predictive analytics คืออะไร ทำงานยังไงกับ B2B ไทย
predictive analytics ช่วยทำนายว่า lead ไหนจะปิดดีล ก่อนทีมเสียเวลาโทรผิดคน อ่านวิธีเริ่มจากข้อมูลที่มี ใช้ GA4 และเครื่องมือที่ไม่ต้องจ้าง data scientist
predictive analytics คืออะไร ทำงานยังไงกับ B2B ไทย
Last updated: 2026-07-23 · โดย Brad K
ทีมเซลส์โทรครบทุกชื่อในลิสต์ 200 รายชื่อ ปิดได้ 4 ดีล แต่ 4 ดีลนั้นดันเป็นชื่อที่อยู่ท้าย ๆ ลิสต์ ส่วนชื่อบน ๆ ที่ทุ่มเวลาโทรก่อนกลับเงียบหมด นี่คือปัญหาที่ predictive analytics ถูกสร้างมาแก้ตรง ๆ แทนที่จะเดาว่าใครน่าจะซื้อ ให้ข้อมูลในอดีตคำนวณความน่าจะเป็นออกมาเป็นตัวเลข ก่อนที่ทีมจะเสียเวลาไปกับคนที่ยังไม่พร้อม
บทความนี้ไม่ได้อธิบาย predictive analytics แบบตำรา แต่เจาะว่ามันทำงานยังไงจริงในงาน B2B marketing ไทย ต้องมีข้อมูลมากแค่ไหนถึงเริ่มได้ ใช้เครื่องมืออะไรที่ไม่ต้องจ้าง data scientist เต็มตัว และจุดที่คนพลาดบ่อยจนโมเดลออกมาใช้ไม่ได้จริง
Key Takeaways: predictive analytics คือการใช้ข้อมูลอดีต + สถิติ/ML คำนวณความน่าจะเป็นของสิ่งที่ยังไม่เกิด เช่น lead จะปิดดีลไหม ลูกค้าจะเลิกใช้เมื่อไร งาน B2B ที่ให้ผลไวสุดคือ predictive lead scoring และการทำนาย churn จุดตายไม่ใช่อัลกอริทึม แต่คือคุณภาพข้อมูลและการเลือก label ที่ถูก เริ่มได้จาก GA4 predictive metrics ก่อน แล้วค่อยขยับไปโมเดลของตัวเองเมื่อข้อมูลนิ่งพอ
predictive analytics คืออะไร แล้วต่างจากรายงานทั่วไปตรงไหน
predictive analytics คือการเอาข้อมูลในอดีตมาคำนวณ ความน่าจะเป็นของเหตุการณ์ในอนาคต ออกมาเป็นตัวเลข เช่น “lead รายนี้มีโอกาสปิดดีล 78%” หรือ “ลูกค้ารายนี้เสี่ยงเลิกใช้ใน 90 วัน” มันไม่ใช่การพยากรณ์แม่นยำ 100% แต่คือการจัดลำดับความน่าจะเป็นเพื่อให้คนตัดสินใจได้เร็วขึ้น
วิธีที่ช่วยให้เห็นภาพคือแยกออกเป็นสามชั้น ซึ่งทีมส่วนใหญ่ทำแค่ชั้นแรกแล้วนึกว่าครบ:
- Descriptive — เกิดอะไรขึ้นแล้วบ้าง เช่น เดือนที่แล้วได้ lead 340 คน ปิดได้ 12 ดีล นี่คือ dashboard ปกติที่ทุกคนมี
- Predictive — น่าจะเกิดอะไรต่อ เช่น จาก 340 คนนี้ โมเดลบอกว่ามี 40 คนที่น่าจะปิดได้ ให้เอาเวลาไปที่ 40 คนก่อน
- Prescriptive — แล้วควรทำอะไร เช่น 40 คนนี้ตอบ email สาย พฤติกรรมชี้ว่าให้โทรมากกว่าส่ง nurture
จุดที่ทำให้ predictive ต่างจากรายงานย้อนหลังคือมันตอบคำถาม “แล้วไง” ได้ รายงานบอกว่า cost per lead ขึ้น 20% ไม่ได้ช่วยให้ตัดสินใจอะไร แต่ถ้าโมเดลบอกว่า lead จากช่องทางหนึ่งมีโอกาสปิดต่ำกว่าอีกช่องทางสองเท่า คุณรู้ทันทีว่าจะตัดงบตรงไหน หัวใจอยู่ที่ข้อมูลต้อง track มาถูกตั้งแต่แรก ซึ่งเป็นคนละเรื่องกับการมีข้อมูลเยอะ ๆ อ่านเรื่องวางรากฐานได้ที่ MarTech Analytics & Tracking Guide
