ธุรกิจขนาดเล็กที่น่าสนใจ ที่ควรใช้ Data Analytics

ลองนึกภาพซอยเล็กๆ ซอยหนึ่งครับ ผมขอตั้งชื่อว่า “ซอยสบายใจ” (ซอยสมมติ ร้านทุกร้านในบทความนี้เป็นร้านสมมติทั้งหมดนะครับ เอาไว้เล่าให้เห็นภาพ) ในซอยนี้มีร้านเสื้อผ้าออนไลน์ คาเฟ่ ฟิตเนสสตูดิโอ และโฮมสเตย์ริมนา เจ้าของทั้งสี่คนเป็นเพื่อนกัน เย็นวันศุกร์ก็มักไปนั่งคุยกันที่คาเฟ่

วันหนึ่งมีคนถามวงสนทนาขึ้นมาว่า “ตอนนี้ร้านเรา ตัวเลขอะไรสักตัวที่ต้องดูทุกสัปดาห์ คืออะไรกัน?”

ทั้งโต๊ะเงียบไปครับ 555

ไม่ใช่เพราะทุกคนไม่เก่ง ทุกคนขยันมาก แต่ทุกคนตัดสินใจจาก “ความรู้สึก” เป็นหลัก ทั้งที่ธุรกิจขนาดเล็กอย่างพวกเขามีข้อมูลเก็บอยู่ในระบบอยู่แล้ว ทั้งบิลขาย รายชื่อสมาชิก และประวัติการจอง แค่ไม่เคยเปิดดูอย่างจริงจัง และไม่เคยลองใช้ Data Analytics กับมันเลย

แอดเชื่อว่าคนอ่านบทความนี้หลายคนก็มีร้านเล็กๆ ของตัวเอง หรือกำลังคิดจะเปิด หรือมีญาติมีเพื่อนทำธุรกิจแบบนี้อยู่ คำถามที่ตามมาคือ “ธุรกิจขนาดเล็ก Data Analytics ใช้ได้กับธุรกิจประเภทไหนบ้าง แล้วควรเริ่มจากตัวเลขอะไร” เพราะจริงๆ แล้ว Data Analytics ไม่ได้ให้ผลเท่ากันกับทุกธุรกิจ บางประเภทเห็นผลเร็วมาก บางประเภทต้องใช้เวลา

บทความนี้เลยจะพาไปดู 4 ประเภทธุรกิจที่ได้ประโยชน์เร็ว พร้อม “ตัวเลขประจำร้าน” ที่ควรดูเป็นอย่างแรกของแต่ละประเภท โดยทั้งหมดเริ่มได้ด้วยเครื่องมือฟรี ถ้าอยากอ่านภาพกว้างเรื่อง SME กับ Data ก่อน แนะนำบทความ Data กับธุรกิจ SMEที่แอดเขียนไว้ก่อนหน้านี้ ส่วนร้านอาหารตามสั่งมีบทความแยกไว้แล้ว ครั้งนี้เลยขอพาไปดูธุรกิจแบบอื่นกันบ้างครับ

เลือกอ่านเฉพาะหัวข้อ

ธุรกิจขนาดเล็กแบบไหนที่ควรใช้ Data Analytics ก่อน?

เริ่มจากภาพใหญ่ก่อนครับ ธุรกิจขนาดเล็กหรือ SME ในไทยไม่ใช่กลุ่มเล็กๆ เลย ข้อมูลจากสำนักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม (สสว.) ที่ ธปท. สรุปไว้ระบุว่าปี 2568 SME ไทยมีจำนวน 3.28 ล้านราย ส่วนใหญ่เป็นวิสาหกิจรายย่อย กระจุกตัวในภาคการค้าและบริการ และมีการจ้างงานราว 13.6 ล้านคน พูดง่ายๆ คือร้านเล็กๆ แบบซอยสบายใจนี่แหละครับ คือเศรษฐกิจไทยส่วนใหญ่เลย

แต่พอพูดถึง Data Analytics หลายคนก็ยังนึกถึงบริษัทใหญ่ เพราะภาพจำคือทีม Data Scientist หลายสิบคน ระบบ Data Warehouse ราคาแพง ซึ่งธุรกิจขนาดเล็กไม่ต้องมีอะไรแบบนั้นเลยครับ งานวิจัยที่สัมภาษณ์เจ้าของร้านค้าปลีกขนาดเล็กพบว่าข้อดีที่เจ้าของร้านเห็นคือเข้าใจลูกค้าดีขึ้น ตัดสินใจเชิงกลยุทธ์ได้ดีขึ้น ปรับการตลาดได้ตรงจุด และคาดการณ์ยอดขายได้แม่นขึ้น ส่วนอุปสรรคหลักคือการทำความเข้าใจข้อมูลและเครื่องมือ ไม่ใช่เรื่องงบประมาณอย่างเดียว

ปัญหาคือ “เริ่มจากตรงไหน” ครับ เพราะเวลาและแรงของเจ้าของร้านมีจำกัด การเลือกใช้ Data กับเรื่องที่ ได้ผลเร็วและเห็นผลชัด จึงสำคัญกว่าการพยายามวิเคราะห์ทุกอย่างพร้อมกัน

แอดเลยลองสรุปเกณฑ์ง่ายๆ ที่ช่วยคัดว่าธุรกิจแบบไหนควรเริ่มก่อน มี 3 ข้อครับ

เกณฑ์ที่ 1 — มีธุรกรรมซ้ำๆ จำนวนมาก

ธุรกิจที่มีการซื้อขายหรือใช้บริการเกิดขึ้นบ่อยๆ มักมี “ข้อมูลดิบ” สะสมเร็วมาก คาเฟ่ที่ขายวันละ 150 แก้วจะมีข้อมูลบิลนับพันรายการภายในเดือนเดียว ส่วนร้านที่ขายของชิ้นละหลายหมื่นแต่ปีหนึ่งขายได้แค่ 10 ชิ้น จะต้องรอนานมากกว่าข้อมูลจะพอให้เห็น pattern

ยิ่งธุรกรรมเยอะ pattern ก็ยิ่งชัด และ pattern ที่ชัดคือสิ่งที่ทำให้เรากล้าตัดสินใจครับ เช่น ถ้าเห็นว่าวันอังคารบ่ายยอดตกทุกสัปดาห์ติดกัน 8 สัปดาห์ แสดงว่านั่นไม่ใช่โชคร้าย แต่เป็นรูปแบบจริง (ส่วนกรณีเห็นแค่ 2 สัปดาห์ ก็อย่าเพิ่งด่วนสรุปนะครับ เรื่องนี้เคยเขียนไว้ในบทความ Correlation ไม่ใช่ Causation)

เกณฑ์ที่ 2 — มี “ของจำกัด” ซึ่งเสียมูลค่าถ้าไม่ได้ขาย

อันนี้คือหัวใจเลยครับ ธุรกิจที่มีสิ่งที่ “หมดอายุหรือหมดเวลา” เป็นของตัวเอง จะเห็นผลจาก Data ชัดมาก เพราะทุกการตัดสินใจผิดพลาดมีต้นทุนที่จับต้องได้

ลองดูตัวอย่างครับ ห้องพักโฮมสเตย์คืนนี้ที่ว่าง เป็นรายได้ที่ไม่มีวันกลับมา ที่นั่งในคลาสฟิตเนสที่ไม่มีคนจอง ก็เช่นเดียวกัน หรือสินค้าแฟชั่นที่เลยฤดูกาลแล้วก็ขายยากขึ้นทุกวัน ธุรกิจที่มี “ของจำกัด” แบบนี้ ถ้ามีข้อมูลบอกล่วงหน้าว่าอะไรกำลังจะเสียเปล่า ก็จะปรับราคา ปรับโปรโมชัน หรือปรับการซื้อได้ทัน

