# การพยากรณ์ความต้องการสำหรับสินค้าใหม่: คู่มือปฏิบัติ

> เรียนรู้การพยากรณ์ความต้องการสำหรับสินค้าใหม่ด้วยวิธีการที่นำไปใช้ได้จริง การเทียบเคียง เทคนิค ML ขั้นตอนการตรวจสอบความถูกต้อง และเคล็ดลับด้านสินค้าคงคลังที่ออกแบบมาสำหรับ SME โดยเฉพาะ

Source: https://www.electe.net/th/post/demand-forecasting-for-new-products

Site guide: https://www.electe.net/th/llms.txt

ซัพพลายเออร์ของคุณต้องการใบสั่งซื้อ ทีมการตลาดของคุณจองแคมเปญเปิดตัวไว้แล้ว และหน้าสินค้าก็เกือบพร้อมใช้งาน คุณเป็นผู้รับผิดชอบในการสั่งซื้อ SKU ที่ยังไม่เคยผ่านการทดสอบ แต่ไม่มีใครบอกคุณได้ว่าลูกค้าจะซื้ออย่างสม่ำเสมอ แห่กันเข้ามาซื้อทันที หรือรอจนกว่าโปรโมชันจะสิ้นสุดลง

สั่งซื้ออย่างระมัดระวังเกินไป คุณอาจสูญเสียยอดขายก่อนที่การเปิดตัวจะเริ่มติดตลาด สั่งซื้อมากเกินไป คุณอาจผูกเงินสดไว้กับสต็อกที่ต้องลดราคาขาย สเปรดชีตที่มีเป้าหมายยอดขายที่มั่นใจมากไม่ได้ช่วยแก้ไขปัญหาการแลกเปลี่ยนนี้

**การพยากรณ์ความต้องการสำหรับสินค้าใหม่** ได้ผลดีที่สุดเมื่อคุณมองว่ามันเป็นกระบวนการเรียนรู้และตัดสินใจ ไม่ใช่การค้นหาตัวเลขที่สมบูรณ์แบบ คุณต้องการค่าประมาณเริ่มต้นที่สามารถอธิบายได้ คำอธิบายที่ชัดเจนว่าอะไรอาจเปลี่ยนแปลงค่านั้น และกฎเกณฑ์สำหรับการตอบสนองเมื่อลูกค้ามีพฤติกรรมแตกต่างไปจากที่คาดไว้

งานที่นำไปปฏิบัติได้จริงคือการเชื่อมโยงการเปิดตัวที่เทียบเคียงได้ การตัดสินใจของผู้เชี่ยวชาญที่มีโครงสร้าง และแบบจำลองที่เหมาะสมเข้ากับการตัดสินใจด้านสินค้าคงคลัง นั่นหมายถึงการนิยามความต้องการอย่างรอบคอบ การทดสอบสมมติฐาน และการตัดสินใจล่วงหน้าว่าจะเติมสต็อก หยุดชั่วคราว หรือปรับแผนเมื่อใด

## เหตุใดการพยากรณ์สินค้าใหม่จึงยากกว่าที่คิด

สมมติว่าคุณบริหารร้านค้าปลีกสินค้าของใช้ในบ้านออนไลน์ที่กำลังเปิดตัวแก้วเก็บความร้อนสำหรับพกพา คุณมีประสบการณ์ในการขายเครื่องใช้สำหรับดื่ม แต่ SKU นี้มีฝาปิดที่แตกต่างออกไป ราคาสูงกว่า และแคมเปญที่มุ่งเป้าไปที่ผู้เดินทางไปทำงานมากกว่าผู้ซื้อของขวัญ มันคุ้นเคยพอที่จะชวนให้เปรียบเทียบ แต่ก็แตกต่างพอที่จะทำให้การเปรียบเทียบนั้นไม่แน่นอน

เพื่อนร่วมงานฝ่ายจัดซื้อของคุณต้องการปริมาณการสั่งซื้อ ฝ่ายการตลาดต้องการความมั่นใจว่าสต็อกจะเพียงพอรองรับแคมเปญ ฝ่ายการเงินต้องการทราบว่าเงินสดจะยังคงมีความเสี่ยงอยู่เท่าใดหากการยอมรับสินค้าเป็นไปอย่างเชื่องช้า

คำถามเหล่านี้มีความเกี่ยวข้องกัน แต่ไม่สามารถใช้แทนกันได้ การพยากรณ์ความต้องการประมาณการการซื้อของลูกค้าภายใต้เงื่อนไขที่ระบุไว้ ส่วนแผนสินค้าคงคลังตัดสินใจว่าธุรกิจจะยอมรับความเสี่ยงมากน้อยเพียงใดเพื่อตอบสนองการซื้อเหล่านั้น

### รู้จักความไม่แน่นอนก่อนเลือกแบบจำลอง

สำหรับ SME ที่ไม่มีคลังข้อมูลการเปิดตัวสินค้าในอดีตมากนัก และมีพื้นที่จำกัดสำหรับการสั่งซื้อเปิดตัวที่ไม่ประสบความสำเร็จ ผมจะแยกปัญหาออกเป็นความไม่แน่นอนที่แตกต่างกันดังนี้:

- **ขาดข้อมูลในอดีต:** คุณไม่มีรูปแบบความต้องการสำหรับ SKU ใหม่นี้เอง
- **การยอมรับที่ไม่แน่นอน:** คุณยังไม่ทราบว่าผู้ซื้อกลุ่มใดจะตอบสนอง หรือจะยอมรับเร็วเพียงใด
- **เงื่อนไขการเปิดตัวที่เปลี่ยนแปลง:** การตัดสินใจเรื่องราคา การจัดจำหน่าย และการส่งเสริมการขายของคุณล้วนส่งผลต่อผลลัพธ์ที่คุณกำลังพยายามคาดการณ์

ข้อสุดท้ายเป็นสิ่งที่มองข้ามได้ง่าย การเปิดตัวของคุณไม่ใช่การทดลองแบบเฉื่อยที่ทุกอย่างคงที่ในขณะที่ลูกค้าเปิดเผยความชอบของพวกเขา

หากฝ่ายการตลาดเลื่อนแคมเปญอีเมลออกไป สมมติฐานการพยากรณ์เดิมก็ไม่สามารถอธิบายการเปิดตัวได้อีกต่อไป หากรายการสินค้าบนมาร์เก็ตเพลสเผยแพร่ล่าช้า ยอดขายที่ต่ำลงไม่จำเป็นต้องหมายความว่าความสนใจของลูกค้าลดลง

### กำหนดสัญญาณที่คุณต้องการอย่างแท้จริง

**ยอดขายที่สังเกตได้ไม่ใช่ความต้องการที่ไร้ข้อจำกัดเสมอไป** ลูกค้าซื้อได้เฉพาะสิ่งที่มีจำหน่ายผ่านช่องทางที่พวกเขาเข้าถึงได้เท่านั้น ดังนั้นการขาดสต็อก การจำกัดช่องทางจัดจำหน่าย และแรงกระแทกจากโปรโมชันจึงต้องถูกบันทึกควบคู่ไปกับยอดขาย แทนที่จะปล่อยให้โมเดลตีความว่าเป็นพฤติกรรมปกติของลูกค้า

สำหรับช่วงเวลาเริ่มต้นที่ใช้งานได้จริง ให้พยากรณ์ความต้องการรายสัปดาห์ตลอด **แปดถึงสิบสองสัปดาห์แรก** จากนั้นประเมินทั้งความคลาดเคลื่อนและผลกระทบต่อสินค้าคงคลัง ตามที่ระบุไว้ใน[งานวิจัยเกี่ยวกับการพยากรณ์โปรไฟล์ความต้องการสินค้าใหม่](https://research.utwente.nl/en/publications/forecasting-demand-profiles-of-new-products/) แนวทาง DemandForest ของงานวิจัยนั้นผสมผสานการจัดกลุ่ม (clustering), Random Forest และ Quantile Regression Forest เข้าด้วยกัน โดยรายงานว่าสามารถประหยัดสินค้าคงคลังได้ **ประมาณ 15%** ขึ้นอยู่กับเวลานำส่งและระดับการให้บริการ มากกว่าที่จะเป็นผลลัพธ์ที่รับประกันได้สำหรับผู้ค้าปลีกทุกราย

เริ่มต้นด้วยบันทึกการเปิดตัวแบบกระชับ:

- **ข้อมูลเมตาของผลิตภัณฑ์:** หมวดหมู่ ระดับราคา ช่องทางจำหน่าย ฤดูกาลเปิดตัว กลุ่มลูกค้า และคุณลักษณะที่เกี่ยวข้องของผลิตภัณฑ์
- **การเปิดตัวที่เทียบเคียงได้:** กราฟการเปิดตัวในอดีตพร้อมบันทึกอธิบายเงื่อนไขที่ผิดปกติ
- **สมมติฐานเชิงพาณิชย์:** ราคาที่วางแผนไว้ ความเข้มข้นของโปรโมชัน ช่วงเวลาแคมเปญ และขอบเขตการกระจายสินค้า
- **สัญญาณจากลูกค้า:** การสั่งซื้อล่วงหน้าและกิจกรรมในรายชื่อรอ แยกออกจากการซื้อที่เสร็จสมบูรณ์
- **หลักฐานความพร้อมจำหน่าย:** ช่วงเวลาที่มีสินค้าในสต็อก วันที่เปิดใช้งานรายการสินค้า และขอบเขตการครอบคลุมช่องทาง

รายชื่อรอเป็นหลักฐานของความสนใจ ไม่ใช่สมุดคำสั่งซื้อโดยอัตโนมัติ ควรรักษาความหมายของมันให้ชัดเจน แทนที่จะแปลงการลงทะเบียนทุกรายการให้กลายเป็นยอดขายที่คาดการณ์ไว้

> **กฎเชิงปฏิบัติ:** บันทึกสิ่งที่ลูกค้าสามารถซื้อได้ ไม่ใช่แค่สิ่งที่ระบบของคุณบอกว่าพวกเขาซื้อไปแล้ว

มอบหมายผู้รับผิดชอบให้กับบันทึกการเปิดตัว และเก็บรักษาทุกเวอร์ชันของการพยากรณ์พร้อมสมมติฐานประกอบไว้ มิฉะนั้นทีมงานอาจแก้ไขแผนซ้ำแล้วซ้ำเล่าจนลืมไปว่าแต่เดิมคาดการณ์ไว้อย่างไร

สำหรับสัญญาณจากลูกค้า ให้เก็บเฉพาะข้อมูลที่การวิเคราะห์ต้องการเท่านั้น ควรเลือกใช้ตัวเลขที่รวมกลุ่มแล้ว จำกัดการเข้าถึงข้อมูลที่สามารถระบุตัวบุคคลได้ และกำหนดกฎการเก็บรักษาข้อมูล คุณไม่จำเป็นต้องมีโปรไฟล์ส่วนบุคคลเต็มรูปแบบของลูกค้าเพื่อทำความเข้าใจว่าความสนใจในการเปิดตัวกำลังเพิ่มขึ้นหรือไม่

## วิธีการจากผลิตภัณฑ์เปรียบเทียบและการพยากรณ์เชิงวิจารณญาณ

ผลิตภัณฑ์ที่เทียบเคียงได้มีประโยชน์เพราะมันมีปัจจัยขับเคลื่อนความต้องการร่วมกัน ไม่ใช่เพราะมันดูคล้ายกันบนหน้าแสดงสินค้า แก้วน้ำพกพาของคุณอาจมีลักษณะคล้ายกับแก้วของขวัญระดับพรีเมียมในเชิงกายภาพ แต่พฤติกรรมในเชิงพาณิชย์อาจคล้ายกับขวดน้ำสำหรับคนเดินทางมากกว่า

### เลือกสินค้าเปรียบเทียบด้วยคะแนนที่มีการบันทึกไว้

จับคู่ผู้สมัครตาม **หมวดหมู่ ระดับราคา ส่วนผสมของช่องทางจำหน่าย ฤดูกาลเปิดตัว และความเข้มข้นของโปรโมชัน** บันทึกเหตุผลว่าทำไมแต่ละคุณลักษณะจึงมีความสำคัญก่อนที่จะทบทวนผลลัพธ์ยอดขาย เพื่อไม่ให้คุณเลือกเฉพาะการเปิดตัวที่สนับสนุนเป้าหมายในแง่ดีเท่านั้น

ลองพิจารณาสินค้าเปรียบเทียบสมมติสองรายการ: ขวดน้ำสำหรับคนเดินทางที่ขายส่วนใหญ่ผ่านเว็บไซต์ของคุณ และแก้วของขวัญที่ได้รับการสนับสนุนจากการโฆษณาตามฤดูกาล ให้น้ำหนักกับขวดน้ำสำหรับคนเดินทางมากขึ้นเมื่อการใช้งานตามวัตถุประสงค์และช่องทางตรงกัน ปรับค่าตามแคมเปญของแก้วของขวัญ แทนที่จะคัดลอกยอดพุ่งขึ้นตอนเปิดตัวของมันโดยตรง

การ[ศึกษาวิจัยด้านการพยากรณ์สินค้าใหม่ทั้งเชิงสถิติและเชิงดุลยพินิจ](https://researchportal.bath.ac.uk/en/studentTheses/new-product-sales-forecasting-the-relative-accuracy-of-statistica/)พบว่าการหาค่าเฉลี่ยพารามิเตอร์จากหลายกรณีเปรียบเทียบให้ความแม่นยำดีกว่าการอิงกรณีที่ใกล้เคียงที่สุดเพียงกรณีเดียว โดยประโยชน์เพิ่มเติมจะเริ่มลดลงเมื่อเกินประมาณ**ห้าหรือหกกรณีเปรียบเทียบ** ค่าเฉลี่ยพารามิเตอร์ที่เผยแพร่ไว้ก็ยังให้ค่าความคลาดเคลื่อนสูงกว่าพารามิเตอร์ที่ประเมินขึ้นเองในบริบทของคุณ ซึ่งตอกย้ำความจำเป็นที่ต้องทดสอบกับข้อมูลการเปิดตัวสินค้าของคุณเอง

### รักษาความเป็นอิสระของการประเมินจากผู้เชี่ยวชาญ

ขอให้ฝ่ายจัดซื้อสินค้า ฝ่ายการตลาด และฝ่ายปฏิบัติการ ส่งค่าประเมินแยกกัน พร้อมระบุสมมติฐานที่ใช้ จากนั้นใช้กระบวนการแบบ Delphi เพื่อแบ่งปันเหตุผลโดยไม่ระบุตัวตน และเปิดโอกาสให้ปรับปรุงค่าประเมินได้ โดยไม่ปล่อยให้ผู้มีตำแหน่งสูงสุดเป็นผู้กำหนดตัวเลขเริ่มต้น

สำหรับการตัดสินใจโดยอาศัยการเปรียบเทียบกรณี [การพยากรณ์แบบเปรียบเทียบเชิงโครงสร้าง](https://webdoc.sub.gwdg.de/ebook/serien/e/monash_univ/wp24-05.pdf) มีขั้นตอนที่บันทึกไว้อย่างชัดเจน คือผู้เชี่ยวชาญจะระบุสถานการณ์ที่ใกล้เคียงกัน ให้คะแนนความคล้ายคลึง และเชื่อมโยงผลลัพธ์ในอดีตเข้ากับการเปิดตัวสินค้าเป้าหมาย ควรแยกค่าประเมินเชิงดุลยพินิจนี้ออกจากค่าประเมินเชิงสถิติไว้ก่อน จนกว่าจะถึงขั้นตอนการรวมผล

**การเลือกแนวทางพยากรณ์สินค้าใหม่ที่นิยมใช้**

วิธีการข้อมูลที่ต้องใช้จุดแข็งความเสี่ยงหลักเหมาะที่สุดเมื่อการเทียบเคียง (Analogues)ประวัติการเปิดตัวที่เทียบเคียงได้มีจุดเริ่มต้นที่ตรวจสอบย้อนกลับได้การจับคู่ที่ทำให้เข้าใจผิดมีผลิตภัณฑ์ที่เกี่ยวข้องอยู่แล้วการประเมินเชิงโครงสร้างผู้เชี่ยวชาญและสมมติฐานที่เกี่ยวข้องสะท้อนบริบทของการเปิดตัวอคติจากแรงจูงใจข้อมูลในอดีตมีน้อยการแพร่กระจาย (Diffusion)เส้นโค้งการยอมรับและสมมติฐานแสดงจังหวะเวลาของการยอมรับพารามิเตอร์ที่ถ่ายโอนไม่ดีการยอมรับพัฒนาไปตามเวลาโมเดลตามคุณลักษณะคุณลักษณะผลิตภัณฑ์และการเปิดตัวในอดีตใช้คุณลักษณะผลิตภัณฑ์หลายด้านโอเวอร์ฟิตติ้งกับประวัติที่จำกัดข้อมูลการเปิดตัวมีความสม่ำเสมอ

วิธีการเหล่านี้เป็นข้อมูลนำเข้าที่เสริมกัน อย่าขอให้ผู้เชี่ยวชาญเพียงแค่อนุมัติโมเดลที่พวกเขาเคยเห็นมาแล้ว

## โมเดลสถิติและแมชชีนเลิร์นนิงที่เหมาะกับ SME

เริ่มต้นด้วยตัวเลือกที่ง่ายที่สุดที่ทีมของคุณสามารถทดสอบและอธิบายได้ โมเดลที่ซับซ้อนกว่าควรมีที่ยืนก็ต่อเมื่อมันช่วยปรับปรุงการตัดสินใจในการเปิดตัวที่ไม่ได้ถูกใช้ฝึกโมเดลนั้น

**โมเดลการแพร่กระจายของ Bass** อธิบายการยอมรับผ่านอิทธิพลภายนอก เช่น การโฆษณา และอิทธิพลภายใน เช่น การบอกต่อแบบปากต่อปาก ลองนึกถึงความแตกต่างนี้เป็นการที่ลูกค้าได้ยินเกี่ยวกับแก้วมัคของคุณจากแคมเปญ เทียบกับการได้ยินจากคนที่ใช้มันอยู่แล้ว

### จับคู่โมเดลกับหลักฐานที่มีอยู่

Bass ใช้ **ค่าสัมประสิทธิ์นวัตกรรม** สำหรับการยอมรับที่ได้รับอิทธิพลจากภายนอก และ **ค่าสัมประสิทธิ์การเลียนแบบ** สำหรับการยอมรับที่ได้รับอิทธิพลจากภายใน สิ่งเหล่านี้เป็นสมมติฐานเกี่ยวกับพฤติกรรมการยอมรับ ไม่ใช่ค่าที่ตั้งไว้พร้อมใช้ที่คุณควรยืมมาจากหมวดหมู่อื่นโดยไม่ตั้งคำถาม

[การศึกษาพยากรณ์ก่อนเปิดตัวที่ผสมผสาน Bass กับวิธีการทางสถิติและแมชชีนเลิร์นนิง](https://ideas.repec.org/a/eee/tefoso/v86y2014icp49-64.html) พบว่าโมเดลพยากรณ์แต่ละตัวส่วนใหญ่ทำผลงานได้ดีกว่าเกณฑ์เปรียบเทียบแบบอนาล็อกทั่วไป ในขณะที่การรวมโมเดล (ensemble) ช่วยเพิ่มความแม่นยำยิ่งขึ้นไปอีก สิ่งนี้สนับสนุนการทดสอบโมเดลที่เสริมกัน ไม่ใช่การสันนิษฐานว่า Bass หรือแมชชีนเลิร์นนิงจะชนะเสมอ

สำหรับรายชื่อตัวเลือกของ SME ลองพิจารณา:

- **การถดถอย (Regression):** ตัวเลือกสำหรับการเชื่อมโยงความต้องการในการเปิดตัวกับคุณลักษณะที่บันทึกไว้ เช่น ราคา ช่องทาง และการส่งเสริมการขาย
- **โมเดล Gradient-boosted:** ตัวเลือกเมื่อคุณต้องการทดสอบการผสมผสานของคุณลักษณะต่างๆ โดยไม่ต้องระบุความสัมพันธ์ทุกอย่างด้วยตนเอง
- **การพยากรณ์เครือข่ายประสาทแบบถ่วงน้ำหนักด้วยความคล้ายคลึง:** ตัวเลือกเมื่อผลิตภัณฑ์ที่เทียบเคียงได้มีประวัติเพียงพอที่จะสร้างแบบจำลองแยกต่างหาก

[การศึกษาที่ผ่านการพิจารณาโดยผู้เชี่ยวชาญซึ่งเกี่ยวข้องกับบริษัทอาหารข้ามชาติสองแห่ง](https://revistas.unal.edu.co/index.php/dyna/article/view/45223) ผสมผสานการพยากรณ์ด้วยเครือข่ายประสาทสำหรับผลิตภัณฑ์ที่คล้ายคลึงกันเข้ากับน้ำหนักความคล้ายคลึงเชิงคุณภาพ และสร้างการพยากรณ์ที่แม่นยำยิ่งขึ้นใน **86% ของกรณีที่วิเคราะห์** นั่นคือหลักฐานสำหรับวิธีการผสมผสานในกรณีศึกษานี้ ไม่ใช่คำมั่นสัญญาเรื่องความแม่นยำที่เป็นสากล

> แมชชีนเลิร์นนิงจัดระเบียบหลักฐานที่มีอยู่ใหม่ มันไม่ได้สร้างประวัติการเปิดตัวที่น่าเชื่อถือขึ้นมาจากที่ไม่มีอยู่

เมื่อหารือเกี่ยวกับตัวเลือกต่างๆ กับพาร์ทเนอร์ด้านข้อมูล ให้ถามว่าแต่ละโมเดลต้องการข้อมูลอะไรบ้าง ณ เวลาที่ทำการพยากรณ์ คู่มือของ ELECTE เรื่อง[การหลีกเลี่ยงข้อผิดพลาดในการพยากรณ์](https://www.electe.net/post/time-series-forecasting) มีเนื้อหาที่เกี่ยวข้อง แต่ SKU ใหม่ก็ยังคงต้องการหลักฐานที่มากกว่าประวัติการขายของตัวเองที่ไม่มีอยู่จริง

## การรวมการพยากรณ์เข้าเป็นชุด Ensemble พร้อมช่วงการพยากรณ์

**Ensemble** คือการรวมกันของการพยากรณ์หลายแบบ จุดประสงค์ของมันคือเพื่อหลีกเลี่ยงการทำให้แผนการเปิดตัวทั้งหมดขึ้นอยู่กับสมมติฐานของโมเดลเดียว

ให้ข้อมูลนำเข้าแยกจากกันอย่างชัดเจน: เส้นฐานที่ได้จากอนาล็อก การพยากรณ์การแพร่กระจาย และการประเมินของผู้เชี่ยวชาญที่จัดทำขึ้นอย่างเป็นอิสระ หากทุกคนลอกเลียนค่าประมาณเริ่มต้นเดียวกัน การหาค่าเฉลี่ยจากคำตอบของพวกเขาก็ไม่ได้เพิ่มข้อมูลมากนัก

### สร้างการผสมผสานโดยไม่ปิดบังสมมติฐาน

ใช้ลำดับการดำเนินการนี้:

1. **ล็อกข้อมูลนำเข้าให้คงที่** เก็บรักษาค่าพยากรณ์ของแต่ละองค์ประกอบไว้ก่อนที่ใครจะเจรจาต่อรองแผนสุดท้าย
2. **จำลองการเปิดตัวในอดีต** ให้ข้อมูลแก่แต่ละวิธีเฉพาะเท่าที่มีอยู่จริงก่อนการเปิดตัวเหล่านั้น
3. **เปรียบเทียบกฎการรวมค่า** ทดสอบการถ่วงน้ำหนักเท่ากันเทียบกับการถ่วงน้ำหนักตามค่าความคลาดเคลื่อนในการจำลองทางประวัติศาสตร์เหล่านั้น
4. **คงเกณฑ์เปรียบเทียบอย่างง่ายไว้** กำหนดให้การผสมผสานต้องพิสูจน์ความคุ้มค่าของความซับซ้อนที่เพิ่มขึ้น
5. **บันทึกเหตุผลไว้** จดบันทึกว่าทำไมคุณจึงเลือกน้ำหนักเหล่านั้น และอะไรจะเป็นตัวกระตุ้นให้ต้องเปลี่ยนแปลง

กฎการถ่วงน้ำหนักแบบผกผันกับค่าความคลาดเคลื่อนจะให้อิทธิพลมากขึ้นแก่วิธีที่มีค่าความคลาดเคลื่อนในอดีตต่ำกว่า การถ่วงน้ำหนักแบบ inverse-MAPE เป็นตัวเลือกที่เป็นไปได้เมื่อค่าดีมานด์ไม่เข้าใกล้ศูนย์ แต่มันเป็นค่าเริ่มต้นที่ไม่ดีสำหรับการเปิดตัวแบบไม่ต่อเนื่อง เพราะค่าความคลาดเคลื่อนแบบเปอร์เซ็นต์จะไม่เสถียร

### แสดงเป็นช่วงค่า ไม่ใช่แค่จุดกึ่งกลาง

**ช่วงการพยากรณ์ (prediction interval)** อธิบายช่วงของดีมานด์ในอนาคตที่เป็นไปได้รอบค่าพยากรณ์แบบจุด อย่าสับสนกับช่วงความเชื่อมั่น (confidence interval) ซึ่งเกี่ยวข้องกับความไม่แน่นอนของค่าประมาณ ไม่ใช่การกระจายตัวของผลลัพธ์ในอนาคต

สร้างช่วงค่าดังกล่าวจากค่าความคลาดเคลื่อนในการพยากรณ์ในอดีตและสถานการณ์การเปิดตัวที่ระบุไว้อย่างชัดเจน สำหรับการสำรวจแบบอิงสถานการณ์ [คู่มือการจำลองแบบ Monte Carlo ของ ELECTE](https://www.electe.net/post/monte-carlo-simulation) อธิบายแนวทางที่เกี่ยวข้องสำหรับการตรวจสอบข้อมูลนำเข้าที่ไม่แน่นอน

จัดเก็บข้อมูลเมตาของสินค้า คะแนนความคล้ายคลึง ผลการทดสอบย้อนหลัง และเวอร์ชันของการพยากรณ์ไว้ด้วยกัน พิจารณาสิ่งนี้เป็นข้อกำหนดด้านการนำไปปฏิบัติเมื่อเปรียบเทียบสเปรดชีต เวิร์กโฟลว์ที่นักวิเคราะห์สร้างขึ้นเอง และแพลตฟอร์มวิเคราะห์ข้อมูล แทนที่จะสันนิษฐานว่าแพลตฟอร์มใดก็ตามจะจัดเตรียมกระบวนการทั้งหมดให้โดยอัตโนมัติ

ทบทวนการผสมผสานค่าพยากรณ์ใหม่เมื่อการใช้จ่ายด้านแคมเปญ การกระจายสินค้า หรือการตอบสนองของลูกค้าเบี่ยงเบนไปจากสมมติฐานที่บันทึกไว้ อย่าเปลี่ยนน้ำหนักเพียงเพราะผู้จัดการไม่ชอบตัวเลขปัจจุบัน

## การตรวจสอบความถูกต้องของค่าพยากรณ์ด้วยตัวชี้วัดในระยะเปิดตัว

การเปิดตัวอาจจบลงด้วยตัวเลขใกล้เคียงกับค่าพยากรณ์รายปี แต่ก็ยังสามารถก่อให้เกิดปัญหาการเติมสต็อกที่ร้ายแรงระหว่างทางได้ ตัวเลขรวมไม่ได้เผยให้เห็นว่าคุณสั่งซื้อเร็วเกินไป สินค้าขาดสต็อกระหว่างแคมเปญ หรือเติมสต็อกหลังจากความสนใจจางหายไปแล้วหรือไม่

ใน[งานวิจัยเกี่ยวกับการพยากรณ์สินค้าคงทนที่เป็นนวัตกรรมใหม่](https://journals.sagepub.com/doi/full/10.1177/00222429211014902) ค่าความคลาดเคลื่อนของการพยากรณ์ในปีแรกอยู่ที่ **1.9%, 0.0% และ 20.0%** ในเงื่อนไขการศึกษาต่างๆ ที่รายงาน ขณะที่ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยแบบเปอร์เซ็นต์รายเดือนที่สอดคล้องกันอยู่ที่ **18.6%, 26.5% และ 44.4%** มีข้อมูลค่าใช้จ่ายด้านโฆษณาจริงสำหรับผลลัพธ์รายปีที่มีค่าความคลาดเคลื่อนเป็นศูนย์ ซึ่งแสดงให้เห็นว่าเหตุใดข้อมูลเชิงพาณิชย์ที่อัปเดตจึงมีความสำคัญ และเหตุใดตัวเลขรวมที่แม่นยำจึงสามารถซ่อนความคลาดเคลื่อนด้านจังหวะเวลาไว้ได้

### ใช้ชุดตัวชี้วัดหลายตัวร่วมกัน

เมตริกความหมายแบบเข้าใจง่ายการตัดสินใจเปิดตัวที่รองรับ**MAE**ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยในหน่วยจำนวนทำความเข้าใจความผิดพลาดด้านปริมาณที่พบได้ทั่วไป**RMSE**ค่าวัดความคลาดเคลื่อนที่เน้นน้ำหนักความผิดพลาดขนาดใหญ่ระบุความเสี่ยงต่อความผิดพลาดรุนแรง**WAPE**ความคลาดเคลื่อนสัมบูรณ์รวมเทียบกับความต้องการรวมเปรียบเทียบความคลาดเคลื่อนทั่วทั้งพอร์ตโฟลิโอ**sMAPE**การเปรียบเทียบแบบเปอร์เซ็นต์โดยใช้ค่าพยากรณ์และค่าจริงเปรียบเทียบ SKU โดยต้องระมัดระวังเมื่อค่าใกล้ศูนย์**Signed bias**ทิศทางของความคลาดเคลื่อนเฉลี่ยตรวจจับการพยากรณ์สูงเกินไปหรือต่ำเกินไปอย่างต่อเนื่อง

กำหนดแบบแผนของค่าความคลาดเคลื่อน (bias) ให้ชัดเจน เช่น ใช้ค่าพยากรณ์ลบด้วยค่าจริง เพื่อให้ค่าความคลาดเคลื่อนที่เป็นบวกหมายถึงการพยากรณ์สูงเกินจริงอย่างสม่ำเสมอ

### ทดสอบสิ่งที่ทีมสามารถรู้ได้จริงในขณะนั้น

ใช้ **การทดสอบย้อนหลังตามช่วงเวลา (time-based back-testing)** โดยฝึกโมเดลด้วยข้อมูลการเปิดตัวสินค้ารุ่นก่อนหน้า แล้วประเมินผลกับรุ่นที่เปิดตัวทีหลัง การแบ่งข้อมูลแบบสุ่มอาจทำให้การทดสอบง่ายเกินความเป็นจริง หากข้อมูลจากช่วงหลังส่งผลต่อการพยากรณ์ในช่วงก่อนหน้า

แยกผลลัพธ์ตามระยะวงจรชีวิตสินค้า การได้รับโปรโมชัน และลักษณะความต้องการที่ไม่ต่อเนื่อง อย่าปล่อยให้สินค้าขายดีที่พยากรณ์ได้แม่นยำช่วยกลบความผิดพลาดซ้ำๆ ของสินค้าเปิดตัวที่ขายช้า

> **จุดตรวจสอบสำหรับฝ่ายบริหาร:** ก่อนจะปรับเปลี่ยนโมเดล ให้ตรวจสอบก่อนว่าความคลาดเคลื่อนนั้นเกิดจากการประมาณความต้องการ สมมติฐานการเปิดตัวที่เปลี่ยนไป หรือสต็อกสินค้าที่ขาดแคลน

สำหรับการพยากรณ์ความต้องการสินค้าใหม่ สกอร์การ์ดควรช่วยสนับสนุนการวิเคราะห์หาสาเหตุ ติดตามค่าประมาณเริ่มต้น การปรับปรุงที่ตามมา และการตัดสินใจด้านสินค้าคงคลังที่เกิดขึ้น เพื่อให้แยกแยะได้ว่าเป็นการพยากรณ์ที่ดีขึ้นจริง หรือเป็นเพียงการตอบสนองหลังจากผลลัพธ์ปรากฏชัดแล้ว

## การเปลี่ยนความไม่แน่นอนของการพยากรณ์ให้เป็นการตัดสินใจด้านสินค้าคงคลังและการเติมสต็อก

การพยากรณ์บอกถึงสิ่งที่อาจเกิดขึ้น ส่วนนโยบายสินค้าคงคลังของคุณคือสิ่งที่คุณจะทำเกี่ยวกับมัน

จุดแลกเปลี่ยนที่สำคัญคือ **ความเสียหายที่ไม่สมมาตร (asymmetric loss)** กล่าวคือ ผลที่ตามมาจากการสั่งน้อยเกินไปกับการสั่งมากเกินไปนั้นไม่เท่ากัน การขาดสต็อกอาจทำลายโมเมนตัมของการเปิดตัวสินค้า ขณะที่สินค้าคงคลังส่วนเกินอาจต้องใช้พื้นที่จัดเก็บ การลดราคา หรือการกำจัดสินค้า

### กำหนดนโยบายความเสี่ยงให้ชัดเจน

**การพยากรณ์แบบควอนไทล์ (quantile forecast)** ระบุตำแหน่งภายในผลลัพธ์ความต้องการที่เป็นไปได้ เลือกควอนไทล์ที่เหมาะสมตามเป้าหมายการให้บริการและต้นทุนของการพลาดความต้องการ แล้วนำไปใช้กับความต้องการตลอดช่วงเวลานำในการเติมสต็อก

การตัดสินใจสั่งซื้อซ้ำของคุณควรเปรียบเทียบความต้องการในช่วงเวลานำนั้นกับ **ตำแหน่งสินค้าคงคลัง (inventory position)** ซึ่งหมายถึงสต็อกที่มีอยู่ในมือบวกกับสินค้าที่กำลังจะเข้ามา ลบด้วยความต้องการที่ผูกมัดไว้แล้ว เพียงแค่ดูยอดขายอย่างเดียวนั้นไม่เพียงพอ

ใช้แนวทางปฏิบัติสำหรับการเปิดตัวสินค้าดังต่อไปนี้:

- **วางแผนขั้นตอนการสั่งซื้อเริ่มต้น** หากความเสี่ยงหลักคือสต็อกส่วนเกิน ให้พิจารณาการทดลองแบบระมัดระวังโดยอิงจากสถานการณ์ความต้องการที่ต่ำกว่า ตรวจสอบให้แน่ใจว่ายังมีความพร้อมเพียงพอต่อการเรียนรู้
- **กำหนดเงื่อนไขการยกระดับ** ความต้องการที่เกินค่ามัธยฐานของการพยากรณ์สามารถกระตุ้นให้มีการทบทวนได้ แต่ควรสั่งซื้อซ้ำหลังจากตรวจสอบตำแหน่งสินค้าคงคลัง ช่วงเวลานำ และโปรโมชันที่เหลืออยู่เท่านั้น
- **ทบทวนทุกสัปดาห์ในช่วงเปิดตัว** แยกแยะการเปลี่ยนแปลงความต้องการที่แท้จริงออกจากการเปลี่ยนแปลงด้านแคมเปญหรือความพร้อมของสินค้า
- **กำหนดสิทธิ์ในการอนุมัติข้อยกเว้น** ระบุว่าใครสามารถอนุมัติการสั่งซื้อซ้ำเร่งด่วน การสั่งซื้อจำนวนมากขึ้น หรือการหยุดชั่วคราวได้

สำหรับการคำนวณสต็อกสำรองที่อยู่เบื้องหลังนโยบายดังกล่าว คำอธิบายของ Supply Automate เรื่อง[วิธีคำนวณสต็อกสำรอง](https://supplyautomate.com/blog/how-to-calculate-safety-stock)เป็นแหล่งข้อมูลประกอบที่เป็นประโยชน์ เมื่อประเมินระบบสำหรับดำเนินการเติมสต็อก ให้เปรียบเทียบข้อกำหนดด้านเวิร์กโฟลว์กับ[ตัวเลือกซอฟต์แวร์สินค้าคงคลังของ ELECTE](https://www.electe.net/post/best-inventory-management-software-for-small-businesses)

### ติดตามการตัดสินใจ ไม่ใช่แค่การพยากรณ์

ใช้การตรวจสอบด้วยความช่วยเหลือของเครื่องจักรเพื่อระบุความเบี่ยงเบนจากสมมติฐานและแจ้งให้ผู้จัดการตรวจสอบ แยกอำนาจการจัดซื้อออกจากการแจ้งเตือนอัตโนมัติ

[การศึกษาการผลิตแบบหลากหลายชนิดปริมาณน้อย (high-mix, low-volume)](https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0350729) รายงานว่า **ลด MAE ได้ 35.7% ในห้ากรณีศึกษาจริง** โดยใช้การเทียบเคียง การเรียนรู้ของเครื่อง การปรับแก้ส่วนต่าง และการตรวจสอบกระบวนการ ผลลัพธ์นี้สนับสนุนการผสมผสานและปรับปรุงอย่างมีวินัย แต่ไม่ได้พิสูจน์ว่าจะเกิดการประหยัดสินค้าคงคลังในระดับเดียวกันสำหรับผู้ค้าปลีก

## เมื่อไม่มีตัวเทียบเคียงใดน่าเชื่อถือ

บางครั้งการตัดสินใจพยากรณ์ที่สำคัญที่สุดคือการปฏิเสธตัวเปรียบเทียบที่มีอยู่ ผลิตภัณฑ์ที่เปลี่ยนแปลงพฤติกรรมลูกค้าอาจมีป้ายหมวดหมู่เดียวกันกับผลิตภัณฑ์ที่มีอยู่ โดยไม่มีปัจจัยขับเคลื่อนอุปสงค์เดียวกัน

อุปกรณ์เชื่อมต่อที่ต้องการระบบนิเวศ ผลิตภัณฑ์ที่รอการยอมรับทางกฎระเบียบ หรือบริการที่จะมีประโยชน์ก็ต่อเมื่อมีผู้อื่นเข้าร่วม อาจต้องใช้สมมติฐานการยอมรับที่แตกต่างออกไป การปฏิบัติต่อสิ่งเหล่านี้เหมือนเป็นการต่อยอดผลิตภัณฑ์ธรรมดาอาจก่อให้เกิดความแม่นยำที่ไม่มีเหตุผลรองรับ

### แทนที่การจับคู่ที่ผิดพลาดด้วยสถานการณ์ที่ชัดเจน

[การทบทวนอย่างเป็นระบบเรื่องการพยากรณ์ผลิตภัณฑ์ที่ทำลายกรอบหมวดหมู่](http://apjcriweb.org/content/vol12no9/13.html) ชี้ว่าวิธีการแบบ diffusion การเทียบเคียงโดยผู้เชี่ยวชาญ การเรียนรู้ของเครื่อง และโมเดลพื้นฐาน (foundation-model) ยังคงเผชิญความท้าทายเมื่อความสัมพันธ์ของอุปสงค์ในอดีตใช้ไม่ได้อีกต่อไป นอกจากนี้ยังระบุว่าความต้องการข้อมูลสำหรับการฝึกล่วงหน้าและการประมวลผลของวิธีการโมเดลพื้นฐานที่มีความสามารถสูงเป็นข้อจำกัดสำหรับบริษัทขนาดเล็ก

สำหรับการเปิดตัวในลักษณะนี้ ผมจะใช้ทะเบียนสถานการณ์ (scenario register) แทนการบังคับใช้เส้นโค้งประวัติศาสตร์เพียงเส้นเดียว:

- **สมมติฐานการยอมรับ:** ลูกค้าต้องเข้าใจ เปลี่ยนแปลง หรือไว้วางใจอะไรบ้างก่อนที่จะซื้อ?
- **ปัจจัยพึ่งพาภายนอก:** การใช้งานต้องการการอนุมัติ โครงสร้างพื้นฐาน พันธมิตร หรือผลิตภัณฑ์เสริมหรือไม่?
- **สัญญาณที่สังเกตได้:** พัฒนาการของคู่แข่งหรือพฤติกรรมลูกค้าแบบใดที่จะสนับสนุนแต่ละสถานการณ์?
- **กฎการปรับปรุง:** หลักฐานแบบใดที่จะสมเหตุสมผลให้ขยาย จำกัด หรือยกเลิกช่วงปัจจุบัน?

แยกสมมติฐานของสถานการณ์ออกจากการสังเกตที่วัดได้จริง ความเชื่อของผู้จัดการเกี่ยวกับการยอมรับมีประโยชน์เมื่อถูกระบุไว้อย่างชัดเจน ไม่ใช่เมื่อถูกปลอมแปลงให้ดูเหมือนผลลัพธ์จากโมเดล

### ประเด็นสำคัญ

- **กำหนดเป้าหมาย:** พยากรณ์อุปสงค์ภายใต้เงื่อนไขทางการค้าและความพร้อมจำหน่ายที่บันทึกไว้
- **ใช้หลักฐานที่เป็นอิสระ:** รักษาการประมาณการของโมเดลและการตัดสินใจของผู้เชี่ยวชาญไว้ก่อนที่จะนำมาผสมกัน
- **ทดสอบอย่างสมจริง:** ประเมินการเปิดตัวในอดีตโดยใช้เฉพาะข้อมูลที่มีอยู่ในขณะนั้น
- **เชื่อมโยงความไม่แน่นอนเข้ากับการดำเนินการ:** ตกลงกันเรื่องการผูกมัดแบบเป็นขั้นตอน จุดกระตุ้นการเติมสินค้า และผู้รับผิดชอบการตัดสินใจ

การพยากรณ์อุปสงค์สำหรับผลิตภัณฑ์ใหม่ท้ายที่สุดแล้วเป็นวินัยด้านการจัดการ คุณไม่จำเป็นต้องขจัดความไม่แน่นอนให้หมดก่อนเปิดตัว แต่คุณจำเป็นต้องทำให้มันปรากฏชัดและตัดสินใจว่าจะตอบสนองอย่างไร

แผนเปิดตัวที่สามารถยืนยันได้ต้องระบุว่าคุณคาดหวังอะไร อะไรที่อาจทำให้ความคาดหวังนั้นเป็นโมฆะ และคุณจะทำอะไรต่อไป นั่นช่วยให้ทีมของคุณมีพื้นฐานที่ดีกว่าในการปกป้องกระแสเงินสดและให้บริการลูกค้า มากกว่าตัวเลขที่แม่นยำแต่ไม่มีใครอธิบายได้

---

ELECTE แพลตฟอร์มวิเคราะห์ข้อมูลด้วย AI สำหรับ SME นำเสนอการวิเคราะห์เชิงคาดการณ์ รายงานอัตโนมัติ และ AI agent ที่คอยตรวจสอบข้อมูลธุรกิจเพื่อหาแนวโน้มและความผิดปกติ เยี่ยมชม [ELECTE](https://www.electe.net) เพื่อสำรวจว่าความสามารถเหล่านั้นจะสนับสนุนการทบทวนการเปิดตัวของคุณได้อย่างไร และนำตัวอย่างข้อมูลเมตาของผลิตภัณฑ์ บันทึกความพร้อมจำหน่าย และการตัดสินใจเติมสินค้าของคุณมาประเมินความเหมาะสม