# Cohort Analysis ใน GA4 ลูกค้าที่ได้มาสัปดาห์นี้กลับมากี่คน

> ที่มา: https://phygital.co.th/insights/cohort-analysis-explained · เผยแพร่ 7 พฤษภาคม 2568 · อ่าน 11 นาที · โดย PARANATH PANARATANA

ตาราง Cohort ใน GA4 แยกลูกค้าตามสัปดาห์ที่ได้มา แล้วนับว่ากลับมาซื้อในสัปดาห์ถัดไปกี่คน วิธีตั้งค่า สามวิธีนับ และข้อจำกัดที่ทำให้อ่านตัวเลขพลาด

## Key Takeaways

- **Cohort exploration ใน GA4 จัดผู้ใช้เป็นกลุ่มตามเงื่อนไขเข้า เช่น วันที่เข้าเว็บครั้งแรก แล้วนับว่ากลุ่มนั้นทำตามเงื่อนไขกลับในช่วงถัดไปกี่คน** — แบ่งช่วงได้เป็นรายวัน รายสัปดาห์ หรือรายเดือน โดยรายสัปดาห์นับวันอาทิตย์ถึงวันเสาร์
- **ตารางมีวิธีนับสามแบบ คือ Standard, Rolling และ Cumulative** — ผู้ใช้กลุ่มเดียวกันให้ตัวเลขในช่องเดียวกันต่างกันได้ตามวิธีนับที่เลือก
- **Cohort ใน GA4 สร้างจากข้อมูลอุปกรณ์เท่านั้น ไม่ใช้ User-ID** — และแสดงได้สูงสุด 60 กลุ่ม ลูกค้าที่เปลี่ยนอุปกรณ์จึงถูกนับเป็นคนละคน

ยอดขายรวมของเดือนที่มีโปรโมชันมักสูงกว่าเดือนอื่น แต่ตัวเลขนั้นไม่ได้บอกว่าลูกค้าที่เข้ามาช่วงโปรโมชันกลับมาซื้ออีกหรือไม่ ร้านที่ลดราคาแรงอาจได้ลูกค้าที่ซื้อครั้งเดียวแล้วหายไป ขณะที่ร้านที่จัดกิจกรรมเล็กกว่าอาจได้ลูกค้าที่กลับมาซื้อทุกเดือน Cohort Analysis คือการแยกลูกค้าเป็นกลุ่มตามช่วงเวลาที่ได้มา แล้วติดตามแต่ละกลุ่มแยกกัน ใน GA4 เครื่องมือนี้ชื่อ Cohort exploration

[หน้าช่วยเหลือเรื่อง Cohort exploration ของ Google Analytics](https://support.google.com/analytics/answer/9670133?hl=en) อธิบายเงื่อนไข วิธีนับ และข้อจำกัดของตารางไว้ครบ ตัวอย่างตัวเลขในหน้านั้นใช้ฝึกอ่านตารางได้ก่อนเปิดข้อมูลของร้านตัวเอง

## ตาราง Cohort ใน GA4 จัดกลุ่มลูกค้าจากอะไร

การสร้างตารางเริ่มจากเมนู Explore เลือก Template gallery แล้วเลือกแม่แบบ Cohort exploration จากนั้นตั้งค่าสองเงื่อนไขหลัก

1. **เงื่อนไขเข้า (Cohort inclusion)** เงื่อนไขแรกที่ผู้ใช้ต้องทำจึงถูกนับเข้ากลุ่ม มีห้าแบบ ได้แก่ First touch คือครั้งแรกที่ผู้ใช้เข้าเว็บหรือแอปตามที่ property นี้วัดได้, Any event, Any transaction, Any conversion และเหตุการณ์เฉพาะที่เลือกเอง
2. **เงื่อนไขกลับ (Return criteria)** สิ่งที่ผู้ใช้ต้องทำภายหลังจึงนับว่ากลับมา เลือกได้ทั้งเหตุการณ์ใดก็ได้ ธุรกรรม conversion หรือเหตุการณ์เฉพาะ
3. **ช่วงเวลาของกลุ่ม (Cohort granularity)** รายวันนับเที่ยงคืนถึงเที่ยงคืนตามเขตเวลาของ property รายสัปดาห์นับวันอาทิตย์ถึงวันเสาร์ ไม่ใช่เจ็ดวันต่อเนื่องนับจากวันใดก็ได้ และรายเดือนนับต้นเดือนถึงสิ้นเดือน ช่วงของการกลับมาใช้หน่วยเดียวกับช่วงของกลุ่ม
4. **ค่าที่แสดง (Values)** ตัวชี้วัดในแต่ละช่อง เช่น จำนวนผู้ใช้ที่ใช้งาน หรือจำนวนธุรกรรม

