เอเจนซีการตลาด AI สำหรับร้านค้าออนไลน์: เลือกอย่างไรให้ถูกต้อง

เอเจนซีการตลาด AI สำหรับร้านค้าออนไลน์ คือเอเจนซีที่เดินระบบเลเยอร์ของตัวเองอยู่เหนือแพลตฟอร์มโฆษณา โดยเชื่อมกับข้อมูลอัตรากำไร สต็อก การคืนสินค้า และมูลค่าลูกค้า เอเจนซีแบบนี้ไม่ได้ปรับให้ได้คลิกราคาถูกหรือ ROAS ที่ดูดีในรายงาน แต่ปรับเพื่อกำไรจากคำสั่งซื้อ วิธีตรวจสอบคือถามว่าข้อมูลอัตรากำไรมาจากไหน และวัดผลส่วนเพิ่มอย่างไร

ทำไมคำถามนี้จึงเปลี่ยนไปในช่วงสองปีที่ผ่านมา

เมื่อไม่นานมานี้ สิ่งที่คุณซื้อจากเอเจนซีคือการลงมือทำ มีคนนั่งอยู่ในบัญชีโฆษณา เติมคีย์เวิร์ด ตัดคำค้นที่ไม่เกี่ยวข้อง และขยับราคาประมูลด้วยมือ งานแบบนี้ส่วนใหญ่ย้ายเข้าไปอยู่ในระบบอัตโนมัติของแพลตฟอร์มแล้ว และระบบก็ทำได้ดี ทั้ง Google และ Meta มีโมเดลที่มองเห็นสัญญาณซึ่งไม่มีใครมองเห็นได้จากตารางข้อมูล

คำถามที่เจ้าของร้านค้าออนไลน์ควรถามจึงเปลี่ยนไป ไม่ใช่ว่าเอเจนซีตั้งแคมเปญเป็นหรือไม่ แต่คือเอเจนซีส่งข้อมูลอะไรเข้าไปให้แคมเปญนั้น และรู้ได้อย่างไรว่ามันได้ผลจริง

ยังมีความเปลี่ยนแปลงที่สองตามมา นั่นคือเรื่องการมองเห็น Ahrefs วัดได้ในเดือนกุมภาพันธ์ 2026 ว่าอัตราการคลิกลดลง 58% สำหรับคำค้นที่มี AI Overviews และสัดส่วนการค้นหาที่จบโดยไม่มีการคลิกในสหรัฐอเมริกาแตะ 58.5% (สรุปงานวิจัย: https://arvow.com/blog/ai-overviews-statistics-2026) ข้อมูลสินค้า เนื้อหา และฟีด กลายเป็นเลเยอร์ร่วมของทั้งการมองเห็นแบบออร์แกนิกและแบบเสียเงิน จะแยกออกเป็นสองงานที่ไม่เกี่ยวกันอีกต่อไปไม่ได้แล้ว

เอเจนซีการตลาด AI สำหรับร้านค้าออนไลน์ ทำอะไรต่างจากเอเจนซีที่แค่ใช้เครื่องมือ AI

สองสิ่งนี้ต่างกัน แต่ในหน้าผลการค้นหามักถูกปนเป็นเรื่องเดียวกัน อย่างแรกคือ AI ที่อยู่ภายในแพลตฟอร์ม ได้แก่ Smart Bidding, Performance Max และ Advantage+ ระบบเหล่านี้เก่งมากในสิ่งที่มันทำ นั่นคือการซื้อพื้นที่โฆษณาแบบเรียลไทม์ แต่มีข้อจำกัดหนึ่งข้อ ซึ่งไม่ใช่ข้อบกพร่อง มันปรับให้ตรงกับสิ่งที่คุณส่งเข้าไปเท่านั้น

อย่างที่สองคือเลเยอร์ AI ที่อยู่เหนือแพลตฟอร์ม เลเยอร์นี้ไม่ได้แข่งกับระบบประมูล แต่เป็นตัวตัดสินว่าสัญญาณแบบไหนจะไหลเข้าไปในระบบนั้น มันมองเห็นระดับ SKU ต้นทุนสินค้า ค่าขนส่ง ค่าธรรมเนียมการชำระเงิน อัตราการคืนสินค้า และมูลค่าของลูกค้าที่กลับมาซื้อซ้ำ เลเยอร์เดียวกันนี้ยังคุมฟีดสินค้า หัวข้อ และชิ้นงานโฆษณาด้วย เพราะจุดนั้นคือจุดที่แรงงัดมากที่สุด

ความต่างนี้วัดได้ ไม่ใช่เรื่องปรัชญา ถ้าคุณส่งมูลค่าคำสั่งซื้อให้แพลตฟอร์ม มันจะเรียนรู้ที่จะไปหาคำสั่งซื้อ ถ้าคุณส่งกำไรหลังหักการคืนสินค้า มันจะเรียนรู้ที่จะไปหากำไร ในร้านค้าออนไลน์ส่วนใหญ่ที่เราเคยเห็น สองอย่างนี้ไม่ใช่สินค้าชุดเดียวกัน

ข้อมูลบอกอะไรบ้าง

การปรับให้ได้กำไรไม่ใช่ลูกเล่นของเอเจนซี แต่เป็นฟีเจอร์ที่รองรับอย่างเป็นทางการ Google Ads คำนวณกำไรขั้นต้นจากรายได้ลบต้นทุนขาย และกำหนดให้ต้องมีแอตทริบิวต์ cost_of_goods_sold อยู่ในฟีด Merchant Center (https://support.google.com/google-ads/answer/14943482) การรายงานอัตรากำไรจะทำงานได้ก็ต่อเมื่อใช้ร่วมกับ Conversions with Cart Data นั่นคือการส่งข้อมูลตะกร้าสินค้าในระดับ SKU (https://support.google.com/sa360/answer/13424777) มันเชื่อมอยู่หรือไม่เชื่อม ไม่มีทางอื่น ตรวจสอบได้ภายในสิบนาที

เลเยอร์ที่สองคือการคืนสินค้า NRF ระบุว่าคำสั่งซื้อออนไลน์ถูกคืนราว 19.3% และในหมวดเสื้อผ้าอยู่ที่ 20 ถึง 40% (https://nrf.com/research/2025-retail-returns-landscape) Google มีเครื่องมือรองรับคือ conversion adjustments ประเภท RESTATE และ RETRACT โดยมีกรอบเวลา 55 วันนับจาก Conversion เดิม (https://support.google.com/google-ads/answer/7686447) หากไม่มีสิ่งนี้ อัลกอริทึมจะเรียนรู้จากรายได้ที่ร้านค้าไม่เคยได้รับจริง

เรื่องที่สามคือการวัดผลที่เกิดขึ้นเพิ่ม การทดลองคลาสสิกของ eBay ที่ตีพิมพ์ใน Econometrica แสดงให้เห็นว่า สำหรับคำค้นที่มีคำว่า eBay อยู่ด้วย ทราฟฟิกราว 99.5% จากโฆษณาค้นหาแบรนด์แบบเสียเงินจะเข้ามาอยู่ดีแม้ไม่มีโฆษณา ในชุดข้อมูลใหม่กว่าซึ่งรวมการทดสอบเชิงพื้นที่ 225 ครั้งของแบรนด์ DTC ค่ามัธยฐานของ ROAS ส่วนเพิ่มจากการค้นหาแบรนด์อยู่ที่ 0.70x ซึ่งต่ำกว่าจุดคุ้มทุน (https://searchengineland.com/incrementality-testing-advertising-winners-losers-442852) Google เองก็ปล่อย Meridian ออกมา และในเดือนพฤษภาคม 2026 ก็ปล่อย Meridian GeoX ซึ่งเป็นการทดลองเชิงพื้นที่แบบเปิด ที่นำผลลัพธ์ไปคาลิเบรตโมเดล นี่คือการยอมรับว่าลำพังการระบุแหล่งที่มาไม่เพียงพอต่อการตัดสินใจเรื่องงบประมาณ

และเรื่องที่สี่ ซึ่งทำให้คนส่วนใหญ่ประหลาดใจที่สุด Nielsen วิเคราะห์แคมเปญราว 500 แคมเปญ แล้วพบว่าชิ้นงานโฆษณามีส่วนต่อยอดขาย 47% ขณะที่การกำหนดกลุ่มเป้าหมายมีส่วน 9% (https://www.marketingcharts.com/advertising-trends-230468) แรงงัดที่ใหญ่ที่สุดจึงไม่ใช่การประมูล แต่คือจังหวะความเร็วที่คุณทดสอบชิ้นงานโฆษณาและข้อมูลสินค้าได้

จุดยืนของเรา

ความเห็นกระแสหลักในวงการบอกว่า ต้องคุม AI ไว้ด้วยสัญญาณที่ตั้งเอง กลุ่มเป้าหมายที่กำหนดเอง และรายการยกเว้น อีกทั้งตัวชี้วัดหลักควรเป็น ROAS หรือ CPA เราเห็นตรงกันข้ามในทั้งสองข้อ และเรามีเหตุผลรองรับ

ข้อแรก จำกัดสัญญาณให้น้อยลง แต่แก้ไขข้อมูลขาเข้าให้มากขึ้น Optmyzr วิเคราะห์บัญชี 9 199 บัญชี และแคมเปญ Performance Max จำนวน 24 702 แคมเปญ พบว่ามีผู้ลงโฆษณา 92% ที่ใช้ audience signals และบัญชีเหล่านั้นทำผลงานได้แย่กว่าในตัวชี้วัดส่วนใหญ่ ส่วน search themes มีผู้ใช้ 71% โดยให้ผลเชิงลบเป็นหลัก และผู้ลงโฆษณา 58% ได้ผลลัพธ์เท่าเดิมหรือดีกว่าเมื่อไม่ใช้รายการยกเว้นเลย (https://www.optmyzr.com/blog/performance-max-2025-updates-study-analysis/) เมื่อแพลตฟอร์มได้รับสัญญาณเรื่องกำไรที่สะอาด มันก็ไม่ต้องให้ใครจากภายนอกมาเดากลุ่มเป้าหมายให้

ข้อสอง ตัวชี้วัดหลักควรเป็นกำไรจากคำสั่งซื้อหลังหักการคืนสินค้าและค่าขนส่ง ไม่ใช่รายได้ ในแคตตาล็อกที่เราเคยไล่ดู อัตรากำไรขั้นต้นระหว่างหมวดหมู่ต่างกันถึงสามเท่าเป็นเรื่องปกติ งบประมาณจึงไหลไปหาสินค้าที่รายได้สูงแต่กำไรต่ำอย่างเป็นระบบ ในขณะที่รายงานกลับดูดีมาก นี่คือเหตุผลเดียวที่เอนจินของเราต้องมีอยู่ในฐานะเลเยอร์อิสระเหนือ Google, Meta และ TikTok ไม่ใช่เพราะแพลตฟอร์มทำอะไรผิด แต่เพราะแพลตฟอร์มไม่รู้อะไรเลยเกี่ยวกับต้นทุนสินค้าและการคืนสินค้าของคุณ จนกว่าเราจะบอกมันไป

ข้อสาม ประเด็นไม่ใช่ AI ปะทะมนุษย์ แต่คือการวัดผลอย่างเป็นอิสระเหนือแพลตฟอร์ม Meta ระบุว่าการปรับเพื่อ Conversion ส่วนเพิ่มให้ลิฟต์ราว 46% ขณะที่ชุดข้อมูลอิสระของ Haus จากการทดสอบส่วนเพิ่ม 640 ครั้งตลอด 18 เดือน กลับบอกว่า 58% ของแบรนด์ได้ ROI ส่วนเพิ่มสูงกว่าจากแคมเปญที่ตั้งเอง และระบบอัตโนมัติประเมินคุณค่าของตัวเองสูงเกินจริงราว 12 จุดเปอร์เซ็นต์ (https://news.marketecture.tv/p/meta-advantage-plus-and-incrementality-findings-from-640-tests-2d1d) ตัวเลขทั้งสองชุดอาจจริงทั้งคู่ เพียงแต่วัดจากบัญชีคนละกลุ่ม เราจึงไม่เชื่อชุดไหนเลยจนกว่าจะทดสอบบนข้อมูลของคุณเอง

ตัวเลขที่เรายืนยันได้นั้นเป็นรูปธรรม ที่ร้านค้าออนไลน์ Zlatá Putna เราเห็นรายได้เพิ่มขึ้น 45.8% และการมองเห็นเพิ่มขึ้น 574% ที่ Jankiv Siblings engagement เพิ่มขึ้น 583% ที่ Domintell ผู้เข้าชมเพิ่มขึ้น 272% ส่วน ROAS สูงสุด 300% คือเพดานที่เราเคยทำได้ ไม่ใช่ค่าเฉลี่ยและไม่ใช่คำสัญญา เราทำได้บนแคตตาล็อกที่มีข้อมูลอัตรากำไรดี และมีพื้นที่ให้ขยายงบประมาณ สำหรับร้านค้าออนไลน์ที่ไม่มีข้อมูลอัตรากำไรอยู่ในระบบ เราจะไม่รับปากผลลัพธ์แบบนั้น

ลงมือทำอย่างไร: เจ็ดขั้นตอนและห้าคำถาม

ลำดับของขั้นตอนไม่ได้สลับกันได้ตามใจ แต่ละขั้นตั้งอยู่บนขั้นก่อนหน้า

1. นำข้อมูลต้นทุนขายเข้าไปในฟีด Google อนุญาตอย่างชัดเจนให้ใช้ค่าประมาณได้ เช่น 80% ของราคาขาย เพื่อให้การรายงานเริ่มเดินได้ก่อน ความแม่นยำค่อยเติมภายหลัง

2. เปิดการส่งข้อมูลตะกร้าสินค้า หากไม่มีข้อมูลระดับ SKU อัตรากำไรก็วัดไม่ได้

3. เชื่อมข้อมูลการคืนสินค้าผ่าน conversion adjustments เมื่ออัตราการคืนอยู่ที่ 20% นี่คือการแก้ไขที่ถูกที่สุดในทั้งบัญชี

4. เติมมูลค่าลูกค้าเข้าไป Customer lifecycle goals และโหมด New Customer Value สามารถเพิ่มมูลค่าส่วนเพิ่มให้กับการซื้อครั้งแรกของลูกค้าใหม่ได้ (https://support.google.com/google-ads/answer/12080169)

5. จัดระเบียบฟีดและข้อมูลสินค้า ทั้งหัวข้อ แอตทริบิวต์ GTIN และรูปภาพ งานชุดเดียวกันนี้จะยกระดับการมองเห็นแบบออร์แกนิกไปด้วย

6. เร่งจังหวะงานครีเอทีฟ ถ้า Nielsen ให้น้ำหนักชิ้นงานโฆษณาถึง 47% จำนวนเวอร์ชันที่ทดสอบได้ต่อเดือนก็คือ KPI จริง

7. วัดผลส่วนเพิ่ม ใช้ geo holdout หรือ user-level holdout อย่างน้อยกับการค้นหาแบรนด์และช่องทางหลักหนึ่งช่องทาง

ห้าคำถามที่ควรถามทุกเอเจนซี รวมถึงเราด้วย ข้อมูลอัตรากำไรของผมมาจากไหน และคำนวณอะไรรวมไว้บ้าง ผมมองเห็นการตัดสินใจของ AI ได้หรือไม่ มีบันทึกไหมว่าใครเปลี่ยนงบประมาณและเปลี่ยนเพราะอะไร ใครเป็นเจ้าของบัญชีโฆษณา ข้อมูล Conversion และกลุ่มเป้าหมาย เมื่อความร่วมมือสิ้นสุดลง คุณพิสูจน์อย่างไรว่ารายได้นั้นจะไม่เกิดขึ้นหากไม่มีโฆษณา และทั้งหมดนี้ราคาเท่าไร แยกเป็นค่าติดตั้ง ค่าบริการรายเดือน และส่วนแบ่งจากงบโฆษณา

คำถามข้อที่ห้าคือบททดสอบเรื่องความตรงไปตรงมา เราบอกราคาตั้งแต่การปรึกษาครั้งแรก ไม่ใช่หลังอีเมลฉบับที่สาม ถ้าใครปิดบังราคาไว้ โดยทั่วไปไม่ใช่เพราะราคานั้นถูก

เมื่อไรที่แนวทางนี้ใช้ไม่ได้

เมื่อปริมาณข้อมูลน้อย โครงสร้างทั้งหมดนี้ไม่มีประโยชน์ ถ้าร้านค้าออนไลน์มี Conversion เพียงหลักสิบต่อเดือน โมเดลก็ไม่มีอะไรให้เรียนรู้ และการปรับเพื่อกำไรจะกลายเป็นการวัดสัญญาณรบกวนอย่างแม่นยำขึ้นเท่านั้น ในกรณีนั้นควรลงทุนกับตัวสินค้า ฟีด และชิ้นงานโฆษณา แล้วคุมโฆษณาให้เรียบง่ายไว้

