ระบบ outbound ทำ $70M pipeline ของ Christian: 10 ขั้นที่ลอกได้ และตัวเลขที่ควรเช็คก่อนลอก

โดย Nokka (นก-กา) | 3 ตุลาคม 2569

ถ้าคุณเคยได้อีเมลเย็นฉบับหนึ่งที่อ่านแล้วรู้สึกว่ามันรู้จักงานของคุณดี เรื่องนี้จะอธิบายว่าข้างหลังมันคือระบบอะไร

Christian (@coldemailchris) เจ้าของ pipeline.tech และ GTM University เพิ่งปล่อยบทความยาวชื่อ "How We Used Outbound To Generate $70M+ In Pipeline" ผ่านโพสต์บน X [1]

ตัวเลขที่เขาอ้างในย่อหน้าแรกคือ 10 ล้านอีเมล 700,000 สาย 30,000 ลีด ลูกค้า B2B 100 กว่าราย 30,000 นัด และ pipeline รวม 70 ล้านดอลลาร์ [1]

ภาพแนวคิด ข้อความสั้นฉบับเดียวที่ถูกยิงออกไปพร้อมกันหลายพันครั้ง คือหัวใจของระบบนี้

ระบบนี้คืออะไร ถ้าพูดสั้น ๆ

เขารับงาน outbound แทนทีมขายของลูกค้า คือยิงอีเมล โทร และส่งข้อความหาตลาดของลูกค้า แล้วหานัดให้พนักงานขายของลูกค้าไปปิด [1]

ส่วนที่ผมว่าเป็นของแถมที่มีค่ากว่า คือเขาบอกด้วยว่าตลาดตอบอะไร กลุ่มไหนตอบ ข้อเสนอไหนได้ผล และข้อโต้แย้งอะไรโผล่ซ้ำ [1]

กรณี Eden Studio ที่ผมคำนวณต่อแล้ว

ทีมของเขาดึงธุรกิจจัดสวนและงานฮาร์ดสเคปฝั่ง West Coast ออกมา 69,204 ราย เติมข้อมูลเฉพาะอีก 19 จุดต่อราย แล้วยิงอีเมลกับโทรลงไปทั้งลิสต์ [1]

ผลคือ 41,150 อีเมล กับ 32,577 สาย แล้วได้ 53 นัดใน 50 วัน โดย 33 นัดมาจากการโทร [1]

ตัวเลขนี้ทำให้ผมหยิบเครื่องคิดเลข กว่าลูกค้ารายนี้จะได้หนึ่งนัด ต้องยิงออกไปราว 1,391 ครั้ง และกว่า 6 ใน 10 ของนัดมาจากการโทร ไม่ใช่จากอีเมล

ขั้นที่ 1: ก่อนรับงาน เขาเช็ค 5 ข้อ

• รายได้ประจำปีต่อเนื่อง 3 ล้านดอลลาร์ขึ้นไป
• มีรายชื่อในตลาดที่ต้องการ 50,000 รายขึ้นไป
• มีพนักงานขายอย่างน้อย 1 คนรองรับนัด
• มูลค่าสัญญาเฉลี่ยต่อปี 10,000 ดอลลาร์ขึ้นไป
• มี product-market fit ชัดเจนแล้ว [1]

เหตุผลแต่ละข้อตรงไปตรงมา บริษัทที่ขาดสองข้อขึ้นไปเขาส่งไปที่ชุมชนของเขาเพื่อเรียนทำเอง [1]

ขั้นที่ 2: เลือกข้อเสนอฟรีและหลักฐาน

ข้อเสนอส่วนหน้าคือของชิ้นเล็กที่ให้ฟรีและคนตอบตกลงได้ทันที เพราะคนแปลกหน้ายอมรับการตรวจฟรีหรืองานตัวอย่างง่ายกว่าการนัดคุยขายมาก [1]

ตัวอย่างแยกตามตลาดที่เขาให้ไว้ คือ agency ขายให้แบรนด์อีคอมเมิร์ซได้เทียบโฆษณาพร้อมจุดแก้ 3 จุด และโรงงานได้ตัวอย่างหรือ mockup ที่มีแบรนด์ของลูกค้า [1]

