Blockdit Logo (Mobile)
Logistics Contents
•
22 ก.ย. 2022 เวลา 14:19 • ธุรกิจ
หลักการพยากรณ์ความต้องการ Demand Forecasting
หลักการพยากรณ์ความต้องการของลูกค้าหรือ Demand Forecasting เป็นอีกหนึ่งกิจกรรมของฝ่ายขาย และโรงงานผลิตที่ต้องทำการล่วงรู้ความต้องการของลูกค้าก่อนเพื่อจัดเตรียมสินค้าให้เพียงพอต่อความต้องการของลูกค้า โดยวันนี้โลจิสติกส์คอนเทนส์จะมานำเสนอหลักการพยากรณ์อย่างง่ายๆ 6 วิธีที่ทุกคนสามารถนำไปใช้ได้ ซึ่งเป็นเครื่องมือทางสถิติ ประกอบไปด้วย
1. การพยากรณ์แบบ Naive
เป็นการพยากรณ์ขั้นพื้นฐา่นแบบง่ายๆ ตาม Common Sense โดยยึดจากข้อมูล ณ ปัจจุบัน เช่น ถ้ายอดขาย ณ เดือน มกราคม มีจำนวน 68 หน่วย ก็คาดว่ายอดขายเดือนถัดไปกุมภาพันธ์จะมี 68 หน่วยเช่นกัน โดยยึดจากจุดตั้งต้น
2.การพยากรณ์แบบ Moving Average
เป็นการพยากรณ์แบบอนุกรมค่าเฉลี่ย MA สามารถใช้พยากรณ์ความต้องการที่มีแนวโน้มเล็กน้อย หรือความต้องการค่อนข้างคงที่ โดยมีสูตรการคำนวณคือ Moving Average = Sum of previous period/n of period
Moving Average Method
3.การพยากรณ์แบบ Weight Moving Average
เป็นการพยากรณ์แบบถ่วงน้ำหนักตามข้อมูลที่เก็บรวบรวมไว้ซึ่งหากข้อมูลยิ่งเก่ายิ่งมีความสำคัญน้อยลง โดยจะขึ้นอยู่กับสัญชาตญาณและประสบการณ์ของผู้พยากรณ์ด้วย สูตรมีดังนี้ WMA = Sum of (Weight of period n * Demand in period n)/Sum of weight
Weight Moving Average Method
ข้อเสียของ WMA คือ 1. ถ้า N มีขนาดใหญ่เกินไป จำทำให้ไวต่อการเปลี่ยนแปลง 2.ต้องการข้อมูลย้อนหลังค่อนข้างมาก 3.พยากรณ์แนวโน้มได้ไม่ค่อยดี
4.การพยากรณ์แบบ Exponential Smoothing
เป็นการพยากรณ์โดยใช้รูปแบบ WMA โดยทำการถ่วงน้ำหนักแบบลดลงเอ็กโปเนนเชียล ซึ่งข้อมูลล่าสุดจะถ่วงน้ำหนักมากสุด และลดลงไปตามเวลาของข้อมูล โดยจะต้องมีการปรับให้เรียบ มีค่าตั้งแต่ 0-1 โดยใช้วิธีการสุ่ม ข้อดีคือใช้ข้อมูลไม่มากนัก
Exponential Smoothing Method
*** สำคัญ ***
1. ถ้ามีการเปลี่ยนแปลงเร็ว/มาก ควรเลือกค่าคงที่ของการปรับให้เรียบมีค่ามากๆ (เข้าใกล้ 1)
2. ถ้ามีการเปลี่ยนแปลงช้า/น้อย ควรเลือกค่าคงที่ของการปรับให้เรียบมีค่าน้อยๆ (เข้าใกล้ 0)
5.การพยากรณ์แบบ Exponential Smoothing with Trend Adjustment
เมื่อมีแนวโน้มเกิดขึ้น ทำให้ Exponential smoothing ได้มีการปรับเปลี่ยน ดังนี้
ขั้นที่ 1 หาค่า Ft
ขั้นที่ 2 หาค่า Tt
ขั้นที่ 3 คำนวณหาค่า พยากรณ์ FIT = Ft + Tt
ตัวอย่าง กำหนดให้ แอลฟ่า=0.2 , เบต้า=0.4
Exponential Smoothing with Trend Adjustment Method
6.การพยากรณ์แบบ Seasonal Variations In Data
มีขั้นตอนดังต่อไปนี้
1. หาค่าเฉลี่ยความต้องการในแต่ละฤดูกาล
2. หาค่าเฉลี่ยของทุก ๆ ฤดูกาลรวมกัน (หาค่าเฉลี่ยรวมของข้อมูลทั้งหมด)
