กลับ
วิเคราะห์คู่แข่งฟรี ด้วย NotebookLM — พบ 12 รายการที่เราแพ้ราคาจริง
AI Workflow18 มีนาคม 25696 นาที

วิเคราะห์คู่แข่งฟรี ด้วย NotebookLM — พบ 12 รายการที่เราแพ้ราคาจริง

ผมใช้ NotebookLM วิเคราะห์คู่แข่ง E-commerce จริง — feed 20 sources เข้า NLM วิเคราะห์ 50+ สินค้า พบราคาถูกกว่าเรา 12 รายการ ได้ 3 insights ที่เปลี่ยน strategy ทันที

Tor Supakit

Tor Supakit

AI × Digital Marketing Agency

ลูกค้าบอกว่า "คู่แข่งถูกกว่าเราหมดเลย"

NotebookLM Competitor Analysis
NotebookLM Competitor Analysis

ประโยคที่เจ้าของธุรกิจ E-commerce กลัวได้ยินที่สุด

และพอได้ยินแล้ว การ react แบบทั่วไปคือลดราคาตาม — โดยไม่รู้ว่าแพ้จริงกี่ตัว แพ้เพราะอะไร และควรสู้หรือปล่อยผ่าน

ผมทำ competitor analysis ให้ลูกค้า E-commerce รายนึง (ขอไม่ระบุชื่อ) ด้วย workflow ที่ผสม NotebookLM กับ data scraping เข้าด้วยกัน

ผลที่ได้เปลี่ยน strategy ของเขาไปเลย


ทำไมต้องวิเคราะห์คู่แข่ง?

คำถามที่ดูเหมือนตอบตัวเองได้ — แต่จริงๆ หลายธุรกิจไม่ได้ทำอย่างจริงจัง

เหตุผลที่คนไม่ทำ:

  • เสียเวลา — เช็คราคาทีละตัวสำหรับ 50+ สินค้า ทำมือทั้งวันไม่เสร็จ
  • ไม่รู้จะ monitor อะไร — แค่ราคา? หรือรวม content, positioning, promotion?
  • ข้อมูลล้าสมัยเร็ว — เช็ควันนี้ พรุ่งนี้คู่แข่งปรับราคาแล้ว

ผมแก้ปัญหาทั้งสามนี้ด้วย NotebookLM + ข้อมูล scrape


NotebookLM ช่วยอะไรในการวิเคราะห์คู่แข่ง?

NotebookLM ถูกออกแบบมาเพื่อ research — คุณ feed sources เข้าไป แล้วถามคำถามข้ามทุก source พร้อมกันได้

สำหรับ competitor analysis ผมใช้ NLM เพื่อ:

  1. วิเคราะห์ positioning — จาก YouTube, blog, review ของคู่แข่ง
  2. หา messaging pattern — คู่แข่งพูดถึงอะไร เน้นอะไร
  3. สกัด customer complaint — คนซื้อร้านคู่แข่งบ่นอะไรบ้าง
  4. หา product gap — สินค้าอะไรที่คู่แข่งไม่มี หรือทำได้ไม่ดี

ส่วนข้อมูลราคาและ inventory — ใช้ data scraping แยก (อธิบายด้านล่าง)


Pipeline ที่ใช้จริง

Phase 1: ตั้ง NLM Notebook

1. เปิด notebooklm.google.com
2. สร้าง notebook ใหม่: "Competitor Analysis — [ชื่อ Industry]"
3. Add sources ทั้งหมด

Sources ที่ผม feed เข้า NLM — 20 sources รวมกัน:

ประเภทจำนวนตัวอย่าง
YouTube channel คู่แข่ง6 คลิปรีวิวสินค้า, unboxing, แนะนำ promotion
YouTube review จากลูกค้า5 คลิปรีวิวสินค้าที่คู่แข่งขาย
Blog และ article ของคู่แข่ง4 บทความBlog แนะนำสินค้า, วิธีใช้
Industry report3 ไฟล์ตลาด, trend, ผู้เล่น
Pantip/Reddit thread2 threadความเห็นลูกค้าจริง

ทำไมต้อง 20 sources?

