คนละคำถามกัน

B2B ที่ leads น้อย (< 100/เดือน) ทำ incrementality test ได้ไหม?
ทำได้ยาก เพราะ sample size ไม่ถึง statistical significance แนะนำใช้ pre/post analysis หรือ MMM (Media Mix Modeling) ขนาดเล็กแทน หรือ run test ยาว 12-16 สัปดาห์เพื่อสะสม sample

ต้องหยุดแอดทั้งหมดใน control group ไหม?
ไม่จำเป็น — ขึ้นกับคำถามที่ต้องการตอบ ถ้าอยากรู้ “ทั้ง paid media สร้าง lift เท่าไหร่” ปิดทั้งหมด แต่ถ้าอยากรู้ “Meta สร้าง lift incremental จาก Google ไหม” ปิดเฉพาะ Meta ใน control region

Incremental ROAS ต่ำกว่า reported ROAS เท่าไหร่ถือว่าน่าห่วง?
ทั่วไป gap 20-40% เป็นเรื่องปกติของ retargeting และ brand search ถ้าเกิน 50% โดยเฉพาะใน prospecting campaign แสดงว่ามี audience overlap หรือ creative ไม่สร้าง demand ใหม่ ควร review targeting

ใช้ Meta CAPI กับ incrementality test ด้วยกันได้ไหม?
ได้ — และแนะนำ เพราะ CAPI ช่วยให้ conversion tracking แม่นขึ้น ทำให้ผล test แม่นตามไปด้วย ดู setup ที่ Facebook Pixel + CAPI Setup Guide

สรุป + ขั้นตอนต่อไป

Incrementality testing คือ “lie detector” ของ paid media — มันบอกว่าแอดของคุณสร้าง revenue ใหม่จริงเท่าไหร่ ไม่ใช่แค่ claim credit จาก conversion ที่จะเกิดอยู่แล้ว 3 takeaway สำหรับทีม B2B ที่อยากเริ่ม:

1. เริ่มจาก Google Ads Geo Experiments — ฟรี, setup ง่าย, ใช้ได้ทุก budget
2. Commit duration ≥ 4 สัปดาห์ + baseline 2 สัปดาห์ ห้ามรีบสรุป
3. ทำซ้ำทุกไตรมาส โดยเฉพาะหลังเปลี่ยน creative, targeting หรือ budget structure

ขั้นตอนต่อไป — ถ้าอยากเชื่อมต่อ incrementality result กับ attribution model ที่ใช้ตัดสินใจ budget allocation อ่านต่อที่ Attribution Model B2B Guide 2026 หรือดู framework ภาพรวมที่ MarTech Analytics & Tracking Guide เพื่อ map ทั้ง stack ตั้งแต่ tracking → attribution → incrementality เข้าด้วยกัน