ความแม่นยำการพยากรณ์ Forecast Accuracy – สูตรไหนเหมาะกับผู้บริหาร

group of people on conference room
Photo by Christina Morillo on Pexels.com

ผู้เขียน: 

ผู้เขียน
เอกรัตน์ รุจิรเศรษฐกุล, CPIM ESLog
ที่ปรึกษากลยุทธ์ โลจิสติกส์และซัพพลาย
ประสบการณ์บริหารซัพพลายเชน กับบริษัทระดับโลกมากกว่า 20 ปี
ปัจจุบันเป็นที่ปรึกษา วิทยากร และอาจารย์พิเศษ

พบกับผลงานของผู้เขียนได้ที่
เพจ Right Strategy by Akarat และ ช่องยูทูป Supply Chain Talk


การพยากรณ์ความต้องการสินค้า เป็นจุดเริ่มต้นของธุรกิจ แต่ การวัดความแม่นยำ หรือ Forecast Accuracy ที่ถูกต้องก็ยิ่งสำคัญไม่น้อยกว่ากัน

การพยากรณ์น้อยเกิน ไป มีของไม่พอขาย เสียโอกาส พยากรณ์มากเกินไป ของเหลือมากเกิน เปลือง Cash flow เปลืองต้นทุน และอาจจะต้องทำลายทำให้ขาดทุนได้ ดังนั้น การวัด forecast accuracy ก็จะช่วยบอกว่า พยากรณ์มากหรือน้อยเกินไป

หลายๆครั้ง ผมมักจะถามว่า ความแม่นยำของคุณอยู่ที่เท่าไหร่ คำตอบมักจะ 50%-90% (หรือบางที บอกไม่รู้ เพราะไม่เคยวัด อ้าววว)

ก่อนที่ตัดสินกันที่ผลลัพธ์ ผมมักจะถามว่า สูตรคำนวณเป็นอย่างไร และผมก็จะได้คำตอบหลากหลาย

แล้วเราจะ benchmark กันอย่างไรดี? Back to Basic ครับ

เริ่มจากสูตรมาตราฐานแบบโปรกันก่อน ตามนี้

Mean Absolute Deviation (MAD) = ABS (Actual – Forecast)
Mean Absolute Percent Error (MAPE) = 100 * (ABS (Actual – Forecast)/Actual)
Bias (ตัววัดนี้ ผมชอบเป็นพิเศษ เอาไว้จับ forecast ที่ทำโดยตั้งใจให้ผิดพลาด เรื่องนี้ ยาวเอาคุยโพสหน้าครับ)

การพยากรณ์ยอดขาย เป็นจุดเริ่มต้นของกิจกรรมธุรกิจ

พยากรณ์น้อยเกิน ไป มีของไม่พอขาย เสียโอกาส

พยากรณ์มากเกินไป ของเหลือมากเกิน เปลือง Cash flow เปลืองต้นทุน และอาจจะต้องทำลายทำให้ขาดทุนได้
แต่การวัดค่าความผิดพลาดการพยากรณ์ที่ไม่ถูกต้อง ทำให้ตัดสินใจผิด สร้างผลเสียอย่างมาก

เอกรัตน์ รุจิรเศรษฐกุล, CPIM


MAPE เป็นสูตรที่ใช้กันเยอะ เพราะ วัดความผิดพลาดเป็น % ทำให้สามารถเทียบความแม่นยำการพยากรณ์ของแต่ละสินค้าได้

แต่มีปัญหาคือ บริษัทเรามีสินค้า ร้อยพันรายการ และ มีหลายช่องทางการขาย (Channel) หรือ ลูกค้าหลายราย เราจำนำเสนอผู้บริหารอย่างไรว่า ความแม่นยำการพยากรณ์ของบริษัทเรา เป็นเท่าไหร่?

