เวลาทีมกำลังตั้งราคาสินค้าใหม่ คำถามที่ดูตรงที่สุดคือ: “ลูกค้ายอมจ่ายเท่าไร?”
แต่คำถามที่ตรงที่สุดไม่ได้แปลว่าจะให้คำตอบที่ใกล้พฤติกรรมจริงที่สุดเสมอไป
ใน Survey ลูกค้าไม่ได้กำลังเสียเงินจริง ไม่มีคู่แข่งวางอยู่ข้าง ๆ ไม่มี Budget Constraint ในขณะนั้น และไม่จำเป็นต้องรับผลจากคำตอบของตัวเอง จึงเกิดช่องว่างระหว่าง Stated Willingness to Pay กับ Actual Purchase ได้ งาน Meta-analysis ของ 77 Studies พบ Hypothetical Bias โดยเฉลี่ยในการวัด WTP สำหรับ Consumer Goods และชี้ว่าความแม่นยำแตกต่างตามวิธีการและบริบท ไม่ควรถือว่าคำตอบจาก Pricing Survey เท่ากับ Real-world WTP โดยอัตโนมัติ
ดังนั้น Pricing Research ที่ดีไม่ควรพยายามหา “ตัวเลขมหัศจรรย์หนึ่งตัว” แต่ควรสร้างสถานการณ์ที่ช่วยให้ลูกค้าประเมิน Price พร้อมกับ Product Value, Alternatives และ Trade-offs แล้วใช้ผลเป็น Evidence สำหรับ Pricing Decision

อย่าถามแค่ว่า “ยอมจ่ายเท่าไร?” ให้สร้างสถานการณ์ที่ลูกค้าต้องเลือก
คำถามตรง ๆ เช่น “คุณยอมจ่ายสูงสุดเท่าไร?” ดูง่าย แต่คำตอบอยู่ในสถานการณ์สมมติ และอาจแตกต่างจากราคาที่ลูกค้าจะจ่ายจริงเมื่อมี Budget Constraint, Alternatives และ Consequences เข้ามาเกี่ยวข้อง
Pricing Research จึงมักใช้วิธีที่ทำให้ Respondent ประเมิน Price ภายใต้บริบทมากขึ้น เช่น:
1. Gabor-Granger: เสนอ Price Point แล้วถามว่าจะซื้อหรือไม่
2. Van Westendorp Price Sensitivity Meter: หา Price Range ที่ลูกค้ามองว่าถูกเกินไป แพง แต่ยังพิจารณาได้ และแพงเกินไป
3. Conjoint / Discrete Choice: ให้ลูกค้าเลือก Product Packages ที่มี Feature และ Price ต่างกัน เพื่อดู Trade-off
4. Monadic Price Test: แต่ละกลุ่มเห็น Concept เดียวกันแต่คนละราคา แล้วเปรียบเทียบ Purchase Intent หรือ Outcome
5. Behavioral Price Experiment: ทดลองราคากับพฤติกรรมจริงเมื่อบริบทและข้อกำหนดทางธุรกิจเอื้อ
ไม่มีวิธีใดกำจัด Hypothetical Bias ได้ทั้งหมด งาน Meta-analysis ด้าน Consumer Willingness to Pay พบว่าค่าที่วัดในสถานการณ์สมมติสามารถแตกต่างจาก Real Willingness to Pay และขนาดของความต่างขึ้นกับ Method และ Context ของการศึกษา

ก่อนวัด Willingness to Pay ต้องแยกให้ออกว่าธุรกิจกำลังถามเรื่องอะไร

คำว่า Willingness to Pay มักถูกใช้กว้างเกินไป
บางธุรกิจจริง ๆ ต้องการรู้ว่า:

• Price Range ไหนลูกค้ายอมรับได้?
• ถ้าขึ้นราคาจาก 299 เป็น 349 บาท Purchase Intent จะลดลงแค่ไหน?
• Feature ใหม่เพิ่ม Value มากพอให้คิดราคาเพิ่มหรือไม่?
• Package A ราคา 499 บาท แข่งขันกับ Package B ราคา 399 บาทได้หรือไม่?
• Price Point ไหนมีโอกาสสร้าง Revenue มากที่สุด?
• ลูกค้ายอม Trade-off Feature บางอย่างกับราคาที่ต่ำลงหรือไม่?