เกณฑ์ที่ 3 — มีข้อมูลอยู่แล้ว แต่ยังไม่เคยเปิดดูอย่างจริงจัง

เกณฑ์ข้อนี้ทำให้ Data Analytics เป็นเรื่องที่ “ถูกกว่าที่คิด” ครับ ธุรกิจส่วนใหญ่มีข้อมูลอยู่แล้ว ทั้งบิลจากระบบ POS ประวัติการสั่งซื้อจาก Shopee หรือ LINE OA รายชื่อสมาชิก หรือประวัติการจองจากแพลตฟอร์ม ข้อมูลพวกนี้ เก็บไว้ให้เราแล้วโดยไม่ต้องลงทุนเพิ่ม (แค่ต้องดึงออกมาดูให้เป็น)

ถ้าธุรกิจของเราเข้าเกณฑ์อย่างน้อย 2 ใน 3 ข้อนี้ แปลว่าเป็นผู้สมัครที่ดีในการเริ่มใช้ Data Analytics ได้เลยครับ

กลับมาที่ซอยสบายใจ

ลองเอาเกณฑ์ทั้ง 3 ข้อไปจับกับร้านทั้ง 4 ในซอยของเราดูครับ

ร้านสมมติธุรกรรมซ้ำของจำกัดมีข้อมูลอยู่แล้ว
ร้านเสื้อผ้าออนไลน์ปานกลางถึงสูงสต็อกและฤดูกาลออเดอร์จากแพลตฟอร์ม
คาเฟ่สูงมากวัตถุดิบสด และเวลาเปิดร้านบิลจาก POS
ฟิตเนสสตูดิโอสูง (เข้าใช้บ่อย)ที่นั่งในคลาสประวัติเช็กอิน
โฮมสเตย์ต่ำกว่า แต่มีมูลค่าต่อครั้งสูงห้องพักรายคืนประวัติการจอง

เห็นไหมครับว่าทุกร้านเข้าเกณฑ์ แต่ “หน้าตาของข้อมูล” และ “คำถามที่ควรถาม” ไม่เหมือนกันเลย นี่คือสาเหตุที่แอดเลือกจะเล่าทีละประเภท ไม่ได้ยัดทุกอย่างเป็นสูตรเดียว เพราะร้านเสื้อผ้าห่วงเรื่องของค้าง คาเฟ่ห่วงเรื่องเมนูไหนทำกำไรจริง ฟิตเนสห่วงสมาชิกหาย ส่วนโฮมสเตย์ห่วงว่าห้องว่างคืนนี้ควรขายราคาเท่าไหร่ ทั้งหมดคือ “ตัวเลขประจำร้าน” คนละตัวกัน

และเพื่อให้ได้ผลจริง แอดขอตั้งกฎเล็กๆ ไว้ตั้งแต่ตรงนี้ครับ ตลอดทั้งบทความ แต่ละร้านจะมีตัวเลขประจำร้านแค่ ตัวเดียว ก่อน เพราะเจ้าของร้านเล็กๆ ที่พยายามดู 20 ตัวเลขพร้อมกันมักจบที่การไม่ดูอะไรเลย ถ้าตัวเลขแรกใช้งานได้ ค่อยขยับไปตัวถัดไป

ถ้าอย่างนั้น เริ่มที่ร้านแรกกันเลยครับ ร้านเสื้อผ้าออนไลน์ของเราที่ตู้เสื้อผ้าหลังร้านเริ่มแน่นจนปิดไม่ลง คำถามของเจ้าของร้านคือ “ของที่สั่งมาเยอะๆ ตัวไหนกันแน่ที่กำลังจมเงินอยู่” ซึ่งนำเราไปสู่เรื่อง Dead Stock ในหัวข้อถัดไป

ร้านค้าออนไลน์ — เจอ Dead Stock ก่อนเงินจมสต็อก

กลับมาที่ซอยสบายใจครับ ร้านเสื้อผ้าออนไลน์ของเราเจ้าของชื่อ “พี่มะลิ” (ชื่อสมมติเช่นเดียวกับทั้งซอย) พี่มะลิเล่าให้เพื่อนๆ ฟังในวงคาเฟ่ว่า เดือนก่อนเห็นเสื้อเชิ้ตลินินสีเขียวมะกอกขายดีมากในไลฟ์ เลยสั่งเพิ่มอีก 100 ตัวทันที แต่ผ่านไป 2 เดือน ตัวเลขที่เห็นบนชั้นคือเหลือ 62 ตัว และกล่องใหม่ที่เพิ่งมาถึงก็ยังไม่ได้แกะ

คำถามที่เจ้าของร้านออนไลน์เกือบทุกคนเคยเจอคือ “ทำไมของที่ขายดี ถึงกลับกลายเป็นของที่ขายไม่ออกได้” คำตอบมักไม่ใช่ว่าสินค้าแย่ครับ แต่เป็นเพราะ ความรู้สึกว่าขายดี กับ ข้อมูลว่าขายดีจริงแค่ไหน มันห่างกัน และธุรกิจแบบนี้คือด่านแรกที่การวิเคราะห์ข้อมูลร้านค้าออนไลน์เห็นผลเร็วที่สุด เพราะเงินทุนของร้านเสื้อผ้าเกือบทั้งหมดอยู่ในรูปของสต็อก

Dead Stock คืออะไร (และต่างจาก “ของขายช้า” ยังไง)

Dead Stock คือสินค้าคงคลังที่ค้างอยู่นานและมีโอกาสน้อยมากที่จะขายได้ในสถานการณ์ปกติ ในหลายอุตสาหกรรมมักนับสินค้าที่ไม่ขยับ 6-12 เดือนเป็น dead stock แต่เกณฑ์จริงขึ้นกับประเภทสินค้า ส่วนเรื่องที่ต้องแยกให้ออกคือ เสื้อโค้ทกันหนาวที่นอนอยู่ในกล่องช่วงเดือนกรกฎาคม อาจเป็นแค่สินค้าตามฤดูกาลที่รอวันของมัน แต่เสื้อที่ผูกกับลายเฉพาะปีหรือสไตล์ที่เลิกฮิตแล้ว มีโอกาสเป็น dead stock จริงมากกว่า และวิธีรับมือไม่เหมือนกัน

มีตัวเลขหนึ่งที่มักถูกยกมาพูดถึง คือร้านออนไลน์มักมีสต็อกประมาณ 20-30% ที่ไม่ขยับ แต่ตัวเลขนี้มาจากบล็อกของผู้ให้บริการซอฟต์แวร์ ผมเลยขอให้ใช้เป็น “ภาพคร่าวๆ” ไม่ใช่มาตรฐานอ้างอิงนะครับ ที่สำคัญกว่าคือ ของค้างทุกชิ้นคือเงินสดที่ถูกล็อกไว้ ซึ่งเอาไปสั่งของที่ขายดีจริงไม่ได้

ตัวเลขประจำร้านของพี่มะลิ: Sell-through Rate

ตามกติกาที่ตั้งไว้ว่าแต่ละร้านมีตัวเลขเดียว ร้านเสื้อผ้าออนไลน์ผมแนะนำ Sell-through Rate ครับ คือสัดส่วนของที่ขายได้เทียบกับของที่รับเข้ามาในช่วงเวลาหนึ่ง

Sell-through Rate = จำนวนที่ขายได้ ÷ จำนวนที่รับเข้ามา × 100

ตัวอย่างของพี่มะลิ รับเข้ามา 100 ตัว ผ่านไป 60 วันขายได้ 38 ตัว Sell-through ก็คือ 38% ฟังดูไม่น่ากลัว แต่พอเทียบกับสินค้าอีกตัวที่รับเข้ามา 80 ตัวและขายได้ 64 ตัว (80%) ภาพจะเปลี่ยนทันที พี่มะลิจะเห็นว่าเสื้อเชิ้ตลินินที่ “รู้สึกว่าขายดี” จริงๆ แล้วขายช้ากว่ากางเกงผ้าฝ้ายที่ไม่เคยมีใครพูดถึงเลย (555 ของจริงมักเป็นแบบนี้)

เจ้าของร้านไม่ต้องตั้งเป้าตัวเลขตายตัวครับ เพราะเกณฑ์ที่ “ดี” ต่างกันตามประเภทสินค้า ใช้การเปรียบเทียบสินค้าภายในร้านตัวเองก่อนก็พอ ใครต่ำสุดในรอบ 60 วัน คือรายการที่ต้องดูก่อน

