AI เพิ่มประสิทธิภาพสินค้าคงคลัง คำนวณสต็อกสำรองและจุดสั่งซื้อ

ถ้าสต็อกมากเกินไป เงินทุนก็จมอยู่ในคลัง ถ้าน้อยเกินไป ของก็ขาดจนไลน์ผลิตต้องหยุด ความเป็นจริงในโรงงานญี่ปุ่นหลายแห่งคือ การชักเย่อระหว่างสองด้านนี้ยังบริหารด้วยสูตรตายตัวใน Excel บวกกับประสบการณ์ของผู้รับผิดชอบ บทความนี้จะโฟกัสไปที่ประเด็นที่อยู่ถัดจากการพยากรณ์ความต้องการ นั่นคือ “การกำหนดระดับสต็อกเอง” และสรุปว่า AI เพิ่มประสิทธิภาพสินค้าคงคลังเข้ามาเปลี่ยนการคำนวณสต็อกสำรอง การทบทวนจุดสั่งซื้อ และการจัดสรรสต็อกไปยังหลายคลังอย่างไร โดยอ้างอิงกระบวนการคำนวณที่เป็นรูปธรรมและตัวเลขจากกรณีศึกษาที่เผยแพร่ต่อสาธารณะ

ทำไมพยากรณ์ความต้องการแม่นแล้วสต็อกยังไม่เหมาะสม

เวลาพูดถึงสต็อก เรื่องแรกที่ถูกหยิบขึ้นมาเสมอคือความแม่นยำของการพยากรณ์ความต้องการ แนวคิดที่ว่า “ถ้าทายถูกว่าเดือนหน้าจะขายได้กี่ชิ้น ปัญหาสต็อกก็จบ” เป็นเรื่องที่เข้าใจง่าย และการปรับปรุงความแม่นยำของการพยากรณ์ก็เป็นจุดตั้งต้นของการลดสต็อกจริง

แต่เมื่อลงไปดูหน้างานจริง กลับพบไม่น้อยว่าพยากรณ์แม่นแล้วสต็อกก็ยังบวม หรือของเดินตามที่พยากรณ์ไว้แต่ก็ยังขาดสต็อก สาเหตุอยู่นอกเหนือจากตัวการพยากรณ์ เพราะค่าพยากรณ์บอกเราได้แค่ว่า “โดยเฉลี่ยแล้วต้องใช้กี่ชิ้น” แต่ไม่ได้บอกว่า “แล้วต้องถือไว้กี่ชิ้น” “จะสั่งซื้อเมื่อไหร่” หรือ “จะวางไว้ที่คลังไหน”

สำหรับตัวเทคนิคการพยากรณ์ความต้องการเอง ทั้งโมเดลอนุกรมเวลาและการยกระดับความแม่นยำด้วย Machine Learning เราได้อธิบายไว้ละเอียดแล้วในการนำ AI พยากรณ์ความต้องการมาใช้และการปรับปรุงความแม่นยำในทางปฏิบัติ บทความนี้จะขยับไปอีกขั้นหนึ่ง โดยมีหัวข้อหลักคือ เมื่อรับค่าพยากรณ์มาแล้ว จะกำหนดระดับสต็อกอย่างไร ซึ่งเป็นชั้นของการหาค่าที่เหมาะสมที่สุด

การพยากรณ์กับการกำหนดระดับสต็อกคือคนละการตัดสินใจ

ในทางปฏิบัติ การพยากรณ์กับการกำหนดระดับสต็อกเป็นการตัดสินใจคนละเรื่องกันโดยสิ้นเชิง การพยากรณ์คือการประมาณว่า “ความต้องการน่าจะเป็นแบบนี้” ส่วนระดับสต็อกมีการตัดสินใจเชิงบริหารรวมอยู่ด้วยว่า “ถ้าการประมาณนั้นพลาด เราจะป้องกันตัวเองไปถึงระดับไหน”

ยกตัวอย่าง ถ้าพยากรณ์ความต้องการรายเดือนได้ 1,500 ชิ้น ก็ไม่มีบริษัทไหนถือสต็อกไว้ 1,500 ชิ้นพอดี ในความเป็นจริงจะกำหนดระดับด้วยสูตร “ค่าพยากรณ์ + บัฟเฟอร์” โดยนำความคลาดเคลื่อนของการพยากรณ์ ความผันผวนของ Lead Time อัตราการส่งมอบตรงเวลาของซัพพลายเออร์ และขนาดความเสียหายเมื่อของขาด มาคิดรวมด้วย บัฟเฟอร์ก้อนนี้คือสต็อกสำรอง และตัวกระตุ้นให้ออกใบสั่งซื้อคือจุดสั่งซื้อ

พูดอีกอย่างคือ ตราบใดที่เราทำให้ความคลาดเคลื่อนของการพยากรณ์เป็นศูนย์ไม่ได้ สต็อกจะดีหรือแย่ก็ขึ้นอยู่กับความแม่นยำในการออกแบบบัฟเฟอร์ ตราบใดที่ส่วนนี้ยังเดินด้วยสูตรตายตัวใน Excel ต่อให้ยกระดับการพยากรณ์ไปไกลแค่ไหน สต็อกก็ยังไม่เหมาะสมอยู่ดี

3 จุดที่ทำให้ Excel และกฎตายตัวพัง

กฎการบริหารสต็อกที่ใช้กันในโรงงานหลายแห่งมีจุดอ่อนร่วมกันอยู่

• ค่าสัมประสิทธิ์ที่ตั้งไว้ครั้งเดียวแล้วไม่เคยถูกทบทวน กำหนดสต็อกสำรองไว้ว่า “เท่ากับปริมาณใช้เฉลี่ย 2 สัปดาห์” ตั้งแต่ 3 ปีก่อน หลังจากนั้นทั้งซัพพลายเออร์และความต้องการเปลี่ยนไปแล้ว แต่ตัวเลขยังค้างอยู่ที่เดิม
• ไม่ได้คิดความผันผวนของ Lead Time เข้าไปด้วย คำนวณโดยใช้ Lead Time มาตรฐาน 30 วัน แต่ของจริงแกว่งตั้งแต่ 25 วันถึง 45 วัน ทั้งที่ช่วงการแกว่งนี้แหละคือสาเหตุหลักของการขาดสต็อก แต่กลับไม่ได้อยู่ในสูตรคำนวณ
• ตัดสินใจข้ามคลังไม่ได้ คลังของโรงงานแถบปริมณฑลกรุงเทพฯ กำลังจะขาดของ แต่คลังของอีกฐานหนึ่งมีของนอนอยู่ 3 เดือน เนื่องจากตารางคำนวณแยกกันเป็นรายคลัง จึงไม่มีใครรู้ข้อเท็จจริงนี้เลย

ข้อที่ 3 เป็นปัญหาร่วมของบริษัทที่ขยายตัวในอาเซียนเป็นพิเศษ ยิ่งมีฐานที่ตั้งเพิ่มขึ้น ทั้งโรงงานหลักในไทย ฐานผลิตในเวียดนามหรืออินโดนีเซีย และคลังอะไหล่บริการในประเทศรอบข้าง ผลรวมของการเพิ่มประสิทธิภาพทีละคลังก็ยิ่งห่างจากความเหมาะสมที่สุดของทั้งระบบ

ทำความเข้าใจสูตรพื้นฐานของจุดสั่งซื้อและสต็อกสำรอง

ก่อนจะเข้าเรื่อง AI เรามาทำความเข้าใจการคำนวณที่ AI กำลังจะเข้ามาแทนที่กันก่อน ถ้าไม่เข้าใจตรงนี้ เราจะตัดสินไม่ได้ว่าตัวเลขที่ AI เสนอมานั้นสมเหตุสมผลหรือไม่

โครงสร้างของจุดสั่งซื้อ (ROP)

จุดสั่งซื้อตามตำราการบริหารสินค้าคงคลังมีโครงสร้างดังนี้ บทความอธิบายที่ Omniful เผยแพร่เมื่อเดือนกุมภาพันธ์ 2026 ได้เรียบเรียงไว้ในรูปแบบนี้

จุดสั่งซื้อ = (ปริมาณใช้เฉลี่ยต่อวัน × Lead Time เฉลี่ย) + สต็อกสำรอง

พจน์แรกคือ “ปริมาณที่คาดว่าจะถูกใช้ไประหว่างที่รอของตั้งแต่ออกใบสั่งซื้อจนของเข้า” ถ้ามีแค่นี้ ทันทีที่ความต้องการระหว่าง Lead Time สูงกว่าค่าเฉลี่ยก็ขาดสต็อกทันที ด้วยเหตุนี้จึงต้องมีสต็อกสำรองในพจน์หลัง

