รายงานสรุปสถานะหนี้ค้างชำระ (PhoneNow)

สถานะ:

ร้านค้า	1-10	11-30	31-60	61-90	NPL	ส่งงาน	% 1-30	% 31-90	% NPL	% รวมค้าง
ยังไม่มีข้อมูล

เลขที่สัญญา	ชื่อ-นามสกุล	ร้านค้า	เบอร์โทร	รุ่นสินค้า	ค้าง (วัน)	ยอดผ่อนงวดละ
ยังไม่มีข้อมูล

K1 · สัดส่วนลูกค้าผิดนัดแล้วกลับมาชำระ (รายวัน)

-

ลูกค้าที่ผิดนัดชำระ 1 วันก่อนหน้า มาชำระในวันนี้

K2 · ลูกค้าชำระรายวัน (ครบกำหนดวันนี้)

-

ครบกำหนดวันนี้ตาม "ชำระทุกวันที่" · ชำระแล้ว ÷ ที่ต้องชำระ

K3 · สัดส่วนลูกค้าผิดนัดชำระรายเดือน (คงค้าง)

-

ผิดนัดต้นเดือนที่ยังไม่ชำระ ÷ ผิดนัดต้นเดือน

K7 · สัดส่วนการเลื่อนระดับ 4→NPL ต่อสัญญาใหม่

-

เมื่อวานระดับ 4 วันนี้เป็น NPL ÷ สัญญาใหม่ที่เพิ่มวันนี้

K11 · สัดส่วนหายจากผิดนัด (30 วัน rolling)

-

ผิดนัด ณ 30 วันก่อน แล้ววันนี้ไม่ค้างแล้ว ÷ ผิดนัด ณ 30 วันก่อน

K13 · สัญญาผิดนัดที่หายไปจากระบบ (คาดว่าปิดสัญญา)

-

ผิดนัดเมื่อวาน แต่ไม่พบในไฟล์วันนี้ ÷ ผิดนัดเมื่อวานทั้งหมด

K8 · ผิดนัดงวดแรก ระดับ 1-2 ตามเงินดาวน์ %

เงินดาวน์ ÷ ราคาสินค้า · เฉพาะสัญญาที่ยังไม่เคยชำระงวดใดเลย และผิดนัดระดับ 1-10 หรือ 11-30 วัน
คอลัมน์สุดท้าย = จำนวนผิดนัดของช่วงดาวน์นั้น ÷ สัญญาทั้งพอร์ต (ไม่ใช่เฉพาะที่มีข้อมูลเงินดาวน์)

ช่วง % ดาวน์	ทั้งหมด	ผิดนัด 1-2	% ในช่วงดาวน์นี้	% เทียบผิดนัด 1-2 ทั้งหมด	% ต่อสัญญาทั้งพอร์ต
-

K9 · ผิดนัดงวดแรก ระดับ 3-5 ตามเงินดาวน์ %

เงินดาวน์ ÷ ราคาสินค้า · เฉพาะสัญญาที่ยังไม่เคยชำระงวดใดเลย และผิดนัดระดับ 31-60, 61-90 หรือ NPL
คอลัมน์สุดท้าย = จำนวนผิดนัดของช่วงดาวน์นั้น ÷ สัญญาทั้งพอร์ต (ไม่ใช่เฉพาะที่มีข้อมูลเงินดาวน์)

ช่วง % ดาวน์	ทั้งหมด	ผิดนัด 3-5	% ในช่วงดาวน์นี้	% เทียบผิดนัด 3-5 ทั้งหมด	% ต่อสัญญาทั้งพอร์ต
-

K10 · Top 5 รุ่นย่อยที่ผิดนัดชำระมากที่สุด (ทุกระดับ)