กฎที่ผมใช้คือ minimum 20 sources ก่อนสรุป insight ถ้าน้อยกว่านั้น มุมมองที่ได้แคบเกินไป และเสี่ยงสรุปผิด

เหตุผลที่ต้อง 20 sources

5-7 sources อาจพอสำหรับ overview แต่ถ้าจะตัดสินใจ strategy จริงๆ ต้องมีข้อมูลพอ NotebookLM อ่านได้ไม่จำกัด จำนวน sources มากขึ้น = synthesis ที่ดีขึ้น เสียเวลา add แค่ 30 นาที แต่ insight ดีกว่ากันเยอะ

Phase 2: ถาม NLM 4 คำถามหลัก

พอ add sources ครบแล้ว ถามคำถามเหล่านี้:

คำถาม 1: Positioning Overview

จาก sources ทั้งหมด คู่แข่งหลักแต่ละรายมี positioning ยังไง?
เน้นอะไร? กลุ่มลูกค้าหลักคือใคร? ต่างจากกันอย่างไร?

คำถาม 2: Messaging Pattern

คู่แข่งพูดถึงอะไรบ่อยที่สุด? คำไหน จุดขายไหน ที่ปรากฏซ้ำข้าม sources?
มีอะไรที่พวกเขาไม่พูดถึงเลย ทั้งที่น่าจะเป็น selling point?

คำถาม 3: Customer Pain Points

จาก reviews และ comments ลูกค้าบ่นอะไรเกี่ยวกับคู่แข่ง?
มีปัญหาอะไรที่ซ้ำๆ? มีอะไรที่ลูกค้าอยากได้แต่ยังไม่ได้?

คำถาม 4: Opportunity Gap

จากทุก sources มีช่องว่างอะไรในตลาดที่ทั้งคู่แข่งยังไม่ได้ fill?
มี unmet need อะไรบ้าง?

Phase 3: Data Scraping (ราคา + Inventory)

NLM ดีมากสำหรับ qualitative analysis แต่สำหรับข้อมูลราคาที่ต้องแม่นยำ ผมใช้ script scrape แยก

สำหรับลูกค้ารายนี้ — ผมวิเคราะห์ 50+ สินค้าที่ทับซ้อนกัน ระหว่างร้านเราและคู่แข่ง

(ถ้าสนใจ pipeline scraping เต็มๆ อ่านได้ที่: AI จับโกงราคาคู่แข่ง)


3 Insights ที่ได้จากการวิเคราะห์

Insight 1: แพ้จริงแค่ 12 จาก 50+ รายการ

ก่อนวิเคราะห์ ลูกค้ารู้สึกว่า "คู่แข่งถูกกว่าทุกตัว" — ความรู้สึกแบบนั้นทำให้อยากลดราคาหมด

หลังวิเคราะห์จริง:

สถานะจำนวน
คู่แข่งถูกกว่า + มีสต็อค (แพ้จริง)12 รายการ
คู่แข่งถูกกว่า + หมดสต็อค (ไม่ต้องสน)9 รายการ
เราถูกกว่า18 รายการ
ราคาใกล้เคียงกัน11+ รายการ

แพ้จริงแค่ 12 รายการ ไม่ใช่ทั้งหมด และใน 12 รายการนั้น มีแค่ 4 ที่ margin ห่างกันมากพอจะมีผลต่อการตัดสินใจซื้อ

Action: ลดราคาเฉพาะ 4 รายการนั้น ไม่ใช่ลดทั้งหมด

Insight 2: คู่แข่งไม่ค่อยพูดถึง After-Sale Service

จาก NLM analysis ผ่าน 20 sources — พบว่าคู่แข่งหลักเน้น messaging เรื่อง ราคา, ความหลากหลาย, ความเร็วในการส่ง แต่แทบไม่พูดถึงเลย: การรับประกัน, support หลังซื้อ, community

ในขณะที่จาก Pantip thread และ YouTube reviews — ลูกค้าในตลาดนี้มักถามเรื่องการรับประกันและ support บ่อยมาก

Action: เพิ่ม messaging เรื่อง after-sale service และรับประกัน เพราะคู่แข่งทิ้งช่องนี้ไว้

Insight 3: Content ของคู่แข่งเน้น Product แต่ขาด Use-Case

YouTube และ blog ของคู่แข่งพูดถึงตัวสินค้า spec ราคา — แต่ไม่ค่อยมี content ที่แสดงว่า "ใช้งานจริงอย่างไร" ในชีวิตประจำวัน

ลูกค้าใน reviews ชอบ content ที่เห็นการใช้งานจริง มากกว่า spec sheet

Action: ทำ content series "ใช้งานจริง" แทนที่จะทำแค่รีวิว product


ตัวอย่างการตอบคำถาม NLM จริง

นี่คือตัวอย่าง insight ที่ NLM ส่งกลับมาจากคำถาม Customer Pain Points:

"จาก sources ที่มีทั้งหมด ลูกค้าของคู่แข่งมีข้อกังวลซ้ำๆ ดังนี้:

  1. Delivery ช้า — ปรากฏใน 4 sources, ลูกค้า expect 1-2 วัน แต่ได้รับ 3-5 วัน
  2. Packaging ไม่ดี — สินค้ามาถึงเสียหาย พบใน 3 sources
  3. Customer service ตอบช้า — แก้ปัญหาหลังซื้อยาก พบใน 5 sources

สิ่งที่ลูกค้าพูดถึงบวก: ราคาและความหลากหลายสินค้า"

จาก insight นี้ — ถ้าร้านเราส่งเร็วกว่า packaging ดีกว่า และ support ดีกว่า นั่นคือ differentiation ที่ทำได้ทันที โดยไม่ต้องลดราคาสักบาท


วิธีทำด้วยตัวเอง

ขั้นตอนที่ 1: เปิด NLM

ไปที่ notebooklm.google.com → สร้าง notebook ใหม่ → ตั้งชื่อว่า "Competitor Analysis — [ชื่อ category สินค้าคุณ]"

ขั้นตอนที่ 2: หา Sources

เริ่มง่ายๆ ก่อน — หาแค่ 10 sources ก็ได้ถ้ายังไม่เคยทำ:

- YouTube: ค้นชื่อคู่แข่ง + ชื่อสินค้า → เลือกคลิปรีวิว/แนะนำ 4-5 คลิป
- Google: ค้น "[คู่แข่ง] review" → เลือก article 2-3 บทความ
- Pantip: ค้น "[สินค้าประเภทนั้น] ซื้อที่ไหนดี" → เลือก 2-3 thread
- Blog คู่แข่ง: ถ้ามี copy URL เข้าไปเลย

ขั้นตอนที่ 3: Add ใน NLM

กด "+ Add source" → วาง URL หรือ upload ไฟล์

NLM รองรับ: YouTube URL, website URL, PDF, Google Doc, Copy-paste text

ขั้นตอนที่ 4: ถาม 4 คำถาม

ถามตามที่อธิบายไว้ข้างต้น บันทึก insights ไว้

ขั้นตอนที่ 5: สรุป Action Items

จาก insights ทั้งหมดนี้ ถ้าผมต้องทำ 3 อย่างภายใน 30 วัน
เพื่อสู้กับคู่แข่งได้ดีขึ้น ควรทำอะไร? อธิบายเหตุผลด้วย

NLM จะ synthesize ทุก insight แล้วเสนอ action ที่มีเหตุผลรองรับ


ค่าใช้จ่าย: ฟรี

NotebookLM ใช้ฟรีสำหรับ basic use — ไม่มีค่าใช้จ่ายในการ add sources หรือถามคำถาม

สิ่งที่ใช้เงิน (ถ้าต้องการ):

สิ่งค่าใช้จ่าย
NLM ฟรีฟรี
NLM Plus$19.99/เดือน (ขยาย source limit)
Script scraping ราคาเวลา developer หรือจ้างทำ

