การพยากรณ์ความต้องการ (Demand forecasting) คือการประเมินว่าคุณจะขายสินค้าได้มากน้อยเพียงใดในช่วงเวลาในอนาคต เพื่อให้คุณสามารถตัดสินใจได้ว่าจะต้องซื้อและจัดเก็บสินค้าไว้เท่าใด
ทุกธุรกิจล้วนทำสิ่งนี้ ส่วนใหญ่มักทำโดยสัญชาตญาณ เช่น มีคนมองดูชั้นวางสินค้า นึกถึงยอดขายเดือนที่แล้ว แล้วก็ทำการสั่งซื้อ แต่การพยากรณ์อย่างเป็นทางการจะเข้ามาแทนที่ด้วยวิธีการที่สามารถตรวจสอบ วัดผล และปรับปรุงได้
เหตุผลที่เรื่องนี้มีความสำคัญไม่ใช่เพราะเราสามารถพยากรณ์ได้อย่างแม่นยำร้อยเปอร์เซ็นต์ เพราะในความเป็นจริงนั้นเป็นไปไม่ได้ และกระบวนการใดที่ตั้งสมมติฐานเช่นนั้นย่อมนำไปสู่ความผิดหวัง แต่ที่สำคัญเพราะ ขนาดของความคลาดเคลื่อน เป็นตัวกำหนดว่าคุณต้องมี Safety stock มากน้อยเพียงใด และ Safety stock นั้นมีต้นทุนที่สูง การพยากรณ์ที่ดีขึ้นเป็นวิธีเดียวที่จะช่วยให้คุณถือครองสต็อกน้อยลงได้โดยไม่ลดระดับความพร้อมในการให้บริการ
การพยากรณ์ความต้องการคืออะไร
การพยากรณ์ประกอบด้วยสามส่วน และการพยากรณ์ที่ผิดพลาดมักเกิดจากการละเลยสองในสามส่วนนี้
ตัวเลข: จำนวนหน่วยที่คาดว่าจะขายได้ในช่วงเวลาที่กำหนด
ช่วงเวลา: สัปดาห์หน้า เดือนหน้า หรือไตรมาสหน้า ความแม่นยำจะลดลงเมื่อระยะเวลาการพยากรณ์ยาวขึ้น ดังนั้นช่วงเวลาควรสอดคล้องกับวัตถุประสงค์ของคุณ เช่น การพยากรณ์เพื่อสั่งซื้อสินค้าจำเป็นต้องครอบคลุมเพียงแค่ระยะเวลา Lead time บวกกับระยะเวลาในการทบทวนสต็อกของคุณเท่านั้น
ช่วงความเชื่อมั่น: ความเป็นไปได้ที่ตัวเลขอาจคลาดเคลื่อน การพยากรณ์ว่ายอดขายจะอยู่ที่ 500 หน่วย โดยมีความเป็นไปได้ที่จะอยู่ในช่วง 400 ถึง 600 หน่วย ถือเป็นข้อมูลการวางแผนที่แตกต่างอย่างสิ้นเชิงจากการพยากรณ์ที่อาจเป็นไปได้ตั้งแต่ 200 ถึง 800 หน่วย แม้ว่าทั้งสองกรณีจะมีค่ากลางเท่ากันก็ตาม ช่วงความเชื่อมั่นนี้เองที่เป็นตัวกำหนดขนาดของ Buffer และการพยากรณ์ที่ไม่มีช่วงความเชื่อมั่นจะทำให้คุณไม่มีเกณฑ์ในการตัดสินใจว่าต้องสำรองสินค้าไว้มากน้อยเพียงใด
การพยากรณ์ยังแตกต่างกันไปตามระดับ การพยากรณ์ความต้องการรวมของหมวดหมู่สินค้ามีความน่าเชื่อถือมากกว่าการพยากรณ์ SKU รายตัวในสีที่เฉพาะเจาะจง เพราะความผันผวนจะหักล้างกันเองเมื่อคุณรวบรวมข้อมูลเข้าด้วยกัน สิ่งนี้เป็นเรื่องที่ควรทราบเพราะจะช่วยอธิบายได้ว่าเหตุใดตัวเลขในระดับภาพรวมของคุณจึงดูแม่นยำ ในขณะที่การพยากรณ์สินค้าแต่ละรายการกลับผิดพลาดอยู่เสมอ
วิธีการพยากรณ์หลัก
Naïve forecasting: ช่วงเวลาถัดไปเท่ากับช่วงเวลาที่ผ่านมา ถือว่ามีประโยชน์มากในการใช้เป็นเกณฑ์พื้นฐาน หากวิธีที่ซับซ้อนของคุณไม่สามารถทำผลงานได้ดีกว่าวิธีนี้ แสดงว่าความซับซ้อนนั้นไม่ได้สร้างมูลค่าเพิ่มใดๆ
Moving average: ค่าเฉลี่ยของช่วงเวลาที่ผ่านมาหลายช่วง ซึ่งช่วยลดความผันผวนแบบสุ่ม เป็นวิธีที่ง่ายและมีประสิทธิภาพสำหรับสินค้าที่มีความต้องการคงที่ แต่จะตอบสนองต่อการเปลี่ยนแปลงที่แท้จริงได้ช้าเนื่องจากข้อมูลในอดีตมีน้ำหนักเท่ากับข้อมูลล่าสุด
Weighted moving average: คล้ายกับวิธีข้างต้น แต่ให้ความสำคัญกับช่วงเวลาล่าสุดมากกว่า ทำให้ตอบสนองต่อการเปลี่ยนแปลงได้รวดเร็วขึ้นในขณะที่ยังคงความราบรื่นของข้อมูลไว้ได้บ้าง
Exponential smoothing: น้ำหนักของข้อมูลจะลดลงตามลำดับเรขาคณิตเมื่อย้อนกลับไปในอดีต โดยควบคุมด้วยปัจจัยการปรับเรียบ (Smoothing factor) เพียงตัวเดียว ปัจจัยที่สูงขึ้นจะตอบสนองต่อการเปลี่ยนแปลงได้เร็วขึ้นแต่มีความผันผวนสูงกว่า ส่วนปัจจัยที่ต่ำจะให้ความเสถียรแต่ตอบสนองช้า วิธีนี้เป็นหัวใจสำคัญของการพยากรณ์ในทางปฏิบัติ และมีรูปแบบย่อยที่สามารถจัดการกับแนวโน้ม (Trend) และฤดูกาล (Seasonality) ได้โดยตรง
Trend and seasonal decomposition: แยกข้อมูลในอดีตออกเป็นระดับพื้นฐาน แนวโน้ม และรูปแบบฤดูกาลที่เกิดขึ้นซ้ำๆ จากนั้นจึงคาดการณ์แต่ละส่วนและนำมารวมกันใหม่ วิธีนี้จำเป็นสำหรับสินค้าที่มีความเป็นฤดูกาลอย่างแท้จริง ซึ่งเป็นสินค้าอุปโภคบริโภคส่วนใหญ่
Regression: เชื่อมโยงความต้องการเข้ากับตัวแปรที่เป็นปัจจัยขับเคลื่อน เช่น ราคา งบการตลาด สภาพอากาศ หรือดัชนีชี้วัดทางเศรษฐกิจ เป็นวิธีที่ทรงพลังหากมีความสัมพันธ์เชิงเหตุและผลที่แท้จริง แต่จะทำให้เข้าใจผิดได้หากนำความสัมพันธ์แบบบังเอิญมาตีความว่าเป็นเหตุเป็นผลกัน
Qualitative methods: ข้อมูลจากทีมขาย ความตั้งใจของลูกค้า หรือการตัดสินใจของผู้เชี่ยวชาญ เป็นสิ่งที่ขาดไม่ได้ในกรณีที่ไม่มีข้อมูลในอดีต เช่น สินค้าใหม่ ตลาดใหม่ หรือช่องทางการขายที่เพิ่งเปิดใหม่ แต่วิธีนี้มักมีความลำเอียงในเชิงบวก (Optimism) สูงที่สุด จึงควรบันทึกการคาดการณ์ไว้และนำมาประเมินผลในภายหลัง
Machine learning approaches: มีให้ใช้งานมากขึ้นในซอฟต์แวร์การวางแผน และให้ผลลัพธ์ที่ดีกว่าอย่างแท้จริงในกรณีที่คุณมีสินค้าจำนวนมาก มีข้อมูลย้อนหลังยาวนาน และมีตัวแปรที่มีอิทธิพลหลายประการ อย่างไรก็ตาม วิธีนี้ต้องการข้อมูลมากกว่าที่การดำเนินงานส่วนใหญ่มี และไม่สามารถแก้ไขปัญหาจากข้อมูลนำเข้าที่ผิดพลาดได้
ประเภทของการพยากรณ์ความต้องการ
การพยากรณ์ถูกจัดหมวดหมู่ได้หลายวิธี และชื่อเรียกเหล่านี้มีประโยชน์ในการใช้เป็นคำย่อในการวางแผน
ตามระยะเวลา (Time horizon):
- ระยะสั้น (Short-term): ตั้งแต่ไม่กี่วันไปจนถึงไม่กี่เดือน ใช้สำหรับการเติมสินค้า (Replenishment), จุดสั่งซื้อซ้ำ (Reorder points) และการจัดการกำลังคน ความแม่นยำในระดับนี้เป็นสิ่งที่ทำได้จริงและเห็นผลทันที
- ระยะกลาง (Medium-term): ตั้งแต่หนึ่งไตรมาสถึงหนึ่งปี ใช้สำหรับการวางแผนการจัดซื้อ, ข้อตกลงกับซัพพลายเออร์ และการซื้อสินค้าตามฤดูกาล
- ระยะยาว (Long-term): หนึ่งปีขึ้นไป ใช้สำหรับการตัดสินใจด้านกำลังการผลิต เช่น พื้นที่คลังสินค้า, อุปกรณ์, จำนวนพนักงาน ความแม่นยำไม่ใช่สิ่งที่คาดหวังหรือมีประโยชน์ในระยะนี้ สิ่งที่สำคัญคือทิศทางและขนาดของธุรกิจ
ตามขอบเขต (Scope):
- Macro-level: การพยากรณ์ที่มองออกไปภายนอกถึงสภาพแวดล้อมที่ความต้องการของคุณตั้งอยู่ เช่น สภาวะเศรษฐกิจ, หมวดหมู่สินค้า, ตลาด มีประโยชน์สำหรับบริบทภาพรวมแต่แทบจะไม่สามารถนำไปปฏิบัติได้โดยตรง
- Micro-level: การพยากรณ์ที่เจาะจงไปที่สินค้า ช่องทางการขาย หรือลูกค้าเฉพาะราย นี่คือระดับที่การตัดสินใจเชิงปฏิบัติการเกิดขึ้นจริง
ตามแนวทาง (Stance):
- Passive forecasting: ตั้งสมมติฐานบนความต่อเนื่อง คือสิ่งที่เคยเกิดขึ้นจะยังคงเกิดขึ้นต่อไป โดยปรับตามแนวโน้มและฤดูกาล เหมาะสำหรับธุรกิจที่มีความเสถียรและเป็นค่าเริ่มต้นที่เหมาะสมสำหรับการวางแผนสินค้าคงคลังส่วนใหญ่ เพราะไม่มีการตั้งสมมติฐานที่เกินจริง
- Active forecasting: รวมสิ่งที่ตั้งใจจะเปลี่ยนแปลงเข้าไปด้วย เช่น การจัดโปรโมชั่น, ช่องทางใหม่, การขึ้นราคา, การเปิดตัวสินค้าใหม่ จำเป็นอย่างยิ่งเมื่อข้อมูลในอดีตไม่สามารถเป็นตัวบ่งชี้ที่ดีได้ และเป็นจุดที่ความลำเอียงในเชิงบวกสร้างความเสียหายได้มากที่สุด เพราะแผนงานมักถูกเข้าใจผิดว่าเป็นการพยากรณ์
ตามวิธีการ (Method):
- Qualitative: การตัดสินใจ, ข้อมูลจากฝ่ายขาย, ความเห็นผู้เชี่ยวชาญ จำเป็นสำหรับสินค้าใหม่ที่ไม่มีประวัติ และมีความน่าเชื่อถือน้อยที่สุดเมื่อมีข้อมูลอื่นให้ใช้งาน
- Quantitative: ค่าเฉลี่ยเคลื่อนที่, Exponential smoothing, Regression, การแยกส่วนประกอบตามฤดูกาล มีความน่าเชื่อถือเมื่อมีข้อมูลย้อนหลังและมีความต้องการที่ค่อนข้างคงที่
- AI-based and machine-learning: โมเดลที่พิจารณาตัวแปรหลายอย่างพร้อมกันและค้นหารูปแบบที่ Time series แบบง่ายมองข้ามไป เช่น สภาพอากาศ, การตั้งราคา, พฤติกรรมคู่แข่ง, การเข้าชมเว็บไซต์, การทับซ้อนของโปรโมชั่น วิธีนี้จะคุ้มค่าเมื่อใช้ในระดับใหญ่กับ SKU จำนวนมากที่มีประวัติข้อมูลเพียงพอ และไม่ใช่สิ่งที่จะมาทดแทนข้อมูลที่สะอาดได้ โมเดลที่ถูกฝึกด้วยประวัติการขายที่มีช่วงสินค้าขาดสต็อกโดยไม่ได้ระบุไว้ จะเรียนรู้สิ่งที่ผิดพลาดได้เร็วกว่าและมั่นใจกว่าการใช้สเปรดชีตทั่วไป
ประเด็นสำคัญในทางปฏิบัติคือ ธุรกิจส่วนใหญ่ต้องการการพยากรณ์เชิงปริมาณแบบ Passive ในระดับ Micro และระยะสั้น สำหรับสินค้าส่วนใหญ่ของตน โดยมีการพยากรณ์แบบ Active เสริมเข้ามาสำหรับสินค้าบางรายการที่มีการเปลี่ยนแปลงอย่างตั้งใจ การพยายามใช้วิธีที่ซับซ้อนก่อนที่วิธีพื้นฐานจะทำงานได้ดี ถือเป็นข้อผิดพลาดในการจัดลำดับที่พบบ่อยที่สุดและมีราคาแพงที่สุดในด้านนี้
วิธีพยากรณ์ความต้องการในทางปฏิบัติ
1. ทำความสะอาดข้อมูลประวัติก่อน: ขั้นตอนนี้เป็นตัวกำหนดว่าทุกสิ่งที่ตามมาจะคุ้มค่าหรือไม่
การแก้ไขที่สำคัญที่สุดคือกรณีสินค้าขาดสต็อก (Stockouts) ประวัติการขายจะบันทึกสิ่งที่คุณขายได้ ไม่ใช่สิ่งที่ลูกค้าต้องการ ช่วงเวลาที่คุณสินค้าหมดจะแสดงยอดขายที่ต่ำ และการนำข้อมูลนั้นไปใส่ในการพยากรณ์จะบอกโมเดลว่าความต้องการต่ำกว่าความเป็นจริง ซึ่งเป็นสินค้าตัวเดียวกับที่ทำให้คุณพลาดโอกาสไปแล้ว ให้ทำเครื่องหมายช่วงเวลาที่สินค้าขาดสต็อกและเลือกที่จะตัดออกหรือประมาณการความต้องการที่สูญเสียไป
นอกจากนี้ ให้ตัดเหตุการณ์ที่เกิดขึ้นครั้งเดียวออกไป เช่น คำสั่งซื้อขนาดใหญ่ที่ไม่มีการสั่งซ้ำ, การเคลียร์สต็อก, หรือความผิดพลาดของข้อมูล แต่ให้คงรูปแบบที่เกิดขึ้นซ้ำๆ อย่างแท้จริง เช่น โปรโมชั่น ไว้ แต่ต้องทำเครื่องหมายให้ชัดเจนว่าเป็นโปรโมชั่น ไม่ใช่ยอดขายพื้นฐาน
2. เลือกระดับการพยากรณ์: พยากรณ์ในระดับที่คุณจะนำไปตัดสินใจ หากคุณสั่งซื้อสินค้าตาม SKU คุณก็ต้องการการพยากรณ์ระดับ SKU แต่คุณอาจสร้างมันขึ้นมาโดยการพยากรณ์ระดับหมวดหมู่แล้วแบ่งสัดส่วนตามยอดขายล่าสุด ซึ่งมักจะมีความเสถียรมากกว่าการพยากรณ์ SKU แต่ละรายการแยกกัน