ถ้าเทียบกับภาพประกอบ ในบรรดาสต็อกที่วางกองอยู่บนชั้น ก้อนใหญ่ด้านบนคือสต็อกปกติ แถบสีอีกสีหนึ่งด้านล่างคือสต็อกสำรอง และเส้นแนวนอนที่คั่นระหว่างสองส่วนคือจุดสั่งซื้อ เมื่อสต็อกลดต่ำกว่าเส้นนี้ก็ออกใบสั่งซื้อ แล้วประคองตัวจนถึงวันของเข้าด้วยโซนสต็อกสำรองเพียงอย่างเดียว นี่คือแนวคิดพื้นฐาน

สูตรพื้นฐานของสต็อกสำรองและ Service Level

สูตรดั้งเดิมของสต็อกสำรองมองว่าความผันผวนของความต้องการเป็นการแจกแจงแบบปกติ แล้วคูณด้วยค่าสัมประสิทธิ์ (ค่า Z) ที่สอดคล้องกับความน่าจะเป็นของการขาดสต็อกที่ยอมรับได้

สต็อกสำรอง = Z × σd × √LT

โดย σd คือส่วนเบี่ยงเบนมาตรฐานของความต้องการรายวัน และ LT คือ Lead Time หน่วยเป็นวัน ส่วนค่า Z มาจาก Service Level หรือ “ความน่าจะเป็นที่จะไม่ขาดสต็อกระหว่าง Lead Time” บทความอธิบายที่ invent.ai เผยแพร่เมื่อเดือนเมษายน 2026 ก็แนะนำสูตรรูปแบบนี้ในฐานะสูตรพื้นฐานแบบสถิตเช่นกัน

ตรงนี้มีคุณสมบัติสำคัญในทางปฏิบัติอยู่ข้อหนึ่ง คือยิ่งยก Service Level ให้สูงขึ้น สต็อกสำรองที่ต้องมีก็ยิ่งเพิ่มแบบเร่งตัว invent.ai ชี้ว่าภายใต้สูตรแบบสถิต การยก Service Level จาก 95% ไปเป็น 98% จะทำให้สต็อกสำรองบวมขึ้นประมาณ 24% เพราะค่า Z ขยับจาก 1.65 ไปเป็น 2.05 คิดง่ายๆ ก็ประมาณ 1.24 เท่า

นโยบายที่ว่า “ห้ามขาดสต็อกเด็ดขาด” ฟังดูดี แต่มันมีความหมายเท่ากับการตัดสินใจเพิ่มมูลค่าสต็อกขึ้นหลายสิบเปอร์เซ็นต์ Service Level เป็นตัวแปรที่ควรใช้แยกกันตามรายการสินค้า และการบังคับใช้ 99% กับทุก SKU เท่ากันหมด ในหลายกรณีคือวิธีที่แพงที่สุด

สิ่งที่มักถูกมองข้ามคือ “ความผันผวนของ Lead Time”

ค่า σd ในสูตรพื้นฐานมองแค่ความผันผวนของความต้องการเท่านั้น นั่นแปลว่าสูตรนี้ตั้งอยู่บนสมมติฐานว่า Lead Time คงที่เสมอ

ถ้าเป็นซัพพลายเออร์ใกล้เคียงภายในประเทศญี่ปุ่น สมมติฐานนี้ยังพอใช้ได้ระดับหนึ่ง แต่สำหรับโรงงานในไทยและอาเซียน ชิ้นส่วนต้องผ่านการขนส่งทางทะเลจากญี่ปุ่นหรือจีน ผ่านพิธีการศุลกากร แล้วขนส่งทางบกต่อจึงจะถึงมือ เมื่อบวกความแออัดของท่าเรือ วันหยุดยาวช่วงตรุษจีนหรือสงกรานต์ และความล่าช้าที่ศุลกากรจากเอกสารไม่ครบเข้าไปด้วย Lead Time ก็แกว่งได้ตั้งแต่ไม่กี่วันจนถึงหลายสัปดาห์อย่างง่ายดาย

invent.ai ยกสูตรต่อไปนี้ขึ้นมาในฐานะรูปแบบที่คิดความผันผวนของ Lead Time เข้าไปอย่างชัดเจน

สต็อกสำรอง = Z × √(LT × σd² + D² × σLT²)

โดย D คือความต้องการเฉลี่ยต่อวัน และ σLT คือส่วนเบี่ยงเบนมาตรฐานของ Lead Time พจน์ที่สองคือส่วนที่ความผันผวนของ Lead Time มีส่วนร่วม และยิ่งขนาดความต้องการ D ใหญ่ก็ยิ่งส่งผลแรง การมีหรือไม่มีพจน์นี้ทำให้คำตอบต่างกันอย่างน่าตกใจ

ตรวจสอบด้วยตัวเลขจริง เงื่อนไขเดียวกันแต่สต็อกสำรองต่างกันหลายเท่า

ลองตรวจสอบเรื่องที่พูดมาทั้งหมดด้วยตัวเลขที่เป็นรูปธรรม โดยใช้เงื่อนไขจากตัวอย่างการคำนวณที่ Omniful นำเสนอไว้

• ปริมาณใช้เฉลี่ยต่อวัน 50 ชิ้น
• Lead Time เฉลี่ย 7 วัน
• ส่วนเบี่ยงเบนมาตรฐานของ Lead Time 2 วัน
• Service Level 95% (Z=1.65)

กรณีที่ 1 ไม่วางสต็อกสำรองเลย

การคำนวณที่ตรงไปตรงมาที่สุดคือดูเฉพาะปริมาณที่ถูกใช้ไประหว่าง Lead Time

50 ชิ้น/วัน × 7 วัน = 350 ชิ้น

จุดสั่งซื้อคือ 350 ชิ้น ถ้าออกใบสั่งซื้อที่ระดับนี้ แล้วทั้งความต้องการตลอด 7 วันและกำหนดส่งมอบเป็นไปตามค่าเฉลี่ยพอดี ของล็อตถัดไปจะมาถึงในวินาทีที่สต็อกเหลือศูนย์พอดี พลิกอีกด้านหนึ่งคือ ถ้าความต้องการสูงขึ้นแม้แค่ชิ้นเดียว หรือของเข้าช้าไปแม้แค่วันเดียว ก็ขาดสต็อกทันที Service Level ที่แท้จริงอยู่ราว 50% เท่านั้น หรือก็คือไม่ต่างจากการโยนหัวก้อย

กรณีที่ 2 ตัวอย่างการคำนวณของ Omniful

Omniful เพิ่มสต็อกสำรองเข้าไปในเงื่อนไขเดียวกัน และคำนวณไว้ดังนี้

สต็อกสำรอง = 1.65 × 50 × √2 ≒ 116 ชิ้น

จุดสั่งซื้อ = (50 × 7) + 116 = 466 ชิ้น

บทความเดียวกันสรุปว่าควรออกใบสั่งซื้อเมื่อสต็อกลงมาถึง 466 ชิ้น ไม่ใช่ 350 ชิ้น ซึ่งเป็นระดับที่สูงกว่าการคำนวณแบบตรงไปตรงมาราว 30% ขึ้นไป ตัวเลข 116 ชิ้นนี้คือบัฟเฟอร์ที่ต้องกองไว้เพื่อดูดซับความผันผวนระหว่าง Lead Time

อนึ่ง การคำนวณนี้วางช่วงความผันผวนของ Lead Time ซึ่งคือ 2 วัน ไว้ในเครื่องหมายรากที่สอง จึงมีรูปแบบต่างจากสูตรตามตำราที่จะใช้ในกรณีที่ 4 ต่อไป ขอให้อ่านตัวอย่างนี้ในฐานะสิ่งที่แสดงประเด็นของหัวข้อนี้โดยตรง นั่นคือเงื่อนไขตั้งต้นเดียวกันแต่คำตอบเปลี่ยนไปตามสูตรที่เลือกใช้

กรณีที่ 3 สูตรแบบสถิตที่ละเลยความผันผวนของ Lead Time

ตรงนี้ขอสมมติส่วนเบี่ยงเบนมาตรฐานของความต้องการรายวันไว้ที่ 5 ชิ้น (ใช้ค่านี้ต่อไปในฐานะตัวอย่างสำหรับกรณีที่ไม่มีข้อมูลจริง) เมื่อใช้สูตรพื้นฐานที่ไม่ได้คิดความผันผวนของ Lead Time เข้าไป จะได้ดังนี้

