Causal AI สำหรับ SME ไทย: AI ที่ตอบได้ว่า 'ทำไม' ยอดขายตก หรือโปรโมชันไม่คุ้ม

สมมติยอดขายร้านค้าออนไลน์ของคุณตกลง 20% ในไตรมาสนี้ AI เชิงพยากรณ์ทั่วไปจะบอกว่าเดือนหน้ายอดขายจะลดลงอีก 8% แต่จะไม่บอกว่าควรลดราคา เพิ่มโฆษณา หรือรอเทศกาลหน้า Causal AI ต่างจาก AI เดิมตรงที่มันสร้างคำอธิบายเชิงเหตุผลว่า อะไรคือต้นเหตุของยอดขายที่ลดลง และถ้าเราไม่ทำโปรโมชันหรือไม่ลงโฆษณา ตัวเลขจะเปลี่ยนไปอย่างไร สำหรับ SME ไทย ประโยชน์ไม่ใช่แค่การคาดการณ์ แต่คือการรู้ว่าเงินโปรโมชันและงบโฆษณาที่เสียไปแต่ละบาทสร้างกำไรเพิ่มจริง หรือแค่ขยับเวลาการซื้อของลูกค้า

Causal AI คืออะไร ต่างจาก AI ทำนายทั่วไปอย่างไร

AI เชิงทำนายส่วนใหญ่ ตั้งแต่ linear regression ไปจนถึง deep learning มองหาความสัมพันธ์ทางสถิติระหว่างตัวแปร ตัวอย่างเช่น ถ้าใส่ข้อมูลราคา ส่วนลด และยอดขายในอดีต โมเดลอาจพบว่าเมื่อลดราคา 10% ยอดขายเฉลี่ยสูงขึ้น 15% นี่คือ correlation นั่นคือสิ่งสองอย่างเกิดขึ้นพร้อมกัน แต่ไม่ได้พิสูจน์ว่าส่วนลดเป็นเหตุของยอดขาย เพราะอาจมีปัจจัยแอบแฝง เช่น ช่วงเทศกาลหรือการลดราคาของคู่แข่ง ที่ทำให้ทั้งสองอย่างเพิ่มพร้อมกัน

Causal AI เพิ่มชั้นคำถามอีกขั้น คือ ถ้าเราบังคับให้ราคาลด 10% ในขณะที่ปัจจัยอื่นคงที่ ยอดขายจะเปลี่ยนเท่าไหร่ และลูกค้าที่ซื้อเพิ่มเป็นกลุ่มที่จะซื้ออยู่แล้ว หรือถูกดึงมาจากอนาคตกันแน่ แนวคิดนี้เรียกว่า causal inference หรือการอนุมานเชิงเหตุผล ซึ่งไม่ได้มาแทนที่ AI ทำนาย แต่ช่วยตอบคำถามที่กรรมการผู้จัดการ SME มักถามว่า แล้วเราควรทำอะไรต่อไป

ทำไมความต่างระหว่าง correlation กับ causation ถึงสำคัญสำหรับ SME ไทย

ลองนึกภาพร้านขายเสื้อผ้าออนไลน์ที่เปิดโฆษณาในช่วงก่อนสงกรานต์ ยอดขายเพิ่มขึ้นเพราะผู้บริโภคต้องการซื้อชุดไปเที่ยวเสียมากกว่า แพลตฟอร์มโฆษณารายงานว่าแคมเปญสร้างยอดขาย 500,000 บาท แต่ความจริงคือเทศกาลสร้างดีมานด์ และโฆษณาไปปรากฏในช่วงเวลาเดียวกัน หากมองแค่ correlation คุณอาจเพิ่มงบโฆษณาอีกเท่าตัวในเดือนปกติ แล้วผิดหวังที่ผลไม่เหมือนเดิม

SME ไทยหลายธุรกิจมีฤดูกาลชัด เช่น สินค้าเกษตร ของขวัญปีใหม่ เครื่องแบบนักเรียน หรือเครื่องสำอางช่วงออกงาน การใช้ยอดขายในอดีตอย่างเดียวจึงอันตราย เพราะการกระทำของคุณ เช่น การลดราคาหรือการออกโปร ไปจับคู่กับช่วงเวลาที่ขายดีอยู่แล้ว ทำให้เข้าใจผิดว่าโปรโมชันได้ผลทั้งที่จริงคือดีมานด์ตามฤดูกาล