3. หาค่าดัชนีฤดูกาล (Seasonal Index)
4. คาดหมาย/ประมาณการ ความต้องการทั้งปีของปีหน้า
5. นำค่าที่ได้จากข้อ 4 มาหารด้วยจำนวนฤดูกาล แล้วคูณกับค่าในข้อ 3
ตัวอย่าง
Seasonal Variations In Data Method
***โจทย์จะให้ข้อมูลมา 4 Column แรก ส่วน Column ที่ 5 (Average 2005-2007) , Column ที่ 6 (Average monthly) และ Column ที่ 7 (Seasonal Index) จะต้องทำการหาเอง
การหาค่า Average Monthly ทำได้ 2 วิธี คือ
1. นำค่าทุกตัวที่โจทย์กำหนดให้ คือ 80 , 85 , 105 , 70 , 85 , 85 , .... , 82 , 78 , 80 มารวมกัน แล้วหารด้วยจำนวนข้อมูลทั้งหมด ซึ่งในที่นี้คือ 36 จำนวน (3,374/36 = 93.72 = 94)
2. นำค่า Average 2005-2007 (ค่าเฉลี่ยของแต่ละฤดูกาล) มารวมกัน แล้วหารด้วยจำนวนฤดูกาล
(90+80+85+100+123+115+105+100+90+80+80+80)/12=94
ถ้าโจทย์ให้ค่าประมาณการยอดขายทั้งปี 2008 = 1,200 จงหาค่าประมาณการยอดขายในแต่ละเดือน
การประมาณการยอดขายแต่ละเดือน หาได้จาก (ปริมาณยอดขายทั้งปี/จำนวนฤดูกาล)x Seasonal Index
Jan = (1,200/12)*0.957 = 95.7 = 96
Feb = (1,200/12)*0.851 = 85.1 = 85
๐ ๐ ๐ ๐
๐ ๐ ๐ ๐
๐ ๐ ๐ ๐
Dec = (1,200/12)*0.851 = 85.1 = 85
เมื่อเราสามารถหาค่าประมาณการ/พยากรณ์ได้แล้วนั้น จะเห็นว่าเรามีหลายวิธีการในการประมาณการ
ดังนั้นเราจึงต้องมีการตรวจสอบหาความคลาดเคลื่อน/ผิดพลาดของการพยากรณ์ ว่ารูปแบบใดมีความคลาดเคลื่อนมากน้อยกว่ากัน หรือมีความคาดเคลื่อนคิดเป็นกี่เปอร์เซ็นต์ ยอมรับได้หรือไม่
1. การหาความคลาดเคลื่อน (Error) สำหรับใช้เปรียบเทียบค่าการพยากรณ์ของแต่ละรูปแบบ (ซึ่งไม่สามารถบอกได้ว่าค่าที่พยากรณ์นั้นดีพอหรือยัง จะบอกได้เพียงว่า การพยากรณ์ใด มีความคลาดเคลื่อนมากน้อยกว่ากัน)
ประกอบด้วย 2 สูตร ดังนี้
- MAD (Mean Absolute Deviation)
- MSE (Mean Squared Error)
2. การหาความคลาดเคลื่อน (Error) ว่าการพยากรณ์มีความคลาดเคลื่อนเป็นกี่เปอร์เซ็นต์ เพื่อใช้ในการสรุปว่า การพยากรณ์มีความแม่นยำเพียงพอหรือไม่
- MAPE (Mean Absolute Percent Error)
จะเห็นว่าวิธีการพยากรณ์ทั้งหมดจะมีค่าความคลาดเคลื่อน Error อยู่มากน้อยก็ขึ้นอยู่ของแต่ละวิธีการ ซึ่งการเลือกใช้ก็ขึ้นอยู่กับประสบการณ์ของผู้พยากรณ์ว่าต้องการความแม่นยำของความต้องการแค่ไหน ทั้งนี้การพยากรณ์เป็นเพียงตัวเลขคาดการณ์ ซึ่งความต้องการจริงของลูกค้าหรือ Actual Demand อาจจะมีค่าความคาดเคลื่อนจากการพยากรณ์สูง นั่นก็ขึ้นอยู่กับเทรนด์ในอุตสาหกรรมนั้นๆ ด้วยรวมถึงปัจจัยอื่นๆอีกมากมายในซัพพลายเชน อีกสิ่งหนึ่งที่ต้องระวังคือการเกิด Bullwhip Effect ที่จะทำให้ค่าพยากรณ์คาดเคลื่อนจากความต้องการจริง
เขียนโดยโลจิสติกส์คอนเทนส์
22/09/2565

ดูเพิ่มเติมในซีรีส์

โฆษณา