4.1 การพยากรณ์ตามกรอบเวลาที่การพยากรณ์ครอบคลุมถึง
1.การพยากรณ์ระยะสั้น เป็นการพยากรณ์ในช่วงเวลาที่ต่ำกว่า 3 เดือน ใช้พยากรณ์แต่ละสินค้าแยกเฉพาะ เพื่อใช้ในการบริหารสินค้าคงคลัง การจัดตารางการผลิตสายการประกอบหรือการใช้แรงงานในช่วงเวลาแต่ละสัปดาห์ แต่ละเดือน หรือแต่ละไตรมาศ หรืออีกนัยหนึ่งคือการพยากรณ์ระยะสั้นใช้ในการวางแผนระยะสั้น
2.การพยากรณ์ระยะปานกลาง เป็นการพยากรณ์ในช่วงเวลาที่มากกว่า 3 เดือน จนถึง 2 ปี ใช้พยากรณ์ทั้งกลุ่มของสินค้าหรือยอดขายรวมขององค์การ เพื่อใช้ในการวางแผนด้านบุคลากร การวางแผนการผลิต การจัดตารางการผลิตรวม การจัดซื้อและการกระจายสินค้า ระยะเวลาที่นิยมพยากรณ์คือ 1 ปี เพราะเป็นหนึ่งรอบระยะเวลาบัญชีพอดี การพยากรณ์ระยะปานกลางใช้ในการวางแผนระยะปานกลาง
3.การพยากรณ์ระยะยาว เป็นการพยากรณ์ในช่วงเวลา 2 ปีขึ้นไป ใช้พยากรณ์ยอดขายรวมขององค์การ เพื่อใช้ในการเลือกทำเลที่ตั้งของโรงงานและสิ่งอำนวยความสะดวก การวางแผนกำลังการผลิต และการจัดการกระบวนการผลิตในระยะยาว การพยากรณ์ระยะยาวใช้ในการวางแผนระยะยาว
4.2 การพยากรณ์แบ่งตามพฤติกรรมอุปสงค์ โดยแนวโน้มเป็นการบ่งชี้ระดับการเคลื่อนไหวของอุปสงค์ในระยะยาวว่ามากขึ้น หรือต่ำลง โดยปัจจุบันพฤติกรรมอุปสงค์เป็นค่าที่เป็นลักษณะการสุ่ม ซึ่งไม่ใช่พฤติกรรมปกติ มีหลายรูปแบบ คือ พฤติกรรมที่เป็นรูปแบบแนวโน้ม วัฎจักร และฤดูกาล
แนวโน้ม (Trend) เป็นเส้นที่เมื่อนำมาเขียนกราฟแล้วมีแนวโน้มเพิ่มอย่างต่อเนื่อง เป็นลักษณะการเป็นไปของยอดขายในอนาคต
วัฎจักร (Cycle) เป็นเส้นที่เมื่อนำมาเขียนกราฟแล้วมีลักษณะเพิ่มขึ้น ลดลงเท่าๆกัน เป็นวงจรชีวิตของผลิตภัณฑ์ที่ขึ้นอยู่กับเทคโนโลยี การแข่งขัน กฎหมาย และการเมือง ระบบเศรษฐกิจ อันเป็นปัจจัยที่ควบคุมไม่ได้
ฤดูกาล (Season) เป็นเส้นที่เมื่อนำมาเขียนกราฟแล้วมีลักษณะเพิ่มขึ้นเป็นช่วงสั้นๆ และลดลง เป็นช่วงเวลาในแต่ละปีที่ผลิตภัณฑ์จะทำยอดขายในลักษณะรูปแบบหนึ่งและลักษณะนี้เกิดขึ้นประจำทุกปี เช่น พฤติกรรมการใช้โลชั่นในฤดูหนาว
แนวโน้มและฤดูกาล เป็นเส้นที่มีลักษณะผสมระหว่างแนวโน้มและฤดูกาล เช่นพฤติกรรมการบริการซ่อมบำรุงระบบปรับอากาศของโลกร้อนขึ้นเรื่อยๆ คนจะใช้ระบบปรับอากาศในเมืองมากขึ้น ปริมาณอุปสงค์มากขึ้น แต่ในช่วงเดือนมีนาคมถึงพฤษภาคมในแต่ละปีคนจะเรียกใช้บริการมากที่สุด
เหตุการณ์ผิดปกติ (Irregular Variation) เป็นสิ่งที่เกิดขึ้นเหนือความคาดหมาย ซึ่งมีผลกระทบต่อยอดขายของผลิตภัณฑ์ เช่น โรคระบาด ภัยธรรมชาติ การค้นพบสิ่งใหม่โดยบังเอิญในห้องปฏิบัติการสงคราม จะพยากรณ์เหตุการณ์ผิดปกติไม่ได้เพราะไม่มีรูปแบบของการอนุมัติ
4.3 วิธีการที่ใช้ในการพยากรณ์ (Forecast Method)
4.3.1 วิธีการใช้วิจารณญาณ (Judgment Method) เป็นวิธีการที่ใช้เมื่อไม่มีข้อมูล
ในอดีตเพียงพอที่จะใช้พยากรณ์ เช่น ต้องการพยากรณ์ยอดขายของสินค้าใหม่ หรือเมื่อมีความก้าวหน้าทางเทคโนโลยีเกิดขึ้น การพยากรณ์แบบนี้มี 4 วิธีด้วยกัน คือ
1.1 การประมาณการของพนักงานขาย ใช้การประมาณการของพนักงานขายซึ่งเป็นผู้ที่ได้สัมผัสกับสภาพของตลาดมากที่สุด ใกล้ชิดกับลูกค้ามากที่สุด พนักงานขายจะพยากรณ์โดยรวบรวมยอดขายแต่ละเขตพื้นที่ซึ่งตนรับผิดชอบนั้น แล้วส่งมายังสำนักงานใหญ่ แต่วิธีนั้มีข้อผิดพลาดได้เนื่องจากพนักงานขายบางคนเป็นผู้มองโลกในแง่ดีเกินไป หรือพนักงานขายมักจะรู้ดีว่ายอดขายของการพยากรณ์จะถูกใช้ในการกำหนดโควตาการขายจึงประมาณการไว้ต่ำ เพื่อทำยอดขายเกินเป้าได้ง่ายขึ้น และพนักงานขายบางคนไม่เข้าใจว่าอุปสงค์เป็นความต้องการที่มี “กำลังซื้อ” ของลูกค้าประกอบด้วย
1.2 ความคิดเห็นของผู้บริหาร ใช้พยากรณ์ผลิตภัณฑ์ใหม่ที่ยังไม่ออกสู่ท้องตลาดมาก่อน จึงใช้ความคิดเห็นของผู้บริหารที่มีประสบการณ์คนหนึ่งหรือหลายคนมาช่วยพยากรณ์และกำหนดกลยุทธ์ให้เหมาะสมกับสภาพแวดล้อม เช่น การนำผลิตภัณฑ์สู่ตลาดต่างประเทศ ข้อจำกัดของวิธีนี้ คือ มักใช้เวลาของกลุ่มผู้บริหารในการประชุมสรุปการพยากรณ์มากจึงเป็นวิธีที่มีค่าใช้จ่ายสูง และไม่ควรใช้ผู้บริหารฝ่ายใดฝ่ายหนึ่งพยากรณ์ตามลำพังโดยไม่ได้สรุปร่วมกับผู้บริหารฝ่ายอื่น เพราะผลของการพยากรณ์กระทบทุกฝ่ายขององค์การ
1.3 การวิจัยตลาด เป็นวิธีที่ต้องกระทำอย่างมีระบบโดยสร้างสมมติฐาน แล้วเก็บรวบรวมข้อมูลจากผู้ใช้ผลิตภัณฑ์เพื่อทำการพยากรณ์ การวิจัยตลาดต้องประกอบด้วยการออกแบบสอบถาม กำหนดวิธีการเก็บข้อมูล สุ่มตัวอย่างมาสัมภาษณ์ รวบรวมข้อมูลมาประมวลผลและวิเคราะห์ตามลำดับ วิธีนี้ใช้กับการพยากรณ์ในระยะสั้น ระยะปานกลาง และระยะยาวได้ แต่เป็นวิธีที่เสียค่าใช้จ่ายสูงและต้องพิถีพิถันในการปฏิบัติหลายขั้นตอน
1.4 วิธีเดลฟาย เป็นวิธีที่ประชุมกลุ่มผู้เชี่ยวชาญเฉพาะทางมีความรู้เกี่ยวกับผลิตภัณฑ์นั้น วิธีนี้จะใช้ได้ดีเมื่อไม่มีข้อมูลใดจะใช้พยากรณ์ได้และผู้บริหารขององค์การไม่มีประสบการณ์ในผลิตภัณฑ์นั้นเพียงพอ วิธีนี้จะเริ่มจากการส่งคำถามเวียนไปยังผู้เชี่ยวชาญหลายคนให้ตอบกลับมาแล้วทำเป็นรายงานส่งให้ผู้เชี่ยวชาญทุกคนได้อ่านข้อคิดเห็นของทุกคน เพื่อให้ทุกคนปรับปรุงแนวความคิดใหม่แล้วส่งกลับมาอีกทำซ้ำๆ หลายรอบจนได้ข้อสรุปยุติจากทุกคน ข้อเสียของวิธีนี้คือเสียเวลามาก (อาจเป็นปี) ผู้เชี่ยวชาญบางคนอาจยึดมั่นในความคิดของตนจนไม่สรุปกับข้อคิดเห็นของคนอื่น คำถามหรือแบบสอบถามที่ไม่มีทำให้สรุปยาก จึงใช้วิธีนี้กับผลิตภัณฑ์ใหม่ที่ไม่สามารถใช้วิธีอื่นได้