อ้างอิงจากคอลัมน์ "สินทรัพย์" ของแต่ละสัญญา

รุ่น	จำนวนเครื่องผิดนัด	% ของเครื่องที่ส่งทั้งหมด	% ของเครื่องที่ผิดนัดทั้งหมด
-

K12 · อัตราการเปลี่ยนแปลงของแต่ละระดับ เทียบย้อนหลัง 1-6 เดือน และ 1 ปี

ตัวเลขบน = จำนวนสัญญาที่อยู่ระดับนั้น ณ ช่วงเวลานั้น · % ล่าง = เปลี่ยนแปลงเทียบกับช่องถัดไปทางขวา (ช่วงก่อนหน้า) ไม่ใช่เทียบกับวันนี้ทุกช่อง จะได้เห็นว่าแต่ละเดือนขยับเท่าไหร่
สีแดง = เพิ่มขึ้น · สีเขียว = ลดลง · ช่อง "1 ปีก่อน" ไม่มี % เพราะไม่มีช่วงที่เก่ากว่าให้เทียบ · ช่อง "6 เดือนก่อน" เทียบกับ 1 ปีก่อน จึงเป็นระยะ 6 เดือน ไม่ใช่ 1 เดือน · ช่วงที่ยังไม่มี snapshot จะขึ้น "ไม่พบข้อมูล"

-

🏪 K Factor รายร้านค้า

คลิกที่หัวตารางเพื่อเรียงลำดับ (คลิกซ้ำเพื่อสลับ มาก↔น้อย)

ต้องมีข้อมูลอย่างน้อย 2 วันจึงจะคำนวณได้

✅ สรุปลูกค้าที่ผิดนัดแล้วกลับมาชำระในวันนี้ (Cure)

ผิดนัด ณ เมื่อวาน

-

กลับมาชำระวันนี้

-

คงเหลือ (ยังผิดนัด)

-

คิดเป็น

-

📅 พยากรณ์จำนวนสัญญาที่จะเลื่อนระดับใน 7 วันข้างหน้า

*นับเป็นจำนวนสัญญา คำนวณจากจำนวนวันค้างชำระ (DPD) นับถอยหลังสู่เส้นแบ่งวันที่ 11, 31, 61, 91

ระดับที่จะเปลี่ยนไป	อีก 1 วัน	อีก 2 วัน	อีก 3 วัน	อีก 4 วัน	อีก 5 วัน	อีก 6 วัน	อีก 7 วัน
รอดำเนินการ...

📊 พยากรณ์สะสม — จำนวนสัญญาที่จะเลื่อนระดับภายใน 7 / 14 / 21 / 30 วัน

ยอดคงค้างเป็นสัญญาทั้งหมดในระดับนั้น ณ วันที่ของรายงาน (ไม่ตัดด้วยช่วงเวลา) · ช่องพยากรณ์นับสะสม (ภายใน 14 วัน = รวม 7 วันแรกด้วย) สมมติว่าไม่มีใครจ่ายเลย

ระดับที่จะเปลี่ยนไป	สัญญาค้างใน ระดับนี้ทั้งหมด	สะสม — จะข้ามเส้นแบ่งภายใน				เฉลี่ย ต่อวัน	คาดทั้งเดือน (30 วัน)
ระดับที่จะเปลี่ยนไป	สัญญาค้างใน ระดับนี้ทั้งหมด	7 วัน	14 วัน	21 วัน	30 วัน	เฉลี่ย ต่อวัน	คาดทั้งเดือน (30 วัน)
รอดำเนินการ...

🧮 ปรับด้วย Cure Curve — หักคนที่น่าจะกลับมาจ่าย/คืนเครื่อง/ปิดสัญญา

ใช้ความน่าจะเป็นที่จะ "ไปถึงเส้นแบ่งจริง" จากสถิติในอดีต (แท็บ Cure Curve) คูณกับสัญญาแต่ละ DPD — ตัวเลขนี้สมจริงกว่าตารางบน

ระดับที่จะเปลี่ยนไป	สัญญาค้างใน ระดับนี้ทั้งหมด	สะสม (ปรับแล้ว) — ภายใน				เฉลี่ย ต่อวัน	คาดทั้งเดือน (30 วัน)
ระดับที่จะเปลี่ยนไป	สัญญาค้างใน ระดับนี้ทั้งหมด	7 วัน	14 วัน	21 วัน	30 วัน	เฉลี่ย ต่อวัน	คาดทั้งเดือน (30 วัน)

💰 พยากรณ์ยอดรับชำระล่วงหน้า 30 วัน

ยอดรวม "ผ่อนงวดละ" ที่ "วันที่งวดถัดไป" ตรงกับวันนั้นๆ

ยอดรวม 30 วัน

0.00 บาท

วันที่ (Day)	วันที่ครบกำหนด	ยอดรับชำระคาดการณ์ (บาท)
รอดำเนินการ...

📎 ไฟล์อ้างอิง — ใช้บอกว่าสัญญาที่หายไป "จบยังไง"

อัปไฟล์รวมทั้งหมดทับของเดิมได้เสมอ ระบบจะ label ใหม่ทุกครั้งที่คำนวณ · เก็บไว้ในฐานข้อมูลแล้วไม่ต้องอัปซ้ำทุกวัน
สัญญาที่หายไปแล้วไม่พบในสองไฟล์นี้ ถือเป็น เปลี่ยนสัญญา (ปิดสัญญาเก่า เปิดสัญญาใหม่)

🔧 Stock คืนเครื่อง (StockMaster_All_*.xlsx)

-

✅ สัญญาที่ปิดแล้ว (contract export ของสัญญาปิด)

-

🔧 สร้างข้อมูล dpd_trans ย้อนหลังจาก Snapshot

ทำครั้งเดียวก่อนใช้งานครั้งแรก · ไม่ต้องอัปไฟล์ contract ใหม่ เพราะ snapshot ที่อยู่ในฐานข้อมูลแล้วมีข้อมูลครบพอ · อ่าน snapshot ทีละ 2 วันติดกัน (~350 KB/วัน) แล้วเขียนเอกสารเล็กๆ ลง dpd_trans

ตั้งแต่

ถึง

ข้ามวันที่มีข้อมูลแล้ว

⚠️ 250 วันจะดาวน์โหลดราว 90 MB ใช้เวลาหลายนาที · ห้ามปิดหน้าเว็บระหว่างทำงาน · กดหยุดได้ตลอด แล้วรันต่อทีหลังโดยติ๊ก "ข้ามวันที่มีข้อมูลแล้ว"

⚙️ คำนวณ Cure Curve

ตั้งแต่

ถึง

ช่วงพักการตัดสิน (วัน)

ขอบเขต "กลับมาจ่าย" (วัน)

อ่านเฉพาะ dpd_trans ซึ่งเป็นเอกสารเล็ก (~8 KB/วัน) ไม่ต้องโหลด snapshot · วันที่บันทึกก่อนเวอร์ชันนี้จะไม่มีข้อมูล ต้องรัน "นำเข้าย้อนหลัง" ซ้ำ

📊 ผิดนัดกี่วันแล้วมาจ่าย

นับเฉพาะที่ DPD กลับเป็น 0 · "จ่ายบางส่วน" แยกไว้เพราะยังค้างอยู่

ช่วง DPD ตอนจ่าย	หายผิดนัดสนิท	% ของ cure ทั้งหมด	จ่ายบางส่วน	คืนเครื่อง	ปิดครบ	เปลี่ยนสัญญา

📈 ถึง DPD เท่านี้แล้ว จะเกิดอะไรขึ้นต่อ

competing risks — 5 ทางออกรวมกันได้ 100% เสมอ

อยู่ที่ DPD	n	กลับมาจ่าย	คืนเครื่อง	ปิดครบ	เปลี่ยนสัญญา	ยังค้างต่อ	โอกาสถึงเส้นถัดไป

🔮 พยากรณ์พอร์ตปัจจุบัน

-

ระดับปัจจุบัน	จำนวนสัญญา	คาดว่าจะเลื่อนระดับ	%	คาดว่าจะกลับมาจ่าย	%

ยังไม่มีข้อมูล

เลือกวันที่แล้วกด "ดึงข้อมูลจากฐานข้อมูล" หรืออัปโหลดไฟล์ contract แล้วกด "ประมวลผลรายงาน" ก่อน

⚙️ ตัวแปรของโมเดล

สัญญาใหม่ต่อวัน (g)

-

ไหลเข้า NPL ต่อวัน (a)

-

ปรับด้วย Cure Curve (ยังไม่ได้คำนวณ)

ออกจาก NPL ต่อวัน (w)

เก็บได้ + ตัดหนี้ + ขายพอร์ต · ตั้งต้น 0 = สมมติว่า NPL ไม่มีทางออก

NPL ตั้งต้น (N₀)