คำถามเหล่านี้ไม่เหมือนกัน จึงไม่ควรใช้ Pricing Method เดียวกันทั้งหมด
Qualtrics แยก Pricing Research Methods หลัก เช่น Van Westendorp, Gabor-Granger และ Conjoint Analysis ตามลักษณะของ Pricing Question ที่ต้องการตอบ

ทำไมการถามตรง ๆ ว่า “ยอมจ่ายสูงสุดเท่าไร?” จึงมีข้อจำกัด

สมมติ Concept ใหม่เป็นกาแฟพร้อมดื่ม Premium
ถามว่า: “คุณยอมจ่ายสูงสุดต่อขวดเท่าไร?”
Respondent A ตอบ 65 บาท เรายังไม่รู้ว่า:
เขาจะซื้อจริงที่ 65 บาทหรือไม่
ถ้ามีคู่แข่งราคา 49 บาท เขาจะเปลี่ยนใจหรือไม่
ถ้า Packaging ต่างออกไป เขาจะยังตอบ 65 บาทหรือไม่ คำตอบ 65 บาทเป็น Maximum ในความหมายไหน เขาตั้งใจตอบต่ำเพื่อไม่ให้แบรนด์ตั้งราคาแพงหรือไม่
หรือเขาตอบสูงเพราะยังไม่ต้องจ่ายเงินจริง
นี่คือเหตุผลที่ Stated WTP ต้องถูกตีความเป็นข้อมูลเกี่ยวกับ Preference ในสถานการณ์ที่กำหนด ไม่ใช่ราคาขายที่ควรนำไปใช้ทันที
งานวิจัยด้าน Hypothetical Bias พบว่าค่าที่ Respondent ระบุในสถานการณ์สมมติสามารถเบี่ยงเบนจาก WTP ที่มีผลผูกพันกับเงินจริง และทิศทางหรือขนาดความคลาดเคลื่อนขึ้นกับ Research Design และ Context

วิธีที่ 1: Gabor-Granger ให้ลูกค้าตัดสินใจที่ Price Points แทนการกรอกตัวเลขเอง

Gabor-Granger เป็น Pricing Technique ที่เสนอราคาที่กำหนดไว้ให้ Respondent แล้วถามว่าจะพิจารณาซื้อหรือไม่
ตัวอย่าง:
Concept: Meal Subscription รายสัปดาห์
ราคา 599 บาท → จะซื้อหรือไม่?
ถ้าตอบ Yes อาจทดสอบต่อที่ 699 บาท
ถ้าตอบ No อาจลดลงเป็น 549 บาท
Logic จะค่อย ๆ หา Price Point ที่ลูกค้าเปลี่ยนจาก Accept เป็น Reject
Qualtrics อธิบาย Gabor-Granger ว่าเป็นวิธีวัด Price Sensitivity โดยนำ Respondent ผ่าน Price Options หลายระดับ และใช้ผลสร้าง Demand Curve และ Revenue Curve ได้

Gabor-Granger เหมาะเมื่อไร?

เหมาะเมื่อ:

• Product Concept ค่อนข้างชัดแล้ว
• มี Price Range ในใจแล้ว
• ต้องการดู Demand Sensitivity ต่อ Price
• ต้องการเปรียบเทียบ Price Points หลายระดับ

ตัวอย่าง Business Question: “ถ้าราคาเพิ่มจาก 399 เป็น 449 บาท Purchase Intent จะเปลี่ยนอย่างไร?”

Gabor-Granger มีข้อจำกัดอะไร?

Respondent ยังตอบใน Survey
ดังนั้น: Purchase Intent ≠ Actual Purchase
อีกทั้งลำดับราคาที่เห็นอาจสร้าง Anchoring หรือ Context Effect ได้หากออกแบบไม่ดี
ผลจึงควรถูกใช้เป็น Demand Signal หรือ Pricing Input มากกว่าคำทำนายยอดขายแบบตรงตัว

วิธีที่ 2: Van Westendorp ใช้หา Acceptable Price Range มากกว่าถามราคาสูงสุดตรง ๆ

Van Westendorp Price Sensitivity Meter ใช้คำถาม 4 ประเภทเกี่ยวกับการรับรู้ราคา เช่น:

• ราคาที่ถูกจนเริ่มสงสัยคุณภาพ
• ราคาที่รู้สึกว่าคุ้ม
• ราคาที่เริ่มแพง แต่ยังพิจารณาได้
• ราคาที่แพงจนไม่พิจารณา

จากนั้นดูจุดตัดของ Distribution เพื่อสร้างกรอบ Price Perception และ Acceptable Price Range
จุดเด่นคือ Respondent ไม่ได้ถูกถามตรง ๆ เพียงครั้งเดียวว่า: “Maximum Price ของคุณคือเท่าไร?”
แต่ถูกให้คิดถึง Price จากหลายมุม

Van Westendorp เหมาะเมื่อไร?

เหมาะเมื่อ:

• Product หรือ Service ค่อนข้างเข้าใจง่าย
• ยังไม่แน่ใจ Price Range ของตลาด
• ต้องการ Directional View เกี่ยวกับ Price Perception
• ต้องการดูจุดที่ “ถูกเกินไป” และ “แพงเกินไป” พร้อมกัน

สิ่งที่ Van Westendorp ยังบอกไม่ได้

Acceptable Price ไม่เท่ากับ Optimal Business Price
เพราะราคาที่ “ลูกค้ารู้สึกยอมรับได้” ยังต้องเทียบกับ:

• Cost
• Margin
• Competitor Price
• Positioning
• Demand
• Channel Economics
• Strategic Objective

Qualtrics เองระบุว่าแม้ Van Westendorp ช่วยหา Price Range และ Psychological Price Points แต่ผลจาก Survey ยังควรมี Validation เพิ่ม เพราะ Preference ใน Survey อาจไม่สะท้อน Actual Purchase Situation โดยตรง

วิธีที่ 3: Conjoint Analysis ให้ลูกค้าเลือกทั้ง Product และ Price พร้อมกัน

ในโลกจริง ลูกค้าไม่ได้ประเมิน Price แยกจาก Product เสมอไป
เขาอาจเลือก:
Package A
500 GB
Delivery 1 วัน
Premium Support
599 บาท

เทียบกับ: Package B
1 TB
Delivery 3 วัน
Standard Support
649 บาท
Conjoint Analysis หรือ Choice-based Conjoint สร้าง Choice Tasks ที่ให้ Respondent เลือกระหว่าง Product Profiles ซึ่งประกอบด้วย Features และ Price
จาก Choices เหล่านั้น เราสามารถประมาณ Relative Utility ของแต่ละ Attribute และดู Trade-off ระหว่าง Feature กับ Price ได้
เมื่อ Price ถูกใส่เป็น Attribute ใน Conjoint ก็สามารถคำนวณ Willingness to Pay สำหรับ Attribute Levels เทียบกับ Base Case ได้

Conjoint เหมาะเมื่อไร?

เหมาะเมื่อ Pricing Decision ไม่ได้เกี่ยวกับราคาเพียงอย่างเดียว เช่น:

• Premium Feature ควรคิดเพิ่มเท่าไร?
• Package ไหนควร Bundle รวมกัน?
• ลูกค้าให้ Value กับ Delivery Speed มากกว่า Brand หรือไม่?
• ถ้าขึ้นราคาแต่เพิ่ม Feature หนึ่งอย่าง Preference จะเปลี่ยนอย่างไร?
• ควรสร้าง Good / Better / Best Package แบบไหน?

