AI พยากรณ์ความต้องการ คุ้มค่าลงทุนแค่ไหน ตัวชี้วัดความแม่นยำและระยะเวลาคืนทุนที่โรงงานในไทยต้องดู

ในปี 2026 ประมาณการการส่งออกของไทย ปีเดียวกัน ประเทศเดียวกัน กลับห่างกันเกินสิบจุดระหว่างหน่วยงานภาครัฐกับองค์กรของผู้ส่งออก ในปีที่การพยากรณ์จากภายนอกแตกต่างกันถึงขนาดนี้ การออกไปไล่ซื้อการพยากรณ์ที่แม่นยำถือเป็นการลงทุนที่ตั้งโจทย์ผิด สิ่งที่ต้องการจริงคือกลไกสำหรับบริหารจัดการรูปแบบความคลาดเคลื่อนของการพยากรณ์ต่างหาก บทความนี้จะเรียบเรียงสามเรื่อง คือเหตุผลที่การประเมิน AI พยากรณ์ความต้องการ ด้วย MAPE เพียงตัวเดียวจะทำให้ตัดสินใจผิดพลาดแน่นอน ตัวชี้วัดเพิ่มเติมอีกสองตัวคือความเอนเอียงและ FVA และตัวอย่างการคำนวณค่าใช้จ่ายกับการคืนทุนของโรงงานที่มียอดขายต่อปีระดับ 500 ล้านบาท โดยมองจากมุมของผู้ผลิตที่มีฐานการผลิตทั้งในไทยและเวียดนาม

ปี 2026 มุมมองความต้องการของไทยห่างกันเกินสิบจุด

ก่อนอื่นควรตรวจสอบสมมติฐานที่อยู่นอกบริษัทของเราเสียก่อน สำหรับประเทศไทยในปี 2026 มุมมองของหน่วยงานภาครัฐกับองค์กรภาคเอกชนไม่ตรงกันตั้งแต่ต้น

ผู้อำนวยการ TPSO (Nantapong Jiralertpong) ผู้อำนวยการสำนักงานนโยบายและยุทธศาสตร์การค้า (TPSO) กระทรวงพาณิชย์ ประเมินการส่งออกของไทยในปี 2026 ไว้ที่ -3.1% ถึง +1.1% ส่วนอัตราการเติบโตของ GDP อ้างอิงมุมมองของ IMF และธนาคารโลกไว้ที่ 1.6-1.7% ในทางกลับกัน สภาผู้ส่งสินค้าทางเรือแห่งประเทศไทย (สรท.) ปรับประมาณการอัตราการเติบโตของการส่งออกปี 2026 ขึ้นอย่างมากจากเดิม 2-4% เป็น 8-10% โดยให้เหตุผลว่ามาจากความต้องการชิ้นส่วนอิเล็กทรอนิกส์และสินค้าที่เกี่ยวข้องกับ AI

การส่งออกของปีเดียวกัน ประเทศเดียวกัน ถ้ามองที่ขอบล่างคือ -3.1% ถ้ามองที่ขอบบนคือ +10% ช่วงกว้างเกิน 13 จุด นี่ไม่ใช่เรื่องที่ฝ่ายใดฝ่ายหนึ่งคำนวณผิด แต่เป็นเพราะโครงสร้างกลุ่มสินค้าที่แต่ละฝ่ายมองและสมมติฐานที่ใช้ต่างกัน ถ้ามองพอร์ตที่มีน้ำหนักของชิ้นส่วนอิเล็กทรอนิกส์และสินค้าเกี่ยวเนื่องกับ AI สูง ก็จะมองบวก ถ้ามองภาพรวมที่รวมสินค้าอุปโภคบริโภคและกลุ่มยานยนต์เข้าไปด้วย ก็จะมองลบ หากไม่เข้าใจโครงสร้างนี้แล้วสรุปสั้น ๆ ว่าปี 2026 ของไทยจะโตหรือไม่โต จะทำให้แผนการผลิตของโรงงานตัวเองผิดพลาด

เมื่อแยกรายตลาด จะเห็นตลาดที่ทิศทางตรงกันข้ามเรียงอยู่ข้าง ๆ กัน

ประมาณการรายตลาดของ TPSO แสดงภาพที่แยกย่อยลงไปอีก

ที่มา สำนักงานนโยบายและยุทธศาสตร์การค้า (TPSO) กระทรวงพาณิชย์

จุดที่ต้องสังเกตคือสหรัฐอเมริกาและจีน ซึ่งแม้ตัวเลขยังเป็นบวก แต่ชะลอลงจากปี 2025 อย่างรุนแรงมาก ตลาดสหรัฐจาก +30.6% เหลือ +8.9% ตลาดจีนจาก +13.6% เหลือ +1.2% TPSO ระบุสาเหตุไว้ชัดเจนว่าเป็นผลสะท้อนกลับของการเร่งส่งออกล่วงหน้า (front-loading) ที่เกิดขึ้นในปี 2025 เพื่อชิงจังหวะก่อนมาตรการภาษี นั่นคือการที่ปลายทางต้องทยอยระบายสินค้าคงคลังที่สะสมไว้ นอกจากนี้ยังระบุถึงราคาสินค้าผู้บริโภคที่สูงขึ้นจากภาษีนำเข้า ซึ่งกดฝั่งความต้องการเอาไว้อีกทางหนึ่ง

และตลาดกัมพูชาที่ -40.8% นี่คือการเปลี่ยนแปลงประเภทที่ยุ่งยากที่สุดสำหรับแบบจำลองพยากรณ์ความต้องการ เพราะมันไม่อยู่บนเส้นต่อขยายของข้อมูลในอดีตเลย และในทางสถิติมันดูเหมือนเป็นเพียงค่าผิดปกติค่าหนึ่ง แต่ในความเป็นจริงมันคือการเปลี่ยนเชิงโครงสร้าง ถ้าปล่อยให้แบบจำลองตัดทิ้งในฐานะค่าผิดปกติ เดือนถัดไปและเดือนถัดไปอีกก็จะพยากรณ์คลาดเคลื่อนในรูปแบบเดิมซ้ำ ๆ

ภาคการผลิตในปัจจุบันกำลังชะลอตัว

นอกจากเรื่องประมาณการแล้ว ควรดูผลจริงด้วย ดัชนีผลผลิตอุตสาหกรรม (MPI) ของไทยในเดือนพฤษภาคม 2026 อยู่ที่ -0.8% เมื่อเทียบกับเดือนเดียวกันของปีก่อน การผลิตยานยนต์แย่ลงอย่างมากที่ -17.94% ส่วนประมาณการ MPI ทั้งปี 2026 ของกระทรวงอุตสาหกรรมอยู่ที่ +1.0-2.0% นั่นแปลว่ามุมมองคือปัจจุบันติดลบ แต่ทั้งปีจะบวกเล็กน้อย ซึ่งเป็นตัวเลขที่คิดรวมการฟื้นตัวในช่วงใดช่วงหนึ่งของปีเอาไว้แล้ว

สำหรับภาพระยะกลาง รายงาน Industry Outlook 2026-2028 ของวิจัยกรุงศรี (Krungsri Research) มองการเติบโตของเศรษฐกิจไทยในช่วงปี 2026-2028 ไว้ที่เฉลี่ยปีละ 2.1% ซึ่งต่ำกว่าค่าเฉลี่ย 3.6% ของช่วงปี 2010-2019 อยู่มาก หนี้ครัวเรือนอยู่ที่ระดับเกิน 86% ของ GDP ทำให้ช่องว่างสำหรับการเติบโตของอุปสงค์ในประเทศถูกจำกัดในเชิงโครงสร้าง

เวียดนามกลับอยู่ในช่วงเร่งกำลังการผลิต

ตรงนี้เองที่เกิดความไม่สมมาตรซึ่งสำคัญมากสำหรับผู้ผลิตที่มีฐานการผลิตทั้งในไทยและเวียดนาม

ดัชนีผลผลิตภาคอุตสาหกรรม (IIP) ของเวียดนามในครึ่งแรกของปี 2026 อยู่ที่ +10.8% เมื่อเทียบกับช่วงเดียวกันของปีก่อน เป็นการเติบโตที่สูงที่สุดนับตั้งแต่ปี 2019 และเร่งขึ้นจาก +8.7% ในครึ่งแรกของปี 2025 กลุ่มการผลิตและแปรรูปอยู่ที่ +11.4% และมีส่วนสนับสนุนการเติบโตของภาพรวมถึง 8.9 จุด ดัชนี PMI ภาคการผลิตของเดือนมิถุนายน 2026 อยู่ที่ 51.8 (เดือนพฤษภาคมอยู่ที่ 52.8) โดยการผลิตขยายตัวต่อเนื่องเป็นเดือนที่ 14 อย่างไรก็ตาม การจ้างงานลดลงต่อเนื่องเป็นเดือนที่ 4 ซึ่งอ่านได้ว่าเป็นภาพของการเพิ่มผลผลิตโดยไม่เพิ่มคน

พูดอีกอย่างคือ ภายในบริษัทเดียวกัน ฐานการผลิตในไทยอาจอยู่ในช่วงชะลอตัว ขณะที่ฐานการผลิตในเวียดนามอยู่ในช่วงเร่งกำลังการผลิต ถ้าในสถานการณ์แบบนี้เราสร้างแบบจำลองพยากรณ์ความต้องการกลางของกลุ่มบริษัทขึ้นมาชุดเดียวแล้วแจกจ่ายให้ทั้งสองฐานการผลิต อย่างน้อยหนึ่งฝั่งจะคลาดเคลื่อนอย่างมาก ประเด็นนี้จะกลับมาพูดถึงอีกครั้งในช่วงท้าย

AI พยากรณ์ความต้องการ เข้ามาแทนที่อะไรในโรงงาน

คำว่า AI พยากรณ์ความต้องการ ถูกใช้กันอย่างแพร่หลาย แต่สิ่งที่ถูกแทนที่จริง ๆ ในหน้างานของโรงงานคืออะไร กลับเป็นเรื่องที่ไม่ค่อยมีความเข้าใจตรงกัน ถ้าตั้งงบประมาณโดยปล่อยให้จุดนี้คลุมเครือ หลังนำระบบเข้ามาแล้วจะกลายเป็นว่าไม่ตรงกับที่คิดไว้

ความต่างระหว่าง Excel กับสัญชาตญาณฝ่ายขาย และ AI พยากรณ์ความต้องการ อยู่ที่ความละเอียด ความถี่ และการอธิบายที่มา

โรงงานญี่ปุ่นในไทยจำนวนมากทำการพยากรณ์ความต้องการในรูปแบบต่อไปนี้

• ฝ่ายขายรวบรวมตัวเลขแจ้งล่วงหน้าและ forecast จากลูกค้ารายหลัก
• ฝ่ายวางแผนการผลิตเรียงตัวเลขเทียบกับเดือนเดียวกันของปีก่อนและค่าเฉลี่ยเคลื่อนที่ 3 เดือนล่าสุดใน Excel
• ที่ประชุมปรับสมดุลอุปสงค์กับอุปทานรายเดือนปรับตัวเลขโดยเพิ่มความรู้สึกของฝ่ายขายเข้าไป
• ตัวเลขที่สรุปแล้วถูกส่งต่อไปยังแผนการผลิตและฝ่ายจัดซื้อ

วิธีนี้ไม่ได้แย่แต่อย่างใด สำหรับโรงงานที่มีลูกค้าน้อยราย ตัวเลขแจ้งล่วงหน้าแม่นยำ และ lead time สั้น วิธีนี้ทำงานได้ดีเพียงพอ ปัญหาจะเกิดเมื่อจำนวน SKU เกินหลายร้อยรายการ มีสินค้าที่ผลิตเผื่อโดยไม่มีตัวเลขแจ้งล่วงหน้าปนอยู่ และ lead time การจัดหาวัตถุดิบยาว 2-3 เดือน เพราะแรงงานคนนั้น ถ้าทำให้ละเอียดขึ้นก็จะทำไม่ไหว ถ้าเพิ่มความถี่ขึ้นก็จะทำไม่ไหวเช่นกัน

สิ่งที่ AI พยากรณ์ความต้องการ เข้ามาแทนที่จริง ๆ คือขีดจำกัดด้านความละเอียดและความถี่นี้ ถ้าสรุปให้ชัด ความแตกต่างรวบยอดได้เป็น 3 ประเด็นดังตาราง

บรรทัดสุดท้ายคือบรรทัดที่สำคัญ AI พยากรณ์ความต้องการ ไม่ใช่สิ่งที่มาปฏิเสธและแทนที่สัญชาตญาณของฝ่ายขาย ข้อมูลที่มีแต่ฝ่ายขายเท่านั้นที่รู้ เช่น ความน่าจะเป็นที่จะได้งานใหม่ การย้ายโรงงานของลูกค้า การถอนตัวของคู่แข่ง จะยังคงอยู่นอกแบบจำลองต่อไป สิ่งที่ AI รับไปทำคือการคำนวณที่ไม่ว่าใครทำก็ควรได้คำตอบเดียวกัน โดยทำให้ละเอียดกว่าคนและถี่กว่าคน ถ้าเข้าใจจุดนี้ผิด ก็จะมุ่งตรงไปสู่ความล้มเหลวที่พบบ่อยที่สุด นั่นคือฝ่ายขายเขียนทับตัวเลขที่ AI คำนวณออกมาทั้งหมด

เลือกใช้แบบจำลองสถิติหรือ machine learning จุดแบ่งอยู่ที่ใส่ตัวแปรภายนอกได้หรือไม่

