การพยากรณ์คำสั่งซื้อและจำลองสถานการณ์โดยโปรเกรม-SAP (1)

การพยากรณ์คำสั่งซื้อและจำลองสถานการณ์โดยโปรเกรม SAP กรณีศึกษา บริษัท แอสกรีน จำกัด บุษรา คงสมบูรณ์ ณัฐริกา โตจิต อัญชลีพร มุดไธสง จิรัชญา รอดศรีนาค รายงานวิจัยนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรบริหารธุรกิจบัณฑิต หลักสูตรการจัดการโลจิสติกส์และซัพพลายเชน คณะบริหารธุรกิจ ปีการศึกษา 2566 ลิขสิทธิ์เป็นของมหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี

การพยากรณ์คำสั่งซื้อและจำลองสถานการณ์โดยโปรเกรม SAP กรณีศึกษา บริษัท แอสกรีน จำกัด บุษรา คงสมบูรณ์ ณัฐริกา โตจิต อัญชลีพร มุดไธสง จิรัชญา รอดศรีนาค รายงานวิจัยนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรบริหารธุรกิจบัณฑิต หลักสูตรการจัดการโลจิสติกส์และซัพพลายเชน คณะบริหารธุรกิจ ปีการศึกษา 2566 ลิขสิทธิ์เป็นของมหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี

ชื่องานวิจัย การพยากรณ์คำสั่งซื้อและจำลองสถานการณ์โดยโปรแเกรม SAP กรณีศึกษา บริษัท แอสกรีน จำกัด ชื่อนักศึกษา นางสาวบุษรา คงสมบูรณ์ 116310509483-8 รหัสนักศึกษา นางสาวณัฐริกา โตจิต 116310509502-5 นางสาวอัญชลีพร มุดไธสง 116310509504-1 นางสาว จิรัชญา รอดศรีนาค 116310509505-8 ปริญญา บริหารธุรกิจบัณฑิต หลักสูตร การจัดการโลจิสติกส์และซัพพลายเชน ปีการศึกษา 2566 อาจารย์ที่ปรึกษา ดร.ปริญ วีระพงษ์ รายงานวิจัยนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรบริหารธุรกิจบัณฑิต โดยผ่านการพิจารณาจาก คณะกรรมการสอบวิจัย ดังมีรายชื่อต่อไปนี้ อาจารย์ที่ปรึกษา ………………………………………………. ( ดร.ปริญ วีระพงษ์) ลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี

ก ชื่องานวิจัย การพยากรณ์คำสั่งซื้อและจำลองสถานการณ์โดยโปรเกรม SAP กรณีศึกษา บริษัท แอสกรีน จำกัด ชื่อนักศึกษา นางสาวบุษรา คงสมบูรณ์, นางสาวณัฐริกา โตจิต , นางสาวอัญชลีพร มุดไธสง , นางสาว จิรัชญา รอดศรีนาค ปริญญา บริหารธุรกิจบัณฑิต หลักสูตร การจัดการโลจิสติกส์และซัพพลายเชน ปีการศึกษา 2566 อาจารย์ที่ปรึกษา ดร.ปริญ วีระพงษ์ บทคัดย่อ งานวิจัยครั้งนี้มีจุดประสงค์ 1. เพื่อเลือกรูปแบบการพยากรณ์แบบอนุกรมเวลาของการสั่งซื้อ สินค้า ของบริษัท แอสกรีน จำกัด 2. เพื่อจำลองสถานการณ์การพยากรณ์ปริมาณคำสั่งซื้อสินค้าของ บริษัท แอสกรีน จำกัด โดยโปรแกรม SAP จากการศึกษาปัญหาการสั่งซื้อสินค้าเข้ามามีปริมาณที่ ไม่เหมาะสม ทำให้วัตถุดิบมีปริมาณมากจนเกินไป ไม่เพียงพอต่อปริมาณคำสั่งซื้อ หรือความต้องการ ของลูกค้า จึงจำเป็นต้องเร่งแก้ไขปัญหาเพื่อลดผลกระทบที่อาจเกิดขึ้นได้ เช่น การสูญเสียโอกาสใน การขายสินค้า จึงได้ศึกษาและนำทฤษฎีทางสถิติด้านการพยากรณ์มาช่วยวิเคราะห์และแก้ไขปัญหา จากการงานวิจัยนี้ได้ใช้เทคนิคการพยากรณ์ทั้งหมด 5 วิธี ได้แก่ 1.วิธีการแยกส่วนประกอบรูปแบบ คูณ 2.วิธีการแยกส่วนประกอบรูปแบบบวก 3. เทคนิคการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง 4. เทคนิคการพยากรณ์ด้วยวิธีการแบบฤดูกาลแบบคูณ 5.เทคนิคการพยากรณ์ด้วยวิธีการแบบฤดูกาล แบบบวก จากการศึกษาการพยากรณ์ปริมาณคำสั่งซื้อสินค้าผักของบริษัท แอสกรีน จำกัด โดย คัดเลือกกลุ่มตัวอย่างสินค้า 5 รายการด้วยแผนภูมิพาเรโตและเครื่องมือที่ค่าการพยากรณ์ต่ำสุดคือ เครื่องมือเทคนิควิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ มีค่า MAPE และ MAD ดังนี้ Romaine Heart เท่ากับ 70 และ 381 ตามลำดับ , Butter Head Lettuce เท่ากับ 35.77 และ 39.22 ตามลำดับ , Red Leaf (coral) เท่ากับ 60.89 และ 49.67 ตามละดับ , Green Leaf (coral) เท่ากับ 98.26 และ 74.5 ตามลำดับ และ Large Tomatoes ได้แก่ 79.79 และ 37.05 ตามลำดับ แล้วจึงทำการศึกษาต่อในโปรแกรม SAP โดยการพยากรณ์ 6 เดือนข้างหน้าของปริมาณคำสั่งซื้อสินค้า ผลสรุปพบว่า ใน 6 เดือน มีการออกใบเสนอซื้อ 5 ครั้ง ในวันที่ 17/04/2567 , 17/05/2567 , 17/06/2567 , 18/07/2567 , 16/08/2567

ข Title Order Forecast and Simulation by SAP Program Case study of Asgreen Company Limited Student Name Butsara Kongsomboon, Nattharika Tochit, Anchaleeporn Mudtaisong, Jiratchaya Rodsrinak Degree Bachelor of Business Administration (Logistics Management) Program Logistics and Supply Chain Management Academic Year 2023 Advisor Mr.Prin Weerapong Abstract This research has the purpose of 1.To choose a time series forecast format for ordering products of Asgreen Company Limited 2.To simulate the situation of forecasting the quantity of product orders of Asgreen Company Limited by the SAP program from studying the problem of ordering products in inappropriate quantities, causing the quantity of raw materials to be too large. Not enough to meet the order quantity or customer needs Therefore, it is necessary to expedite the resolution of the problem in order to reduce the impacts that may occur Yes, such as losing the opportunity to sell products. From this research, a total of 5 forecasting techniques were used 1.How to separate multiplicative form components 2.Method for separating positive form components 3.Double-repeated, singular smoothing technique 4.Forecasting techniques using the seasonal method multiplied by 5.Forecasting techniques using the positive seasonal method From a study in which a sample of 5 products was selected using the tool with the lowest prediction value, Holt-Winter's technical tool for multiplying seasonal effects has the following MAPE and MAD values: Romaine Heart is 70 and 381, Butter Head Lettuce is 35.77 and 39.22 , Red Leaf (coral) equals 60.89 and 49.67, Green Leaf (coral) equals 98.26 and 74.5, and Large Tomatoes 79.79 and 37.05. The study was then continued in the SAP program by forecasting the next 6 months of order volume. The results showed that in 6 months, 5 purchase quotations were issued on 17/04/2024, 17/05/2024, 17/06/2024, 18/07/2024, 16/08/2024.

ค กิตติกรรมประกาศ รายงานวิจัยนี้สำเร็จลุล่วงไปได้ด้วยดีโดยได้รับความกรุณาและความช่วยเหลือเป็นอย่างดี จากบุคลากรหลายฝ่ายด้วยกัน ผู้วิจัยจึงขอกราบขอบพระคุณทุกท่านไว้ ณ โอกาสนี้ เริ่มจาก ท่านคณะอาจารย์ที่ปรึกษา ดร.ปริญ วีระพงษ์ซึ่งกรุณาเสียสละเวลาให้คำปรึกษาและคำแนะนำ รวมถึงการแก้ไขข้อบกพร่องเพื่อก่อให้เกิดประโยชน์ในการดำเนินการศึกษาจนปัญหาพิเศษฉบับนี้ เสร็จสมบูรณ์ ขอขอบพระคุณคณาจารย์หลักสูตรบริหารธุรกิจ สาขาวิชาการจัดการคณะโลจิสติกส์ และซัพพลายเชนทุกท่าน ที่ได้เสียสละเวลาในการเป็นคณะกรรมการในการสอบและตรวจสอบความ ถูกต้อง พร้อมทั้งให้คำแนะนำต่างๆเพื่อให้รายงานวิจัยนี้มีความสมบูรณ์มากยิ่งขึ้น ตลอดจน ขอขอบพระคุณ ที่กรุณาให้ความร่วมมือให้การสัมภาษณ์ลุล่วงไปได้ด้วยดี พร้อมทั้งการแสดงความ คิดเห็นและข้อเสนอแนะ อันเป็นประโยชน์ยิ่งต่อการจัดทำรายงานวิจัยในครั้งนี้ พฤศจิกายน 2566

ง สารบัญ บทคัดย่อ...........................................................................................................................................ก Abstract..........................................................................................................................................ข กิตติกรรมประกาศ.............................................................................................................................ค สารบัญภาพ......................................................................................................................................ฉ สารบัญตาราง...................................................................................................................................ฎ บทที่ 1..............................................................................................................................................ฎ 1.1 ความเป็นมาและความสำคัญของปัญหา .................................................................................1 1.2วัตถุประสงค์...........................................................................................................................2 1.3 ขอบเขตการศึกษาวิจัย............................................................................................................2 1.5 นิยามศัพท์เฉพาะ....................................................................................................................2 1.6 ประโยชน์ที่คาดว่าจะได้รับ .....................................................................................................3 บทที่2..............................................................................................................................................4 2.1 ทฤษฎีการพยากรณ์ในรูปแบบต่าง ๆ......................................................................................4 2.2 แผนภูมิพาเรโต (Pareto Chart).............................................................................................9 2.3 ชนิดของการพยากรณ์..........................................................................................................10 2.4 เทคนิคการพยากรณ์.............................................................................................................10 2.5 การวัดความคลาดเคลื่อนของการพยากรณ์...........................................................................16 2.6 วิจัยที่เกี่ยวข้อง.....................................................................................................................17 บทที่ 3............................................................................................................................................30 3.1 วิธีการดำเนินงาน..................................................................................................................30 3.2 การเก็บรวบรวมข้อมูล..........................................................................................................31 3.3 ประชากรและกลุ่มตัวอย่าง...................................................................................................32

จ 3.5 เครื่องมือที่ใช้ในการวิเคราะห์...............................................................................................35 3.6 ศึกษาและวิเคราะห์ลักษณะของข้อมูล..................................................................................36 3.7 ขั้นตอนการวิเคราะห์ค่าสัมประสิทธิ์อัตตสหสัมพันธ์.............................................................37 3.8 การจำลองสถานการณ์ด้วยโปรแกรม SAP............................................................................42 บทที่4..............................................................................................................................................44 4.1 ผลการศึกษาลักษณะการเคลื่อนไหวของข้อมูลปริมาณคำสั่งซื้อสินค้า...................................47 4.2 ผลการคัดเลือกรูปแบบการพยากรณ์ที่เหมาะสม...................................................................49 4.3 สรุปผลการจำลองสถานการณ์การพยากรณ์คำสั่งซื้อโดยโปรแกรม SAP...............................76 4.4 ผลสรุป .................................................................................................................................77 บทที่ 5............................................................................................................................................78 5.1 สรุปผลการวิจัย.....................................................................................................................78 5.3 ข้อจำกัดในการทำการวิจัย....................................................................................................80 5.4 ข้อเสนอแนะที่ได้จากการทำวิจัย...........................................................................................80 5.5 ข้อเสนอแนะที่เกี่ยวข้องในอนาคต........................................................................................80 บรรณานุกรม...................................................................................................................................82 ภาคผนวก ก วิธีการใช้โปรแกรม Minitab 17 คำนวณหาค่าการพยากรณ์.....................................86 ภาคผนวก ข วิธีการใช้โปรแกรม SAP Business One...................................................................93 ประวัติผู้ศึกษา..............................................................................................................................103

ฉ สารบัญภาพ ภาพที่ หน้า 3.1 กรอบการดำเนินงานวิจัย…………………………………………………………………………………………….. 31 3.2 แผนภูมิพาเรโตแสดงลำดับเปอร์เซ็นต์ยอดคำสั่งซื้อสินค้าจากมากไปน้อย…………………………. 35 3.3 แผนภูมิพาเรโตแสดงลำดับยอดขายสินค้าจากมากไปน้อย………………………………………………. 35 3.4 การใช้คำสั่ง Decomposition…………………………………………………………………………………….. 37 3.5 การกรอกข้อมูลในหน้าต่าง Composition……………………………………………………………………. 37 3.6 การแสดงผลกราฟค่า Decomposition แบบคูณ………………………………………………………….. 38 3.7 การกรอกข้อมูลในหน้าต่าง Composition……………………………………………………………………. 38 3.8 การแสดงผลกราฟค่า Decomposition แบบบวก…………………………………………………………. 39 3.9 การเลือกฟังก์ชัน Double exponential smoothing…………………………………………………… 39 3.10 การใส่ค่าพารามิเตอร์ในฟังก์ชัน Double exponential smoothing………………………………. 40 3.11 การคำนวณและแสดงผลออกมาเป็นรายงาน…………………………………………………………………. 40 3.12 การเลือกฟังก์ชัน Winter’s method…………………………………………………………………………… 41 3.13 หน้าต่างกรอกข้อมูลของวิธี Winter’s method ทั้งแบบบวกและแบบคูณ……………………….. 41 3.14 กราฟแสดงค่าจากการวิเคราะห์แบบ Winter’s method ทั้งแบบบวกและแบบคูณ………….. 42 3.15 การเปิดโปรแกรม SAP โดยโมดูล MRP…………………………….………………………………………….. 42 3.16 นำข้อมูลที่พยากรณ์ได้ใน MINITAB มาใส่ในโมดูล Forecasts………………………………………… 43 4.1 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Romaine Heart………………………………… 44

ช 4.2 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Butter Head Lettuce……………………….. 45 4.3 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Red leaf lettuce (coral)…………………… 45 4.4 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Green leaf lettuce (coral)……………….. 46 4.5 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Large Tomatoes………………………………. 46 4.6 ข้อมูลปริมาณคำสั่งซื้อสินค้า Romaine Heart…………………………….……………………………….. 47 4.7 ข้อมูลปริมาณคำสั่งซื้อ Butter Head Lettuce…………………………….………………………………. 48 4.8 ข้อมูลปริมาณคำสั่งซื้อ Red leaf lettuce (coral).…………………………….…………………………. 48 4.9 ข้อมูลปริมาณคำสั่งซื้อสินค้า Green leaf lettuce (coral)..…………………………………………… 48 4.10 ข้อมูลปริมาณคำสั่งซื้อ Large Tomatoes…………………………….……………………………………… 49 4.11 ลักษณะการเคลื่อนไหวแบบแนวโน้มของข้อมูลปริมาณคำสั่งซื้อของ………………………………… 49 4.12 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Romaine Heart………………………………………………………………………… 50 4.13 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Romaine Heart…………………………….……………….. 50 4.14 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Romaine Heart………………………………… 51 4.15 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Romaine Heart…………………………….……………………. 51 4.16 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Romaine Heart………………………….. 52

ซ 4.17 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Butter Head Lettuce…………………………….…………………………………. 53 4.18 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Butter Head Lettuce…………………………………….. 53 4.19 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Butter Head Lettuce……………………….. 54 4.20 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Butter Head Lettuce…………………………………………. 54 4.21 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Butter Head Lettuce………………… 55 4.22 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Red leaf lettuce (coral)..…………………………….…………………………… 56 4.23 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Red leaf lettuce (coral).……………………………….. 56 4.24 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Red leaf lettuce (coral)..…………………. 57 4.25 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Red leaf lettuce (coral).……………………………………. 57 4.26 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Red leaf lettuce (coral)……………. 58 4.27 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Green leaf lettuce (coral)..…………………………….……………………….. 59

ฌ 4.28 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Green leaf lettuce (coral).……………………………. 59 4.29 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Green leaf lettuce (coral)..……………… 60 4.30 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Green leaf lettuce (coral).………………………………… 60 4.31 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Green leaf lettuce (coral)………… 61 4.32 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Large Tomatoes…………………………….………………………………………… 62 4.33 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Large Tomatoes……………………………………………. 62 4.34 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Large Tomatoes………………………………. 63 4.35 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Large Tomatoes…………………………….………………….. 63 4.36 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Large Tomatoes……………………….. 64 4.37 การวางแผนการสั่งซื้อสินค้า Report tab ของ Romaine Heart……………………………………. 67 4.38 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของ Romaine Heart……………….. 67 4.39 รายการการออกเอกสารใบขอซื้อของ Romaine Heart จาก Order Recommendations 67 4.40 การวางแผนการสั่งซื้อสินค้า Report tab ของ Butter Head Lettuce…………………………… 68

ญ 4.41 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของ Butter Head Lettuce……… 69 4.42 รายการการออกเอกสารใบขอซื้อของ Butter Head Lettuce จาก Order Recommendations…………………………….…………………………….…………………………………….. 69 4.43 การวางแผนการสั่งซื้อสินค้า Report tab ของ Red leaf lettuce (coral).……………………… 70 4.44 การวางแผนการสั่งซื้อสินค้า Report tab ของ Red leaf lettuce (coral).……………………… 71 4.45 รายการการออกเอกสารใบขอซื้อของ Red leaf lettuce (coral) จาก Order Recommendations…………………………….…………………………….…………………………………….. 71 4.46 การวางแผนการสั่งซื้อสินค้า Report tab ของ Green leaf lettuce (coral)…………………… 72 4.47 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของ Green leaf lettuce…………. 73 4.48 รายการการออกเอกสารใบขอซื้อของGreen leaf lettuce (coral) จาก Order Recommendations…………………………….…………………………….…………………………….………. 73 4.49 การวางแผนการสั่งซื้อสินค้า Report tab ของ Large Tomatoes………………………………….. 74 4.50 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของ Large Tomatoes……………… 75 4.51 รายการการออกเอกสารใบขอซื้อของ Large Tomatoes จาก Order Recommendations…………………………….…………………………….…………………………………….. 75 4.52 การวางแผนการสั่งซื้อสินค้า Report tab สินค้า 5 รายการ…………………………….……………… 76 4.53 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของสินค้า 5 รายการ…………………. 76 4.54 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของสินค้า 5 รายการ (ต่อ)…………. 76 4.55 การวางแผนการสั่งซื้อสินค้า Order Recommendations Tab ของสินค้า 5 รายการ (ต่อ) 77

ฎ สารบัญตาราง ตารางที่ หน้า 3.1 ประชากรและกลุ่มตัวอย่างที่ใช้ในการวิจัย…………………………….…………………………….………… 32 3.2 กลุ่มตัวอย่างที่ใช้พยากรณ์…………………………….…………………………….………………………………. 34 4.1 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้าRomaine Heart…………………………….. 52 4.2 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้า Butter Head Lettuce………………….. 55 4.3 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้า Red leaf lettuce (coral)……………… 58 4.4 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้า Green leaf lettuce (coral)………….. 61 4.5 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้า Large Tomatoes…………………………. 64 4.6 เปรียบเทียบค่า MAPE และ MAD ที่ได้จากการคำนวณด้วยโปรแกรม Minitab………………… 65 4.7 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Romaine Heart…………………………….…………………………….…………………………………. 68 4.8 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Butter Head Lettuce…………………………….…………………………….………………………… 70 4.9 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Romaine Heart…………………………….…………………………….…………………………………. 72 4.10 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Romaine Heart…………………………….…………………………….…………………………………. 74 4.11 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Large Tomatoes 75

1 บทที่ 1 บทนำ 1.1 ความเป็นมาและความสำคัญของปัญหา การพยากรณ์เป็นเรื่องที่สำคัญอย่างมากในการคาดการณ์ปริมาณอุปสงค์ และอุปทานต่าง ๆ ที่กำลังจะเกิดขึ้นในอนาคต เพื่อให้ผู้ประกอบการสามารถนำข้อมูลมาประกอบการวางแผน และการ บริหารจัดการในด้านของกำลังคน การผลิต ตลอดจนการจัดซื้อ จัดหาวัตถุดิบเพื่อให้เกิดประสิทธิภาพ สูงที่สุดในด้านของการบริหารจัดการทรัพยากรของสถานประกอบการโดยการพยากรณ์ที่แม่นยำนั้น จะส่งผลต่อการลดต้นทุน อีกทั้งยังสามารถส่งเสริมให้ความพึงพอใจของลูกค้านั้นเพิ่มสูงขึ้น ซึ่งสร้าง ความได้เปรียบให้แก่ผู้ประกอบการ การใช้ประโยชน์ของสมการพยากรณ์ในการวางแผนการผลิตใน ประเทศไทยตลาดผักออแกนิคมีมูลค่าอยู่ที่ 2,700 ถึง 2,900 ล้านบาท โดยมีกลุ่มผู้บริโภคที่สำคัญ และเป็นแรงขับเคลื่อนของตลาดมีอยู่ 3 กลุ่ม คือกลุ่มคนรุ่นใหม่ (Millennials) กลุ่มนี้มีจำนวนกว่า 20 ล้านคน พฤติกรรมที่น่าสนใจของกลุ่มนี้คือต้องการมีคุณภาพชีวิตที่ดี จึงหันมาใส่ใจสุขภาพตนเอง และคนในครอบครัวอีกทั้งมีการเข้าถึงข้อมูลข่าวสารอย่างรวดเร็ว ตัดสินใจซื้อง่าย กลุ่มผู้สูงอายุ (Aging-Society) ผู้บริโภคกลุ่มนี้ต้องการผลิตภัณฑ์ที่มีคุณภาพสูง ต้องการรับประทานอาหารที่มี ประโยชน์ต่อร่างกาย จึงทำให้ลูกค้ากลุ่มนี้กลายมาเป็นหนึ่งในกลุ่มลูกค้าเป้าหมาย และกลุ่มสุดท้าย คือกลุ่มผู้ป่วย (Patient) ผู้คนในปัจจุบันเผชิญกับความเครียดจากการทำงานและการใช้ชีวิตเพิ่มขึ้น โดยเฉพาะสังคมเมืองมีการสะสมสารพิษในร่างกายจากการรับประทานอาหารและการเผชิญมลภาวะ ต่างๆ จึงทำให้ผู้คนกลุ่มนี้ต้องหันมาใส่ใจสุขภาพเพิ่มมากขึ้น Ms.Tracey Lam ผู้ก่อตั้งบริษัท แอสกรีน จำกัด ได้ตระหนักถึงศักยภาพทางการเกษตรที่ยัง ไม่ได้ใช้ไฮโดรโปนิกส์ ซึ่งเป็นไฮโดรโปนิกส์เวอร์ชันที่เป็นมิตรต่อสิ่งแวดล้อมและยั่งยืนอย่างแท้จริง ซึ่งควบคุมพลังของดวงอาทิตย์และสภาพอากาศตามธรรมชาติ โดยไม่ต้องการโรงงานที่ต้องใช้ เชื้อเพลิงฟอสซิลและต้นทุนจำนวนมากในการเดินเครื่องปรับอากาศและไฟ LED ซึ่งยังคงแพร่หลาย ในอุตสาหกรรม โดยบริษัท แอสกรีน จำกัด ได้เติบโตจากต้นกล้า จนปัจจุบันมีความโดดเด่นและเป็น ผู้เล่นที่ใหญ่ที่สุดในภาคส่วนนี้ ตอนนี้บริษัทกำลังดำรงตำแหน่งที่สำคัญและแข็งแกร่งในการผลิตผักใน สังคมท้องถิ่น และสามารถสร้างสรรค์สิ่งใหม่ๆ ด้วยการแนะนําพันธุ์ผักใหม่ๆ ออกสู่ตลาด การงอกที่มี

2 เทคโนโลยีสูงและผลผลิตสูง การควบคุมคุณภาพสูงสุดในอุตสาหกรรมต้องการมอบสิ่งที่ดีที่สุดที่มีให้ สร้างสรรค์การเกษตรแก่คนรุ่นต่อไป (www.aquagreenvalley.com,2567) งานวิจัยฉบับนี้จึงต้องการศึกษาหาวิธีการพยากรณ์ความต้องการสินค้าที่เหมาะสมสำหรับ สินค้าของบริษัท แอสกรีน จำกัด เพื่อประกอบการวางแผนในการสั่งซื้อสินค้าให้มีปริมาณที่เหมาะสม และลดปัญหาการเสียโอกาสในการขายผักออแกนิค ซึ่งหากการพยากรณ์สั่งซื้อสินค้านั้นไม่แม่นยำ ย่อมส่งผลต่อต้นทุนของบริษัทโดยตรง 1.2 วัตถุประสงค์ 1. เพื่อเลือกรูปแบบการพยากรณ์แบบฤดูกาลของการปริมาณสั่งซื้อสินค้า ของบริษัท แอสกรีน จำกัด 2. เพื่อจำลองสถานการณ์การพยากรณ์ปริมาณคำสั่งซื้อสินค้าของบริษัท แอสกรีน จำกัด โดยโปรแกรม SAP 1.3 ขอบเขตการศึกษาวิจัย 1.3.1 ขอบเขตด้านเนื้อหา ข้อมูลการปริมาณคำสั่งซื้อสินค้า ของบริษัท แอสกรีน จำกัด ตั้งแต่เดือนตุลาคม 2566 - มีนาคม 2567 1.3.2 ขอบเขตพื้นที่ศึกษา บริษัท แอสกรีน จำกัด 1.3.3 ขอบเขตด้านระยะเวลา ธันวาคม 2566 – มีนาคม 2567 1.5 นิยามศัพท์เฉพาะ ผักออแกนิค หมายถึง พืชผักที่ได้มาจากกระบวนการผลิตที่ถูกควบคุมไม่ให้มีการปนเปื้อน ของสารเคมี หรือเคมีสังเคราะห์ในทุก ๆ ขั้นตอนการผลิตครับ ผักออร์แกนิคจึงเป็นผักที่มีความเป็น ธรรมชาติสูง เพราะจะปลูกโดยการดัดแปลงสภาพแวดล้อมเลียนแบบธรรมชาติ ปราศจากการใช้สาร เร่งการเติบโต จึงเจริญเติบโตด้วยระยะเวลาตามธรรมชาติ การใช้สารกำจัดศัตรูพืชหากจำเป็นก็ต้อง เป็นสารกำจัดศัตรูพืชที่ได้มาจากธรรมชาติเท่านั้น หรือหากจะใช้ปุ๋ยก็ต้องเป็นปุ๋ยจากธรรมชาติเช่นกัน

3 ไฮโดรโปนิกส์หมายถึง การปลูกพืชในน้ำที่มีการผสมสารละลายอาหารในการปลูกเลี้ยง หรือ ที่เรียกกันอีกชื่อคือ ปุ๋ยน้ำ การ ปลูกผักไฮโดรโปนิกส์โดยส่วนใหญ่จะปลูกผักที่กินใบและผักหรือพืชที่ ใช้ระยะเวลาสั้นๆ ในการเก็บเกี่ยวในส่วนของผักไฮโดรโปนิกส์ที่นิยมปลูกกันมาก ได้แก่ ผักกาดหอม กรีนโอ๊ค เรดโอ๊ค กรีนคอส ฟิลเลย์ และบัตเตอร์เฮด โดยผักดังกล่าวนี้จะใช้ระยะเวลาในการเก็บเกี่ยว ประมาณ 40-60 วันเท่านั้น และนิยมนำมาประกอบอาหารในเมนูสลัดหรือกินสดๆ เชื้อเพลิงฟอสซิล หมายถึง คืออินทรีย์สารใต้พื้นโลกที่เกิดจากการทับถมกันของซากพืชซาก สัตว์ใต้ทะเลลึกเมื่อหลายพันล้านปีก่อนพร้อมกับได้รับความร้อนจากใต้พื้นพิภพ ทำให้ซากพืชซากสัตว์ ที่ทับถมกันหนาแน่นใต้ชั้นหินตะกอนเกิดการย่อยสลายกลายเป็นแหล่งสะสมของสารประกอบ ไฮโดรคาร์บอน (Hydrocarbon) ขนาดใหญ่ ที่มนุษย์นำมาใช้เป็นเชื้อเพลิงและแหล่งกำเนิดพลังงาน ต่างๆ การพยากรณ์หมายถึง การคาดการณ์โดยศึกษาจากข้อมูลเก่าและรูปแบบต่างๆ ในอดีต หลายธุรกิจใช้เครื่องมือและระบบซอฟต์แวร์เพื่อวิเคราะห์ข้อมูลจ านวนมากที่เก็บรวบรวมมาเป็น ระยะเวลานาน จากนั้นซอฟต์แวร์จะคาดการณ์ความต้องการและแนวโน้มในอนาคต เพื่อช่วยให้ บริษัทต่างๆ ตัดสินใจด้านการเงิน การตลาด และการด าเนินงานได้แม่นย ายิ่งขึ้น การสั่งซื้อสินค้าที่ประหยัดที่สุด หมายถึง ปริมาณหรือจำนวนการสั่งซื้อสินค้าที่เหมาะสม คุ้มค่า หรือประหยัดที่สุด เพื่อไม่ให้เกิดต้นทุนจมจากการสต็อกสินค้าในคลังสินค้า ไม่ว่าจะเป็นการ เคลื่อนย้าย การจัดเก็บ ต้นทุนเสื่อมสภาพ ฯลฯ สินค้าที่ปลอดภัย หมายถึง ปริมาณสินค้าที่มีเผื่อไว้ เพื่อป้องกันกรณีของขาดในการผลิต หรือ มั่นใจว่าลูกค้าจะได้รับสินค้าที่ต้องการในทันทีในกรณีที่ยอดขายมากกว่าที่คาดการไว้ แต่ข้อเสียของ Safety Stock แบบระบุเป็นจำนวนตายตัว คือบริษัทอาจจะไม่ได้มีความสามารถในการปรับตัวไปกับ สถานการณ์ของกิจการได้อย่างคล่องตัวเเละอาจก่อให้เกิดปัญหาในการการบริหารสินค้าคงคลังได้ 1.6 ประโยชน์ที่คาดว่าจะได้รับ 1. ได้ทราบรูปแบบการพยากรณ์แบบฤดูกาลของปริมาณการสั่งซื้อสินค้า ของบริษัท แอสกรีน จำกัด 2. ได้ทราบการจำลองการพยากรณ์คำสั่งซื้อสินค้าล่วงหน้า เป็นระยะเวลา 6 เดือน โดย โปรแกรม SAP

4 บทที่2 แนวคิด ทฤษฎี เอกสารและงานวิจัยที่เกี่ยวข้อง งานวิจัยครั้งนี้ศึกษายอดการสั่งซื้อสินค้าของบริษัท แอนกรีน จำกัด ได้นำเสนอแนวคิดและ ทฤษฎีต่างๆ รวมทั้งงานวิจัยที่เกี่ยวข้องกับการพยากรณ์ความต้องการสินค้าเพื่อใช้เป็นแนวทางใน การศึกษาและนำไปประยุกต์ใช้ มาพอสังเขปดังนี้ 2.1. ทฤษฎีการพยากรณ์ในรูปแบบต่าง ๆ 2.2 แผนภูมิพาเรโต (Pareto Chart) 2.3 ชนิดของการพยากรณ์ 2.4 เทคนิคการพยากรณ์ 2.5 การวัดค่าความคลาดเคลื่อนของการพยากรณ์ 2.6 วิจัยที่เกี่ยวข้อง 2.1 ทฤษฎีการพยากรณ์ในรูปแบบต่าง ๆ 2.1.1 ความหมายและความสำคัญของการพยากรณ์ การพยากรณ์ (Forecasting) หมายถึง การคาดคะเนหรือการทำนายการเกิดเหตุการณ์ หรือ สภาพการณ์ต่างๆ ในอนาคตโดยอาศัยข้อมูล ประสบการณ์ความรู้ความสามารถของผู้พยากรณ์ที่ เกิดขึ้นในอดีดมาทำการศึกษาถึงแนวโน้มหรือรูปแบบของการเกิดเหตุการณ์ในอนาคตการพยากรณ์มี บทบาทสำคัญอย่างมากในการวางแผนและการตัดสินใจเกี่ยวกับการดำเนินงานของบุคคลทุกอาชีพ และขององค์กรต่าง ๆ เช่น การวางแผนเกี่ยวกับธุรกิจการค้า การส่งออก การเกษตร การสาธารณสุข ทั้งนี้พราะว่าการวงแผนและการตัดสินใจต่างก็เกี่ยวข้องกับเหตุการณ์ในอนาคต ซึ่งโคยทั่วไป เหตุการณ์ในอนาคตเป็นสิ่งที่ควบคุมไม่ได้ เพราะฉะนั้นการพยากรณ์ เหตุการณ์ในอนาคตจึงมีความ จำเป็นอย่างมากที่ผู้บริหารระดับต่าง ๆ จะนำมาใช้เป็นเครื่องมือในการวางแผนและการตัดสินใจ อีก ประการหนึ่งในปัจจุบันนี้เป็นยุดโลกาภิวัตน์มีการพัฒนาข้อมูลข่าวสารค้านเทคโนโลยีสารสนเทศมาก ขึ้น การวางแผนและการตัดสินใจในการดำเนินธุรกิจใด ๆ จะมีความชับซ้อนมากขึ้น การพยากรณ์ ย่อมเข้ามามีบทบาทมากขึ้นในทุกวันนี้

5 2.1.2 จุดมุ่งหมายของการพยากรณ์ยอดขาย 1. การพยากรณ์เป็นการพยายามที่จะลดจำนวนความไม่แน่นอนของยอดขายที่บริษัทจะต้อง เผชิญ นั้นก็คือทางโรงงานอุตสาหกรรมต้องการจะลดความเสี่ยงในการเตรียมการในเรื่องของกำลัง การผลิต และวัสดุอุปกรณ์ที่จะต้องนำมาใช้เมื่อเกิดความผันผวนของอุปสงค์ของลูกค้าที่มักจะเกิดขึ้น อย่างเสมอ 2. เพื่อเป็นการคาดการณ์ และจัดการเกี่ยวกับการเปลี่ยนแปลงที่อาจจะเกิดขึ้น ดังเช่นเมื่อมี การคาดคะเนว่าลูกค้าจะมีการเพิ่มอุปสงค์ หรือลดอุปสงค์ ในอนาคตแล้ว จึงต้องใช้การพยากรณ์ ยอดขายในการเตรียมแผนงานที่จะรองรับกบความเปลี่ยนแปลงไว้ล่วงหน้า 3. เพื่อเป็นการติดต่อสื่อสารและเชื่อมโยงการทำงานของทีมวางแผน 4. เพื่อเป็นการคาดการณ์ระดับของสินค้าคงคลังที่ต้องการความต้องการกำลังการผลิต และการจัดการเกี่ยวกับเวลานำ (Lead Time) 5. เพื่อเป็นการกะประมาณเรื่องของต้นทุนการดำเนินงานลงไปในกระบวนการของ งบประมาณ 6. เพื่อเพิ่มศักยภาพทางการแข่งขันและการผลิต โดยการลดต้นทุน เพิ่มความสามารถในการ ส่งมอบสินค้าเพื่อตอบสนองความต้องการของลูกค้า 2.1.3 ขั้นตอนในการพยากรณ์ ในการพยากรณ์มีขั้นตอนพื้นฐานอยู่ทั้งหมด 6 ขั้นตอน ดังนี้ 1. กำหนดวัตถุประสงค์ในการพยากรณ์ว่าต้องการพยากรณ์เพื่ออะไร ต้องการผลลัพธ์จาก การพยากรณ์เมื่อไหร่ ซึ่งจะนำมาใช้เป็นแนวทางในการกำหนดข้อมูลที่ต้องใช้ สามารถจัดสรร ทรัพยากรที่จำเป็นในการพยากรณ์ รวมทั้งกำหนดระดับความแม่นยำของการพยากรณีที่ต้องการ 2. กำหนด ระยะเวลาในการพยากรณ์ เรื่องจากยิ่งพยากรณ์ในช่วงเวลานานขึ้นมากเท่าไร ความแม่นยำของการพยากรณ์จะลดลงเท่านั้น 3. เลือกวิธีการพยากรณีที่เหมาะสม เช่น การเลือกระหว่างการพยากรณ์เชิงปริมาณกับการ พยากรณ์เชิงคุณภาพ รวมทั้งเทคนิคการวิเคราะห์ข้อมูล 4. รวบรวมและวิเคราะห์ข้อมูล 5. ทำการพยากรณ์

