Chapter 5 Forecasting in Logistics Management Aj-Kulachatr C. Na Ayudhya Naresuan University Payao Campus Semester 1/50

ความหมายและความสำคัญของการพยากรณ์ การพยากรณ์ คือ การคาดการณ์เหตุการณ์ในอนาคต การพยากรณ์ทางธุรกิจโลจิสติกส์ เช่น ยอดขาย ปริมาณการผลิต หรือสถานการณ์อุตสาหกรรมโดยทั่วไป โดยอาศัยการประมวลจากข้อมูลในอดีต ประสบการณ์ เหตุปัจจัยอื่นๆ ที่คาดคะเนขึ้น ความสำคัญ การพยากรณ์ทำให้สามารถผลิต ตระเตรียมสินค้าหรือวัตถุดิบได้เพียงพอหรือสอดคล้องกับความต้องการในอนาคตเพื่อการวางแผนในโซ่อุปทานต่อไปได้อย่างแม่นยำ ทำให้สามารถจัดสรรทรัพยากรการผลิต (Inputs) ได้แก่ กำลังคน วัตถุดิบและการเงิน ได้อย่างเหมาะสม

ประโยชน์ของการพยากรณ์ ค่าที่ได้จากการพยากรณ์สามารถนำไปใช้ในการวางแผนในหลายๆ ฝ่ายของบริษัทได้แก่ ฝ่ายการเงิน (Money) : เป็นข้อมูลพื้นฐานในการจัดทำงบประมาณการขาย ซึ่งเป็นจุดเริ่มต้นของการจัดทำงบการเงินเพื่อการจัดสรรทรัพยากรใกทุกส่วนขององค์การอย่างทั่วถึง ฝ่ายการตลาด (Man) : เพื่อใช้กำหนดโควต้าให้แก่พนักงานขายและถูกนำไปใช้สร้างเป้าหมายในการขายหรือการตลาด ฝ่ายการผลิต (Machine & Material) : พิจารณา การบริหารสินค้าคงคลังและจัดการคำสั่งซื้อให้สอดคล้อง การบริหารกำลังคนในฝ่ายผลิตให้สอดคล้องกับค่าพยากรณ์ กำหนดกำลังการผลิต ด้วยการปรับระดับการผลิตของเครื่องจักรให้เหมาะสม และจัดสรรวัตถุดิบให้สอดคล้องกับกับกำลังการผลิต เพื่อเลือกทำเลที่ตั้งการผลิตหรือศูนย์กระจายสินค้าให้สอดคล้องกับค่าการผลิตที่พยากรณ์ไว้ วางแผนผังกระบวนการผลิต ตารางการผลิตและกำหนดเวลาที่ต้องผลิตให้สอดคล้องกับค่าพยากรณ์

ประเภทของการพยากรณ์ พิจารณาตามระยะเวลาดำเนินการผลิต การพยากรณ์ระยะสั้น (Short time range Forecast) ไม่เกิน 3 เดือน เหมาะกับสินค้ารายชนิด ใช้เพื่อการวางแผนจัดซื้อ จัดตารางการผลิต จัดการสต็อค มอบหมายงาน การพยากรณ์ระยะปานกลาง (Mid-range Forecast) 3 เดือน – 2 ปี เหมาะกับการพยากรณ์สินค้าทั้งกลุ่ม วางแผนการขาย แผนกระจายสินค้า แผนการผลิตครึ่งปี – ทั้งปี และการจัดวางงบประมาณ การพยากรณ์ระยะยาว (Long-range Forecast) 2 ปีขึ้นไป มักใช้สำหรับการพยากรณ์รวมทั้งบริษัท เช่น การออกสินค้าใหม่ การวางแผนกลยุทธ์การผลิต หรือวางแผนธุรกิจใหม่

Forecasting Technique Qualitative Forecasting (Judgment Method) ไม่ได้ใช้ตัวเลขในการพยากรณ์มากนัก เหมาะกับการพยากรณ์ระยะยาว ที่ต้องคาดการณ์สิ่งที่จะเกิดขึ้นในอนาคต มีที่สำคัญ 4 วิธี คือ Delphi Technique Marketing Research Jury of Executive Opinion Sales force Composite Quantitative Forecasting เป็นการใช้ตัวเลขเชิงปริมาณในอดีตมาทำการพยากรณ์ความต้องการในอนาคต โดยมีข้อมูลจำนวนมากเพียงพอที่จะใช้วิเคราะห์ทางสถิติ และเหมาะกับการพยากรณ์ระยะสั้น หรือระยะกลาง

Quantitative Forecasting Moving Average Simple Moving Average Weighted Moving Average Exponential Smoothing Trend Projection (Causal Method)

Moving Average Simple Moving Average คือการหาค่าเฉลี่ยของยอดผลิตในอดีตติดต่อกัน ตามจำนวนคาบเวลาที่ผู้พยากรณ์ต้องการแล้วหารด้วยจำนวนคาบเวลา ผลลัพธ์ที่ได้ คือ ค่าพยากรณ์ของคาบเวลาถัดไป ดังสมการ เมื่อ Y = ค่าเฉลี่ยที่เป็นค่าพยากรณ์ y = จำนวนยอดขาย t – i = ลำดับคาบเวลาที่ i ใดๆ ∑ = ผลรวม N = จำนวนคาบเวลาที่ต้องการเคลื่อนที่

(Jan+Feb+Mar)/3 ;(15+16+15)/3= Simple Moving Average Month Sales 3 Period of Moving Forecast Jan 15 Feb 16 Mar April 14 (Jan+Feb+Mar)/3 ;(15+16+15)/3= 15.333 May June 17 July Aug Sept 20

Moving Average Weighted Moving Average คือการหาค่าเฉลี่ยของยอดผลิตในอดีตติดต่อกัน โดยมีการให้ค่าน้ำหนักตามความสำคัญแก่ยอดขายที่ใกล้ปัจจุบันที่สุดแล้วลดหลั่นไปตามอดีต โดยการถ่วงน้ำหนักของยอดขายในคาบเวลาแล้วหารด้วยผลรวมของตัวเลขที่นำมาถ่วงน้ำหนัก ผลลัพธ์ที่ได้ คือ ค่าพยากรณ์ของคาบเวลาถัดไป ดังสมการ เมื่อ Y = ค่าเฉลี่ยที่เป็นค่าพยากรณ์ y = จำนวนยอดขาย t – i = ลำดับคาบเวลาที่ i ใดๆ ∑ = ผลรวม N = จำนวนคาบเวลาที่ต้องการเคลื่อนที่ W = ค่าถ่วงน้ำหนัก

Weighted Moving Average Month Sales 3 Period of Moving Forecast 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

Exponential Smoothing คือการพยากรณ์ที่ให้ความสำคัญกับข้อมูลเก่าทุกค่า โดยให้ความสำคัญแก่ค่าที่ใกล้ปัจจุบันมากที่สุดลดหลั่นลงไปตั้งแต่ค่าที่ 1 จนถึงค่าล่าสุด และถ่วงน้ำหนักข้อมูลโดยใช้สัมประสิทธิ์การปรับเรียบ() ดังสมการดังนี้ เมื่อ Y = ค่าพยากรณ์ y = จำนวนยอดขายจริงที่เกิดขึ้น t – i = ลำดับคาบเวลาที่ i ใดๆ  = ค่าคงที่ของการปรับเรียบ มีค่าตั้งแต่ 0.00 – 1.00 โดยมากใช้ 0.1 – 0.3

Exponential Smoothing Month Sales ตัวอย่างการคำนวณ Smoothing Forecasting  = 0.3  = 0.2  = 0.1 Jan 15 ค่าพยากรณ์ตัวแรก = ค่าจริงที่เกิดขึ้น 15.0 Feb 16 15+0.3(15-15) Mar 15+0.3(16-15) 15.3 15.2 15.1 April 14 15.3+0.3(15-15.3) May 15.2+0.3(14-15.2) 14.8 14.9 June 17 July 15.7 15.5 Aug 15.4

Trend Analysis (Causal Method) ยอดขาย วิธีการที่ใช้เมื่อข้อมูลมีความสัมพันธ์กับตัวแปรหนึ่งกับยอดขาย โดยที่ตัวแปรนั้นอาจเป็นสาเหตุจากปัจจัยภายในองค์การ หรือนอกองค์การก็ได้ ซึ่งความสัมพันธ์ดังกล่าวจะเป็นสมการเส้นตรง (Linear Regression) โดยมีตัวแปรหนึ่งเป็นตัวแปรตาม (Dependent Variable) กับอีกตัวแปรหนึ่งเป็นตัวแปรอิสระ (Independent Variable) Y=a + bX ค่าโฆษณา

Trend Analysis (Causal Method) เทคนิคทางสถิติแบบสหสัมพันธ์ถดถอย (Regression Analysis) จะปรับข้อมูลที่ไม่เป็นเส้นตรงหรือมีความสะเปะสะปะให้เป็นเส้นตรงด้วยสมการดังต่อไปนี้ เมื่อ Y = ค่าพยากรณ์ y = จำนวนยอดขายจริงที่เกิดขึ้น t = อันดับที่ของเวลา n = จำนวนชุดข้อมูล a = ค่าคงที่ของ Y ที่ t = 0 b = slope ของเส้นตรง

Trend Analysis (∑t)2 = 441 N = 6 t t.y t2 Y = 14.6 + 0.257t Month Sales Y t t.y t2 Jan 15 1 Feb 16 2 32 4 Mar 3 45 9 April 14 56 May 5 80 25 June 17 6 102 36 ∑ 93 21 330 91 (∑t)2 = 441 N = 6 Y = 14.6 + 0.257t