สัญญา > 90 วัน

พอร์ตรวมตั้งต้น (T₀)

สัญญา active ทั้งหมด

ให้ NPL คงที่ที่ระดับเดิม

-

ให้ลดลง 1 จุด% ต่อเดือน

-

ให้ลงถึง 5% ใน 12 เดือน

-

เส้นทางอัตรา NPL 24 เดือนข้างหน้า

r(t) = ( N₀ + (a − w)·t ) ÷ ( T₀ + g·t ) · เส้นประคือเป้าหมาย 5%

🎯 ต้องปล่อยสัญญาใหม่เท่าไหร่ ในแต่ละเป้าหมาย

เป้าหมาย	สัญญาใหม่/วัน	ต่อเดือน	เทียบแผนปัจจุบัน	NPL / สัดส่วน ณ วันเป้าหมาย
รอข้อมูล...

"ลด 1 จุด%" คิดแบบจุดเปอร์เซ็นต์ (เช่น 9.64% → 8.64%) · ถ้าหมายถึงลดเชิงสัมพัทธ์ 1% ดูแถวสุดท้าย

🚧 เพดานที่ขยับไม่ได้ด้วยการโต

-

🛡️ ถ้าปล่อยใหม่เท่าเดิม ต้องกดการไหลเข้าเหลือเท่าไหร่

-

✂️ หรือใช้การตัดออกจากถัง NPL

-

🔭 ท่อข้างหน้า (roll rate)

-

📅 ฐานที่ใช้คำนวณ — พยากรณ์ จำนวนสัญญา ที่จะเลื่อนระดับใน 7 วันข้างหน้า

*นับจำนวนสัญญา (ไม่ใช่ยอดเงินแบบแท็บ Customer Aging) จาก DPD ที่นับถอยหลังสู่วันที่ 11, 31, 61, 91

ระดับที่จะเปลี่ยนไป	อีก 1 วัน	2	3	4	5	6	7	รวม	เฉลี่ย/วัน
รอข้อมูล...

ข้อจำกัด: ใช้ค่าเฉลี่ย 7 วันแทนอัตราไหลเข้าระยะยาว · ตัวหารเป็นพอร์ตสะสมยังไม่หักสัญญาที่ปิด (ถ้ามีสัญญาปิดวันละ c ให้ลด g ที่กรอกลงเท่ากับ c) · สัญญาใหม่ถูกนับว่ายังไม่เป็น NPL ในช่วงที่พิจารณา

🔒 ข้อกำหนดด้านความปลอดภัยของแท็บนี้

อ่านอย่างเดียว — ชุดเครื่องมือที่ AI เรียกได้มีแต่คำสั่งอ่าน ไม่มีคำสั่งเขียน/ลบ/แก้ไขข้อมูลใน Firestore เลยแม้แต่ตัวเดียว
API key เก็บในเบราว์เซอร์เครื่องนี้เท่านั้น (localStorage) ไม่ถูกบันทึกลงฐานข้อมูลและไม่ติดไปกับไฟล์เวลา deploy
ข้อมูลส่วนบุคคลถูกปิดไว้ตั้งต้น — ชื่อและเบอร์โทรลูกค้าจะไม่ถูกส่งออกไป จนกว่าจะกดเปิดเอง

⚙️ ตั้งค่าการเชื่อมต่อ AI

ยังไม่ได้ตั้งค่า

ผู้ให้บริการ

Base URL

API Key

Local AI ส่วนใหญ่เว้นว่างได้

โมเดล

ชื่อโมเดลเปลี่ยนตามเวลา — ดึงจาก API จริงดีที่สุด

ส่งข้อมูลส่วนบุคคล (ชื่อ / เบอร์โทร) ออกไปด้วย

จำนวนรอบที่ให้ดึงข้อมูลได้สูงสุด

ทำครั้งเดียวก่อนใช้งานครั้งแรก · สรุปตัวเลขรายวันเป็นเอกสารเล็กๆ ใบเดียว เพื่อให้ AI ถามแนวโน้มได้เร็วโดยไม่ต้องดึงรายงานทั้งก้อน

