Demand Forecasting ฉบับ SME: พยากรณ์ยอดขายด้วยข้อมูลที่คุณมีอยู่

Jul 30
2 min read

เจ้าของธุรกิจทุกคนพยากรณ์ยอดขายอยู่แล้ว ต่างกันแค่ว่าพยากรณ์จากความรู้สึกหรือจากข้อมูล ทุกครั้งที่คุณตัดสินใจว่าเดือนหน้าจะสั่งของเท่าไหร่ นั่นคือการทำ forecast ไปแล้วโดยไม่รู้ตัว

ปัญหาคือหลายธุรกิจยังเดาแบบไม่มีหลักยึด แล้วแปลกใจทุกครั้งที่ของขาดตอนลูกค้าอยากซื้อ หรือของค้างเต็มโกดัง บทความนี้สรุปให้ครบว่า Demand Forecasting คืออะไร วิธีที่ SME ทำเองได้มีอะไรบ้าง AI กับคนใครควรตัดสิน และทำไม forecast ถึงยังพลาดได้

Demand Forecasting คืออะไร และไม่ใช่อะไร

Demand Forecasting หรือการพยากรณ์ความต้องการ คือการเอาข้อมูลที่ธุรกิจมีอยู่แล้วมาประเมินว่าอนาคตน่าจะหน้าตาเป็นอย่างไร เพื่อให้ตัดสินใจล่วงหน้าได้ดีขึ้น เท่านั้นเอง

สิ่งที่ต้องเข้าใจตั้งแต่ต้นคือ forecast ไม่ใช่การทายให้ถูก 100% แต่คือการเดาอย่างมีข้อมูลรองรับ เปรียบเหมือนการพยากรณ์อากาศ นักอุตุนิยมวิทยาไม่ได้มองฟ้าแล้วเดา

แต่เอาความกดอากาศ ความชื้น และทิศทางลมมาประมวลผล แล้วสรุปว่าโอกาส 70% ที่ฝนจะตก ตัวเลขนั้นไม่การันตีอะไร แต่มันเปลี่ยนพฤติกรรมคุณได้ คุณหยิบร่มติดรถไป

ที่สำคัญพอกันคือ forecast ไม่ใช่เรื่องของบริษัทใหญ่ที่ต้องมี Data Scientist ประจำ ไม่ต้องซื้อระบบ ERP หลักล้านก่อนถึงจะเริ่มได้ และไม่ต้องรอให้ข้อมูลสมบูรณ์แบบ ร้านเสื้อผ้าออนไลน์ที่มีพนักงานสองคน หรือโรงงานเล็กที่ยังใช้ Excel ก็เริ่มได้ตั้งแต่สัปดาห์นี้

ในบริบท SME การพยากรณ์มีไว้ตอบคำถามที่คุณเจอทุกเดือนอยู่แล้ว

เดือนหน้าควรสั่งของเพิ่มไหม มากแค่ไหนถึงจะไม่ขาดไม่ล้น
ช่วงไหนของปีต้องจ้างคนเสริม และควรเริ่มหาคนเมื่อไหร่
สินค้าตัวไหนกำลังหมดกระแส ควรระบายก่อนกลายเป็น dead stock
ยอดขายปีนี้กำลังโตหรือชะลอ ต้องเตรียมกระแสเงินสดเท่าไหร่

คำถามพวกนี้ไม่ต้องการทีมวิเคราะห์ ต้องการแค่ข้อมูลที่บันทึกสม่ำเสมอ และสายตาที่มองให้เห็นรูปแบบซ้ำๆ

4 วิธีพยากรณ์ที่ SME ใช้ได้จริง

ทั้งสี่วิธีทำได้ด้วย Excel หรือ Google Sheets ที่คุณมีอยู่แล้ว ต่างกันแค่ว่าแต่ละวิธีเหมาะกับสถานการณ์คนละแบบ

1. Moving Average สำหรับสินค้าที่ยอดขายค่อนข้างนิ่ง

Moving Average หรือค่าเฉลี่ยเคลื่อนที่ คือการหาค่าเฉลี่ยยอดขาย 3-4 เดือนล่าสุดมาตั้งเป็นฐานการสั่งของเดือนถัดไป เช่น สามเดือนที่ผ่านมาขายได้ 80, 90 และ 100 ชิ้น ค่าเฉลี่ยคือ 90 ชิ้น แล้วบวก safety stock อีก 10-15% เผื่อความผันผวน

