ข้ามไปเนื้อหาหลัก

Cohort Analysis ใน GA4 ลูกค้า​ที่​ได้​มา​สัปดาห์​นี้​กลับ​มา​กี่​คน

อัปเดตล่าสุด 28 กันยายน 2569
เวลาอ่านประมาณ 11 นาที
Cohort Analysis ใน GA4 ลูกค้า​ที่​ได้​มา​สัปดาห์​นี้​กลับ​มา​กี่​คน

KEY TAKEAWAYS

3 ประเด็น

Cohort exploration ใน GA4 จัด​ผู้​ใช้​เป็นก​ลุ่ม​ตาม​เงื่อนไข​เข้า เช่น วัน​ที่​เข้า​เว็บ​ครั้ง​แรก แล้ว​นับ​ว่า​กลุ่ม​นั้น​ทำ​ตาม​เงื่อนไข​กลับ​ใน​ช่วง​ถัด​ไป​กี่​คน

แบ่ง​ช่วง​ได้​เป็น​ราย​วัน ราย​สัปดาห์ หรือ​ราย​เดือน โดย​ราย​สัปดาห์​นับ​วัน​อาทิตย์​ถึง​วัน​เสาร์

ตาราง​มี​วิธี​นับ​สาม​แบบ คือ Standard, Rolling และ Cumulative

ผู้​ใช้​กลุ่ม​เดียวกัน​ให้​ตัวเลข​ใน​ช่อง​เดียวกัน​ต่าง​กัน​ได้​ตาม​วิธี​นับ​ที่​เลือก

Cohort ใน GA4 สร้าง​จาก​ข้อมูล​อุปกรณ์​เท่านั้น ไม่​ใช้ User-ID

และ​แสดง​ได้​สูงสุด 60 กลุ่ม ลูกค้า​ที่​เปลี่ยน​อุปกรณ์​จึง​ถูก​นับ​เป็น​คนละ​คน

ตาราง Cohort ใน GA4 แยก​ลูกค้า​ตาม​สัปดาห์​ที่​ได้​มา แล้ว​นับ​ว่า​กลับ​มา​ซื้อ​ใน​สัปดาห์​ถัด​ไป​กี่​คน วิธี​ตั้ง​ค่า สาม​วิธี​นับ และ​ข้อ​จำกัด​ที่​ทำให้​อ่าน​ตัวเลข​พลาด

ยอด​ขาย​รวม​ของ​เดือน​ที่​มี​โปรโมชัน​มัก​สูง​กว่า​เดือน​อื่น แต่​ตัวเลข​นั้น​ไม่​ได้​บอก​ว่า​ลูกค้า​ที่​เข้า​มา​ช่วง​โปรโมชัน​กลับ​มา​ซื้อ​อีก​หรือ​ไม่ ร้าน​ที่​ลด​ราคา​แรง​อาจ​ได้​ลูกค้า​ที่​ซื้อ​ครั้ง​เดียว​แล้ว​หาย​ไป ขณะ​ที่​ร้าน​ที่​จัด​กิจกรรม​เล็ก​กว่า​อาจ​ได้​ลูกค้า​ที่​กลับ​มา​ซื้อ​ทุก​เดือน Cohort Analysis คือ​การ​แยก​ลูกค้า​เป็นก​ลุ่ม​ตาม​ช่วง​เวลา​ที่​ได้​มา แล้ว​ติดตาม​แต่ละ​กลุ่ม​แยก​กัน ใน GA4 เครื่อง​มือ​นี้​ชื่อ Cohort exploration

หน้า​ช่วย​เหลือ​เรื่อง Cohort exploration ของ Google Analytics อธิบาย​เงื่อนไข วิธี​นับ และ​ข้อ​จำกัด​ของ​ตาราง​ไว้​ครบ ตัวอย่าง​ตัวเลข​ใน​หน้า​นั้น​ใช้​ฝึก​อ่าน​ตาราง​ได้​ก่อน​เปิด​ข้อมูล​ของ​ร้าน​ตัว​เอง

ตาราง Cohort ใน GA4 จัด​กลุ่ม​ลูกค้า​จาก​อะไร

การ​สร้าง​ตาราง​เริ่ม​จาก​เมนู Explore เลือก Template gallery แล้ว​เลือก​แม่​แบบ Cohort exploration จาก​นั้น​ตั้ง​ค่า​สอง​เงื่อนไข​หลัก