ทำใน Google Sheets ได้ใน 3 ขั้น

เริ่มจากสร้างชีตง่ายๆ 2 แท็บ

แท็บ “รับของ” คอลัมน์: รหัสสินค้า, ชื่อสินค้า, วันที่รับ, จำนวนที่รับ, ต้นทุนต่อชิ้น

แท็บ “ขาย” คอลัมน์: วันที่, รหัสสินค้า, จำนวน, ราคาขาย ข้อมูลส่วนนี้ส่วนใหญ่ดึงจาก Seller Centre ของแพลตฟอร์มที่ขายอยู่ได้ โดยดูเมนูรายงานหรือรายได้ เช่น Shopee มีหน้า Income statements ให้ดาวน์โหลด ส่วนเมนูจริงอาจต่างกันตามเวอร์ชัน ลองสำรวจดูในบัญชีตัวเองครับ

จากนั้นสร้างแท็บ “สรุป” แล้วใส่สูตรนี้

=SUMIF(ขาย!B:B, A2, ขาย!C:C)

สูตรนี้บอกให้ชีตไปรวมจำนวนที่ขายได้ ของสินค้ารหัสที่อยู่ในช่อง A2 (ลากลงไปจนครบทุกสินค้า) แล้ววางผลไว้ในคอลัมน์ “ขายได้” ต่อด้วยสูตรเปอร์เซ็นต์

=C2/B2

โดย B2 คือจำนวนที่รับเข้า และ C2 คือจำนวนที่ขายได้ แล้วจัดรูปแบบเป็นเปอร์เซ็นต์ เสร็จแล้วกด Sort จากน้อยไปมาก ใครอยู่บนสุดคือสินค้าที่ต้องดูก่อน ใครที่ชอบสูตรอื่นๆ ใน Sheets เพิ่มเติม ลองอ่าน10 สูตรใน Google Sheets ที่ Data Analyst ใช้แล้วใช้อีกได้ครับ

ถ้าอยากรู้ว่าสินค้า “นอนอยู่กี่วันแล้ว” เพิ่มอีกคอลัมน์ =TODAY()-D2 โดย D2 คือวันที่รับของ ชีตจะนับจำนวนวันที่สินค้าอยู่ในสต็อกให้อัตโนมัติ

ตัวเลขข้างเคียงที่เจ้าของร้านควรรู้จัก

พอ Sell-through ใช้งานได้ ก็อาจเริ่มดูตัวเลขอีกสองตัวที่เกี่ยวข้อง

Inventory Turnover คือ ต้นทุนสินค้าที่ขายได้ (COGS) ÷ มูลค่าสินค้าคงคลังเฉลี่ย บอกว่าสต็อกหมุนเวียนกี่รอบในช่วงเวลาหนึ่ง และ Days Sales of Inventory (DSI) คือ 365 ÷ Inventory Turnover แปลเป็นจำนวนวันที่สินค้าอยู่ก่อนถูกขายโดยเฉลี่ย

ตามคู่มือบัญชีสำหรับร้านค้าปลีกรายย่อยเล่มหนึ่ง ค่า DSI ของกลุ่มเสื้อผ้าแฟชั่นอยู่ราว 61-91 วัน แต่ผมอยากให้ใช้ตัวเลขนี้เป็นแค่ “จุดเทียบคร่าวๆ” นะครับ เพราะ benchmark เปลี่ยนไปตามประเภทสินค้าและช่องทางขายมาก และคำเตือนอีกข้อคือ Sell-through เหมาะกับการสั่งซื้อและโปรโมชันระยะสั้น ส่วน Inventory Turnover เหมาะกับดูสุขภาพการเงินภาพรวม ร้านเล็กๆ เริ่มจาก Sell-through ก่อนก็เพียงพอ

เจอแล้วทำอะไรต่อ

ข้อมูลจะมีประโยชน์ก็ต่อเมื่อนำไปสู่การลงมือ ซึ่งสำหรับสินค้าที่ Sell-through ต่ำ ตัวเลือกที่เจ้าของร้านเล็กๆ ทำได้เลยมีประมาณนี้ครับ

  1. หยุดสั่งเพิ่ม ก่อนจะสั่งซ้ำ ให้เช็กชีตก่อนเสมอ
  2. จัดเซ็ตหรือมัดรวม เอาของที่ค้างไปจับคู่กับของที่ขายดี
  3. ลดราคาแบบตั้งใจ กำหนดวันและระดับส่วนลดล่วงหน้า ดีกว่าลดแบบตกใจตอนที่สต็อกล้นแล้ว
  4. ทดลองสั่งน้อยก่อน สำหรับสินค้าใหม่ ให้สั่งจำนวนน้อยแล้วดูว่าขายเป็นยังไง ค่อยสั่งเพิ่ม

พี่มะลิลองทำตามนี้ ก็จะเห็นว่าเสื้อลินินที่เคยคิดว่า “ต้องสั่งเพิ่ม” จริงๆ แล้วควรหยุดสั่ง และเอางบไปสั่งกางเกงผ้าฝ้ายที่ขายได้ 80% แทน

ถ้าอยากต่อยอดไปอีกขั้น เรื่องการจัดอันดับสินค้าแบบ 80/20 (Pareto) ที่ช่วยบอกว่าสินค้ากลุ่มไหนสร้างรายได้ส่วนใหญ่ แอดเคยเล่าไว้ในบทความ Data กับธุรกิจ SME ที่แนะนำไว้ตอนต้นแล้ว ลองเอาไปใช้ร่วมกันได้เลยครับ

แต่ร้านเสื้อผ้าของพี่มะลิมีข้อดีอย่างหนึ่งคือของที่ค้างยังเก็บได้ ลองดูอีกร้านในซอยบ้างครับ คือคาเฟ่ ที่ของส่วนหนึ่งเก็บไม่ได้ และปัญหาไม่ใช่ว่าขายไม่ออก แต่เป็น “ขายดีทุกเมนู แต่กำไรไม่เห็นเพิ่ม” ซึ่งนำเราไปสู่เรื่อง Menu Engineering ในหัวข้อถัดไป

ร้านกาแฟและคาเฟ่ — Menu Engineering จากข้อมูลบิลที่มีอยู่แล้ว

พี่มะลิเล่าเรื่องเสื้อลินินจบ ลุงหมีเจ้าของคาเฟ่ที่เรานั่งคุยกันอยู่ก็ยกมือขึ้นเบาๆ (ชื่อสมมติอีกเช่นเคยครับ) “ร้านพี่ยังเก็บของค้างไว้ขายทีหลังได้ ร้านผมนมกับวัตถุดิบสดเก็บไม่ได้ แถมอีกอย่างคือเมนูผมขายดีทุกตัวเลย แต่ทำไมสิ้นเดือนเงินไม่เห็นเพิ่มตามยอดขาย”

ประโยคนี้ผมได้ยินบ่อยมากครับ และมันคือปัญหาที่ Menu Engineering ร้านกาแฟ ถูกคิดมาแก้โดยตรง เพราะจุดอ่อนของเจ้าของร้านส่วนใหญ่คือ “ดูแค่ว่าอะไรขายดี” โดยไม่ได้ดูว่า “ขายแล้วเหลือกำไรเท่าไหร่” และสองเรื่องนี้ไม่ได้เดินไปด้วยกันเสมอ

Menu Engineering คืออะไร และคิดมาตั้งแต่เมื่อไหร่

Menu Engineering ไม่ใช่เทรนด์ใหม่ครับ แนวคิดนี้มาจากงานของ Michael Kasavana และ Donald Smith ที่เผยแพร่ในปี 1982 หลักการคือจัดทุกเมนูเข้าตารางสองแกน คือ ความนิยม (ขายได้บ่อยแค่ไหน) กับ ความสามารถในการทำกำไร (ขายแต่ละครั้งเหลือกำไรเท่าไหร่) แล้วจะได้เมนู 4 กลุ่ม

กลุ่มความนิยมกำไรต่อแก้วความหมายแบบบ้านๆ
Starสูงสูงพระเอก รักษาไว้ให้ดี
Plowhorseสูงต่ำม้างาน ขายดีแต่เหนื่อยฟรี
Puzzleต่ำสูงของดีที่คนยังไม่รู้จัก
Dogต่ำต่ำลองถามตัวเองว่าจำเป็นไหม