สต็อกสำรอง = 1.65 × 5 × √7 = 1.65 × 5 × 2.65 ≒ 21.8 ชิ้น

จุดสั่งซื้อคือ 350 + 22 = 372 ชิ้น สต็อกสำรองมีแค่ 22 ชิ้น หรือคิดเป็นจำนวนวันของสต็อกได้เพียง 0.4 วันเท่านั้น ทั้งที่ถ้า Lead Time ช้าไป 1 วันจะเกิดความต้องการเพิ่มอีก 50 ชิ้น แต่ในมือกลับมีอยู่แค่ 22 ชิ้น สำหรับหน้างานที่ความผันผวนของ Lead Time เป็นสาเหตุหลัก ระดับนี้ไม่พอรับมือกับสภาพจริง

กรณีที่ 4 สูตรแบบปรับตัวที่คิดความผันผวนของ Lead Time เข้าไปด้วย

นำเงื่อนไขเดียวกันใส่ลงในสูตรที่รวมความผันผวนของ Lead Time

สต็อกสำรอง = 1.65 × √(7 × 5² + 50² × 2²)

= 1.65 × √(175 + 10,000)

= 1.65 × √10,175

= 1.65 × 100.9 ≒ 166 ชิ้น

จุดสั่งซื้อกลายเป็น 350 + 166 = 516 ชิ้น เทียบกับ 22 ชิ้นในกรณีที่ 3 แล้วมากกว่า 7 เท่า

สิ่งที่ควรจับตาคือสิ่งที่อยู่ในวงเล็บ ส่วนร่วมจากความผันผวนของความต้องการคือ 175 ส่วนร่วมจากความผันผวนของ Lead Time คือ 10,000 หมายความว่า ภายใต้เงื่อนไขนี้ กว่า 98% ของส่วนร่วมความแปรปรวนในเครื่องหมายราก มาจากความผันผวนของ Lead Time แน่นอนว่าสัดส่วนนี้เปลี่ยนไปตามวิธีประเมินความผันผวนของความต้องการรายวัน แต่สำหรับรายการสินค้าที่ความผันผวนของ Lead Time ใหญ่กว่าความผันผวนของความต้องการโดยเปรียบเทียบ โครงสร้างแบบนี้ก็เป็นจริง ทั้งที่เป็นเช่นนั้น ชีต Excel จำนวนมากกลับไม่มีพจน์นี้อยู่เลย

4 คำตอบนี้บอกอะไรเรา

ทั้งที่เป็นรายการสินค้าเดียวกันและความต้องการเท่ากัน จุดสั่งซื้อกลับแกว่งอย่างมากตั้งแต่ 350 ชิ้น 372 ชิ้น 466 ชิ้น ไปจนถึง 516 ชิ้น กรณีที่ 1 เป็นการคำนวณที่ไม่ได้คำนึงถึง Service Level จึงวางเทียบกันตรงๆ ไม่ได้อย่างเคร่งครัด แต่อีก 3 กรณีที่เหลือเล็ง 95% เท่ากัน กลับกางออกตั้งแต่ 372 ชิ้นถึง 516 ชิ้น มันไม่ใช่ว่าสูตรใดสูตรหนึ่งผิด แต่เป็นเรื่องที่ว่า คำตอบถูกกำหนดโดยเราใส่ความไม่แน่นอนตัวไหนเข้าไปในสูตร

และในทางปฏิบัติยังมีตัวแปรเพิ่มเข้ามาอีก ทั้งอัตราการส่งมอบตรงเวลาของซัพพลายเออร์แต่ละราย รูปแบบการส่งของที่กระจุกตัวช่วงสิ้นเดือน ฤดูกาล ข้อจำกัดเรื่องขนาดล็อต และจำนวนวันที่ใช้ในพิธีการศุลกากรที่เปลี่ยนไป การอัปเดตสูตรที่รวมทั้งหมดนี้ด้วยมือทุกสัปดาห์สำหรับ SKU หลายพันรายการไม่ใช่เรื่องที่ทำได้จริง นี่จึงเป็นเหตุผลที่ขอบเขตนี้กลายเป็นเป้าหมายของการทำงานอัตโนมัติ

การคำนวณสต็อกสำรองด้วย AI ต่างจากสูตรเดิมอย่างไร

เมื่อพูดว่า “คำนวณสต็อกสำรองด้วย AI” จริงๆ แล้วอะไรเปลี่ยนไปบ้าง ประเด็นมีอยู่ 3 ข้อ

ไม่ตั้งสมมติฐานว่าเป็นการแจกแจงแบบปกติ

สูตรเดิมตั้งอยู่บนสมมติฐานว่าความต้องการเป็นไปตามการแจกแจงแบบปกติ แต่ความต้องการแบบไม่ต่อเนื่อง เช่น ชิ้นส่วนซ่อมบำรุงหรืออะไหล่สำรองที่แทบทุกวันเป็นศูนย์ แล้วนานๆ ทีจะออกทีละมากๆ นั้นห่างไกลจากการแจกแจงแบบปกติมาก ในกรณีนี้ สต็อกสำรองที่คำนวณจากส่วนเบี่ยงเบนมาตรฐานย่อมไม่สอดคล้องกับสภาพจริง

Netstock อธิบายว่าการคำนวณสต็อกสำรองด้วย AI จะจัดการกับการแจกแจงความน่าจะเป็นของความต้องการโดยตรง ไม่ใช่แค่ส่วนเบี่ยงเบนมาตรฐานอย่างง่าย เป็นแนวทางที่ประมาณรูปร่างการแจกแจงของความต้องการจากข้อมูลจริงในอดีต แล้วจึงหาระดับที่ทำให้บรรลุ Service Level เป้าหมาย สำหรับความต้องการแบบไม่ต่อเนื่องและรายการสินค้าประเภท Long Tail ความต่างตรงนี้ส่งผลชัดเจน

ไม่ใช่คำนวณครั้งเดียวจบ แต่อัปเดตต่อเนื่อง

ความต่างข้อที่สองคือความถี่ Netstock อธิบายว่าอัลกอริทึมแบบ Online Learning จะอัปเดตพารามิเตอร์ของสต็อกสำรองอย่างต่อเนื่องทุกครั้งที่รับข้อมูลความต้องการจริงชุดใหม่ ข้อมูล Lead Time จริง และข้อมูลความน่าเชื่อถือของซัพพลายเออร์เข้ามา ส่วน invent.ai ก็ยกเรื่องการคำนวณซ้ำอย่างต่อเนื่องในระดับ SKU ขึ้นมาเป็นคุณลักษณะของแพลตฟอร์มที่ใช้ AI/ML เช่นเดียวกัน

เรื่องนี้สร้างความต่างมากในด้านการใช้งานจริง ในการทำงานแบบเดิม การทบทวนสต็อกสำรองเป็น “อีเวนต์” ที่จัดให้ตรงกับการตรวจนับสต็อกปีละครั้งหรือการวางงบประมาณต้นงวด แต่ในการทำงานด้วย AI เมื่อกำหนดส่งมอบของซัพพลายเออร์เริ่มแย่ลง สต็อกสำรองของรายการสินค้านั้นจะหนาขึ้นโดยอัตโนมัติ และเมื่อกลับมานิ่งก็จะบางลงเองโดยอัตโนมัติ ช่วงเวลาที่ต้องรอให้คนสังเกตเห็นความผิดปกติแล้วจึงเข้าไปจัดการก็หายไป

เปลี่ยนจาก “กำหนด” Service Level เป็น “เลือก” Service Level

ข้อที่สามคือรูปแบบของการตัดสินใจเปลี่ยนไป เดิมทีเรากำหนด Service Level ก่อน แล้วมูลค่าสต็อกจึงถูกกำหนดตามมา แต่เมื่อใช้เอนจินหาค่าที่เหมาะสมที่สุด เราสามารถไล่ความสัมพันธ์นี้ย้อนกลับได้

เมื่อเพดานของมูลค่าสต็อกถูกกำหนดไว้แล้ว ภายในงบประมาณนั้นควรจัดสรรบัฟเฟอร์ให้รายการสินค้าใดเท่าไรจึงจะทำให้ความเสียหายจากการขาดสต็อกโดยรวมต่ำที่สุด หรือมูลค่าสต็อกที่น้อยที่สุดที่บรรลุ Fill Rate เป้าหมายคือเท่าไร คำถามลักษณะนี้จะมีคำตอบได้ก็ต่อเมื่อแก้ในฐานะปัญหาการหาค่าที่เหมาะสมที่สุดภายใต้เงื่อนไขบังคับ ไม่ใช่การแก้สูตรแยกกันเป็นรายการสินค้า

อนึ่ง ค่าผลลัพธ์ที่ผู้ให้บริการแต่ละรายเผยแพร่นั้นต้องระวัง ตัวอย่างเช่น Forthcast ในบทความ ณ เดือนมิถุนายน 2025 ยกตัวเลขอย่างการลดความคลาดเคลื่อนของการพยากรณ์สูงสุด 50% ลดต้นทุนการเก็บรักษาสต็อก 15% และลดการขาดสต็อกสูงสุด 60% พร้อมระบุว่า “สูตรคำนวณแบบสถิตจับความผันผวนของความต้องการพลาดไป 40%” ตัวเลขเหล่านี้เป็นตัวเลขที่ผู้ให้บริการสื่อสารเองและมีลักษณะเชิงการตลาด อีกทั้งไม่ได้ระบุเงื่อนไขตั้งต้นไว้ชัดเจน จึงไม่ควรนำมาแทนค่าความคาดหวังของบริษัทท่านโดยตรง

รายการสินค้าที่ AI ปรับจุดสั่งซื้อแล้วได้ผล และที่ไม่ได้ผล

ไม่ใช่ว่าทุกรายการสินค้าจำเป็นต้องใช้ AI เมื่อคิดถึงผลตอบแทนจากการลงทุน สิ่งสำคัญคือการมองให้ออกว่าขอบเขตไหนที่ได้ผลง่าย

เงื่อนไขที่ให้ผลลัพธ์ได้ง่าย

ยิ่งรายการสินค้าเข้าเงื่อนไขด้านล่างมากเท่าไร ความต่างจากสูตรเดิมก็ยิ่งมาก

• รายการสินค้าที่ Lead Time ยาวและแกว่ง เช่น ชิ้นส่วนนำเข้า วัสดุเรซินหรือโลหะที่จัดหาจากต่างประเทศ และของสั่งทำพิเศษ
• ขอบเขตที่มีจำนวน SKU มากจนคนตรวจทานทั้งหมดด้วยมือไม่ไหว เช่น ชิ้นส่วนซ่อมบำรุง วัสดุประกอบ และวัสดุสิ้นเปลือง
• รายการสินค้าที่ความต้องการไม่ต่อเนื่อง หรือมีความเป็นฤดูกาลและอิงอีเวนต์สูง
• รายการสินค้าที่ราคาต่อหน่วยสูง มีภาระดอกเบี้ยจากสต็อกส่วนเกินและความเสี่ยงล้าสมัยมาก
• ชิ้นส่วนสำคัญที่มีต้นทุนการหยุดไลน์ผลิตสูงเมื่อขาดสต็อก

เงื่อนไขที่ให้ผลลัพธ์จำกัด

ในทางกลับกัน การนำ AI เข้ามาใช้กับรายการสินค้าลักษณะต่อไปนี้มีคุณค่าน้อย เช่น ชิ้นส่วนที่ผลิตเองและจ่ายได้ภายในวันเดียวกัน ขอบเขตที่มี SKU เพียงไม่กี่สิบรายการจนผู้รับผิดชอบมองเห็นภาพรวมได้ทั้งหมด และสินค้าทั่วไปที่ความต้องการนิ่งมากและ Lead Time คงที่ กรณีเช่นนี้การทบทวนกฎตายตัวเดิมปีละครั้งจะคุ้มค่ากว่า

ในขั้นตอนกำหนดขอบเขตของการเพิ่มประสิทธิภาพสินค้าคงคลัง แนวทางมาตรฐานคือไม่ปฏิบัติต่อทุก SKU เหมือนกันหมด แต่แบ่งชั้นด้วย 2 แกน คือขนาดมูลค่าและความผันผวน แล้วเริ่มลงมือจากชั้นบนสุด อนึ่ง การใช้ AI บริหารสต็อกในธุรกิจค้าส่งค้าปลีกมีประเด็นต่างจากภาคการผลิต ทั้งลักษณะความต้องการรายสาขาและการจัดการของเสีย ขอบเขตนี้เราเรียบเรียงไว้แยกต่างหากในการใช้ AI บริหารสินค้าคงคลังในธุรกิจค้าปลีก

การจัดสรรสินค้าคงคลังหลายคลังด้วย AI ปัญหาที่สูตรคลังเดียวแก้ไม่ได้

ที่ผ่านมาเราเดินเรื่องบนสมมติฐานว่ามีคลัง 1 แห่งและรายการสินค้า 1 รายการ แต่โจทย์จริงซับซ้อนกว่านั้นอีกขั้น

ผลรวมของการเพิ่มประสิทธิภาพรายคลังไม่ใช่ความเหมาะสมที่สุดของทั้งระบบ

ลองนึกถึงโครงสร้างที่มีฐานผลิตในไทยและมีคลังขายหรือคลังอะไหล่บริการในประเทศรอบข้าง ถ้าแต่ละคลังต่างคำนวณจุดสั่งซื้อและสต็อกสำรองของตัวเอง แล้วต่างก็พยายามรักษา Service Level ที่ 95% บัฟเฟอร์ของรายการสินค้าเดียวกันก็จะถูกกองซ้อนกันเท่าจำนวนคลัง เมื่อมองทั้งเครือข่ายแล้วนี่คือความซ้ำซ้อนที่ชัดเจน

แต่ถ้ารวมทุกอย่างไว้ที่คลังกลางทั้งหมด Lead Time การขนส่งก็จะยืดออกและปลายทางจะขาดสต็อกมากขึ้น การตัดสินว่าจะวางของไว้ที่คลังไหนเท่าไรเป็นปัญหาการจัดสรรที่พัวพันกันทั้งเวลาขนส่งระหว่างคลัง ความผันผวนของความต้องการแต่ละคลัง ต้นทุนขนส่ง และต้นทุนการเก็บรักษาสต็อก ซึ่งโดยหลักการแล้วสูตร EOQ หรือจุดสั่งซื้อสำหรับคลังเดียวแก้ไม่ได้

แนวทางที่เรียกว่าการเพิ่มประสิทธิภาพสินค้าคงคลังหลายระดับ (MEIO)

แนวคิดที่จัดการปัญหานี้คือการเพิ่มประสิทธิภาพสินค้าคงคลังหลายระดับ หรือที่เรียกว่า MEIO โดย GAINSystems อธิบายในบทความเดือนมิถุนายน 2026 ว่า MEIO ใช้อัลกอริทึมพันธุกรรมในการหาค่าที่เหมาะสมที่สุดของการวางบัฟเฟอร์ที่โหนดทุกจุดในเครือข่ายไปพร้อมกัน ซึ่งเป็นสิ่งที่สูตรคำนวณ EOQ หรือจุดสั่งซื้อของคลังเดียวทำไม่ได้

ในกรณีศึกษาที่บริษัทเดียวกันยกมา Hillman ลดสต็อกสินค้าสำเร็จรูปลง 18% พร้อมกับปรับปรุง Fill Rate จาก 96% ขึ้นเป็น 98% ในเวลาเดียวกัน ประเด็นสำคัญคือได้ผลลัพธ์ที่ดูขัดแย้งกันในแวบแรก คือลดสต็อกไปพร้อมกับยกระดับความสามารถในการจัดส่ง ควรเข้าใจว่านี่ไม่ใช่การตัดปริมาณรวมลง แต่เป็นผลจากการจัดวางตำแหน่งและการจัดสรรใหม่

บริษัทเดียวกันยังยกตัวเลขในฐานะช่วงของทั้งอุตสาหกรรมเมื่อเทียบกับวิธีทางสถิติไว้ว่า ลดสต็อกได้ 20-40% และลดความคลาดเคลื่อนของการพยากรณ์ได้ 30-50% นี่ไม่ใช่ผลงานของบริษัทใดบริษัทหนึ่ง แต่เป็นตัวเลขอ้างอิงที่มีช่วงกว้าง จุดที่ลงเอยจึงเปลี่ยนไปมากตามเงื่อนไขตั้งต้นของแต่ละบริษัท

ตั้งคำถามว่า “ก่อนจะสั่งซื้อ โยกจากที่อื่นได้ไหม”

อีกประเด็นหนึ่งของการเพิ่มประสิทธิภาพหลายคลังคือการแยกใช้ระหว่างการเติมเต็มกับการจัดสรรใหม่ เมื่อสต็อกที่คลังหนึ่งลดลง ทางเลือกมีอยู่ 2 ทาง คือออกใบสั่งซื้อใหม่ไปยังซัพพลายเออร์ หรือโยกของมาจากอีกคลังหนึ่งที่มีเหลือ

GENESIS ที่ทีมวิจัยของ Mecalux และ MIT เปิดเผยเมื่อเดือนมีนาคม 2026 คือ AI Simulator ที่สนับสนุนการตัดสินใจนี้ ระบบนี้ผสมอัลกอริทึมพันธุกรรมเข้ากับ Machine Learning เพื่อประเมินสถานการณ์หลายพันแบบ และไม่ได้แค่เสนอระดับสต็อกที่เหมาะสมของแต่ละคลังเท่านั้น แต่ยังแนะนำด้วยว่า การเคลื่อนย้ายสต็อกระหว่างคลังจะได้เปรียบกว่าการออกใบสั่งซื้อใหม่ไปยังซัพพลายเออร์หรือไม่ นักวิจัยจาก Intelligent Logistics Systems Lab ของ MIT กล่าวว่าสิ่งที่เคยใช้เวลาหลายวันตอนนี้จบได้ในไม่กี่นาที และมีการอธิบายว่ามันมาถึงระดับที่บริษัทนำไปใช้กับการวางแผนเชิงยุทธวิธีจริงได้แล้ว

ความหมายของการที่ความเร็วในการตัดสินใจสูงขึ้นไม่ใช่แค่เรื่องสบายขึ้น การวิเคราะห์ที่ใช้เวลาพิจารณา 3 วันจะหมุนได้แค่ในการรีวิวรายเดือนเท่านั้น ถ้าจบได้ในไม่กี่นาทีก็หมุนเป็นรายสัปดาห์หรือรายวันได้ การคำนวณใหม่ได้ทุกครั้งที่เงื่อนไขตั้งต้นเปลี่ยนไป คือความแตกต่างที่เป็นสาระสำคัญต่อการทำให้ระดับสต็อกวิ่งตามสภาพจริงได้ทัน

อย่าลืมข้อจำกัดเฉพาะของอาเซียน

อย่างไรก็ตาม การโยกของระหว่างคลังบางครั้งก็ทำไม่ได้แม้จะเหมาะสมที่สุดในเชิงคณิตศาสตร์ การเคลื่อนย้ายข้ามประเทศมาพร้อมพิธีการนำเข้าส่งออก และการเคลื่อนย้ายสต็อกก็ไม่ง่ายนัก ทั้งนี้ขึ้นอยู่กับประเภทการใช้สิทธิประโยชน์ BOI หรือเขตปลอดอากร ยังพัวพันกับการจัดการภาษีศุลกากรและถิ่นกำเนิดสินค้า รวมถึงการตั้งราคาซื้อขายภายในเครือด้วย

ดังนั้นเมื่อออกแบบการจัดสรรสินค้าคงคลังหลายคลังด้วย AI จำเป็นต้องขีดเส้นแบ่งไว้ตั้งแต่แรกว่า “ในบรรดาการเคลื่อนย้ายที่ระบบแนะนำ อันไหนที่ทำได้ทันทีในทางปฏิบัติ” ประเด็นสำคัญในการนำไปใช้จริงคือการระบุข้อจำกัดให้ชัดเจนแล้วป้อนให้เอนจิน เช่น การเคลื่อนย้ายระหว่างคลังหลายแห่งภายในประเทศทำได้ทันที ส่วนการเคลื่อนย้ายข้ามประเทศให้พิจารณาในระดับแผนรายเดือน

ผลลัพธ์จากการนำมาใช้คาดหวังได้แค่ไหน ดูจากตัวเลขที่เผยแพร่ต่อสาธารณะ

การประเมินผลลัพธ์เป็นส่วนที่ถูกถามมากที่สุดในการอธิบายต่อผู้บริหาร เราจึงเรียบเรียงกรณีศึกษาที่เผยแพร่ต่อสาธารณะไว้ โดยระบุแหล่งที่มาและช่วงเวลาให้ชัดเจน

ในการสำรวจ ณ ปี 2024 ที่ Nucleus Research รวบรวมเกี่ยวกับ RELEX Solutions มีรายงานว่าค่าเฉลี่ยของ 4 องค์กรที่เป็นกลุ่มเป้าหมายลดต้นทุนสต็อกได้ 20% โดยแยกย่อยว่าบริษัทภาคการผลิต 1 รายลดสต็อกสินค้าสำเร็จรูปได้ 22% ร้านค้าปลีกเครื่องมือและอุปกรณ์ช่างลดได้ 17% และบริษัทกลุ่มอาหารและเครื่องดื่ม 1 รายลดต้นทุนได้กว่า 1 ล้านดอลลาร์สหรัฐจากการปรับปรุงการหมุนเวียนสต็อกและลดของเสีย เนื่องจากเป็นการสำรวจเมื่อกว่า 2 ปีก่อน จึงต้องอ่านโดยหักลบไว้ว่าสมมติฐานตั้งต้นอาจต่างไปจากความสามารถของผลิตภัณฑ์ในปัจจุบัน

กรณีศึกษาของ API Group ที่ Kortical เผยแพร่เป็นความพยายามที่ผสม Machine Learning แบบอนุกรมเวลาเข้ากับการหาค่าที่เหมาะสมที่สุด มีรายงานว่าลดระดับสต็อกได้ 8.5% และการส่งมอบตรงเวลาดีขึ้น 11% ในกรณีศึกษาเดียวกันมีการอธิบายผลลัพธ์ว่าเงินทุนที่ถูกผูกไว้ในคลังลดลง แม้ตัวเลขการลดจะดูไม่หวือหวา แต่จุดที่การส่งมอบตรงเวลาดีขึ้นไปพร้อมกันบ่งชี้ว่าสิ่งที่ได้ผลไม่ใช่แค่การบีบสต็อก แต่คือการปรับปรุงการจัดสรร

ข้อควรระวังในการอ่านตัวเลข

การนำตัวเลขเหล่านี้ไปแทนเป้าหมายของบริษัทท่านโดยตรงเป็นเรื่องอันตราย เหตุผลมี 3 ข้อ

ข้อแรก สภาพปัจจุบันซึ่งเป็นตัวหารของอัตราการลดนั้นต่างกันไปในแต่ละบริษัท ยิ่งบริษัทที่สต็อกกองพะเนินอยู่แต่เดิม ก็ยิ่งได้อัตราการลดที่สูง ข้อที่สอง กรณีศึกษาจำนวนมากมาพร้อมกับการเปลี่ยนระบบ การเปลี่ยนกระบวนการทำงาน และการปรับโครงสร้างองค์กรไปพร้อมกับการลดสต็อก จึงแยกส่วนที่ AI มีส่วนร่วมออกมาไม่ได้ ข้อที่สาม กรณีศึกษาที่ผู้ให้บริการเผยแพร่ย่อมเอนไปทางกรณีที่สำเร็จ

วิธีเดินเรื่องที่เป็นจริงคือเริ่มจากการประมาณการที่แบ่งชั้นสต็อกของบริษัทท่านด้วยมูลค่าและความผันผวน แล้วนำกฎปัจจุบันกับค่าที่ AI แนะนำมาวางเทียบกันสำหรับ SKU ระดับหลายร้อยรายการบนสุด การทำ Backtest ที่ถามว่า “ถ้าเดินงาน 12 เดือนที่ผ่านมาด้วยค่าแนะนำนี้ จะเกิดการขาดสต็อกกี่ครั้งและสต็อกเฉลี่ยเป็นเท่าไร” ในหลายกรณีจะเป็นข้อมูลที่มีน้ำหนักโน้มน้าวมากกว่าอัตราการลดจากกรณีศึกษาภายนอกอย่างเทียบไม่ติด

การนำ AI เพิ่มประสิทธิภาพสินค้าคงคลังไปใช้ในโรงงานญี่ปุ่นในไทยและอาเซียน

จากนี้เป็นเรื่องการนำไปใช้จริง เราจะเรียบเรียงประเด็นสำคัญในทางปฏิบัติ โดยตั้งอยู่บนสมมติฐานว่าเป็นผู้ผลิตสัญชาติญี่ปุ่นที่มีฐานอยู่ในไทย

คอขวดใหญ่ที่สุดคือข้อมูล Lead Time ที่เกิดขึ้นจริง

ในโครงการนำ AI เพิ่มประสิทธิภาพสินค้าคงคลังมาใช้ สิ่งที่มักติดขัดมากที่สุดคือข้อมูล ข้อมูลความต้องการจริงหรือก็คือข้อมูลการเบิกจ่ายนั้นส่วนใหญ่มีครบ ปัญหาอยู่ที่ Lead Time

ดังที่กล่าวไปแล้ว สำหรับรายการสินค้าที่ความผันผวนของ Lead Time สูง ความเสี่ยงด้านสต็อกส่วนใหญ่เกิดจากตรงนั้น แต่โรงงานที่เก็บคู่ของ “วันที่สั่งซื้อ” กับ “วันที่ของเข้าจริง” ไว้อย่างครบถ้วนเป็นระเบียบย้อนหลังหลายปีนั้นมีไม่มาก มักพบสภาพที่ระบบหลักขององค์กรมีแค่ Lead Time มาตรฐานที่ลงทะเบียนไว้เป็นค่ามาสเตอร์ แต่ไม่มีการบันทึกค่าจริงที่เกิดขึ้น หรือการจัดการเรื่องการส่งแบ่งงวดและการส่งบางส่วนไม่เป็นมาตรฐานเดียวกันจนรวบยอดไม่ได้

ในช่วงต้นของการพิจารณานำมาใช้ ข้อมูลขั้นต่ำที่ควรเตรียมให้พร้อมมีดังนี้

• มาสเตอร์รายการสินค้า ค่าตั้งสต็อกสำรองและจุดสั่งซื้อที่ใช้อยู่ปัจจุบัน พร้อมเหตุผลรองรับ
• ข้อมูลการเบิกจ่ายจริงย้อนหลังราว 24 เดือน (รายวันหรือรายสัปดาห์ แยกตามคลัง)
• ข้อมูลการสั่งซื้อและการรับเข้าจริงย้อนหลังราว 24 เดือน (วันที่สั่งซื้อ กำหนดส่งที่ระบุ วันที่รับเข้าจริง จำนวน)
• ประวัติการส่งมอบตรงเวลาแยกตามซัพพลายเออร์ ปริมาณสั่งซื้อขั้นต่ำ และหน่วยการสั่งซื้อ
• Lead Time การขนส่งระหว่างคลัง ต้นทุนขนส่ง และชุดของการเคลื่อนย้ายที่ทำได้จริง

ถ้าข้อที่ 3 ยังไม่พร้อม ก็ต้องเริ่มจากการจัดระบบการบันทึกก่อน แม้จะสะสมข้อมูลจริงได้แค่ครึ่งปี เพียงแค่เปลี่ยน Lead Time มาตรฐานเป็นค่าที่วัดได้จริง ความสมเหตุสมผลของสต็อกสำรองก็ดีขึ้นมาก ไม่ใช่เรื่องแปลกที่ ก้าวแรกคือการเริ่มวัด Lead Time จริง ก่อนจะไปถึงการนำ AI เข้ามา

จะวางตรรกะการเพิ่มประสิทธิภาพไว้บนระบบไหน

ต่อให้ตัดสินใจเรื่องตรรกะการคำนวณได้แล้ว ก็ยังเหลือปัญหาว่าจะให้มันทำงานอยู่ที่ไหน ทางเลือกใหญ่ๆ มี 3 ทาง คือใช้ฟังก์ชันส่วนขยายของระบบหลักหรือ MRP ที่มีอยู่ นำโซลูชันเฉพาะทางด้านการเพิ่มประสิทธิภาพสินค้าคงคลังเข้ามา และการพัฒนาตรรกะการเพิ่มประสิทธิภาพขึ้นเองบนฐานข้อมูลของระบบบริหารการผลิต

จะเลือกทางไหนขึ้นอยู่กับจำนวน SKU จำนวนคลัง ความสามารถในการขยายของระบบเดิม และการมีบุคลากรที่ดูแลตรรกะได้ภายในองค์กรหรือไม่ ขอบเขตฟังก์ชันและความเหมาะสมของแต่ละระบบเราเรียบเรียงไว้ในการเปรียบเทียบระบบบริหารสินค้าคงคลังสำหรับโรงงาน จึงขอให้ดูควบคู่กันไปในขั้นตอนคัดเลือก

แกนการตัดสินใจที่ควรจับไว้คือ จะไหลผลลัพธ์ของการเพิ่มประสิทธิภาพเข้าสู่งานสั่งซื้อจริงได้หรือไม่ ถ้าค่าแนะนำแค่แสดงบนอีกหน้าจอหนึ่ง แล้วกลายเป็นการทำงานที่ผู้รับผิดชอบต้องคัดลอกลงระบบหลักด้วยมือ พอปริมาณเพิ่มขึ้นเมื่อไรมันก็จะกลายเป็นพิธีกรรมที่ไร้เนื้อหาทันที จำเป็นต้องออกแบบให้ครอบคลุมถึงขั้นสะท้อนค่าแนะนำเป็นจุดสั่งซื้อในมาสเตอร์โดยอัตโนมัติ หรือออกเป็นใบขอสั่งซื้อในฐานะรายการเสนอ

อนึ่ง ในภาคการผลิตของไทยโดยรวม การใช้ AI กับการจำลองสถานการณ์และงานบำรุงรักษาก็กำลังขยายตัว โดยในเดือนสิงหาคม 2026 สื่อท้องถิ่นได้นำเสนอความพยายามที่ใช้ 3DEXPERIENCE และ Virtual Companions ของ Dassault Systèmes พร้อมผลลัพธ์อย่างการเร่งกระบวนการให้เร็วขึ้น 15-50% ลดเวลาการผลิตลง 25% และลดต้นทุนลง 5-40% นี่ไม่ใช่เรื่องที่จำกัดอยู่แค่การเพิ่มประสิทธิภาพสินค้าคงคลัง แต่กล่าวได้ว่าเป็นตัวอย่างที่แสดงว่าการผนวก AI เข้ากับการตัดสินใจในหน้างานผลิตไม่ได้หยุดอยู่แค่สาขาใดสาขาหนึ่ง

การออกแบบการใช้งานจริง อย่าสั่งซื้อตามค่าแนะนำโดยตรง

สิ่งที่ยากกว่าด้านเทคนิคคือการออกแบบการใช้งานจริง หน้างานที่เดินได้ดีในทางปฏิบัติมีจุดร่วมกันอยู่

อย่างแรก อย่าเชื่อมค่าแนะนำของ AI เข้ากับการสั่งซื้ออัตโนมัติโดยไม่มีเงื่อนไข ในช่วงต้นของการนำมาใช้ ให้แสดงค่าแนะนำเทียบกับค่าปัจจุบันควบคู่กัน แล้วให้ผู้รับผิดชอบตรวจสอบเฉพาะรายการสินค้าที่ต่างกันเกินระดับที่กำหนด เมื่อใช้งานไปสักหลายเดือนจนยืนยันความสมเหตุสมผลของค่าแนะนำได้แล้ว จึงค่อยขยายขอบเขตการสะท้อนค่าอัตโนมัติทีละขั้นจากกลุ่มรายการสินค้าเหล่านั้น

อย่างที่สอง ทำให้อธิบายได้ว่าทำไมจึงได้ตัวเลขนั้นออกมา ถ้าอธิบายในระดับที่ว่า “สต็อกสำรองเพิ่มจาก 80 ชิ้นเมื่อเดือนที่แล้วเป็น 140 ชิ้น เพราะช่วง 3 เดือนล่าสุดซัพพลายเออร์ A ส่งของช้าบ่อยขึ้น” ไม่ได้ หน้างานจะไม่เชื่อถือตัวเลข ค่าแนะนำที่ไม่ได้รับความเชื่อถือจะถูกเมิน และระบบก็จะไม่ถูกใช้งานในที่สุด

อย่างที่สาม สร้างกรอบสำหรับจัดการข้อยกเว้นไว้ตั้งแต่แรก ทั้งการเริ่มผลิตสินค้าใหม่ สต็อกที่กันไว้ให้ลูกค้าเฉพาะราย และการระบายสต็อกของสินค้าที่เลิกผลิต สิ่งเหล่านี้เป็นขอบเขตที่ค่าแนะนำซึ่งเรียนรู้จากข้อมูลในอดีตใช้ไม่ได้ผล จึงควรแยกออกมาให้ชัดเจนในฐานะสิ่งที่คนเป็นผู้ตัดสิน

แนวทางการเดินเรื่องโดยประมาณ

วิธีเดินเรื่องที่เป็นจริงและปลอดภัยคือการไล่ตามขั้นตอนดังนี้

• ขั้นตอนที่ 1 เข้าใจสถานะปัจจุบัน แบ่งชั้นรายการสินค้าด้วยมูลค่าและความผันผวน แล้วสำรวจเหตุผลรองรับของสต็อกสำรองและจุดสั่งซื้อที่ใช้อยู่
• ขั้นตอนที่ 2 จัดเตรียมข้อมูล โดยเฉพาะการจัดคู่ข้อมูลการสั่งซื้อกับข้อมูลการรับเข้าจริง แล้วดึงการแจกแจงของ Lead Time ที่วัดได้จริงออกมา
• ขั้นตอนที่ 3 Backtest จำกัดรายการสินค้าเป้าหมาย แล้วเปรียบเทียบกฎปัจจุบันกับตรรกะการเพิ่มประสิทธิภาพบนข้อมูลจริงในอดีต
• ขั้นตอนที่ 4 ใช้งานแบบจำกัด เริ่มเดินงานด้วยค่าแนะนำในระดับหลายร้อย SKU แล้วติดตามความเคลื่อนไหวของการขาดสต็อกและมูลค่าสต็อก
• ขั้นตอนที่ 5 ขยายผลและก้าวสู่หลายคลัง เมื่อยืนยันความสมเหตุสมผลในคลังเดียวได้แล้ว จึงขยายขอบเขตไปสู่การเพิ่มประสิทธิภาพของการจัดสรรระหว่างคลัง

ถ้ากระโดดเข้าสู่การเพิ่มประสิทธิภาพหลายคลังด้วย SKU ทั้งหมดทั้งบริษัทตั้งแต่แรก จะเจอทั้งภาระในการจัดเตรียมข้อมูลและแรงต้านจากหน้างานพร้อมกัน การแสดงความสมเหตุสมผลของตัวเลขด้วยคลังเดียวและ SKU จำกัดก่อนแล้วค่อยขยายขอบเขต จะไปถึงเป้าหมายได้เร็วกว่าในท้ายที่สุด

คำถามที่พบบ่อย

AI ใช้กับการเพิ่มประสิทธิภาพสินค้าคงคลังอย่างไร

การใช้งานหลักมี 3 อย่าง อย่างแรกคือการคำนวณสต็อกสำรองรายรายการสินค้า โดยหาระดับที่น้อยที่สุดที่บรรลุ Service Level เป้าหมายจากการแจกแจงความน่าจะเป็นของความต้องการและการแจกแจงของ Lead Time ที่วัดได้จริง อย่างที่สองคือการกำหนดจุดสั่งซื้อและปริมาณสั่งซื้อ โดยเสนอจังหวะการเติมเต็มหลังจากคิดข้อจำกัดเรื่องล็อตและหน่วยการสั่งซื้อเข้าไปแล้ว อย่างที่สามคือการจัดสรรสต็อกระหว่างคลัง โดยหาค่าที่เหมาะสมที่สุดว่าจะวางบัฟเฟอร์ไว้ตรงไหนในภาพรวมของทั้งเครือข่าย การพยากรณ์ความต้องการเป็นข้อมูลนำเข้าของสิ่งเหล่านี้ และจุดที่ AI ถูกนำไปใช้กลับอยู่ในฝั่งการตัดสินใจที่อยู่หลังการพยากรณ์มากกว่า

คำนวณสต็อกสำรองด้วย AI อย่างไร

โครงร่างของแนวคิดเหมือนกับสูตรเดิม คือกำหนดว่าจะป้องกันตัวเองไปถึงระดับไหนต่อความไม่แน่นอนของความต้องการและ Lead Time ความต่างมี 3 จุด คือไม่สมมติว่าเป็นการแจกแจงแบบปกติแต่ประมาณรูปร่างการแจกแจงของความต้องการโดยตรง คิดความผันผวนของ Lead Time เข้าไปอย่างชัดเจน และอัปเดตพารามิเตอร์อย่างต่อเนื่องทุกครั้งที่ข้อมูลจริงชุดใหม่เข้ามา Netstock อธิบายว่าการผสมการแจกแจงความต้องการเชิงความน่าจะเป็นเข้ากับอัลกอริทึมแบบ Online Learning ทำให้พารามิเตอร์ของสต็อกสำรองถูกอัปเดตทุกครั้งที่ข้อมูลความต้องการ Lead Time และความน่าเชื่อถือของซัพพลายเออร์เข้ามา

การปรับจุดสั่งซื้อด้วย AI ต่างจากการคำนวณใน Excel อย่างไร

อย่างที่ตัวอย่างการคำนวณในบทความนี้แสดงให้เห็น แม้เป็นรายการสินค้าเดียวกันและ Service Level เท่ากัน จุดสั่งซื้อก็เป็นได้ทั้ง 372 ชิ้นและ 516 ชิ้น ขึ้นอยู่กับว่าใส่ความไม่แน่นอนตัวไหนเข้าไปในสูตร ปัญหาของการทำงานด้วย Excel ไม่ได้อยู่ที่ตัวสูตรที่เรียบง่ายเท่ากับการที่สูตรนั้นไม่ถูกอัปเดตอีกเลยหลังจากถูกกำหนดครั้งเดียว ต่อให้กำหนดส่งมอบของซัพพลายเออร์แย่ลง หรือรูปแบบความผันผวนของความต้องการเปลี่ยนไป ค่าสัมประสิทธิ์ก็ยังเป็นค่าเดิม ข้อได้เปรียบที่ใหญ่ที่สุดของการใช้ AI คือการหมุนการอัปเดตนี้อย่างต่อเนื่องกับ SKU หลายพันรายการได้

ปล่อยให้ AI จัดสรรสินค้าคงคลังหลายคลังได้เลยหรือไม่

การมอบการคำนวณให้ AI กับการมอบการลงมือทำแบบไม่มีเงื่อนไขควรแยกคิดออกจากกัน โดยเฉพาะในอาเซียนที่การเคลื่อนย้ายสต็อกข้ามประเทศพัวพันกับพิธีการศุลกากรและประเภทของสิทธิประโยชน์ BOI จึงมีการเคลื่อนย้ายที่แม้เหมาะสมที่สุดในเชิงคณิตศาสตร์แต่ก็ทำไม่ได้ ในทางปฏิบัติ วิธีที่เป็นจริงคือเริ่มจากการป้อนชุดของการเคลื่อนย้ายที่ทำได้จริงให้เอนจินเป็นเงื่อนไขบังคับไว้ล่วงหน้า ให้ระบบเสนอคำแนะนำในฐานะตัวเลือก และให้คนเป็นผู้ตัดสินใจลงมือ การออกแบบเป็นขั้นตอนโดยเริ่มทำอัตโนมัติจากการเคลื่อนย้ายระหว่างคลังในประเทศ ส่วนการเคลื่อนย้ายข้ามแดนให้หยุดอยู่ที่ระดับแผนนั้นได้ผลดี

ต้องมีข้อมูลย้อนหลังนานแค่ไหนจึงจะนำมาใช้ได้

ขึ้นอยู่กับลักษณะของรายการสินค้า แต่การจะจับความเป็นฤดูกาลได้นั้น ควรมีข้อมูลการเบิกจ่ายจริงอย่างน้อยราว 24 เดือน อย่างไรก็ตาม สิ่งที่สำคัญกว่าระยะเวลาคือการมีข้อมูล Lead Time จริงหรือไม่ ถ้ามีการบันทึกคู่ของวันที่สั่งซื้อกับวันที่รับเข้าจริงไว้ แค่ราว 6 เดือนก็เริ่มเห็นการแจกแจงของ Lead Time ได้ ในทางกลับกัน ต่อให้มีข้อมูลการเบิกจ่ายย้อนหลัง 5 ปี แต่ถ้าไม่มีข้อมูล Lead Time จริง ความแม่นยำของการคำนวณสต็อกสำรองก็ไม่ดีขึ้น ถ้าข้อมูลไม่พอ วิธีที่เป็นจริงคือจัดระบบการบันทึกก่อน แล้วระหว่างนั้นก็เริ่มลงมือจากขอบเขตที่ทำ Backtest ด้วยข้อมูลที่มีอยู่ได้

สรุป

แก่นแท้ของ AI เพิ่มประสิทธิภาพสินค้าคงคลังไม่ได้อยู่ที่การทายความต้องการให้แม่นขึ้น แต่อยู่ที่ การแก้โจทย์ซ้ำอย่างต่อเนื่องว่าจะออกแบบบัฟเฟอร์อย่างไร วางไว้ที่ไหน และทบทวนเมื่อไร บนสมมติฐานว่าเราทายไม่ถูก

ขอสรุปประเด็นที่ยืนยันไว้ในบทความนี้ จุดสั่งซื้อมีโครงสร้างว่า “ปริมาณที่ถูกใช้ระหว่าง Lead Time + สต็อกสำรอง” และความแม่นยำในการออกแบบสต็อกสำรองนั้นเองที่กำหนดระดับสต็อก แม้เงื่อนไขเดียวกัน สต็อกสำรองก็ต่างกันหลายเท่าขึ้นอยู่กับว่าใส่ความผันผวนของ Lead Time เข้าไปในสูตรหรือไม่ และสำหรับรายการสินค้าที่ Lead Time แกว่งอย่างของที่จัดหาจากต่างประเทศ ความเสี่ยงด้านสต็อกส่วนใหญ่เกิดจากความผันผวนของ Lead Time ไม่ใช่ความต้องการ การยก Service Level ขึ้นจะดันมูลค่าสต็อกให้สูงขึ้นแบบเร่งตัว จึงจำเป็นต้องแยกใช้ตามรายการสินค้า และสำหรับบริษัทที่มีหลายคลัง ผลรวมของการเพิ่มประสิทธิภาพทีละคลังจะไม่ใช่ความเหมาะสมที่สุดของทั้งระบบ สิ่งที่ได้ผลคือการเพิ่มประสิทธิภาพสินค้าคงคลังหลายระดับที่แก้การวางบัฟเฟอร์ในภาพรวมของทั้งเครือข่าย ควบคู่กับการตัดสินใจจัดสรรใหม่ระหว่างคลังก่อนจะออกใบสั่งซื้อ

ในกรณีศึกษาที่เผยแพร่ต่อสาธารณะ มีรายงานผลลัพธ์อย่างการลดสต็อกสินค้าสำเร็จรูป 18% พร้อมกับการปรับปรุง Fill Rate และการลดระดับสต็อก 8.5% พร้อมกับการส่งมอบตรงเวลาดีขึ้น 11% อย่างไรก็ตาม เนื่องจากเงื่อนไขตั้งต้นต่างกัน จึงไม่ควรข้ามขั้นตอนการยืนยันความสมเหตุสมผลด้วยการทำ Backtest จากข้อมูลของบริษัทท่าน

และสิ่งสุดท้ายที่อยากเน้นย้ำอีกครั้งคือ ความสำเร็จหรือล้มเหลวของความพยายามนี้ถูกกำหนดโดยข้อมูลและการออกแบบการใช้งานจริง ไม่ใช่อัลกอริทึม เริ่มบันทึกคู่ของข้อมูลการสั่งซื้อกับข้อมูลการรับเข้าจริง ทำให้อธิบายเหตุผลรองรับของค่าแนะนำได้ และเหลือกรอบให้คนจัดการข้อยกเว้นไว้ ถ้า 3 ข้อนี้พร้อม ไม่ว่าจะเลือกเครื่องมือตัวไหนก็ได้ผลลัพธ์ ในทางกลับกัน ถ้าขาดตรงนี้ ต่อให้นำเอนจินที่ล้ำสมัยเพียงใดเข้ามา หน้างานก็จะไม่ใช้งานมัน

TOMAS TECH ให้บริการโซลูชันยกระดับผลิตภาพหน้างานสำหรับผู้ผลิตสัญชาติญี่ปุ่นในไทยและอาเซียน โดยมีระบบบริหารการผลิต PEGASUS เป็นหลัก และสนับสนุนแบบครบวงจรตั้งแต่การจัดเตรียมข้อมูลสินค้าคงคลัง การพัฒนาตรรกะการเพิ่มประสิทธิภาพ ไปจนถึงการออกแบบการใช้งานจริงในหน้างาน หากยังอยู่ในขั้นที่เพียงต้องการจัดระเบียบสถานะปัจจุบันก่อนว่า จากข้อมูลสต็อกของบริษัทท่าน เรามองเห็นอะไรได้ถึงไหน ก็ไม่เป็นไรเลย เรายินดีรับปรึกษาตั้งแต่ช่วงเริ่มพิจารณา ติดต่อเราได้ที่หน้าติดต่อเรา

ข้อมูลอ้างอิง

• Omniful “Inventory Reorder Point Formulas and Advanced Tips” 13 กุมภาพันธ์ 2026 https://www.omniful.ai/blog/inventory-reorder-point-formulas-advanced-tips-2026 แหล่งที่มาของสูตรจุดสั่งซื้อและตัวอย่างการคำนวณ 50 ชิ้นต่อวันกับ Lead Time 7 วัน
• invent.ai “Safety Stock Management for Retail, Moving Beyond Static Formulas” ปรับปรุง 23 เมษายน 2026 https://www.invent.ai/blog/safety-stock-management-for-retail-moving-beyond-static-formulas แหล่งที่มาของการเปรียบเทียบสูตรแบบสถิตกับสูตรแบบปรับตัว และประเด็นที่การยก Service Level จาก 95% เป็น 98% ทำให้สต็อกสำรองเพิ่มราว 24%
• Netstock “Utilizing AI for Efficient Inventory Management Systems” ไม่ระบุวันที่เผยแพร่ https://www.netstock.com/blog/utilizing-ai-for-efficient-inventory-management-systems/ แหล่งที่มาของการอัปเดตพารามิเตอร์สต็อกสำรองด้วยการแจกแจงความน่าจะเป็นและ Online Learning
• Forthcast “AI vs Traditional Safety Stock Calculations” 11 มิถุนายน 2025 https://www.forthcast.io/blog/ai-vs-traditional-safety-stock-calculations แหล่งที่มาของค่าที่ผู้ให้บริการเผยแพร่เอง เช่น การลดความคลาดเคลื่อนของการพยากรณ์สูงสุด 50%
• Mecalux “GENESIS, the AI simulator for warehouses” มีนาคม 2026 https://www.mecalux.com/news/genesis-ai-simulator-warehouses แหล่งที่มาของการตัดสินใจจัดสรรใหม่ระหว่างคลังด้วยอัลกอริทึมพันธุกรรมและ Machine Learning รวมถึงความเห็นของนักวิจัย MIT
• GAINSystems “How to Take an AI Approach to Inventory Management” 25 มิถุนายน 2026 https://gainsystems.com/blog/how-to-take-an-ai-approach-to-inventory-management/ แหล่งที่มาของการหาค่าที่เหมาะสมที่สุดของการวางบัฟเฟอร์พร้อมกันด้วยอัลกอริทึมพันธุกรรม การลด 18% ของ Hillman และ Fill Rate จาก 96% เป็น 98% รวมถึงช่วงของอุตสาหกรรม 20-40% และ 30-50%
• Kortical “Inventory Optimisation Using AI” ไม่ระบุวันที่เผยแพร่ https://kortical.com/case-studies/inventory-optimisation-using-ai-example/ แหล่งที่มาของการลดสต็อก 8.5% และการส่งมอบตรงเวลาดีขึ้น 11% ของ API Group
• Nucleus Research “RELEX Customers Cut Inventory Costs by 20 Percent on Average” 26 สิงหาคม 2024 https://nucleusresearch.com/research/single/relex-customers-cut-inventory-costs-by-20-percent-on-average/ แหล่งที่มาของค่าเฉลี่ย 4 บริษัทลดได้ 20% ภาคการผลิต 22% ค้าปลีกเครื่องมือและอุปกรณ์ช่าง 17% และกลุ่มอาหารและเครื่องดื่มกว่า 1 ล้านดอลลาร์สหรัฐ
• ThroughPut.AI “AI-Powered Inventory Optimization for Coffee Retail Chains” ปี 2024 https://throughput.world/blog/ai-powered-inventory-optimization-for-coffee-retail-chains/ แหล่งที่มาของการลดสต็อก 15%
• The Nation Thailand “Industrial AI Powers Thailand’s Next Manufacturing Shift” 17 สิงหาคม 2026 https://www.nationthailand.com/business/tech/40069861 แหล่งที่มาของการใช้ AI อุตสาหกรรมในภาคการผลิตของไทยและการเร่งกระบวนการให้เร็วขึ้น 15-50%