เลือกและอ่าน KPI

Leading indicator vs lagging indicator

Lagging indicator คือผลลัพธ์สุดท้ายที่รู้ทีหลัง เช่น รายได้รวมของเดือนที่ผ่านมา — บอกได้ว่าที่ผ่านมาเป็นยังไง แต่แก้ไขอะไรไม่ทันแล้ว

Leading indicator คือสัญญาณล่วงหน้าที่เปลี่ยนแปลงก่อนผลลัพธ์สุดท้าย เช่น conversion rate (อัตราการเปลี่ยนจาก ผู้เข้าชมเป็นลูกค้า) — ถ้า conversion rate เริ่มตกตั้งแต่ต้นเดือน ทีมยังมีเวลาแก้ไขก่อนที่รายได้ปลายเดือนจะได้รับผลกระทบ

import pandas as pd

events = pd.read_csv("data/events.csv")
counts = events.groupby('event_type')['session_id'].nunique()
overall_conversion_pct = round(counts['purchase'] / counts['visit'] * 100, 2)

ทีม DA ที่ดีมักติดตามทั้งสองแบบคู่กัน ไม่ใช่แค่รอดูผลลัพธ์สุดท้ายเดือนละครั้ง

ระวัง vanity metric

Vanity metric คือตัวเลขที่ดูดีบนหน้ารายงาน แต่ไม่ได้บอกอะไรที่นำไปใช้ตัดสินใจได้จริง หรือแย่กว่านั้นคือทำให้เข้าใจ สถานการณ์ผิด ถ้าดูตัวเดียวโดดๆ โดยไม่มีบริบทประกอบ

ตัวอย่างจริงจากข้อมูลร้านนี้: เดือน ธ.ค. 2025 มีรายได้สูงสุดของปี แต่ถ้าเช็คจำนวนลูกค้าที่ active (มีออเดอร์ completed) ในเดือนนั้นด้วย จะพบว่าต่ำที่สุดของปี — รายได้เฉลี่ยต่อลูกค้า active ของ ธ.ค. สูงเกือบสองเท่าของ ม.ค. สรุปได้ว่ารายได้ที่ สูงขึ้นมาจาก “ลูกค้ากลุ่มเดิมซื้อถี่ขึ้น” (ออเดอร์ต่อลูกค้า active เฉลี่ย 2.03 ใน ธ.ค. เทียบ 1.21 ใน ม.ค.) ไม่ใช่ “ฐานลูกค้าโตขึ้น” — สองเรื่องนี้ต้องการกลยุทธ์ต่อยอดที่ต่างกันมาก

เลือก KPI ให้ตรงคำถามธุรกิจ

หลักการเลือก KPI ที่ดี:

• สะท้อนคุณค่าที่ลูกค้าได้รับจริง ไม่ใช่แค่ตัวเลขที่วัดง่าย
• เชื่อมโยงกับเป้าหมายระยะยาวของธุรกิจ ไม่ใช่แค่ผลลัพธ์ระยะสั้น
• ดูควบคู่กับ KPI อื่นเสมอ อย่างน้อย 2 ตัวขึ้นไป เพื่อกันการเข้าใจผิดแบบ vanity metric ข้างต้น

North Star Metric คือ KPI หลักตัวเดียวที่ทีมทั้งบริษัทใช้เป็นเป้าหมายร่วม มักเลือกจากตัวที่เชื่อมทั้ง “คุณค่าที่ลูกค้าได้รับ” กับ “รายได้ระยะยาว” เข้าด้วยกัน เช่น “จำนวนลูกค้าที่ซื้อซ้ำ” มากกว่า “รายได้รวม” เฉยๆ