ถ้าคุณขายสินค้าเพียงชิ้นเดียวที่มีอัตรากำไรเดียว POAS จะไม่เพิ่มอะไรให้เลย ข้อได้เปรียบทั้งหมดเกิดจากความแตกต่างภายในแคตตาล็อก

การทดสอบส่วนเพิ่มไม่ได้มาฟรี geo holdout หมายถึงการปิดโฆษณาในตลาดบางส่วน และสำหรับร้านค้าออนไลน์ที่ขายตามฤดูกาล การทดสอบสั้นเกินไปมักไม่มีความหมาย คำแนะนำทั่วไปอยู่ระหว่างไม่กี่สัปดาห์ ไปจนถึงสามถึงหกเดือนสำหรับวงจรการซื้อที่ยาวกว่า นี่คือราคาจริงของความมั่นใจ และต้องบอกกันตั้งแต่ต้น

ยังมีความขัดแย้งอีกข้อที่แก้ด้วยตารางข้อมูลไม่ได้ การปรับเพื่อกำไรระยะสั้นจะผลักให้กำหนดเป้าหมายแคบที่สุดเท่าที่จะทำได้ ขณะที่สำนัก Ehrenberg-Bass ชี้ว่าการเติบโตมาจากการเข้าถึงผู้ซื้อทั้งหมวดหมู่ สำหรับร้านค้าออนไลน์ที่อยากทำให้แบรนด์โตเป็นสองเท่าภายในสองปี ตรรกะสองชุดนี้ชนกัน เราแก้ด้วยการแบ่งงบประมาณ และยอมรับตรง ๆ ว่าส่วนหลังนั้นวัดผลได้ยากกว่า

และขอปิดท้ายด้วยความไม่แน่นอนที่เรายอมรับ เราไม่รู้ว่าสัดส่วนระหว่างการมองเห็นแบบเสียเงินกับแบบออร์แกนิกจะขยับไปทางไหน หลังคลื่นลูกถัดไปของผลการค้นหาที่ขับเคลื่อนด้วย AI เช่นเดียวกัน ผู้จัดการ PPC ที่ใช้โมเดล AI ถึง 70% รายงานว่ามีปัญหาเรื่องคุณภาพของผลลัพธ์ (https://www.searchenginejournal.com/ppc-trends-2026-ai-automation-and-the-fight-for-visibility/558870/) ที่เราจึงให้มนุษย์เป็นผู้อนุมัติงบประมาณ แบรนด์ และการปล่อยชิ้นงานโฆษณา ระบบอัตโนมัติเป็นผู้เสนอ มนุษย์เป็นผู้เซ็น

สรุปสิ่งที่ควรจดจำ

เอเจนซี AI ไม่ได้ดูกันที่ว่าเขียนคำว่า AI ไว้กี่ครั้ง แต่ดูกันที่ว่าแสดงให้เห็นได้หรือไม่ว่าระบบของเขาเดินอยู่บนข้อมูลชุดใด ตัดสินใจอะไรเองบ้าง และเรื่องใดที่มนุษย์เป็นผู้อนุมัติ ที่เหลือทั้งหมดเป็นเพียงถ้อยคำบนเว็บไซต์

หากคุณอยากรู้ว่าในแคตตาล็อกของคุณมีช่องว่างระหว่างรายได้กับกำไรซ่อนอยู่หรือไม่ เรามาไล่ดูด้วยกัน เป็นการปรึกษา 30 นาทีโดยไม่มีข้อผูกมัด เราจะเข้าไปดูในบัญชีโฆษณา บอกว่าข้อมูลส่วนไหนยังขาด และประเมินศักยภาพให้ ไม่มีการนำเสนอขาย และไม่มีข้อผูกมัดว่าต้องทำงานร่วมกันต่อ