แนวคิดสำคัญคือ incrementality หรือผลเพิ่มจริงจากแคมเปญ ต้องเทียบกับสิ่งที่เรียกว่า counterfactual นั่นคือยอดขายที่จะเกิดขึ้นถ้าไม่มีแคมเปญ ยอดขายที่รายงานในระบบโฆษณามักรวมลูกค้าที่จะซื้ออยู่แล้ว Causal AI ช่วยประมาณส่วนเพิ่มนี้ และช่วยลดความเสี่ยงจากการตัดสินใจโดยใช้แดชบอร์ดตัวเลขสวยงามแต่ไม่ได้บอกเหตุผลว่าเพราะอะไร

Causal AI ทำงานอย่างไร: treatment, counterfactual และ causal graph คืออะไร

ในกรอบของ Causal AI มีสามคำที่ควรทำความรู้จัก คำแรกคือ treatment สิ่งที่เราจะแทรกแซงหรือควบคุม เช่น การลดราคา 10% การเปิดแคมเปญซื้อหนึ่งแถมหนึ่ง หรือการปิดโฆษณา TikTok เป็นระยะเวลา 2 สัปดาห์ คำที่สองคือ outcome ตัวเลขที่เราสนใจ เช่น ยอดขาย กำไร หรือจำนวนลูกค้าใหม่ และคำที่สามคือ confounder หรือตัวแปรกวน ซึ่งทำให้ทั้ง treatment และ outcome เปลี่ยนพร้อมกัน เช่น เทศกาล อากาศ คู่แข่ง หรือนโยบายภาษี

หัวใจของ causal inference คือการตอบคำถามว่า ถ้า treatment ไม่เกิดขึ้น outcome จะเป็นเท่าไร ตัวเลขนี้เรียกว่า counterfactual และเป็นสิ่งที่เราไม่มีวันสังเกตเห็นได้จริง จึงต้องประมาณจากข้อมูลในอดีตด้วยสมมติฐานที่ถูกต้อง

Causal graph คือแผนภาพลูกศรที่บอกทิศทางความสัมพันธ์ระหว่างตัวแปร เช่น เทศกาลส่งผลต่อยอดขาย เทศกาลส่งผลต่อการตัดสินใจเพิ่มงบโฆษณา และโฆษณาส่งผลต่อยอดขาย ถ้าไม่มีเส้นเชื่อมของตัวแปรกวนอยู่ในแผนภาพ โมเดลจะไม่มีทางรู้ว่าโฆษณาได้ผลจริงหรือไม่ และจะสรุปผิดได้ง่าย

เครื่องมืออย่าง DoWhy ของ Microsoft และ CausalImpact ของ Google ใช้ตรรกะแบบนี้ในการคำนวณผลของสิ่งที่เราสนใจ โดยมนุษย์ต้องเป็นคนวาดกราฟหรือตั้งสมมติฐานเบื้องต้น ไม่ใช่ปล่อยให้ AI เดาสาเหตุโดยไม่มีบริบททางธุรกิจ

ตัวอย่างจริงสำหรับ SME ไทย: โปรโมชัน โฆษณา และการตั้งราคาใช้ยังไง

ยกตัวอย่างร้านขายขนมเพื่อสุขภาพ ราคาปกติกล่องละ 100 บาท ต้นทุน 60 บาท กำไรขั้นต้น 40 บาทต่อกล่อง ถ้าลดราคา 15% เหลือ 85 บาท กำไรต่อกล่องเหลือ 25 บาท ในช่วงโปร 7 วันขายได้ 300 กล่อง คิดเป็นกำไร 7,500 บาท ถ้าไม่ลดราคา ช่วงปกติอาจขาย 180 กล่อง คิดเป็นกำไร 7,200 บาท ตัวเลขบอกว่าโปรโมชันเพิ่มกำไรเพียง 300 บาท ก่อนหักค่าแรงและค่าจัดส่ง แถมยังไม่รู้ว่าลูกค้าที่ซื้อช่วงลดราคาซื้อไปตุนล่วงหน้า ทำให้เดือนหน้าไม่มีออเดอร์เพิ่ม Causal AI จะช่วยประมาณยอดขายที่แท้จริงถ้าไม่ลดราคา พร้อมปรับผลของฤดูกาลและช่วงเวลา จึงตอบได้ว่าโปรโมชันแบบนี้ควรทำเมื่อไรและลดกี่เปอร์เซ็นต์