ตัวเลขประจำร้านของลุงหมีคือ กำไรต่อแก้ว (Contribution Margin) ซึ่งคำนวณง่ายมาก คือราคาขาย ลบต้นทุนวัตถุดิบต่อแก้ว จุดเด่นของมันคือบอกว่ายอดขายแต่ละครั้ง “เหลือเท่าไหร่ไว้จ่ายค่าแรง ค่าเช่า และกำไร” ซึ่งต่างกับดูแค่ต้นทุนเป็น % เพราะ % ต้นทุนบอกเรื่องของเมนูเดียว แต่กำไรต่อแก้วเชื่อมถึงเงินที่เข้าบัญชีจริงๆ

ข้อมูลที่ลุงหมีมีอยู่แล้ว

ข้อมูลที่ต้องใช้มีแค่สองชุดครับ ชุดแรกคือ จำนวนที่ขายได้ของแต่ละเมนู ซึ่งดึงได้จากรายงานของระบบ POS หรือแม้แต่การนับบิลเอง ชุดที่สองคือ ต้นทุนวัตถุดิบต่อแก้ว ซึ่งต้องนั่งคำนวณเองสักครั้ง (กาแฟกี่กรัม นมกี่มล. น้ำเชื่อม แก้ว หลอด ฝา) ถ้าไม่เคยทำ ลองดูวิธีคิดในบทความร้านอาหารตามสั่งที่แนะนำไว้ตอนต้น ซึ่งเล่าเรื่องต้นทุนต่อเมนูไว้ได้ครับ

อีกอย่างที่ผมอยากให้ลองคือคุยกับพนักงานหน้าร้านด้วย ข้อมูลจาก POS บอกว่า “ขายได้เท่าไหร่” แต่พนักงานรู้ว่า “ลูกค้าถามหาอะไร” ซึ่งเป็นข้อมูลเชิงคุณภาพที่ POS ไม่มี ใช้สองอย่างประกอบกันจะแม่นกว่า

ตัวอย่างของลุงหมี: เมนูเครื่องดื่ม 5 ตัว

ลองดูตัวเลข (สมมติทั้งหมดเพื่อเล่าให้เห็นภาพ) ของเมนูเครื่องดื่ม 5 ตัวในหนึ่งเดือน

เมนูราคาต้นทุนกำไร/แก้วขายได้ (แก้ว)
อเมริกาโน่เย็น601446700
ลาเต้เย็น752847600
ชาไทยปั่น704030500
มัทฉะลาเต้953857120
โกโก้เข้มข้น65382780

รวมขายได้ 2,000 แก้ว กำไรรวม 84,400 บาท ถ้าหารเฉลี่ยแบบถ่วงน้ำหนักตามยอดขาย จะได้กำไรเฉลี่ยประมาณ 42.2 บาทต่อแก้ว ใช้เป็นเส้นแบ่งระหว่างกำไรสูงกับต่ำ

ส่วนเส้นแบ่งความนิยม มีกฎที่ใช้กันทั่วไปคือ เมนูจะนับว่า “นิยม” เมื่อขายได้อย่างน้อย 70% ของค่าที่ควรจะเป็นถ้าทุกเมนูขายเท่ากัน มี 5 เมนู ส่วนแบ่งเท่ากันคือ 20% ดังนั้นเส้นแบ่งคือ 70% ของ 20% เท่ากับ 14%

ผลที่ได้ออกมาแบบนี้ครับ

  • อเมริกาโน่เย็น (35%, กำไร 46) และลาเต้เย็น (30%, กำไร 47) เป็น Star
  • ชาไทยปั่น (25%, กำไร 30) เป็น Plowhorse
  • มัทฉะลาเต้ (6%, กำไร 57) เป็น Puzzle
  • โกโก้เข้มข้น (4%, กำไร 27) เป็น Dog

จุดที่ทำให้ลุงหมีร้อง “อ๋อ” คือชาไทยปั่นครับ เมนูที่ขายดีเป็นอันดับ 3 และคนในร้านมักมองว่าเป็นเมนูเด็ด แต่ทุกแก้วที่ขายได้กำไรแค่ 30 บาท ต่ำกว่าเส้นเฉลี่ย 42.2 และมัทฉะลาเต้ที่ไม่ค่อยมีใครพูดถึง ทำกำไรแก้วละ 57 บาท

ทำใน Google Sheets ยังไง

วางข้อมูลตามตารางข้างบน คอลัมน์ A ถึง D คือ ชื่อเมนู ราคา ต้นทุน และจำนวนขาย แล้วเพิ่มคอลัมน์ E กำไรต่อแก้ว ใส่สูตร

=B2-C2

สูตรนี้คือราคาลบต้นทุน ลากลงไปทุกแถว คอลัมน์ F คือสัดส่วนยอดขาย ใส่สูตร

=D2/SUM($D$2:$D$6)

แปลว่าเอาจำนวนที่ขายของเมนูนี้ หารด้วยยอดรวมทั้งหมด (เครื่องหมาย $ ช่วยล็อกช่วงยอดรวมไม่ให้เลื่อนเวลาลากสูตร) จากนั้นหากำไรเฉลี่ยถ่วงน้ำหนักไว้ที่ช่อง I2

=SUMPRODUCT(E2:E6,D2:D6)/SUM(D2:D6)

สูตรนี้เอากำไรต่อแก้วคูณจำนวนขายของแต่ละเมนู รวมกัน แล้วหารด้วยจำนวนแก้วทั้งหมด สุดท้ายให้ชีตติดป้ายกลุ่มให้เองในคอลัมน์ G

=IF(F2>=0.7/COUNTA($A$2:$A$6), IF(E2>=$I$2,"Star","Plowhorse"), IF(E2>=$I$2,"Puzzle","Dog"))

อ่านเป็นภาษาคนคือ ถ้าส่วนแบ่งยอดขายถึงเส้น 70% ของค่าเฉลี่ย ให้ดูต่อว่ากำไรต่อแก้วถึงเส้นเฉลี่ยไหม ถ้าถึงก็ Star ถ้าไม่ถึงก็ Plowhorse และถ้าความนิยมไม่ถึงเส้น ก็แบ่งเป็น Puzzle หรือ Dog ตามกำไรต่อแก้ว สูตร Sheets อื่นๆ ที่ใช้บ่อย ลองกลับไปดูบทความ 10 สูตรที่ลิงก์ไว้ในหัวข้อก่อนหน้าได้ครับ

เจอแล้วทำอะไรต่อ

หลังจากติดป้ายแล้ว แนวทางคร่าวๆ ที่ลุงหมีลองได้คือ

Star: อย่าไปยุ่ง รักษาคุณภาพ และวางให้เห็นง่ายในเมนู

Plowhorse: ลองปรับราคาขึ้นเล็กน้อย หรือลดต้นทุนโดยไม่ลดคุณภาพ เช่นปรับสัดส่วนส่วนผสม ในกรณีชาไทยปั่น ถ้าขึ้นราคาจาก 70 เป็น 75 บาท แล้วยอดขายไม่ตก จะได้กำไรเพิ่มราว 2,500 บาทต่อเดือน (500 แก้ว คูณ 5 บาท) แต่นี่คือการทดลอง ไม่ใช่การรับประกัน ควรลองแล้วดูยอดขายสองสามสัปดาห์ก่อน

Puzzle: มัทฉะลาเต้ทำกำไรดีแต่คนไม่รู้จัก ลองวางไว้จุดที่สายตาลูกค้าเห็นง่าย ให้พนักงานแนะนำ หรือตั้งชื่อให้น่าสนใจ ถ้ามัทฉะขายได้ 250 แก้วแทน 120 แก้ว กำไรรวมจากเมนูนี้จะขยับจากราว 6,840 เป็น 14,250 บาทต่อเดือน

Dog: ลองถามว่าเมนูนี้ต้องใช้วัตถุดิบเฉพาะที่ใช้กับเมนูอื่นไม่ได้ไหม ถ้าใช่ ตัดออกอาจประหยัดทั้งเวลาและของเสีย แต่ถ้ามีลูกค้าประจำที่สั่งทุกอาทิตย์ ก็ไม่ควรตัดตามตัวเลขเฉยๆ

