# Lead Scoring คืออะไร แยกคะแนนความเหมาะกับความสนใจก่อนส่ง MQL

> ที่มา: https://phygital.co.th/insights/lead-scoring-mql-vs-sql · เผยแพร่ 3 มิถุนายน 2568 · อ่าน 12 นาที · โดย PARANATH PANARATANA

Lead Scoring แยกคะแนนความเหมาะกับคะแนนความสนใจ ให้คะแนนเก่าลดตามเวลา และโมเดล AI ต้องมี lead ที่ปิดแล้วขั้นต่ำ 40-50 รายก่อนใช้

## Key Takeaways

- **Lead Scoring คือการให้คะแนน lead จากสองแหล่ง คือข้อมูลของตัวลูกค้า (fit) กับการกระทำที่ลูกค้าทำ (engagement)** — HubSpot แยกคะแนนสองแบบนี้ออกจากกันได้ และมีคะแนนรวมที่ดูทั้งสองด้านพร้อมกัน
- **คะแนนจากการกระทำควรลดลงตามเวลา** — HubSpot ตั้งให้คะแนนของแต่ละเหตุการณ์ลดลงทุก 1, 3, 6 หรือ 12 เดือน คนที่กรอกฟอร์มเมื่อปีที่แล้วจึงไม่ได้คะแนนเท่าคนที่กรอกเมื่อวาน
- **โมเดล AI ต้องมีประวัติ lead ที่ปิดแล้วพอก่อนจะเริ่มได้** — HubSpot ต้องมีตัวอย่างอย่างน้อย 50 ราย แยกเป็นเปลี่ยนสถานะ 25 และไม่เปลี่ยน 25 ส่วน Dynamics 365 ต้องมี lead ที่ผ่านเกณฑ์ 40 รายและไม่ผ่าน 40 ราย ธุรกิจเล็กส่วนใหญ่จึงเริ่มจากกฎที่ตั้งเอง

ทีมขายของบริษัทรับติดตั้งระบบโทรหา lead ที่กรอกฟอร์มบนเว็บทุกราย แล้วพบว่าเกือบครึ่งเป็นนักศึกษาทำรายงาน อีกส่วนเป็นคู่แข่งที่มาเช็กราคา ฝ่ายการตลาดยืนยันว่าส่ง lead ให้ครบทุกชื่อแล้ว ฝ่ายขายตอบว่าชื่อพวกนี้ไม่ใช่ลูกค้า ทั้งสองฝ่ายพูดถูก เพียงแต่ยังไม่มีใครเขียนไว้ว่า lead แบบไหนควรไปถึงมือฝ่ายขาย สิ่งที่บทนี้วางให้คือโครงคะแนนที่แยกความเหมาะออกจากความสนใจ วิธีทำให้คะแนนเก่าหมดอายุ และจุดที่ lead ควรเปลี่ยนจาก MQL เป็น SQL

โครงคะแนนอ้างจากคู่มือของ HubSpot และ Microsoft สามหน้า ได้แก่[หน้าภาพรวมเครื่องมือให้คะแนน lead ของ HubSpot](https://knowledge.hubspot.com/scoring/understand-the-lead-scoring-tool) ซึ่งปรับปรุงเมื่อ 2 กันยายน 2569 [หน้าวิธีสร้างคะแนนของ HubSpot](https://knowledge.hubspot.com/scoring/build-lead-scores) และ[หน้าตั้งค่า predictive lead scoring ของ Dynamics 365](https://learn.microsoft.com/en-us/dynamics365/sales/configure-predictive-lead-scoring) ตัวเลขในบทเป็นเงื่อนไขของสองโปรแกรมนี้ โปรแกรมอื่นอาจตั้งเกณฑ์ต่างออกไป

## คะแนนความเหมาะกับคะแนนความสนใจ

HubSpot แบ่งคะแนนเป็นสามแบบ

| แบบคะแนน        | ดูจากอะไร                                         | ตัวอย่างเกณฑ์                                        |
| ---------------- | --------------------------------------------------- | ----------------------------------------------------- |
| Fit score        | ข้อมูลของลูกค้า เก็บในช่องข้อมูลของรายชื่อ  | ตำแหน่งงาน ขนาดบริษัท อุตสาหกรรม จังหวัด            |
| Engagement score | การกระทำของลูกค้า                               | เข้าชมเว็บ สมัครรับจดหมายข่าว กดปุ่ม เปิดอีเมล |
| Combined score   | ทั้งสองด้านรวมกัน และยังดูแยกแต่ละด้านได้ | ใช้กับรายชื่อ บริษัท และดีล                       |

