การวิเคราะห์กลุ่มใน Analytics มือถือ: คืออะไร ตัวชี้วัด และขั้นตอนการดำเนินการ

การวิเคราะห์กลุ่มคืออะไร?

การวิเคราะห์กลุ่ม เป็นวิธีการวิเคราะห์ที่แบ่งผู้ใช้ออกเป็นกลุ่มตามเวลาที่พวกเขาดำเนินเหตุการณ์เป้าหมายแรก เช่น การติดตั้งแอปหรือการลงทะเบียน ซึ่งแตกต่างจากตัวชี้วัดแบบรวมเช่น DAU หรือ MAU กลุ่มช่วยให้คุณติดตามพฤติกรรมของกลุ่มเดียวกันเป็นเวลาหลายสัปดาห์และหลายเดือน เผยให้เห็นแนวโน้มการรักษาผู้ใช้และการสูญเสีย

ข้อได้เปรียบหลักของวิธีนี้คือการขจัดภาพลวงตาแห่งการเติบโต ซึ่งผู้ใช้เก่าซ่อนปัญหาของผู้ใช้ใหม่ ตามข้อมูลของ Amplitude Blog (2024) บริษัทที่นำการวิเคราะห์กลุ่มมาใช้จะลดการสูญเสียผู้ใช้ลง 20–30% ใน 90 วันแรก

ใช้การวิเคราะห์กลุ่มเพื่อประเมินประสิทธิภาพของแคมเปญ UA เปรียบเทียบพฤติกรรมของแอปเวอร์ชันต่างๆ และคำนวณ ผลตอบแทนจากการลงทุน ในการได้มาซึ่งผู้ใช้

ตัวชี้วัดหลักของการวิเคราะห์กลุ่ม

อัตราการรักษาผู้ใช้ (Retention Rate)

อัตราการรักษาผู้ใช้ คือเปอร์เซ็นต์ของผู้ใช้ของกลุ่มที่กลับมาใช้แอปหลังจากติดตั้งไปแล้ว N วัน นี่คือตัวชี้วัดคุณภาพผลิตภัณฑ์หลัก หากผู้ใช้ไม่กลับมา ปัญหาอยู่ที่การเริ่มต้นใช้งาน คุณค่าที่นำเสนอ หรือความเสถียรของแอป ตามข้อมูลของ Statista (2025) ค่าเฉลี่ย Day-1 Retention สำหรับแอปมือถือคือ 25–30% Day-7 — 10–15% Day-30 — 5–7%

เปรียบเทียบ Retention ของกลุ่มของคุณกับเกณฑ์มาตรฐานของหมวดหมู่และวิเคราะห์ว่าการเปลี่ยนแปลงผลิตภัณฑ์ใดที่เพิ่มการกลับมา

LTV — Lifetime Value

LTV (Lifetime Value) คือรายได้รวมจากผู้ใช้ทั้งหมดของกลุ่มในช่วงเวลาการสังเกต ตัวชี้วัดนี้มีความสำคัญอย่างยิ่งต่อการประเมิน ROI ของแคมเปญโฆษณาและการตัดสินใจเกี่ยวกับการขยายงบประมาณ UA ตามรายงานของ Adjust Benchmarks (2024) ค่าเฉลี่ย LTV ต่อผู้ใช้ในเกมอยู่ที่ $3.50 ในอีคอมเมิร์ซ — $1.80 และในยูทิลิตี้ — $0.40

คำนวณ LTV ของกลุ่มใน Day-30, Day-90 และ Day-180 เพื่อเข้าใจมูลค่าระยะยาวของผู้ใช้ที่ได้มา

อัตราการสูญเสียผู้ใช้ (Churn Rate)

อัตราการสูญเสียผู้ใช้ คือเปอร์เซ็นต์ของผู้ใช้ของกลุ่มที่หยุดใช้แอป อัตราการสูญเสียที่สูงในวันแรกบ่งบอกถึงปัญหาในการเริ่มต้นใช้งานหรือความไม่สอดคล้องของความคาดหวัง ตามข้อมูลของ Localytics (2024) 25% ของผู้ใช้ละทิ้งแอปหลังจากเปิดครั้งแรก และภายในวันที่ 90 เหลือน้อยกว่า 5%

ติดตามอัตราการสูญเสียผู้ใช้รายสัปดาห์ — การเพิ่มขึ้น 5% ในกลุ่มต้องวิเคราะห์สาเหตุการสูญเสียทันทีผ่านแบบสำรวจหรือ การบันทึกเซสชัน

ประเภทของกลุ่มตามช่วงเวลา

กลุ่มรายวัน

กลุ่มรายวัน คือผู้ใช้ที่ติดตั้งแอปในวันเดียวกัน นี่คือระดับที่ละเอียดที่สุด ช่วยให้ตรวจจับความผิดปกติได้: การลดลงอย่างกะทันหันของ Retention ในวันที่ระบุอาจบ่งบอกถึงความล้มเหลวทางเทคนิคหรือแคมเปญโฆษณาที่มีปัญหา กลุ่มรายวันใช้สำหรับการตรวจสอบการดำเนินงานและการทดสอบ A/B เมื่อมีการเปลี่ยนแปลงทุกวัน

กลุ่มรายสัปดาห์

กลุ่มรายสัปดาห์ คือผู้ใช้ที่ติดตั้งแอปในสัปดาห์ปฏิทินเดียวกัน ให้ข้อมูลที่เสถียรกว่าช่วยลดความผันผวนรายวัน เหมาะสำหรับการรายงานเป็นประจำและการเปรียบเทียบประสิทธิภาพของช่องโฆษณา — ขั้นตอนรายสัปดาห์จะทำให้ผลกระทบของวันในสัปดาห์เป็นกลาง ซึ่งอัตราการแปลงอาจแตกต่างในวันหยุดสุดสัปดาห์

กลุ่มรายเดือน

กลุ่มรายเดือน คือผู้ใช้ที่ติดตั้งแอปในเดือนเดียวกัน เหมาะสมที่สุดสำหรับการวิเคราะห์แนวโน้มระยะยาว ฤดูกาล และการคำนวณ LTV ในระยะ 6–12 เดือน ใช้ในระดับการจัดการผลิตภัณฑ์สำหรับการตัดสินใจเชิงกลยุทธ์เกี่ยวกับ การพัฒนาผลิตภัณฑ์

วิธีดำเนินการวิเคราะห์กลุ่ม

การวิเคราะห์กลุ่ม ประกอบด้วยสี่ขั้นตอน: การรวบรวมข้อมูล การจัดกลุ่มเป็นกลุ่ม การคำนวณตัวชี้วัดตามช่วงเวลา และการแสดงผล ขั้นแรก กำหนดเหตุการณ์เป้าหมาย — โดยปกติคือการติดตั้ง การสมัคร หรือการซื้อครั้งแรก ผู้ใช้ทั้งหมดที่ดำเนินการในระยะเวลาเดียวกันจะอยู่ในกลุ่มเดียวกัน

ขั้นที่สอง กำหนดช่วงเวลา: วัน สัปดาห์ หรือเดือน สำหรับแต่ละช่วงเวลาถัดไป (Day-1, Day-2, Day-3…) ให้คำนวณเปอร์เซ็นต์ของผู้ใช้ที่กลับมา ผลลัพธ์จะถูกรวบรวมในตารางกลุ่ม โดยแต่ละแถวคือกลุ่ม แต่ละคอลัมน์คือช่วงเวลา และแต่ละเซลล์คือค่าตัวชี้วัด

ขั้นที่สาม ปรับเทียบข้อมูล: ไม่รวมกลุ่มที่มีผู้ใช้น้อยกว่า 100 คน และคำนึงถึงฤดูกาล ตามข้อมูลของ Mixpanel (2024) กลุ่มที่มีผู้ใช้น้อยกว่า 50 คนให้ผลลัพธ์ที่ไม่มีนัยสำคัญทางสถิติโดยมีค่าความคลาดเคลื่อนมากกว่า 20% ขั้นที่สี่ แสดงผลข้อมูลเป็นตารางกลุ่มหรือแผนที่ความร้อน — แถว (กลุ่ม) และคอลัมน์ (ช่วงเวลา) ทำให้แนวโน้มการรักษาผู้ใช้ชัดเจนสำหรับผู้มีส่วนได้ส่วนเสีย

สำหรับการตีความที่ถูกต้อง ให้เปรียบเทียบกลุ่มที่มีขนาดเท่ากันเสมอ: ไม่สามารถยอมรับการเปรียบเทียบกลุ่มที่มีผู้ใช้ 50,000 คนกับกลุ่มที่มี 500 คน ทำให้ตัวชี้วัดเป็นปกติเป็นเปอร์เซ็นต์ของขนาดเริ่มต้นของกลุ่ม ไม่ใช่เป็นตัวเลขสัมบูรณ์ — ซึ่งช่วยให้เปรียบเทียบกลุ่มที่มีขนาดไม่เท่ากันได้ นอกจากนี้ให้พิจารณาผลกระทบของความใหม่: ผู้ใช้ที่ติดตั้งแอปหลังจากเหตุการณ์การตลาดใหญ่อาจมีพฤติกรรมแตกต่างจากการติดตั้งแบบออร์แกนิก

เครื่องมือสำหรับการวิเคราะห์กลุ่ม

เครื่องมือการวิเคราะห์กลุ่ม แบ่งออกเป็นเครื่องมือที่อยู่ในแพลตฟอร์มวิเคราะห์และโซลูชัน SQL ที่กำหนดเอง Amplitude และ Mixpanel นำเสนอรายงานกลุ่มพร้อมใช้กับการคำนวณ Retention และ LTV อัตโนมัติโดยไม่ต้องเขียนคำค้นหา Firebase Analytics ให้กลุ่มพื้นฐานตามวันที่ติดตั้งแบ่งตามวัน สัปดาห์ และเดือน

สำหรับกลุ่มที่กำหนดเอง ให้ใช้คำค้นหา SQL ใน BigQuery หรือ Redshift — ซึ่งให้การควบคุมตัวชี้วัดและช่วงเวลาอย่างสมบูรณ์ ตามข้อมูลของ Amplitude (2024) ทีมที่ใช้กลุ่ม SQL ที่กำหนดเองค้นพบข้อมูลเชิงลึกด้านพฤติกรรมมากกว่ารายงานมาตรฐานถึง 35% เครื่องมือ BI (Tableau, Looker, Google Data Studio) ช่วยสร้างแดชบอร์ดกลุ่มแบบโต้ตอบสำหรับการตรวจสอบเป็นประจำ

การเลือกเครื่องมือขึ้นอยู่กับวุฒิภาวะด้านการวิเคราะห์ของทีม ในช่วงเริ่มต้น Firebase Analytics หรือกลุ่มในตัวของ Amplitude ก็เพียงพอ — ครอบคลุม 80% ของความต้องการการวิเคราะห์กลุ่ม เมื่อทีมเติบโตขึ้น ให้เปลี่ยนไปใช้กลุ่ม SQL ใน BigQuery: ซึ่งให้ความยืดหยุ่นในการกำหนดตัวชี้วัดที่ไม่ได้มาตรฐาน (เช่น กลุ่มตามวันที่ซื้อครั้งแรกแทนวันที่ติดตั้ง) และช่วยให้สร้างโมเดล LTV เชิงทำนายโดยใช้ ML สำหรับการแสดงผล ให้ใช้ Looker Studio ซึ่งเชื่อมต่อโดยตรงกับ BigQuery โดยไม่มีค่าใช้จ่ายเพิ่มเติม

ตัวอย่างการวิเคราะห์กลุ่มด้วย SQL

ในการคำนวณกลุ่มรายวันด้วยตัวเอง ให้ใช้คำค้นหา SQL ที่จัดกลุ่มเซสชันตามวันที่ติดตั้ง ด้านล่างนี้คือคำค้นหาสำหรับ BigQuery ที่ส่งคืนจำนวนผู้ใช้ที่ใช้งานตามวันภายในแต่ละกลุ่ม

SELECT
  install_date AS cohort_date,
  DATE_DIFF(session_date, install_date, DAY) AS day_number,
  COUNT(DISTINCT user_id) AS active_users
FROM user_sessions
WHERE install_date BETWEEN '2025-01-01' AND '2025-03-31'
GROUP BY cohort_date, day_number
ORDER BY cohort_date, day_number;

หลังจากรันคำค้นหา ให้สร้างตารางสรุปใน Google Sheets หรือเครื่องมือ BI แต่ละแถวคือวันที่กลุ่ม แต่ละคอลัมน์คือ หมายเลขวัน (Day-1, Day-2 ฯลฯ) เปอร์เซ็นต์ของผู้ใช้ที่ใช้งานคำนวณเป็นอัตราส่วนของ active_users ในวัน N ต่อ active_users ใน Day-0 (วันที่ติดตั้ง)

ข้อผิดพลาดทั่วไปในการวิเคราะห์กลุ่ม

ข้อผิดพลาดแรก คือการทำงานกับกลุ่มขนาดเล็ก หากกลุ่มมีผู้ใช้น้อยกว่า 100 คน การสูญเสียหรือการกลับมาของแต่ละคนจะบิดเบือนเปอร์เซ็นต์อย่างมีนัยสำคัญ ขนาดกลุ่มขั้นต่ำสำหรับข้อสรุปที่เชื่อถือได้คือ 500 ผู้ใช้

ข้อผิดพลาดที่สอง คือการไม่สนใจฤดูกาล กลุ่มที่ติดตั้งแอปก่อนปีใหม่จะมีพฤติกรรมแตกต่างจากกลุ่มกลางเดือนมกราคม เปรียบเทียบกลุ่มในฤดูกาลเดียวกันเสมอหรือใช้การทำให้ข้อมูลเป็นปกติ ตามข้อมูลของ Mixpanel (2024) ความผันผวนตามฤดูกาลอาจสูงถึง 30–40% สำหรับ Day-1 Retention

ข้อผิดพลาดที่สาม คือการสับสนระหว่างการวิเคราะห์กลุ่มและการวิเคราะห์ภาคตัดขวาง การวิเคราะห์กลุ่มติดตามกลุ่มเดียวเมื่อเวลาผ่านไป ไม่ใช่เปรียบเทียบกลุ่มต่างๆ ในช่วงเวลาเดียว ใช้การวัดซ้ำในกลุ่มเดียวกัน มิฉะนั้นคุณจะได้รับ ข้อสรุปที่ผิดพลาด เกี่ยวกับการเติบโตของ Retention