4 คำถามที่นักวิเคราะห์สถาบันใช้สแกนทั้งตลาด — และวิธีที่รายย่อยเอาไปใช้กับพอร์ตตัวเองได้เลย

มีความจริงข้อหนึ่งที่ไม่ค่อยมีใครพูดตรง ๆ กับนักลงทุนรายย่อย: นักวิเคราะห์สถาบันไม่ได้เก่งกว่าคุณเพราะเขาฉลาดกว่า แต่เพราะเขาถามคำถามคนละแบบกับคุณ

คุณเปิดงบมาแล้วถามว่า "หุ้นตัวนี้ดีไหม" ส่วนเขาถามว่า "ทั้งตลาด มีใครบ้างที่เพิ่งเริ่มพูดถึงต้นทุนวัตถุดิบที่แพงขึ้น" — คำถามแรกได้คำตอบเป็นความเห็น คำถามที่สองได้คำตอบเป็น รายชื่อ

บทความนี้ผมเขียนครั้งแรกให้หัวหน้าทีมที่ต้องตัดสินใจซื้อเครื่องมือให้ทีมอ่าน มันเลยเต็มไปด้วยเคสของฝ่ายขาย ฝ่ายกลยุทธ์ ฝ่ายสินเชื่อ และกองบรรณาธิการ — แต่พอปล่อยออกไป คนที่เขียนมาถามผมเยอะที่สุดกลับเป็น นักลงทุนรายย่อยสายพื้นฐาน ที่บอกประมาณว่า "ผมไม่ได้อยู่ฝ่ายไหนเลยสักฝ่าย แต่คำถามพวกนี้ผมอยากถามหมด"

ผมเลยเขียนใหม่รอบนี้ให้ครบทั้งสองฝั่ง — เคสสถาบันของจริงยังอยู่ทุกตัว ไม่ตัดทิ้งสักเคส เพราะมันคือหลักฐานว่าเครื่องมือนี้ถูกออกแบบมาระดับไหน แต่ผมจะเติมกล่อง "วิชานี้ในมือรายย่อย" ต่อท้ายทุกฝ่าย ว่าคำถามเดียวกันเป๊ะ ๆ นั้น เอามาใช้กับพอร์ตของคุณยังไง

สรุปให้ก่อน 5 บรรทัด

• มันทำอะไร: ถามคำชี้แจงผู้บริหารของบริษัทจดทะเบียน 921 บริษัท (ปีงบ 2564–2569) ด้วยภาษาไทยธรรมดา แล้วได้ ข้อความจริง + ลิงก์ไฟล์ 56-1 ที่ ก.ล.ต. กลับมาทุกผล
• ใครใช้อยู่: analyst desk · ทีมกลยุทธ์ · ฝ่ายวิเคราะห์สินเชื่อ · กองบรรณาธิการเศรษฐกิจ — และรายย่อยที่ยืมคำถามของพวกเขาไปใช้
• เริ่มยังไง: ลองฟรีไม่ต้องผูกบัตร (10 เครดิต/วัน) → DELTA ฿799/เดือน (ย้อนหลัง 4 ปี · 150 เครดิต/วัน) → GAMMA ฿1,399/เดือน (6 ปี · 350 เครดิต/วัน) · รายปี = จ่าย 10 เดือน
• ระดับองค์กร: ALPHA เริ่มต้น ฿9,900/เดือน — หลาย seat · ส่งออก Excel ทั้งชุด · API · 1,500 เครดิต/วัน (หน้า Enterprise)
• คุยกับใคร: ผมเอง — contact@boomleverage.com (Varanchai — เคยทำ model risk / credit risk quant ในแบงก์ไทย เครื่องมือนี้โตมาจากงานนั้น)

แผนที่ของบทความนี้ — 4 คำถาม 2 สนาม

ก่อนลงรายละเอียด นี่คือทั้งบทความย่อในตารางเดียว ซ้ายคือสิ่งที่สถาบันจ่ายเงินซื้อ ขวาคือสิ่งที่คุณเอาไปทำกับพอร์ตตัวเองได้ ด้วยคำค้นเดียวกันเป๊ะ

สองคอลัมน์นี้ไม่ได้ใช้ระบบคนละตัว มันคือกล่องค้นหาช่องเดียวกัน ต่างกันแค่คุณตั้งใจจะเอาคำตอบไปทำอะไร

เครื่องมือนี้ทำงานยังไง (สั้น ๆ ก่อน)

MD&A คือส่วน "คำอธิบายและการวิเคราะห์ของฝ่ายจัดการ" ในแบบ 56-1 One Report — เป็นภาษาบรรยายที่ผู้บริหารเล่าว่าเกิดอะไรขึ้นและกำลังจะเกิดอะไร มันเป็นเอกสารสาธารณะที่บริษัทจดทะเบียนต้องเปิดเผยตามกฎ แปลว่าของชิ้นนี้คุณเข้าถึงได้เท่ากับสถาบันทุกประการ ต่างกันแค่ใครมีเวลาอ่าน 921 บริษัทย้อนหลัง 6 ปี

เหตุผลที่คนสาย risk ให้ค่ากับมันมาก เพราะ MD&A เป็นข้อความที่ "โกหกยากแต่เลี่ยงเก่ง" — ผู้บริหารมักไม่โกหกตรง ๆ แต่จะเลือกใช้คำ เลือกเน้น เลือกเงียบ และการเปลี่ยนแปลงของถ้อยคำเหล่านี้ระหว่างปีต่อปีคือสัญญาณ ผมเจอแพตเทิร์นนี้ชัดมากตอนสร้างระบบเตือนภัยล่วงหน้าจากข้อความ (NLP early warning)ในแบงก์ — ปัญหาสินเชื่อหลายเคสส่งสัญญาณผ่าน "วิธีเล่า" ก่อนที่ตัวเลขจะเสียจริง

