คะแนน Satisfaction 85% ฟังดูเป็นผลลัพธ์ที่ดี แต่ถ้ากลุ่มหนึ่งพึงพอใจ 92% ขณะที่อีกกลุ่มอยู่ที่ 60% เราควรสรุปว่าบริการทำได้ดีแล้วหรือไม่?
ปัญหาของค่าเฉลี่ยไม่ใช่ว่ามันผิด แต่คือมันย่อความแตกต่างจำนวนมากให้เหลือตัวเลขเดียว สำหรับบริการภาครัฐที่ต้องเข้าถึงคนหลายกลุ่ม Total Satisfaction จึงควรเป็นจุดเริ่มต้นของการวิเคราะห์ ไม่ใช่จุดจบ

คำตอบสั้น ๆ คือ อย่าหยุดที่ Total Satisfaction
‍
คะแนนเฉลี่ยหรือเปอร์เซ็นต์ความพึงพอใจรวมช่วยตอบว่า “ภาพรวมเป็นอย่างไร” แต่ไม่ได้ตอบว่า “ทุกกลุ่มได้รับประสบการณ์เหมือนกันหรือไม่” บริการหนึ่งอาจมีคะแนนรวมสูง ขณะที่ประชาชนบางพื้นที่ บางช่องทาง หรือบางกลุ่มยังพบ Pain Point ที่ชัดเจน

OECD ระบุว่าความแตกต่างของ Satisfaction ระหว่างกลุ่มประชากรสามารถเป็นสัญญาณของความแตกต่างด้าน Accessibility, Timeliness หรือ Quality และข้อมูลแบบแยกกลุ่มสามารถช่วยระบุพื้นที่สำหรับการปรับปรุงบริการได้ ข้อมูล OECD ที่เผยแพร่ใน Government at a Glance 2023 ใช้ผลสำรวจปี 2021 เพื่อแสดงให้เห็นว่าระดับ Satisfaction ต่อบริการสาธารณะสามารถแตกต่างกันอย่างมีนัยสำคัญระหว่างกลุ่มอายุ เพศ และระดับการศึกษาในหลายประเทศ
ดังนั้นเมื่อคะแนนรวมดูดี คำถามต่อไปไม่ควรเป็นเพียง “เราผ่าน KPI หรือยัง?” แต่ควรเป็น “มีใครบ้างที่ประสบการณ์ไม่ได้ดีไปพร้อมกับค่าเฉลี่ยนี้?”

ค่าเฉลี่ยบอกภาพรวม แต่ไม่ได้บอกว่าทุกคนได้รับประสบการณ์เดียวกัน
‍
Total Satisfaction มีประโยชน์สำหรับดูภาพรวมและแนวโน้ม แต่ค่าเฉลี่ยที่สูงสามารถเกิดขึ้นพร้อมกับปัญหาที่รุนแรงในบางกลุ่มได้ การวิเคราะห์จึงควรดูอย่างน้อย 4 เรื่อง คือ ใครอยู่เบื้องหลังคะแนนรวม กลุ่มใดแตกต่างจากภาพรวม Gap มีขนาดและความน่าเชื่อถือเพียงใด และปัญหานั้นกระทบคนมากแค่ไหน การแบ่งกลุ่มควรเริ่มจาก Business Question ไม่ใช่แบ่งทุกตัวแปรที่มี และไม่ควรสรุปจาก Subgroup ที่มีฐานตัวอย่างเล็กเกินไป

ค่าเฉลี่ยสูงไม่ได้ผิด แต่สามารถซ่อนเรื่องสำคัญได้

สมมติว่าหน่วยงานหนึ่งรายงาน Satisfaction 85%
ตัวเลขนี้อาจประกอบด้วยประชาชนกลุ่มใหญ่ที่มี Satisfaction 90% และกลุ่มเล็กอีกกลุ่มที่มี Satisfaction 55% เมื่อรวมกันแล้ว Total Score ยังดูสูง เพราะกลุ่มแรกมีน้ำหนักมากกว่า
ค่าเฉลี่ยไม่ได้ให้ข้อมูลผิด เพียงแต่ตอบคำถามคนละข้อ
Total Score ตอบว่า “ประชาชนโดยรวมให้คะแนนอย่างไร”
Subgroup Analysis ตอบว่า “ประสบการณ์แตกต่างกันระหว่างใครบ้าง”