  1. เงื่อนไข​เข้า (Cohort inclusion) เงื่อนไข​แรก​ที่​ผู้​ใช้​ต้อง​ทำ​จึง​ถูก​นับ​เข้า​กลุ่ม มี​ห้า​แบบ ได้แก่ First touch คือ​ครั้ง​แรก​ที่​ผู้​ใช้​เข้า​เว็บ​หรือ​แอป​ตาม​ที่ property นี้​วัด​ได้, Any event, Any transaction, Any conversion และ​เหตุการณ์​เฉพาะ​ที่​เลือก​เอง
  2. เงื่อนไข​กลับ (Return criteria) สิ่ง​ที่​ผู้​ใช้​ต้อง​ทำ​ภาย​หลัง​จึง​นับ​ว่า​กลับ​มา เลือก​ได้​ทั้ง​เหตุการณ์​ใด​ก็ได้ ธุรกรรม conversion หรือ​เหตุการณ์​เฉพาะ
  3. ช่วง​เวลา​ของ​กลุ่ม (Cohort granularity) ราย​วัน​นับ​เที่ยง​คืน​ถึง​เที่ยง​คืน​ตาม​เขต​เวลา​ของ property ราย​สัปดาห์​นับ​วัน​อาทิตย์​ถึง​วัน​เสาร์ ไม่ใช่​เจ็ด​วัน​ต่อ​เนื่อง​นับ​จาก​วัน​ใด​ก็ได้ และ​ราย​เดือน​นับ​ต้น​เดือน​ถึง​สิ้น​เดือน ช่วง​ของ​การก​ลับ​มา​ใช้​หน่วย​เดียว​กับ​ช่วง​ของ​กลุ่ม
  4. ค่าที่​แสดง (Values) ตัว​ชี้​วัด​ใน​แต่ละ​ช่อง เช่น จำนวน​ผู้​ใช้​ที่​ใช้​งาน หรือ​จำนวน​ธุรกรรม

แต่ละ​ช่อง​ใน​ตาราง​คือ​จำนวน​ผู้​ใช้​ใน​กลุ่ม​ที่​ทำ​ตาม​เงื่อนไข​กลับ​ใน​ช่วง​นั้น ตัวอย่าง​ใน​หน้า​ช่วย​เหลือ ถ้า​เลือก​ราย​วัน​แล้ว​ดู​กลุ่ม​ของ​วัน​ที่ 1 มกราคม คอลัมน์​วัน​ที่ 1 คือ​ผู้​ใช้​ที่​เข้า​กลุ่ม​ใน​วัน​นั้น​และ​กลับ​มา​ตาม​เงื่อนไข​ใน​วัน​ที่ 2 มกราคม

เลือก​ช่วง​ราย​วัน ราย​สัปดาห์ หรือ​ราย​เดือน

เลือก​จาก​รอบ​การ​ซื้อ​ของ​สินค้า ร้าน​ที่​ลูกค้า​กลับ​มา​ภายใน​ไม่​กี่​วัน เช่น ร้าน​อาหาร​สั่ง​ออนไลน์ ดู​ราย​วัน​ได้ แต่​เพดาน 60 กลุ่ม​ทำให้​ย้อน​ได้​ไม่​ถึง​สาม​เดือน ร้าน​ส่วน​ใหญ่​ที่​ลูกค้า​กลับ​มา​เป็น​ราย​สัปดาห์​หรือ​ราย​เดือน​เหมาะ​กับ​ราย​สัปดาห์ เพราะ​เห็น​ผล​ของ​แต่ละ​โปรโมชัน​แยก​แถว​ชัด ส่วน​สินค้า​ที่​ซื้อ​ซ้ำ​เป็น​เดือน เช่น เครื่อง​สำอาง​หรือ​อาหาร​เสริม ดู​ราย​เดือน ข้อ​ที่​ต้อง​จำ​คือ​ราย​สัปดาห์​เริ่ม​วัน​อาทิตย์ โปรโมชัน​ที่​จัด​วัน​เสาร์​ถึง​วัน​จันทร์​จะ​ถูก​แบ่ง​อยู่​สอง​แถว การ​วาง​วัน​เริ่ม​โปรโมชัน​ให้​ตรง​กับ​วัน​อาทิตย์​ช่วย​ให้​อ่าน​ตาราง​ง่าย​ขึ้น

เลือก​เงื่อนไข​เข้า​แบบ First touch หรือ Any transaction

เลือก​ตาม​คำถาม​ที่​ต้องการ​ตอบ First touch ตอบ​ว่า​ผู้​ใช้​ที่​เพิ่ง​รู้จัก​ร้าน​ครั้ง​แรก​ใน​แต่ละ​ช่วง​กลับ​มา​ทำ​สิ่ง​ที่​ต้องการ​หรือ​ไม่ ส่วน Any transaction เริ่ม​นับ​จาก​ธุรกรรม​แรก​ใน​ช่วง​ที่​เลือก​ดู หน้า​ช่วย​เหลือ​เตือน​ว่า​ผู้​ใช้​ถูก​นับ​เข้า​ทุก​กลุ่ม​ที่​ตรง​เงื่อนไข​เข้า ถ้า​เลือก​ธุรกรรม​เป็น​เงื่อนไข​เข้า ลูกค้า​ที่​ซื้อ​ทุก​สัปดาห์​จะ​อยู่​ใน​ทุก​แถว​ของ​ตาราง ผล​รวม​ของ​หลาย​แถว​จึง​นับ​คน​ซ้ำ​ได้ ร้าน​ที่​อยาก​รู้​ว่า​ลูกค้า​ใหม่​ของ​แต่ละ​สัปดาห์​กลับ​มา​ซื้อ​หรือ​ไม่ ใช้ First touch เป็น​เงื่อนไข​เข้า แล้ว​ใช้​ธุรกรรม​เป็น​เงื่อนไข​กลับ

ใช้​ตาราง Cohort หา​สาเหตุ​ที่​ลูกค้า​หาย​ได้​ไหม

ได้​ใน​บาง​กรณี หน้า​ช่วย​เหลือ​ยก​ตัวอย่าง​แอป​ที่​ใช้​เหตุการณ์​ข้อ​ผิด​พลาด​ที่​ตั้ง​เอง​เป็น​เงื่อนไข​เข้า และ​เหตุการณ์ app_remove เป็น​เงื่อนไข​กลับ เพื่อ​ดู​ว่า​ผู้​ใช้​ที่​เจอ​ข้อ​ผิด​พลาด​ลบ​แอป​ทิ้ง​มาก​แค่​ไหน แล้ว​แยก​ตาม​รุ่น​โทรศัพท์​เพื่อ​ดู​ว่า​ปัญหา​อยู่​ที่​อุปกรณ์​รุ่น​ใด เว็บ​ร้าน​ค้า​ใช้​หลัก​เดียวกัน​ได้ เช่น ตั้ง​เหตุการณ์​ที่​เกิด​เมื่อ​หน้า​ชำระ​เงิน​แจ้ง​ข้อ​ผิด​พลาด​เป็น​เงื่อนไข​เข้า แล้ว​ดู​ว่า​ผู้​ใช้​กลุ่ม​นั้น​กลับ​มา​ซื้อ​สำเร็จ​ใน​สัปดาห์​ถัด​ไป​หรือ​ไม่

อ่าน​ตาราง​จาก​ตัวอย่าง​ผู้​ใช้​ใหม่ 17,093 คน

หน้า​ช่วย​เหลือ​ให้​ตัวอย่าง​จาก​เว็บ​หนึ่ง​ที่​ได้​ผู้​ใช้​ใหม่ 17,093 คนใน​สัปดาห์​วัน​ที่ 6-12 ตุลาคม แล้ว​แสดง​ผล​แบบ​ต่าง ๆ จาก​กลุ่ม​เดียวกัน

  1. ตัวอย่าง​แรก ค่า​เป็น​จำนวน​ธุรกรรม ผู้​ใช้​กลุ่ม​นี้​มี 176 ธุรกรรม​ใน​สัปดาห์​ที่​ได้​มา และ 38 ธุรกรรม​ใน​สัปดาห์​ถัด​ไป
  2. ตัวอย่าง​ที่​สอง ค่า​เป็น​จำนวน​ผู้​ใช้ มี​ผู้​ใช้ 171 คน​ที่​ซื้อ​อย่าง​น้อยห​นึ่ง​ครั้ง​ใน​สัปดาห์​ที่​ได้​มา และ 31 คน​ที่​ซื้อ​อย่าง​น้อยห​นึ่ง​ครั้ง​ใน​สัปดาห์​ถัด​ไป
  3. ตัวอย่าง​ที่​สาม เงื่อนไข​เข้า​เป็น​ธุรกรรม สัปดาห์​เดียวกัน​มี​ผู้​ใช้ 270 คน​ที่​ซื้อ​อย่าง​น้อยห​นึ่ง​ครั้ง ใน​จำนวน​นี้ 14 คน​ซื้อ​อีก​ใน​สัปดาห์​ถัด​ไป

176 ธุรกรรม​กับ 171 ผู้​ใช้​ต่าง​กัน​อย่างไร

ตัวเลข​ทั้ง​สอง​มา​จาก​กลุ่ม​เดียวกัน​และ​สัปดาห์​เดียวกัน แต่​นับ​คนละ​หน่วย ธุรกรรม​นับ​การ​ซื้อ​ทุก​ครั้ง ผู้​ใช้​หนึ่ง​คน​ที่​ซื้อ​สอง​ครั้ง​นับ​เป็น​สอง​ธุรกรรม ส่วน​จำนวน​ผู้​ใช้​นับ​คน​ที่​ซื้อ​อย่าง​น้อยห​นึ่ง​ครั้ง คน​นั้น​นับ​หนึ่ง​เท่านั้น ส่วน​ต่าง​ที่​เล็ก​ใน​สัปดาห์​แรก (176 กับ 171) กับ​สัปดาห์​ถัด​ไป (38 กับ 31) บอก​ว่า​ผู้​ใช้​กลุ่ม​นี้​ส่วน​ใหญ่​ซื้อ​ครั้ง​เดียว​ต่อ​สัปดาห์ ร้าน​ที่​ต้องการ​รู้​ว่า​มี​ลูกค้า​กลับ​มา​กี่​คน ใช้​ค่า​เป็น​จำนวน​ผู้​ใช้ ส่วน​ร้าน​ที่​ต้องการ​รู้​ปริมาณ​งาน​ขาย ใช้​จำนวน​ธุรกรรม

Standard, Rolling และ Cumulative นับ​คน​ต่าง​กัน​อย่างไร

หน้า​ช่วย​เหลือ​ใช้​ผู้​ใช้​สาม​คน​ที่​อยู่​ใน​กลุ่ม​ห้า​สัปดาห์ เงื่อนไข​เข้า​คือ First touch และ​เงื่อนไข​กลับ​คือ​การ​ซื้อ

  1. ผู้​ใช้ A ไม่​ซื้อ​สัปดาห์​ที่ 1-4 แล้ว​ซื้อ​สัปดาห์​ที่ 5
  2. ผู้​ใช้ B ซื้อ​ทุก​สัปดาห์​ตั้งแต่​สัปดาห์​ที่ 1-5
  3. ผู้​ใช้ C ซื้อ​สัปดาห์​ที่ 1-2 แล้ว​ไม่​ซื้อ​อีก​ใน​สัปดาห์​ที่ 3-5

ช่อง​ของ​สัปดาห์​ที่ 5 แบบ Standard นับ A และ B เพราะ​นับ​เฉพาะ​คน​ที่​ซื้อ​ใน​สัปดาห์​นั้น แบบ Rolling นับ​เฉพาะ B เพราะ​ต้อง​ซื้อ​ทุก​สัปดาห์​จนถึง​สัปดาห์​นั้น แบบ Cumulative นับ A, B และ C เพราะ​นับ​ทุก​คน​ที่​เคย​ซื้อ​ใน​สัปดาห์​ใด​ก็ได้​จนถึง​สัปดาห์​นั้น ร้าน​ที่​ขาย​ของใช้​ซ้ำ​อย่าง​กาแฟ​เมล็ด​หรือ​อาหาร​สัตว์ ดู​แบบ Rolling เพื่อ​หา​ลูกค้า​ที่​ซื้อ​ต่อ​เนื่อง ส่วน​ร้าน​ที่​ขาย​ของ​ซื้อ​นาน ๆ ครั้ง​ดู​แบบ Cumulative เพื่อ​ดู​ว่า​กลุ่ม​นั้น​กลับ​มา​ซื้อ​สัก​ครั้ง​หรือ​ยัง

ใช้​ตาราง Cohort ตัดสิน​ผล​ของ​โปรโมชัน

หน้า​ช่วย​เหลือ​ยก​ตัวอย่าง​การ​ใช้​งาน​ไว้​ตรง​กับ​คำถาม​นี้ คือ​ดู​ว่า​ผู้​ใช้​ใหม่​ใช้​เวลา​นาน​แค่​ไหน​จึง​ซื้อ และ​ระยะ​นั้น​เปลี่ยน​ไป​อย่างไร​ใน​สัปดาห์​ที่​มี​โปรโมชัน วิธี​อ่าน​คือ​เทียบ​แถว​ของ​สัปดาห์​ที่​จัด​โปรโมชัน​กับ​แถว​ของ​สัปดาห์​ปกติ​ใน​คอลัมน์​เดียวกัน

  1. คอลัมน์​แรก บอก​ว่า​โปรโมชัน​ทำให้​ผู้​ใช้​ใหม่​ซื้อ​ใน​สัปดาห์​แรก​มาก​ขึ้น​แค่​ไหน
  2. คอลัมน์​ถัด​ไป บอก​ว่า​ผู้​ใช้​ที่​ได้​มา​ช่วง​โปรโมชัน​ยัง​กลับ​มา​ซื้อ​หลัง​โปรโมชัน​จบ​หรือ​ไม่
  3. สัดส่วน​ของ​สอง​คอลัมน์ ถ้า​แถว​โปรโมชัน​สูง​ใน​คอลัมน์​แรก​แต่​ต่ำ​กว่า​แถว​ปกติ​ใน​คอลัมน์​ถัด​ไป แปล​ว่า​โปรโมชัน​ดึง​คน​ที่​ตั้งใจ​ซื้อ​เฉพาะ​ราคา​นั้น

ตาราง​บอก​ได้​ว่า​กลุ่ม​ไหน​กลับ​มา​มากกว่า แต่​ไม่​ได้​พิสูจน์​ว่า​โปรโมชัน​เป็น​สาเหตุ สัปดาห์​ที่​จัด​โปรโมชัน​อาจ​ตรง​กับ​วัน​หยุด​หรือ​ช่วง​ที่​โฆษณา​ใช้​งบ​มากกว่า​ปกติ วิธี​แยก​ยอด​ที่​เกิด​เพราะ​แคมเปญ​จริง​ออก​จาก​ยอด​ที่​จะ​เกิด​อยู่​แล้ว อยู่​ในIncrementality Test วัด​ยอด​ที่​เกิด​เพราะ​โฆษณา​จริง

แยก​แถว​ตาม​อุปกรณ์​หรือ​ช่อง​ทาง​ช่วย​อะไร

ช่อง Breakdown แบ่ง​แต่ละ​กลุ่ม​ออก​เป็นก​ลุ่ม​ย่อย​ตาม​มิติ​ที่​เลือก หน้า​ช่วย​เหลือ​ยก​ตัวอย่าง​การ​แยก​ตาม​ประเภท​อุปกรณ์ คือ​เด​สก์ท็อป มือ​ถือ และ​แท็บเล็ต ผู้​ใช้​จะ​ถูก​นับ​ใน​กลุ่ม​ย่อย​ของ​ค่า​แรก​ที่​ตรง​กับ​ตัว​เอง​เท่านั้น ผู้​ใช้​ที่​เข้า​ครั้ง​แรก​ด้วย​มือ​ถือ​แล้วก​ลับ​มา​ด้วย​เด​สก์ท็อป​ใน​วัน​เดียวกัน อยู่​ใน​กลุ่ม​ย่อย​มือ​ถือ การ​แยก​แบบ​นี้​ช่วย​ให้​เห็น​ว่า​กลุ่ม​ที่​กลับ​มา​น้อย​กระจุก​อยู่​ที่​อุปกรณ์​ใด ซึ่ง​มัก​ชี้​ไป​ที่​ปัญหา​ของ​หน้า​เว็บ​บน​อุปกรณ์​นั้น

ข้อ​จำกัด​ของ​ตาราง Cohort ใน GA4

หน้า​ช่วย​เหลือ​ระบุ​ข้อ​จำกัด​ที่​ทำให้​ตัวเลข​ใน​ตาราง​ต่าง​จาก​จำนวน​ลูกค้า​จริง​ของ​ร้าน

  1. ใช้​ข้อมูล​อุปกรณ์​เท่านั้น ไม่​ใช้ User-ID ลูกค้า​ที่​ซื้อ​ครั้ง​แรก​บน​มือ​ถือ​แล้วก​ลับ​มา​ซื้อ​บน​คอมพิวเตอร์ อาจ​ถูก​นับ​เป็น​ผู้​ใช้​สอง​คนใน​สอง​กลุ่ม
  2. แสดง​ได้​สูงสุด 60 กลุ่ม ราย​วัน​ย้อน​ได้​ไม่​ถึง​สาม​เดือน ร้าน​ที่​ต้องการ​ดู​หลาย​เดือน​ใช้​ราย​สัปดาห์​หรือ​ราย​เดือน
  3. แยก Breakdown ได้​สูงสุด 15 ค่า​แรก​ของ​มิติ​นั้น ค่าที่​เหลือ​ไม่​ปรากฏ​ใน​ตาราง
  4. มิติ​ประชากร​ถูกกัน​ข้อมูล (thresholding) ถ้า​กลุ่ม​มี​ผู้​ใช้​น้อย​เกิน​จน​ระบุ​ตัว​ตน​ได้ ผู้​ใช้​เหล่า​นั้น​จะ​ไม่​อยู่​ใน​ผลลัพธ์
  5. ย้อน​หลัง​ได้​ตาม​ระยะ​เก็บ​ข้อมูล​ของ property ตาราง Cohort อยู่​ใน​ส่วน Explorations ซึ่ง​ย้อน​ดู​ข้อมูล​ระดับ​ผู้​ใช้ได้​ตาม​ค่าที่​ตั้ง​ไว้ ค่าที่​ตั้ง​ได้​ใน​ฉบับ​ฟรี​และ​ผล​ต่อ​รายงาน อธิบาย​ไว้​ในMarketing Stack SME ข้อมูล GA4 ฟรี​เก็บ​ได้​นาน​แค่​ไหน

ลูกค้า​ที่​ซื้อ​หน้า​ร้าน​อยู่​ใน​ตาราง​ไหม

ไม่​อยู่ ถ้า​การ​ซื้อ​นั้น​ไม่​ได้​ถูก​ส่ง​เข้า property นี้ หน้า​ช่วย​เหลือ​นิยาม First touch ว่า​เป็น​ครั้ง​แรก​ที่​ผู้​ใช้​เข้า​เว็บ​หรือ​แอป "ตาม​ที่ property นี้​วัด​ได้" ตาราง​จึง​เห็น​เฉพาะ​พฤติกรรม​บน​เว็บ​หรือ​แอป​ที่​ติด​ตั้ง​การ​วัดผล​ไว้ ร้าน​ที่​ขาย​ทั้ง​หน้า​ร้าน​และ​ออนไลน์​ต้อง​รู้​ว่า​ตาราง Cohort บอก​แค่​ส่วน​ที่​เป็น​ออนไลน์ ลูกค้า​ที่​รู้จัก​ร้าน​จาก​เว็บ​แล้วไป​ซื้อ​ที่​หน้า​ร้าน จะ​ดู​เหมือน​ไม่​เคย​กลับ​มา

ทำไม​ตัวเลข​ใน​ตาราง Cohort ไม่​ตรง​กับ​รายงาน​ผู้​ใช้​ทั่วไป

เพราะ​วิธี​นับ​ต่าง​กัน ตาราง Cohort นับ​ผู้​ใช้​ที่​ตรง​เงื่อนไข​เข้า​และ​เงื่อนไข​กลับ​ใน​แต่ละ​ช่วง ส่วน​รายงาน​มาตรฐาน​นับ​ผู้​ใช้​ทั้งหมด​ใน​ช่วง​วัน​ที่​เลือก ผู้​ใช้​หนึ่ง​คน​ยัง​อยู่​ได้​หลาย​แถว​เมื่อ​เงื่อนไข​เข้า​เป็น​ธุรกรรม และ​มิติ​ประชากร​ใน​ตาราง Cohort ถูกกัน​ข้อมูล​เมื่อ​กลุ่ม​เล็ก การ​เทียบ​ตัวเลข​ข้าม​รายงาน​จึง​ควร​เทียบ​แนว​โน้ม​ระหว่าง​แถว ไม่ใช่​เทียบ​ยอด​รวม

ค่า​ตั้ง​ตาราง Cohort สำหรับ​เทียบ​โปรโมชัน

ค่า​ชุด​นี้​ใช้​กับ​ร้าน​ออนไลน์​ที่​ติด​ตั้ง​เหตุการณ์ purchase แล้ว และ​ต้องการ​เทียบ​สัปดาห์​ที่​มี​โปรโมชัน​กับ​สัปดาห์​ปกติ

ช่อง​ตั้ง​ค่า ค่าที่​เลือก เหตุผล
Cohort inclusion First touch ให้​ลูกค้า​แต่ละ​คน​อยู่​แถว​เดียว​ตาม​สัปดาห์​ที่​ได้​มา
Return criteria Any transaction นับ​เฉพาะ​การก​ลับ​มา​ซื้อ ไม่​นับ​การ​เข้า​ชม​เฉย ๆ
Cohort granularity Weekly ครอบคลุม​หลาย​เดือน​ภาย​ใต้​เพดาน 60 กลุ่ม
Calculation Standard ก่อน แล้ว​เทียบ​กับ Cumulative เห็น​ทั้ง​จำนวน​ราย​สัปดาห์​และ​จำนวน​สะสม
Values Active users นับ​คน ไม่​นับ​จำนวน​ครั้ง
Breakdown ประเภท​อุปกรณ์ หา​ว่า​แถว​ที่​ตกกระ​จุก​ที่​อุปกรณ์​ใด

เมื่อ​รู้​ว่า​กลุ่ม​ไหน​กลับ​มา​ซื้อ​มากกว่า ขั้น​ต่อ​ไป​คือ​แปลง​จำนวน​ครั้ง​ที่​ซื้อ​ซ้ำ​เป็น​มูลค่า​ต่อ​หัว เพื่อ​ใช้​ตั้ง​งบ​หา​ลูกค้า​ใหม่ วิธี​คิด​อยู่​ในCustomer Lifetime Value ตั้ง​มูลค่า​ลูกค้า​ใหม่​ใน Google Ads ส่วน​ราย​ชื่อ​ลูกค้า​ที่​ได้​จาก​กิจกรรม​ร่วม​กับ​ธุรกิจ​อื่น ใช้​กับ​ระบบ​โฆษณา​ได้​แค่​ไหน อยู่​ในSecond-Party Data ราย​ชื่อ​พาร์ตเนอร์​ใช้ Customer Match ได้​ไหม

สรุป

Cohort exploration ใน GA4 แยก​ผู้​ใช้​เป็นก​ลุ่ม​ตาม​เงื่อนไข​เข้า แล้ว​นับ​ว่า​แต่ละ​กลุ่ม​ทำ​ตาม​เงื่อนไข​กลับ​ใน​ช่วง​ถัด​ไป​กี่​คน ช่วง​ราย​สัปดาห์​นับ​วัน​อาทิตย์​ถึง​วัน​เสาร์ ตาราง​มี​วิธี​นับ​สาม​แบบ​ที่​ให้​ตัวเลข​ต่าง​กัน​จาก​ผู้​ใช้​กลุ่ม​เดียวกัน ตัวอย่าง​ของ Google แสดง​ว่า​ผู้​ใช้​ใหม่ 17,093 คนมี 171 คน​ซื้อ​ใน​สัปดาห์​แรก และ 31 คน​ซื้อ​ใน​สัปดาห์​ถัด​ไป การ​เทียบ​แถว​ของ​สัปดาห์​โปรโมชัน​กับ​สัปดาห์​ปกติ​ใน​คอลัมน์​เดียวกัน​บอก​ได้​ว่า​โปรโมชัน​ได้​ลูกค้า​ที่​กลับ​มา​หรือ​ไม่ ข้อ​จำกัด​ที่​ต้อง​รู้​คือ​ตาราง​ใช้​ข้อมูล​อุปกรณ์​เท่านั้น ไม่​ใช้ User-ID แสดง​ได้​สูงสุด 60 กลุ่ม และ​เห็น​เฉพาะ​พฤติกรรม​ที่ property วัด​ได้

คำถามที่พบบ่อย (FAQ)

คือ​การ​แยก​ลูกค้า​เป็นก​ลุ่ม​ตาม​ช่วง​เวลา​หรือ​เหตุการณ์​ที่​ทำให้​เข้า​กลุ่ม แล้ว​ติดตาม​พฤติกรรม​ของ​แต่ละ​กลุ่ม​แยก​กัน​ตาม​เวลา ใน GA4 ทำได้​ด้วย​แม่​แบบ Cohort exploration ใน​เมนู Explore

เริ่ม​วัน​อาทิตย์​และ​จบ​วัน​เสาร์ ไม่​ได้​นับ​เจ็ด​วัน​ต่อ​เนื่องจาก​วัน​ใด​ก็ได้ ส่วน​ราย​วัน​นับ​ตาม​เขต​เวลา​ที่​ตั้ง​ไว้​ใน property

เมื่อ​เงื่อนไข​เข้า​เป็น​ธุรกรรม​หรือ​เหตุการณ์​ที่​เกิด​ซ้ำ​ได้ ผู้​ใช้​จะ​ถูก​นับ​เข้า​ทุก​กลุ่ม​ที่​ตรง​เงื่อนไข ใช้ First touch เป็น​เงื่อนไข​เข้า​เมื่อ​ต้องการ​ให้​แต่ละ​คน​อยู่​แถว​เดียว

ไม่​ช่วย Google ระบุ​ว่า Cohort exploration ใช้​เฉพาะ​ข้อมูล​อุปกรณ์ และ​ไม่​ได้​ใช้ User-ID ใน​การ​สร้าง​กลุ่ม

Standard เหมาะ​กับ​การ​ดู​จำนวน​ที่​กลับ​มา​ใน​แต่ละ​ช่วง Rolling เหมาะ​กับ​สินค้า​ที่​ต้อง​ซื้อ​ต่อ​เนื่อง ส่วน Cumulative เหมาะ​กับ​สินค้า​ที่​ซื้อ​นาน ๆ ครั้ง​และ​ต้องการ​รู้​ว่า​กลุ่ม​นั้น​กลับ​มา​แล้ว​กี่​คน

PHYGITAL INSIGHT

ฟิจิ⁠ทัล​อ่าน​ตาราง Cohort เพื่อ​เลือก​ลูกค้า​กลุ่ม​ที่​ต้อง​ได้​ข้อความ​ติดตาม​ก่อน แถว​ที่​ซื้อ​ใน​สัปดาห์​แรก​สูง​แต่​คอลัมน์​ถัด​ไป​ตกลง​แรง คือ​กลุ่ม​ที่​ต้อง​มี​เหตุ​ให้​กลับ​มา​ภายใน​ไม่​กี่​วัน​หลัง​ซื้อ บริการ​แช​ตบ​อต​ของ​ฟิจิ⁠ทัล​วาง​ลำดับ​ข้อความ​หลัง​การ​ซื้อ เช่น วิธี​ใช้​สินค้า การ​ยืนยัน​การ​จัด​ส่ง และ​คำถาม​ว่า​ได้​รับ​ของ​ครบ​หรือ​ไม่ แล้ว​วัดผล​จาก​ตาราง​เดียวกัน​ใน​รอบ​ถัด​ไป ร้าน​จึง​รู้​ว่า​ข้อความ​ชุด​ไหน​ทำให้​แถว​ของ​ลูกค้า​ใหม่​ลด​ลง​ช้า​กว่า​เดิม

ให้ PHYGITAL AGENCY ช่วยต่อยอดเรื่องนี้สู่ผลลัพธ์จริง

แถว​ของ​สัปดาห์​ที่​จัด​โปรโมชัน​บอก​ว่า​ลูกค้า​กลุ่ม​นั้น​กลับ​มา​หรือ​เปล่า

ทีม PHYGITAL AGENCY ตั้ง​ตาราง Cohort ใน GA4 ของ​ร้าน เทียบ​กลุ่ม​ลูกค้า​ที่​ได้​มา​ช่วง​โปรโมชัน​กับ​ช่วง​ปกติ แล้ว​วางข้อ​ความ​ติดตาม​ให้​กลุ่ม​ที่​กลับ​มา​น้อย

PARANATH PANARATANA

WRITTEN BY

PARANATH PANARATANA

CHAIRMAN OF PHYGITAL AGENCY

ประธานกรรมการบริษัท ฟิจิทัล เอเจนซี จำกัด มีประสบการณ์ดูแลการตลาดที่ผสานโลกจริงและโลกออนไลน์เข้าด้วยกัน ตลอดจนเป็นที่ปรึกษาในการวินิจฉัยธุรกิจ อีกทั้งยังเคยทำงานในสายวิดีโอโปรดักชั่นและภาพยนตร์ไทยอีกด้วย