37 3.7 ขั้นตอนการวิเคราะห์ค่าสัมประสิทธิ์อัตตสหสัมพันธ์ 3.7.1 การหาพารามิเตอร์ที่ใช้ในการพยากรณ์แบบแยกส่วนประกอบ (Decomposition) มีขั้นตอนดังต่อไปนี้ 1. เปิดโปรแกรม MINITAB → เลือกเมนูStat → Time series →Decomposition ภาพที่ 3.3 การใช้คำสั่ง Decomposition 2. เมื่อหน้าต่าง Composition แสดงขึ้น ให้เลือกชุดข้อมูลที่ต้องการที่จะทำการวิเคราะห์ใน ช่องของ Variable ต้องกรอกช่องฤดูกาลให้เป็น 30 ช่อง โดยต้องกรอกช่วงเวลาในชวง Seasonal Length เป็น 3 เนื่องจากต้องการวิเคราะห์ข้อมูลในช่วง 3 เดือน ส่วนช่องของ Model Type เลือกที่ ช่อง Multiplicative จากนั้นเลือก OK ภาพที่ 3.4 การกรอกข้อมูลในหน้าต่าง Composition
38 3. เมื่อกรอกข้อมูลต่างๆ ที่ใช้ประกอบการวิเคราะห์ประเมิณตัวแบบพยากรณ์แล้วโปรแกรม จะคำนวณและแสดงผลออกมาเป็นรายงานในรูปแบบดังนี้ ภาพที่ 3.5 การแสดงผลกราฟค่า Decomposition แบบคูณ จากรูปที่ 3.6 โปรแกรม Minitab สามารถที่จะแสดงแนวโน้มของคำพยากรณ์และสามารถที่ จะวิเคราะห์หาค่าของความคลาดเคลื่อนได้ 3 ค่า คือ MAPE , MAD และ MAD 4. เมื่อหน้าต่าง Composition แสดงขึ้น ให้เลือกชุดข้อมูลที่ต้องการที่จะทำการวิเคราะห์ใน ช่องของ Variable ต้องกรอกช่องฤดูกาลให้เป็น 30 ช่องของ Seasonal Length Model Type เลือก Additive, Model Components เลือก Trend Plus Seasonal จากนั้นก็กดตกลง ภาพที่ 3.6 การกรอกข้อมูลในหน้าต่าง Composition
39 3. เมื่อกรอกข้อมูลต่างๆ ที่ใช้ประกอบการวิเคราะห์ประเมิณตัวแบบพยากรณ์แล้วโปรแกรม จะคำนวณและแสดงผลออกมาเป็นรายงานในรูปแบบดังนี้ ภาพที่ 3.7 การแสดงผลกราฟค่า Decomposition แบบบวก จากรูปที่ 3.8 โปรแกรม Minitab สามารถที่จะแสดงแนวโน้มของคำพยากรณ์และสามารถที่ จะวิเคราะห์หาค่าของความคลาดเคลื่อนได้ 3 ค่า คือ MAPE , MAD และ MAD 3.7.2 การหาพารามิเตอร์ที่ใช้ในการพยากรณ์แบบเอกโปแนนเชียลซ้ำสองครั้ง (Double exponential smoothing) มีขั้นตอนดังต่อไปนี้ 1. เปิดโปรแกรม MINITAB → เลือกเมนู Stat → Time series → Double exp smoothing ภาพที่ 3.8 การเลือกฟังก์ชัน Double exponential smoothing
40 2. เมื่อหน้าต่าง Double exp smoothing แสดงขึ้น ให้เลือกชุดข้อมูลที่ต้องการที่จะทำการ วิเคราะห์ในช่อง Variable และเลือกช่อง Optimal ARIMA เพื่อให้โปรแกรมหาค่าพารามิเตอร์โดย อัตโนมัติจากนั้นเลือก OK ภาพที่ 3.9 การใส่ค่าพารามิเตอร์ในฟังก์ชัน Double exponential smoothing 3. เมื่อกรอกข้อมูลต่างๆ ที่ใช้ประกอบการวิเคราะห์ประเมิณตัวแบบพยากรณ์แล้วโปรแกรม จะคำนวณและแสดงผลออกมาเป็นรายงานในรูปแบบดังนี้ ภาพที่ 3.10 การคำนวณและแสดงผลออกมาเป็นรายงาน จากรูปที่ 3.11 โปรแกรม Minitab สามารถที่จะแสดงแนวโน้มของคำพยากรณ์และสามารถ ที่จะวิเคราะห์หาค่าของความคลาดเคลื่อนได้ 3 ค่า คือ MAPE , MAD และ MAD และจะได้ค่าแอล ฟ่าที่มาจากส่วนของการปรับเรียบ (α) กับค่าแกรมม่าที่มาจากส่วนของแนวโน้ม (γ)
41 3.7.3 การหาพารามิเตอร์ที่ใช้งานในการใช้เทคนิคการพยากรณ์แบบฤดูกาล (Winter’s method ) มีขั้นตอนดังต่อไปนี้ 1. เปิดโปรแกรม MINITAB → เลือกเมนู Stat → Time series → Winter’s method ภาพที่ 3.11 การเลือกฟังก์ชัน Winter’s method 2. เมื่อเลือกเขาสู่หน้าตางของวิธี Winter’s Method ให้เลือกชุดข้อมูลที่ต้องการ วิเคราะห์ ตัวแบบในช่องตัวแปร Variable โดยต้องกรอกช่วงเวลาในชวง Seasonal Length เป็น 3 เนื่องจาก ต้องการวิเคราะห์ข้อมูลในช่วง 3 เดือน ส่วนช่องของ Model Type เลือกที่ช่อง Multiplicative และ Additive สำหรับกรอบของกลุ่มข้อมูล Weights to Use in Smoothing จะเป็น การกำหนดค่า แอลฟา และเบต้า ที่ได้จากการหาพารามิเตอร์ในการวิเคราะห์แบบ Double Exponential Smoothing Method จากนั้นเลือก OK ภาพที่ 3.12 หน้าต่างกรอกข้อมูลของวิธี Winter’s method ทั้งแบบบวกและแบบคูณ
42 3. เมื่อกรอกข้อมูลต่างๆ ที่ใช้ประกอบการวิเคราะห์ประเมิณตัวแบบพยากรณ์แล้วโปรแกรม จะคำนวณและแสดงผลออกมาเป็นรายงานในรูปแบบดังนี้ ภาพที่ 3.13 กราฟแสดงค่าจากการวิเคราะห์แบบ Winter’s method ทั้งแบบบวกและแบบคูณ จากรูปที่3.14 โปรแกรม Minitab สามารถที่จะแสดงแนวโน้มของคำพยากรณ์และสามารถที่ จะคำนวณหาค่าความคลาดเคลื่อนออกมาได้ 3 ค่า คือ MAPE , MAD , MAD (MSE) 3.8 การจำลองสถานการณ์ด้วยโปรแกรม SAP จากการศึกษาการพยากรณ์คำสั่งซื้อด้วยโปรแกรม MINITAB จึงทำการจำลองสถานการณ์ คำสั่งซื้อ โดยโปรแกรม SAP ภาพที่ 3.14 การเปิดโปรแกรม SAP โดยโมดูล MRP
43 ภาพที่ 3.15 นำข้อมูลที่พยากรณ์ได้ใน MINITAB มาใส่ในโมดูล Forecasts