จุดแข็งของ Conjoint คือ Trade-off

คำถามตรง ๆ: “Feature A สำคัญไหม?”
หลายคนตอบว่าสำคัญ
แต่ Conjoint บังคับให้เลือกระหว่าง: Feature มากขึ้น + ราคาแพงขึ้น
กับ Feature น้อยลง + ราคาถูกลง
จึงเข้าใกล้ Decision Logic ที่เกิดในตลาดมากกว่าการ Rating ทุกอย่างว่าสำคัญ
Qualtrics ระบุว่า Conjoint เหมาะกับการวิเคราะห์ Trade-offs ระหว่าง Price กับ Product Attributes และสามารถใช้ Simulator เพื่อดู Preference Share ของ Package ทางเลือกต่าง ๆ ได้

แต่ Conjoint ก็ไม่ได้เป็น “ความจริงของตลาด”

แม้ Conjoint ทำให้ Choice Scenario สมจริงขึ้น แต่ยังเป็น Hypothetical Choice ในหลายงาน
Respondent ไม่ได้เสียเงินจริงเสมอไป
คู่แข่งจริงอาจมีมากกว่าที่เราใส่ไว้
Brand, Promotion, Availability หรือ Context หน้างานอาจแตกต่าง
งาน Review เรื่อง Hypothetical Bias ใน Choice Experiments พบว่าปัญหานี้มีอยู่จริง แต่ขนาดและทิศทางไม่คงที่ และขึ้นกับ Domain กับ Research Design อย่างมาก
ดังนั้น Conjoint เหมาะกับการประมาณ:
Relative Preference
Trade-off
Scenario Comparison
มากกว่าการบอกว่า: “ลูกค้าจะจ่ายราคานี้จริง 100%”

วิธีที่ 4: Monadic Price Test เปรียบเทียบ Reaction โดยไม่ให้คนเดียวเห็นทุกราคา

Monadic Price Test คือการแบ่ง Respondents ออกเป็นกลุ่ม
ทุกกลุ่มเห็น Product Concept เดียวกัน
แต่แต่ละกลุ่มเห็นราคาไม่เหมือนกัน
ตัวอย่าง:
Group A → 299 บาท
Group B → 349 บาท
Group C → 399 บาท
จากนั้นวัด:

• Purchase Intent
• Value for Money
• Appeal
• Uniqueness
• Expected Quality

ข้อดีคือ Respondent ไม่เห็น Price Ladder ทุกระดับ จึงลดการเปรียบเทียบราคาภายในคนเดียวและช่วยให้แต่ละ Price ถูกประเมินเป็น Independent Market Scenario มากขึ้น
ข้อเสียคือจำเป็นต้องใช้ Sample มากขึ้นเพื่อให้แต่ละ Price Cell มีฐานเพียงพอ

วิธีที่ 5: Behavioral Price Experiment ดู Actual Behavior เมื่อทำได้

ถ้าธุรกิจมี Traffic, Transaction System และข้อกำหนดที่เหมาะสม การ Test Price กับ Actual Behavior สามารถให้ Evidence ที่ใกล้ Real Purchase มากขึ้น
ตัวอย่าง:
ตลาด A → ราคา 390 บาท
ตลาด B → ราคา 420 บาท
แล้วดู:

• Conversion
• Units Sold
• Revenue
• Gross Margin
• Repeat Purchase
• Refund / Cancellation

หรือในบางกรณีอาจใช้ A/B Test ตามเงื่อนไขทางกฎหมาย จริยธรรม และ Operational Feasibility ที่เหมาะสม
ข้อได้เปรียบคือ Customer ต้องตัดสินใจในสถานการณ์ที่มี Real Consequence
แต่การทำ Price Experiment ต้องระวังเรื่อง:

• Fairness
• Customer Trust
• Channel Conflict
• Price Transparency
• Legal / Regulatory Requirements
• Contamination ระหว่างกลุ่ม
• Promotion ที่เกิดพร้อมกัน

Behavioral Experiment จึงแข็งแรงกว่าสำหรับบาง Causal Questions แต่ไม่ได้เหมาะหรือทำได้กับทุกธุรกิจ