งาน B2B แบบไหนที่ได้ผลจาก predictive analytics ก่อน
ไม่ใช่ทุก use case จะคุ้มค่ากับความยุ่งยาก งาน B2B ที่เห็นผลไวและตั้งได้จริงมีอยู่ไม่กี่อย่าง เรียงตามความคุ้มที่จะเริ่ม:
Predictive lead scoring — จุดที่ให้ผลไวสุด
แทนที่จะให้คะแนน lead ด้วยกฎที่คนตั้งเอง (เปิด email +5, ดูหน้า pricing +10) ซึ่งเป็นการเดาน้ำหนักล้วน ๆ predictive lead scoring ให้ข้อมูลดีลที่เคยปิด/ไม่ปิดในอดีตเป็นตัวบอกว่าพฤติกรรมไหน “สัมพันธ์กับการปิดจริง” คนมักตั้งกฎว่าคนเปิด email บ่อยคือ lead ดี แต่พอดูข้อมูลจริงหลายที ตัวที่ทำนายการปิดได้ดีกว่ากลับเป็น “จำนวนคนจากบริษัทเดียวกันที่เข้าเว็บ” เพราะสะท้อนว่ามีทีมกำลังประเมินอยู่ ไม่ใช่คนเดียวเล่น ๆ
การทำนาย churn — ก่อนลูกค้าจะหาย
สำหรับธุรกิจ B2B ที่มี recurring revenue การรู้ล่วงหน้าว่าลูกค้ารายไหนกำลังจะหลุดมีค่ามาก สัญญาณที่โมเดลจับได้มักเป็นสิ่งที่คนมองข้าม เช่น การ login ลดลง หรือจำนวน user active ในบัญชีหดตัวก่อนถึงรอบต่อสัญญา 60-90 วัน
การจัดสรรงบและทำนายมูลค่าลูกค้า
เมื่อรู้ว่า lead จากช่องทางไหนมีแนวโน้มกลายเป็นลูกค้ามูลค่าสูง คุณจะจัดงบ paid ได้ตรงกว่าการดูแค่ cost per lead ตรงนี้ต่อยอดกับงาน attribution โดยตรง เพราะถ้า attribution model ยังผิด สัญญาณที่ป้อนเข้าโมเดลก็ผิดตาม อ่านต่อที่ Attribution Model B2B Guide
เริ่มต้นจากศูนย์ ต้องมีข้อมูลและเครื่องมืออะไร
คำถามแรกที่ควรถามไม่ใช่ “ใช้อัลกอริทึมอะไร” แต่คือ “ข้อมูลเรานิ่งพอให้ทำนายได้จริงไหม” ถ้ายังไม่มีทีม data การเริ่มที่ฉลาดที่สุดคือใช้ของที่มีอยู่ในมือก่อน
GA4 predictive metrics คือจุดเริ่มที่ดีเพราะ Google รันโมเดลให้ฟรี มีสามค่าหลัก ได้แก่ purchase probability, churn probability และ predicted revenue แต่มันมีเงื่อนไขข้อมูลขั้นต่ำที่ต้องผ่านก่อนถึงจะเปิดใช้ได้ ตาม เอกสาร GA4 predictive metrics คุณต้องมี ผู้ใช้ที่กลับมาอย่างน้อย 1,000 คนที่ทริกเกอร์เงื่อนไข positive และอีก 1,000 คนที่เป็น negative ภายใน 28 วันที่ผ่านมา ถ้าเว็บ B2B ทราฟฟิกไม่ถึง เกณฑ์นี้คือกำแพงแรกที่ต้องข้าม
ถ้าผ่านเกณฑ์แล้ว การต่อ GA4 เข้ากับ conversion tracking ที่แม่นยำจะทำให้สัญญาณสะอาดขึ้นมาก ดูวิธีวางระบบที่ GA4 + GTM + Conversion API Setup เมื่อข้อมูลเริ่มนิ่ง ค่อยขยับไปทำโมเดลของตัวเองบน CRM หรือ BigQuery แล้วดึงผลออกมาดูบน dashboard ได้ที่ Looker Studio Dashboard B2B
ตัวอย่างการคำนวณ lead score (สมมติ)
เพื่อให้เห็นว่า “score” มาจากไหน สมมติโมเดลถ่วงน้ำหนักฟีเจอร์แบบนี้ (ตัวเลขสมมติเพื่อสอน ไม่ใช่ค่าจริง):