อย่าลืมว่าตัวเลขเหล่านี้บอกเราว่า “อะไร” แต่ยังไม่ได้บอกว่า “ทำไม” และข้อมูลหนึ่งเดือนอาจโดนเทศกาลหรือฝนมารบกวน ควรดูย้อนหลังหลายเดือน และทำซ้ำเป็นระยะ เพราะต้นทุนวัตถุดิบเปลี่ยนตลอด ไม่ใช่งานครั้งเดียวจบ

ลุงหมีจดชีตเก็บไว้ แล้วหันไปมองฝั่งฟิตเนสที่ยังเงียบอยู่ เจ้าของฟิตเนส “โค้ชเบียร์” บ่นเบาๆ ว่าปัญหาของเขาคนละแบบเลย สมัครใหม่ก็มี แต่คนที่เคยมาทุกวัน ทำไมเดือนสองเดือนแล้วหายไปเฉยๆ ซึ่งเป็นโจทย์ของหัวข้อถัดไปครับ

ฟิตเนสและสตูดิโอ — ดู Churn Rate ก่อนสมาชิกยกเลิก

โค้ชเบียร์เจ้าของสตูดิโอ “ฟิตกันเถอะ” (สมมติเช่นเดิม) เล่าว่าเขาไม่ค่อยห่วงเรื่องหาคนสมัครใหม่ เพราะทุกเดือนก็มีคนสมัครเข้ามาอยู่เรื่อยๆ ที่เขาปวดหัวคือ “คนที่เคยมาทุกอาทิตย์ จู่ๆ ก็หายไป พอรู้ตัวอีกที เขากดยกเลิกสมาชิกไปแล้ว”

ถ้าอยากเข้าใจธุรกิจฟิตเนสและสตูดิโอผ่านตัวเลข ตัวเลขที่ต้องรู้จักเป็นอันดับแรกคือ Churn Rate ครับ และนี่คือประเภทธุรกิจที่เข้าเกณฑ์ที่เราคุยกันตั้งแต่หัวข้อแรกครบทั้งสามข้อ ธุรกรรมซ้ำเยอะ (เช็กอินทุกครั้งที่มา) ของจำกัด (ที่นั่งในคลาส) และมีข้อมูลอยู่แล้ว (ประวัติเช็กอินกับรายชื่อสมาชิก)

Churn Rate ฟิตเนสคืออะไร

Churn Rate คือสัดส่วนของสมาชิกที่เลิกใช้บริการในช่วงเวลาหนึ่ง สูตรที่ใช้กันทั่วไปคือ

Churn Rate = จำนวนสมาชิกที่ยกเลิกในเดือนนั้น ÷ จำนวนสมาชิกที่ยังใช้งานอยู่ในเดือนนั้น × 100

ตัวอย่างของสตูดิโอโค้ชเบียร์ (ตัวเลขสมมติทั้งหมดนะครับ) ต้นเดือนมีสมาชิกที่จ่ายอยู่ 200 คน เดือนนั้นมีคนยกเลิก 8 คน ก็คือ 8 ÷ 200 = 4% ต่อเดือน

ตัวเลข 4% ฟังดูเล็ก แต่ถ้าสมมติว่าอัตรานี้คงที่ทุกเดือน เมื่อรวมกันทั้งปีจะเท่ากับสูญเสียสมาชิกราว 39% (คำนวณจาก 1 ลบ 0.96 ยกกำลัง 12) ซึ่งเป็นค่าประมาณคร่าวๆ นะครับ ไม่ใช่ตัวเลขจริง แต่ช่วยให้เห็นว่าเปอร์เซ็นต์รายเดือนที่ดูน้อย ทบกันแล้วกลายเป็นปัญหาใหญ่

สำหรับเกณฑ์เทียบ มีแหล่งหนึ่งที่อ้างข้อมูลจาก IHRSA (สมาคมอุตสาหกรรมสุขภาพและฟิตเนสระหว่างประเทศ) ว่าฟิตเนสโดยเฉลี่ยมี churn ประมาณ 30-40% ต่อปี และบางแห่งสูงถึง 50% ขณะที่เครื่องมือคำนวณของอีกเจ้าหนึ่งให้ช่วงเฉลี่ยประมาณ 25-35% ต่อปี จะเห็นว่าแหล่งข้อมูลให้ช่วงไม่ตรงกัน และข้อมูลส่วนใหญ่มาจากต่างประเทศ ผมจึงอยากให้ใช้เป็นภาพคร่าวๆ เท่านั้น ตัวเทียบที่ดีที่สุดสำหรับร้านเล็กๆ คือ ตัวเลขของร้านเราเองในเดือนที่แล้ว ว่าดีขึ้นหรือแย่ลง

ทำไมเงินที่หายไปถึงเจ็บกว่าที่คิด

ถ้าค่าสมาชิกคนละ 1,200 บาทต่อเดือน คนที่ยกเลิก 8 คนคือรายได้รายเดือนที่หายไป 9,600 บาท และเงินก้อนนี้ไม่กลับมาเองครับ ต้องไปหาสมาชิกใหม่มาเติม ซึ่งมักมีต้นทุนโฆษณาหรือโปรโมชันที่แพงกว่าการรักษาสมาชิกเดิมไว้ การลด churn ลงนิดเดียวจึงมักคุ้มกว่าการหาลูกค้าเพิ่มเยอะๆ

มีตัวอย่างจากต่างประเทศที่น่าสนใจครับ สตูดิโอแห่งหนึ่งในออสเตรเลียรายงานว่าหลังใช้แพลตฟอร์มวิเคราะห์สมาชิก การยกเลิกต่อเดือนลดจาก 14 คนเหลือ 9 คน หรือ churn จาก 6.5% เป็น 4.3% แต่ตัวเลขนี้ผู้ให้บริการแพลตฟอร์มเป็นผู้เผยแพร่เอง และไม่ได้ผ่านการตรวจสอบอิสระ ผมเลยยกมาเป็นแนวคิดว่า “ลดได้” ไม่ใช่เป็นสัญญาว่า “จะลดได้เท่านี้” (ร้านเราไม่ต้องใช้ซอฟต์แวร์แพงๆ ก็เริ่มได้ด้วยชีต ซึ่งเดี๋ยวจะเล่าให้ดูครับ)

สัญญาณเตือนอยู่ในข้อมูลเช็กอิน

ตัวเลข churn เป็นผลลัพธ์ที่เกิดขึ้นแล้ว (เรียกว่า lagging indicator) บอกว่าใครออกไปแล้ว แต่สิ่งที่โค้ชเบียร์อยากได้คือรู้ ก่อนที่เขาจะออก ซึ่งสัญญาณที่ใช้กันบ่อยคือความถี่ในการเข้าใช้ที่ลดลง เช่นสมาชิกที่เคยมาสัปดาห์ละ 3 ครั้งแต่เริ่มมาแค่ 1 ครั้ง บทความของบริษัทที่ทำเครื่องมือวิเคราะห์ธุรกิจฟิตเนสก็แนะนำให้จับตาสมาชิกที่เข้าใช้น้อยกว่าปกติ แล้วเสนอแผนออกกำลังกายหรือคลาสที่เหมาะกับเขา เพื่อดึงกลับมา

ลองทำเองใน Google Sheets แบบง่ายๆ ก่อนครับ ทำสองแท็บ

แท็บ “สมาชิก” คอลัมน์: รหัสสมาชิก, วันที่เริ่ม, สถานะ (ใช้งาน/ยกเลิก), วันที่ยกเลิก

แท็บ “เช็กอิน” คอลัมน์: รหัสสมาชิก, วันที่เข้าใช้

แล้วในแท็บสมาชิก เพิ่มคอลัมน์ “เช็กอินล่าสุด” ใส่สูตร

=MAXIFS(เช็กอิน!B:B, เช็กอิน!A:A, A2)

สูตรนี้ให้ชีตไปหา “วันที่เข้าใช้ล่าสุด” ของสมาชิกรหัสในช่อง A2 จากแท็บเช็กอิน ต่อด้วยคอลัมน์ “ห่างหายกี่วัน”