Stated Preference กับ Revealed Preference ควรใช้ร่วมกันมากกว่าเลือกฝั่งเดียว

Pricing Research มีข้อมูลสองโลก
Stated Preference
สิ่งที่ลูกค้าบอกหรือเลือกใน Survey
เช่น:

• Purchase Intent
• Van Westendorp
• Gabor-Granger
• Conjoint Choice

Revealed Preference
สิ่งที่ลูกค้าทำจริงภายใต้ข้อจำกัดจริง
เช่น:

• Transaction
• Conversion
• Churn after price increase
• Purchase Mix
• Actual response to Promotion

ข้อดีของ Stated Preference คือสามารถถามถึง Product หรือ Price ที่ยังไม่มีในตลาดได้
ข้อดีของ Revealed Preference คือใกล้ Actual Behavior
แต่ Revealed Preference ก็มีข้อจำกัด เพราะข้อมูลอดีตบอกเฉพาะสถานการณ์ที่เคยเกิด และมักมี Confounding Factors เช่น Promotion, Distribution และ Competitor Moves
แนวทางที่ดีกว่าจึงมักเป็น: Research → Price Hypothesis → Market Test → Learn → Adjust
ไม่ใช่พยายามหา “True WTP” ครั้งเดียวแล้วจบ

อย่าอ่าน Average Willingness to Pay อย่างเดียว เพราะ Customer Segments อาจต่างกันมาก

สมมติ Average WTP = 520 บาท
แต่ Distribution คือ:
Segment A = 700–800 บาท
Segment B = 450–550 บาท
Segment C = ต่ำกว่า 350 บาท
Average 520 บาทอาจไม่ตรงกับ Customer Segment ใดเลย
Pricing Decision จึงควรดู:

• Segment
• Use Case
• Need Intensity
• Purchase Frequency
• Income / Budget Context เมื่อเกี่ยวข้อง
• Existing Alternative
• rand Relationship
• Channel
• Geography

Conjoint Analysis สามารถคำนวณ Willingness to Pay ในระดับ Respondent แล้ว Aggregate ภายหลังได้ ซึ่งช่วยให้มอง Heterogeneity ได้มากกว่าค่าเฉลี่ยเพียงตัวเดียว

Price Sensitivity ไม่ได้เป็นคุณสมบัติของ “คน” อย่างเดียว แต่ขึ้นกับ Situation

ลูกค้าคนเดียวกันอาจยอมจ่ายต่างกันเมื่อ:
ซื้อใช้เอง
ซื้อเป็นของขวัญ
ต้องการด่วน
มี Alternative เยอะ
มี Promotion
สินค้า Out of Stock
Brand Trust สูงหรือต่ำ
Budget Period เปลี่ยน
ดังนั้น WTP ไม่ควรถูกตีความว่าเป็นตัวเลขประจำตัวลูกค้าแบบถาวร
มันคือ: Willingness to Pay ภายใต้ Product, Context, Alternatives และ Timing ที่กำหนด
นี่คือเหตุผลที่ Pricing Study ต้องกำหนด Concept และ Buying Situation ให้ชัด

ก่อนวัด Price ต้องทำให้ Product Concept เข้าใจก่อน

ถ้า Respondent ยังไม่เข้าใจว่า Product คืออะไร คำตอบเรื่อง Price จะตีความยาก
ตัวอย่าง: “AI-powered Business Analytics Platform ราคาเท่าไรจึงเหมาะสม?”
ถ้า Respondent แต่ละคนตีความ Product ต่างกัน:
บางคนคิดเป็น Dashboard
บางคนคิดเป็น CRM
บางคนคิดเป็น AI Consultant
บางคนคิดเป็น Enterprise Software
คำตอบเรื่อง Price จะไม่อยู่บนฐานเดียวกัน
ก่อน Pricing Study จึงควรทำให้ Stimulus ชัดเรื่อง:

• Product
• Target
• Key Benefit
• Important Features
• Usage Model
• Package / Quantity
• Payment Period
• Relevant Alternatives