- เข้าหน้า pricing ภายใน 7 วัน = +30
- มี user ≥ 3 คนจาก domain เดียวกัน = +25
- ตำแหน่งงานระดับตัดสินใจ = +20
- ไม่มี activity เกิน 14 วัน = −15
รวมได้ 60 จากเต็ม 100 ถ้าเราตั้ง เกณฑ์ปฏิบัติงานว่า score ≥ 70 คือส่งให้เซลส์โทรทันที รายนี้ยังไม่ถึง ให้เข้า nurture ต่อ ตัวเลข 70 นี้ไม่ใช่ค่ามาตรฐานอุตสาหกรรม แต่คือเส้นแบ่งที่เรากำหนดเองเพื่อคุมปริมาณงานของทีมเซลส์ให้พอดี
เมื่อโมเดลออกมาเพี้ยน อ่านตารางนี้ก่อนโทษอัลกอริทึม
อาการที่เจอบ่อยตอนเริ่มทำ predictive analytics มักย้อนกลับไปที่ข้อมูลและ label เกือบทั้งหมด ไม่ใช่ตัวโมเดล:
| อาการ (metric จริง) | สาเหตุน่าจะเป็น | สิ่งที่ทำ |
|---|---|---|
| GA4 ขึ้น “Not eligible” ที่ predictive audience | positive หรือ negative example < 1,000 user ใน 28 วัน | รวม event ให้ถึงเกณฑ์ ขยาย window ตรวจว่า purchase event ยิงจริง |
| โมเดล AUC < 0.7 (เกณฑ์ที่เราตั้งว่ายังไม่ควรเอาไปตัดสินใจ) | ฟีเจอร์น้อยเกินไป หรือมี data leakage | เพิ่มฟีเจอร์เชิงพฤติกรรม ตรวจว่าไม่มีฟีเจอร์ที่รู้ผลลัพธ์ล่วงหน้า |
| lead แทบทุกคนได้ score เกาะกลาง 45-55 | ข้อมูลไม่มีสัญญาณแยกกลุ่ม หรือ class imbalance | เพิ่มฟีเจอร์ที่ต่างกันจริง resample ให้สัดส่วนสมดุล |
| score สูงแต่ปิดการขายไม่ได้เลย | ใช้ label เป็น MQL แทนดีลที่ปิดจริง | เปลี่ยน label เป็น deal-won/revenue แล้ว sync กลับจาก CRM |
เกณฑ์ AUC 0.7 ในตารางเป็นเส้นที่เราตั้งเองเพื่อบอกว่า “ต่ำกว่านี้อย่าเพิ่งเอาไปใช้ตัดสินใจกับเงินจริง” ไม่ใช่ค่ามาตรฐานตายตัว บางงานที่ทำนายยากอาจยอมรับต่ำกว่านี้ได้ถ้าใช้ประกอบการตัดสินใจ ไม่ใช่ตัดสินแทนคน
ผิดพลาดที่พบบ่อยจนโมเดลใช้ไม่ได้
เลือก label ผิดตั้งแต่ต้น คือความพลาดที่แพงที่สุด ถ้าเทรนโมเดลให้ทำนาย “คนที่กลายเป็น MQL” คุณจะได้โมเดลที่เก่งเรื่องหา MQL ซึ่งไม่ใช่สิ่งที่ธุรกิจต้องการ สิ่งที่ต้องการคือดีลที่ปิดได้และสร้างรายได้ ให้ตั้ง label จากปลายทางจริงเสมอ
Data leakage เจอบ่อยกับคนเพิ่งเริ่ม เช่น ใส่ฟีเจอร์ “จำนวนครั้งที่เซลส์โทร” เข้าไปทำนายการปิดดีล ซึ่งฟังดูสมเหตุสมผล แต่จริง ๆ เซลส์โทรเยอะเพราะรู้อยู่แล้วว่าดีลนี้มีลุ้น มันคือผลลัพธ์ ไม่ใช่สาเหตุ พอ deploy จริงโมเดลจะพังเพราะตอนทำนายยังไม่มีข้อมูลนั้น
อีกกับดักคือ ไล่ตามความแม่นยำจนลืมว่าใช้งานจริงยังไง โมเดลที่แม่น 95% แต่ทีมเซลส์ไม่เชื่อและไม่เอาไปใช้ มีค่าเท่ากับศูนย์ การให้ score มาพร้อมเหตุผลสั้น ๆ ว่าทำไมถึงสูง (“มี 4 คนจากบริษัทนี้ดูหน้า pricing”) สำคัญกว่าการดันความแม่นเพิ่มอีกไม่กี่เปอร์เซ็นต์
Real-world Example
FAQ
predictive analytics ต่างจาก AI ทั่วไปยังไง?