6 6. ติดตามผลการพยากรณ์ คำนวณค่าความแม่นยำ เพื่อตรวจสอบวาวิธีการพยากรณ์ สามารถใช้ได้ผลดีและตรงกับระดับความแม่นยำที่ต้องการหากพบวาผลจากการพยากรณ์มีความ ผิดพลาดมากขึ้นก็จำเป็นต้องวิเคราะห์ข้อมูลหาวิธีการพยากรณ์ใหม่ที่มีความเหมาะสมมากยิ่งขึ้น 2.1.4 ประเภทของการพยากรณ์ การพยากรณ์หากแบ่งตามช่วงเวลาของการพยากรณ์ จะแบ่งได้ 3 ประเภท ดังนี้ 1. การพยากรณ์ระยะเวลาสั้น (Short-Range Forecasting) เป็นการคาดคะเนเหตุการณ์ ข้างหน้าไว้ในระยะไม่เกินกว่า 1 ปี สามารถนำข้อมูลใช้เกี่ยวกับการวางแผนปฏิบัติงาน หรือ ดำเนินการได้ 2. การพยากรณ์ระยะเวลาปานกลาง (Medium-Range Forecasting) เป็นการคาดการณ์ ล่วงหน้าในระยะ 1-3 ปี ข้างหน้า สามารถนำข้อมูลมาใช้ในการวางแผนการขยายโครงการเช่น ซื้อเครื่องมือเครื่องจักร อุปกรณ์ต่าง ๆ เตรียมอาคารสถานที่หรือบุคลากร เป็นต้น 3. การพยากรณ์ระยะยาว (Long-Range Forecasting) เป็นการคาดคะเนเหตุการณ์ ล่วงหน้ามากกว่า 3 ปี ขึ้นไป จะใช้มากเกี่ยวกับการวางแผนขององค์กรในอนาคต เช่น แผนการขยาย กิจการการขยายโรงงาน แผนด้านนโยบาย เป็นต้น 2.1.5 การจำแนกเทคนิคการพยากรณ์ เทคนิคการพยากรณ์สามารถจะจำแนกเป็นกลุ่มใหญ่ๆ ได้2กลุ่ม ดังนี้ 1.เทคนิคการพยากรณ์เชิงคุณภาพ เทคนิคการพยากรณ์เชิงคุณภาพเป็นการพยากรณ์ที่อาศัย ประสบการณ์ ความรู้ความสามารถ หรือวิจารณญาณของผู้รู้หรือผู้เชี่ยวชาญที่จะพยากรณ์เรื่องใด เรื่องหนึ่ง การพยากรณ์แบบนี้จะไม่มีรูปแบบ กฎเกณฑ์หรือสูตรที่ใช้ในการคำนวณที่แน่นอน และ อาจจะขึ้นหรือไม่ขึ้นอยู่กับข้อมูลในอดีตก็ได้ ตัวอย่างเทคนิคการพยากรณ์แบบนี้ได้แก่ เทคนิคการ พยากรณ์โดยใช้วิจารณญาณ (subjective forecasting methods) เทคนิคการพยากรณ์โดยใช้ วิธีการค้นหา (exploratory forecasting methods) เป็นต้น 2. เทคนิคการพยากรณ์เชิงปริมาณ เทคนิคการพยากรณ์เชิงปริมาณเป็นการพยากรณ์ที่ต้องอาศัยความรู้ทางด้านคณิตศาสตร์ และสถิติไปสร้างรูปแบบหรือสมการพยากรณ์เพื่อจะพยากรณ์ข้อมูลหรือเหตุการณ์ในอนาคตดังนั้น

7 การพยากรณ์แบบนี้จะต้องมีการใช้ข้อมูลในอดีตที่ผ่านมา ข้อมูลในอดีตจะต้องอยู่ในรูปของตัวเลข หรือสามารถแปลงเป็นตัวเลขได้ เทคนิคการพยากรณ์เชิงปริมาณสามารถแบ่งเป็น 2 แบบคือ เทคนิค การพยากรณ์แบบอนุกรมเวลา (time series models) และเทคนิคการพยากรณ์แบบเป็นเหตุเป็นผล (causal models or explanatory models) 2.1 เทคนิคการพยากรณ์แบบอนุกรมเวลา เทคนิคการพยากรณ์แบบอนุกรมเวลาเป็นการพยากรณ์ที่อาศัยข้อมูลในอดีตมาพิจารณาว่า ลักษณะการเปลี่ยนแปลงของข้อมูลดังกล่าวเมื่อเวลาผ่านไปมีลักษณะเป็นอย่างไร มีการเคลื่อนไหว มากน้อยเพียงใดโดยมีข้อสมมติว่าแผนแบบการเคลื่อไหวของข้อมูลในอนาคตจะไม่แตกต่างจากแผน แบบการเคลื่อนไหวของข้อมูลในอดีต เทคนิคหรือวิธีการพยากรณ์แบบอนุกรมเวลาสามารถแบ่ง ออกเป็นกลุ่มย่อย ๆ ได้ดังนี้ 2.1.1 วิธีแบบง่ายๆ (Naïve or last period method) วิธีนี้ค่าพยากรณ์ในอนาคต จะมีค่าเป็นสัดส่วนของข้อมูลตัวล่าสุดหรือค่าสังเกตล่าสุดซึ่งสัดส่วนอย่างไรนั้นผู้พยากรณ์จะเป็น ผู้กำหนดขึ้นมา 2.1.2 การวิเคราะห์อนุกรมเวลาแบบแยกส่วน (Decomposition or classical method) ตามวิธีการพยากรณ์ได้จากการรวมส่วนประกอบของอนุกรมเวลา ซึ่งได้แก่ ค่าแนวโน้ม ค่า ความผันแปรตามฤดูกาล ค่าความผันแปรตามวัฏจักร และค่าความผันแปรเนื่องจากเหตุการณ์ที่ ผิดปกติ ส่วนประกอบทั้ง 4 ค่านี้ ส่วนใหญ่จะหาได้จากวิธีการเฉลี่ยแบบธรรมดา (simple average) แบบเคลื่อนที่ (Moving average) แบบ Census II และวิธีกำลังสองน้อยที่สุด (Least squares method) 2.1.3 เทคนิคทำให้เรียบ (Smoothing method) วิธีการพ ยากรณ์ แบบนี้ ค่าพยากรณ์ในอนาคตจะขึ้นอยู่กับค่าสังเกตในอดีตโดยมีการให้น้ำหนัก (Weight) กับค่าสังเกตในอดีต ที่แตกต่างกันออกไป เช่น กรณีที่ให้น้ำหนักกับค่าสังเกตเท่ากันหมดทุกค่า จะเรียกว่าวิธีการเฉลี่ย เคลื่อนที่ (Moving average method) กรณีน้ำหนักกับค่าสังเกตไม่เท่ากัน จะเรียกว่าวิธีการเฉลี่ย เคลื่อนที่แบบถ่วงน้ำหนัก (Weighted moving average method) และกรณีให้น้ำหนักกับค่าสังเกต ลดหลั่นกันแบบเอกซ์โพเนนเชียล (Exponential) จะเรียกว่าวิธีการทำให้เรียบแบบเอกซ์โพเนนเชียล (Exponential smoothing method) สำหรับการทำให้เรียบแบบเอกซ์โพเนนเชียลยังมีชื่อเรียก เฉพาะอีกต่างหากซึ่งขึ้นอยู่กับลักษณะข้อมูลอนุกรมเวลา

8 2.1.4 การวิเคราะห์อนุกรมเวลาแบบบอกซ์เจนคินส์ การวิเคราะห์อนุกรมเวลาแบบ บอกซ์เจนคินส์เป็นการพยากรณ์ที่ต้องหารูปแบบที่เหมาะสมให้กับข้อมูลในอนุกรมเวลาโดยพิจารณา จากฟังก์ชั่นสหสัมพันธ์ในตัวเอง(Autocorrelation function , ACF) และฟังก์ชันสหสัมพันธ์ในตัวเอง บางส่วน (Partial autocorrelation function , PCAF) วิธีการสร้างรูปแบบดังกล่าวจะอยู่ในรูปของ ARIMA (p,d,q) (Autoregressive integrated Moving Average) ซึ่งเป็นรูปแบบที่กำหนดว่าค่า พยากรณ์ในอนาคตเป็นค่าที่ได้จากค่าสังเกตหรือว่าค่าพยากรณ์ และค่าความคลาดเคลื่อนของการ พยากรณ์ก่อนหน้านี้ 2.1.5 การพยากรณ์แบบปรับได้ (Adaptive forecasting) การพยากรณ์แบบปรับได้ เป็นการพยากรณ์ที่พัฒนามาจากวิธีการพยากรณ์การทำให้เรียบแบบเอกซ์โพเนนเชียลอย่างง่าย วิธีการแบบนี้จะมีการกำหนดค่าคงที่การทำให้เรียบ (Smoothing constant) ขึ้นมาใหม่ในแต่ละครั้ง ของการพยากรณ์ค่าสังเกต ตามลักษณะความคลาดเคลื่อนที่เกิดขึ้นจริง 2.2 เทคนิคการพยากรณ์แบบเป็นเหตุเป็นผล การพยากรณ์ด้วยวิธีนี้เป็นการศึกษาหา ความสัมพันธ์ระหว่างตัวแปรที่ต้องการพยากรณ์หรือเรียกว่า ตัวแปรตาม (dependent variables) กับตัวแปรที่มีอิทธิพลหรือมีผลกระทบต่อตัวแปรที่ต้องการพยากรณ์ ตัวแปรดังกล่าวเราเรียกว่า ตัว แปรอิสระ (Independent variables) สำหรับตัวแบบที่นิยมใช้กันมากคือ ตัวแบบการถดถอย และ ตัวแบบเศรษฐมิติ สำหรับการพยากรณ์ด้วยการหาความสัมพันธ์แบบนี้นั้นสามารถจะใช้พยากรณ์ได้ ทุกช่วงเวลา และจำเป็นต้องเก็บรวบรวมข้อมูลในการวิเคราะห์ค่อนข้างมาก แต่ให้ความแม่นยำของ การพยากรณ์ค่อนข้างสูง 2.2.1 ตัวแบบการถดถอย (Regression models) ตัวแบบการถดถอยเป็นการศึกษา ความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระ ว่ารูปแบบความสัมพันธ์นั้นควรจะเป็นแบบใดโดย อาศัยการวิเคราะห์ข้อมูลในอดีต ทั้งนั้นเพื่อให้ได้รูปแบบ (สมการการถดถอย) ไปใช้ในการพยากรณ์ ต่อไปตัวแบบการถดถอยดังกล่าวมีข้อจำกัดที่ว่าในการวิเคราะห์จะสมมติว่าตัวแปรอิสระที่กำลังนำมา วิเคราะห์หาความสัมพันธ์กับตัวแปรนั้น จะต้องเป็นตัวแปรที่สัมพันธ์กับตัวแปรตามเท่านั้นจะต้องไม่มี ความสัมพันธ์กับตัวแปรตามอื่นๆ 2.2.2 ตัวแบบเศรษฐมิติ (Econometrics models) ตัวแบบเศรษฐมิติ จะเป็นตัว แบบที่ศึกษาความสัมพันธ์เชิงเศรษฐศาสตร์ระหว่างตัวแปรที่เกี่ยวข้องกัน กล่าวคือเป็นตัวแบบคล้าย กับตัวแบบการถดถอย เพียงแต่ว่าตัวแปรอิสระที่เรากำลังศึกษากันแทนที่จะมีความสัมพันธ์กับตัวแปร

9 ตามเพียงอย่างเดียว ตัวแปรอิสระเหล่านั้นอาจจะมีความสัมพันธ์กันกับตัวแปรอื่นๆ ที่เราไม่ได้นำมา ศึกษา เช่น ต้องการศึกษาความสัมพันธ์ระหว่างรายได้กับค่าใช้จ่ายของนักศึกษามหาวิทยาลัยแห่งหนึ่ง โดยให้รายได้เป็นตัวแปรอิสระ (X) และรายจ่ายเป็นตัวแปรตาม (Y) เราจะเห็นว่ารายได้ของนักศึกษา นั้นอาจจะมีความสัมพันธ์หรือขึ้นอยู่กับรายได้ของผู้ปกครองและรายได้จากการทำงานแบบ part time เป็นต้น 2.2 แผนภูมิพาเรโต (Pareto Chart) แผนภูมิพาเรโต้ (Pareto Chart) คือ แผนภูมิผสมระหว่างกราฟแท่งและกราฟเส้น โดยกราฟ แท่งจะใช้บอกปริมาณของข้อมูล เรียงลำดับจากมากไปหาน้อย และกราฟเส้นจะบอกปริมาณของ ข้อมูลนั้นว่านับเป็นกี่เปอร์เซ็นต์ของข้อมูลทั้งหมด ซึ่งกราฟเหล่านี้จะเป็นตัวบอกเพื่อนๆว่า ปัญหา อะไรในเครื่องจักรที่ต้องได้รับการแก้ไขเป็นลำดับแรกๆ แล้วจะส่งผลให้อัตราการเสียเวลาทั้งหมด ลดลง พาเรโต้ หรือ เพรโต้ (Pareto) เป็นเครื่องมือหนึ่งที่ใช้แสดงรายละเอียดของสิ่งที่เราสนใจใน รูปแบบของกราฟผสมระหว่างกราฟแท่ง กับกราฟเส้น โดยเรียงลำดับของรายละเอียดในแต่ละหัวข้อ ตามลำดับความถี่มากไปหาถี่ที่น้อยกว่า ตามหลักของกฎ 80:20 หรือ กฏของเพลโต ที่ว่า สาเหตุหลัก 20% ส่งผลทำให้เกิดผลลัพธ์ 80% เช่น ปัญหางานแตก เกิดจากการขนย้ายซึ่งเป็นปัญหาหลัก ถ้าเรา แก้ไขปัญหาการขนย้ายได้ โอกาสที่ของเสียจะลดลงถึง 80% ดังนั้นเราต้องหาสาเหตุ หรือต้นตอของ ปัญหาหลักให้เจอ และแก้ไขโดยเร็วที่สุด สำหรับรายละเอียดส่วนใหญ่ที่นำเสนอมีหลายประเภท เช่น ปริมาณของเสีย คุณภาพสินค้า อุบัติเหตุ ความปลอดภัย การส่งมอบ ค่าใช้จ่าย ซึ่งหัวข้อเหล่านี้จะ นำไปสู่การแก้ไขปัญหา หรือวางแผนการดำเนินงานต่อไป และพาเรโต้นี้ยังนิยมใช้ประกอบการดำเนิน กิจกรรมคิวซีซีเป็นอย่างมาก ประโยชน์ที่ได้รับของพาเรโต้มีหลายประการ ได้แก่ 1. ทำให้ทราบถึงหัวข้อที่มีความถี่สูงสุด เช่น ปัญหาที่มีความสูญเสียมากที่สุด ชนิดของปัญหา ที่มีความถี่มากที่สุด 2. ทำให้ทราบอัตราส่วนของปัญหาที่เกิดขึ้น เมื่อเปรียบเทียบกับปัญหาอื่นๆ 3. ทำให้ทราบลำดับ และความสำคัญของปัญหา เป็นต้น

10 2.3 ชนิดของการพยากรณ์ 1. ความหมายของอนุกรมเวลา อนุกรมเวลา (Time series) หมายถึงค่าข้อมูลหรือค่าสังเกตที่เก็บรวบรวมตามลำดับเวลาที่ เกิดขึ้นอย่างต่อเนื่อง ช่วงเวลาที่เก็บรวบรวมข้อมูลอาจห่างเท่ากันหรือไม่เท่ากันก็ได้ แต่ส่วนใหญ่ ช่วงเวลาจะห่างกันช่วงเวลาอาจจะเป็น รายวัน รายเดือน รายสัปดาห์ รายเดือน รายไตรมาส หรือ รายปีก็ได้ เช่น ยอดขายสินค้าแผนกซุปเปอร์มาร์เก็ตของห้างสรรพสินค้าแห่งหนึ่ง ยอดขายอาจจะ เป็นรายวัน รายเดือน รายปีก็ได้ หรืออาจเป็นราคาหุ้นของธนาคารกสิกรไทยที่เปลี่ยนแปลงไปในแต่ ละวัน รูปแบบอนุกรมเวลาสามารถแบ่งออกเป็น 4 ลักษณะ คือ 1.1 แนวโน้ม ( trend สัญลักษณ์ที่ใช้คือ T ) หมายถึงการเคลื่อนไหวของอนุกรมเวลาในระยะยาวว่าน่าจะมีแนวโน้มเพิ่มขึ้นหรือลดลงและ ลักษณะแนวโน้มนั้นอาจมีแนวโน้มเป็นเส้นตรงหรือเส้นโค้งก็ได้ระยะเวลาที่จะทำให้สามารถเห็น แนวโน้มส่วนใหญ่ควรจะไม่ต่ำกว่า 10 ช่วงเวลา 1.2 ความผันแปรตามฤดูกาล (Seasonal variation สัญลักษณ์ที่ใช้คือ S) หมายถึงการเปลี่ยนแปลงของข้อมูลที่เกิดขึ้นเนื่องจากอิทธิพลของฤดูกาล ซึ่งจะเกิดขึ้นซ้ำๆ กันในช่วงเวลาเดียวกันของแต่ละปี โดยทั่วไปช่วงเวลาของฤดูกาลหนึ่งๆ มันจะสั้นกว่า 1 ปี 1.3 ความผันแปรตามวัฏจักร (Cyclical variation สัญลักษณ์ที่ใช้คือ C) หมายถึงการเคลื่อนไหวของข้อมูลที่มีลักษณะซ้ำๆกัน คล้ายกับความผันแปรตามฤดูกาล ต่างกันทีระยะเวลาของการเคลื่อนไหวของข้อมูลจะมีระยะเวลานานกว่า 1ปี โดยทั่วไปความผันแปร ตามวัฏจักรของธุรกิจมักจะมีแผนแบบของการเปลี่ยนแปลงเป็น 4 ระยะคือ ระยะเจริญรุ่งเรือง (Prosperity) ระยะถดถอยหรือชะงักงัน (Recession) ระยะตกต่ำหรือหยุดอยู่กับที่ (Depression) ระยะฟื้นตัว (Recovery) 2.4 เทคนิคการพยากรณ์ หมายถึงการเคลื่อนไหวของข้อมูลที่ไม่มีรูปแบบที่แน่นอนลักษณะของข้อมูลที่เกิดขึ้นส่วน ใหญ่จะเป็นลักษณะของเหตุการณ์ที่เราไม่ได้คาดการณ์เอาไว้ล่วงหน้า ซึ่งวิธีอนุกรมเวลามีดังต่อไปนี้

11 2.4.1 การพยากรณ์อย่างง่าย (Naïve Forecasting) วิธีการพยากรณ์นี้เป็นวิธีที่ง่ายที่สุด เมื่อทำการพยากรณ์ความต้องการสินค้าในช่วงเวลาใดๆ ก็ตาม ให้นําข้อมูลในการขายจริงของช่วงเวลาก่อนหน้ามาใช้เป็นค่าพยากรณ์ ข้อดีของวิธีการพยากรณ์นี้ คือ สามารถพยากรณ์ได้อย่างรวดเร็ว ค่าใช้จ่ายในการพยากรณ์ไม่ สูงคํานวณได้ง่ายและทำความเข้าใจวิธีการคํานวณและผลลัพธ์ของการพยากรณ์ได้ ง่าย ส่วนข้อด้อยของวิธีนี้คือผลการพยากรณ์ที่ได้อาจไม่เที่ยงตรงมากนักหากข้อมูลยอดขายจริงมี ลักษณะไม่คงที่ 2.4.2 วิธีค่าเฉลี่ยเคลื่อนที่ (Moving Average Method) วิธีค่าเฉลี่ยเคลื่อนที่เป็นวิธีที่ใช้ในการขจัดตัวที่มีผลกระทบต่อการเปลี่ยนแปลงขึ้นลง เช่น ฤดูกาล วัฏจักรธุรกิจ หรือเหตุการณ์ไม่แน่นอนที่มีอยู่ในอนุกรมเวลาให้หมดไปโดยวิธีเคลื่อนที่ ค่าเฉลี่ยเลขคณิตไปตามอนุกรมเวลาวิธีค่าเฉลี่ยเคลื่อนที่เหมาะสำหรับการพยากรณ์ในช่วงเวลา สั้น ๆ โดยเฉพาะในโรงงานที่ทำการผลิตสินค้าหลาย ๆ ชนิดที่แตกต่างกัน เช่น ปริมาณความ ต้องการต่อ อาทิตย์หรือต่อเดือน หรือรายสามเดือน ของสินค้าหลาย ๆ ชนิด เนื่องจากข้อมูลเหล่านี้ มักไม่แสดง ค่าของฤดูกาลวัฏจักรและความไม่แน่นอนต่าง ๆ ดังนั้นในการคํานวณค่าแนวโน้มของ อนุกรมเวลา ตามวิธีค่าเฉลี่ยเคลื่อนที่นี้จึงเหมาะกับข้อมูลที่ค่อนข้างจะแน่นอน อาจแบ่งได้ 2 วิธีคือ 1. ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (Simple Moving Average: SMA) เป็นการใช้ค่าจากการ สังเกตที่เพิ่งผ่านมาชุดหนึ่งและหาค่าเฉลี่ย จากนั้นจะใช้ค่าเฉลี่ยที่ได้เป็นค่าพยากรณ์สำหรับใน ช่วงเวลาถัดไป จำนวนของค่าสังเกตที่ใช้หาค่าเฉลี่ยนั้นจะถูกกำหนดขึ้นโดยผู้พยากรณ์และจะมี ค่าคงที่ตลอดไป หากยิ่งมีจำนวนค่าสังเกตที่ใช้ในการพยากรณ์มาก จะยิ่งทำให้ค่าพยากรณ์มีความ ราบเรียบมากขึ้น โดยชุมพล ศฤงคารศิริ ได้เสนอแนะว่า ถ้าค่าสังเกตในอดีตมีค่าเชิงสุ่ม (Randomness) มากก็ควรจะเพิ่มจำนวนค่าสังเกตในการพยากรณ์ให้มากขึ้น Ft= At-1+ At-2+…+At-n n โดยที่ Ft = ค่าพยากรณ์สำหรับช่วงเวลา t At-n = ค่าจริงในช่วงเวลา t-n N = จำนวนจุดของข้อมูลในการหาค่าเฉลี่ยเคลื่อนที่

12 2. ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก (Weighted Moving Average : MWA) เป็นค่าเฉลี่ย เคลื่อนที่ซึ่งมีการถ่วงน้ำหนัก เพื่อให้มีความถูกต้องมากขึ้น เพราะในทางปฏิบัติแล้วเทคนิคการ พยากรณ์จะมีการเปลี่ยนแปลงได้มาก บางช่วงอาจมีน้ำหนักมากกว่าบางช่วง วิธีการถ่วงน้ำหนักไม่มี สูตรเฉพาะที่กำหนดไว้สำหรับการตัดสินใจ ดังนั้นการใช้ค่าถ่วงน้ำหนักจึงต้องใช้ประสบการณ์ บางอย่าง เช่น ถ้าในเดือนหลังสุดมีน้ำหนักมาก การพยากรณ์อาจสะท้อนให้เห็นถึงการเปลี่ยนแปลงที่ มีมากผิดปกติในข้อมูล ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักอาจแสดงการคํานวณได้ดังสมการดังนี้ = 1−1 + 2−2 + ⋯ + − โดยที่ ∑ Wi n i=1 Ft = ค่าพยากรณ์สำหรับช่วงเวลา t At-n = ค่าจริงในช่วงเวลา t-n Wn = ค่าน้ำหนักในช่วงเวลา n N = จำนวนจุดของข้อมูลในการหาค่าเฉลี่ยเคลื่อนที่ 2.4.3 วิธีการปรับเรียบแบบเอกซ์โปเนนเชียล (Exponential Smoothing Method) อรุณี คงอนุรักษ์กุล (2552) ได้ศึกษาวิธีการพยากรณ์โดยเทคนิคปรับเรียบเอกซ์โปแนนเชียล ว่า จะมีลักษณะคล้าย ๆ กับวิธีค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนัก กล่าวคือ เราจะกำหนดน้ำหนักให้กับ ความต้องการในช่วงเวลาที่ผ่านมาลดหลั่นลงไปตามลำดับ ความเก่าของข้อมูลนั่นคือข้อมูลความ ต้องการชุดที่อยู่ใกล้กับปัจจุบันมากที่สุดจะได้รับน้ำหนักที่สูงกว่าข้อมูลความต้องการที่เก่ากว่า เป็นวิธี ที่เหมาะกับการพยากรณ์ในช่วงระยะเวลาสั้น ๆ เช่น รายวัน รายสัปดาห์ รายเดือน รายไตรมาส ดังนั้นจึงเหมาะที่จะนำมาใช้ในการพยากรณ์การผลิตและการปฏิบัติงาน และวิธีดังกล่าวยังมีความ คล่องตัวและง่ายในการปรับรูปแบบการพยากรณ์ ส่วนวิธีการปรับเรียบเอกซ์โปแนนเชียลอย่างง่ายจะ เหมาะกับข้อมูลความต้องการที่ค่อนข้างมีเสถียรภาพ หรือมีความ แปรปรวนน้อย การพยากรณ์โดย เทคนิคปรับเรียบเอกซ์โปแนนเชียล แต่ไม่เหมาะที่จะนําไปใช้กับ การพยากรณ์ลักษณะของข้อมูล ความต้องการสินค้าที่มีองค์ประกอบของแนวโน้มและฤดูกาลเข้ามา เกี่ยวข้อง ซึ่งสมการที่ใช้สำหรับ การพยากรณ์ในรูปแบบดังกล่าวนี้คือ

13 Ft =Ft-1+α(At-1 -Ft-1 ) โดยที่ Ft = ค่าพยากรณ์ Ft-1 = ค่าพยากรณ์ใหม่ในช่วงเวลา t-1 α = ค่าคงที่ปรับเรียบ, 0≤α≤1 At-1 = ค่าจริงในช่วงที่ผ่านมา t-1 เนื่องจากการใช้วิธีการพยากรณ์แบบปรับเรียบเอกซ์โปแนนเชียล จะใช้ได้ดีกับข้อมูลที่ ค่อนข้างจะคงที่ ไม่มีองค์ประกอบแนวโน้มและฤดูกาล โดยจะให้ความสำคัญกับข้อมูลทุก ๆ ตัว ตั้งแต่ ตัวแรกจนถึงข้อมูลล่าสุดเพียงแต่จะให้น้ำหนักความสำคัญกับข้อมูลล่าสุดมากที่สุด ลดหลั่นลงไปเรื่อย ตามความเก่าของข้อมูล (พิภพ ลลิตาภรณ์,2547) 2.4.4 วิธีการพยากรณ์แนวโน้ม (Trend Projection) วิธีการพยากรณ์แนวโน้ม (Trend Projection)เทคนิคนี้จะเป็นการใช้ข้อมูลในอดีตเพื่อ พยากรณ์แนวโน้มในระยะกลางถึงระยะยาว โดยอาศัยวิธีการกําลังสองน้อยที่สุด (Least Squares Method) มาช่วยโดยมีเงื่อนไขว่าค่าของข้อมูลต่าง ๆ เมื่อนํามาเขียนในเส้นกราฟแล้วต้องแสดง ความสัมพันธ์เป็นเส้นตรง โดยมีค่าเบี่ยงเบนของข้อมูลที่อยู่ห่างจากเส้นพยากรณ์ไม่มากเส้นกําลังสอง น้อยที่สุดจะทำให้เกิดจุดตัดที่แกน y (y-intercept) และค่าความชัน (slope) เกิดขึ้นกำหนด สัญลักษณ์ เป็นค่า a และค่า 6 ตามลำดับ โดยสามารถหาค่าได้จาก y = a + bx เมื่อ y = ค่าพยากรณ์สำหรับช่วงเวลา t a = ค่าตัดแกนที่ช่วงเวลา 0 b = ค่าความชันของเส้น x = ตัวแปรอิสระที่ทำให้เกิดความต้องการ 2.4.5 การพยากรณ์แบบปรับเรียบเอ็กซ์โพเนียนเชียลดับเบิลหรือแบบโฮลท์ (Double Exponential Smoothing Method หรือ Holt’s Linear Method) การพยากรณ์วิธีปรับเรียบเอ็กซ์โพเนนเชียลแบบโฮลท์(Double Exponential Smoothing Method or Holt's Linear Method) ใช้สำหรับข้อมูลทั่วไปที่มีแนวโน้ม แต่ไม่มีฤดูกาล เข้ามา

14 เกี่ยวข้องเทคนิคของโฮลท์จะมีการปรับระดับค่าคงที่ในแต่ละช่วงเวลาเพื่อประมาณระดับและความ ลาดชัน สามารถเขียนในรูปสมการได้ ดังนี้ Yt+n=Lt+nbt โดยที่ Ft = ค่าพยากรณืใหม่ในช่วงเวลา t Ft-1 = ค่าพยากรณืใหม่ในช่วงเวลา t-1 α = ค่าคงที่ปรับเรียบ, 0≤α≤1 At-1 = ค่าจริงในช่วงที่ผ่านมา t-1 2.4.6 การพยากรณ์โดยวิธีการปรับเรียบเอ็กซ์โพเนียนเชียลแบบวินเทอร์ (Holt-Winter’s Method) วิธีนี้เหมาะสำหรับข้อมูลที่มีแนวโน้ม อิทธิพลของฤดูกาล ใช้การพยากรณ์ระยะสั้นถึงระยะ ปานกลาง วิธีนี้ใช้หลักการปรับเรียบของเอ็กซ์โปเนียนเชียล และมีค่าคงที่ปรับเรียบที่เกี่ยวข้องกับ ฤดูกาล โดย Holt-Wintet’s Method มี2 รูปแบบ 1. รูปแบบการบวก (Additive Seasonal Effect) สมการที่ใช้ในการพยากรณ์ คือ Ft+n=Et+nTt+St+1-p Sinitial=Yt - ∑ Yi p p i=1 , t = 1,2, … , p โดยที่ p = จำนวนฤดูกาลใน 1 ปี เช่น ถ้าเป็นข้อมูลรายเดือน p = 12 n = ระยะเวลาที่ต้องการพยากรณ์ไปข้างหน้า ระดับของข้อมูล ณ ช่วงเวลา t = Et=α(Y1 -St-p)+(1-α)(Et-1 +Tt-1 ) แนวโน้ม ณ ช่วงเวลา t = Tt =β(Et -Et-1 )+(1-β)(Tt-1 ) ค่าฤดูกาล ณ ช่วงเวลา t = St=γ(Yt -Et )+(1-γ)(St-p) 0≤ α , β , γ ≤1 2. รูปแบบการคูณ (Multiplicative Seasonal Effect) สมการในการพยากรณ์ คือ Ft+n=(Et+nTt )St+n-p Sinitial=Yt -∑ Yi p p i=1 , t=1,2,…,p

15 ระดับของข้อมูล ณ ช่วงเวลา t = Et=α(Yt -St-p)+(1-α)(Et-1 +Tt-1 ) แนวโน้ม ณ ช่วงเวลา = Tt=β(Et -Et-1 )+(1-β)(Tt-1 ) ค่าฤดูกาล ณ ช่วงเวลา = St=γ(Yt -Et )+(1-γ)(St-p) 2.4.7 วิธีการแยกส่วนประกอบ (Decomposition) เป็นวิธีการพยากรณ์ข้อมูลอนุกรมเวลาในระยะปานกลาง โดยการแยกส่วนประกอบข้อมูล อนุกรมเวลาในอดีตเป็น 4 ส่วน คือแยกเป็นแนวโน้ม (T) ความผันแปรตามวัฏจักร (C) ความผันแปร ตามฤดูกาล (S) และความผันแปรที่ไม่แน่นอน (I) เพื่อพิจารณาว่าส่วนประกอบใดมีอิทธิพลต่อการ เปลี่ยนแปลงของข้อมูลบ้างและคำนวณหาอิทธิพลของส่วนประกอบ และนำค่าความผันแปรของแต่ ละส่วนไปพยากรณ์ค่าของข้อมูลในอนาคต โดยถือเสมือนว่าปัจจัย หรือสิ่งแวดล้อมที่เกี่ยวข้องกับ ข้อมูลอนุกรมเวลาในอนาคตเหมือนกับในอดีต ตัวแบบการพยากรณ์ Yt=Tt×St×Ct×I t ;t=1,2,… หมายเหตุ ในที่นี้จะใช้วิธีแยกส่วนประกอบตัวแบบผลคูณขั้นตอนวิธีการแยกส่วนประกอบ มีดังนี้ ขั้นที่ 1 คำนวณหาความผันแปรของฤดู (Seasonal Variation : S) 1.1) หาค่าเฉลี่ยเคลื่อนที่ (Moving Average : MA) ซึ่งเป็นการกำจัดอิทธิพลของ ฤดูกาล (S) และความผันแปรที่ไม่แน่นอน (I) ออกจากข้อมูล ดังนั้นค่าเฉลี่ยเคลื่อนที่จึงประกอบด้วย ความผันแปร 2 ส่วน คือแนวโน้ม (T) และความผันแปรตามวัฏจักร (C) หรือ MA = T x C 1.2) นำค่าเฉลี่ยเคลื่อนที่(MA) ไปหารข้อมูล (Y) จะได้ค่า S x I นั้นคือ Y / MA = Y / T x C = S x I 1.3) กำจัดค่า I ออกจาก S x I โดยการหาค่าเฉลี่ยของค่า S x I โดยไม่รวมค่า S x I ที่มีค่า สูงสุด และค่าต่ำสุด ค่าเฉลี่ยของ S x I จะเป็นอิทธิพลของฤดูกาลของแต่ละช่วงเวลา (S) ขั้นที่ 2 คำนวณหาแนวโน้ม (Trend : T) ใช้หลักการของการวิเคราะห์ความถดถอย โดยให้ตัวแปรอิสระ คือรหัสเวลา (t) และตัว แปร ตามคือแนวโน้ม ซึ่งแสดงถึงแนวโน้มของตัวแปรหรือข้อมูลอนุกรมเวลาที่สนใจในอนาคต T = a + bt โดยในการหาค่า a และค่า b จะใช้วิธีกำลังสองน้อยสุด

16 2.5 การวัดความคลาดเคลื่อนของการพยากรณ์ เนื่องจากการพยากรณ์มีหลายวิธีจึงต้องอาศัยตัวชี้วัดที่สามารถวัดได้ว่าการพยากรณ์มีค่า ความคลาดเคลื่อนอย่างไร เพื่อให้ทราบถึงวิธีพยากรณ์ที่เหมาะสมที่สุด การวัดค่าความคลาดเคลื่อน ของการพยากรณ์ คือ การวัดจากค่าสัมประสิทธิ์ ความคลาดเคลื่อนจากค่าจริงและค่าที่ได้จากการ พยากรณ์ โดยพิจารณาความใกล้เคียงที่มากที่สุด หรือมีค่าความคลาดเคลื่อนน้อยที่สุด โดยการวัดค่า ความคลาดเคลื่อนสามารถวัดได้จากวิธีการ ดังต่อไปนี้ 1.ค่าเฉลี่ยของความเบี่ยงเบนสัมบูรณ์ (Mean Absolute Deviation: MAD) เป็นวิธีวัดค่า ความคลาดเคลื่อนโดยพิจารณาจากค่าจริงกับค่าที่ได้จากการพยากรณ์ โดยไม่คำนึงถึงเครื่องหมาย ถ้าค่า MAD มีค่าความคลาดเคลื่อนน้อยจะแสดงให้เห็นว่าการพยากรณ์นั้น มีความ แม่นยำ MAD= ∑|ค่าจริง-ค่าพยากรณ์| n 2.ค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง (Mean Squared Error: MSE) เป็นวิธีวัดค่าความ คลาดเคลื่อนโดยพิจารณาจากค่าจริงกับค่าที่ได้จากการพยากรณ์ โดยวิธีการยกกำลังสอง ถ้าค่า MSE มีค่าความคลาดเคลื่อนน้อยจะแสดงให้เห็นว่าการพยากรณ์นั้นมีความแม่นยำ MSE= ∑|ค่าจริง-ค่าพยากรณ์| 2 n 3.ค่ากลางของเปอร์เซนต์ความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Percent Deviation: MAPD) MAPD= ∑|ค่าจริง-ค่าพยากรณ์| ค่าจริง ×100 4.ค่าเฉลี่ยของร้อยละความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Percent Error: MAPE) วิธีนี้เหมาะที่จะใช้วัดอนุกรมเวลาหลายชุดที่มีหน่วยของการวัดแตกต่างกัน ค่า MAPE ยิ่งน้อยจะ แสดงให้เห็นว่าการพยากรณ์นั้นมีความแม่นยำ MAPE= ∑|ค่าจริง-ค่าพยากรณ์| / ค่าจริง ×100 n

17 2.6 วิจัยที่เกี่ยวข้อง กริชชัย ขาวจ้อย ,2566 จากการศึกษาเรื่องการพยากรณ์ราคาพืชผักสำคัญแบบมีส่วนร่วมกับ เกษตรกรผู้ปลูกผัก ในจังหวัดเพชรบูรณ์ โดยมีวัตถุประสงค์ 1. เพื่อเปรียบเทียบและเลือกวิธีการ พยากรณ์อนุกรมเวลาที่ดีที่สุดในการพยากรณ์ราคาขายต่ำสุดของกะหล่ำปลี 2. เพื่อเปรียบเทียบและ เลือกวิธีการพยากรณ์ อนุกรมเวลาที่ดีที่สุดในการพยากรณ์ราคาขายสูงสุดของกะหล่ำปลี 3. เพื่อเลือก วิธีการพยากรณ์อนุกรมเวลาที่ดีที่สุดร่วมกับเกษตรกรผู้ปลูกผักในจังหวัด เพชรบูรณ์ ผลการวิจัยพบว่า 1. วิธีค่าแบบตรงตัวเหมาะสำหรับการพยากรณ์ราคาขายต่ำสุดของกะหล่ำปลีซึ่งให้ค่า MAPE=2.3275MAD=0.2538 และ MSE=1.1728(2) 2. วิธีค่าตรงตัวเหมาะสำหรับการพยากรณ์ ราคาขายสูงสุดของกะหล่ำปลี ซึ่งให้ค่า MAPE=2.1581MAD=0.3086 และ MSE=1.5377 3. เกษตรกรผู้ปลูกผักในจังหวัดเพชรบูรณ์ส่วนใหญ่ เลือกใช้วิธีการพยากรณ์ราคาขายผักแบบวิธีค่า แบบตรงตัวในการคาดการณ์ราคาล่วงหน้าสำหรับการวางแผนเก็บเกี่ยว ภัญนภัส พฤกษากิจ ,2566 จากการศึกษาเรื่องการพยากรณ์ความต้องการสินค้าผลไม้แปร รูปเพื่อการวาง แผนการผลิตกรณีศึกษาบริษัท XYZ จํากัด โดยมีวัตถุประสงค์เพื่อหาวิธีการพยากรณ์ ยอดขายที่เหมาะสม สำหรับการพยากรณ์ยอดขายผลไม้แปรรูป ทอดกรอบสุญญากาศและศึกษาถึง ประเภทของผลไม้ที่แตกต่างกัน (กล้วย มะม่วง ขนุน และสับปะรด) ส่งผลต่อการเลือกใช้วิธีการการ พยากรณ์ที่แตกต่างกันหรือไม่ จากกรณีศึกษา บริษัทXYZ จํากัด ผลการวิจัยพบว่า ผลจากการ ทดสอบวิธีการพยากรณ์ได้ผลลัพธ์ว่าวิธีการพยากรณ์แบบปรับเรียบเอกซ์โปเนนเชียล มีค่าความ ผิดพลาดตํ่าที่สุดสำหรับการพยากรณ์ยอดขายผลไม้ทอดกรอบสุญญากาศ ทั้ง4 ชนิดได้แก่ กล้วย มะม่วง ขนุน สับปะรด ค่าความผิดพลาดในการพยากรณ์เท่ากับ 88.80, 69.18, 106.60 และ114.15 ตามลำดับผู้ประกอบการแปรรูปผลไม้สามารถนําวิธีการพยากรณ์แบบวิธีปรับเรียบเอ็กซ์โพเนนเชียล มาปรับใช้เพื่อคาดการณ์ความต้องการซื้อผลไม้แปรรูป และนํามาคํานวณหาจุดสั่งซื้อวัตถุดิบที่ ประหยัดที่สุดและหาจุดสั่งซื้อซํ้าที่เหมาะสมกับรูปแบบความต้องการซื้อของกลุ่มลูกค้าได้ ณัฐพร ตั้งเจริญชัย และคณะ ,2566 จากการศึกษาเรื่องการพยากรณ์การสั่งซื้อน้ำดื่ม ที่ เหมาะสมสำหรับสินค้าคงคลังร้านค้ากรณีศึกษา โดยมีวัตถุประสงค์ 1. เพื่อเปรียบเทียบวิธีการ พยากรณ์ความ ต้องการในการสั่งซื้อสินค้าประเภทน้ำดื่มที่เหมาะสม 2.เพื่อประเมินประสิทธิภาพการ พยากรณ์น้ำดื่มในการจัดการต้นทุนการบริหารสินค้าคงคลัง ผลการวิจัยพบว่าการบริหารสินค้าคงคลัง

18 แบบใหม่ส่งผลทำให้ สามารถลดต้นทุน ซึ่งสามารถลดปริมาณการจัดการต้นทุนการบริหารสินค้าคง คลังของน้ำ ดื่มขนาด 350 มล.สามารถลดต้นทุนการ บริหารสินค้าคงคลังลงไป 1,244.17 บาท คิดเป็นร้อยละ 23.96 สำหรับน้ำดื่มขนาด 600 มล.สามารถลดต้นทุนการบริหารสินค้า คงคลัง 15,028.13 บาท คิดเป็นร้อยละ 34.82 และน้ำดื่มขนาด 1,500 มล.สามารถ ลดต้นทุนการบริหาร สินค้าคงคลัง 6,542.51 บาท คิดเป็นร้อยละ 30.68 จากข้อมูลข้างต้นสามารถลดต้นทุนการบริหาร สินค้าคง คลังโดยรวมทั้งหมด 22,814.81 บาท คิดเป็นร้อยละ 32.75 ทอมสัน ริชาร์ด และคณะ ,2566 ศึกษาการจัดการความต้องการวัตถุดิบและสต็อกความ ปลอดภัยตาม การคาดการณ์ข้อมูลและการสร้างแบบจำลอง ไดนามิกของระบบ 1. การใช้วิธีการ พยากรณ์ที่หลากหลายเพื่อ กำหนดวิธีที่ดีที่สุดในการพยากรณ์ความต้องการในอนาคต 2. คำนวณ สต็อกความปลอดภัยของพีวีซีเรซิน เพื่อหลีกเลี่ยงภาวะสต๊อกวัตถุดิบในพีวีซีเรซิน 3. การใช้วิธีการ MRP ที่หลากหลายเพื่อกำหนดวิธีที่ดีที่สุดในการวางแผนความต้องการวัตถุดิบของเรซินพีวีซี 4. ตรวจสอบการเปรียบเทียบความสามารถใน การทำกำไรที่เพิ่มขึ้นของการผลิตโดยอิงจาก ผลการ จำลองของการสร้างแบบจำลองระบบ พบว่าผลการวิจัยโดยใช้วิธีการพยากรณ์ ต่างๆ วิธีที่ดีที่สุดใน การพยากรณ์ความต้องการในอนาคตคือวิธีการ สลายตัวแบบเติมแต่ง โดยใช้สูตร Safety Stock จะได้ Safety Stock คือ 2,649.136 Kg ของเรซินโพลีไว นิลคลอไรด์ โดยใช้ วิธีการคำนวณ การวางแผนความต้องการวัสดุที่ หลากหลาย วิธีที่ดีที่สุดคือวิธีเงินป่น และวิธีต้นทุนต่อหน่วยน้อยที่สุด เนื่องจากวิธีการเหล่านี้ได้รับผลลัพธ์ เดียวกันโดยมีต้นทุนรวม 164.07 เหรียญสหรัฐ และสุดท้าย โดยใช้การ ปรับปรุงระบบที่แนะนำ บริษัทจะ มี ระดับการผลิตเพิ่มขึ้น 67.906 (40%) และรายได้ เฉลี่ยก่อนหักภาษี เพิ่มขึ้น 32.480,52 เหรียญสหรัฐ (28%) ศรัญชณาค์ภา กฤชกากาญจนพันธ์ ,2565 จากการศึกษาเรื่องการศึกษาการพยากรณ์ ยอดขายของวัตถุดิบ กรณีศึกษา : โกดังรังสิต โดยมีวัตถุประสงค์ เพื่อพยากรณ์ปริมาณความต้องการ วัตถุดิบปลากะพงให้ เหมาะสมกับความต้องการใช้งาน ผลการวิจัยพบว่า ทางร้านมีการสูญเสียของ วัตถุดิบเป็นจำนวนมากโดย ผู้วิจัยเลือกใช้หลักการพยากรณ์ด้วยโปรแกรม Minitab ในการคำนวนค่า พยากรณ์ โดยการเลือกวิธีการพยากรณ์ก่อนเพื่อได้วิธีที่เหมาะสมกับข้อมูลที่เก็บมาและผลลัพธ์ที่ได้คือ การทำวิธี Single exponential smoothing จากเดิมที่มีการสูญเสียของวัตถุดิบ 29.37 เปอร์เซ็นต์ หลังทำการปรับปรุง เหลือ 3.7 เปอร์เซ็นต์ซึ่งลดไปถึง 87.40 เปอร์เซ็นต์

19 ภัทรา วิวัฒนศร ,2565 จากการศึกษาเรื่องการพยากรณ์ความต้องการและการวางแผนการ สั่งซื้อเครื่องมือที่ใช้ในการผลิตกรณีศึกษา บริษัทผลิตชิ้นส่วนรถยนต์ โดยมีวัตถุประสงค์ 1. เพื่อ กำหนดวิธีพยากรณ์ (Forecasting) ที่เหมาะสมในการคาดการณ์ความต้องการใช้เครื่องมือ (Tooling) ของบริษัทกรณีศึกษา 2. เพื่อวิเคราะห์ปริมาณการสั่งซื้อเครื่องมือ (Tooling) ที่เหมาะสมเพียงพอต่อ ความต้องการใช้งาน ผลการวิจัยพบว่าวิธีเอ็กซ์โพเนนเชียลครั้งเดียว (Single exponential smoothing) มีค่าเฉลี่ยความคลาด เคลื่อนที่ต่ำที่สุด ผู้วิจัยจึงเลือกวิธีดังกล่าว มาใช้ในการหาค่า พยากรณ์ความต้องการสินค้าแล้วนำผลที่ได้มาวางแผนการสั่งซื้อสินค้าโดยการหาปริมาณการสั่งซื้อที่ เหมาะสม (Economic order quantity) เพื่อลดต้นทุนโดยรวมบริหารจัดการโดยใช้จุดสั่งซื้อใหม่ (Re order point) และหาจำนวนสินค้าคงคลังสำรอง (Safety stock) เพื่อควบคุมสินค้าคงคลังให้อยู่ ระดับที่เหมาะสม สุดท้าย การศึกษานี้เปรียบเทียบต้นทุนรวมของการจัดการสินค้า คงคลังแบบเดิม กับการจัดการสินค้าคงคลังแบบใหม่พบว่า การจัดการสินค้าคงคลังแบบใหม่มีต้นทุนรวมลดลงเป็น มูลค่า 916,271 บาท หรือคิดเป็นร้อยละ 42.75 ธีระพงษ์ ชูมณีและคณะ ,2565 จากการศึกษาเรื่องการประยุกต์ใช้ปัญญาประดิษฐ์กับการ พยากรณ์สินค้าในอุตสาหกรรมเครื่องดื่ม โดยมีวัตถุประสงค์เพื่อการประยุกต์ปัญญาประดิษฐ์ในการ พยากรณ์ ยอดการขายสินค้าและสร้างตัวแบบคณิตศาสตร์ในการจัดเก็บสินค้าให้เหมาะสมเพื่อลด ต้นทุนในการบริหารจัดการสินค้าคงคลัง ผลการวิจัยพบว่า จากการทดสอบการนำเทคนิคโครงข่าย ประสาทเทียมมาพยากรณ์สินค้าให้ค่าแม่นยำสูงโดยใช้การวัดค่าความคลาดเคลื่อน Root Mean Squared Error (RMSE) สำหรับสินค้าเบียร์ขนาด 620 มิลลิลิตร (CC 620 ml.) ให้ค่า RMSE เท่ากับ 0.1137 และสุราขนาด 700มิลลิลิตร (BL 700 ml.) เท่ากับ12.3654ซึ่งหากค่าผลลัพธ์ค่า RMSE น้อย จะส่งผลให้ค่าพยากรณ์มีความแม่นยำยิ่งขึ้นหลังจากนั้นได้นำค่าพยากรณ์ที่ได้จากโมเดลการพยากรณ์ นำเข้ามากำหนดนโยบายสินค้าคงคลัง โดยพบว่าสามารถลดการจัดเก็บสินค้าคงคลังจากเดิมได้ถึง 40.84% ของการจัดเก็บสินค้าคงคลังแบบเดิมและ หากพิจารณาถึงต้นทุนการจัดเก็บสามารถลด ต้นทุนได้ถึง 280,278บาทต่อเดือน โดยไม่ก่อผลให้เกิดภาวะสินค้าขาดมือทำให้สูญเสียโอกาสทางการ ขายได้ ปรียาพร เยาว์ธานี ,2565 จากการศึกษาเรื่องการพยากรณ์ปริมาณการนําเข้าและส่งออก สินค้าในกลุ่มประเทศภูมิภาคลุ่มแม่น้ำโขงตอนบนระหว่างไทย-จีนตอนใต้ (ยูนาน) โดยมีวัตถุประสงค์ 1. เพื่อศึกษาปัจจัยที่มีผลต่อปริมาณการนําเข้าและส่งออกสินค้าระหว่างไทย-จีนตอนใต้ (ยูนาน)

20 2. เพื่อพยากรณ์แนวโน้มปริมาณนําเข้าและส่งออกส่งสินค้าระหว่างไทย-จีนตอนใต้ (ยูนาน) ตั้งแต่ เดือนตุลาคม พ.ศ. 2558-เดือนธันวาคม พ.ศ. 2562 ให้ใกล้เคียงกับปริมาณความต้องการ จริงโดยใช้ วิธีการพยากรณ์แบบ ต่าง ๆ 3. เพื่อเสนอแนวนางในการพัฒนาธุรกิจการขนส่งระหว่างประเทศ ผลการวิจัยพบว่าจากการหาความสัมพันธ์ระหว่างตัวปริมาณการขนส่งสินค้า (ตัวแปรตาม) กับตัวแปร ต้นอื่นๆ พบว่าในการนําเข้าสินค้ามูลค่าการนําเข้าสินค้า มีความสัมพันธ์กับปริมาณการนําเข้าสินค้า จากจีน ณ ระดับความเชื่อมั่นร้อยละ 95 ส่วนการส่งออกสินค้านั้นไม่มีตัวแปรใดเลยที่มีความสัมพันธ์ กับปริมาณการส่งออกสินค้าจากไทย ณ ระดับความเชื่อมั่นร้อยละ 95 จากการพยากรณ์พบว่าวิธีที่ เหมาะสมในการนำมาใช้พยากรณ์ข้อมูล คือวิธีการพยากรณ์แบบแยกส่วนประกอบและจากข้อมูลการ พยากรณ์ ทำให้ทราบว่า ในไตรมาสที่ 4 ไทยนําเข้าสินค้าจากจีน สูงที่สุด ซึ่งมีค่าค่าดัชนีชี้วัดฤดูกาล (Seasonal index) เท่ากับ 1.8428 และไตรมาส ที่ 3 ไทยส่งออกสินค้าไปจีนสูงที่สุดซึ่งมีค่า Seasonal index เท่ากับ 1.4482 และผลการพยากรณ์แนวโน้มของปริมาณการขนส่งระหว่างไทยจีนตอนใต้ (ยูนาน) พบว่าทั้งการนําเข้าสินค้าจากจีนและการ ส่งออกสินค้าของไทยมีแนวโน้มที่ลดลง อย่างต่อเนื่อง อมาลี,และคณะ, 2565 ศึกษาการพยากรณ์ด้วยวิธี WEIGHTED MOVINGAVERAGE สำหรับ สต็อกการจัดหาสินค้า เพื่อควบคุมสต็อกของสินค้าให้มีเหมาะสมตามความต้องการ ผลการวิจัยพบว่า การคาดการณ์ในช่วง (t) ของสัปดาห์ที่ 1 ของ เดือนมกราคม มีสินค้า 275 รายการ นอกจากนี้ การศึกษานี้คาดการณ์สต็อกผลิตภัณฑ์ด้วยค่าเฉลี่ย เคลื่อนที่ 4 สัปดาห์ และค่าสัญญาณการติดตาม MAD อยู่ระหว่าง -1.51 ถึง 3.86 และค่า MAPE คือ 35.4% สำหรับความน่าเชื่อถือและระดับการ ยอมรับของผู้ใช้โมเดลต้นแบบในการศึกษานี้ทดสอบ ด้วยวิธี System Usability Scale (SUS) และ ทราบว่าค่าเฉลี่ยที่ผู้ตอบแบบสอบถามให้คือ 82 โดย มีรายละเอียด 0% ถือว่าไม่เหมาะสม 40% ถือว่า เป็นกลางและ 60% ให้คะแนนตามความต้องการ โลเอรา และคณะ ,2565 ศึกษาการทำความเข้าใจความตั้งใจในการซื้อผักออร์แกนิค ทั่ว EU : ข้อเสนอเพื่อขยายโมเดล TPB การศึกษานี้มีจุดมุ่งหมาย เพื่อเสนอรูปแบบการพัฒนาความตั้งใจใน การซื้อที่เป็นระบบ และเป็นนวัตกรรม ซึ่งรวม TPB เข้ากับส่วนขยายหลัก และชี้แจงสถานะเชิง ตรรกะของตัวแปรที่เกี่ยวข้อง และโครงสร้างของเส้นทางเชิงสาเหตุ ผลการวิจัยพบว่า ความตั้งใจใน การซื้อผักออร์แกนิคนั้นขึ้นอยู่กับเป็นหลัก ทัศนคติเชิงบวกทางศีลธรรม (PoMA) ต่อการบริโภค ดังกล่าวการรวม PoMA ลดลงผลกระทบของทัศนคติต่อการซื้อผักออร์แกนิค แต่ผลกระทบของ

21 บรรทัดฐานทางสังคมในอดีตพฤติกรรมและการรับรู้การควบคุมพฤติกรรมยังคงมีนัยสําคัญ ความคิด ริเริ่ม คือ การศึกษานี้เสนอรูปแบบนวัตกรรมเพื่ออธิบายความตั้งใจในการซื้อผักออร์แกนิคซึ่งรวมเอา ส่วนขยายที่สำคัญในปัจจุบันของโมเดล TPB (ความรู้ ความไว้วางใจ และเชิงบวกทัศนคติทาง ศีลธรรม) สู่เส้นทางเชิงสาเหตุแบบบูรณาการ ทำความเข้าใจความสัมพันธ์ระหว่างเว็บ ความตั้งใจใน การซื้อก่อนหน้านี้จะให้ข้อมูลที่เกี่ยวข้องกับ สิ่งที่จําเป็นมาตรการที่ได้รับการปรับปรุงและที่ไหนเป็น สิ่งจําเป็นเพื่อนําผู้บริโภคไปสู่อาหารออร์แกนิค คาฟยา บีและคณะ ,2565 จากการศึกษาเรื่องเครื่องมือพยากรณ์ความต้องการสินค้าคงคลัง อาหาร โดยมีวัตถุวัตถุประสงค์ คือตรวจสอบให้แน่ใจว่ามีสินค้าหรือวัสดุเพียงพอ ตอบสนองความ ต้องการโดยไม่สร้างสต๊อกเกิน หรือสินค้าคงคลังส่วนเกิน เพื่อจัดให้มีการดำเนินงาน ด้วยการจัดหา วัตถุดิบอย่าง ต่อเนื่องอย่างมีประสิทธิผล ผลการวิจัยพบว่า วิธีการทั้งมวลที่เรียกว่าRandom Forest เพื่อคาดการณ์ความต้องการ และเพื่อประเมินโมเดล Root Meanใช้ข้อผิดพลาดลอการิทึมกำลังสอง แดชบอร์ดถูกสร้างขึ้นสำหรับ การทำต่างๆ การตัดสินใจทางธุรกิจ ซึ่งช่วยในการลดการสูญเสียอาหาร และสินค้าคงคลังผ่าน การวิเคราะห์ ที่สมบูรณ์แบบในที่สุด เครื่องมือการตัดสินใจได้รับการพัฒนาโดย การบูณาการแบบจำลองและแผงควบคุม รัชนีวรรณ สันลาด ,2565 จากการศึกษาเรื่องการพยากรณ์ความต้องการผลผลิตผักออร์แก นิค ในจังหวัดลําปาง : กรณีศึกษา ใบบุญบ้านสวนผัก ลําปาง โดยมีวัตถุประสงค์ 1. เพื่อคัดเลือก แบบจําลองที่เหมาะสมในการพยากรณ์ความต้องการผลผลิตผักออร์แกนิค เปรียบเทียบการพยากรณ์ ความต้องการผลผลิตผักออร์แกนิคด้วยเทคนิคการวิเคราะห์อนุกรมเวลา 2. เพื่อวางแผนการผลิตและ ลดความเสี่ยงในการผลิตผักออร์แกนิคให้ตรงความต้องการของประชากรในจังหวัดลําปาง 3. เพื่อเป็น แนวทางในการลดการสูญเสียโอกาสในการผลิตผักออร์แกนิคเมื่อมีความต้องการสินค้าของกลุ่มลูกค้า เพิ่มสูงขึ้นให้กับเกษตรกร ผู้ปลูกผักออร์แกนิค ผลการวิจัยพบว่าเทคนิคการพยากรณ์ที่เหมาะสม สำหรับผักกรีนโอ๊คและผักคอส ได้แก่ วิธีปรับเรียบเอ็กโปเนนเชียลโดยวิธีของวินเทอร์ ผักเรดโอ๊ค ได้แก่ วิธี ปรับเรียบเอ็กโปเนนเชียลแบบง่าย ผักฟินเลย์ ผักขึ้นฉ่าย และผักบัตเตอร์เฮด ได้แก่ วิธีสมการถดถอยเชิงเส้นและจากการเปรียบเทียบร้อยละ ผลต่างระหว่างปริมาณของเหลือและกับ ยอดขายก่อนการใช้โมเดลและหลังการใช้โมเดล สามารถลด ปริมาณของเหลือลงได้ 5.920 % และมี ผลการเปลี่ยนแปลงของผล กําไรเท่ากับ 50.525 %

22 วัฒนา ชยธวัช ,2564 จากการศึกษาเรื่องตัวแบบมาร์คอฟในการพยากรณ์สถานะโรค โดยมีวัตถุประสงค์ การนำเสนอตัวแบบมาร์คอฟซึ่งเป็นวิธีการทางคณิตศาสตร์สถิติที่สามารถนำมาใช้ ในทางการแพทย์สามารถประยุกต์ใช้ในการวิจัยทางคลินิกเกี่ยวกับการพยากรณ์สถานะของ ผลการรักษา ผลการวิจัยพบว่าตัวแบบมาร์คอฟได้ถูกนำใช้ในการพยากรณ์สถานะโรคในต่างประเทศ และในประเทศไทย ในการวิจัยทางคลินิกในประเทศไทยมักยุติที่การทดลองได้ผลแตกต่างหรือไม่ (significant) แต่ตัวแบบมาร์คอฟสามารถให้ข้อมูลเกี่ยวกับความน่าจะเป็นในการพยากรณ์สถานะ โรคได้ บทความนี้จึงได้นำเสนอทฤษฎีลูกโซ่มาร์คอฟตั้งแต่การกำหนดสถานะ เมตริกซ์ ความน่าจะ เป็นของการเปลี่ยนสถานะ และการประเมินสถานะให้ดำเนินต่อเนื่องไปจนถึงจุดสมดุล พร้อมทั้งนำ ตัวอย่างกรณีการวิจัยนวดไทยมาแสดงโดยเริ่มตั้งแต่การประมวลผลข้อมูล การสร้างเมตริกซ์ความ น่าจะเป็นของการเปลี่ยนสถานะจากข้อมูล และการพยากรณ์ผลการรักษาไปในอนาคต ศิรัตน์ แจ้งรักษ์สกุล และคณะ ,2564 จากศึกษาเรื่องการพยากรณ์ความต้องการ: กรณีศึกษา บริษัทผลิตขวด น้ำดื่ม โดยมีวัตถุประสงค์เพื่อคัดเลือกวิธีการพยากรณ์ความต้องการของลูกค้าสำหรับ กำหนดปริมาณการผลิตสินค้าของบริษัทผลิตขวดน้ำดื่มด้วยเทคนิคการวิเคราะห์อนุกรมเวลา (Time Series Analysis) ผลการวิจัยพบว่า ทั้ง 4 วิธีให้ค่า MAPE ใกล้เคียงกัน ซึ่งวิธีที่ศึกษาแต่ละวิธีต่างเป็น วิธีการพยากรณ์ที่มีประสิทธิภาพแต่วิธีการพยากรณ์ของวินเทอร์ เป็นวิธีที่ให้รูปแบบที่เหมาะสมที่สุด และเมื่อนำ รูปแบบที่เหมาะสมที่สุดมาพยากรณ์ล่วงหน้า 12 เดือน พบว่าวิธีการพยากรณ์โดยการ วิเคราะห์การถดถอยเชิงเส้นอย่างง่าย ให้ค่า MAPE ที่ น้อยที่สุดคือ 5.12 การพยากรณ์นี้เมื่อ เปรียบเทียบกับเทคนิคเดิมให้ค่าความคลาดเคลื่อนที่ดีกว่าเท่ากับ เดิมร้อยละ 92.50 รวมถึงทำให้ สินค้าคงเหลือลดลงจากเดิมเหลือเพียง 1,613 ขวด ซึ่งลดต้นทุนในการ จัดเก็บสินค้าลง ได้ด้วย รัชนี โฆษิตานนท์ ,2564 จากการศึกษาเรื่องการพยากรณ์ความต้องการในการสั่งซื้อและ จัดการวัตถุดิบคงคลังกรณีศึกษาบริษัทผลิตเครื่องฟอกอากาศ โดยมีวัตถุประสงค์ 1. เพื่อเลือกรูปแบบ การพยากรณ์คำสั่งซื้อที่ เหมาะสมกับผลิตภัณฑ์เครื่องฟอกอากาศสำหรับบริษัทกรณีศึกษา 2. เพื่อศึกษาแนวทางในการจัดการวัตถุดิบคงคลังให้มีประสิทธิภาพ ผลการวิจัยพบว่า การพยากรณ์ วิธีปรับเรียบเอ็กซ์โปเนียนเชียลแบบวินเทอร์เชิงคูณ มีความเหมาะสมที่สุดเนื่องจากมีค่าความ คลาดเคลื่อนต่ำที่สุดโดยค่าเฉลี่ยร้อยละความคลาดเคลื่อนสมบูรณ์เท่ากับ 21 ค่าเฉลี่ยความเบี่ยงเบน สมบูรณ์เท่ากับ 4,590 ค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง เท่ากับ 37,912,638 และผลวิเคราะห์ ปริมาณการสั่งซื้อแบบประหยัดเท่ากับ 55,871 ชิ้นต่อครั้งรอบการสั่งซื้อทุก 43 วัน โดยที่ระดับการ

23 ให้บริการที่ ร้อยละ 80 ปริมาณวัตถุดิบคงคลังสำรอง เท่ากับ 14,216 ชิ้น และจุดสั่งซื้อใหม่ เท่ากับ 134,197 ชิ้น โดยมีต้นทุนรวมในการจัดการวัตถุดิบ เท่ากับ 53,753 บาทต่อปีจากข้อมูลต้นทุนรวม ในการจัดการวัตถุดิบแบบเดิม95,516 บาทต่อปีซึ่งสามารถลด ต้นทุนรวมลงได้ 41,763 บาทต่อปีหรือ ลดลงร้อยละ 43.72 ภัทร์นิธิ กีรติปัณสิริคุณ และคณะ ,2564 จากการศึกษาเรื่องการพยากรณ์ปริมาณส่งออกถั่ว แระญี่ปุ่นของบริษัท ลานนา เกษตรอุตสาหกรรม จำกัด ไปประเทศญี่ปุ่น โดยมีวัตถุประสงค์เพื่อ 1. ศึกษา สถานการณ์การผลิต การตลาด และการค้าถั่ว แระญี่ปุ่น และ 2. พยากรณ์ปริมาณส่งออก ถั่ว แระญี่ปุ่นของบริษัท ลานนาเกษตร อุตสาหกรรม จำกัด ไปยังประเทศญี่ปุ่น ผลการวิจัยพบว่า ประเทศญี่ปุ่นมีการ นำเข้าถั่วแระญี่ปุ่นจากต่างประเทศกว่า 75,000 ตันต่อปี โดยในปี พ.ศ. 2563 บริษัท ลานนาเกษตร อุตสาหกรรม จำกัด เป็นผู้ผลิตเพื่อส่งออกถั่วแระญี่ปุ่นไปประเทศญี่ปุ่นกว่า 11,076 ตัน คิดเป็นร้อยละ 14.76 ของปริมาณนำเข้าถั่วแระญี่ปุ่นรวมของประเทศญี่ปุ่นหรือคิด สัดส่วนร้อยละ 70 ของ ปริมาณส่งออกรวมของบริษัทฯ สำหรับตลาดส่งออกถั่วแระญี่ปุ่นของบริษัทฯ อื่นๆ ได้แก่ อเมริกา ยุโรป และประเทศแถบตะวันออกกลาง และ แบบจำลองที่ เหมาะสมต่อการ พยากรณ์ คือ SARIMA(0,1,1)(0,1,1)12 โดยการพยากรณ์ ปริมาณส่งออกถั่วแระญี่ปุ่นของบริษัท ลาน นาเกษตร อุตสาหกรรม จำกัด ไปยังประเทศ ญี่ปุ่น พบว่า ในปี พ.ศ. 2564 มีแนวโน้ม ลดลงร้อย ละ 4.44 เมื่อ เทียบกับปี พ.ศ. 2563 ศิรประภา ดีประดิษฐ์ ,2564 จากการศึกษาเรื่องการเปรียบเทียบเทคนิคการพยากรณ์ราคา พืชไร่ ในประเทศไทย โดยมีวัตถุประสงค์ เพื่อศึกษาวิธีการพยากรณ์ผลผลิตการเกษตรของพืช 6 ชนิด ได้แก่ ข้าวเปลือกเจ้าความชื้น ข้าวเปลือกเจ้าหอมมะลิ อ้อย โรงงาน มันสำปะหลังสด ถั่วลิสง และ ข้าวโพด ผลการวิจัยพบว่าผลการสร้างแบบจำลองเทคนิคการพยากรณ์ วิธีบ็อกซ์-เจน กินส์ เหมาะ สำหรับการพยากรณ์ราคาข้าวเปลือกเจ้าความชื้น 15% ข้าวเปลือกเจ้าหอมมะลิ 105 อ้อย โรงงาน มันสำปะหลังสด และ ข้าวโพด สำหรับการพยากรณ์ราคาถั่วลิสงใช้วิธีปรับเรียบด้วยเส้นโค้ง เลขชี้ กำลังสองครั้ง ดังนั้นการสร้างแบบจำลองจากเทคนิคการพยากรณ์ ที่ใช้มีค่า MAPE อยู่ในช่วง 1.22% ถึง 8.13% สำหรับการทดสอบแบบจำลอง พบว่าค่า MAPE ของ การพยากรณ์ราคาพืชไร่อยู่ในช่วง 2.00% ถึง 11.94% ซึ่งเป็นการพยากรณ์ที่แม่นยำ จิราพร ภู่ทองคํา ,2564 จากการศึกษาเรื่องการพยากรณ์ความต้องการของวัตถุดิบ เพื่อลด การเสียโอกาสทางการขาย กรณีศึกษาร้าน Pizza HUK T&J โดยมีวัตถุประสงค์ 1. เพื่อหาวิธีการ

24 พยากรณ์ความ ต้องการวัตถุดิบที่เหมาะสมสำหรับการจำหน่ายพิซซ่า 2. เพื่อลดปัญหาการเสียโอกาส ทางการขายได้ 3. เพื่อหาจุดสั่งซื้อใหม่ (Reorder Point) ของวัตถุดิบที่เหมาะสมต่อความต้องการ ผลการวิจัยพบว่า วิธีการพยากรณ์แบบถัวเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก (Weighted Moving Average) เป็นวิธีที่เหมาะสมที่ให้ผลลัพธ์ที่ใกล้เคียงโดยมีค่าความผิดพลาด(MAD) ต่ำที่สุดและได้นําวัตถุดิบ ทั้งหมดมาจัดกลุ่มตามความสำคัญด้วยวิธีABC Analysisแล้วจึงทำการคํานวณจุดสั่งซื้อใหม่ที่ เหมาะสมของวัตถุดิบกลุ่ม A ภายในร้าน ภายใต้สภาวะอัตราความต้องการสินค้าคงคลังแปรผันและ รอบเวลาคงที่ ค่าระดับการให้บริการ Z=90% ได้ผลลัพธ์จุดสั่งซื้อใหม่ของแป้งสําเร็จรูปเท่ากับ 73 กล่อง สับปะรด 68 ลูก และชีส 43 ถุงซึ่งการศึกษาดังกล่าวนั้น สามารถลดค่าใช้จ่ายได้มากขึ้น ทาง ร้านสามารถสั่งวัตถุดิบได้แม่นยํามากขึ้นผลจากการเปรียบเทียบวัตถุดิบโดยการพยากรณ์วัตถุดิบกลุ่ม A คือ แป้งสําเร็จรูป สับปะรด และชีส สามารถทำให้ทางร้านลดปัญหาการเสียโอกาสทางการขายได้ ถึง 8,762 บาทต่อเดือน ส่งผลให้ทางร้านมีกําไรมากขึ้น อดิศักดิ์ ทูลธรรม ,2564 จาการศึกษาเรื่องการพยากรณ์ความต้องการวัตถุดิบในการผลิต ขนมปังบิสกิต โดยมีวัตถุประสงค์เพื่อศึกษารูปแบบการพยากรณ์วัตถุดิบในการผลิตขนมปังที่มีความ คลาดเคลื่อนน้อยที่สุด ผลการวิจัยพบว่า จากการวิเคราะห์หาปัญหาโดยใช้แผนภูมิพาเรโต้ พบว่า ผลกระทบจากการพยากรณ์คือการถือครองสินค้ามากเกินข้อกำหนดของนโยบายบริษัทจำนวน 4 รายการ จากทั้งสิ้น 20 รายการคิดเป็นร้อยละ 30 ของวัตถุดิบทั้งหมด การวิเคราะห์ข้อมูลโดยใช้ รูปแบบการพยากรณ์ทั้ง 4 รูปแบบมาแก้ไขปัญหา โดยพบว่าวิธีการปรับเรียบเอกซ์โพเนนเชียล 2 ชนิดสินค้า ได้แก่ 1. SAMI01 2. SAMI04 วิธีการค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนัก 1 ชนิดสินค้า ได้แก่ SAMI02 และรูปแบบการพยากรณ์โดยวิธีการนาอีฟ 1 ชนิด สินค้า ได้แก่ SAMI03 ให้ค่าความ คลาดเคลื่อนน้อยที่สุด โดยพิจารณาจากค่าพยากรณ์ที่มีค่าความคลาดเคลื่อนน้อยที่สุด สามารถลด ปริมาณาสินค้าคงคลัง 3,864.28 ถังคิดเป็นร้อยละ 33.41 มานิสา คำวิไล ,2564 จากการศึกษาเรื่องปัจจัยส่วนประสมทางการตลาดที่มีผลต่อการ ตัดสินใจซื้อน้ำผัก และผลไม้ออร์แกนิคของผู้บริโภคในกรุงเทพมหานคร โดยมีวัตถุประสงค์ 1. ศึกษา ปัจจัยด้านส่วนประสมทางการตลาดของน้ำผักและผลไม้อินทรีย์แบบสกัดเย็นของผู้บริโภคใน กรุงเทพมหานคร 2. ศึกษาพฤติกรรมการเลือกซื้อน้ำผักและผลไม้อินทรีย์แบบสกัดเย็นของผู้บริโภคใน กรุงเทพมหานคร 3. ศึกษาปัจจัยส่วนประสมทางการตลาดที่มีอิทธิพลต่อการเลือกซื้อน้ำผักและผลไม้ อินทรีย์แบบสกัดเย็นของผู้บริโภค ในกรุงเทพมหานคร ผลการวิจัยพบว่า 1. ปัจจัยส่วนประสมทาง

25 การตลาดของน้ำผักและผลไม้อินทรีย์แบบสกัดเย็นของผู้บริโภคใน กรุงเทพมหานคร อยู่ในระดับปาน กลาง มีค่าเฉลี่ย 3.30 2. การเลือกซื้อน้ำผักและผลไม้อินทรีย์แบบสกัดเย็นของผู้บริโภคใน กรุงเทพมหานคร อยู่ในระดับปาน กลาง มีค่าเฉลี่ย 3.34 3. ส่วนประสมทางการตลาดที่มีผลต่อการ ตัดสินใจซื้อน้ำผักและผลไม้ออร์แกนิคของผู้บริโภคใน กรุงเทพมหานคร ได้แก่ ด้านสถานที่และด้าน การส่งเสริมการตลาด โดยมีอำนาจการพยากรณ์ร้อยละ 6.01 ค่าสัมประสิทธิ์สหสัมพันธ์พหุคูณ เท่ากับ 0.556 ค่าความคลาดเคลื่อนมาตรฐานในการพยากรณ์ เท่ากับ 0.598 ค่าคงที่ของสมการ พยากรณ์ เท่ากับ 1.741 ธนิสร ตั้งอารมณ์มั่น และคณะ ,2564 จากการศึกษาเรื่องการพัฒนาระบบแนะนำการส่งออก สินค้าของประเทศไทย : กรณีศึกษาผลไม้สด โดยมีวัตถุประสงค์ 1. เพื่อพัฒนาฐานความรู้ออนโทโลยี การส่งออกผลไม้สด 2. เพื่อพัฒนาระบบแนะนำการส่งออกผลไม้สดสำหรับเกษตรกรและ ผู้ประกอบการรายใหม่โดยประยุกต์ใช้ ฐานความรู้ออนโทโลยีการส่งออกผลไม้สด ผลการวิจัยพบว่า เมื่อทำการทดสอบการค้นคืนของฐานความรู้ออนโทโลยีการส่งออกผลไม้สด โดยใช้ค่าประสิทธิภาพ โดยรวม (F-measure) เป็นเกณฑ์วัดผล ประสิทธิภาพการค้นคืนสารสนเทศมีค่าความแม่นยำ (Precision) เฉลี่ยเท่ากับ 97.11 % ค่าระลึก (Recall) เฉลี่ยเท่ากับ 99.12 % และค่าประสิทธิภาพ การค้นคืน โดยรวม (F-measure) เฉลี่ยเท่ากับ 97.65 % ในส่วนของการประเมินความพึงพอใจการ ใช้ระบบจากกลุ่มเป้าหมาย พบว่ามีระดับความพึงพอใจเฉลี่ยเท่ากับ 4.22 และส่วน เบี่ยงเบน มาตรฐานเฉลี่ยเท่ากับ 0.59 รศ.ดร.พิสุทธิ์ กุลธนวิทย์ และคณะ ,2563 จากการศึกษาเรื่องการส่งออกมะม่วง กล้วย ทุเรียน และมังคุด ของไทยไปญี่ปุ่นภายใต้ความตกลงหุ้นส่วนเศรษฐกิจไทย-ญี่ปุ่น (JTEPA) โดยมี วัตถุประสงค์ 1.ศึกษาสถานการณ์การส่งออกผลไม้ของประเทศไทย 4 ประเภท ได้แก่ มะม่วง กล้วย ทุเรียน และมังคุดไปประเทศญี่ปุ่น ภายใต้ JTEPA 2. ศึกษาและวิเคราะห์ปัญหาหรืออุปสรรคของการ ส่งออกผลไม้ทั้ง 4 ประเภท ของจากประเทศไทยไปประเทศญี่ปุ่น ภายใต้ JTEPA 3. ศึกษาและ วิเคราะห์เชื่อมโยงผลการศึกษาเพื่อเสนอข้อเสนอแนะเชิงนโยบายในการแก้ปัญหาหรืออุปสรรคของ การส่งออกผลไม้ทั้ง 4 ประเภท จากประเทศไทยไปประเทศญี่ปุ่น ภายใต้ JTEPA ผลการวิจัยพบว่า หน่วยงานภาครัฐของประเทศไทยสามารถดำเนินนโยบาย หรือมาตรการต่างๆเพื่อลดอุปสรรค และ เพื่อสนับสนุนการส่งออกผลไม้ทั้ง 4 ประเภท โดย 1. เจรจาเพื่อให้ทางการญี่ปุ่นพิจารณาปรับเงื่อนไข และมาตรการต่าง ๆ ที่นำมาบังคับใช้กับการส่งออกผลไม้ทั้ง 4 ประเภท โดยเฉพาะการอบไอน้ำ

26 2. เพิ่มช่องทางการยื่นเอกสารเพื่อประกอบการส่งออกผลไม้จากประเทศไทยผ่านทางระบบออนไลน์ และปรับเป็นระบบออนไลน์ ทั้งหมดในระยะเวลาถัดไป นอกจากจะเป็นการช่วยลดระยะเวลาใน เตรียมเอกสารและยื่นเอกสารแล้วระบบออนไลน์ยังทำให้หน่วยงาน ภาครัฐของประเทศไทยมี ฐานข้อมูลเดียวกัน 3. ช่วยทำการตลาดผลไม้ทั้ง 4 ประเภท ของประเทศไทยให้เป็นที่รู้จักในตลาด ญี่ปุ่น โดยเฉพาะมะม่วงพันธุ์นำดอกไม้ มะม่วงพันธุ์มหาชนกและกล้วยหอม นุชธิดา ธนาบูรณ์ ,2563 จากการศึกษาเรื่องการพยากรณ์ความต้องการและกำหนดปริมาณ การสั่งซื้อที่เหมาะสมสำหรับสินค้าของ กรณีศึกษา : ธุรกิจนำเข้าและ จำหน่ายสินค้าประเภทของใช้ เด็ก โดยมีวัตถุประสงค์ 1.เพื่อหาแนวทางเพิ่มประสิทธิภาพในการจัดการสินค้าคงคลังโดยศึกษา วิธีการวิเคราะห์ การพยากรณ์ความต้องการและกำหนดปริมาณการสั่งซื้อที่เหมาะสมของสินค้าเพื่อ คุมต้นทุนสินค้าที่เกินความจำเป็นหรือไม่เพียงพอต่อความต้องการในธุรกิจสินค้าเด็ก 2. สามารถลด ระดับการลงทุนในสินค้าคงคลังให้ต่ำสุดเพื่อให้ต้นทุนการสั่งซื้อสินค้าต่ำลง ผลการวิจัยพบว่า วิธีการ ของโฮลท์-วินเทอร์ให้ค่าพยากรณ์ที่มีค่าเปอร์เซ็นต์ของความคลาดเคลื่อน สัมบูรณ์น้อยสุด (MAPE) สำหรับ สินค้ากลุ่ม A 6 รายการซึ่ง ประกอบด้วยสินค้า 68110 68112 68123 68127 HE0304 และ BY โดยมีค่า MAPE เท่ากับ 21.73% 18.79% 4.85% 16.95% 12.31% และ 13.69% ตามลำดับ ผลจากการใช้ปริมาณการสั่งซื้อและจุดสั่งซื้อใหม่ที่คำนวณได้จากค่าพยากรณ์ พบว่าต้นทุนรวมของ สินค้ากลุ่ม A ลดลงจาก 2,827,745 บาท เหลือ 2,495.053 บาท ลดลง 322,692 บาท หรือ 12% ชนาภา พินิจนัย ,2562 จาการศึกษาเรื่องการเปรียบเทียบวิธีการพยากรณ์คำสั่งซื้อ กรณีศึกษาบริษัท นำเข้าผลไม้ โดยมีวัตถุประสงค์ เพื่อศึกษาวิธีการพยากรณ์ที่เหมาะสมเพื่อวางแผน สั่งซื้อวัตถุดิบให้เพียงพอต่อความต้องการของลูกค้า โดยเปรียบเทียบเทคนิคการพยากรณ์ด้วยค่าเฉลี่ย เปอร์เซ็นต์ ความคลาดเคลื่อนสมบูรณ์ (Mean Absolute Percent Error, MAPE) ผลการวิจัยพบว่า วิธีการแยกตัวประกอบรูปแบบบวกเหมาะสำหรับการพยากรณ์ปริมาณคำสั่งซื้อผลไม้นำเข้าทั้ง 3 ชนิด คือ แอปเปิลเขียว 10S, แอปเปิลแดง 4M และแอปเปิลกาล่า 10S โดยมีค่าเฉลี่ยเปอร์เซ็นต์ความ คลาดเคลื่อนต่ำที่สุด เท่ากับ 21, 14 และ 19 เปอร์เซ็นต์ ตามลำดับ และสามารถลดค่าความเสียหาย จากการขาดส่งสินค้าลงได้ถึง 99.61, 76.41 และ 98.01 เปอร์เซ็นต์ ตามลำดับ วรางคณา เรียน สุทธิ์ ,2562 จากการศึกษาเรื่องการเปรียบเทียบตัวแบบพยากรณ์ราคาขาย มันเส้น โดยวิธีการพยากรณ์ทางสถิติ โดยมีวัตถุประสงค์เพื่อศึกษาการเปรียบเทียบตัวแบบพยากรณ์ ราคามันเส้นโดยวิธีการพยากรณ์ทางสถิติทั้งหมด 6 วิธี เพื่อสร้างตัวแบบพยากรณ์ที่ดีที่สุดอนุกรมเวลา

27 ราคามันเส้นเฉลี่ยต่อเดือนได้มาจาก เว็บไซต์ของธนาคารแห่งประเทศไทย ตั้งแต่ เดือนมกราคม พ.ศ. 2542 ถึง เดือน กันยายน พ.ศ. 2561 จำนวน 237 ค่า แบ่งออกเป็น 2 ชุด สำหรับการเปรียบเทียบ ความถูกต้องของตัวแบบพยากรณ์ โดยใช้เกณฑ์เปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย และเกณฑ์ รากที่สองของความ คลาดเคลื่อนกำลังสองเฉลี่ยที่ต่ำที่สุด ตัวแบบพยากรณ์ที่เหมาะสมกับอนุกรม เวลา ราคา มันเส้น โดยใช้ข้อมูลจากเว็บไซต์ของธนาคารแห่งประเทศไทย ผลการวิจัยพบว่า วิธีการ ปรับเรียบด้วยเส้นโค้งเลขชี้กำลังของวินเทอร์แบบบวกเป็นวิธีที่มีความถูกต้องและเหมาะสมมากที่สุด เมื่อใช้วิธีการปรับเรียบด้วยเส้นโค้งเลขชี้กำลังของวินเทอร์แบบบวกในการพยากรณ์ราคามันเส้น ตั้งแต่ เดือนตุลาคมถึงเดือนธันวาคม พ.ศ. 2561 ดัง Table 6 พบว่า ราคามันเส้นมีแนวโน้มเป็นไปใน ทิศทางค่อนข้างคงที่ ราคามันเส้นมีการเปลี่ยนแปลงอยู่เสมอ อาจเพราะสถานการณ์การผลิต สถานการณ์ตลาด ปริมาณความต้องการ ทั้งภายในและต่างประเทศ สภาวะ เศรษฐกิจ นโยบาย การค้า-การส่งออกระหว่างประเทศ หรือ ปัจจัยอื่นๆ ที่เกี่ยวข้อง ดังนั้นจึงควรพิจารณาตัวแปรเหล่านี้ เพื่อใช้ในการสร้างตัวแบบพยากรณ์ให้ มีความ ถูกต้องเหมาะสมมากยิ่งขึ้น ธรณินทร์ สัจวิริยทรัพย์ ,2562 จากการศึกษาเรื่องการพยากรณ์ปริมาณการส่งออกกุ้งขาวสด แช่แข็งรายเดือนด้วย ตัวแบบผสมของโฮลต์และซัพพอร์ตเวกเตอร์รีเกรสชัน ที่เน้นการลดความ ผิดพลาดอย่างเป็นระบบ โดยมีวัตถุประสงค์1. การพยากรณ์ปริมาณการส่งออกกุ้งขาวสดที่เหมาะสม สามารถสารสนเทศประกอบการวางแผนได้อย่างมีประสิทธิภาพ 2. วิธีการลดความผิดพลาดอย่างเป็น ระบบของ ตัวแบบโฮลต์ ผลการวิจัยพบว่า จากการประเมินประสิทธิภาพทั้งหมดภายใต้วิธีการ ทดสอบแบบไขว้และชุดข้อมูลเพิ่มเติมที่ถูกปิดบังไว้เพื่อใช้ทดสอบประสิทธิภาพการ พยากรณ์ค่าที่ มองไม่เห็นในอนาคต พบว่า ตัวแบบผสมที่นําเสนอมีความ แม่นยํามากที่สุด เมื่อเทียบกับตัวแบบ พยากรณ์อื่น ๆ รวมทั้งยังคงให้ประสิทธิภาพการพยากรณ์ที่ ใกล้เคียงกับประสิทธิภาพในขั้นตอน การ ทดสอบแบบไขว้ ถึงแม้จะมีค่าความคลาดเคลื่อนเพิ่มขึ้นเล็กน้อย จึงสามารถกล่าวได้ว่า วิธีการลด ความผิดพลาดอย่างเป็นระบบของตัวแบบโฮลต์ที่มีสมการที่สามารถ อธิบายได้เพียงการเปลี่ยนแปลง ของ ระดับและแนวโน้มการเปลี่ยนแปลง ของข้อมูลอนุกรมเวลาด้วยตัวแบบซัพพอร์ตเวกเตอร์รีเกรส ชันสามารถ เพิ่มความถูกต้องของการพยากรณ์ ได้มากยิ่งขึ้น วรางคณา เรียนสุทธิ์ ,2562 จากการศึกษาเรื่องการพยากรณ์ปริมาณการส่งออกปลาหมึก และผลิตภัณฑ์ โดยวัตถุประสงค์ของการศึกษาครั้งนี้คือ การสร้างและคัดเลือกตัวแบบพยากรณ์ที่ เหมาะสมกับอนุกรมเวลา ปริมาณการส่งออกปลาหมึกและ ผลิตภัณฑ์ ผลการวิจัยพบว่า จากวิธีการ

28 พยากรณ์ทั้งหมดที่ได้ศึกษาวิธีที่มีประสิทธิภาพสูงสุด คือ วิธีบ็อกซ์- เจนกินส์ (MAPE = 4.64, RMSE = 215,204) อรรถพันธ์ จันทรกานต์สกุล ,2562 จากการศึกษาเรื่องการพยากรณ์ความต้องการชิ้นส่วน เครื่องปรับอากาศสำหรับการผลิตแบบเฉพาะตามความต้องการของลูกค้า โดยมีวัตถุประสงค์ 1.เพื่อศึกษาและสร้างตัวแบบพยากรณ์ที่เหมาะสมในการพยากรณ์ความต้องการชิ้นส่วน เครื่องปรับอากาศสำหรับการผลิตแบบความต้องการเฉพาะของลูกค้า 2. เพื่อเปรียบเทียบและเลือก วิธีการพยากรณ์ที่เหมาะสมสำหรับการพยากรณ์ความต้องการชิ้นส่วนเครื่องปรับอากาศสำหรับการ ผลิตแบบความต้องการ เฉพาะของลูกค้า โดยใช้ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) และ ค่าเฉลี่ยร้อยละของความคลาดเคลื่อนสัมบูรณ์ (MAPE) เป็นค่าวัดประสิทธิภาพและความแม่นยำของ การพยากรณ์ ผลการวิจัยพบว่า 1.วิธีการพยากรณ์ที่เหมาะสมสำหรับการพยากรณ์ความต้องการ ชิ้นส่วนเครื่องปรับอากาศประเภทมอเตอร์ หมายเลข 1042420 จากการเปรียบเทียบประสิทธิภาพ และความแม่นยำของตัวแบบพยากรณ์โดยการวัดค่า MSE และค่า MAPE พบว่าวิธีการพยากรณ์ที่ เหมาะสมสำหรับการพยากรณ์ความต้องการชิ้นส่วนเครื่องปรับอากาศประเภทมอเตอร์ หมายเลข 1042420 คือ วิธีโครงข่ายประสาทเทียมแบบแพร่ย้อนกลับ เนื่องจากมีค่า MSE เท่ากับ 796.91 และ ค่าMSE เท่ากับ 69.33% ซึ่ง MSE ต่ำกว่า ค่าMAPE 2. วิธีการพยากรณ์ที่เหมาะสมสำหรับการ พยากรณ์ความต้องการ ชิ้นส่วนเครื่องปรับอากาศประเภทมอเตอร์ หมายเลข 1042773 จากการ เปรียบเทียบประสิทธิภาพและความแม่นยำของตัวแบบพยากรณ์โดยการ วัดค่าMSE. และค่า MAPE. พบว่าวิธีการพยากรณ์ที่เหมาะสมสำหรับการ พยากรณ์ความต้องการชิ้นส่วนเครื่องปรับอากาศ ประเภทมอเตอร์ หมายเลข 1042773 คือ วิธีโครงข่ายประสาทเทียมแบบแพร่ ย้อนกลับ เนื่องจากมี ค่า MSE 22521.25 และค่า MAPE91.24% ต่ำกว่า นายณัฐพล วีระชาล ,2561 จากการศึกษาเรื่องการประยุกต์ใช้เทคนิคการพยากรณ์สำหรับ บริษัทผู้ผลิตสินค้าเคมี เพื่อการเกษตร โดยมีวัตถุประสงค์ พัฒนารูปแบบการพยากรณ์ที่เหมาะสมมา ใช้ในการวางแผนการผลิตสินค้าเคมีเกษตรที่ มียอดการผลิตสูงสุด 4 อันดับแรก ประกอบด้วย Glyphosate 48 Fez48 DMA-6 และPrimatron ซึ่งคิดเป็น 36% ของยอดการผลิตทั้งหมด ผลการวิจัยพบว่าการพยากรณ์ด้วยวิธีในงานวิจัยนี้ให้ผลแม่นยำมากกว่าและคลาดเคลื่อนน้อยกว่าวิธีที่ ใช้ใน ปัจจุบัน ยกเว้นสินค้า DMA-6 เนื่องมาจากลักษณะการใช้งานของสินค้าเป็นสินค้าที่ใช้ เฉพาะเจาะจง กับพืชน้ำ ซึ่งมีจำนวนลูกค้าน้อยรายกว่า อีกทั้งวัตถุดิบที่ใช้ผลิตล้วนมาจากผู้ผลิต

29 ภายในประเทศ แตกต่างจาก Glyphosate 48 และ Fez 48 ที่ใช้ในงานกำจัดวัชพืชทั่วไปเกือบทุก ชนิด ทำให้มีจำนวนลูกค้ามากรายกว่า จึงเป็นสาเหตุทำให้วิธีพยากรณ์ที่ใช้ในปัจจุบันของ DMA-6 มี ค่าความ คลาดเคลื่อนต่ำกว่า วิธี Decomposition วัชรชัย อินธิปีก ,2561 จากการศึกษาเรื่องการพยากรณ์ความต้องการสินค้าและการวาง แผนการผลิต กรณีศึกษา โรงงานแปรรูปเนื้อเป็ด โดยมีวัตถุประสงค์เพื่อลดความคลาดเคลื่อนของการ พยากรณ์สินค้าและ หาวิธีการพยากรณ์ที่เหมาะสม ผลการวิจัยพบว่า วิธีการพยากรณ์ที่เหมาะสม สำหรับสินค้ากลุ่มผลิตภัณฑ์เป็ดสดทั้งตัวคือ วิธี ARIMA(0,1,1) ซึ่งให้ค่า MAD 99.72 พันตัว สำหรับ สินค้ากลุ่มผลิตภัณฑ์เนื้อหน้าอก คือ วิธี ARIMA(1.0,1) ซึ่งให้ค่า MAD 18.46 ตัน สำหรับสินค้ากลุ่ม ผลิตภัณฑ์เนื้อน่อง สะโพก คือ Linear Regression Method ซึ่งให้ค่า MAD 23.75 ตัน สำหรับ สินค้ากลุ่มผลิตภัณฑ์ปีกเป็ด คือ ARIMA(1,0,1) ซึ่งให้ ค่า MAD 16.18 ตัน และสำหรับสินค้ากลุ่ม ผลิตภัณฑ์ขาเป็ด คือ Linear Regression Method ซึ่งให้ค่า MAD 15.64 ตัน และ การทดสอบ วิธีการพยากรณ์ด้วยว่า วิธีการพยากรณ์ที่เลือกมา เมื่อเทียบกับข้อมูลย้อนหลังปี 2559 เทียบกับปี 2560 พบว่า ค่า ความคลาดเคลื่อนส่วนใหญ่มีร้อยละ ที่ลดลงเมื่อใช้วิธีการ พยากรณ์จากงานวิจัยที่ เกิดขึ้น ซึ่งสามารถอธิบายได้ว่า วิธีการ พยากรณ์ดังกล่าวมีความเมาะสม ที่เจะลือกได้วิธีกี่พยากรณ์ เหล่านี้ไปพยากรณ์ปริมาณความต้องการในปี 2561 และ วางแผนการผลิตต่อไป

30 บทที่ 3 วิธีดำเนินการวิจัย การศึกษาครั้งนี้เป็นการวิเคราะห์การวางแผนการสั่งซื้อวัตถุดิบในเหตุการณ์อนาคตที่ยังไม่ เกิดขึ้นจากทฤษฎีที่ได้ทำการศึกษาในบทที่ 2 ในการดำเนินการศึกษาครั้งนี้เป็นการวิเคราะห์และวาง แผนการเรียกเข้าวัตถุดิบ โดยได้ทำการใช้ข้อมูลการเรียกเข้าวัตถุดิบในอดีต เพื่อหาตัวแบบที่มีค่า ความคาดเคลื่อนน้อยที่สุดมาใช้กำหนดในระบบการพยากรณ์โดยใช้โปรแกรม MINITAB เป็นตัวช่วย ในการตัดสินใจเพื่อหาเทคนิคการพยากรณ์ที่เหมาะสม โดยการศึกษาครั้งนี้จะใช้วิธีการพยากรณ์แบบ ฤดูกาล (Time series method) ที่ใช้พยากรณ์คำสั่งซื้อในอนาคต โดยคาดว่าจะมีลักษณะที่ สอดคล้องกับคำสั่งซื้อในปัจจุบันหรืออนาคต และการจำลองสถานการณ์ใน SAP เพื่อจำลองแผนการ สั่งซื้อ สำหรับข้อมูลดิบที่นำมาศึกษาใช้สำหรับการพยากรณ์คือข้อมูลยอดขายสินค้าย้อนหลัง 6 เดือน ของเดือนตุลาคม พ.ศ. 2566 ถึงเดือนมีนาคม พ.ศ. 2567 โดยมีขั้นตอนการดำเนินงานดังนี้ ขั้นตอนการดำเนินงาน 3.1 วิธีการดำเนินงาน 3.2 การเก็บรวบรวมข้อมูลทุติยภูมิ 3.3 ประชากรและกลุ่มตัวอย่าง 3.4 คัดเลือกกลุ่มตัวอย่างผลิตภัณฑ์ที่ใช้ในการศึกษา 3.5 เครื่องมือที่ใช้ในการวิเคราะห์ข้อมูล 3.6 ศึกษาและวิเคราะห์ลักษณะของข้อมูล 3.7 ขั้นตอนการวิเคราะห์ค่าสัมประสิทธิ์อัตตสหสัมพันธ์ 3.8 การจำลองสถานการณ์ด้วยโปรแกรม SAP 3.1 วิธีการดำเนินงาน การศึกษานี้เป็นการศึกษาตัวแบบจำลองวิธีการพยากรณ์หาค่าที่เหมาะสมและแม่นยำที่สุด เพื่อช่วยแก้ไขปัญหาโดยการพยากรณ์เชิงปริมาณเพื่อวางแผนการจัดซื้อผัก เพื่อสนับสนุนการตัดสินใจ ในการเลือกวิธีการพยากรณ์ที่เหมาะสมที่สุด โดยมีขั้นตอนวิธีการดำเนินงาน ดังแผนภาพนี้

31 ภาพที่ 3.1 กรอบการดำเนินงานวิจัย 3.2 การเก็บรวบรวมข้อมูล ข้อมูลที่ใช้ในการศึกษาวิจัยจะเป็นข้อมูลทุติยภูมิ(Secondary Data) ได้แก่ ข้อมูลปริมาณคำ สั่งซื้อรายเดือนของบริษัท แอสกรีน จำกัด โดยจะแบ่งข้อมูลออกเป็น 2 ส่วน คือ 1. เพื่อวิเคราะห์ปริมาณคำสั่งซื้อของสินค้าและคัดเลือกสินค้ามาเป็นกลุ่มตัวอย่างจะใช้ข้อมูล ตั้งแต่เดือนตุลาคม พ.ศ. 2566 ถึงเดือนมีนาคม พ.ศ. 2567 รวมทั้งหมด 6 เดือน มาดำเนินการ 2. เพื่อศึกษาวิธีการพยากรณ์ด้วยอนุกรมเวลาและกำหนดรูปแบบที่เหมาะสมจะใช้ข้อมูล ตั้งแต่เดือนตุลาคม พ.ศ. 2566 ถึงเดือนมีนาคม พ.ศ. 2567 รวมทั้งหมด 6 เดือน มาดำเนินการศึกษา

32 3.3 ประชากรและกลุ่มตัวอย่าง 1. ประชากรทั้งหมดที่ใช้ในการวิจัยครั้งนี้คือสินค้าผัก ทั้งหมด 30 รายการ ของบริษัทแอสกรีน จำกัด ตารางที่ 3.1 ประชากรและกลุ่มตัวอย่างที่ใช้ในการวิจัย ลำ ดับ รายการ สินค้า คำสั่งซื้อ เดือนต.ค. 66 คำสั่งซื้อ เดือนพ.ย. 66 คำสั่งซื้อ เดือนธ.ค. 66 คำสั่งซื้อ เดือนม.ค. 67 คำสั่งซื้อ เดือนก.พ. 67 คำสั่งซื้อ เดือนมี.ค. 67 รวม คำสั่ง ซื้อ 1 Romaine Heart 105 532 1900 1100 600 580 4817 2 Butter Head Lettuce 50 98 245 140 110 120.1 763.1 3 Red leaf lettuce (coral) 10 66 148 150 256 80 710 4 Green leaf lettuce (coral) 12 20 210 160 180 100 682 5 Large Tomatoes 10 75 61.5 236.5 65.1 45 493.1 6 Frisee 12 120 77 70 100 69 448 7 Radicchio 9 39 58 30 72.5 54 262.5 8 Poblano peppers 16 45 76 87 19.7 17 260.7 9 ltalian Basil 8 16 54 65 54 26 223 10 Rocket / Arugula 5 24 43 24 42 31 169 11 Green Butter 5 0 16 63 0 32 116 12 Baby Spinach 7 14 16 24.2 25 20 106.2 13 Red Coral 7 0 43 7 0 5 62 14 Kale 8 8 21 2 10 9 58 15 Fresh Mint (Spearmint) 5 0 38 5 0 4 52 16 Green Cherry tomatoes 6 11 16 12 0 6 51 17 Red cherry tomatoes 6 10 16 10 0 6 48 18 Red Oak 9 7 17 7 0 5 45

33 ตารางที่ 3.1 ประชากรและกลุ่มตัวอย่างที่ใช้ในการวิจัย (ต่อ) ลำ ดับ รายการ สินค้า คำสั่งซื้อ เดือนต.ค. 66 คำสั่งซื้อ เดือนพ.ย. 66 คำสั่งซื้อ เดือนธ.ค. 66 คำสั่งซื้อ เดือนม.ค. 67 คำสั่งซื้อ เดือนก.พ. 67 คำสั่งซื้อ เดือนมี.ค. 67 รวม คำสั่ง ซื้อ 19 Small Cherry Tomato on Vine 6 7 16 10 0 6 45 20 Crystal Green Romaine 6 7 4 10 13 4 44 21 Green Coral 11 0 17 7 0 5 40 22 Yellow cherry tomatoes 6 9 8 10 0 6 39 23 Red Butter 8 0 16 7 0 5 36 24 Red Romaine 7 10 4 10 0 4 35 25 Green Oak 5 0 17 7 0 5 34 26 Lime 7 0 21 0 0 0 28 27 Yellow sweet pepper 7 0 6 5 0 0 18 28 Orange sweet peppers 7 0 6 5 0 0 18 29 Red sweet peppers 5 0 6 5 0 0 16 30 cucumber 7 0 5 0 0 0 12

34 2. กลุ่มตัวอย่างที่ใช้ในการพยากรณ์กลุ่มตัวอย่างที่ใช้ในการวิจัยครั้งนี้ผู้วิจัยได้เลือกกลุ่ม ตัวอย่างแบบไม่ใช้ความน่าจะเป็นโดยใช้วิธีการเลือกกลุ่มตัวอย่างแบบเจาะจง (Purposive sampling) โดยใช้ข้อมูลปริมาณคำสั่งซื้อย้อนหลัง 6 เดือน ของเดือนตุลาคม พ.ศ. 2566 ถึงเดือน มีนาคม พ.ศ. 2567 ได้ข้อมูลจากผู้บริหารของบริษัทแอสกรีน จำกัด เลือกรายการสินค้าผักที่มียอด ปริมาณคำสั่งซื้อมากที่สุด 5 รายการสินค้า ดังนี้ ตารางที่ 3.2 กลุ่มตัวอย่างที่ใช้พยากรณ์ ลำดับ รายการสินค้า คำสั่งซื้อรวม 6 เดือน 1 Romaine Heart 4817 2 Butter Head Lettuce 763.1 3 Red leaf lettuce (coral) 710 4 Green leaf lettuce (coral) 682 5 Large Tomatoes 493.1 เป็นตารางแสดงปริมาณคำสั่งซื้อตลอดระยะเวลา 6 เดือนที่เก็บข้อมูล เพื่อให้ทราบว่าก่อนทำ การพยากรณ์ได้มีปริมาณความเสียหายเท่าไหร่ 3.4 คัดเลือกกลุ่มตัวอย่างสินค้าที่ใช้ในการศึกษา นำข้อมูลปริมาณคำสั่งซื้อสินค้าทั้งหมด 5 รายการ ตั้งแต่เดือนตุลาคม พ.ศ. 2566 ถึงเดือน มีนาคม พ.ศ. 2567 เป็นเวลา 6 เดือน มาทำการคัดเลือกกลุ่มตัวอย่างสินค้าที่ใช้ในการศึกษา วิจัยนี้ ด้วยแผนภูมิพาเรโต ในแง่ของปริมาณคำสั่งซื้อสินค้าและยอดขายสินค้าสะสมใน 80% มาปรับปรุง แก้ไขก่อนเป็นอันดับแรก

35 ภาพที่ 3.1 แผนภูมิพาเรโตแสดงลำดับเปอร์เซ็นต์ยอดคำสั่งซื้อสินค้าจากมากไปน้อย ภาพที่ 3.2 แผนภูมิพาเรโตแสดงลำดับยอดขายสินค้าจากมากไปน้อย 3.5 เครื่องมือที่ใช้ในการวิเคราะห์ ใช้คอมพิวเตอร์ช่วยในการพยากรณ์โดยใช้โปรแกรม MINITAB และโปรแกรม SAP 0% 20% 40% 60% 80% 100% 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 Romaine Heart Red leaf lettuce (coral) Large Tomatoes Radicchio ltalian Basil Green Butter Red Coral Fresh Mint (Spearmint) Red cherry tomatoes Small Cherry Tomato On… Green Coral Red Butter Green Oak Yellow sweet pepper Red sweet peppers ยอดค ำสั่งซื้อสะสม(%) ยอดค ำสั่งซื้อ(กิโลกรัม) ชนิดสินค้ำ 0% 20% 40% 60% 80% 100% 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 Romaine Heart Red leaf lettuce (coral) Large Tomatoes Radicchio ltalian Basil Baby Spinach Red Oak Green Coral Red cherry tomatoes Red Coral Red Romaine Yellow cherry tomatoes Small Cherry Tomato On… Yellow sweet pepper Lime ยอดขำยสินค้ำ สะสม(%) ยอดขำยสินค้ำ (กิโลกรัม) ชนิดสินค้ำ

36 3.6 ศึกษาและวิเคราะห์ลักษณะของข้อมูล พิจารณาข้อมูลปริมาณคำสั่งซื้อระดับรายเดือนของสินค้ากลุ่มตัวอย่าง ตั้งแต่เดือนตุลาคม พ.ศ. 2566 ถึงเดือนมีนาคม พ.ศ. 2567 เป็นเวลา 6 เดือน มาทำการศึกษาและวิเคราะห์ตาม รายละเอียดดังนี้ 3.1.6.1 ศึกษาการเคลื่อนไหวของข้อมูล นำข้อมูลปริมาณคำสั่งซื้อของสินค้ากลุ่มตัวอย่างทั้ง 5 ชนิด มาเขียนในรูปแบบกราฟ เพื่อศึกษาลักษณะการเคลื่อนไหวของข้อมูลว่ามีแนวโน้มในแต่ละ เดือนเป็นแบบใด 3.1.6.2 กำหนดรูปแบบการพยากรณ์ที่เหมาะสมในงานวิจัยนี้จะเปรียบเทียบเทคนิคการ พยากรณ์ แบบอนุกรมเวลาทั้งหมด 5 วิธีได้แก่ 1.วิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) 2.วิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) 3. เทคนิคการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) 4. เทคนิคการพยากรณ์ด้วยวิธีการแบบฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) 5. เทคนิคการพยากรณ์ด้วยวิธีการแบบฤดูกาลแบบบวก (Additive Holt-Winters Method) โดยใช้โปรแกรม Minitab เป็นเครื่องมือช่วยในการคำนวณค่า การพยากรณ์ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์(Mean Absolute Deviation - MAD) และค่าเฉลี่ย เปอร์เซ็นต์ความคลาดเคลื่อน (Mean Absolute Percent Error - MAPE) ของสินค้ากลุ่มตัวอย่างทั้ง 5 รายการ โดยเทคนิควิธีการพยากรณ์ใดให้ค่า MAD และ MAPE ต่ำที่สุด จะถูกเลือกใช้เป็นตัวแบบ การพยากรณ์ที่เหมาะสมสำหรับพยากรณ์ปริมาณคำสั่งซื้อของสินค้าชนิดนั้นๆ นอกจากนี้ยังใช้ โปรแกรม SAP เพื่อจำลองสถานการณ์คำสั่งซื้อของสินค้า