ในการเรียนบทนี้ เราจะใช้วิธีการในรูปแบบของ Time-Series Forecasting ประกอบไปด้วยวิธีการต่าง ๆ ดังนี้ (Time-Series Forecasting = มีตัวแปร 1 ตัวเปลี่ยนแปลงไปตามเวลา) 3. Weighted Moving Average Show 5. Exponential Smoothing with Trend Adjustment 6. Seasonal Variations in Data การแบ่งช่วงเวลาในการพยากรณ์ 1. Short-range forecast = มีช่วงเวลาน้อยกว่า 3 เดือน เหมาะกับการพยากรณ์ เพื่อจัดการกับ การจัดซื้อ , ตารางงาน , แรงงาน , การมอบหมายงาน , ปริมาณการผลิต 2. Medium-range forecast = มีช่วงเวลาอยู่ระหว่าง 3 เดือน ถึง 3 ปี เหมาะกับการพยากรณ์ เพื่อจัดการกับ การวางแผนการขายและการผลิต รวมถึงงบประมาณ 3. Long-range forecast = มีช่วงเวลามากกว่า 3 ปี เหมาะกับการพยากรณ์ เพื่อจัดการกับ การวางแผนสำหรับสินค้าใหม่ , สถานที่สำหรับอุปกรณ์/เครื่องมือสนับสนุน , ประเภทของการพยากรณ์ (Types of Forecasts) 1. Economic forecasts = การพยากรณ์ทางเศรษฐศาสตร์ 2. Technological forecast 3. Demand forecast -->(เรียนเฉพาะเรื่องนี้) กลยุทธที่สำคัญของการพยากรณ์ 1. ทรัพยากรมนุษย์ (Human Resources) = การจ้างงาน , การฝึกอบรม , การเลิกจ้างพนักงาน 2. ศักยภาพ ความสามารถ (Capacity) 3. การจัดการห่วงโซ่อุปทาน (Supply Chain Management) = ความสัมพันธ์ที่ดีกับSupplier และความได้เปรียบด้านราคา 7 ขั้นตอนสำคัญในการพยากรณ์ - ต้องรู้ว่าจะพยากรณ์เพื่ออะไร (ต้องตอบให้ได้ว่าจะเอาการพยากรณ์นั้นไปทำอะไร) Determine the use of the forecast - เลือกสิ่งที่ต้องการพยากรณ์ Select the items to be forecasted - แบ่งช่วงเวลาที่ต้องการพยากรณ์ Determine the time horizon of the forecast - เลือกรูปแบบที่จะทำการพยากรณ์ Select the forecasting model(s) - ตรวจสอบแล้วนำไปใช้วางแผนงานจริง Validate and implement results 1. ไม่มีการพยากรณ์ใดที่สมบูรณ์ 100% 2. เทคนิค/ทฤษฎีทั้งหมดตั้งอยู่บนระบบที่มีความเสถียร (Stability in the system) 3. การพยากรณ์ในภาพรวมของผลิตภัณฑ์มีความแม่นยำกว่าการพยากรณ์รายตัวผลิตภัณฑ์ องค์ประกอบของอนุกรมเวลา (Time Series Components) - การสุ่ม , ไร้รูปแบบ (Random) - วงจร/วัฎจักร (Cyclical) แหล่งที่มา : Prentice Hall, Inc.จากรูปจะเห็นว่า ส่วนประกอบของ Demand ประกอบด้วย Trend , Season Cycle และ Random - รูปแบบการเพิ่มขึ้น หรือ ลดลง อย่างต่อเนื่อง - เปลี่ยนแปลงตาม จำนวนประชากร , เทคโนโลยี , อายุ และวัฒนธรรม เป็นต้น - จะเป็นรูปแบบที่ใช้เวลาหลาย ๆ ปี - เป็นรูปแบบความผันผวน ขึ้น/ลง ที่เกิดขึ้นเป็นประจำ - เปลี่ยนแปลงตาม ฤดูกาล , ลูกค้า เป็นต้น - จะเป็นรูปแบบที่เกิดขึ้นภายในเวลา 1 ปี - เป็นการเคลื่อนไหวซ้ำ ๆ ของการเพิ่มขึ้น/ลดลง - เป็นผลกระทบมาจาก วัฐจักรของธุรกิจ , การเมือง และองค์ประกอบของเศรษฐกิจ - จะเป็นรูปแบบที่ใช้เวลามากกว่า 1 ปีในการเกิด - การไม่เป็นระบบ ไม่มีแบบแผน - เป็นผลกระทบมาจากการเปลี่ยนแปลงแบบสุ่ม หรือเหตุการณ์ที่ไม่คาดคิดมาก่อน - เกิดขึ้นในช่วงเวลาสั้น ๆ และไม่เกิดขึ้นซ้ำอีก ต่อไปจะเข้าสู่การคำนวณตามรูปแบบ Time - Series Forecasting - สมมุติว่าความต้องการในช่วงเวลาถัดไป จะมีขนาดเท่ากับความต้องการในช่วงเวลาล่าสุด เช่น ถ้าเดือน มกราคม มียอดขาย 68 หน่วย ก็จะคาดการณ์ว่าเดือน กุมภาพันธ์ ก็น่าจะขายได้ 68 หน่วยเช่นกัน - สามารถใช้เป็นจุดตั้งต้น(เริ่มต้น)ที่ดี - MA เป็นอนุกรมของค่าเฉลี่ยทางคณิตศาสตร์ - สามารถใช้ได้ถ้าเป็นการพยากรณ์ที่มีแนวโน้มเพียงเล็กน้อยหรือไม่มีแนวโน้ม - มักจะใช้กับเหตุการณ์ที่มีแนวโน้มคงที่ ตัวอย่าง เดือนยอดขายจริง 3-Month Moving Average 4-Month Moving Averageมกราคม10 กุมภาพันธ์ 3. Weighted Moving Average - นิยมใช้เมื่อเหตุการณ์มีแนวโน้มเข้ามาเกี่ยวข้อง ส่งผลให้ข้อมูลที่มีความเก่ามากเท่าไหร่ ก็ยิ่งมีความสำคัญลดลงตามไปด้วยเช่นกัน - ค่าถ่วงน้ำหนักนั้น จะขึ้นอยู่กับประการณ์และสัญชาตญาณของผู้ทำการพยากรณ์ ตัวอย่าง กำหนดให้ค่าถ่วงน้ำหนักของ เดือนล่าสุด = 3 , สองเดือนที่ผ่านมา = 2 , สามเดือนที่ผ่านมา = 1 และ เดือนล่าสุด = 7 , สองเดือนที่ผ่านมา = 3 , สามเดือนที่ผ่านมา = 1 เดือนยอดขายจริง 3-Month Weighted ปัญหาของค่าเฉลี่ยเคลื่อนที่ (Moving Average) 1. ถ้า n มีขนาดใหญ่เกินไป จะทำให้ไม่ไวต่อการเปลี่ยนแปลง 2. พยากรณ์แนวโน้มได้ไม่ดี 3. ต้องการข้อมูลย้อนหลังค่อนข้างมาก - เป็นรูปแบบของค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก (weighted moving average) โดยค่าถ่วงน้ำหนักนั้นจะลดลงแบบเอ็กโพเนนเชียล ซึ่งข้อมูลล่าสุดจะมีค่าถ่วงน้ำหนักมากที่สุด และลดลงไปตามเวลาของข้อมูล - ต้องมีค่าคงที่ของการปรับให้เรียบ มีค่าตั้งแต่ 0 ถึง 1 และมีวิธีการเลือกโดยการสุ่ม - ต้องการข้อมูลในอดีตไม่มากนัก 1. ถ้ามีการเปลี่ยนแปลงเร็ว/มาก ควรเลือกค่าคงที่ของการปรับให้เรียบมีค่ามากๆ (เข้าใกล้ 1) 2. ถ้ามีการเปลี่ยนแปลงช้า/น้อย ควรเลือกค่าคงที่ของการปรับให้เรียบมีค่าน้อยๆ (เข้าใกล้ 0) 5. Exponential Smoothing with Trend Adjustment เมื่อมีแนวโน้มเกิดขึ้น ทำให้ Exponential smoothing ได้มีการปรับเปลี่ยน ดังนี้
ขั้นที่ 3 คำนวณหาค่า พยากรณ์ FIT = Ft + Tt กำหนดให้ แอลฟ่า=0.2 , เบต้า=0.4
6. Seasonal Variations In Data 1. หาค่าเฉลี่ยความต้องการในแต่ละฤดูกาล 2. หาค่าเฉลี่ยของทุก ๆ ฤดูกาลรวมกัน (หาค่าเฉลี่ยรวมของข้อมูลทั้งหมด) 3. หาค่าดัชนีฤดูกาล (Seasonal Index) 4. คาดหมาย/ประมาณการ ความต้องการทั้งปีของปีหน้า 5. นำค่าที่ได้จากข้อ 4 มาหารด้วยจำนวนฤดูกาล แล้วคูณกับค่าในข้อ 3
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 Dec = (1,200/12)*0.851 = 85.1 = 85 เมื่อเราสามารถหาค่าประมาณการ/พยากรณ์ได้แล้วนั้น จะเห็นว่าเรามีหลายวิธีการในการประมาณการ ดังนั้นเราจึงต้องมีการตรวจสอบหาความคลาดเคลื่อน/ผิดพลาดของการพยากรณ์ ว่ารูปแบบใดมีความคลาดเคลื่อนมากน้อยกว่ากัน หรือมีความคาดเคลื่อนคิดเป็นกี่เปอร์เซ็นต์ ยอดรับได้หรือไม่ 1. การหาความคลาดเคลื่อน (Error) สำหรับใช้เปรียบเทียบค่าการพยากรณ์ของแต่ละรูปแบบ (ซึ่งไม่สามารถบอกได้ว่าค่าที่พยากรณ์นั้นดีพอหรือยัง จะบอกได้เพียงว่า การพยากรณ์ใด มีความคลาดเคลื่อนมากน้อยกว่ากัน) - MAD (Mean Absolute Deviation)
- MSE (Mean Squared Error) 2. การหาความคลาดเคลื่อน (Error) ว่าการพยากรณ์มีความคลาดเคลื่อนเป็นกี่เปอร์เซ็นต์ เพื่อใช้ในการสรุปว่า การพยากรณ์มีความแม่นยำเพียงพอหรือไม่ Demand Forecasting มีอะไรบ้างDemand Forecasting คือการคาดการณ์ความต้องการสินค้าคงคลังเป็นกระบวนการทำนายความต้องการของลูกค้าสำหรับรายการสินค้าคงคลังในช่วงเวลาที่กำหนด การคาดการณ์ความต้องการสินค้าคงคลังที่แม่นยำ มีส่วนช่วยให้บริษัท ไม่ต้องสต็อกของมากหรือน้อยเกินไป ซึ่งแนวโน้มของข้อมูลในอดีตและการทำความเข้าใจตลาดว่า Demand สามารถผันผวนได้อย่างไร จะ ...
Forecasting คือข้อใดการพยากรณ์ (Forecasting) หมายถึง การคาดคะเนการทํานายการเกิดเหตุการณ์หรือ สภาพการณ์ต่าง ๆ ในอนาคต โดยการพยากรณ์จะทําการศึกษาแนวโน้มและรูปแบบการเกิดเหตุการณ์ จากข้อมูลในอดีตและ/หรือใช้ความสามารถ ความรู้ ประสบการณ์ และดุลยพินิจของผู้พยากรณ์ (นิภา นิรุตติกุล, 2551)
การพยากรณ์ความต้องการของลูกค้ามีประโยชน์อย่างไรบ้างการพยากรณ์ความต้องการสินค้าของลูกค้าทำเพื่ออะไร
เพื่อสามารถผลิตและขายสินค้าตามปริมาณและเวลาที่ลูกค้าต้องการได้อย่างใกล้เคียงมากขึ้น ลดต้นทุนการผลิตสินค้าได้ โดยไม่ต้องผลิตสินค้าก่อนการส่งมอบทุกครั้ง ด้วยการลดเวลาการ Setup เครื่องจักร และลดเวลาการใช้เครื่องจักรรวมถึงพนักงานในการผลิตสินค้านอกเวลา (Over time)
การพยากรณ์มีความสําคัญอย่างไรการพยากรณ์ทำหน้าที่เป็นเครื่องมือในการวางแผนเพื่อช่วยองค์กรเตรียมความพร้อมในการรับมือกับความไม่แน่นอนที่อาจเกิดขึ้นในอนาคต ซึ่งช่วยให้ผู้จัดการสามารถตอบสนองต่อการเปลี่ยนแปลงได้อย่างมั่นใจ ควบคุมการดำเนินงานทางธุรกิจ และตัดสินใจเชิงกลยุทธ์ที่ขับเคลื่อนการเติบโตในอนาคตได้ ตัวอย่างเช่น ธุรกิจใช้การพยากรณ์เพื่อทำสิ่งต่อไป ...
|