เหมาะเมื่อไหร่: สินค้าที่ขายสม่ำเสมอทั้งปี ไม่ผูกกับเทศกาล เช่น ของใช้ในบ้านหรือวัตถุดิบพื้นฐาน ข้อดีคือใช้สูตร AVERAGE ตัวเดียวจบ ข้อจำกัดคือจะตามหลังเมื่อยอดขายเปลี่ยนทิศทางเร็ว

2. Seasonality Mapping สำหรับธุรกิจที่ผูกกับฤดูกาล

ดึงยอดขายย้อนหลัง 12 เดือนออกมา แล้วคำนวณว่าแต่ละเดือนสูงหรือต่ำกว่าค่าเฉลี่ยกี่เปอร์เซ็นต์ ถ้าธันวาคมสูงกว่าค่าเฉลี่ย 40% ทุกปี ปีนี้ก็ควรวางแผนสั่งเพิ่มล่วงหน้า ไม่ใช่รอให้ของหมดก่อนค่อยโทรหาซัพพลายเออร์

เหมาะเมื่อไหร่: ร้านของขวัญ อุปกรณ์การเรียน ร้านอาหารในแหล่งท่องเที่ยว หรือธุรกิจที่ยอดขึ้นลงตามเทศกาลชัดเจน ข้อควรระวังคือต้องมีข้อมูลอย่างน้อยหนึ่งรอบปีเต็ม และถ้าปีที่แล้วมีเหตุการณ์ผิดปกติ ต้องตัดออกก่อน

3. ให้ AI ช่วยอ่านข้อมูล สำหรับคนที่ไม่ถนัดสูตร

คัดลอกยอดขายรายเดือน 12 เดือนไปวางใน Claude หรือ ChatGPT แล้วถามตรงๆ ว่าช่วงไหนของปียอดขายสูงสุด แนวโน้มขึ้นหรือลง และเดือนถัดไปน่าจะอยู่ประมาณเท่าไหร่ คุณจะได้คำอธิบายเป็นภาษาคนกลับมาในไม่กี่วินาที

เหมาะเมื่อไหร่: ตอนสำรวจข้อมูลรอบแรก หรือเมื่อต้องอธิบายตัวเลขให้ทีมฟัง ข้อควรระวังคืออย่าใส่ข้อมูลลูกค้าที่ระบุตัวตนได้ และอย่าเชื่อตัวเลขโดยไม่ตรวจสอบ

4. ABC Analysis สำหรับร้านที่มีสินค้าเยอะจนทำไม่ไหว

ABC Analysis คือการแบ่งสินค้าเป็นสามกลุ่ม กลุ่ม A คือสินค้าราว 20% ที่สร้างยอดขายราว 80% กลุ่ม B คือสินค้ากลางๆ และกลุ่ม C คือสินค้าที่ขายช้า แล้วทำ forecast ละเอียดเฉพาะกลุ่ม A กลุ่ม B ใช้ค่าเฉลี่ยพอ ส่วนกลุ่ม C สั่งทีละน้อยไว้ก่อน

เหมาะเมื่อไหร่: ร้านที่มีสินค้าหลายร้อย SKU และเจ้าของไม่มีเวลานั่งวิเคราะห์ทีละตัว เพราะแรงที่ลงไปจะตกอยู่กับสินค้าที่มีผลต่อกำไรจริง

ธุรกิจส่วนใหญ่ใช้ ABC จัดลำดับก่อน แล้วค่อยใช้ Moving Average หรือ Seasonality กับสินค้ากลุ่มบนสุด

AI กับคน ใครพยากรณ์แม่นกว่า

คำตอบที่ตรงที่สุดคือ ไม่ใช่ทั้งสองอย่าง แต่เป็นการใช้ร่วมกัน ในช่วงปี 2024-2025 มีการทดลองเปรียบเทียบวิธีพยากรณ์ในธุรกิจค้าปลีกหลายชิ้น ที่แบ่งกลุ่มเป็นผู้เชี่ยวชาญล้วน AI ล้วน และ AI ที่มีคนรีวิวก่อนใช้จริง ผลสอดคล้องกันคือกลุ่มที่สามชนะ

AI ได้เปรียบตรงไหน

AI เหนือกว่าคนชัดเจนเมื่อข้อมูลเยอะ สินค้าหลายพันรายการย้อนหลังหลายปี AI ประมวลผลเสร็จในไม่กี่วินาที ขณะที่คนใช้เวลาเป็นวัน อีกเรื่องคือการหารูปแบบที่สายตาคนมองไม่เห็น เช่น สินค้าบางตัวขายดีขึ้นทุกครั้งที่อุณหภูมิเกิน 35 องศา

