people having meeting inside conference room

ความแม่นยำการพยากรณ์ Forecast Accuracy – สูตรไหนเหมาะกับผู้บริหาร

ผู้เขียน: 
อ. เอกรัตน์ รุจิรเศรษฐกุล, CPIM ESLog LBBP
ที่ปรึกษากลยุทธ์โลจิสติกส์และซัพพลาย
ประสบการณ์บริหารซัพพลายเชนให้กับบริษัทระดับโลกมากกว่า 20 ปีปัจจุบันเป็นที่ปรึกษา วิทยากร และอาจารย์พิเศษสอนในเรื่องกลยุทธ์และการจัดการธุรกิจและซัพพลายเชน
ติดตาม อ. เอกรัตน์ ได้ที่ Facebook and Youtube Channel

การพยากรณ์ยอดขาย 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

กดเพิ่มเพื่อน คุยกับเราได้ครับ

เพิ่มเพื่อน

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

6 thoughts on “ความแม่นยำการพยากรณ์ Forecast Accuracy – สูตรไหนเหมาะกับผู้บริหาร”

  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. อคิญญา โรจนพานิช

    MWAPA 57% กรุณาแสดงวิธีคำนวนให้ด้วยค่ะ เพราะลองทำแล้วมันไม่ใช่ 57% ค่ะ

  3. ทิฆัมพรจันทร์สอน

    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

Leave a Reply

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