การแยกสองด้านช่วยตอบคำถามที่คะแนนรวมตัวเลขเดียวตอบไม่ได้ นักศึกษาที่อ่านบทความบนเว็บทุกวันอาจมีคะแนนความสนใจสูงมาก แต่คะแนนความเหมาะต่ำ เพราะไม่ใช่เจ้าของกิจการ ส่วนผู้จัดการโรงงานที่กรอกฟอร์มครั้งเดียวอาจมีคะแนนความเหมาะสูงและคะแนนความสนใจต่ำ ฝ่ายขายควรคุยกับคนหลังก่อน แม้คะแนนรวมของสองคนจะใกล้กัน

### คะแนนติดลบใช้ตอนไหน

แต่ละกฎจะบวกหรือลบคะแนนก็ได้ คู่มือยกตัวอย่างสองกรณี กรณีแรกคือรายชื่อที่มีส่วนร่วมกับคอนเทนต์สูงแต่เพิ่งยกเลิกรับจดหมายข่าว ให้บวกคะแนนส่วนร่วมและลบคะแนนเมื่อยกเลิก กรณีที่สองคือบริษัทที่ขนาดและอุตสาหกรรมตรงกลุ่มเป้าหมาย แต่อยู่ในพื้นที่ที่ธุรกิจไม่ได้ให้บริการ ให้ลบคะแนนสำหรับพื้นที่นั้น ถ้าธุรกิจไม่อยากให้มีคะแนนติดลบ ก็ตั้งเฉพาะกฎที่บวกคะแนน

รายละเอียดที่มักทำให้คะแนนเพี้ยนคือกฎที่เลือกหลายค่าในข้อเดียว คู่มือของ HubSpot อธิบายว่าเงื่อนไขแบบ Contains any of ทำงานต่างกันตามชนิดคะแนน ในคะแนนความเหมาะ ถ้าบริษัทตรงหลายค่าพร้อมกัน เช่น มีสาขาทั้งภาคเหนือและภาคกลาง กฎจะบวกคะแนนครั้งเดียว ส่วนในคะแนนความสนใจ กฎจะบวกทุกครั้งที่เกิดเหตุการณ์ที่ตรงเงื่อนไข คนที่ส่งฟอร์มสองฟอร์มในรายการเดียวกันจึงได้คะแนนสองครั้ง ถ้าต้องการให้แต่ละค่าได้คะแนนไม่เท่ากัน ให้เลือกตั้งคะแนนแยกทีละค่าแทนการตั้งรวม

## ตัวอย่างการคิดคะแนนจากคู่มือ HubSpot

คู่มือยกตัวอย่างคะแนนความสนใจที่มีเพดานรวม 100 คะแนน แบ่งเป็นสองกลุ่ม

1. **กลุ่มการติดต่อกับฝ่ายขาย เพดาน 60 คะแนน** เริ่มสายโทรได้ 15 คะแนน นัดประชุมได้ 10 คะแนน ประชุมเสร็จได้ 20 คะแนน
2. **กลุ่มการติดต่อกับฝ่ายการตลาด เพดาน 40 คะแนน** กดปุ่ม CTA ได้ 6 คะแนน เปิดอีเมลการตลาดได้ 2 คะแนน กดลิงก์ในอีเมลได้ 5 คะแนน

รายชื่อที่นัดประชุมหนึ่งครั้ง เปิดอีเมลสองฉบับ และกดลิงก์ในอีเมลสามครั้ง ได้ 10 คะแนนจากกลุ่มฝ่ายขาย และ 19 คะแนนจากกลุ่มการตลาด รวม 29 คะแนน เพดานของแต่ละกลุ่มทำหน้าที่กันไม่ให้การกระทำเล็ก ๆ ที่ทำซ้ำได้ง่าย เช่น การเปิดอีเมล ดันคะแนนรวมขึ้นไปจนเท่าคนที่นัดประชุมแล้ว เพดานรวมเลือกได้ตั้งแต่ช่วง -100 ถึง 100 ไปจนถึง -10,000 ถึง 10,000

