การพยากรณ์ ญาลดา พรประเสริฐ คณะวิทยาการจัดการ LOGISTICS บทที่ 3 การพยากรณ์ ญาลดา พรประเสริฐ คณะวิทยาการจัดการ

การพยากรณ์ Forecasting “การพยากรณ์ หมายถึง การคาดคะเนความต้องการสินค้า ปริมาณวัตถุดิบและสินค้าในตลาด ตลอดจนราคาของสินค้าในระยะสั้นและระยะยาว โดยการคำนวณทางสถิติจากฐานข้อมูลและประสบการณ์ในอดีต” or

การพยากรณ์ รูปแบบของอุปสงค์ แบบแนวนอน แนวโน้ม ตามฤดูกาล ตามวงจร แบบแนวนอน แนวโน้ม ตามฤดูกาล ตามวงจร เปลี่ยนแปลงแบบอิสระ ปัจจัยที่กระทบต่ออุปสงค์ องค์ประกอบภายนอก องค์ประกอบภายใน

การพยากรณ์ การกำหนดหัวข้อการพยากรณ์ การกำหนดหัวข้อของการพยากรณ์ การพยากรณ์แบบกลุ่มสินค้า พยากรณ์ความต้องการเป็นหน่วยสินค้า การเลือกเครื่องมือพยากรณ์ องค์ประกอบภายนอก องค์ประกอบภายใน

ประเภทของการพยากรณ์ การพยากรณ์ระยะสั้น (Short time range Forecast) พิจารณาตามระยะเวลาการดำเนินการผลิต การพยากรณ์ระยะสั้น (Short time range Forecast) ไม่เกิน 3 เดือน เหมาะสินค้ารายชนิดใช้เพื่อการวางแผนจัดซื้อ จัดตารางการผลิตจัดการสต็อค มอบหมายงาน การพยากรณ์ระยะปานกลาง (Mid-range Forecast) 3 เดือน – 2 ปีเหมาะกับการพยากรณ์สินค้าทั้งกลุ่ม วางแผนการขายแผนกระจายสินค้าแผนการผลิตครึ่งปี – ทั้งปีและการจัดวางงบประมาณ การพยากรณ์ระยะยาว (Long-range Forecast) 2 ปีขึ้นไป มักใช้สำหรับการพยากรณ์รวมทั้งบริษัท เช่นการออกสินค้าใหม่วางแผนกลยุทธ์การผลิต หรือ วางแผนธุรกิจใหม่

การพยากรณ์ด้วยคอมพิวเตอร์ ผู้ใช้เป็นผู้กำหนดการใช้เครื่องมือเอง เลือกเทคโนโลยีในการพยากรณ์และกำหนดตัวแปรเอง แบบกึ่งอัตโนมัติ ผู้ใช้เป็นผู้กำหนดวิธีพยากรณ์เครื่องคอมพิวเตอร์กำหนดตัวแปรเองและตัวแบบในการคำนวณ แบบอัตโนมัติ โปรแกรมคอมพิวเตอร์เป็นผู้พิจารณาข้อมูลที่ป้อนเข้าและแนะนำเทคนิคที่จะใช้ พร้อมทั้งเสนอตัวแปรที่เหมาะสมให้กับการพยากรณ์

การพยากรณ์แบบคุณภาพ ประมาณการและความคิดเห็นของกลุ่มพนักงานขาย ความคิดเห็นของผู้บริหาร ความคิดเห็นจากประสบการณ์และความรู้ทางเทคนิค การวิจัยตลาด มีความแม่นยำในระยะสั้น วิธีแบบเดลฟี เป็นกรรมวิธีตัดสินใจของกลุ่มผู้เชี่ยวชาญโดยวิธีไม่เปิดเผยความเห็นของแต่ละบุคคล เหมาะกับการนำไปใช้กับการตัดสินใจระยะยาวของการอุปสงค์ของสินค้าหรือบริการ

Trend Analysis (Causal Method) วิธีพื้นฐานการพยากรณ์แบบเส้นตรงถดถอย ยอดขาย Trend Analysis (Causal Method) วิธีการทีใช้เมื่อข้อมูลมีความสัมพันธ์กับตัวแปรหนึ่งกับยอดขาย โดยที่ตัวแปรนั้นอาจเป็นสาเหตุจากปัจจัยภายในองค์การ หรือนอกองค์การก็ได้1 ซึงความสัมพันธ์ดังกล่าวจะเป็นสมการเส้นตรง (Linear Regression) โดยมีตัวแปรหนึ่งเป็นตัวแปรตาม (Dependent Variable)กับอีกตัวแปรหนึ่งเป็นตัวแปรอิสระ (Independent Variable) Y=a + bX ค่าโฆษณา