3. เลือกวิธีการให้เหมาะกับกลุ่มสินค้า: สินค้าที่มีปริมาณการขายสูงและมีความเสถียรเหมาะกับ Exponential smoothing สินค้าที่มีความเป็นฤดูกาลต้องใช้การแยกส่วนประกอบตามฤดูกาล ส่วนสินค้าที่ขายช้าและมีความผันผวนสูง มักจะเหมาะกับการใช้ค่าเฉลี่ยแบบง่ายและ Buffer ที่เพียงพอ เพราะวิธีที่ซับซ้อนมักจะไปจับเอาสัญญาณรบกวน (Noise) มาเป็นข้อมูล
4. ใช้การตัดสินใจและบันทึกไว้: ปรับเปลี่ยนตามปัจจัยที่ข้อมูลในอดีตไม่สามารถรับรู้ได้ เช่น การได้รายการสินค้าใหม่, คู่แข่งออกจากตลาด, การเปลี่ยนแปลงราคา, หรือโปรโมชั่น ให้บันทึกการปรับเปลี่ยนแยกจากการพยากรณ์ทางสถิติ เพื่อให้คุณสามารถทบทวนได้ในภายหลังว่าการแทรกแซงของคุณช่วยได้จริงหรือไม่ ซึ่งหลายคนมักละเลยขั้นตอนนี้
5. วัดความคลาดเคลื่อน: หากไม่มีขั้นตอนนี้ สิ่งนี้จะไม่ใช่กระบวนการ แต่เป็นเพียงความเคยชิน
6. ทบทวนและปรับเปลี่ยนอย่างสม่ำเสมอ: สำหรับการดำเนินงานส่วนใหญ่ควรทำเป็นรายเดือน ประเด็นสำคัญคือการตรวจจับสินค้าที่มีรูปแบบความต้องการเปลี่ยนไป ไม่ใช่การปรับตัวเลขที่ถูกต้องอยู่แล้วให้ละเอียดขึ้น
การวัดความแม่นยำของการพยากรณ์
มาตรวัด 3 ประการสามารถครอบคลุมความต้องการส่วนใหญ่ได้
MAPE — mean absolute percentage error. คือค่าความคลาดเคลื่อนเฉลี่ยในรูปแบบร้อยละของความต้องการจริง เป็นค่าที่เข้าใจง่ายและใช้กันอย่างแพร่หลาย จุดอ่อนคือจะเกิดความบิดเบือนอย่างมากเมื่อปริมาณน้อย เช่น การพยากรณ์พลาดไป 2 หน่วยจากยอด 3 หน่วย คิดเป็นความคลาดเคลื่อนถึง 67% ซึ่งไม่มีนัยสำคัญในทางปฏิบัติ
MAD — mean absolute deviation. คือค่าความคลาดเคลื่อนเฉลี่ยในรูปแบบหน่วย โดยไม่คำนึงถึงทิศทาง มีประโยชน์เพราะสามารถนำไปใช้ในการคำนวณ safety stock ได้โดยตรง
Bias. คือค่าความคลาดเคลื่อนเฉลี่ยโดยยังคงทิศทางไว้ นี่คือค่าที่มักถูกมองข้ามบ่อยที่สุดแต่กลับให้ข้อมูลที่เป็นประโยชน์มากที่สุด หากค่าความคลาดเคลื่อนเฉลี่ยของคุณใกล้ศูนย์ แสดงว่าคุณพยากรณ์สูงไปและต่ำไปพอๆ กัน ซึ่งถือเป็นสัญญาณรบกวน (noise) ที่ safety stock สามารถรองรับได้ แต่หากค่าเป็นบวกหรือลบอย่างสม่ำเสมอ แสดงว่าคุณมีปัญหาเชิงระบบ และไม่มี safety stock จำนวนเท่าใดที่จะช่วยแก้ไขการพยากรณ์ที่ต่ำเกินไปอยู่ตลอดเวลาได้
ควรวัดผลตามกลุ่มผลิตภัณฑ์แทนการวัดแบบภาพรวม เพราะตัวเลขภาพรวมที่ดีมักจะบดบังรายการสินค้าที่พยากรณ์พลาดอย่างหนักซึ่งสร้างความเสียหายจริง
เปรียบเทียบกับเกณฑ์พื้นฐานแบบง่าย (naïve baseline) หากวิธีการของคุณไม่ได้ให้ผลดีไปกว่าการใช้ตัวเลข “เท่ากับเดือนที่แล้ว” ก็ควรทำให้ง่ายลง
ทำไมการพยากรณ์ถึงไม่มีวันสมบูรณ์แบบ (และนั่นก็ไม่ใช่เรื่องผิด)
การพยากรณ์ย่อมมีความผิดพลาด คำถามที่มีประโยชน์คือ ผิดพลาดอย่างไร ผิดพลาดในทิศทางไหน และความผิดพลาดนั้นมีความเสถียรเพียงพอที่จะวางแผนรับมือหรือไม่
นี่คือเหตุผลว่าทำไมการพยากรณ์และ safety stock จึงเป็นเรื่องเดียวกัน การพยากรณ์บอกความต้องการที่คาดหวัง ส่วนความคลาดเคลื่อนของการพยากรณ์บอกถึงความผันผวนที่ safety stock มีไว้เพื่อรองรับ หากปรับปรุงการพยากรณ์ให้ดีขึ้น ปริมาณ buffer ที่ต้องใช้ก็จะลดลงภายใต้ระดับการให้บริการ (service level) ที่เท่าเดิม นี่คือเหตุผลเชิงพาณิชย์ทั้งหมดในการลงทุนกับการพยากรณ์ ซึ่งเป็นสิ่งที่วัดผลได้
ต้องยอมรับด้วยว่าสินค้าบางรายการไม่สามารถพยากรณ์ได้จริงๆ เช่น สินค้าที่เคลื่อนไหวช้ามาก สินค้าโครงการที่ทำครั้งเดียว หรืออะไรก็ตามที่ขับเคลื่อนด้วยเหตุการณ์ภายนอกที่ไม่มีใครคาดเดาได้ สำหรับสินค้าเหล่านี้ คำตอบที่ตรงไปตรงมาคือการใช้กลยุทธ์อื่น เช่น การผลิตตามสั่ง (make to order), การให้ซัพพลายเออร์ถือสต็อก หรือการยอมรับ lead time ที่ยาวขึ้น แทนที่จะพยายามหานางแบบการพยากรณ์ที่ดีกว่าเดิม
การพยากรณ์ความต้องการตามฤดูกาลและช่วงโปรโมชัน
รูปแบบสองประการนี้เป็นสาเหตุของความยากลำบากส่วนใหญ่ และทั้งคู่จำเป็นต้องได้รับการจัดการอย่างชัดเจน แทนที่จะหวังว่าวิธีการทั่วไปจะครอบคลุมได้
Seasonality (ฤดูกาล) คือรูปแบบที่เกิดขึ้นซ้ำๆ ตามปฏิทิน ความผิดพลาดคือการมองว่ายอดขายที่พุ่งสูงขึ้นตามฤดูกาลคือการเติบโต การใช้ค่าเฉลี่ยเคลื่อนที่ (moving average) กับสินค้าที่ขายดีเป็น 4 เท่าในเดือนธันวาคม จะทำให้ยอดพยากรณ์พุ่งสูงขึ้นในเดือนมกราคม สั่งของมากเกินไป แล้วยอดขายก็จะตกลงกลับมาในช่วงฤดูใบไม้ผลิ
การจัดการอย่างถูกต้องคือการแยกปัจจัยด้านฤดูกาลออกจากระดับความต้องการพื้นฐาน ให้คำนวณอัตราส่วนความต้องการในแต่ละช่วงเทียบกับค่าเฉลี่ยรายปีตลอดหลายปี คุณจะได้ชุดดัชนีฤดูกาล เช่น ธันวาคม 2.4, มกราคม 0.6 เป็นต้น จากนั้นให้พยากรณ์ระดับความต้องการพื้นฐาน แล้วจึงนำดัชนีของช่วงเวลาที่กำลังพยากรณ์มาคูณ
ข้อควรระวังสองประการ: คุณต้องมีข้อมูลย้อนหลังอย่างน้อยสองรอบปีเต็มก่อนที่ดัชนีฤดูกาลจะมีนัยสำคัญ และสามรอบปีจะดีกว่า นอกจากนี้ ฤดูกาลยังมีการเปลี่ยนแปลง เช่น วันอีสเตอร์ที่เลื่อนไปมา สัปดาห์ที่มียอดขายสูงสุดที่เปลี่ยนไปตามพฤติกรรมผู้บริโภค และดัชนีที่คำนวณจากข้อมูลเก่า 5 ปีอาจอธิบายรูปแบบที่ไม่มีอยู่จริงแล้วก็ได้
Promotions (โปรโมชัน) เป็นปัญหาใหญ่กว่าในธุรกิจส่วนใหญ่ เพราะเป็นสิ่งที่เกิดขึ้นอย่างมีนัยสำคัญและเป็นสิ่งที่ธุรกิจสร้างขึ้นเอง โปรโมชันสามารถเพิ่มความต้องการได้หลายเท่าตัวในหนึ่งสัปดาห์ และยอดที่พุ่งสูงขึ้นนั้นจะเข้าไปอยู่ในข้อมูลประวัติของคุณและบิดเบือนการพยากรณ์ทุกครั้งหลังจากนั้น
หลักการที่ช่วยได้:
- ทำเครื่องหมายช่วงเวลาโปรโมชันในข้อมูล เพื่อให้การพยากรณ์เชิงสถิติสามารถแยกออกหรือปรับค่าได้
- พยากรณ์ยอดขายที่เพิ่มขึ้นจากโปรโมชันแยกต่างหาก จากความต้องการพื้นฐาน โดยใช้ผลลัพธ์จากโปรโมชันที่เทียบเคียงได้ในอดีต แทนที่จะใช้เปอร์เซ็นต์ที่ใครบางคนรู้สึกว่าเหมาะสม
- คำนึงถึงยอดขายที่ลดลงหลังจากจบโปรโมชัน โปรโมชันมักจะดึงความต้องการในอนาคตมาไว้ที่ปัจจุบันแทนที่จะสร้างความต้องการใหม่ ดังนั้นสัปดาห์ถัดไปยอดขายจะต่ำกว่าระดับพื้นฐาน การพยากรณ์ยอดที่พุ่งสูงโดยละเลยช่วงที่ยอดตกจะทำให้คุณมีสต็อกเกินความจำเป็นถึงสองครั้ง
- รับปฏิทินโปรโมชันให้เร็วที่สุด สาเหตุที่พบบ่อยที่สุดของการขาดสต็อกในช่วงโปรโมชันคือคลังสินค้าเพิ่งทราบเรื่องโปรโมชันพร้อมกับลูกค้า
