การพยากรณ์ความต้องการสำหรับอีคอมเมิร์ซ: คู่มือฉบับสมบูรณ์สำหรับปี 2026

คุณกำลังเตรียมคำสั่งซื้อสำหรับการเปิดตัวสินค้า โดยมียอดขายปีที่แล้วเปิดอยู่ข้างๆ ใบเสนอราคาจากซัพพลายเออร์ของคุณ ปริมาณดูสมเหตุสมผลจนกระทั่งฝ่ายการตลาดกำหนดการจัดแฟลชเซล และมาร์เก็ตเพลสเปลี่ยนรายการสินค้าที่ผู้ซื้อมองเห็น ไม่นานนัก คลังสินค้าแห่งหนึ่งก็มีชั้นวางว่างเปล่า ในขณะที่อีกแห่งมีสต็อกค้างที่คุณไม่สามารถระบายออกได้โดยไม่ลดราคา

การตอบสนองที่ชัดเจนที่สุดคือการปรับปรุงการพยากรณ์ให้ดีขึ้น แต่อัลกอริทึมที่ล้ำหน้ากว่าก็ช่วยอะไรไม่ได้ หากประวัติการขายของคุณปฏิบัติต่อสินค้าที่ไม่มีสต็อกราวกับว่าเป็นสินค้าที่ไม่เป็นที่นิยม หรือหากผู้ซื้อไม่เคยใช้การพยากรณ์นั้นเลยเมื่อสั่งซื้อสินค้า สิ่งที่คุณต้องการคือระบบสำหรับการตัดสินใจ ไม่ใช่แค่กราฟที่ดูน่าเชื่อถือมากขึ้น

การพยากรณ์ความต้องการสำหรับอีคอมเมิร์ซ เชื่อมโยงความต้องการของลูกค้าเข้ากับการจัดซื้อ การจัดส่ง และภาระผูกพันด้านเงินสด หากทำอย่างรอบคอบ มันยังช่วยทำให้ความไม่แน่นอนมองเห็นได้ชัดเจน ทำให้คุณสามารถแยกแยะระหว่างการประมาณการเติมสต็อกที่เชื่อถือได้ กับการพยากรณ์การเปิดตัวสินค้าที่ควรได้รับคำสั่งซื้อเริ่มต้นในปริมาณน้อยกว่า

งานเชิงปฏิบัติเริ่มต้นจากบันทึกสินค้าคงคลังของคุณและจบลงที่การตัดสินใจเชิงปฏิบัติการ ระหว่างสองจุดนี้ คุณจะต้องเลือกวิธีการตามรูปแบบของสินค้า ทดสอบวิธีการเหล่านั้นโดยไม่ให้ข้อมูลในอนาคตรั่วไหลเข้ามา และประเมินผลโปรโมชันที่เกินกว่าแค่ยอดขายพุ่งสูงในช่วงแรก ตัวชี้วัดความสำเร็จนั้นตรงไปตรงมา: การพยากรณ์นี้ช่วยให้คุณซื้อและทำโปรโมชันได้อย่างทำกำไรมากขึ้นหรือไม่?

การพยากรณ์ความต้องการสำหรับอีคอมเมิร์ซทำนายอะไรและเหตุใดจึงสำคัญ

ในสถานการณ์การเปิดตัวสินค้านั้น การสั่งซื้อซ้ำตามปีที่แล้วเป็นการสันนิษฐานว่าลูกค้ากลุ่มเดิมจะเข้ามาผ่านช่องทางเดิมและซื้อจากสถานที่เดิม แฟลชเซลเปลี่ยนแรงจูงใจในการซื้อ การเปลี่ยนแปลงการมองเห็นในมาร์เก็ตเพลสเปลี่ยนระดับการเข้าถึง ทั้งสองอย่างนี้ไม่ควรถูกจัดอยู่ในกระบวนการปรับฤดูกาลตามปกติ

การพยากรณ์ความต้องการสำหรับอีคอมเมิร์ซ ประมาณการว่าลูกค้าจะต้องการสินค้ากี่หน่วยในแต่ละช่วงเวลาข้างหน้า แบ่งตามสินค้า ช่องทาง และสถานที่ ลองนึกภาพว่ามันเหมือนการพยากรณ์อากาศสำหรับคลังสินค้าของคุณ: รูปแบบในอดีตช่วยกำหนดความคาดหวัง ในขณะที่เหตุการณ์ที่กำลังจะเกิดขึ้นซึ่งทราบล่วงหน้าจะเปลี่ยนแปลงแนวโน้มนั้น

UNCTAD ประมาณการ ยอดขายอีคอมเมิร์ซทั่วโลกไว้ที่ประมาณ 26.7 ล้านล้านดอลลาร์สหรัฐในปี 2019 ซึ่งเทียบเท่ากับประมาณ 30% ของ GDP โลก และรายงานว่าส่วนแบ่งของการค้าปลีกออนไลน์ในยอดค้าปลีกทั้งหมดเพิ่มขึ้นจาก 16% ก่อนการระบาดใหญ่เป็น 19% ในปี 2020 ตัวเลขเหล่านี้ครอบคลุมการค้าในวงกว้างกว่าหน้าร้านของผู้ค้ารายหนึ่ง แต่ก็แสดงให้เห็นว่าสมมติฐานเกี่ยวกับช่องทางการขายสามารถเปลี่ยนแปลงได้รวดเร็วเพียงใด

การเติบโต จุดสูงสุดที่เกิดซ้ำตามรอบ และแรงกระแทกที่เกิดขึ้นอย่างฉับพลัน อาจดูคล้ายกันในคอลัมน์ยอดขาย ควรแยกแยะสิ่งเหล่านี้ให้ชัดเจนก่อนที่จะทุ่มเงินลงไป

สำหรับพื้นฐานที่เป็นประโยชน์ในการเชื่อมโยงการพยากรณ์เข้ากับการปฏิบัติงาน บทความ พื้นฐานการวางแผนความต้องการ ของ Reddog Consulting Group ให้บริบทสนับสนุนที่เป็นประโยชน์ ท้ายที่สุดแล้ว การพยากรณ์ของคุณควรให้ข้อมูลประกอบการตัดสินใจเรื่อง:

• การจัดซื้อ: ควรสั่งซื้ออะไรและเมื่อใด
• กำลังการจัดส่ง: ต้องการสินค้าคงคลังและแรงงานที่ใด
• การวางแผนเงินสด: ภาระผูกพันด้านสต็อกในอนาคตต้องใช้เงินทุนเท่าใด

การทำวิศวกรรมฟีเจอร์และการทำความสะอาดข้อมูลก่อนสร้างโมเดล

ก่อนเปลี่ยนอัลกอริทึม ให้ตรวจสอบตารางข้อมูลนำเข้าเสียก่อน ออเดอร์ที่ซ้ำ รหัส SKU ที่ไม่ตรงกัน และข้อมูลสต็อกที่ขาดหายไป อาจทำให้โมเดลที่ถูกต้องทางเทคนิคตอบคำถามผิดข้อได้

Features คือคำถามที่คุณตั้งให้กับข้อมูลของคุณ แทนที่จะป้อนแค่ยอดขายของเมื่อวาน ให้บริบทแก่โมเดลมากพอที่จะแยกแยะความสนใจของลูกค้าออกจากสภาวะการขายได้

สร้าง Features ที่ผู้ซื้อจดจำได้

ชุดเริ่มต้นที่ใช้งานได้จริงประกอบด้วย:

• ยอดขายย้อนหลัง (Lagged sales): ยอดขายสัปดาห์ที่แล้วและช่วงเวลาเดียวกันของปีก่อน เปรียบเสมือนกระจกมองหลังของดีมานด์
• ค่าเฉลี่ยเคลื่อนที่ (Rolling averages): ทดสอบค่าเฉลี่ยในช่วง 7, 28 และ 91 วัน เป็นค่าตั้งต้นที่เลือกได้ เพื่อแยกแยะความเคลื่อนไหวล่าสุดออกจากเส้นฐานโดยรวม
• ตัวบ่งชี้ปฏิทิน (Calendar flags): วันหยุด รูปแบบวันเงินเดือนออก และกิจกรรมการค้าท้องถิ่น
• ราคาและระดับส่วนลด: ราคาขายจริง ไม่ใช่แค่ป้ายระบุว่าลดราคา
• ความพร้อมจำหน่าย: จำนวนวันที่มีสินค้าในสต็อก สถานะการลงสินค้า และข้อจำกัดในการจัดส่ง
• การมองเห็นและอัตราการแปลงยอด: จำนวนการแสดงสินค้า ทราฟฟิก และการซื้อ ในกรณีที่ข้อมูลเชื่อถือได้
• การคืนสินค้า: จำนวนหน่วยที่ถูกคืน และช่วงเวลาที่สต็อกที่ขายได้กลับมาพร้อมจำหน่ายอีกครั้ง

กำหนดเป้าหมายการพยากรณ์ให้ชัดเจน จำนวนหน่วยที่สั่งซื้อรวม (Gross ordered units) ช่วยวางแผนกำลังการหยิบสินค้า ส่วนจำนวนหน่วยที่ขายได้จริงและสินค้าที่คืนแล้วขายต่อได้ มีความสำคัญเมื่อประมาณการใช้สต็อกสุทธิ

ใช้ข้อมูลพฤติกรรมแบบรวม (aggregated) เมื่อทำได้ จำกัดการเข้าถึงข้อมูลระดับลูกค้ารายบุคคล ลบตัวระบุตัวตนที่ไม่จำเป็นออก และปฏิบัติตามข้อกำหนดด้านความเป็นส่วนตัวที่เกี่ยวข้องเมื่อรวมระบบอีคอมเมิร์ซเข้ากับระบบวิเคราะห์ข้อมูล

หาเหตุผลให้กับวันที่ยอดขายเป็นศูนย์

การศึกษาด้านการพยากรณ์ค้าปลีก ได้ประเมินข้อมูลที่มีค่าขาดหายไป 20.9% และพบว่า 99.9% ของชุดข้อมูลสินค้า มีวันที่ยอดขายเป็นศูนย์อย่างน้อยหนึ่งวัน โดยเฉลี่ยอยู่ที่ 492 วันที่ยอดขายเป็นศูนย์ต่อชุดข้อมูล และโมเดลแบบ tree-based เฉพาะพื้นที่ยังให้ผลลัพธ์ดีกว่าสถาปัตยกรรม deep learning ขั้นสูงกว่าในบริบทนั้นด้วย

ผลลัพธ์เหล่านี้ไม่ได้ระบุสาเหตุของค่าศูนย์แต่ละค่า บันทึกข้อมูลปฏิบัติการของคุณต้องแยกแยะความต้องการที่ต่ำอย่างแท้จริง ออกจากสินค้าหมดสต็อก ฟีดข้อมูลมาร์เก็ตเพลสที่ขาดหาย รายการสินค้าที่ไม่ได้เปิดใช้งาน และการเปลี่ยนแปลงแคตตาล็อก

ให้ทำเครื่องหมายวันที่สินค้าไม่พร้อมจำหน่ายว่าเป็น ดีมานด์ที่ถูกบดบัง (censored demand) นั่นคือยอดขายสามารถสังเกตได้ แต่ดีมานด์ที่คุณอาจตอบสนองได้นั้นไม่สามารถสังเกตได้ อย่าแทนที่ด้วยค่าประมาณยอดขายที่สมมติขึ้นโดยอัตโนมัติ เก็บรักษาข้อมูลดั้งเดิมไว้ เพิ่มตัวบ่งชี้สถานะความพร้อมจำหน่าย และบันทึกกฎการประมาณค่าใด ๆ ที่ใช้

สำหรับ SKU ใหม่หรือที่เคลื่อนไหวช้า ให้รวบรวมข้อมูลจากสินค้าที่เทียบเคียงได้ตามหมวดหมู่ ราคา และช่องทางจำหน่าย ใช้ข้อมูลการมองเห็น อัตราการแปลงยอด ระยะเวลาที่มีสต็อก และสินค้าทดแทน เพื่อแยกแยะสินค้าที่ลูกค้ายังไม่เคยเห็น ออกจากสินค้าที่ลูกค้าปฏิเสธ

การตรวจสอบข้อมูล: คุณอธิบายค่าศูนย์แต่ละค่าได้หรือไม่ และคุณสามารถสร้างข้อมูลความพร้อมจำหน่ายรายวันขึ้นใหม่ได้หรือไม่?

จนกว่าข้อมูลที่สังเกตได้จะรองรับการประมาณการที่แคบลง ให้แสดงช่วงการพยากรณ์ที่กว้างควบคู่ไปกับค่าพยากรณ์แบบจุด ผู้ซื้อจำเป็นต้องเห็นช่วงค่าดังกล่าวพร้อมระดับความเชื่อมั่นที่ระบุไว้ ไม่ใช่แค่ตัวเลขที่ดูเหมือนแม่นยำเพียงค่าเดียว

การเลือกวิธีพยากรณ์สำหรับสินค้าแต่ละประเภท

ไม่มีโมเดลใดใช้ได้ผลดีกับทุกกรณี จับคู่วิธีการให้เหมาะกับรูปแบบของดีมานด์ และข้อมูลที่มีอยู่ ณ ตอนที่คุณสั่งซื้อ

สินค้าขายดีที่มียอดขายสม่ำเสมออาจมีจังหวะรายสัปดาห์ที่ชัดเจน สินค้าที่ขายได้จากโปรโมชันอาจขายดีเฉพาะช่วงแคมเปญ ส่วนสินค้าที่ขายแบบไม่ต่อเนื่อง เช่น อะไหล่เฉพาะกลุ่ม อาจไม่มียอดขายเลยเป็นระยะเวลานาน แล้วจึงมีคำสั่งซื้อเข้ามา

สิ่งเหล่านี้คือปัญหาการพยากรณ์ที่แตกต่างกัน การบังคับให้ใช้การตั้งค่าแบบเดียวกันทั้งหมดอาจช่วยให้ดูแลรักษาง่ายขึ้น แต่อาจทำให้การตัดสินใจจัดซื้อแย่ลงได้

วิธีพยากรณ์ตามรูปแบบของสินค้า

ให้ถือว่าระยะเวลาประวัติข้อมูลด้านล่างนี้เป็น คำแนะนำเบื้องต้น ไม่ใช่ค่าขั้นต่ำที่ใช้ได้กับทุกกรณี วงจรรายสัปดาห์ต้องการหลักฐานที่ต่างจากวงจรรายปี และการเปลี่ยนแปลงเชิงโครงสร้างที่เพิ่งเกิดขึ้นอาจทำให้ประวัติข้อมูลเก่ามีประโยชน์น้อยลง

สำหรับคำอธิบายเชิงลึกเกี่ยวกับรูปแบบอนุกรมเวลาและการสร้างแบบจำลองฤดูกาล ดูที่ การใช้ ARIMA เพื่อพยากรณ์ความต้องการสินค้าคงคลัง ARIMA มีประโยชน์เมื่อข้อมูลในอดีตมีรูปแบบที่เกิดซ้ำได้ ไม่ใช่เมื่อบริบททางการค้าทั้งหมดของสินค้าเปลี่ยนไป

ให้ความซับซ้อนพิสูจน์คุณค่าของตัวเอง

งานศึกษา การพยากรณ์ค้าปลีกปี 2025 ที่ครอบคลุม สินค้า 50 รายการใน 10 ร้านค้า ได้เปรียบเทียบ Random Forest, XGBoost, Linear Regression และ ARIMA โดยเน้นว่าอัลกอริทึมที่ดีที่สุดนั้นขึ้นอยู่กับชุดข้อมูลและโจทย์ทางธุรกิจ

รายละเอียดของฟีเจอร์ก็อาจช่วยวิธีหนึ่งได้โดยไม่ช่วยอีกวิธีหนึ่ง ในงานศึกษา การพยากรณ์อีคอมเมิร์ซระยะสั้น การจำแนกส่วนลดอย่างละเอียดช่วยปรับปรุงประสิทธิภาพของ linear, ridge และ lasso regression ได้อย่างมีนัยสำคัญ โดยการปรับปรุง MAPE ที่ดีที่สุดสูงถึง 36.19% แต่ไม่มีการปรับปรุงที่มีนัยสำคัญสำหรับโมเดล support vector machine, gradient boosting หรือ random forest

บทเรียนเชิงปฏิบัติการไม่ใช่การเลือกผู้ชนะจากตารางอันดับที่เผยแพร่ แต่คือการทดสอบว่าวิธีการเพิ่มเติมนั้นช่วยปรับปรุงการตัดสินใจของคุณเองได้มากพอที่จะคุ้มค่ากับต้นทุนการเตรียมการ การอธิบาย และการบำรุงรักษาหรือไม่

เริ่มต้นด้วยเส้นฐานตามฤดูกาล หากตัวเลือกที่ซับซ้อนไม่สามารถเอาชนะข้อมูลอ้างอิงที่เกิดซ้ำได้ในช่วงเวลาที่ยังไม่เคยเห็น ก็ยังไม่สมควรนำไปใช้งานจริง

การสอนให้การพยากรณ์ของคุณเข้าใจฤดูกาลและโปรโมชัน

คอนเสิร์ตเป็นอุปมาที่มีประโยชน์สำหรับสัญญาณต่าง ๆ ภายในยอดขาย เทรนด์ คือจังหวะพื้นฐาน ฤดูกาล คือท่อนประสานเสียงที่เกิดซ้ำ โปรโมชัน คือการแสดงเดี่ยวที่เปลี่ยนการแสดงไปชั่วคราว และ สัญญาณรบกวน คือผู้ชม

ในแง่ปฏิบัติการ เทรนด์หมายถึงการเติบโตหรือการลดลงอย่างต่อเนื่อง ฤดูกาลครอบคลุมรูปแบบรายสัปดาห์ที่เกิดซ้ำและจุดสูงสุดตามปฏิทิน เช่น Black Friday หรือช่วงเปิดเทอม โปรโมชันสร้างรูปแบบการขายที่แตกต่างออกไป ในขณะที่สัญญาณรบกวนคือความแปรปรวนรายวันที่อธิบายไม่ได้ซึ่งเหลืออยู่

แยกผลกระทบจากปฏิทินออกจากผลกระทบจากแคมเปญ

วันหยุดและส่วนลดอาจเกิดขึ้นพร้อมกัน แต่ไม่สามารถใช้แทนกันได้ หากคุณสอนให้โมเดลเข้าใจว่าทุกการพุ่งสูงในวันหยุดคือความต้องการปกติ โมเดลอาจคาดหวังยอดขายในระดับเดียวกันแม้เมื่อคุณยกเลิกส่วนลดไปแล้ว

บันทึกวันที่เริ่มต้นและสิ้นสุดของแคมเปญ ระดับความลึกของส่วนลด ช่องทางการขาย หมวดหมู่สินค้า และข้อจำกัดด้านการจัดส่งที่เกี่ยวข้อง แยกปฏิทินเฉพาะประเทศออกจากกันเมื่อตลาดของคุณมีวันหยุดหรือรูปแบบการจับจ่ายที่แตกต่างกัน

งานศึกษา เกี่ยวกับเครือร้านค้าปลีกลดราคาในเดนมาร์ก พบว่า tree ensembles โดยเฉพาะ XGBoost ให้ผลลัพธ์ดีที่สุดสำหรับสินค้าที่มี ประวัติการโปรโมชันมากกว่าห้าครั้ง ในขณะที่ penalized linear regression ให้ผลลัพธ์ดีกว่าสำหรับสินค้าที่มี น้อยกว่าห้าครั้ง โดยประวัติการโปรโมชันที่มีข้อมูลน้อยยังคงให้ค่าความคลาดเคลื่อนค่อนข้างสูง

ใช้ข้อค้นพบนี้เป็นหลักฐานสำหรับการแบ่งกลุ่ม ไม่ใช่เกณฑ์ตัดสินที่ใช้ได้ทั่วไป:

• สินค้าที่มีโปรโมชันเยอะ: ทดสอบโมเดลแบบไม่เชิงเส้นที่รวมข้อมูลหลาย SKU เข้าด้วยกัน เพื่อเรียนรู้ความสัมพันธ์ระหว่างสินค้าที่เกี่ยวข้องกัน
• สินค้าที่มีโปรโมชันน้อย: เลือกใช้โมเดล regularized ที่เรียบง่ายกว่า เพื่อควบคุมค่าประมาณที่ไม่เสถียร
• การประเมินแคมเปญ: ตรวจสอบกิจกรรมโปรโมชันแต่ละครั้งแทนที่จะพึ่งพายอดรวมรายเดือนซึ่งอาจซ่อนความผิดพลาดด้านจังหวะเวลาไว้

เพื่อเชื่อมโยงการวัดผลแคมเปญเข้ากับการวางแผนเชิงพาณิชย์ ให้ใช้กระบวนการที่สม่ำเสมอในการวัดยอดขายที่เพิ่มขึ้นจากโปรโมชัน และควรทำให้สามารถระบุการคืนเงินตามแคมเปญได้เช่นกัน คำแนะนำของ PlatformDTC เกี่ยวกับวิธีจัดการการคืนเงินสำหรับคำสั่งซื้อที่มีส่วนลดมีประโยชน์เมื่อต้องจับคู่กลไกส่วนลดเข้ากับข้อมูลหลังการซื้อ

ล็อกข้อมูล ณ จุดตัดสินใจ

Data leakage เกิดขึ้นเมื่อโมเดลได้รับข้อมูลที่ไม่น่าจะมีอยู่จริงในช่วงเวลาที่มีการพยากรณ์ ทราฟฟิกจริงของแคมเปญ สต็อกที่ขาดจริง และการเปลี่ยนแปลงส่วนลดขั้นสุดท้าย อาจทำให้การทดสอบย้อนหลังดูดีเกินจริงเมื่อเทียบกับการพยากรณ์แบบใช้งานจริง

บันทึกสแนปช็อตที่มีการระบุวันที่ของส่วนลดที่วางแผนไว้ จังหวะเวลาแคมเปญ สถานะสต็อก และสมมติฐานด้านกำลังการผลิต ฝึกและประเมินโมเดลโดยอ้างอิงจากสิ่งที่ผู้วางแผนรู้ในขณะนั้น ไม่ใช่สิ่งที่เพิ่งชัดเจนขึ้นภายหลัง

การพยากรณ์ที่ทำขึ้นก่อนแคมเปญ ต้องถูกประเมินโดยใช้ข้อมูลที่มีอยู่ก่อนแคมเปญเท่านั้น

ตัวชี้วัดการประเมินผลที่บอกได้ว่าการพยากรณ์ใช้ได้ผลจริงหรือไม่

ค่าความผิดพลาดเฉลี่ยที่ดูน่าพอใจอาจเกิดขึ้นพร้อมกับสินค้าขายช้าที่สต็อกล้นและสินค้าขายดีที่ขาดสต็อกได้ในเวลาเดียวกัน คะแนนรวมเพียงอย่างเดียวไม่สามารถบอกได้ว่าผู้ซื้อกำลังตัดสินใจสั่งซื้อได้ดีขึ้นหรือไม่

กันข้อมูลช่วงล่าสุดไว้ต่างหาก และไม่ให้ตัวเลือกใด ๆ เห็นข้อมูลนี้ระหว่างการฝึกโมเดล เปรียบเทียบตัวเลือกต่าง ๆ บนสินค้า วันที่ และช่วงเวลาพยากรณ์เดียวกัน จากนั้นทำการทดสอบซ้ำในหลายจุดตัดย้อนหลัง เพื่อตรวจสอบว่าผลลัพธ์ยังคงใช้ได้ภายใต้สภาวะการค้าที่แตกต่างกันหรือไม่

ตัวชี้วัดความแม่นยำของการพยากรณ์สำหรับอีคอมเมิร์ซ

การทบทวนงานวิจัยด้านการพยากรณ์ demand แบบไม่ต่อเนื่อง ชี้ให้เห็นว่าการเลือกเมตริกสามารถเปลี่ยนอันดับของโมเดลได้ MAPE จะไม่เสถียรหรือไม่สามารถนิยามได้เมื่อ demand เป็นศูนย์ และ random forests อาจให้ผลด้อยกว่าวิธีแบบ Croston เมื่อวัดด้วยตัวชี้วัดเฉพาะด้านสินค้าคงคลัง

ใช้ MAE เพื่อสื่อสารความคลาดเคลื่อนเป็นหน่วย และใช้ RMSE เพื่อตรวจสอบค่าพุ่งสูงที่สร้างต้นทุนมาก ใช้เมตริกแบบ scaled เพื่อเปรียบเทียบสินค้าที่มีขนาดต่างกัน แต่ต้องตรวจสอบตัวหารฐาน (baseline denominator) เมื่ออนุกรมข้อมูลมีความแปรผันน้อย รายงานค่า bias พร้อมข้อตกลงเรื่องเครื่องหมายที่ระบุไว้ชัดเจน เพื่อให้ทุกคนเข้าใจตรงกันว่าค่าบวกหมายถึงการพยากรณ์สูงเกินไปหรือต่ำเกินไป

เปรียบเทียบสินค้าที่มี demand แบบไม่ต่อเนื่องกับวิธีตระกูล Croston และสินค้าขายดีทั่วไปกับการพยากรณ์แบบ seasonal naive รายงานผลของสินค้าขายเร็ว สินค้า demand ไม่ต่อเนื่อง สินค้าใหม่ และสินค้าที่เลิกผลิตแยกกัน แทนที่จะปล่อยให้สินค้าขายดีที่สุดครอบงำค่าเฉลี่ยโดยรวม

ให้คะแนนตามช่วงเวลาพยากรณ์และผลกระทบทางเศรษฐกิจ

งานวิจัยด้านการพยากรณ์อีคอมเมิร์ซในซาอุดีอาระเบียรายงาน RMSE เท่ากับ 0.4537 สำหรับการพยากรณ์รายสัปดาห์ และ 8.1938 สำหรับการพยากรณ์ระยะยาว ตัวเลขเหล่านี้เป็นค่าความคลาดเคลื่อนเฉพาะของงานวิจัยนั้น ไม่ใช่เป้าหมายหน่วยที่นำไปใช้ได้ทั่วไป แต่การเปรียบเทียบนี้สนับสนุนแนวคิดการติดตามแต่ละช่วงเวลาพยากรณ์แยกจากกัน

ช่วงเวลาพยากรณ์สำหรับการเติมสินค้าของคุณควรสอดคล้องกับ lead time ของซัพพลายเออร์ ส่วนการพยากรณ์กำลังการผลิตอาจต้องใช้ช่วงเวลาและระดับการรวมข้อมูลที่แตกต่างออกไป

แปลงความคลาดเคลื่อนให้เป็นต้นทุนด้านการดำเนินงาน:

• ต้นทุนจากการขาดแคลน: กำไรส่วนเพิ่มที่สูญเสีย ค่าขนส่งเร่งด่วน และการทดแทนสินค้าในกรณีที่วัดได้
• ต้นทุนจากสินค้าส่วนเกิน: ค่าจัดเก็บ ต้นทุนทางการเงิน การลดราคา และการกำจัดสินค้า
• ผลลัพธ์ของการตัดสินใจ: ความพร้อมจำหน่ายที่ทำได้จริงและสินค้าคงคลังที่ผูกมัดไว้ภายใต้นโยบายการสั่งซื้อเดียวกัน

ประเมินช่วงเวลาที่เกิดการขาดสต็อกอย่างระมัดระวัง เนื่องจากยอดขายที่สังเกตได้ไม่ได้สะท้อน demand ที่ไม่ได้รับการตอบสนองทั้งหมด แยกช่วงเวลาดังกล่าวออกในการรายงาน และทดสอบความไวต่อสมมติฐานเรื่อง demand ที่สูญเสียไป แทนที่จะอ้างค่าความจริงที่ไม่มีทางรู้ได้

วิธีเปลี่ยนการพยากรณ์ให้เป็นการตัดสินใจสั่งซื้อซ้ำและการจัดโปรโมชัน

ผู้ซื้อต้องการตัวกระตุ้น (trigger) ไม่ใช่แค่เส้นโค้งยอดขายที่พยากรณ์ไว้ กำหนดให้ชัดเจนว่าการพยากรณ์จะเปลี่ยนคำสั่งซื้ออย่างไร ใครเป็นผู้อนุมัติกรณีข้อยกเว้น และหลักฐานใดที่จะกระตุ้นให้เกิดการทบทวนใหม่

ตัวอย่างต่อไปนี้เป็นตัวอย่างสมมติที่คำนวณไว้ ไม่ใช่นโยบายการให้บริการที่แนะนำสำหรับทุกแคตตาล็อก ปริมาณและเป้าหมายในตัวอย่างนี้ใช้เพื่ออธิบายวิธีการคำนวณ เพื่อให้คุณสามารถแทนที่ด้วยข้อมูลทางเศรษฐกิจของคุณเองได้

แปลง demand ให้เป็นตัวกระตุ้นการเติมสินค้า

1. เลือกเป้าหมายระดับการให้บริการตามประเภทสินค้า ตัวอย่างเช่น กำหนด ระดับการให้บริการแบบวงจรที่ 95% สำหรับสินค้าขายดี และ 90% สำหรับสินค้า long-tail ระดับการให้บริการแบบวงจรหมายถึงความน่าจะเป็นในการหลีกเลี่ยงสินค้าหมดสต็อกในระหว่างรอบการเติมสินค้า ไม่ใช่เปอร์เซ็นต์ของหน่วยสินค้าที่เติมเต็ม กำหนดเป้าหมายจริงโดยพิจารณาจากอัตรากำไร ผลกระทบต่อลูกค้า และต้นทุนการถือครองสินค้า ไม่ใช่ความเร็วในการขายเพียงอย่างเดียว
2. ประมาณการความต้องการในช่วงเวลานำส่งของซัพพลายเออร์ คูณความต้องการเฉลี่ยรายวันด้วยระยะเวลานำส่งเมื่อค่าคาดการณ์รายวันค่อนข้างคงที่ หากมีแคมเปญหรือการเปลี่ยนแปลงตามฤดูกาลเกิดขึ้นภายในช่วงเวลานั้น ให้รวมค่าพยากรณ์รายวันแทน
3. กำหนดขนาดของสต็อกสำรอง ภายใต้แบบจำลองตัวอย่างที่มีระยะเวลานำส่งคงที่ ความต้องการรายวันเป็นอิสระต่อกัน และใช้การประมาณแบบปกติ (normal approximation) ให้ใช้สูตร สต็อกสำรอง = z × ส่วนเบี่ยงเบนมาตรฐานรายวัน × √ระยะเวลานำส่ง ค่า z ที่ปัดเศษเป็น 1.65 สอดคล้องกับเป้าหมายระดับการให้บริการแบบวงจรที่ 95% ในตัวอย่างนี้ แนวโน้ม ความสัมพันธ์เชิงอนุกรมเวลา (autocorrelation) คำสั่งซื้อที่ไม่ต่อเนื่อง และความล่าช้าของซัพพลายเออร์ที่ผันแปร ต้องใช้การกระจายความต้องการช่วงเวลานำส่งที่เหมาะสมกว่า
4. กำหนดจุดสั่งซื้อซ้ำ นำความต้องการช่วงเวลานำส่งมาบวกกับสต็อกสำรอง สั่งทริกเกอร์โดยอ้างอิงจาก ตำแหน่งสินค้าคงคลัง (inventory position) ซึ่งหมายถึงสต็อกที่ใช้งานได้ในมือ บวกสต็อกขาเข้าที่ยืนยันแล้ว ลบด้วยความต้องการที่ผูกพันไว้แล้ว แทนที่จะใช้สต็อกจริงเพียงอย่างเดียว
5. อนุมัติโปรโมชันตามมูลค่าส่วนเพิ่มสุทธิ เปรียบเทียบความต้องการจากแคมเปญกับเส้นฐานที่น่าเชื่อถือในกรณีไม่มีโปรโมชัน จากนั้นพิจารณาการซื้อในอนาคตที่ถูกเลื่อนออกไปและการทดแทนจากสินค้าอื่น

สำหรับบริบทการปฏิบัติงานจริงเกี่ยวกับวิธีสร้างสต็อกสำรองเพื่อความปลอดภัย คำแนะนำเรื่องการป้องกันสินค้าหมดสต็อกของ Next Point Digital เป็นแหล่งข้อมูลเสริมที่มีประโยชน์

คำนวณตัวเลขก่อนสั่งซื้อ

สมมติว่า SKU หนึ่งขายได้ 40 หน่วยต่อวัน ระยะเวลานำส่งของซัพพลายเออร์คือ 14 วัน และส่วนเบี่ยงเบนมาตรฐานของความต้องการรายวันคือ 8 หน่วย ภายใต้สมมติฐานอย่างง่ายข้างต้น:

• ความต้องการในช่วงเวลานำส่ง: 40 × 14 = 560 หน่วย
• สต็อกสำรอง: 1.65 × 8 × √14 ≈ 49 หน่วย
• จุดสั่งซื้อซ้ำ: 560 + 49 = 609 หน่วย

สต็อกสำรองนี้ใช้ความแปรปรวนของความต้องการรายวัน ในการนำไปใช้งานจริงแบบขับเคลื่อนด้วยการพยากรณ์ ให้ประมาณความไม่แน่นอนจากค่าความคลาดเคลื่อนของการพยากรณ์นอกกลุ่มตัวอย่าง (out-of-sample) ตลอดช่วงเวลาการเติมสินค้า เพื่อไม่ให้มองความเป็นฤดูกาลที่คาดการณ์ได้เป็นความแปรปรวนแบบสุ่ม

ตอนนี้สมมติว่า โปรโมชัน 4 วัน ขายได้ 120 หน่วยต่อวัน ปริมาณการขายจากแคมเปญคือ 480 หน่วย เทียบกับ เส้นฐาน 160 หน่วย ทำให้เห็น การเพิ่มขึ้นที่ปรากฏ 320 หน่วย หากช่วง 10 วันถัดมา ขายได้ 25 หน่วยต่อวัน แทนที่จะเป็น 40 หน่วยต่อวัน ตามปกติ ส่วนที่ขาดไป 150 หน่วย จะเหลือ กำไรสุทธิโดยประมาณ 170 หน่วย

การประมาณการนั้นตั้งอยู่บนสมมติฐานว่าเส้นฐาน (baseline) นั้นน่าเชื่อถือ หากเป็นไปได้ ให้เปรียบเทียบกับสินค้า ตลาด หรือกลุ่มลูกค้าที่ไม่ได้รับผลกระทบ พร้อมทั้งตรวจสอบว่าสิ่งที่นำมาเปรียบเทียบเหล่านั้นไม่ได้รับผลกระทบจากแคมเปญเช่นกัน

การศึกษาในปี 2025 ที่ตีพิมพ์ใน International Journal of Forecasting พบว่าโปรโมชันอาจทำให้ผู้พยากรณ์ประเมินดีมานด์สูงเกินจริงเมื่อระดับการให้บริการเป้าหมายอยู่ในระดับสูง การมีสต็อกส่วนเกินไว้ไม่ได้เป็นทางเลือกที่ปลอดภัยทางเศรษฐกิจเสมอไป

หักค่าใช้จ่ายส่วนลด ค่าโฆษณา ค่าคืนสินค้า และค่าจัดส่งออกก่อนตัดสินความสามารถในการทำกำไร สำหรับการสนับสนุนด้านการนำไปปฏิบัติ ให้ใช้ โครงการนำร่องด้านสินค้าคงคลัง 30 วันสำหรับธุรกิจค้าปลีก เพื่อจัดวางความรับผิดชอบและการทบทวนผลงาน จังหวะเริ่มต้นที่เหมาะสมในทางปฏิบัติคือทบทวนทุกสัปดาห์สำหรับสินค้าที่ขายเร็ว และทบทวนทุกเดือนสำหรับสินค้าที่ขายช้า พร้อมทบทวนกรณีข้อยกเว้นทันทีหลังมีการเปลี่ยนแปลงด้านอุปทานหรือแคมเปญ

ประเด็นสำคัญและโครงการนำร่อง 90 วัน

เริ่มโครงการนำร่องการพยากรณ์ดีมานด์อีคอมเมิร์ซ 90 วันด้วยหมวดหมู่สินค้าที่มีขนาดใหญ่พอจะมีนัยสำคัญ แต่ยังจัดการได้ง่ายพอให้ฝ่ายจัดซื้อตรวจสอบได้ สำหรับขอบเขตที่แนะนำ ให้พิจารณาSKU 20% อันดับแรกตามยอดขาย จากนั้นรวมสินค้าที่ขายช้าที่เป็นตัวแทนเข้าไปด้วย เพื่อไม่ให้การทดสอบนี้มองข้ามความเสี่ยงของสินค้าหางยาว (long tail)

รักษาหลักการดำเนินงานให้มองเห็นได้ชัดเจนตลอดเวลา:

• ความซับซ้อนต้องพิสูจน์ตัวเอง: กำหนดให้ตัวเลือกที่เสนอมาต้องเอาชนะค่าอ้างอิงตามฤดูกาลในช่วงเวลาที่กันไว้ทดสอบ (held-out periods)
• รักษาบริบทความพร้อมจำหน่าย: อย่าฝึกฝนให้ฝ่ายจัดซื้อหรือโมเดลตีความสินค้าหมดสต็อกว่าเป็นการปฏิเสธของลูกค้า
• ประเมินผลลัพธ์เชิงพาณิชย์: วัดความเสี่ยงด้านสินค้าคงคลังและผลกำไรส่วนเพิ่ม ไม่ใช่แค่ความแม่นยำรายหน่วยเท่านั้น
• วัดผลตลอดวงจรชีวิตของโปรโมชัน: รวมเส้นฐาน การเพิ่มขึ้นของดีมานด์จากแคมเปญ และการเปลี่ยนแปลงของดีมานด์ที่ตามมา

กำหนดผู้รับผิดชอบและกระบวนการตัดสินใจให้โครงการนำร่อง

สำหรับโครงการนำร่องที่เสนอนี้ ให้รวบรวมข้อมูลยอดขายรายวันหรือรายสัปดาห์ บันทึกความพร้อมจำหน่าย และปฏิทินโปรโมชัน (หากมี) ย้อนหลัง 12 ถึง 24 เดือน สำรองข้อมูลสามเดือนล่าสุดไว้สำหรับการเปรียบเทียบขั้นสุดท้าย และทำการทดสอบย้อนหลัง (backtest) เส้นฐานตามฤดูกาลร่วมกับวิธีการทางเลือกสองวิธี โดยใช้ค่า MAE ความคลาดเคลื่อนเชิงระบบ (bias) และค่าประมาณต้นทุนจากการขาดสต็อก

เลือกวิธีการที่ให้ผลลัพธ์ทางเศรษฐกิจดีที่สุดภายใต้นโยบายการสั่งซื้อที่สอดคล้องกัน นำคำแนะนำการเติมสต็อกของวิธีนั้นไปใช้กับ SKU ที่เลือกไว้ ทบทวนกรณีข้อยกเว้นทุกสัปดาห์ และบันทึกทุกครั้งที่มีการปรับแก้ด้วยมือพร้อมเหตุผล

ELECTE แพลตฟอร์มวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วย AI สำหรับ SME รันวิธีการพยากรณ์หกวิธีบนข้อมูลของผู้ใช้ ให้คะแนนเปรียบเทียบกันเอง และเลือกวิธีที่แม่นยำที่สุด ผู้ใช้ส่วนใหญ่พร้อมใช้งานได้ภายในเวลาไม่ถึง 5 นาที โดยการวิเคราะห์และการพยากรณ์ครั้งแรกจะเริ่มทันทีหลังเชื่อมต่อซอฟต์แวร์บัญชีหรืออัปโหลดไฟล์ ทั้งนี้การตรวจสอบความถูกต้องในการใช้งานจริงยังต้องอาศัยข้อมูลยอดขายและความพร้อมจำหน่ายที่เหมาะสม

การตั้งค่าที่รวดเร็วไม่ใช่เครื่องพิสูจน์คุณค่าทางธุรกิจ ผลลัพธ์ของโครงการนำร่องคือการพิสูจน์ว่าแนวทางที่เลือกใช้เอาชนะวิธีการปัจจุบันของคุณบนข้อมูลของคุณเองได้หรือไม่ ภายใต้ข้อจำกัดด้านการจัดซื้อที่ทีมของคุณเผชิญในทางปฏิบัติจริง ให้ยึดมาตรฐานนี้ไว้แม้ในยามที่แดชบอร์ดดูน่าเชื่อถือ

ELECTE นำเสนอการพยากรณ์ความต้องการและเครื่องมือคำนวณจุดสั่งซื้อซ้ำฟรี เพื่อช่วยเชื่อมโยงการคาดการณ์เข้ากับการตัดสินใจด้านการจัดซื้อ เยี่ยมชม ELECTE เพื่อสำรวจแพลตฟอร์มและชม ELECTE ทำงานจริงผ่านการสาธิตแบบส่วนตัว