Cohort Analysis คืออะไร วิธีอ่าน Cohort Retention Table และ Use Cases จริง

สมมุติว่าตัวเลข Retention Rate ของแบรนด์คุณอยู่ที่ 42% ทุกเดือนตลอด 6 เดือนที่ผ่านมา ดูเสถียร ดูดี ทีมรู้สึกพอใจ

แต่ถ้าแยกดูรายกลุ่ม — ลูกค้าที่สมัครในเดือนมกราคมมี retention เดือนที่ 3 อยู่ที่ 38% ลูกค้าที่สมัครเดือนกุมภาพันธ์อยู่ที่ 35% เดือนมีนาคม 31% เดือนเมษายน 28% ตัวเลขรวมนิ่งอยู่ได้เพราะกลุ่มใหม่ที่เข้ามามาก ไม่ใช่เพราะ retention ดีขึ้น ธุรกิจกำลังรั่ว — แค่ซ่อนตัวอยู่ในค่าเฉลี่ย

Cohort Analysis คือวิธีแยกตัวเลขออกมาแบบนั้น บทความนี้อธิบาย cohort analysis คืออะไร ทำไมมันถึงจำเป็น วิธีอ่าน Retention Table และนำไปใช้ได้จริงในการตัดสินใจ CRM

สารบัญ

1. Cohort Analysis คืออะไร

2. ทำไม Aggregate Data ถึงโกหกคุณได้

3. Cohort Analysis มีกี่ประเภท

4. วิธีอ่าน Cohort Retention Table

5. Pattern ที่ต้องมองหาใน Cohort Analysis

6. Use Cases ของ Cohort Analysis ใน CRM

7. Tools ที่ใช้ทำ Cohort Analysis

8. FAQ

Cohort Analysis คืออะไร

ลองจินตนาการว่าแบรนด์คุณมีลูกค้าสมัครสมาชิกเดือนมกราคม 500 คน และเดือนกุมภาพันธ์อีก 600 คน ถ้าดูตัวเลขรวม คุณจะเห็นแค่ "มีสมาชิก 1,100 คน" แต่ถ้าติดตามแยกกัน — กลุ่มมกราคมยังซื้ออยู่กี่คนในเดือนที่ 2, 3, 4 และกลุ่มกุมภาพันธ์เป็นอย่างไรเทียบกัน — นั่นคือ Cohort Analysis

Cohort คือกลุ่มคนที่มีลักษณะร่วมกัน (shared characteristic) ในช่วงเวลาเดียวกัน ไม่ว่าจะเป็นวันที่สมัคร วันที่ซื้อครั้งแรก หรือ action แรกที่ทำในระบบ Cohort Analysis คือการติดตามกลุ่มเหล่านั้นไปข้างหน้าในเวลา เพื่อดูว่าพวกเขาเปลี่ยนแปลงหรือตอบสนองอย่างไรเมื่อเวลาผ่านไป

ผลลัพธ์มักออกมาเป็นตาราง retention หรือ heatmap ที่แสดงให้เห็นว่าแต่ละกลุ่มมีพฤติกรรมต่างกันอย่างไร — และนั่นคือสิ่งที่ตัวเลขรวมบอกไม่ได้เลย

ทำไม Aggregate Data ถึงโกหกคุณได้

มีปรากฏการณ์ทางสถิติที่เรียกว่า Simpson's Paradox — เทรนด์ที่เห็นในข้อมูลรวมหายไป หรือกลับทิศ เมื่อแยกดูรายกลุ่มย่อย ในทางการตลาด สิ่งนี้เกิดบ่อยกว่าที่หลายคนคิด

ตัวอย่างที่ชัดเจน: แบรนด์หนึ่งดู overall retention ทุกเดือน ตัวเลขนิ่งที่ 40% มาตลอดครึ่งปี ดูเสถียร ทีมคิดว่าทุกอย่างโอเค แต่พอแยก cohort:

ทุก cohort ใหม่ retention แย่ลงเรื่อยๆ แต่เพราะมีสมาชิกใหม่เข้ามาเยอะในแต่ละเดือน ค่าเฉลี่ยรวมก็ถูกดึงให้นิ่งอยู่ที่ 40% ธุรกิจกำลังรั่ว แต่ตัวเลขรวมซ่อนมันไว้

นี่คือเหตุผลว่าทำไม aggregate data ไม่เพียงพอสำหรับการตัดสินใจ CRM จริงๆ คุณต้องการ cohort view เพื่อเห็นว่าเกิดอะไรขึ้นจริง

Cohort Analysis มีกี่ประเภท

Cohort แบ่งได้ 3 ประเภทหลัก ขึ้นอยู่กับว่าจะแบ่งกลุ่มลูกค้าด้วยอะไร:

1. Acquisition Cohort

แบ่งกลุ่มตามช่วงเวลาที่ลูกค้า "เข้ามา" ในระบบ เช่น วันที่สมัครสมาชิก วันที่ซื้อครั้งแรก หรือวันที่ดาวน์โหลด app — นี่คือประเภทที่ใช้กันมากที่สุด เพราะตอบคำถามตรงที่สุดว่า "ลูกค้าที่เข้ามาในช่วงนี้มีพฤติกรรมดีขึ้นหรือแย่ลงเมื่อเทียบกับช่วงก่อน"

2. Behavioral Cohort

แบ่งกลุ่มตาม action แรกที่ลูกค้าทำ เช่น "กลุ่มที่ใช้ coupon ในครั้งซื้อแรก" vs "กลุ่มที่ซื้อโดยไม่ใช้ coupon" หรือ "กลุ่มที่ scan QR รับแต้มครั้งแรก" vs "กลุ่มที่ upload receipt" ช่วยให้เห็นว่า action ไหนนำไปสู่ loyalty ระยะยาวกว่า

3. Segment Cohort

แบ่งกลุ่มตามลักษณะ เช่น ช่องทางที่มา (online vs offline), ภูมิภาค, หรือ tier สมาชิก ใช้เมื่อต้องการเปรียบเทียบพฤติกรรมระหว่างกลุ่มที่มีลักษณะต่างกันตั้งแต่ต้น ไม่ใช่ต่างกันที่เวลา

สำหรับงาน CRM ทั่วไป Acquisition Cohort คือจุดเริ่มต้นที่ดีที่สุด ตั้งค่าง่าย ตีความตรง และให้ insight ที่นำไปใช้ได้ทันที

วิธีอ่าน Cohort Retention Table

ตาราง retention คือ output ที่พบบ่อยที่สุดของ Cohort Analysis แต่หลายคนเปิดมาครั้งแรกแล้วงงทันที ลองอ่านแบบนี้:

วิธีอ่านทีละส่วน:

• แถว (Row) = หนึ่ง cohort คือกลุ่มลูกค้าที่สมัครในเดือนเดียวกัน

• คอลัมน์ (Column) = เดือนที่นับจากเดือนที่สมัคร (Month 0 = เดือนที่สมัคร, Month 1 = เดือนถัดไป)

• ตัวเลขในช่อง = % ของลูกค้าในกลุ่มนั้นที่ยังกลับมา active ในเดือนนั้น

• ช่องว่าง (—) = ข้อมูลยังไม่มี เพราะ cohort นั้นยังไม่ถึงเดือนนั้น

จากตารางข้างต้น: กลุ่มที่สมัครเดือนมีนาคมมี Month 1 retention ที่ 51% ดีกว่ากลุ่มมกราคมที่ 44% นั่นหมายความว่า onboarding หรือ offer ที่เดือนมีนาคมดีกว่า — อาจเพราะมีการปรับ welcome message หรือ first-purchase bonus ระหว่างช่วงนั้น

เคล็ดลับอ่านตาราง: อ่าน diagonal เพื่อเทียบ "เดือนเดียวกันของปฏิทิน" ระหว่าง cohort — ถ้า cohort ใหม่กว่ามี retention สูงกว่าในเดือนเดียวกัน แปลว่าแบรนด์กำลังดีขึ้น ถ้าลดลงเรื่อยๆ มีปัญหาที่ต้องแก้

Pattern ที่ต้องมองหาใน Cohort Analysis

ตัวเลขในตารางบอกได้มากกว่าแค่ "สูงหรือต่ำ" ถ้ารู้ว่ากำลังมองหาอะไร:

Cohort ใหม่ดีกว่าเก่าเรื่อยๆ

สัญญาณบวก — product, onboarding, หรือ acquisition channel กำลังดีขึ้น ถ้าเพิ่งเปลี่ยน welcome flow แล้วเห็น pattern นี้ แสดงว่าการเปลี่ยนนั้นได้ผล

Drop แรงใน Month 1–2

Onboarding ล้มเหลว ลูกค้าสมัครแล้วไม่ได้ใช้จริง อาจเป็นเพราะ first-purchase incentive ไม่ดึงดูดพอ, welcome message ไม่สร้าง habit, หรือประสบการณ์แรกไม่ตรงกับ expectation ที่สัญญาไว้

Retention Cliff เดือนที่ 3

ลูกค้าอยู่ได้ 2 เดือนแล้วหาย ส่วนใหญ่หมายความว่าไม่มี engagement mechanism ที่ดึงให้กลับมาหลังจาก initial novelty หมด mission, gamification หรือ personalized offer ในช่วงนี้มักแก้ปัญหาได้

Cohort บางกลุ่ม Outlier

ถ้า cohort เดือนใดเดือนหนึ่ง retention สูงผิดปกติ ให้ดูว่าช่วงนั้นมี campaign พิเศษ, seasonal event, หรือ feature ใหม่อะไรบ้าง นั่นคือสิ่งที่ควรทำซ้ำ

การดู customer churn จาก cohort มุมมองนั้นต่างจากการดู churn rate รายเดือนในแบบ aggregate — คุณเห็นว่า churn เกิดตอนไหนของ customer journey จริงๆ ไม่ใช่แค่ว่าเดือนนี้ churn เท่าไหร่

Use Cases ของ Cohort Analysis ใน CRM

วัด Campaign Effectiveness แยกรายกลุ่ม

แทนที่จะดู overall conversion ของแคมเปญ ให้แยกดูว่ากลุ่มที่ได้รับแคมเปญนั้น (Behavioral Cohort) มี retention หลังจากนั้นดีกว่ากลุ่มที่ไม่ได้รับหรือไม่ ถ้าดีกว่า campaign นั้นมี long-term value จริง ถ้าไม่ต่างกัน แคมเปญแค่ pull forward demand ไม่ได้สร้าง loyalty

เปรียบเทียบ Channel

ลูกค้าที่มาจาก LINE OA, Instagram, และ offline store มี retention pattern ต่างกันไหม บางแบรนด์พบว่ากลุ่มที่มาจาก referral มี Month 3 retention สูงกว่ากลุ่มที่มาจาก paid ads เกือบเท่าตัว ข้อมูลนี้เปลี่ยน budget allocation ได้เลย

วัดผลการปรับ Onboarding

ถ้าทีมปรับ welcome flow ในเดือนมีนาคม ให้เปรียบ cohort ก.พ. กับ cohort มี.ค. ที่ Month 1 และ Month 2 ถ้า cohort มี.ค. ดีกว่า แปลว่าการปรับนั้นได้ผล ถ้าเท่ากัน ต้องหาว่าปัญหาอยู่ที่อื่น

พฤติกรรม Seasonal

Cohort ที่สมัครในช่วงเทศกาลลดราคา (11.11, Songkran) มักมี retention ต่ำกว่า cohort ปกติ เพราะแรงจูงใจในการสมัครคือ discount ไม่ใช่ loyalty จริงๆ Cohort Analysis ช่วยแยกออกว่ากลุ่มไหนคือ "ลูกค้าจริง" และกลุ่มไหนคือ "นักล่า deal"

สิ่งที่ cohort analysis บอกไม่ได้คือ "ใครในกลุ่มนั้นมีความเสี่ยงสูงสุด" — นั่นคืองานของ RFM Analysis ซึ่งจำแนกลูกค้าแต่ละคนตาม Recency, Frequency, Monetary และ Retention Rate ในมุมของ business metric รวม ทั้งสองใช้ควบคู่กันได้ดีมาก

Tools ที่ใช้ทำ Cohort Analysis

Spreadsheet (Excel / Google Sheets)