สำหรับ basic competitor analysis — ฟรีก็พอแล้ว


ข้อจำกัดที่ต้องรู้

ข้อจำกัดรายละเอียด
ข้อมูลราคา real-timeNLM อ่านข้อมูลที่ feed เข้าไป ไม่ได้ scrape real-time — ต้อง update sources เอง
YouTube ใช้ transcriptNLM อ่านจาก transcript ถ้าคลิปไม่มี transcript จะ add ไม่ได้
ภาษาไทยNLM เข้าใจภาษาไทยได้ดี แต่ถามเป็นอังกฤษให้ผลละเอียดกว่าบางครั้ง
ต้อง update สม่ำเสมอตลาดเปลี่ยน ต้อง update sources ทุก 1-2 เดือน

สรุป

Competitor analysis ที่ดีไม่ต้องแพง และไม่ต้องใช้เวลาทั้งวัน

NotebookLM ทำให้ผม:

  • Feed 20 sources (YouTube, blog, review, thread) ใน 30 นาที
  • วิเคราะห์ qualitative ได้ลึกกว่าดูเองทีละ source
  • สกัด insight ที่ต้องการ action ด้วย 4 คำถามหลัก

ผลที่ได้จากลูกค้ารายนี้:

  1. แพ้จริงแค่ 12 จาก 50+ สินค้า — ไม่ต้องลดราคาทั้งหมด
  2. After-sale service เป็นช่องว่างที่คู่แข่งไม่ได้ทำ
  3. Content ที่แสดง use-case จริงจะต่างจากคู่แข่งชัดเจน

ถ้าคุณเป็นเจ้าของธุรกิจที่เคยได้ยินว่า "คู่แข่งถูกกว่า" — ลองทำ analysis ก่อนตัดสินใจลดราคา คำตอบที่ได้อาจต่างจากที่คิดมาก


NotebookLM ฟรีใช้ได้เลยที่ notebooklm.google.com — ไม่ต้องติดตั้ง ไม่ต้องจ่ายเงิน

notebooklmcompetitor-analysise-commerceresearchai-workflow
แชร์บทความนี้

บทความที่เกี่ยวข้อง

100 ชั่วโมงกับ Claude Code — 10 เรื่องที่เรียนรู้จากการใช้จริงทุกวันAI Workflow
18 มีนาคม 2569

100 ชั่วโมงกับ Claude Code — 10 เรื่องที่เรียนรู้จากการใช้จริงทุกวัน

เจ้าของ agency + ร้านอาหาร ใช้ Claude Code ทุกวันมา 2 เดือน+ ผ่าน 50+ sessions จัดการ 6 ลูกค้า สร้าง 17 Skills เชื่อม 14 MCP — 10 บทเรียนที่ไม่มีในคู่มือ

6 นาที
AI เขียนโฆษณา Facebook — จาก 2 ชั่วโมงเหลือ 15 นาที CTR เพิ่ม 20%AI Workflow
18 มีนาคม 2569

AI เขียนโฆษณา Facebook — จาก 2 ชั่วโมงเหลือ 15 นาที CTR เพิ่ม 20%

ทำ Facebook ad copy ให้ 5-6 แบรนด์พร้อมกัน — วิธีใช้ Claude Code เขียน 3 variations ใน 15 นาที พร้อม prompt จริงและวิธี A/B test ที่ได้ผล

4 นาที
11 AI ทำงานพร้อมกัน — Agent Teams ที่ทำงาน 3 วัน เสร็จใน 2 ชั่วโมงAI Workflow
4 มีนาคม 2569

11 AI ทำงานพร้อมกัน — Agent Teams ที่ทำงาน 3 วัน เสร็จใน 2 ชั่วโมง

ใช้ Claude Code Agent Teams สั่ง 11 AI instances ทำงานพร้อมกัน — Strategy, Content, Media, Data, Design — คุยกันเอง แบ่งงานเอง เราแค่ approve

3 นาที