เมื่อความสำเร็จเดิมทำให้เราตัดสินใจพลาด: Dinosaur Anchoring Trap

dithanon Khrutmuang

9 ต.ค.

ยาว 2 นาที

บทเรียนจาก Walmart และการสั่งสินค้าในธุรกิจของผม

ดิตถานนท์ ครุฑเมือง (โอ) ผู้ก่อตั้ง Power Ladder

ปกติเวลาคุณสั่งผลิตสินค้า คุณทำกันอย่างไรครับ?

หลายธุรกิจเริ่มจากยอดขายช่วงเดียวกันของปีที่แล้ว แล้วสั่งใกล้เคียงเดิม เพราะครั้งก่อนวิธีนี้ได้ผล

แต่ปีนี้ลูกค้า ต้นทุน และเงินสดในมืออาจเปลี่ยนไปแล้ว ยอดปีก่อนจึงเป็นจุดเริ่มต้นที่ต้องตรวจสอบกับสถานการณ์วันนี้ ก่อนยืนยันคำสั่งซื้อ

ผมก็เคยยึดติดกับวิธีที่ทำสำเร็จในธุรกิจของตัวเองครับ ในกรอบ Business Play ของ Power Ladder ผมเรียกการให้น้ำหนักกับความสำเร็จเดิมมากเกินไป จนไม่ยอมปรับแผนตามข้อมูลใหม่ว่า Dinosaur Anchoring Trap

ภาพที่ 1 Dinosaur Anchoring Trap: ความสำเร็จเดิมรั้งให้เราใช้แผนเดิม ทั้งที่เงื่อนไขเปลี่ยนไปแล้ว

ความล้าสมัยเกิดขึ้นเมื่อวิธีเดิมไม่เหมาะกับโจทย์ปัจจุบัน เช่น ยังสั่งจำนวนเท่าเดิม ทั้งที่ความต้องการลดลง หรือเงินสดต้องใช้กับเรื่องอื่นมากขึ้น

Walmart ใช้ผู้ช่วยเพื่อเข้าใจข้อมูลก่อนตัดสินใจ

เมื่อวันที่ 18 มีนาคม 2025 Walmart ประกาศพัฒนา Wally ผู้ช่วยปัญญาประดิษฐ์สำหรับทีมจัดซื้อและบริหารสินค้า ผู้ใช้ถามคำถามด้วยภาษาปกติ เพื่อวิเคราะห์ข้อมูลของบริษัทและค้นหาสาเหตุที่สินค้าขายสูงหรือต่ำกว่าคาดได้ ประกาศ Walmart

มุมที่ผมสนใจคือ ผู้ช่วยลักษณะนี้ทำให้เราถามได้มากกว่า “ปีก่อนขายเท่าไร” เราถามต่อได้ว่า ยอดขายเปลี่ยนเพราะอะไร และข้อมูลล่าสุดสนับสนุนให้ปรับแผนอย่างไร

สำหรับ Business Play ของ Power Ladder ผมต้องการนำข้อมูลเหล่านี้มาเปรียบเทียบทางเลือก โดยดูทั้ง โอกาสทางธุรกิจ (Opportunity) และ ความพร้อมทางการเงิน (Financial Readiness) สินค้าอาจยังมีโอกาสขาย แต่ธุรกิจต้องรับภาระการซื้อไหวด้วย

Playing to Win: กลยุทธ์ต้องทบทวนเมื่อข้อมูลเปลี่ยน

ภาพที่ 2 หนังสือ Playing to Win คู่กับตุ๊กตา Snowflake ภาพถ่ายของผม

หนังสือ Playing to Win ของ A.G. Lafley และ Roger L. Martin มองกลยุทธ์เป็นชุดทางเลือกที่สัมพันธ์กัน เช่น จะแข่งขันในตลาดไหน และจะชนะด้วยวิธีใด Roger Martin ยังอธิบายว่าต้องกลับมาทบทวนสมมติฐานเมื่อมีข้อมูลเพิ่มขึ้น แนวคิดจากหนังสือ · บทความของ Roger Martin

ผมใช้ภาพหนังสือคู่กับตุ๊กตา Snowflake เพื่อสื่อว่า การเลือกแผนต้องตามด้วยการตรวจข้อมูล เมื่อยอดขาย ต้นทุน หรือเงินสดเปลี่ยน เราต้องกลับมาดูว่าจำนวนที่จะสั่งยังเหมาะสมหรือไม่

ในการนำ Business Play ไปใช้กับข้อมูลของธุรกิจบน Snowflake คำถามจึงเป็นว่า แต่ละแผนมีโอกาสขายเท่าไร ต้องใช้เงินเท่าไร และจะเหลือเงินสดพอให้ธุรกิจเดินต่อหรือไม่

ทำไมต้อง Snowflake CoWork

สำหรับธุรกิจที่ใช้ Snowflake อยู่แล้ว CoWork ช่วยให้ผู้บริหารถามด้วยภาษาปกติ ผ่านข้อมูลของบริษัทและเครื่องมือวิเคราะห์ที่ทีมเตรียมไว้ คำตอบสามารถแสดงข้อมูลต้นทางและคำสั่งที่ใช้วิเคราะห์ พร้อมใช้สิทธิ์การเข้าถึงข้อมูลเดิมขององค์กร เอกสาร Snowflake

ผมมองว่าประโยชน์อยู่ที่การถามต่อจนเข้าใจเหตุผล เช่น “ถ้าต้องเก็บเงินสดเพิ่ม ควรปรับแผนซื้ออย่างไร” โดยใช้ Business Play กำหนดเกณฑ์เปรียบเทียบ และให้ผู้เชี่ยวชาญตรวจผลก่อนนำไปตัดสินใจ

เมื่อเงินสดที่ต้องเก็บไว้เปลี่ยน แผนซื้อก็ต้องเปลี่ยน

ตัวอย่างต่อไปนี้ใช้เคสย้อนหลังของ Belly Thailand ช่วงมกราคม–กุมภาพันธ์ 2026 ภาพ Snowflake CoWork เป็นหน้าจอจำลองจากผลคำนวณ เพื่อแสดงว่าข้อจำกัดทางการเงินเปลี่ยนการเลือกแผนอย่างไร

เมื่อกำหนดให้เหลือเงินสดอย่างน้อย 2 ล้านบาท แผนซื้อสองงวดยังผ่านเงื่อนไข ต้องกันเงินไว้สำหรับการซื้อประมาณ 1,072,385 บาท และเหลือเงินสดตามแผน 2,019,615 บาท

ภาพที่ 3 เงินสดขั้นต่ำ 2 ล้านบาท: แผนซื้อสองงวดเข้าเกณฑ์ Calculated Ambition ของเคสนี้

แต่เมื่อเพิ่มเงินสดขั้นต่ำเป็น 2.4 ล้านบาท แผนสองงวดผ่านไม่ได้ จึงนำแผนซื้อเฉพาะงวดแรกมาพิจารณาแทน โดยกันเงินซื้อประมาณ 557,469 บาท และเหลือเงินสดตามแผน 2,534,531 บาท

ภาพที่ 4 เมื่อเงินสดขั้นต่ำเพิ่มขึ้น ผลคำนวณเสนอให้ซื้อเฉพาะงวดแรก

การซื้อน้อยลงช่วยรักษาเงินสด แต่ครอบคลุมโอกาสขายตามพยากรณ์ได้น้อยลงด้วย จึงต้องรอทบทวนการซื้อในงวดถัดไป

แผนซื้อเฉพาะงวดแรกผ่านเงื่อนไขเงินสดขั้นต่ำ 2.4 ล้านบาท แต่ยังต้องให้ผู้เชี่ยวชาญพิจารณาโอกาสขายที่ลดลงและจังหวะซื้อรอบถัดไป

นี่คือจุดที่ Dinosaur Anchoring Trap มีผลต่อการตัดสินใจ หากเรายังเลือกแผนเดิมเพราะเคยเหมาะสม ก็อาจเหลือเงินสดต่ำกว่าเกณฑ์ที่ธุรกิจต้องการในวันนี้

ผู้ร่วมจัดทำเคสย้อนหลัง Belly Thailand: Dithanon Khrutmuang — ผู้สร้าง Business Play และที่ปรึกษา; Khin Thandar Kyaw — นักวิทยาศาสตร์ข้อมูล

สมการ: เรายังให้น้ำหนักกับคำตอบเดิมเท่าไร

ตัวอย่างสมมติ: ปีที่แล้วสั่ง 100 ชิ้น แต่ข้อมูลล่าสุดเสนอให้สั่ง 60 ชิ้น หากยังให้น้ำหนักวิธีเดิมถึง 80% จำนวนที่เลือกจะเป็น 0.8 × 100 + 0.2 × 60 = 92 ชิ้น

เขียนเป็นสมการได้ว่า

x_decision = a × x_old + (1 − a) × x_current

x_old คือจำนวนเดิม, x_current คือจำนวนที่ประเมินจากข้อมูลปัจจุบัน, a คือน้ำหนักที่ให้วิธีเดิม ตั้งแต่ 0 ถึง 1 และ x_decision คือจำนวนที่เลือกสั่ง

ช่องว่างระหว่างจำนวนที่เลือกกับจำนวนที่ข้อมูลล่าสุดเสนอ คือ

Anchoring Gap = a × |x_old − x_current|

ในตัวอย่างนี้ ช่องว่างเท่ากับ 32 ชิ้น ยิ่งให้น้ำหนักแผนเดิมมาก เราก็ยิ่งปรับเข้าหาข้อมูลใหม่ได้น้อย สูตรนี้เป็นแบบจำลองที่ผมเสนอเพื่ออธิบายการให้น้ำหนัก ไม่ใช่คะแนนวัดอคติทางจิตวิทยา

Smart Camel: เปลี่ยนวิธีถาม ก่อนยืนยันแผน

ภาพที่ 5 Smart Camel กับสี่วิธีทบทวนแผนก่อนตัดสินใจ

การมีข้อมูลเพิ่มจะช่วยได้เมื่อเราเปิดโอกาสให้ข้อมูลนั้นเปลี่ยนคำตอบด้วย ผมนำแนวทางลดอิทธิพลของข้อมูลตั้งต้นจาก The Hidden Traps in Decision-Making มาประยุกต์กับการใช้ผู้ช่วยดังนี้ บทความต้นทาง

มองโจทย์จากหลายมุม: เปรียบเทียบทั้งโอกาสขาย เงินสดคงเหลือ และความเสี่ยงสินค้าขาด แทนการดูยอดขายด้านเดียว
คิดเองก่อนดูคำแนะนำ: ลองประเมินจากข้อมูลล่าสุดก่อนเปิดแผนเดิมหรือคำตอบของผู้ช่วย เพื่อมีความเห็นของตัวเองไว้เปรียบเทียบ
เปิดรับข้อมูลต่างด้าน: นำข้อมูลจากฝ่ายขาย ฝ่ายการเงิน และผู้ดูแลสินค้ามาตรวจร่วมกัน โดยเฉพาะข้อมูลที่ทำให้แผนเดิมดูไม่น่าเชื่อเท่าเดิม
หลีกเลี่ยงการชี้นำ: ถามว่า “มีทางเลือกอะไร แต่ละทางเหลือเงินสดเท่าไร” เพื่อให้ผู้ช่วยเปรียบเทียบก่อน แทนการเริ่มว่า “ช่วยยืนยันว่าควรซื้อเท่าเดิม”