ข้ามไปบทความ

Sephora เล่าการใช้ AI ช่วยลูกค้าเลือกสินค้าและวัดผล Conversion

Sephora เล่าวิธีใช้ AI ช่วยลูกค้าเลือกสินค้าความงาม ตั้งแต่คำถามแนะนำจนถึงผู้ช่วยซื้อสินค้า พร้อมบทเรียนเรื่องความโปร่งใส การวัด Conversion และการนำไปใช้ในธุรกิจค้าปลีก

โดย Insiderly
video thumbnail for 'Réinventer l'expérience beauté grâce à l'IA'
ภาพจาก วิดีโอต้นทาง
เผยแพร่:

เรียบเรียงจากคลิป Réinventer l’expérience beauté grâce à l’IA ของ OpenAI และบทความ VideoToBlog วันที่ 7 กรกฎาคม 2026 ซึ่งเป็นวันที่ของบทความต้นทาง ไม่ใช่วันที่เผยแพร่บทความนี้ ตัวเลขธุรกิจและผล Conversion เป็นสิ่งที่ผู้บรรยายนำเสนอ ไม่ใช่ผลตรวจสอบอิสระหรือการรับประกันยอดขาย การใช้งาน ช่องทาง และประเทศอ้างตามสิ่งที่ปรากฏในคลิป ไม่ใช่การยืนยันความพร้อมปัจจุบันในทุกตลาด ตัวอย่างธุรกิจไทยเป็นการประยุกต์ของต้นฉบับ · วิดีโอต้นทาง

AI ที่ธุรกิจส่วนใหญ่มักคุยกัน มักวนอยู่กับเรื่อง chatbot, content, หรือ automation แต่คลิป Réinventer l'expérience beauté grâce à l'IA จากช่อง OpenAI ทำให้เห็นภาพอีกแบบหนึ่งว่า ถ้าองค์กรใหญ่ใช้ AI แบบจริงจัง มันไม่ได้เริ่มจากของเล่นใหม่ แต่มันเริ่มจากคำถามธุรกิจที่ชัดมากว่า จะเพิ่มยอดขาย เพิ่มความพึงพอใจ และทำให้ประสบการณ์ลูกค้าดีขึ้นได้อย่างไร

กรณีของ Sephora น่าสนใจตรงที่ไม่ได้ใช้ AI เพื่อแทนคน แต่ใช้เพื่อขยายคุณค่าที่พนักงานขายในร้านทำได้ดีอยู่แล้ว โดยเฉพาะการให้คำแนะนำแบบเฉพาะบุคคล แล้วพยายามย้ายประสบการณ์นั้นมาสู่ช่องทางออนไลน์ให้ใกล้เคียงที่สุด ตรงนี้เป็นบทเรียนสำคัญสำหรับเจ้าของธุรกิจไทย เพราะหลายแบรนด์ยังแยกโลกหน้าร้านกับโลกออนไลน์ออกจากกัน ทั้งที่ลูกค้าไม่ได้คิดแบบนั้น

บทความนี้สรุปและวิเคราะห์แนวคิดหลักจากเคสของ Sephora ตั้งแต่กลยุทธ์ AI ระดับองค์กร ไปจนถึงบทเรียนเชิงปฏิบัติที่เราหยิบไปใช้กับธุรกิจไทยได้เลย แม้จะไม่ได้มีทีม data หรือ budget ระดับ global ก็ตาม

สารบัญ

AI ของ Sephora ไม่ได้เป็นโปรเจกต์เดี่ยว แต่วางอยู่กลางกลยุทธ์บริษัท

สไลด์ของ Sephora ในคลิประบุ beauty fans 80 ล้านคน, 37 markets, จุดขาย 3,400 แห่ง และการเข้าชมออนไลน์ 2.5 พันล้านครั้งต่อปี คำบนสไลด์ไม่ได้ระบุว่าทั้งหมดเป็นสมาชิก loyalty หรือว่าทุก market เท่ากับหนึ่งประเทศ ตัวเลขเหล่านี้สำคัญเพราะมันอธิบายว่าทำไม AI ถึงไม่ใช่แค่ทางเลือก แต่เป็นเครื่องมือหลักในการจัดการความซับซ้อนระดับนี้

