ช่วงเวลา:
—
🧴 ยอดขาย Skin · —
จำนวนลูกค้า (Unique HN)
—
—
📣 แยกตามที่มาลูกค้า (แคมเปญ)
จากแคมเปญ (มาจาก+ขายโปร)
—
👥ประเภทลูกค้า (ใหม่/เก่า) ทุกสาขา
นับ 1 ชื่อ = 1 คน (ไม่นับซ้ำ)
💬ช่องทางการแชท · % ทุกสาขา
📊 ภาพรวมแคมเปญ & เป้า · —
| กลุ่มหัตถการ | รหัส |
บิลเก่า | บิลใหม่ |
ค่าแอดจริง | เป้าค่าแอด (ณ วันนี้) | ต้นทุน/ ซื้อ |
อินบ็อก | ฿/อินบ็อก |
บิล (บัญชี) | %Win |
ยอดต้น คอร์ส | เฉลี่ยต้น คอร์ส/บิล | ต้นคอร์ส % |
ยอดอัพ | อัพ% |
ยอดรวม | Basket (Online) | %แอด/ ยอด |
เป้าควรถึง (วันนี้) | Forecast จบเดือน | เป้า จบเดือน | %เทียบ เป้า |
บิลเก่า/ใหม่ = คอลัมน์ I แยกตามลูกค้า · ยอดต้นคอร์ส = มัดจำ+ส่วนต่างออนไลน์ (O+P) · เป้าค่าแอด = แบ่งงบ 60/40 (ครึ่งแรก/หลัง) สะสมถึงวันล่าสุด · Forecast = ยอดปัจจุบัน ÷ วันทำงานที่ผ่าน × วันทำงานทั้งเดือน ·%เทียบเป้า เทียบ —
🧭ที่มาของลูกค้า — มาจากโปรแคมเปญ / ขายโปรแคมเปญ / None แคมเปญ ทุกสาขา
เทรนด์รายเดือน — ยอดขาย · จำนวนลูกค้า · บิล ทั้งช่วงข้อมูล
แท่งฟ้า = ยอดขาย (แกนซ้าย) · เส้นเขียว = จำนวนลูกค้า (HN ไม่ซ้ำ) · เส้นส้มประ = จำนวนบิล (แกนขวา) · เคารพตัวกรองสาขา/แคมเปญ
ราคาเต็มคอร์ส vs ยอดขายจริง (รายวัน) —
แท่งฟ้า = ราคาเต็มคอร์ส · เส้นเขียว = ยอดขายจริง · ตามช่วงเวลา/ตัวกรองที่เลือก (เลือกช่วงวันที่ด้านบนได้)
📅 เทียบกับเดือนก่อนหน้า · —
| รายการ | เดือนนี้ | เดือนก่อน | เปลี่ยน |
เทียบเดือนที่เลือกกับเดือนก่อนหน้า · เคารพตัวกรองสาขา/แคมเปญ · 🟢 ขึ้น = ดีขึ้น (ค่าแอดยิ่งต่ำยิ่งดี) · YoY ปีต่อปียังเทียบไม่ได้ (ข้อมูลเริ่ม ธ.ค. 2025)
🏥 ยอดขายแยกสาขา · —
| สาขา | มัดจำ | ต้นคอร์สจาก ONLINE | หน้าร้าน | มัดจำ หน้าร้าน | รวม | % |
มัดจำ = O (ยอดมัดจำ ONLINE) · ต้นคอร์สจาก ONLINE = P · หน้าร้าน = Q · มัดจำหน้าร้าน = R · รวม = S (รวมยอดขายจริง) · % เทียบยอดรวมทั้งหมด · เคารพตัวกรองด้านบน
งบที่ตั้งไว้ vs ค่าแอดจริง รายแคมเปญ ภาพรวมทุกสาขา
ค่าแอดที่ใช้จริงเก็บระดับเพจ (รวมทุกสาขา) แยกรายสาขาไม่ได้ → กราฟนี้แสดงภาพรวมเสมอ ไม่เปลี่ยนตามฟิลเตอร์สาขา
💎 ระดับการจ่ายของลูกค้า · —
นับจำนวนคน (HN ไม่ซ้ำ) ที่ยอดขายจริงรวมต่อคน ≥ ระดับที่กำหนด
ลูกค้าใหม่ vs เก่า — รายเดือน (บิลมัดจำ) ทุกสาขา
แท่งซ้อน: ลูกค้าใหม่ (เขียว) / เก่า (ฟ้า) ตามจำนวนบิลมัดจำ (คอลัมน์ I) รายเดือน
📋 สรุปรายเดือนทั้งหมด
| เดือน | ยอดขาย | ต้นคอร์ส (O+P) | จำนวนลูกค้า | คอร์ส | จำนวนลูกค้าใหม่ | จำนวนลูกค้าเก่า | AOV/คอร์ส |
ทุกเดือนในข้อมูล · เคารพตัวกรองสาขา/แคมเปญ
🏆 Top 10 สินค้า/หัตถการขายดี · —
| # | สินค้า / บริการ | ยอดขาย | คอร์ส | %ของยอด |
จัดอันดับตามชื่อบริการ (คอลัมน์ L) · คอร์ส = จำนวนรายการขาย (แถวที่มียอดขายจริง) · ตามช่วงเวลา/ตัวกรองที่เลือก
รูปแบบเทียบ:
เทียบเร็ว:
เทียบเร็ว:
🏢 สาขา: ทุกสาขา
ช่วง A: —
ช่วง B: —
% ในแต่ละฝั่ง = เทียบกับอีกฝั่ง (A เทียบ B · B เทียบ A)
เปรียบเทียบตัวชี้วัดหลัก · A vs B ทุกสาขา
แนวโน้มยอดขายรายวัน (ซ้อนตามวันที่ของเดือน) ทุกสาขา
เส้นน้ำเงิน = ช่วง A · เส้นส้ม = ช่วง B · แกนนอนคือวันที่ 1–31 ของเดือน
📋 เปรียบเทียบรายแคมเปญ ทุกสาขา
| แคมเปญ | รหัส |
ยอดขาย A | ยอดขาย B | %เปลี่ยน |
ค่าแอด A | ค่าแอด B |
ROAS A | ROAS B |
%เปลี่ยน = (A − B) ÷ B · เขียว=โตขึ้น แดง=ลดลง · หมายเหตุ: ในโหมด “ช่วงวันที่” ค่าแอด/ROAS รายแคมเปญจะเป็น “—” (ข้อมูลค่าแอดแยกแคมเปญมีเฉพาะรายเดือน) แต่ค่าแอดรวม/ROAS รวมด้านบนคำนวณจากค่าแอดรายวันได้ปกติ
🛒 ช่องทางการขาย · A vs B ทุกสาขา
🧴 หมวดหัตถการ · A vs B ทุกสาขา
สาขา:
—
ลูกค้าทั้งหมด (HN)
—
ทั้งช่วงข้อมูล
ค่าเฉลี่ย LTV/คน
—
ยอดสะสม ÷ ลูกค้า
เฉลี่ยจำนวนครั้ง/คน
—
บิล ÷ ลูกค้า
🎯 RFM Segmentation — แบ่งกลุ่มลูกค้า (Recency · Frequency · Monetary) ทุกสาขา
แกน X = ความถี่ (ครั้ง) · แกน Y = ยอดสะสม · จุดใหญ่ = ลูกค้าที่จ่ายเยอะ
| กลุ่ม | จำนวน | ยอดรวม | เฉลี่ย/คน | ครั้ง | วันห่างล่าสุด |
📅 Cohort Retention — ลูกค้ากลับมาในเดือนถัดไป (%) ทุกสาขา
แถว = เดือนที่ลูกค้ามาครั้งแรก · คอลัมน์ M+1, M+2… = % ที่กลับมาซื้ออีกในเดือนถัดๆ ไป · เข้ม= retention สูง
💎 การกระจายยอดใช้จ่าย & Top VIP ทุกสาขา
| ช่วงยอดใช้จ่าย | จำนวนคน | %คน | ยอดรวม | %ยอด | เฉลี่ย/คน |
| # | HN | ชื่อ | เบอร์ | ยอดสะสม | ครั้ง | เฉลี่ย/ครั้ง |
Top 20 ลูกค้ายอดสูงสุด (ทั้งช่วงข้อมูล)
👑 ลูกค้า VIP (จ่าย ≥ 50,000 บาท) · — ทุกสาขา
| # | HN | ชื่อ | เบอร์ | ยอดสะสม | ครั้ง | เฉลี่ย/ครั้ง |
ลูกค้าที่ยอดขายจริงสะสม ≥ 50,000 บาท (ทั้งช่วงข้อมูล) · เคารพตัวกรองสาขา · แสดงสูงสุด 100 อันดับ
🔁 Repeat & Cross-sell — ตามหมวดที่มาครั้งแรก ทุกสาขา
| หมวดครั้งแรก | ลูกค้าใหม่ | กลับมาซ้ำ | Repeat% | วันเฉลี่ยกลับมา | LTV เฉลี่ย |
การกระจายช่วงเวลาที่ลูกค้ากลับมา (วันระหว่างครั้งที่ 1 → 2)
🤝 Category Affinity — ทำหมวดหนึ่งแล้วทำอีกหมวด ทุกสาขา
| ทำหมวด A | แล้วทำ B | ลูกค้าทั้งคู่ | %ของ A | %ของ B | Lift |
Lift > 1 = สองหมวดมาคู่กันมากกว่าสุ่ม · Top 15 คู่
| หมวดครั้งแรก | | หมวดครั้งที่ 2 | จำนวน | % | ยอดเฉลี่ยครั้งที่ 2 |
เส้นทางหมวดครั้งที่ 1 → 2 ยอดนิยม (Top 15)
เดือน:
สาขา:
—
📅 มีนัดแล้ว (ยังไม่มา)
—
ลงคิว/มีวันนัด
⏱️ ระยะเวลาจาก “จอง” ถึง “มาใช้บริการ” ทุกสาขา
—
เฉลี่ยของลูกค้าที่มาแล้ว
นับจากวันจอง (มัดจำ) ถึงวันแรกที่มาใช้บริการ
🔁 ความถี่การมาใช้บริการ (หลังจอง) ทุกสาขา
—
ครั้ง/คน โดยเฉลี่ย (เฉพาะคนที่มาแล้ว)
ลูกค้าที่กลับมา ≥2 ครั้ง = engagement ดีหลังปิดการขาย
🏢 อัตรามาใช้บริการ — แยกสาขา ทุกสาขา
👤 อัตรามาใช้บริการ — ลูกค้าใหม่ / เก่า ทุกสาขา
📈 เทรนด์ % มาใช้บริการ รายเดือน ทุกสาขา
เปอร์เซ็นต์ลูกค้าออนไลน์ที่มาใช้บริการจริงในแต่ละเดือน (ตามตัวกรองสาขา) · เดือนล่าสุดอาจยังมาไม่ครบ