ตัวอย่างนี้ให้คะแนนการเปิดอีเมลต่ำที่สุดในกลุ่ม ซึ่งสอดคล้องกับข้อจำกัดของยอดเปิด แอป Mail ของ Apple โหลดภาพในจดหมายมาเก็บไว้ก่อน ผู้รับจะอ่านหรือไม่ก็ตาม รายละเอียดอยู่ใน[Email Automation เริ่มสองลำดับ แล้ววัดจากคลิกแทนยอดเปิด](https://phygital.co.th/insights/email-marketing-automation-welcome-abandoned-cart) ธุรกิจที่ส่งอีเมลให้ลูกค้าที่ใช้ iPhone มากจึงควรให้น้ำหนักกับการคลิกมากกว่าการเปิด

## คะแนนเก่าต้องลดลงเอง

HubSpot เรียกกลไกนี้ว่า score decay เปิดได้ในกลุ่มเหตุการณ์ของคะแนนความสนใจและคะแนนรวม ตั้งรอบการลดได้ทุก 1, 3, 6 หรือ 12 เดือน โดยนับหนึ่งเดือนเท่ากับ 30 วัน การลดคิดแยกทีละเหตุการณ์และลดแบบเส้นตรง แล้วรวมเป็นคะแนนทั้งหมด

คู่มือยกตัวอย่างกฎที่ให้ 10 คะแนนเมื่อกรอกฟอร์ม และตั้งให้ลด 50% ทุกเดือน หนึ่งเดือนหลังกรอกฟอร์ม เหตุการณ์นั้นเหลือ 5 คะแนน การลดคิดจากคะแนนตั้งต้นของเหตุการณ์ คือ 10 คะแนน ไม่ใช่คิดจากคะแนนที่เหลือ การลดยังย้อนไปใช้กับข้อมูลเก่าด้วย ถ้ากฎให้ 2 คะแนนสำหรับการกด CTA และลด 100% ใน 3 เดือน รายชื่อที่กดเมื่อ 4 เดือนก่อนจะไม่ได้ 2 คะแนนนั้นเลย

### รอบการลดควรยาวเท่าไร

ใช้ระยะเวลาตัดสินใจซื้อของลูกค้าจริงเป็นตัวตั้ง ธุรกิจที่ขายคอร์สเรียนระยะสั้นซึ่งลูกค้าตัดสินใจภายในสองสามสัปดาห์ ควรให้คะแนนความสนใจลดเร็ว เช่น ทุกเดือน ส่วนธุรกิจที่ขายเครื่องจักรหรือระบบที่ต้องผ่านการอนุมัติงบประมาณ ลูกค้าอาจใช้เวลาครึ่งปีถึงหนึ่งปี รอบการลดที่ยาวกว่าจะไม่ทำให้ lead ที่ยังอยู่ระหว่างขออนุมัติหล่นออกจากรายชื่อของฝ่ายขายเร็วเกินไป ระยะเวลาตัดสินใจนี้ดูได้จากวันที่สร้าง lead กับวันที่ปิดการขายของดีลเก่าในระบบ CRM

## MQL และ SQL คือจุดส่งต่อ ไม่ใช่ป้ายชื่อ

MQL หรือ Marketing Qualified Lead คือ lead ที่ฝ่ายการตลาดประเมินแล้วว่าพร้อมส่งต่อ SQL หรือ Sales Qualified Lead คือ lead ที่ฝ่ายขายรับไปคุยแล้วยืนยันว่ามีโอกาสซื้อจริง ความต่างที่สำคัญของสองสถานะนี้อยู่ที่ผู้ตัดสิน ฝ่ายการตลาดตัดสินสถานะแรกจากคะแนนและข้อมูล ส่วนฝ่ายขายตัดสินสถานะที่สองจากการคุยกับลูกค้า