หากการตัดสินใจเกี่ยวข้องกับการเข้าถึง ความเท่าเทียม หรือการปรับบริการเฉพาะกลุ่ม คำถามที่สองอาจสำคัญกว่าคะแนนรวม
UN Metadata สำหรับ SDG Indicator 16.6.2 ซึ่งวัดความพึงพอใจจากประสบการณ์ล่าสุดกับบริการสาธารณะ ระบุว่าการดูเฉพาะ National Aggregate มีความเสี่ยงที่จะมองไม่เห็นความแตกต่างระดับพื้นที่ และแนะนำอย่างน้อยให้แยกผลตาม Income, Sex และ Place of Residence เมื่อข้อมูลรองรับ

แล้วควรแบ่งข้อมูลตามกลุ่มอะไร?

ไม่ควรเริ่มจากการเปิดทุกตัวแปรใน Dataset แล้วหาว่ากลุ่มไหนคะแนนต่างกัน
ควรเริ่มจากคำถามว่า “ความแตกต่างแบบไหนมีผลต่อการตัดสินใจของเรา?”

พื้นที่หรือสถานที่ให้บริการ

หากแต่ละจังหวัด เขต หรือสาขามีกระบวนการ ทรัพยากร หรือปริมาณผู้ใช้ต่างกัน การแยก Satisfaction ตามพื้นที่อาจช่วยค้นหาว่าปัญหาเกิดขึ้นเฉพาะบางแห่งหรือเป็นปัญหาระดับระบบ
แต่คะแนนพื้นที่ต่ำไม่ได้พิสูจน์ทันทีว่าทีมในพื้นที่ทำงานไม่ดี เพราะความแตกต่างอาจเกี่ยวข้องกับจำนวนผู้ใช้ ความซับซ้อนของเคส Infrastructure หรือองค์ประกอบของประชาชนที่เข้ามาใช้บริการด้วย

ช่องทางการใช้บริการ

Online, Call Center และบริการ ณ จุดให้บริการสามารถสร้างประสบการณ์ต่างกันมาก
หาก Total Satisfaction สูง แต่ผู้ใช้ Digital Service มีคะแนนต่ำ การดูเฉลี่ยทุก Channel รวมกันอาจทำให้ Digital Pain Point ถูกกลบด้วยประสบการณ์ที่ดีกว่าจากช่องทางอื่น
การแยก Channel จึงมีประโยชน์เมื่อองค์กรกำลังตัดสินใจว่าจะปรับ Customer Journey หรือ Service Journey ตรงไหน

กลุ่มประชาชนที่มีความต้องการต่างกัน

อายุ รายได้ ภูมิภาค ความสามารถในการใช้ Digital Service หรือสถานการณ์เฉพาะของผู้ใช้ อาจสัมพันธ์กับ Access และ Experience ที่แตกต่างกัน
OECD ชี้ว่าความแตกต่างของ Satisfaction ระหว่าง Socio-demographic Groups สามารถช่วยวินิจฉัยความแตกต่างด้านการเข้าถึง ความรวดเร็ว และคุณภาพของบริการได้ แต่ข้อมูลดังกล่าวควรถูกตีความตาม Population และบริบทของการสำรวจ ไม่ควรยกผลจากประเทศหรือกลุ่มหนึ่งมาใช้แทนอีกบริบทโดยตรง

ประเภทของบริการหรือเหตุการณ์ที่ประชาชนกำลังเผชิญ

คนคนเดียวกันอาจมีประสบการณ์ดีมากกับบริการหนึ่งและมีปัญหากับอีกบริการหนึ่ง
OECD Survey on Drivers of Trust in Public Institutions 2025 ซึ่งเผยแพร่ในปี 2026 รายงานว่า Satisfaction ต่อบริการด้านการบริหารภาครัฐอยู่ในระดับค่อนข้างสูงโดยรวม แต่ยังพบความแตกต่างตามประเภทของประสบการณ์หรือ Life Event และตามประเทศอย่างชัดเจน

ดังนั้นถ้าองค์กรให้บริการหลายประเภท การรวมทั้งหมดเป็น Overall Satisfaction เพียงตัวเดียวอาจไม่เพียงพอสำหรับการบริหารบริการแต่ละ Journey

อย่าดูแค่ค่าเฉลี่ย ควรดู Distribution ด้วย

สมมติว่าบริการสองแห่งได้คะแนน Satisfaction เฉลี่ย 8 จาก 10 เท่ากัน
บริการ A อาจมีคนส่วนใหญ่ให้ 8 ใกล้เคียงกัน
บริการ B อาจมีคนครึ่งหนึ่งให้ 10 แต่อีกครึ่งให้ 6
ค่าเฉลี่ยเหมือนกัน แต่ความหมายทางธุรกิจต่างกัน
ดังนั้นถ้ามีข้อมูลเพียงพอ ควรดูเพิ่มเติม เช่น

• สัดส่วน Satisfied และ Dissatisfied
• การกระจายคะแนน
• สัดส่วนคะแนนต่ำมาก
• Median หรือค่ากลางอื่นเมื่อเหมาะสม
• ความแตกต่างระหว่างกลุ่ม
• แนวโน้มเทียบกับรอบก่อน

การดู Distribution ช่วยให้รู้ว่าคะแนนรวมมาจากประสบการณ์ที่ค่อนข้างสม่ำเสมอ หรือเกิดจากการเฉลี่ยคนที่มีประสบการณ์ดีมากกับคนที่มีประสบการณ์แย่มากเข้าด้วยกัน

Gap 5 จุด กับ Gap 20 จุด ควรอ่านเหมือนกันหรือไม่?

ไม่ควรดูเพียงว่าคะแนน “ต่างกัน” แต่ควรดูว่าต่างกันมากน้อยแค่ไหน
ตัวอย่างเช่น Satisfaction ของสองกลุ่มอยู่ที่ 84% กับ 82% ต่างกัน 2 Percentage Points ขณะที่อีกคู่หนึ่งอยู่ที่ 88% กับ 61% ต่างกัน 27 Percentage Points
ทั้งสองกรณีคือความแตกต่าง แต่ความหมายสำหรับการตัดสินใจอาจไม่เท่ากัน
ควรพิจารณาอย่างน้อย 3 เรื่องร่วมกัน

1. ขนาดของความแตกต่าง หรือ Effect Size
2. ความไม่แน่นอนของค่าประมาณ ซึ่งเกี่ยวข้องกับ Sample Size และ Sampling Design
3. Business หรือ Policy Significance ว่าความแตกต่างนั้นสำคัญต่อเป้าหมายบริการหรือไม่

Statistical Significance ไม่เท่ากับ Practical Significance เสมอไป และในทางกลับกัน Gap ที่ดูใหญ่แต่เกิดจาก Subgroup ขนาดเล็กมากก็อาจยังมีความไม่แน่นอนสูง

ระวัง Subgroup ที่มี Sample Size เล็ก

สมมติว่าคะแนนรวมมาจากผู้ตอบ 2,000 คน แต่กลุ่มที่เราสนใจมีเพียง 18 คน
หาก 10 คนจาก 18 คนพึงพอใจ คะแนนของกลุ่มจะอยู่ประมาณ 56% แต่การนำตัวเลขนี้ไปเปรียบเทียบอย่างมั่นใจกับกลุ่มที่มีผู้ตอบหลายร้อยคนอาจไม่เหมาะสม
ก่อนรายงาน Subgroup ควรตรวจ

• Base หรือจำนวนผู้ตอบจริงของกลุ่ม
• Sampling Method
• Weighting หากมี
• Confidence Interval หรือความไม่แน่นอนเมื่อเหมาะสม
• Non-response และ Coverage
• จำนวนการเปรียบเทียบที่กำลังทำ

หากฐานเล็กเกินไป ทางเลือกอาจเป็นรวมข้อมูลหลายรอบ เพิ่ม Sample ในรอบถัดไป รวมกลุ่มที่มีเหตุผลเชิงเนื้อหา หรือรายงานว่า Evidence ยังไม่เพียงพอ แทนการสร้างข้อสรุปจากตัวเลขที่ไม่เสถียร

กลุ่มเล็กไม่ได้แปลว่าไม่สำคัญ

นี่เป็นอีกด้านหนึ่งที่ต้องระวัง
การที่กลุ่มหนึ่งมีจำนวนคนไม่มาก ไม่ได้หมายความว่าปัญหาของกลุ่มนั้นไม่มีความสำคัญ
หากบริการมีหน้าที่เข้าถึงคนทุกกลุ่ม หรือกลุ่มดังกล่าวเผชิญ Barrier สูงเป็นพิเศษ การดูเพียงว่า “มีคนกลุ่มนี้ไม่เยอะ” อาจทำให้องค์กรมองข้ามปัญหาที่สำคัญด้าน Equity หรือ Accessibility
หลักจึงไม่ใช่การให้ความสำคัญกับทุก Gap เท่ากัน แต่ต้องถามว่า

• คนกลุ่มนี้คือใคร?
• ปัญหารุนแรงแค่ไหน?
• บริการมีหน้าที่ต้องเข้าถึงกลุ่มนี้หรือไม่?
• มีผลต่อสิทธิ โอกาส หรือ Outcome สำคัญหรือไม่?
• ปัญหาเกิดซ้ำหรือพบเฉพาะรอบเดียว?

OECD ระบุว่าความแตกต่างของ Satisfaction ระหว่างกลุ่มสามารถสะท้อนความเหลื่อมล้ำในการเข้าถึง ความรวดเร็ว หรือคุณภาพของบริการ และอาจใช้เป็น Diagnostic Signal เพื่อช่วยให้หน่วยงานตรวจสอบปัญหาต่อได้

ถ้า Total Score สูง แต่บางกลุ่มต่ำ ควรรีบแก้กลุ่มนั้นก่อนหรือไม่?

ยังไม่ควรสรุปจาก Satisfaction Gap อย่างเดียว
Gap บอกเราว่า “มีความแตกต่างที่ควรตรวจสอบ” แต่ไม่ได้บอกโดยอัตโนมัติว่า “สาเหตุคืออะไร” หรือ “ต้องแก้อะไรก่อน”
สมมติว่ากลุ่มผู้สูงอายุมี Satisfaction ต่ำกว่ากลุ่มอื่น สิ่งที่ควรทำต่อไม่ใช่รีบสร้างโครงการสำหรับผู้สูงอายุทันที แต่ควรดูว่า Gap เกิดขึ้นตรงไหนใน Journey
อาจเกิดจาก

• หาข้อมูลยาก
• Digital Access
• ขั้นตอนซับซ้อน
• Waiting Time
• เอกสารหรือภาษาที่เข้าใจยาก
• ช่องทางบริการไม่เหมาะกับความต้องการ
• ปัญหาไม่ได้รับการแก้ในครั้งแรก

จากนั้นจึงใช้ข้อมูล เช่น Journey Analysis, Open-ended Feedback, Operational Data, Qualitative Interviews หรือ Driver Analysis เพื่อวินิจฉัยต่อ
OECD 2026 รายงานว่า ในข้อมูลปี 2025 ของผู้ใช้บริการด้านการบริหารภาครัฐ Speed และ Ease of Access มีความสัมพันธ์กับ Overall Satisfaction อย่างเด่นชัด แต่ความสัมพันธ์ดังกล่าวยังไม่ใช่หลักฐานเชิงเหตุและผลโดยตัวมันเอง
ดังนั้น Subgroup Gap ควรถูกใช้เป็นจุดเริ่มต้นของการ Diagnose มากกว่าจะถูกตีความเป็นคำตอบสุดท้าย

อย่าแบ่งข้อมูลจนละเอียดเกินไปจนเห็น Pattern ที่ไม่มีความหมาย

เมื่อ Dataset มีตัวแปรจำนวนมาก เราสามารถแบ่งข้อมูลได้แทบไม่สิ้นสุด เช่น อายุ × เพศ × จังหวัด × Channel × ประเภทบริการ × รายได้
ยิ่งแบ่งมาก กลุ่มย่อยก็ยิ่งเล็ก และโอกาสพบความแตกต่างที่เกิดจากความผันผวนของ Sample ก็สูงขึ้น
การทำ Segmentation สำหรับการตัดสินใจจึงควรมีเหตุผลก่อนวิเคราะห์ เช่น

• กลุ่มนี้มี Journey ต่างกันจริงหรือไม่?
• กลุ่มนี้ใช้ Channel ต่างกันหรือไม่?
• หน่วยงานสามารถออกแบบ Action ที่แตกต่างให้กลุ่มนี้ได้หรือไม่?
• การแบ่งกลุ่มนี้สัมพันธ์กับ Policy หรือ Service Objective หรือไม่?