Pricing Research จะดีแค่ไหนก็ไม่สามารถแก้ Product Definition ที่คลุมเครือได้

อย่าถาม Price ก่อน Value ถูกสร้างในใจ

Question Order มีผลมาก
ถ้า Questionnaire เปิดด้วย: “คุณยอมจ่ายเท่าไร?”
ก่อนอธิบาย Product Value Respondent อาจสร้าง Anchor จาก Category Price หรือ Budget ที่นึกออกทันที
แต่ถ้าทีมอธิบาย Product มากเกินไปจนเป็น Sales Pitch ก็อาจดัน Value Perception สูงเกินจริง
ดังนั้น Stimulus ควร:
Neutral
Clear
Comparable
Realistic
และให้ข้อมูลเท่าที่ Customer มีแนวโน้มจะเห็นตอนตัดสินใจจริง

Revenue-maximizing Price ไม่เท่ากับ Profit-maximizing Price เสมอไป

Gabor-Granger สามารถสร้าง Demand Curve และ Revenue Curve จาก Price Acceptance ได้
แต่ Revenue สูงที่สุดไม่ได้แปลว่า Profit สูงที่สุด
ตัวอย่าง:
Price 400 บาท
Expected Demand = 1,000 Units
Revenue = 400,000 บาท
Price 500 บาท
Expected Demand = 850 Units
Revenue = 425,000 บาท
500 บาทดูดีกว่าใน Revenue
แต่ยังต้องดู:

• Variable Cost
• Gross Margin
• Fulfillment
• Promotion Cost
• Customer Acquisition Cost
• Repeat Purchase
• Strategic Positioning

Pricing Research ให้ Demand-side Evidence
Pricing Decision ยังต้องรวม Business Economics

ตัวอย่าง: สินค้าใหม่ควรตั้ง 399 หรือ 449 บาท?

สมมติธุรกิจมี Product Concept ค่อนข้างชัด และลังเลระหว่าง 399 กับ 449 บาท
ถ้าถามตรง ๆ: “ยอมจ่ายเท่าไร?” อาจได้คำตอบกระจายตั้งแต่ 250–600 บาท และตีความยาก
Workflow ที่เหมาะกว่าอาจเป็น:
Step 1 Concept Test เพื่อยืนยัน Need, Benefit และ Value Perception
Step 2 ใช้ Gabor-Granger ทดสอบ Purchase Intent ที่ 349 / 399 / 449 / 499 บาท
Step 3 ดู Demand Curve แยก Customer Segment
Step 4 คำนวณ Revenue และ Margin Scenario
Step 5 ถ้าธุรกิจทำได้ ให้ Pilot 399 กับ 449 บาทใน Market หรือ Period ที่ออกแบบให้เปรียบเทียบได้
Step 6 ดู Conversion, Margin และ Repeat Behavior
ผลสุดท้ายอาจพบว่า 399 บาทมี Purchase Intent สูงกว่า แต่ 449 บาทสร้าง Contribution Margin ที่ดีกว่าโดย Demand ลดเพียงเล็กน้อย
ในกรณีนี้ “ลูกค้าชอบราคาไหนมากกว่า” ไม่ใช่คำถามเดียวกับ “ธุรกิจควรตั้งราคาไหน”

อีกตัวอย่าง: Premium Feature ควรคิดเพิ่ม 100 บาทหรือไม่?

ถ้า Question คือ: “ลูกค้ายอมจ่ายเพิ่มเท่าไรสำหรับ Same-day Delivery?”
การถามตรง ๆ อาจได้ตัวเลข แต่ยังไม่รู้ว่าลูกค้าจะ Trade-off อย่างไรเมื่อมี Feature อื่น
Conjoint อาจสร้าง Choices เช่น:
Option A
Standard Delivery
Basic Support
499 บาท

Option B
Same-day Delivery
Premium Support
599 บาท

Option C
Next-day Delivery
Basic Support
549 บาท
การสังเกต Choice Patterns ช่วยประมาณว่าลูกค้าให้ Relative Value กับ Same-day Delivery มากแค่ไหน เมื่อเทียบกับ Feature และ Price อื่น
นี่เป็น Use Case ที่ Conjoint เหมาะกว่า Van Westendorp เพราะคำถามหลักคือ Attribute Trade-off ไม่ใช่เพียง Acceptable Price Range