คนได้เปรียบตรงไหน

คนเหนือกว่าในเรื่องที่ไม่เคยถูกบันทึกลงตาราง ซึ่งเรียกกันว่า unstructured information หรือข้อมูลที่ไม่ได้จัดระเบียบเป็นตัวเลข คุณรู้ว่าคู่แข่งกำลังจะเปิดสาขาใหม่ใกล้ร้าน

รู้ว่าซัพพลายเออร์หลักมีปัญหาการผลิต รู้ว่าเทศกาลปีนี้จัดคนละสเกลกับปีที่แล้ว ข้อมูลเหล่านี้กระทบยอดขายโดยตรง แต่ AI ไม่มีทางรู้ถ้าคุณไม่บอก

คำตอบคือให้ทั้งสองทำคนละหน้าที่

รูปแบบที่ได้ผลดีที่สุดเรียกว่า human-in-the-loop คือให้ AI ผลิตตัวเลขพื้นฐานก่อน แล้วมีคนที่เข้าใจธุรกิจปรับด้วยดุลยพินิจก่อนนำไปใช้จริง สรุปสั้นๆ คือ AI ทำตัวเลข คนใส่บริบท คำถามจึงไม่ใช่ว่าจะเลือก AI หรือคน แต่คือจะออกแบบขั้นตอนทำงานอย่างไรให้ทั้งสองเสริมกัน

3 ความเชื่อผิดที่ทำให้ SME เริ่มช้าและเลิกเร็ว

ความเชื่อที่ 1 ต้องมีข้อมูลเยอะมากถึงจะ forecast ได้ คุณภาพข้อมูลสำคัญกว่าปริมาณเสมอ ข้อมูล 12 เดือนที่บันทึกครบและสะอาด ให้ผลแม่นกว่าข้อมูล 5

ปีที่มีช่องโหว่และปนยอดคืนของ เหมือนทำอาหาร วัตถุดิบสด 5 อย่างทำอาหารอร่อยได้ แต่วัตถุดิบเสีย 50 อย่างก็ช่วยอะไรไม่ได้ ความจริงคือยอดขายที่บันทึกครบเพียง 6 เดือนก็เริ่มได้แล้ว

ความเชื่อที่ 2 AI forecast แม่นกว่าคนเสมอ AI คือเครื่องคำนวณที่เร็วมาก แต่คุณคือคนตัดสินใจ การยกการตัดสินใจให้ตัวเลขทั้งหมด คือการทิ้งข้อได้เปรียบที่คุณมี นั่นคือความเข้าใจธุรกิจของตัวเอง

ความเชื่อที่ 3 ถ้า forecast ผิด แปลว่าระบบแย่ นี่คือความเชื่อที่อันตรายที่สุด เพราะทำให้คนเลิกใช้เร็วเกินไป ความจริงคือ forecast ไม่มีทางถูก 100% ไม่ว่าจะจ่ายเงินให้ระบบแพงแค่ไหน เพราะอนาคตมีตัวแปรที่ควบคุมไม่ได้เสมอ เกณฑ์วัดที่ถูกต้องไม่ใช่ถูกหรือผิด

แต่คือมันช่วยให้ตัดสินใจดีกว่าการเดาหรือเปล่า ถ้า forecast บอกว่าจะขายได้ 100 ชิ้น แล้วขายจริง 85 ชิ้น ก็ยังดีกว่าสั่งมา 200 ชิ้นเพราะไม่มีข้อมูลอะไรเลย ความแม่นยำวัดเป็นเปอร์เซ็นต์ความคลาดเคลื่อน ไม่ใช่ผ่านหรือไม่ผ่าน และธุรกิจระดับโลกจำนวนมากยังยอมรับความคลาดเคลื่อน 10-15% ว่าดีพอสำหรับการตัดสินใจ

ทำไม AI Forecast ถึงพลาด และรับมืออย่างไร

เคสหนึ่งที่เจอเมื่อไม่นานมานี้ เจ้าของร้านขายของชำใช้ AI ช่วยวางแผนการสั่งของ ผลลัพธ์ดูสมเหตุสมผลทุกบรรทัด แต่พอถึงเวลาจริง ของที่ AI บอกว่าน่าจะขายดีกลับค้างในโกดัง ส่วนของที่ไม่ได้แนะนำกลับหมดก่อนสิ้นเดือน ปัญหาไม่ได้อยู่ที่ AI แต่อยู่ที่สิ่งที่ป้อนเข้าไปและวิธีใช้ผลลัพธ์