วิธีการพยากรณ์ความต้องการแบ่งใหญ่ ๆ ได้เป็น 3 ชั้น

ชั้นที่ 1 แบบจำลองสถิติอนุกรมเวลา (ค่าเฉลี่ยเคลื่อนที่ การปรับเรียบแบบเอกซ์โพเนนเชียล ARIMA การแยกองค์ประกอบฤดูกาล และอื่น ๆ)

สร้างอนาคตจากอนุกรมข้อมูลของตัวเองในอดีตเท่านั้น ทำงานได้แม้ข้อมูลน้อย อธิบายผลลัพธ์ได้ง่าย และคำนวณเบา สำหรับสินค้าที่ความต้องการนิ่ง วิธีนี้มักเพียงพอ และในการประเมินด้วย FVA ที่จะกล่าวถึงต่อไป ข้อสรุปที่ว่า AI เอาชนะแบบจำลองสถิติไม่ได้ ก็ไม่ใช่เรื่องแปลกแต่อย่างใด

ชั้นที่ 2 machine learning (กลุ่ม gradient boosting และกลุ่มการถดถอย)

นอกจากอนุกรมข้อมูลของตัวเองในอดีตแล้ว ยังใส่ตัวแปรภายนอกเข้าไปเป็นตัวแปรอธิบายได้ด้วย เช่น ปฏิทินวันหยุด จำนวนวันทำงาน แคมเปญส่งเสริมการขาย อัตราแลกเปลี่ยน แผนการผลิตของฝั่งลูกค้า ราคาวัตถุดิบ การเปลี่ยนแปลงอัตราภาษีนำเข้า และยังใช้ความคล้ายกันระหว่าง SKU เพื่อเติมเต็ม SKU ที่มีข้อมูลน้อยจากพฤติกรรมของ SKU อื่นได้อีกด้วย

ชั้นที่ 3 กลุ่ม deep learning (แบบจำลองอนุกรมเวลาตระกูล RNN และ Transformer)

เรียนรู้อนุกรมข้อมูลจำนวนมากพร้อมกัน จับปฏิสัมพันธ์ระหว่างอนุกรมและการพึ่งพาระยะยาวได้ แสดงศักยภาพจริงเมื่อสเกลอยู่ที่ระดับหลายพัน SKU ขึ้นไป แต่มีข้อเรียกร้องสูงทั้งด้านปริมาณข้อมูลสำหรับเรียนรู้และคุณภาพข้อมูล อีกทั้งการอธิบายที่มาก็ลดลง

จุดตั้งต้นที่สมจริงสำหรับโรงงานญี่ปุ่นในไทยเกือบทั้งหมดคือชั้นที่ 2 จุดแบ่งชัดเจนมาก คือเรามีข้อมูลของปัจจัยภายนอกที่ขับเคลื่อนความต้องการของเราอยู่ในมือหรือไม่ การเรียงตัวของวันหยุดสงกรานต์ สัปดาห์ที่ตรุษจีนเลื่อนไป ปฏิทินการเดินเครื่องของลูกค้า เดือนที่มาตรการภาษีเริ่มบังคับใช้ ถ้าสิ่งเหล่านี้อยู่ในมือในรูปของตัวเลขแล้ว ชั้นที่ 2 จึงจะมีความหมาย ถ้ายังไม่มี สิ่งที่ควรลงทุนก่อนคือการสร้างข้อมูลชุดนั้นขึ้นมา ไม่ใช่ตัวแบบจำลอง

อนึ่ง ข้อสังเกตที่ว่าความแม่นยำของ AI ขึ้นอยู่กับคุณภาพและปริมาณของข้อมูลสำหรับเรียนรู้เป็นอย่างมาก และการจัดระเบียบข้อมูลคือกุญแจของความสำเร็จ ก็ปรากฏซ้ำ ๆ ในการวิเคราะห์กรณีศึกษาการนำระบบไปใช้ ก่อนจะนำแบบจำลองขั้นสูงของชั้นที่ 3 เข้ามา ควรตรวจสอบก่อนว่ามันไม่ได้แพ้ชั้นที่ 1 นี่คือลำดับที่ถูกต้อง

ความสัมพันธ์กับ AI วางแผนการผลิต และ AI บริหารสินค้าคงคลัง โดยการพยากรณ์คือขาเข้า แผนคือขาออก

เรื่องที่สับสนมากที่สุดในหน้างานคือการแยกสามสิ่งนี้ ถ้าเรียบเรียงให้ชัด ทั้งสามฟังก์ชันเรียงต่อกันเป็นเส้นตรง

“`

AI พยากรณ์ความต้องการ → AI บริหารสินค้าคงคลัง → AI วางแผนการผลิต

(อะไรจะขายได้) (ต้องถือไว้เท่าไร) (จะผลิตอะไรเมื่อไร)

“`

• AI พยากรณ์ความต้องการ ให้ผลลัพธ์เป็นปริมาณความต้องการในอนาคตและความไม่แน่นอนหรือความผันผวนของมัน สิ่งสำคัญคือผลลัพธ์ตรงนี้ไม่ใช่แค่ตัวเลขจุดเดียว แต่ต้องมีช่วงความผันผวนด้วย
• AI บริหารสินค้าคงคลัง รับการพยากรณ์และความผันผวนนั้นมา แล้วกำหนดสินค้าคงคลังสำรอง จุดสั่งซื้อ และปริมาณสั่งซื้อของแต่ละ SKU ถึงการพยากรณ์จะเหมือนกัน คำตอบก็เปลี่ยนได้ตามเป้าหมายระดับการให้บริการและวิธีตั้งค่าต้นทุนของการขาดสต็อก
• AI วางแผนการผลิต (production scheduler) รับปริมาณที่ต้องการและกำหนดส่งมา แล้วกำหนดว่าจะผลิตอะไร เมื่อไร ตามลำดับใด ภายใต้ข้อจำกัดของกำลังการผลิตของเครื่องจักร เวลาปรับตั้งเครื่อง และกะของพนักงาน

ข้อสรุปเชิงปฏิบัติที่ได้จากตรงนี้คือ การนำ AI พยากรณ์ความต้องการ เข้ามาอย่างเดียว จะไม่ทำให้ตัวชี้วัดของโรงงานขยับ ต่อให้ความแม่นยำของการพยากรณ์ดีขึ้น ถ้าสูตรคำนวณสินค้าคงคลังสำรองยังถูกตรึงเป็นค่าคงที่แบบเมื่อ 10 ปีก่อน สินค้าคงคลังก็จะไม่ลด ถ้าจุดสั่งซื้อยังกำหนดด้วยมือ ฝ่ายจัดซื้อก็ไม่เปลี่ยน ถ้าแผนการผลิตยังหมุนด้วยขนาดล็อตคงที่รายสัปดาห์ การผลิตก็ไม่เปลี่ยน

การพยากรณ์ความต้องการคือขาเข้า ไม่ใช่ผลลัพธ์ สิ่งที่สร้างผลลัพธ์คือระบบรองรับที่รับการพยากรณ์นั้นไปขับเคลื่อนต่อ ในบทความนี้จะเรียกระบบวางแผนการผลิต สินค้าคงคลัง และการจัดซื้อ ที่รับผลพยากรณ์ไปใช้จริงว่าระบบรองรับ สำหรับทางเลือกในฝั่งระบบรองรับ เราได้เรียบเรียงกลุ่มผลิตภัณฑ์ที่ใช้งานจริงในประเทศไทยไว้แล้วในบทความเปรียบเทียบ production scheduler และบทความเปรียบเทียบระบบบริหารสินค้าคงคลัง ลองดูประกอบกันได้

TOMAS TECH ไม่ใช่บริษัทที่พัฒนาและขายเอนจินพยากรณ์ความต้องการเอง เราตั้งฐานอยู่ที่กรุงเทพและทำงานด้านการผสานระบบ IT กับ OT ให้โรงงานญี่ปุ่น ในฐานะฝั่งที่สร้างระบบรองรับด้านการวางแผนการผลิต สินค้าคงคลัง และการจัดซื้อ ที่รับผลพยากรณ์ไปขับเคลื่อนจริง ด้วยเหตุนี้เราจึงได้เห็นสภาพที่ซื้อแต่เอนจินมาแล้วไม่มีระบบรองรับมาแล้วจำนวนมาก

วิธีอ่านตัวชี้วัดความแม่นยำ ถ้าดู MAPE อย่างเดียวจะตัดสินใจผิดแน่นอน

ตัวเลขแรกที่ถูกยกขึ้นมาในวงเปรียบเทียบผู้ขายคือ MAPE แต่ถ้าตัดสินใจด้วย MAPE เพียงตัวเดียว โอกาสผิดพลาดสูงมาก ตัวชี้วัดที่จำเป็นมีอยู่ 3 ชั้น

เกณฑ์อ้างอิง MAPE แยกตามประเภทธุรกิจ

MAPE (ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์เป็นเปอร์เซ็นต์) แสดงว่าการพยากรณ์เบี่ยงจากผลจริงเฉลี่ยกี่เปอร์เซ็นต์ สิ่งแรกที่ต้องเข้าใจคือ ดีหรือไม่ดีของ MAPE ถูกกำหนดโดยประเภทธุรกิจและระดับความละเอียด

โรงงานญี่ปุ่นในไทยส่วนใหญ่เข้าข่ายบรรทัดที่ 3 คือสินค้าอุตสาหกรรมและ B2B นั่นแปลว่า MAPE ระดับ SKU ที่ 20-40% ไม่ใช่ตัวเลขแย่ที่ยังมีช่องให้ปรับปรุง แต่คือระดับมาตรฐานของสาขานั้น ถ้าประเมินโดยไม่รู้สมมติฐานนี้แล้วสรุปว่า MAPE 30% ใช้ไม่ได้เลย ก็จะเข้าใจผิดว่าสภาพที่ปกติดีเป็นความผิดปกติ

ในทางกลับกัน เมื่อผู้ขายยื่นกรณีศึกษาของบริษัทอื่นมาว่าทำ MAPE 10% ได้ ขอให้ตรวจสอบทุกครั้งว่ากรณีนั้นอยู่ในกลุ่มใด และเป็นตัวเลขที่ระดับความละเอียดใด ช่วงเวลาที่พยากรณ์ล่วงหน้าเท่าใด MAPE ระดับ SKU คูณรายสัปดาห์ กับ MAPE ระดับกลุ่มสินค้าคูณรายเดือน เป็นคนละตัวชี้วัดกันโดยสิ้นเชิง ตัวหลังจะให้ตัวเลขที่ดีกว่าตัวแรกแทบไม่มีข้อยกเว้น เพราะเมื่อรวมยอดขึ้นไป ส่วนที่สูงเกินและต่ำเกินของแต่ละ SKU จะหักล้างกัน การเปรียบเทียบ MAPE ที่ไม่ระบุระดับความละเอียดจึงไม่มีความหมาย

แยกดูความเอนเอียง ซึ่งคือการอ่านสูงเกินหรือต่ำเกินอย่างเป็นระบบ

จุดอ่อนร้ายแรงของ MAPE คือมันลบทิศทางของความคลาดเคลื่อนทิ้ง เพราะใช้ค่าสัมบูรณ์ แบบจำลองที่อ่านสูงเกินไป 10% อยู่ตลอดเวลา กับแบบจำลองที่แกว่งแบบสุ่มคือเดือนหนึ่ง +10% เดือนถัดไป -10% จะถูกวางเรียงกันในฐานะ MAPE 10% เท่ากัน

แต่สำหรับโรงงาน สองสิ่งนี้ต่างกันโดยสิ้นเชิง

• ความคลาดเคลื่อนแบบสุ่ม คือสิ่งที่ต้องรองรับด้วยสินค้าคงคลังสำรอง ถ้าถือสินค้าคงคลังตามช่วงความผันผวน ก็รักษาระดับการให้บริการไว้ได้
• ความเอนเอียงอย่างเป็นระบบ ไม่ใช่สิ่งที่ควรรองรับด้วยสินค้าคงคลังสำรอง ถ้าอ่านสูงเกินอยู่ตลอด สินค้าคงคลังก็จะพอกขึ้นแบบทางเดียว ถ้าอ่านต่ำเกินอยู่ตลอด การขาดสต็อกก็จะเกิดขึ้นเชิงโครงสร้างต่อเนื่อง นี่คือปัญหาที่ต้องไปแก้ที่ค่ากลางของการพยากรณ์เอง

ความเอนเอียงส่งผลต่อสินค้าคงคลังในลักษณะสะสม ถ้าอ่านสูงเกินเดือนละ +5% ต่อเนื่อง สินค้าคงคลังก็จะเพิ่มขึ้นทุกเดือน โรงงานที่ MAPE ทรงตัวแต่สินค้าคงคลังเพิ่มขึ้นอย่างเดียว แทบจะแน่นอนว่าปล่อยความเอนเอียงทิ้งไว้

ในทางปฏิบัติควรนำ 3 สิ่งนี้มาวางเรียงกันแล้วทบทวนเป็นรายเดือน

1. MAPE ซึ่งคือขนาดของความคลาดเคลื่อน ใช้ในการออกแบบสินค้าคงคลังสำรอง
2. ความเอนเอียง ซึ่งคือทิศทางและความต่อเนื่องของความคลาดเคลื่อน ใช้ในการแก้ไขกระบวนการพยากรณ์และกฎการปรับตัวเลข
3. ผลลัพธ์ด้านสินค้าคงคลัง ได้แก่ จำนวนวันสินค้าคงคลัง อัตราการขาดสต็อก มูลค่าของทิ้ง ใช้ในการตัดสินผ่านหรือไม่ผ่านขั้นสุดท้าย

ยังมีข้อสังเกตด้วยว่าในหลายสถานการณ์ MAE (ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์) หรือ MASE ให้นัยที่มากกว่า MAPE โดยเฉพาะสินค้าที่มีสัปดาห์ซึ่งความต้องการเป็นศูนย์ปนอยู่ MAPE จะมีตัวส่วนเป็นศูนย์ ทำให้คำนวณไม่ได้หรือค่าลู่ออก จึงใช้ไม่ได้ตั้งแต่ต้น โรงงานที่มีสินค้าซึ่งความต้องการเกิดเป็นช่วง ๆ อยู่มาก จึงไม่ควรล็อกไว้ที่ MAPE อย่างเดียวตั้งแต่ขั้นเลือกตัวชี้วัด

FVA (Forecast Value Added) การพยากรณ์ที่ชนะการพยากรณ์แบบง่ายไม่ได้ คือต้นทุนล้วน

ชั้นที่ 3 คือตัวชี้วัดที่เชื่อมโยงกับการตัดสินใจลงทุนโดยตรงที่สุด

FVA (Forecast Value Added) วัดว่าเมื่อเทียบกับการพยากรณ์แบบง่ายแล้ว การลงแรงลงเวลาเพิ่มเข้าไปสร้างมูลค่าส่วนเพิ่มขึ้นมาเท่าใด การพยากรณ์แบบง่าย (naive forecast) หมายถึงการพยากรณ์ที่เรียบง่ายที่สุดและสร้างได้โดยไม่มีต้นทุน เช่น ความต้องการของเดือนหน้าเท่ากับผลจริงของเดือนนี้ หรือเดือนหน้าเท่ากับเดือนเดียวกันของปีก่อน

ขั้นตอนการประเมินนั้นตรงไปตรงมา

1. คำนวณ MAPE ของการพยากรณ์แบบง่าย บนช่วงเวลาเดียวกันและรายการสินค้าเดียวกัน
2. คำนวณ MAPE ของ AI พยากรณ์ความต้องการ
3. ถ้าส่วนต่างเป็นบวก แสดงว่า AI ตัวนั้นมีคุณค่า
4. ถ้าส่วนต่างเป็นศูนย์หรือติดลบ AI ตัวนั้นคือต้นทุนล้วน ๆ

ที่สำคัญยิ่งกว่านั้นคือ ควรวัด FVA แยกตามแต่ละขั้นของกระบวนการ เพราะกระบวนการปรับสมดุลอุปสงค์กับอุปทานจริงมีหลายขั้นดังนี้

“`

การพยากรณ์แบบง่าย → แบบจำลองสถิติ → แบบจำลอง machine learning → การปรับโดยฝ่ายขาย → ตัวเลขที่ตกลงกันในที่ประชุม

“`

เมื่อวัด MAPE หลังจบแต่ละขั้น ผลลัพธ์ที่ออกมามักน่าตกใจ นั่นคือกรณีที่ตัวเลขหลังจากฝ่ายขายปรับแล้ว มีความแม่นยำแย่กว่าผลลัพธ์ของแบบจำลอง machine learning กรณีแบบนี้ไม่ใช่เรื่องหายาก เพราะฝ่ายขายจดจำประสบการณ์ที่ถูกตำหนิเรื่องของขาดได้แม่นกว่า จึงมีแนวโน้มอ่านสูงเกินในเชิงโครงสร้าง ในกรณีนี้ วิธีที่ถูกต้องไม่ใช่การยกระดับ AI ให้ล้ำขึ้น แต่คือการกำหนดให้การปรับตัวเลขของฝ่ายขายต้องกรอกเหตุผลกำกับ และเลิกปรับขึ้นโดยไม่มีเหตุผลรองรับ ความแม่นยำจะดีขึ้นโดยไม่ต้องลงทุนเพิ่มเลย

ในการออกแบบเกณฑ์ประเมินของ PoC นั้น FVA เป็นสิ่งจำเป็น ถ้าดูแค่ MAPE ของผู้ขายแล้วเซ็นสัญญา ก็จะไปรู้ตัวหลังเซ็นสัญญาแล้วว่าเราใส่แบบจำลองที่ดูซับซ้อนเข้ามา แต่จริง ๆ แล้วความแม่นยำเท่ากับการเทียบกับเดือนเดียวกันของปีก่อน ขอให้เขียนลงในเงื่อนไขผ่านของ PoC ทุกครั้งว่า FVA เมื่อเทียบกับการพยากรณ์แบบง่ายในช่วงเวลาเดียวกันต้องเป็นบวก

โรงงานแบบไหนที่ AI พยากรณ์ความต้องการ ได้ผล และแบบไหนที่ไม่ได้ผล

AI พยากรณ์ความต้องการ ไม่ได้ให้ผลเท่ากันในทุกโรงงาน ความคาดหวังเปลี่ยนแปลงอย่างมากตามรูปแบบการผลิตและลักษณะของความต้องการ

ความคาดหวังต่างกันตามรูปแบบการผลิต ทั้งการผลิตเพื่อเก็บสต็อก การผลิตตามคำสั่งซื้อ และคำสั่งซื้อซ้ำ

สิ่งที่มักถูกมองข้ามคือกรณีคำสั่งซื้อซ้ำ โรงงานที่ได้รับตัวเลขแจ้งล่วงหน้าจากลูกค้าถึง 3 เดือนข้างหน้ามักคิดว่าไม่จำเป็นต้องพยากรณ์เพราะมีตัวเลขแจ้งล่วงหน้าอยู่แล้ว แต่เท่าที่เราเห็นในหน้างาน โรงงานที่ตัวเลขแจ้งล่วงหน้ากับคำสั่งซื้อจริงเบี่ยงกันหลายสิบเปอร์เซ็นต์ไม่ใช่เรื่องหายาก ในกรณีนี้ สิ่งที่ควรพยากรณ์ไม่ใช่ตัวความต้องการเอง แต่คือโครงสร้างความคลาดเคลื่อนของตัวเลขแจ้งล่วงหน้า รูปแบบอย่างเช่น ตัวเลขแจ้งล่วงหน้า 3 เดือนของลูกค้า A ออกมาสูงเกินโดยเฉลี่ย 15% หรือลูกค้า B มีแนวโน้มออกคำสั่งซื้อเพิ่มช่วงปลายเดือน เป็นสิ่งที่สร้างแบบจำลองได้เพียงพอ และเป็นพื้นที่ที่ให้ผลได้ง่าย

เงื่อนไขที่ทำให้ได้ผลยาก

หากเข้าเงื่อนไขต่อไปนี้ ความคุ้มค่าของการลงทุนใน AI พยากรณ์ความต้องการ จะตึงตัว ทั้งนี้ไม่ได้หมายความว่าควรหยุดการนำระบบเข้ามา แต่หมายความว่าควรจำกัดขอบเขตการใช้งาน

เงื่อนไขที่ 1 ขับเคลื่อนด้วยโครงการ และข้อมูลในอดีตไม่มีความสามารถในการทำซ้ำ

หากความต้องการถูกกำหนดด้วยว่าจะได้หรือไม่ได้โครงการขนาดใหญ่รายการใดรายการหนึ่ง การเรียนรู้ประวัติการส่งมอบในอดีตก็จะไม่ทำให้พยากรณ์อนาคตได้ ในกรณีนี้ สิ่งที่จำเป็นไม่ใช่ AI พยากรณ์ความต้องการ แต่คือการบริหารระดับความน่าจะเป็นของ pipeline ฝ่ายขาย

เงื่อนไขที่ 2 ความถี่ในการเกิดต่อ SKU อยู่ที่ไม่กี่ครั้งต่อเดือนหรือน้อยกว่า

สำหรับสินค้าที่ความต้องการเกิดเป็นช่วง ๆ (intermittent) แทบไม่มีสารสนเทศให้เรียนรู้ในเชิงสถิติ และ MAPE ระดับ SKU ก็มักคำนวณไม่ได้ พื้นที่นี้ควรเปลี่ยนไปใช้การตัดสินเชิงคุณภาพว่าจะถือสินค้าคงคลังหรือไม่ถือ ซึ่งใช้ได้จริงกว่า

เงื่อนไขที่ 3 lead time ของการจัดหาและการผลิตสั้นกว่าช่วงเวลาที่พยากรณ์ล่วงหน้า

โรงงานที่ lead time จัดหาวัตถุดิบเท่ากับ 1 สัปดาห์และผลิตเสร็จใน 3 วัน แทบไม่จำเป็นต้องลงมือล่วงหน้าตามการพยากรณ์อยู่แล้ว เพราะเห็นคำสั่งซื้อแล้วค่อยเริ่มก็ทัน คุณค่าของการพยากรณ์เกิดขึ้นเฉพาะเมื่อ lead time ยาวเมื่อเทียบกับช่วงเวลาที่พยากรณ์ล่วงหน้า พูดกลับกันคือ ถ้าย่น lead time ได้ ทางนั้นอาจให้ความคุ้มค่าการลงทุนสูงกว่า

เงื่อนไขที่ 4 อ่านความต้องการได้อยู่แล้ว แต่ฝั่งอุปทานไม่เสถียร

หากอัตราการส่งมอบตรงเวลาของซัพพลายเออร์ต่ำ และสาเหตุหลักของการขาดสต็อกอยู่ที่ฝั่งอุปทานไม่ใช่ฝั่งความต้องการ การปรับปรุงการพยากรณ์ก็จะไม่ทำให้สินค้าคงคลังลดลง สิ่งที่ควรลงทุนในกรณีนี้คือการบริหารข้อมูลจริงของกำหนดส่งจากซัพพลายเออร์ และการออกแบบสินค้าคงคลังสำรองใหม่โดยรวมความผันผวนของ lead time ฝั่งอุปทานเข้าไปด้วย

เหตุผลที่ควรเริ่มจากระดับกลุ่มสินค้าก่อน

ความล้มเหลวที่พบบ่อยตอนเริ่มนำระบบเข้ามาคือการเริ่มที่ทุก SKU คูณรายสัปดาห์ทันที เนื่องจาก MAPE ระดับ SKU ของสินค้าอุตสาหกรรมอยู่ที่ 20-40% เป็นมาตรฐาน การเริ่มที่ความละเอียดสูงจะทำให้ผู้เกี่ยวข้องประเมินทันทีที่เห็นผลลัพธ์ชุดแรกว่าความแม่นยำต่ำเกินไป และโครงการก็หยุดลง

เหตุผลที่ควรเริ่มจากระดับกลุ่มสินค้ามี 3 ข้อ

1. เมื่อรวมยอด ความคลาดเคลื่อนจะหักล้างกันและ MAPE จะลดลง ตัวเลขจึงอยู่ในระดับที่อ่านออก ทำให้เริ่มต้นจากสภาพที่ผู้เกี่ยวข้องเชื่อผลลัพธ์ได้
2. ตรงกับความละเอียดของการตัดสินใจ การวางแผนกำลังการผลิตของสายการผลิต การจัดกะพนักงาน และโควตาการจัดหาวัตถุดิบร่วม โดยพื้นฐานมักถูกกำหนดที่ระดับกลุ่มสินค้าอยู่แล้ว ไม่ใช่ระดับ SKU หลักการคือปรับความละเอียดของการพยากรณ์ให้ตรงกับความละเอียดของการตัดสินใจ
3. ค่อย ๆ ลงรายละเอียดได้เป็นขั้น เมื่อระดับกลุ่มสินค้าทำงานได้แล้ว ก็ขยายต่อโดยลงมาที่ระดับ SKU เฉพาะสินค้าคลาส A ได้ ส่วนทิศทางกลับกันคือเริ่มละเอียดแล้วถอยไปหยาบนั้น จะถูกมองว่าล้มเหลว จึงยากในเชิงการเมืองภายในองค์กร

คำถามเชิงปฏิบัติเวลากำหนดความละเอียดคือ ใครจะดูการพยากรณ์นั้น เมื่อไร เพื่อตัดสินใจเรื่องอะไร การพยากรณ์ที่ความละเอียดซึ่งไม่มีใครใช้ตัดสินใจ ต่อให้แม่นยำสูงก็ไม่มีคุณค่า

วิธีคิดเรื่องค่าใช้จ่ายและการคืนทุน

จากตรงนี้ไปคือแกนหลักของการตัดสินใจลงทุน ตัวเลขทั้งหมดในการคำนวณต่อไปนี้เป็นสกุลบาท หากต้องนำไปเทียบกับตัวเลขของสำนักงานใหญ่ในญี่ปุ่น ให้ใช้อัตราแลกเปลี่ยนที่ 1 THB ประมาณ 4.6 JPY

นโยบายการปัดเศษ จำนวนเงินแสดงเป็นหน่วยล้านบาทถึงทศนิยมตำแหน่งที่ 2 โดยปัดตำแหน่งที่ 3 จำนวนวันสินค้าคงคลังแสดงถึงทศนิยมตำแหน่งที่ 1 และอัตราส่วนแสดงเป็นเปอร์เซ็นต์จำนวนเต็ม ผลของการปัดเศษอาจทำให้ผลรวมของรายการย่อยกับยอดรวมต่างกันที่หลักสุดท้ายได้

ค่าใช้จ่ายเกิดขึ้น 4 ก้อน

ถ้าประเมินค่าใช้จ่ายของ AI พยากรณ์ความต้องการ ด้วยค่าลิขสิทธิ์อย่างเดียว แทบจะแน่นอนว่าจะไม่พอ ค่าใช้จ่ายเกิดขึ้นใน 4 ก้อน

ก้อนที่ 1 การจัดระเบียบข้อมูล

เป็นจุดที่ประเมินไว้ต่ำเกินจริงมากที่สุด ได้แก่ การทำความสะอาดข้อมูลการส่งมอบจริง การรวมรหัสสินค้าที่ซ้ำซ้อนในมาสเตอร์สินค้า ซึ่งคือปัญหาที่สินค้ารายการเดียวกันถูกลงทะเบียนไว้หลายรหัส การแยกการเคลื่อนย้ายระหว่างฐานการผลิตออกจากความต้องการจริง และกลไกสำหรับเริ่มเก็บบันทึกการขาดสต็อกและโอกาสการขายที่สูญเสียไปขึ้นมาใหม่ รายการสุดท้ายสำคัญเป็นพิเศษ เพราะโรงงานส่วนใหญ่มีประวัติของจำนวนที่ขายได้ แต่แทบไม่มีโรงงานใดมีประวัติของจำนวนที่ขายไม่ได้ ความต้องการในช่วงที่ขาดสต็อกไม่เหลือไว้ในบันทึก ดังนั้นถ้าเอาข้อมูลในอดีตไปให้เรียนรู้ตรง ๆ ก็จะได้แบบจำลองที่ประเมินความต้องการต่ำเกินไปในเชิงโครงสร้าง

ก้อนที่ 2 แบบจำลองพยากรณ์และค่าลิขสิทธิ์

ค่าสมาชิกรายเดือนของ SaaS หรือค่าพัฒนาในกรณีที่สร้างเอง ส่วนนี้เป็นส่วนเดียวที่ปรากฏอย่างชัดเจนในใบเสนอราคาของผู้ขาย

ก้อนที่ 3 การเชื่อมต่อกับระบบเดิม

อินเทอร์เฟซกับระบบบริหารการผลิต ระบบบริหารสินค้าคงคลัง และระบบจัดซื้อ ตราบใดที่ยังให้คนคัดลอกผลการพยากรณ์ด้วยมือผ่านไฟล์ CSV การอัปเดตรายวันจะไม่มีทางใช้งานจริงได้ ถ้าตัดส่วนนี้ออก มันจะย้อนกลับมาในรูปของ PoC สำเร็จแต่ระบบจริงหมุนไม่ได้อย่างแน่นอน

ก้อนที่ 4 โครงสร้างการดำเนินงาน

การออกแบบการประชุมทบทวนรายเดือน การจัดทำเอกสารเกณฑ์การตัดสิน การอบรมผู้รับผิดชอบ และขั้นตอนการส่งมอบงานเมื่อเปลี่ยนผู้รับผิดชอบ ระบบที่ไม่ได้กำหนดว่าใครจะดูการพยากรณ์ และเมื่อคลาดเคลื่อนแล้วต้องทำอะไร จะไม่มีใครเปิดดูอีกเลยภายใน 3 เดือน

สมการเดียวที่แปลงผลลัพธ์เป็นตัวเงิน

หลุมพรางที่ใหญ่ที่สุดตอนแปลงผลลัพธ์เป็นตัวเงินคือการนับสินค้าคงคลังก้อนเดียวกันซ้ำสองครั้ง ตรงนี้จะทำอย่างเข้มงวด

เบสไลน์ ซึ่งเป็นค่าปัจจุบันชุดเดียวที่ใช้ในบทความนี้

การคำนวณทั้งหมดต่อจากนี้จะอนุมานจากเบสไลน์ชุดเดียวนี้ ตามเส้นเรื่องเดียวเท่านั้น

เนื่องจากตั้งค่าให้ต้นทุนขายต่อวันเท่ากับ 1.0 ล้านบาทพอดี จึงอ่านได้ว่าจำนวนวันสินค้าคงคลัง 1 วัน เท่ากับมูลค่าสินค้าคงคลัง 1.0 ล้านบาท

อนึ่ง อัตรากำไรขั้นต้นที่คำนวณเชิงกลจากอัตราต้นทุนขาย 73% คือ 27% แต่เนื่องจากยอดขายเพิ่มเติมที่กู้คืนมาจากการขาดสต็อกจะมีต้นทุนผันแปรทางการขายเพิ่มเข้ามา ได้แก่ ค่าขนส่ง ค่าส่งเสริมการขาย และต้นทุนด้านเครดิต การแปลงผลลัพธ์จึงใช้ค่าอนุรักษ์นิยมที่หัก 2 จุดออกมาเหลืออัตรากำไรส่วนเกิน 25% ตัวเลข 25% ที่ปรากฏในการคำนวณต่อจากนี้คืออัตรากำไรส่วนเกินนี้ทั้งหมด

อัตราต้นทุนการถือครองสินค้าคงคลัง 18% เป็นสมมติฐานของแบบจำลองในบทความนี้ โดยสมมติองค์ประกอบเป็นต้นทุนเงินทุน 7% ค่าจัดเก็บและโลจิสติกส์ 6% ของทิ้ง ความล้าสมัย และผลขาดทุนจากการตีราคา 3% และค่าประกัน การตรวจนับ กับค่าบริหาร 2% เมื่อคำนวณสำหรับบริษัทของท่านเอง ขอให้แทนที่ 4 รายการนี้ด้วยตัวเลขจริง

แยกองค์ประกอบภายในของสินค้าคงคลัง 60.0 วัน

เราจะแบ่งสินค้าคงคลังออกเป็นส่วนที่เป็นเป้าหมายการลดและส่วนที่ไม่ใช่ ถ้าไม่แบ่งตรงนี้ เป้าหมายที่ไร้เหตุผลรองรับอย่างการลดสินค้าคงคลัง 10% จะลอยไปเอง

ตั้งเป้าหมายการปรับปรุงความคลาดเคลื่อนของการพยากรณ์เพียงข้อเดียว

กำหนดให้ MAPE ระดับกลุ่มสินค้าคูณรายเดือนเปลี่ยนจาก 28% เป็น 21% ซึ่งคือการลดความคลาดเคลื่อนลง 25% ส่วนที่มาของตัวเลข 25% นี้จะกล่าวถึงในหัวข้อถัดไป

ผลลัพธ์ที่ 1 การลดสินค้าคงคลัง ซึ่งเป็นผลด้านเงินทุน

สินค้าคงคลังสำรองมีไว้เพื่อรองรับทั้งความผันผวนของความต้องการและความผันผวนของอุปทาน สิ่งที่การปรับปรุงความแม่นยำของการพยากรณ์เข้าไปมีผลคือฝั่งความต้องการเท่านั้น ในที่นี้กำหนดว่าจากสินค้าคงคลังสำรอง 20.0 ล้านบาท ส่วนที่มาจากความผันผวนของความต้องการคือ 70% หรือ 14.0 ล้านบาท และส่วนที่มาจากความผันผวนของอุปทานคือ 30% หรือ 6.0 ล้านบาท

• สินค้าคงคลังสำรองที่มาจากความผันผวนของความต้องการ 20.0 คูณ 70% เท่ากับ 14.0 ล้านบาท
• ลดได้จากการลดความคลาดเคลื่อน 25% คือ 14.0 คูณ 25% เท่ากับ 3.50 ล้านบาท
• การยับยั้งการเกิดสินค้าคงคลังค้างนิ่งและที่คาดการณ์ผิด 6.0 คูณ 40% เท่ากับ 2.40 ล้านบาท
• รวมการลดสินค้าคงคลัง 3.50 บวก 2.40 เท่ากับ 5.90 ล้านบาท

เมื่อคิดเป็นจำนวนวันสินค้าคงคลังคือ จาก 60.0 วัน เหลือ 54.1 วัน อัตราการลดอยู่ที่ประมาณ 10%

ผลต่องบกำไรขาดทุนรายปีคือส่วนที่ลดลงของต้นทุนการถือครองสินค้าคงคลังก้อนนี้

5.90 ล้านบาท คูณ 18% เท่ากับ 1.062 ปัดเป็น 1.06 ล้านบาทต่อปี

อนึ่ง การลดสินค้าคงคลังค้างนิ่งโดยหลักการควรประเมินแยกในฐานะการหลีกเลี่ยงผลขาดทุนจากการทิ้ง แต่ในที่นี้ใช้วิธีอนุรักษ์นิยมคือใช้อัตราต้นทุนการถือครอง 18% กับทุกส่วนเท่ากัน

ตรงนี้คือจุดแบ่งของการนับซ้ำ สินค้าคงคลังที่ลดได้ 5.90 ล้านบาท ตัวมันเองไม่ใช่กำไร มันคือกระแสเงินสดจากการปลดปล่อยเงินทุนหมุนเวียนที่เกิดขึ้นเพียงครั้งเดียว ไม่ใช่ผลลัพธ์ที่เกิดขึ้นทุกปี สิ่งที่ลงบัญชีเป็นกำไรขาดทุนได้ทุกปีมีเพียงส่วนที่ลดลงของต้นทุนการถือครอง 1.06 ล้านบาทเท่านั้น ทันทีที่มีคนเขียนลงไปว่า “ลดสินค้าคงคลังได้ 5.90 ล้านบาท ดังนั้นจึงเกิดผลลัพธ์ปีละ 5.90 ล้านบาท” การตัดสินใจลงทุนก็จะเบี่ยงไปเกิน 5 เท่าทันที

ผลลัพธ์ที่ 2 การลดการขาดสต็อก ซึ่งเป็นการกู้คืนโอกาสการขาย

ตรงนี้ย่อมมีคำถามตามมาว่า ในเมื่อลดสินค้าคงคลังลง ทำไมการขาดสต็อกถึงลดลงด้วย

คำตอบคือ สินค้าคงคลังที่เราลด กับสินค้าคงคลังที่กำลังทำให้เกิดการขาดสต็อก เป็นคนละก้อนกัน

• สิ่งที่ลดคือสินค้าคงคลังที่ไม่เคลื่อนไหว ได้แก่ สินค้าคงคลังสำรองของ SKU ที่เหลืออยู่เพราะอ่านความต้องการสูงเกิน คือ 3.50 ล้านบาท และสินค้าคงคลังที่ค้างนิ่งเพราะคาดการณ์ผิด คือ 2.40 ล้านบาท
• สิ่งที่กำลังขาดสต็อกคือ SKU ที่อ่านความต้องการต่ำเกิน ฝั่งนี้จำเป็นต้องเพิ่มสินค้าคงคลัง

การปรับปรุงความแม่นยำของการพยากรณ์จึงไม่ใช่การลดปริมาณรวม แต่คือการทำให้ย้ายสินค้าคงคลังจาก SKU ที่เหลือไปยัง SKU ที่ขาดได้ ที่ปริมาณรวมลดลงก็เพราะมูลค่าส่วนเกินที่คลายออกมามากกว่ามูลค่าที่ต้องเติมเข้าไปในฝั่งที่ขาด ตรงนี้ขอระบุข้อจำกัดของการคำนวณไว้ให้ชัด การลดสินค้าคงคลัง 5.90 ล้านบาทที่แสดงในผลลัพธ์ที่ 1 เป็นตัวเลขหยาบที่คำนวณเฉพาะมูลค่าที่คลายออกจากฝั่งส่วนเกินเท่านั้น มูลค่าที่ต้องเติมเข้าฝั่งที่ขาดยังประเมินไม่ได้ในขั้นที่ยังไม่มีข้อมูลจริงของการขาดสต็อกรายกลุ่ม SKU ครบถ้วน จึงยังไม่ได้หักออกในการคำนวณนี้ ดังนั้นมูลค่าการลดสุทธิจริงจะน้อยกว่า 5.90 ล้านบาท เมื่อรับทราบจุดนี้แล้ว เหตุผลที่การนับการลดสินค้าคงคลังพร้อมกับการลดการขาดสต็อกไม่ถือเป็นการนับซ้ำ ก็คือทั้งสองอย่างเกิดขึ้นในกลุ่ม SKU คนละกลุ่มกัน ในทางกลับกัน เอกสารประเมินผลที่บวกทั้งสองอย่างเข้าด้วยกันโดยไม่แสดงหลักฐานของการย้ายสินค้าคงคลังนี้ ควรตั้งข้อสงสัยไว้ก่อน เมื่อคำนวณใหม่สำหรับบริษัทของท่านเอง ขอให้แยกแสดงมูลค่าที่คลายออกจากฝั่งส่วนเกินกับมูลค่าที่ต้องเติมเข้าฝั่งที่ขาดออกจากกันเสมอ

• โอกาสการขายที่สูญเสียไปตามเบสไลน์ 6.0 ล้านบาทต่อปี
• อัตราการลดตามค่าที่วางแผนไว้ 20% ยอดขายที่กู้คืนได้คือ 6.0 คูณ 20% เท่ากับ 1.2 ล้านบาทต่อปี
• ผลด้านกำไรเมื่อคูณอัตรากำไรส่วนเกิน 25% คือ 1.2 คูณ 25% เท่ากับ 0.30 ล้านบาทต่อปี

McKinsey ระบุว่าการพยากรณ์ห่วงโซ่อุปทานที่ใช้ AI สามารถลดโอกาสที่สูญเสียไปและการขาดสต็อกได้สูงสุดถึง 65% ในการใช้งานที่เหมาะสม อย่างไรก็ตามนี่คือค่าขอบบน ในที่นี้จึงเลือกใช้ค่าที่วางแผนไว้ที่ 20% ซึ่งเท่ากับไม่ถึงหนึ่งในสามของค่าดังกล่าว

ผลลัพธ์ที่ 3 การลดชั่วโมงงานปรับสมดุลอุปสงค์กับอุปทาน

• ปัจจุบัน เจ้าหน้าที่วางแผนการผลิต 3 คน คูณ 10 ชั่วโมงต่อสัปดาห์ เท่ากับสัปดาห์ละ 30 ชั่วโมง คูณ 50 สัปดาห์ เท่ากับ 1,500 ชั่วโมงต่อปี
• ลดลง 40% เท่ากับ 600 ชั่วโมงต่อปี
• ค่าแรงรวมค่าใช้จ่ายผูกพัน 350 บาทต่อชั่วโมง ดังนั้น 600 คูณ 350 เท่ากับ 0.21 ล้านบาทต่อปี

ส่วนนี้ไม่ได้ทำให้เงินสดจ่ายออกลดลงโดยตรง แต่เป็นผลเชิงคุณภาพในความหมายว่าเอาเวลาที่ว่างขึ้นไปทำงานอื่นได้ ตราบใดที่ไม่ได้ตั้งสมมติฐานเรื่องการลดจำนวนพนักงาน ในเอกสารขออนุมัติควรมองรายการนี้โดยหักลดค่าลงไว้ก่อน

ผลลัพธ์ที่ 4 การลดการขนส่งด่วนและการปรับตั้งเครื่องแบบด่วน

• รายจ่ายต่อปีตามเบสไลน์สำหรับการขนส่งทางอากาศแบบด่วน การส่งด่วน และการปรับตั้งเครื่องนอกแผน 0.9 ล้านบาท
• ลดลง 25% เท่ากับอัตราการลดความคลาดเคลื่อน คือ 0.9 คูณ 25% เท่ากับ 0.225 ปัดเป็น 0.23 ล้านบาทต่อปี

ผลรวมของผลลัพธ์ต่อปี

ค่าใช้จ่าย

เงินลงทุนเริ่มต้น ซึ่งเป็นค่าใช้จ่ายครั้งเดียว

ค่าใช้จ่ายในการดำเนินงานรายปี เกิดขึ้นตั้งแต่ปีแรก

ภาพของการคืนทุน

ผลลัพธ์สุทธิต่อปีในสภาวะคงตัวคือ

ผลลัพธ์ขั้นต้นต่อปี 1.80 ลบด้วยค่าดำเนินงานต่อปี 0.80 เท่ากับ 1.00 ล้านบาทต่อปี

เมื่อนำเงินลงทุนเริ่มต้น 2.60 ล้านบาทหารด้วยผลลัพธ์สุทธิในสภาวะคงตัวนี้ ระยะเวลาคืนทุนอย่างง่ายคือ 2.60 หารด้วย 1.00 เท่ากับ 2.6 ปี

อย่างไรก็ตาม ปีแรกผลลัพธ์จะยังไม่ขึ้นเต็มที่ การจัดระเบียบข้อมูลและการเชื่อมต่อระบบใช้เวลา และกว่าสินค้าคงคลังจะลงตัวที่ระดับใหม่ก็ต้องใช้เวลาหลายเดือน หากกำหนดให้ผลลัพธ์ของปีแรกเท่ากับ 50% ของผลลัพธ์ขั้นต้นต่อปี แล้วคำนวณดุลสะสม จะได้ดังนี้

หน่วยเป็นล้านบาท การพลิกเป็นบวกสะสมบนฐานกำไรขาดทุนเกิดขึ้นในปีที่ 4

ในอีกด้านหนึ่ง หากมองบนฐานกระแสเงินสด โดยกำหนดว่าการปลดปล่อยเงินทุนหมุนเวียน 5.90 ล้านบาทจะเกิดขึ้นปีละ 2.95 ล้านบาทในปีที่ 1 และปีที่ 2 จะได้ว่า

• ดุลสะสมปีที่ 1 คือ -2.50 บวก 2.95 เท่ากับ +0.45
• ดุลสะสมปีที่ 2 คือ 0.45 บวก 1.00 บวก 2.95 เท่ากับ +4.40
• ดุลสะสมปีที่ 3 คือ 4.40 บวก 1.00 เท่ากับ +5.40 และตั้งแต่ปีถัดไปจะเพิ่มปีละ +1.00 เท่านั้น

บนฐานกระแสเงินสดจะกลายเป็นบวกสะสมตั้งแต่ปีแรก แต่การปลดปล่อยสินค้าคงคลังเกิดขึ้นเพียงครั้งเดียว สิ่งที่บวกเพิ่มเข้ามาตั้งแต่ปีที่ 3 เป็นต้นไปมีเพียงปีละ 1.00 ล้านบาท และต้องไม่ตีความว่าจะมีเงินสดเกิดขึ้นปีละ 5.90 ล้านบาท นี่คือความผิดพลาดที่เกิดบ่อยที่สุดในเอกสารขออนุมัติ

การวิเคราะห์ความไว เมื่ออัตราการลดความคลาดเคลื่อนเปลี่ยน คำตอบเปลี่ยนอย่างไร

สมมติฐานที่ไม่แน่นอนที่สุดคือส่วนที่บอกว่าลดความคลาดเคลื่อนได้ 25% เราจะลองแกว่งตรงนี้ดู โดยอัตราการลดสินค้าคงคลังค้างนิ่งและอัตราการลดการขาดสต็อกถูกปันตามสัดส่วน ให้เท่ากับ 40% และ 20% ตามลำดับ ณ จุดที่อัตราการลดความคลาดเคลื่อนเท่ากับ 25%

หน่วยเป็นล้านบาท

ข้อสรุปที่ตารางนี้แสดงชัดเจนมาก ถ้าลดความคลาดเคลื่อนได้แค่ 10% ค่าดำเนินงานต่อปี 0.80 ล้านบาทจะกินผลลัพธ์ไปเกือบหมด และการลงทุนจะคืนทุนไม่ได้ การตัดสินใจลงทุนใน AI พยากรณ์ความต้องการ จึงไม่ใช่ทางเลือกสองทางว่าได้ผลหรือไม่ได้ผล แต่รวบยอดลงที่จุดเดียวเกือบทั้งหมด คือคาดหวังอัตราการลดความคลาดเคลื่อนได้จริงในระดับใด ด้วยเหตุนี้เองจึงจำเป็นต้องวัด FVA จริงในขั้น PoC เพื่อยืนยันว่าข้อมูลของบริษัทเราจะไปตกอยู่ในช่วงใด

อนึ่ง สำหรับกรอบการวัดผลลัพธ์โดยรวม เราได้เรียบเรียงวิธีตั้งตัวชี้วัดและวิธีอธิบายในเอกสารขออนุมัติไว้ในบทความเรื่องการวัดผลลัพธ์ของการนำ AI มาใช้และการออกแบบ ROI

เหตุผลที่ไม่ควรนำตัวเลขลดความคลาดเคลื่อน 20-50% ของ McKinsey มาทาบกับโรงงานตัวเองตรง ๆ

McKinsey ระบุว่าการพยากรณ์ห่วงโซ่อุปทานที่ใช้ AI สามารถลดความคลาดเคลื่อนของการพยากรณ์ได้ราว 20-50% ในการใช้งานที่เหมาะสม ตัวเลขนี้ถูกอ้างอิงในข้อเสนอเรื่อง AI พยากรณ์ความต้องการ แทบทุกฉบับ ทั้งฝ่ายที่อ้างอิงและฝ่ายที่ถูกนำเสนอควรตรวจสอบ 3 ข้อต่อไปนี้

1. เป็นการลดความคลาดเคลื่อน 20-50% ไม่ใช่ความแม่นยำเพิ่มขึ้น 20-50%

จุดนี้ถูกสับสนบ่อยมาก โรงงานที่มี MAPE 28% เมื่อลดความคลาดเคลื่อนลง 25% จะได้ MAPE เท่ากับ 21% เพราะ 28 คูณ 0.75 เท่ากับ 21 นั่นคือดีขึ้น 7 จุด ถ้าอ่านว่าความแม่นยำเพิ่มขึ้น 25% แล้วตีความว่า MAPE 28% จะกลายเป็น 3% ความคาดหวังจะเบี่ยงไปคนละหลัก

2. เงื่อนไขที่ว่าในการใช้งานที่เหมาะสม (in the right applications) คือแก่นของประโยคนี้

อย่างที่เห็นในหัวข้อก่อนหน้า สินค้าที่ขับเคลื่อนด้วยโครงการ สินค้าที่ความต้องการเกิดเป็นช่วง ๆ และโรงงานที่ lead time สั้นกว่าช่วงเวลาที่พยากรณ์ล่วงหน้า จะไม่ได้ผลนี้ ช่วง 20-50% คือการกระจายตัวของกรณีที่เข้าเงื่อนไขการใช้งานแล้ว

3. ขึ้นอยู่กับ MAPE ที่จุดตั้งต้น

โรงงานที่ MAPE ปัจจุบันคือ 50% แล้วลดความคลาดเคลื่อน 50% ให้เหลือ MAPE 25% กับโรงงานที่ปัจจุบันอยู่ที่ 15% แล้วลดความคลาดเคลื่อน 20% ให้เหลือ MAPE 12% นั้นต่างกันโดยสิ้นเชิงทั้งความยากและผลลัพธ์ที่เป็นตัวเงิน ยิ่งสภาพปัจจุบันแย่ อัตราการลดยิ่งออกมาสูงได้ง่าย ยิ่งสภาพปัจจุบันดี อัตราการลดยิ่งออกมาน้อย

ในทำนองเดียวกัน ตัวเลขจากกรณีศึกษาการนำระบบไปใช้ก็ต้องอ่านพร้อมบริบทด้วย มีรายงานว่า LIXIL นำ AI พยากรณ์ความต้องการ มาใช้กับผลิตภัณฑ์วัสดุก่อสร้างราว 1.2 ล้านรุ่น ครอบคลุม 2.3 ล้าน SKU และบรรลุการควบคุมต้นทุนขนส่งกับการลดงานที่ต้องจัดการด้วยมือ ผ่านการยกระดับความแม่นยำของการพยากรณ์รายพื้นที่ อย่างไรก็ตาม ขนาด 2.3 ล้าน SKU คือเงื่อนไขที่ machine learning แสดงพลังได้มากที่สุดอยู่แล้ว การที่โรงงานซึ่งมี SKU ระดับไม่กี่ร้อยรายการจะคาดหวังอัตราการปรับปรุงเท่ากันนั้นเป็นไปได้ยาก

5 ประเด็นเฉพาะของฐานการผลิตในไทยและอาเซียน

การนำแบบจำลองหรือเกณฑ์ประเมินที่สร้างขึ้นที่สำนักงานใหญ่ในญี่ปุ่นมาใช้กับฐานการผลิตในไทยและเวียดนามตรง ๆ จะไม่ทำงาน มีประเด็นเฉพาะของพื้นที่อยู่ 5 ข้อ

ประเด็นที่ 1 ปีที่ความต้องการเปลี่ยนเชิงโครงสร้างเพราะภาษี ควรลดน้ำหนักของข้อมูลในอดีตลง

การเร่งส่งออกล่วงหน้าในปี 2025 ที่ TPSO ชี้ไว้ คือยาพิษสำหรับแบบจำลองพยากรณ์ความต้องการ ในตัวเลขการส่งมอบจริงของปี 2025 มีทั้งความต้องการจริงและส่วนที่เร่งออกไปล่วงหน้าเพื่อชิงจังหวะภาษีปนกันอยู่ ถ้าให้แบบจำลองเรียนรู้ข้อมูลปี 2025 ตรง ๆ แบบจำลองจะจดจำส่วนที่เร่งล่วงหน้าไว้ในฐานะระดับของความต้องการจริง และจะพยากรณ์ปี 2026 สูงเกินไป ขณะที่ปี 2026 เองอยู่ในช่วงระบายสินค้าคงคลังซึ่งเป็นผลสะท้อนกลับของการเร่งดังกล่าว จึงกลายเป็นการผสมกันของพยากรณ์สูงเกินคูณความต้องการที่หดตัว ซึ่งเป็นส่วนผสมที่ทำให้สินค้าคงคลังบวมมากที่สุด

แนวทางรับมือที่พอจะทำได้มีดังนี้

• ติดธงกำกับช่วงเวลาที่เกิดการเร่งส่งออกล่วงหน้า และระบุเข้าไปในแบบจำลองในฐานะตัวแปรภายนอกอย่างชัดเจน
• แทนที่จะให้น้ำหนักข้อมูลล่าสุดสูงกว่าด้วยการถ่วงน้ำหนักตามเวลา ให้ตัดช่วงข้อมูลสำหรับเรียนรู้ที่จุดก่อนและหลังการเปลี่ยนเชิงโครงสร้าง
• อย่าให้แบบจำลองเรียนรู้การพุ่งขึ้นของตลาดสหรัฐและจีนในปี 2025 คือ +30.6% และ +13.6% ในฐานะฤดูกาล

สิ่งสำคัญคือจุดที่ว่าเรื่องนี้ต้องให้คนตัดสินแล้วสอนแบบจำลอง เพราะข้อเท็จจริงที่ว่าเกิดการเร่งส่งออกล่วงหน้าขึ้นนั้นไม่ได้ถูกเขียนไว้ในข้อมูล

ประเด็นที่ 2 ใส่ปฏิทินวันหยุดเข้าไปเป็นตัวแปรของแบบจำลอง

การปรับปรุงที่ให้ความคุ้มค่าสูงที่สุดในการพยากรณ์ความต้องการของฐานการผลิตในอาเซียน จริง ๆ แล้วคือข้อนี้

• สงกรานต์ อยู่ช่วงกลางเดือนเมษายน จำนวนวันหยุดเดินเครื่องและการเรียงตัวของวันก่อนหลังเปลี่ยนไปในแต่ละปี อีกทั้งหลายบริษัทกำหนดวันหยุดเพิ่มเอง จำนวนวันทำงานของเดือนเมษายนจึงผันแปรในแต่ละปี
• ตรุษจีน อยู่ระหว่างปลายเดือนมกราคมถึงกลางเดือนกุมภาพันธ์ และคาบเกี่ยวข้ามเดือนต่างกันไปในแต่ละปี มีผลทั้งกับการจัดหาชิ้นส่วนจากจีนและไต้หวัน และกับความต้องการของลูกค้าเชื้อสายจีน หากดูตัวเลขเทียบเดือนมกราคมกับปีก่อนแบบตรง ๆ ปีที่ตรุษจีนอยู่ในเดือนมกราคมกับปีที่อยู่ในเดือนกุมภาพันธ์จะเทียบกันไม่ได้
• ตรุษญวน (Tết) ซึ่งเป็นปีใหม่ตามจันทรคติของเวียดนาม ที่ฐานการผลิตในเวียดนาม การเดินเครื่องและโลจิสติกส์แกว่งอย่างมากในช่วงหลายสัปดาห์ก่อนและหลังเต็ด อีกทั้งคลื่นการลาออกและการกลับเข้างานหลังเต็ดยังส่งผลต่อฝั่งกำลังการผลิตด้วย

แบบจำลองที่ผลิตจากสำนักงานใหญ่ในญี่ปุ่นตามปกติจะมีแต่ปฏิทินของญี่ปุ่นอยู่ข้างใน เพียงแค่ใส่ส่วนนี้เข้าไป ก็มีตัวอย่างจำนวนมากที่ MAPE ของการพยากรณ์รายเดือนดีขึ้นอย่างเห็นได้ชัด ในเชิงการพัฒนาก็เพียงเพิ่มจำนวนวันทำงาน ธงวันหยุด และจำนวนวันก่อนหลังวันหยุด เข้าไปเป็นตัวแปร จึงแทบไม่มีต้นทุน ก่อนจะยกระดับแบบจำลองให้ล้ำขึ้น ให้ใส่ปฏิทินก่อน นี่คือลำดับที่ถูกต้อง

ประเด็นที่ 3 ความผันผวนของค่าเงินบาทกับสัดส่วนการส่งออก

ในโรงงานที่มีสัดส่วนการส่งออกสูง การเพิ่มลดของความต้องการส่วนหนึ่งมีที่มาจากอัตราแลกเปลี่ยน ถ้าเงินบาทแข็งค่าต่อเนื่อง ความสามารถในการแข่งขันด้านการส่งออกจะลดลงและคำสั่งซื้อจะลดลง ความสัมพันธ์นี้มีอยู่ในบริษัทของท่านหรือไม่ สามารถตรวจสอบได้ด้วยข้อมูลในอดีต

แต่มีข้อควรระวัง เมื่อใส่อัตราแลกเปลี่ยนเป็นตัวแปรอธิบาย จะเจอปัญหาว่าที่จุดเวลาที่พยากรณ์ เรายังไม่รู้อัตราแลกเปลี่ยนในอนาคต สิ่งที่ใช้ในการพยากรณ์ได้มีสองอย่าง คือ (1) อัตราแลกเปลี่ยนในอดีตซึ่งเป็นผลจริง และ (2) ราคาล่วงหน้าหรือค่าคาดการณ์ของอัตราแลกเปลี่ยน กรณีที่ใช้อัตราแลกเปลี่ยนในอดีต ต้องตรวจสอบระยะเวลาหน่วงกว่าที่ความผันผวนของค่าเงินจะสะท้อนมาที่คำสั่งซื้อ ซึ่งอยู่ในระดับหลายเดือน และใช้ในการพยากรณ์ได้เฉพาะภายในกรอบของระยะหน่วงนั้นเท่านั้น ถ้ายัดอัตราแลกเปลี่ยนเข้าไปโดยไม่ตรวจสอบระยะหน่วง แบบจำลองจะเก็บความสัมพันธ์ที่ไม่มีความหมายมาใช้

ประเด็นที่ 4 อย่าใช้แบบจำลองเดียวกันซ้ำกับ 2 ฐานการผลิต

อย่างที่เห็นในตอนต้น ภาคการผลิตของไทยในปี 2026 อยู่ในช่วงชะลอตัว โดย MPI เดือนพฤษภาคมอยู่ที่ -0.8% และยานยนต์อยู่ที่ -17.94% ขณะที่เวียดนามอยู่ในช่วงเร่งกำลังการผลิต โดย IIP ครึ่งปีแรกอยู่ที่ +10.8% และ PMI อยู่ที่ 51.8 ทิศทางของความต้องการกลับด้านกันภายในบริษัทเดียวกัน

ในสถานการณ์นี้ 3 สิ่งต่อไปนี้จำเป็นต้องแยกตามฐานการผลิต

1. ข้อมูลสำหรับเรียนรู้ของแบบจำลอง อย่าให้เรียนรู้ความต้องการของเวียดนามจากผลจริงของไทย
2. การเฝ้าระวังความเอนเอียง ในช่วงชะลอตัวมักเอนไปทางพยากรณ์สูงเกิน ในช่วงเร่งกำลังการผลิตมักเอนไปทางพยากรณ์ต่ำเกิน ทิศทางของการแก้ไขจึงกลับด้านกัน
3. นโยบายสินค้าคงคลังสำรอง ในช่วงเร่งกำลังการผลิต ต้นทุนของการขาดสต็อกสูงกว่าโดยเปรียบเทียบ ส่วนในช่วงชะลอตัว ต้นทุนการถือครองสินค้าคงคลังและความเสี่ยงของทิ้งสูงกว่าโดยเปรียบเทียบ

ในทางกลับกัน ก็มีสิ่งที่ควรทำให้เป็นมาตรฐานร่วมกัน ได้แก่ เกณฑ์ประเมินความแม่นยำของการพยากรณ์ ซึ่งคือนิยามและวิธีคำนวณของ MAPE ความเอนเอียง และ FVA ตลอดจนความถี่ของการทบทวน รูปแบบของบันทึกการประชุม และมาตรฐานคุณภาพข้อมูล เมื่อทำส่วนนี้ให้เป็นมาตรฐานร่วมกันแล้ว จะเทียบระหว่างฐานการผลิตได้ และถกกันได้ว่าการดำเนินงานของฐานใดดีกว่า ขอให้จำไว้ว่าแบบจำลองให้แยก แต่ไม้บรรทัดให้ตรงกัน

ขอกล่าวถึงจุดที่ PMI ของเวียดนามแสดงว่าการผลิตขยายตัวต่อเนื่องเป็นเดือนที่ 14 ขณะที่การจ้างงานลดลงต่อเนื่องเป็นเดือนที่ 4 ด้วย สภาพที่เพิ่มผลผลิตโดยไม่เพิ่มคนหมายความว่าส่วนเผื่อของกำลังการผลิตกำลังลดลง เมื่อการพยากรณ์ความต้องการออกมาต่ำกว่าความจริง ช่องที่จะดูดซับด้วยการเพิ่มการผลิตก็เหลือน้อยลง ในทางปฏิบัติจึงควรเผื่อความเสี่ยงฝั่งที่ความต้องการสูงกว่าที่พยากรณ์ให้หนากว่าฝั่งที่ต่ำกว่าที่พยากรณ์สำหรับฝั่งเวียดนาม

ประเด็นที่ 5 การจัดการเรื่อง BOI และการลงทุนด้านดิจิทัล

BOI รวมการพัฒนาระบบที่ใช้ AI บริการคลาวด์ และการดำเนินงานศูนย์ข้อมูล ไว้ในกิจการที่ได้รับการส่งเสริมการลงทุน อีกทั้งยังมีกรอบสิทธิประโยชน์ทางภาษีสำหรับค่าใช้จ่ายในการพัฒนาและฝึกอบรมบุคลากรด้านดิจิทัลด้วย มูลค่าคำขอรับการส่งเสริมการลงทุนสำหรับอุตสาหกรรมดิจิทัลในไตรมาสที่ 1 ของปี 2026 เพิ่มขึ้นเป็น 2.4 เท่า ของช่วงเดียวกันปีก่อน

อย่างไรก็ตาม การจะได้รับสิทธิประโยชน์หรือไม่นั้น BOI พิจารณาเป็นรายโครงการ ไม่ใช่ว่าเป็น AI แล้วจะได้สิทธิประโยชน์โดยอัตโนมัติ เนื่องจากการปฏิบัติจะต่างกันไปตามว่าการนำ AI พยากรณ์ความต้องการ เข้ามาใช้นั้นถูกวางไว้ตรงจุดใดของเนื้อหาธุรกิจและแผนการลงทุนของบริษัท สำหรับโครงการที่เงินลงทุนมีขนาดใหญ่ เราแนะนำให้สอบถาม BOI หรือผู้เชี่ยวชาญเป็นรายกรณีก่อนจะสรุปแผน หากเผื่อระยะเวลาสำหรับการสอบถามนี้ไว้ตั้งแต่ตอนจัดตารางการขออนุมัติ จะช่วยลดการต้องย้อนกลับไปทำใหม่

ขั้นตอนการเริ่มต้นภายใน 90 วัน

โดยทั่วไปถือกันว่าจนถึงขั้น PoC ใช้เวลา 2-3 เดือน และถ้ารวมการขยายผลเต็มรูปแบบด้วยจะอยู่ที่ 6 เดือนถึง 1 ปี ในที่นี้จะแสดงวิธีดำเนินการของ 90 วันแรก นั่นคือจนถึงจุดที่รวบรวมข้อมูลสำหรับตัดสินใจได้ครบด้วย PoC

วันที่ 0-30 ตรวจนับข้อมูลและกำหนดเกณฑ์ประเมินให้แน่นอน

ในช่วงนี้จะยังไม่สร้างแบบจำลอง สิ่งที่สร้างคือฐานของการตัดสิน

• การดึงข้อมูลการส่งมอบจริงและประเมินคุณภาพ มีย้อนหลังกี่ปี ข้อมูลขาดหายตรงไหน การยกเลิกและออกรหัสสินค้าใหม่เกิดขึ้นเมื่อใด
• การรวมรหัสในมาสเตอร์สินค้า สินค้ารายการเดียวกันมีอยู่หลายรหัสหรือไม่ ถ้าตรงนี้พัง ทุกอย่างหลังจากนั้นจะไร้ความหมาย
• การแยกการเคลื่อนย้ายระหว่างฐานการผลิตออกจากความต้องการจริง การย้ายของจากโรงงานไปคลังถูกบันทึกเป็นการส่งมอบหรือไม่
• การกำหนดเบสไลน์ให้แน่นอน วัด MAPE ปัจจุบันทั้งระดับ SKU คูณรายสัปดาห์และระดับกลุ่มสินค้าคูณรายเดือน พร้อมทั้งความเอนเอียง จำนวนวันสินค้าคงคลัง อัตราการขาดสต็อก และมูลค่าของทิ้ง
• การสร้างเกณฑ์อ้างอิงของการพยากรณ์แบบง่าย คำนวณ MAPE ของแบบเดือนก่อนหน้าและแบบเดือนเดียวกันของปีก่อนเก็บไว้ นี่คือเส้นฐานของการประเมิน FVA
• การตกลงเกณฑ์ประเมิน จัดทำเงื่อนไขผ่านของ PoC เป็นเอกสารในขั้นนี้ และขอความเห็นชอบจากผู้เกี่ยวข้อง

รายการสุดท้ายสำคัญที่สุด ถ้ากำหนดเงื่อนไขผ่านทีหลัง จะได้ข้อสรุปกำกวมแบบ “ไม่ได้ดีอย่างที่คิด แต่ก็ใช่ว่าจะใช้ไม่ได้” ทุกครั้ง ขอให้เขียนเป็นตัวเลข เช่น MAPE ระดับกลุ่มสินค้าคูณรายเดือนต้องดีขึ้นกว่าการพยากรณ์แบบง่ายอย่างน้อย 5 จุด

วันที่ 31-60 ดำเนินการ PoC

• จำกัดขอบเขตเป้าหมาย เลือก 1 สายการผลิตหรือ 1 กลุ่มสินค้า จำนวน SKU ประมาณ 30-80 รายการ อย่าทำทั้งบริษัท
• การทดสอบย้อนหลัง แบ่งข้อมูลในอดีตเป็นช่วงเรียนรู้กับช่วงตรวจสอบ แล้วนำการพยากรณ์กับผลจริงของช่วงตรวจสอบมาเทียบกัน ตรวจสอบวิธีตัดช่วงเวลาให้แน่ใจทุกครั้ง เพื่อไม่ให้สารสนเทศของช่วงตรวจสอบรั่วเข้าไปในช่วงเรียนรู้
• การวัด FVA แยกตามขั้น วัด MAPE ที่แต่ละขั้น ตั้งแต่การพยากรณ์แบบง่าย แบบจำลองสถิติ machine learning และการปรับโดยคน เพื่อให้เห็นภาพว่าคุณค่าเกิดขึ้นที่จุดใดและสูญหายไปที่จุดใด
• การตรวจสอบผลของตัวแปรภายนอก เปรียบเทียบกรณีที่ใส่ปฏิทินวันหยุดและจำนวนวันทำงานเข้าไป กับกรณีที่ไม่ใส่
• การตรวจสอบความเอนเอียง ค่าเฉลี่ยของความคลาดเคลื่อนอยู่ใกล้ศูนย์หรือไม่ เอนไปที่กลุ่มสินค้าใดกลุ่มหนึ่งหรือเดือนใดเดือนหนึ่งหรือไม่

ณ จุดนี้ ถ้าผลออกมาว่าแบบจำลอง machine learning เอาชนะแบบจำลองสถิติไม่ได้ นั่นไม่ใช่ความล้มเหลว นั่นคือการค้นพบที่มีประโยชน์ ในกรณีนั้นข้อสรุปคือสิ่งที่ควรลงทุนไม่ใช่แบบจำลองขั้นสูง แต่คือการจัดระเบียบข้อมูล หรือไม่ก็ฝั่งระบบรองรับ ซึ่งได้แก่นโยบายสินค้าคงคลังและกฎการสั่งซื้อ

วันที่ 61-90 นำลงสู่กระบวนการทำงานจริงและตัดสินใจลงทุน

แค่มีตัวเลขพยากรณ์ออกมา ยังไม่เกิดผลลัพธ์ใด ๆ

• การเชื่อมเข้ากับนโยบายสินค้าคงคลัง กำหนดว่าจะสะท้อนความคลาดเคลื่อนของการพยากรณ์ที่ดีขึ้นเข้าไปในสูตรคำนวณสินค้าคงคลังสำรองอย่างไร ถ้าไม่กำหนดตรงนี้ สินค้าคงคลังจะไม่ลดลงแม้แต่บาทเดียว
• การออกแบบกระแสการตัดสินใจใหม่ ใครดูการพยากรณ์ และเมื่อเกินเกณฑ์ใดจะต้องทำอะไร ทำให้เป็นกฎที่เป็นรูปธรรม เช่น ถ้าการพยากรณ์เกินบวกลบ 20% เทียบกับเดือนก่อนหน้า ให้ยกขึ้นสู่ที่ประชุมแผนการผลิต
• ราวกันตกของการปรับโดยคน กำหนดขอบเขตที่อนุญาตให้ปรับได้ เช่น ภายในบวกลบ 15% และกำหนดให้ต้องกรอกเหตุผลเมื่อจะปรับเกินขอบเขตนั้น
• การออกแบบการเชื่อมต่อกับระบบเดิมและประมาณการชั่วโมงงาน ทำอินเทอร์เฟซกับระบบบริหารการผลิต สินค้าคงคลัง และจัดซื้อ ให้เป็นรูปธรรม
• การแปลงผลลัพธ์เป็นตัวเงินและการตัดสินใจลงทุน นำอัตราการลดความคลาดเคลื่อนที่วัดได้จริงใน PoC มาทาบกับกรอบการวิเคราะห์ความไวในบทความนี้ แล้วคำนวณระยะเวลาคืนทุนออกมา

ความยากง่ายของช่วงวันที่ 61-90 เปลี่ยนแปลงอย่างมากตามว่าฝั่งระบบบริหารการผลิตมีที่รองรับอยู่ในสภาพใด สำหรับการจัดระเบียบระบบเดิม ลองดูบทความเปรียบเทียบระบบบริหารการผลิต ประกอบด้วยได้

การตัดสินใจหลังผ่าน 90 วันมี 3 ทางเลือก คือ (1) เดินหน้าสู่การขยายผลเต็มรูปแบบ (2) เปลี่ยนขอบเขตเป้าหมายแล้วทำ PoC ใหม่ (3) ยุติแล้วโยกเงินลงทุนไปที่การจัดเตรียมระบบรองรับ การออกแบบ PoC ให้เลือกทางที่สามได้ คือการบริหารโครงการที่ดีต่อสุขภาพขององค์กร

5 ความผิดพลาดที่พบบ่อย

ความผิดพลาดที่ 1 ใช้ MAPE อย่างเดียวเป็นเงื่อนไขผ่าน

เนื่องจากไม่ได้วัดการเปรียบเทียบกับการพยากรณ์แบบง่าย ซึ่งก็คือ FVA จึงตกอยู่ในสภาพที่จ่ายเงินปีละ 0.80 ล้านบาทต่อไปเรื่อย ๆ ให้กับระบบที่มีความแม่นยำเท่ากับการเทียบเดือนเดียวกันของปีก่อน ก่อนเซ็นสัญญา ขอให้สร้างเกณฑ์อ้างอิงของการพยากรณ์แบบง่ายด้วยข้อมูลของบริษัทเองทุกครั้ง

ความผิดพลาดที่ 2 นำเข้าแต่เอนจิน โดยไม่มีระบบรองรับที่จะรับผลพยากรณ์ไปใช้

สินค้าคงคลังสำรองยังเป็นค่าคงที่แบบเมื่อ 10 ปีก่อน จุดสั่งซื้อยังทำด้วยมือ แผนการผลิตยังเป็นล็อตคงที่ ในสภาพเช่นนี้ ต่อให้ความแม่นยำของการพยากรณ์ดีขึ้นเพียงใด ทั้งจำนวนวันสินค้าคงคลังและอัตราการขาดสต็อกก็จะไม่ขยับแม้แต่นิดเดียว ถ้าพูดด้วยตัวเลขจากการคำนวณข้างต้น จากผลลัพธ์ขั้นต้นต่อปี 1.80 ล้านบาท ส่วนที่มาจากสินค้าคงคลัง 1.06 ล้านบาท และส่วนที่มาจากการลดงานด่วน 0.23 ล้านบาท รวม 1.29 ล้านบาท คิดเป็นประมาณ 72% จะหายไปทั้งก้อน เหลืออยู่ 0.51 ล้านบาท ซึ่งต่ำกว่าค่าดำเนินงานต่อปี 0.80 ล้านบาท ยิ่งไปกว่านั้น ถ้าจุดสั่งซื้อยังทำด้วยมือ ผลจากการลดการขาดสต็อก 0.30 ล้านบาทก็น่าจะสูญไปเป็นส่วนใหญ่เช่นกัน ในที่นี้คงไว้อย่างอนุรักษ์นิยม แต่ตามความเป็นจริงแล้ว การมองว่าเหลือเพียงราว 0.21 ล้านบาทจากการลดชั่วโมงงานปรับสมดุลอุปสงค์กับอุปทานน่าจะสมจริงกว่า ไม่ว่าทางใด ในโครงสร้างเช่นนี้การลงทุนจะขาดทุน

ความผิดพลาดที่ 3 ให้ฝ่ายขายเขียนทับผลลัพธ์ของแบบจำลองได้อย่างไม่จำกัด

ประสบการณ์ที่ถูกตำหนิเพราะของขาด ติดอยู่ในความทรงจำมากกว่าประสบการณ์ที่ถูกตำหนิเพราะสินค้าคงคลังล้น ผลก็คือการปรับโดยคนมีความเอนเอียงไปทางอ่านสูงเกินในเชิงโครงสร้าง เมื่อวัด FVA แยกตามขั้น จะเห็นเป็นตัวเลขว่าการเขียนทับนี้ทำให้ความแม่นยำแย่ลง คำตอบที่ใช้ได้จริงไม่ใช่การห้ามปรับ แต่คือการกำหนดขอบเขตและเรียกร้องให้กรอกเหตุผล

ความผิดพลาดที่ 4 เริ่มที่ทุก SKU คูณรายสัปดาห์ทันที

MAPE ระดับ SKU ของสินค้าอุตสาหกรรมอยู่ที่ 20-40% เป็นมาตรฐาน การเริ่มที่ความละเอียดสูงจะทำให้ผู้เกี่ยวข้องที่เห็นผลลัพธ์ชุดแรกตัดสินว่าใช้ไม่ได้ และโครงการหยุดลง ขอให้เริ่มจากระดับกลุ่มสินค้าคูณรายเดือน แล้วค่อยลงรายละเอียดถึงระดับ SKU เฉพาะสินค้าคลาส A หลังจากที่ระบบทำงานได้แล้ว

ความผิดพลาดที่ 5 ไม่ได้บันทึกความต้องการในช่วงที่ขาดสต็อก

โรงงานส่วนใหญ่มีประวัติของจำนวนที่ขายได้ แต่แทบไม่มีโรงงานใดมีประวัติของจำนวนที่ขายไม่ได้เพราะไม่มีสินค้าคงคลัง ถ้าให้เรียนรู้ข้อมูลในอดีตในสภาพเช่นนี้ แบบจำลองจะประเมินความต้องการต่ำเกินไปในเชิงโครงสร้าง แล้วการพยากรณ์ที่ต่ำเกินก็จะสร้างสินค้าคงคลังที่น้อยเกิน และเกิดการขาดสต็อกอีก วงจรลบนี้แก้ไม่ได้ไม่ว่าจะยกระดับแบบจำลองไปไกลแค่ไหน เป็นโครงสร้างที่มีทางเดียวคือต้องไปแก้ที่ฝั่งข้อมูล การเริ่มเก็บบันทึกการขาดสต็อก การส่งล่าช้า และโอกาสการขายที่สูญเสียไป คือการจัดระเบียบข้อมูลที่ควรทำเป็นอันดับแรก อย่างไรก็ตาม กว่าจะสะสมได้มากพอที่จะนำไปใช้เรียนรู้หลังจากเริ่มเก็บบันทึกนั้นต้องใช้เวลา จึงสรุปได้ว่ายิ่งลงมือเร็วยิ่งดี

คำถามที่พบบ่อย

ความแม่นยำของ AI พยากรณ์ความต้องการ อยู่ที่ระดับไหน

แตกต่างกันมากตามประเภทธุรกิจและระดับความละเอียด ไม่มีระดับเดียวที่ใช้ได้กับทุกกรณี โดยประมาณ สินค้า FMCG และของใช้ประจำวันที่ความต้องการนิ่งอยู่ที่ 10-25% ในระดับ SKU และช่วงจัดโปรโมชันจะแย่ลงถึง 25-35% เสื้อผ้าและสินค้าที่วงจรชีวิตสั้นอยู่ที่ 35-60% สินค้าอุตสาหกรรมและ B2B ที่ขับเคลื่อนด้วยโครงการอยู่ที่ 20-40% ในระดับ SKU ช่วงที่โดยทั่วไปถือว่ายอมรับได้คือต่ำกว่า 10-20% แต่ขึ้นกับความผันผวนของความต้องการและช่วงวงจรชีวิต

ขอให้ระวังถ้อยคำอย่างการรับประกันความแม่นยำ 95% ตัวเลขความแม่นยำที่ไม่ระบุระดับความละเอียดและช่วงเวลาที่พยากรณ์ล่วงหน้าอันเป็นสมมติฐาน จะไม่ช่วยอะไรในการเปรียบเทียบ นอกจากนี้ การลดความคลาดเคลื่อนของการพยากรณ์ 20-50% ที่ McKinsey แสดงไว้ ไม่ได้หมายความว่าความแม่นยำเพิ่มขึ้น 20-50% แต่หมายความว่าโรงงานที่มี MAPE 28% ถ้าลดความคลาดเคลื่อนลง 25% MAPE จะกลายเป็น 21%

ระบบพยากรณ์ความต้องการมีค่าใช้จ่ายเท่าไร

ในกรณีตัวอย่างของโรงงานที่มียอดขายต่อปี 500 ล้านบาทซึ่งแสดงในบทความนี้ กำหนดไว้ที่เงินลงทุนเริ่มต้น 2.60 ล้านบาท และค่าดำเนินงานต่อปี 0.80 ล้านบาท ตัวเลขทั้งหมดเป็นสกุลบาท และหากต้องเทียบกับตัวเลขของสำนักงานใหญ่ในญี่ปุ่นให้ใช้อัตรา 1 THB ประมาณ 4.6 JPY

รายละเอียดของเงินลงทุนเริ่มต้นคือ การจัดระเบียบข้อมูล 0.80 การสร้างแบบจำลองและ PoC 0.70 การเชื่อมต่อกับระบบเดิม 0.75 และการตั้งโครงสร้างการดำเนินงาน 0.35 ส่วนค่าดำเนินงานต่อปีคือ ค่าลิขสิทธิ์ 0.45 ค่าบำรุงรักษาและการฝึกแบบจำลองใหม่ 0.20 และชั่วโมงงานภายในสำหรับดูแลข้อมูล 0.15

ข้อควรระวังคือ สิ่งที่ปรากฏในใบเสนอราคาของผู้ขายตามปกติมีเพียงส่วนของการสร้างแบบจำลองและค่าลิขสิทธิ์เท่านั้น ขอให้คิดรวมไว้ตั้งแต่ขั้นตั้งงบประมาณว่าการจัดระเบียบข้อมูลและการเชื่อมต่อกับระบบเดิมกินสัดส่วนประมาณ 6 ใน 10 ของทั้งหมด คือ 1.55 จากเงินลงทุนเริ่มต้น 2.60

AI วางแผนการผลิต กับ AI พยากรณ์ความต้องการ ต่างกันอย่างไร

AI พยากรณ์ความต้องการ คือสิ่งที่ให้ผลลัพธ์เป็นปริมาณที่จะขายได้ในอนาคตพร้อมความไม่แน่นอนของมัน จึงเป็นขาเข้าของแผน ส่วน AI วางแผนการผลิต หรือ production scheduler คือสิ่งที่รับปริมาณที่ต้องการและกำหนดส่งมา แล้วกำหนดว่าจะผลิตอะไร เมื่อไร ตามลำดับใด ภายใต้ข้อจำกัดของกำลังการผลิตของเครื่องจักร เวลาปรับตั้งเครื่อง และกะของพนักงาน จึงเป็นขาออกของแผน และตรงกลางระหว่างสองสิ่งนี้คือ AI บริหารสินค้าคงคลัง ซึ่งกำหนดสินค้าคงคลังสำรอง จุดสั่งซื้อ และปริมาณสั่งซื้อของแต่ละ SKU

ลำดับคือ การพยากรณ์ความต้องการ ตามด้วยAI บริหารสินค้าคงคลัง ตามด้วยการวางแผนการผลิต ถ้านำเข้ามาแต่ AI พยากรณ์ความต้องการ อย่างเดียว โดยที่นโยบายสินค้าคงคลังและแผนการผลิตในขั้นถัดไปยังตายตัวอยู่ KPI ของโรงงานจะไม่ขยับ

มีข้อมูลย้อนหลังแค่ 3 ปี นำระบบเข้ามาใช้ได้หรือไม่

ข้อมูล 3 ปีเท่ากับ 36 จุดถ้าพยากรณ์รายเดือน และประมาณ 156 จุดถ้ารายสัปดาห์ เนื่องจากถือกันว่าการจับฤดูกาลต้องใช้อย่างน้อย 2 ปีในระดับรายเดือน และถ้าเป็นไปได้ควรมี 3 ปี ดังนั้นในแง่ของการเรียนรู้ฤดูกาล 3 ปีคือระดับที่พอผ่านเส้นขั้นต่ำมาแบบเฉียดฉิว

อย่างไรก็ตาม สิ่งที่สำคัญกว่าปริมาณคือคุณภาพและโครงสร้าง ขอให้ตรวจสอบสิ่งต่อไปนี้

1. การยกเลิกและออกรหัสสินค้าใหม่เกิดขึ้นหรือไม่ ถ้าสินค้าเดียวกันเมื่อ 3 ปีก่อนกับตอนนี้อยู่คนละรหัส ประวัติข้อมูลก็ขาดออกจากกันในทางปฏิบัติ
2. การเปลี่ยนเชิงโครงสร้างปนอยู่หรือไม่ ถ้ามีการพุ่งขึ้นชั่วคราวอย่างการเร่งส่งออกล่วงหน้าในปี 2025 อยู่ในข้อมูล ก็ไม่ควรให้เรียนรู้ช่วงนั้นในฐานะความต้องการจริง
3. ช่วงเวลาที่ขาดสต็อกระบุได้หรือไม่ ถ้าให้เรียนรู้ช่วงที่ขายไม่ได้เพราะของหมดในฐานะความต้องการเท่ากับศูนย์ ก็จะประเมินความต้องการต่ำเกินไป

วิธีดำเนินการที่สมจริงคือเริ่มจากระดับกลุ่มสินค้าแทนระดับ SKU เมื่อรวมยอดขึ้นไป ปริมาณสารสนเทศต่อจุดข้อมูลจะเพิ่มขึ้น ทำให้ข้อมูล 3 ปีก็ทำงานได้เพียงพอ นอกจากนี้ ถ้าเป็นแบบจำลอง machine learning ที่เรียนรู้ข้าม SKU ได้ ก็อาจเติมเต็มจากพฤติกรรมของ SKU ที่คล้ายกันได้ แม้ประวัติของ SKU แต่ละรายการจะสั้น

นำ AI บริหารสินค้าคงคลัง เข้ามาก่อนอย่างเดียวได้หรือไม่

ทำได้ และในบางสถานการณ์ทางนั้นให้ความคุ้มค่าการลงทุนสูงกว่าด้วย

ในโรงงานที่ใช้สูตรคำนวณสินค้าคงคลังสำรองแบบค่าคงที่มายาวนาน มีกรณีที่สินค้าคงคลังลดลงได้เพียงแค่คำนวณสินค้าคงคลังสำรองใหม่โดยสะท้อนความผันผวนของความต้องการและความผันผวนของ lead time ฝั่งอุปทาน โดยไม่ต้องเปลี่ยนความแม่นยำของการพยากรณ์ปัจจุบันเลย เพราะนั่นคืองานแก้ความลักลั่นระหว่าง SKU ที่มีมากเกินกับ SKU ที่ขาด

เกณฑ์ในการตัดสินคือสาเหตุหลักของการขาดสต็อกอยู่ฝั่งใด ถ้าสาเหตุหลักของการขาดสต็อกคือการอ่านความต้องการผิด ให้เริ่มจากการพยากรณ์ความต้องการ ถ้าคือความผันผวนของกำหนดส่งฝั่งอุปทาน ให้เริ่มจากAI บริหารสินค้าคงคลัง จึงจะสมเหตุสมผล การจะรู้ว่าเป็นแบบแรกหรือแบบหลัง ทำได้โดยตรวจนับเหตุการณ์ขาดสต็อกในรอบ 1 ปีล่าสุดสัก 10-20 เหตุการณ์ แล้วจำแนกสาเหตุ ซึ่งใช้เวลาราว 1 สัปดาห์ก็แยกแยะได้ การตรวจนับนี้ทำได้โดยไม่มีค่าใช้จ่าย จึงคุ้มค่าที่จะทำเป็นอันดับแรกไม่ว่าจะกำลังพิจารณาระบบใดอยู่ก็ตาม

สรุป

ปี 2026 ของไทยนั้น หน่วยงานภาครัฐคือ TPSO มองการส่งออกไว้ที่ -3.1% ถึง +1.1% ขณะที่สภาผู้ส่งสินค้าทางเรือมองไว้ที่ +8% ถึง +10% ในปีที่การพยากรณ์ความต้องการจากภายนอกห่างกันเกินสิบจุด การออกไปไล่ซื้อการพยากรณ์ที่แม่นยำคือการลงทุนที่ตั้งโจทย์ผิด สิ่งที่ควรลงทุนคือกลไกสำหรับบริหารจัดการรูปแบบความคลาดเคลื่อนของการพยากรณ์ต่างหาก

ขอสรุปสาระสำคัญของบทความนี้

1. ความคุ้มค่าการลงทุนของ AI พยากรณ์ความต้องการ ไม่ได้ถูกกำหนดด้วยว่าปรับปรุง MAPE ได้กี่เปอร์เซ็นต์ สิ่งที่กำหนดมี 2 ข้อ คือ (1) มีมูลค่าส่วนเพิ่มเมื่อเทียบกับการพยากรณ์แบบง่ายหรือไม่ ซึ่งก็คือ FVA และ (2) มีระบบรองรับด้านแผน สินค้าคงคลัง และการจัดซื้อ ที่รับการพยากรณ์นั้นไปขับเคลื่อนหรือไม่
2. ตัวชี้วัดความแม่นยำต้องดู 3 ชั้น ได้แก่ MAPE ซึ่งคือขนาดของความคลาดเคลื่อน ความเอนเอียง ซึ่งคือทิศทางและความต่อเนื่องของความคลาดเคลื่อน และ FVA ซึ่งคือมูลค่าส่วนเพิ่มเทียบกับการพยากรณ์แบบง่าย ถ้าดู MAPE อย่างเดียว จะไม่ทันสังเกตสถานการณ์ที่ปล่อยการอ่านสูงเกินอย่างเป็นระบบทิ้งไว้จนสินค้าคงคลังเพิ่มขึ้นเรื่อย ๆ
3. ดีหรือไม่ดีของ MAPE ถูกกำหนดโดยประเภทธุรกิจและระดับความละเอียด ระดับ SKU ของสินค้าอุตสาหกรรมและ B2B ที่ 20-40% คือระดับมาตรฐาน การเปรียบเทียบความแม่นยำที่ไม่ระบุระดับความละเอียดไม่มีความหมาย
4. ค่าใช้จ่ายเกิดขึ้น 4 ก้อน ได้แก่ การจัดระเบียบข้อมูล แบบจำลอง การเชื่อมต่อกับระบบเดิม และโครงสร้างการดำเนินงาน ถ้าประเมินเฉพาะส่วนแบบจำลอง จะมองข้ามค่าใช้จ่ายเริ่มต้นไปมากกว่า 7 ใน 10
5. การคำนวณผลลัพธ์ต้องตั้งเบสไลน์เพียงชุดเดียว และคำนวณตามเส้นเรื่องเดียว มูลค่าการลดสินค้าคงคลังตัวมันเองไม่ใช่กำไร แต่คือการปลดปล่อยเงินทุนหมุนเวียนที่เกิดขึ้นครั้งเดียว สิ่งที่ลงเป็นกำไรขาดทุนได้ทุกปีมีเพียงส่วนที่ลดลงของต้นทุนการถือครอง หากจะนับการลดสินค้าคงคลังพร้อมกับการลดการขาดสต็อก ต้องแสดงหลักฐานว่าสินค้าคงคลังถูกย้ายจาก SKU ที่เหลือไปยัง SKU ที่ขาด
6. ถ้าอัตราการลดความคลาดเคลื่อนหยุดอยู่ที่ 10% ค่าดำเนินงานจะกินผลลัพธ์จนคืนทุนไม่ได้ ด้วยเหตุนี้เอง การวัด FVA จริงในขั้น PoC จึงเป็นจุดชี้ขาดของการตัดสินใจลงทุน
7. อย่าพลาดประเด็นเฉพาะของอาเซียน ได้แก่ ผลสะท้อนกลับของการเร่งส่งออกล่วงหน้า ปฏิทินสงกรานต์ ตรุษจีน และเต็ด ระยะหน่วงของความผันผวนค่าเงินบาท ความไม่สมมาตรที่ทิศทางความต้องการของไทยกับเวียดนามกลับด้านกัน และการสอบถามสิทธิประโยชน์ BOI เป็นรายกรณี
8. ภายใน 90 วันก็รวบรวมข้อมูลสำหรับตัดสินใจได้ครบ วันที่ 0-30 ตรวจนับข้อมูลและกำหนดเกณฑ์ประเมิน วันที่ 31-60 ทำ PoC และวัด FVA วันที่ 61-90 นำลงสู่กระบวนการทำงานจริงและตัดสินใจลงทุน ขอให้ออกแบบโดยเหลือทางเลือกที่ว่ายุติแล้วโยกไปจัดเตรียมระบบรองรับไว้ด้วย

AI พยากรณ์ความต้องการ ไม่ใช่เวทมนตร์ แต่ยิ่งเป็นปีที่การพยากรณ์จากภายนอกแตกต่างกันมากเท่าไร คุณค่าของกลไกที่เข้าใจรูปแบบความคลาดเคลื่อนของตัวเองในเชิงปริมาณ แล้วสะท้อนเข้าไปในสินค้าคงคลังและแผนการผลิต ก็ยิ่งสูงขึ้นเท่านั้น ลองเริ่มจากการสร้างเกณฑ์อ้างอิงของการพยากรณ์แบบง่ายของบริษัทเองดูก่อน สิ่งนี้ทำได้โดยไม่มีค่าใช้จ่าย และจะกลายเป็นเกณฑ์ของทุกการตัดสินใจหลังจากนั้น

TOMAS TECH ตั้งฐานอยู่ที่กรุงเทพ ทำงานด้านการผสานระบบ IT กับ OT ให้โรงงานญี่ปุ่น และสนับสนุนการสร้างกลไกด้านการวางแผนการผลิต สินค้าคงคลัง และการจัดซื้อ ที่รับการพยากรณ์ความต้องการไปขับเคลื่อนได้จริง เรายินดีรับปรึกษาตั้งแต่ขั้นที่ว่ายังไม่ได้ตัดสินใจนำระบบเข้ามา แต่อยากรู้ว่าด้วยข้อมูลของบริษัทเราแล้วการพยากรณ์จะตั้งอยู่ได้หรือไม่ หรือขั้นที่อยากให้ช่วยมองด้วยสายตาบุคคลที่สามว่าตัวเลขความแม่นยำที่เขียนไว้ในข้อเสนอของผู้ขายนั้นสมเหตุสมผลเพียงใด และเรายังพูดคุยพร้อมยกตัวอย่างจริงเกี่ยวกับแนวทางดำเนินการที่ตั้งอยู่บนสมมติฐานของการใช้งานทั้งฐานการผลิตในไทยและเวียดนามได้ด้วย ติดต่อสอบถามได้ที่นี่

แหล่งอ้างอิง

• ประมาณการการส่งออกปี 2026 ของสำนักงานนโยบายและยุทธศาสตร์การค้า (TPSO) กระทรวงพาณิชย์ — https://www.nationthailand.com/business/economy/40060821
• การปรับประมาณการการส่งออกปี 2026 ขึ้นของสภาผู้ส่งสินค้าทางเรือแห่งประเทศไทย (Thai National Shippers’ Council) — https://finance.biggo.com/news/9a9f539b-a2a8-4256-8a58-e89f613e3c89
• MPI เดือนพฤษภาคม 2026 ของไทยและประมาณการทั้งปีของกระทรวงอุตสาหกรรม — https://bangkokshuho.com/thainews-1241/
• วิจัยกรุงศรี Industry Outlook 2026-2028 — https://www.krungsri.com/en/research/industry/summary-outlook/2026-2028
• แนวโน้มภาคการผลิตของเวียดนามในครึ่งแรกของปี 2026 จากสำนักงานสถิติแห่งชาติเวียดนาม — https://en.vietnamplus.vn/manufacturing-remains-key-driver-of-vietnams-economic-growth-in-h1-nso-post347761.vnp
• PMI ภาคการผลิตของเวียดนามเดือนมิถุนายน 2026 — https://en.vietnamplus.vn/manufacturing-sector-ends-first-half-of-2026-with-firm-growth-as-pmi-holds-above-no-change-mark-post347589.vnp
• เกณฑ์อ้างอิงความแม่นยำของการพยากรณ์และตัวเลขประมาณการของ McKinsey — https://xorosoft.com/forecast-accuracy-statistics/
• MAPE กับการพยากรณ์ห่วงโซ่อุปทาน — https://imperiascm.com/blog/mape-and-supply-chain-forecasting-how-to-measure-and-enhance-accuracy
• การวัดความแม่นยำของการพยากรณ์ — https://www.relexsolutions.com/resources/measuring-forecast-accuracy/
• ความแม่นยำของการพยากรณ์ ความเอนเอียง และ FVA — https://www.horizonsolutions.ai/deep-dive-supply-chain-planning/forecast-accuracy-bias-and-forecast-value-add
• กรณีศึกษาการนำ AI พยากรณ์ความต้องการ ไปใช้และระยะเวลาโดยทั่วไป — https://j-aix.or.jp/journal/702/ และ https://www.smartmat.io/column/production_management/8183
• การส่งเสริมการลงทุนสำหรับอุตสาหกรรมดิจิทัลของ BOI — https://www.boi.go.th/upload/content/Investment%20incentives%20for%20Digital%20Industry%20(BOI).pdf และ https://bangkokshuho.com/thainews-1278/