อีกตัวอย่างคือการจัดสรรงบโฆษณาระหว่าง Meta, Google และ TikTok หลายธุรกิจใช้วิธีดู ROAS จากแพลตฟอร์ม ซึ่งมักเป็นผลจาก last click หรือ attribution ที่แพลตฟอร์มกำหนดเอง แพลตฟอร์มรายงานตัวเลขตามผู้ให้บริการระบุ ผลจริงยังขึ้นกับบริบท Causal AI ใช้ข้อมูลอนุกรมเวลาและกลุ่มเปรียบเทียบเพื่อหา incremental ROAS ว่ายอดขายที่เกิดขึ้นเกิดจากโฆษณาจริง หรือลูกค้าเห็นโฆษณาแล้วไปซื้อในอีกช่องทางหนึ่ง

สำหรับธุรกิจบริการ เช่น ร้านแฟรนไชส์กาแฟ SME สมมติว่าเปลี่ยนหน้าร้านออนไลน์ให้ชำระเงินเร็วขึ้น แต่ยอดขายกลับลดลง ช่วงเดียวกันก็มีโปรโมชันลดราคาจากคู่แข่งใหญ่ Causal AI จะช่วยแยกว่ายอดที่หายไปเป็นเพราะหน้าเว็บใหม่ทำให้ลูกค้าสับสน หรือเป็นเพราะดีมานด์ทั้งตลาดลดลง การสรุปโดยไม่ควบคุมตัวแปรอื่น อาจทำให้ธุรกิจยกเลิกการลงทุนที่จริงแล้วดีทั้งที่ปัญหาอยู่ที่ปัจจัยภายนอก

วิธีเริ่มต้นใช้ Causal AI จากข้อมูล Excel หรือ ERP ที่มีอยู่ทำอย่างไร

ไม่ต้องเริ่มจากเทคโนโลยีแพง ๆ วิธีที่เป็นไปได้สำหรับ SME ไทยคือใช้ข้อมูลที่บันทึกอยู่แล้ว ตั้งคำถามธุรกิจให้ชัดเจน แล้วค่อยเพิ่มความซับซ้อน

ขั้นแรก เลือกคำถามเดียว เช่น โปรโมชันลด 10% ใน Line Official Account ทำให้กำไรต่อลูกค้าเพิ่มขึ้นหรือไม่ จากนั้นรวบรวมข้อมูลรายวัน ได้แก่ ราคา ต้นทุน จำนวนออเดอร์ ช่องทาง ยอดใช้จ่ายโฆษณา และ flag ของโปรโมชัน ให้ยาวพอที่จะเห็นเทศกาลและวันหยุด โดยเฉพาะช่วงปีใหม่ สงกรานต์ และช่วงโปรใหญ่ของแพลตฟอร์ม

ขั้นต่อมา วาด causal graph อย่างง่ายด้วยมือ เช่น โปรโมชันส่งผลต่อยอดขาย ฤดูกาลส่งผลทั้งการตัดสินใจทำโปรโมชันและยอดขาย และงบโฆษณาส่งผลต่อยอดขาย เมื่อวาดเสร็จถามตัวเองว่ายังมีตัวแปรใดอีกที่ทำให้เราตัดสินใจทำโปร และทำให้ยอดขายเปลี่ยนพร้อมกัน ถ้ามีให้ใส่ลงในกราฟ

ขั้นตอนการใช้เครื่องมือ อาจเริ่มจากวิธี difference-in-differences ใน Excel หลักการคือเลือกกลุ่มลูกค้าหรือร้านสาขาที่ได้รับโปรโมชัน กับกลุ่มที่ไม่ได้รับ แล้วเทียบความเปลี่ยนแปลงของยอดขายระหว่างสองกลุ่มในช่วงเวลาเดียวกัน วิธีนี้ตัดผลของแนวโน้มร่วมที่กระทบทั้งสองกลุ่มออกได้

เมื่อต้องการวิเคราะห์ที่ลึกขึ้น ลองใช้ CausalImpact ของ Google กับข้อมูลอนุกรมเวลา เช่น ผลของการหยุดโฆษณา Facebook ต่อยอดขายรายสัปดาห์ หรือใช้ DoWhy บน Python สำหรับข้อมูลตาราง ทั้งสองเป็นเครื่องมือ open-source มีตัวอย่างโค้ดและเอกสารให้เริ่มต้นโดยไม่ต้องสร้างโมเดล Deep Learning เอง