ส่วนบริษัทซอฟต์แวร์ได้รายงานเทียบตัวเองกับบริษัทใกล้เคียง 5 ราย ร้านท้องถิ่นได้ตรวจรีวิวบนกูเกิล และบริษัทจัดหาคนได้โปรไฟล์ผู้สมัครแบบไม่ระบุชื่อ 3 คน [1]

ขั้นที่ 3: ลิสต์คือหัวใจของทั้งระบบ

แหล่งที่เขาดึงข้อมูลคือ Ocean.io สำหรับบริษัทที่เพิ่งระดมทุน และ Apollo สำหรับความกว้างในอุตสาหกรรมเดียว [1]

ถ้าเป็นธุรกิจที่มีที่ตั้ง เขาใช้กูเกิลแมปไล่ดึงทีละรหัสไปรษณีย์ ส่วนรายชื่อสมาชิกกับทะเบียนราชการใช้ Instant Data Scraper และผลค้นหากูเกิลจำนวนมากใช้ Serper กับ OpenWeb Ninja [1]

จากนั้นใช้ AI สองตัวช่วยกรอง [1]

ตัวแรกอ่านเว็บไซต์ของแต่ละบริษัทแล้วสรุปว่าทำอะไร ตัวที่สองให้คะแนนสรุปนั้นเทียบกับลูกค้าในฝันและรายชื่อประเภทที่ต้องตัดออก จากนั้นตัดทุกอย่างที่ต่ำกว่า 80% ทิ้ง [1]

ตัวเลขที่ผมว่าสำคัญที่สุดในขั้นนี้คือ ไฟล์ตรงจากฐานข้อมูลมักตรงกับลูกค้าในฝัน 50 ถึง 60% แต่หลังผ่านด่านนี้จะขึ้นเป็น 90 ถึง 95% [1]

ขั้นที่ 4: หาตัวคนและอีเมล

เขาหาผู้ตัดสินใจ 3 ถึง 5 คนต่อบริษัท บวกอีเมลกลางที่ลงไว้บนเว็บอย่าง info@ และ hello@ [1]

ตรงนี้มีตัวเลขที่ทำให้ผมหยุดอ่าน คือในลิสต์ท้องถิ่นชุดหนึ่ง พวกเขาได้อีเมลระบุชื่อ 3,621 ที่ กับอีเมลกลาง 4,553 ที่

อีเมลกลางให้ลีด 1 รายต่อการติดต่อ 54.97 ครั้ง ส่วนอีเมลระบุชื่อให้ 1 รายต่อ 94.94 ครั้ง [1] แปลว่าอีเมลที่ดูเหมือนมีค่าน้อยกว่า กลับทำงานได้ดีกว่าเกือบเท่าตัว

ขั้นที่ 5: โครงสร้างการส่ง ที่บทความบอกครึ่งเดียว

อีเมลเย็นทั้งหมดส่งจากโดเมนแยก เพื่อให้โดเมนหลักของลูกค้าไม่แปดเปื้อน เขาซื้อโดเมนจาก Porkbun แล้วตั้งระบบผ่าน ScaledMail [1]

กติกาคือ 3 อินบ็อกซ์ต่อโดเมน อินบ็อกซ์ใหม่เริ่มที่ 5 ฉบับต่อวันแล้วเพิ่มวันละ 1 ฉบับ ทำงานจริงราว 10 ฉบับต่อวัน และขึ้นได้ถึง 20 ถ้าผลดี [1]

เขายังมีอินบ็อกซ์ชุดสำรองขนาดเท่ากันอบอุ่นรออยู่เบื้องหลัง เพราะอินบ็อกซ์เสื่อมสภาพตามเวลา ถ้ามีตัวสำรองที่อบอุ่นแล้วก็สลับตัวที่ตกสแปมได้ในวันเดียวกัน [1]

ผมลองคำนวณว่าเครื่องนี้ใช้โดเมนกี่ตัว

แพ็กเกจฐาน 25,000 อีเมลต่อเดือน เท่ากับราว 833 ฉบับต่อวัน ต้องใช้โดเมนประมาณ 14 ถึง 28 โดเมน

กรณี Eden Studio 41,150 อีเมล คิดเป็นราว 1,372 ฉบับต่อวัน ต้องใช้ 23 ถึง 46 โดเมน

ส่วนเคสลูกค้าอุตสาหกรรมอาหารที่ยิงเกิน 100,000 ฉบับต่อเดือน คิดเป็นราว 3,333 ฉบับต่อวัน ต้องใช้ 56 ถึง 112 โดเมน

เขาบอกว่าโดเมนซื้อจาก Porkbun แต่ไม่ได้บอกต้นทุนรวมไว้ [1] นี่คือตัวเลขที่คนอ่านจะมองไม่เห็น และถ้าคุณคิดจะลอกระบบไปทำเอง ต้องเผื่อไว้

ขั้นที่ 6: เขียนข้อความ

ทุกฉบับมี 4 ส่วน เรียงแบบนี้ [1]

บรรทัดที่ 1  สถานการณ์ของเขา 1 บรรทัด
บรรทัดที่ 2  ข้อเสนอฟรีจากขั้นที่ 2
บรรทัดที่ 3  หลักฐานที่มีตัวเลขจริง
บรรทัดที่ 4  คำถามสั้น 1 ข้อ

ฉบับที่ดีจะจบในไม่กี่วินาทีบนหน้าจอมือถือ และไม่มีส่วนที่ 5 เพิ่มเข้ามา

อีเมลที่ดีที่สุดของเขาสำหรับแบรนด์อีคอมเมิร์ซยาว 15 ถึง 30 คำ เพราะควรอ่านจบในไม่กี่วินาทีบนมือถือ [1]

สองตัวเลขที่หักล้างความเชื่อของวงการ

ตัวแรกคืออีเมลที่ให้ AI เขียนประโยคเปิดแบบเฉพาะบุคคล ได้อัตราตอบกลับ 0.27% [1]

ส่วนอีเมลที่ใช้แค่ชื่อผู้รับได้เกิน 10% เขาเขียนตรง ๆ ว่า personalization แบบนั้นเป็นของหลอก [1]

ตัวที่สองคือการเอา Claude Code อ่านสคริปต์ 4,055 ฉบับจาก 1,160 แคมเปญ [1]

สคริปต์ที่พูดถึงโปรเจกต์และพื้นที่ของลูกค้าได้อัตราตอบกลับ 14.5% ส่วนสคริปต์ที่ไม่พูดถึงได้เพียง 1 ถึง 3% [1]

พออ่านสองตัวนี้คู่กัน ผมเห็นทางออกที่ไม่ขัดกันเอง ตัวที่แพ้คือความเฉพาะบุคคลที่ AI เดาเอาเอง ส่วนตัวที่ชนะคือรายละเอียดที่คนในกลุ่มเดียวกันใช้คำร่วมกัน

ตรงนี้ผมไม่เหมือนเขา

เขาบอกว่าการตอบกลับส่วนใหญ่มาจากอีเมลฉบับแรก [1] แต่ข้อมูลอีกด้านหนึ่งเล่าไม่ตรงกัน

การวิเคราะห์อีเมลเย็น 20 ล้านฉบับของ Woodpecker ผ่านบทความของ lemlist ระบุว่า 42% ของการตอบกลับมาจากอีเมลติดตามผล และนักขาย 48% ไม่เคยส่งอีเมลติดตามผลเลย [3]

ผมไม่รู้ว่าฝั่งไหนถูกสำหรับตลาดของคุณ แต่คุณควรรู้ว่ามีตัวเลขอีกด้านอยู่ ถ้าอ่านบทความนี้แล้วตัดสินใจไม่ทำอีเมลติดตามผล คุณอาจกำลังทิ้งการตอบกลับเกือบครึ่ง

หน้าเดียวกันยังให้ค่ากลางของทั้งแพลตฟอร์มที่ 3.43% โดยช่วง 5 ถึง 10% ถือว่าดี และเกิน 10% ถือว่ายอดเยี่ยม [3]

อีกตัวที่น่าสนใจคือลิสต์ที่เล็กกว่า 50 คนให้อัตราตอบกลับ 5.8% เทียบกับลิสต์ที่เกิน 1,000 คนซึ่งได้ 2.1% [3]

เคสอาหาร 70 วันที่เขายกมา

ลูกค้ารายนี้ขายบรรจุภัณฑ์อาหารแบบใช้ครั้งเดียว ในตลาดที่ผู้ซื้อเชื่อถือซัพพลายเออร์น้อยราย [1]

ข้อเสนอที่ใช้คือส่งเร็วขึ้น ขั้นต่ำน้อยลง และ mockup โลโก้ลูกค้าบนสินค้าฟรี [1]

ยิงเกิน 100,000 อีเมลต่อเดือน ใน 70 วันได้ 1,061 ลีด โดย 86% ผ่านเกณฑ์ใน HubSpot และปิดได้ 8 ดีล [1]

ของแถมของแคมเปญนี้คือ ข้อมูลชี้ว่ากลุ่มโบสถ์ขนาดใหญ่ก็ซื้อ ซึ่งเป็นกลุ่มที่ลูกค้าไม่เคยเล็งมาก่อน [1]

ขั้นที่ 7: โทรหาบัญชีที่ดีที่สุด

แพ็กเกจฐานของเขาคือ 25,000 อีเมลต่อเดือน กับ 500 สายต่อวัน และให้ผล 20 ถึง 30 นัดต่อเดือน [1]

คนโทรใช้ลิสต์เดียวกับแคมเปญอีเมล โดยเริ่มจากบริษัทที่คะแนนสูงสุด และในระบบจะโชว์คะแนนกับเหตุผลที่บริษัทนั้นอยู่ในลิสต์ เพื่อให้คนโทรมีเหตุผลจริงในการโทร [1]

กรณี Eden Studio 32,577 สาย ทำให้มีคนรับสาย 2,991 ราย และปิด 33 จาก 53 นัด [1]

คิดเป็นหนึ่งนัดต่อการโทรราว 987 ครั้ง เทียบกับหนึ่งนัดต่ออีเมลราว 2,058 ฉบับ [1]

สคริปต์โทรมี 3 จังหวะ คือบอกเหตุผลที่โทรโดยอิงเหตุผลที่บริษัทอยู่ในลิสต์ ถามว่าปัญหานั้นจริงกับเขาตอนนี้ไหม แล้วขอนัดในเวลาที่ระบุชัด [1]

ขั้นที่ 8: เปลี่ยนการตอบกลับเป็นนัด

ทุกการตอบกลับไหลเข้า CRM อัตโนมัติ ส่วนสายบวกส่งเข้า Slack ของคนที่ดูแลลีดนั้น [1]

เขาอ้างงานของ Velocify จากข้อมูลเกือบ 3.5 ล้านลีดว่า ลีดที่ถูกติดต่อภายในหนึ่งนาทีแปลงดีกว่าถึง 391% [1][4]

อีกข้ออ้างคืองานใน Harvard Business Review ปี 2011 ที่บอกว่าทีมซึ่งตอบภายในหนึ่งชั่วโมงมีโอกาสเข้าถึงผู้ตัดสินใจสูงกว่าเดิมราว 7 เท่า [1][5]

ข้อที่ผมว่ามีค่าที่สุดในขั้นนี้คือ การโทรตามการตอบกลับเชิงบวกให้ผลนัดเกิดขึ้นจริงราว 9 ใน 10 ครั้ง เทียบกับแค่ส่งลิงก์ปฏิทินให้ 4 ใน 10 ครั้ง [1]

และชุดเตือน 4 ครั้งระหว่างวันจองกับวันนัด ทำให้อัตราเข้าร่วมอยู่ที่ 75% ขึ้นไป [1]

ขั้นที่ 9: รายงานกลับว่าตลาดกำลังพูดอะไร

ทุกสองสัปดาห์ลูกค้าได้รายงานที่บอกอัตราตอบกลับและอัตราสนใจแยกตามกลุ่ม แยกตามตำแหน่งงาน หลักฐานชิ้นไหนได้ความสนใจ ข้อโต้แย้งที่โผล่บ่อย และกลุ่มไหนควรหยุดหรือควรเพิ่ม [1]

เหตุผลที่เขาบอกว่าให้ดูอัตราสนใจมากกว่าอัตราตอบกลับนั้นเรียบง่าย กลุ่มหนึ่งตอบเยอะได้แต่ตอบว่าไม่ซื้อ อัตราสนใจจึงบอกว่ากลุ่มไหนอยากได้สิ่งที่ลูกค้าขายจริง [1]

เคส CRAFT ที่เขายกมา ยิงไป 22,939 ราย รวม 40,447 อีเมล ได้ 538 การตอบกลับ และ 31 ลีดที่สนใจ [1]

ฟังดูน้อยจนกระทั่งเห็นผลลัพธ์ว่าได้ pipeline 4 ล้านดอลลาร์ คิดเป็นราว 129,000 ดอลลาร์ต่อลีดหนึ่งราย [1]

ขั้นที่ 10: รันเป็นรอบ 90 วัน

วันที่ 1 ถึง 21 อินบ็อกซ์อบอุ่น ลิสต์ถูกสร้าง และอีเมลชุดแรกยิงไปที่กลุ่มที่แข็งที่สุด [1]

วันที่ 21 ถึง 60 เพิ่มปริมาณและโทรเต็มกำลัง จนข้อมูลบอกว่ากลุ่มไหนได้ผล ส่วนวันที่ 60 ถึง 90 โยกปริมาณส่วนใหญ่ไปที่กลุ่มและมุมที่ดีที่สุด [1]

หลังวันที่ 90 ต้องอัปเดตลิสต์ เพราะรายชื่อในลิสต์ที่อายุ 6 เดือนมีสัดส่วน 30 ถึง 50% ที่ย้ายงานหรือเปลี่ยนข้อมูลไปแล้ว [1]

ลำดับที่เขาบอกถ้าจะทำเอง

เริ่มที่ขั้นที่ 1 ถ้าผ่านครบ 5 ข้อ ระบบที่เหลือจะทำงานได้ [1]

ถ้าขาดสองข้อขึ้นไปให้แก้ก่อน จากนั้นสร้างลิสต์ในขั้นที่ 3 ก่อนทุกอย่าง เพราะทุกขั้นหลังจากนั้นเกาะอยู่บนลิสต์ [1]

ประโยคปิดท้ายที่เขาเขียนด้วยตัวใหญ่คือ VOLUME NEGATES LUCK [1]

แล้วถ้าเอามาใช้ในเมืองไทย

ส่วนนี้ไม่มีในบทความต้นทาง แต่ผมว่าสำคัญที่สุดสำหรับคนอ่านที่อยู่ไทย

ข้อแรก PDPA ใช้กับอีเมลเย็นด้วย การตลาดทางตรงเป็นกิจกรรมที่ใช้ข้อมูลส่วนบุคคลโดยตรง จึงต้องอาศัยฐานทางกฎหมายอย่างใดอย่างหนึ่ง [6]

และถ้าใช้ความยินยอม ข้อความขอความยินยอมต้องแยกจากเงื่อนไขอื่นชัดเจน พร้อมทางถอนตัวที่ใช้ได้จริงทุกครั้งที่ส่ง [6]

ข้อที่สองคืออีกฉบับที่คนมักลืม พระราชบัญญัติขายตรงและตลาดแบบตรง พ.ศ. 2545 กำกับกิจกรรมการตลาดแบบตรงโดยตรง โดยมีสำนักงานคณะกรรมการคุ้มครองผู้บริโภคเป็นผู้ดูแล [7]

สองฉบับนี้ทำงานคู่กัน ไม่ใช่เลือกอย่างใดอย่างหนึ่ง [6]

ข้อที่สาม มุมมองของผม ระบบนี้ออกแบบบนสมมติฐานของตลาด B2B อเมริกา

คือมีรายชื่อเกิน 50,000 รายในตลาดเดียว มูลค่าสัญญาสูงกว่า 10,000 ดอลลาร์ และคนรับการติดต่อผ่านอีเมลกับโทรศัพท์

ถ้าคุณขายให้ SME ไทย ตัวเลขเหล่านั้นมักไม่ตรง และช่องทางที่ลูกค้าคุณอยู่จริงคือ LINE ไม่ใช่กล่องจดหมาย

ข้อที่สี่ที่ต้องพูดตรง ๆ ระบบนี้ถูกเล่าโดยเจ้าของระบบที่ขายทั้งบริการและคอร์ส ตัวเลขทุกตัวจึงเป็นตัวเลขจากฝั่งเขา และไม่มีผู้ตรวจสอบภายนอกรายใดยืนยันได้ [1]