💬 ถามเกี่ยวกับข้อมูลสัญญา

Enter = ขึ้นบรรทัดใหม่ · Ctrl/Cmd + Enter = ส่ง

🔍 บันทึกการเรียกข้อมูล (ดูว่า AI ดึงอะไรไปบ้าง)

ยังไม่มีการเรียก

📅 โหมด A — นำเข้าทีละวัน

เลือกวันที่ (ตั้งแต่ 1 ม.ค. 2026 ถึงวันปัจจุบัน) → เลือกไฟล์ของวันนั้น → กดปุ่ม · ถ้าวันนั้นมีข้อมูลอยู่แล้ว ระบบจะเขียนทับด้วยไฟล์ใหม่

วันที่ของข้อมูล

เลือกวันที่เพื่อตรวจสถานะ

ไฟล์ contract ของวันนั้น

ยังไม่ได้เลือกไฟล์

ประมวลผลและบันทึกลงฐานข้อมูลในขั้นตอนเดียว (จะถามยืนยันถ้ามีข้อมูลเดิม)

📚 โหมด B — คิวหลายไฟล์พร้อมกัน

เลือกไฟล์หลายไฟล์พร้อมกันได้เลย ระบบจะอ่านวันที่จากชื่อไฟล์ (เช่น contract_1_9_2569 01_22_49.xlsx → 01/09/2026) แล้วทยอยประมวลผลเรียงจากวันเก่าไปวันใหม่ เพื่อให้ K Factor ของแต่ละวันเทียบกับวันก่อนหน้าได้ถูกต้อง

ข้ามวันที่มีข้อมูลอยู่แล้ว (ไม่เขียนทับ)

#	ชื่อไฟล์	วันที่ตรวจพบ	สถานะใน DB	สถานะ
ยังไม่ได้เลือกไฟล์

⚠️ ไฟล์ละประมาณ 20–40 วินาที · ห้ามปิดหน้าเว็บระหว่างประมวลผล · ถ้าชื่อไฟล์ไม่มีวันที่ ระบบจะข้ามและให้แก้ชื่อไฟล์เป็นรูปแบบ contract_วัน_เดือน_ปี

🗓️ ปฏิทินความครบถ้วนของข้อมูล (1 ม.ค. 2026 → ปัจจุบัน)

มีข้อมูล · ยังไม่มี · อนาคต · คลิกวันที่มีข้อมูลเพื่อเปิดรายงานของวันนั้น

กด "โหลดสถานะ" เพื่อดูว่าวันไหนมีข้อมูลแล้วบ้าง

🗄️ ประวัติข้อมูลรายวันในฐานข้อมูล

ทุกครั้งที่อัปโหลดไฟล์ ระบบจะบันทึก 2 อย่างลง Firebase Firestore: (1) สรุปรายงาน (daily_reports) และ (2) Snapshot สัญญาทั้งพอร์ตแบบบีบอัด (daily_snapshots) เพื่อใช้เทียบวันต่อวันสำหรับ K Factor

วันที่ข้อมูล	สัญญาทั้งหมด	ค้างชำระ	ยอดค้าง (บาท)	Snapshot	บันทึกเมื่อ	เปิดดู
กดปุ่มด้านบนเพื่อโหลด

โครงสร้างที่เก็บใน Firestore

artifacts/{appId}/public/data/
├── daily_reports/{YYYY-MM-DD}      ← สรุปรายงาน + K Factor (ใช้แสดง Dashboard ย้อนหลัง)
├── daily_snapshots/{YYYY-MM-DD}    ← Snapshot ทั้งพอร์ต (gzip + base64) ~350 KB/วัน
├── dpd_trans/{YYYY-MM-DD}          ← ฐานของ Cure Curve: การเปลี่ยนแปลงราย DPD + รายการสัญญาที่หาย (~8 KB/วัน)
└── reference/stock_master          ← ไฟล์ Stock คืนเครื่อง (อัปทับทั้งไฟล์)
    reference/closed_contracts      ← ไฟล์สัญญาที่ปิดแล้ว (อัปทับทั้งไฟล์)
                                      [contractNo, storeIdx, ค่างวด, วันครบกำหนด, งวดล่าสุด, วันชำระล่าสุด, ชำระทุกวันที่, typeIdx]

📊 Dashboard ติดตามหนี้ v2