=TODAY()-E2

โดย E2 คือช่องเช็กอินล่าสุด และคอลัมน์ติดป้ายเตือน

=IF(F2>=14,"ติดตาม","ปกติ")

หมายความว่าถ้าไม่มาเกิน 14 วัน ให้ติดป้ายว่าควรติดตาม ตัวเลข 14 วันนี้เป็นแค่ตัวอย่างนะครับ ให้ปรับตามพฤติกรรมจริงของสมาชิกร้านเรา เช่น ถ้าคนส่วนใหญ่มาสัปดาห์ละ 2 ครั้ง การหายไป 10 วันอาจน่ากังวลกว่า ส่วนสตูดิโอที่สมาชิกมาเดือนละไม่กี่ครั้ง 14 วันอาจเป็นเรื่องปกติ

พอเห็นสัญญาณแล้วทำอะไร

โค้ชเบียร์ไม่ต้องส่งข้อความตื๊อทุกคน แค่เลือกคนที่ติดป้าย “ติดตาม” แล้วส่งข้อความเบาๆ ผ่าน LINE ว่า “ช่วงนี้ไม่ได้เจอกันเลย มีคลาสใหม่วันพุธเย็น อยากให้ลองดู” แนวทางนี้ได้ผลเมื่อทำสม่ำเสมอ สตูดิโอในเคสออสเตรเลียที่เล่าข้างต้นก็เล่าว่าเมื่อข้อมูลพร้อมใช้ จึงทำการติดตามได้ทุกสัปดาห์ ผมเลยอยากให้ลองตั้งเวลาสัปดาห์ละ 15 นาที เปิดชีตแล้วส่งข้อความให้ครบ

และเมื่อผ่านไปหลายเดือน ลองเปรียบเทียบ churn กับ “ระยะเวลาที่เป็นสมาชิก” ดูครับ ถ้าคนยกเลิกกระจุกตัวอยู่ที่เดือนที่ 2-3 แปลว่าปัญหาอยู่ที่ประสบการณ์ช่วงต้น ซึ่งสามารถแก้ได้ด้วยการเพิ่มคลาสแนะนำสำหรับสมาชิกใหม่ แต่ถ้ากระจายทั่วทุกช่วง สาเหตุอาจเป็นเรื่องราคา หรือคู่แข่งใหม่ในย่านนั้น (ข้อมูลช่วยตั้งสมมติฐานได้ แต่ยังต้องคุยกับสมาชิกเพื่อรู้ว่า “ทำไม”)

มีเรื่องหนึ่งที่ต้องระวังคือข้อมูลเช็กอินและรายชื่อสมาชิกเป็นข้อมูลส่วนบุคคล ควรเก็บเท่าที่จำเป็น ไม่แชร์ชีตให้คนที่ไม่เกี่ยวข้อง และแจ้งสมาชิกให้ชัดว่าเก็บข้อมูลไปทำอะไร ใครอยากเข้าใจเรื่องนี้ ลองอ่านบทความ Data Privacy คืออะไรเพิ่มเติมได้ครับ

เมื่อชีตของโค้ชเบียร์เริ่มส่งสัญญาณเตือน คนที่ยกมือถามต่อคือป้าแอนเจ้าของโฮมสเตย์ริมนา เธอบอกว่าของเธอมีลูกค้าไม่กี่คนต่อเดือน ไม่มีสมาชิก ไม่มีเช็กอินรายวัน แต่ช่วงเทศกาลห้องเต็มทุกคืนจนดีใจ พอสิ้นเดือนกลับรู้สึกว่าเงินไม่ได้เยอะอย่างที่คิด ซึ่งเป็นโจทย์ที่ตัวเลขอย่าง Occupancy และ ADR ตอบได้ในหัวข้อถัดไปครับ

โฮมสเตย์และที่พักเล็กๆ— Occupancy กับ ADR บอกอะไร

ป้าแอนเจ้าของโฮมสเตย์ “บ้านริมนา” (ห้องพัก 5 ห้อง สมมติเช่นเคย) เล่าให้เพื่อนๆ ฟังว่า เดือนธันวาคมที่ผ่านมาห้องแทบเต็มทุกคืน เธอดีใจมาก แต่พอสรุปบัญชีสิ้นเดือน เงินที่ได้กลับไม่เยอะเท่าที่ตั้งใจ

เรื่องนี้เป็นเรื่องที่เจ้าของที่พักเล็กๆ เจอบ่อยครับ และ Occupancy Rate ADR โฮมสเตย์ คือตัวเลขสองตัวที่ช่วยอธิบายว่าทำไม ธุรกิจที่พักตรงกับเกณฑ์เรื่อง “ของจำกัด” ที่เราคุยกันตั้งแต่หัวข้อแรกแบบชัดที่สุด เพราะห้องที่ว่างคืนนี้ ขายย้อนหลังไม่ได้อีกแล้ว

Occupancy, ADR และ RevPAR คืออะไร

ลองรู้จักตัวเลขสามตัวนี้ก่อนครับ

Occupancy Rate (อัตราการเข้าพัก) คือจำนวนคืนที่ห้องถูกจอง หารด้วยจำนวนคืนที่เปิดให้จองทั้งหมด คูณ 100 บอกว่าห้องเต็มมากน้อยแค่ไหน

ADR (Average Daily Rate) คือรายได้รวม หารด้วยจำนวนคืนที่ถูกจอง บอกว่าโดยเฉลี่ยแล้วขายห้องได้คืนละเท่าไหร่

RevPAR (Revenue per Available Room) คือรายได้จากห้องพักรวม หารด้วยจำนวนห้องที่เปิดให้จอง เป็นตัวเลขที่รวมทั้งเรื่องราคาและเรื่องความเต็มเข้าด้วยกัน (จะคำนวณอีกแบบก็ได้ คือเอา Occupancy คูณ ADR ได้ผลเท่ากัน)

ข้อสังเกตเล็กๆ ที่แพลตฟอร์มวิเคราะห์ที่พักบางเจ้าบอกไว้ คือการคิด ADR มักไม่รวมค่าทำความสะอาด และบางเจ้าใช้ค่ามัธยฐานแทนค่าเฉลี่ย เพราะห้องหรูไม่กี่ห้องอาจทำให้ค่าเฉลี่ยเบี้ยว ดังนั้นถ้าจะเทียบกับใคร ต้องเช็กก่อนว่าคิดด้วยวิธีเดียวกัน

ทำไมห้องเต็ม 90% แต่เงินไม่เยอะ

กลับมาที่ป้าแอนครับ ลองดูตัวเลขเดือนธันวาคมของเธอ (สมมติ) บ้านริมนามี 5 ห้อง เดือนนี้มี 31 วัน รวมเป็น 155 ห้องคืนที่เปิดให้จอง

  • ห้องที่ถูกจอง 140 คืน เท่ากับ Occupancy ประมาณ 90.3%
  • ช่วงเทศกาล ป้าแอนทำแพ็กเกจพิเศษ ขายห้องคืนละ 900 บาท รายได้รวม 126,000 บาท
  • ADR เท่ากับ 900 บาท และ RevPAR เท่ากับ 126,000 ÷ 155 ได้ประมาณ 813 บาท

ฟังดูดีครับ ห้องเต็มเกือบทุกคืน แต่ลองคิดอีกแบบ สมมติว่าป้าแอนตั้งราคาที่ 1,300 บาท แล้วห้องเต็มลดลงเหลือ 75% (ราว 116 คืน) รายได้จะเป็น 116 × 1,300 = 150,800 บาท RevPAR ขยับเป็นประมาณ 973 บาท ต่างกันราว 24,800 บาทในเดือนเดียว ทั้งที่ห้องว่างเพิ่มขึ้นด้วยซ้ำ

มีแหล่งข้อมูลด้านการบริหารที่พักให้หลักการตรงกันว่า การเต็ม 100% ไม่ได้รับประกันรายได้สูงสุด เพราะถ้าห้องเต็มทุกคืนก็อาจแปลว่าเราขายถูกไปจนเสียโอกาสในคืนที่ลูกค้ายอมจ่ายมากกว่า (ตัวเลข 1,300 บาทและเต็ม 75% ข้างบนเป็นการสมมติเพื่อให้เห็นภาพนะครับ ในโลกจริงเราไม่มีทางรู้ล่วงหน้าว่าขึ้นราคาแล้วลูกค้าจะหายไปเท่าไหร่ จึงต้องทดลองทีละนิด)

ตัวเลขประจำร้านของป้าแอน: RevPAR

ตามกติกาที่ตั้งไว้ว่าแต่ละร้านมีตัวเลขเดียว ผมแนะนำ RevPAR สำหรับโฮมสเตย์ เพราะมันกันไม่ให้เรามองแค่เปอร์เซ็นต์ห้องเต็ม (ซึ่งหลอกตาได้ง่าย) หรือแค่ราคา แต่มองทั้งสองอย่างพร้อมกัน ถ้า RevPAR ขยับขึ้น แปลว่าห้อง “ทำเงินต่อคืนที่เปิดขาย” ได้มากขึ้นจริง

ทำใน Google Sheets แบบรายคืน

วิธีที่ง่ายและแม่นสำหรับที่พัก 5 ห้องคือสร้างตารางหนึ่งแถวต่อ “ห้องหนึ่งคืน” คอลัมน์: A วันที่, B ห้อง, C สถานะ (จอง/ว่าง), D ราคาที่ขายได้ (ถ้าว่างไม่ต้องใส่), E ประเภทคืน

ในคอลัมน์ E ใส่สูตรแยกคืนวันธรรมดากับคืนสุดสัปดาห์ (ผมนับคืนวันศุกร์และเสาร์เป็นคืนสุดสัปดาห์)

=IF(OR(WEEKDAY(A2,2)=5,WEEKDAY(A2,2)=6),"คืนสุดสัปดาห์","คืนวันธรรมดา")

ฟังก์ชัน WEEKDAY แบบ 2 จะให้ค่า 1 เป็นวันจันทร์ ถึง 7 เป็นวันอาทิตย์ ดังนั้น 5 กับ 6 คือศุกร์กับเสาร์ จากนั้นสรุปตัวเลขทั้งสามได้ในแท็บใหม่ (สมมติข้อมูลอยู่แถว 2-156)

Occupancy

=COUNTIF(C2:C156,"จอง")/COUNTA(C2:C156)

แปลว่าเอาจำนวนคืนที่สถานะ “จอง” หารด้วยจำนวนคืนทั้งหมดที่เปิดขาย

ADR

=SUMIF(C2:C156,"จอง",D2:D156)/COUNTIF(C2:C156,"จอง")

รวมราคาของเฉพาะคืนที่ถูกจอง หารด้วยจำนวนคืนที่ถูกจอง

RevPAR

=SUMIF(C2:C156,"จอง",D2:D156)/COUNTA(C2:C156)

รวมรายได้ทั้งหมด หารด้วยจำนวนห้องคืนที่เปิดขาย ซึ่งจะได้ตัวเลขเดียวกับ Occupancy คูณ ADR

อยากเทียบวันธรรมดากับสุดสัปดาห์ ใช้ AVERAGEIFS ดึงราคาเฉลี่ยตามประเภทคืนมาดูได้เลยครับ ป้าแอนอาจพบว่า ราคาคืนวันธรรมดาของเธอแทบไม่ต่างจากคืนสุดสัปดาห์ทั้งที่ลูกค้าอยากมาเสาร์อาทิตย์มากกว่า (ผลจริงแต่ละที่ไม่เหมือนกัน ตัวเลขในบทความเป็นสมมติ)

ข้อมูลอื่นที่ควรดูเคียงข้างกัน

เมื่อชีตเริ่มใช้งานได้ มีอีกสองสามตัวเลขที่ช่วยเสริมครับ

Seasonality รายเดือน ลองดู Occupancy และ ADR ย้อนหลัง 12 เดือน จะเห็นช่วงที่ห้องว่างประจำ ซึ่งเป็นเวลาที่ควรทำการตลาดหรือโปรโมชัน ส่วนช่วงห้องเต็มก็ควรทบทวนราคาว่าถูกไปไหม

อัตราการยกเลิก ถ้าเดือนไหนหรือช่องทางไหนมีการยกเลิกบ่อย อาจเป็นสัญญาณปัญหาเรื่องราคา เงื่อนไข หรือความคาดหวังของลูกค้า ลองตรวจนโยบายมัดจำ และส่งข้อความหาลูกค้าก่อนเข้าพัก

จำนวนคืนที่พักต่อการจอง (ALOS) คือจำนวนคืนทั้งหมดหารด้วยจำนวนการจอง ถ้าลูกค้าส่วนใหญ่พักแค่ 1 คืน ก็อาจลองทำแพ็กเกจ 2 คืนที่คุ้มกว่า

อย่าลืมเรื่องที่เราคุยกันตั้งแต่ต้นว่าตัวเลขบอก “อะไร” ไม่ได้บอก “ทำไม” ถ้าเดือนหน้า RevPAR ตก อาจเพราะฝนตกหนักทั้งเดือน หรือมีงานใหญ่ในเมืองข้างๆ ไม่ใช่เพราะราคาที่ตั้งก็ได้ครับ

สรุปของวงสนทนาในซอยสบายใจคือ ตอนนี้ทั้ง 4 ร้านมีตัวเลขประจำร้านกันแล้ว (Sell-through, กำไรต่อแก้ว, Churn Rate และ RevPAR) แต่ละร้านมีชีตของตัวเอง กระจายอยู่ในมือถือและคอมคนละเครื่อง คำถามต่อมาจึงเป็นเรื่องที่เจ้าของร้านเล็กๆ ถามผมบ่อยที่สุด คือ “แล้วจะดูตัวเลขพวกนี้ทุกสัปดาห์ได้ง่ายๆ ยังไง โดยไม่ต้องเปิดชีตทีละอัน และไม่ต้องมีทีม Data” ซึ่งจะเป็นเรื่องของหัวข้อสุดท้ายครับ

เริ่มยังไงโดยไม่ต้องมีทีม Data — Google Sheets + Looker Studio ฟรี

มาถึงคำถามสุดท้ายของวงสนทนาในซอยสบายใจครับ ทั้งสี่ร้านมีตัวเลขประจำร้านแล้ว แต่ชีตของแต่ละคนกระจายอยู่คนละที่ ป้าแอนอยากให้มี “หน้าเดียวที่เปิดดูปุ๊บ รู้เรื่องปั๊บ” โดยไม่ต้องจ้างใคร

ข่าวดีคือบทความนี้ใช้แค่ Google Sheets มาตลอด ซึ่งพร้อมจะต่อยอดเป็น dashboard ได้เลยด้วย Looker Studio ฟรี ครับ

Looker Studio ฟรีจริงไหม

Looker Studio เป็นเครื่องมือสร้างรายงานและ dashboard ของ Google ที่ใช้ได้ฟรี และมี connector ของ Google Sheets ในตัว ไม่ต้องจ่ายเพิ่มเพื่อต่อชีตเข้ามา สิ่งที่ต้องระวังคือถ้าวันหนึ่งอยากดึงข้อมูลจากแหล่งที่ไม่ใช่ของ Google (เช่น CRM บางตัว หรือแพลตฟอร์มโฆษณาบางเจ้า) connector ของบุคคลที่สามบางตัวอาจมีค่าใช้จ่าย แต่สำหรับร้านที่เริ่มจากชีตอย่างเรา ยังไม่ต้องกังวลเรื่องนี้

ถ้าอยากเปรียบเทียบกับ Power BI และ Tableau ว่าแต่ละตัวเหมาะกับใคร ผมเขียนไว้แล้วในบทความ Power BI vs Tableau vs Looker Studio ส่วนร้านเล็กๆ ที่เริ่มจากศูนย์ ผมแนะนำให้เริ่มที่ Looker Studio เพราะเข้ากับ Sheets ที่สุด

ขั้นที่ 1 — จัดชีตให้ “สะอาด” ก่อน

Dashboard จะดีเท่าที่ข้อมูลต้นทางดีครับ ก่อนต่อเข้า Looker Studio ลองเช็กสามเรื่องนี้

หนึ่งแท็บต่อหนึ่งตาราง แถวแรกเป็นหัวคอลัมน์ ห้ามมีเซลล์ที่ผสานกัน และห้ามมีแถวสรุปแทรกกลางตาราง

วันที่ต้องเป็นวันที่จริง ไม่ใช่ข้อความ ใช้ Format > Number > Date จัดรูปแบบให้เหมือนกันทั้งคอลัมน์

สะกดให้ตรงกัน เช่นรหัสสินค้า “SH-01” กับ “sh-01 ” (มีเว้นวรรคต่อท้าย) ชีตจะมองเป็นคนละตัว ใช้ฟังก์ชัน TRIM ช่วยตัดช่องว่างส่วนเกินได้ครับ

ถ้าชีตของแต่ละร้านเก็บข้อมูลด้วยมือ ใช้ Google Form ช่วยกรอกให้เป็นระเบียบได้ วิธีทำอยู่ในบทความร้านอาหารตามสั่งที่แนะนำไว้ตอนต้นแล้วครับ

ขั้นที่ 2 — ต่อ Looker Studio ภายในไม่กี่นาที

ขั้นตอนโดยย่อ (หน้าตาเมนูอาจเปลี่ยนตามเวอร์ชันของ Google นะครับ)

  1. เข้า Looker Studio ด้วยบัญชี Google เดียวกับที่เก็บชีต แล้วสร้างรายงานใหม่
  2. เลือก Add data แล้วเลือก connector ชื่อ Google Sheets
  3. เลือกไฟล์ชีตและแท็บที่ต้องการ แล้วกด Add
  4. เพิ่ม Scorecard (กล่องตัวเลขใหญ่) หนึ่งอัน แล้วเลือกตัวเลขประจำร้านของเรา

แค่นี้ก็ได้ dashboard แรกแล้วครับ เมื่อไหร่ที่แก้ข้อมูลในชีต รายงานจะอัปเดตตาม

หน้า Dashboard ของแต่ละร้าน: ไม่ต้องเยอะ

แอดแนะนำหน้าเดียวต่อร้าน ประกอบด้วยแค่สามอย่าง ได้แก่ Scorecard ตัวเลขประจำร้าน กราฟเส้นแสดงแนวโน้ม และตาราง “สิ่งที่ต้องทำสัปดาห์นี้” ลองดูตัวอย่างของแต่ละร้านในซอย

ร้านสมมติScorecardกราฟแนวโน้มตารางที่ต้องทำ
ร้านเสื้อผ้าของพี่มะลิSell-through ภาพรวมSell-through รายเดือนสินค้า 5 อันดับที่ Sell-through ต่ำสุด
คาเฟ่ของลุงหมีกำไรเฉลี่ยต่อแก้วกำไรรวมรายสัปดาห์เมนูกลุ่ม Puzzle และ Dog
ฟิตเนสของโค้ชเบียร์Churn Rate รายเดือนจำนวนยกเลิกต่อเดือนสมาชิกที่ติดป้าย “ติดตาม”
โฮมสเตย์ของป้าแอนRevPAROccupancy กับ ADRคืนว่างในอีก 14 วันข้างหน้า

ตารางสุดท้ายของแต่ละร้านสำคัญที่สุดครับ เพราะเป็นตัวเปลี่ยนจาก “ดูตัวเลข” ไปเป็น “ลงมือทำ” ถ้า dashboard ไม่ได้บอกว่าสัปดาห์นี้ต้องทำอะไร ไม่นานก็จะกลายเป็นหน้าสวยๆ ที่ไม่มีใครเปิด (สิ่งที่แอดเตือนไว้ในบทความ Data กับธุรกิจ SME เรื่องเก็บข้อมูลแต่ไม่เคยดู)

นิสัยที่ทำให้ทุกอย่างได้ผลจริง: 15 นาทีต่อสัปดาห์

เครื่องมือเป็นแค่ครึ่งเดียวครับ อีกครึ่งคือนิสัย ผมแนะนำให้ตั้งเวลาประจำ 15 นาที สัปดาห์ละครั้ง ทำสามอย่างตามลำดับ คือ ดูตัวเลขประจำร้านว่าขึ้นหรือลง ดูตาราง “ที่ต้องทำ” แล้วเลือกลงมือ หนึ่งอย่าง จบ ไม่ต้องทำทุกอย่างพร้อมกัน

ที่ซอยสบายใจ ทั้งสี่คนตกลงกันว่าจะใช้เย็นวันศุกร์ที่นั่งคุยกันอยู่แล้ว ให้แต่ละคนเล่า “ตัวเลขประจำร้านสัปดาห์นี้” คนละหนึ่งนาที แล้วบอกว่าสัปดาห์หน้าจะลองทำอะไร (555 ฟังดูเหมือนชมรมเลยครับ แต่ได้ผลเพราะมีคนคอยถาม)

เมื่อเริ่มคุ้นแล้ว ค่อยพิจารณาก้าวต่อไป เช่นถ้าชีตเริ่มช้าหรือข้อมูลเยอะเกินไป ลองเรียนรู้ SQL เบื้องต้น (ดูบทความ SQL 101 บน common-learn.com) หรือ Python สำหรับ Data Analyst (บทความ Python เบื้องต้นสำหรับ Data Analyst) เพื่อจัดการข้อมูลก้อนใหญ่ขึ้น แต่ไม่ต้องรีบครับ ร้านส่วนใหญ่อยู่กับชีตและ Looker Studio ได้อีกนานมาก

ข้อควรระวังสามข้อ

ข้อมูลส่วนบุคคล dashboard ของฟิตเนสมีรายชื่อสมาชิก และของโฮมสเตย์อาจมีชื่อลูกค้า ควรแชร์เฉพาะคนที่จำเป็น และถ้าไม่ต้องใช้ชื่อก็ใช้รหัสแทน ตามที่เล่าไว้ในหัวข้อฟิตเนสเรื่อง Data Privacy ครับ

อย่าเพิ่งเชื่อข้อมูลเดือนเดียว ฤดูกาล สภาพอากาศ หรือเทศกาลทำให้ตัวเลขแกว่งได้ ดูแนวโน้มหลายเดือนก่อนสรุป

อย่าเพิ่มตัวเลขเร็วเกินไป ใช้ตัวเลขประจำร้านตัวเดียวให้คล่องก่อน ค่อยเพิ่มตัวที่สอง

สรุป — ธุรกิจเล็กไม่ได้ขาดข้อมูล แค่ยังไม่ได้ถามมัน

กลับไปที่โต๊ะในคาเฟ่ของลุงหมีอีกครั้งครับ คำถามเดิมคือ “ตัวเลขอะไรสักตัวที่ต้องดูทุกสัปดาห์คืออะไร” ตอนนี้ทั้งโต๊ะตอบได้แล้ว พี่มะลิดู Sell-through ลุงหมีดูกำไรต่อแก้ว โค้ชเบียร์ดู Churn Rate และป้าแอนดู RevPAR

ธุรกิจขนาดเล็กที่ใช้ Data Analytics แล้วเห็นผลเร็ว มักมีสามอย่างเหมือนกันตามที่เราคุยกันตั้งแต่ต้น คือมีธุรกรรมซ้ำเยอะ มี “ของจำกัด” ที่เสียมูลค่าถ้าไม่ได้ขาย และมีข้อมูลเก็บอยู่แล้วโดยยังไม่เคยเปิดดู ถ้าธุรกิจของเรามีสองในสามข้อนี้ ก็เริ่มได้ตั้งแต่สัปดาห์นี้เลยครับ ด้วย Google Sheets ที่มีอยู่แล้ว

แอดเชื่อว่าธุรกิจเล็กไม่ได้เสียเปรียบเพราะมีข้อมูลน้อยกว่าบริษัทใหญ่ แต่เสียเปรียบตรงที่ยังไม่ได้ ถามอะไรกับข้อมูลที่ตัวเองมี สักที และคำถามแรกที่ดี ไม่ต้องซับซ้อนเลย แค่ “ตัวเลขหนึ่งตัวที่ฉันควรดูทุกสัปดาห์คืออะไร”

อ้างอิง (References)

Nut Khuannaen

, , , , ,

Leave a Reply

Your email address will not be published. Required fields are marked *