44 บทที่4 ผลการวิจัย จากการศึกษาวิเคราะห์ข้อมูลปริมาณคำสั่งซื้อสินค้าทั้งหมด จำนวน 30 รายการ ถูกคัดเลือก มาเป็นกลุ่มตัวอย่าง อ้างอิงตามแผนภูมิพาเรโต ที่เลือกคำสั่งซื้อสินค้าสูงสุดมาพยากรณ์มีจำนวน 5 รายการ ได้แก่ 1. Romaine Heart 2. Butter Head Lettuce 3. Red leaf lettuce (coral) 4. Green leaf lettuce (coral) 5. Large Tomatoes และได้ทำการพล็อตกราฟตาม หลักการ วิเคราะห์แบบอนุกรมเวลาด้วยโปรแกรมวิเคราะห์ผลทางสถิติ Minitab พบว่าข้อมูลนั้นมีลักษณะ เป็น ฤดูกาล (Seasonal) และวัฏจักร (Cyclical Variation) ซึ่งจะต้องนำข้อมูลดังกล่าวมาศึกษาและ เปรียบเทียบหารูปแบบการพยากรณ์ที่เหมาะสมต่อสินค้าในแต่ละชนิดต่อไป โดยสามารถ สรุปผลการ ดำเนินงานได้ดังนี้ ภาพที่ 4.1 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Romaine Heart
45 ภาพที่ 4.2 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Butter Head Lettuce ภาพที่ 4.3 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Red leaf lettuce (coral)
46 ภาพที่ 4.4 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Green leaf lettuce (coral) ภาพที่ 4.5 การพล็อตกราฟอนุกรมเวลาของปริมาณคำสั่งซื้อ Large Tomatoes
47 4.1 ผลการศึกษาลักษณะการเคลื่อนไหวของข้อมูลปริมาณคำสั่งซื้อสินค้า จากการพิจารณาข้อมูลปริมาณคำสั่งซื้อระดับรายเดือนของสินค้ากลุ่มตัวอย่างทั้ง 5 ชนิด ตั้งแต่เดือนตุลาคม พ.ศ. 2566 ถึงเดือนมีนาคม พ.ศ. 2567 จำนวน 6 เดือน ตามภาพที่ 4.1 – 4.6 แสดงให้เห็นว่า ปริมาณคำสั่งซื้อมีการแปรผันไม่สม่ำเสมอในแต่ละเดือน แต่เมื่อพิจารณาปริมาณคำ สั่งซื้อในแต่ละเดือนจะมีแนวโน้มเพิ่มขึ้นหรือลดลงในลักษณะเช่นเดียวกันในทุกๆ เดือน ซึ่งอาจได้รับ อิทธิพลมาจากฤดูกาล ดังนั้น จึงเสนอการเปรียบเทียบรูปแบบการพยากรณ์ตามลักษณะของข้อมูลที่มี การเคลื่อนไหวแบบแนวโน้มและมีอิทธิพลของฤดูกาลมาเกี่ยวข้อง จำนวนทั้งหมด 5 วิธี ได้แก่ 1.วิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) 2.วิธีการแยก ส่วนประกอบรูปแบบบวก (Additive Decomposition Method) 3. เทคนิคการปรับเรียบแบบเอก โปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) 4. เทคนิคการพยากรณ์ด้วย วิธีการแบบฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) 5. เทคนิคการพยากรณ์ด้วย วิธีการแบบฤดูกาลแบบบวก (Additive Holt-Winters Method) ภาพที่ 4.6 ข้อมูลปริมาณคำสั่งซื้อสินค้า Romaine Heart 0 200 400 600 800 1000 1200 1400 1600 1800 2000 Romaine Heart คำ สงั่ซ้ื อ มี.ค.-67 ก.พ.-67 ม.ค.-67 ธ.ค.-66 พ.ย.-66 ต.ค.-66
48 ภาพที่ 4.7 ข้อมูลปริมาณคำสั่งซื้อ Butter Head Lettuce ภาพที่ 4.8 ข้อมูลปริมาณคำสั่งซื้อ Red leaf lettuce (coral) ภาพที่ 4.9 ข้อมูลปริมาณคำสั่งซื้อสินค้า Green leaf lettuce (coral) 0 50 100 150 200 250 300 Butter Head Lettuce คำ สงั่ซ้ื อ มี.ค.-67 ก.พ.-67 ม.ค.-67 ธ.ค.-66 พ.ย.-66 ต.ค.-66 0 50 100 150 200 250 300 Red leaf lettuce (coral) คำ สงั่ซ้ื อ มี.ค.-67 ก.พ.-67 ม.ค.-67 ธ.ค.-66 พ.ย.-66 ต.ค.-66 0 50 100 150 200 250 Green leaf lettuce (coral) คำ สงั่ซ้ื อ มี.ค.-67 ก.พ.-67 ม.ค.-67 ธ.ค.-66 พ.ย.-66 ต.ค.-66
49 ภาพที่ 4.10 ข้อมูลปริมาณคำสั่งซื้อ Large Tomatoes ภาพที่ 4.11 ลักษณะการเคลื่อนไหวแบบแนวโน้มของข้อมูลปริมาณคำสั่งซื้อของ 4.2 ผลการคัดเลือกรูปแบบการพยากรณ์ที่เหมาะสม ทำการคำนวณและเปรียบเทียบประสิทธิภาพของรูปแบบการพยากรณ์โดยใช้โปรแกรม Minitab 19 เป็นเครื่องมือช่วยคำนวณค่าความแม่นยำของการพยากรณ์ 0 50 100 150 200 250 Large Tomatoes คำ สงั่ซ้ื อ มี.ค.-67 ก.พ.-67 ม.ค.-67 ธ.ค.-66 พ.ย.-66 ต.ค.-66
50 4.2.1 รูปแบบการพยากรณ์สำหรับสินค้า Romaine Heart ภาพที่ 4.12 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Romaine Heart ภาพที่ 4.13 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Romaine Heart
51 ภาพที่ 4.14 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Romaine Heart ภาพที่ 4.15 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Romaine Heart
52 ภาพที่ 4.16 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Romaine Heart จากภาพที่ 4.12 – 4.16 จะได้ว่า วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาล แบบคูณ (Multiplicative Holt-Winters Method) นั้นมีค่า MAPE คือ 70 และ MAD คือ 361 ซึ่ง มีค่าต่ำที่สุด จึงเหมาะสมที่จะใช้เป็นตัวแบบสำหรับการพยากรณ์สินค้าชนิดนี้ ตารางที่ 4.1 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้าRomaine Heart Romaine Heart MAPE MAD Additive Decomposition Method 132 429 Multiplicative Decomposition Method 113 415 Double Exponential Smoothing Method 90 715 Additive Holt-Winters Method 61 454 Multiplicative Holt-Winters Method 70 361
53 4.2.2 รูปแบบการพยากรณ์สำหรับสินค้า Butter Head Lettuce ภาพที่ 4.17 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Butter Head Lettuce ภาพที่ 4.18 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Butter Head Lettuce
54 ภาพที่ 4.19 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Butter Head Lettuce ภาพที่ 4.20 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Butter Head Lettuce
55 ภาพที่ 4.21 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Butter Head Lettuce จากภาพที่ 4.17 – 4.21 จะได้ว่า วิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) นั้นมีค่า MAPE คือ 35.77 และ MAD คือ 39.22 ซึ่งมีค่าต่ำที่สุด จึง เหมาะสมที่จะใช้เป็นตัวแบบสำหรับการพยากรณ์สินค้าชนิดนี้ ตารางที่ 4.2 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้า Butter Head Lettuce Butter Head Lettuce MAPE MAD Additive Decomposition Method 39.53 40.02 Multiplicative Decomposition Method 35.77 39.22 Double Exponential Smoothing Method 54.74 73.09 Additive Holt-Winters Method 40.19 50.61 Multiplicative Holt-Winters Method 37.23 44.28
56 4.2.3 รูปแบบการพยากรณ์สำหรับสินค้า Red leaf lettuce (coral) ภาพที่ 4.22 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Red leaf lettuce (coral) ภาพที่ 4.23 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Red leaf lettuce (coral)
57 ภาพที่ 4.24 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Red leaf lettuce (coral) ภาพที่ 4.25 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Red leaf lettuce (coral)
58 ภาพที่ 4.26 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Red leaf lettuce (coral) จากภาพที่ 4.22 – 4.26 จะได้ว่า วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบ บวก (Additive Holt-Winters Method) นั้นมีค่า MAPE คือ 60.89 และ MAD คือ 49.67 ซึ่งมีค่า ต่ำที่สุด จึงเหมาะสมที่จะใช้เป็นตัวแบบสำหรับการพยากรณ์สินค้าชนิดนี้ ตารางที่ 4.3 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้า Red leaf lettuce (coral) Red leaf lettuce (coral) MAPE MAD Additive Decomposition Method 73.27 56.67 Multiplicative Decomposition Method 98.28 57 Double Exponential Smoothing Method 154.51 62.97 Additive Holt-Winters Method 60.89 49.67 Multiplicative Holt-Winters Method 62.07 58.27
59 4.2.4 รูปแบบการพยากรณ์สำหรับสินค้า Green leaf lettuce (coral) ภาพที่ 4.27 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Green leaf lettuce (coral) ภาพที่ 4.22 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Green leaf lettuce (coral)
60 ภาพที่ 4.23 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Green leaf lettuce (coral) ภาพที่ 4.30 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Green leaf lettuce (coral)
61 ภาพที่ 4.31 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Green leaf lettuce (coral) จากภาพที่ 4.27- 4.31 จะได้ว่า วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) นั้นมีค่า MAPE คือ 98.26 และ MAD คือ 74.5 มีค่าต่ำที่สุด จึง เหมาะสมที่จะใช้เป็นตัวแบบสำหรับการพยากรณ์สินค้าชนิดนี้ ตารางที่ 4.4 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้า Green leaf lettuce (coral) Green leaf lettuce (coral) MAPE MAD Additive Decomposition Method 118.6 63.14 Multiplicative Decomposition Method 108.2 69.73 Double Exponential Smoothing Method 169.18 73.45 Additive Holt-Winters Method 98.26 74.5 Multiplicative Holt-Winters Method 111.1 81.5
62 4.2.5 รูปแบบการพยากรณ์สำหรับสินค้า Large Tomatoes ภาพที่ 4.32 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบบวก (Additive Decomposition Method) ของสินค้า Large Tomatoes ภาพที่ 4.33 ผลการพยากรณ์ด้วยวิธีการแยกส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) ของสินค้า Large Tomatoes
63 ภาพที่ 4.34 ผลการพยากรณ์ด้วยวิธีการปรับเรียบแบบเอกโปแนนเชียลซ้ำสองครั้ง (Double Exponential Smoothing Method) ของสินค้า Large Tomatoes ภาพที่ 4.35 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบบวก (Additive Holt-Winters Method) ของสินค้า Large Tomatoes
64 ภาพที่ 4.36 ผลการพยากรณ์ด้วยวิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Large Tomatoes จากภาพที่ 4.32 - 4.36 จะได้ว่า วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบ คูณ (Multiplicative Holt-Winters Method) นั้นมีค่า MAPE คือ 79.79 และ MAD คือ 37.05 มี ค่าต่ำที่สุด จึงเหมาะสมที่จะใช้เป็นตัวแบบสำหรับการพยากรณ์สินค้าชนิดนี้ ตารางที่ 4.5 แสดงผลค่าMAPEและMAD ของการพยากรณ์ สินค้า Large Tomatoes Large Tomatoes MAPE MAD Additive Decomposition Method 224.88 56.91 Multiplicative Decomposition Method 174.81 39.82 Double Exponential Smoothing Method 168.1 97.7 Additive Holt-Winters Method 147.04 61.34 Multiplicative Holt-Winters Method 79.79 37.05 ดังนั้น จึงสรุปได้ว่ารูปแบบการพยากรณ์ที่เหมาะสมต่อสินค้ากลุ่มตัวอย่างทั้ง 5 ชนิด คือ Romaine Heart , Butter Head Lettuce , Red leaf lettuce (coral) , Green leaf lettuce (coral) และ Large Tomatoes ได้แก่ วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) เนื่องจากเมื่อเปรียบเทียบค่า MAPE และ MAD ที่ได้จาก
65 การคำนวณด้วยโปรแกรม MINITAB มีค่าเข้าใกล้0 มากที่สุดตามทฤษฎีดังแสดงผลการคำนวณใน ตารางที่ 4.6 ตารางที่ 4.6 เปรียบเทียบค่า MAPE และ MAD ที่ได้จากการคำนวณด้วยโปรแกรม Minitab เทคนิคการพยากรณ์ ชนิดสินค้า ค่าความแม่นยำของการ พยากรณ์ Additive Decomposition Method Multiplicative Decomposition Method Double Exponential Smoothing Method Additive Holt-Winters Method Multiplicative Holt- Winters Method Romaine Heart MAPE MAD 132 429 113 415 90 715 61 454 70 361 Butter Head Lettuce MAPE MAD 39.53 40.02 35.77 39.22 54.74 73.09 40.19 50.61 37.23 44.28 Red leaf lettuce (coral) MAPE MAD 73.27 56.67 98.28 57 154.51 62.97 60.89 49.67 62.07 58.27 Large Tomatoes MAPE MAD 224.88 56.91 174.81 39.82 168.1 97.7 147.04 61.34 79.79 37.05 Green leaf lettuce (coral) MAPE MAD 118.6 63.14 108.2 69.73 169.18 73.45 98.26 74.5 111.1 81.5 รวม MAPE MAD 588.28 645.74 530.06 620.77 636.53 1022.21 407.38 690.12 360.19 582.1
66 4.2 การจำลองสถานการณ์การพยากรณ์คำสั่งซื้อโดยโปรแกรม SAP จากการศึกษาการพยากรณ์ปริมาณคำสั่งซื้อสินค้ารายเดือนของ บริษัท แอสกรีน จำกัด โดยโปรแกรม MINITIB โดยทำการนำคำสั่งซื้อสินค้าของบริษัทในการสั่งซื้อผัก 30 รายการ และได้ คัดเลือกกลุ่มตัวอย่างของสินค้ามาพยากรณ์ จำนวน 5 รายการ ได้แก่ 1. Romaine Heart 2. Butter Head Lettuce 3. Red leaf lettuce (coral) 4. Green leaf lettuce (coral) 5. Large Tomatoes ด้วยเครื่องมือการพยากรณ์ 5 เครื่องมือ ได้แก่ 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) ผู้วิจัยจึงเลือกค่าการพยากรณ์ในเครื่องมือได้แก่ วิธีของโฮลท์-วิน เทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) เนื่องจากเมื่อ เปรียบเทียบค่า MAPE และ MAD ที่ได้จากการคำนวณด้วยโปรแกรม MINITAB มีค่าเข้าใกล้0 มาก ที่สุด มาใช้ในการจำลองสถานการณ์เพราะโปรแกรม SAP มีโมดูลที่สามารถพยากรณ์เพิ่มเติมในส่วน ของวันที่เหมาะกับการออกใบคำสั่งซื้อสินค้า ดังต่อในโปรแกรม SAP ดังนี้ 4.2.1.การวางแผนการพยากรณ์สินค้า Romaine Heart นำข้อมูลที่ได้จากการพยากรณ์คำสั่งซื้อสินค้าล่วงหน้าใน Minitab โดยใช้เทคนิคการ พยากรณ์วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Romaine Heart มาใส่ใน โปรแกรมSAP ในโมดูล MRP MPR Wizard เพื่อให้ได้รอบวันที่ต้องจัดซื้อสินค้า ดังรูปที่ 4.37 – 4.39
67 ภาพที่ 4.37 การวางแผนการสั่งซื้อสินค้า Report tab ของ Romaine Heart ภาพที่ 4.38 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของ Romaine Heart ภาพที่ 4.39 รายการการออกเอกสารใบขอซื้อของ Romaine Heart จาก Order Recommendations
68 ดังนั้นจะเห็นได้ว่าจากการนำค่าพยากรณ์คำสั่งซื้อล่วงหน้าจาก Minitab มาใส่ในโปรแกรม SAP ในโมดูล MRP MPR Wizard จะได้วันที่ต้องออกเอกสารการขอซื้อสินค้า และวันรับสินค้า 6 เดือนข้างหน้าของRomaine Heart โดยมี Lead Time 10 วัน ทั้งหมด 5 ครั้ง ตารางที่ 4.7 ตารางที่ 4.7 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Romaine Heart Romaine Heart ลำดับ Release Date Due Date 1 17/04/2567 01/05/2567 2 17/05/2567 31/05/2567 3 17/06/2567 01/07/2567 4 18/07/2567 01/08/2567 5 16/08/2567 30/08/2567 4.2.2 การวางแผนการพยากรณ์สินค้า Butter Head Lettuce นำข้อมูลที่ได้จากการพยากรณ์คำสั่งซื้อสินค้าล่วงหน้าใน Minitab โดยใช้เทคนิคการ พยากรณ์วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Butter Head Lettuce มาใส่ใน โปรแกรมSAP ในโมดูล MRP MPR Wizard เพื่อให้ได้รอบวันที่ต้องจัดซื้อสินค้า ดังรูปที่ 4.40 – 4.42 ภาพที่ 4.40 การวางแผนการสั่งซื้อสินค้า Report tab ของ Butter Head Lettuce
69 ภาพที่ 4.41 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของ Butter Head Lettuce ภาพที่ 4.42 รายการการออกเอกสารใบขอซื้อของ Butter Head Lettuce จาก Order Recommendations ดังนั้นจะเห็นได้ว่าจากการนำค่าพยากรณ์คำสั่งซื้อล่วงหน้าจาก Minitab มาใส่ในโปรแกรม SAP ในโมดูล MRP MPR Wizard จะได้วันที่ต้องออกเอกสารการขอซื้อสินค้า และวันรับสินค้า 6เดือนข้างหน้า ของ Butter Head Lettuce โดยมี Lead Time 10 วัน ทั้งหมด 5 ครั้ง ตารางที่ 4.8