predictive analytics เป็นการใช้ข้อมูลทำนายเหตุการณ์เฉพาะเจาะจง (จะซื้อ/จะเลิก) ส่วน AI เป็นคำกว้างครอบทั้ง generative และงานอื่น ในทางปฏิบัติ predictive มักใช้โมเดลสถิติหรือ ML ที่เล็กและอธิบายได้ง่ายกว่า generative AI มาก
ธุรกิจเล็กที่ทราฟฟิกน้อยทำได้ไหม?
ถ้ายังไม่ถึงเกณฑ์ข้อมูลขั้นต่ำ เช่น GA4 ที่ต้องมี user ระดับพันคน การฝืนทำจะได้โมเดลที่เดามั่ว แนะนำให้เริ่มจาก rule-based scoring ที่คนตั้งเองไปก่อน แล้วสะสมข้อมูลจนพอค่อยขยับ
ต้องจ้าง data scientist ไหม?
ช่วงเริ่มไม่จำเป็น GA4 predictive metrics และฟีเจอร์ใน CRM หลายตัวรันโมเดลให้แล้ว จ้าง data scientist คุ้มเมื่อคุณต้องการโมเดลเฉพาะทางและมีข้อมูลมากพอให้เขาทำงานจริง
predictive lead scoring แม่นแค่ไหน?
ไม่มีคำตอบตายตัว ขึ้นกับคุณภาพข้อมูลและ label เป็นหลัก ให้มองมันเป็นตัวช่วยจัดลำดับความน่าจะเป็น ไม่ใช่คำพิพากษา และวัดผลจริงจากอัตราการปิดของกลุ่ม score สูงเทียบกลุ่ม score ต่ำ
เริ่มวันนี้ควรทำอะไรก่อน?
ตรวจก่อนว่า conversion และ event สำคัญ track ถูกไหม เพราะโมเดลดีแค่ไหนก็แพ้ข้อมูลที่ track ผิด รากฐานตรงนี้คือสิ่งที่ต้องแน่นก่อนพูดเรื่องโมเดล
สรุป
predictive analytics ไม่ใช่ลูกแก้ววิเศษ แต่เป็นวิธีเปลี่ยนข้อมูลอดีตให้เป็นลำดับความน่าจะเป็นที่ช่วยให้ทีมเลือกงานได้เร็วขึ้น สามอย่างที่อยากให้ติดตัวกลับไป: หนึ่ง เริ่มจากงานที่ให้ผลไวอย่าง predictive lead scoring และ churn ก่อน สอง จุดตายอยู่ที่คุณภาพข้อมูลและการเลือก label จากปลายทางจริง ไม่ใช่การเลือกอัลกอริทึม สาม เริ่มจากของฟรีที่มีอยู่อย่าง GA4 predictive metrics แล้วค่อยขยับเมื่อข้อมูลนิ่งพอ
อยากเข้าใจภาพใหญ่ของ AI ในงานการตลาด B2B ลึกขึ้น อ่านต่อได้ที่ MarTech Analytics & Tracking Guide หรือ subscribe newsletter รับ MarTech insight ทุกสัปดาห์
ทีม Adsitec ทำงานด้าน B2B paid media และ martech — ถ้าอยากปรึกษาเป็นกรณี ๆ ดู บริการ ได้