ใครเป็นเจ้าของการพยากรณ์
การพยากรณ์มักล้มเหลวในเชิงองค์กรมากกว่าเชิงเทคนิค และรูปแบบที่เกิดขึ้นมักจะเหมือนเดิมเสมอ
ฝ่ายขายมักพยากรณ์อย่างมองโลกในแง่ดี เพราะเป้าหมายและยอดพยากรณ์มักถูกนำมารวมกัน และไม่มีใครอยากพยากรณ์ให้ต่ำกว่าเป้า ฝ่ายปฏิบัติการมักพยากรณ์อย่างระมัดระวังเพราะต้องแบกรับต้นทุนของสต็อกส่วนเกินและถูกตำหนิเมื่อสินค้าขาดสต็อก ฝ่ายการเงินต้องการตัวเลขที่ตรงกับแผน แต่ละฝ่ายให้ตัวเลขที่ต่างกัน และธุรกิจก็มักจะดำเนินไปตามตัวเลขของคนที่โต้เถียงได้เก่งที่สุด
สิ่งที่ได้ผลดีกว่า:
ตัวเลขเดียว โดยมีหน่วยงานเดียวเป็นเจ้าของ มักจะเป็นฝ่ายวางแผนหรือฝ่ายปฏิบัติการ โดยมีข้อมูลนำเข้าที่มีโครงสร้างจากฝ่ายขาย แทนที่จะแยกทำยอดพยากรณ์ของฝ่ายขายขนานกันไป
แยกการพยากรณ์ออกจากเป้าหมาย เป้าหมายคือสิ่งที่คุณตั้งใจจะทำให้สำเร็จ ส่วนการพยากรณ์คือสิ่งที่คุณคาดว่าจะเกิดขึ้น การนำทั้งสองอย่างมารวมกันจะรับประกันได้ว่ายอดพยากรณ์จะเอนเอียงไปทางสูง และสต็อกก็จะสูงตามไปด้วย
ให้คะแนนการปรับแก้ เมื่อมีใครปรับแก้ตัวเลขพยากรณ์เชิงสถิติ ให้บันทึกไว้และตรวจสอบภายหลังว่าการปรับแก้นั้นช่วยเพิ่มความแม่นยำหรือไม่ นี่เป็นเรื่องที่น่าอึดอัดใจ แต่มันเป็นวิธีที่เร็วที่สุดในการค้นหาว่าวิจารณญาณของใครที่ควรนำมาใช้และของใครที่ไม่ควร
ทำให้ต้นทุนมองเห็นได้ชัดเจน ความผิดพลาดในการพยากรณ์มีราคาที่ต้องจ่าย ทั้งสต็อกส่วนเกิน การตัดจำหน่ายสินค้า การขนส่งด่วน และยอดขายที่สูญเสียไป การระบุตัวเลขเหล่านั้นลงในกระบวนการมักจะเปลี่ยนการพยากรณ์จากงานธุรการให้กลายเป็นสิ่งที่ผู้คนให้ความสำคัญอย่างจริงจัง
การพยากรณ์เชื่อมโยงกับส่วนอื่นอย่างไร
- จุดสั่งซื้อซ้ำ (Reorder points) ใช้ความต้องการที่พยากรณ์ไว้ในช่วง lead time
- Safety stock ถูกกำหนดขนาดจากความคลาดเคลื่อนของการพยากรณ์
- ฝ่ายจัดซื้อ ผูกพันเงินทุนตามยอดพยากรณ์ ซึ่งเป็นจุดที่ความผิดพลาดกลายเป็นต้นทุนที่สูง
- การวางแผนความจุคลังสินค้า ขึ้นอยู่กับปริมาณที่คาดการณ์ไว้ และหากคำนวณผิดพลาด ผลที่ตามมาคือไม่มีพื้นที่จัดเก็บในเดือนพฤศจิกายน
- การวางแผนแรงงาน เป็นไปตามปริมาณคำสั่งซื้อที่คาดการณ์ไว้มากกว่าจำนวนหน่วยสินค้า
- ความสัมพันธ์กับซัพพลายเออร์ จะดีขึ้นเมื่อคุณแบ่งปันยอดพยากรณ์ เพราะพวกเขาสามารถวางแผนการผลิตและถือสต็อกในระดับที่เหมาะสมได้
ข้อสุดท้ายนี้มักถูกนำมาใช้น้อยเกินไป ซัพพลายเออร์ที่ได้รับข้อมูลความต้องการที่คุณคาดการณ์ไว้มักจะสามารถลดและทำให้ lead time ของพวกเขามีเสถียรภาพมากขึ้น ซึ่งช่วยลดความต้องการ safety stock ของคุณได้มากกว่าการใช้โมเดลที่ดีกว่าเสียอีก
ตัวอย่างการคำนวณ
ลองนำสินค้าที่มีประวัติการขาย 12 เดือนมาดูว่าการพยากรณ์เกี่ยวข้องกับอะไรบ้าง
ยอดขายรายเดือนโดยประมาณ: 210, 195, 230, 240, 215, 225, 260, 250, 245, 280, 520, 310
ข้อสังเกตทันทีคือยอดขายเดือนพฤศจิกายนที่ 520 ไม่ใช่ส่วนหนึ่งของรูปแบบพื้นฐาน แต่เป็นจุดสูงสุดตามฤดูกาล การพยากรณ์เดือนธันวาคมจากค่าเฉลี่ยเคลื่อนที่ 3 เดือนของกันยายน ตุลาคม และพฤศจิกายน จะได้ (245 + 280 + 520) ÷ 3 = 348 ซึ่งถือว่าสั่งซื้อมากเกินไปอย่างมาก เพราะมองว่าจุดสูงสุดนั้นคือระดับปกติใหม่
การจัดการอย่างถูกต้อง:
แยกเดือนที่เป็นฤดูกาลออก หากไม่นับเดือนพฤศจิกายน อีก 11 เดือนที่เหลือมีค่าเฉลี่ยประมาณ 241 หน่วย โดยมีแนวโน้มเพิ่มขึ้นเล็กน้อย ค่า 241 นี้คือระดับความต้องการพื้นฐานของคุณ
คำนวณดัชนีฤดูกาล เดือนพฤศจิกายนที่ 520 เทียบกับฐาน 241 ให้ดัชนีประมาณ 2.2 หากปีก่อนหน้าแสดงอัตราส่วนที่คล้ายกัน คุณก็สามารถเชื่อถือได้ แต่หากมีข้อมูลเพียงปีเดียว ให้ถือว่าเป็นค่าชั่วคราวไปก่อน
พยากรณ์ระดับความต้องการไปข้างหน้า แนวโน้มตลอดทั้งปีค่อยๆ เพิ่มขึ้น (ประมาณ 200 ในช่วงต้นปี และ 260 ในช่วงฤดูใบไม้ร่วงหากไม่นับช่วงพีค) ดังนั้นระดับการพยากรณ์ที่สมเหตุสมผลสำหรับเดือนถัดไปคือประมาณ 265
ใช้ดัชนีหากเกี่ยวข้อง เดือนธันวาคมไม่ใช่เดือนพีคในกรณีนี้ ดังนั้นยอดพยากรณ์จึงอยู่ที่ประมาณ 265
ประมาณการความคลาดเคลื่อน ความเบี่ยงเบนรายเดือนจากแนวโน้มพื้นฐานอยู่ที่ประมาณ 20 หน่วย ดังนั้นค่าเบี่ยงเบนมาตรฐาน (standard deviation) ที่ใกล้เคียง 20 จึงเป็นตัวเลขที่ใช้ได้จริง ที่ระดับการให้บริการ 95% ค่า safety stock จะอยู่ที่ประมาณ 1.65 × 20 × รากที่สองของ lead time เป็นเดือน
ประเด็นของการไล่เรียงตัวอย่างนี้คือ งานส่วนใหญ่คือการใช้วิจารณญาณว่าข้อมูลในอดีตหมายถึงอะไร ไม่ใช่แค่การคำนวณเลข การตัดสินใจว่าเดือนพฤศจิกายนเป็นเรื่องของฤดูกาลไม่ใช่การเติบโต คือการตัดสินใจที่กำหนดว่าคำสั่งซื้อถัดไปจะถูกต้องหรือไม่ และไม่มีวิธีใดที่จะช่วยคุณตัดสินใจเรื่องนี้ได้หากมีข้อมูลเพียงแค่ปีเดียว
แหล่งข้อมูลเพิ่มเติม
- Safety stock คืออะไร — คำนวณโดยตรงจากความคลาดเคลื่อนของการพยากรณ์
- Reorder point คืออะไร — จุดที่นำการพยากรณ์ไปประยุกต์ใช้
- เทคนิคการบริหารจัดการสินค้าคงคลัง — ชุดเครื่องมือที่ครอบคลุมยิ่งขึ้น
- Stockout คืออะไร — ความล้มเหลวที่การพยากรณ์ช่วยลดลงได้
- Inventory turnover คืออะไร — สิ่งที่การพยากรณ์ที่ดีขึ้นจะช่วยปรับปรุงให้ดีขึ้น
- วิธีการบริหารจัดการสินค้าคงคลัง — กระบวนการที่งานส่วนนี้เป็นส่วนประกอบอยู่
สรุปใจความสำคัญ
การพยากรณ์ความต้องการ (Demand forecasting) คือการประมาณการยอดขายในอนาคตเพื่อให้คุณตัดสินใจได้ว่าจะสั่งซื้อสินค้าเท่าใด และเนื่องจากการพยากรณ์ย่อมมีความคลาดเคลื่อน ตัวเลขที่สำคัญที่สุดจึงเป็นขนาดและทิศทางของความคลาดเคลื่อนนั้น เพราะเป็นตัวกำหนดว่าคุณต้องสำรอง Safety stock ไว้มากน้อยเพียงใด
คำถามที่พบบ่อย
Demand forecasting คืออะไร? คือการประมาณการความต้องการสินค้าในอนาคตในช่วงเวลาที่กำหนด เพื่อใช้ในการตัดสินใจว่าควรสั่งซื้อและจัดเก็บสินค้าไว้จำนวนเท่าใด
วิธีการพยากรณ์ความต้องการหลักๆ มีอะไรบ้าง? ได้แก่ Moving averages, weighted moving averages, exponential smoothing, การแยกองค์ประกอบแนวโน้มและฤดูกาล (trend and seasonal decomposition), การวิเคราะห์การถดถอยเทียบกับตัวแปรเชิงสาเหตุ (regression against causal variables) และการใช้ดุลยพินิจเชิงคุณภาพ โดยส่วนใหญ่การปฏิบัติงานจะใช้วิธี exponential smoothing สำหรับสินค้าที่มีความต้องการคงที่ และใช้ seasonal decomposition สำหรับสินค้าที่มีรูปแบบความต้องการซ้ำๆ