4.3.2 วิธีการพยากรณ์สาเหตุ (Causal Method) เป็นวิธีการที่ใช้เมื่อข้อมูลมีความสัมพันธ์ของตัวแปรหนึ่งกับยอดขาย ซึ่งตัวแปรนั้นจะเป็นปัจจัยภายในองค์การ เช่น ต้นทุนขาย หรือปัจจัยภายนอกองค์การ เช่น ต้นทุนโลจิสติกส์ของคู่แข่งก็ได้ ความสัมพันธ์ดังกล่าวจะมีลักษณะเป็นสมการเส้นตรง (Linear Regression) โดยมีตัวแปรหนึ่งเป็นตัวแปรตาม (Dependent Variable) กับอีกตัวแปรหนึ่งซึ่งเป็นตัวแปรอิสระ (Independent Variable) สัมพันธ์กันในลักษณะที่เมื่อตัวแปรอิสระเปลี่ยนแปลงแล้ว จะส่งผลให้ตัวแปรตามเปลี่ยนด้วย
ตัวอย่าง จงหาความสัมพันธ์ของยอดขายของสินค้าหนึ่ง (y) และต้นทุนโลจิสติกส์รวม (x) จากข้อมูลดังต่อไปนี้ (หน่วย : ล้านบาท)
ค่ายอดขายที่พยากรณ์ได้ คือ 183.015 ล้านบาท เป็นจุดค่าเฉลี่ยของยอดขาย (Point Estimate of Sale) ซึ่งเป็นค่าค่าเดียวจึงมีโอกาสจะเป็นค่าพยากรณ์ที่ถูกต้องแม่นยำน้อยมาก ถ้าหากถือว่าค่าพยากรณ์มีการกระจายแบบปกติ (Normal Curve) ซึ่งมีค่าระดับความเชื่อมั่นต่างๆกัน จะทำให้สามารถแสดงค่าพยากรณ์เป็นช่วงซึ่งมีโอกาสที่จะเป็นค่าพยากรณ์ที่ถูกต้องได้มากกว่าค่าค่าเดียว และมีความยืดหยุ่นในการนำไปใช้งานได้มากกว่าค่าค่าเดียว ดังต่อไปนี้
ตัวอย่าง จงหายอดขายเมื่อมีงบประมาณต้นทุนโลจิสติกส์ 1.75 ล้านบาท ในระดับความเชื่อมั่นที่ 95.5%
การวัดค่าสหสัมพันธ์ของตัวแปร อนึ่ง สมการเส้นตรง Yc = a + bx ควรถูกตรวจสอบความสัมพันธ์ระหว่าง x และ y ให้มั่นใจแน่นอนว่าตัวแปรทั้งสองนี้มีความสัมพันธ์กันอย่างแท้จริงเหมาะสมที่จะใช้พยากรณ์ได้โดยใช้
1.สัมประสิทธิ์สหสัมพันธ์ (Coefficient of Correlation) ใช้วัดทิศทางและระดับของความสัมพันธ์ระหว่าง x และ y
ค่าของ r จะอยู่ระหว่าง -1.00 ถึง +1.00 ถ้าค่าของ r เป็นบวกแสดงว่า x และ y มีความสัมพันธ์แปรตามกัน ถ้าค่าของ r เป็นลบแสดงว่า x และ y มีความสัมพันธ์แบบผกผัน คือ ถ้า x เพิ่มขึ้น y จะลดลง และถ้า x ลดลง y จะเพิ่มขึ้น ถ้าค่าของ r น้อยมากหรือเข้าใกล้ศูนย์ แสดงว่า x และ y ไม่มีความสัมพันธ์ต่อกัน
2.สัมประสิทธิ์การกำหนด (Coefficient of Determination) ใช้วัดอิทธิพลของตัวแปรอิสระที่มีต่อยอดขายพยากรณ์ โดยนำค่า r มายกกำลังสอง