70 ตารางที่ 4.8 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Butter Head Lettuce Butter Head Lettuce ลำดับ Release Date Due Date 1 17/04/2567 01/05/2567 2 17/05/2567 31/05/2567 3 17/06/2567 01/07/2567 4 18/07/2567 01/08/2567 5 16/08/2567 30/08/2567 4.2.3 การวางแผนการพยากรณ์สินค้า Red leaf lettuce (coral) นำข้อมูลที่ได้จากการพยากรณ์คำสั่งซื้อสินค้าล่วงหน้าใน Minitab โดยใช้เทคนิคการพยากรณ์วิธี ของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Romaine Heart มาใส่ใน โปรแกรมSAP ในโมดูล MRP MPR Wizard เพื่อให้ได้รอบ วันที่ต้องจัดซื้อสินค้า ดังรูปที่ 4.43 – 4.45 ภาพที่ 4.43 การวางแผนการสั่งซื้อสินค้า Report tab ของ Red leaf lettuce (coral)
71 ภาพที่ 4.44 การวางแผนการสั่งซื้อสินค้า Report tab ของ Red leaf lettuce (coral) ภาพที่ 4.45 รายการการออกเอกสารใบขอซื้อของ Red leaf lettuce (coral) จาก Order Recommendations ดังนั้นจะเห็นได้ว่าจากการนำค่าพยากรณ์คำสั่งซื้อล่วงหน้าจาก Minitab มาใส่ในโปรแกรม SAP ในโมดูล MRP MPR Wizard จะได้วันที่ต้องออกเอกสารการขอซื้อสินค้า และวันรับสินค้า 6 เดือนข้างหน้าของRomaine Heart โดยมี Lead Time 10 วัน ทั้งหมด 5 ครั้ง ตารางที่ 4.9
72 ตารางที่ 4.9 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Romaine Heart Romaine Heart ลำดับ Release Date Due Date 1 17/04/2567 01/05/2567 2 17/05/2567 31/05/2567 3 17/06/2567 01/07/2567 4 18/07/2567 01/08/2567 5 16/08/2567 30/08/2567 4.2.4 การวางแผนการพยากรณ์สินค้า Green leaf lettuce (coral) นำข้อมูลที่ได้จากการพยากรณ์คำสั่งซื้อสินค้าล่วงหน้าใน Minitab โดยใช้เทคนิคการพยากรณ์วิธี ของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) ของสินค้า Romaine Heart มาใส่ใน โปรแกรมSAP ในโมดูล MRP MPR Wizard เพื่อให้ได้รอบ วันที่ต้องจัดซื้อสินค้า ดังรูปที่ 4.46 – 4.48 ภาพที่ 4.46 การวางแผนการสั่งซื้อสินค้า Report tab ของ Green leaf lettuce (coral)
73 ภาพที่ 4.47 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของ Green leaf lettuce ภาพที่ 4.48 รายการการออกเอกสารใบขอซื้อของGreen leaf lettuce (coral) จาก Order Recommendations ดังนั้นจะเห็นได้ว่าจากการนำค่าพยากรณ์คำสั่งซื้อล่วงหน้าจาก Minitab มาใส่ในโปรแกรม SAP ในโมดูล MRP MPR Wizard จะได้วันที่ต้องออกเอกสารการขอซื้อสินค้า และวันรับสินค้า 6 เดือนข้างหน้าของRomaine Heart โดยมี Lead Time 10 วัน ทั้งหมด 5 ครั้ง ตารางที่ 4.10
74 ตารางที่ 4.10 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Romaine Heart Romaine Heart ลำดับ Release Date Due Date 1 17/04/2567 01/05/2567 2 17/05/2567 31/05/2567 3 17/06/2567 01/07/2567 4 18/07/2567 01/08/2567 5 16/08/2567 30/08/2567 4.2.5 การวางแผนการพยากรณ์สินค้า Large Tomatoes นำข้อมูลที่ได้จากการพยากรณ์คำสั่งซื้อสินค้าล่วงหน้าใน Minitab โดยใช้เทคนิคการ พยากรณ์วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method)ของสินค้า Romaine Heart มาใส่ใน โปรแกรมSAP ในโมดูล MRP MPR Wizard เพื่อให้ได้รอบวันที่ต้องจัดซื้อสินค้า ดังรูปที่ 4.49 - 4.51 ภาพที่ 4.49 การวางแผนการสั่งซื้อสินค้า Report tab ของ Large Tomatoes
75 ภาพที่ 4.50 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของ Large Tomatoes ภาพที่ 4.51 รายการการออกเอกสารใบขอซื้อของ Large Tomatoes จาก Order Recommendations ดังนั้นจะเห็นได้ว่าจากการนำค่าพยากรณ์คำสั่งซื้อล่วงหน้าจาก Minitab มาใส่ในโปรแกรม SAP ในโมดูล MRP MPR Wizard จะได้วันที่ต้องออกเอกสารการขอซื้อสินค้า และวันรับสินค้า 6 เดือนข้างหน้าของRomaine Heart โดยมี Lead Time 10 วัน ทั้งหมด 2 ครั้ง ตารางที่ 4.11 ตารางที่ 4.11 แสดงวันที่ที่ต้องทำการออกใบขอซื้อสินค้า (Purchase Request) และวันรับสินค้าของ สินค้า Large Tomatoes Large Tomatoes ลำดับ Release Date Due Date 1 17/04/2567 01/05/2567 2 17/05/2567 31/05/2567
76 4.3 สรุปผลการจำลองสถานการณ์การพยากรณ์คำสั่งซื้อโดยโปรแกรม SAP จากการศึกษา 5 รายการ แสดงดังรูปที่ 4.52 - 4.56 ภาพที่ 4.52 การวางแผนการสั่งซื้อสินค้า Report tab สินค้า 5 รายการ ภาพที่ 4.53 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของสินค้า 5 รายการ ภาพที่ 4.54 การวางแผนการสั่งซื้อสินค้า Recommendations Tab ของสินค้า 5 รายการ (ต่อ)
77 ภาพที่ 4.55 การวางแผนการสั่งซื้อสินค้า Order Recommendations Tab ของสินค้า 5 รายการ (ต่อ) 4.4 ผลสรุป จากการศึกษาการพยากรณ์ปริมาณคำสั่งซื้อสินค้าผัก ของบริษัท แอสกรีน จำกัด โดย คัดเลือกกลุ่มตัวอย่างสินค้า 5 รายการด้วยแผนภูมิพาเรโต โดยเครื่องมือของโฮทล์-วินเทอร์สำหรับ แบบคูณและแบบบวก มีค่า MAPE และ MAD ดังนี้Romaine 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 โดยการพยากรณ์6เดือนข้างหน้าของปริมาณคำสั่งซื้อสินค้า ผลสรุปพบว่า ใน 6 เดือน มีการ ออกใบเสนอซื้อ 5 ครั้ง ในวันที่ 17/04/2567 , 17/05/2567 , 17/06/2567 , 18/07/2567 , 16/08/2567
