การจำแนกรูปแบบอุปสงค์การเปรียบเทียบวิธีการพยากรณ์ยอดขายระยะสั้นสำหรับสินค้าทุนมูลค่าสูง กรณีศึกษาผู้จัดจำหน่ายเครื่องตรวจสอบและวิเคราะห์โลหะมีค่า
คำสำคัญ:
การจำแนกรูปแบบอุปสงค์, สินค้าทุนมูลค่าสูง, การพยากรณ์อนุกรมเวลา, การวางแผนการจัดหาสินค้าบทคัดย่อ
บทความนี้มีวัตถุประสงค์ เพื่อ 1) จำแนกรูปแบบอุปสงค์ของเครื่องตรวจสอบและวิเคราะห์โลหะมีค่ารายรุ่นด้วยเกณฑ์ค่าระยะห่างเฉลี่ยระหว่างการเกิดอุปสงค์ (Average Demand Interval: ADI) และค่าสัมประสิทธิ์ความแปรผันยกกำลังสอง (Squared Coefficient of Variation: CV²) 2) เปรียบเทียบความแม่นยำของวิธีพยากรณ์ยอดขายระยะสั้นรายเดือนหลายวิธีด้วยการประเมินเทคนิคการขยับจุดเริ่มต้น (Rolling-Origin evaluation) และ 3) เพื่อเสนอแนวทางการเลือกวิธีพยากรณ์ที่เหมาะสมกับรูปแบบอุปสงค์ของเครื่องตรวจสอบและวิเคราะห์โลหะมีค่าแต่ละรุ่น การวิจัยครั้งนี้เป็นการวิจัยเชิงปริมาณในลักษณะกรณีศึกษา โดยศึกษาข้อมูลจากผู้จัดจำหน่ายเครื่องตรวจสอบและวิเคราะห์โลหะมีค่าจำนวน 1 ราย ใช้ข้อมูลธุรกรรมการจำหน่ายจริงของเครื่องตรวจสอบและวิเคราะห์โลหะมีค่าจำนวน 3 รุ่น ได้แก่ XC-1, XC-2 และ XC-1M เป็นข้อมูลรายเดือนจำนวน 15 งวด (มีนาคม 2568 – พฤษภาคม 2569) โดยแบ่งเป็นชุดฝึกเริ่มต้น 7 งวด และประเมินความแม่นยำด้วยเทคนิคการขยับจุดเริ่มต้น (Rolling-Origin evaluation) นอกกลุ่มตัวอย่างจำนวน 8 จุดกำเนิด เครื่องมือที่ใช้เก็บรวบรวมข้อมูล ได้แก่ แบบบันทึกข้อมูลธุรกรรมการจำหน่าย สถิติที่ใช้ในการวิเคราะห์ข้อมูล ได้แก่ ค่าระยะห่างเฉลี่ยระหว่างการเกิดอุปสงค์ (ADI) ค่าสัมประสิทธิ์ความแปรผันยกกำลังสอง (CV²) ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Deviation: MAD), รากที่สองของค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Squared Error: RMSE) และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยที่ปรับมาตราส่วน (Mean Absolute Scaled Error: MASE) โดยประเมินความแม่นยำด้วยเทคนิคการขยับจุดเริ่มต้น (Rolling-Origin evaluation) ร่วมกับการทดสอบของฟรีดแมน ผลการวิจัยพบว่า
- สินค้าทั้งสามรุ่นเป็นสินค้าที่มีการจำหน่ายอย่างต่อเนื่อง โดยรุ่น XC-1 มีอุปสงค์แบบสม่ำเสมอ ส่วนรุ่น XC-2 และ XC-1M มีอุปสงค์แบบผันผวน
- วิธีค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) และวิธีของโฮลต์ (Holt) ให้ความแม่นยำสูงกว่าวิธีพยากรณ์อย่างง่าย (Naïve) ในทุกรุ่น โดยวิธีของโฮลต์ (Holt) แม่นยำที่สุดสำหรับรุ่น XC-2 และวิธีค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) แม่นยำที่สุดสำหรับรุ่น XC-1 และ XC-1M อย่างไรก็ตาม ความแตกต่างของความแม่นยำระหว่างวิธีปรับเรียบทั้งหลายไม่มีนัยสำคัญทางสถิติ (χ2 = 1.911, p = .591)
- วิธีพยากรณ์ที่เหมาะสมที่สุดแตกต่างกันตามรูปแบบอุปสงค์ของแต่ละรุ่น นำไปสู่การเสนอกรอบการตัดสินใจ (CASE model) ที่ช่วยให้ผู้จัดจำหน่ายเลือกวิธีพยากรณ์ได้อย่างเป็นระบบ โดยวิธีพยากรณ์แบบง่ายมีความคงทนและเพียงพอต่อการวางแผนการจัดหาสินค้า
Downloads
เอกสารอ้างอิง
กรินทร์ กาญทนานนท์. (2561). การพยากรณ์ทางสถิติ (พิมพ์ครั้งที่ 5). กรุงเทพมหานคร: ซีเอ็ดยูเคชั่น.
ณัฐพล ไทยอุดมทรัพย์. (2563). การศึกษาเทคนิคการพยากรณ์อุปสงค์สำหรับยาที่มีอุปสงค์ไม่สม่ำเสมอ กรณีศึกษาโรงพยาบาลสามร้อยยอด (วิทยานิพนธ์เภสัชศาสตรมหาบัณฑิต). นครปฐม: มหาวิทยาลัยศิลปากร.
ธนาคารแลนด์ แอนด์ เฮ้าส์, สายงานวิจัยธุรกิจ. (2568). บทวิเคราะห์ธุรกิจร้านทอง. ธนาคารแลนด์ แอนด์ เฮ้าส์ จำกัด (มหาชน). สืบค้นเมื่อ 15 มิถุนายน 2569 , จากhttps://www.lhbank.co.th/ getattachment/56bf84d0-8b30-4e74-af42-5cc34d61b275/economic-analysis-Industry-Outlook-2025-Gold-Shop-2025
ธรณินทร์ สัจวิริยทรัพย์. (2563). การวิเคราะห์อนุกรมเวลาสำหรับการวางแผนด้านวิศวกรรมโลจิสติกส์. ซีเอ็ดยูเคชั่น.
ศรัญญา จันทรี, พฤฒิพงศ์ อภิวัฒนกุล, และไชยรัช เมฆแก้ว. (2567). การศึกษาเปรียบเทียบเพื่อการปรับปรุงประสิทธิภาพการพยากรณ์อะไหล่ซ่อมบำรุงคงคลังประเภทที่มีอายุการใช้งานที่จำกัด ด้วยเทคนิคการ พยากรณ์อนุกรมเวลา 4 เทคนิค กรณีศึกษา บริษัทสายการบินขนาดกลาง. วารสารนวัตกรรมการบริหารและการจัดการ มหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์, 12(2), 113–126.
สถาบันวิจัยและพัฒนาอัญมณีและเครื่องประดับแห่งชาติ (องค์การมหาชน). (2567). สถานการณ์นำเข้า ส่งออกอัญมณีและเครื่องประดับไทย เดือนมกราคม–ธันวาคม 2567. สืบค้นเมื่อ 15 มิถุนายน 2569, จาก https://infocenter.git.or.th/article/article-20250205
อดิศักดิ์ ทูลธรรม, นตา เตชะบุญมาส, และกวิน พินสำราญ. (2564). การพยากรณ์ความต้องการวัตถุดิบในการผลิตขนมปังบิสกิต. วารสารวิทยาศาสตร์และเทคโนโลยีมหาวิทยาลัยธนบุรี, 5(2), 30–38.
เอกจิตต์ จึงเจริญ. (2563). การพยากรณ์ทางธุรกิจ (พิมพ์ครั้งที่ 2). กรุงเทพฯ: มหาวิทยาลัยธรรมศาสตร์.
Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly, 23(3), 289–303.
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7, 1–30.
Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675–701.
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/ j.ijforecast.2006.03.001
Hyndman, R. J., & Kostenko, A. V. (2007). Minimum sample size requirements for seasonal forecasting models. Foresight: The International Journal of Applied Forecasting, 6, 12–15.
Jurado-López, A., Luque de Castro, M. D., & Pérez-Morales, R. (2006). Application of energy-dispersive X-ray fluorescence to jewellery samples determining gold and silver. Gold Bulletin, 39(1), 16–21. https://doi.org/10.1007/BF03215528
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), Article e0194889. https://doi.org/10.1371/journal.pone.0194889
Syntetos, A. A., & Boylan, J. E. (2005). The accuracy of intermittent demand estimates. International Journal of Forecasting, 21(2), 303–314. https://doi.org/10.1016/ j.ijforecast.2004.10.001
Tashman, L. J. (2000). Out-of-sample tests of forecasting accuracy: An analysis and review. International Journal of Forecasting, 16(4), 437–450. https://doi.org/10.1016/ S0169-2070(00)00065-0
Teunter, R. H., Syntetos, A. A., & Babai, M. Z. (2011). Intermittent demand: Linking forecasting to inventory obsolescence. European Journal of Operational Research, 214(3), 606–615.