สไลด์แสดงตัวเลขธุรกิจระดับโลกของ Sephora พร้อมแผนที่โลกและสถิติ 80 37 3400 2.5B
ตัวเลขและชื่อหน่วยตามสไลด์ที่ Sephora นำเสนอในคลิป ไม่ใช่ตัวเลขปัจจุบันที่ตรวจยืนยันอิสระ · ภาพจาก วิดีโอต้นทาง

สิ่งที่น่าสนใจคือ Sephora ไม่ได้วาง AI ไว้แค่ในทีมดิจิทัล แต่กระจายไปทั้งห่วงโซ่คุณค่า เช่น

มุมมองนี้มีค่ามากสำหรับธุรกิจไทย เพราะหลายองค์กรเริ่ม AI จากฝั่งการตลาดเพียงอย่างเดียว จนสุดท้าย AI กลายเป็นแค่เครื่องมือทำโพสต์เร็วขึ้น แต่ไม่ได้แตะต้นทุน ไม่ได้แตะยอดขาย และไม่ได้แตะประสบการณ์ลูกค้า

ถ้าเราจะเรียนจาก Sephora ให้ถูกจุด ต้องเริ่มจากการมอง AI เป็น ระบบสนับสนุนการตัดสินใจและประสบการณ์ลูกค้า ไม่ใช่แค่ตัวช่วยผลิตงาน

โจทย์จริงที่ Sephora แก้คือ ทำอย่างไรให้เว็บให้คำแนะนำได้เหมือนพนักงานในร้าน

จุดแข็งของ Sephora ไม่ได้มีแค่สินค้า beauty แต่คือพนักงาน beauty advisor ที่ช่วยแนะนำสินค้าตามสภาพผิว สีผิว ความชอบ และการใช้งานจริง ลูกค้าหลายคนไม่ได้เข้าร้านเพื่อมาซื้อของอย่างเดียว แต่เข้ามาเพื่อขอคำแนะนำที่ทำให้เลือกได้มั่นใจขึ้น

คำถามของ Sephora จึงไม่ใช่ “จะทำ chatbot อะไรดี” แต่คือ “จะจำลองประสบการณ์คำแนะนำแบบในร้านมาไว้บนออนไลน์ได้อย่างไร” นี่เป็นความต่างที่สำคัญมาก เพราะโจทย์ที่ดีจะกำหนดคุณภาพของ AI ที่ตามมา

สำหรับธุรกิจไทย หลายแบรนด์มีจุดแข็งแบบเดียวกันแต่ยังไม่ดึงออกมาใช้ เช่น ร้านอาหารเสริมที่มีพนักงานรู้เรื่องสุขภาพผิว ร้านเฟอร์นิเจอร์ที่มีพนักงานช่วยจัดชุดสินค้า ร้านอสังหาที่มีเซลส์เก่งเรื่องจับความต้องการ หรือคลินิกที่ให้คำแนะนำก่อนตัดสินใจใช้บริการ

ถ้าแบรนด์มี “คำถามซ้ำๆ ที่ลูกค้าถามก่อนซื้อ” แปลว่าแบรนด์นั้นมีโอกาสสร้าง AI assistant ที่มีประโยชน์จริง

2 initiative ที่ร่วมกับ OpenAI และเหตุผลที่น่าสนใจ

Sephora ยกตัวอย่างงานร่วมกับ OpenAI สองส่วนหลัก

สไลด์หัวข้อ Two initiatives working with OpenAI พร้อมภาพหน้าจอมือถือสองแบบ
สไลด์แสดงธงสหรัฐฯ แคนาดา และสิงคโปร์ข้าง Shopping assistant และธงสหรัฐฯ ข้าง Sephora app in ChatGPT จึงไม่ใช่หลักฐานว่าเปิดใช้ทั่วโลก · ภาพจาก วิดีโอต้นทาง