ตัวอย่างที่ 3.4 ในการศึกษาความเป็นไปได้ของโครงการที่เกี่ยวกับการสร้างโรงแรมชั้นหนึ่งในเขตกรุงเทพมหานคร ผู้วิเคราะห์โครงการได้รวบรวมตัวเลขยอดรายได้ ของโรงแรมทั้งหมดในกรุงเทพฯ ตั้งแต่ปี พ.ศ. 2540 เป็นต้นมาจนถึง ปี พ.ศ.2552 และพบว่ารายได้มีความสัมพันธ์กับค่าโฆษณา ผู้วิเคราะห์สามารถพยากรณ์รายได้ของโรงแรมทั้งหมดในเขตกรุงเทพฯ ในปี พ.ศ.2553 คาดว่าจะมีนักท่องเที่ยว 5 ล้านคน อยากทราบว่ารายได้ของโรงแรมจะเป็นเท่าไหร่ในปี 2553

วิธีพื้นฐานการพยากรณ์แบบเส้นตรงถดถอย ปี พ.ศ. ยอดขายรายได้(ล้านหน่วย) ค่าโฆษณา(ล้านบาท) 2540 2541 2542 2543 2544 2545 2546 2547 2548 2549 2550 2551 2552 1.10 1.30 1.50 2.00 2.10 2.20 2.30 2.50 2.60 2.90 3.40 4.00 4.50 1.20 1.60 1.90 2.40 2.80 3.50 4.20 4.70 วิธีพื้นฐานการพยากรณ์แบบเส้นตรงถดถอย

ยอดขายรายได้(ล้านหน่วย) ปี พ.ศ. ยอดขายรายได้(ล้านหน่วย) ค่าโฆษณา(ล้านบาท) XY X2 (Y) (X) 2540 1.10 1.20 1.32 1.44 2541 1.30 1.50 1.95 2.25 2542 1.60 2.40 2.56 2543 2.00 1.90 3.80 3.61 2544 2.10 4.20 4.00 2545 2.20 4.84 2546 2.30 5.06 2547 2.50 6.00 5.76 2548 2.60 6.24 2549 2.90 2.80 8.12 7.84 2550 3.40 3.50 11.90 12.25 2551 16.80 17.64 2552 4.50 4.70 21.15 22.09 09 32.40 32.60 93.78 94.88

วิธีพื้นฐานการพยากรณ์แบบเส้นตรงถดถอย

การพยากรณ์แบบเส้นตรงถดถอย สรุป ถ้าค่าโฆษณาเป็น 5 ล้านบาท ยอดขายรายได้ทั้งหมดจะเป็น 4.86 ล้านบาท

การพยากรณ์แบบอนุกรมเวลา วิธีการพยากรณ์อย่างง่าย ( Moving Average ) ค่าเฉลี่ยเคลื่อนที่อย่างง่าย ( Simple Moving Average ) ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนัก ( Weighted Moving Average ) ค่าเฉลี่ยแบบปรับยกกำลัง ( Exponential Smoothing )

วิธีการพยากรณ์อย่างง่าย( Moving Average ) ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (Simple Moving Average ) คือ การหาค่าเฉลี่ยของยอดผลิตในอดีตติดต่อกัน ตามจำนวนคาบเวลาที่ผู้พยากรณ์ต้องการแล้วหารด้วยจำนวนคาบเวลา ผลลัพธ์ที่ได้ คือ ค่าพยากรณ์ของคาบเวลาถัดไป ดังสมการ เมื่อ Y = ค่าเฉลี่ยที่เป็นค่าพยากรณ์ y = จำนวนยอดขาย t – i = ลำดับคาบเวลาที่ i ใดๆ ∑ = ผลรวม N =จำนวนคาบเวลาที่ต้องการเคลื่อนที่

ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (Simple Moving Average ) เดือน ขาย 3 Period of Moving พยากรณ์ Jan 15 Feb 16 Mar April 14 (Jan+Feb+Mar)/3 ;(15+16+15)/3= 15.333 May June 17 July Aug Sept 20

ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนัก ( Weighted Moving Average ) คือ การหาค่าเฉลี่ย ของยอดผลิตในอดีตติดต่อกัน โดยมีการให้ ค่าน้ำหนักตามความสำคัญแก่ยอดขายที่ใกล้ปัจจุบันที่สุดแล้วลดหลั่นกันไปตามอดีตโดยการถ่วงน้ำหนักของยอดขายในคาบเวลาแล้วหารด้วยผลรวมของตัวเลขที่นำมาถ่วงน้ำหนักผลลัพธ์ที่ได้คือ ค่าพยากรณ์ของคาบเวลาถัดไป ดังสมการ เมื่อ Y = ค่าเฉลี่ยที่เป็นค่าพยากรณ์ y = จำนวนยอดขาย t – i = ลำดับคาบเวลาที่ i ใดๆ ∑ = ผลรวม N = จำนวนคาบเวลาที่ต้องการเคลื่อนที่ W = ค่าถ่วงน้ำหนัก

ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนัก ( Weighted Moving Average ) เดือน ขาย 3 Period of Moving พยากรณ์ Jan 15 Feb 16 Mar April 14 (Janx1+Febx2+Marx3)/3+2+1 ;(15x1+16x2+15x3)/6= 15.333 May (Febx1+Marx2+Aprx3)/3+2+1 ;(16x1+15x2+14x3)/6 14.667 June 17 July Aug Sept 20

ค่าเฉลี่ยแบบปรับยกกำลัง ( Exponential Smoothing ) ความสัมพันธ์ระหว่างข้อมูลชุดต่าง ๆ ที่กล่าวมาเขียน เป็นตัวแบบทางคณิตศาสตร์ได้ดังนี้ Ft = Dt+ (1 - ) Dt-1 + (1 - )2 Dt-2 + (1 - )3 Dt-3 ...+(1 - )n F0

ตัวอย่างที่ 3.3 สมมติว่าบริษัทลังกาสุกะ จำกัด ได้ทำการพยากรณ์ ณ เวลา 24.00 น. ของวันที่ 31 มีนาคม ผลปรากฏว่า ยอดขายประจำเดือนเมษายน จะเป็น 25 ล้านบาท ยอดขายที่เกิดขึ้นจริงในเดือนต่อ ๆ มาเป็นดังนี้ เดือน เม.ย. พ.ค. มิ.ย. ก.ค. ยอดขายจริง (ล้านบาท) 22 25 27 30 บริษัทนี้จะใช้วิธีปรับเรียบโดยการใช้เลขชี้กำลังพยากรณ์ยอดขายในเดือนสิงหาคม โดยใช้ข้อมูลย้อน 4 คาบเวลา และผลจากการวิเคราะห์ข้อมูลในอดีตพบว่าตัวแปร เสริมมีค่าเท่ากับ 0.4 ปัญหา คือ ยอดขายของเดือนสิงหาคมที่พยากรณ์จะเป็นเท่าใด

ค่าเฉลี่ยแบบปรับยกกำลัง ตัวอย่าง ค่าเฉลี่ยแบบปรับยกกำลัง ตัวอย่าง Ft4 =  Dt + (1 - ) Dt-1 + (1 - )2  Dt-2 + (1 - )3  Dt-3 +(1 - )4 F0 Ft คือ ยอดพยากรณ์ที่ต้องการหาค่า (เดือนสิงหาคม) Dt คือ ยอดขายที่เกิดขึ้นในเดือนกรกฎาคม (30 ล้านบาท) Dt-1 คือ ยอดขายที่เกิดขึ้นในเดือนมิถุนายน (27 ล้านบาท) Dt-2 คือ ยอดขายที่เกิดขึ้นในเดือนพฤษภาคม (25 ล้านบาท) Dt-3 คือ ยอดขายที่เกิดขึ้นในเดือนเมษายน (22 ล้านบาท) F0 คือ ยอดพยากรณ์ที่ทำขึ้นเมื่อ 31 มีนาคม (25 ล้านบาท) n คือ จำนวนคาบเวลาที่ใช้ในการพยากรณ์ (4 คาบ)  คือ ตัวแปรเสริมมีค่าเท่ากับ 0.4 เมื่อนำเอาข้อมูลต่าง ๆ ไปแทนค่าลงในตัวแบบจะได้ว่า Ft =0.4(30)+(1-0.4)(0.4)(27)+(1-0.4)2(0.4)(25)+(1-0.4)3(0.4)(22)+ (1-0.4)4(25) = 27.22 ล้านบาท

ขอขอบคุณที่สนใจฟัง...