คำถามที่พบบ่อย

จะรู้ได้อย่างไรว่าเอเจนซีใช้ AI จริง ไม่ใช่แค่พูดถึงมัน

ให้ถามสามเรื่องที่เป็นรูปธรรม ระบบของเขามองเห็นข้อมูลอะไรบ้าง (SKU ต้นทุนสินค้า สต็อก การคืนสินค้า มูลค่าลูกค้า) ระบบตัดสินใจบ่อยแค่ไหน และมีบันทึกการตัดสินใจที่คุณเข้าไปดูได้หรือไม่ เอเจนซีที่ใช้เพียงเครื่องมือ AI เขียนข้อความจะตกตั้งแต่คำถามข้อแรก คำตอบที่ตรวจสอบได้ใช้เวลาแค่นาทีเดียว

POAS คืออะไร และดีกว่า ROAS หรือไม่

POAS คือผลตอบแทนจากค่าโฆษณาที่คำนวณจากกำไร ไม่ใช่จากรายได้ สำหรับร้านค้าออนไลน์ที่มีอัตรากำไรแตกต่างกันในแต่ละสินค้า POAS เป็นตัวชี้วัดหลักที่ดีกว่า ROAS เพราะช่วยกันไม่ให้งบประมาณไหลไปหาสินค้าที่รายได้สูงแต่กำไรต่ำ อย่างไรก็ตาม POAS ไม่ได้แทนที่การมองภาพรวมของงบกำไรขาดทุน และไม่ได้แทนที่การวัดผลส่วนเพิ่ม

ร้านค้าออนไลน์ต้องมีข้อมูลมากแค่ไหน การปรับเพื่อกำไรจึงจะคุ้ม

ในทางปฏิบัติคุณต้องมีปริมาณ Conversion ที่สม่ำเสมอพอให้โมเดลได้เรียนรู้ และมีแคตตาล็อกที่อัตรากำไรแตกต่างกัน หากมี Conversion เพียงหลักสิบต่อเดือน หรือมีสินค้าเดียวที่อัตรากำไรเดียว ประโยชน์ที่ได้จะไม่คุ้มกับต้นทุนงานด้านข้อมูล กรณีนั้นควรลงทุนกับฟีด ชิ้นงานโฆษณา และตัวสินค้ามากกว่า

จะตรวจสอบได้อย่างไรว่าโฆษณาสร้างยอดขายเพิ่มขึ้นจริง

หลักฐานที่เชื่อถือได้มีทางเดียวคือการทดลอง ได้แก่ geo holdout, user-level holdout หรือโมเดล marketing mix ที่คาลิเบรตด้วยการทดสอบ ตัวเลขในหน้าจอของแพลตฟอร์มบอกเพียงว่าเครดิตถูกยกให้ใคร ไม่ได้บอกว่าจะเกิดอะไรขึ้นหากไม่มีโฆษณา การทดลองของ eBay แสดงให้เห็นว่าทราฟฟิกราว 99.5% จากโฆษณาแบรนด์จะเข้ามาอยู่ดีแม้ไม่มีโฆษณา

ใครควรเป็นเจ้าของบัญชีโฆษณาและข้อมูล หลังจบความร่วมมือ

ลูกค้าเป็นเจ้าของ บัญชีโฆษณา ข้อมูล Conversion กลุ่มเป้าหมาย และประวัติการเรียนรู้ทั้งหมด เป็นของร้านค้าออนไลน์ ไม่ใช่ของเอเจนซี การย้ายไปบัญชีใหม่หมายถึงการสูญเสียประวัติที่ระบบประมูลอัตโนมัติใช้เป็นฐาน และเท่ากับรีเซ็ตประสิทธิภาพใหม่ทั้งหมด ควรระบุความเป็นเจ้าของบัญชีไว้ในสัญญาก่อนเริ่มแคมเปญแรก

ต้องมีข้อมูลอัตรากำไรที่แม่นยำก่อนจึงจะเริ่มได้หรือไม่

ไม่จำเป็น Google เองอนุญาตให้เริ่มด้วยค่าประมาณต้นทุนขาย เช่น กำหนดเป็นเปอร์เซ็นต์คงที่จากราคาสินค้า เพื่อให้การรายงานเริ่มเดินได้ วิธีที่ถูกต้องคือค่อย ๆ ทำให้แม่นยำขึ้นด้วยค่าขนส่ง ค่าธรรมเนียมการชำระเงิน ค่าบรรจุภัณฑ์ และอัตราการคืนสินค้า การเลื่อนโครงการออกไปจนกว่าข้อมูลอัตรากำไรจะสมบูรณ์แบบ มีต้นทุนสูงกว่าการเริ่มด้วยค่าประมาณ