แนวคิดข้อนี้สะท้อนหลักคิดที่หลายธุรกิจมองข้าม คือ AI ไม่จำเป็นต้องอยู่ในที่เดียว ลูกค้าไม่ได้ใช้ชีวิตอยู่บน platform เดียว ดังนั้นถ้าแบรนด์จะคุยกับลูกค้า ก็ต้องไปอยู่ใน flow การใช้งานของลูกค้าด้วย

อย่างไรก็ดี มุมที่ควรระวังคือ ไม่ใช่ทุกธุรกิจจำเป็นต้องรีบไปอยู่ในทุกช่องทางพร้อมกัน สำหรับธุรกิจไทยส่วนใหญ่ ควรเริ่มจากช่องทางที่ลูกค้ามี intent ซื้อสูงก่อน เช่น เว็บขายสินค้า, LINE OA, หน้าแชตหน้าสินค้า หรือหน้า FAQ ที่มีทราฟฟิกสูง ก่อนค่อยขยายไปยังช่องทางอื่น

Shopping Assistant ของ Sephora ทำอะไรได้ และทำไมถึงส่งผลต่อยอดขาย

ตัวอย่างที่เล่าในคลิปชัดเจนมาก ผู้ใช้งานค้นหามาสคาร่าบนแอป จากนั้นเปิด AI Beauty Assistant ขึ้นมาถามคำถามต่อได้ทันที เช่น สินค้านี้มีส่วนผสมอะไรบ้าง กันน้ำหรือไม่ แล้วถ้าพอใจก็เพิ่มสินค้าลงตะกร้าและไปต่อที่ขั้นตอนชำระเงินได้เลย

หน้าจอ AI Beauty Chat ของ Sephora แสดงคำถาม Is it waterproof? และจุดกำลังรอคำตอบ ยังไม่ปรากฏคำตอบหรือการ์ดสินค้าในเฟรมนี้
เฟรมนี้แสดงสถานะรอคำตอบ ไม่ใช่ผลทดสอบความถูกต้องของคำแนะนำ · ภาพจาก วิดีโอต้นทาง

นี่ไม่ใช่แค่ chatbot ตอบคำถาม แต่เป็น assistant ที่ถูกวางอยู่ในจุดตัดสินใจซื้อพอดี และมีความสามารถ 3 อย่างใน flow เดียว

  1. ตอบคำถามเกี่ยวกับสินค้า
  2. ให้คำแนะนำเฉพาะตัว
  3. พาไปสู่การซื้อได้ทันที

ผู้บรรยายรายงานว่า conversion rate เพิ่มขึ้นมากกว่า 5 เปอร์เซ็นต์ และเปรียบเทียบกับงาน personalisation ที่ยกตัวเลขราว 1 เปอร์เซ็นต์ บทความต้นทางไม่ได้ให้รายละเอียดว่าการเพิ่มขึ้นนี้เป็นร้อยละสัมพัทธ์หรือจุดเปอร์เซ็นต์ จึงไม่ควรตีความแทนหรือใช้เป็นผลที่ทุกธุรกิจจะได้รับ ตัวเลขดังกล่าวไม่ใช่ผลตรวจสอบอิสระของบทความ

สำหรับเจ้าของธุรกิจไทย ประเด็นสำคัญไม่ใช่ว่าจะต้องทำระบบซับซ้อนระดับ Sephora แต่คือการถามว่า ลูกค้าลังเลตรงไหนมากที่สุด เช่น

การใช้ AI ตอบจุดลังเลก่อนซื้อเป็นสมมติฐานที่ควรทดลองวัดผลกับลูกค้าของเราเอง กรณีนี้ไม่ได้พิสูจน์ว่าจะเพิ่มยอดขายได้มากกว่าการใช้ AI เขียนแคปชันกี่เท่า

บทเรียนที่ 1 ประสบการณ์แบบมีไกด์ ดีกว่าเปิดแชตโล่งๆ

หนึ่งในบทเรียนสำคัญที่สุดจาก Sephora คือ guided experience ทำงานดีกว่าการปล่อยให้คนพิมพ์อะไรก็ได้ตั้งแต่ต้น แม้ระบบจะรองรับการพิมพ์คำถามอิสระ แต่แบรนด์พบว่าเมื่อมีการเสนอคำถามตั้งต้นหรือ filter ให้เลือก เช่น ของขวัญไม่เกิน 50 ยูโร หรือสินค้าสำหรับหน้าร้อน คนจะโต้ตอบกับระบบมากขึ้น

นี่เป็น insight ที่ตรงกับพฤติกรรมจริงมาก คนส่วนใหญ่ไม่ได้อยากคิด prompt เอง แค่ต้องการเริ่มให้เร็วที่สุด

สำหรับธุรกิจไทย นี่คือสิ่งที่ทำได้ง่ายมากและมักเห็นผลไว เช่น

ถ้าเปิดแชตเปล่าๆ แล้วหวังว่าลูกค้าจะพิมพ์เองทั้งหมด adoption มักต่ำ แต่ถ้ามีปุ่มเริ่มต้นที่ตรงกับ intent ของลูกค้า การใช้งานจะไหลลื่นกว่ามาก

นี่เป็นเรื่อง UX มากพอๆ กับเรื่อง AI และในหลายกรณี UX สำคัญกว่า model ด้วยซ้ำ

บทเรียนที่ 2 tone of voice สำคัญ เพราะลูกค้าไม่ได้ต้องการคุยกับหุ่นยนต์

Sephora ให้ความสำคัญมากกับการทำให้ประสบการณ์ของ assistant รู้สึกเป็นแบรนด์ Sephora ไม่ใช่เป็นคำตอบแข็งๆ แบบระบบอัตโนมัติ จุดนี้หลายธุรกิจมักมองข้าม เพราะคิดว่าแค่ตอบถูกก็พอ

แต่ความจริงคือคำตอบที่ “ถูก” กับคำตอบที่ “น่าเชื่อถือและเข้ากับแบรนด์” ไม่เหมือนกัน

ธุรกิจความงาม สุขภาพ การเงิน หรือการศึกษายิ่งต้องระวังเรื่องนี้ เพราะน้ำเสียงมีผลต่อความมั่นใจของลูกค้า ถ้า assistant ตอบเหมือนเอกสารราชการ ลูกค้าอาจไม่กล้าซื้อต่อ แม้ข้อมูลจะครบก็ตาม

มุมมองของเราคือ ถ้าจะทำ AI assistant ให้ดี ต้องนิยามให้ชัดอย่างน้อย 3 เรื่อง

นี่คือเหตุผลที่ธุรกิจไม่ควรเริ่มจาก model อย่างเดียว แต่ควรเริ่มจาก playbook ของแบรนด์ก่อน

บทเรียนที่ 3 คำแนะนำต้องอธิบายได้ ไม่ใช่แค่โยนสินค้ามาให้

อีกจุดที่ Sephora เน้นคือความโปร่งใสของ recommendation ถ้าระบบแนะนำสินค้า ควรอธิบายได้ว่าทำไมสินค้าตัวนี้ถึงถูกแนะนำ เช่น เพราะประวัติการซื้อเดิม เพราะชอบแบรนด์นี้ หรือเพราะคุณสมบัติตรงกับความต้องการที่ระบุไว้

สไลด์ Key learnings แสดงสามหัวข้อเรื่อง guided experiences transparency และ test and learn
ภาพจาก วิดีโอต้นทาง

หลักคิดนี้สำคัญมากในเชิงความไว้วางใจ เพราะถ้าระบบแนะนำโดยไม่อธิบาย ลูกค้าอาจรู้สึกว่าถูกยัดขาย แต่ถ้าอธิบายเหตุผลได้ ลูกค้าจะรู้สึกว่ากำลังได้รับคำแนะนำ

สำหรับธุรกิจไทย เรื่องนี้ใช้ได้กับแทบทุกหมวด เช่น

ตรงนี้ยังโยงกับหลัก Responsible AI ด้วย เพราะการอธิบายเหตุผลช่วยลดความคลุมเครือ และทำให้คนตรวจสอบได้ว่าระบบกำลังพาไปทางไหน

ถ้าสนใจเรื่องการออกแบบ AI ที่รับผิดชอบมากขึ้น สามารถดูแนวทางพื้นฐานจาก OpenAI usage policies หรือหลักการด้าน AI governance จากองค์กรอย่าง OECD AI Principles