เหมาะกับทีมที่เพิ่งเริ่ม ข้อมูลไม่ใหญ่มาก และต้องการ customization เต็มที่ ต้องดึงข้อมูลดิบมาเอง จัด pivot table เอง และอัปเดตเอง ใช้เวลามาก แต่เข้าใจ logic ได้ชัดเจนที่สุด

Analytics Platforms (GA4, Mixpanel, Amplitude)

มี Cohort Analysis built-in แล้ว ตั้งค่า cohort ได้หลายแบบ รัน analysis ได้เร็ว แต่ส่วนใหญ่เน้น behavioral data ใน digital product — ถ้าต้องการรวม offline purchase หรือ loyalty data อาจต้องเชื่อมเพิ่ม

CRM Dashboard

ถ้าข้อมูลสมาชิกและ transaction อยู่ใน CRM ครบ การทำ cohort analysis จาก CRM dashboard ตรงที่สุด เพราะรวม online, offline, marketplace และ loyalty data ไว้ในที่เดียว ไม่ต้อง merge ข้อมูลจากหลายแหล่ง ระบบอย่าง ระบบสมาชิก ที่รวม touchpoint ทุกช่องทางมักให้ cohort view ที่สมบูรณ์ที่สุดสำหรับ loyalty program

Cohort Analysis เป็นหนึ่งในเครื่องมือที่ทีมการตลาดใน โปรแกรม CRM ระดับจริงจังใช้ประกอบการตัดสินใจ ควบคู่กับ customer value analysis เพื่อดูว่ากลุ่มไหนสร้างมูลค่าระยะยาวให้ธุรกิจจริงๆ

FAQ

Cohort Analysis กับ Segmentation ต่างกันอย่างไร

Segmentation แบ่งลูกค้าตามลักษณะ เช่น อายุ, พฤติกรรม, หรือ tier เพื่อส่ง message ที่เหมาะสม Cohort Analysis ติดตามกลุ่มที่ถูกนิยามด้วยช่วงเวลาหรือ event ไปข้างหน้า เพื่อดูว่าพฤติกรรมเปลี่ยนอย่างไร Segmentation บอกว่า "ใคร" Cohort Analysis บอกว่า "เกิดอะไรขึ้นกับพวกเขาเมื่อเวลาผ่านไป"

ต้องมีข้อมูลเท่าไหร่จึงจะทำ Cohort Analysis ได้

ขั้นต่ำคือข้อมูล transaction หรือ activity ที่มี timestamp ต่อ user ID สำหรับ monthly cohort ควรมีข้อมูลอย่างน้อย 3–4 เดือนเพื่อเห็น pattern ที่มีนัยสำคัญ ยิ่งมีข้อมูลย้อนหลังมากยิ่งเห็น trend ชัดขึ้น

ควรทำ Cohort Analysis บ่อยแค่ไหน

รีวิว cohort ทุกเดือนเป็น baseline ที่ดี ถ้าเพิ่งเปลี่ยน campaign, onboarding flow, หรือ offer ให้เปิด cohort view ทันทีที่ cohort ใหม่มีข้อมูลครบ 1–2 เดือน เพื่อดูว่าการเปลี่ยนแปลงนั้นส่งผลอย่างไร

Cohort Analysis บอกอะไรไม่ได้บ้าง

บอก "ทำไม" ไม่ได้โดยตรง รู้แค่ว่า retention ดีหรือแย่ แต่ไม่รู้สาเหตุ ต้องใช้ควบคู่กับ qualitative research เช่น customer survey หรือ session replay เพื่อเข้าใจ root cause จริงๆ

Cohort Analysis เป็นเครื่องมือที่เปลี่ยนวิธีที่ทีมการตลาดมองตัวเลข — จาก "ภาพรวมดูโอเค" เป็น "เห็นว่ากลุ่มไหนกำลังดีขึ้นหรือแย่ลงจริงๆ" และนั่นคือระดับที่การตัดสินใจ CRM จริงๆ ต้องการ

ถ้าคุณต้องการ dashboard ที่รวม cohort view, loyalty data และ transaction ทุกช่องทางไว้ในที่เดียว — ดูว่า Rocket Membership CRM ทำแบบนี้ได้อย่างไร