ต้นทุนโลจิสติกส์และค่าโบนัสพนักงานขาย วิธีนี้จะมีการหาค่า a, b1 และ b2 ค่อนข้างซับซ้อน จึงขอไม่กล่าวถึงในที่นี้
ข้อดีของวิธีพยากรณ์สาเหตุ
1.ได้ค่าพยากรณ์เป็นช่วงที่จะนำไปใช้งานได้อย่างมีความยืดหยุ่นมากกว่าค่าพยากรณ์เดียว
2.สามารถพยากรณ์ยอดขายได้จากปัจจัยภายในและภายนอกองค์การที่เกี่ยวข้องกับผลการดำเนินงาน (ยอดขายและกำไร) จากการปฏิบัติงาน (ต้นทุนและค่าใช้จ่าย) ได้
ข้อจำกัดของวิธีพยากรณ์สาเหตุ
1.ต้องการข้อมูลจำนวนมากพอเพียงที่จะสรุปเป็นสมการได้ จึงทำให้มีค่าใช้จ่ายสูง
2.การคำนวณค่อนข้างยุ่งยาก ไม่เหมาะกับการพยากรณ์สำหรับธุรกิจที่มีสินค้าหลายชนิด
4.3.3 การพยากรณ์แบบอนุกรมเวลา (Time Series Method) เป็นวิธีการที่ใช้พยากรณ์ยอดขายในอนาคตโดยคาดว่าจะมีลักษณะเช่นเดียวกับยอดขายในปัจจุบันหรืออนาคต ยอดขายหรืออุปสงค์ในความเป็นจริงได้รับอิทธิพลจากแนวโน้ม (Trend) ฤดูกาล (Seasonal) วัฎจักร (Cycle) และเหตุการณ์ผิดปกติ (Irregular Variation)
การใช้อนุกรมเวลามี 3 วิธี คือ
1) การพยากรณ์อย่างง่าย (naïve Forecast) เป็นการพยากรณ์ว่ายอดขายในอนาคตจะเท่ากับยอดขายปัจจุบัน เช่น เดือนมกราคมขายได้ 35 กล่อง เดือนกุมภาพันธ์ควรจะขายได้ 35 กล่อง เช่นกัน ถ้าเดือนกุมภาพันธ์ขายได้จริง 42 กล่อง ก็จะพยากรณ์ว่าเดือนมีนาคมว่าขายได้ 42 กล่องเช่นกัน
การพยากรณ์อย่างง่ายอาจแสดงเป็นแนวโน้มของอุปสงค์ ดังนี้ ถ้าเดือนมกราคม ขายได้ 108 กล่อง เดือนกุมภาพันธ์ขายได้ 120 กล่อง จะพยากรณ์เดือนมีนาคมว่าขายได้ 120 + (120-180) เท่ากับ 132 กล่อง ถ้าเดือนมีนาคมขายได้จริง 127 กล่อง จะพยากรณ์เดือนมีนาคมว่าขายได้ 120+(127-120) = 134 กล่อง และใช้พยากรณ์ฤดูกาลว่าถ้าปีที่แล้วในช่วงเวลานี้ขายได้เท่าไร ปีนี้ก็น่าจะขายได้เท่านั้น
วิธีนี้ง่ายและมีค่าใช้จ่ายต่ำ แต่ใช้ได้ดีกรณีที่อิทธิพลต่างๆ ที่มีต่อยอดขายส่งผลสม่ำเสมอ เท่านั้น แต่ถ้ามีเหตุการณ์ผิดปกติเกิดขึ้นจะเกิดความคลาดเคลื่อนสูง
2) การหาค่าเฉลี่ยเคลื่อนที่ (Moving Average) เป็นการหาค่าเฉลี่ยของยอดขายโดยใช้จำนวนข้อมูล 3 ช่วงเวลาขึ้นไปในการคำนวณ เมื่อเวลาผ่านไป 1 ช่วงก็ใช้ข้อมูลใหม่มาเฉลี่ยแทนข้อมูลในช่วงเวลาไกลที่สุดซึ่งจะถูกตัดทิ้งไป
