เริ่มใช้ AI วางแผนสต๊อก: 4 ขั้นที่ SME ไทยทำได้จริง

Jul 30
2 min read

เจ้าของธุรกิจที่เราเข้าไปคุยด้วยเกือบทุกราย ตอบคำถามเดียวกันไม่ได้ นั่นคือ "ตอนนี้สินค้าตัวไหนกำลังจะจม และตัวไหนกำลังจะขาด" ไม่ใช่เพราะเขาไม่เก่ง แต่เพราะการวางแผนสต๊อกส่วนใหญ่ยังตั้งอยู่บนความรู้สึก จากงานที่ปรึกษาของ MuchRoom

เราประเมินว่าราว 7 ใน 10 ของ SME ไทยยังสั่งของด้วยวิธีนี้ (เป็นข้อสังเกตจากหน้างาน ไม่ใช่ผลวิจัย) และเกือบทั้งหมดมองไม่เห็นราคาที่ตัวเองจ่ายทุกเดือน ประสบการณ์สิบปีมีค่ามาก แต่ไม่มีทางแม่นเท่าข้อมูลยอดขายหมื่นแถวที่คุณเก็บไว้อยู่แล้ว

ค่าปรับ 3 ต่อ ที่ไม่มีใบเสร็จ

การเดาไม่ได้ทำให้ธุรกิจพังในวันเดียว แต่มันค่อยๆ เก็บค่าปรับสามทาง

เงินสดที่ถูกแช่แข็ง ทุกกล่องที่สั่งเกินคือเงินที่ถูกล็อกไว้ในคลัง ต้นทุนการถือครองสต๊อก (carrying cost) ทั้งดอกเบี้ย ค่าเช่าพื้นที่ และความเสี่ยงของตกรุ่น รวมกันมักอยู่ที่ราว 20-30% ของมูลค่าสินค้าต่อปี ซึ่งเป็นช่วงมาตรฐานสากล แปลว่าของค้างมูลค่าหนึ่งแสนบาท กินเงินคุณปีละสองถึงสามหมื่น
ยอดขายที่หายตอนของขาด เมื่อสั่งผิดตัวจนสินค้าขายดีขาดมือ ลูกค้าไม่ได้รอ เขาเดินไปร้านตรงข้าม และบางรายไม่กลับมาอีกเลย ต้นทุนก้อนนี้ไม่เคยโผล่ในงบการเงิน แต่มันคือการค่อยๆ สอนลูกค้าประจำว่า "ร้านนี้พึ่งไม่ได้"
เวลาของคุณเอง การนั่งเดาทุกสัปดาห์ว่าจะสั่งอะไรเท่าไหร่ คือเวลาที่ควรเอาไปดูแลลูกค้ารายใหญ่ แต่หมดไปกับงานที่เครื่องทำแทนได้ดีกว่า

คนมักคิดว่า "ของขาด" แก้ด้วยการ "สั่งเยอะขึ้น" ความจริงคือร้านที่แทบไม่เคยของขาด ไม่ได้สต๊อกเยอะกว่าคุณ เขาแค่สต๊อกถูกตัวในจังหวะที่ถูก

Excel ทำอะไรไม่ได้บ้าง

Excel ไม่ใช่ผู้ร้าย มันยอดเยี่ยมสำหรับ เก็บและแสดงข้อมูล ปัญหาคือเราเอามันไปทำงานที่ไม่ได้ถูกออกแบบมา นั่นคือ ตัดสินใจแทนเรา

แยกฤดูกาลออกจากเทรนด์ไม่ได้

ยอดที่พุ่งขึ้นมีสองแบบที่ต้องสั่งของไม่เหมือนกัน แบบแรกขึ้นเพราะเทศกาลอย่างสงกรานต์ ปีใหม่ หรือช่วงเงินเดือนออก ซึ่งเดี๋ยวก็ลง อีกแบบขึ้นเพราะสินค้าฮิตจริงและจะขึ้นต่อ Excel

เก็บตัวเลขทั้งสองแบบได้ครบ แต่ไม่บอกว่าอันไหนเป็นอันไหน สมองคนก็เหมือนกัน เราจำได้แค่ว่า "ปีที่แล้วช่วงนี้ขายดี" แต่แยกไม่ออกว่าเพราะเทศกาล เพราะโปรโมชั่น หรือแค่บังเอิญ

ตั้ง safety stock ให้พอดีไม่ได้

Excel ให้คำตอบเป็นตัวเลขเดียวเสมอ เช่น "เฉลี่ย 100 ชิ้น" แต่การตั้งสต๊อกกันเหนียวที่พอดีต้องรู้ว่าความผันผวนกว้างแค่ไหน โมเดลที่ดีจะบอกว่ามีโอกาสราว 90% ที่จะขายระหว่าง 85-115 ชิ้น ช่วงตัวเลขนี้แหละที่ทำให้กันเหนียวได้พอดี

รับมือ lead time ที่ไม่นิ่งไม่ได้

สูตรใน Excel มักตั้ง lead time ไว้ค่าเดียวตายตัว ทั้งที่ซัพพลายเออร์เจ้าเดียวกันอาจส่งของ 5 วันบ้าง 12 วันบ้าง ขึ้นกับช่วงเทศกาลหรือของขาดต้นทาง ความแปรปรวนตรงนี้คือสาเหตุอันดับต้นๆ ของการขาดมือที่คนมองข้าม

จัดกลุ่ม ABC แล้วอัปเดตเองไม่ได้

หลัก ABC analysis บอกว่าสินค้ากลุ่ม A ซึ่งมีไม่กี่ชนิด มักสร้างยอดขายราว 70-80% ของทั้งหมด กลุ่มนี้ต้องแม่นที่สุดเพราะพลาดทีเจ็บที่สุด ส่วนกลุ่ม C ใช้กฎง่ายๆ ก็พอ แต่ตัวที่เคยเป็น A อาจกลายเป็น B ในหกเดือน ถ้าต้องมาจัดกลุ่มใหม่เองทุกไตรมาส สุดท้ายก็ไม่มีใครทำ

สรุปคือ Excel เก็บตัวแปรได้ครบ แต่อ่านความสัมพันธ์ระหว่างตัวแปรห้าหกตัวพร้อมกันไม่ไหว ส่วน AI ไม่ได้เดาอนาคต มันแค่หา pattern ที่ซ่อนในข้อมูลของเราเอง เช่น

"ทุกครั้งที่เงินเดือนออก บวกอากาศร้อน บวกมีโปรโมชั่น ยอดกลุ่มนี้จะพุ่งราว 40%" และทุกครั้งที่พยากรณ์พลาดก็ปรับสูตรตัวเองอัตโนมัติ ขณะที่ Excel รอให้เราไปแก้เอง

4 ขั้นเริ่มใช้ AI วางแผนสต๊อก

ข่าวดีคือไม่ต้องซื้อระบบหลักล้าน และไม่ต้องรื้อวิธีทำงานเดิมทิ้ง สี่ขั้นนี้เริ่มได้จากข้อมูลที่คุณมีอยู่แล้ว

ขั้นที่ 1 ทำข้อมูลยอดขายให้สะอาด

ขั้นที่คนข้ามบ่อยที่สุด และเป็นเหตุผลหลักที่หลายเจ้าลองใช้ AI แล้วไม่เวิร์ค รวบรวมยอดขายรายสินค้าย้อนหลังอย่างน้อย 12 เดือน แล้วไล่เช็คว่าไม่มีชื่อสินค้าซ้ำซ้อน ไม่มีช่วงวันที่หายไป ไม่มียอดติดลบแปลกๆ หลัก "ขยะเข้า ขยะออก" ใช้ได้เสมอ

ขั้นที่ 2 แยกสินค้าด้วยหลัก ABC

อย่าเพิ่งเอา AI ไปจับสินค้าทุกตัวพร้อมกัน มันเปลืองแรงเปล่า แบ่งก่อนว่าตัวไหนคือกลุ่ม A ที่สร้างยอดขายส่วนใหญ่ แล้วทุ่มความแม่นยำไปที่ตัวที่คุ้มก่อน

ขั้นที่ 3 เริ่มจากเครื่องมือฟรีหรือที่มีอยู่แล้ว

ปี 2026 มีเครื่องมือพยากรณ์ยอดขายให้ทดลองฟรีหลายตัว และหลายครั้งระบบ POS หรือโปรแกรมบัญชีที่คุณจ่ายอยู่ทุกเดือนก็มีฟังก์ชันพยากรณ์ในตัวที่ยังไม่เคยเปิดใช้ ลองเริ่มจากสินค้ากลุ่ม A แค่ 5-10 ตัว แล้วเทียบว่ามันทายแม่นกว่าที่คุณสั่งเองไหม

ขั้นที่ 4 วัดผลด้วยตัวเลขเดียวก่อน แล้วค่อยขยาย

อย่าเพิ่งวัดทุกอย่างพร้อมกัน เลือก KPI เดียวที่เห็นผลชัด เช่นอัตราของขาด หรือจำนวนวันที่สต๊อกจม วัดก่อนใช้หนึ่งเดือน แล้ววัดหลังใช้อีกหนึ่งเดือน ถ้าดีขึ้น คุณมีหลักฐานไปขยายผลต่อ ถ้ายังไม่ดีขึ้น ให้กลับไปดูขั้นที่ 1 กับดักที่ต้องระวังที่สุดคือกระโดดไปซื้อระบบแพงตั้งแต่ยังไม่ทำขั้นที่ 1

ระบบ WMS ที่มี AI ต่างจาก Excel ตรงไหน

เมื่อผ่านการทดลองแล้วอยากขยับไปใช้ระบบจริงจัง คำตอบไม่ได้อยู่ที่หน้าตาโปรแกรม แต่อยู่ที่ ความรู้อยู่ที่ใคร Excel บวกความจำคน ข้อมูลจะนิ่ง ต้องมีคนเปิดมาดูและตีความเอง มันบอกได้แค่ว่าตอนนี้มีของเท่าไหร่ แต่ไม่บอกว่าควรทำอะไรต่อ ส่วนระบบที่มี AI

จะเทียบสต๊อกกับยอดขายและ lead time ตลอดเวลา แล้วเด้งเตือนเองว่าตัวไหนถึงจุดต้องสั่ง ตอบไม่ใช่แค่ "มีเท่าไหร่" แต่ตอบว่า "ควรสั่งอะไร เท่าไหร่ เมื่อไหร่" ความรู้จึงย้ายจากหัวคนคนเดียวมาอยู่ในระบบที่ใครก็อ่านต่อได้ พูดสั้นๆ คือ Excel รอให้เราถาม ส่วน AI คอยบอกเราก่อน

ปีที่ผ่านมาเราทำงานกับเจ้าของร้านวัสดุก่อสร้าง 3 สาขาท่านหนึ่ง พี่เขาจำได้หมดว่าตัวไหนใกล้หมด ตัวไหนขายดี แต่ความเก่งทั้งหมดอยู่ในหัวคนเดียว วันไหนพี่เขาป่วยหรือไปดูสาขาอื่น สต๊อกที่ร้านหลักก็เหมือนขาดกัปตัน พี่เขาบอกเราว่า "ผมลาหยุดไม่ได้เลย เพราะระบบสต๊อกมันอยู่ในหัวผม ไม่ได้อยู่ในคอมพิวเตอร์"

ร้านที่ไม่เคยของขาด ทำอะไรต่างออกไป

หัวใจอยู่ที่ จุดสั่งซื้อ (reorder point) คือระดับสต๊อกที่พอแตะเมื่อไหร่ต้องสั่งเพิ่มทันที ร้านทั่วไปกะจุดนี้ด้วยความรู้สึกว่า "ชักจะน้อยแล้ว" ซึ่งสายไปเกือบทุกครั้ง จุดสั่งซื้อที่ดีคิดจากสามอย่างพร้อมกัน คือยอดขายเฉลี่ยต่อวัน lead time ของสินค้าตัวนั้น และสต๊อกกันเหนียว

ตัวอย่างเช่น สินค้าขายเฉลี่ยวันละ 10 ชิ้น lead time 5 วัน แปลว่าระหว่างรอของเราจะขายไปอีกราว 50 ชิ้น พอสต๊อกเหลือแตะ 50 บวกกันเหนียวอีกนิด ต้องสั่งทันที ไม่ใช่รอให้เหลือ 5 ชิ้นแล้วค่อยตกใจ

ปัญหาคือถ้ามีสินค้า 200 ตัว จะให้นั่งคิดเลขนี้ทีละตัวทุกวันก็ไม่ไหว นี่คือจุดที่ระบบเข้ามาช่วย มันคำนวณจุดสั่งซื้อทุกตัวให้อัตโนมัติ แล้วเตือนเฉพาะตัวที่ถึงเวลาสั่งจริงๆ มีรายงานปี 2026 ระบุว่า SME ที่เปลี่ยนมาใช้ AI จัดการสต๊อก ลดปัญหาทั้งของขาดและของล้นรวมกันได้ถึงราว 75%

กลับมาที่พี่เจ้าของร้านวัสดุก่อสร้าง หลังย้ายความรู้จากหัวมาไว้ในระบบ สิ่งที่เปลี่ยนไม่ใช่แค่ของขาดน้อยลง แต่คือครั้งแรกในรอบหลายปีที่พี่เขาพาครอบครัวไปเที่ยวได้ 5 วัน โดยที่ทั้ง 3

สาขายังสั่งของถูกต้อง อีกเคสที่เจอบ่อยคือร้านที่คลังแน่นเอี้ยดแต่แน่นไปด้วยของผิดตัว พอให้ระบบคำนวณจุดสั่งซื้อให้ คลังกลับโล่งลง ขณะที่ประโยค "ของหมดค่ะ" หายไปจากปากพนักงานเกือบหมด

ทั้งนี้เจ้าของไม่ได้หมดความสำคัญ คุณยังต้องบอกระบบว่าตัวไหนคือพระเอกของร้านที่ห้ามขาด AI แค่รับงานคำนวณที่น่าเบื่อไปทำแทน

เริ่มยังไงถ้าข้อมูลยังไม่พร้อม

คำถามที่เจอบ่อยที่สุดคือ "ถ้ายังไม่มีข้อมูลครบ จะเริ่มได้ไหม" คำตอบคือได้ และควรเริ่มจากตรงนั้น

เริ่มบันทึกวันนี้ ไม่ต้องรอย้อนหลัง ถ้ายังไม่มีข้อมูล 12 เดือน ให้เริ่มบันทึกยอดขายรายวันรายสินค้าตั้งแต่วันนี้ อีกสามเดือนก็เริ่มเห็นแนวโน้ม
เก็บ lead time จริงของทุกใบสั่งซื้อ แค่จดวันที่สั่งกับวันที่ของถึง คุณก็จะรู้ว่าซัพพลายเออร์แต่ละเจ้าช้าเร็วและผันผวนแค่ไหน ข้อมูลนี้แทบไม่มีใครเก็บ
ทำ ABC ด้วยมือครั้งแรก เรียงสินค้าตามยอดขายจากมากไปน้อย แล้วลากเส้นที่ 80% แรก จากนั้นเลือกตัวนำร่อง 5-10 ตัวที่ขาดบ่อยหรือจมบ่อย อย่าเริ่มทั้งคลัง
ตั้งตัวเลขฐานไว้เปรียบเทียบ จดไว้ว่าเดือนนี้ของขาดกี่ครั้ง สต๊อกมูลค่าเท่าไหร่ ไม่มีตัวเลขฐาน คุณจะพิสูจน์ไม่ได้ว่าได้ผลจริง

ไม่มีข้อไหนต้องใช้เงินก้อน ทุกข้อคือการสร้างวินัยเรื่องข้อมูล

สรุป และก้าวต่อไป

AI ไม่ใช่หมอดู มันคือเครื่องคิดเลขที่มองหลายมิติพร้อมกันในจุดที่สายตาเรามองไม่ทัน หน้าที่ของมันคือเอาความรู้สึกของเรามาเช็คกับข้อมูลจริง สัญชาตญาณเจ้าของยังสำคัญเสมอ แต่ควรอยู่ในตำแหน่ง "คนตัดสินใจขั้นสุดท้าย" ไม่ใช่ "คนคำนวณ" เองทั้งหมด

ลองทดสอบตัวเองด้วยคำถามนี้ครับ ถ้าพรุ่งนี้คุณหยุดงานกะทันหัน สต๊อกร้านคุณยังตัดสินใจถูกไหม ถ้าคำตอบคือไม่ แปลว่าระบบยังอยู่ในหัวคุณ ไม่ได้อยู่ในระบบ

ถ้าอยากประเมินว่าข้อมูลสต๊อกของธุรกิจคุณพร้อมให้ AI ช่วยพยากรณ์แค่ไหน หรือควรเริ่มจากขั้นไหนก่อน ทีม MuchRoom Consultancy ยินดีชวนคุยเป็นแนวทางให้ครับ