เริ่มจาก คำนวณผลรวมของยอดขายและยอดพยากรณ์ของสินค้าแต่ละรายการ และคำนวณ MAD และ MAPE และค่าเฉลี่ยของทุกสินค้า

ข้อควรระวัง การรวมผลในแต่ละ column ทำให้ผล MAPE หรือ ความผิดพลาดเป็น 0% หรือ แม่นยำ 100% 

สาเหตุที่เป็นแบบนี้ เพราะเกิดการหักล้างกันยอดขายจริงที่มากกว่าหรือน้อยกว่าการพยากรณ์ของแต่ละรายการ 

ถ้านำเสนอข้อมูลที่ผิดๆนี้ ทำให้ผู้บริหารตัดสินใจผิดได้ครับ

คำแนะนำเพื่อรายงานผู้บริหาร

การคำนวณควรหาค่าเฉลี่ยของความผิดพลาด ต้องถ่วงน้ำหนัก 
ส่วนการถ่วงน้ำหนัก ก็อาจจะใช้ ราคาขาย หรือ ต้นทุน ก็ได้

โดยที่ สูตรการคำนวณ จะเป็น
Weighted MAPE = SUM of ราคา x (Absolute errors) / Sum of (ราคา x จำนวนขาย) (กรณีใช้ ราคาขายเป็นตัวถ่วงน้ำหนัก)

Forecast Accuracy WMAPE

ครั้งนี้เราจะได้ WMAPE = 63% ซึ่งเป็นค่าเฉลี่ยของทั้งบริษัท เพื่อนำเสนอผู้บริหาร และ Benchmark กันได้ ทั้งภายในองค์กร และ ภายนอก องค์กรได้ครับ


มองหา ซอฟแวร์ การพยากรณ์ความต้องการ #Demand #Forecasting และ S&OP Planning Software?
แนะนำ ตัวนี้เลยครับ GMDH Streamline #S&OP #Planning

ต้องการข้อมูลเพิ่มเติม สอบถามเราได้ครับ

ต้องการข้อมูลเพิ่มเติม สอบถามเราได้ครับ


By Akarat

คุณ เอกรัตน์ รุจิรเศรษฐกุล มีประสบการณ์ บริหารและจัดการ โลจิสติกส์และโซ่อุปทาน มากกว่า 20 กว่าปี ให้กับบริษัทระดับโลก ดูแลทีมงานประเทศไทย และต่างประเทศ และเป็นปรึกษาให้องค์กรขนาดใหญ่ และ SME มากกว่า 10 ปี ในอุตสาหกรรมต่างๆ

10 comments

  1. ดูตารางแรก ค่า MAPE FG1 ต้องเป็น 100% ไหมครับ
    อ้างอิงจากสูตร =100×(ABS(Actual-FCST)/Actual)
    =100×(ABS(100-200)/100)
    =100×(100/100)
    =100×1
    =100

    ส่วน FG2
    =100×(ABS(200-100)/200)
    =100×(100/200)
    =100×0.5
    =50

  2. MWAPA 57% กรุณาแสดงวิธีคำนวนให้ด้วยค่ะ เพราะลองทำแล้วมันไม่ใช่ 57% ค่ะ

  3. กรณีforecast มา200 ชิ้นแต่ขายจริง 2 ชิ้น
    MAPE = (2-200)/2 = 99 , 9900% แบบนี้% Accuracy เท่าไรค่ะ เท่ากับ0% ได้มั๊ยค่ะ

    1. ถูกต้องครับ Forecast Accuracy มีค่า 0-100% ถ้ากรณีที่ถาม การติดลบ ให้คิดเป็น 0

      1. การวัดfulfillment rate จากการsupply วัดได้ยังบ้างค่ะ กรณีโรงงานมี 20 sku กำลังการผลิต 100 pc/month และมีสินค้าในstock อยู่บางส่วน และฝ่ายขายforcast มา 200 pcs. อาจจะไม่ใช่ real demand แบบนี้วัดได้ยังไงค่ะ

        1. วัด Supply ให้ใช้ Unit Filled Rate (%)
          = จำนวนขาย (เดือนนี้) / จำนวนที่ได้รับคำสั่งซื้อทั้งหมด (เดือนนี้) * 100

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Translate »