คะแนนทำหน้าที่ตรงรอยต่อระหว่างสองสถานะ HubSpot ให้ตั้งเกณฑ์คะแนน (threshold) ผูกกับคะแนนแต่ละชุด แล้วนำคะแนนไปใช้ในกลุ่มรายชื่อหรือเวิร์กโฟลว์ต่อได้ เช่น ย้ายรายชื่อที่ผ่านเกณฑ์เข้าคิวของฝ่ายขาย ส่วนการตั้งเกณฑ์ต้องมาจากการตกลงของสองฝ่าย ถ้าฝ่ายการตลาดตั้งเกณฑ์เองฝ่ายเดียว ฝ่ายขายจะได้รายชื่อที่ไม่อยากโทรหาเหมือนเดิม เพียงแต่มีตัวเลขกำกับ

### ตัวเลขอะไรบอกว่าเกณฑ์ตั้งไว้ถูก

ดูสัดส่วน MQL ที่ฝ่ายขายยอมรับเป็น SQL ในแต่ละเดือน ถ้าสัดส่วนต่ำ แปลว่าเกณฑ์หลวมไปหรือกฎให้คะแนนการกระทำที่ไม่เกี่ยวกับการซื้อ ถ้าฝ่ายขายยอมรับเกือบทุกราย แต่จำนวน MQL น้อยจนทีมขายว่าง แปลว่าเกณฑ์อาจเข้มเกินไป ตัวเลขทั้งสองนี้ต้องดูคู่กับจำนวนดีลที่ปิดได้จริง วิธีอ่านตัวชี้วัดโฆษณาที่มักถูกใช้วัดคุณภาพ lead ผิดที่ อยู่ใน[KPI โฆษณา CTR กับ ROAS ที่ Google และ Meta นับต่างกัน](https://phygital.co.th/insights/digital-marketing-kpi-ctr-cpc-roas-cac)

## โมเดล AI ต้องการข้อมูลเท่าไร

ทั้ง HubSpot และ Microsoft มีคะแนนที่สร้างด้วย AI หรือโมเดลคาดการณ์ ทั้งสองต้องการประวัติ lead ที่รู้ผลแล้วเป็นขั้นต่ำ

| โปรแกรม            | ข้อมูลขั้นต่ำ                                                                                | เงื่อนไขอื่นที่คู่มือระบุ                                                                                                                   |
| ------------------ | ---------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------- |
| HubSpot            | ตัวอย่างอย่างน้อย 50 รายชื่อ เปลี่ยนสถานะแล้ว 25 และยังไม่เปลี่ยน 25                   | ใช้ได้กับ Marketing Hub Enterprise ตั้งจุดเริ่มและจุดจบได้ เช่น จาก MQL ไป SQL ภายใน 30 วัน                                               |
| Dynamics 365 Sales | lead ที่ผ่านเกณฑ์ 40 ราย และไม่ผ่านเกณฑ์ 40 ราย ซึ่งสร้างและปิดแล้วในช่วงที่เลือก | ช่วงข้อมูลเลือกได้ 3 เดือนถึง 2 ปี ค่าตั้งต้น 2 ปี สร้างได้สูงสุด 10 โมเดล สิทธิ์ Sales Enterprise ให้คะแนนได้ 1,500 รายการต่อเดือน |

Microsoft ยังเขียนว่าถ้าความแม่นของโมเดลต่ำกว่าเกณฑ์ ซึ่งวัดด้วยค่า AUC ระบบจะแจ้งว่าโมเดลยังไม่พร้อมเผยแพร่ ผู้ใช้ยังกดเผยแพร่ได้ แต่คู่มือเตือนว่าโมเดลจะทำงานได้ไม่ดี ธุรกิจที่ได้ lead เดือนละไม่กี่สิบรายและปิดการขายได้เดือนละไม่กี่ราย อาจต้องเก็บข้อมูลเป็นปีกว่าจะถึงขั้นต่ำ ระหว่างนั้นกฎที่ตั้งเองจากประสบการณ์ของฝ่ายขายใช้งานได้เลย และยังเป็นข้อมูลตั้งต้นให้โมเดลในอนาคตด้วย