บทเรียนที่ 4 งาน AI ที่ดีต้อง test and learn ตลอด

Sephora ปิดท้ายด้วยแนวคิดที่ฟังดูเรียบง่าย แต่จริงที่สุด คือ AI ยังเป็นของใหม่และเปลี่ยนเร็วมาก ดังนั้นวิธีทำงานที่เหมาะที่สุดคือ test and learn ผ่านการทำ A/B test และปล่อยปรับปรุงอย่างต่อเนื่อง

นี่เป็นมุมที่หลายองค์กรไทยพลาดบ่อย เพราะมอง AI เป็นโปรเจกต์ที่ต้องเปิดตัวให้สมบูรณ์แบบตั้งแต่วันแรก ผลคือใช้เวลานาน ค่าใช้จ่ายสูง และสุดท้ายไม่มีข้อมูลพอจะรู้ว่าลูกค้าใช้จริงหรือไม่

วิธีที่น่าเอาอย่างจากเคสนี้คือ เริ่มจาก use case แคบแต่ใกล้รายได้ วัดผลชัด แล้วค่อยขยาย เช่น

ถ้าธุรกิจไทยทำได้ถึงจุดนี้ จะเริ่มขยับจาก “ลองใช้ AI” ไปสู่ “บริหาร AI ด้วยข้อมูล”

ถ้าเอาแนวคิดนี้มาใช้กับธุรกิจไทย จะเริ่มตรงไหนก่อนดี

ถ้ามองแบบเจ้าของธุรกิจ สิ่งที่ควรเอากลับไปไม่ใช่การรีบสร้างระบบใหญ่ แต่คือการจัดลำดับก่อนหลังให้ถูก

1) หา moment ที่ลูกค้าลังเลก่อนซื้อ

ดูจากแชต, คอลเซ็นเตอร์, คอมเมนต์, รีวิว, หรือคำถามหน้าร้าน ว่าคำถามไหนเกิดบ่อยและทำให้การปิดการขายช้าลง

2) สร้าง knowledge ที่ตอบได้จริง

รวบรวมข้อมูลสินค้า ข้อเปรียบเทียบ วิธีใช้ ข้อควรระวัง และคำตอบมาตรฐานจากทีมขายให้เป็นชุดเดียวกันก่อน ถ้าฐานข้อมูลยังมั่ว AI ก็มั่วตาม

3) เริ่มจาก flow ที่ใกล้การซื้อที่สุด

หน้า product detail, หน้าตะกร้า, หน้าเปรียบเทียบสินค้า หรือ LINE ที่ใช้ปิดการขาย มักคุ้มกว่าการไปทำ assistant ทั่วทั้งองค์กรตั้งแต่แรก

4) วัดผลเป็นธุรกิจ ไม่ใช่วัดแค่จำนวนแชต

metric ที่ควรดูคือ conversion, add-to-cart rate, average order value, เวลาที่ใช้ก่อนซื้อ และอัตราการส่งต่อให้ทีมขาย

Actionable Insights

Troubleshooting

ปัญหา: คนไม่กดใช้ AI assistant
สาเหตุ: จุดเริ่มต้นใช้งานยากเกินไป หรือไม่รู้ว่าถามอะไรได้
วิธีแก้: ใส่ prompt starters 4 ถึง 6 แบบที่ตรงกับคำถามยอดฮิต และวางไว้ใกล้ปุ่มซื้อหรือหน้าสินค้า

ปัญหา: AI ตอบกว้าง แต่ไม่ช่วยปิดการขาย
สาเหตุ: ระบบตอบได้แต่ไม่ได้เชื่อมกับสินค้าและขั้นตอนซื้อจริง
วิธีแก้: ผูกคำตอบกับ product card ปุ่มเพิ่มลงตะกร้า และคำแนะนำเปรียบเทียบรุ่นที่ชัดเจน

ปัญหา: คำตอบดูเป็นหุ่นยนต์ ไม่เหมือนแบรนด์
สาเหตุ: ไม่มีการกำหนด tone of voice และขอบเขตคำตอบ
วิธีแก้: สร้างคู่มือภาษาแบรนด์ ตัวอย่างคำตอบที่ควรใช้ และกรณีที่ต้องโอนให้เจ้าหน้าที่จริง

ปัญหา: ลูกค้าไม่เชื่อคำแนะนำของ AI
สาเหตุ: ระบบแนะนำโดยไม่อธิบายเหตุผล
วิธีแก้: เพิ่มข้อความสั้นๆ ว่าแนะนำจากอะไร เช่น ความต้องการที่เลือกไว้ ประวัติการซื้อ หรือคุณสมบัติสินค้า

ปัญหา: ลงทุนทำ AI ไปแล้วไม่รู้ว่าคุ้มไหม
สาเหตุ: ไม่มี metric ธุรกิจรองรับตั้งแต่ต้น
วิธีแก้: ตั้ง KPI ให้ชัด เช่น conversion, add-to-cart, lead quality และเวลาตอบกลับก่อนเริ่มทดสอบ

การต่อยอด

สรุป Checklist ทั้งหมด

สรุป

สิ่งที่ Sephora ทำให้เห็นชัดคือ AI ที่สร้างผลทางธุรกิจ ไม่ได้เริ่มจากความล้ำ แต่เริ่มจากความเข้าใจลูกค้าและการออกแบบประสบการณ์ให้ช่วยตัดสินใจได้ง่ายขึ้น Shopping Assistant ถูกนำเสนอว่าอยู่ในจุดที่ลูกค้าต้องการความช่วยเหลือ มีคำแนะนำพร้อมเหตุผล และเชื่อมไปสู่ขั้นตอนซื้อได้ แต่คำอธิบายกรณีนี้ยังไม่ใช่หลักฐานแยกผลเชิงสาเหตุของแต่ละองค์ประกอบ

สำหรับธุรกิจไทย บทเรียนสำคัญที่สุดอาจไม่ใช่เรื่องเทคโนโลยี แต่คือการเลิกมอง AI เป็นของเสริม แล้วเริ่มมองมันเป็นส่วนหนึ่งของ customer journey ถ้าเราทำตรงนี้ได้ แม้จะเริ่มเล็กกว่า Sephora มาก ก็ควรวัดว่า AI ช่วยยอดขาย ความไว้วางใจ และประสบการณ์ลูกค้าได้จริงเพียงใด

Insiderly

บทความจากกองบรรณาธิการ Insiderly

อ่านบทความทั้งหมด

More in ธุรกิจและการแข่งขัน

See all
ภาพปกวิดีโอต้นทางของ Nate Herk เรื่อง Karpathy และ Anthropic

Karpathy ร่วม Anthropic: ข่าวที่ยืนยันแล้วและคำคาดการณ์เรื่อง context

โดย Insiderly
/
Developer workspace window showing project list, changelog and code area

Rakuten แก้ปัญหาได้เร็วขึ้นสองเท่าด้วย Codex

โดย Insiderly
/
video thumbnail for 'NEW NVIDIA + Adobe AI Update is INSANE! 🔥'

NEW NVIDIA + Adobe AI Update: ระบบเอเจนต์ที่อาจ “แทนทั้งทีมการตลาด” ได้ในไม่กี่ปี

โดย Insiderly
/
ภาพคณะผู้ร่วมอภิปรายในสตูดิโอพูดคุยเรื่อง superintelligence

Sam Altman on Building the Future of AI: ทำไม “ซูเปอร์อินเทลลิเจนซ์” ถึงต้องเริ่มคุยตั้งแต่วันนี้ พร้อมกรอบคิดเรื่องความปลอดภัย ความยืดหยุ่น และการแบ่งปันผลประโยชน์

โดย Insiderly
/

บทความอื่นจาก Insiderly

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปก The End of Apps ของ Kitze บนเวที AI Engineer Europe

AI Agents กับจุดจบของแอป: บทเรียนจาก Kitze

โดย Insiderly
/
ภาพปกการสนทนา Human Judgment in Agentic Engineering จาก AI Engineer Europe

AI เร่งงานได้ แต่แรงเสียดทานช่วยให้เราตัดสินใจดีขึ้น

โดย Insiderly
/