ข้อที่ห้าคือเพดานทางเทคนิคของขั้นที่ 5 กูเกิลระบุชัดว่า ถ้าอัตราการแจ้งสแปมสูงกว่า 0.3% ผู้ส่งจะไม่ได้รับการสนับสนุนหรือมาตรการบรรเทาใด ๆ [2]

ผู้ส่งปริมาณมากยังต้องยืนยันตัวตน เปิดทางยกเลิกรับข่าวสาร และมีระเบียน DMARC [2]

แปลว่าฟาร์มโดเมนมีเพดานที่ค่ายเมลเป็นคนคุม ถ้าดันเกินกว่าที่ระบบรับได้ อีเมลของคุณจะไปไม่ถึงใครเลย

ก่อนลงมือ สามข้อที่ควรตอบตัวเองให้ได้

อย่างแรก คู่มือนี้ให้คำตอบเรื่องการตลาดแบบตรงของไทยแค่ระดับภาพรวม ไม่ใช่คำแนะนำทางกฎหมาย

ถ้าคุณมีฐานลูกค้าเป็นข้อมูลส่วนบุคคลอยู่แล้ว คำถามว่าฐานทางกฎหมายของคุณคืออะไรในแต่ละแคมเปญ ควรถามผู้เชี่ยวชาญของคุณเอง

อย่างที่สอง ระบบนี้หนักที่โครงสร้างพื้นฐานมากกว่าที่ข้อความ

ถ้าคุณยังไม่มีลิสต์ 50,000 รายที่ตรงลูกค้าในฝันจริง ไม่มีคนรับสาย และไม่มีงบเผื่อ 90 วันสำหรับค่าอบอุ่น การเริ่มจากขั้นที่ 6 คือเริ่มผิดที่

อย่างที่สาม ตัวเลขที่ขัดกันเรื่องอีเมลติดตามผลสอนอะไรที่ใช้ได้เกินกว่าบทความนี้

ตัวเลขจากคนที่ขายระบบ ควรถูกอ่านคู่กับตัวเลขจากคนที่ไม่ได้ขายระบบเสมอ

เอกสารอ้างอิง

[1] Christian (@coldemailchris), "How We Used Outbound To Generate $70M+ In Pipeline (FULL COURSE)", X Article เผยแพร่ผ่านโพสต์ X, 2 ตุลาคม 2026 (ค.ศ. 2026): https://x.com/coldemailchris/status/2106112818944864448

[2] Google, "Email sender guidelines", Gmail Help, เข้าถึงเมื่อ 3 ตุลาคม 2026 (ค.ศ. 2026): https://support.google.com/mail/answer/81126

[3] lemlist, "Cold Email Response Rates in 2026: Why 3.43% Is Average", lemlist Blog, เข้าถึงเมื่อ 3 ตุลาคม 2026 (ค.ศ. 2026): https://www.lemlist.com/blog/cold-email-response-rate

[4] Velocify, "Ultimate Contact Strategy", Salesforce AppExchange, เข้าถึงเมื่อ 3 ตุลาคม 2026 (ค.ศ. 2026): https://appexchange.salesforce.com/partners/servlet/servlet.FileDownload?file=00P3000000P3dgaEAB

[5] James Oldroyd, Kristina McElheran และ David Elkington, "The Short Life of Online Sales Leads", Harvard Business Review, มีนาคม 2011 (ค.ศ. 2011): https://hbr.org/2011/03/the-short-life-of-online-sales-leads

[6] Lex Bangkok, "Direct Marketing in Thailand: PDPA Rules for Businesses", Lex Bangkok, เข้าถึงเมื่อ 3 ตุลาคม 2026 (ค.ศ. 2026): https://lexbangkok.com/direct-marketing-thailand-pdpa/

[7] สำนักงานคณะกรรมการคุ้มครองผู้บริโภค, "พระราชบัญญัติขายตรงและตลาดแบบตรง พ.ศ. 2545", OCPB, เข้าถึงเมื่อ 3 ตุลาคม 2026 (ค.ศ. 2026): https://www.ocpb.go.th/news_view.php?nid=12341

บทความนี้เขียนโดย AI (deepseek-v4.1-flash) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา)