# การพยากรณ์ความต้องการสำหรับอีคอมเมิร์ซ: คู่มือฉบับสมบูรณ์สำหรับปี 2026

> เรียนรู้การพยากรณ์ความต้องการสำหรับอีคอมเมิร์ซแบบทีละขั้นตอน: วิธีการ ผลกระทบของโปรโมชัน ตัวชี้วัดความแม่นยำ และการวางแผนสินค้าคงคลัง ดูว่า ELECTE ทำให้กระบวนการนี้เป็นอัตโนมัติได้อย่างไร

Source: https://www.electe.net/th/post/ecommerce-demand-forecasting

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

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](https://unctad.org/news/global-e-commerce-jumps-267-trillion-covid-19-boosts-online-sales) 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](https://www.reddog.group/blogs/unleashing-insights/what-is-demand-forecasting) 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](https://arxiv.org/pdf/2506.05941) ได้ประเมินข้อมูลที่มี**ค่าขาดหายไป 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 ให้แสดง**ช่วงการพยากรณ์ที่กว้าง**ควบคู่ไปกับค่าพยากรณ์แบบจุด ผู้ซื้อจำเป็นต้องเห็นช่วงค่าดังกล่าวพร้อมระดับความเชื่อมั่นที่ระบุไว้ ไม่ใช่แค่ตัวเลขที่ดูเหมือนแม่นยำเพียงค่าเดียว

## การเลือกวิธีพยากรณ์สำหรับสินค้าแต่ละประเภท

ไม่มีโมเดลใดใช้ได้ผลดีกับทุกกรณี จับคู่วิธีการให้เหมาะกับรูปแบบของดีมานด์ และข้อมูลที่มีอยู่ ณ ตอนที่คุณสั่งซื้อ

สินค้าขายดีที่มียอดขายสม่ำเสมออาจมีจังหวะรายสัปดาห์ที่ชัดเจน สินค้าที่ขายได้จากโปรโมชันอาจขายดีเฉพาะช่วงแคมเปญ ส่วนสินค้าที่ขายแบบไม่ต่อเนื่อง เช่น อะไหล่เฉพาะกลุ่ม อาจไม่มียอดขายเลยเป็นระยะเวลานาน แล้วจึงมีคำสั่งซื้อเข้ามา

สิ่งเหล่านี้คือปัญหาการพยากรณ์ที่แตกต่างกัน การบังคับให้ใช้การตั้งค่าแบบเดียวกันทั้งหมดอาจช่วยให้ดูแลรักษาง่ายขึ้น แต่อาจทำให้การตัดสินใจจัดซื้อแย่ลงได้

### วิธีพยากรณ์ตามรูปแบบของสินค้า

ให้ถือว่าระยะเวลาประวัติข้อมูลด้านล่างนี้เป็น **คำแนะนำเบื้องต้น** ไม่ใช่ค่าขั้นต่ำที่ใช้ได้กับทุกกรณี วงจรรายสัปดาห์ต้องการหลักฐานที่ต่างจากวงจรรายปี และการเปลี่ยนแปลงเชิงโครงสร้างที่เพิ่งเกิดขึ้นอาจทำให้ประวัติข้อมูลเก่ามีประโยชน์น้อยลง

วิธีการเหมาะกับข้อมูลที่ต้องใช้จุดอ่อนหลักSeasonal naive หรือ moving averageสินค้าขายดีที่มียอดขายสูงและคงที่ช่วงข้อมูลเริ่มต้นที่แนะนำคือยอดขายรายวันหรือรายสัปดาห์ย้อนหลัง 1–2 ปีพลาดโปรโมชัน การเปลี่ยนแปลงของเทรนด์ และสินค้าใหม่Exponential smoothing (Holt-Winters)สินค้าขายได้สม่ำเสมอที่มีฤดูกาลรายสัปดาห์หรือรายปีชัดเจนควรมีข้อมูลครอบคลุมรอบฤดูกาลเต็ม 2 รอบขึ้นไปต้องปรับจูนทีละ SKU; รับมือกับช่วงพีคจากโปรโมชันได้ไม่ดีARIMA หรือ SARIMAชุดข้อมูลเดี่ยวที่มีเทรนด์และ autocorrelationช่วงข้อมูลเริ่มต้นที่แนะนำคือประวัติที่คงที่ย้อนหลัง 2 ปีขึ้นไปการปรับโมเดลและดูแลรักษาแยกกันกลายเป็นภาระเมื่อมี SKU หลายพันCroston หรือ SBAสินค้าที่ขายไม่ต่อเนื่องและไม่สม่ำเสมอ มีวันที่ยอดขายเป็นศูนย์จำนวนมากเริ่มต้นด้วยการประเมินประวัติย้อนหลัง 12 เดือนขึ้นไป และจำนวนครั้งที่มียอดขายไม่เป็นศูนย์ให้ผลพยากรณ์แบบจุดเดียว; ควรใช้ร่วมกับตรรกะ safety stockRegression ที่มีตัวแปรราคาและโปรโมชันหมวดสินค้าที่ขับเคลื่อนด้วยโปรโมชันและมีแผนส่วนลดที่ทราบล่วงหน้าราคา ระดับส่วนลด และปฏิทินแคมเปญต้องมีข้อมูลโปรโมชันในอดีตมากพอที่จะประเมิน lift ได้Gradient boosting (XGBoost, LightGBM) กับ SKU แบบรวมกลุ่มแคตตาล็อกขนาดใหญ่ที่มีสัญญาณต่าง ๆ ส่งผลกระทบซึ่งกันและกันควรมี SKU ที่เทียบเคียงกันได้หลายร้อยรายการและฟีเจอร์ที่หลากหลายอธิบายผลลัพธ์ได้ยากกว่า; ต้องตรวจสอบความถูกต้องอย่างรอบคอบ

สำหรับคำอธิบายเชิงลึกเกี่ยวกับรูปแบบอนุกรมเวลาและการสร้างแบบจำลองฤดูกาล ดูที่ [การใช้ ARIMA เพื่อพยากรณ์ความต้องการสินค้าคงคลัง](https://www.electe.net/post/arima-models-explained) ARIMA มีประโยชน์เมื่อข้อมูลในอดีตมีรูปแบบที่เกิดซ้ำได้ ไม่ใช่เมื่อบริบททางการค้าทั้งหมดของสินค้าเปลี่ยนไป

### ให้ความซับซ้อนพิสูจน์คุณค่าของตัวเอง

งานศึกษา [การพยากรณ์ค้าปลีกปี 2025](https://ideas.repec.org/a/bfy/oajsas/v6y2025i1p35-67id2679.html) ที่ครอบคลุม **สินค้า 50 รายการใน 10 ร้านค้า** ได้เปรียบเทียบ Random Forest, XGBoost, Linear Regression และ ARIMA โดยเน้นว่าอัลกอริทึมที่ดีที่สุดนั้นขึ้นอยู่กับชุดข้อมูลและโจทย์ทางธุรกิจ

รายละเอียดของฟีเจอร์ก็อาจช่วยวิธีหนึ่งได้โดยไม่ช่วยอีกวิธีหนึ่ง ในงานศึกษา [การพยากรณ์อีคอมเมิร์ซระยะสั้น](https://www.atlantis-press.com/article/125982175.pdf) 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](https://link.springer.com/chapter/10.1007/978-3-030-29996-5_66) 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 ให้ใช้กระบวนการที่สม่ำเสมอในการ[วัดยอดขายที่เพิ่มขึ้นจากโปรโมชัน](https://www.electe.net/post/promotion-optimization-in-retail) และควรทำให้สามารถระบุการคืนเงินตามแคมเปญได้เช่นกัน คำแนะนำของ PlatformDTC เกี่ยวกับวิธี[จัดการการคืนเงินสำหรับคำสั่งซื้อที่มีส่วนลด](https://platformdtc.com/blog/discounts-promo-codes)มีประโยชน์เมื่อต้องจับคู่กลไกส่วนลดเข้ากับข้อมูลหลังการซื้อ

### 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

ตัวชี้วัดบอกอะไรคุณได้บ้างจุดที่อาจทำให้เข้าใจผิดMAE (ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย)ค่าเฉลี่ยความคลาดเคลื่อนเป็นหน่วยเปรียบเทียบข้าม SKU ที่มีขนาดต่างกันมากได้ยากRMSE (รากที่สองของค่าความคลาดเคลื่อนกำลังสองเฉลี่ย)ขนาดความคลาดเคลื่อนโดยทั่วไป โดยให้น้ำหนักกับความคลาดเคลื่อนขนาดใหญ่มากกว่าค่าผิดปกติขนาดใหญ่เพียงไม่กี่ค่าสามารถครอบงำคะแนนรวมได้MAPE (ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยในรูปร้อยละ)ความคลาดเคลื่อนเป็นสัดส่วนของดีมานด์จริงไม่สามารถคำนวณได้หรือไม่เสถียรเมื่อดีมานด์จริงเป็นศูนย์MASE (ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยแบบปรับสเกล)ความคลาดเคลื่อนเทียบกับการพยากรณ์แบบพื้นฐาน (naive)เข้าใจยากกว่าสำหรับผู้ที่ไม่ใช่นักวิเคราะห์RMSSE (รากที่สองของค่าความคลาดเคลื่อนกำลังสองเฉลี่ยแบบปรับสเกล)ค่าความคลาดเคลื่อนกำลังสองแบบปรับสเกล ใช้เป็นมาตรฐานเปรียบเทียบสำหรับดีมานด์ที่ไม่ต่อเนื่องอธิบายให้ผู้ซื้อและนักวางแผนเข้าใจได้ยากBiasการพยากรณ์มีแนวโน้มสูงหรือต่ำกว่าความเป็นจริงอย่างเป็นระบบหรือไม่ค่าความเอนเอียงเฉลี่ยที่เป็นศูนย์อาจซ่อนความคลาดเคลื่อนขนาดใหญ่ที่เกิดขึ้นทั้งสองทิศทางได้

การ[ทบทวนงานวิจัยด้านการพยากรณ์ demand แบบไม่ต่อเนื่อง](https://www.tandfonline.com/doi/abs/10.1080/00207543.2025.2578701) 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

งานวิจัยด้านการพยากรณ์อีคอมเมิร์ซใน[ซาอุดีอาระเบีย](https://www.ijml.org/vol15/IJML-V15N3-1180.pdf)รายงาน **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

ตัวอย่างต่อไปนี้เป็น**ตัวอย่างสมมติที่คำนวณไว้** 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

สำหรับบริบทการปฏิบัติงานจริงเกี่ยวกับวิธี[สร้างสต็อกสำรองเพื่อความปลอดภัย](https://npoint.digital/how-to-prevent-stock-outs/) 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](https://ideas.repec.org/a/eee/intfor/v41y2025i2p554-570.html) พบว่าโปรโมชันอาจทำให้ผู้พยากรณ์ประเมินดีมานด์สูงเกินจริงเมื่อระดับการให้บริการเป้าหมายอยู่ในระดับสูง การมีสต็อกส่วนเกินไว้ไม่ได้เป็นทางเลือกที่ปลอดภัยทางเศรษฐกิจเสมอไป

หักค่าใช้จ่ายส่วนลด ค่าโฆษณา ค่าคืนสินค้า และค่าจัดส่งออกก่อนตัดสินความสามารถในการทำกำไร สำหรับการสนับสนุนด้านการนำไปปฏิบัติ ให้ใช้ [โครงการนำร่องด้านสินค้าคงคลัง 30 วันสำหรับธุรกิจค้าปลีก](https://www.electe.net/post/inventory-optimization-for-retail) เพื่อจัดวางความรับผิดชอบและการทบทวนผลงาน จังหวะเริ่มต้นที่เหมาะสมในทางปฏิบัติคือทบทวนทุกสัปดาห์สำหรับสินค้าที่ขายเร็ว และทบทวนทุกเดือนสำหรับสินค้าที่ขายช้า พร้อมทบทวนกรณีข้อยกเว้นทันทีหลังมีการเปลี่ยนแปลงด้านอุปทานหรือแคมเปญ

## ประเด็นสำคัญและโครงการนำร่อง 90 วัน

เริ่ม**โครงการนำร่องการพยากรณ์ดีมานด์อีคอมเมิร์ซ 90 วัน**ด้วยหมวดหมู่สินค้าที่มีขนาดใหญ่พอจะมีนัยสำคัญ แต่ยังจัดการได้ง่ายพอให้ฝ่ายจัดซื้อตรวจสอบได้ สำหรับขอบเขตที่แนะนำ ให้พิจารณา**SKU 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** สำรอง**ข้อมูลสามเดือนล่าสุด**ไว้สำหรับการเปรียบเทียบขั้นสุดท้าย และทำการทดสอบย้อนหลัง (backtest) เส้นฐานตามฤดูกาลร่วมกับ**วิธีการทางเลือกสองวิธี** โดยใช้ค่า MAE ความคลาดเคลื่อนเชิงระบบ (bias) และค่าประมาณต้นทุนจากการขาดสต็อก

เลือกวิธีการที่ให้ผลลัพธ์ทางเศรษฐกิจดีที่สุดภายใต้นโยบายการสั่งซื้อที่สอดคล้องกัน นำคำแนะนำการเติมสต็อกของวิธีนั้นไปใช้กับ SKU ที่เลือกไว้ ทบทวนกรณีข้อยกเว้นทุกสัปดาห์ และบันทึกทุกครั้งที่มีการปรับแก้ด้วยมือพร้อมเหตุผล

**ELECTE แพลตฟอร์มวิเคราะห์ข้อมูลที่ขับเคลื่อนด้วย AI สำหรับ SME** รันวิธีการพยากรณ์**หกวิธี**บนข้อมูลของผู้ใช้ ให้คะแนนเปรียบเทียบกันเอง และเลือกวิธีที่แม่นยำที่สุด ผู้ใช้ส่วนใหญ่พร้อมใช้งานได้**ภายในเวลาไม่ถึง 5 นาที** โดยการวิเคราะห์และการพยากรณ์ครั้งแรกจะเริ่มทันทีหลังเชื่อมต่อซอฟต์แวร์บัญชีหรืออัปโหลดไฟล์ ทั้งนี้การตรวจสอบความถูกต้องในการใช้งานจริงยังต้องอาศัยข้อมูลยอดขายและความพร้อมจำหน่ายที่เหมาะสม

การตั้งค่าที่รวดเร็วไม่ใช่เครื่องพิสูจน์คุณค่าทางธุรกิจ ผลลัพธ์ของโครงการนำร่องคือการพิสูจน์ว่าแนวทางที่เลือกใช้เอาชนะวิธีการปัจจุบันของคุณบนข้อมูลของคุณเองได้หรือไม่ ภายใต้ข้อจำกัดด้านการจัดซื้อที่ทีมของคุณเผชิญในทางปฏิบัติจริง ให้ยึดมาตรฐานนี้ไว้แม้ในยามที่แดชบอร์ดดูน่าเชื่อถือ

---

ELECTE นำเสนอการพยากรณ์ความต้องการและเครื่องมือคำนวณจุดสั่งซื้อซ้ำฟรี เพื่อช่วยเชื่อมโยงการคาดการณ์เข้ากับการตัดสินใจด้านการจัดซื้อ เยี่ยมชม [ELECTE](https://www.electe.net) เพื่อสำรวจแพลตฟอร์มและชม ELECTE ทำงานจริงผ่านการสาธิตแบบส่วนตัว