## คะแนนที่ดีมาจากนิยามที่สองทีมตกลงกัน

ขอบเขตของข้อมูลในบทนี้มีห้าเรื่อง

1. **ตัวเลขทั้งหมดเป็นเงื่อนไขของ HubSpot และ Dynamics 365** โปรแกรม CRM อื่นอาจตั้งขั้นต่ำและรอบการลดคะแนนต่างออกไป
2. **เครื่องมือให้คะแนนของ HubSpot ต้องใช้แพ็กเกจแบบเสียเงิน** คู่มือระบุว่าใช้ได้กับ Marketing Hub และ Sales Hub ระดับ Professional ขึ้นไป ส่วนคะแนนด้วย AI ใช้ได้เฉพาะ Enterprise
3. **ตัวอย่างคะแนน 15 10 20 6 2 5 เป็นตัวอย่างอธิบายการคำนวณ** ไม่ใช่น้ำหนักที่คู่มือแนะนำให้ใช้กับทุกธุรกิจ
4. **บทนี้ไม่มีตัวเลขอัตราแปลง MQL เป็น SQL ของธุรกิจไทย** ยังไม่พบข้อมูลสำรวจที่เปิดวิธีเก็บข้อมูลให้ตรวจได้ ตัวเลขที่ใช้เทียบควรมาจากระบบของธุรกิจเอง
5. **เอกสารทั้งสองชุดปรับปรุงบ่อย** หน้าของ HubSpot ที่อ้างปรับปรุงเมื่อสิงหาคมและกันยายน 2569 ผู้ที่จะตั้งค่าตามบทนี้ควรเทียบเมนูกับหน้าฉบับปัจจุบันทีละข้อ

## กฎคะแนนชุดเริ่มต้น

ตารางนี้เป็นร่างสำหรับธุรกิจบริการที่รับ lead จากฟอร์มบนเว็บ น้ำหนักเป็นจุดเริ่มทดสอบ ไม่ได้มาจากคู่มือของ HubSpot หรือ Microsoft

| กฎ                                   | คะแนน                              | เหตุผล                           |
| ------------------------------------ | ---------------------------------- | -------------------------------- |
| ตำแหน่งเป็นเจ้าของหรือผู้จัดการ | +20 (ความเหมาะ)                   | คนตัดสินใจซื้อ                |
| อยู่ในพื้นที่ที่ให้บริการ       | +15 (ความเหมาะ)                   | ส่งมอบงานได้จริง             |
| อีเมลโดเมนสถานศึกษา               | \-20 (ความเหมาะ)                  | มักเป็นการค้นข้อมูลทำรายงาน |
| เปิดหน้าราคาอย่างน้อยสองครั้ง  | +15 (ความสนใจ) ลด 50% ต่อเดือน   | สัญญาณเปรียบเทียบก่อนซื้อ    |
| กดขอใบเสนอราคาหรือนัดคุย      | +30 (ความสนใจ) ลด 50% ทุก 3 เดือน | บอกความตั้งใจชัดที่สุด       |
| เปิดอีเมลการตลาด                  | +1 (ความสนใจ) เพดานกลุ่ม 5       | ยอดเปิดเพี้ยนได้              |

เกณฑ์ส่งต่อเป็น MQL เริ่มที่คะแนนความเหมาะไม่น้อยกว่า 20 และคะแนนความสนใจไม่น้อยกว่า 30 แล้วปรับตามสัดส่วนที่ฝ่ายขายยอมรับในเดือนแรก หน้าบริการที่เกี่ยวกับการวางกระบวนการระหว่างทีมการตลาดกับทีมขายคือ[บริการที่ปรึกษาการตลาด](https://phygital.co.th/solutions/consulting)

### รับ lead ทาง LINE เป็นหลัก ให้คะแนนจากอะไร

ธุรกิจที่ลูกค้าทักผ่าน LINE มากกว่ากรอกฟอร์ม ยังให้คะแนนได้ แต่ต้องให้แอดมินบันทึกการกระทำลงระบบเอง เพราะข้อความในแชตไม่ไหลเข้า CRM โดยอัตโนมัติถ้าไม่ได้เชื่อมระบบไว้ ทางที่ใช้ได้ทันทีคือให้แอดมินติดป้ายแชตตามสามคำถาม ลูกค้าถามราคาหรือยัง ระบุจำนวนหรือวันที่ต้องการหรือยัง และเป็นผู้ตัดสินใจเองหรือเปล่า แต่ละป้ายเทียบได้กับหนึ่งกฎในตาราง ข้อมูลส่วนนี้แม้จะนับด้วยมือ ก็บอกได้ชัดกว่ายอดคนเพิ่มเพื่อน