แต่ละช่องในตารางคือจำนวนผู้ใช้ในกลุ่มที่ทำตามเงื่อนไขกลับในช่วงนั้น ตัวอย่างในหน้าช่วยเหลือ ถ้าเลือกรายวันแล้วดูกลุ่มของวันที่ 1 มกราคม คอลัมน์วันที่ 1 คือผู้ใช้ที่เข้ากลุ่มในวันนั้นและกลับมาตามเงื่อนไขในวันที่ 2 มกราคม

### เลือกช่วงรายวัน รายสัปดาห์ หรือรายเดือน

เลือกจากรอบการซื้อของสินค้า ร้านที่ลูกค้ากลับมาภายในไม่กี่วัน เช่น ร้านอาหารสั่งออนไลน์ ดูรายวันได้ แต่เพดาน 60 กลุ่มทำให้ย้อนได้ไม่ถึงสามเดือน ร้านส่วนใหญ่ที่ลูกค้ากลับมาเป็นรายสัปดาห์หรือรายเดือนเหมาะกับรายสัปดาห์ เพราะเห็นผลของแต่ละโปรโมชันแยกแถวชัด ส่วนสินค้าที่ซื้อซ้ำเป็นเดือน เช่น เครื่องสำอางหรืออาหารเสริม ดูรายเดือน ข้อที่ต้องจำคือรายสัปดาห์เริ่มวันอาทิตย์ โปรโมชันที่จัดวันเสาร์ถึงวันจันทร์จะถูกแบ่งอยู่สองแถว การวางวันเริ่มโปรโมชันให้ตรงกับวันอาทิตย์ช่วยให้อ่านตารางง่ายขึ้น

### เลือกเงื่อนไขเข้าแบบ First touch หรือ Any transaction

เลือกตามคำถามที่ต้องการตอบ First touch ตอบว่าผู้ใช้ที่เพิ่งรู้จักร้านครั้งแรกในแต่ละช่วงกลับมาทำสิ่งที่ต้องการหรือไม่ ส่วน Any transaction เริ่มนับจากธุรกรรมแรกในช่วงที่เลือกดู หน้าช่วยเหลือเตือนว่าผู้ใช้ถูกนับเข้าทุกกลุ่มที่ตรงเงื่อนไขเข้า ถ้าเลือกธุรกรรมเป็นเงื่อนไขเข้า ลูกค้าที่ซื้อทุกสัปดาห์จะอยู่ในทุกแถวของตาราง ผลรวมของหลายแถวจึงนับคนซ้ำได้ ร้านที่อยากรู้ว่าลูกค้าใหม่ของแต่ละสัปดาห์กลับมาซื้อหรือไม่ ใช้ First touch เป็นเงื่อนไขเข้า แล้วใช้ธุรกรรมเป็นเงื่อนไขกลับ

### ใช้ตาราง Cohort หาสาเหตุที่ลูกค้าหายได้ไหม

ได้ในบางกรณี หน้าช่วยเหลือยกตัวอย่างแอปที่ใช้เหตุการณ์ข้อผิดพลาดที่ตั้งเองเป็นเงื่อนไขเข้า และเหตุการณ์ app\_remove เป็นเงื่อนไขกลับ เพื่อดูว่าผู้ใช้ที่เจอข้อผิดพลาดลบแอปทิ้งมากแค่ไหน แล้วแยกตามรุ่นโทรศัพท์เพื่อดูว่าปัญหาอยู่ที่อุปกรณ์รุ่นใด เว็บร้านค้าใช้หลักเดียวกันได้ เช่น ตั้งเหตุการณ์ที่เกิดเมื่อหน้าชำระเงินแจ้งข้อผิดพลาดเป็นเงื่อนไขเข้า แล้วดูว่าผู้ใช้กลุ่มนั้นกลับมาซื้อสำเร็จในสัปดาห์ถัดไปหรือไม่