สาเหตุที่ 1 คุณภาพข้อมูล

วงการข้อมูลมีคำว่า GIGO ย่อจาก Garbage In, Garbage Out หรือขยะเข้าขยะออก AI ไม่ได้รู้อะไรด้วยตัวเอง มันแค่หารูปแบบจากสิ่งที่คุณป้อนให้ ปัญหาที่เจอบ่อยคือยอดขายเงินสดบันทึกไม่ครบ ยอดคืนของปนกับยอดขาย และช่วงที่ร้านปิดไม่ได้ระบุไว้ ทำให้ AI เข้าใจว่าเดือนนั้นขายไม่ดี

วิธีรับมือคือตรวจสุขภาพข้อมูลก่อนใช้เสมอ บันทึกให้ครบทุกช่องทาง แยกยอดคืนของออก และระบุวันหยุดให้ชัด ใช้เวลาไม่กี่ชั่วโมงแต่เปลี่ยนคุณภาพผลลัพธ์ทั้งหมด

สาเหตุที่ 2 เหตุการณ์ที่ไม่เคยเกิดมาก่อน

AI เก่งกับรูปแบบที่เกิดซ้ำ แต่อ่อนมากกับเหตุการณ์ที่เกิดครั้งเดียวแล้วถูกจำว่าเป็นเรื่องปกติ สมมติปีหนึ่งมีน้ำท่วมใหญ่ ยอดขายบางกลุ่มพุ่งผิดปกติ AI

จะจำว่าเดือนนั้นขายดี แล้วทำนายซ้ำในปีถัดไป ทั้งที่น้ำท่วมไม่ได้มาทุกปี ค่าผิดปกติแบบนี้เรียกว่า outlier ถ้าไม่จัดการก่อน มันจะถูกดูดเข้าไปเป็นบทเรียนของโมเดล

วิธีรับมือคือทำเครื่องหมายกำกับช่วงพิเศษไว้ในข้อมูล ทั้งน้ำท่วม โปรโมชั่นใหญ่ หรือเทศกาลที่จัดผิดปกติ เพื่อบอกให้ชัดว่านั่นไม่ใช่ภาพปกติของธุรกิจ

สาเหตุที่ 3 ไม่มีคนรีวิวก่อนใช้

ข้อจำกัดที่สำคัญที่สุดคือ AI ไม่รู้บริบทที่อยู่ในหัวคุณ ทั้งเรื่องคู่แข่งเปิดสาขาใหม่ ซัพพลายเออร์แจ้งว่าวัตถุดิบจะขาด หรือมีอีเวนต์ใหญ่เข้าพื้นที่ สิ่งเหล่านี้ไม่ได้อยู่ในไฟล์ไหน

วิธีรับมือคือใช้ AI เป็นจุดเริ่มต้น ไม่ใช่คำตอบสุดท้าย ตั้งเป็นขั้นตอนประจำว่าทุกครั้งที่ได้ตัวเลขมา ต้องมีคนหน้างานอ่านและปรับก่อนสั่งของจริง ใช้เวลาเพิ่มไม่ถึงสามสิบนาที แต่ป้องกันความผิดพลาดหลักหมื่นหลักแสนได้

สรุปและก้าวแรกที่ทำได้สัปดาห์นี้

Demand Forecasting ไม่ใช่เรื่องของบริษัทใหญ่อีกต่อไป และไม่ต้องรอให้ข้อมูลสมบูรณ์แบบ ถ้าจะเริ่มสัปดาห์นี้ ให้ทำสามอย่างตามลำดับ

จัดข้อมูลยอดขายย้อนหลัง 6-12 เดือนให้ครบและสะอาด แยกยอดคืนของ ระบุวันปิดร้าน
ใช้ ABC Analysis คัดว่าสินค้าตัวไหนคุ้มกับการ forecast ละเอียด แล้วเลือกวิธีให้ตรงกับลักษณะสินค้า
ตั้งรอบรีวิวประจำเดือน ให้คนหน้างานปรับตัวเลขด้วยบริบทที่ระบบไม่รู้ ก่อนตัดสินใจสั่งของ

เป้าหมายไม่ใช่การทำนายให้แม่น 100% แต่คือการลดความผิดพลาดให้เหลือน้อยที่สุด ด้วยข้อมูลที่ดีและความเข้าใจธุรกิจที่ AI ยังทดแทนไม่ได้

ถ้าข้อมูลที่มีอยู่ยังกระจัดกระจาย หรือไม่แน่ใจว่าจะเริ่มตรงไหนให้เหมาะกับธุรกิจตัวเอง ทีม MuchRoom Consultancy ยินดีคุยด้วย เราช่วย SME ไทยจัดระบบข้อมูลและวางกระบวนการพยากรณ์ที่ใช้ได้จริงกับหน้างาน ทักมาเล่าให้ฟังได้ว่าตอนนี้ติดอยู่ตรงไหน