550 likes | 1.21k Views
CHAPTER 3. การพยากรณ์ (Forecasting). ความหมายและความสำคัญของการพยากรณ์ ( Defining Forecasting). การพยากรณ์ คือ การคาดการณ์ถึงสิ่งใดสิ่งหนึ่งที่จะเกิดขึ้นในช่วงเวลาในอนาคต และนำค่าพยากรณ์ที่ได้นั้นมาใช้ประโยชน์ เพื่อการตัดสินใจใดๆ โดยแบ่งตามหน้าที่หลักๆ ที่เกี่ยวข้องดังนี้
E N D
CHAPTER 3 การพยากรณ์ (Forecasting)
ความหมายและความสำคัญของการพยากรณ์ (Defining Forecasting) การพยากรณ์ คือ การคาดการณ์ถึงสิ่งใดสิ่งหนึ่งที่จะเกิดขึ้นในช่วงเวลาในอนาคต และนำค่าพยากรณ์ที่ได้นั้นมาใช้ประโยชน์ เพื่อการตัดสินใจใดๆ โดยแบ่งตามหน้าที่หลักๆ ที่เกี่ยวข้องดังนี้ 1)ด้านการเงินและการบัญชี (Finance) : เป็นข้อมูลพื้นฐานในการจัดทำงบประมาณการขาย เพื่อจัดสรรทรัพยากรให้ทุกส่วนขององค์การ อย่างทั่วถึงและเหมาะสม 2)ด้านการตลาด (Marketing): ใช้กำหนดโควตาการขายของพนักงาน หรือนำไปสร้างเป็นยอดขายของแต่ละผลิตภัณฑ์ เพื่อใช้ในการควบคุมกิจกรรมของฝ่ายขายและฝ่ายการตลาด
ความหมายและความสำคัญของการพยากรณ์ (Defining Forecasting) 3)ด้านการผลิต (Operation):นำมาใช้เป็นข้อมูลในการดำเนินการต่างๆ ในฝ่ายการผลิตคือการบริหารสินค้าคงคลังและการจัดซื้อ การบริหารแรงงาน การกำหนดกำลังการผลิต การเลือกทำเลที่ตั้งสำหรับการผลิต คลังเก็บสินค้า หรือศูนย์กระจายสินค้า การวางแผนผังกระบวนการการผลิตและการจัดตารางการผลิต
องค์ประกอบของการพยากรณ์ที่ดี (Elements of a Good Forecast) ระบุวัตถุประสงค์ในการนำผลการพยากรณ์ไปใช้ และช่วงเวลาที่การพยากรณ์จะคลอบคลุมถึง รวบรวมข้อมูลอย่างมีระบบ ถูกต้องตามความเป็นจริง จำแนกประเภทของสินค้าที่มีลักษณะของอุปสงค์คล้ายกันไว้เป็นกลุ่มเดียวกัน พยากรณ์สำหรับกลุ่ม แล้วจึงแยกกันพยากรณ์สำหรับแต่ละสินค้าในกลุ่มอีกครั้ง บอกข้อจำกัดและสมมติฐานที่ตั้งไว้ในการพยากรณ์ หมั่นตรวจสอบความถูกต้องแม่นยำของค่าพยากรณ์ที่ได้กับค่าจริงที่เกิดขึ้นเป็นระยะ
ประเด็นที่เกี่ยวข้องในการพยากรณ์ประเด็นที่เกี่ยวข้องในการพยากรณ์ 1) ระยะเวลาที่ใช้ในการพยากรณ์ (Forecasting time horizons) 1.1) การพยากรณ์ระยะสั้น (Short-Term Forecasting) พยากรณ์ช่วงเวลาที่ต่ำกว่า 3 เดือนใช้สำหรับการบริหารสินค้าคงคลัง การจัดตารางการผลิตสายการประกอบหรือการใช้แรงงาน 1.2) การพยากรณ์ระยะปานกลาง (Medium-Term Forecasting) พยากรณ์ช่วงเวลาระหว่าง 3 เดือนถึง 2 ปีเพื่อใช้ในการวางแผนด้านบุคลากร การวางแผนการผลิต การจัดตารางการผลิตรวม การจัดซื้อและการกระจายสินค้า ระยะเวลาที่นิยมพยากรณ์คือ 1 ปี เพราะเป็นหนึ่งรอบระยะเวลาบัญชี