การพยากรณ์ความต้องการควรมีความแม่นยำแค่ไหน? ไม่มีตัวเลขมาตรฐานสากล เนื่องจากความแม่นยำขึ้นอยู่กับความผันผวนของความต้องการในธุรกิจของคุณ บททดสอบที่มีประโยชน์คือวิธีการของคุณให้ผลลัพธ์ที่ดีกว่าการพยากรณ์แบบง่าย (naïve forecast) ที่ว่า “เท่ากับงวดที่แล้ว” หรือไม่ และความคลาดเคลื่อนของคุณมีความเป็นกลางหรือไม่ แทนที่จะสูงหรือต่ำกว่าความเป็นจริงอย่างต่อเนื่อง
MAPE กับ Bias ต่างกันอย่างไร? MAPE วัดขนาดความคลาดเคลื่อนเฉลี่ยโดยไม่คำนึงถึงทิศทาง ส่วน Bias วัดว่าความคลาดเคลื่อนนั้นเอนเอียงไปในทิศทางใดทิศทางหนึ่งอย่างต่อเนื่องหรือไม่ การพยากรณ์อาจมีค่า MAPE ที่ยอมรับได้แต่มีปัญหา Bias รุนแรง ซึ่งเป็นปัญหาที่สร้างความเสียหายมากกว่า เพราะ Safety stock ไม่สามารถแก้ไขความเอนเอียงที่เป็นระบบได้
ฉันจะพยากรณ์ความต้องการสำหรับสินค้าใหม่ได้อย่างไร? เนื่องจากไม่มีข้อมูลประวัติ คุณจึงต้องอาศัยข้อมูลเปรียบเทียบ (analogues) จากสินค้าที่คล้ายคลึงกันในช่วงเปิดตัว ร่วมกับข้อมูลเชิงคุณภาพจากฝ่ายขายและข้อมูลการสั่งซื้อล่วงหน้าหรือการสอบถามข้อมูลต่างๆ ในช่วงแรกให้คาดการณ์ว่าจะมีความคลาดเคลื่อนสูง และควรทบทวนเป็นรายสัปดาห์แทนรายเดือนจนกว่าจะเริ่มเห็นรูปแบบความต้องการที่ชัดเจน
ทำไมฉันจึงควรตัดช่วงที่เกิด Stockout ออกจากข้อมูลประวัติ? เพราะยอดขายในช่วงที่เกิด Stockout เป็นการบันทึกความพร้อมในการจำหน่ายมากกว่าความต้องการที่แท้จริง การรวมข้อมูลเหล่านี้จะทำให้ระบบพยากรณ์เรียนรู้ว่าความต้องการต่ำกว่าความเป็นจริง โดยเฉพาะกับสินค้าที่ขาดสต็อกไปแล้ว
ควรพยากรณ์ล่วงหน้าไกลแค่ไหน? ควรไกลพอที่จะครอบคลุมระยะเวลาในการรอสินค้า (lead time) บวกกับระยะเวลาในการทบทวนข้อมูล (review period) และไม่ควรไกลไปกว่านั้นสำหรับการสั่งซื้อ สำหรับการวางแผนกำลังการผลิต งบประมาณ และซัพพลายเออร์ อาจจำเป็นต้องใช้กรอบเวลาที่ยาวขึ้น แต่ควรเข้าใจว่าเป็นคนละส่วนกันและมีค่าความคลาดเคลื่อนที่ยอมรับได้กว้างกว่า ไม่ใช่ตัวเลขที่คุณใช้ในการสั่งซื้อจริง
การพยากรณ์ที่ดีขึ้นช่วยลดสินค้าคงคลังได้จริงหรือ? ได้จริง ทั้งทางอ้อมและวัดผลได้ เนื่องจาก Safety stock ถูกกำหนดขนาดจากความคลาดเคลื่อนของการพยากรณ์ ดังนั้นการลดความคลาดเคลื่อนจึงช่วยลดปริมาณสต็อกสำรองที่จำเป็นสำหรับระดับการให้บริการ (service level) ที่เท่าเดิม นี่คือเหตุผลทางการเงินที่ชัดเจนที่สุดในการลงทุนกับกระบวนการพยากรณ์
Warehouse Wise คือคลังข้อมูลอิสระที่รวบรวมคำแนะนำเกี่ยวกับการจัดการสินค้าคงคลัง คลังสินค้า และการเตรียมสินค้าเพื่อจัดส่ง โดยเขียนขึ้นสำหรับผู้ปฏิบัติงานจริง ไม่ว่าจะเป็นพนักงานคลังสินค้าและสินค้าคงคลังมือใหม่ ธุรกิจค้าปลีกและอีคอมเมิร์ซขนาดเล็กที่กำลังเติบโต รวมถึงใครก็ตามที่ดูแลสต็อกสินค้าและต้องการเข้าใจระบบอย่างถูกต้อง คู่มือแต่ละฉบับจะอธิบายคำศัพท์พร้อมตัวอย่างประกอบที่คำนวณด้วยตัวเลขจริงเพื่อให้เห็นภาพชัดเจนและกระชับ เราเป็นอิสระโดยสมบูรณ์ ไม่มีการขายซอฟต์แวร์หรืออุปกรณ์ ไม่รับค่าคอมมิชชันจากการแนะนำ และคู่มือของเราไม่ได้ถูกจัดอันดับตามผลประโยชน์ทางการเงินใดๆ