8 คำถามก่อนเลือก Willingness to Pay Method

1. เราต้องการหา Price Range หรือเลือก Price Point?
2. Product Concept ชัดพอแล้วหรือยัง?
3. ลูกค้าต้อง Trade-off Price กับ Features หรือไม่?
4. มี Price Range ที่ต้องการ Test แล้วหรือยัง?
5. ต้องการ Directional Evidence หรือ Estimate ที่ใช้กับ High-stakes Decision?
6. ต้องแยก Customer Segments หรือไม่?
7. สามารถ Test Actual Behavior ในตลาดได้หรือไม่?
8. Pricing Decision จะรวม Cost, Margin, Competition และ Positioning อย่างไร?

คำตอบของ 8 ข้อนี้มีประโยชน์มากกว่าการเลือก Method จากคำว่า “วิธีไหนแม่นที่สุด” เพียงอย่างเดียว

สิ่งที่ไม่ควรสรุปจาก Pricing Research

ผล Survey บอกว่า 62% สนใจซื้อที่ 499 บาท ยังไม่ควรสรุปว่า: “62% ของตลาดจะซื้อ”
Van Westendorp ให้ Acceptable Range 400–550 บาท
ยังไม่ควรสรุปว่า: “ราคาที่ดีที่สุดคือกลางช่วง”
Conjoint บอกว่า WTP สำหรับ Feature เพิ่ม 80 บาท
ยังไม่ควรสรุปว่า: “ขึ้นราคา 80 บาทแล้ว Revenue จะเพิ่มแน่นอน”
Experiment พบ Conversion ลด 5% หลังขึ้นราคา
ยังไม่ควรสรุปว่า: “Price เป็น Cause เดียว”
เพราะ Pricing Evidence ทุกแบบมี Assumptions, Context และ Limitations ของตัวเอง
สิ่งที่ควรรายงานคือ:
Method
Target Population
Product / Price Stimulus
Sample
Context
Outcome
Key Assumptions
Limitations
เพื่อให้คนที่นำผลไปตัดสินใจรู้ว่า Evidence รองรับ Claim ได้ไกลแค่ไหน

สรุป: อย่าพยายามหาว่า “ลูกค้ายอมจ่ายเท่าไร” ด้วยคำถามเดียว

Willingness to Pay ไม่ใช่ตัวเลขที่ซ่อนอยู่ในหัวลูกค้าแล้วรอให้ Researcher ถามออกมา
มันเปลี่ยนตาม:
Product
Benefit
Alternative
Context
Price
Timing
และข้อจำกัดจริงของการซื้อ
ถ้าต้องการหา Acceptable Price Range อาจเริ่มจาก Van Westendorp
ถ้าต้องการดู Demand Response ที่ Price Points ต่าง ๆ ใช้ Gabor-Granger
ถ้าต้องการเข้าใจ Trade-off ระหว่าง Price กับ Features ใช้ Conjoint / Discrete Choice
ถ้าต้องการใกล้ Actual Behavior มากขึ้น และบริบทอนุญาต ให้ทำ Behavioral Price Test
งาน Research ด้าน WTP ชี้ว่าช่องว่างระหว่าง Hypothetical และ Real Willingness to Pay สามารถเกิดขึ้นได้ จึงไม่ควรใช้ Survey Method ใดเป็นหลักฐานสมบูรณ์ของพฤติกรรมซื้อจริง
คำถามที่ดีกว่า: “ลูกค้ายอมจ่ายเท่าไร?”
จึงเป็น: “ภายใต้ Product, Alternatives และ Price Choices ที่ใกล้ Decision จริงที่สุด ลูกค้า Trade-off อย่างไร และเมื่อเทียบกับ Cost, Margin และ Strategy แล้ว Price ไหนสมเหตุสมผลที่สุดสำหรับธุรกิจ?”