Demand Pattern Classification and Comparison of Short-Term Sales Forecasting Methods for Continuously-Sold Volatile High-Value Capital Goods: A Case Study of a Precious-Metal Analyzer Distributor
Keywords:
Demand classification, High-value capital goods, Time series forecasting, Supply planningAbstract
This research aimed to 1) classify the demand patterns of precious-metal analyzers by model using the Average Demand Interval (ADI) and the squared Coefficient of Variation (CV²) criteria, 2) compare the accuracy of several short-term monthly sales forecasting methods through Rolling-Origin evaluation, and 3) propose a decision framework for selecting a forecasting method suited to each analyzer model's demand pattern. This research was quantitative case-study research, examining data from a single precious-metal analyzer distributor and using actual sales transaction data of three analyzer models — namely XC-1, XC-2, and XC-1M — over a period of 15 months. The data comprised 15 monthly periods (March 2025 – May 2026), with the first seven periods used as the initial training window and eight forecast origins used for out-of-sample evaluation. The instrument used for data collection was a sales transaction record form. The statistics used for data analysis were the Average Demand Interval (ADI), the squared Coefficient of Variation (CV²), the Mean Absolute Deviation (MAD), the Root Mean Squared Error (RMSE), and the Mean Absolute Scaled Error (MASE), with forecasting accuracy evaluated through Rolling-Origin evaluation together with the Friedman test. The research results were as follows:
- All three models were continuously sold products, with model XC-1 exhibiting smooth demand, while models XC-2 and XC-1M exhibited erratic demand.
- The Simple Moving Average (SMA) and Holt's methods were more accurate than the Naïve method for every model, with Holt's method being the most accurate for model XC-2 and the Simple Moving Average being the most accurate for models XC-1 and XC-1M; however, the differences in accuracy among the smoothing methods were not statistically significant (χ2 = 1.911, p = .591).
- The most accurate forecasting method differed according to each model's demand pattern, leading to the proposal of a decision framework (the CASE model) that enables distributors to select a forecasting method systematically, whereby simple forecasting methods proved robust and adequate for supply planning.
Downloads
References
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.