## อ่านตารางจากตัวอย่างผู้ใช้ใหม่ 17,093 คน

หน้าช่วยเหลือให้ตัวอย่างจากเว็บหนึ่งที่ได้ผู้ใช้ใหม่ 17,093 คนในสัปดาห์วันที่ 6-12 ตุลาคม แล้วแสดงผลแบบต่าง ๆ จากกลุ่มเดียวกัน

1. **ตัวอย่างแรก ค่าเป็นจำนวนธุรกรรม** ผู้ใช้กลุ่มนี้มี 176 ธุรกรรมในสัปดาห์ที่ได้มา และ 38 ธุรกรรมในสัปดาห์ถัดไป
2. **ตัวอย่างที่สอง ค่าเป็นจำนวนผู้ใช้** มีผู้ใช้ 171 คนที่ซื้ออย่างน้อยหนึ่งครั้งในสัปดาห์ที่ได้มา และ 31 คนที่ซื้ออย่างน้อยหนึ่งครั้งในสัปดาห์ถัดไป
3. **ตัวอย่างที่สาม เงื่อนไขเข้าเป็นธุรกรรม** สัปดาห์เดียวกันมีผู้ใช้ 270 คนที่ซื้ออย่างน้อยหนึ่งครั้ง ในจำนวนนี้ 14 คนซื้ออีกในสัปดาห์ถัดไป

### 176 ธุรกรรมกับ 171 ผู้ใช้ต่างกันอย่างไร

ตัวเลขทั้งสองมาจากกลุ่มเดียวกันและสัปดาห์เดียวกัน แต่นับคนละหน่วย ธุรกรรมนับการซื้อทุกครั้ง ผู้ใช้หนึ่งคนที่ซื้อสองครั้งนับเป็นสองธุรกรรม ส่วนจำนวนผู้ใช้นับคนที่ซื้ออย่างน้อยหนึ่งครั้ง คนนั้นนับหนึ่งเท่านั้น ส่วนต่างที่เล็กในสัปดาห์แรก (176 กับ 171) กับสัปดาห์ถัดไป (38 กับ 31) บอกว่าผู้ใช้กลุ่มนี้ส่วนใหญ่ซื้อครั้งเดียวต่อสัปดาห์ ร้านที่ต้องการรู้ว่ามีลูกค้ากลับมากี่คน ใช้ค่าเป็นจำนวนผู้ใช้ ส่วนร้านที่ต้องการรู้ปริมาณงานขาย ใช้จำนวนธุรกรรม

### Standard, Rolling และ Cumulative นับคนต่างกันอย่างไร

หน้าช่วยเหลือใช้ผู้ใช้สามคนที่อยู่ในกลุ่มห้าสัปดาห์ เงื่อนไขเข้าคือ First touch และเงื่อนไขกลับคือการซื้อ

1. **ผู้ใช้ A** ไม่ซื้อสัปดาห์ที่ 1-4 แล้วซื้อสัปดาห์ที่ 5
2. **ผู้ใช้ B** ซื้อทุกสัปดาห์ตั้งแต่สัปดาห์ที่ 1-5
3. **ผู้ใช้ C** ซื้อสัปดาห์ที่ 1-2 แล้วไม่ซื้ออีกในสัปดาห์ที่ 3-5

ช่องของสัปดาห์ที่ 5 แบบ Standard นับ A และ B เพราะนับเฉพาะคนที่ซื้อในสัปดาห์นั้น แบบ Rolling นับเฉพาะ B เพราะต้องซื้อทุกสัปดาห์จนถึงสัปดาห์นั้น แบบ Cumulative นับ A, B และ C เพราะนับทุกคนที่เคยซื้อในสัปดาห์ใดก็ได้จนถึงสัปดาห์นั้น ร้านที่ขายของใช้ซ้ำอย่างกาแฟเมล็ดหรืออาหารสัตว์ ดูแบบ Rolling เพื่อหาลูกค้าที่ซื้อต่อเนื่อง ส่วนร้านที่ขายของซื้อนาน ๆ ครั้งดูแบบ Cumulative เพื่อดูว่ากลุ่มนั้นกลับมาซื้อสักครั้งหรือยัง

## ใช้ตาราง Cohort ตัดสินผลของโปรโมชัน

หน้าช่วยเหลือยกตัวอย่างการใช้งานไว้ตรงกับคำถามนี้ คือดูว่าผู้ใช้ใหม่ใช้เวลานานแค่ไหนจึงซื้อ และระยะนั้นเปลี่ยนไปอย่างไรในสัปดาห์ที่มีโปรโมชัน วิธีอ่านคือเทียบแถวของสัปดาห์ที่จัดโปรโมชันกับแถวของสัปดาห์ปกติในคอลัมน์เดียวกัน

1. **คอลัมน์แรก** บอกว่าโปรโมชันทำให้ผู้ใช้ใหม่ซื้อในสัปดาห์แรกมากขึ้นแค่ไหน
2. **คอลัมน์ถัดไป** บอกว่าผู้ใช้ที่ได้มาช่วงโปรโมชันยังกลับมาซื้อหลังโปรโมชันจบหรือไม่
3. **สัดส่วนของสองคอลัมน์** ถ้าแถวโปรโมชันสูงในคอลัมน์แรกแต่ต่ำกว่าแถวปกติในคอลัมน์ถัดไป แปลว่าโปรโมชันดึงคนที่ตั้งใจซื้อเฉพาะราคานั้น

ตารางบอกได้ว่ากลุ่มไหนกลับมามากกว่า แต่ไม่ได้พิสูจน์ว่าโปรโมชันเป็นสาเหตุ สัปดาห์ที่จัดโปรโมชันอาจตรงกับวันหยุดหรือช่วงที่โฆษณาใช้งบมากกว่าปกติ วิธีแยกยอดที่เกิดเพราะแคมเปญจริงออกจากยอดที่จะเกิดอยู่แล้ว อยู่ใน[Incrementality Test วัดยอดที่เกิดเพราะโฆษณาจริง](https://phygital.co.th/insights/mmm-incrementality-attribution)

### แยกแถวตามอุปกรณ์หรือช่องทางช่วยอะไร

ช่อง Breakdown แบ่งแต่ละกลุ่มออกเป็นกลุ่มย่อยตามมิติที่เลือก หน้าช่วยเหลือยกตัวอย่างการแยกตามประเภทอุปกรณ์ คือเดสก์ท็อป มือถือ และแท็บเล็ต ผู้ใช้จะถูกนับในกลุ่มย่อยของค่าแรกที่ตรงกับตัวเองเท่านั้น ผู้ใช้ที่เข้าครั้งแรกด้วยมือถือแล้วกลับมาด้วยเดสก์ท็อปในวันเดียวกัน อยู่ในกลุ่มย่อยมือถือ การแยกแบบนี้ช่วยให้เห็นว่ากลุ่มที่กลับมาน้อยกระจุกอยู่ที่อุปกรณ์ใด ซึ่งมักชี้ไปที่ปัญหาของหน้าเว็บบนอุปกรณ์นั้น

## ข้อจำกัดของตาราง Cohort ใน GA4

หน้าช่วยเหลือระบุข้อจำกัดที่ทำให้ตัวเลขในตารางต่างจากจำนวนลูกค้าจริงของร้าน

1. **ใช้ข้อมูลอุปกรณ์เท่านั้น ไม่ใช้ User-ID** ลูกค้าที่ซื้อครั้งแรกบนมือถือแล้วกลับมาซื้อบนคอมพิวเตอร์ อาจถูกนับเป็นผู้ใช้สองคนในสองกลุ่ม
2. **แสดงได้สูงสุด 60 กลุ่ม** รายวันย้อนได้ไม่ถึงสามเดือน ร้านที่ต้องการดูหลายเดือนใช้รายสัปดาห์หรือรายเดือน
3. **แยก Breakdown ได้สูงสุด 15 ค่าแรกของมิตินั้น** ค่าที่เหลือไม่ปรากฏในตาราง
4. **มิติประชากรถูกกันข้อมูล (thresholding)** ถ้ากลุ่มมีผู้ใช้น้อยเกินจนระบุตัวตนได้ ผู้ใช้เหล่านั้นจะไม่อยู่ในผลลัพธ์
5. **ย้อนหลังได้ตามระยะเก็บข้อมูลของ property** ตาราง Cohort อยู่ในส่วน Explorations ซึ่งย้อนดูข้อมูลระดับผู้ใช้ได้ตามค่าที่ตั้งไว้ ค่าที่ตั้งได้ในฉบับฟรีและผลต่อรายงาน อธิบายไว้ใน[Marketing Stack SME ข้อมูล GA4 ฟรีเก็บได้นานแค่ไหน](https://phygital.co.th/insights/marketing-tech-stack-sme)

### ลูกค้าที่ซื้อหน้าร้านอยู่ในตารางไหม

ไม่อยู่ ถ้าการซื้อนั้นไม่ได้ถูกส่งเข้า property นี้ หน้าช่วยเหลือนิยาม First touch ว่าเป็นครั้งแรกที่ผู้ใช้เข้าเว็บหรือแอป "ตามที่ property นี้วัดได้" ตารางจึงเห็นเฉพาะพฤติกรรมบนเว็บหรือแอปที่ติดตั้งการวัดผลไว้ ร้านที่ขายทั้งหน้าร้านและออนไลน์ต้องรู้ว่าตาราง Cohort บอกแค่ส่วนที่เป็นออนไลน์ ลูกค้าที่รู้จักร้านจากเว็บแล้วไปซื้อที่หน้าร้าน จะดูเหมือนไม่เคยกลับมา

### ทำไมตัวเลขในตาราง Cohort ไม่ตรงกับรายงานผู้ใช้ทั่วไป

เพราะวิธีนับต่างกัน ตาราง Cohort นับผู้ใช้ที่ตรงเงื่อนไขเข้าและเงื่อนไขกลับในแต่ละช่วง ส่วนรายงานมาตรฐานนับผู้ใช้ทั้งหมดในช่วงวันที่เลือก ผู้ใช้หนึ่งคนยังอยู่ได้หลายแถวเมื่อเงื่อนไขเข้าเป็นธุรกรรม และมิติประชากรในตาราง Cohort ถูกกันข้อมูลเมื่อกลุ่มเล็ก การเทียบตัวเลขข้ามรายงานจึงควรเทียบแนวโน้มระหว่างแถว ไม่ใช่เทียบยอดรวม

## ค่าตั้งตาราง Cohort สำหรับเทียบโปรโมชัน

ค่าชุดนี้ใช้กับร้านออนไลน์ที่ติดตั้งเหตุการณ์ purchase แล้ว และต้องการเทียบสัปดาห์ที่มีโปรโมชันกับสัปดาห์ปกติ

| ช่องตั้งค่า      | ค่าที่เลือก                            | เหตุผล                                                    |
| ------------------ | --------------------------------------- | --------------------------------------------------------- |
| Cohort inclusion   | First touch                             | ให้ลูกค้าแต่ละคนอยู่แถวเดียวตามสัปดาห์ที่ได้มา |
| Return criteria    | Any transaction                         | นับเฉพาะการกลับมาซื้อ ไม่นับการเข้าชมเฉย ๆ      |
| Cohort granularity | Weekly                                  | ครอบคลุมหลายเดือนภายใต้เพดาน 60 กลุ่ม                |
| Calculation        | Standard ก่อน แล้วเทียบกับ Cumulative | เห็นทั้งจำนวนรายสัปดาห์และจำนวนสะสม                |
| Values             | Active users                            | นับคน ไม่นับจำนวนครั้ง                                |
| Breakdown          | ประเภทอุปกรณ์                          | หาว่าแถวที่ตกกระจุกที่อุปกรณ์ใด                   |

เมื่อรู้ว่ากลุ่มไหนกลับมาซื้อมากกว่า ขั้นต่อไปคือแปลงจำนวนครั้งที่ซื้อซ้ำเป็นมูลค่าต่อหัว เพื่อใช้ตั้งงบหาลูกค้าใหม่ วิธีคิดอยู่ใน[Customer Lifetime Value ตั้งมูลค่าลูกค้าใหม่ใน Google Ads](https://phygital.co.th/insights/customer-lifetime-value-clv-explained) ส่วนรายชื่อลูกค้าที่ได้จากกิจกรรมร่วมกับธุรกิจอื่น ใช้กับระบบโฆษณาได้แค่ไหน อยู่ใน[Second-Party Data รายชื่อพาร์ตเนอร์ใช้ Customer Match ได้ไหม](https://phygital.co.th/insights/second-party-data-explained)

## สรุป

Cohort exploration ใน GA4 แยกผู้ใช้เป็นกลุ่มตามเงื่อนไขเข้า แล้วนับว่าแต่ละกลุ่มทำตามเงื่อนไขกลับในช่วงถัดไปกี่คน ช่วงรายสัปดาห์นับวันอาทิตย์ถึงวันเสาร์ ตารางมีวิธีนับสามแบบที่ให้ตัวเลขต่างกันจากผู้ใช้กลุ่มเดียวกัน ตัวอย่างของ Google แสดงว่าผู้ใช้ใหม่ 17,093 คนมี 171 คนซื้อในสัปดาห์แรก และ 31 คนซื้อในสัปดาห์ถัดไป การเทียบแถวของสัปดาห์โปรโมชันกับสัปดาห์ปกติในคอลัมน์เดียวกันบอกได้ว่าโปรโมชันได้ลูกค้าที่กลับมาหรือไม่ ข้อจำกัดที่ต้องรู้คือตารางใช้ข้อมูลอุปกรณ์เท่านั้น ไม่ใช้ User-ID แสดงได้สูงสุด 60 กลุ่ม และเห็นเฉพาะพฤติกรรมที่ property วัดได้

## คำถามที่พบบ่อย (FAQ)

### Cohort Analysis คืออะไร

คือการแยกลูกค้าเป็นกลุ่มตามช่วงเวลาหรือเหตุการณ์ที่ทำให้เข้ากลุ่ม แล้วติดตามพฤติกรรมของแต่ละกลุ่มแยกกันตามเวลา ใน GA4 ทำได้ด้วยแม่แบบ Cohort exploration ในเมนู Explore

### Cohort รายสัปดาห์ใน GA4 เริ่มนับวันไหน

เริ่มวันอาทิตย์และจบวันเสาร์ ไม่ได้นับเจ็ดวันต่อเนื่องจากวันใดก็ได้ ส่วนรายวันนับตามเขตเวลาที่ตั้งไว้ใน property

### ทำไมลูกค้าคนเดียวอยู่ในหลายแถวของตาราง

เมื่อเงื่อนไขเข้าเป็นธุรกรรมหรือเหตุการณ์ที่เกิดซ้ำได้ ผู้ใช้จะถูกนับเข้าทุกกลุ่มที่ตรงเงื่อนไข ใช้ First touch เป็นเงื่อนไขเข้าเมื่อต้องการให้แต่ละคนอยู่แถวเดียว

### User-ID ช่วยให้ตาราง Cohort นับข้ามอุปกรณ์ได้ไหม

ไม่ช่วย Google ระบุว่า Cohort exploration ใช้เฉพาะข้อมูลอุปกรณ์ และไม่ได้ใช้ User-ID ในการสร้างกลุ่ม

### ควรเลือกวิธีนับแบบไหน

Standard เหมาะกับการดูจำนวนที่กลับมาในแต่ละช่วง Rolling เหมาะกับสินค้าที่ต้องซื้อต่อเนื่อง ส่วน Cumulative เหมาะกับสินค้าที่ซื้อนาน ๆ ครั้งและต้องการรู้ว่ากลุ่มนั้นกลับมาแล้วกี่คน

## แถวของสัปดาห์ที่จัดโปรโมชันบอกว่าลูกค้ากลุ่มนั้นกลับมาหรือเปล่า

ทีม PHYGITAL AGENCY ตั้งตาราง Cohort ใน GA4 ของร้าน เทียบกลุ่มลูกค้าที่ได้มาช่วงโปรโมชันกับช่วงปกติ แล้ววางข้อความติดตามให้กลุ่มที่กลับมาน้อย

- [นัดประชุมผ่าน Google Meet](https://calendar.app.google/DotQdE7Ca8LZG6Us5)
- [เพิ่มเพื่อนใน LINE](https://lin.ee/J8Qq8Do)