ข้อจำกัดและกับดักที่ต้องระวัง พร้อมแนวทาง human-in-the-loop มีอะไรบ้าง

สิ่งแรกคือข้อมูลน้อย ถ้าเรามีข้อมูลแค่ 3 เดือนหลังปรับหน้าเว็บ และในช่วงนั้นมีการโปรโมตอื่นเกิดขึ้นพร้อมกัน Causal AI จะไม่สามารถแยกผลได้อย่างมั่นใจ ผลลัพธ์อาจมีช่วงความไม่แน่นอนกว้างมาก การตัดสินใจใหญ่จากตัวเลขเพียงค่าเดียวจึงเสี่ยง

ประการที่สอง? Wait no Chinese! Avoid. Use "ประการที่สองคือ hidden confounders" Good.

ประการที่สองคือ hidden confounders ตัวแปรที่ไม่ได้บันทึก เช่น สภาพอากาศ ราคาน้ำมัน นโยบายราคาของคู่แข่ง หรือกระแสโซเชียล มีผลทั้งต่อการตัดสินใจทำโปรโมชันและยอดขาย หากไม่ได้อยู่ใน causal graph ค่าประมาณจะมีความเอนเอียงและนำไปสู่การลงโฆษณาเพิ่มในเวลาที่ไม่เหมาะสม

ประการที่สามคือการตีความผลผิดพลาด บางทีผู้บริหารเห็นว่าค่า p มีนัยสำคัญทางสถิติแล้วคิดว่าผลนั้นเป็นเหตุเป็นผลจริง แต่ยังต้องตรวจสอบเงื่อนไข เช่น ไม่มีตัวแปรแอบแฝง และทิศทางของเหตุผลไม่ย้อนกลับ สมมติว่าแบรนด์มียอดขายสูง แล้วทีมการตลาดได้รับงบเพิ่มขึ้นตามผลงาน ทำให้มียอดโฆษณามากขึ้น โมเดลอาจเห็นว่าโฆษณามีผลทั้งที่จริงยอดขายเป็นตัวกำหนดงบโฆษณา ไม่ใช่โฆษณากำหนดยอดขาย

แนวทาง human-in-the-loop จึงสำคัญ Causal AI ควรเป็นเครื่องมือช่วยคิด ไม่ใช่ผู้ตัดสินใจ ผู้บริหารต้องช่วยกันวาด causal graph ตั้งสมมติฐาน และอนุมัติการทดลอง เมื่อผลโมเดลขัดกับประสบการณ์หน้าร้าน ต้องตรวจสอบข้อมูลว่ามีเหตุการณ์ผิดปกติหรือไม่ และควรมีการทดลอง A/B ขนาดเล็กเพื่อยืนยันก่อนขยายงบ การมีมนุษย์อยู่ตรงกลางทำให้ข้อผิดพลาดของโมเดลไม่ลุกลามจนกลายเป็นความเสียหายใหญ่

สรุป: ก้าวแรกของ Causal AI สำหรับธุรกิจ SME ไทยคืออะไร

บทเรียนสำคัญคือ correlation ไม่ใช่ causation และข้อมูลที่เยอะไม่ได้แปลว่าเราเข้าใจเหตุผลของธุรกิจ SME ไทยที่มีข้อมูล POS, ERP และ Excel อยู่แล้วสามารถเริ่มใช้ Causal AI ได้โดยไม่ต้องรอทีม data science ขนาดใหญ่ เริ่มจากคำถามเดียวที่กระทบเงินสด เช่น ลดราคา 10% คุ้มไหม หรือโฆษณาแพลตฟอร์มใดสร้างยอดขายเพิ่มจริง จากนั้นวาด causal graph คร่าว ๆ เลือก A/B test หรือ CausalImpact และใช้ผลลัพธ์นั้นประกอบการตัดสินใจร่วมกับคน การที่ AI ตอบได้ว่าทำไม จะทำให้ทุกบาทของงบการตลาดตั้งอยู่บนเหตุผล ไม่ใช่แค่กราฟเส้นสวยงามที่บอกแนวโน้มโดยไม่มีที่มาที่ไป