## สรุป

Lead Scoring ให้คะแนน lead จากสองด้าน คือข้อมูลของลูกค้าว่าตรงกลุ่มเป้าหมายแค่ไหน กับการกระทำที่บอกความสนใจ HubSpot แยกสองด้านนี้เป็น fit score และ engagement score ใส่เพดานคะแนนต่อกลุ่มได้ ลบคะแนนได้ และลดคะแนนของแต่ละเหตุการณ์ได้ทุก 1, 3, 6 หรือ 12 เดือน MQL เป็นสถานะที่ฝ่ายการตลาดตัดสิน SQL เป็นสถานะที่ฝ่ายขายยืนยันหลังคุยกับลูกค้า เกณฑ์ระหว่างสองสถานะต้องมาจากการตกลงของสองทีม และวัดจากสัดส่วนที่ฝ่ายขายยอมรับ โมเดล AI ต้องมีข้อมูลขั้นต่ำ HubSpot 50 ราย และ Dynamics 365 ต้องมีอย่างละ 40 ราย ธุรกิจเล็กจึงเริ่มจากกฎที่ตั้งเองได้ทันที

## คำถามที่พบบ่อย (FAQ)

### MQL กับ SQL ต่างกันที่ใครเป็นคนตัดสิน

MQL ตัดสินโดยฝ่ายการตลาดจากคะแนนและข้อมูลที่มี SQL ตัดสินโดยฝ่ายขายหลังได้คุยกับลูกค้าแล้ว ทั้งสองฝ่ายต้องเขียนนิยามร่วมกัน ไม่อย่างนั้นสองสถานะนี้จะเป็นแค่ป้ายที่แต่ละทีมใช้ต่างกัน

### ธุรกิจเล็กที่ใช้ Google Sheets ทำ Lead Scoring ได้ไหม

ทำได้ในรูปคอลัมน์คะแนนที่คิดจากเงื่อนไขง่าย ๆ เช่น ตำแหน่งงาน ขนาดบริษัท และการกดขอใบเสนอราคา ข้อเสียคือต้องอัปเดตการกระทำด้วยมือ และการลดคะแนนตามเวลาต้องเขียนสูตรเอง เมื่อ lead เกินที่คนหนึ่งคนดูแลได้ จึงค่อยย้ายไประบบ CRM

### ให้คะแนนการเปิดอีเมลได้หรือเปล่า

ให้ได้แต่ควรให้น้ำหนักต่ำ เพราะแอปอีเมลบางตัวดาวน์โหลดเนื้อหาเองโดยที่ผู้รับไม่ได้เปิดอ่าน การคลิกลิงก์และการตอบกลับบอกความสนใจได้ชัดกว่า

### ควรทบทวนกฎคะแนนบ่อยแค่ไหน

ทุกไตรมาสเป็นจุดเริ่มที่เหมาะสม ให้ดึงรายชื่อที่ปิดการขายได้และที่ฝ่ายขายปฏิเสธในไตรมาสนั้น แล้วดูว่ากฎใดให้คะแนนผิดทาง หน้าที่นี้มักอยู่กับคนที่ดูแลข้อมูลขององค์กร ซึ่งอธิบายไว้ใน[Data Analyst คืออะไร คนที่บอกว่าตัวเลขเชื่อได้แค่ไหน](https://phygital.co.th/insights/what-is-data-analyst-agency)

### คะแนนความเหมาะต้องเก็บข้อมูลอะไรจากฟอร์ม

เก็บเฉพาะข้อมูลที่ใช้คัดกรองจริง เช่น ประเภทธุรกิจ จำนวนพนักงาน และจังหวัด ฟอร์มที่ถามมากเกินไปทำให้คนกรอกน้อยลง และข้อมูลส่วนบุคคลที่เก็บเกินจำเป็นยังเพิ่มภาระในการดูแลตามกฎหมายด้วย

## lead ที่ปิดการขายได้ 20 รายล่าสุดบอกได้ว่ากฎคะแนนควรให้น้ำหนักกับอะไร

ก่อนตั้งเกณฑ์ MQL รอบแรก ส่งรายชื่อชุดนั้นพร้อมเส้นทางที่ลูกค้าเดินมาให้ PHYGITAL AGENCY ช่วยไล่ดูว่ากฎข้อไหนควรมีจริง

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