ประเด็นที่เกี่ยวข้องในการพยากรณ์ประเด็นที่เกี่ยวข้องในการพยากรณ์ 1.3) การพยากรณ์ระยะยาว (Long-Term Forecasting) พยากรณ์ในช่วงเวลา 2 ปีขึ้นไปใช้พยากรณ์ยอดขายรวมขององค์การ เพื่อใช้ในการเลือกทำเลที่ตั้งของโรงงานและสิ่งอำนวยความสะดวก การวางแผนกำลังการผลิตและการจัดการกระบวนการผลิตในระยะยาว 2) อิทธิพลของวงจรชีวิตผลิตภัณฑ์ (The influence of product life cycle) ผลิตภัณฑ์ที่อยู่ใน 2 ระยะแรกของวงจรชีวิต จำเป็นต้องพึ่งพาการพยากรณ์มากกว่าระยะอื่นๆ โดยคำนึงถึงระดับสินค้าคงเหลือที่บริษัทต้องการ เป็นต้น
ประเภทของการพยากรณ์ (Types of Forecasting) วิธีการพยากรณ์สามารถแบ่งออกเป็น 2 ประเภท คือ - การพยากรณ์เชิงปริมาณ (Quatitative Forecasting) เป็นการพยากรณ์โดยอาศัยข้อมูลหรือตัวเลขจากอดีต (เช่น ยอดขาย กำลังการผลิต) มาสร้างตัวแบบ และพยากรณ์ไปในอนาคต - การพยากรณ์เชิงคุณภาพ (Quanlitative Forecast) เป็นกลุ่มของวิธีการพยากรณ์ที่อาศัยข้อมูลและวิธีการเชิงคุณภาพ ใช้กับลักษณะของปัญหาที่ไม่มีข้อมูลย้อนหลังหรือมีข้อมูลไม่มากพอ มาใช้สร้างตัวแบบ
เทคนิคของการพยากรณ์ (Technical of Forecasting) ซึ่งเป็นการใช้ข้อมูลในอดีตเพื่อนำมาพยากรณ์ โดยทั่วไปมีการใช้เทคนิคอยู่ 5 วิธีการด้วยกัน ได้แก่ - วิธีการ Least Square - วิธีการเชิงสหสัมพันธ์ (Correlation forecasting) - วิธีการหาค่าเฉลี่ยเคลื่อนที่ (Moving Average) - วิธีการค่าเฉลี่ยเคลื่อนถ่วงน้ำหนัก (Weighted moving average) - วิธีการปรับเรียบแบบเอ็กซ์โพแนนเชียล (Exponential Smoothing)
การพยากรณ์โดยวิธี Least Square อาศัยการสร้างสมการเส้นตรง เพื่อใช้ในการพยากรณ์ค่าในอนาคต โดย สมการของ Least Square คือ เมื่อ คือ ค่าพยากรณ์ของสิ่งที่ต้องการพยากรณ์ Xคือ เวลา aและb คือ ค่าคงที่ของสมการเส้นตรง หมายเหตุ : สมการ สมการ
การพยากรณ์โดยวิธี Least Square ตัวอย่างที่ 1 : วิธี Least square จากข้อมูลด้านการขายของ 5 ปีที่ผ่านมาดังแสดงต่อไปนี้ จงพยากรณ์หาปริมาณการขายในปี พ.ศ. 2551 วิธีทำ: การคำนวณค่าต่างๆ ที่จำเป็นเพื่อใช้ในการหาค่า a และ b โดยกำหนดให้ พ.ศ.2546 เป็นปีที่เริ่มต้นคือให้ x=0 แสดงดังต่อไปนี้
การพยากรณ์โดยวิธี Least Square
การพยากรณ์โดยวิธี Least Square แทนค่าลงในสมการ ดังนั้น การพยากรณ์ยอดขายสำหรับปี พ.ศ. 2551 คือ
การพยากรณ์เชิงสหสัมพันธ์ (Correlation forecasting) แสดงถึงความสัมพันธ์ระหว่างตัวแปร 2 ตัว เช่นยอดขายกับกำไร หรือ ราคากับยอดขาย ตัวอย่างที่ 2: วิธี Correlation forecasting ในการศึกษาความเป็นไปได้ของโครงการที่เกี่วกับการสร้างโรงแรมชั้นหนึ่งในเขตกรุงเทพฯ ผู้วิเคราะห์โครงการได้รวบรวมตัวเลขยอดรายได้ทั้งหมดตั้งแต่ปี พ.ศ.2541-2550 และพบว่ารายได้ดังกล่าวมีความสัมพันธ์กับจำนวนนักท่องเที่ยวต่างชาติที่เข้ามาพักในกรุงเทพฯ ผู้วิเคราะห์โครงการพยากรณ์รายได้ของโรงแรมทั้งหมดในเขตกรุงเทพฯ ในปีพ.ศ.2551 ที่คาดว่าจะมีนักท่องเที่ยวจำนวน 5 ล้านคน
การพยากรณ์เชิงสหสัมพันธ์ (Correlation forecasting)
การพยากรณ์เชิงสหสัมพันธ์ (Correlation forecasting) แทนค่าในสูตรเพื่อหาค่า b แทนค่าในสูตรเพื่อหาค่า a
การพยากรณ์เชิงสหสัมพันธ์ (Correlation forecasting) แทนค่าในสมการถดถอยที่ประมาณขึ้น คือ ดังนั้นในปี พ.ศ.2551 ที่จำนวนนักท่องเที่ยวเท่ากับ 5 ล้านคนตามประมาณการ รายได้ของโรงแรมทั้งหมดในเขตกรุงเทพฯ จะเป็น
ความสัมพันธ์ระหว่างนักท่องเที่ยวกับรายได้ความสัมพันธ์ระหว่างนักท่องเที่ยวกับรายได้
ตัวอย่างที่ 3: วิธี Correlation forecasting บริษัทแห่งหนึ่งพบว่าค่าใช้จ่ายส่วนตัวของพนักงานมีความสัมพันธ์กับรายได้ เพื่อจะนำผลที่ได้ไปใช้ในการพยากรณ์ค่าใช้จ่ายส่วนตัวของพนักงาน ผู้วิเคราะห์จึงได้ทำการสุ่มพนักงานมาวิเคราะห์จำนวนทั้งหมด 15 คน ให้ทำการคำนวณหาค่าสัมประสิทธิ์ a และ b ของสมการเส้นตรง
แทนค่าในสูตรเพื่อหาค่า b แทนค่าในสูตรเพื่อหาค่า a แทนในสมการถดถอย
ถ้าต้องการประมาณค่าใช้จ่ายของพนักงานที่มีเงินเดือน 10 (พันบาท)ก็จะประมาณค่าใช้จ่ายได้เท่ากับ หรือมีรายได้เท่ากับ 7,690 บาท และถ้าต้องการพยากรณ์ค่าใช้จ่ายของพนักงานที่มีเงินเดือน 7.5 พันบาท จะได้เท่ากับ หรือมีรายได้เท่ากับ 5,615 บาท
ความสัมพันธ์ระหว่างค่าใช้จ่ายกับรายได้ความสัมพันธ์ระหว่างค่าใช้จ่ายกับรายได้
วิธีการหาค่าเฉลี่ยเคลื่อนที่(Moving averages) • สามารถหาได้จาก ค่าเฉลี่ยเคลื่อนที่ = เมื่อ n = จำนวนช่วงเวลาในค่าเฉลี่ยเคลื่อนที่ที่ต้องการ ตัวอย่างที่ 4 : แสดงการคำนวณหาค่าเฉลี่ยเคลื่อนที่ (Moving average) ยอดขายของบริษัท แสดงในช่องกลางของตาราง ใช้เวลา 3 เดือนในการคำนวณค่าเฉลี่ยเคลื่อนที่
วิธีการหาค่าเฉลี่ยเคลื่อนที่(Moving averages)
ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก (Weighted moving average) เป็นวิธีการให้น้ำหนักกับข้อมูลปัจจุบันมากกว่าข้อมูลในอดีตที่ไกลออกไปตามลำดับ ซึ่งสามารถหาได้จาก ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก = ตัวอย่างที่ 5:แสดงวิธีการคำนวณหาค่าเฉลี่ยถ่วงน้ำหนัก โดยใช้ข้อมูลจากตัวอย่างที่ 4 ตัดสินใจที่จะพยากรณ์ยอดขายโดยการถ่วงน้ำหนัก ใช้ระยะเวลา 3 เดือน
ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก (Weighted moving average) การอธิบายการคิดค่าน้ำหนักที่ใช้
ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก (Weighted moving average)
แสดงความต้องการที่แท้จริง เปรียบเทียบกับค่าเฉลี่ยเคลื่อนที่ และวิธีถ่วงน้ำหนักค่าเฉลี่ยเคลื่อนที่
วิธีปรับเรียบแบบเอ็กซ์โพแนนเชียล (Exponential smoothing) เป็นการใช้ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่ค่อนข้างซับซ้อน แต่ง่ายต่อการใช้งาน ใช้ข้อมูลในอดีตเพียงเล็กน้อยเท่านั้น โดยสามารถหาได้จาก ค่าพยากรณ์ความต้องการใหม่ = การพยากรณ์ช่วงที่ผ่านมา + (ความต้องการที่แท้จริงช่วงที่ผ่านมา – การพยากรณ์ช่วงที่ผ่านมา คือ น้ำหนักหรือค่าคงที่ปรับเรียบ (smoothing constant) ซึ่งเป็นปัจจัยน้ำหนักที่ใช้ในการพยากรณ์ค่าปรับเรียบแบบเอ็กซ์โพแนนเชียล (Exponential smoothing) และ มีค่าอยู่ระหว่าง 0 ถึง 1 α α α
วิธีปรับเรียบแบบเอ็กซ์โพแนนเชียล (Exponential smoothing) จากสมการข้างต้น สามารถเขียนเป็นตัวเลขทางคณิตศาสตร์ได้ คือ Ft = Ft-1 + α (At-1- Ft-1) กำหนดให้ Ft =ค่าพยากรณ์ใหม่ที่ต้องการ Ft-1 =ค่าพยากรณ์ช่วงที่ผ่านมา α =ค่าคงที่ปรับเรียบ, 0 ≤ a ≤ 1 At-1 =ความต้องการที่แท้จริงช่วงที่ผ่านมา
วิธีปรับเรียบแบบเอ็กซ์โพแนนเชียล (Exponential smoothing) ตัวอย่างที่ 6 : ในเดือน ม.ค. ตัวแทนขายคาดคะเนว่าความต้องการรถยนต์ Ford เดือนก.พ. คือ 142 คัน ความต้องการที่แท้จริงในเดือน ก.พ. คือ 153 คัน เมื่อฝ่ายบริหารกำหนด เท่ากับ0.2 จงพยากรณ์ความต้องการในเดือนมี.ค. (แทนที่ข้อมูลจากสมการ) ดังนี้ Ft = Ft-1 + α (At-1- Ft-1) แทนค่า Ft= 142 + [0.2*(153 - 142)] = 142 + 2.2 = 144.2 ความต้องการรถในเดือนมี.ค.มีประมาณ 144 คัน α
การเลือกค่าคงที่ปรับเรียบ(Selecting the smoothing constant) ความเหมาะสมของค่าคงที่ปรับเรียบ (smoothing constant) หรือ สามารถทำให้ความแตกต่างระหว่างการพยากรณ์ที่แน่นอน และไม่แน่นอนมีความใกล้เคียงกัน หรือเพื่อการวัดการพยากรณ์ที่มี่ความถูกต้องมากที่สุด การพยากรณ์ที่แน่นอนสามารถทำได้โดยเปรียบเทียบมูลค่าการพยากรณ์ สำหรับช่วงที่ผ่านมาในอดีตกับค่าที่เป็นจริง หรือการสังเกตความต้องการสำหรับช่วงเวลาเหล่านั้น α
การเลือกค่าคงที่ปรับเรียบ(Selecting the smoothing constant) ค่าความผิดพลาดในการพยากรณ์ คำนวณได้ดังนี้ ความผิดพลาดการพยากรณ์ (Forecast error) = ค่าความต้องการที่แท้จริง (Demand) – ค่าการพยากรณ์ (Forced) หรือ ความผิดพลาดการพยากรณ์ (Forecast error) = At - Ft
ค่าเฉลี่ยการเบี่ยงเบนสมบูรณ์(Mean Absolute Deviation : MOD) เป็นการพยากรณ์ความผิดพลาดทั้งหมด โดยนำผลรวมของมูลค่าสมบูรณ์ของการพยากรณ์ความผิดพลาดแต่ละอย่าง แล้วหารด้วยจำนวนช่วงเวลาของข้อมูล (n)
ค่าเฉลี่ยการเบี่ยงเบนสมบูรณ์(Mean Absolute Deviation : MOD) ตัวอย่างที่ 7:เป็นการใช้แนวคิดแบบลองผิดลองถูก (trial-and-error testing) ของค่า จำนวนค่าระหว่างช่วง 8 ไตรมาสที่ผ่านมา บริษัทข้าวไทยขนส่งข้าวขึ้นเรือ ผู้จัดการต้องการทดสอบใช้วิธีปรับเรียบแบบเอ็กซ์โพเนนเชียล เพื่อดูว่าเทคนิคการทำงานใช้ได้ดีเพียงใด ในการคาดคะเนน้ำหนักที่ทำการคาดว่าจะขนข้างขึ้นจากเรือในไตรมาสแรกได้ 175 ตันค่าของ จำนวน 2 ค่าในการทดสอบ
ค่าเฉลี่ยการเบี่ยงเบนสมบูรณ์(Mean Absolute Deviation : MOD)
ค่าเฉลี่ยการเบี่ยงเบนสมบูรณ์(Mean Absolute Deviation : MOD)
คำนวณค่าพยากรณ์ผิดพลาดในรูปของการเปลี่ยนแปลงภายในค่าการเบี่ยงเบนสมบูรณ์ และค่าเฉลี่ยของความเบี่ยงเบนสมบูรณ์
คำนวณค่าพยากรณ์ผิดพลาดในรูปของการเปลี่ยนแปลงภายในค่าการเบี่ยงเบนสมบูรณ์ และค่าเฉลี่ยของความเบี่ยงเบนสมบูรณ์ เราสามารถวิเคราะห์ได้ว่าค่าคงที่ปรับเรียบ เพราะค่าเฉลี่ยของความเบี่ยงเบนสมบูรณ์จะน้อยกว่าการพยากรณ์
ค่าเฉลี่ยความผิดพลาดยกกำลังสอง(Mean squared error : MSE) สามารถคำนวณค่าความผิดพลาดของการพยากรณ์ ซึ่งเป็นค่าเฉลี่ยของความแตกต่างระหว่างการพยากรณ์ และค่าการสังเกต n กำลังสอง มีสูตรดังนี้
ค่าเฉลี่ยความผิดพลาดยกกำลังสอง(Mean squared error : MSE)
ค่าเฉลี่ยความผิดพลาดยกกำลังสอง(Mean squared error : MSE) ค่าเฉลี่ยความผิดพลาดยกกำลังสอง (MSE) จะดีหรือไม่ดีนั้นขึ้นอยู่กับค่าเฉลี่ยความผิดพลาดยกกำลังสอง (MSE) ของแต่ละค่า เช่น หากพบว่าค่าเฉลี่ยความผิดพลาดยกกำลังสอง (MSE) ที่ มีค่า MSE=201.5 จะได้ว่าค่า MSE ที่หาได้จาก ตัวอย่างที่ 8 ที่ มีผลลัพธ์ที่ดีกว่า เนื่องจากเราต้องการค่า MSE ที่น้อยที่สุด และยังสามารถยืนยันความถูกต้องได้อีกด้วย การดูที่ค่าเฉลี่ยเบี่ยงเบนสมบูรณ์ (MAD) ใน ตัวอย่างที่ 7ประกอบ
คำถามท้ายบท • 1. จงพยากรณ์ด้วยวิธีหาค่าเฉลี่ยเคลื่อนที่ (Moving average) ความต้องการสินค้าประเภทเครื่องดื่มชนิดหนึ่ง จากการบันทึกของผู้บริหารเกี่ยวกับความต้องการสินค้าประเภทนี้ 3 เดือน คือ มกราคม 320 ขวดกุมภาพันธ์ 400 ขวดและมีนาคม 380 ขวดให้ทำการพยากรณ์ว่าเดือนเมษายนเป็นอย่างไร • 2. จากโจทย์ข้อ 1 จงพยากรณ์ด้วยวิธีหาค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก (Weighted moving average) ให้ทำการพยากรณ์ในไตรมาสที่ 2 ทั้งหมดว่าเป็นอย่างไร
3. โรงงานผลิตปูนซีเมนต์แห่งหนึ่ง ต้องการพยากรณ์ยอดขายเพื่อนำมาใช้เป็นข้อมูลประกอบการวิเคราะห์โครงการขยายโรงงานปูนซีเมนต์แห่งใหม่ ฝ่ายวิเคราะห์โครงการทำการรวบรวมข้อมูลในอดีตของยอดขายที่สัมพันธ์กับปริมาณการผลิต จงคำนวณหาค่าพยากรณ์ยอดขายในปี พ.ศ.2551 ที่คาดวว่าปริมาณการผลิตจะเท่ากับ 5.4 ตัน/วัน
4. จากข้อมูลยอดขาย 3 ปีคือ 2548-2550 จงพยากรณ์หาปริมาณการขายในปี พ.ศ. 2551 ด้วยวิธีการพยากรณ์แบบ Least Square 5. จากข้อมูลยอดขาย 3 ปีคือ 2548-2550 จงหาค่าเฉลี่ยการเบี่ยงเบนสมบูรณ์ (Mean Absolute Deviation : MOD)เมื่อฝ่ายบริหารกำหนด เท่ากับ 0.5 และหาค่าเฉลี่ยความผิดพลาดยกกำลังสอง (MSE) โดยมีค่าการพยากรณ์ในต้นปี 2548 เท่ากับ 6.5 (พันล้าน)