จุดต่างของเครื่องมือค้น MD&A ทั้งตลาดตัวนี้คือมันเป็น semantic search — ค้นด้วย "ความหมาย" ไม่ใช่ "คำเป๊ะ" คุณพิมพ์คำถามเป็นภาษาไทยธรรมดา ระบบไปเทียบความหมายกับคำชี้แจงผู้บริหารของบริษัทจดทะเบียน 921 บริษัท ครอบคลุมปีงบ 2564–2569 แล้วคืน "ท่อนที่ใกล้เคียงที่สุด" พร้อมชื่อบริษัท ปี และลิงก์ต้นฉบับ ทำไมมันสำคัญกว่าการกด Ctrl-F ผมอธิบายไว้ในsemantic search ต่างจากค้นคำเป๊ะยังไง

ลองดูว่าคำถามหนึ่งคำถามมันกระจายออกไปยังไง:

คำถามเดียวของคุณ  →  "ใครกำลังโดนบีบต้นทุนวัตถุดิบ"
        │
        ▼
เทียบ "ความหมาย" กับคำชี้แจงผู้บริหาร 921 บริษัท × ปีงบ 2564–2569
        │
        ├─ บริษัทเขียนว่า "raw material cost increased"     ✓ เจอ
        ├─ บริษัทเขียนว่า "แรงกดดันด้านต้นทุนการผลิต"        ✓ เจอ
        ├─ บริษัทเขียนว่า "ราคาเม็ดพลาสติกปรับสูงขึ้น"       ✓ เจอ
        │        └─ ทั้งสามท่อนไม่มีคำว่า "วัตถุดิบแพง" สักคำ
        ▼
ด่านตรวจ: ท่อนนี้อยู่ในไฟล์ 56-1 จริงไหม แบบคำต่อคำ
        ├─ ผ่าน    → แสดง + ลิงก์ต้นฉบับ ก.ล.ต. ให้กดอ่านเอง
        └─ ไม่ผ่าน → กักไว้ + บอกว่ากักกี่รายการ เพราะอะไร
        ▼
คุณได้ "รายชื่อบริษัท + ประโยคจริงของเขา" ไม่ใช่บทสรุปของ AI

บนหน้าเว็บ คุณแค่พิมพ์คำถามภาษาไทยในช่องค้นหา ไม่ต้องเขียนโค้ด แต่เพื่อให้เห็นว่าเบื้องหลังคืออะไร ตลอดบทความนี้ผมจะแปะโค้ดแนวคิด (conceptual) กำกับไว้ด้วย — โครงสร้างการถาม 1 ครั้งหน้าตาประมาณนี้ (API มีจริงแล้ววันนี้ สำหรับทีมที่อยากต่อเข้า pipeline เดิม — อยู่ในแพ็ก ALPHA องค์กร คุยได้ที่ หน้า Enterprise):

# ตัวอย่างเชิงแนวคิด — บนหน้าเว็บพิมพ์คำถามไทยได้เลย โค้ดนี้แค่ให้เห็นเบื้องหลัง
from boomleverage import mdna

hits = mdna.search("สร้างโรงงานใหม่", top_k=5)   # ถามด้วยภาษาคน

for r in hits["results"]:
    print(r["ticker"], f"ปี {r['fy']}", r["period"])   # บริษัท + ปี + ไตรมาส
    print(r["snippet_verbatim"])                         # ข้อความจริงจาก MD&A (verbatim)
    print(r["source_url"])                               # ลิงก์ไฟล์ 56-1 ต้นฉบับ ก.ล.ต.

หัวใจอยู่ที่ฟิลด์ snippet_verbatim + source_url — ทุกคำตอบยกข้อความต้นฉบับมาแบบไม่ดัดแปลง พร้อมลิงก์ไฟล์จริงให้กดกลับไปอ่านบริบทเต็มและตรวจเอง ไม่ใช่ AI สรุปให้ฟังดูดีแต่ชี้ที่มาไม่ได้ (จุดนี้คือเส้นตายของงาน research การเงิน — และเป็นเส้นเดียวกันที่กันไม่ให้คุณซื้อหุ้นด้วยตัวเลขที่ไม่เคยมีอยู่จริง)

หน้าตาเครื่องมือจริง: พิมพ์คำถามภาษาไทยในช่องเดียว ระบบจะยกข้อความจาก MD&A ของบริษัทที่พูดถึงเรื่องนั้นทั้งตลาด พร้อมไฮไลต์ส่วนที่ตรงคำถามและลิงก์ต้นฉบับให้ตรวจ

กางข้อจำกัดก่อนโชว์ผล: ทุกเคสข้างล่างมาจากระบบที่รันจริง ดัชนีวันนี้ครอบคลุม 921 บริษัท ทั้ง SET และ mai ปีงบ 2564–2569 คือทุกบริษัทที่ยื่นเอกสารเข้ามาในแต่ละปีงบนั้น — ข้อจำกัดที่เหลือไม่ใช่ coverage แต่คือความลึกที่คุณเห็น ซึ่งขึ้นกับแพ็ก (ฟรี ~1 ปีกว่า · DELTA 4 ปี · GAMMA 6 ปี)

เอาล่ะ มาดูทีละฝ่าย

ฝ่ายที่ 1 — ทีมขาย / Business Development (B2B) — เลิกโทรสุ่ม ยิงตรงบริษัทที่กำลังลงทุน

สมมติผมเป็นเซลส์ ที่ขายระบบ IT/ซอฟต์แวร์ช่วย "ลดต้นทุน" หรือขายงานให้บริษัทรับเหมา/ผู้ผลิตเครื่องจักร ปัญหาคลาสสิกของเซลส์ B2B คือ "โทรสุ่ม" — ยิงมั่วไปร้อยสาย เจอคนที่ "กำลังต้องการพอดี" ไม่กี่ราย

ทีนี้ลองกลับหัวคิด แทนที่จะสุ่ม ผมถามตลาดตรง ๆ ว่า "ใครกำลังจะสร้างโรงงานใหม่" — เพราะบริษัทที่กำลังลงทุนขยายกำลังการผลิต คือลูกค้าที่มีทั้งงบและความต้องการจริง (เครื่องจักร, ระบบ IT, งานก่อสร้าง, สินเชื่อโครงการ)

leads = mdna.search("สร้างโรงงานใหม่", top_k=10)
for r in leads["results"]:
    print(f"{r['ticker']} (ปี {r['fy']} {r['period']}) → {r['source_url']}")

ผลจริงจากระบบ — บริษัทแรกที่เด้งขึ้นมาคือ KCE (KCE Electronics) และที่น่าสนใจกว่านั้นคือมันเด้งขึ้นมา หลายปีติดกัน เพราะบริษัทพูดเรื่องโรงงานใหม่ต่อเนื่องตั้งแต่ปี 2022 ถึง 2025:

KCE · ปี 2024 (ไตรมาส 1): "...machinery, focusing on incorporating new innovations to ensure the new factory is modern and able to meet customer demands efficiently. The goal is to have high production efficiency, reduce energy consumption, and use resources efficiently..."

KCE · ปี 2022 (ทั้งปี): "The new factory construction has already started since Q4'2022, more progress of this project will be continually updated."

— ข้อความบางส่วน (verbatim) จาก MD&A ของ KCE · ตรวจต้นฉบับได้ที่ ไฟล์ 56-1 ปี 2024/Q1 ก.ล.ต.

ค้น "สร้างโรงงานใหม่" บนเครื่องมือจริง — เห็น KCE พูดถึงโรงงานใหม่ต่อเนื่องหลายปี ไล่ไทม์ไลน์การขยายได้ทั้งเส้น ทุกใบมีลิงก์ต้นฉบับ 56-1

ทำไมมันเป็นเงิน: เซลส์ที่ได้รายชื่อนี้มาไม่ได้แค่รู้ว่า "KCE กำลังสร้างโรงงาน" แต่เห็น ไทม์ไลน์ทั้งเส้น ว่าโครงการเริ่มไตรมาสไหน คืบหน้าถึงไหน ใช้คำว่าอะไร แล้วหยิบโทรศัพท์โทรไปตอนที่จังหวะกำลังพอดี — พร้อม context ที่ทำให้บทสนทนาไม่ใช่ cold call แต่เป็น "ผมเห็นว่าบริษัทกำลังขยายกำลังการผลิต..." นี่คือความต่างระหว่างเซลส์ที่ปิดได้กับเซลส์ที่โดนวางสาย

🎯 วิชานี้ในมือรายย่อย — อ่านรอบลงทุนก่อนมันโผล่ในงบ

คำค้นเดียวกันเป๊ะ แต่คุณไม่ได้จะไปขายของให้ KCE คุณกำลังดูว่า บริษัทนี้อยู่ช่วงไหนของรอบลงทุน ซึ่งเป็นเรื่องที่งบการเงินบอกคุณ ช้ากว่า คำพูดผู้บริหารเสมอ

การเห็นไทม์ไลน์ capex ทั้งเส้นแปลว่าคุณอ่านได้ว่า: ช่วงกำลังสร้าง = เงินไหลออก ค่าเสื่อมกำลังจะมา กระแสเงินสดตึงชั่วคราว → ส่วนช่วงหลังสร้างเสร็จ = กำลังการผลิตใหม่เริ่มเดิน รายได้มีที่มาใหม่ คนที่รู้ว่าบริษัทอยู่จุดไหนของเส้นนี้ กับคนที่เห็นแค่กำไรไตรมาสล่าสุดตกแล้วตกใจขายทิ้ง คือคนละคนกัน

และคำถามที่ทรงพลังกว่าคือถามย้อน — "บริษัทไหนเคยประกาศขยายกำลังการผลิตแล้วปีนี้เงียบไป" เพราะโครงการที่หายไปจากปากผู้บริหาร มักมีเหตุผลที่ไม่มีใครแถลง

ฝ่ายที่ 2 — ทีมกลยุทธ์ / Market Intelligence — รู้ว่าคู่แข่งเจ็บตรงไหน โดยไม่ต้องจ้างบริษัทวิจัย

สมมติผมเป็นผู้อำนวยการฝ่ายกลยุทธ์ของบริษัทผลิตสินค้าอุปโภคบริโภค ผมอยากรู้ว่าคู่แข่งในอุตสาหกรรมเดียวกันกำลังเจอแรงกดดันเรื่องอะไร โดยเฉพาะ ต้นทุน — เพราะถ้ารู้ว่าคู่แข่งกำลังโดนบีบมาร์จิ้น ผมวางเกมราคา/โปรโมชั่นได้เปรียบ

ผมค้น "ต้นทุนบรรจุภัณฑ์" เพื่อดูว่าใครในสายผลิต-แพ็กเกจจิ้งกำลังพูดถึงแรงกดดันต้นทุน:

intel = mdna.search("ต้นทุนบรรจุภัณฑ์", top_k=5)
top = intel["results"][0]
print(top["ticker"], top["fy"], top["period"])
print(top["snippet_verbatim"])

ผลจริง — อันดับหนึ่งคือ MBAX (Multibax ผู้ผลิตบรรจุภัณฑ์พลาสติก) และมันไม่ได้บอกแค่ "ต้นทุนขึ้น" แต่ให้ตัวเลขมาร์จิ้นมาเลย:

MBAX · ปี 2025 (ไตรมาส 1): "These factors resulted to the higher raw materials cost used in production and the cost of sales. Nevertheless, the company continuously controlled the expenses proportionately... the gross profit for the first quarter of 2025 had been recorded at 35.40 million Baht, increased by 6.16 million baht or 21.07 percent."

— verbatim จาก MD&A ของ MBAX · ต้นฉบับ ก.ล.ต.

อยากเจาะลึกกว่านั้น? ค้น "วัตถุดิบแพง" จะเจอ SITHAI (ศรีไทยซุปเปอร์แวร์) ที่ระบุ ชนิดวัตถุดิบเป๊ะ ๆ ว่าตัวไหนใช้ทำอะไร:

SITHAI · ปี 2023 (ไตรมาส 3): "In Q3/2023, main raw material prices were lower than the same quarter... PP COPO for paint pails, containers, and battery cases - PP HOMO for furniture - HDPE for pallets, garbage bins, crates... - PET for preform"

— verbatim จาก MD&A ของ SITHAI · ต้นฉบับ ก.ล.ต.

ค้น "ต้นทุนบรรจุภัณฑ์" บนเครื่องมือจริง — เห็นทั้งมาร์จิ้นและวิธีคุมต้นทุนของคู่แข่งในสายเดียวกัน จากปากผู้บริหารเขาเอง

ทำไมมันเป็นเงิน: นี่คือ competitive intelligence ระดับที่ปกติต้องจ้างบริษัทวิจัยตลาดเป็นหลักแสน — คุณรู้มาร์จิ้นคู่แข่ง รู้ว่าเขาแบกต้นทุนวัตถุดิบตัวไหน รู้ว่าเขาคุมค่าใช้จ่ายทันหรือไม่ ทั้งหมดจากปากผู้บริหารเขาเอง (ไม่ใช่การเดา) และเทียบข้ามปีได้ว่าน้ำเสียงเปลี่ยนไปทางไหน

🎯 วิชานี้ในมือรายย่อย — สแกนหาหุ้นในพอร์ตที่กำลังจะโดนบีบกำไร

นี่คือเคสที่ผมคิดว่าตรงกับรายย่อยที่สุดในบทความ และผมอยากให้ลองจริง

มาร์จิ้นที่หดไม่เคยหดแบบไม่มีสัญญาณ — มันมาเป็นลำดับเสมอ: ต้นทุนขึ้นก่อน → ผู้บริหารเริ่มพูดถึงมันใน MD&A → มาร์จิ้นในงบเพิ่งจะหด → ราคาหุ้นเพิ่งจะตอบสนอง คนส่วนใหญ่เข้ามารู้ตัวที่ขั้นที่ 3 หรือ 4 ทั้งที่ขั้นที่ 2 เป็นเอกสารสาธารณะที่เปิดอ่านได้ฟรี

เส้นเวลาของมาร์จิ้นที่กำลังจะโดนบีบ

  ① ต้นทุนวัตถุดิบขึ้นจริงในโลก
        │  (ยังไม่มีใครในตลาดหุ้นพูดถึง)
        ▼
  ② ผู้บริหารเขียนไว้ใน MD&A  ←──── ⭐ คุณเข้ามาอ่านตรงนี้ได้ ฟรี และเป็นทางการ
        │  "ราคาวัตถุดิบหลักปรับตัวสูงขึ้น..."
        ▼
  ③ มาร์จิ้นหดให้เห็นในงบไตรมาสถัดไป
        │  (นักวิเคราะห์เริ่มออกบทวิเคราะห์)
        ▼
  ④ ราคาหุ้นตอบสนอง ← คนส่วนใหญ่รู้ตัวตอนนี้

วิธีทำจริงกับพอร์ตคุณ — ค้น ต้นทุนวัตถุดิบแพง แล้วดูว่ามีตัวไหนในพอร์ตคุณโผล่มาไหม ถ้าโผล่ ให้ทำต่ออีกสองก้าว:

1. กดลิงก์ต้นฉบับอ่านบริบทเต็ม — เขาบอกว่าส่งผ่านต้นทุนให้ลูกค้าได้ไหม หรือแบกเอง (สองอย่างนี้จบไม่เหมือนกันเลย) เคส MBAX ข้างบนคือตัวอย่างชั้นดี: ต้นทุนขึ้นจริง แต่กำไรขั้นต้นยังเพิ่ม 21.07% เพราะคุมค่าใช้จ่ายทัน — ถ้าอ่านแค่พาดหัวว่า "ต้นทุนขึ้น" แล้วขายทิ้ง คุณอ่านผิด
2. เทียบข้ามปี — ปีก่อนเขาพูดเรื่องนี้ด้วยไหม น้ำเสียงหนักขึ้นหรือเบาลง การที่ปีนี้เริ่มพูดทั้งที่ปีก่อนไม่พูด มีน้ำหนักกว่าการพูดซ้ำทุกปีมาก

และแบบที่แรงที่สุดคือ ค้นแล้วดูทั้ง sector พร้อมกัน — ถ้าคู่แข่งในกลุ่มเดียวกันพูดเรื่องต้นทุนกันหมดยกเว้นตัวที่คุณถือ นั่นอาจแปลว่าเขาได้เปรียบเชิงโครงสร้างจริง หรืออาจแปลว่าเขาแค่ยังไม่พูด — ทั้งสองอย่างคือคำถามที่ควรตามต่อ ไม่ใช่ข้อสรุป

ฝ่ายที่ 3 — ฝ่ายวิเคราะห์สินเชื่อ / Credit Risk — Early Warning ก่อนหนี้จะกลายเป็น NPL

อันนี้คือบ้านเกิดของเครื่องมือ สมมติผมเป็นเจ้าหน้าที่สินเชื่อ (loan officer / credit risk) ที่ดูแลพอร์ตลูกหนี้บริษัทใหญ่ สิ่งที่แบงก์ต้องการที่สุดคือ Early Warning System — จับสัญญาณตึงตัวก่อนที่หนี้จะเสีย เพราะถ้ารู้ก่อน แบงก์เข้าไประงับวงเงินหรือเรียกคุยปรับโครงสร้างได้ทัน

ผมค้นภาษาที่บ่งบอกความตึงตัวเรื่องหนี้ เช่น "เลื่อนการชำระหนี้":

watch = mdna.search("เลื่อนการชำระหนี้", top_k=8)
for r in watch["results"]:
    print(r["ticker"], r["fy"], r["period"], "→", r["source_url"])

ผลจริง — ระบบดึงข้อความที่พูดถึงการปรับโครงสร้างหนี้ขึ้นมา เช่นของ BAM (บริหารสินทรัพย์ กรุงเทพพาณิชย์) ที่อธิบายโปรแกรมพักหนี้/ลดต้นแบบเป็นขั้นเป็นตอน:

BAM · ปี 2025 (ไตรมาส 2): "Monthly payments are reduced... Interest is suspended for 3 years, and if the debtor complies with all program conditions, the suspended interest will be fully waived... 'Pay, Deal, Complete' – Relaxed debt restructuring terms... For debtors with unsecured NPLs (e.g., credit cards, personal loans), debts are restr..."

— verbatim จาก MD&A ของ BAM · ต้นฉบับ ก.ล.ต.

ค้น "เลื่อนการชำระหนี้" บนเครื่องมือจริง — กวาดทั้งพอร์ตลูกหนี้ในครั้งเดียว หาภาษาหนี้ตึงก่อนที่จะกลายเป็น NPL

ทำไมมันเป็นเงิน: สำหรับสายสินเชื่อ การค้นด้วยภาษาความเสี่ยง — "สภาพคล่อง", "ค่าเผื่อหนี้สงสัยจะสูญ", "เงื่อนไขเงินกู้ (covenant)", "refinance" — แล้วกวาดทั้งพอร์ตลูกหนี้ในครั้งเดียว คือการย่นงานที่ทีมทำมือทั้งวันให้เหลือคำถามเดียว แบงก์มีงบจ่ายค่าเครื่องมือประเภทนี้ปีละหลักล้าน เพราะ NPL หนึ่งรายที่จับได้ทันคุ้มค่าเครื่องมือทั้งปี ผมเคยเล่าเบื้องหลังการสร้างระบบเตือนภัยจากข้อความในแบงก์ไว้ที่NLP Early Warning System

🎯 วิชานี้ในมือรายย่อย — ภาษาการเงินตึง คือธงแดงที่มาก่อนข่าวผิดนัดชำระ

ถ้ามีวิชาเดียวจากบทความนี้ที่ผมอยากให้รายย่อยหยิบไป ผมเลือกข้อนี้ เพราะ ความเสียหายจากการถือหุ้นที่งบพัง มันไม่สมมาตร — กำไรที่พลาดไปคือเสียโอกาส แต่บริษัทที่มีปัญหาชำระหนี้จริงคือเสียต้นทุน

แบงก์เรียกงานนี้ว่า early warning และมันไม่ใช่เวทมนตร์ มันคือการอ่านว่า บริษัทเริ่มใช้ภาษาของคนที่กำลังหาเงินมาโปะหรือยัง ลองไล่คำพวกนี้กับหุ้นในพอร์ต (โดยเฉพาะตัวที่ D/E สูงหรือมีหุ้นกู้ครบกำหนด):

ความยาวของคำอธิบายคือสัญญาณในตัวมันเอง — บริษัทที่สภาพคล่องปกติจะเขียนเรื่องนี้สั้น ๆ ส่วนบริษัทที่กำลังตึงมักเขียนยาว มีแผนสำรอง มีคำรับรอง นั่นคือสิ่งที่คนทำสินเชื่ออ่านออกก่อนตัวเลขจะเสีย

ข้อจำกัดที่ผมต้องพูดให้ชัด เพราะมันสำคัญกว่าการขายของ: วิธีนี้จับได้เฉพาะ สิ่งที่บริษัทเขียนลงเอกสาร เท่านั้น ถ้าบริษัทตั้งใจปกปิดหรือตกแต่งบัญชี MD&A จะไม่เตือนคุณ — เพราะคนเขียนคือคนเดียวกับคนที่ปกปิด ห้ามใช้เครื่องมือนี้เป็นเครื่องรับประกันว่าหุ้นตัวไหนปลอดภัย มันเป็นตัวช่วยหาว่า "ควรไปอ่านตรงไหนต่อ" ไม่ใช่ตัวตัดสินแทนคุณ

ฝ่ายที่ 4 — กองบรรณาธิการเศรษฐกิจ — หาพาดหัวที่มีหลักฐาน ในเวลาไม่กี่นาที

สมมติผมเป็นนักข่าวเศรษฐกิจ ที่ต้องปั่นบทความให้ทันกระแสทุกวัน โจทย์คือหา "มุมข่าว" ที่มีของจริงรองรับ ไม่ใช่ความเห็นลอย ๆ

พอมีประเด็นร้อนอย่าง "สินค้าจีนทะลัก" หรือนโยบายจีนดันบริโภคในประเทศ ผมค้น "นำเข้าสินค้าจีน" เพื่อดูว่าบริษัทไทยไหนพูดถึงผลกระทบนี้ในคำชี้แจงผู้บริหารบ้าง:

angle = mdna.search("นำเข้าสินค้าจีน", top_k=10)
for r in angle["results"]:
    print(f"- {r['ticker']} (ปี {r['fy']}): {r['snippet_verbatim'][:80]}...")

ผลจริง — เจอ BEAUTY (Beauty Community) ที่พูดถึงผลกระทบตรง ๆ ว่าตลาดจีนเปลี่ยนพฤติกรรมไปซื้อสินค้าจีนแทนสินค้านำเข้า:

BEAUTY · ปี 2021 (ไตรมาส 2): "For the overseas market, particularly the Chinese market, most customers now switch to buying more Chinese-made products online in response to the government's policy aiming to promote consumption of domestic products and thus imposing more restriction on foreign imported goods..."

— verbatim จาก MD&A ของ BEAUTY · ต้นฉบับ ก.ล.ต.

ค้น "นำเข้าสินค้าจีน" บนเครื่องมือจริง — ได้วัตถุดิบเขียนข่าวพร้อม quote จากบริษัทและลิงก์ 56-1 ให้อ้างอิงได้ทันที

ทำไมมันเป็นเงิน (และเป็น PR ให้เราด้วย): นักข่าวถามคำถามเดียว ได้วัตถุดิบพอเขียนพาดหัวแบบ "เปิดโผบริษัทไทยที่โดนพิษนโยบายจีนดันบริโภคในประเทศ" — พร้อม quote จากบริษัท + ลิงก์ 56-1 ต้นฉบับ ให้อ้างอิงได้ทันที งานที่เคยต้องไล่อ่านรายงานเป็นสิบฉบับ เหลือไม่กี่นาที

🎯 วิชานี้ในมือรายย่อย — จับธีมทั้ง sector ก่อนมันกลายเป็นพาดหัว

สังเกตว่านักข่าวกับนักลงทุนทำงานคล้ายกันมาก ต่างกันแค่ปลายทาง — นักข่าวหาธีมเพื่อเขียน คุณหาธีมเพื่อจัดพอร์ต

เวลาคุณเห็นข่าวมหภาค (ค่าเงิน ภาษี นโยบายต่างประเทศ ราคาพลังงาน) คำถามที่ทำเงินไม่ใช่ "ข่าวนี้ดีหรือร้าย" แต่คือ "บริษัทไหนบ้างที่เขียนไว้เองว่าโดนผลกระทบนี้ และเขียนไว้ตั้งแต่เมื่อไหร่" — ซึ่งเป็นคำถามที่ตอบได้ด้วยการค้นครั้งเดียว

ที่สำคัญคือคุณจะเห็น ลำดับก่อนหลัง ว่าบริษัทไหนพูดถึงเรื่องนี้ตั้งแต่ปี 2021 และบริษัทไหนเพิ่งมาพูดปี 2025 — ตัวแรกคือคนที่เห็นก่อนและน่าจะปรับตัวไปแล้ว ตัวหลังคือคนที่เพิ่งโดน นี่คือข้อมูลที่พาดหัวข่าวไม่เคยบอกคุณ เพราะข่าวเล่าเหตุการณ์ ไม่ได้เล่าไทม์ไลน์ของแต่ละบริษัท

จุดร่วมของทั้ง 4 ฝ่าย: ทำไมทั้งสถาบันและรายย่อยถึงได้ของเดียวกัน

สังเกตว่าทั้ง 4 ฝ่ายใช้ "เครื่องมือเดียวกัน" แต่ได้คุณค่าคนละแบบ เพราะมันแก้ปัญหาเดียวกันที่ทุกคนเจอ — ไม่ว่าคุณจะเป็นแบงก์หรือคนเล่นหุ้นคนเดียวที่บ้าน นั่นคือ "เอกสารมีค่าอยู่ทั้งตลาด แต่ไม่มีใครมีเวลาอ่านครบ" และมันแก้ด้วย 3 อย่างที่หาไม่ได้จากการกด Ctrl-F หรือถาม chatbot ทั่วไป:

• ถามด้วยภาษาคน ไม่ใช่คำเป๊ะ — พิมพ์ "ใครกำลังลดพนักงาน" ได้ผลแม้บริษัทเขียนว่า "ปรับโครงสร้างองค์กร" หรือ "reduced workforce" เพราะระบบเทียบความหมาย ไม่ใช่ตัวอักษร (อ่านว่าต่างจาก keyword search ยังไง)
• กวาดทั้งตลาด ย้อนหลังหลายปี ในครั้งเดียว — 921 บริษัทจดทะเบียน ปีงบ 2564–2569 เห็นภาพว่าใครพูดก่อน ใครเปลี่ยนท่าที เทียบข้ามปีได้ ไม่ใช่อ่านทีละไฟล์
• สิ่งที่ยืนยันกับต้นฉบับไม่ได้ เราไม่แสดง — ทุกบรรทัดที่ขึ้นมายกข้อความต้นฉบับ (verbatim) + ชื่อบริษัท + ปี + ลิงก์ไฟล์ 56-1 ที่ ก.ล.ต. เผยแพร่ ส่วนที่จับคู่กลับไปที่ไฟล์แบบคำต่อคำไม่ได้จะถูกกักไว้ แล้วระบบบอกเองว่ากักกี่รายการเพราะอะไร

ข้อสุดท้ายคือหัวใจ และเป็นข้อที่ เปลี่ยนคำถามจาก "เชื่อ AI ได้ไหม" เป็น "ตรวจได้เร็วแค่ไหน" — งานการเงินแพ้ไม่ได้เรื่องความถูกต้อง เครื่องมือที่ดีต้องทำให้คุณ "ตรวจได้เร็วขึ้น" ไม่ใช่ "เชื่อโดยไม่ต้องตรวจ"

ปกติของแบบนี้ราคาเท่าไหร่ — และทำไมผมเปิดให้รายย่อยใช้

ตรงนี้ผมจะพูดเรื่องเงินตรง ๆ เพราะมันคือเหตุผลที่บทความนี้มีอยู่

เครื่องมือที่ทำสิ่งที่คุณเพิ่งอ่านมาทั้งหมด ปกติมันอยู่ในโลกของสถาบัน — competitive intelligence ระดับนั้นคือการจ้างบริษัทวิจัยเป็นหลักแสน ส่วน early warning จากข้อความคือระบบที่แบงก์ตั้งทีม data science ขึ้นมาสร้างท่อเอง กว่าจะได้ใช้จริงคือหลายเดือน หลายคน หลายล้าน

ผมรู้เพราะผมเคยเป็นคนสร้างท่อนั้นในแบงก์เอง

และของที่ผมสร้างรอบนี้ก็ยังขายให้องค์กรอยู่จริง — แพ็ก ALPHA องค์กร เริ่มต้น ฿9,900/เดือน (หลาย seat · ส่งออก Excel ทั้งชุด · API ต่อเข้าระบบเดิม · 1,500 เครดิต/วัน) นั่นคือราคาที่สะท้อนว่าเบื้องหลังมันเป็นของระดับไหน