การพยากรณ์แบบค่าเฉลี่ยเคลื่อนที่ต้องรอเก็บข้อมูลอย่างน้อย 3 ช่วงเวลา ดังนั้นค่าพยากรณ์ที่ได้ค่าแรกคือของช่วงที่ 4 เช่นถ้าเริ่มเก็บข้อมูลยอดขายเดือนมกราคม ในเดือนกุมภาพันธ์ และมีนาคม ก็ยังพยากรณ์ไม่ได้ จะเริ่มพยากรณ์ได้เมื่อสิ้นเดือนมีนาคม โดยคำนวณค่าพยากรณ์ของเดือนเมษายนและใช้ค่านี้ทำการพยากรณ์เดือนพฤษภาคม โดยตัดยอดขายจริงของเดือนมกราคมที่อยู่ไกลที่สุดออกไป เอายอดขายจริงของเดือนเมษายนเข้าแทนที่แล้วคำนวณหาค่าเฉลี่ยเคลื่อนที่ซึ่งเป็นค่าพยากรณ์ของเดือนพฤษภาคมต่อไป
จำนวนข้อมูลที่ใช้อาจเป็นจำนวนคี่หรือคู่ก็ได้ ถ้ายอดขายมีลักษณะค่อนข้างคงที่ ก็ควรใช้ข้อมูลจำนวนมากหาค่าเฉลี่ยจึงจะได้ค่าพยากรณ์ที่ใกล้เคียงค่าจริงมากกว่า แต่ถ้ายอดขายมีการเปลี่ยนแปลงในช่วงสั้นๆ จะควรใช้ข้อมูลจำนวนน้อยหาค่าเฉลี่ยจึงจะให้ค่าพยากรณ์ที่ใกล้เคียงค่าจริงมากกว่า และถ้าหาค่าเฉลี่ย 12 เดือน จะขจัดอิทธิพลของฤดูกาลออกไปได้
ตัวอย่าง การพยากรณ์ยอดขายโดยใช้วิธีค่าเฉลี่ยเคลื่อนที่ 3
อย่างไรก็ดี ข้อมูลที่อยู่ในช่วงใกล้เวลาที่ต้องการพยากรณ์มักจะมีอิทธิพลกับค่าพยากรณ์มากกว่าข้อมูลที่อยู่ไกลออกไป จึงมีการหาค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนัก (Weighted Moving Average) ดังนี้
ตัวอย่าง จงพยากรณ์ยอดขายโดยวิธีค่าเฉลี่ยแบบถ่วงน้ำหนัก โดยใช้ข้อมูลในตัวอย่างข้างต้น ได้กำหนดให้การถ่วงน้ำหนักของค่าเฉลี่ยเคลื่อนที่ 3 เดือน เป็นดังนี้
ข้อดีของวิธีค่าเฉลี่ยเคลื่อนที่
1.เป็นวิธีที่ง่ายต่อการคำนวณและความเข้าใจ
ข้อเสียของวิธีค่าเฉลี่ยเคลื่อนที่
1.เสียเวลาและค่าใช้จ่ายในการหาข้อมูลค่อนข้างสูง
2.ค่าเฉลี่ยที่คำนวณจะได้แสดงทิศทางของยอดขายในอนาคตแต่ไม่ใกล้เคียงกับค่าจริง
แม้จะมีค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักให้ผลการพยากรณ์ที่ใกล้เคียงความจริงมากกว่า แต่วิธีคำนวณจะยุ่งยากและอาจผิดพลาดได้ง่าย จึงมีการจัดเป็นรูปสมการด้วยการปรับเรียบแบบเอ็กซ์โปเนนเชียล
3) การปรับเรียบด้วยเอ็กซ์โปเนนเชียล (Exponential Smoothing) เป็นการหาค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่จัดค่าพยากรณ์ออกมาในรูปการใช้สมการคำนวณ ซึ่งจะใช้ค่าข้อมูลเริ่มต้นค่าเดียวและถ่วงน้ำหนักโดยใช้สัมประสิทธิ์เชิงเรียบ ( ) ที่มีค่าอยู่ระหว่าง 0 ถึง 1.00
ในการคำนวณค่าเฉลี่ยเอ็กซ์โปเนนเชียล จะกำหนดให้ค่าพยากรณ์ค่าแรกเท่ากับค่าจริงของช่วงเวลาก่อนหน้านั้น 1 ช่วง (ซึ่งก็คือ การใช้หลักการเดียวกับการพยากรณ์อย่างง่ายนั้นเอง) จะเห็นได้ว่าการหาค่าเฉลี่ยเอ็กซ์โปเนนเชียลใช้ข้อมูลน้อยกว่าและได้ค่าพยากรณ์เร็วกว่าการหาค่าเฉลี่ยเคลื่อนที่ แต่ได้ค่าพยากรณ์ที่แม่นยำเท่ากับค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก
