Pruxus Design

29/09/2026

คุณพิจจากพรักซุส จะมีไปบรรยายที่คณะอักษรฯ จุฬาฯ ครับ ซึ่งเป็นกิจกรรมที่คนนอกสามารถลงทะเบียนเข้าฟังฟรีด้วยครับ 😀

ภาควิชาบรรณารักษศาสตร์ คณะอักษรศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย และ Bangkok ACM SIGCHI Chapter ขอเชิญร่วมกิจกรรมบรรยายพิเศษ
“การประเมินความสามารถในการใช้งาน (Usability Evaluation)” โดยคุณพิจารณา รัตนาธิคุณ Founder และ Design & Research Director บริษัท Pruxus Design

📅 วันที่ 9 ตุลาคม 2569 เวลา 10:00-12:00 น.
📍 ณ ห้อง 304 อาคารบรมราชกุมารี
คณะอักษรศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย

ขอเชิญนิสิต นักศึกษา ทั้งภายในและภายนอกจุฬาลงกรณ์มหาวิทยาลัย ตลอดจนบุคคลทั่วไปที่สนใจด้าน UX/UI การออกแบบเว็บไซต์และแอปพลิเคชัน หรืออยากเรียนรู้วิธีประเมินว่างานออกแบบของเราตอบโจทย์ผู้ใช้จริงหรือไม่ เข้าร่วมกิจกรรมบรรยายเพื่อเรียนรู้แนวคิดและแนวทางในการประเมินการใช้งาน และนำผลการประเมินไปใช้พัฒนาผลิตภัณฑ์ดิจิทัลให้ตอบโจทย์ผู้ใช้ได้มีประสิทธิภาพมากยิ่งขึ้น

กิจกรรมนี้เปิดรับนิสิตนักศึกษาทั้งในและนอกจุฬาลงกรณ์มหาวิทยาลัย และบุคคลทั่วไปที่สนใจ
🎟️ รับจำนวนจำกัดเพียง 35 ที่นั่งเท่านั้น

📝 ลงทะเบียนเข้าร่วมกิจกรรมได้โดยสแกน QR Code บนโปสเตอร์ประชาสัมพันธ์ หรือคลิกลิงก์นี้ https://forms.gle/1KBMx12xdJHXxQBH7

⏰ เปิดรับลงทะเบียนถึงวันที่ 7 ตุลาคม 2569

การบรรยายครั้งนี้จะครอบคลุมหัวข้อ ดังนี้
-แนวทางการประเมินความสามารถในการใช้งาน
(Usability Heuristics)
-แนวปฏิบัติการประเมินความสามารถในการใช้งานของภาคเอกชน
-การใช้ปัญญาประดิษฐ์ในการประเมินความสามารถในการใช้งาน

26/09/2026

ก่อนอื่นต้องขอแสดงความยินดีกับน้องเนเน่ รอยัล สาวน้อย Rockstar สกิลระดับโลกวัย 16 ปีจากภูเก็ต ที่คว้าแชมป์ America's Got Talent (AGT) ได้สำเร็จ และเป็นคนไทยคนแรกที่ได้แชมป์รายการนี้ครับ 🎉
การเป็นเด็กสาวชาวไทยวัย 16 ปี ที่เล่นกีต้าร์ไฟฟ้าโซโล่ บวกพลังเสียงสายร็อก ก็ว่าโหดแล้ว แถมยังไปชนะในรายการประกวดอันดับ 1 ของอเมริกา ที่ตัดสินกันที่คะแนนโหวตจากคนอเมริกันล้วน ๆ แล้วชนะใจคนอเมริกาทั้งประเทศได้ มันยิ่งโหดเข้าไปอีกนะครับ
แต่ในฐานะทีมที่ทำงานสาย UX อย่างเรา สิ่งที่เราสนใจเป็นพิเศษคือ อะไรที่ส่งผลให้น้องมีสกิลที่เทพขนาดนี้ ซึ่งก็มีหลายคนเคยวิเคราะห์ไว้ว่า เพราะน้องมีครอบครัวที่ดี มีสิ่งแวดล้อมที่ดี บวกพรสวรรค์ มันเลยส่งผลให้มาได้ขนาดนี้ไงละ

แต่พอลองติดตามประวัติน้องไปเรื่อย ๆ เราก็แอบสังเกตเห็นจุดที่น่าสนใจ เลยตั้งคำถามในใจว่า​:

หรือจริง ๆ แล้ว "ตลาดนัดนาคา" ที่ภูเก็ต คือคีย์หลักที่สำคัญมาก ที่ช่วยพัฒนาสกิลของน้องเนเน่?

ซึ่งมันอาจจะเป็นสิ่งที่คนสร้างโปรดักส์อย่างพวกเราสามารถเรียนรู้จากมันได้ด้วยเช่นกันครับ

=====================
🎸 เส้นทางสู่ความเมพของเนเน่
เนเน่เริ่มหัดกีตาร์ตั้งแต่อายุ 7 ขวบเพราะตื่นสายไปสมัครเข้าชมรมคอมไม่ทัน เลยได้เข้าชมรมดนตรีแทน และก็ฝึกฝนเองจนได้ไปลองเล่นดนตรีเปิดหมวกในที่ต่าง ๆ และสุดท้ายก็มาเล่นประจำที่ "ตลาดนัดนาคา" มาหลายปี สั่งสมประสบการณ์การเล่นเพลงร็อกเมทัลให้คนเดินตลาดฟังมานานจนเป็นที่รู้จักมากในภูเก็ต
สกิลการเล่นและร้องสุดโหด พร้อมออร่าการแสดงสดในการดึงคนดูของน้อง จึงไม่ได้มาจากห้องซ้อมติดแอร์อย่างเดียว แต่มาจากการเล่นริมทางในตลาด ที่มีคนเดินผ่านไปมา ​บางคนหยุดฟัง บางคนก็เดินผ่านเฉย ๆ
ถึงแม้บางคนอาจจะมองว่า ตลาดนี้ช่วยให้น้องเนเน่ได้พบกับคุณจอน แฟนเพลงชาวอเมริกันที่เห็นน้องเล่นดนตรีที่ตลาดนาคา แล้วเป็นคนส่งชื่อน้องเข้าประกวด AGT หรือการได้เจอแฟนเพลงชาวเดนมาร์กที่มอบกีตาร์ Ibanez ให้น้องใช้เล่นมาจนถึงวันนี้

แต่ถ้าไม่มี skill ระดับนี้มาก่อน ก็คงไปไม่ถึงระดับแชมป์ได้ขนาดนี้แน่ ๆ ครับ

ซึ่งสิ่งที่สำคัญที่ตลาดแห่งนี้ได้มอบให้น้องเนเน่ คือการเป็น Environment ชั้นดีในการเพาะบ่มสกิลที่เนเน่ต้องการ จนพาไปชนะ AGT ได้

ที่เราคิดแบบนั้น ก็เพราะเหตุผลต่อไปนี้ครับ:
======
🎸 1. การพัฒนาคุณภาพอะไรก็ตาม จำเป็นต้องมี Feedback Loop ที่มาถี่ ๆ
ทำไมเด็กอายุ 16 ถึงคุมเวทีได้อยู่หมัดขนาดนี้? เราเชื่อว่าส่วนหนึ่งมาจากความถี่ของ Feedback ที่เนเน่ได้รับครับ
นักดนตรีที่ซ้อมแต่ในห้อง อาจได้ขึ้นเวทีจริงแค่ปีละไม่กี่ครั้ง กว่าจะรู้ว่าคนฟังชอบท่อนไหนต้องรอเป็นเดือน
แต่นักดนตรีเปิดหมวก ได้ Feedback ทุกเพลง แถมเป็น Feedback ที่ Real มาก ๆ ด้วย

ลองนึกภาพตามดูครับ:
◾ เล่นเพลงนึงแล้วคนเดินผ่านไม่สนใจ -> เพลงต่อไปลองเปลี่ยนหน่อยดีกว่า
◾ โซโล่ยาวไปจนคนเริ่มเดินออก -> รอบหน้าตัดให้กระชับขึ้นดีกว่า
◾ ท่อนฮุกโซโล่ที่ทำให้คนหยุดดูเป็นกลุ่ม -> โอเค คนชอบโซโล่แบบนี้กัน เดี๋ยวจำไว้ใช้กับเพลงอื่นบ้าง

ซึ่งถ้าเรามาลองมองในโลกคนสร้างโปรดักส์ Feedback Loop คือสิ่งที่จำเป็นมากเช่นเดียวกันครับ

บางทีมใช้เวลาเก็บ Requirement 3 เดือน ดีไซน์ 2 เดือน พัฒนาอีก 6 เดือน โดยยังไม่เคยได้ฟังจากมุม User เลย กว่าฟีเจอร์จะถึงมือ User จริง และได้ Feedback จาก Users จริง เวลาก็ผ่านไปเกือบปี
Feedback Loop ที่ช้าขนาดนี้ทำให้เราเสียโอกาสเรียนรู้ไปเยอะมากครับ การทดสอบเล็ก ๆ บ่อยๆ ปรับทีละจุดแล้วดูผลทันที คือทางลัดที่ดีที่สุด

=======
🎸 2. Feedback Loop ก็ต้องมาจาก Users จริงด้วย
หลุมพรางที่ทีม Product ตกกันบ่อยที่สุด คือการนั่ง Feedback กันเองแต่ในห้องประชุมครับ

◾ ดีไซเนอร์กับ PM เถียงกันว่าปุ่มควรอยู่ซ้ายหรือขวา
◾ ผู้บริหารเดินมาบอกว่า "พี่ว่าหน้าตามันต้องเป็นแบบนี้"
◾ ทุกคนฟันธงบนไวท์บอร์ดว่า Flows แบบนี้ เวิร์คแน่นอน ทั้งที่ยังไม่มีผู้ใช้จริงแตะหน้าจอเลยสักคน
เหมือนนักดนตรีซ้อมหน้ากระจก แล้วหันไปถามเพื่อนในวงว่า "ท่อนนี้เท่ไหม" เพื่อนก็ตอบว่าเท่ แต่พอขึ้นเวทีจริง คนฟังอาจไม่เก็ตเลยก็ได้ครับ
การไปเล่นเปิดหมวกริมตลาด ก็เหมือนกับการเอาโปรดักส์เราไปให้คนข้างนอกตัดสินตรง ๆ

คนเดินตลาดไม่แคร์ว่าเราซ้อมมาเหนื่อยแค่ไหน ถ้าอินโทรไม่น่าสนใจ เขาก็เดินผ่านไปเลย ไม่ต้องเกรงใจใคร แถมริมตลาดมีทั้งเสียงรบกวนต่าง ๆ เสียงแม่ค้า กลิ่นอาหาร เรามีเวลาแค่ไม่กี่วินาทีแรกในการดึงความสนใจ

ซึ่งสิ่งที่ชี้วัดว่าเราทำมาดีจริง ก็คือ พฤติกรรมของ Users จริง ๆ ถ้าเราทำให้เค้าหยุดเดิน หันมามอง ยกมือถือขึ้นมาถ่าย หรือหย่อนเงินให้เราได้ มันแปลว่า สิ่งที่เราสร้างมา มันดีจริง
ซึ่ง นี่แหละคือ Feedback จริง ที่ตรงไปตรงมาที่สุด ในการตัดสินว่าของที่เราทำมามันดีจริงหรือยังครับ และเป็นสิ่งที่หาไม่ได้แน่นอนจากการนั่งเดากันเองในห้องประชุม

========
🎸 3. ตลาดนาคาคือ Sandbox ที่มี Target Personas ที่ตรงมาก
ตลาดนาคาไม่ได้มีแค่คนในพื้นที่ แต่เต็มไปด้วยนักท่องเที่ยวต่างชาติมากมาย รวมไปถึงฝรั่งจากยุโรป อเมริกา ซึ่งใกล้เคียงกับกลุ่มคนดู AGT มาก ๆ
เพลงที่น้องเลือกเล่นบนเวที AGT ตั้งแต่ Zombie ของ The Cranberries จนถึง Seven Nation Army ของ The White Stripes ก็เป็นเพลงร็อกที่คนฟังฝั่งตะวันตกผูกพันมานาน
ซึ่งการได้เก็บ Feedback จากการเล่นให้คนกลุ่มนี้ฟังซ้ำแล้วซ้ำอีกเป็นปี ๆ มันจึงมีส่วนสำคัญที่ทำให้น้องได้เรียนรู้ว่า กลุ่ม Persona แบบนี้ ต้องการอะไร ชอบอะไร การร้องแบบไหน โซโล่แบบไหน ที่โดนใจเค้า
วันที่ขึ้นเวที AGT น้องจึงไม่ได้กำลังสร้างโปรดักส์ให้ Persona ใหม่ แต่กำลังเอาโปรดักส์ที่ผ่านการ Test และเก็บ Feedback มาซ้ำแล้วซ้ำเล่า ไปให้กลุ่ม Personas ที่คล้าย ๆ เดิม แต่กลุ่มใหญ่ขึ้น ได้ลองเสพครับ

=======
🎸 4. การมีพื้นที่ให้ทีมได้ "ล้มเบา ๆ " เพื่อลดความเสี่ยงในการ "ล้มแรง"
แล้วทีม Product, Designer และ Developer จะเอาบทเรียนนี้ไปใช้ยังไง?
คำตอบสั้นๆ คือ ต้องสร้างช่องทางให้ได้ Feedback จาก User จริงให้ได้ครับ
อย่ารอให้ทุกอย่างเพอร์เฟกต์ 100% แล้วค่อยเปิดตัว เพราะการเปิดตัวครั้งใหญ่ (Big Bang Launch) โดยไม่เคยให้ User จริงได้ลองเลย ก็เหมือนกระโดดขึ้นเวทีระดับโลกโดยไม่เคยผ่านเวทีเล็กมาก่อน
สิ่งสำคัญคือ เราต้องกล้าเอางานที่ยังไม่สมบูรณ์ไปให้ Users ได้ลอง และเก็บ Feedback ให้บ่อย ๆ แต่เนิ่น ๆ ถึงจะเสี่ยงโดนคน ignore และด่าเราก็ตาม แต่ความ Fail ในวันแรก ๆ มันเป็นแค่การล้มแบบเบา ๆ เท่านั้นครับ (Fail Small, Fail Fast)

◾ เล่นเพลงหนึ่งแล้วคนเดินผ่าน
= เจ็บนิดเดียว แต่ได้บทเรียนทันที

◾ ทำ Wireframe เสร็จแบบหยาบ ๆ แล้วเอาไปทำ Usability Test แต่เนิ่น ๆ แล้วโดน Users ด่าเละ
= หน้าเราอาจชา แต่การแก้ก็ไม่ได้สิ้นเปลืองอะไรมาก (เทียบกับถ้าเราเสียเวลาสร้างไปเป็นปี ๆ แล้วพึ่งมาโดนด่า)
ทีมที่ได้ล้มเบา ๆ บ่อย ๆ จะค่อย ๆ แกร่งขึ้น เข้าใจ Pain Point จริงของผู้ใช้ และพัฒนาโปรดักต์ได้ดีขึ้นเรื่อย ๆ ครับ

=======
สุดท้ายแล้ว พรสวรรค์อาจเป็นฐานแรกที่สำคัญ เหมือนกับการสร้างโปรดักส์ที่ไอเดียตั้งต้นอาจจะเป็นฐานแรกที่สำคัญ

แต่การฝึกซ้อมซ้ำแล้วซ้ำเล่า พร้อมได้รับ Feedback จาก Users จริงอย่างต่อเนื่อง และการได้ลองล้มในสนามเล็กอย่างสม่ำเสมอ คือสิ่งที่พาทั้งนักดนตรีและโปรดักต์ที่เราสร้างไปถึงเวทีใหญ่ได้ครับ
สุดท้ายนี้ต้องขอยินดีกับน้องเนเน่อีกครั้งครับ และต้องขอบคุณที่เป็นตัวอย่างดี ๆ ของความพยายาม ความตั้งใจ ให้พวกเราเห็นว่า การได้ลอง Fail Small, Fail Fast นั้น มันสามารถพาไปสู่ความสำเร็จที่ยิ่งใหญ่ระดับโลกได้จริงครับ 🤩😄🎉🎉🎸

24/09/2026

Workshop สุดท้ายของปีนี้ครับ Understand Your Information 2026 - "AI Edition"

Workshop ดั้งเดิมของพรักซุสเรา กลับมาใน Quarter สุดท้ายของปีนี้ แต่ที่พิเศษขึ้นคือ เราจะมีการเพิ่มเนื้อหาของการ "ใช้ AI" ในการจัดระเบียบข้อมูลเข้าไปด้วยครับ

แน่นอนว่า AI ช่วยเราจัดระเบียบข้อมูลต่าง ๆ ได้ แถมหลายเคสก็เร็วกว่าเรานั่งจัดกันเองด้วยมือด้วย

แต่... AI มันสามารถวางกับดักการจัดข้อมูลที่ "ดูเหมือน" ดี ไว้ให้เราได้เต็มไปหมดครับ ซึ่งถ้าเราไม่สามารถวิเคราะห์และตรวจงานมันได้ดีเพียงพอ มันจะกลายเป็นปัญหาตามมาได้เยอะครับ

Workshop เวอร์ชัน AI Edition นี้ เราจะยังคงการปูความเข้าใจรากฐานของการจัดระเบียบข้อมูล

แล้วเราจะเอารากฐานเหล่านี้มาใช้เพื่อ "จับผิด" สิ่งที่ AI ทำมา เพื่อให้เราตัดสินให้ได้ว่าที่่ AI ทำมาให้นั้นมันดีหรือยัง

พร้อมมาเรียนรู้เคสการใช้งาน AI กับการจัดระเบียบข้อมูลต่าง ๆ ทั้งเคสที่เราใช้ AI ได้เต็มที่ และเคสที่เราต้องระวังครับ

รายละเอียดเพิ่มเติม: https://www.facebook.com/events/edit/1083195261021634/

*** ลิงค์ขายบัตรจะตามมาเร็วๆ นี้ครับ

=== วันเวลา และสถานที่ ===
วันเวลา: วันเสาร์ที่ 21 พฤศจิกายน 2569
10:00-17:00 น.

สถานที่: BTS ศาลาแดง/MRT สีลม
S64 Co Working Space

=============
เปิดขายบัตร: ศุกร์ที่ 2 ต.ค. ตอน 11 โมงเช้า

ราคาบัตร :
🎫 Early Bird: 2,900 บาท
(เปิดขาย 2 ต.ค – 30 ต.ค. 69)

📌 Normal Price: 4,500 บาท
(ตั้งแต่ 31 ต.ค. เป็นต้นไป)

=============

🤩และพิเศษ! สำหรับศิษย์เก่า!

สำหรับคนที่เคยเรียน Understand Your Information กับพรักซุสมาก่อน เนื่องจากคลาสนี้เป็นครั้งแรกที่เรามีปรับเนื้อหาเพิ่ม

เลยอยากชวนศิษย์เก่ามาอัปเดตความรู้ด้วยกันในรุ่นนี้ครับ กับโปรพิเศษ ลด 50% สำหรับศิษย์เก่าครับ

ทักแชทมาซื้อผ่านทางแอดมินได้เลยครับ (พร้อมเตรียมหลักฐานที่เคยลงเรียนคร้ังก่อน เช่น แคปอีเมลที่ซื้อบัตร)

17/09/2026

ทำไมการ "อยากทำ Research กับคนกรุงเทพฯ Native" อาจจะเป็นการวางกลุ่มเป้าหมาย UX Research ที่ไม่ดีเท่าไหร่
ช่วงนี้เห็นบนโซเชียลมีกระแสคำว่า “คนกรุงเทพฯ Native” กันบ่อยครับ มีการพูดคุยไปถึงเรื่องวิถีชีวิต ความทรงจำ ไปจนถึงเรื่องเลขบัตรปชช.

พอเห็นกระแสนี้แล้วก็ทำให้นึกถึงโจทย์ที่คนทำ UX Research มักจะได้มาบ่อย ๆ คือ การที่มีการระบุชัดเจนถึง Demographic ของ users ที่ต้องการ เช่น:

“รอบนี้อยากสัมภาษณ์คนกรุงเทพฯ สักกลุ่มหนึ่ง แล้วก็ขอคนต่างจังหวัดอีกกลุ่มหนึ่ง เพื่อมาดูเทียบกัน”

การเริ่มต้นด้วยโจทย์แบบนี้เป็นอะไรที่เข้าใจได้ครับ เพราะเป็นสิ่งที่ Market Research มักจะคุ้นเคยกัน

แต่ในมุมของการทำ UX Research จริง ๆ แล้ว ภูมิลำเนาหรือ Demographic (ข้อมูลประชากรศาสตร์) มักจะไม่ใช่เกณฑ์ที่สำคัญอันดับแรก ๆ ที่เราใช้ในการคัดเลือก Users เลยครับ

================================
📌 ทำไม UX Research ถึงไม่ค่อยโฟกัสที่ Demographic?
เหตุผลหลักคือ UX Research นั้น เราสนใจการศึกษา Users ที่มี Needs ตรงกับโปรดักส์ของเราเป็นหลัก ซึ่งการจะบอกว่าคนคนนึงมี Needs ตรงรึเปล่า เราดูที่ “พฤติกรรมการใช้งานจริง” (Behavior) ของเค้าเป็นหลัก ไม่ใช่แค่ Demographic ครับ

ความสามารถในการใช้แอปธนาคารเป็น, การใช้ Navigation ได้, หรือความคุ้นเคยกับเทคโนโลยีใหม่ ๆ แทบไม่ได้ขึ้นอยู่กับว่าคน ๆ นั้น ปัจจุบันบ้านอยู่ที่ไหน หรือภูมิลำเนามาจากไหน

เวลาที่เราคัดคนมาทำ UX Research หรือทำ Usability Testing สิ่งที่ทีม UX สนใจจริงๆ มักจะเป็น “พฤติกรรมในอดีตที่เขาเคยทำมาแล้ว” (Past Behaviors) มากกว่าข้อมูลบนบัตรประชาชนครับ เช่น:

◾ ในรอบ 1 เดือนที่ผ่านมา เขาเคยกดซื้อสินค้าประเภทนี้ด้วยตัวเองบนมือถือไหม?

◾เค้าเคยโหลดแอปการเงินมา แล้วกดสมัครสมาชิกด้วยตัวเอง โดยไม่มีคนทำให้ บ้างไหม?

◾ เค้าเคยมีปัญหาเรื่องที่เราสนใจมาบ้างไหม และที่ผ่านมาแก้ปัญหานั้นยังไง?

สิ่งที่คน "เคยทำจริง" มันคือสิ่งที่บอกว่า เค้ามี Needs ในเรื่องนี้จริง ๆ ซึ่งแปลว่า เค้ามีแนวโน้มที่จะเป็น Users ของโปรดักส์เราจริง ๆ ครับ ซึ่งแตกต่างจากการทำ "Market Research" ครับ

================================
📌 แล้วความต่างระหว่าง UX Research กับ Market Research อยู่ตรงไหน?
หลายครั้งที่เกิดการตั้งโจทย์ด้วย Demographic เป็นหลัก มักมาจากความคุ้นเคยกับกรอบคิดของ Market Research ครับ

Market Research นั้น หลัก ๆ มีเป้าหมายหลักในการดูเรื่องการขาย การทำให้ลูกค้าสนใจ และการศึกษาความต้องการซื้อ จึงมักสนใจเรื่อง รสนิยม ความชอบ และไลฟ์สไตล์ ซึ่งข้อมูล Demographic อย่างเพศ อายุ รายได้ หรือถิ่นที่อยู่ มักจะช่วยแบ่ง Segment เพื่อวางแผนการสื่อสาร การยิงโฆษณา หรือการเลือกพรีเซนเตอร์ได้ดี

แต่ UX Research นั้น จะเป็นการศึกษาสิ่งที่ต่อจากการสนใจ/ซื้อแล้ว หรือการศึกษาว่า คนกลุ่มที่เราคิด มีปัญหาและ Needs ในเรื่องนั้นจริง ๆ หรือเปล่า และมีปัจจัยอื่นที่ทำให้คนใช้/ไม่ใช้อีกไหม (Useful) หรือถ้าคนเริ่มโหลดมาใช้แล้ว จะใช้งานได้สำเร็จและง่ายจริง ๆ ไหม (Usable)

ความแตกต่างเลยจะอยู่ที่การศึกษาเรื่องการ "ซื้อ/สนใจ" กับเรื่อง "การใช้งาน" ครับ

================================
📌 แม้แต่ในโลก Marketing เส้นแบ่งของ Demographic ก็เริ่มเบลอขึ้นเรื่อยๆ
ความน่าสนใจคือ แม้แต่งานฝั่ง Market Research ทุกวันนี้ หลาย ๆ กลุ่มสินค้าก็เริ่มลดการยึดติดกับการมองแค่ Demographic แบบเดิม ๆ ไปเยอะมาก เพราะพฤติกรรมผู้บริโภคเปลี่ยนไปเร็วและหลากหลายขึ้นครับ

ตัวอย่างคลาสสิกคือ วงการวิดีโอเกม ในอดีตเราอาจมองว่าคนเล่นคอนโซลหรือเกมพีซีต้องเป็นผู้ชายวัยรุ่น อายุไม่เยอะมาก

แต่ข้อมูลจาก Consumer Research ยุคนี้กลับพบว่า อายุเฉลี่ยคนเล่นวีดีโอเกมส์คือ 36 หรือผู้หญิงกับผู้ชายเล่นวีดีโอเกมส์พอ ๆ กันด้วยซ้ำ

แน่นอนว่ายังมีบางสินค้าที่ Demographic ยังคงมีความหมายชัดเจน เช่น สมมุติเราขาย เสื้อผ้าผู้หญิง ที่กลุ่มเป้าหมายหลักคือผู้หญิง
แต่ถึงอย่างนั้น ในโลกจริงเราก็ยังพบว่ามีผู้ชายซื้อเสื้อผ้าผู้หญิงเพื่อเป็นของขวัญ หรือซื้อมาใส่เอง ได้อยู่ดีนะครับ

หรือบางเคส เช่น ถ้าเราขายโปรดักส์สำหรับชาวต่างชาติที่ทำงานในไทย การดูแค่ Demographic เช่น คัดเฉพาะชาวต่างชาติเท่านั้น มาสัมภาษณ์ ก็อาจจะเป็นเรื่องที่เหมาะสมได้ครับ

แต่เราก็ยังต้องดูเรื่องพฤติกรรมประกอบด้วยอยู่ดี เช่น อาจจะต้องเป็นชาวต่างชาติ ที่ "ทำงานในไทย" ไม่ใช่นักท่องเที่ยว หรือคนที่เข้ามาในไทยแต่ไม่ได้ทำงาน เป็นต้นครับ

เส้นแบ่งที่เคยชัดเจนของ Demographic จึงกลายเป็นเส้นประที่เบลอลงเรื่อยๆ ทั้งในฝั่ง Marketing และ UX ครับ

================================
📌สรุป: ตั้งต้นด้วยพฤติกรรม แล้วใช้ Demographic เป็นตัวเสริม
การใช้ Demographic เป็นหนึ่งในเกณฑ์การคัดคนมาสัมภาษณ์ไม่ใช่เรื่องที่ผิด และยังมีประโยชน์ในแง่ของการเพิ่มกลุ่มคนที่หลากหลายขึ้น เผื่อไว้ในการทำ Research เพื่อให้เรามี Insights ที่เผื่อความหลายหลายมากขึ้นไว้ครับ

แต่สำหรับงาน UX Research นั้น Demographic ไม่ควร "ใช้เป็นเกณฑ์หลัก" ในการคัดกลุ่มคนมาเข้าร่วม Research ครับ

แต่เราควรจะเริ่มวางเกณฑ์จาก “พฤติกรรมและสิ่งที่เค้าเคยทำมาจริง ๆ ” มากกว่า ซึ่งจะช่วยให้เราได้กลุ่ม Target users ที่ตรงกับโปรดักส์เรามากกว่าครับ 😃

Ref:
https://www.theesa.com/annual-esa-study-reveals-video-games-universal-appeal-across-generations/
https://www.nngroup.com/articles/screening-participants/

14/09/2026

เคยเจอเหตุการณ์แบบนี้ไหมครับ?

เราโยนโน้ตที่เราจด ๆ มา หรือเอาคลิปที่อัดตอนประชุม โยนไปให้ ให้ AI ช่วยสรุปเป็นรีพอร์ต สรุปผล User Research หรือเขียนคอนเทนต์ออกมาสักชิ้น งานออกมาดูดีมาก เราก็อ่านตรวจทานก่อนส่ง ทุกอย่างดูราบรื่น ไม่มีคำผิดใด ๆ

แต่พองานไปถึงปลายทาง ลูกค้าหรือหัวหน้ากลับทักสวนมาทันทีว่า:

“อันนี้ให้ AI เขียนมาใช่ไหม?” หรือ "เขียนไรมาเนี่ย!"

ทั้งที่เราก็อ่านทวนแล้วนะ … เขาก็อ่าน… แล้วทำไมถึงพัง?

คำตอบสั้นๆ คือ เราสองคน อาจจะไม่ได้อ่านใน "Level" เดียวกันครับ

=======================
📌 1. AI มันเขียนออกมาไม่ดียังไง?
เชื่อว่าทุกวันนี้แทบทุกคนที่อ่านโพสต์นี้ก็น่าจะเคยใช้ AI ให้ช่วยเขียนนู่นนั่นนี่ให้กันเรื่อย ๆ นะครับ

ปัญหาของ AI เนี่ยมันไม่ใช่ว่าสิ่งที่มันเขียนมามันแย่เสมอ แต่เพราะว่ามันเขียนออกมาค่อนข้างดีมาก มันก็เลยทำให้เรามักจะชะล่าใจประจำและคิดว่าเราพึ่งมันได้ตลอดในเรื่องการเขียน

แต่ปัญหาคือ เวลาที่เราต้องการเขียนอะไรยาว ๆ ที่มีเนื้อหาและใจความที่สำคัญมาก ๆ มันมักจะมีหลุดเนื้อหาที่แปลก ๆ หรือใจความไปคนละทางออกมาเรื่อย ๆ

ตัวอย่างของปัญหาการเขียน AI ที่เรามักจะเจอได้แก่:

🔸​ น้ำท่วมทุ่ง ผักบุ้งโหรงเหรง - ใช้ศัพท์หรู โครงสร้างประโยคอลัง แต่พอตัดคำเว่อร์ ๆ ออกไป จะพบว่าแทบไม่มีประเด็นสำคัญอะไรเลย

🔸 ​วนในอ่าง - เขียน 3 ย่อหน้ายาวเหยียด แต่จริง ๆ พูดเรื่องเดิมซ้ำไปซ้ำมาแค่เปลี่ยนคำเชื่อม

🔸 ​ตรรกะอิหยังวะแบบมั่นใจเกินตัว - เชื่อมโยงเหตุและผลแบบกระโดด หรือมโนข้อมูลขึ้นมาแบบดื้อ ๆ (Hallucinate) โดยใช้โทนเสียงที่ฟังดูน่าเชื่อถือมาก
หรือสรุปสั้น ๆ คือ สิ่งที่ AI เขียน มันมักจะ "ดูดีที่ผิว" แต่แก่นของเนื้อหามักจะหลุดบ่อย

ซึ่งถ้าเราจะตรวจเจอปัญหาในระดับ "แก่นของเนื้อหา" เราจะต้องอ่านแบบ Level ที่ลึกกว่า ซึ่งบังเอิญว่ามันต้องใช้พลังงานมากกว่า เลยทำให้เรามักจะพลาดได้ครับ

========================
📌 2. Levels ของการอ่าน และพลังงานที่ใช้
ในทางจิตวิทยาด้านการประมวลผลข้อมูลในสมอง (Cognitive Psychology) การอ่านของมนุษย์นั้นมีหลาย Levels ครับ ซึ่งมาจากระดับการประมวลผลในสมองที่ต่างกัน:

🔸Level 1: Scanning (อ่านแบบกวาดตาผ่าน ๆ ) - เป็นการอ่านที่ใช้พลังงานสมองน้อยสุด จะเป็นการมองผ่าน ๆ สแกนดูคีย์เวิร์ดที่ดูสะดุดตา อ่านคำเว้นคำแบบไว ๆ สิ่งที่การอ่านแบบนี้จะเห็น คือ คำศัพท์ต่าง ๆ ที่ดูสะดุดตา หรือรูปประโยคบางประโยคที่เราคุ้นเคย

🔸Level 2: Passive Reading (อ่านครบแต่ไม่คิดตาม) - เป็นการอ่านที่สายตาเราจะไล่อ่านครบทุกบรรทัด แต่สมองไม่ได้ประมวลผลไปยังความหมายภายในตามไปด้วย เป็นการอ่านแบบมีความ "อ่านผ่าน ๆ" ให้สายตาไหลไปตามตัวอักษร

🔸Level 3: Critical Reading (อ่านแบบลึกซึ้ง ทำความเข้าใจความหมายที่ต้องการสื่อสาร และคิดตามไปด้วย) - การอ่านแบบนี้เป็นการอ่านที่ใช้พลังงานสมองสูงสุด ที่คนอ่านจะต้องมีการคิดตามไปด้วย ทำความเข้าใจเนื้อหาที่ต้องการสื่อสารไปด้วย หรือมีการจับจุดผิดสังเกตไปด้วย

เวลาที่เราสั่ง AI เสร็จ สมองเราจะตกอยู่ในโหมดที่เรียกว่า "Cognitive Miser" (โหมดงกการใช้พลังงานสมอง) หรือ เราจะไม่อยากใช้สมองอ่านในแบบ Level 2 หรือ 3 เท่าไหร่แล้ว เพราะมันใช้พลังงานมาก

ยิ่งพอเราเห็นประโยคที่ AI เรียบเรียงมา ดูมีคีย์เวิร์ดที่ดูฉลาด เนื้อหาดูไว ๆ ดูลื่นไหล สมองเราจะยิ่งมีโอกาสที่จะเกิด Bias และทึกทักไปทันทีว่า ก็ดูดีแล้วนิ เนื้อหาก็น่าจะถูกต้องแล้ว

เราจึงมักจะตรวจงานด้วยการอ่านอยู่แค่ Level 1 หรือ 2 เท่านั้นครับ

ซึ่งการตรวจงานเขียน เราต้องใช้พลังงานสมองที่มากพอสมควรในการตรวจครับ จึงทำให้หลายครั้งเราเผลอปล่อยผ่านงานที่ยังไม่ดีไปให้คนอื่น

แต่... มันต่างจากการตรวจงานจาก AI พวกการสร้างรูป Visual หรือกราฟิก เพราะเราไม่ต้องใช้พลังงานสมองมาก เราก็สามารถบอกได้ทันทีว่ามันสวยหรือไม่สวย

========================
📌 3. และการอ่านสิ่งที่เราพึ่งผ่านตามา สมองเรายิ่งโกง
เมื่อเราป้อนข้อมูลที่เราพึ่งผ่านตามา ข้อมูลเหล่านั้นมันยังอยู่ใน "Short-term memory" ของเรา

ซึ่งพอเราอ่านสิ่งที่ AI เขียนมาให้ สมองเราก็มีอีกวิธีในการแอบประหยัดพลังงานเพิ่ม ด้วยการอ่านแค่แบบ Level 1 หรือ 2 แล้วแอบเอาเนื้อหาและข้อมูลที่อยู่ใน Short-term memory ในหัวของเราไป “เติมคำในช่องว่าง” เพิ่มเข้าไปให้ประโยคกลวง ๆ ที่ AI เขียนมาให้โดยไม่รู้ตัวครับ

เราคิดว่าเราอ่านแบบละเอียดแล้วนะ แต่จริง ๆ การอ่านของเรา เราเข้าใจเนื้อหาเพราะข้อมูลมันอยู่ในหัวอยู่แล้ว ไม่ใช่มาจากเนื้อหาบนหน้าจอ

========================
📌4. แต่คนปลายทางเขาไม่ได้มีภาพในหัวเหมือนเรา

คนอื่นเขาอ่านเพื่อนำเนื้อหาไปใช้งานต่อ เขาจึงต้องอ่านแบบ Critical Reading (Level 3) แต่ทันทีที่เขาเริ่มคิดตาม พวกคำเท่ ๆ รูปประโยคสวย ๆ มันจะถูกมองข้ามไปหมด

สิ่งที่เขาสนใจคือเนื้อหาอ่านรู้เรื่องไหม สื่อสารเข้าใจได้ง่ายไหม แต่สิ่งที่เค้าเจอกลายเป็นกลวงโบ๋ วนในอ่าง ตรรกะอิหยังวะ

หรือหนักสุดคือ AI มโนข้อมูลขึ้นมาเติมให้เราอย่างมั่นใจ....

========================
📌 5. แล้วจะมีวิธีช่วยให้เราตรวจงาน AI แบบอ่านไปถึง Level 3 ยังไงได้บ้าง?

วิธีแก้ทางนึงที่จะดึงเราขึ้นมาอ่านแบบ Level 3 ได้จริง คือ "อย่าเพิ่งตรวจงานที่ AI เขียนมาให้ทันที" ครับ

พอ AI เขียนเสร็จ ให้เราทิ้งมันไว้ก่อนซักชั่วโมงขึ้นไป อาจจะไปเดินเล่น กินกาแฟ ทำอย่างอื่นให้เนื้อหานั้น ๆ มันลืมออกจากหัวไปก่อน

ซึ่งการเว้นระยะแบบนี้ มันจะเป็นการล้าง Short-term Memory ของเราทิ้งไปครับ เมื่อสมองรีเซ็ตกลับมาหัวโล่ง ๆ แล้ว ค่อยมาเปิดอ่านใหม่

คราวนี้เราจะอ่านมันด้วย "สายตาของคนนอก" ที่มากขึ้น สมองจะหยุดเติมคำในช่องว่าง และถูกบีบให้อ่านแบบคิดตามจริงๆ ว่า

“ตกลงหน้านี้มันกำลังพูดอะไรอยู่กันแน่?”

ซึ่งนี่แหละ คือโมเม้นต์ที่เราจะได้จับผิดสิ่งที่ AI เขียนมาให้ และสามารถฟาดมันได้เต็มที่ครับ
อีกวิธีก็คือการ user test หรือให้คนข้าง ๆ เราช่วยลองอ่านซักทีดูว่าอ่านรู้เรื่องไหม เข้าใจง่ายไหม ก็จะช่วยให้เราลดความเสี่ยงของการรีบส่งงานเขียนที่ยังเละเทะ อ่านไม่รู้เรื่อง ไปให้อีกฝั่งได้ครับ

========================
📌 6. สรุป - AI ช่วยทุ่นแรงได้ แต่คนรับผิดชอบงานก็ยังต้องเป็นเราเอง

AI ทุ่นแรงในการร่างโครง ตรวจคำผิด สรุปเนื้อหา ได้ดีมาก แต่หน้าที่รับผิดชอบเนื้อหาที่เราเขียนออกมา ยังเป็นของเรา 100% อยู่ดีครับ

มันเลยเป็นสิ่งสำคัญมากที่เราจะต้องเข้าใจวิธีการตรวจงาน AI และวิเคราะห์งานที่ AI ทำออกมาว่ามันดี/ไม่ดีอย่างไรบ้าง เพื่อจะได้ฟาดได้ถูกจุด และปรับให้งานดีขึ้นได้ต่อไปครับ

ก่อนจะกดส่งงานครั้งต่อไป ลองปล่อยให้สมองลืมมันซักพักก่อน

แล้วค่อยกลับมาดูว่า ที่เราคิดว่าที่ AI เขียนมามันดีแล้ว… มันดีจริง หรือเราแค่โดนความคุ้นเคยหลอกตากันแน่นะครับ

Refs:
- Levels of Processing Theory: https://www.simplypsychology.org/levelsofprocessing.html

- Cognitive Miser:
https://kolacki.eu/en/research/the-cognitive-miser-why-our-mind-chooses-the-easy-way/

11/09/2026

วันนี้แอดได้มีโอกาสแวะไปงาน AIS Academy for Thais 2026: Mastering AI Beyond Borders ที่สามย่านมิตรทาวน์มาครับ ทีแรกไปแบบงง ๆ เพราะแวะมาแบบไว ๆ ไม่แน่ใจว่าจะเจออะไรบ้าง คิดว่าน่าจะพูดถึงการใช้งาน AI หรือเทคโนโลยีใหม่ ๆ เหมือนงาน AI ส่วนมากที่เห็นกัน

แต่พอได้ฟังไปสักพัก ก็เริ่มเห็นแพทเทิร์นที่น่าสนใจ ก็เลยอยากจะสรุป 3 sessions ที่ได้ฟังและชอบ มาแชร์ลงเพจหน่อยครับ 😙
===========================
📌 Session ของผู้ว่ากทม. - อาจารย์ชัชชาติ และการใช้เทคโนโลยีในการพัฒนาเมือง
Session นี้ อจ.ชัชชาติไม่ได้พูดเรื่อง AI ตรง ๆ ครับ แต่มาเล่าถึงมุมมองและ case study ของการใช้เทคโนโลยีต่างๆ ของทาง กทม. ที่ผ่านมา ซึ่งมีเยอะมาก และมีดาต้าแสดงถึงการพัฒนาในทางที่ดีขึ้นที่ชัดเจนมาก

ซึ่งบางเคสก็เป็นการใช้เทคโนโลยีช่วยวิเคราะห์อัตโนมัติ บางเคสก็เป็นการเอาเทคโนโลยีมาแก้ปัญหาที่มีอยู่เดิมให้เร็วขึ้น

แต่ประโยคหนึ่งที่ถือเป็นหัวใจหลักของการใช้เทคโนโลยีในการพัฒนาเมืองที่ อจ.ชัชชาติพูดแล้วแอดชอบมาก คือแนวคิดจากหนังสือ "The Smart (Enough) City" ที่บอกว่า เราไม่จำเป็นต้องทำเมืองให้สมาร์ทสุดขีดก็ได้ แค่สมาร์ทพอสำหรับปัญหาที่มีอยู่ก็พอแล้ว

เพราะถ้าเราพยายามจะสมาร์ทมากเกินไป มันจะกลายเป็นทุ่มเงินซื้อแต่เทคโนโลยีเยอะมาก แต่สุดท้ายไม่ได้ใช้ประโยชน์คุ้มค่าจริง กลายเป็นแค่การลงทุนสูญเปล่าแทนครับ

อีกจุดที่ชอบคือ อจ.ชัชชาติพูดถึงครั้งหนึ่งที่ AI ของ Google เคยชนะเคเจี๋ย (Ke Jie) แชมป์โลกด้านการเล่นหมากล้อมได้ ซึ่งสิ่งที่เกิดขึ้นคือ เคเจี๋ยถึงกับร้องไห้ออกมา

ซึ่งสิ่งนี้เป็นสิ่งที่มนุษย์เรามี แต่ AI ไม่มีวันมี คือการมีอารมณ์ความรู้สึกและ "เข้าใจ" มนุษย์ด้วยกัน ในขณะที่เมื่อ AI มันชนะไป มันก็ไม่ได้รู้สึกอะไร ซึ่งมันเป็นสกิลที่สำคัญมากของคนเราที่ AI ยังไงก็แทนที่ไม่ได้

===========================
📌 Session พี่เจี๊ยบ (คุณกานติมา) รองประธานเจ้าหน้าที่บริหารด้านธุรกิจองค์กร AIS - องค์กรไทยพร้อมแค่ไหนสำหรับ AI

Session นี้ทีแรกแอดคิดว่าน่าจะพูดเน้น technical เยอะ แต่กลายเป็นเน้นเรื่อง "คน" เยอะมากครับ ซึ่งสิ่งที่คุณเจี๊ยบพูด มีความ real จัดมาก และมีการพูดถึง common mistakes ที่หลาย ๆ องค์กรทำกัน เช่น

◾ บางองค์กรคิดว่า AI มาแทนที่พนักงานได้เลย เลยรีบไล่คนออกทั้งที่ยังไม่เข้าใจด้วยซ้ำว่า workflow การทำงานจริงๆ มันคืออะไร หรือ AI ควรจะเข้ามาแก้ปัญหาตรงไหนถึงจะเหมาะสมจริงๆ

◾ บางองค์กรผู้บริหารตื่นเต้นเวลามีเวนเดอร์มาขาย AI ตัวใหม่ๆ ก็ซื้อเลย คิดว่าแค่ซื้อมาก็พอแล้ว แต่ไม่ได้สนใจว่าซื้อไปแล้วมันเกิดประโยชน์กับองค์กรจริงหรือเปล่า

◾ อีกเรื่องที่น่าสนใจคือ เรื่องความกังวลของพนักงานออฟฟิศในยุคนี้ ที่กังวลว่าจะโดนปรับลดออกจากองค์กร พี่เจี๊ยบมองว่าสกิลที่สำคัญในยุคนี้คือการรู้จักปรับตัวและเรียนรู้ AI อยู่เรื่อยๆ ถ้าเรากังวลแล้วก็ใช้ AI ไปด้วย เรายังมีโอกาสรอด แต่คนที่คิดว่ามันยังมาไม่ถึงแล้วไม่ปรับตัวอะไรเลยนี่แหละที่น่ากลัวกว่า

◾ พี่เจี๊ยบยังพูดถึง Design Thinking ด้วยว่า เมื่อก่อนมันคือสิ่งที่ช่วยให้องค์กรเข้าใจปัญหาก่อนจะเริ่มแก้ แต่พอมีคำว่า AI เข้ามาปุ๊บ ทุกคนกลับลืม Design Thinking กันหมด ทั้งที่จริงๆ แล้วมันควรจะยังอยู่ เพราะมันคือกระบวนการแก้ปัญหาให้มนุษย์จริงๆ ส่วน AI เป็นแค่หนึ่งในโซลูชัน ที่ต้องการการทำความเข้าใจปัญหาที่ถูกต้องก่อน ไม่งั้นก็เป็นแค่เครื่องมือที่ไม่ก่อให้เกิดประโยชน์ครับ . . .
===========================
📌 Session คุณทอย กษิดิศ จาก Data Rocket - "Human First, AI Second"

Session นี้เหมือนเป็น session ที่ดึงเรียกสติให้เราหันกลับมามองความเป็นมนุษย์มากขึ้นแบบสุด ๆ ครับ

คุณทอยเริ่มด้วยประเด็นตรง ๆ เลยว่า AI มีพลังสูงมาก ทำได้หลายอย่าง แต่ในทางกลับกัน มันก็สามารถสร้างปัญหาให้มนุษย์เยอะมากเช่นกัน ตัวอย่างที่เห็นได้บ่อยมากคือ AI slop หรือพวกคอนเทนต์เพื่อ marketing ที่มีการเจนกันออกมาเยอะ ๆ เต็มฟีดโซเชียล ที่ดูแปลกตาน่าสนใจ แต่ไม่ได้มีสาระอะไรเลย มีแค่เพื่อทำให้คนนั่งจ้องโซเชียลนานขึ้นไปเรื่อย ๆ ซึ่งคุณทอยมองว่ามันสร้างผลเสียมากกว่าผลดี

สิ่งที่ควรสำคัญยิ่งกว่าในเวลานี้ คือมนุษย์เราควรกลับมาโฟกัสที่การพัฒนาตัวเองอยู่เสมอ เพื่อให้เป็นเวอร์ชันที่ดีที่สุดของเรา ซึ่งจุดสำคัญคือเราต้องอย่าพยายามให้ AI "คิด" แทนเรา จนเราสูญเสียความสามารถในการคิดเองไป

ในทางกลับกัน ถ้าเราฝึกคิดและพัฒนาความคิดเราเองอยู่เสมอ เราจะเริ่มพบกับอิสระมากขึ้น เพราะความคิดของเราไม่ถูกชี้นำง่าย ๆ จากสิ่งผิวเผินรอบ ๆ ตัวครับ

อีกจุดหนึ่งที่แอดชอบมาก คือคุณทอยยกตัวอย่างจากหนังสือ "Incorruptible" ที่เล่า case study ของเชนร้าน Costco ที่ผู้บริหารตัดสินใจคงราคาฮอทดอกเท่าเดิมมาตลอด 40 ปี เพียงเพราะเขามองว่ามันคือสิ่งดี ๆ ที่ทำให้ลูกค้าของตัวเองได้

ซึ่งถ้าเราลองไปถาม AI เกี่ยวกับการทำธุรกิจ คงไม่มี AI ตัวไหนที่บอกให้ทำแบบนี้แน่ ๆ เพราะมันเป็นสิ่งที่ผิดวิสัยการทำธุรกิจที่ต้องเติบโต ต้องทำกำไรเสมอ

แต่การตัดสินใจแบบที่ Costco ทำนี้ มีแต่มนุษย์เท่านั้นที่ทำได้ เพราะมนุษย์เราเข้าใจถึง "การให้สิ่งดี ๆ กับลูกค้าจริง ๆ " ไม่ใช่แค่ทำตามทฤษฎีธุรกิจอย่างเดียว
===========================
✨ สรุป - "คน" ก็ควรเป็นสิ่งสำคัญที่สุดในยุค AI

ที่แอดประทับใจในงานนี้ คือถึงแม้จะเป็นงานเกี่ยวกับ AI โดยตรง แต่ speakers หลายคนกลับพยายามดึงให้เรากลับมามองความเป็นมนุษย์มากขึ้น ไม่ใช้ AI จนพร่ำเพรื่อ หรือสนใจแต่เทคโนโลยีจนเกินไป

ซึ่งน่าจะเป็นแพทเทิร์นที่เราเริ่มเห็นกันจากการที่คนเราเห่อเทคโนโลยีใหม่เกินไป จน "คน" ถูกลืมไปจากสมการ เลยถูกหันกลับมาพูดถึงกันมากขึ้นนะครับ

ซึ่งส่วนตัวทางพรักซุสเรามองว่า จากช่วงก่อนที่มีคนพูดว่าวงการ UX ตุยไปแล้ว

วันนี้ UX เราอาจจะกำลังกลับมาเป็นสิ่งที่องค์กรต่าง ๆ กลับมาให้ความสำคัญกันมากขึ้นเรื่อย ๆ ก็เป็นได้นะครับ 😃

09/09/2026

เคยเจอแอปที่ ตอนสมัครสมาชิกง่ายม๊ากก แต่พอจะยกเลิก กลับยากแบบมหาศาล บางทีนั่งกดไปเป็นชั่วโมงก็ไม่ได้ อะไรแบบนี้บ้างไหมครับ
ลองจินตนาการดูว่า ถ้าเป็นแอประดับโลกสักแอปหนึ่ง ที่ Flow การยกเลิกสมาชิกยากซะจนพนักงานภายในองค์กรเองยังเรียกว่า "Flow มหากาพย์ 10 ปี" มันจะยากขนาดไหน

วันนี้อยากมาแชร์ Case Study ของระบบ Amazon Prime หรือบริการสมาชิกพิเศษของทาง Amazon ครับ (เช่น จัดส่งของฟรี, ดู Streaming ฟรี)
📌 Flow ยาก มันยากยังไง?
ตอนช่วงประมาณปี 2017 ถ้าใครจะกดยกเลิกสมาชิกของ Amazon Prime จะต้องหาปุ่มยกเลิกให้เจอ ซึ่งถูกซ่อนไว้ลึกมาก จากนั้นก็ต้องคลิกผ่านไปอีกหลายหน้าจอ พร้อมคำถามนั่นนี่ หรือมีข้อเสนอส่วนลดขึ้นมาเต็มไปหมด แถมยังมีคำถามถามซ้ำ ๆ ว่า "แน่ใจนะว่าจะยกเลิก"

ถ้ากดบนเว็บ Users จะต้องเจอหน้ารวมทั้งหมด 4 หน้า 6 คลิก 15 ตัวเลือก (ส่วนแอปมือถือนี่ยิ่งกว่าอีกครับ)

ซึ่งความยากของมัน ทำให้พนักงานภายใน Amazon ตั้งชื่อเล่นให้กับโปรเจ็กต์การทำให้ Flow นี้ยากและยาวมาก ว่า "Project Iliad" ครับ
(Iliad คือ ชื่อของมหากาพย์เรื่องก่อนหน้าของมหากาพย์ Odyssey ครับ ว่าด้วยสงครามกรุงทรอย ที่ยาวถึง 24 เล่ม ใช้เวลาในเรื่องนานเป็นสิบปี ก่อนที่มาเป็นเรื่อง Odyssey ที่พึ่งเป็นหนังเข้าโรงไม่กี่เดือนก่อนนี้ครับ

ที่เค้าเรียกชื่อนี้ ก็เพราะ flow นี้มัน "ยาวและหาทางจบยาก" ไม่ต่างจากมหากาพย์ครับ)

📌 แล้ว Flow นี้ มันก่อให้เกิดเรื่องอะไรตามมา?
ปี 2023 คณะกรรมการการค้าแห่งสหรัฐฯ (FTC) ยื่นฟ้อง Amazon เพราะว่าเวลาลูกค้ากด Check out ซื้อของ ดันมีการพ่วงให้ลูกค้าสมัคร Amazon Prime แบบไม่ทันตั้งตัว แล้วก็ใช้ Dark Patterns ทำให้ไม่สามารถกดยกเลิกได้ง่ายอีก

(Dark Pattern คืออะไร: https://www.facebook.com/share/p/19bzU3g4Ht/ )

ซึ่ง สิ่งที่ทำให้ทีมสืบสวนตกใจไปอีก คือ เค้าพบเอกสารภายในที่มีหลักฐานบอกว่า ผู้บริหาร Amazon รู้ดีอยู่แล้วว่าลูกค้างงและหงุดหงิดกับ flow ยกเลิกสมาชิกนี้มากขนาดไหน และทีม UX เองก็เคยเสนอทางแก้ให้ง่ายขึ้น แต่ผู้บริหารเลือกที่จะไม่แก้ ซ้ำแล้วซ้ำเล่า ครับ 🫠

เพราะกลัวว่าถ้ายกเลิกง่ายขึ้น ยอดสมาชิก Prime จะร่วง .... 🫠

ตัวเลขที่หลุดมาบอกว่า Project Iliad ช่วยลดอัตราการยกเลิกได้ถึง 14% คือ ยิ่งยกเลิกยาก คนก็ยิ่งจะทนใช้ต่อ (หรือพูดง่าย ๆ คือ พอ Users พยายามยกเลิกไม่สำเร็จ เลยปล่อยไว้จนลืมไปแล้วว่าตัวเองเคยสมัครไว้) แล้วก็จ่ายเงินให้ Amazon ต่อไปเรื่อย ๆ 🫠

FTC มองว่าพฤติกรรมนี้เข้าข่ายละเมิดทั้ง FTC Act และกฎหมาย ROSCA ที่คุ้มครองผู้บริโภค จากการถูกทำให้สมัครสมาชิกต่ออายุอัตโนมัติโดยไม่รู้ตัว หรือยกเลิกไม่ได้จริง

📌 เรื่องจบที่ ค่าปรับสุดโหด
คดีนี้ลากยาวมาหลายปี จนกันยายน 2025 Amazon ตัดสินใจยอมจ่ายค่าปรับ 2,500 ล้านดอลล่าร์ (แปดหมื่นล้านบาท !!) ให้ FTC ซึ่งถือเป็นหนึ่งใน settlement ที่ใหญ่ที่สุดในประวัติศาสตร์ของหน่วยงานนี้เลยครับ
สิ่งที่น่าสนใจที่สุดในเคสนี้ ไม่ใช่ตัวเลขค่าปรับมหาศาล แต่เป็นความจริงที่ว่า Amazon "รู้อยู่แล้ว" ว่า Flow นี้สร้างปัญหาให้ลูกค้า มีทีมงานเสนอทางแก้ให้ด้วยซ้ำ แต่ผู้บริหารเลือกที่จะไม่แก้ เพราะตัวเลขของยอดระยะสั้นมันดูดีกว่า ซึ่งยอดระยะสั้นที่แลกมากับความหงุดหงิดและโมโหในใจของลูกค้า มันเป็นสิ่งที่ทำลายความสัมพันธ์กับลูกค้า และอาจจะผิดกฎหมายในหลายประเทศด้วยนะครับ

สุดท้ายแล้ว สิ่งที่ทำให้ลูกค้าอยู่กับเรา ไม่ควรเป็นการใส่กุญแจมือไม่ให้ลูกค้าออกไปได้ แต่ควรเป็นการซื้อใจลูกค้าให้ได้มากกว่านะครับ 🥹

Refs:
- https://www.ftc.gov/news-events/news/press-releases/2023/06/ftc-takes-action-against-amazon-enrolling-consumers-amazon-prime-without-consent-sabotaging-their

03/09/2026

⚡️ FLASH SALES ⚡️
โอกาสสุดท้ายกับราคาพิเศษ Fast Prototype & The Right Testing Workshop ที่จะจัดในวันเสาร์ที่ 5 กันยานี้ 😄
จาก 5,200 เหลือ 4,000 บาท
และแบบ Combo จาก 5,700 เหลือ 4,500 บาทเท่านั้น
เริ่มเที่ยงวันถึงเที่ยงคืน 12.00-23.59 วันนี้เท่านั้น! (พฤหัสที่ 3 ก.ย.)
>> ซื้อบัตรได้ที่นี่: https://www.ticketmelon.com/pruxus/Fast-Prototype-and-the-Right-Testing-2026
รายละเอียดเพิ่มเติม Workshop ครับ: https://www.facebook.com/events/1558050839277086

01/09/2026

🥬 Usability Testing ในปี 2026 ควรเป็นอย่างไร? เราใช้ AI ทำแทนได้ไหม? (ผักสดพอดแคสต์ Ep121 🥬🎤)
Ep นี้ จะชวนมาคุยถึงการทำ UT (User Testing/Usability Testing) ครับ ว่าเรายังจำเป็นต้องทำไหม? หรือมันสามารถใช้ AI แทนที่ได้หมด?

UT นั้น ถือเป็นขั้นตอนสำคัญมากของกระบวนการสร้างประสบการณ์ใช้งานที่ดีให้ Users เวลาที่เราสร้างโปรดักส์ดิจิตอลเลย เพราะมันคือขั้นที่ให้เรามาดูว่า Users ของเราสามารถใช้งานได้จริงหรือไม่จริงแค่ไหนยังไงบ้าง และถ้า Users ใช้งานไม่ได้จริง อะไรที่ทำให้ Users ใช้ไม่ได้และติดขัด ซึ่งมันจะช่วยให้เราไปรีบปรับโปรดักส์ให้ดีขึ้นได้แต่เนิ่น ๆ ซึ่งจะช่วยลด costs ในระยะยาวของการ Develop โปรดักส์ได้ครับ

ทีนี้ในช่วงนี้ที่เรามี Generative AI หลายหลายตัวที่ช่วยเราเนรมิตสิ่งต่าง ๆ ได้ เราใช้มันแทน Users เราเลยได้ไหม? แทนที่จะเอา Users จริงเข้ามา Test เราให้ AI วิเคราะห์แทน? สปอยด์ไว ๆ คือ "ไม่ได้" ครับ เพราะมันมีหลายหลายอย่างที่อาจจะ Mislead ให้ผลที่ไม่ตรงกับการใช้งานจริงของ users ของเราเยอะมาก

Ep นี้ก็เลยจะมาไล่กระบวนการทำ UT กันตั้งแต่เริ่ม ว่ามันมีขั้นตอนยังไงบ้าง และแต่ละขั้นตอน เราให้ AI ช่วยตรงไหนได้บ้าง หรือต้องระวังในขั้นไหนบ้างครับ เพื่อที่ให้เรายังสามารถได้ประโยชน์จากการทำ UT อยู่ แต่ก็สามารถลด Cost และเวลาในการทำ UT ลงได้ครับ

--------------------
ฟังได้ที่นี่ครับ
🥬 Youtube: https://bit.ly/4gNusdj
🥬 Podbean: https://bit.ly/4gZv1ln
🥬 Spotify: https://bit.ly/4ydtKNd
🥬 Apple Podcast: https://apple.co/45ZGQlq
============================

แนะนำติชม podcast สอบถาม หรือเสนอไอเดียได้ที่นี่ครับ:
https://bit.ly/puxodFeedback

#ผักสดพอดแคสต์