แต่ความจริงข้อหนึ่งที่ผมอยากให้เห็นคือ ต้นทุนที่แพงของเครื่องมือแบบนี้ อยู่ที่การ "สร้างท่อ" ไม่ใช่การ "ถามคำถาม" — พอท่อสร้างเสร็จแล้ว การที่มีคนถามเพิ่มอีกคนแทบไม่มีต้นทุนเพิ่ม เพราะฉะนั้นการหวงไว้ให้เฉพาะองค์กรจ่ายแพงจึงไม่ใช่เรื่องของต้นทุน แต่เป็นเรื่องของการตั้งราคาล้วน ๆ

ผมเลยเปิดหน้าเว็บให้ถามคำถามเดียวกัน บนดัชนีเดียวกัน ด้วยด่านตรวจต้นฉบับชุดเดียวกัน:

ต่างกันที่ seat, ปริมาณ และความลึก ไม่ใช่ต่างกันที่คุณภาพของคำตอบ — บรรทัดที่รายย่อยเห็น เป็นบรรทัดเดียวกับที่ผ่านด่านตรวจชุดเดียวกันกับที่องค์กรเห็น

5 คำถามที่ก็อปไปตั้งเป็นมาตรฐานของตัวเองได้เลย

สิ่งที่ทำให้ได้ผลจริงไม่ใช่เครื่องมือ แต่คือ ชุดคำถามที่ถามเหมือนกันทุกครั้ง — ไม่งั้นถามคนละแบบทุกรอบ แล้วผลที่ได้เทียบกันไม่ได้ นี่คือกรอบ 5 ข้อที่ผมใช้จริงตั้งแต่ตอนอ่าน MD&A ทีละบริษัทในแบงก์ ก็อปไปตั้งเป็น checklist ประจำตัว (หรือประจำฝ่าย) ได้เลย:

• 1. น้ำเสียงเปลี่ยนไปไหมเทียบกับปีก่อน — คำที่เคย "มั่นใจ/เติบโตแข็งแกร่ง" กลายเป็น "ระมัดระวัง/ท้าทาย/ติดตามใกล้ชิด" ไหม การลดระดับความมั่นใจคือสัญญาณแรกสุดและมักมาก่อนตัวเลข ถามว่า: "บริษัทไหนเปลี่ยนน้ำเสียงจากมั่นใจเป็นระมัดระวังเรื่องยอดขายหรือกำลังซื้อ"
• 2. เริ่มพูดถึงแรงกดดันต้นทุน/มาร์จิ้นเมื่อไหร่ — ต้นทุนพลังงาน วัตถุดิบ ค่าแรง หรือดอกเบี้ยที่สูงขึ้น มักถูกพูดถึงใน MD&A ก่อนที่มาร์จิ้นจะหดในงบ ถามว่า: "บริษัทไหนเริ่มพูดถึงต้นทุนพลังงานหรือภาระดอกเบี้ยที่สูงขึ้น"
• 3. พูดถึงสภาพคล่องและหนี้อย่างไร — มองหาคำเรื่องการ refinance, เงื่อนไขเงินกู้ (covenant), หรือการบริหารกระแสเงินสด ยิ่งอธิบายยาวและป้องกันตัวมาก ยิ่งควรสนใจ ถามว่า: "บริษัทไหนพูดถึงความกังวลเรื่องการ refinance หรือภาระหนี้ที่เพิ่มขึ้น"
• 4. โทษปัจจัยภายนอกหรือรับว่าเป็นเรื่องที่คุมได้ — เวลาผลไม่ดี ผู้บริหาร attribution ไปที่ "เศรษฐกิจ/ค่าเงิน/ปัจจัยที่ควบคุมไม่ได้" ทั้งหมด หรือยอมรับส่วนที่เป็นการบริหารเอง ความตรงไปตรงมา (candor) คือสัญญาณคุณภาพการบริหาร ถามว่า: "บริษัทไหนอธิบายผลประกอบการที่อ่อนแอโดยโทษปัจจัยภายนอกเป็นหลัก"
• 5. เรื่องอะไรที่เคยพูดทุกปีแล้วปีนี้หายไป — สิ่งที่ "หายไป" มักสำคัญกว่าสิ่งที่เพิ่มเข้ามา โครงการที่เคยโปรโมต ลูกค้ารายใหญ่ที่เคยเอ่ยถึง หรือเป้าหมายที่เคยย้ำ ถ้าจู่ ๆ เงียบ นั่นคือคำถามที่ต้องตามต่อ ถามว่า: "บริษัทไหนเคยพูดถึงการขยายกำลังการผลิตแล้วปีนี้ไม่พูดถึงอีก"

มุมคนทำ model validation: สังเกตว่าไม่มีข้อไหนถามว่า "หุ้นตัวไหนดี" — ทั้ง 5 ข้อเป็นการหา สัญญาณความเสี่ยง ไม่ใช่การบอกให้ซื้อหรือขาย นี่คือกรอบเดียวกับที่ใช้ประเมินความเสี่ยงลูกหนี้ในแบงก์ ต่างแค่เอามาใช้กับเอกสารเปิดเผยของบริษัทจดทะเบียน และสำหรับรายย่อย กรอบแบบนี้มีข้อดีที่คนไม่ค่อยพูดถึง — มันบอกคุณว่าเมื่อไหร่ควร "ไม่ทำอะไร" ซึ่งเป็นการตัดสินใจที่ทำเงินมากที่สุดในระยะยาว

ทำไมต้องมีเครื่องมือ: คำถาม 5 ข้อนี้ใช้กับหนึ่งบริษัททำเองได้สบาย เปิด MD&A ปีนี้เทียบปีก่อน ไล่อ่าน แล้วจดสิ่งที่เปลี่ยน ปัญหาเดียวคือ สเกล — ถ้าคุณติดตามหลายสิบบริษัท หรืออยากรู้ว่า "ทั้ง sector ใครเริ่มพูดถึงเรื่องเดียวกัน" การนั่งอ่านทีละฉบับย้อนหลังหลายปีมันเป็นงานที่ทำด้วยมือไม่ไหว นี่คือช่องว่างที่ผมเจอกับตัวเองจนต้องแก้

ข้อจำกัด 4 ข้อที่ต้องรู้ก่อนจ่ายเงิน

ผมทำ model validation มาก่อน หน้าที่เดิมของผมคือหาจุดที่โมเดลคนอื่นจะพัง เพราะฉะนั้นผมจะกางข้อจำกัดของตัวเองให้ครบ — ถ้าข้อใดข้อหนึ่งเป็น deal-breaker ผมอยากให้รู้ก่อนจ่าย ไม่ใช่หลังจ่าย:

1. มันคือเครื่องมือ "ช่วยหาว่าควรอ่านตรงไหน" ไม่ใช่ตัวตัดสินใจแทนคุณ — semantic search คืน "ท่อนที่ใกล้ความหมายที่สุด" บางครั้งจึงดึงข้อความที่เฉียด ๆ ประเด็นมาด้วย เพราะภาษาผู้บริหารอ้อมและหลากหลาย หน้าที่ของคุณคือกดลิงก์ไปอ่านบริบทเต็มแล้วตัดสินเอง — เหมือนที่คนทำ model validation ยึด: ผลลัพธ์ที่ตรวจย้อนกลับไม่ได้ ถือว่าใช้ไม่ได้
2. coverage ครบทั้งตลาดแล้ว — แต่ปีงบล่าสุดยังเดินอยู่ 921 บริษัท ทั้ง SET และ mai ปีงบ 2564–2569 ครบทุกเล่มที่ยื่นเข้ามา ข้อควรระวังที่เหลือคือปีงบ 2569 ยังไม่ปิด ส่วนใหญ่จึงเป็นงบไตรมาส ไม่ใช่รายงานประจำปีเต็มเล่ม
3. ความลึกของปีผูกกับแพ็ก — ฟรีเห็นราว 1 ปีกว่า · DELTA 4 ปี · GAMMA 6 ปี การอ่านข้ามเวลาต้องการความลึก ถ้าเคสของคุณคือเทียบ 5–6 ปี อย่าซื้อแพ็กล่างแล้วผิดหวัง
4. มันไม่ใช่คำแนะนำการลงทุน และไม่ได้ออกแบบมาให้เป็น — เครื่องมือนี้ค้น "คำชี้แจงผู้บริหาร" เพื่อหาสัญญาณและบริบท ไม่ได้บอกว่าหุ้นตัวไหนดีหรือควรซื้อขาย และย้ำอีกครั้งจากหัวข้อฝ่ายสินเชื่อ: มันอ่านได้เฉพาะสิ่งที่บริษัทเขียนไว้เอง การตกแต่งบัญชีหรือการปกปิดที่ไม่เคยลงเอกสาร เครื่องมือนี้มองไม่เห็น

ลองสวมบทนักวิเคราะห์สถาบันดูสักคำถาม

ถ้าอ่านมาถึงตรงนี้ ผมอยากชวนให้ลองของจริงมากกว่าเชื่อผม และผมมีคำถามหนึ่งคำถามที่อยากให้คุณลองเป็นคำแรก:

ไปที่ terminal.boomleverage.com แล้วพิมพ์คำว่า สร้างโรงงานใหม่

นั่นคือคำถามเดียวกับที่เซลส์ B2B ในหัวข้อแรกใช้หาลูกค้าที่มีงบ — และคุณกำลังจะได้รายชื่อบริษัทที่ประกาศลงทุนขยายกำลังการผลิต พร้อมประโยคจริงจากปากผู้บริหาร พร้อมลิงก์ไฟล์ 56-1 ให้กดตรวจ ภายในไม่กี่วินาที ฟรี 10 เครดิต/วัน ไม่ต้องผูกบัตร

แล้วถ้าอยากรู้ว่ามันจริงจังแค่ไหน ลองอีกสองคำที่เหลือในบทความ: ต้นทุนวัตถุดิบแพง (ดูว่าหุ้นในพอร์ตคุณโผล่ไหม) และ เลื่อนการชำระหนี้ (ดูว่ามีตัวไหนที่คุณควรไปอ่านงบให้ละเอียดกว่านี้)

ผมคุยเอง ไม่มีเซลส์: ถ้าเมลมา คนที่ตอบคือผม (Varanchai) คนที่สร้างเครื่องมือนี้ ไม่ใช่ทีมขาย บอกมาตรง ๆ ว่าคุณจะเอาไปตอบคำถามอะไร ผมจะบอกกลับตรง ๆ ว่าของที่มีวันนี้ตอบได้หรือยัง — ถ้ายัง ผมจะบอกว่ายัง

อ่านต่อเพื่อเข้าใจให้ลึกขึ้น:

• semantic search ต่างจากค้นคำเป๊ะยังไง และทำไมมันสำคัญ
• อ่าน MD&A ข้ามเวลา — เคส Precious Shipping ปี 2564
• หา alpha จากคำพูดผู้บริหารทั้งตลาด — สแกน 56-1 ทั้ง SET และ mai
• ต้นทุนแรงงาน vs ต้นทุนทุนของบริษัทไทย 2565–2569 — งานสแกนทั้งตลาด
• ผมสร้าง NLP Early Warning System ในแบงก์มาก่อน

เนื้อหานี้เพื่อการศึกษาและวิเคราะห์พร้อมอ้างอิง ไม่ใช่คำแนะนำการลงทุน · ตัวบุคคลในแต่ละเคสเป็นสถานการณ์สมมติเพื่ออธิบายการใช้งาน แต่ผลการค้นและข้อความที่ยกมาทั้งหมดเป็นของจริงจากแบบ 56-1 ที่บริษัทจดทะเบียนเปิดเผยต่อสาธารณะผ่าน ก.ล.ต.