ถ้าไม่สามารถอธิบายได้ว่าการแบ่งกลุ่มจะนำไปสู่การตัดสินใจอะไร การสร้าง Subgroup เพิ่มอาจทำให้ Dashboard ซับซ้อนขึ้นโดยไม่ได้สร้าง Insight เพิ่ม

Dashboard ที่ดีควรแสดงทั้งภาพรวมและกลุ่มที่ต้องจับตา

หากผู้บริหารเห็นเพียง Total Satisfaction 85% สัญญาณสำคัญอาจถูกซ่อน
Dashboard ที่ช่วยตัดสินใจได้มากขึ้นอาจมี

• Total Satisfaction
• Trend เทียบกับรอบก่อน
• Satisfaction แยกตามกลุ่มสำคัญ
• Gap จาก Total หรือ Benchmark
• Sample Base ของแต่ละกลุ่ม
• Outcome หรือ Operational KPI ที่เกี่ยวข้อง
• Indicator สำหรับกลุ่มที่ควรตรวจสอบเพิ่มเติม

ไม่จำเป็นต้องใส่ทุก Segment ในหน้าหลัก ควรแสดงเฉพาะสิ่งที่เกี่ยวข้องกับ Decision และเปิดให้ Drill Down เมื่อต้องการ

วิธีอ่าน Satisfaction Data แบบ 5 ขั้นตอน

1. ดู Total Score เพื่อเข้าใจภาพรวม
2. ตรวจ Distribution และ Trend เพื่อดูว่าคะแนนรวมมีโครงสร้างอย่างไรและเปลี่ยนแปลงหรือไม่
3. แยกกลุ่มตาม Business Question เช่น Area, Channel, Service Type หรือ Relevant Population Group
4. ตรวจ Base, Sampling และ Uncertainty ก่อนสรุปว่า Gap มีความหมาย
5. เมื่อพบ Gap ให้ Diagnose สาเหตุต่อด้วย Experience Data, Operational Data หรือ Research เพิ่มเติม ก่อนเลือก Action

แนวทางนี้ช่วยป้องกันทั้งสองความผิดพลาดที่พบบ่อย คือ “คะแนนรวมสูงจึงไม่มีปัญหา” และ “เจอกลุ่มคะแนนต่ำจึงรู้แล้วว่าต้องแก้อะไร”

หลักคิดเดียวกันใช้กับ Customer Satisfaction ของธุรกิจ

ธุรกิจก็สามารถถูกค่าเฉลี่ยหลอกได้เหมือนกัน
Customer Satisfaction รวมอาจอยู่ที่ 90% แต่ลูกค้าที่ซื้อผ่าน Marketplace อาจอยู่ที่ 72%
NPS รวมอาจดูดี แต่ลูกค้าใหม่อาจมีประสบการณ์ Onboarding ต่ำกว่าลูกค้าเดิมอย่างชัดเจน
ยอดขายเฉลี่ยต่อสาขาอาจเติบโต แต่บางสาขาหรือบาง Customer Segment อาจกำลังลดลง

สำหรับ SME คำถามจึงไม่ควรหยุดที่ “ค่าเฉลี่ยดีหรือไม่” แต่ควรถามว่า “ค่าเฉลี่ยนี้ประกอบขึ้นจากใครบ้าง และมี Segment ไหนที่ภาพรวมกำลังซ่อนอยู่หรือไม่”
นี่คือเหตุผลที่ Segmentation ไม่ได้มีไว้เพื่อทำ Persona อย่างเดียว แต่เป็นเครื่องมือพื้นฐานของการอ่านข้อมูลเพื่อการตัดสินใจ

สรุป: ค่าเฉลี่ยมีประโยชน์ แต่ไม่ควรให้ค่าเฉลี่ยพูดแทนทุกคน

Satisfaction ที่สูงเป็นข้อมูลเชิงบวกเกี่ยวกับภาพรวม แต่ไม่ใช่หลักฐานว่าประชาชนทุกกลุ่มได้รับบริการในระดับเดียวกัน
ก่อนสรุปว่าบริการทำได้ดี ควรตรวจว่า Total Score มาจากใคร มี Gap ระหว่างกลุ่มหรือไม่ Sample ของแต่ละกลุ่มเพียงพอหรือไม่ และ Gap นั้นสำคัญต่อ Access, Experience หรือ Outcome มากแค่ไหน
เมื่อพบกลุ่มที่มีปัญหา อย่ารีบสรุปสาเหตุจากคะแนน Satisfaction เพียงอย่างเดียว ใช้ Gap เป็นสัญญาณเพื่อค้นหาว่าอะไรเกิดขึ้นใน Journey และต้องมีข้อมูลอะไรเพิ่มก่อนเลือกวิธีแก้
ค่าเฉลี่ยช่วยให้เราเห็นภาพรวม แต่การตัดสินใจที่ดีขึ้นมักเริ่มเมื่อเราเปิดดูว่าเกิดอะไรขึ้นภายในค่าเฉลี่ยนั้น