78 บทที่ 5 สรุป อภิปรายผลการวิจัย และข้อเสนอแนะ 5.1 สรุปผลการวิจัย จากปัญหาการสั่งซื้อสินค้าเข้ามามีปริมาณที่ไม่เหมาะสม ทำให้วัตถุดิบมีปริมาณมาก จนเกินไป หรือไม่เพียงพอต่อปริมาณคำสั่งซื้อหรือความต้องการของลูกค้า จึงจำเป็นต้องเร่งแก้ไข ปัญหาเพื่อลดผลกระทบที่อาจเกิดขึ้นได้ เช่น การสูญเสียโอกาสในการขายสินค้า จึงได้ศึกษาและนำ ทฤษฎีทางสถิติด้านการพยากรณ์มาช่วยวิเคราะห์และแก้ไขปัญหา กำหนดรูปแบบการพยากรณ์ที่เหมาะสมในงานวิจัยนี้จะเปรียบเทียบเทคนิคการพยากรณ์ แบบอนุกรมเวลาทั้งหมด 5 วิธี ได้แก่ จากการศึกษาการพยากรณ์ปริมาณคำสั่งซื้อสินค้ารายเดือนของ บริษัท แอสกรีน จำกัด โดยโปรแกรม MINITIB โดยทำการนำคำสั่งซื้อสินค้าของบริษัทในการสั่งซื้อผัก 30 รายการ และได้คัดเลือกกลุ่มตัวอย่างของสินค้ามาพยากรณ์ จำนวน 5 รายการ ได้แก่ 1. Romaine Heart 2. Butter Head Lettuce 3. Red leaf lettuce (coral) 4. Green leaf lettuce (coral) 5. Large Tomatoes ด้วยเครื่องมือการพยากรณ์ 5 เครื่องมือ ได้แก่ 1. วิธีการแยก ส่วนประกอบรูปแบบคูณ (Multiplicative Decomposition Method) 2.วิธีการแยกส่วนประกอบ รูปแบบบวก (Additive Decomposition Method) 3. เทคนิคการปรับเรียบแบบเอกโปแนนเชียล ซ้ำสองครั้ง (Double Exponential Smoothing Method) 4. เทคนิคการพยากรณ์ด้วยวิธีการแบบ ฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) 5. เทคนิคการพยากรณ์ด้วยวิธีการแบบ ฤดูกาลแบบบวก (Additive Holt-Winters Method) ผู้วิจัยจึงเลือกค่าการพยากรณ์ในเครื่องมือที่ได้ พยากรณ์ออกมาใน MINITAB มาใช้ในการจำลองสถานการณ์เพราะโปรแกรม SAP มีโมดูลที่สามารถ พยากรณ์เพิ่มเติมในส่วนของวันที่เหมาะกับการออกใบคำสั่งซื้อสินค้า ดังต่อในโปรแกรม SAP ดังนี้ โดยใช้โปรแกรม Minitab เป็นเครื่องมือช่วยในการคำนวณค่าการพยากรณ์ค่าเฉลี่ยความ คลาดเคลื่อนสัมบูรณ์ (Mean Absolute Deviation - MAD) และค่าเฉลี่ยเปอร์เซ็นต์ความ คลาดเคลื่อน (Mean Absolute Percent Error - MAPE) ของสินค้ากลุ่มตัวอย่างทั้ง 5 รายการ โดย เทคนิควิธีการพยากรณ์ใดให้ค่า MAD และ MAPE ต่ำที่สุด จะถูกเลือกใช้เป็นตัวแบบการพยากรณ์ที่ เหมาะสมสำหรับพยากรณ์ปริมาณคำสั่งซื้อของสินค้าชนิดนั้นๆ นอกจากนี้ยังใช้โปรแกรม SAP เพื่อ จำลองสถานการณ์คำสั่งซื้อของสินค้าผู้วิจัยจึงเลือกค่าการพยากรณ์ในเครื่องมือเทคนิคพยากรณ์วิธี
79 ของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) มาใช้ในการจำลองสถานการณ์เพราะโปรแกรม SAP มีโมดูลที่สามารถพยากรณ์เพิ่มเติมในส่วนของ วันที่เหมาะกับการออกใบคำสั่งซื้อสินค้า ผลจากการวิจัยพบว่า ข้อมูลที่ได้จากการพยากรณ์คำสั่งซื้อสินค้าล่วงหน้าใน Minitab โดยใช้ เทคนิคพยากรณ์วิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative HoltWinters Method) ของสินค้ามาใส่ในโปรแกรม SAP ในโมดูล MRP >> MPR Wizard เพื่อให้ได้รอบ วันที่ต้องจัดซื้อสินค้า จากการศึกษาการพยากรณ์ปริมาณคำสั่งซื้อสินค้าผักของบริษัท แอสกรีน จำกัด โดยคัดเลือกกลุ่มตัวอย่างสินค้า 5 รายการ คือ 1. Romaine Heart 2. Butter Head Lettuce 3. Red leaf lettuce (coral) 4. Green leaf lettuce (coral) 5. Large Tomatoes ด้วยแผนภูมิพา เรโตและเครื่องมือที่ค่าการพยากรณ์ต่ำสุดคือ เครื่องมือเทคนิควิธีของโฮลท์-วินเทอร์สำหรับผลกระทบ ตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method) 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 5.2 อภิปรายผลการวิจัย จากการศึกษาการพยากรณ์ปริมาณคำสั่งซื้อสินค้าผักของบริษัท แอสกรีน จำกัด โดยคัดเลือก กลุ่มตัวอย่างสินค้า 5 รายการด้วยแผนภูมิพาเรโตและเครื่องมือที่ค่าการพยากรณ์ต่ำสุดคือเครื่องมือ เทคนิควิธีของโฮลท์-วินเทอร์สำหรับผลกระทบตามฤดูกาลแบบคูณ (Multiplicative Holt-Winters Method)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 โดยการ พยากรณ์ 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 มีความสอดคล้องกับวิจัยขอรัชนีวรรณ สันลาด ,2565 จากการศึกษาเรื่องการพยากรณ์ความ ต้องการผลผลิตผักออร์แกนิค ในจังหวัดลําปาง : กรณีศึกษา ใบบุญบ้านสวนผัก ลําปาง โดยมี
80 วัตถุประสงค์ 1. เพื่อคัดเลือกแบบจําลองที่เหมาะสมในการพยากรณ์ความต้องการผลผลิตผักออร์แก นิค เปรียบเทียบการพยากรณ์ความต้องการผลผลิตผักออร์แกนิคด้วยเทคนิคการวิเคราะห์อนุกรม เวลา 2. เพื่อวางแผนการผลิตและลดความเสี่ยงในการผลิตผักออร์แกนิคให้ตรงความต้องการของ ประชากรในจังหวัดลําปาง 3. เพื่อเป็นแนวทางในการลดการสูญเสียโอกาสในการผลิตผักออร์แกนิค เมื่อมีความต้องการสินค้าของกลุ่มลูกค้าเพิ่มสูงขึ้นให้กับเกษตรกร ผู้ปลูกผักออร์แกนิค ผลการวิจัยพบว่าเทคนิคการพยากรณ์ที่เหมาะสมสำหรับผักกรีนโอ๊คและผักคอส ได้แก่ วิธีปรับเรียบเอ็กโปเนนเชียลโดยวิธีของวินเทอร์ ผักเรดโอ๊ค ได้แก่ วิธี ปรับเรียบเอ็กโปเนนเชียลแบบ ง่าย ผักฟินเลย์ ผักขึ้นฉ่าย และผักบัตเตอร์เฮด ได้แก่ วิธีสมการถดถอยเชิงเส้นและจากการ เปรียบเทียบร้อยละ ผลต่างระหว่างปริมาณของเหลือและกับยอดขายก่อนการใช้โมเดลและหลังการ ใช้โมเดล สามารถลด ปริมาณของเหลือลงได้ 5.920 % และมีผลการเปลี่ยนแปลงของผล กําไรเท่ากับ 50.525 % 5.3 ข้อจำกัดในการทำการวิจัย 5.3.1 เนื่องจากบริษัทเปิดธุรกิจได้เพียง 6 เดือน ทำให้มีข้อมูลในการมาทำการพยากรณ์ได้ น้อย จึงทำให้การพยากรณ์ไม่แม่นยำ 5.3.2 ข้อจำกัดในเรื่องของข้อมูลเนื่องจากข้อมูลบางส่วนไม่สามารถเปิดเผยได้ 5.4 ข้อเสนอแนะที่ได้จากการทำวิจัย 5.4.1 ควรเพิ่มการศึกษาการพยากรณ์ในสินค้าทุกชนิดของบริษัทกรณีศึกษา เพื่อลดปัญหา การขาดส่งสินค้าและเพิ่มประสิทธิภาพของกระบวนการวางแผนการสั่งซื้อสินค้าต่อไป 5.4.2 ควรเพิ่มระยะเวลาในการจัดเก็บข้อมูล เพื่อให้ผลการวิเคราะห์รูปแบบการพยากรณ์มี ความแม่นยำมากยิ่งขึ้น 5.5 ข้อเสนอแนะที่เกี่ยวข้องในอนาคต การวิจัยครั้งต่อไปควรมีการเพิ่มเติม ดังนี้ 5.5.1 การพยากรณ์เป็นเพียงการคาดคะเนเท่านั้น จึงมีโอกาสเกิดความผิดพลาดได้ ตลอดเวลา ดังนั้นควรจัดทำแผนการประเมินความเสี่ยง เพื่อควบคุมความคลาดเคลื่อน หรือความ ผิดพลาดให้อยู่ในขอบเขตที่สามารถยอมรับได้ โดยโปรแกรมการพยากรณ์ที่นำมาประยุกต์ใช้ จะช่วย
81 ให้การวิเคราะห์ข้อมูลและการหาค่าพยากรณ์ทำได้ง่ายขึ้น แต่ในปัจจุบันมีโปรแกรมพยากรณ์ถูก คิดค้นและสร้างขึ้นมามากมาย จึงควรเลือกใช้ให้เหมาะสมต่อการทำงาน 5.5.2 5 หากรูปแบบวิธีพยากรณ์ที่มีอยู่ไม่เหมาะสมกับลักษณะของข้อมูลสินค้า เนื่องด้วยมี หลายปัจจัยที่ส่งผลกระทบต่อการบริโภคและการซื้อขาย ฉะนั้นอาจจำเป็นต้องศึกษาหารูปแบบวิธี พยากรณ์ด้วยการคิดคำนวณออกมาเป็นสมการทางคณิตศาสตร์ (Math Model) แทน
82 บรรณานุกรม กริชชัย ขาวจ้อย (2566) การพยากรณ์ราคาพืชผักสำคัญแบบมีส่วนร่วมกับเกษตรกรผู้ปลูกผัก ใน จังหวัดเพชรบูรณ์. วารสารวิทยาการจัดการวิชาการ มหาวิทยาลัยราชภัฏเพชรบูรณ์ ภัญนภัส พฤกษากิจ (2566) จากการศึกษาเรื่องการพยากรณ์ความต้องการสินค้าผลไม้แปรรูป เพื่อการวาง แผนการผลิตกรณีศึกษาบริษัท XYZ จํากัด . คณะวิทยาศาสตร์และ ศิลปศาสตร์ มหาวิทยาลัยบูรพา ณัฐพร ตั้งเจริญชัย และคณะ (2566) จากการศึกษาเรื่องการพยากรณ์การสั่งซื้อน้ำดื่มที่ เหมาะสม สำหรับสินค้าคงคลังร้านค้ากรณีศึกษา วารสารวิชาการเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏสวนสุนันทา ทอมสัน ริชาร์ด (2566) ศึกษาการจัดการความต้องการวัตถุดิบและสต็อกความปลอดภัยตาม การคาดการณ์ข้อมูลและการสร้างแบบจำลอง ไดนามิกของระบบ ศรัญชณาค์ภา กฤชกากาญจนพันธ์ (2565) จากการศึกษาเรื่องการศึกษาการพยากรณ์ยอดขายของ วัตถุดิบ กรณีศึกษา : โกดังรังสิต หลักสูตรวิศวกรรมศาสตร มหาบัณฑิต สาขาวิชาการ จัดการทางวิศวกรรม วิทยาลัยนวัตกรรมด้านเทคโนโลยีและวิศวกรรมศาสตร์ มหาวิทยาลัย ธุรกิจบัณฑิตย์ ภัทรา วิวัฒนศร (2565) จากการศึกษาเรื่องการพยากรณ์ความต้องการและการวางแผนการสั่งซื้อ เครื่องมือที่ใช้ในการผลิตกรณีศึกษา บริษัทผลิตชิ้นส่วนรถยนต์.หลักสูตรวิทยาศาสตร์ มหาบัณฑิต สาขาวิชาการจัดการโลจิสติกส์และโซ่อุปทาน คณะโลจิสติกส์มหาวิทยาลัยบูรพา ธีระพงษ์ ชูมณีและคณะ (2565) จากการศึกษาเรื่องการประยุกต์ใช้ปัญญาประดิษฐ์กับการ พยากรณ์สินค้าในอุตสาหกรรมเครื่องดื่ม สาขาวิชาวิศวกรรมนวัฒกรรม คณะ วิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น ปรียาพร เยาว์ธานี (2565) จากการศึกษาเรื่องการพยากรณ์ปริมาณการนําเข้าและส่งออกสินค้าใน กลุ่มประเทศภูมิภาคลุ่มแม่น้ำโขงตอนบนระหว่างไทย-จีนตอนใต้ (ยูนาน) บริหารธุรกิจ มหาบัณฑิต สาขาวิชาบริหารธุรกิจ สำนักวิชา การจัดการ มหาวิทยาลัยแม่ฟ้าหลวง รัชนีวรรณ สันลาด (2565) จากการศึกษาเรื่องการพยากรณ์ความต้องการผลผลิตผักออร์แกนิค ในจังหวัดลําปาง : กรณีศึกษา ใบบุญบ้านสวนผัก ลําปาง หลักสูตร : วิศวกรรมศาสตร์ มหาบัณฑิต สาขา : วิศวกรรมอุตสาหกรรร มหาวิทยาลัยเชียงใหม่
83 วัฒนา ชยธวัช (2564) จากการศึกษาเรื่องตัวแบบมาร์คอฟในการพยากรณ์สถานะโรค สาขา การแพทย์แผนไทย คณะสหเวชศาสตร์ มหาวิทยาลัยปทุมธานี ศิรัตน์ แจ้งรักษ์สกุล และคณะ (2564) จากศึกษาเรื่องการพยากรณ์ความต้องการ: กรณีศึกษา บริษัทผลิตขวดน้ำดื่ม หัวหน้าหลักสูตรปริญญาตรี บริหารธุรกิจบัณฑิต สาขาการจัดการ โลจิสติกส์ รัชนี โฆษิตานนท์ (2564) จากการศึกษาเรื่องการพยากรณ์ความต้องการในการสั่งซื้อและจัดการ วัตถุดิบคงคลังกรณีศึกษาบริษัทผลิตเครื่องฟอกอากาศ .หลักสูตรวิทยาศาสตร์มหาบัณฑิต สาขาวิชาการจัดการโลจิสติกส์และโซ่อุปทาน คณะโลจิสติกส์ มหาวิทยาลัยบูรพา ภัทร์นิธิ กีรติปัณสิริคุณ และคณะ (2564) จากการศึกษาเรื่องการพยากรณ์ปริมาณส่งออกถั่วแระ ญี่ปุ่นของบริษัท ลานนา เกษตรอุตสาหกรรม จำกัด ไปประเทศญี่ปุ่น วารสารการบริหาร นิติบุคคลและนวัตกรรมท้องถิ่น ศิรประภา ดีประดิษฐ์ (2564) จากการศึกษาเรื่องการเปรียบเทียบเทคนิคการพยากรณ์ราคาพืชไร่ ในประเทศไทย วิศวกรรมศาสตรมหาบัณฑิต สาขาวิศวกรรมอุตสาหกรรม มหาวิทยาลัยเกษตรศาสตร์ จิราพร ภู่ทองคํา (2564) จากการศึกษาเรื่องการพยากรณ์ความต้องการของวัตถุดิบ เพื่อลดการ เสียโอกาสทางการขาย กรณีศึกษาร้าน Pizza HUK T&J วิทยาการจัดการวไลยอลงกรณ์ ปริทัศน์ อดิศักดิ์ ทูลธรรม (2564) จาการศึกษาเรื่องการพยากรณ์ความต้องการวัตถุดิบในการผลิตขนมปัง บิสกิต วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธนบุรี. มานิสา คำวิไล (2564) จากการศึกษาเรื่องปัจจัยส่วนประสมทางการตลาดที่มีผลต่อการตัดสินใจ ซื้อน้ำผัก และผลไม้ออร์แกนิคของผู้บริโภคในกรุงเทพมหานคร วารสารศิลปศาสตร์ (วังนางเลิ้ง) มหาวิทยาลัยเทคโนโลยี ราชมงคลพระนคร ธนิสร ตั้งอารมณ์มั่น และคณะ (2564) จากการศึกษาเรื่องการพัฒนาระบบแนะนำการส่งออกสินค้า ของประเทศไทย : กรณีศึกษาผลไม้สด หลักสูตรวิทยาศาสตร์มหาบัณฑิต สาขาวิชาโลจิสติกส์และโซ่อุปทาน มหาวิทยาลัยนเรศวร รศ.ดร.พิสุทธิ์ กุลธนวิทย์ และคณะ (2563) จากการศึกษาเรื่องการส่งออกมะม่วง กล้วย ทุเรียน และมังคุด ของไทยไปญี่ปุ่นภายใต้ความตกลงหุ้นส่วนเศรษฐกิจไทย-ญี่ปุ่น (JTEPA) วารสารคณะเศรษฐศาสตร์ มหาวิทยาลัยธรรมศาสตร์
84 นุชธิดา ธนาบูรณ์ (2563) จากการศึกษาเรื่องการพยากรณ์ความต้องการและกำหนดปริมาณการ สั่งซื้อที่เหมาะสมสำหรับสินค้าของ กรณีศึกษา : ธุรกิจนำเข้าและ จำหน่ายสินค้าประเภท ของใช้เด็ก ชนาภา พินิจนัย (2562) จาการศึกษาเรื่องการเปรียบเทียบวิธีการพยากรณ์คำสั่งซื้อ กรณีศึกษา บริษัท นำเข้าผลไม้ วรางคณา เรียน สุทธิ์ (2562) จากการศึกษาเรื่องการเปรียบเทียบตัวแบบพยากรณ์ราคาขายมัน เส้น โดยวิธีการพยากรณ์ทางสถิติคณะวิทยาศาสตร์และนวัตกรรมดิจิทัล สาขาวิชา คณิตศาสตร์และสถิติ ธรณินทร์ สัจวิริยทรัพย์ (2562) จากการศึกษาเรื่องการพยากรณ์ปริมาณการส่งออกกุ้งขาวสดแช่ แข็งรายเดือนด้วย ตัวแบบผสมของโฮลต์และซัพพอร์ตเวกเตอร์รีเกรสชัน ที่เน้นการลด ความผิดพลาดอย่างเป็นระบบ สำนักงานคณะกรรมการส่งเสริมวิทยาศาสตร์ วิจัยและนวัตกรรม วรางคณา เรียนสุทธิ์ (2562) จากการศึกษาเรื่องการพยากรณ์ปริมาณการส่งออกปลาหมึก และผลิตภัณฑ์คณะวิทยาศาสตร์และนวัตกรรมดิจิทัล สาขาวิชาคณิตศาสตร์และสถิติ อรรถพันธ์ จันทรกานต์สกุล (2562) จากการศึกษาเรื่องการพยากรณ์ความต้องการชิ้นส่วน เครื่องปรับอากาศสำหรับการผลิตแบบเฉพาะตามความต้องการของลูกค้า สถาบัน เทคโนโลยีไทย-ญี่ปุ่น กรุงเทพมหานคร นายณัฐพล วีระชาล (2561) จากการศึกษาเรื่องการประยุกต์ใช้เทคนิคการพยากรณ์สำหรับ บริษัทผู้ผลิตสินค้าเคมี เพื่อการเกษตร หลักสูตรบริหารธุรกิจมหาบัณฑิต คณะพาณิชยศาสตร์และการบัญชีมหาวิทยาลัยธรรมศาสตร์ วัชรชัย อินธิปีก (2561) จากการศึกษาเรื่องการพยากรณ์ความต้องการสินค้าและการวางแผนการ ผลิต กรณีศึกษา โรงงานแปรรูปเนื้อเป็ด สารนิพนธ์หลักสูตรวิศวกรรมศาสตร์มหาบัณฑิต สาขาวิชาการจัดการทางวิศวกรรม วิทยาลัยนวัตกรรมด้านเทคโนโลยีและวิศวกรรมศาสตร์ มหาวิทยาลัยธุรกิจบัณฑิตย์ เว็บไซต์ ความหมายและความสำคัญของการพยากรณ์ เข้าถึงได้จาก https://webportal.bangkok.go.th/upload/user/00000132/download/Forecasting.pdf สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567
85 จุดมุ่งหมายของการพยากรณ์ยอดขาย เข้าถึงได้จาก https://archive.lib.cmu.ac.th/full/T/2556/enin40356sb_ch2.pdf สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567 ขั้นตอนในการพยากรณ์ เข้าถึงได้จาก https://archive.lib.cmu.ac.th/full/T/2556/enin40356sb_ch2.pdf สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567 ประเภทของการพยากรณ์ เข้าถึงได้จาก https://archive.lib.cmu.ac.th/full/T/2556/enin40356sb_ch2.pdf สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567 การจำแนกเทคนิคการพยากรณ์ เข้าถึงได้จาก http://119.46.166.126/digitalschool/p5/ma5_1/lesson5/content1/more/page2.php สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567 ชนิดของการพยากรณ์ เข้าถึงได้จาก http://ir.buu.ac.th/dspace/bitstream/1513/254/1/62920288.pdf สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567 การพยากรณ์อย่างง่าย (Naïve Forecasting) เข้าถึงได้จากhttp://ithesis-ir.su.ac.th/dspace/bitstream/123456789/3668/1/61602340.pdf สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567 การวัดค่าความคลาดเคลื่อนของการพยากรณ์ เข้าถึงได้จาก http://ir.buu.ac.th/dspace/bitstream/1513/254/1/62920288.pdf สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567 แผนภูมิพาเรโต (Pareto Chart) เข้าถึงได้จาก https://www.bt-training.com/index. สืบค้นเมื่อวันที่ 29 กุมภาพันธ์ 2567
86 ภาคผนวก ก วิธีการใช้โปรแกรม Minitab 17 คำนวณหาค่าการพยากรณ์