🎲 Marketing Edition

ระบบทำนายลูกค้าที่จะหายไป

Churn Prediction — รู้ล่วงหน้าว่าลูกค้าคนไหนจะหยุดซื้อ
เพื่อรักษาไว้ก่อนที่จะสายเกินไป

สำหรับทีม Marketing / Ads / Marcom

1 / 14

ภาพรวม

ระบบนี้คืออะไร? ทำไมต้องใช้?

🔎

"Churn" คืออะไร?

ลูกค้าที่ ซื้อลอตเตอรี่งวดนี้ แต่ไม่ซื้องวดถัดไป เรียกว่า "Churn" หรือ ลูกค้าหายไป

ทุกงวดมีลูกค้าหายไปประมาณ 40%

🤖

ระบบทำอะไรได้?

ทำนายล่วงหน้าว่าลูกค้าคนไหนมีโอกาสหายไป โดยวิเคราะห์จากพฤติกรรมการซื้อที่ผ่านมา

ให้คะแนนความเสี่ยง 0-100 ทุกคน

🎯

ทำไมต้องใช้?

การรักษาลูกค้าเดิม ถูกกว่าหาลูกค้าใหม่ 5-7 เท่า

ถ้ารู้ล่วงหน้าว่าใครจะหาย ส่ง promotion ก่อน = รักษาลูกค้าได้มากขึ้น

หลักการ: ระบบดูจาก พฤติกรรมการซื้อเท่านั้น เช่น ซื้อบ่อยแค่ไหน, เคยหยุดไปนานไหม, ซื้อเพิ่มขึ้นหรือลดลง — ไม่ใช้ข้อมูลส่วนตัว

2 / 14

ตัวเลขสำคัญ

ภาพรวมลูกค้าต่องวด

~600K

ลูกค้าทั้งหมดต่องวด

~570K

ลูกค้าที่วิเคราะห์ได้
(มีประวัติซื้อ 3 งวดขึ้นไป)

~40%

อัตราลูกค้าหายต่องวด
(Churn Rate)

~230K

ลูกค้าที่หายไปต่องวด
(ซื้องวดนี้ ไม่ซื้องวดหน้า)

📈 ลอตเตอรี่ต่องวด

ยอดขายรวม ~6-7 ล้านใบ

เฉลี่ยต่อคน ~10-11 ใบ

Median ต่อ order 4 ใบ

📅 รอบการขาย

วันหวยออก 1 กับ 16 ของเดือน

ช่วงเปิดขาย ~12-13 วัน

ยอดสั่ง 2 วันสุดท้าย 42.6% ของทั้งหมด

3 / 14

⚠️ ระดับความเสี่ยง

4 ระดับความเสี่ยง — ลูกค้าทุกคนได้คะแนน 0-100

คะแนนยิ่งสูง = โอกาสหายยิ่งมาก | แต่ละระดับมีแนวทางดำเนินการที่ต่างกัน

Low Risk

คะแนน 0-25

11.8%

อัตรา Churn จริง (งวด 0401)

Retention88.2%

✓ ไม่ต้องดำเนินการ
ลูกค้าภักดี

Medium Risk

คะแนน 26-50

36.0%

อัตรา Churn จริง (งวด 0401)

Retention64.0%

💬 ส่ง offer เบาๆ
รักษาความสัมพันธ์

High Risk

คะแนน 51-75

63.2%

อัตรา Churn จริง (งวด 0401)

Retention36.8%

🔥 เร่งส่ง promotion
เริ่มมีสัญญาณ Churn

Critical Risk

คะแนน 76-100

81.3%

อัตรา Churn จริง (งวด 0401)

Retention18.7%

🚨 ติดต่อทันที
โอกาส Churn สูงมาก

อ่านอย่างไร: ลูกค้าที่ถูกจัดเป็น Critical Risk — ถ้าไม่ทำอะไรเลย จะหายไปจริงถึง 76% | แต่ถ้าเร่งติดต่อทันที สามารถรักษาไว้ได้บางส่วน

4 / 14

✓ ตรวจสอบแล้ว

โมเดลแม่นยำแค่ไหน?

เราทดสอบกับข้อมูลจริง 6 งวดที่ผ่านมา — ผลทำนายตรงกับความเป็นจริงอย่างสม่ำเสมอ (ล่าสุด: งวด 0401)

ระดับ Low Risk — ทำนายว่าจะอยู่

88.2%

กลับมาซื้อจริง

ระดับ Critical Risk — ทำนายว่าจะหาย

81.3%

หายไปจริง

ผลตรวจสอบ: อัตรา Churn จริงตามระดับความเสี่ยง — สม่ำเสมอทุกงวด

ระดับความเสี่ยง	งวด 1	งวด 2	งวด 3	งวด 4	งวด 5	งวด 0401	เฉลี่ย
● Low Risk	7%	7%	8%	8%	8%	12%	~8.5%
● Medium Risk	26%	24%	27%	27%	27%	36%	~28%
● High Risk	54%	49%	55%	54%	54%	63%	~55%
● Critical Risk	80%	74%	76%	76%	76%	81%	~77%

สรุป: ระบบเสถียร — ทดสอบครบ 6 งวด ผลตรงกับความเป็นจริงทุกงวด | งวด 0401 Churn สูงกว่าปกติทุกระดับ (อาจเป็นผลจากฤดูกาล) แต่ลำดับความเสี่ยงยังคงถูกต้อง

5 / 14

👤 ใครเสี่ยงมากที่สุด?

ลูกค้ากลุ่มไหนหายง่ายที่สุด?

📅 ตามช่วงอายุ

20-30 ปี

52.4%

31-40 ปี

~42%

41-50 ปี

~36%

50+ ปี

~32%

อายุ 20-30 Churn สูงสุด!
ควรเน้น Retention Campaign กลุ่มนี้เป็นพิเศษ

👥 ตามเพศ

46.3%

Churn

👩 ผู้หญิง

39.4%

Churn

👨 ผู้ชาย

ผู้หญิงมี Churn สูงกว่าผู้ชาย 7%
อาจต้องออกแบบ offer ที่ตรงกลุ่มมากขึ้น

กลุ่มเป้าหมายหลัก: ผู้หญิง อายุ 20-30 ปี คือกลุ่มที่มีโอกาส Churn สูงสุดและควรได้รับความสนใจเป็นพิเศษ

6 / 14

📊 กลุ่มลูกค้า

8 กลุ่มพฤติกรรมลูกค้า

แบ่งตามรูปแบบการซื้อจริง — แต่ละกลุ่มต้องการ approach ต่างกัน

💚 ภักดีตลอด

776K คน (21.2%)

Churn 8.8%

ซื้อต่อเนื่องทุกงวด แทบไม่ขาด→ Loyalty reward, Referral program

💚 ซื้อปานกลาง

359K คน (9.8%)

Churn 21.2%

เริ่มช้าแต่ซื้อสม่ำเสมอ→ Upsell, Bundle offers

💙 ลูกค้าใหม่ภักดี

324K คน (8.8%)

Churn 26.4%

เพิ่งเริ่มซื้อแต่ติดใจ ซื้อต่อเนื่อง→ Welcome series, Onboarding bonus

💙 เพิ่งเริ่มซื้อ

398K คน (10.9%)

Churn 31.1%

ลูกค้าใหม่ เริ่มซื้อไม่กี่งวดล่าสุด→ 2nd purchase incentive

💛 เริ่มไม่สม่ำเสมอ

341K คน (9.3%)

Churn 55.5%

เคยซื้อดี ตอนนี้ซื้อบ้างหยุดบ้าง→ Regular reminders, Subscription

💛 เคยซื้อดีแต่หาย

387K คน (10.6%)

Churn 58.4%

ซื้อต่อเนื่องมานาน แต่งวดหลังเริ่มห่าง→ Win-back, Special comeback offer

❌ เสี่ยงสูง

347K คน (9.5%)

Churn 77.7%

ซื้อไม่กี่ช่วงแล้วหาย→ Deep discount, Personal call

❌ One-time buyer

732K คน (20.0%)

Churn 80.8%

แทบไม่เคยซื้อ ซื้อแค่ 1-2 งวดแรก→ Low-cost re-engagement

Key Insight: ลูกค้า 1 ใน 5 คน (20%) เป็น One-time buyer ที่มี Churn สูงถึง 80% — กลุ่มนี้ควรใช้ low-cost campaign เท่านั้น ส่วนกลุ่ม "เคยซื้อดีแต่หาย" คือกลุ่มที่คุ้มค่าที่สุดที่จะลงทุนรักษา

7 / 14

🔍 ทำไมลูกค้าถึงหาย?

5 สาเหตุหลักที่ลูกค้าหายไป

ระบบวิเคราะห์ปัจจัยที่มีผลมากที่สุดต่อการ Churn ของลูกค้าแต่ละคน

1

ซื้อน้อยลงเรื่อยๆ ในช่วงหลัง

ลูกค้าที่ปริมาณการซื้อลดลงเมื่อเทียบช่วงต้นกับช่วงท้าย มีแนวโน้ม Churn สูงมาก

#1

สำคัญที่สุด

2

ซื้อไม่กี่งวดจากทั้งหมดที่เปิดให้ซื้อ

สัดส่วนงวดที่ซื้อต่ำ = ลูกค้าไม่ได้ผูกพันกับแพลตฟอร์ม ซื้อเป็นครั้งคราว

#2

ความถี่ต่ำ

3

ไม่ได้ซื้อครบทุกงวดใน 3 งวดล่าสุด

ลูกค้าที่ซื้อทุกงวดใน 3 งวดล่าสุดแทบไม่หาย แต่ถ้าขาดแม้แค่ 1 งวด โอกาส Churn พุ่งทันที

#3

ขาดงวด

4

เว้นช่วงนานระหว่างแต่ละครั้งที่ซื้อ

ลูกค้าที่มี gap เฉลี่ยระหว่างแต่ละครั้งที่ซื้อสูง = ไม่ได้ซื้อเป็นนิสัย

#4

ซื้อห่าง

5

เป็นลูกค้ามานานแต่ซื้อน้อยมาก

ลงทะเบียนนานแล้วแต่ซื้อแค่ไม่กี่ครั้ง = ไม่ได้มี engagement จริง

#5

ไม่ผูกพัน

สิ่งสำคัญ: ระบบจะบอก เหตุผล Top 5 สำหรับลูกค้าแต่ละคน ทำให้ทีม Marketing สามารถ personalize ข้อเสนอตามเหตุผลจริง ไม่ใช่ส่งแบบ one-size-fits-all

8 / 14

ตัวอย่างจริง

ตัวอย่างลูกค้าแต่ละระดับความเสี่ยง

ทำไมลูกค้าถึงได้คะแนนแบบนี้?

แถบสี = ซื้อ แถบเทา = ไม่ซื้อ | แต่ละแถบ = 1 งวด (30 งวดล่าสุด)

Critical (76-100) Churn จริง 76.1% — ต้องติดต่อทันที

P12746xxx Score: 87

Active 3/65 งวด • ซื้อ 1 ใน 6 งวดล่าสุด • เว้นช่วงยาว

ซื้อน้อยมาก — active แค่ 1 ใน 6 งวดล่าสุด

กำลังซื้อช่วงหลังต่ำมาก เทียบกับช่วงแรก

P13892xxx Score: 78

Active 18/65 งวด • ซื้อ 1 ใน 6 งวดล่าสุด • หยุดซื้อแล้วกลับมา 11 ครั้ง

เคยซื้อบ่อย แต่ช่วงหลังเกือบหายไปเลย

หยุดซื้อแล้วกลับมาบ่อย (11 ครั้ง) — ไม่มีความสม่ำเสมอ

High (51-75) Churn จริง 53.0% — เร่งส่ง promotion

P15204xxx Score: 73

Active 22/65 งวด • ซื้อ 2 ใน 6 งวดล่าสุด • เว้นช่วงเฉลี่ย 3.6 งวด

ซื้อไม่สม่ำเสมอ — เว้นช่วงเฉลี่ย 3-4 งวด

6 งวดล่าสุดซื้อแค่ 2 งวด — เริ่มห่างออกไป

P16731xxx Score: 61

Active 30/65 งวด • ซื้อ 3 ใน 6 งวดล่าสุด • ยังซื้อ 3 ใน 3 งวดล่าสุด

ซื้อครึ่งๆ — active 3 ใน 6 งวดล่าสุด ยังไม่มั่นคง

ความถี่ลดลงจากช่วงแรก แนวโน้มซื้อน้อยลง

Medium (26-50) Churn จริง 26.1% — ส่ง offer เบาๆ

P18465xxx Score: 43

Active 42/65 งวด • ซื้อ 4 ใน 6 งวดล่าสุด • ความถี่เริ่มลดลง

เคยซื้อสม่ำเสมอ แต่เริ่มเว้นช่วงบ่อยขึ้น

ความถี่ช่วงหลังลดลงเทียบกับช่วงแรก

P19028xxx Score: 30

Active 55/65 งวด • ซื้อ 6 ใน 6 งวดล่าสุด • ยังคง active

ซื้อจำนวนน้อยลงเรื่อยๆ แม้ยังซื้อทุกงวด

ลูกค้าอายุน้อย (20-30 ปี) — กลุ่มที่มีโอกาสหายสูง

Low (0-25) Churn จริง 7.7% — ลูกค้าภักดี ไม่ต้องทำอะไร

P20571xxx Score: 3.9

Active 58/65 งวด • ซื้อ 6 ใน 6 งวดล่าสุด • ซื้อสม่ำเสมอตลอด

ลูกค้าภักดี — ซื้อเกือบทุกงวดมาตลอด

กำลังซื้อคงที่ ไม่มีสัญญาณจะหาย

P21349xxx Score: 19

Active 50/65 งวด • ซื้อ 6 ใน 6 งวดล่าสุด • กำลังซื้อยังดี

ซื้อสม่ำเสมอ 6 งวดล่าสุดติดต่อกัน

กำลังซื้อช่วงหลังดีกว่าช่วงแรก — แนวโน้มดี

สังเกต: ยิ่งแถบเทา (ไม่ซื้อ) มากและอยู่ช่วงหลัง = ยิ่งเสี่ยงสูง — ระบบดูทั้ง ความถี่, ความสม่ำเสมอ, และ แนวโน้ม การซื้อ

9 / 14

👤 Persona 360

Persona 360 — ข้อมูลลูกค้ารายบุคคล

ค้นหาลูกค้าด้วยรหัส P เพื่อดูพฤติกรรมและความเสี่ยง

📊 ประวัติการซื้อ 30 งวดล่าสุด (2025-2026)

ซื้อ ไม่ซื้อ ยังไม่สมัคร

💡 ทำไมถึงได้คะแนนนี้? (Top 5 สาเหตุ)

🏆 ประวัติถูกรางวัล

🛒 พฤติกรรมการซื้อ

💡 คำแนะนำเฉพาะบุคคล

หมายเหตุ: กำลังโหลดข้อมูล...

10 / 14

🎯 เป้าหมาย

เป้าหมาย Retention ต่องวด

เป้าหมายที่ท้าทายแต่เป็นไปได้ — วัดผลทุกงวดเพื่อปรับปรุง

Low Risk

Churn จริง 11.8% (งวด 0401)

90%

เป้าหมาย Retention

Medium Risk

Churn จริง 36.0% (งวด 0401)

72%

เป้าหมาย Retention

High Risk

Churn จริง 63.2% (งวด 0401)

45%

เป้าหมาย Retention

Critical Risk

Churn จริง 81.3% (งวด 0401)

25%

เป้าหมาย Retention

📈 วิธีวัดผล

1. ทำนาย

ระบบให้คะแนนลูกค้าก่อนงวดถัดไป

2. ดำเนินการ

ทีมส่ง campaign ตามระดับความเสี่ยง

3. วัดผล

เทียบ Retention จริง vs เป้าหมาย แล้วปรับ

หลักการตั้งเป้า: ใช้ค่าเฉลี่ยระหว่าง "เป้าครั้งก่อน" กับ "ผลจริง" — ท้าทายแต่ทำได้จริง ปรับเป้าทุกงวดตามผลลัพธ์

11 / 14

🔎 Churn Patterns

9 รูปแบบพฤติกรรมก่อนหยุดซื้อ

วิเคราะห์จากลูกค้าที่หยุดซื้อ — กดเลือก pattern แล้วดูตัวอย่างจริง

🔬 วิธีการวิเคราะห์ — ทำไมถึงได้ 9 กลุ่มนี้? (คลิกเพื่อดู)

① สร้าง Feature จากพฤติกรรม

ดึงข้อมูล 20 งวดก่อนหยุดซื้อ ของลูกค้าแต่ละคน แล้วคำนวณ 8 ตัวชี้วัด:

📈 Activity — ซื้อกี่งวดจาก 20 📉 Trend — ยอดเพิ่มหรือลด 🎯 Consistency — ซื้อสม่ำเสมอแค่ไหน ⚖️ First-half — ซื้อช่วงแรกเยอะมั้ย 💰 Volume — ยอดรวมมากน้อย 💥 Burstiness — ยอดพุ่งผิดปกติมั้ย ⚡ Late Accel — ช่วงหลังเร่งตัวมั้ย 🔄 Avg Gap — เว้นห่างกี่งวด

② Rules-Based Classification (9 กลุ่ม)

ใช้กฎพฤติกรรมจัดกลุ่มลูกค้า 292K คน เป็น 9 รูปแบบ

ลำดับความสำคัญ:

🐋 Whale (500+ ใบ) → 🏆 Loyal (19-20/20 งวด)
📈 Escalator (ขึ้นต่อเนื่อง) → 📉 Decline (ลดต่อเนื่อง)
🛑 Sudden Stop (สม่ำเสมอแล้วหาย) → 🚀 Spike (พุ่งแล้วหาย)
👻 Last Breath (แทบไม่ซื้อ) → 🔀 Irregular (ที่เหลือ)

③ เลือกตัวอย่างที่ชัดที่สุด

คัดกรอง: เลือกลูกค้าที่เห็น pattern ชัดที่สุดของแต่ละกลุ่ม

ตัวอย่างที่เห็น = ลูกค้าจริง

แต่ละกลุ่มมีเกณฑ์คัดกรองเฉพาะ (R², CV, growth ratio)
เช่น Decline: เลือกลูกค้าที่ยอดลดลงชัดเจนที่สุด (R² สูง)
ทำให้ bar chart เห็น pattern ชัดเจนกว่า random sample
ถ้ากด 🎲 สุ่มใหม่ = ลูกค้าอื่นในกลุ่มเดียวกัน (อาจชัดน้อยกว่า)

💡 Rules-Based: กำหนดเกณฑ์ชัดเจนจาก domain knowledge — bar chart เห็นชัดทุกกลุ่ม | PCA 3D ในสไลด์ถัดไปแสดง feature space ทั้งหมดในมุมมอง 3 มิติ

ซื้อ ไม่ซื้อ ยังไม่สมัคร Churn

12 / 14

📅 รอบการทำงาน

ขั้นตอนทำงานทุก 2 สัปดาห์

ระบบทำงานตามรอบหวย (วันที่ 1 และ 16 ของทุกเดือน)

ตัวอย่าง: งวด 16 มีนาคม → 1 เมษายน

📈

ตรวจสอบผลงวดก่อน

เทียบผลทำนาย vs จริง
ดูว่าแม่นแค่ไหน

→

🤖

ทำนายงวดถัดไป

ให้คะแนน 0-100
ทุกคนที่ซื้องวดนี้

→

📨

ส่งรายชื่อให้ทีม

แบ่งกลุ่ม 4 ระดับ
+ เหตุผล Top 5 ต่อคน

→

🎯

ทีมดำเนินการ

ส่ง campaign
ตามระดับความเสี่ยง

📦 ไฟล์ที่ทีมจะได้รับ

CSV

Risk Score

คะแนนความเสี่ยง + ระดับ + คำแนะนำ ทุกคน

CSV

Risk Score Explained

เหตุผล Top 5 ว่าทำไมแต่ละคนเสี่ยง

PNG

Risk Distribution Chart

กราฟแสดงการกระจายตัวของระดับความเสี่ยง

⏰ Timeline ต่องวด

วันหวยออก รับข้อมูลยอดซื้อจริง

วันถัดมา ตรวจสอบผลงวดก่อน + ทำนายงวดใหม่

ภายใน 2 วัน ส่งรายชื่อ + คะแนนให้ทีม Marketing

3-12 วัน ทีมดำเนินการ campaign ตามแผน

13 / 14

สรุป

สรุปสิ่งที่ต้องจำ

🤖

ระบบทำนายล่วงหน้า

รู้ก่อนว่าลูกค้าคนไหนจะหาย
ก่อนที่จะหายจริง

🎲

4 ระดับความเสี่ยง

แต่ละระดับมีแนวทาง
ดำเนินการที่ต่างกัน

✅

ตรวจสอบแล้ว 26 งวด

ผลทำนายตรงกับความเป็นจริง
AUC 0.7959 (งวด 0401)

📅

ทำงานทุก 2 สัปดาห์

ส่งรายชื่อ + คะแนน
ให้ทีมก่อนเปิดขายงวดใหม่

💡 จำไว้

➤ กลุ่ม High Risk คุ้มค่าที่สุด — ยังรักษาได้ครึ่งหนึ่ง ถ้าลงมือทัน
➤ อายุ 20-30 ปี Churn สูงสุด — ควรเน้นกลุ่มนี้เป็นพิเศษ
➤ 20% ของลูกค้าเป็น One-time buyer — ใช้ low-cost campaign เท่านั้น
➤ ระบบบอกเหตุผลต่อคน — personalize ข้อเสนอได้
➤ ถูกรางวัล = ลด churn 79% — ส่ง congratulations + offer ภายใน 1 งวด
➤ สั่งหลายครั้ง/งวด = ลด churn 2.6x — กระตุ้นให้สั่งบ่อยๆ
➤ ซื้อลด 50% = 84% จะหาย — action ทันทีเมื่อเห็นสัญญาณ
➤ วัดผลทุกงวด — เทียบ Retention จริง vs เป้าหมาย แล้วปรับ

Churn Prediction System — Data Team × Marketing Team

14 / 14