การเปรียบเทียบแบบจำลองพยากรณ์ความต้องการในธุรกิจค้าปลีกผลิตภัณฑ์เครื่องใช้ไฟฟ้าและอุปกรณ์อิเล็กทรอนิกส์ในประเทศไทย
DOI:
https://doi.org/10.53848/jlsco.v10i2.269977คำสำคัญ:
การพยากรณ์ความต้องการ , ธุรกิจค้าปลีกหลายช่องทาง , การพาณิชย์อิเล็กทรอนิกส์ , การวิเคราะห์ ABCบทคัดย่อ
การพยากรณ์ที่มีประสิทธิภาพจะมีบทบาทสำคัญในการจัดการห่วงโซ่อุปทาน การควบคุมสินค้าคงคลัง และการตัดสินใจเชิงกลยุทธ์งานวิจัยนี้นำเสนอการวิเคราะห์ที่ครอบคลุมของแบบจำลองการพยากรณ์ยอดขายกลุ่มเครื่องใช้ไฟฟ้าขององค์กร กรณีศึกษาที่มีช่องทางการจัดจำหน่ายทั้งออนไลน์และออฟไลน์ โดยมีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์ความต้องการที่แม่นยำ โดยใช้วิธีการวิเคราะห์ ABC เพื่อระบุรายการสินค้าที่มีผลกระทบต่อภาคธุรกิจมากที่สุด ร่วมกับวิธีการพยากรณ์ที่กำหนด ได้แก่ การพยากรณ์ด้วยวิธีค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก การพยากรณ์ด้วยวิธีปรับเรียบแบบเอ็กซ์โปแนนเชียลชั้นเดียว การพยากรณ์ด้วยวิธีปรับเรียบแบบเอ็กซ์โปแนนเชียลซ้ำสองครั้ง Autoregressive Integrated Moving Average และ Feed-Forward Neural Network โดยใช้ค่าเฉลี่ยความผิดพลาดกำลังสอง (MSE) ค่าเฉลี่ยความผิดพลาดสัมบูรณ์ (MAD) ค่าเฉลี่ยของร้อยละความผิดพลาดสัมบูรณ์ (MAPE) ในการวัดค่าความคลาดเคลื่อนของการพยากรณ์ ซึ่งผลการวิจัยพบว่า รายการสินค้าช่องทางขายออนไลน์ 6 จาก 10 รายการระบุว่า วิธีการพยากรณ์แบบ WMA มีความแม่นยำมากที่สุด โดยมีค่า MAPE เฉลี่ยอยู่ที่ 25.89% และช่องทางขายออฟไลน์พบว่า รายการสินค้า 4 จาก 8 รายการ มีค่าความคลาดเคลื่อนน้อยที่สุดด้วยวิธีการพยากรณ์แบบ ARIMA โดยมีค่า MAPE เฉลี่ยอยู่ที่ 26.74% และต้นทุนมูลค่าการถือครองสินค้าขั้นต่ำต่อสัปดาห์หลังคำนวณ Safety Stock ใหม่พบว่า มีต้นทุนลดลงไป 513,026 บาท โดยวิธีการที่นำเสนอสามารถลดต้นทุนของคงคลังต่อสัปดาห์ได้ประมาณร้อยละ 13 อย่างไรก็ตามแม้ว่าภาพรวมของรายการสินค้าทั้งสองช่องทางแบบจำลอง ARIMA จะให้ผลการพยากรณ์ที่มีประสิทธิภาพที่สุดแต่ในการนำไปใช้จริงควรพิจารณาร่วมกับแบบจำลองอื่นเพื่อวัดผลและเปรียบเทียบประสิทธิภาพ
References
จิราพร ภู่ทองคำ และถิรนันท์ ทิวาราตรีวิทย์. (2564). การพยากรณ์ความต้องการของวัตถุดิบเพื่อลดการเสียโอกาสทางการขายกรณีศึกษาร้าน Pizza HUK T&J. วิทยาการจัดการวไลยอลงกรณ์ปริทัศน์, 2(3), 20-31.
ดับเบิลยูพี. (2564). 13 เทรนด์พฤติกรรมช้อปคนไทย และกลยุทธ์แบรนด์บาลานซ์ช่องทางขาย. ค้นเมื่อ 18 มกราคม 2566, จาก: https://www.brandbuffet.in.th/2021/06/thailand-future-shopper-2021-online-physical-shop-d2c-trends/.
ธรณินทร์ สัจวิริยทรัพย์. (2563). ตัวแบบพยากรณ์อัตราแลกเปลี่ยนสกุลเงิน. วารสารวิทยาศาสตร์และเทคโนโลยี, 28(1), 26-40.
ศิวนันท์ วรโชติปัญญารัตน์. (2564). การพยากรณ์ความต้องการและจัดการสินค้าคงคลัง: กรณีศึกษาบริษัทชิ้นส่วนยานยนต์แห่งหนึ่งในจังหวัดชลบุรี. วารสารวิชาการศรีปทุมชลบุรี, 17(3), 155-166.
อัครพงศ์ อั้นทอง. (2550). คู่มือการใช้โปรแกรม Eviews เบื้องต้น: สำหรับการวิเคราะห์ทางเศรษฐมิติ. เชียงใหม่: สถาบันวิจัยสังคม มหาวิทยาลัยเชียงใหม่.
Aljaaf, A. J., Mohsin, T. M., & Alloghani, M. (2021). A fusion of data science and feed-forward neural network-based modelling of COVID-19 outbreak forecasting in IRAQ. Journal of Biomedical Informatics, 118, 103766. https://doi.org/10.1016/j.jbi.2021.103766.
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431. https://doi.org/10.1080/01621459.1979.10482531.
Electronic Transactions Development Agency. (2021). Value of e-commerce survey in Thailand 2021. Retrieved 18 January 2023, From: https://www.etda.or.th/th/Useful-Resource/publications/Value-of-e-Commerce-Survey-in-Thailand-2021-Slides.aspx.
Neslin, S. A., Grewal, D., Leghorn, R., Shankar, V., Teerling, M. L., Thomas, J. S., & Verhoef, P. C. (2006). Challenges and opportunities in multichannel customer management. Journal of service research, 9(2), 95-112.
Resnick, D., & Tseng, D. (2016). Southeast Asia e-commerce: Winning the next wave of shoppers. Retrieved 24 February 2023, From: https://www.thinkwithgoogle.com/intl/en-apac/consumer-insights/consumer-trends/how-southeast-asia-ecommerce-businesses-can-take-brands-to-next-level/.
Shukla, M., & Jharkharia, S. (2011). ARIMA models to forecast demand in fresh supply chains. International Journal of Operational Research, 11(1), 1-18.
Xi, J., & Sha, P. B. (2014). Research on optimization of inventory management based on demand forecasting. Applied Mechanics and Materials, 687, 4828-4831. https://doi. org/10.4028/www.scientific.net/AMM.687-691.4828.
Zhao, L., Li, Z., & Qu, L. (2022). Forecasting of Beijing PM2. 5 with a hybrid ARIMA model based on integrated AIC and improved GS fixed-order methods and seasonal decomposition. Heliyon, 8(12), Article e12239. https://doi.org/10.1016/j.heliyon. 2022.e12239
